遥感技术与寻找油气资源

油气资源的勘探和开发工作,一直是以地震勘探方法为基础的,但地震勘探所提供的含油气构造并非全部含有油气资源,成功率低。因而油气勘探的非地震法不断出现,如地球物理法、地球化学法、放射性方法、地植物学方法和遥感技术法。其中遥感技术方法进展快。

应用NOAA气象卫星图象资料估算草场生物量方法的初步研究

新疆幅员辽阔,草场面积】40×10~4km^2,是我国主要畜牧业基地之一。因此测量草场生物量和掌握其动态变化可以为合理规划、利用和改良草场以及发展畜牧业提供科学依据。 测量草场生物量的方法很多。传统的方法是人工割下单位面积的草,称其重量来估算生物量,但此法繁琐费时,而且是一种破坏性的测量方法。

基于深度学习的高分辨率遥感影像土地覆盖自动分类方法

土地覆盖变化是全球变化研究的核心,而精准分类是开展土地覆盖变化研究的基础。高分辨率遥感卫星技术的快速发展对地表分类的速度和精度提出了双重挑战,近年来人工智能等新技术的发展为图像自动分割提供了实现途径,而以卷积神经网络为代表的深度学习方法在遥感图像分类领域也具有独特的优势。为对比深度学习模型设计对高分辨率图像分类结果的影响,本文以郑州市2019年高分1号影像作为输入,对比研究了基于UNet模型改进的4种不同深度学习网络模型在高分辨率影像土地覆盖自动分类应用中的差异,探讨了残差网络、模型损失函数、跳层连接和注意力机制模块等编码和解码设定对于分类精度的影响机制。研究发现:同时加入多尺度损失函数、跳层连接和注意力机制模块的MS-EfficientUNet模型对郑州市土地覆盖分类结果最优,基于像元评价的整体分类精度可达0.7981。通过在解码器中引入多尺度损失函数可有效提高林地、水体和其他类别的分类精度;而对编码器进行改进,加入跳层连接和注意力机制可进一步提高草地、水体和其他类别地物的分类精度。研究结果表明,深度学习技术在高分辨率遥感影像自动分类中具有潜在应用价值,但分类结果精度的进一步提高和多级别大范围的精细分类方法仍是下一步研究的重点。