基于增强图注意力网络的高光谱影像分类方法

高光谱遥感影像中隐含了不同地物的光谱特征,高光谱地物分类成为了遥感领域的一个研究热点。高光谱数据存在维度灾难以及训练样本标签过少等问题,进而影响了其分类精度。针对此问题,文章提出一种空-谱特征融合的增强图注意力网络高光谱影像分类方法,即从高光谱数据中获得初始的空-谱特征作为图的节点属性,并以节点的相邻关系构建图结构;将空-谱特征初步融合的高光谱图数据作为输入,并通过增强图注意力来提取节点的空-谱特征;以深度融合的空-谱特征来实现精准的高光谱地物分类。经在龙口和汉川数据集上的实验测试结果表明:这一方法能够有效提取深度融合的空-谱特征,总体分类精度分别达到99.62%和95.45%,实现了高光谱地物的精准分类。

舟曲泥石流源区土壤分散性高光谱探测模型

通过开展土壤分散性高光谱测量实验,首次明确了舟曲泥石流源区土壤分散性敏感波段位置、建立了土壤分散性高光谱探测模型、探讨了土壤分散性高光谱探测机理。结果表明,(1)傅里叶变换可以将光谱从时间域转换为频率域,实现对光谱信号与噪声的分离。通过开发矿物组分精细鉴别系统,实现了光谱去噪,为构建土壤分散性高光谱探测模型提供了高保真数据源;(2)基于多元线性回归分析法建立的土壤分散性高光谱探测模型在研究区具有较好的预测能力,所确定的敏感波段位置及其反射率与土壤分散性具有较高的相关性;(3)分析矿物光谱结果表明,土壤分散性高光谱探测的敏感波段位置实际上反映了土壤矿物组分及其所吸附的离子类型,揭示了导致土壤分散的深层原因:与舟曲泥石流源区土壤分散性关系最为密切的是钠离子,其次是方解石、蒙脱石和伊利石,与绿泥石、高岭石、pH值、石英、钾长石、斜长石等的相关性较弱。其原因主要是与钠离子所具有的离子价低、半径小、水化力强的特点,方解石所具有的水溶性特点,蒙脱石所具有的层间结合力极弱、易吸附钠离子的特点,伊利石在高PH值条件下所具有的强吸附阳离子、高土壤分散性的特性有关。

基于多时序特征和卷积神经网络的农作物分类

近年来,以卷积神经网络为主的深度学习模型在各种遥感应用中都显示出巨大的潜力。以加州帝国郡为研究区,以Landsat 8 OLI年内时序遥感影像计算时序植被指数NDVI、EVI、RVI以及TVI,组合后输入到构建的一维卷积神经网络模型,以实现作物的高精度精细分类。为了验证卷积模型的优越性,另搭建了基于递归神经网络及其变体的深度学习模型。结果表明:(1)引入其他时序特征后,能够有效地提高卷积神经网络的分类精度。NDVI+EVI+TVI+RVI组合特征总体精度和Kappa系数最高,分别是89.6674%和0.8560,对比NDVI时序特征总体精度和Kappa系数提高了近4%和0.6。(2)在与其他深度学习模型的对比中,一维卷积神经网络分类精度最高,能够从时序数据中较为准确捕捉作物时序特征信息,尽管递归神经网络被广泛应用于序列数据的研究,但分类结果要略差于卷积神经网络。实验表明在NDVI的基础上引入其他植被指数辅助,能够有效地提高分类精度。基于一维卷积神经网络的深度学习框架为长时间序列分类任务提供了一种有效且高效的方法。