基于迁移学习的无人机影像耕地信息提取方法

随着精准农业技术的发展,对农作物用地信息快速、准确提取的需求越来越高。同时,无人机技术以其方便、高效、具有低空云下飞行能力等优势被广泛应用于自然资源的调查中。但无人机影像普遍光谱信息较为匮乏,因此很难准确、快速地提取出耕地信息。基于此,提出了一种利用迁移学习机制的耕地提取方法(TLCLE)。首先,利用深度卷积神经网络(DCNN)剔除线状地物(道路、田埂等),然后,通过引入迁移学习机制将DCNN特征训练过程中得到的特征提取方法迁移到耕地提取中,最后,将所提方法与利用易康(e Cognition)软件进行耕地提取(ECLE)结果进行对比。研究结果表明:对于实验影像1、2,TLCLE方法耕地提取总体精度分别为91.9%、88.1%,ECLE方法总体精度分别为90.3%、88.3%,2种方法提取精度相当,在保证耕地地块完整、连续性上TLCLE方法优于ECLE方法。     

最优分割尺度支持下高分遥感影像水土资源信息分类

为提升水土资源信息分类精度,以无人机航拍获取的高分辨率影像为实验对象,提出了最优分割尺度和决策树支持下的对象级影像分类方法。首先,根据影像内部的同质性和异质性,建立了分割质量函数,通过该函数获取了最优分割尺度;然后,提出了基于光谱信息和面积信息的最优分割尺度评价模型对分割结果进行评价;最后,引入决策树规则机制,完成了水土资源信息分类,并与最大似然法分类结果进行对比。研究结果表明:所建立的分割质量函数能准确获取最优分割尺度,有效避免了人工分割带来的主观性,所提方法分类总体精度为86.78%,最大似然分类方法总体精度为77.59%,在分类精度上有较大提升。     

四川省参考作物腾发量时空分布特征及成因分析

为探究四川省参考作物腾发量（ET0）的变化,利用1961－2010年四川省12个气象站点的逐日气象观测资料,使用联合国粮农组织（FAO）1998年推荐的Penman-Monteith公式计算各站点ET0,并在此基础上采用GIS的克里金插值、Mann-Kendall趋势检验及相关分析方法分析ET0的的时空变化规律及其原因。结果表明：1961－2010年四川省各站的年ET0总体呈波动性递减趋势,其中ET0在1992年以前显著下降,之后逐渐上升;ET0年内分布不均,呈单峰曲线变化趋势,最大值在6月,达到了3.2 mm?d-1;ET0空间分布基本呈现自东北、西南向中部递减趋势,自西部青藏高原到中部成都平原ET0逐渐减小,再过渡到东部丘陵区ET0又逐渐增大,随地理纬度的增大呈递减趋势,随海拔高度的增大呈递增趋势,时空分布存在较大的区域差异;ET0和气象因子的相关分析结果表明,ET0和日照时数、风速呈显著正相关（α=0.05）,是四川省ET0变化的主要影响因素。     

基于低空遥感与迁移学习的土地利用信息快速制图方法

为解决样本的手工获取和常规的目视解译难以适应目前农业土地资源信息自动化提取的需求问题,引入时空数据挖掘技术,运用关联知识迁移学习机制,提出了一种基于知识迁移学习的高分辨遥感影像土地利用信息分类制图方法(KTLC)。首先,运用改进的均值漂移算法对新的待分类制图影像进行分割获得影像对象,然后,将分割后对象的矢量边界与前时相土地利用矢量专题图进行配准、嵌套,通过叠加分析获取当前影像中的不变对象,并通过光谱、空间信息阈值筛选完成不变对象的提纯,进而将历史专题图中的地物类别知识迁移到新影像对象上,建立新的特征与地物类别映射关系,最后,运用决策树构建分类规则完成当前影像的快速分类制图,并将所提方法与利用易康(e Cognition)软件进行分类(EC)的结果进行对比。研究结果表明,对于2组实验影像,KTLC方法分类总体精度分别为88.61%、88.30%,EC方法分类的总体精度分别为89.87%、84.84%,2种方法分类制图精度相当,但在效率方面,KTLC方法优于EC方法。