Remote sensing of soil salinity: potentials and constraints

Soil salinity caused by natural or human-induced processes is a major environmental hazard. The global extent of primary salt-affected soils is about 955 M ha, while secondary salinization affects some 77 M ha, with 58% of these in irrigated areas. Nearly 20% of all irrigated land is salt-affected, and this proportion tends to increase in spite of considerable efforts dedicated to land reclamation. This requires careful monitoring of the soil salinity status and variation to curb degradation trends, and secure sustainable land use and management. Multitemporal optical and microwave remote sensing can significantly contribute to detecting temporal changes of salt-related surface features. Airborne geophysics and ground-based electromagnetic induction meters, combined with ground data, have shown potential for mapping depth of salinity occurrence. This paper reviews various sensors (e.g. aerial photographs, satellite- and airborne multispectral sensors, microwave sensors, video imagery, airborne geophysics, hyperspectral sensors, and electromagnetic induction meters) and approaches used for remote identification and mapping of salt-affected areas. Constraints on the use of remote sensing data for mapping salt-affected areas are shown related to the spectral behaviour of salt types, spatial distribution of salts on the terrain surface, temporal changes on salinity, interference of vegetation, and spectral confusions with other terrain surfaces.As raw remote sensing data need substantial transformation for proper feature recognition and mapping, techniques such as spectral unmixing, maximum likelihood classification, fuzzy classification, band ratioing, principal components analysis, and correlation equations are discussed. Lastly, the paper presents modelling of temporal and spatial changes of salinity using combined approaches that incorporate different data fusion and data integration techniques.  

SVM用于基于内容的自然图像分类和检索

在传统的基于内容图像检索的方法中，由于图像的领域较宽，图像的低级视觉特征和高级概念之间存在着较大的语义间隔，导致检索效果不佳．该文认为更有现实意义的做法是，缩窄图像的领域以减小低级特征和高级概念间的语义间隔，并利用机器学习方法自动建立图像类的模型，从而提供用户概念化的图像查询方式．该文以自然图像领域为例，使用支持向量机(SVM)学习自然图像的类别，学习到的模型用于自然图像分类和检索．实验结果表明作者的方法是可行的．  

基于径向基函数(RBF)映射理论的遥感影像分类模型研究

与传统统计方法的分类器相比较，人工神经网络（ＡＮＮ）方法应用于遥感影像分类，不需预先假设样本空间的参数化统计分布，具有复杂的映射能力。大多数ＡＮＮ分类器采用误差反向传播（ＢＰ）学习算法的多层感知器模型（ＢＰＮＮ），其主要缺陷是学习速度缓慢、容易陷入局部极小而导致难以收敛等。基于径向基函数（ＲＢＦ）映射理论的神经网络模型融合了参数化统计分布模型和非参经线性感知器映射模型的优点，在实现快速学习的同时，  

Training Invariant Support Vector Machines

Practical experience has shown that in order to obtain the best possible performance, prior knowledge about invariances of a classification problem at hand ought to be incorporated into the training procedure. We describe and review all known methods for doing so in support vector machines, provide experimental results, and discuss their respective merits. One of the significant new results reported in this work is our recent achievement of the lowest reported test error on the well-known MNIST digit recognition benchmark task, with SVM training times that are also significantly faster than previous SVM methods.  

QuickBird卫星图像信息识别

信息识别是目前高分辨率遥感应用中的最大障碍。以株洲市Qu ickB ird图像为研究对象,将研究区分为道路、水、林地、农用地、裸露地和居民点6种地类,分别进行目视判读、计算机监督分类和非监督分类,其精度分别为98.2%、72.64%和60.71%。同时,还对研究区内的Qu ickB ird、ETM+和TM图像进行计算机监督和非监督分类对比,结果表明无论是监督分类还是非监督分类,Qu ickB ird图像的分类精度均低于ETM+和TM图像,这说明空间分辨率的提高对传统的计算机分类结果没有改善,传统的基于像元的分类技术在应用于Qu ickB ird图像时表现出严重的缺陷。因此,本文回避了像元灰度统计法,采用先将图像分割,将以像元为基础的Qu ickB ird图像转化为以对象为基础的图像,这样将研究区共分割出10 000多个对象,建立对象的面积、周长、长度、宽度、长/宽、矩形度和圆形度计算模型;根据研究区各地类特征确定特征因子阈值,模拟目视判读过程,重新对研究区进行分类,结果6种地类的综合分类精度达到91.6%,这说明基于对象的多特征分类对于Qu ickB ird图像识别有明显的改善作用。  

遥感图像分类方法评析与展望

从遥感图像分类的基本概念和特征出发,在对各算法进行划分基础上,分析评价了主要遥感图像分类方法的原理、特点,优势与限制,并阐明了各主要方法作用及其意义,指出目前存在的问题,展望了遥感图像分类方法的发展与应用前景。  

人工神经网络遥感分类方法研究现状及发展趋势探析

从人工神经网络技术本身出发,概括了其在遥感分类中的研究现状,分析了人工神经网络遥感分类方法与其它分类方法相比具有的优势,介绍了人工神经网络遥感分类的一些主要应用,并进一步对人工神经网络遥感分类方法的发展趋势进行了展望。  

图像理解中的卷积神经网络

近年来，卷积神经网络（Convolutional neural networks，CNN）已在图像理解领域得到了广泛的应用，引起了研究者的关注. 特别是随着大规模图像数据的产生以及计算机硬件（特别是GPU）的飞速发展，卷积神经网络以及其改进方法在图像理解中取得了突破性的成果，引发了研究的热潮. 本文综述了卷积神经网络在图像理解中的研究进展与典型应用. 首先，阐述卷积神经网络的基础理论;然后，阐述其在图像理解的具体方面，如图像分类与物体检测、人脸识别和场景的语义分割等的研究进展与应用.  

一种端元可变的混合像元分解方法

混合像元线性分解是高光谱影像处理的常用方法，它使用相同的端元矩阵对像元进行分解，其结果是分解精度不高。为此提出了一种端元可变的混合像元分解方法，在确定端元矩阵时，首先考察混合像元与端元的光谱相似性，结合地物空间分布特点，实现了可变端元的混合像元分解。试验结果表明，该分解方法分解精度优于传统线性模型，符合实际情况。