基于GF-1多光谱影像的河道碍洪物遥感AI识别模型

河道碍洪物是洪涝灾害的重要影响因素,对其进行高效精准监管需引起高度重视。传统的人工巡查难以满足高效精准的应用需求,因此结合人工智能(AI)的遥感技术应用是必经之路。然而诸多的AI模型在遥感应用中的表现尚不清晰,亟待深入探讨。本文以广西大藤峡库区为例,研究河道碍洪物遥感AI识别模型构建方法。基于GF-1遥感影像,构建碍洪物训练样本集,以ResNet101为核心网络,采用当前主流的6种语义分割模型,包括PSPNet、PAN、MANet、FPN、DeepLabV3+和UNet++,进行碍洪物识别模型训练,进而评估其精度和效率。结果表明:①利用ResNet101作为骨干网络的深度学习模型,在河道碍洪物识别中表现优异,所有模型的F1得分均大于0.70,交并比(IoU)均大于0.58。其中,结合洞卷积和全局池化技术的DeepLabV3+模型的F1得分为0.82,IoU为0.72,体现了其在捕捉上下文信息和微观特征方面的显著优势。②PSPNet在参数量较低的情况下表现出较高的处理效率和精度,每批次能处理8个样本,帧率高达10.49。综上,DeepLabV3+在精确识别和轮廓描绘方面的表现尤为突出,而PSPNet在大规模数据处理上显示出巨大潜力。研究结果可为AI遥感模型构建提供参考,并为河道安全监管提供技术支撑。

遥感数据云平台在水土流失动态监测中的应用

遥感数据云平台具有海量数据资源共享、计算性能强大和学习应用简便的优势,已广泛应用于生态环境监测与水利水资源管理领域。从水土流失动态监测的技术流程出发,分析了遥感数据云平台在土地利用分类、地形特征提取、植被覆盖度反演和基础气象资料获取与分析4个领域的应用,并提供了基于Google Earth Engine平台实现上述分析的案例(核心代码),供相关部门参考。同时,对遥感数据云平台建设发展方向和它们与水土流失监测业务的耦合方式提出展望。