基于PROSAIL混合反演模型的MODIS LAI产品改进及评估

叶面积指数(Leaf Area Index,LAI)是定量陆地生态系统中光合作用、呼吸作用、蒸腾、碳和养分循环等过程中物质与能量交换的重要结构参数。目前大、中尺度的气候和生态水文建模使用的LAI产品主要来源于中分辨率成像光谱仪(MODIS),但由于其反演过程中的不确定性因素导致MODIS LAI产品在部分地区存在质量问题。以青海省复杂植被地区为研究区域,基于实地考察与采样验证了区域内MODIS LAI所存在的质量问题分布,并揭示了不确定因素的影响。与此同时,提出了一种基于PROSAIL模型与深度神经网络(DNN)的混合建模技术,针对MODIS LAI生成机制中地表分类数据、地表反射率数据和反演算法的不确定性进行改进,并基于青海省大范围实测LAI数据评估了改进前后产品的准确度,实测数据的验证结果发现:改进模型的LAI准确度(RMSE=0.48,R^(2)=0.64)显著高于MODIS LAI(RMSE=0.71,R^(2)=0.56),预测结果与实测结果之间的偏差显著减少;区域尺度上,柴达木荒漠植被低覆盖典型区域、三江源高寒草甸中覆盖典型区域与青海湖牧场草地高覆盖典型区域的RMSE分别提高了0.19、0.10、0.54,改进方法有效解决了MODIS LAI产品中高覆盖植被饱和效应导致的高估以及低覆盖植被未检索导致低估的质量问题,改进结果分布连续,更符合真实植被状况。基于以上研究,充分证明了研究方法对MODIS LAI产品的改进具有可靠性,能够在缺少实测样本数据的情况下有效提高MODIS LAI的质量,为全球植被环境监测与生态建模提供重要的数据支持。

结合卷积网络与注意力机制的冰凌提取算法

针对现有基于卷积神经网络的冰凌提取算法无法获取全局上下文特征导致提取结果不准确的问题,提出了一种基于ResNet的编码器和Transformer的解码器组成的冰凌智能提取算法ConvFormer。具体来说,ConvFormer选择ResNet18作为编码器,用于提取局部的多层次信息,并利用Transformer中的多头注意力机制做特征解码器,用于捕获全局上下文信息。文章进一步选取决策树、随机森林、U-Net和DeeplabV3+作为对照模型开展实验。实验结果表明,ConvFormer在各类指标上均优于其他方法,同时提取结果更加连贯,误分及漏分的现象显著减少,充分满足了冰凌监测需求。

基于CNN-RNN网络的中国冬小麦估产

在大范围内快速、准确地预估作物产量,对作物管理、粮食安全、粮食贸易和决策有重要意义。遥感为大规模作物估产提供了便利,大多数研究者结合深度学习和遥感影像取得了较好的结果。然而,农作物生长状态随时间变化,其产量具有非线性时空特征,单一的深度学习方法无法充分利用影像信息。因此,该研究提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)和门控循环单元(Gated Recurrent Unit,GRU)混合神经网络估产模型(CNN-GRU),利用CNN从多光谱遥感影像中提取丰富的空间-光谱特征,在此基础上,结合GRU从多时相遥感影像中自适应学习冬小麦生育期各阶段之间的时间依赖,从多尺度融合冬小麦的生长特征并对其产量进行回归预测。该研究以全国冬小麦主产区为研究区,选取2001—2018年MODIS影像和冬小麦产量数据,构建了冬小麦估产数据集,并验证了CNN-GRU估产模型的性能。结果表明:1)以2016—2018年估产样本作为测试集,CNN-GRU估产模型的均方根误差(Root Mean Square Error,RMSE)年平均值为818.3 kg/hm^(2),相较于CNN、GRU、支持向量回归(Support Vector Regression,SVR)、随机森林(Random Forest,RF)和决策树(Decision Tree,DT)模型分别降低了20.13%、18.81%、29.51%、34.84%和36.57%;2)将冬小麦整个生育期划分为6个时间窗,CNN-GRU估产模型在灌浆-成熟期时精度最高,RMSE为817 kg/hm^(2),而抽穗-开花期的RMSE为823 kg/hm^(2),相较于灌浆-成熟期低0.7%。因此,该估产模型有能力提前2个月预测全国冬小麦主产区产量。

基于影像分割与SVM分类的城市建筑物提取研究

以高分一号卫星遥感影像为数据源,引入形态学算法,研究采用面向对象的影像分类方法进行城市建筑物提取的关键技术。研究方法结合影像分割与基于知识规则的影像分类技术,首先采用基于形态学开闭重建的分水岭分割算法对高分影像进行分割,其次采用基于知识规则的SVM分类方法对影像进行分类,达到提取建筑物的目的。结果显示,3个研究区建筑物提取的kappa系数分别为0.85、0.66和0.65,利用基于知识规则的面向对象分类方法对高分辨率遥感影像中建筑物的提取效果较好,能够完整、准确地提取出建筑物外形信息,具有较高的应用与推广价值。

国产大型超算支撑下的海量遥感智能提取关键技术及应用

随着我国对地观测系统的持续建设,海量遥感信息处理对算力支撑提出了迫切的需求.以美国为首的西方多国对我国实施了芯片、人工智能领域的严厉技术封锁,亟需发展国产超算支持下的海量遥感信息智能提取技术.国产大型超算具有独特的异构众核计算架构,相比INTEL、IBM型超算拥有更强的分布式并行计算能力.由于国产超算软件生态环境有待成熟和发展,基于国产大型超算的海量遥感知识智能挖掘和实时在线处理技术的发展受到严重制约.