基于阈值分割的京津唐城市群生态用地多源遥感识别

当前中国快速城市化进程中的生态环境问题日益突出,在国家生态文明建设理念及新型城镇化战略指引下,有必要通过区域生态用地的快速遥感识别为城市群生态环境问题的有效解决提供基础数据支撑。鉴于不同类型遥感数据在表征特定地物类型的精度上各有优劣,综合多源信息的区域生态用地遥感反演是当前研究的趋势所在。本研究以京津唐城市群为例,综合考虑DMSP/OLS夜间灯光数据和SPOT/VGT数据在建设用地、植被覆盖度识别方面的优点,探讨基于阈值分割法的大尺度区域生态用地多源遥感快速识别方法。研究采用SPOT/VGT数据定量识别林地、草地与耕地,进而基于DMSP/OLS夜间灯光数据区分水体与建设用地。结果表明:京津唐城市群土地覆被整体识别精度达到85.64%,Kappa系数0.771;各类生态用地识别精度均较高,其中林地识别精度最高(90.87%)、水体次之(78.33%)、草地最低(70.97%)。该方法较好地解决了单一遥感数据难以快速区分所有生态用地类型的不足,是基于全球开源数据进行大尺度生态用地快速识别的有效手段。

多源遥感影像深度识别模型对抗攻击鲁棒性评估

基于深度神经网络的多源遥感影像目标识别系统已逐步在空天遥感情报侦察、无人作战自主环境认知、多模复合末制导等多个军事场景中广泛应用。然而,由于深度学习理论上的不完备性、深度神经网络结构设计工程上的强复用性、以及多源成像识别系统在复杂电磁环境中易受到各类干扰等多因素的影响,使得现有识别系统在对抗攻击鲁棒性方面评估不足,存在极大安全隐患。本文首先从深度学习理论不完备性和识别系统攻击样式两个方面分析了潜在安全风险,并重点介绍了深度识别模型对抗样本攻击基本原理和典型方法。其次,针对光学遥感影像和SAR遥感影像两类典型数据形式,从鲁棒正确识别率和对抗攻击可解释性两个方面开展多源遥感影像深度识别模型对抗攻击鲁棒性评估,覆盖了9类常见深度识别网络架构和7类典型对抗样本攻击方法,验证了现有深度识别模型对抗攻击鲁棒性普遍不足的问题,分析了对抗样本与正常样本的多隐层特征激活差异,为下一步设计对抗样本检测算法和提升模型对抗鲁棒性提供参考。