基于RapidEye遥感影像图对纳雍-滥坝地区地质灾害分析

纳雍-滥坝地区地质灾害频发,作者运用RapidEye遥感影像图(分辨率5m)进行了解译,其解译结果通过野外验证,准确率达95%以上。

福建安溪RapidEye遥感影像水土流失调查应用研究

基于RapidEye遥感影像资料,结合福建安溪水土流失调查应用研究,总结应用遥感技术进行水土流失调查编图的技术方法,具有一定的学术参考意义。

基于RapidEye遥感影像的黄冕镇桉树时空动态分析

文章基于RapidEye遥感影像,通过ENVI、ArcMap软件,使用随机森林、最大似然法、支持向量机、CART的方法获取2010年、2012年、2014年、2016年、2018年桉树人工林时空动态格局变化,并利用Google Earth Pro历史影像对实验结果进行了精度验证,结果表明:利用随机森林法提取黄冕镇桉树种植面积效果最佳,分类精度最高达到94.38%。2010年至2018年黄冕镇桉树种植面积逐年增加。研究结果可为日后桉树人工林的监测及种植提供科学依据。

基于多时相光学遥感影像亚像素相关的边坡监测——以溪洛渡电站为例

水电站高边坡监测是水电站灾害防治中的关键问题,基于卫星遥感技术进行库区滑坡监测是解决该问题的重要手段之一。利用卫星影像亚像素相关性算法获取地表形变位移场,能够克服SAR影像失相关因素,在水电站边坡监测中具有重大的应用潜力。本文以溪洛渡电站2015-2019年5期Google Earth影像和2019-2022年4期Sentinel-2影像为数据源,采用相位相关算法计算了边坡形变量,通过构建一次多项式曲面拟合模型去除轨道误差等趋势性误差,获取了2016、2017和2019年溪洛渡电站下游边坡形变值。分析显示,两种影像提取得到的边坡形变量具有相同的变化趋势,均与谷幅实测数据吻合较好。本文结果验证了基于多时相遥感数据将亚像素相关性匹配技术运用于大型水电站边坡形变监测的可行性。

面向无人机绝对定位的遥感影像快速检索方法

针对在复杂环境下无人机景象匹配导航中的视觉绝对定位问题,提出了一种聚合深度学习特征的实时影像快速检索方法。首先,引入可训练软分配深度学习框架—NetVLAD,结合VGG16网络提取并聚合生成影像稳定的全局特征表达向量;其次,在初始检索阶段,使用KD树结构对影像全局特征向量构建检索索引,在不损失检索精度的前提下提高检索速度;最后,使用皮尔逊积矩相关系数对初始检索结果进行快速预判断,自动过滤初始检索结果,对于需要重排序的影像则采用特征学习匹配算法——图神经网络SuperGlue进行匹配重排序。所提方法在公开的夏季和冬季遥感影像数据集分组进行实验,实验结果表明:未重排序条件下,初始检索结果第一张影像平均准确率达到了58.27%,部分特征较好地区准确率达到了85%,对不同时相遥感影像也有很好的适应性,平均检索一张影像耗时3.7 s,可为无人机景象匹配导航的初始定位提供参考。

一种融合注意力机制与边缘计算的遥感影像车辆检测算法

针对遥感影像目标检测任务中存在的背景复杂、小目标检测困难、大尺寸影像导致的检测效率低等问题,提出了一种融合注意力机制与边缘计算的遥感影像车辆检测算法。首先在YOLOv5的主干网络中引入多维协作注意机制(Multidimensional Collaborative Attention,MCA),然后提出多分支卷积模块替换特征融合网络中的CBL模块,最后将训练的网络权重部署到Atlas 200开发者套件(Developer Kit,DK)边缘计算设备。在UCAS-AOD数据集上进行模型验证与对比,实验结果表明,该网络模型在复杂环境下对车辆的检测精度达到94.9%,较YOLOv5提升8.2%;网络部署到边缘设备后速度较GPU设备提升258%。同时,该方法也可以扩展应用到其他遥感影像目标检测任务中,为相关领域提供了一种高效、准确的检测方法。

基于时序遥感影像的骆马湖水资源调查与分析

自然资源不仅是发展之基、生态之源、民生之本,更是推进美丽中国建设和深化生态文明体制改革的核心载体,同时也是重要的资源性资产。本文旨在探讨宿迁市湖滨新区骆马湖水资源的调查监测,并以自然资源调查监测为背景,采用遥感技术作为主要手段进行水资源调查。研究通过获取骆马湖范围内的Sentinel-2遥感影像数据,对骆马湖水体的空间分布、变化趋势进行综合分析。同时,本文还探讨了遥感技术在水资源调查中的应用价值和优势。研究结果表明,骆马湖的水资源状况有着一定变化和挑战。本研究的意义在于通过遥感手段探讨了积水频率识别和积水范围提取,为水资源调查监测提供了一种快速、高效的手段。此外,针对骆马湖水资源调查监测的研究成果也为其他类似区域的水资源管理和保护提供了借鉴和参考。这对于推动水资源的可持续利用和提高区域生态环境质量具有重要意义。

SAM在遥感影像通用语义分割中的应用

Segment Anything Model(SAM)是Meta公司最新发布的一个处理图像分割任务的通用模型,与FCN、U-Net等只能处理特定类型图片的图像分割模型不同,SAM具有较强的泛化能力。本文简述了目前主要的图像分割模型及特点,提出了基于SAM的遥感影像通用语义分割方法,研发了软件平台,并详细阐述了各功能模块的设计思路。实践表明,SAM在遥感影像通用分割方面具有良好的应用效果,研究成果在自然资源调查监测、农作物种植结构提取等工作中得到广泛应用。

基于改进HRNet的遥感影像冬小麦语义分割方法

冬小麦在影像中呈现田块碎小且分布零散等空间特征,同时影像包含的复杂地物对冬小麦识别造成干扰,易出现识别精度低且边界分割模糊等问题。为及时准确获取大范围冬小麦空间分布信息,该研究以高分二号卫星影像作为数据源,提出一种CAHRNet(change attention high-resolution Net)语义分割模型。采用HRNet(high-resolution Net)替换ResNet作为模型的主干网络,网络的并行交互方式易获取高分辨率的特征信息;联合OCR(object-contextual representations)模块聚合上下文信息,以增强像素点与目标对象区域的关联性;3)引入坐标注意力(coordinate attention)机制,使网络模型充分利用有效的空间位置信息,以保留分割区域的边缘细节,提高对分布零散、形状多变的冬小麦田块的特征提取能力。试验结果表明,在自制的高分辨率遥感数据集上,CAHRNet模型的平均交并比(mean intersection over union,MIoU)和像素准确率(pixel accuracy, PA)分别达到81.72%和97.08%,MIoU相较U-Net、DeepLabv3+分别提高了9.09、2.44个百分点;PA相较U-Net、DeepLabv3+分别提高6.80、1.59个百分点,说明CAHRNet模型具有较高的分割识别精度,可为进一步准确获取冬小麦作物分布信息提供技术支撑。

遥感影像高可信智能不变检测技术框架与方法实践

针对传统变化检测技术面临的样本类别不平衡、算法适用性差和知识应用不足问题,本研究从逆向角度出发,提出了遥感影像高可信智能地类不变检测技术框架。该框架通过智能化算法准确提取各类任务均不感兴趣的稳定不变区域,从而在实际应用中压缩作业面积,提高生产效率。在数据预处理基础上,根据不变检测特点构建样本库,提出先验信息引导的全局-局部不变检测方法消除整体性和局部性“伪变化”,形成格网化不变掩膜,并从精度和效率角度提出压盖准度和压盖幅度两个对象级指标进行评价。在全国多个地区的实践表明,该框架能够在保证精度的同时大幅减少人工目视判读工作量,显著提升提取效率,为实际应用场景下的遥感变化信息提取提供了全新范式。

用于高分辨率遥感影像地类识别的Deeplabv3+改进模型

在高分辨率遥感影像地类识别上,语义分割网络Deeplabv3+表现优异,但是所需参数非常多,训练时间久。遥感影像中的地类与普通RGB图片中的对象相比颗粒度非常大,其具有更显著的特征以及更少的类别,并不需要过深过大的网络。因此,文中提出了一种基于轻量级网络的语义分割模型(Thin-Deeplabv3+),对Deeplabv3+的编码器进行了改进,利用轻量级膨胀网络(Light and Dilated Network,LDNet)提取输入遥感影像的特征,然后利用膨胀系数分别为2、12、24和36的空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块加强特征提取。在高分遥感影像数据集(Gaofen Image Dataset,GID)以及DeepGlobe土地覆盖分类挑战数据集(DeepGlobe Land Cover Classification Challenge,DLCCC)上的实验结果表明,Thin-Deeplabv3+的识别精度高于Deeplabv3+,并且所需参数仅约为Deeplabv3+的1/10。

基于HRNet和自注意力机制的多源遥感影像水稻提取

为了提高协同光学和雷达影像提取水稻的精度,该研究通过改进深度学习网络HRNet,提出一种多级特征融合的框架方法,改进后的MSATT-HRNet模型综合利用欧空局哥白尼项目哨兵1号(Sentinel-1)的双极化合成孔径雷达(synthetic aperture radar,SAR)影像和哨兵2号(Sentinel-2)多光谱光学影像,提取了湖南省长沙市望城区水稻种植区域。针对HRNet网络的改进主要包括两部分:1)设计了通道注意力机制与最大池化组成的卷积组用于提取SAR特征,同时将自注意力模块嵌入HRNet基础特征提取模块中用于提取多光谱光学影像的特征;2)为了探索双模态特征之间的内在互补关系,设计了由通道注意力与空间注意力组成的特征融合模块。研究针对改进模型进行了消融试验,并将MSATT-HRNet与其他常用深度学习方法(MCANet、Deeplabv3、Unet)进行了比较。结果表明,该研究提出的多源数据融合方法能够利用不同数据源的互补优势。水稻种植区域提取结果的总体精度、Kappa系数分别达到97.04%和0.961,与MCANet、Deeplabv3、Unet相比,总体精度分别提高6.90、2.67和2.98个百分点,Kappa系数分别提高0.055、0.025和0.030。证实了该方法可以有效提高水稻的判别精度。研究通过深度学习技术与遥感影像的耦合,为南方多云雨地区水稻制图提供了一种可行的选择。

改进的YOLOv5s遥感影像机场场面飞机小目标识别

遥感影像具有地物拍摄模糊以及背景环境复杂等特点,导致大面积地面物体识别准确率较低。针对此问题,提出了一种基于YOLOv5s改进网络模型。该模型对YOLOv5s中的骨干提取网络和颈部多尺度特征融合网络进行优化,引入Swin Transformer以获得更多关于目标物体的特征信息;同时对骨干网络中的模块做了修剪;此外,模型中还添加了坐标注意力机制来提升特征提取和融合效果。对于遥感数据集进行了小目标检测识别测试实验,改进后的YOLOv5s网络的mAP值为0.8375,比YOLOv5s网络模型提高了0.0225。实验结果表明,改进后的YOLOv5s网络模型对比YOLO系列网络和EfficientDet模型有效地提高了识别准确率、召回率以及mAP值,并且在训练时间上也比YOLOv5s减少了1/12。

无人机可见光遥感影像地物目标提取技术研究

无人机可见光遥感影像中地物目标边界清晰度较低,容易导致地物目标与背景之间的区分度降低,进而难以提取地物目标;为此,提出无人机可见光遥感影像地物目标提取方法;从光谱特征、纹理特征和边缘特征3个方面分析无人机可见光遥感影像特征;结合3种影像特征对无人机可见光遥感影像数据集实行增广处理;对完成增广后的数据集定义影像编码标签,以此确定地物目标增强权重,通过参量化处理地物目标光谱特征,计算光谱吸收指数,获取地物目标提取表达式,从而实现无人机可见光遥感影像地物目标提取;实验结果表明,所提方法能够保证地物目标边界的清晰度,具有较强的地物目标提取能力。

基于改进U-Net模型的遥感影像道路提取方法研究

针对高分辨率遥感影像背景信息复杂,道路提取难度大,自动化程度低等问题,论文提出了一种改进的U-Net的道路提取方法。首先,编码器使用VGG16网络结构替代原始U-Net编码器结构;然后,在每个编码器和解码器块后加入特征压缩激活模块(SENet)增强网络特征学习能力;最后,使用Dice损失函数和二分类交叉熵损失函数复合的损失函数进行训练,减轻了道路提取任务中的样本不平衡问题。在Massachusetts Road数据集上的结果表明,改进后的算法对道路提取结果得到了有效的提升。所提方法在测试集上的精确度、召回率、F1-score和mIoU评价指标分别达到82.5%、77.8%、80.0%及82.1%,在测试影像中对错综交叉的道路具有更好的识别效果。

安徽省自然资源遥感影像综合应用服务平台设计与实现

针对自然资源省级卫星应用技术中心的核心业务场景和服务对象的需求,设计了省级遥感影像综合应用服务平台的总体架构、平台数据库、功能架构与技术架构。在平台建设的过程中,利用混合数据库管理模式与脚本化建库技术实现了卫星遥感数据库的高效检索与维护,运用影像数据服务动态渲染技术,解决了影像地图服务发布预处理流程复杂、更新周期长等问题,采用微服务架构搭建了省级遥感影像综合应用服务平台,在保证平台“7×24 h”稳定高效运行的前提下,为后续平台的功能更新与版本升级奠定了良好的基础。

机器学习和深度学习在遥感影像分类中的对比研究

遥感影像分类是遥感技术应用的一个重要环节;机器学习和深度学习能够实现精确、自动化、迅速、可定义和规模化的遥感影像分类。本文选取机器学习算法支持向量机和深度学习算法卷积神经网络、深度置信网络、栈式自编码网络共计4种分类算法进行对比研究,并对支持向量机核函数的参数以及深度学习算法的神经元数量开展寻优以到达最高分类精度。实验结果表明,深度学习算法栈式自编码网络的总体分类精度最高,分类效果最好,在地物复杂多样地区开展遥感地物分类时具有较好的适用性和推广价值。

基于迁移学习和多尺度融合的遥感影像场景分类方法研究

随着计算机运算能力的提升以及深度学习技术的发展,无须人工参与的深度学习方法已成为遥感影像分类的主流方法。因此,提出一种基于深度学习并嵌入注意力机制和融合多尺度特征的神经网络对遥感影像进行场景分类。该模型使用迁移学习减少训练样本不足带来的负面影响;在网络中嵌入注意机制、融合多尺度特征来提高对小尺寸地物目标分类的能力,并验证了模型的有效性。通过实验分析得出所提模型对遥感影像场景分类是可行且有效的。

探讨遥感影像在国土测绘中的应用

伴随着我国经济发展脚步逐渐加快,所以需要通过相应的测绘技术来准确的掌握自然资源现状,为自然资源开发和利用提供可靠的依据。当前,在我国国土测绘中使用比较广泛的技术有航空摄影、遥感影像、地理信息系统、全球定位系统等。在这些技术中,遥感影像具有独特的优势,具有数据量大、覆盖面广等特点,可以进一步提高数据采集和处理速度。基于此,本文将针对遥感影像在国土测绘中的应用展开深入研究,以期为相关从业者提供借鉴参考。

遥感影像水体识别研究进展及热点分析

洪涝灾害是严重危害人类社会发展的自然灾害之一,从遥感影像中准确识别水体信息对提升突发洪涝灾害事件的应急处理、灾害预警具有重要意义,一直受到专家学者的关注。针对国内外专家学者利用遥感影像进行水体识别的相关研究成果,文章从传统方法以及深度学习法两大方面,对前人提出的水体识别理论和方法进行分析研究;在此基础上,利用文献计量的方法对水体识别当前的研究热点进行梳理分析,针对现存问题和当前热点对基于遥感影像的水体识别未来发展趋势进行了展望。