基于GF-1影像的渭-库绿洲外围土壤含盐量定量反演研究

为探讨国产GF-1卫星影像在干旱区土壤盐渍化监测中的适用性,以渭-库绿洲外围荒漠交错带为研究对象,利用BP神经网络和RBF神经网络2种建模算法,以GF-1影像的4个波段的反射率及影像提取的归一化差异植被指数(NDVI)、差值植被指数(DVI)、土壤调节植被指数(SAVI)、盐度指数(SI1、SI2、SI-T)共10个指标构建土壤含盐量反演模型。结果表明:在2种算法中,BP神经网络模型预测精度最高,R2为0.818,RMSE为0.194;发现利用植被指数更能提高模型的预测精度;利用BP神经网络预测模型反演研究区的土壤含盐量,发现预测情况与研究区实际情况相符,说明利用GF-1数据结合BP神经网络构建的反演模型适用于监测研究区土壤盐渍化问题。

运用GF-1影像光谱和纹理信息构建森林蓄积量估测模型

以GF-1遥感影像为数据源,研究区森林资源二类调查数据为样地实测数据,综合考虑光谱、地形、纹理特征,利用多元线性回归、BP神经网络、支持向量机和随机森林建立研究区森林蓄积量估测模型,并验证模型预测的性能。结果表明:4种模型预测评价指标的决定系数(R2)和均方根误差(RMSE)相近,但有一定的差异,多元线性回归模型R2和RMSE分别为0.446、39.979 6 m^3·hm^-2,BP神经网络模型R2和RMSE分别为0.474、39.703 9 m^3·hm^-2,支持向量机模型R2和RMSE分别为0.485、38.924 8 m^3·hm^-2,随机森林模型R2和RMSE分别为0.534、37.882 2 m^3·hm^-2;3种机器学习方法构建的蓄积量估测模型预测性能优于传统的多元线性回归模型,随机森林模型的预测性能最优。

基于GF-1卫星数据与面向对象分类的达里诺尔湿地自然保护区土地覆盖信息提取

以达里诺尔湿地自然保护区为研究区,基于国产GF-1遥感影像,采用面向对象和传统目视解译的分类方法对研究区土地覆盖遥感信息进行提取,并对其结果进行对比分析,采取混淆矩阵对面向对象分类结果进行精度验证。结果表明:(1)充分利用了GF-1遥感影像的光谱信息,面向对象分类采取试错法确定最优分割尺度为550,形状和紧致度因子分别为0.6和0.5,各波段权重均为1;(2)面向对象分类总体分类精度达98.22%,KAPPA系数为0.96;(3)面向对象分类方法可快速准确提取类型较为复杂的土地覆盖信息,为内陆湿地精准快速提取研究区土地覆盖分类信息提供参考,以期为湿地遥感业务化监测提供技术规范。

基于高分遥感影像的河道遥感普查——以绍兴市本级为例

融合遥感技术和地理信息系统技术,以遥感影像为主要信息源,结合外业实地调查,对绍兴市本级河道进行遥感普查,再利用地理信息系统技术获取绍兴市本级河道(越城区、袍江开发区、高新区)的基本情况、空间分布等信息。此次河道遥感普查以高分辨率遥感影像为数据源,采用遥感技术与实地调查相结合的方法,通过普查基本掌握了绍兴市本级河道的基本情况,并以Webgis信息系统的形式展示普查成果,为今后有效开展绍兴市本级河道管理工作提供了第一手基础数据。

利用高光谱和GF-1模拟多光谱进行土壤有机质预测和制图研究

利用土壤有机质(SOM)高光谱数据和模拟GF-1多光谱影像的波段响应函数生成的宽波段多光谱模拟数据,对比高光谱预处理和构建土壤植被指数,探索模拟GF-1光谱预测SOM的潜力。研究表明,SOM的一阶微分高光谱和模拟GF-1光谱数据构建的土壤指数与SOM的相关性最好。PLSR建模分析表明采用一阶微分高光谱数据可以很好的对SOM进行预,而且模型稳健(R2=0.962,RPD=4.87);模拟GF-1光谱也可以较好的进行SOM的预测,但是模型的稳定性相对较差R2=0.557,RPD=1.43。同时,SOM制图的空间分布表明,采用一阶微分光谱数据和模拟GF-1数据预测得到的SOM含量与实测的SOM表现出相似的空间分布特征。这为采用多光谱数据进行大尺度、大范围的SOM预测提供了基础。

基于MTBNet的唐山尾矿库提取

针对尾矿库位置及边界难准确提取问题,在传统实例分割网络基础上,提出一个具有多任务分支结构的实例分割网络(Multi-Task-Branch Network,MTBNet),并利用国产GF-1数据进行唐山地区的尾矿库提取试验。结果表明,召回率为95.8%时,尾矿库的检测准确率可达78.8%。新方法进一步优化了尾矿库目标框和轮廓质量,增强了模型的特征学习能力,有效提升了尾矿库的实例分割精度,可为唐山地区尾矿库动态监测作支撑,辅助尾矿库开采或生态保护。

基于负样本多通道优化SSD网络的钢铁厂提取

准确提取钢铁厂对去产能监测和环境保护具有重要意义。传统的人工目视解译方法效率低、成本高,无法满足开展大区域钢铁厂监测的需求。以深度学习目标检测网络SSD为基础,构建面向遥感影像钢铁厂提取的深度学习目标检测网络,提出maxout模块,将负样本通路优化为多分支结构,突出难分负样本特征并提升网络对无用特征的抵制效果。利用国产GF-1数据对京津冀地区的钢铁厂进行快速自动提取实验。与人工解译的钢铁厂点位数据的对比表明,该目标检测方法的提取精度达到80%以上。

RTDNet:面向高分辨率卫星影像的赤潮探测网络

目的赤潮是一种常见的海洋生态灾害,严重威胁海洋生态系统安全。及时准确获取赤潮的发生和分布信息可以为赤潮的预警和防治提供有力支撑。然而,受混合像元和水环境要素影响,赤潮分布精细探测仍是挑战。针对赤潮边缘探测的难点,结合赤潮边缘高频特征学习与位置语义,提出了一种计算量小、精度高的网络模型RTD⁃Net(red tide detection network)。方法针对赤潮边缘探测不准确的问题,设计了基于RIR(residual-in-residual)结构的网络,以提取赤潮边缘水体的高频特征;利用多感受野结构和坐标注意力机制捕获赤潮水体的位置语义信息,增强赤潮边缘水体的细节信息并抑制无用的特征。结果在GF1-WFV(Gaofen1 wide field of view)赤潮数据集上的实验结果表明,所提出的RTDNet模型赤潮探测效果不仅优于支持向量机(support vector machine,SVM)、U-Net、Deep⁃Labv3+及HRNet(high-resolution network)等通用机器学习和深度学习模型,而且也优于赤潮指数法GF1_RI(Gaofen1 red tide index)以及赤潮探测专用深度学习模型RDU-Net(red tide detection U-Net),赤潮误提取、漏提取现象明显减少,F1分数在两幅测试图像上分别达到了0.905和0.898,相较于性能第2的模型DeepLabv3+提升了2%以上。而且,所提出的模型参数量小,仅有2.65 MB,约为DeepLabv3+的13%。结论面向赤潮探测提出一种基于RIR结构的赤潮深度学习探测模型,通过融合多感受野结构和注意力机制提升了赤潮边缘探测的精度和稳定性,同时有效降低了计算量。本文方法展现了较好的应用效果,可适用于不同高分辨率卫星影像的赤潮探测。

鄱阳湖南矶湿地景观信息高分辨率遥感提取

鄱阳湖南矶湿地是亚热带典型过水性湿地,由于该区域水文情况复杂,且泥滩、沼泽和疫水(血吸虫)分布较广,导致野外考察验证工作困难,使用传统的遥感信息提取方法很难保证该地区湿地景观的提取精度。本文以高分一号影像为数据源,综合运用数字高程模型(DEM)、归一化植被指数(NDVI)、归一化水体指数(NDWI)等辅助数据,采用面向对象分类方法,对鄱阳湖南矶湿地景观信息进行提取研究,并取得了较好的分类效果。研究结果表明:(1)基于国产高分辨率影像的面向对象分类,既兼顾了国产高分辨率影像光谱、空间、结构、纹理信息,又综合利用多源辅助数据参与到分类计算中,分类精度得到明显的提升;(2)基于面向对象与多源数据分类方法对湿地混合像元有较好地识别能力,可获得较高的总体分类精度(94.3275%)和Kappa系数(0.9324),说明利用多源数据的面向对象方法提取湿地信息是可行的,其分类结果具有较高的准确性和可信度,较好地解决了过水性湿地景观分类问题;(3)该分类方法弥补了单一遥感影像分类方法的不足,对研究国产高分卫星在提取过水性湿地景观信息方面具有重要的参考和实际意义。最后,分析了多源数据面向对象分类尚待解决的问题和下一步的研究方向。