基于FY-4A/AGRI时空特征融合的新疆地区积雪判识

高时间分辨率的积雪判识对于新疆牧区农牧业发展和雪灾预警具有重要作用,针对已有积雪产品易受复杂地形地貌,下垫面类型以及云遮蔽的影响,导致积雪判识精度降低的问题,提出一种利用深度学习方法对风云4号A星多通道辐射扫描计（AGRI）数据与地理信息数据进行多特征时序融合的积雪判识方法：以多时相FY-4A/AGRI多光谱遥感数据,以及高程、坡向、坡度和地表覆盖类型等地形地貌信息作为模型输入,以Landsat 8 OLI提取的高空间分辨率积雪覆盖图作为“真值”标签,构建并训练基于卷积神经网络的积雪判识模型,从而有效区分新疆复杂地形与下垫面地区的云、雪以及无雪地表,最终得到逐小时积雪覆盖范围产品。经数据集和2019年地面气象站实测雪盖验证,该方法精度高于国际主流MODIS逐日积雪产品MOD10A1和MYD10A1,显著降低云雪误判率。     

融合FY-3C号和FY-4A号卫星数据的积雪面积变化研究—以祁连山区为例

祁连山区积雪类型丰富、判识复杂,是中国积雪研究的典型区域。因此,精确地监测祁连山区积雪面积变化及其时空演变,对祁连山区生态环境和社会经济发展等具有重要意义。FY-3C MULSS利用多阈值积雪指数模型提供全球日积雪覆盖产品,FY-4A AGRI传感器每15~60 min提供一景覆盖全球的多光谱影像。基于FY-4A AGRI高时间分辨率的特征,构建适合于FY-4A号数据的动态多阈值多时相云隙间积雪识别方法,很大程度上减小了云对光学数据识别积雪造成的影响,并结合FY-3C MULSS积雪覆盖日产品较高空间分辨率的优势,融合得到去除云后的FY3C4积雪覆盖数据。利用Landsat 8 OLI卫星数据对融合后的积雪数据进行对比验证,结果表明融合FY-3C和FY-4A后的数据能更好地判识祁连山区的积雪覆盖情况。以MODIS MOD10A2积雪产品为真实值,随机检验了2018年3月~2019年3月融合后数据的积雪判识精度,发现无云情况下方法的总体精度可达到85.25%。进一步研究发现祁连山区积雪面积在海拔、气候和坡向等因素的影响下时空分布极不均匀,总体呈现出冬春季节大于夏秋季节,以及东部积雪面积大于西部积雪面积的特征。     

融合高度信息的遥感图像语义分割网络

针对遥感图像分割精度低的问题，提出一种融合高度信息的遥感图像语义分割网络。将光谱信息和高度信息进行融合，从不同的数据中提取地物的特征信息。针对卷积网络受固定感受野的限制，无法有效获取特征图上下文信息的问题，将Transformer应用到网络中建模特征图的全局相关性，增强网络的特征提取能力。为有效利用融合特征图中的信息，提出基于自注意力的解码器。通过在韦兴根和波茨坦数据集上进行实验，验证了所提网络与其它先进网络相比具有竞争力。     

基于双向门控尺度特征融合的遥感场景分类

针对遥感影像数据集的图像在形状、纹理和颜色上存在较大差别,以及因拍摄高度和角度不同存在的尺度差异导致遥感场景分类精度不高的问题,提出利用主动旋转聚合来融合不同尺度的特征,并通过双向门控提高底层特征与顶层特征互补性的特征融合补偿卷积神经网络（FAC-CNN）。该网络利用图像金字塔为原始图像生成不同尺度图像后将其输入到分支网络中来提取多尺度特征,并提出主动旋转聚合的方式来融合不同尺度的特征,使融合后的特征具有方向信息,从而提高模型对不同尺度输入以及不同旋转输入的泛化能力,实现模型分类精度的提升。FAC-CNN比基于VGGNet的注意循环卷积网络（ARCNet-VGGNet）和门控双向网络（GBNet）在西北工业大学遥感场景图像分类数据集（NWPU-RESISC）上准确率分别提升了2.05个百分点与2.69个百分点,在航空影像数据集（AID）上准确率分别提升了3.24个百分点与0.86个百分点。实验结果表明,FAC-CNN能有效解决遥感影像数据集存在的问题,提高遥感场景分类的精度。     

融合多尺度特征的遥感影像道路提取方法

针对遥感影像中由于道路信息错综复杂,导致道路提取不完整、精确度低等问题,提出一种新型遥感影像道路提取方法。融合多尺度特征改善道路提取的整体效果,基于深度残差网络设计混合空洞卷积,并通过定义卷积核各值的间距增大特征提取感受野,从而丰富多尺度特征融合模块中的浅层道路语义信息。在编码端提取特征后,利用权重分布的方法匹配感受野尺度,使用不同层级间的特征对全局先验信息进行表征,提高多尺度融合特征获取浅层道路语义信息的准确性,并将改进的多孔空间金字塔池化模块融入到深度残差网络中,挖掘并深度聚合道路浅层次和深层次的语义信息。在两种高分辨率遥感数据集Cheng_Data_Roads和Zimbabwe_Data_Roads上的实验结果表明,所提方法的F1值和MIoU值分别为91.16%和83.63%,准确率、召回率等评价指标均明显优于U-net、ResUnet、D-Linknet等语义分割方法。     

基于直方图与像元分解模型的森林覆盖度遥感估算

森林覆盖度是能够勾描出林分边界的森林覆盖率,定量化的覆盖度信息可体现其水平尺度的时空分异特性。像元分解模型在覆盖度遥感估算中得到了广泛应用,但仍然有很多问题,如很难找到一种树冠覆盖度的纯光谱端元,从而难以高精度地估算树冠覆盖度。为此,基于像元分解模型,结合使用土地利用和土壤类型数据,提出利用直方图法确定模型中不同类型植被——土壤端元参数,对区域尺度森林覆盖度进行估算,并利用三峡库区的历史野外161个样点的实测覆盖度数据进行验证,发现R~2达到0.74～0.85,计算结果比较满意。该方法将为区域尺度高分辨率森林覆盖度的遥感估算提供借鉴。     

基于分类回归树的密云水库上游森林覆盖度遥感估算

森林覆盖度是描述森林生态状况的重要指标,也是气候、水文模型的重要输入参数。以多时相的HJ星 CCD数据为主要数据源,利用分类回归树的方法对密云水库上游的森林覆盖度进行了遥感估算,通过基于高分航片提取的样本数据对估算结果进行了验证,并与传统回归模型进行了比较分析。结果表明:以HJ星及其他辅助数据为数据源,采用分类回归树的方法估测森林覆盖度可以达到较高的精度,拟合决定系数R²达到0.749,建模均方根及验证均方根误差分别为0.068和0.118,均明显优于传统回归模型,适用于大区域的森林覆盖度遥感估算。     

一种多尺度特征关联网络的遥感影像场景分类方法

针对遥感影像场景分类中提取特征信息不准确以及融合冗余信息的问题,提出一种多尺度特征关联网络的遥感影像场景分类方法。首先,利用ResNet18提取多尺度影像特征,并在特征金字塔结构中引入空洞卷积和多头自注意力模块关注各层有效信息,以增强语义信息和抑制周围噪声;其次,使用多特征关联模块来增强关键特征信息,对各层使用全局平均池化并加和,得到特征向量;最后,采用全连接层进行分类。该方法在NWPU数据集上的总体分类精度为90.51%,相比VGG＿VD16-MSCP、VGG＿VD16-SAFF以及DTDCNN等网络分别提升1.58%、2.65%和6.39%。结果表明,文章所用的多尺度融合方式能够更好地提取特征地物并抑制周围背景,从而取得更高的遥感影像场景分类精度。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题，提出了一种基于深度学习的遥感图像目标检测与识别算法。首先，构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试；其次，基于原始的多尺度单发射击（SSD）网络模型，融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块；最后，在训练策略上引入聚焦分类损失函数，以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验，结果表明所提算法的检测平均精度均值（mAP）达到77.95%，相较于SSD网络模型提高了3.99个百分点，同时检测速度为33.8 frame/s。此外，在拓展实验中，改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明，所提改进算法能够有效地提高遥感图像目标检测的精度。     

多云雾地区高时空分辨率植被覆盖度构建方法研究

针对多云雾地区高时空分辨率数据缺乏现状,提出了一套区域尺度高时空分辨率植被覆盖度数据构建方法.首先,通过时空适应反射率融合模型(STARFM)有效地将TM 的较高空间分辨率与MODIS的高时间分辨率融合在一起,构建了研究区植被生长峰值阶段的NDVI数据;然后,以植被生长峰值阶段的NDVI为输入,基于地表覆被类型,综合应用等密度和非密度亚像元模型对研究区的植被覆盖度进行估算.结果表明:①即使数据源存在大量的云雾,且存在一定的时相差异,研究区植被覆盖度的估算结果过渡自然,不存在明显的不接边效应;②以植被生长峰值阶段的NDVI数据为输入进行植被覆盖度估算,有效拉开了同一地表覆被类型不同覆盖度像元的NDVI梯度,提高了亚像元估算模型对输入数据的抗扰动性;③基于地表覆被类型,应用亚像元混合模型,能够提高植被覆盖度的估算精度.经野外实测数据验证,总体约８５％的估算精度表明,针对高时空分辨率遥感数据缺乏的多云雾区域,本研究提出的方法能够实现区域尺度植被覆盖度数据的构建.     

改进卷积网络的高分遥感图像城镇建成区提取

目的 城镇建成区是城镇研究重要的基础信息,也是实施区域规划、落实城镇功能空间布局的前提。但是遥感影像中城镇建成区的环境复杂,同时不同城镇建成区在坐落位置、发展规模等方面存在许多差异,导致其信息提取存在一定困难。方法 本文基于面向图像语义分割的深度卷积神经网络,使用针对特征图的强化模块和通道域的注意力模块,对原始DeepLab网络进行改进,并通过滑动窗口预测、全连接条件随机场处理方法,更准确地实现城镇建成区提取。同时,针对使用深度学习算法容易出现过拟合和鲁棒性不强的问题,采用数据扩充增强技术进一步提升模型能力。结果 实验数据是三亚和海口部分地区的高分二号遥感影像。结果表明,本文方法的正确率高于93%,Kappa系数大于0.837,可以有效地提取出大尺度高分辨率遥感影像中的城镇建成区,且提取结果最为接近实际情况。结论 针对高分辨率遥感卫星影像中城镇建成区的光谱信息多样化、纹理结构复杂化等特点,本文算法能在特征提取网络中获取更多特征信息。本文使用改进的深度学习方法,提出两种处理方法,显著提高了模型的精度,在实际大幅遥感影像的使用中表现优秀,具有重要的实用价值和广阔的应用前景。     

冰沟流域积雪面积比例与雪水当量关系初探

像元尺度上积雪面积比例与雪水当量的关系是将积雪遥感面积数据引入水文模型的有效手段。以冰沟流域为例,利用合成孔径雷达ENVISAT-ASAR数据反演得到积雪面积、雪水当量信息,分析了500m像元尺度上积雪面积比例与雪水当量的关系。结果表明:1在积雪面积比例未达到全覆盖饱和状态,雪水当量和积雪面积比例呈正相关关系,积雪面积比例控制着雪水当量的最大值,但由于受到地形的影响,关系不显著;2当考虑地形因子影响,即将坡度、坡向、海拔、积雪面积比例与雪水当量进行多元线性回归,回归系数的显著性水平均小于0.05,相关系数(r)达到0.841。因此,在高分辨率地形因子已知的情况下,结合遥感积雪数据,可建立良好的积雪面积比例和雪水当量之间的关系,有利于高分辨率积雪面积比例数据在寒区分布式水文模型中的应用。     

View angle effects on MODIS snow mapping in forests

Binary snow maps and fractional snow cover data are provided routinely from MODIS (Moderate Resolution Imaging Spectroradiometer). This paper investigates how the wide observation angles of MODIS influence the current snow mapping algorithm in forested areas. Theoretical modeling results indicate that large view zenith angles (VZA) can lead to underestimation of fractional snow cover (FSC) by reducing the amount of the ground surface that is viewable through forest canopies, and by increasing uncertainties during the gridding of MODIS data. At the end of the MODIS scan line, the total modeled error can be as much as 50% for FSC. Empirical analysis of MODIS/Terra snow products in four forest sites shows high fluctuation in FSC estimates on consecutive days. In addition, the normalized difference snow index (NDSI) values, which are the primary input to the MODIS snow mapping algorithms, decrease as VZA increases at the site level. At the pixel level, NDSI values have higher variances, and are correlated with the normalized difference vegetation index (NDVI) in snow covered forests. These findings are consistent with our modeled results, and imply that consideration of view angle effects could improve MODIS snow monitoring in forested areas.     

基于同态系统滤波的高分辨率遥感图像河流信息提取

为了解决在高分辨率遥感图像中易受同物异谱现象影响而导致河流信息提取不完整问题,依据河流区域在遥感图像中具有特定频率纹理信息这一特点,提出一种基于同态系统滤波的高分辨率遥感图像河流信息提取方法。该算法通过对遥感图像的频谱分析,确定河流信息在频域中的特征标识,采用一维剖面线加窗短时分析河流定位技术实现了全自动、快速全幅遥感图像河流定位和宽度估计,在同态系统下设计了低通滤波器实现对低频河流信息的提取。该算法采用"高分一号"遥感影像作为实验数据来源,相对于传统利用光谱信息的提取方法具有较高的提取精度,Kappa系数达0.85以上,并且实现全自动提取。实验结果表明所提算法能够快速、有效地提取复杂地貌区域内的河流信息。     

残差密集空间金字塔网络的城市遥感图像分割

目的 遥感图像语义分割是根据土地覆盖类型对图像中每个像素进行分类,是遥感图像处理领域的一个重要研究方向。由于遥感图像包含的地物尺度差别大、地物边界复杂等原因,准确提取遥感图像特征具有一定难度,使得精确分割遥感图像比较困难。卷积神经网络因其自主分层提取图像特征的特点逐步成为图像处理领域的主流算法,本文将基于残差密集空间金字塔的卷积神经网络应用于城市地区遥感图像分割,以提升高分辨率城市地区遥感影像语义分割的精度。方法 模型将带孔卷积引入残差网络,代替网络中的下采样操作,在扩大特征图感受野的同时能够保持特征图尺寸不变;模型基于密集连接机制级联空间金字塔结构各分支,每个分支的输出都有更加密集的感受野信息;模型利用跳线连接跨层融合网络特征,结合网络中的高层语义特征和低层纹理特征恢复空间信息。结果 基于ISPRS （International Society for Photogrammetry and Remote Sensing） Vaihingen地区遥感数据集展开充分的实验研究,实验结果表明,本文模型在6种不同的地物分类上的平均交并比和平均F₁值分别达到69.88%和81.39%,性能在数学指标和视觉效果上均优于SegNet、pix2pix、Res-shuffling-Net以及SDFCN （symmetrical dense-shortcut fully convolutional network）算法。结论 将密集连接改进空间金字塔池化网络应用于高分辨率遥感图像语义分割,该模型利用了遥感图像不同尺度下的特征、高层语义信息和低层纹理信息,有效提升了城市地区遥感图像分割精度。     

黑河中游试验区不同分辨率LAI数据处理、分析和尺度转换

008年开展的黑河综合遥感联合试验获取了大量野外实测叶面积指数(LAI)数据以及遥感LAI产品。在利用LAI地面点观测数据对遥感影像进行验证或者不同分辨率遥感产品相互比较的过程中存在由于地表异质性引起的尺度效应,导致无法直接进行验证、比较,需要进行尺度转换。以基于泰勒级数展开的尺度转换模型为基础,研究不同源LAI之间的尺度转换方法。包括两部分内容：① 以高分辨率影像为辅助数据将地面实测点尺度的LAI转换到中、低分辨率遥感像元尺度;② 利用高分辨率影像作为亚像元信息对低分辨率LAI产品进行尺度纠正。结果表明,利用泰勒级数展开模型进行尺度转换是一种简单可行的方法,经尺度转换的地面实测点尺度LAI可用作像元尺度数据比较验证的参考。     

Factors affecting remotely sensed snow water equivalent uncertainty

State-of-the-art passive microwave remote sensing-based snow water equivalent (SWE) algorithms correct for factors believed to most significantly affect retrieved SWE bias and uncertainty. For example, a recently developed semi-empirical SWE retrieval algorithm accounts for systematic and random error caused by forest cover and snow morphology (crystal size — a function of location and time of year). However, we have found that climate and land surface complexities lead to significant systematic and random error uncertainties in remotely sensed SWE retrievals that are not included in current SWE estimation algorithms. Joint analysis of independent meteorological records, ground SWE measurements, remotely sensed SWE estimates, and land surface characteristics have provided a unique look at the error structure of these recently developed satellite SWE products. We considered satellite-derived SWE errors associated with the snow pack mass itself, the distance to significant open water bodies, liquid water in the snow pack and/or morphology change due to melt and refreeze, forest cover, snow class, and topographic factors such as large scale root mean square roughness and dominant aspect. Analysis of the nine-year Scanning Multichannel Microwave Radiometer (SMMR) SWE data set was undertaken for Canada where many in-situ measurements are available. It was found that for SMMR pixels with 5 or more ground stations available, the remote sensing product was generally unbiased with a seasonal maximum 20 mm average root mean square error for SWE values less than 100 mm. For snow packs above 100 mm, the SWE estimate bias was linearly related to the snow pack mass and the root mean square error increased to around 150 mm. Both the distance to open water and average monthly mean air temperature were found to significantly influence the retrieved SWE product uncertainty. Apart from maritime snow class, which had the greatest snow class affect on root mean square error and bias, all other factors showed little relation to observed uncertainties. Eliminating the drop-in-the-bucket averaged gridded remote sensing SWE data within 200 km of open water bodies, for monthly mean temperatures greater than − 2 °C, and for snow packs greater than 100 mm, has resulted in a remotely sensed SWE product that is useful for practical applications.     

基于薄云厚度分布评估的遥感影像高保真薄云去除方法

针对遥感影像薄云去除易出现地物失真的问题,在传统加性云污染模型的基础上提出了一种改进的薄云去除方法,即基于薄云厚度分布（HTM）评估的高保真薄云去除方法。首先,基于传统的加性薄云去除算法得到HTM,用整个HTM减去HTM中无云区域的平均值,使得HTM满足无云区域的薄云厚度接近于零;然后,对降质影像中的蓝色地物独立估计薄云厚度;最后,用降质影像减去最终优化的不同波段的薄云厚度得到无云影像。对多幅分辨率不同的光学遥感影像进行实验,实验结果表明,所提算法有效解决了蓝色地物失真严重的问题,改进了降质影像的薄云去除效果,提升了在无云区域的数据保真能力。     

增强小目标特征的航空遥感目标检测

目的 航空遥感图像中多为尺寸小、方向错乱和背景复杂的目标。传统的目标检测算法由于模型的特征提取网络对输入图像进行多次下采样,分辨率大幅降低,容易造成目标特征信息丢失,而且不同尺度的特征图未能有效融合,检测目标之间存在的相似特征不能有效关联,不仅时间复杂度高,而且提取的特征信息不足,导致目标漏检率和误检率偏高。为了提升算法对航空遥感图像目标的检测准确率,本文提出一种基于并行高分辨率结构结合长短期记忆网络（long short-term memory,LSTM）的目标检测算法。方法 首先,构建并行高分辨率网络结构,由高分辨率子网络作为第1阶段,分辨率从高到低逐步增加子网络,将多个子网并行连接,构建子网时对不同分辨率的特征图反复融合,以增强目标特征表达;其次,对各个子网提取的特征图进行双线性插值上采样,并拼接通道特征;最后,使用双向LSTM整合通道特征信息,完成多尺度检测。结果 将本文提出的检测算法在COCO （common objects in context）2017数据集、KITTI （Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago）车辆检测和UCAS-AOD （University of Chinese Academy of Sciences-Aerial Object Detection）航空遥感数据集上进行实验验证,平均检测准确率（mean average precision,mAP）分别为41.6%、69.4%和69.3%。在COCO 2017、KITTI和VCAS-AOD数据集上,本文算法与SSD513算法相比,平均检测准确率分别提升10.46%、7.3%、8.8%。结论 本文方法有效提高了航空遥感图像中目标的平均检测准确率。