基于高分辨率遥感影像的居民地分类方法研究

随着我国城镇化进程的不断深入,大量乡村居民地已经转化为城镇居民地,为了度量二者实时的转化情况,该文提出一种基于监督分类机制的居民地分类方法,该方法首先采用边缘特征及高斯函数量化影像上的局部特征,然后构建5种城镇及乡村居民地分类规则,其次创建训练样本对各类规则进行学习,最后通过城镇及乡村测试样本验证该文方法的精度。实验表明,该文方法可以对高分辨率遥感影像城镇及乡村居民地进行初级分类,为“城镇化”进程提供一个新的衡量指标。

基于高分辨率遥感影像深度特征的城市非渗透表面集成学习提取

城市非渗透表面信息的有效提取是高分辨率遥感应用研究的热点问题。针对目前城市非渗透表面信息提取中存在的问题,结合深度学习与集成学习的优势,提出了基于高分辨率遥感影像深度特征的城市非渗透表面集成学习方法。以高分二号多光谱数据为试验数据,以非渗透表面密集程度不同的城市区域为试验区,基于U-Net深度网络提取的高分辨率影像的深层次特征,采用Stacking机制的集成学习机提取城市非渗透表面信息。试验结果表明,基于深度特征的集成学习方法在城市非渗透表面信息提取中获得了较高的精度。在城市非渗透表面密集程度不同的试验区,总体精度不低于91.66%,Kappa系数不低于0.83;错分误差为7.83%~9.39%,漏分误差为7.22%~14.88%。相对于基于浅层光谱信息的集成学习、随机森林、支持向量机,总体精度、Kappa系数有显著提高,错分与漏分误差显著降低。说明深度特征信息能有效提高集成学习提取非渗透表面提取的用户精度与制图精度;相对于U-Net、SegNet深度学习网络,在稀疏、中等密集、密集、复杂4类非渗透表面试验区,有效提高了总体精度、Kappa系数,漏分、错分误差显著的减少。说明基于深度特征的集成学习能有效改善与提高非渗透表面提取的用户精度与制图精度。总体上,基于深度特征的高分辨率非渗透表面集成学习方法能获得较高的城市非渗透表面信息提取精度,在城市土地利用/覆盖分类中具有良好的应用前景。

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。

融合多重多尺度特征的高分辨率遥感影像建筑物提取网络

针对高分辨率遥感影像因复杂背景信息导致的建筑物边界、角点以及内部信息出现的错分、漏分问题,提出了一种融合多重多尺度目标特征的DPRS-Net深度学习网络。DPRS-Net采用Resnet50与Swin-T(Tiny)的并行编码结构以结合两种编码优势,进而获取特征图的大范围深层信息;利用跳跃连接降低建筑物的边界特征损失;引入特征金字塔注意力模块和密集空洞空间特征金字塔池化模块,使采样过程中的建筑物细节特征损失减弱。为验证模型的优势性、分析性能提升原因,在WHU和自建Changchun3建筑物数据集上进行对比和消融实验。结果表明,DPRS-Net在两种数据集上均取得更高的精度,提取的建筑物信息更为完整,且模型各结构均能有效提升预测效果。

一种基于高分辨率遥感影像的近岸筏式养殖区提取方法

利用WorldView-2高分辨率遥感影像,提出一种SS-UNet网络模型用于筏式海水养殖区信息提取.在顾及筏式海水养殖区形状特征的情况下,SS-UNet模型在U-Net模型的“U”形架构上,引入SPM和SA模块.测试结果表明SS-UNet模型取得了最高的精度水平,其中M IoU和Kappa系数分别达到91.72%和0.9123.并且该模型可以更加准确地提取筏式海水养殖区,遗漏和错误分类等现象出现较少.与U-Net模型相比,在增加极少模型复杂度的情况下,SS-UNet模型的M IoU和Kappa系数分别提升了10.41%和0.126.结果表明,SS-UNet模型实现了在高分辨率遥感影像中近岸海域筏式海水养殖区提取的结果精度和提取性能的有效提升.

基于MFF-Deeplabv3+网络的高分辨率遥感影像建筑物提取方法

为提升高分辨率遥感影像中建筑物提取的精度,提出一种基于MFF-Deeplabv3+(multiscale feature fusion-Deeplabv3+)网络的高分辨率遥感影像建筑物提取方法。首先,设计多尺度特征增强模块,使网络能够捕获更多尺度的上下文信息;然后,设计特征融合模块,有效融合深层特征与浅层特征,减少细节信息的丢失;最后,引入注意力机制模块,自适应地选择准确特征。在Inria建筑物数据集的对比实验中,MFF-Deeplabv3+在PA、MPA、FWIoU、MIoU指标中取得最高精度,分别为95.75%、91.22%、92.12%和85.01%,同时在WHU建筑物数据集的泛化实验中取得不错的结果。结果表明,本方法在高分辨率遥感影像中提取建筑物信息精度较高,且具有较好的泛化性。

基于改进Swin-UNet网络的高分辨率遥感影像建筑物提取

针对传统人工提取方法目前在建筑物提取任务中自动化水平低,以及现有的卷积神经网络(convolutional neural network,CNN)、UNet等深度学习方法在遥感影像建筑物提取中边缘提取效果差、提取不完整等问题,文章提出一种基于改进的Swin-UNet网络模型的建筑自动提取方法。新网络模型在原Swin-UNet网络结构基础上,采用跨块注意力机制(cross-attention block,CAB)取代原网络的Swin Transformer块来构建新的网络体系,在武汉大学航空(WHU)建筑数据集和美国马萨诸塞州建筑物数据集建筑物提取试验中验证了模型的适用性。研究结果表明,该方法优于支持向量机(support vector machine,SVM)算法及基于传统的深度学习方法,具有良好的分割精度和鲁棒泛化能力。

基于高分辨率遥感影像和改进U-Net的城市绿地提取

准确掌握城市绿地的面积和空间分布对于城市园林绿化规划和管理具有重要意义。针对U-Net网络提取城市绿地存在的参数冗余和边界特征丢失等问题,本研究提出一种基于改进U-Net网络的城市绿地信息自动提取方法。该方法采用MobileNetv2作为编码部分,结合交叉熵损失函数和Dice损失函数以提高模型的泛化性并解决样本不平衡的问题。同时,引入空间通道压缩与激励模块以解决边界特征提取不准确的问题,在提高模型精度和速度的同时,降低参数量。结果表明:(1)改进的U-Net模型在城市绿地提取的精度和速度方面优于其他4种经典模型,参数量仅为6.9M;相较于原始的U-Net模型,改进后U-Net模型的mIoU提高0.63%,参数量减少77.77%,平均帧数提高2.77倍,表明该方法在显著减少模型参数的同时,仍能保持较高的精确性。(2)实际应用方面,研究部署最优模型对长沙市区的绿地进行自动提取,共提取75549个绿地图斑,面积范围从0.0001hm^(2)到706.39hm^(2)不等;分区统计结果显示,岳麓区绿地面积最大,芙蓉区最小,与目视解译结果基本一致。本研究不仅提供了一种改进城市绿地提取精度和速度的方法,而且具有一定的实用价值,为城市绿化规划和管理提供有力的数据支持。

基于改进坐标注意力和U-Net网络的高分辨率遥感图像建筑物提取

在城市规划、统计调查和灾害应急评估等领域,从遥感图像中准确提取建筑物至关重要。然而,由于高分辨率遥感图像中建筑形态的多样性和地面环境的复杂性,实现建筑的完整、高精度提取仍然是一个挑战。为此,本文提出了一种用于从高分辨率遥感图像中提取建筑物的新网络,该网络保留了U-Net的编码器–解码器结构,并融合了坐标自注意模块(CSAM),以调整网络对输入图像中不同区域的关注程度,使得网络能够有选择性地捕捉和强调重要的语义信息,增强特征提取能力。在空间分辨率为0.3 m的WHU建筑物数据集上进行的实验结果表明,与U-Net、PSPNet、DeepLabV3+相比,所提出的网络能够获得更准确的建筑提取结果,达到98.21%的像素精度、95.28%的精准率、94.57%的召回率和90.34%的交并比。

高分辨率遥感影像城市建筑垃圾自动识别的多种标注形式对比研究

数据集的构建是深度学习目标识别中最基础的工作,其在很大程度上决定了目标识别的精度。为研究不同标注形式的数据集对建筑垃圾识别检测效果的影响,分别采用正矩形、旋转矩形和多边形3种标注框的形式标注高分辨率遥感影像中的建筑垃圾,构建了正矩形建筑垃圾数据集、旋转矩形建筑垃圾数据集和多边形建筑垃圾数据集。对比分析实验结果发现:多边形标注框形式的最终识别正确率和识别精准率最高,最适宜建筑垃圾识别模型的构建;利用正矩形和多边形建筑垃圾识别模型均可有效实现对建筑垃圾的自动定位、识别和提取,且多边形建筑垃圾识别模型还可以识别建筑垃圾的轮廓,可以结合实地建筑垃圾高度估算建筑垃圾体积,为建筑垃圾的精准管控提供数据基础和技术支持。

基于分层特征提取和多尺度特征融合的高分辨率遥感影像水体提取深度学习算法

高精度的水体提取有助于水资源监测和管理。目前基于遥感影像的水体提取方法缺乏对于边界质量的重视,造成边界划分不准确,细节保留度低的问题。为了提升遥感影像水体提取的边界与细节的精度,提出了一种基于多尺度特征融合的高分辨率遥感影像水体提取深度学习算法,包括分层特征提取模块与融合多尺度特征的堆叠连接解码器模块。分层特征提取模块中,引入了通道注意力结构,用于整合高分辨率遥感影像中水体的形状、纹理和色调信息,以便更好地理解水体的形状和边界。在融合多尺度特征的堆叠连接解码器模块中,进行了多层次语义信息的堆叠连接,并加强了特征提取,同时捕捉了广泛的背景信息和细微的细节信息,以实现更好的水体提取效果。在自行标注的数据集与公开数据集上的试验结果表明,模型的准确率达到了98.37%和91.23%,与现有的语义分割模型相比,提取的水体边缘更加完整,同时保留细节的能力更强。提出的模型提升了水体提取的精度和泛化能力,为高分辨率遥感影像水体提取提供了参考。

高分辨率遥感影像道路信息智能提取

道路信息对城市规划、交通管理和基础设施建设至关重要。针对高分辨率遥感影像道路信息提取效率低、边界质量差和可视化程度低等问题,提出了一种基于改进ResUnet模型的遥感影像道路提取方法,并结合pyqt5框架实现了高分辨率遥感影像道路信息智能提取系统开发。文章以马萨诸塞州道路数据集为数据源,通过改进的ResUnet网络模型,实现了对高分辨率影像中道路信息的准确提取。结合高分辨率遥感影像道路信息智能提取系统能够快速、准确地完成道路提取任务,为城市交通管理和规划提供了重要支持。

一种基于HRNet的高分辨率遥感影像滑坡识别方法

近年来,滑坡灾害频繁发生,灾后及时对滑坡进行识别对减灾和灾后重建具有重要意义。在高分辨率遥感影像滑坡识别任务中,普遍存在有正负样本不均衡、特征提取不完善的问题。为此,本文提出一种基于HRNet的高分辨率遥感影像滑坡识别模型,该模型的高分辨率特征金字塔网络结构,在多尺度下充分捕捉地质特征,提高模型对复杂地形的适应性。同时,在训练过程中采用FocalLoss损失函数,为难以分类的正样本赋予更大的权重,有效缓解了正负样本不均衡问题,这使得模型更加关注难以区分的滑坡区域,进一步提升了滑坡识别的准确性和鲁棒性。实验结果表明,该方法在数据集中实现了优越的滑坡分割性能,对灾后的快速反应有指导性意义。

基于U-Net网络模型方法的山区高分辨率遥感影像建筑物提取研究

由于山区地形较为复杂且自然环境多变,建筑物的布局不会像在平原地区呈网络状规则分布,导致山区建筑物的提取存在碎斑、范围不正确等问题。本文基于北京二号(BJ-2)和高分七号(GF-7)遥感卫星影像,采用U-Net网络模型对山区建筑物进行提取试验,并将试验数据与第三次全国国土调查成果进行比对分析。研究结果表明,采用本文方法提取的建筑物精度高,将U-Net网络模型用于山区建筑物提取的方法可行。

高分辨率遥感技术在川西毛垭坝地区活动断裂研究中的应用

高分辨率遥感技术对构造微地貌精细结构的识别能力大大地提高了活动断层调查的效率。该文在系统总结活动断裂遥感影像标志的基础上,综合利用Landsat8和GF-2这2种影像数据,采用宏观地貌到微地貌的遥感解译方法,结合前人研究成果和野外实地考察,对川西毛垭坝地区的活动断裂进行了分析与研究。研究表明,除义敦—理塘断裂带以外,研究区还发育数条呈近EW向具正断裂性质的活动断裂。综合区域地质背景分析认为,在印度板块与欧亚板块的强烈碰撞挤压背景下,青藏高原东南缘地壳物质不断横向挤出,发育了右旋走滑的巴塘断裂和左旋走滑的理塘断裂2组共轭断裂。在2者的共同控制作用下,研究区正处于局部伸展阶段,并发育了近EW向的断裂构造,这些断裂控制了大毛垭坝、小毛垭坝以及北侧的措普盆地的发展与演化。

武汉大学测绘遥感信息工程国家重点实验室博士后崔浩 为提升高分辨率遥感监测水平攻坚克难

遥感,即遥远的感知,泛指一切无接触的远距离的探测。在信息技术发达的今天,遥感技术水平已经成为衡量一个国家科技力量的重要标准之一。在遥感技术学科连续七年排名世界第一的武汉大学学习,并成为其中的佼佼者,绝非易事。但崔浩做到了。崔浩的“出身”并不好,从普通本科院校到985高校博士,这条路并不好走,甚至可以说十分坎坷,但是抱着对进步的追求和对科研的热爱,他硬生生走了下来,这其中的心路历程可能只有体会过的人才能理解。

基于高分辨率遥感影像的道路网络提取算法研究

作为遥感信息分析领域的重要工作之一,高分辨率遥感影像道路提取对于地理信息建库、城市建设规划、城市地形分析与三维表达等方面具有重要的研究意义。本文提出了多种改进算法组成的遥感影像道路网络提取方法,首先使用超像素分割(Simple Linear Iterative Clustering, SLIC)算法对高分辨率遥感影像进行分割处理并使用改进K-means算法对分割后影像进行分类;其次根据绿色植被指数(Green Vegetation Index, CVI)值滤除非人工区域并使用OTSU算法分割提取得到初始道路网络;最后对提取道路网络进行优化处理得到精细化道路网络。使用广州市某地高分辨遥感影像对本文提取算法进行验证,结果表明,本文算法能够有效地提取道路信息,提高道路网络提取精度。

高分辨率遥感影像土地利用及其变化检测

为探究不同分类方法在高分辨率遥感影像土地利用及变化检测中的应用,基于淮南市2017-2018年高分一号宽幅相机(GF-1WFV)数据,分别采用最大似然法和支持向量机法进行土地利用及其变化检测,分析不同分类结果的空间分布、转移矩阵、动态变化,根据其分类精度,最后比较它们的优缺点。结果表明:两种分类方法的林地、耕地、水体和人工建筑分类总体精度均在98%以上,Kappa系数在97%以上,具有较高的分类精度。2017-2018年林地和建筑面积有所增加,其中林地的增加较为稳定,人工建筑的转入和转出百分比都比较高,耕地的变化在不同的分类方法下显示都是明显减少,水体的变化在使用最大似然法分类时是增加的,而使用支持向量机法分类时是减少的。因此,不同分类方法所得到的结果受特定数据集、数据预处理、特征选取、参数选择等因素的影响而存在差异。

基于机载LiDAR和高分辨率遥感影像融合的农村地籍测绘方法

农村地籍测绘是农村土地规划的重要依据,本文提出了基于机载激光雷达(LiDAR)和高分辨率遥感影像融合的农村地籍测绘方法。首先,对农村地籍进行机载LiDAR测绘,采集机载LiDAR点云数据并对其进行分块;其次,对农村地籍高分辨率遥感影像进行分割处理,并将机载LiDAR点云与遥感影像进行配准融合,生成农村地籍测绘图,实现基于机载LiDAR和高分辨率遥感影像融合的农村地籍测绘。经实验证明,使用本文设计的方法开展地籍测绘的面积误差不超过1%,测绘结果与实际结果的余弦相似度符合精度要求,可以精准地反映农村地籍形状、面积和轮廓等特征,具有较高的测绘精度。

基于无人机高分辨率遥感影像的土地整治项目新增耕地勘测核定研究

常规新增耕地勘测核定范围受限,导致得出的勘测核定单点位偏差增加,为此,基于无人机高分辨率遥感影像,对土地整治项目新增耕地勘测核定方法展开研究。采用多点位的方式,设置多点位覆盖式像控点,进行空三加密测量及勘测数据采集处理,构建无人机高分辨率遥感土地整治项目新增耕地勘测核定模型,采用矢量化辅助比对处理方式实现耕地勘测核定。测试结果表明:利用此方法得出勘测核定单点位偏差在1.3以下,说明在无人机高分辨率遥感影像技术辅助下,土地整治项目新增耕地勘测核定结果较为准确,具有实际应用价值。