基于改进LinkNet的寒旱区遥感图像河流识别方法

为解决遥感图像河流精细化提取问题,提出一种改进LinkNet模型的分割网络(AFRLinkNet)。AFRLinkNet在LinkNet基础上引入了残差通道注意力结构、非对称卷积模块以及密集跳跃连接结构,并用视觉激活函数FReLU替换ReLU激活函数。残差通道注意力结构可以强化对分割任务有效的特征,以提高模型的分类能力,得到更多的细节信息。利用非对称卷积模块进行模型压缩和加速。使用FReLU激活函数提升网络提取遥感图像河流的精细空间布局。在寒旱区河流数据集上的实验结果表明,AFRLinkNet网络相较于FCN、UNet、ResNet50、LinkNet、DeepLabv3+网络交并比分别提高了26.4、22.7、17.6、12.0、9.7个百分点,像素准确率分别提高了25.9、22.5、13.2、10.5、7.3个百分点;引入非对称卷积模块后,交并比提高了5.1个百分点,像素准确率提高了2.9个百分点,在此基础上引入残差通道注意力结构之后,交并比又提高了2.2个百分点,像素准确率提高了2.3个百分点,证明了其对河流细节识别效果更好。

基于骨架模型的大气河流识别算法

大气层河流亦即大气河流,是位于对流层下层的狭长水汽带,可输送大量水汽,在全球水汽交换、地区性气候以及区域性水文地理中起着关键作用。为解决现有大气层河流识别算法中存在的偶然性问题,降低算法时间复杂度,文章通过骨架模型优化一套基于水汽输送总量大气层河流识别算法的逻辑,改变大气层河流轴线的实现方式,从而影响大气层河流长度、宽度等一系列大气层河流几何要素的判别,完成对大气层河流识别算法的系统实现。通过相关专业人员的判断以及对文献的查阅,文章提出的算法能够有效降低原有算法的实现难度,增加大气层河流识别算法的准确性,促进大气层河流的相关研究进一步展开,为气象防灾减灾服务提供有力的技术支持。

融合全局多层次特征的跨尺度河流精准识别方法

高分辨率遥感影像中河流自动化精准识别,在河湖环境监测和流域变化研究等方面具有重要意义和研究价值。然而,因河流在影像中面积占比较小,易造成数据集正负样本不平衡。此外,河流具有形态多变和尺度变换复杂等特点,导致河流识别易出现边界不连续和格网效应等问题。基于此,提出一种融合全局多层次特征的跨尺度河流精准识别方法。首先,选取全球具有明显特征的曲流河和辫状河,创建多特征河流数据集,以此增加数据多样性。其次,以轻量级语义分割模型Segformer为主干网络搭建R-Seg模型,设计全局多层次特征提取GASPP模块,通过各阶段与Transformer级联提取多尺度特征,使得模型能更好捕捉河流影像上下文特征信息,减少信息损失并放大全局维度交互特征。最后,提出基于掩膜加权投票的跨尺度河流影像预测方法,通过对大场景河流影像进行滑窗裁剪,将各单元预测块与特定掩膜加权相乘得到子预测结果,并按照重叠投票方式依次拼接组成最终结果,实现不同尺度河流影像精准识别。实验证明,在所构建包含曲流河和辫状河的多特征数据集中,通过与其他方法对比可发现:在定性方面,R-Seg整体网络结构既能确保主干河流的识别精度,又能缓解细小河流断流现象,有效平滑河流边界,对500×500小尺度河流影像识别具有较好的鲁棒性;此外,采用掩膜加权投票方法,能有效减少格网效应造成的单元图块边缘缺失问题,充分利用单元图块预测结果,提升对更大场景遥感影像的适应能力和河流预测精度,实现不同尺度河流影像精准识别。从定量角度,方法各类精度评价指标相对最优,总体精度可达99.49%;其次,对单张影像识别时间不到1 s,效率可满足大多数实际要求。此外,相比于纯粹重叠预测策略,掩膜加权投票预测策略的河流识别总体精度高约0.28%~6.93%;通过调整重叠度参数可发现,重叠度与精度并非正相关,大约在12.5%精度能达到相对最优。方法通过设计R-Seg网络模型和提出掩膜加权投票预测方法,能一定程度上减少河流边界识别不连续和格网效应等问题,有效提升不同场景下遥感影像河流识别精度,具有较好的鲁棒性和目视效果,识别结果对河流地质勘探及流域变化等有重要应用价值。

基于FVM-HGA的河流水质模型多参数识别

针对解析法求解河流水质模型的不足和传统方法在求解河流水质模型多参数识别问题遇到的困难,提出了采用有限体积法结合混合遗传算法(FVM-HGA)的参数识别算法。由于水质模型中源项的广泛存在,对流项的离散采用了满足有界性条件的非线性高精度格式-MINMOD格式。由于优化算法对参数识别反问题具有的普遍适用性,因而反演算法采用了全局寻优能力很强的遗传算法;为了克服传统遗传算法局部搜索能力较弱的缺点,采用了遗传算法与最速下降法相结合的混合遗传算法。两个算例的计算结果表明,采用FVM-HGA算法对常系数河流水质模型和变系数水质模型都能给出较好的反演结果。