基于遥感生态指数的南京市生态变化分析

城市化进程不断加快带来一系列生态环境问题,遥感技术可以快速、客观、定量地评价生态环境变化。选取1990、2002、2013年Landsat遥感影像提取湿度、绿度、干度、热度4个评价指标,通过主成分分析方法计算遥感生态指数RSEI,进行南京市生态环境变化定量分析评价。结果表明1990~2013年南京市生态环境质量有一定程度的下降,生态环境变好的区域主要分布在以明城墙为范围的老城区及周边,生态环境变差的区域分布在新近建设的"一城三区"。进一步分析发现,在4个分指标中,代表干度的指标NDBSI对于生态指数RSEI的贡献度最大,说明生态环境质量的下降与不透水面的大幅增加密切相关。

城市遥感研究进展

城市遥感是当前遥感技术应用的一个重要领域.随着我国新型城镇化过程的推进,遥感技术将在城市生态建设、国土空间开发、资源环境承载能力监测等方面发挥重要作用,成为城市规划管理重要的信息源.本文在总结国内外城市遥感研究内容的基础上,重点对城市遥感若干重要方向的发展进行了分析,在此基础上构建出一个地理学视角的城市遥感研究框架,结合典型实例从结构与格局、要素与作用、变化与过程、功能与响应4个方面进一步探讨了城市遥感研究的发展.最后,结合国家需求和技术发展,对城市遥感今后的发展从数据源、研究对象、应用主题、研究目标、技术方法等方面进行了展望.

遥感产品支持的城市群生态足迹空间格局研究——以长江三角洲核心区城市群为例

生态足迹法是一种常用的可持续发展度量方法。现有的生态足迹评价方法往往受行政单元的限制,主要从大尺度、宏观的角度开展评价,难以对生态足迹的空间分布进行系统分析,尤其在城市群这样内部差异较大、急需协调发展的地区,评价结果解释和应用更是存在明显的限制。随着遥感数据产品的不断丰富,与生态足迹模型相关的人口、生产性土地面积等指标往往在遥感数据产品中可以定量、定位地表达。该文结合遥感解译获取的NPP、人口密度、土地覆盖等产品,在GIS空间分析技术的支持下,提出了基于格网的生态足迹分析方法;以长江三角洲核心区城市群为研究区,在修正当地产量因子的基础上,估算了研究区2005-2010年公里格网的生态足迹,分析了研究区生态足迹的空间格局。

国产岩心光谱扫描仪CMS350A数据预处理技术

岩心高光谱编录是目前深度挖掘地质资料、实现地质找矿突破的有效支持技术之一。该技术实现了高光谱遥感矿物识别优势与钻探技术深部岩层采样特点的结合。针对国家重大科学仪器设备开发专项"岩心光谱扫描仪研发与产业化"支持研发的国内首台岩心光谱扫描仪CMS350A数据采集机理和获取的岩心图像及光谱数据的特点,对岩心光谱扫描数据预处理方法开展研究,提出了基于标准板的岩心扫描图像增强方法、图谱分析结合的干扰光谱识别和校正技术及岩心自动提取和拼接模型,实现了对岩心光谱扫描数据的实时、可靠处理,为后期岩心光谱分析、理化参数反演和矿物分析等工作奠定了基础。

样本迁移支持下的遥感影像自动分类方法

迁移学习是运用已有知识对相关的不同领域的问题进行求解的一种机器学习方法,本文结合这一方法,提出了一种基于先验知识的样本自动选取方法,并构建了一套土地覆盖自动分类的算法框架。该方法主要面向Landsat数据,通过图像变化检测技术与光谱形状编码的方法,从源领域中迁移适用的地物类别知识并标记在目标影像中,使用SVM完成基于样本迁移的自动分类流程。结果表明,该方法可以获得可靠的自动分类结果,一定程度上满足遥感信息的大范围提取与长时间序列处理分析的发展需求。

卫星+AI时代遥感专业模式识别课程的教学实践与改革

在人工智能时代深化遥感产业发展背景下,遥感专业人才培养需要与时俱进,以提高人工智能应用能力。本文针对目前遥感科学与技术专业人工智能核心课程模式识别教学现状及存在的问题,提出面向遥感专业应用导向的模式识别课程建设思路,从教学内容和实践环节两个方面设计了以提高遥感专业学生人工智能应用能力为目的的教学方案。从教学反馈结果来看,本文提出的教学思路不仅激发了学生对模式识别课程学习的兴趣,而且提高了学生应用模式识别方法进行遥感信息解译的能力。

遥感图像场景深度学习与应用研究——以城市结构类型识别为例

土地利用/覆盖信息解译一直是遥感技术应用研究的一个重要方向,在过去的几十年间取得了长足的进步。城市作为人造地表覆盖最为集中的区域,其复杂的地表覆盖类型和空间结构构成了独特的城市地表空间形态。传统的土地利用/覆盖数据由于空间分辨低、结构信息匮乏,制约了遥感技术在城市生态系统研究中的应用。因此,如何从遥感数据中获取更高语义层次的空间信息不仅是城市区域研究中亟待解决的一个问题,也是城市遥感应用深化的一个重要方向。鉴于此,本文通过分析城市地表空间结构类型在高分辨率遥感图像上的语义视觉特征,以图像场景为单元研究高分辨率遥感图像城市结构类型解译的新方法,实现城市地表邻域范围空间语义信息的遥感解译。本文研究内容及创新点包括:(1)探索了基于深度学习进行遥感图像场景特征学习及表达的基本流程和关键技术,以稀疏自动编码器和深度卷积神经网络两种典型的深度学习框架为基础,提出了一种基于全局特征的编码方法和多尺度改进的Fisher核特征编码方法,提高了卷积特征的编码性能。利用标准遥感图像场景数据集对深度学习及特征编码方法进行实验评价,验证了所构建编码方法的有效性,同时发现深度卷积神经网络模型比稀疏自动编码器在遥感图像场景特征学习和表达中更具优势。

深度卷积神经网络支持下的遥感影像语义分割

针对高分遥感影像语义分割面临的类别不平衡和上下文信息利用不充分问题,本文提出了一种优化的DeeplabV3+算法。首先通过修改交叉熵损失函数,解决数据不平衡问题;其次使用Vortex Pooling取代ASPP模块提高上下文信息;然后采用多尺度输入充分利用图像的多尺度信息,并用投票策略进行特征融合提高图像分割准确性;最后使用形态学作后处理消除拼接痕迹和噪声。在CCF大赛的数据集上进行训练,并与其他经典语义分割算法进行比较。试验结果表明,该算法充分利用上下文信息,有效减少了错误分类,且使分割边界更精确,尤其对于线状目标的捕捉能力更强;在整幅测试影像上的MIoU可达85.21%,明显优于SegNet、U-Net算法。

中国东北城乡植被物候时空变化及其对地表温度的响应

以中国东北地区的沈阳、长春、哈尔滨3个大城市及其周边的乡村为研究单元,在像元尺度上采用小波变换法对长时间序列中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer,MODIS)增强植被指数(Enhanced Vegetation Index,EVI)数据滤除噪声数据后重建平滑的EVI曲线,基于EVI曲线,采用动态阈值法提取出研究区2009—2016年植被关键物候期参数指标,即植被生长季开始时间(Start of Growing Season,SOS)和结束时间(End of Growing Season,EOS),分析各研究单元植被物候时空变化特征及其对地表温度的响应特征。结果表明:各研究单元SOS和EOS值的空间分布图存在明显的城乡差异。每一个像元所属的实际位置距离城区中心越近,其SOS值越小,EOS值越大,表明植被生长季开始日期早结束日期晚,整个植被生长期时间变长。各研究单元植被物候参数指标的年际变化趋势具有一定的相似性,即SOS随时间均呈现出提前趋势,且城区和乡村的SOS年际变化趋势保持一致,变化速率各不相同。研究区2012年的SOS值是研究时段内的最大值,从植被物候期反映来看,该年是一个最冷年,这与当年受寒潮影响,出现暴雪,低温等极端天气的气候现象相吻合。各研究单元年均地表温度(Land Surface Temperature,LST)与对应的植被关键物候期参数均有显著的相关性,SOS与LST呈显著负相关,EOS与LST呈高度正相关。即植被物候同期的平均温度越高,植被生长季的起始时间越早,结束时间越晚。

地理测绘理工交叉融合硕士生培养探讨

当前科技创新已经步入了多学科交叉融合时代,基于学科融合的复合创新型硕士生培养是我国研究生教学培养的改革方向。地理学与测绘科学与技术是地学大门类下的2个一级学科,二者具有很强的学科交叉性,本文在分析江苏师范大学地理测绘与城乡规划学院2个学科当前硕士生培养状况的基础上,探讨了2个学科交叉融合硕士生培养的思路。

教育供给侧改革背景下毕业论文质量管控研究

在教育供给侧改革背景下,高等教育质量管控面临新的挑战。毕业论文质量作为综合检验本科教学质量的重要标准,是高等教育供给侧改革的一个突破口。文章以江苏师范大学地理测绘与城乡规划学院为例,提出目前本科毕业论文实施环节存在各阶段节点延误和内容深度不足两大问题,并从加强全过程管控、深化课程考核方式和内容改革、提高学业评价标准、探究毕业论文多元形式等角度提出了对毕业论文质量管控的思考。

2000—2020年南京市土地覆盖变化对地表径流影响研究

土地覆盖信息对研究城市地表径流具有重要意义,而地表径流量可以为城市洪涝灾害风险防范和缓解能力评估提供重要参考。为了探究土地覆盖类型和变化信息对地表径流预测的影响,以南京市为研究区,基于径流曲线模型(Soil Conservation Service Curve Number,SCS-CN)模拟了2000至2020年多种降雨场景下的地表径流量,并分析了不同年份地表径流分布特征,进而评估了土地覆盖及变化对城市潜在洪涝灾害的影响。结果表明,研究区域内地表径流总量逐年增大,洪涝缓解系数呈现下降趋势,一定程度上加剧了城市内涝风险。在所有土地覆盖类型中,不透水面及其变化对地表径流影响最为显著。

基于深度学习与矢-栅数据的图斑变化检测系统

针对现有图斑变化检测方法难以满足土地监管的实际生产需求问题,提出了一套基于深度学习与矢-栅数据的图斑变化检测自动化处理系统。首先利用高分遥感影像和矢量数据,以强边界约束为支持生成自适应大小的自标注样本集,并利用不同分类器对训练样本进行纯化;然后利用改进的深度卷积神经网络模型实现图斑的细粒度分类;最后根据制定的判别规则,筛选预测值与真实值不一致的矢量图斑,作为最终的变化检测结果。以无锡洋溪河地区为研究区域,结果表明,该系统不仅能够准确高效定位变化图斑,而且大幅减轻了人工工作量,在耕地“非农化”“非粮化”以及违法用地检查等变化检测领域具有较高的应用价值。

融合多特征的城市不透水面覆盖率估算方法

高分辨率遥感技术的发展为准确估算城市区域精确不透水面信息提供了有效可靠的数据源。为了利用高分遥感影像精确估算不透水面信息,提出了一种基于多特征的城市不透水面覆盖率(Impervious Surface Percentage,ISP)遥感估算模型。该方法利用Sentinel-2光学遥感数据和珞珈一号夜间灯光遥感数据,从多个角度提取了反映不透水面信息的指数特征,基于多元回归分析方法构建了多因子不透水面覆盖率估算模型。以南京市为研究区对该方法进行了验证。结果表明,多因子不透水面覆盖率估算模型可以有效融合多种遥感信息,明显提高了城市ISP估算精度。

基于多时相遥感数据的徐州市植被净初级生产力估算及相关性分析

以遥感数据和气象数据为主要数据源,应用改进的光能利用率模型估算徐州市2006、2008和2010年3年间6月份的植被净初级生产力(Net Primary Productivity,NPP),研究了该区域6月份NPP的时空变化及其与气象因子的相关性。结果表明:时间上,受气候和环境等因素综合变化的影响,研究区域6月份NPP呈逐年下降趋势;空间上,NPP的分布表现为在林地、草地和农田相对集中的区域偏高,且不同植被类型6月份的NPP大小关系在不同年份可能不同,其中在2006和2008年为农田>草地>林地,而2010年为农田>林地>草地。通过分析与气象因子的相关性和偏相关性,限制NPP的主要气象因子不是固定不变的,其中2006和2008年,限制NPP的主要气象因子为太阳辐射,而2010年为降雨量和温度。不同植被类型下NPP与气象因子相关性和偏相关性差异反映了不同类型植被生长对光、热、水条件要求的差异。

无线传感器网络和遥感技术结合监测煤矿环境地质

针对矿区环境地质监测面临的主要问题,本文探讨了结合无线传感器网络技术和遥感技术对矿区进行环境地质监测的方案,并针对该方案面临的问题与难点,提出了运用这两种技术在矿区建立植被净初值生产力(NPP)动态模型来实时监测矿区的环境地质状况的设想。

基于空间邻域信息的高光谱遥感影像半监督协同训练

针对tri_training协同训练算法在小样本的高光谱遥感影像半监督分类过程中,存在增选样本的误标记问题,提出一种基于空间邻域信息的半监督协同训练分类算法tri_training_SNI(tri_training based on Spatial Neighborhood Information)。首先利用分类器度量方法不一致度量和新提出的不一致精度度量从MLR(Multinomial Logistic Regression)、KNN(k-Nearest Neighbor)、ELM(Extreme Learning Machine)和RF(Random Forest)4个分类器中选择3分类性能差异性最大的3个分类器;然后在样本选择过程中,采用选择出来的3个分类器,在两个分类器分类结果相同的基础上,加入初始训练样本的8邻域信息进行未标记样本的二次筛选和标签的确定,提高了半监督学习的样本选择精度。通过对AVIRIS和ROSIS两景高光谱遥感影像进行分类实验,结果表明与传统的tri_training协同算法相比,该算法在分类精度方面有明显提高。

基于PRCUnet的高分遥感影像建筑物提取

基于高分辨率遥感影像的建筑物提取具有重要的理论与实际应用价值,深度学习因其优异的深层特征提取能力,已经成为高分影像提取建筑物的主流方法之一。本文在改进深度学习网络结构的基础上,结合最小外接矩形与Hausdorff距离概念,对建筑物提取方法进行改进。本文主要改进内容为:①基于Unet网络结构,利用金字塔池化模块(Pyramid Pooling Module,PPM)的多尺度场景解析特点,残差模块(Residual Block,RB)的特征提取能力以及卷积块注意力模块(Convolutional Block Attention Module,CBAM)对空间信息和通道信息的平衡能力。将金字塔池化、残差结构以及卷积块注意力模块引入到Unet模型中,建立PRCUnet模型。PRCUnet模型更关注语义信息和细节信息,弥补Unet对小目标检测的欠缺;②基于最小外接矩形与Hausdorff距离,改进建筑物轮廓优化算法,提高模型的泛化能力。实验表明,本文的建筑物提取方法在测试集上准确率、IoU、召回率均达到0.85以上,精度显著优于Unet模型,提取出的建筑物精度更高,对小尺度及不规则的建筑物有较好的提取效果,优化后的建筑物轮廓更接近真实的建筑物边界。

融合多源时序遥感数据大尺度不透水面覆盖率估算

不透水面信息是监测城市扩张及区域生态环境变化研究的重要指标,基于遥感技术对地表不透水面信息进行快速提取具有重要意义。传统大范围不透水面覆盖率估算模型主要基于单一遥感信息与不透水面比例之间的相关性,通过单因子回归模型实现不透水面覆盖率的估算。受限于单一遥感信息的信息量及普适性等影响,这类方法在大尺度不透水面提取中具有较大局限性,估算结果的区域适应性存在较大差异。针对该问题,本文提出基于多特征遥感信息进行不透水面估算的方法,以弥补单一特征在大范围不透水面提取中的不确定性。该方法首先以多时相MOD13Q1、MOD09A1产品、夜间灯光数据(NPP-VIIRS)和Landsat 8 OLI为遥感数据源,从不同角度构建突出不透水面信息的多个指数特征;在此基础上利用多元回归模型建立多因子不透水面覆盖率估算模型,进而实现大尺度不透水面覆盖率的遥感估算。本研究选择分布于全国范围内13个典型城市作为主要研究区对提出的模型进行了验证,结果表明:该方法能够适应不同区域不透水面覆盖率的估算,在复杂城市区域表现出较传统方法更好的效果,明显改善了城市内部不透水面覆盖率的估算精度。