基于局部非线性地理加权回归模型的地表 温度降尺度算法研究

地表温度(land surface temperature,LST)是反映地表状况的一个重要参数,能对地表-大气相互作用过程进行描述。由于受到卫星热红外传感器成像条件的制约,获取的卫星热红外遥感图像存在时间分辨率、空间分辨率难以兼顾的问题,导致反演的LST数据难以得到深入应用。采用LST降尺度算法可以解决此矛盾,获得高时空分辨率的地表温度数据。目前LST降尺度模型逐步由全局模型转向局部模型,但局部降尺度模型忽略了非线性关系。针对此问题,提出基于局部非线性地理加权回归(non-linear geographically weighted regression,NL-GWR)的地表温度降尺度算法。选择合适的研究区域,并分别选取归一化差异植被指数(normalized difference vegetation index,NDVI)、归一化差异建筑指数(normalized difference build-up index,NDBI)以及数字高程模型(digital elevation model,DEM)作为辅助参数进行LST降尺度,将中分辨率成像光谱仪(moderate resolution imaging spectroradiometer,MODIS)地表温度空间分辨率从1000 m提升到100 m,并将基于地理加权回归(geographically weighted regression,GWR)与NL-GWR模型的降尺度结果进行对比分析。实验结果表明,考虑非线性关系的NL-GWR模型要优于GWR线性模型,能够获得较低的均方根误差(1.96℃)和平均绝对误差(1.63℃)。

基于GAN的半监督遥感图像场景分类

针对遥感图像背景复杂及有监督场景分类算法无法利用无标签数据的问题,提出一种基于生成对抗网络的半监督遥感图像场景分类方法。首先,引入谱归一化残差块代替传统生成对抗网络中的二维卷积,利用残差块的跳跃连接解决梯度消失问题;其次,引入特征融合思想,将浅层特征与深层特征进行融合,从而减少特征损失;最后,在生成对抗网络的判别器中加入结合门控的注意力模块,以增强特征判别能力。在EuroSAT和UC Merced数据集上的实验结果表明,该方法能够有效提取判别力更强的特征,提高半监督分类性能。

基于细节信息提取的全色与多光谱图像融合方法

全色(Panchromatic, Pan)图像与多光谱(Multi-spectral, MS)图像融合的目的是生成具有高空间分辨率的多光谱图像。为了进一步提升融合图像的质量,提出一种基于细节信息提取的融合方法。首先,使用滚动引导滤波器与差值运算分别获取Pan与MS的高频分量。其次,采用自适应强度-色度-饱和度(AdaptiveIntensity-Hue-Saturation,AIHS)变换处理MS的高频分量与经像素显著性检测后Pan的高频分量,生成对应的强度分量(Intensity,Ⅰ),再将Pan与Ⅰ作差值运算获取细节图像。接着,采用引导滤波器计算Pan与MS的高频分量的差值,得到残差图像。最后,利用最速下降法将细节图像与残差图像注入到原始的MS图像中获得最终融合结果。实验结果表明,本文所提算法得到的融合图像能够取得较好的主观视觉效果,且客观定量评价指标较优。

改进的DeeplabV3Plus高分辨率遥感影像土地覆盖分类

高分辨率遥感图像中提取的土地覆盖信息在城市规划建设和土地利用等领域具有巨大的价值,但由于土地覆盖类型复杂、光谱差异性较小等因素,目前对土地覆盖类别进行高质量的语义分割仍然受到一定限制。因此,针对该问题提出了一种新颖的全连接网络MFC-Net,该模型采用全新的基于点积注意力的空洞空间金字塔池化模块(DPA-ASPP),提高了聚合上下文信息方面的能力及效率。更进一步的,针对不同尺度的特征提出了注意力增强融合模块(AEFM)来增强特征表示,改善不同形状和大小地物的分割效果。该模型充分利用了高分辨率遥感影像中丰富的上下文信息及多尺度信息,在LoveDA大型遥感图像数据集上取得了优于当前主流模型的分割结果(84.26%MPA和69.67%MIOU)。