基于Gabor域时空泛化建模的矿井水灾感知方法

矿井突涌水图像中突涌水纹理与煤岩图像相比具有时空域变化性强的特点,现有基于图像纹理特征的矿井水灾识别方法对于复杂突涌水纹理特征的提取能力有限、识别率较低。针对该问题,提出了一种基于Gabor域时空泛化建模的矿井水灾感知方法。该方法分别对训练样本图像和待测样本图像进行不同感受野、不同方向下的Gabor分解,将各子带的期望与标准差组合,构成本方向的学习特征向量和待测特征向量;根据最小熵原理对特征向量进行时空泛化建模,以去除时空域敏感性;采用特征向量各分量之间的夹角作为相似性测度,对学习特征向量和待测特征向量进行相似性比较,实现突涌水识别。实验结果表明,该方法识别率达89.4%,识别时间为136ms,基本满足井下水灾实时感知需求。

迁移深度卷积神经网络模型秋粮作物泛化识别

深度卷积神经网络DCNN (Deep Convolutional Neural Networks)具有“端到端”、高效提取多尺度语义特征的优点,被广泛应用于遥感农作物识别中,取得了重要的进展。但深度学习模型需要大量标签样本,获取费时费力、成本高,限制了其广泛使用。本文基于模型迁移学习策略,将美国农业部统计署作物数据层CDL(Cropland Data Layer)作为作物标签数据,利用伊利诺伊州和印第安州的作物生长季Landsat OLI卫星影像训练2016年—2019年4个单年份模型和2016年—2017年、2016年—2018年两个多年份的U-net模型,将模型直接在美国3个测试区和中国黑龙江省黑河市的2016年—2020年迁移泛化分类。研究结果表明:1)基于CDL训练的U-net模型能够在美国本土推广应用,美国3个测试区的2016年—2020年的时间泛化总体精度在80%以上,玉米识别精度高于大豆,说明了模型在空间上具有很好的迁移能力。(2)对于黑河市秋粮,多年玉米识别总体精度平均高出大豆3%,原因是玉米种植地块更为规整、种植规模更大,单年份秋粮识别总体精度69%—79%,但多年份模型要优于单年份模型,这可能是随标签样本数量增多提升了训练样本的代表性,将中国与美国秋粮种植的差异通过样本数量的增加得以弥补,模型迁移到中国黑河区域的精度均低于美国本土,这是由于洲际间气候、作物物候、种植农业景观等差异导致遥感特征不一致,导致模型泛化能力降低。