NDVI时间序列数据的去噪重建方法对比

基于不同遥感平台获取的NDVI时间序列数据目前已经广泛应用于全球环境变化研究中,然而由于气溶胶、云及降雪等因素导致的数据噪音将会干扰分析结果,因此需要对原数据进行去噪重建。虽然目前已有多种NDVI时序数据的去噪重建方法,但很少有研究全面、系统地对这些方法在土地利用类型上的去噪效果进行比较。文章以鄱阳湖平原为研究区域,基于不同土地利用类型,对比分析了最佳指数斜率提取法、小波变换、傅里叶变换法、中值滤波、迭代内插数据重建法、滤波(S-G)6种方法对SPOT和MODIS数据的去噪效果。结果表明:(1)不同重建方法均具有一定去噪效果,但基于不同数据、在不同土地利用类型上存在一定差异;(2)相对于其他方法,S-G滤波在植被覆盖较高区域具有较好的去噪效果,BISE和傅里叶变换在整个研究区效果较差;(3)在去噪重建方法的选择上,应该同时注重研究目的以及噪音的特征,尤其是在提取植被相关生长特征的时候。

应用生成对抗网络的地震数据重建和去噪一体化方法

在实际采集过程中,受地形条件和人为因素的影响,地震数据不仅在空间上会出现采样不足或不规则的情况,而且会混入噪声,不利于后续地震数据的处理和解释。通常将重建与去噪分为两个阶段处理,这样往往会引入额外的误差。为此,文中提出了一种基于条件韦氏生成对抗网络(cWGAN)的地震数据重建去噪一体化方法,该方法研究的重点是在缺失道和噪声的混合干扰下,准确提取地震数据的有效特征。首先,以U-Net模型为基本网络结构来构建生成器模型,分级提取地震数据同相轴特征;在判别器模型中引入条件约束,引导生成器优化梯度方向。其次,建立重建和去噪误差描述模型,该模型设计了一体化损失函数,可以兼顾重建与去噪两方面的处理任务。最后,经过合成数据和实际数据测试,证明文中所提的网络模型恢复的地震数据信噪比更高且具有较强鲁棒性。

基于Huber-U-Net网络的地震数据重建与去噪

实际地震数据通常存在缺失地震道、噪声,需对其进行重建与去噪处理.基于压缩感知理论的凸集投影(Projection onto Convex Sets, POCS)方法对重建误差施加Huber范数最小化约束,等价于对大重构误差(异常噪声)施加L1范数最小化约束、对小重构误差(高斯随机噪声)施加L_(2)范数最小化约束,可以对缺失含噪地震数据实现同时重建与去噪.但由于POCS方法只是一个单层的无监督学习方法,数学表征能力较弱,导致其重建效果较差且难以将噪声压制完全.基于深度学习的U-Net方法以L_(2)范数最小化约束为损失函数对含噪随机缺失地震数据进行重建与去噪,该方法假设重建误差满足高斯分布.因此,U-Net方法虽能有效压制高斯随机噪声却难以有效去除超高斯分布的异常强振幅噪声.本文创新性地将上述两种方法进行结合,使用Huber范数约束替代L_(2)范数约束作为U-Net网络的误差函数,建立Huber-U-Net网络.合成数据和实际数据的处理结果表明,Huber-U-Net方法相比于POCS方法,能够实现更好重建效果和噪声压制效果;相比于传统U-Net方法,具有更好的鲁棒性,能更有效地消除强振幅噪声并且减少了信息损失.

耕地复种指数遥感监测研究进展

复种指数是进行粮食估产、耕地集约利用评价、农业生态系统模拟等的关键参数,及时、准确地提取复种指数对于粮食安全、土地管理和生态环境安全具有重要意义。在传统的研究中,复种指数主要来源于地面统计数据。使用统计数据来计算复种指数虽然过程简单,但是计算结果存在信息滞后、无法体现统计单元内部的空间异质性、精度低等不足。遥感技术因具有大范围、高时效、低成本等优点而被用于耕地复种指数监测,已有学者对耕地复种指数的遥感监测开展了大量工作。本文以复种指数遥感提取的关键环节为主线,对1997—2020年国内外相关研究进行综述:首先,梳理了已有研究中的监测方法、高质量时间序列遥感数据获取方法及提取结果精度验证方法,并对不同方法的优缺点进行了总结;其次,对已有研究中存在的不足进行了探讨,并提出未来研究的侧重点:①开展已有监测方法的对比和分析;②加强地形复杂地区、小农尺度的监测力度;③提高遥感数据时空分辨率及处理效率;④对提取结果进行多尺度验证。