基于改进DenseNet模型的高分遥感影像城市裸地提取

利用遥感影像提取裸地是监测裸地空间分布的一个重要手段。针对目前普遍存在的边界不清晰、空间信息丢失、小面积裸地漏提和与高反射率建筑不易区分等问题,设计了一种改进DenseNet的遥感裸地提取深度学习模型,主要采取密集连接块、坐标卷积和密集空洞空间金字塔3种方法,增强DenseNet模型在获取坐标信息、丰富裸地空间特征信息、对全局上下文信息感知等方面的能力,减少模型对于空间细节特征丢失环节,提高裸地遥感提取的精度。实验表明,该方法提取裸地的总精度为97.66%、交并比为68.69%、综合评价指标F1为81.44%、召回率为76.62%以及虚警率为25.68%,明显优于其他机器学习方法和深度学习方法。此外,该模型对于多源遥感影像上的裸地提取也具有良好的普适性,在高分一号、高分六号和哨兵二号等遥感数据集上测试的总精度分别为95.80%、93.00%和92.55%;交并比分别为75.18%、75.13%和50.47%;综合评价指标分别为85.83%、85.80%和67.08%。因此,改进的DenseNet模型方法较其他方法更适用于裸地的提取。

基于Landsat ETM+影像的增强型裸地指数研究

针对当前大多数裸地提取指数未考虑高反射率建筑与裸地在ETM+遥感影像上的光谱相似性的问题,该文通过分析高反射率建筑与裸地的波谱特性,构建了裸地区域指数(BAI)和简化裸地区域指数(SBAI),并使用土壤调节植被指数(SAVI)和改进的归一化差值水体指数(MNDWI)消除了植被和水体的影响。在此基础上,引用建筑指数(IBI),通过指数函数图像拉伸的方法,增大裸地在BAI/SBAI与IBI上的差异,提出了增强型裸地区域指数(EBAI)和增强型简化裸地区域指数(ESBAI),将裸地正值化、背景地物负值化,克服了大多数裸地指数阈值难以确定且易受噪声影响、精度差的缺点。实验结果表明,同参与对比的指数中具有最高精度的NDBaI相比,ESBAI生产者精度和使用者精度分别提升了10.26%、9.18%,EBAI分别提升了8.08%、7.78%。