基于卷积长短期记忆网络的NDVI预测方法研究

植被作为生态系统的重要组成部分,分析、预测其分布特征对目标地物监测、估产、自然灾害预测等应用具有重要意义。选取内蒙古自治区锡林郭勒盟为研究区,基于卷积长短期记忆网络(ConvLSTM),利用2000年2月至2012年12月500 m分辨率的MODIS逐月NDVI时序特征影像产品(MODND1M),通过对不同参数进行优化与调整,建立预测模型,实现了2013年逐月NDVI值的预测,并与同期NDVI产品进行对比分析。结果表明,植被生长周期4~10月预测数据整体上与产品数据趋势一致,决定系数R 2平均值为0.678,精度最高可达0.835。该预测算法能充分利用空间时序特征实现对NDVI的预测,并为农作物估产、地上植被生物量估算等研究提供有力的技术支撑。

基于语义分割网络的GF-7 号卫星数据水体信息提取

水体信息提取是水资源管理与保护的重要前提。遥感技术是水体提取的一个重要手段,现有的水体提取方法大多应用于中低分辨率遥感影像,而对高分辨率遥感影像,尤其是GF-7卫星影像的水体提取研究较少。笔者针对GF-7数据空间分辨率高和像素级数庞大等特点,提出了一个基于语义分割网络的水体信息自动提取方法。在该研究中,基于GF-7的立体像对数据进行数字地表模型(DSM)的提取,并通过波段组合的形式进行学习训练,有效缓解了复杂地形或背景下的水体错分和漏分现象。网络使用空洞卷积和空间金字塔池化结构有效提高了模型大尺度空间特征提取和多空间尺度下的语义信息学习能力。以湖北省泉河流域为研究区,进行了水体提取实验及不同方法的对比实验。由于影像非水体信息较多,引入平均交并比MIOU作为评价指标。实验结果表明,该方法可有效实现GF-7影像水体信息的高精度提取,与传统水体指数法、支持向量机及U-Net方法相比,提取精度显著提高,水体提取精度可达到95.3%,MIOU高达0.932。

基于Bi-LSTM的近岸水体深度反演

选取中国某近海水域为研究区,基于双向长短期记忆网络(Bi-LSTM),利用2017年8月20日Sentinel-2A影像数据及单波束实测水深数据,通过建模、优化来反演水深值,并与传统反演方法进行精度对比。结果表明,本文提出模型的各项评价指标均最优,均方根误差(RMSE)仅为0.85 m,平均相对误差(MRE)为18.93%,相比于其他方法提高14%~29%,尤其在0~2 m近岸浅水区域,均方根误差提高0.68 m,效果改进明显。同时,利用五折交叉验证循环测试网络模型,其结果显示Bi-LSTM总体精度最高且最为稳定。该模型能够高精度、较稳定地实现近岸水深反演,对无训练样本区域也有一定的适用性。这有利于满足海洋资源开发、海上工程建设以及海洋环境保护等海洋需求。