高分二号卫星遥感影像在地形图修测中的应用

1∶10000地形图作为基础测绘的重要组成部分,在国民经济发展中发挥着举足轻重的作用。如何高效、高质量地完成地形图修测工作,一直受到测绘工作者们高度重视。利用传统测绘技术进行地形图修测工作,往往费时费力,成本较高;效率较高的无人机航测技术也有它自身的局限性。近年来,国家一直致力于推广应用高分二号卫星,因此本文研究探讨了将高分二号卫星影像应用于1∶10000地形图修测工作的可行性,并得出了比较可靠的结论。

基于异轨DSM提取技术的滑坡体积估计

滑坡发生后,区域内通常仍有持续性降雨,传统光学立体测绘卫星所采用的同轨测量方式受限于重访周期固定、成像幅宽和成像时刻区域可能存在云层遮挡等限制,往往难以获取灾后地形信息。为此,提出基于异轨DSM提取技术,将符合生产要求的高质量卫星影像加以筛选并重新组合利用,采用二次高程校正方法进一步降低滑坡前后DSM总体误差,实现不依赖实地控制点,使用常规光学卫星在复杂山地环境下提取滑坡体积的新思路。以2020年7月发生在湖北省恩施市的沙子坝滑坡为例,使用滑坡后两景不同时期的高分2号卫星影像构成异轨立体像对生成了DSM,并与滑坡前由资源3号02星生成的DSM结合提取了此次滑坡体积变化情况。结果表明:(1)经过外部高程数据的二次校正精度后,异轨与同轨立体测量技术所生成的DSM精度相当,均满足1∶10000 DEM高山地的测图要求。(2)提取的滑坡体积为296.28万m^(3),具有较高的准确性,并可通过体积变化分布准确识别滑坡的构造特征。研究成果对基于遥感的滑坡构造特征分析,以及常规山地地形测绘等工作具有参考价值。

应用衍生纹理指数对杉木林分蓄积量的估测

以福建省三明市将乐国有林场的杉木纯林为研究对象,利用高分2号遥感影像数据,将光谱因子、地形因子分别与全色波段纹理特征、融合数据纹理特征、衍生纹理指数组合为自变量,样地蓄积量为因变量,采用多元逐步回归算法构建不同窗口下的蓄积量估测模型。结果表明:全色波段纹理特征模型和融合数据纹理特征模型最佳窗口为3×3窗口,衍生纹理指数模型最佳窗口为7×7窗口;以最优窗口建立的蓄积量回归模型,拟合效果最优的是衍生纹理指数模型(R2=0.705,RMSE=37.183m3/hm2),其估测精度为80.67%,而融合数据纹理特征模型和全色波段纹理特征模型的估测精度分别为72.89%、60.35%,说明衍生纹理指数能够有效地提升高分2号影像数据对杉木林分蓄积量估测的精度。

特高压塔基施工扰动区域快速自动识别研究

为了探索开发建设项目施工扰动区域和人为水土流失快速监测方法,针对特高压输变电工程线路长、施工标段多、扰动区域分散、人为水土流失严重、监督管理困难等特点,以榆横—潍坊输变电工程区为研究对象,利用卷积神经网络算法和高分2号卫星遥感影像,研究快速自动识别特高压塔基扰动区域、准确提取扰动面积的方法,选择平原农作物区、山地林区、丘陵草地区、平原草地区的33个样点(塔基)进行识别和分类计算。结果表明:利用卷积神经网络算法和高分2号卫星遥感影像可以快速识别施工扰动区域(范围),并准确提取施工扰动面积,与目视解译结果基本一致,与扰动面积实测值相比,相对误差最大值为11.77%、最小值为1.20%。

深度学习对不同分辨率影像冬小麦识别的适用性研究

定量分析遥感影像尺度与分类精度之间的关系是进行土地覆盖分类的基础。深度学习具有从底层到高层特征非监督学习的能力,解决了传统分类模型中需要人工选择特征的问题。这种新型的分类方法的分类精度是否受到不同分辨率尺度影响,有待研究。利用深度卷积神经网络(Deep Convolutional Neural Network,DCNN)--金字塔场景分析网络(Pyramid Scene Parsing Network,PSPNet)进行4种分辨率(8、3.2、2和0.8 m)的米级、亚米级影像冬小麦分类。实验结果表明:PSPNet能够有效地进行大样本的学习训练,非监督提取出空间特征信息,实现"端-端"的冬小麦自动化分类。不同于传统分类器分类精度与分类尺度之间的关系,随着影像分辨率的逐步增高,地物表达特征越来越清晰,PSPNet识别的冬小麦精度会逐步增高,识别地块结果也越来越规整,不受分辨率尺度的影响。这对于选择甚高亚米级影像提高作物分类精度提供了实验基础。