基于语义分割网络的高分遥感影像城市建成区提取方法研究与对比分析

城市建成区的提取对城市发展规划有着重要的作用。为了找出能兼顾效率和识别准确率的基于卷积神经网络的遥感影像城市建成区提取方法,从神经网络结构的原理出发,对多种语义分割网络的内部结构进行对比分析,并针对语义分割网络分别进行训练及结果比较。实验结果表明,ShelfNet-50网络能够在训练速度最快的同时保证很高的识别准确率,在训练时长仅需14 h的同时达到了77%的前景分割精度,且ShelfNet-50网络预测的结果也与相应的遥感影像数据高度吻合。实验说明ShelfNet-50网络可应用于高分遥感影像的城市建成区提取研究。

时空信息熵在延河流域生态可持续性分析中的应用

视流域为一个有生命力的不可分割的有机整体,为表征其生态可持续性,从熵的视角出发,提出结合空间信息熵和时间信息熵的时空信息熵方法。其中空间信息熵用于表征生态系统格局在空间分布的有序程度,时间信息熵用于度量生态系统的动态演变是否有序,时空信息熵方法将格局和动态有机结合,定量分析流域生态系统的可持续性。以延河流域为研究区,基于土地利用数据和归一化植被指数数据,利用时空信息熵方法分析2000—2018年延河流域生态可持续性。结果表明:(1)延河流域生态系统格局朝着有序的方向变化,此间整体处于生长期或恢复期;(2)时间信息熵结果呈现空间异质性,耕地、中低覆盖度草地和其他林地的时间信息熵值较高,生态弹性能力更强;(3)研究区生态可持续性以“强”和“较强”为主(61%),广泛分布在其中部和北部地区,表明流域的生态弹性能力总体增强,生态可持续状况明显改善。对基于熵视角研究生态可持续问题的有益探索,为延河流域及黄土高原其他类似流域的生态保护和修复提供借鉴和参考。

基于PSPNet的遥感影像城市建成区提取及其优化方法

利用高分辨率卫星遥感影像提取建成区边界对于城市扩张监测和城市发展规划具有重要意义。为获取高精度高空间分辨率的建成区数据,本研究通过归一化建筑指数(normalized difference built-up index,NDBI)加人工目视解译方法构建城市建成区遥感影像数据集,分别采用传统机器学习方法和包括PSPNet在内的4种深度学习语义分割网络对Sentinel-2影像进行建成区提取,训练结果表明PSPNet网络对于建成区的提取具有最高的精度(训练集交并集比(intersection over umion,IOU)为79.5%)。提出Overlapsize方法对PSPNet的提取结果进行优化,进一步提高了建成区提取准确率,该方法在训练集上的IOU达到80.5%,在测试集上的IOU达到了83.1%,利用PSPNet+Overlapsize提取建成区的方法相较于传统机器学习方法具有实际应用意义。

基于城市扩展模拟与生态—规模约束的深圳市城市开发边界划定

针对城市盲目扩张与无序蔓延等问题,该文提出一种基于生态—规模约束的城市开发边界划定方法:基于元胞自动机构建多城市扩展因子驱动与多元胞状态转换作用的城市扩展模拟模型;根据作用方式不同,将生态约束分为刚性约束和弹性约束两类,分别考虑二者对城市扩展的影响模式,构建以城市扩展模拟为基础,在生态—规模约束下的城市开发边界划定框架。以深圳市为研究区,将生态保护红线和生境质量分别作为生态刚性约束和弹性约束,以2015年为基期,模拟2018年和2025年城市扩展情形,并划定2025年深圳市城市开发边界。结果表明:2018年深圳城市扩展模拟结果总精度为97.42%,Kappa系数为0.948,2025年新扩展区域主要集中在宝安区和龙岗区,是未来城市发展重点区域。该城市开发边界划定方法在保证城市高质量发展的同时,使生态环境得到有效保护,可为引导深圳市及其他城市健康发展提供参考。

基于卷积神经网络预测结果的缝隙修复算法研究

随着卷积神经网络技术的发展,近来的研究越来越注重于准确率的提升以及语义信息的完善。其中Mask R-CNN网络是对Faster R-CNN进一步改进后的实例分割网络,在高分遥感图像地物识别具有良好的分割效果。但由于卷积神经网络只能用小瓦片图像进行训练和预测,而导致预测结果存在较大的语义信息误差。面对这种问题,提出了针对卷积神经网络预测结果缺陷的缝隙修复算法,即先使用Overlapsize算法改善预测结果与真实结果的匹配程度,再通过PostGIS数据库中的相关函数填补缝隙,使小瓦片能真正拼接成完整大图。研究及实验结果表明:该算法能够很好地改善图像语义信息,具有实用性。