运城市地表沉降的时序InSAR监测与分析

近年来运城市发生了滑坡、地裂缝、地面沉降等多种地质灾害,给经济发展和人民生命安全带来威胁。为了更好地掌握地面沉降情况,以2019年~2021年30景Sentinel-1A数据为主要数据源,利用永久散射体合成孔径雷达干涉测量(PS-InSAR)技术与小基线合成孔径雷达干涉测量(SBAS-InSAR)技术进行数据处理,获取了运城市地面沉降信息,结合ArcGIS与已有地质资料,对两组获取的结果交叉验证并分析沉降原因。结果表明,运城市区整体出现沉降并产生多个沉降漏斗,最大沉降速率为28.50 mm/y,结合资料可知,沉降的主要因素在于地下水的超采,部分地区的沉降与城市的建设和发展等因素有关。研究结果可为运城市的地质灾害防治、沉降监测预警及城市规划建设提供重要的参考依据。

深度学习在光学和SAR影像融合研究进展

遥感影像融合作为影像处理领域中最具有挑战的工作,一直是学术界研究的热点。合成孔径雷达SAR(Synthetic Aperture Radar)具备全天时、全天候、穿透云雾等多种特点,却因存在相干斑噪声等问题,使得影像难以解译。相比之下,光学影像可以反映地物的光谱和空间信息,易于解译,但容易受到云雾干扰,造成信息丢失,将光学与SAR影像数据融合可以实现不同类型传感器成像之间的信息互补,能够更好地为后续的影像分析与解译提供方便。本文首先对光学和SAR影像融合进行了系统性回顾,包括传统融合方法和基于深度学习方法在影像融合方面的最新工作,重点阐述了卷积神经网络CNN (Convolutional Neural Network)、生成式对抗网络GAN (Generative Adversarial Networks)等框架在光学和SAR影像融合中的进展;然后总结了光学和SAR影像融合在深度学习领域开发的数据集,并做了简单介绍和说明;最后,从数据集、时间序列影像融合、融合评价体系和算法轻量化等4个方面对光学和SAR影像融合的未来发展趋势进行了展望。

基于非下采样剪切波变换的国产高分遥感影像融合

针对高分遥感影像融合存在影像间相关性差、融合亮度差异明显的问题,提出了一种基于非下采样剪切波变换(NSST)的国产高分全色与多光谱遥感影像融合方法。选取高分一号、高分二号和高分七号遥感影像作为实验数据,通过强度-色调-饱和度(IHS)提取多光谱影像的亮度分量;利用NSST算法对亮度分量和全色影像提取高频和低频信息,并充分考虑高频和低频之间的关系,设计有效的影像融合策略;最终采用IHS和NSST得到融合影像。与Brovey、Gram-Schmidt(GS)、Hue-Saturation-Value(HSV)、Co-occurrence filtering(COF)等方法对比验证,通过主观和客观评价相结合的方式对融合影像进行综合评价,结果表明所提方法是一种可行的遥感影像融合方法。