基于双时相遥感影像差异信息的深度学习滑坡检测

目前利用高分辨率卫星影像进行滑坡等地质灾害识别逐渐成为研究热点,滑坡目视解译依赖于解译人员的经验,耗时费力且提取精度低,而传统的滑坡自动识别方法易将滑坡和道路、裸地、建筑等多种具有相似光谱信息的地物混淆。针对以上问题,文章使用一种双时相高分辨率卫星影像差异信息的深度学习滑坡检测算法,获取时序影像各个波段和归一化植被指数(Normalized Difference Vegetation Index,NDVI)的差异影像作为深度学习的输入特征。为充分挖掘滑坡前后影像多种信息差异特征,采用了U-net网络模型耦合空洞空间金字塔池化和嵌入注意力机制模块相结合进行滑坡特征提取的方法,该方法增强了滑坡边界信息的保存,能够有效地提取滑坡边界信息和发生剧烈变化的区域。利用上述方法对恩施市和九寨沟进行了滑坡检测,实验结果显示,所取得的综合评价指标值(F1-Score)分别为88.4%和90.53%,误差较小、精度较高。表明该方法能够准确检测出高分卫星数据的滑坡边界,且能保持滑坡的完整性。

徐州市新能源汽车充电桩空间特征分析

新能源汽车逐渐进入大众的日常生活中,针对其充电桩在城市中如何布局最为合理的问题,本文以徐州市充电桩作为研究对象,使用GIS空间分析方法,分析当前徐州市充电桩空间布局现状,并解决了充电桩选址原则的问题。研究结果表明:徐州市鼓楼区等区市充电桩分布较为合理,而铜山区等区则较不合理,同时提出充电桩规划原则。研究结果可为徐州市充电桩空间布局决策提供支持。

时序影像在冬小麦种植区提取中的应用分析

卫星数据在农业土地信息提取中可以发挥重要作用,而由于农业土地具有显著的物候差异性,时间序列数据的应用能够有效提高作物的提取精度。不同作物因为物候期的差异,对时间序列的需求有明显的差异性。为了确定时间序列数据对冬小麦提取精度的影响,利用归一化植被指数(NDVI),增强植被指数(EVI)作为构造时序影像的特征,将覆盖整个冬小麦生育期的所有Sentinel-2A/B数据,以3个不同的时间间隔(10,15和30 d)的均值合成,使用随机森林分类器对像素或地块进行分类,以对比不同时间间隔合成的时序影像在面向不同元素的冬小麦提取时的应用效果和提取效率。结果表明:①当合成Sentinel-2A/B影像的时间间隔缩短时,2种分类方法的冬小麦的提取精度都会更高,但面向地块的分类方法能达到更好的提取效果;②10 d合成的面向地块的分类方法获得了最高的OA(96.28%)和Kappa系数(91.71%);③时间序列的合成方法对提取效率影响不大,影响它的主要原因是面向不同元素的分类方法。