基于深度学习的遥感影像时空融合及冬小麦种植面积提取

利用遥感技术快速、准确地进行冬小麦种植面积提取对农作物估产和粮食安全具有重要意义。由于中高分辨率时序影像受重访周期、云雨天气等影响难以获取,而低分辨率遥感数据在作物种植信息提取上精度低等问题,以河南省长葛市为例,获取2015~2020年间的Landsat 8和MODIS影像为数据集,基于优化后的卷积神经网络时空融合模型对2种数据进行融合,构建30 m分辨率的NDVI时间序列集,采用S-G(Savitzky-Golay)滤波对时序集进行去噪,最后利用随机森林方法对冬小麦种植面积进行提取。结果表明:优化后的融合模型鲁棒性较好,预测影像与真实影像R^(2)均在0.92以上。研究区小麦面积提取与统计面积的一致性为97.3%,结果可靠。因此,优化后的模型能较好地融合出中高分辨率影像,是一种有效的补充缺失影像的技术手段,构建的时序集能较为准确地提取县域小麦种植面积。

基于Transformer和图卷积神经网络的隐喻识别

【目的】提出一种基于图卷积神经网络和Transformer的隐喻识别模型,既能有效识别单词隐喻,又能解决多个词语共同引发的隐喻表达。【方法】利用图卷积神经网络提取句法依存树中的句法结构信息,联合从Transformer结构学习的深层语义表示,通过SoftMax计算目标词隐喻表达的概率。【结果】在英文数据集UVA VERB和UVA ALLPOS上F1值分别提高1.9%和1.7%,TOEFL VERB和TOEFL ALLPOS上F1值分别提高1.1%和1.9%;在中文数据集CCL上F1值提高1.2%。【局限】如果句子中存在歧义或者指代信息不明确的现象,则不能有效识别句子中的隐喻现象。【结论】图卷积神经网络和句法依存树的引入确实能在一定程度上丰富目标词语义信息,提高单词和多词隐喻的识别效果。