1985−2020年太湖月尺度高精度水体面积提取分析

本研究选取太湖作为研究对象,使用长期高分辨率水体掩膜数据集,通过水体分类增强算法纠正数据中受到云、云阴影、地形阴影等污染的像素.本研究提供了长达30多年(1985−2020年)的太湖月尺度水覆盖图和水体面积数据,其中水体面积平均值为2421.00 km^(2),数据方差较算法纠正前锐减,平均面积增强率达20.76%,验证结果可靠.这些数据可以用来支持水资源分析和科学管理,并为维护该区域的生态平衡和持续利用水资源提供科学依据和数据支撑.

基于迁移学习再训练模型和高分遥感数据的建筑垃圾自动识别方法

目前城市建筑垃圾大量持续产生且堆积严重,利用率较低同时危害城市生态环境。建筑垃圾的识别是实现建筑垃圾分割、提取以及监测的技术基础,但由于建筑垃圾本身的复杂特征和遥感影像的尺度差异、光谱差异等因素导致其识别和监管困难。提出了一种利用迁移学习再训练模型来实现自动识别建筑垃圾的方法。首先根据建筑垃圾的典型遥感特征构建样本库,样本库包含30292张建筑垃圾和110110张典型地物在内的共计140402张样本。之后基于国际先进的深度学习环境Tensorflow,利用迁移学习在模型的最后一层重新输入了建筑垃圾等6类训练数据集,对Inception-V3模型进行了再训练,在较短时间内得到了建筑垃圾识别模型。随机抽取6016张样本构成验证集逐个输入建筑垃圾识别模型,统计验证样本的模型识别结果构成混淆矩阵,得出该模型对所有地物的整体识别率K为97.43%,Kappa系数Ka为0.96,模型识别建筑垃圾的识别精确度Pv为99.10%,识别灵敏度为94.88%。与传统的航片监测、实地考察等纯人工识别方法相比,该方法所需时间较短且识别精度较高,有利于实现建筑垃圾的全过程实时监控和精准管理。