多源数据融合的泛时空特征水稻深度学习提取

传统基于时序遥感影像的水稻物候期特征提取方法要求有较高的时间分辨率,受成像条件制约而较难满足;由于不同水稻种植区域环境条件不同,基于单一影像的深度学习水稻种植区域提取方法泛化能力较差。本文选取时相相近的光学和合成孔径雷达(Synthetic Aperture Radar,SAR)数据,削弱水稻种植区影像时空信息差异。通过泛时空特征融合有效地利用光学数据空间特征信息和SAR数据后向散射信息,采用双结构网络模型提取水稻特征。实验表明,基于多源数据融合的泛时空特征水稻深度学习提取方法在三江平原和肥西县水稻数据集上训练模型验证集总体测试精度为95.66%,Kappa系数为0.8805。该模型在南昌市区域水稻提取结果与实际地块边界符合较好,总体提取精度为86.78%,证明了泛时空特征模型的泛化能力和实用性。

基于Kalman滤波的GB-InSAR时序处理方法

传统的GB-InSAR时序处理方法针对整个数据集或分组进行实时处理,该类方法占用大量的电脑内存,效率低,不能满足边坡监测的时效性,无法实现形变预测与灾害预警预报.针对此种情况,提出了基于Kalman滤波的GB-InSAR边坡形变监测实时处理方法.以河北省迁安市马兰庄铁矿边坡监测为例进行分析,提出方法在实验所用解算平台下,在1 min内可解算出研究区当前时刻形变量,并可以预测下一时刻的形变量,与传统时序InSAR的结果相比,时序形变标准差优于1 mm.

合成孔径雷达在矿区形变监测中的应用

随着社会经济的快速发展,对地下能源和矿产的开采需求将进一步扩大。矿区将延伸至城市、城镇、村庄、主要交通干线、水系等,这将不可避免地造成地表变形。大多数变化发生缓慢,即以厘米为单位测量的地表沉降的小幅度变化。这将对土地资源、矿区环境造成极大的破坏,也不利于社会和谐发展的目标。为了矿区的安全生产和可持续发展,需要建立更加精细的矿区地表变形监测体系。本文从矿山地表形变监测的必要性出发,首先介绍了SAR传感的发展历程,并总结了现有SAR卫星及其相关参数,为矿山地表形变监测SAR数据选取提供必要依据。其次分别介绍了DInSAR、PS-InSAR和SBAS-InSAR技术监测矿山形变的基本原理,深入分析了其不同的技术特性。最后介绍了SAR偏移量追踪在发生较大形变的矿山监测中的技术原理。提供了几种不同类型的SAR矿山形变监测技术,对矿山安全生产与合理开采具有重要意义。

运用ESL模型对通用图形处理器(GPGPU)进行的能耗分析

通过在不同的CPU和GPGPU体系结构上执行并行归并排序算法,运用ESL模型分析不同体系结构的性能和能耗,得出CPU和GPU合并是处理器设计的正确趋势的结论。