基于卷积神经网络的无人机遥感影像农村建筑物目标检测

将深度学习应用于遥感影像目标识别,提出基于卷积神经网络的无人机遥感影像农村建筑物的目标检测方法,用端到端的方式训练Faster R-CNN网络模型,并应用于农村建筑物的快速精确识别.该方法包括基于RPN网络的区域建议和基于Inception v2的卷积神经网络模型训练.为了训练和测试模型,通过无人机采集南疆地区的农村建筑物遥感影像,并人工标注建立了农村建筑物的数据集,在TensorFlow深度学习框架上通过对该数据集目标检测验证了模型.结果表明,基于改进的卷积神经网络目标检测方法对无人机遥感影像进行快速准确识别的总体精度超过90%,通过初始参数更新,模型收敛更快,对无人机遥感影像地物分类和目标识别具有一定的参考意义.

基于深度学习的寒旱区多时序影像土地利用及变化监测——以新疆莫索湾垦区为例

针对生态环境脆弱的寒旱区开展地物要素提取以及土地覆盖变化监测研究,对农业规划、城乡建设、生态环境监测与保护等具有重要意义。借助2015-2019年新疆莫索湾垦区Landsat-8影像构建数据集,对比3种传统方法:最大似然分类(Maximum likelihood classification,MLC)、支持向量机(Support vector machine,SVM)和随机森林(Random forest,RF)及5种语义分割模型:Deep⁃Labv3+(Xception)、DeepLabv3+(MobileNet)、SegNet(ResNet50)、U-Net(MobileNet)和PSPNet(Mo⁃bileNet),选取最优自动化地物提取模型对研究区1998-2020年农用地、建筑用地、水体和荒漠4种地物要素进行分类,并运用土地利用转移矩阵和动态度进行定量动态变化分析。结果表明:Deep⁃Labv3+(Xception)模型可以实现更准确、更高效的地物提取,总体精确度(OA)、Kappa系数和F1值分别为96.06%、0.96和0.86,其中所选模型的平均交并比(MIoU)较其他模型提升0.03~0.39。近23 a,莫索湾垦区的荒漠、农用地和建筑用地三者的土地结构转化较为明显,荒漠总面积减少15.00%,农用地总面积增加12.68%,建筑用地总面积增加2.53%,水体面积变化较为平稳。地物类型总体转变方向为荒漠向农用地转化、农用地向建筑用地转化。该研究可为深度学习技术应用于中分辨率遥感卫星影像领域中实现土地利用及变化动态监测提供参考。

基于哨兵2号遥感影像最优时相组合的棉花提取方法

棉花是我国最重要的经济作物之一,其快速准确的提取是有效管理棉田信息的关键。针对高分辨率遥感影像获取不易,数据常有缺失,作物生长期遥感影像利用不充分的问题。本文基于深度学习方法,使用棉花生长周期内4月至10月的遥感卫星影像,探究遥感影像单个时相及其时相组合的数据对棉花提取的影响。通过Deeplabv3+模型对研究区各个时相的遥感影像的棉花分别进行提取,并使用分段函数评估模型对提取效果进行快速比较,按此结果排列出适合棉花提取的单时相遥感影像,依次加入到Deeplabv3+模型中,得到该模型下的遥感影像棉花提取结果最优时相组合为6月、7月、8月和10月,该组合下棉花提取准率Precision、Recall、F1指数、IoU指数分别为0.93、0.93、0.94、0.87,同时,并基于该结果与SegNet,U-Net两种模型相比,准确度分别高出18%和8%,能够明显减少与非棉花耕地的错分情况,对棉田的边缘恢复较好,该结果可以在棉花遥感数据不足及快速提取时提供参考。