融合Transformer结构的高分辨率遥感影像变化检测网络

为解决遥感影像变化检测全局上下文信息捕获的问题,本文提出了基于孪生结构、跳跃连接结构及Transformer结构的TSU-Net。该模型编码器采用混合CNN-Transformers结构,借助自注意力机制捕获遥感影像的全局上下文信息,增强了模型对于像素级遥感影像变化检测任务的长距离上下文建模能力。该模型在LEVIR-CD数据集和CDD数据集进行测试,F1得分分别为90.73和93.14,优于各对比模型。

深度学习提取不透水面的自然环境影响因素研究

针对遥感影像提取不透水面通常会受到自然环境因素影响的问题,该文采用改进的U2-Net模型对北京市五区和南京市五区的Landsat 8 OLI影像进行季节性不透水面提取,探索深度学习提取不透水面时的自然环境影响因素及其影响机制。选择植被、水、裸土及地表温度作为影响因素,通过地理探测器研究以上因素对不透水面提取的影响机制。基于改进的U2-Net模型提取不透水面精度较高,其中北京市研究区域的提取精度为93.81%,南京市研究区域的提取精度为94.04%;4项自然环境因素对不透水面提取精度均有影响,单因素分析中地表温度影响最大,交互作用分析中地表温度与植被覆盖影响最大。研究结果表明:夏季不透水面提取精度最高,受自然因素及交互作用影响最小;提取不透水面建议采用夏季影像。本文探究了自然因素对不透水面提取的影响机制,为进一步不透水面遥感提取和动态差异分析提供有力支撑。