GEE支持下的河南省冬小麦面积提取及长势监测

【目的】使用遥感技术对2017—2020年河南省冬小麦的空间分布信息进行高精度的提取,然后对2020年冬小麦的长势进行高频度的监测并结合气象条件进行分析。【方法】本文基于谷歌地球引擎(Google Earth Engine,GEE)云平台,对选取的Landsat 8影像数据根据NDVI最大值进行合成,然后进行特征构建,添加地形特征、纹理特征、NDVI以及一个新特征NDVI增幅,使用随机森林分类方法对样本数据按照构建的特征进行训练提取河南省2017—2020年冬小麦的播种面积信息;经过精度验证后对提取的河南省2020年的冬小麦种植区域生成掩膜,对掩膜区域(冬小麦种植区域)结合MODIS高时间分辨率影像数据,使用NDVI同期差值法对2020年2—4月份的冬小麦进行高频度的长势监测。【结果】使用GEE云平台能够对河南省冬小麦种植区域的空间分布信息进行快速制图;使用随机森林方法加入地形特征、纹理特征、NDVI后再加入新特征NDVI增幅,能够有效提高冬小麦的提取精度以及降低与统计数据的相对误差,基于混淆矩阵计算的平均总体分类精度为95.2%、平均kappa系数为0.909、冬小麦的平均分类精度为95.3%,与河南省统计年鉴数据相比,本文方法提取的2017—2019年河南省冬小麦播种面积相对误差均低于3%,河南省冬小麦主要种植区域的冬小麦播种面积的平均相对误差低于6%;使用MODIS影像数据结合NDVI差值模型能够对河南省2020年的冬小麦进行高频度的长势监测,河南省冬小麦在返青初期长势较往年及2019年好,到生育后期大部分区域长势与往年及2019年持平,总体上2020年冬小麦的长势较往年及2019年好。【结论】本文提出的方法能够对河南省冬小麦进行高精度的提取以及高频度的长势监测,且能够为地方政府或者一些农业部门在安排指导农事活动上提供科学依据。

基于Mult-TWDTW算法的时序SAR图像土地覆盖分类

合成孔径雷达(SAR)图像为土地覆盖分类提供了重要的时序数据源.现有的时间序列匹配算法可以充分挖掘时序特征的相似性信息,从而获得较好的分类效果.本文引入了综合考虑形状相似性和物候差异的经典时序匹配算法TWDTW (time weighted dynamic time warping)指导SAR土地覆盖分类,并针对传统TWDTW仅考虑单一特征时间序列上的相似性匹配问题,提出了一种基于多特征联合的时间加权动态时间规整算法(Mult-TWDTW).该方法首先提取后向散射系数、干涉相干性以及双极化雷达植被指数(dual polarization radar vegetation Index,DpRVI)这3种特征,然后在TWDTW算法基础上联合多个特征设计了Mult-TWDTW模型.为验证所提方法的有效性,使用Sentinel-1A时序数据在丹江口区域完成土地覆盖分类,并将Mult-TWDTW与MLP、1D-CNN、Kmeans、SVM和使用单特征的TWDTW算法进行对比.实验结果显示,Mult-TWDTW算法得到了最好的分类效果,总体精度和Kappa系数可以达到95.09%和91.76,表明Mult-TWDTW算法有效联合了多个特征信息,能够提升时序匹配算法在多种土地覆盖类别分类中的潜力.

采用改进特征子空间投影的SAR脉冲式直达波干扰抑制方法

射频干扰(RFI)会污染合成孔径雷达(SAR)回波信号,增加SAR图像解译难度。脉冲式直达波干扰(PDWI)作为典型的RFI,在原始回波域以明亮条纹状掩盖SAR回波信息,对SAR成像质量产生严重影响。现有的干扰抑制方法中,传统的特征子空间投影(ESP)方法对整条含干扰脉冲进行干扰抑制,造成了脉冲中非干扰位置有用信号损失。为了保护有用信号,该文提出一种改进ESP的SAR脉冲式直达波干扰抑制方法。首先,通过两次检测干扰,获取PDWI在时域中的具体位置。其次,仅对检测的干扰位置数据,采用ESP将有用信号和干扰信号分离。最后,从原始数据中减去ESP重构的干扰数据以实现干扰抑制。仿真和实测数据处理表明,与现有方法相比,该方法能够有效避免SAR原始数据中有用信号的损失,抑制了脉冲式直达波干扰。

基于文献计量和知识图谱可视化的安全多方计算研究现状及热点分析

安全多方计算技术为不泄露隐私数据的多方参与协同计算提供新的解决方法,该领域一直受到中外密码学学者的重点关注。为客观地反映当前安全多方计算的研究现状,探讨安全多方计算的基本知识和研究热点。以Web of Science核心合集数据库1985—2020年的安全多方计算相关研究文献为基础,采用文献计量的可视化分析方法,对研究文献进行年发文量分布、期刊分布、核心作者、研究机构、引文分析、关键词共现分析6个方面进行定量统计和定性分析。结果表明:安全多方计算已经成为密码学界关注的一个研究热点,文献年发文量总体上保持增长的趋势,但中外的学术研究团体呈现地域化特点,互动交流较少。研究热点主要围绕安全多方计算模型研究、应用协议研究、基础模块研究和量子安全多方计算4个方面。可见随着新形势下隐私信息安全越来越被重视,安全多方计算将迎来广泛的研究和应用前景。

遥感产品生产系统中产品算法的流程化处理

在遥感影像产品的生产过程中往往需要一个或多个算法,而算法之间的相互依赖关系的描述则会直接影响卫星产品生产时算法的执行能力以及规模化处理效率。因此,通过遥感产品共性,对卫星算法处理产品的流程进行分析,利用JGraph开源包将遥感卫星产品算法封装成其特有的组件,形成一种从影像输入到影像处理再到影像产品输出一体化管理的工作流。将此方法应用到国家民用空间基础设施"十三五"建设的相关平台中,研究结果不仅对算法处理产品的流程复杂程度进行了一定的优化,也在规范卫星产品生产流程中提高了卫星共性产品的生产效率。

新冠疫情对我国NO2排放影响的时空分析

基于高分辨率的TROPOMI数据,分析了我国疫情爆发期的NO2空间分布情况,同时对比了疫情同比期和环比期不同地区的变化情况.分析表明,全国范围内NO2柱浓度的同比下降率和环比下降率分别为40.46%和50.09%,经济发达且人口稠密的城市群,排放量下降较为显著,其中江苏、河南、山东、浙江等NO2历史排放较高的省份受疫情影响更大.湖北省疫情期的NO2柱浓度绝对值(1.63×10^15molec/cm^2)在中东部省份属于最低位水平,同比和环比下降率也均在50%以上.相对来说,武汉、孝感等周边城市的影响远大于十堰、恩施等西部山区.地基国控站点的NO2质量浓度也显示了与卫星观测较一致的空间分布和变化趋势,证明了采用“自上而下”的遥感手段,可以对不同区域的大气污染排放强度和社会经济活动水平进行快速评估.

基于Sentinel-1/2遥感数据的冬小麦覆盖地表土壤水分协同反演

冬小麦是我国重要粮食作物之一,对冬小麦覆盖地表土壤水分进行监测有助于解决因土壤供水导致的冬小麦歉收和农业用水浪费等问题。为了降低冬小麦覆盖地表土壤水分微波遥感反演过程中冬小麦对雷达后向散射系数的影响,该文基于Sentinel-1携带的合成孔径雷达(SAR)数据和Sentinel-2携带的多光谱成像仪(MSI)数据,结合水云模型,开展冬小麦覆盖地表土壤水分协同反演研究。首先,基于MSI数据,该文定义了一种新的植被指数,即融合植被指数(FVI),用于冬小麦含水量反演;然后,该文发展了一种基于主被动遥感数据的冬小麦覆盖地表土壤水分反演半经验模型,校正冬小麦在土壤水分反演过程中对雷达后向散射系数的影响;最后,以河南省某地冬小麦农田为研究区域,开展归一化水体指数(NDWI)和FVI两种指数与VV,VH,VV/VH 3种极化组合而成的6种反演方式下的土壤水分反演对比实验。结果表明:以FVI为植被指数,能够更好地去除冬小麦在土壤水分反演过程中对雷达后向散射系数的影响;6种反演方式中,FVI与VV/VH组合下的反演效果最优,其决定系数为0.7642,均方根误差为0.0209 cm^(3)/cm^(3),平均绝对误差为0.0174 cm^(3)/cm^(3),展示了该文所提土壤水分反演模型的研究价值和应用潜力。

星载SAR图像几何校正影响要素分析

几何校正是SAR图像应用的基础,而影响校正效果的要素有多种。论文首先从SAR图像成像机理出发,阐述了几何校正中定位模型的建立和解算过程,主要分析了两类影响要素:高程和卫星轨道插值方法。然后以一幅高分辨率TerraSAR-X图像的几何校正为基础,对比分析了三种高程和两种轨道插值算法对定位精度的影响。实验结果表明,只有距离向定位受这些因素的影响,高程的分辨率和垂直精度对定位精度都有很大影响、四次多项式直接插值方法只能满足一般的几何校正需要,更高精度的校正还需要其他辅助手段。

一种适用于GPU图像处理算法的合并存储结构

大多数图像处理算法都可利用GPU进行加速以达到更好的执行性能,但数据传输操作与核函数执行之间的调度策略问题仍是桎梏加速性能进一步提升的主要瓶颈。为了解决这个问题,通常采用GPU任务流将核函数执行与数据传输操作进行重叠,以隐藏部分数据传输与核函数执行耗时。但是,由于CUDA编程模型的特性以及GPU硬件资源的限制,在某些情况下,即使创建较多的任务流用于任务重叠,每个流上仍会存在串行执行的任务,导致加速效果无法进一步提升。因此,考虑利用CSS将待处理图像进行合并从而将单个流中的算子核函数及数据传输操作进行合并,以减少数据传输操作和核函数执行的固定代价及调用间隙。通过实验结果可知,提出的CSS结构不仅能在单流的情况下提高GPU图像处理算法执行性能,在多流的情况下其加速性能也得到了进一步提升,具有较好的实用性及可扩展性,适用于包含较多算子操作或较小尺寸图像批量处理的情况。此外,提出的方法对图像处理算法的GPU加速提供了新的研究思路。

基于观测时间配准的升降轨InSAR数据二维形变场解算

传统差分干涉技术只能获取雷达视线方向的一维形变场,极大地限制该技术的应用。联合升降轨InSAR数据,可以解算出地表二维形变场。然而,受卫星轨道参数的限制,即使是不同的卫星,也很难做到对同一目标的同步观测,造成升降轨观测时间的不一致,进而降低二维形变解算精度。针对上述问题,文中提出一种升降轨观测时间配准方法,即以其中一轨SAR时序数据的采集时刻为参考,采用数据插值技术,对另一轨SAR时序数据获取的时间累积形变量进行内插,得到对应参考时刻点的形变量。最后,联合解算时间配准后的两个一维形变量,获取研究区域的二维形变场。为验证所提方法的有效性,文中以苏锡常地区为例,开展二维形变场的解算实验。研究结果表明,所提方法可以更加准确地反演地表二维形变场。

深度对比学习综述

在深度学习中,如何利用大量、易获取的无标注数据增强神经网络模型的特征表达能力,是一个具有重要意义的研究问题,而对比学习是解决该问题的有效方法之一,近年来得到了学术界的广泛关注,涌现出一大批新的研究方法和成果.本文综合考察对比学习近年的发展和进步,提出一种新的面向对比学习的归类方法,该方法将现有对比学习方法归纳为5类,包括:1)样本对构造;2)图像增广;3)网络架构;4)损失函数;5)应用.基于提出的归类方法,对现有对比研究成果进行系统综述,并评述代表性方法的技术特点和区别,系统对比分析现有对比学习方法在不同基准数据集上的性能表现.本文还将梳理对比学习的学术发展史,并探讨对比学习与自监督学习、度量学习的区别和联系.最后,本文将讨论对比学习的现存挑战,并展望未来发展方向和趋势.

基于改进YOLO v3的玉米叶片气孔自动识别与测量方法

气孔是植物叶片与外界环境交换气体和水分的重要结构。针对现有气孔性状分析主要采用人工测量,过程繁琐、效率低下、容易出现人为误差的问题,本文采用YOLO(You only look once)深度学习模型完成了玉米叶片气孔的自动识别与自动测量工作。结合玉米叶片气孔数据集的特点,对YOLO深度学习模型进行了改进,有效地提高了气孔识别和测量的精确率。对YOLO深度学习模型中的预测端进行了优化,降低了误检率;同时,结合气孔特征对16倍、32倍下采样层进行简化,提高了识别效率。实验结果表明,改进后的YOLO深度学习模型在玉米叶片气孔数据集上识别精确率达到95%,参数测量的平均精确率达到90%以上。本文方法能够自动完成玉米叶片气孔的识别、计数与测量,解决了传统气孔分析方法的低效率问题,为农业科学家、植物学家开展植物气孔分析研究提供了技术支撑。

基于低秩汉克尔矩阵重构技术的星载间断调频连续波SAR成像方法

间断调频连续波(IFMCW)合成孔径雷达(SAR)是一种新型的集轻量化、低成本和低功耗于一体的新型SAR系统。该系统采用单根天线发射和接收信号,颠覆了传统的调频连续波(FMCW) SAR系统设计理念。在该模式下,由于发射机工作时接收机关闭,导致合成孔径中出现周期性的间隔,采用传统成像算法进行成像,在聚焦SAR图像中将会出现周期性的虚假目标。为了有效地抑制虚假目标,该文基于子孔径回波数据,提出一种新的成像算法,即基于子孔径投影的低秩汉克尔矩阵重构技术(LHRTSP)。实验结果表明与现有方法相比,所提方法对虚假目标的抑制效果更佳,验证了所提方法的有效性。

类脑心智计算的科学技术和工程应用的研究与思考

发展新一代的类脑智能,需要综合考虑形成自然智能的结构、功能和行为等研究,偏颇任一方向都是不全面的,难以完全触及智能的本质。文中基于神经系统的结构仿真、认知系统的功能模仿和自然智能的行为模拟,定义了类脑心智计算(BMC)的基本概念,提出了BMC的假设、模型和框架,研究了BMC的前沿理论。在大脑机制、心智模式和行为控制上,分析了当前BMC研究的技术路线、核心算法和关键技术,综述了BMC的复杂系统和工程应用现状。结合智能科学、神经科学、认知科学、信息科学和计算数学等多学科的交叉融合特征,进一步讨论了BMC的科研范式和跨学科建设问题。BMC研究将有望在新一代类脑智能的科学理论、技术创新和工程系统上取得重大突破。

基于序列相似性计算的甲骨残片缀合算法

甲骨残片缀合一直是甲骨学研究中最急迫最具基础性的工作,它使得甲骨残片经过拼接,复原为更加完整的原始材料.尽管前人及同行曾提出若干计算机辅助的甲骨缀合方法,但这些方法缀合准确度不足,未能真正投入使用,并不能真正帮助专家解决甲骨缀合问题,导致当前的甲骨缀合工作仍旧依靠人工、依旧费时费力.为了更好地研究甲骨残片的机器缀合问题,本文使用一个较大规模甲骨缀合基准数据集OB-Rejoin,该数据集包含了约一千幅甲骨拓片图像,且融入了大量的甲骨学界已缀成果,用于算法评估.基于该数据集,本文设计了一种基于斜率变化量序列匹配的甲骨缀合算法(Slope United Sequence Matching for Oracle Bone Fragments Conjugation,SUM),该方法将甲骨残片的断边碴口图像匹配问题转化为数值型的序列数据和序列相似性比对问题,以将尚不够非常精密的计算机视觉领域的碴口图像匹配问题转换为数据科学领域较为成熟的序列数据相似性匹配问题.SUM将数值型的碴口序列数据进一步转换为斜率变化量序列和字符序列数据,最后利用字符序列的模糊匹配完成甲骨残片的碴口匹配.在实验环节,SUM算法与经典的序列相似性计算方法在精确率、召回率、漏检率方面进行了对比,并与两个较新的基于深度学习的序列匹配算法和形状匹配算法进行了性能对比.整体而言,SUM在OB-Rejoin数据集上的Top-15缀合召回率达到了95.181%,超越了对比算法.重要出土文献的精准复原本身是历史学和古文字研究中客观存在的重大现实需求,具有重要的史学价值和意义,因此,本文的研究成果,不但有助于解决甲骨残片的机器缀合问题,还对秦汉简牍和敦煌遗书等重要出土文献的精准复原具有重要的参考价值.

星载双极化SAR冬小麦物候期识别方法

冬小麦是中国主要的粮食作物之一,准确及时地获取冬小麦物候信息是冬小麦长势监测和产量预估的必要条件。星载合成孔径雷达(SAR)是一种微波遥感设备,具有全天时、全天候的优势,可实现对周期性农作物物候期大范围监测。基于时间序列Sentinel-1A SAR数据,提出一种星载双极化SAR冬小麦物候期识别方法。该方法基于特征值分解和极化散射分析技术,提取不同物候期冬小麦的后向散射系数、极化熵、主导散射角等参数,实现冬小麦物候期识别。实验结果表明,物候期识别总体精确度达到79%。该方法在冬小麦生长监测方面具有实用推广价值。

基于GPU的多模式SAR成像加速研究

针对多模式合成孔径雷达(SAR)成像处理中存在的计算效率不足问题,提出了一种基于GPU的多模式SAR统一成像并行加速方法。为充分利用GPU的显存资源,提高算法的运算效率,利用共享内存对矩阵转置、矩阵相乘等部分进行大规模数据并行计算。实验结果表明,该算法大幅度提升了多模式SAR成像的计算效率,最高加速比达到55.62,解决了GPU显存空间利用率较低的问题。

曲靖非相干散射雷达空间碎片微动特征提取方法

微动特征是空间碎片目标特性研究与识别的重要特征量.为提升非相干散射雷达在空间碎片微动特征提取中的应用,设计了一种基于雷达的目标微动特征提取方法,包括距离徙动修正、目标平动速度和加速度余项修正、时频分布计算、逆Radon变换等,并利用曲靖非相干散射雷达实测回波数据进行分析验证.结果表明,利用非相干散射雷达实测回波可有效提取空间碎片自旋或翻滚半径、周期、频率以及姿态角等特征参数,进而初步判断其形状,仿真和实测数据分析结果与预期情况基本相符.本文工作验证了电离层非相干散射雷达用于空间碎片微动特征提取的可行性,为空间碎片监测与目标特性研究识别提供了新技术手段.

面向声呐图像水下目标分类的类脑SNN研究

声呐图像被广泛应用于复杂海况的水下救援和海底探测中,长时的人工搜索极易造成视觉疲劳而错失目标。无人潜航器可大幅降低搜索工作量和主观误差,但这取决于无人自主系统的能效和自动分类性能。卷积神经网络的训练和推理需要比较高的能耗,难以在无人潜航器的移动环境下部署和应用,而且声呐图像训练数据稀少和样本不平衡也增加了模型训练的难度。脉冲神经网络通过二进制离散的时序脉冲信号可以避免卷积神经网络中高昂的乘法计算代价,具有低能耗和高精度的特性。构建了可用于合成孔径声呐图像分类的浅层脉冲神经网络,设计了一种基于脉冲神经网络的小样本水下目标分类算法。采用基于风格迁移的模拟声呐图像生成方法和加权随机采样方法,缓解了声呐图像训练数据稀少和样本不平衡问题。实验表明,在声呐图像样本稀少和不平衡的情况下,算法的分类准确率高于ResNet50、VGG19和MobileNet V2等架构的卷积神经网络,达到91.11%。计算复杂度和能耗分析也表明,脉冲神经网络相比于卷积神经网络具有很大优势。脉冲神经网络是研究和实现类脑计算非常合适的模型,可满足无人水下航行器的移动计算需求,该研究对实现无人自主设备的智能应用具有先进的技术优势。

基于特征选择和GA-BP神经网络的多源遥感农田土壤水分反演

土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该研究提出了一种基于特征选择和GA-BP神经网络(Genetic Algorithm-Back Propagation neural network)的多源遥感农田地表土壤水分反演方法。首先对Sentinel-1微波遥感数据和Sentinel-2光学遥感数据进行预处理并提取21个特征参数;然后采用差分进化特征选择(Differential Evolution Feature Selection,DEFS)算法从21个特征中选出包含10个参数的最优特征子集,并利用主成分分析(Principal Component Analysis,PCA)法将特征子集进行降维;之后建立BP神经网络,采用遗传算法(Genetic Algorithm,GA)对BP网络的节点权值进行优化,使用降维后的特征矩阵和部分实测土壤含水量数据对BP网络进行训练;最后利用训练好的GA-BP网络对研究区土壤水分进行反演,并利用实测数据对反演结果精度进行对比验证。试验结果表明,该研究反演结果的决定系数为0.7893,均方根误差为0.0287 cm^(3)/cm^(3),相比单纯使用GA-BP神经网络,加入DEFS和PCA之后决定系数提高了0.2157,同时均方根误差降低了0.0295 cm^(3)/cm^(3)。该结果展示了DEFS和PCA算法在土壤水分反演最优特征集选择的有效性,为多源遥感农田地表土壤水分反演提供了新思路。