利用深度学习的中分辨率遥感影像云检测

卷积神经网络遥感影像云检测中,由于卷积操作在高层特征小目标检测性能下降,导致碎云检测效果差。主要研究卷积神经网络中的卷积核大小对中分辨率遥感影像云检测效果的影响。首先将Landsat 8遥感影像进行裁剪标注制作训练样本,分别用不同卷积核尺寸的卷积神经网络提取遥感影像的云特征;其次训练好的网络对大型遥感影像进行云检测,得到遥感影像的云掩膜;然后通过可视化结果和评估指标对不同核尺寸的卷积神经网络云检测结果进行对比分析;最后确定适用于中分辨率遥感影像的核尺寸。通过五种卷积核尺寸的深度学习模型进行实验,结果表明在卷积神经网络模型中,的核尺寸在中分辨率遥感影像云检测中表现最佳。卷积核尺寸对中分辨率遥感影像云检测有一定适用性,可为相关研究提供参考。

基于中分辨率遥感影像的居民区震害信息提取

针对中分辨率遥感影像建筑物震害信息弱以及变化检测法受非震害信息影响大等弱点,本文建立了一种基于变化检测的居民区震害信息快速提取方法.该方法利用主成分变换增强震害信息,采用监督分类法提取似居民区,并用灯光影像数据进一步对似居民区提取结果进行优化,从而很好地消除了变化检测方法中非震害因素的影响.在此基础上,以2001年印度MW7.6地震的极重灾区为研究区域,利用震前、震后Landsat卫星TM图像和震区灯光影像数据,对本文算法进行了验证和分析.结果表明,在30—50m中分辨率遥感影像上,以建筑物为主的居民区震后图像变化最为显著的震害特征是反射率变大,本文所建立的居民区震害信息提取方法在解决中分辨率遥感影像震害目标信息弱、背景复杂等方面效果明显.

基于中分辨率TM数据的湿地水生植被提取

利用湿地水生植被生长旺盛、光谱反射较强、光谱信息比较丰富的8月份中分辨率Landsat TM和ETM+多光谱遥感影像,采用面向对象的分类方法,进行野鸭湖湿地水生植被的提取。研究表明:在提取过程中,通过对原始影像进行主成分变换和穗帽变换,将主要信息与噪声分离,不仅减小了数据冗余和波段间的相关性,而且增大了影像上湿地水生植被与其他地物类型光谱和空间信息的差异性,并结合野外水生植被光谱特征分析,选择归一化植被指数NDVI与归一化水体指数NDWI辅助分类,构建特征波段或波段组合,然后,确定适当的隶属度函数和阈值范围,构建分类决策树,完成湿地水生植被的自动分类,提高了影像分割与面向对象分类的精度,取得了较为理想的湿地水生植被提取结果。2002年和2008年两景影像的总体分类精度分别达到86.5%和85.44%,表明中分辨率TM影像可以满足湿地水生植被提取的需要,又因为其具有较高的波谱分辨率、极为丰富的信息量、相对较低的价格、长时间序列,可以作为近20a湿地水生植被提取和动态变化监测的主要数据源。

一种新的高分辨率遥感图像道路提取方法

根据高分辨率遥感影像中道路宽度变化均匀、局部方向稳定等几何特征,提出了一种基于距离约束的高分辨率影像道路的提取方法。该方法根据图像相邻边缘像素间的距离值,依次提取道路边缘像素和道路曲线段,然后编组连接各个道路段,实现道路提取。

基于MODIS数据反演植被碳储量及其对土地利用变化的响应——以哈尔滨市为例

分析黑龙江省哈尔滨市不同土地类型植被碳储量对土地利用面积变化的响应,对哈尔滨市城市化和工业化快速发展区域的土地低碳利用结构调整具有重要意义。利用植被净初级生产力(Net Primary Productivity,NPP)和归一化植被指数(Normalized Difference Vegetation Index,NDVI)中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer,MODIS)遥感影像数据,结合植被生物量回归模型和植被枯损模型,估算2000—2020年哈尔滨市6种土地利用类型植被地上碳储量,并利用陆地卫星(Landsat)土地利用遥感影像数据分析哈尔滨市植被地上碳储量对土地利用面积变化的响应。结果表明:哈尔滨市林地植被地上碳储量共减少3.30×106t,其他土地利用类型植被地上碳储量共增加1.34×106t,这表明林地是影响哈尔滨市植被地上碳储量的主要因素;受土地利用面积变化的影响,哈尔滨市林地植被地上碳储量在2000年、2010年和2020年这3个阶段呈先减少后增加的变化;除林地外,水体、建设用地、未利用地的植被地上碳储量也由于土地利用面积的增加而升高,只有农田和草地的植被地上碳储量变化与土地利用面积的变化不一致,可能是受作物种植结构和草地类型变化的影响。

基于DBC的分辨率遥感影像纹理特征提取及分类研究

为进一步提升遥感影像的分类精度,利用差分盒维法对中、高分辨率遥感影像纹理特征进行提取,并将其作为新波段与原始波段结合后,再进行影像的分类处理。结果表明:对于波段数目较少、分辨率高的遥感影像数据,加入分形纹理图像进行辅助分类后,较仅使用原始波段时,分类精度提高0.747%,差分盒维法的最佳分形波段为B3波段,最佳分形窗口尺寸大小为16*16;对于波段数目较多、空间分辨率为中等的遥感影像数据,加入分形纹理图像进行辅助分类后,较仅使用原始波段时,分类精度提高0.215%,差分盒维法的最佳分形波段为OLI7波段,最佳分形窗口尺寸大小为16*16;差分盒维法更适用于高分辨率遥感影像的地物辅助分类。