基于面向对象孪生神经网络的高分辨率遥感影像建筑物变化检测

建筑物变化检测在城市环境监测、土地规划管理和违章违规建筑识别等应用中具有重要作用。针对传统孪生神经网络在影像变化检测中存在的检测边界与实际边界吻合度低的问题,本文结合面向对象图像分析技术,提出一种基于面向对象孪生神经网络（Obj-SiamNet）的高分辨率遥感影像变化检测方法,利用模糊集理论自动融合多尺度变化检测结果,并通过生成对抗网络实现训练样本迁移。该方法应用在高分二号和高分七号高分辨率卫星影像中,并与基于时空自注意力的变化检测模型（STANet）、视觉变化检测网络（ChangeNet）和孪生UNet神经网络模型（Siam-NestedUNet）进行比较。结果表明：（1）融合面向对象多尺度分割的检测结果较单一尺度分割的检测结果,召回率最高提升32%,F1指数最高提升25%,全局总体误差（GTC）最高降低7%;(2)在样本数量有限的情况下,通过生成对抗网络进行样本迁移,与未使用样本迁移前的检测结果相比,召回率最高提升16%,F1指数最高提升14%,GTC降低了9%;(3) Obj-SiamNet方法较其他变化检测方法,整体检测精度得到提升,F1指数最高提升23%,GTC最高降低9%。...     

基于CatBoost的植被总初级生产力遥感模拟方法及在福建省的应用

植被总初级生产力(GPP)作为衡量陆地生态系统健康的重要指标,可直接反映区域环境状况和改善情况,因此准确估算植被GPP变化对区域可持续发展具有重要意义。本文利用中国及日本涡度通量观测数据,构建了基于CatBoost算法融合地形特征的GPP估算模型;并将模型应用于具有复杂地形特征的福建省,实现了该省GPP长时序模拟。研究结果表明：(1)地形特征是GPP机器学习估算的重要参数,融合地形特征建模的GPP模拟结果精度明显提高,均方根误差(RMSE)下降16%。(2) CatBoost GPP估算模型有效降低了传统GPP估算模型和常用机器学习(随机森林和支持向量机)GPP估算模型中存在的高估和低估现象,模型拥有更高的精度和更强的鲁棒性。本文GPP模拟精度：决定系数(R²)为0.888,RMSE为1.164 gC·m^-2·day^-1,平均绝对误差(MAE)为0.773 gC·m^-2·day^-1。(3)基于CatBoost GPP估算模型模拟的福建省多年GPP变化与GOSIF GPP估算结果...