深度学习在高分辨率遥感影像冬油菜提取中的应用

近年来,深度学习在基于高分辨率遥感影像的农作物种植信息提取领域应用广泛。本文充分利用油菜在盛花期的光谱特征,提出了基于深度学习理论的单时相高分辨率遥感影像油菜分布提取方法。以2016年湖北省沙洋县作为研究区域,获取油菜盛花时期高分一号(GF-1)影像,并以沙洋县为基础影像,通过手工标记制作油菜训练样本。设计两种深度学习框架模型,一种以卷积神经网络(CNN)为框架,构建一维卷积神经网络(1D-CNN)模型,第二种以循环神经网络(RNN)为框架,组合门控循环单元(GRU)模型,训练标准样本模型,完成油菜分类提取。最后,与传统支持向量机(SVM)、随机森林(RF)方法进行了结果对比。试验结果表明,本文设计的基于深度学习CNN和RNN模型提取的冬油菜空间分布精度和面积精度皆优于其他两种方法,为进一步实现冬油菜提取自动化提供试验基础。

基于光谱匹配的大气校正方法

大气校正是遥感定量化的一个重要环节,其常用方法是暗目标法。该方法适用于浓密植被地区,但在植被覆盖度较低的地区,暗目标法的适用性较差。提出了一种基于光谱匹配的大气校正方法,以城市地区的不变目标为切入点,针对高分一号(GF-1)卫星全色和多光谱(PMS2)传感器相机开展大气校正方法的研究。该方法利用6S辐射传输模型构建大气校正参数查找表,得到了影像上的水泥路面在不同大气条件下的反演光谱;同时,利用水泥路面的平均实测光谱作为参考光谱,通过参考光谱与测试光谱的光谱角度匹配,找到最相近的光谱曲线,用以确定大气校正参数,并对影像进行大气校正。实验结果表明:该大气校正方法效果良好,反演得到的地表反射率与典型地物的光谱数据比较吻合,更好地还原了地表的真实情况,为植被稀疏地区的大气校正工作提供了新思路。