基于卷积神经网络的空心村高分影像建筑物检测方法

基于卷积神经网络(CNN)提出了一种适用于空心村高分影像的建筑物自动检测方法,该方法利用多尺度显著性检测来获取包含建筑物信息的显著性区域,然后通过滑动窗口获取显著性区域内目标样本块,再将这些样本块输入训练好的CNN并结合SVM来实现分类。为检验方法有效性,选取高分影像进行实验,结果表明,显著性检测能够有效地获取主要目标,减弱其他无关目标的影响,降低数据冗余;卷积神经网络能够自动学习高层次的特征,基于CNN对高分影像进行建筑物检测,分类准确度可以达到97.6%,表明该方法具有较好的鲁棒性和有效性。     

高分遥感影像道路提取方法研究

高分辨率遥感影像道路提取是当前研究的一个热点,传统的提取方法多基于光谱特征,不能充分利用高分影像的形状、纹理等特征。文章提出了一种利用光谱特征和形状特征提取高分遥感影像道路的方法。首先利用道路的光谱特征,采用阈值分割法提取可能的道路段并去除小面积区域,再根据道路的线性特征去除非线性区域,之后进行形态学闭合运算填补由道路光谱差异造成的孔洞,并进行修剪,实现道路的提取。     

基于卷积神经网络的无人机遥感农作物分类

针对采用长时间序列卫星影像、结合物候特征进行农作物精细分类识别精度较低的问题,将深度学习用于无人机遥感农作物识别,提出一种基于卷积神经网络的农作物精细分类方法,利用卷积神经网络提取高分辨率遥感影像中的农作物特征,通过调整网络参数及样本光谱组合,进一步优化网络结构,得到农作物识别模型。研究结果表明：卷积神经网络能够有效地提取影像中的农作物信息,实现农作物精细分类。除地块边缘因农作物种植稀疏、混杂而产生少许错分现象外,其他区域均得到较好的分类效果。经训练优化后的模型对3种农作物总体分类精度可达97.75%,优于SVM、BP神经网络等分类算法。     

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。     

基于改进爬峰法高分辨率遥感影像分割的树冠提取

对现有爬峰法利用高分辨率遥感影像分割进行树冠提取时存在的问题进行直方图压缩和基于类的二次合并两方面的改进,并将改进后的爬峰法在Matlab平台上模拟实现。以Quick Bird影像为基础数据源提取单木树冠,分析树冠面积提取精度,验证改进爬峰法对高分遥感影像树冠分割的可靠性。研究结果表明:实验样本精度均达到85%以上,与传统目视解译精度比较相差较少,满足应用需求。     

基于深度学习的寒旱区遥感影像河流提取

寒旱区河流提取对该地区生态环境监测、农业规划、灾害预警等具有重要意义。根据寒旱区特点制作了面向寒旱区遥感影像河流识别的专业数据集;为了提高网络的识别准确率,融合迁移学习与深度学习,将Res Net50网络迁移到Linknet网络,得到R-Linknet网络;为了提取到更多的细节信息和增加提取河流的连贯性,将密集空间金字塔池化与R-Linknet网络相结合,扩大网络的感受野;训练时,将Dice系数损失函数与二分类交叉熵函数相结合,作为新的损失函数。数据集验证结果表明,本文提出的方法与多种语义分割网络相比,像素准确率较FCN_8s、Res Net50、Deeplab V3、Unet和原始Linknet网络分别提高0.216、0.099、0.031、0.056和0.023,交并比分别提高0.19、0.142、0.056、0.105和0.028;加入Dense ASPP之后,像素准确率提高0.023,交并比提高0.050,采用新的损失函数进行训练后,像素准确率和交并比又分别提高0.019和0.022。该方法提取到的河流更加清晰、连贯,能够满足后续的研究需求。     

基于卷积神经网络的互花米草识别研究

互花米草的侵入对我国的生态系统多样性造成了巨大损失,如何准确地识别零散斑块的互花米草对其早期监测及预警具有重要意义。采用低空无人机遥感技术,以广西北海地区春季时期红树林中的互花米草为研究对象,利用AlexNet、VGG16、GoogleNet、ResNet50、EfficientNetB0五种卷积神经网络,分别对包含互花米草、红树林及其他地物背景的图像数据集进行模型的训练、验证与测试,然后将训练好的五种网络模型对整个试验区域的互花米草及地物背景进行识别并标记,得到互花米草的分布图。基于混淆矩阵和运算时间的综合定量评估结果表明,ResNet50网络模型总体上优于另外四种网络模型,识别准确率最高,达到了96.96%,且在测试集上耗时仅为5.47 s。将识别结果图与互花米草实际分布图进行对比,ResNet50网络模型的识别结果与互花米草的实际分布基本重合。     

面向高分一号遥感影像的自动几何配准算法对比

遥感影像的几何配准是影像后续处理的重要前提和遥感农情监测等应用的重要保障。不同的自动几何配准算法在配准效果上存在差异,单一配准算法难以满足所有类型数据的配准要求。根据不同地形特征和不同时相特征,选择了平原和山地、夏季和冬季4个实验区,以现有的基于区域的互相关法、互信息法和基于特征的SIFT算法为基础,分别对上述4个实验区的高分一号影像数据进行自动配准实验,对比3种算法的配准精度、配准效率和稳定性。实验结果表明：应用SIFT算法进行配准,4组实验结果均目视接边效果良好且均方根误差达到10 -5 数量级,满足精度要求。该方法简单、高效,可以应用于农情遥感监测等日常业务。     

基于无人机遥感与卷积神经网络的草原物种分类方法

基于无人机高光谱成像遥感系统,在400～1 000 nm波段内采集低矮、混杂生长的荒漠草原退化指示物种的高光谱图像信息。分别在退化指示物种的开花期、结实期和黄枯期进行飞行实验,飞行高度30 m,高光谱图像地面分辨率2. 3 cm。采用特征波段提取与深度学习卷积神经网络相结合的方式,提出一种荒漠草原物种水平分类的方法,结合植物物候给出了中国内蒙古中部荒漠草原物种分类的推荐时相,总体分类精度和Kappa系数平均值分别达到94%和0. 91。研究结果表明,无人机高光谱成像遥感技术及深度卷积神经网络可以较好地实现荒漠草原退化指示物种的分类,与基于径向基核函数的支持向量机、基于主成分分析的深度卷积神经网络分类法相比,基于特征波段选择的深度卷积神经网络分类法效果最好,分类精度最高。无人机搭载高光谱成像仪低空遥感和卷积神经网络法提供了一种草原物种水平分类的途径。     

基于全卷积神经网络的灌区无人机正射影像渠系提取

为快速准确获取灌区渠系分布信息,科学调配区域农业水资源、提高水资源利用率,通过基于全卷积神经网络(Fully convolutional networks,FCN)的语义分割模型进行渠系轮廓提取。利用无人机采集正射影像并进行标注,以VGG-19网络为基础,通过多尺度特征融合的方式实现FCN-8s结构,使用Tensorflow深度学习框架构建FCN渠系提取模型;对数据集进行数据增强,分割后放入FCN模型中训练、测试。实验结果显示,针对不同复杂程度的测试区域,FCN模型的提取准确度、完整度、精度均高于支持向量机方法和改进霍夫变换方法,均值分别为95. 78%、92. 29%、89. 45%。结果表明,该方法能够实现灌区渠系轮廓的高精度提取,具有较好的泛化性和鲁棒性。     

基于MSR-cut的高空间分辨率遥感影像边缘检测分割

针对-cut(Ratio cut)边缘检测分割模型对高分辨率遥感影像分割时存在过分割和模糊边缘敏感性问题,提出了一种多尺度R-cut(Multi-scale ratio cut,MSR-cut)的遥感影像边缘检测分割方法。首先,采用形态重建的分水岭分割算法对影像过分割,形成多个超像素区域;然后计算并提取影像各个区域的纹理特征信息熵值、光谱特征与邻域均值差分归一化值,分别进行同质性和异质性的有效衡量;并构建评价函数获取最优分割尺度,对这些超像素区域进行初步合并,得到影像的粗分割结果;最后结合各地物的边界权重信息,从全局角度用R-cut的方法对粗分割结果进一步合并,完成对影像的精细分割,生成最终的分割结果。实验选取5个不同场景的高分辨率遥感影像,采用定性和定量两种方法对比分析本文方法与传统R-cut边缘检测分割、Spectral-Rcut边缘检测分割和Textured-Rcut边缘检测分割方法。实验结果表明,MSR-cut边缘检测分割方法能够有效提高分割精度,增强噪声鲁棒性,可取得较好的分割视觉效果。     

基于长时间序列遥感数据反演NPP的耕地质量评价

为客观获得省域耕地质量分布状况,减少时间断点引起的评价误差,构建了一种基于长时间序列遥感数据反演NPP的耕地质量评价方法。首先,在耕地图斑约束下,采用时序LSWI和EVI数据识别水稻和玉米;然后,采用2000—2010年MODIS的MOD09A1数据,结合气象站点数据,利用VPM模型分别计算水稻和玉米的净初级生产力(NPP),并得到多年NPP均值,可反映耕地种植作物的常年长势,使用距平分析法消除作物类型差异,得到表征耕地质量的评价结果;最后,以吉林省为研究区,对本文提出的方法进行了实证与分析。实验结果表明,长时间序列NPP耕地质量反演结果与耕地质量利用等别整体空间分布一致。其中,吉林省中部与北部由于耕地集中连片,反演结果准确。南部山区耕地斑块破碎,耕地与林地混合,导致反演结果偏高。本文构建的长时间序列NPP耕地质量评价方法对省域范围、集中连片耕地质量评价具有可行性,可为我国耕地质量评价提供科学依据。     

基于高分辨率遥感影像分类的城镇土地利用规划监测

城镇土地利用规划是城镇化健康有序推进的基础,规划实施监测是其实施的保障。遥感和GIS相结合的方法可快速监测城镇土地利用规划实施情况,保障土地利用规划实施的动态管理。利用0.5 m分辨率的World View-2卫星遥感影像,采用面向对象的影像分析方法,针对基于知识规则分类特征选取及阈值确定难点,将CART决策树与面向对象分类方法结合,实现参与分类最优对象特征的选择以及特征阈值的自动确定。在分类基础上,对每个规划图斑计算地类规划实施完成率,实现对土地利用规划实施过程进行监测评价。最后,以北京市房山区某区域为研究区,进行了试验验证。结果表明:最终分类总体精度达0.89,Kappa系数为0.87,表明构建的分类算法基本能满足城镇土地利用规划监测的需求。研究区东北部土地利用规划实施情况比西部好,公共绿地、水域等地类需重点调查监测,同时二类居住用地的建筑密度偏高,绿化率偏低。     

基于多尺度扩张卷积神经网络的城中村遥感识别

城中村是我国快速城市化进程中的一个特殊产物,通常存在人口密集、建筑私自改造等问题。开展城中村的识别和监测对城乡统筹规划以及精细化治理等具有重要意义。基于深度学习提出了一种新的城中村遥感识别模型,该模型包括一个多尺度扩张卷积模块和一个非局部特征提取模块,前者能够聚合多层级空间特征以适应城中村形状、尺度的变异性;后者用于提取全局语义特征以提高城中村的类间可分性。选取北京市二环与六环之间的区域作为研究区,实验结果表明本文模型取得了较好的识别效果,总体精度可达94.27%,Kappa系数为0.8839,且效果优于传统模型。本文研究表明,基于多尺度扩张卷积神经网络进行城中村遥感识别是可行且有效的,可为城乡统筹规划提供精确的城中村空间分布数据。     

遥感技术获取耕地质量评价指标的研究进展分析

耕地质量指标数据获取是耕地质量评价的基础,遥感为相关数据的快速、大面积获取提供了一种新的手段与方法.本文首先分析了耕地质量内涵和功能,在此基础上利用文献计量法对我国近5年耕地质量评价指标研究进行归纳,结合国外土壤质量的研究现状,提出了基于遥感技术的耕地质量评价指标体系,包括地形条件、土壤属性和田间利用状况3个维度.然后...