模拟困难样本的Mask R-CNN滑坡分割识别

随着人工智能的发展,利用高分影像进行滑坡等地质灾害识别逐渐成为研究热点。滑坡目视解译需依赖专家经验,传统滑坡自动识别方法又易将滑坡和裸地、道路等地物混淆。针对以上问题,提出了基于模拟困难样本的掩模区域卷积神经网络(mask region-based convolutional neural network,Mask R-CNN)滑坡提取方法。在现有样本的基础上,利用滑坡的形状、颜色、纹理等特征模拟更为复杂的滑坡背景进行困难样本挖掘增强,并将得到的困难样本输入Mask R-CNN网络进行滑坡精细检测分割。在实际研究区域中,由于滑坡数量有限,因此在频率域进行小样本学习,在减少数据需求的同时,保证分割识别的准确度。中国贵州省毕节市的实验结果表明,基于模拟困难样本的Mask R-CNN方法检测精度为94.0%,像素分割平均准确率为90.3%,可实现低虚警率下的高性能检测分割;采用频率域学习,在一半数据输入量的情况下,模型检测精度仍可得到提升。利用中国甘肃省天水地区的滑坡区域进行实际验证,进一步证明了所提方法的有效性。

利用GPS-IR技术快速估计雪水当量

雪水当量的监测对于气候变化的预测、水资源管理、农业生产规划具有重要意义。GPS干涉反射(GPS interferometric reflectometry,GPS-IR)技术是一种十分有效的地表积雪监测技术,基于GPS-IR技术提出了一种雪水当量的快速估计方法。首先基于GPS-IR技术获取美国板块边界观测(plate boundary observatory,PBO)GPS站的雪深时间序列;然后利用美国积雪遥测(SNowTELemetry,SNOTEL)站观测数据构建雪水当量转换模型;最后以北美历史与预测气候数据项目(historical and projected climate data for North America,ClimateNA)的气候预测数据作为参数约束,将GPS日雪深快速转化为雪水当量,并对雪水当量估计与验证过程的影响因素进行评价。实验结果表明,基于GPS-IR技术得到的雪深序列具有良好可靠性,与观测值的相关系数(R^(2))达到0.98,均方根误差(root mean square error,RMSE)为11.1 cm,偏差(Bias)为-3.7 cm;快速转化模型对雪水当量估计具有较高精度(R^(2)=0.98,RMSE=4.2 cm,Bias=-2.5 cm)与稳定性;转化模型时空稳定性较高,残差集中在5 cm内;气候预测数据的引入、积雪分布差异对雪水当量估计与验证影响较小。所提方法在积雪监测设备缺乏区域可实现雪水当量快速估计,同时也为现有积雪观测网络增强、积雪产品改善等研究提供参考。