基于深度学习SSD算法的高密度电法智能解译方法技术研究

高密度电法在探测灰岩区地下溶洞病害体方面得到广泛应用,但高密度电法反演结果依赖于初始模型,存在多解性,地质解译容易受专业人员主观因素影响。为此,本文从具有唯一性的视电阻率数据出发,研究了基于深度学习的SSD(Single Shot Multi-box Detector)目标检测算法的视电阻率异常智能解译方法技术。针对岩溶地质病害,设计了不同填充类型、形状、规模、数量的溶洞电性异常模型,利用Res2dmod软件进行视电阻率正演计算,构建了包含1400个样本的高密度电法视电阻率智能解译学习样本库(样本和标签)。基于TensorFlow框架,建立了基于深度学习SSD算法的高密度电法视电阻率异常智能解译方法技术,使用学习样本库训练网络权值,训练结束后对高密电法温纳装置视电阻率异常进行智能解译,单个视电阻率剖面异常智能解译耗时不到1 s,各类目标(填充型溶洞、未填充型溶洞)平均准确率为90.68%。研究结果表明:基于SSD算法的高密度电法视电阻率异常智能解译技术可显著提高高密度电法视电阻率解译效率,避免专业人员主观因素影响。

拉普拉斯卷积的双路径特征融合遥感图像智能解译方法

由于遥感图像存在多尺度变化和目标边缘模糊等问题,对其进行智能解译仍然是一项极具挑战性的工作。传统的语义分割方法在处理这些问题时存在局限性,难以有效捕捉全局和局部信息。针对上述问题,文中提出一种双路径特征融合分割方法 DFNet。首先,使用Swin Transformer作为主干提取全局语义特征,以处理像素之间的长距离依赖关系,从而促进对图像中不同区域相关性的理解;其次,将拉普拉斯卷积嵌入到空间分支,以捕获局部细节信息,加强目标地物边缘信息表达;最后,引入多尺度双向特征融合模块,充分利用图像中的全局和局部信息,以增强多尺度信息的获取能力。在实验中,使用了三个公开的高分辨率遥感图像数据集进行验证,并通过消融实验验证了所提模型不同模块的作用。实验结果表明,所提方法在Uavid数据集、Potsdam数据集、LoveDA数据集的mIoU达到了71.32%、85.58%、54.01%,提高了语义分割的性能,使分割结果更为精细。

高分辨率遥感影像样本库动态构建与智能解译应用

在人工智能时代,遥感影像解译朝着自动化智能化方向发展,高质量的样本数据集是其核心。我国积累了海量优质的时空地理信息基础数据及衍生产品,是深度学习驱动的遥感影像智能解译样本的重要来源。盘活现有数据资源,可推动人工智能与遥感解译的应用深度与广度。本文基于现有数据资源,针对样本数据集区域受限、时效性不强、类型单一等问题,研究了面向深度学习的高分遥感影像智能解译样本库动态构建技术。首先,分析了要素提取、地表覆盖分类、变化检测方面的公开样本数据集的特点,提出业务驱动的样本应需生成-动态构建-智能应用思路;其次,研究了基于历史解译成果的样本自动生成、SAM大模型提示学习引导的样本清洗精化方法及实现过程;再次,设计了具有区域性、时序性、尺度性、多传感器、多类型的样本库,以及顾及空间-时间-地类关系的动态样本数据库架构,研究了样本数据集“量化-检索-组合”动态重构过程,实现时空样本的动态管理与多维检索;最后,开展了地表覆盖分类、要素提取、变化检测等智能解译应用,验证了本文研究思路及方法的可行性,以期推动基于已有基础数据的样本数据集的有效利用,以及样本构建-管理-应用及数据-模型-业务的互联互通,为高分遥感影像智能解译样本库构建与应用提供参考思路。

遥感影像弱小目标智能解译算法研究

随着遥感技术的快速发展,光学遥感影像弱小目标智能解译成为遥感信息处理的研究热点之一。遥感影像的地物目标常具有尺度小、种类多、数量大、部分重点小目标移动速度快的特点,易受到复杂背景环境及噪声影响,使得提取遥感影像弱小目标的信息面临着巨大的挑战。早期智能解译算法中的弱小目标分割、检测及跟踪等算法研究,多依赖模板匹配及先验知识,此类算法需耗费大量资源、算力及专家知识成本,存在着计算量大、泛化能力差的问题。近年来,随着深度学习等人工智能技术的快速发展,在海量遥感数据中准确获取弱小目标的信息,通过结合深度学习算法可对弱小目标的特征进行快速提取,以提供高效、准确的解译信息。本文综述了遥感影像弱小目标智能解译算法研究进展,包括基于传统图像处理方法的弱小目标分割、检测和跟踪算法,以及基于深度学习等典型相关算法。通过分析这些方法的优点与局限性,对于提高相关目标的信息获取能力、提升观测的态势感知水平以及未来应用等方面具有重要意义。

山水林田湖草自然资源遥感智能解译样本库建设研究

针对瞄准遥感智能解译样本稀缺这一基础性问题,本文研究涵盖山水林田湖草自然资源要素的遥感解译样本分类体系、采集与清洗、建库与利用方法,构建分布均匀、种类齐全、涵盖不同地物类型及观测尺度的遥感解译样本库,形成国产高分辨率卫星遥感信息提取与变化检测自动化、智能化业务支撑能力,服务自然资源监测监管及相关行业应用。

基于高分辨率影像的水体遥感智能解译研究

水资源作为生命的源泉,是人类生存和发展必不可少的要素。在全球范围内,水资源的问题日益严峻,给生态环境和人类社会带来了巨大的挑战,高效获取水体信息显得十分重要。本文采用高分辨率影像,结合遥感智能解译技术,进行水体形状特征提取研究,并将研究结果用于项目生产。对于边界清晰且易于分辨的水体,该水体边线提取准确,不需二次加工,直接用于生产;对于水体表面有浮游、冰、雪等情况,水体形状特征提取部分边界错误,需二次修正,但相较传统水体提取生产效率提高了50%;采用遥感智能解译技术,结合高分辨影像,成功开展了水体边界提取,准确且可靠,大大提升了生产效率。

自然资源影像智能解译系统的设计与实现

使用传统方法人工从自然资源影像中提取兴趣地物,存在解译速度慢、人工成本高、项目周期长等问题,难以支撑爆发式增长的工作需求。为此,基于近年兴起的人工智能技术结合成熟的GIS平台,开发了一套地物智能识别系统,提供AI样本制作、AI模型开发、AI模型解译等功能,便于管理AI模型生产过程中的各类模型和数据,提高了AI模型开发与影像解译的工作效率、节约了生产成本。

基于遥感智能解译技术的围堰溃决洪水淹没分析--以旭龙水电站为例

水电站围堰溃决洪水突发性强且非常规,应急调查时效性要求高。为分析水电站围堰溃决洪水风险,以旭龙水电站为例,提出了一套基于遥感智能解译技术的溃堰洪水淹没分析方法用于实物指标应急调查,并选取与居民财产安全密切相关的建筑物为典型对象,通过构建U-Net卷积神经网络模型,对旭龙水电站下游区域进行建筑物提取。结果表明:该方法可有效识别出建筑物分布情况,F-score指标精度在93%以上,在算法效率上也明显优于人工解译。

遥感影像智能解译样本库现状与研究

我国遥感对地观测等项目顺利实施,获取了大量时效性强、覆盖范围广、信息量丰富的遥感数据。但遥感影像智能化自动处理技术发展仍相对滞后,无法满足区域/全球大范围地物信息快速提取的需求。近年来,人们利用深度学习技术显著提高了影像特征提取成效,但由于所使用的深度学习样本数量和类型有限,对于多源遥感影像的自动解译能力仍然不足。本文面向大范围多源遥感影像地物信息智能解译需求,在分析现有样本集现状及问题的基础上,研究提出遥感影像智能解译样本库设计方案,并在此基础上设计了基于互联网的样本协同采集与共享服务框架。本文将为多源遥感影像样本库建设提供参考,为大范围遥感影像智能解译提供支持。

自然资源要素智能解译研究进展与方向

自然资源要素解译是自然资源调查监测工作中最基础、投入工作量最大、技术难度最高的工作,存在可解译类别少、要素边界不准不全、类别属性可靠性不高等诸多挑战。本文从自然资源调查监测应用场景出发,首先从要素解译到场景要素耦合的解译范式、数据驱动到知识驱动的解译方法、人工目视到人机协同的解译手段3个方面阐述了自然资源要素自动解译的研究进展;然后探讨了6个重点研究方向及其研究内容,包括场景要素耦合解译、知识驱动语义理解、人机协同智能解译、内外一体与三维环境解译、关键参数精准计算与定量反演,以及高可信质量控制与真实性验证;最后进行了总结与展望,以期为自然资源要素智能解译研究提供思路,推动解决困扰遥感影像自动解译方法在自然资源调查监测业务应用中的瓶颈问题。

遥感影像智能解译:从监督学习到自监督学习

遥感影像精准解译是遥感应用落地的核心和关键技术。近年来,以深度学习为代表的监督学习方法凭借其强大的特征学习能力,在遥感影像智能解译领域较传统方法取得了突破性进展。这一方法的成功严重依赖于大规模、高质量的标注数据,而遥感影像解译对象独特的时空异质性特点使得构建一个完备的人工标注数据库成本极高,这一矛盾严重制约了以监督学习为基础的遥感影像解译方法在大区域、复杂场景下的应用。如何破解遥感影像精准解译“最后一千米”已成为业界亟待解决的问题。针对该问题,本文系统地总结和评述了监督学习方法在遥感影像智能解译领域的主要研究进展,并分析其存在的不足和背后原因。在此基础上,重点介绍了自监督学习作为一种新兴的机器学习范式在遥感影像智能解译中的应用潜力和主要研究问题,阐明了遥感影像解译思路从监督学习转化到自监督学习的意义和价值,以期为数据源极大丰富条件下开展遥感影像智能解译研究提供新的视角。

基于模式识别技术岩体裂隙图像的智能解译方法研究

结构面是岩体的重要组成部分,是控制在工程荷载作用下岩体力学作用方式及其力学响应的主要因素之一。裂隙是岩体中最常见的一类结构面,而且具有数量大、分布广和随机性强等特点,因此对裂隙的调查、测量和统计是划分岩体类别、评价岩体质量和提取岩体物理力学参数的基础。但是,传统的裂隙调查尚处于低效的手工操作阶段。为了提高工作效率,节约工程费用,寻求一种高效、简便、实用的现场测量方法是非常必要的,而数字摄影和数字图像处理为实现这一目标提供了强有力的技术支持。为此,利用图像识别方法,对裂隙图像的智能识别进行了研究,并自编了相应的处理程序,获得了初步研究成果。

基于地学分析与遥感智能解译模型的土地覆盖/土地利用分类

全国土地覆盖/土地利用(LC/LU)调查已经成为开展土地利用动态变化预测、土地利用规划及土地管理的一项关键的基础性工作,受到广泛关注和重视。随着遥感技术和各种遥感地学分析解译模型的发展和深入,利用遥感技术获得的影像数据对区域的LC/LU情况及其动态变化进行定期或不定期的监测,成为一种最为迅速可靠和理想有效的手段。论文提出了遥感地学智能解译模型支持下的LC/LU分类体系,并以天津蓟县地区为试验对象,采用多平台遥感数据和辅助地理信息,进行了土地覆盖/土地利用遥感应用研究。

深度学习在遥感影像智能解译中的应用现状简述

近年来,大量对地观测遥感卫星被成功发射并在轨运行,无人机等新型遥感平台也在不断发展更新,不同光谱、不同分辨率、不同时相的遥感影像数据总规模已接近100PB,遥感影像应用的核心和关键是遥感影像解译,传统的人工目视解译已不能满足遥感影像解译在效率和精度方面的需求,深度学习在遥感影像处理方面表现出较好的可靠性和高效性,为遥感影像大数据时代智能解译提供了新的解决方案,已经成为测绘遥感学科发展的重要驱动力量。文章从遥感智能解译单元、模型算法和智能解译样本库三个方面简述了深度学习在遥感影像智能解译中的应用现状,并针对应用现状提出展望。

基于容器云技术的典型遥感智能解译算法集成

针对当前航天遥感信息处理向云计算发展的趋势,将容器云技术应用于遥感数据的智能处理,通过在计算集群中部署遥感解译算法镜像与分布式存储服务,屏蔽复杂的环境依赖问题,并通过配置文件进行流程管理,形成了从开发到部署的整体技术路线,为遥感智能解译技术的集成提供了高效可靠的新思路。以几种典型的遥感智能解译算法为例,证明了该方案在智能解译模型的集成化开发部署上的高效性,为遥感智能解译技术的新型云端模式探索了可行性方案。

土地资源多尺度遥感智能解译分类体系研究

针对以往土地利用/土地覆盖分类数据应用,当前遥感智能解译样本库建设过程中与分类系统有关的问题,对遥感智能解译样本分类体系应有统一认识,可通过构建适于多尺度遥感影像的土地资源分类体系,实现统一分类体系下不同来源遥感分类数据的集成和有效对比。本文依据国土空间规划和治理新理念,地物类型在遥感影像上的可分性,采用自上而下方法构建土地资源多尺度遥感智能解译分类体系。该分类体系兼容土地利用与土地覆盖,包含9个一级类型,41个二级类型和43个三级类型,总计74个不同细分类型,比当前深度学习样本库的地物类型更加全面,并且采用开放框架和分层设计,支持类型扩展。该分类体系有助于对土地资源进行统一调查监测。

基于深度学习的岩体遥感智能解译模型研究——以黑龙江省苇河镇、亚布力镇、绥阳镇地区为例

在东北地区选取试验区,对比多种分类模型,提出一种基于多源多模态数据和多流CNN的岩体分类模型.其中包括两个子模型:一是基于大尺度邻域和深度卷积神经网络的岩体提取模型;二是基于波段组合和多模态数据的多流CNN融合模型.研究结果表明,预测结果图整体区域预测分布正确,总体精度评价指标达到84.4%,具有智能化程度高、客观性强的特点,能够为地质工作者提供辅助决策依据.此外,还采用迁移学习策略对样本数量进行扩容,解决了CNN模型小样本问题.

自然资源要素遥感智能解译样本分类体系研究

根据湖北省自然资源监测监管对大规模遥感智能解译的需求,对已有遥感智能解译样本数据集进行了总结,从提升地类细分领域的深度学习模型效果出发,研究了遥感影像智能解译的典型应用场景和解译对象,构建了湖北省自然资源要素遥感智能解译样本分类体系,并以优于2 m的多源异构高分辨率光学遥感影像为数据源,开展遥感智能解译样本采集。通过具体业务应用场景实验证明,建立的智能解译样本分类体系及其样本库,能够较好地反映湖北省自然资源卫星遥感影像智能解译的区域特征,取得较之前的样本库更为有效的解译效果。

基于深度自注意力网络的影像智能解译

传统深度神经网络主要关注影像的局部特征,忽视了影像上远距离的语义特征。深度自注意力网络能够打破局部感受野的限制,对影像上的长距离关系实现建模,因此,被广泛应用于近景与遥感影像智能解译。首先介绍了基于深度自注意力网络的影像处理基本原理。然后,重点分析深度自注意力网络在场景分类、目标识别和语义分割任务中的应用。最后,总结了深度自注意力网络在影像智能解译领域的未来发展方向。

基于多源遥感影像的智能解译样本库建设

针对因深度学习样本数量和类型有限而导致的遥感影像的自动解译能力不足等问题,本文在分析现有样本集现状及问题的基础上,结合甘肃省地形地貌条件和已有数据,研究和探讨了甘肃省遥感影像解译样本库构建的总体思路和基本策略,建立了拥有百万级样本的遥感影像智能解译样本库。