融合深度学习的自动化海洋锋精细识别

传统的海洋锋识别方法依赖于梯度阈值,其将梯度值大于设定阈值的海域视为存在海洋锋,但梯度阈值法存在阈值依赖人为设定且标准不统一,以及复杂多样的海洋锋无法用单一阈值进行准确识别的问题。为此,提出一种融合深度学习的自适应梯度阈值判别方法。对海温梯度图进行标注,通过Mask R-CNN训练得到海洋锋像素级识别模型,统计每一类锋特有的梯度值分布作为该类锋的基准梯度阈值,并基于该阈值对像素级的锋面识别结果做精细化调整,对锋面识别结果精度进行量化,以提高自适应锋面调整过程的可靠性。实验结果表明,与传统梯度阈值法及单一的深度学习结果相比,该方法可以实现精细的海洋锋识别,且具有良好的独立性和完整性。

内蒙古乌达煤田煤火治理效果的遥感监测与评估

为了评估内蒙古乌达煤田煤火治理的效果,采用2008年治理前、2011和2013年治理中以及2015年治理后期的Landsat 5/8热红外波段影像,利用单窗算法反演4个年度的乌达煤田地表温度;采用自适应梯度阈值(selfadaptive gradient-based thresholding,SAGBT)法圈定该煤田煤火区,分析煤火空间分布格局演变动态,并对探测结果进行了实地验证。结果表明,所识别煤火区的准确率为75%;煤火区面积由2008年的1.194 km^2演变到2015年的0.873 km^2,呈显著下降趋势。总的来说,煤火治理取得了初步成效,实现了煤火区面积26.88%的减量;但仍有73.12%的存量,说明今后仍须加大煤火治理力度。

基于ASTER影像的乌达火区遥感监测研究

为了监测评估内蒙古乌达煤火的治理效果,以灭火前、中、后和灭火监测期的ASTER热红外波段为数据源,采用TES算法反演矿区地表温度,根据自适应梯度阈值法提取4个年度的火区,经过对比验证发现:2008年提取火区与2009年航空参考火区的重合度为71.4%;分析2008—2015年间的煤火演变状况,结果表明:2008—2013年间,火区呈现显著缩减趋势,面积减少2.5 km2,由集中变为零星分布,这表明该时期煤火治理效果显著;2013—2015年间,火区面积增加了0.3 km2,由离散变为集中分布,这说明火区有复燃的趋势,1 km2的存量说明今后仍需加大火区治理力度。