基于DeepLab v3的西藏地区降雨云团分割方法

针对高原地区数值预测法建模复杂,雷达回波外推法易产生累积误差且模型参数难以设置的问题,提出了一种基于改进DeepLab v3网络模型的西藏地区降雨云团的分割方法。首先,通过编码网络中的卷积层和残差模块进行下采样;然后,利用空洞卷积构建多尺度采样模块,并且加入注意力机制模块提取深层高维特征;最后,通过解码网络利用反卷积恢复特征图分辨率。将所提方法与谷歌语义分割网络DeepLab v3等模型在验证集上进行比较,实验结果表明所提方法具有更好的分割性能与泛化能力,其降雨云团分割结果更为准确,平均交并比（Miou）达到0.95,与原始DeepLab v3相比提高了15.54个百分点。在小目标上和非平衡数据集上,该方法可以更准确地分割出降雨云团,为降雨云团监测预警提供参考。     

雪粒径对积雪双向反射率的影响

雪粒径大小影响着积雪反照率的高低,从而影响着局地或全球能量收支平衡和气候变化,其影响程度取决于积雪本身的微物理特征和光学特性。在研究550nm、1030nm和1640nm波长处积雪光学特性的基础上,采用辐射传输方程模拟并分析了雪粒径对积雪双向反射率的影响。模拟结果表明近红外通道1030nm是反演雪粒径的敏感波长,积雪双向反射率在该波段随粒径和观测角度变化明显,多角度遥感信息可以更有效地体现积雪的微物理特征和光学特性,为利用多角度遥感数据反演雪粒径提供理论基础。     

基于POV-ray的行播作物方向亮温仿真研究

利用POV-ray光线追踪方法,对植被真实结构模型（CLAMP）生成的复杂行播场景下的方向亮温（DBT）进行快速演算,并针对CLAMP模型中集聚指数,平均叶倾角和叶面积指数,对冠层方向亮温的影响做敏感性分析,得到在不同参数输入条件下DBT的一些规律。结果表明,集聚指数可以有效地控制叶片在空间的分布情况,对于DBT的结果有较大影响;平均叶倾角对DBT的各向异性特征影响明显;叶面积指数是表征作物生长阶段的关键参数,对DBT的影响很大。     

基于DeepLab v3的西藏地区降雨云团分割方法

针对高原地区数值预测法建模复杂，雷达回波外推法易产生累积误差且模型参数难以设置的问题，提出了一种基于改进DeepLab v3网络模型的西藏地区降雨云团的分割方法。首先，通过编码网络中的卷积层和残差模块进行下采样；然后，利用空洞卷积构建多尺度采样模块，并且加入注意力机制模块提取深层高维特征；最后，通过解码网络利用反卷积恢复特征图分辨率。将所提方法与谷歌语义分割网络DeepLab v3等模型在验证集上进行比较，实验结果表明所提方法具有更好的分割性能与泛化能力，其降雨云团分割结果更为准确，平均交并比（Miou）达到0.95，与原始DeepLab v3相比提高了15.54个百分点。在小目标上和非平衡数据集上，该方法可以更准确地分割出降雨云团，为降雨云团监测预警提供参考。     

基于PPMU-net的多特征高分辨率遥感道路提取

针对复杂地形条件下道路特征选取不具代表性,分割精度低的问题,提出了一种基于卷积神经网络（PPMU-net）的高分辨率遥感道路提取的方法。将3通道的高分二号光谱信息与相应的地形信息（坡度、坡向、数字高程信息）进行多特征融合,合成6通道的遥感图像;对多特征的遥感图像进行切割并利用卷积网络（CNN）筛选出含道路的图像;将只含道路的遥感图像送进PPMU-net中训练,构建出高分辨率遥感图像道路提取模型。在与U-net神经网络、PSPnet神经网络相比时,所提的方法在对高分辨率遥感道路提取时能够达到较好的效果,提高了复杂地形条件下道路分割的精度。     

基于全卷积神经网络的多源高分辨率遥感道路提取

针对半自动道路提取方法人工参与较多、提取精度不高且较为耗时的问题提出一种基于全卷积神经网络（FCN）的多源高分辨率遥感道路提取方法。首先,对高分二号和World View图像进行分割,用卷积神经网络（CNN）分类出包含道路的图像;然后,用Canny算子提取道路的边缘特征信息;最后,结合RGB、Gray和标签图放入FCN中训练,将现有的FCN模型拓展为多卫星源输入及多特征源输入的FCN模型。选取西藏日喀则地区作为研究区域,实验结果显示,所提方法在对高分辨率遥感影像进行道路提取时能够达到99.2%的提取精度,并且有效地减少了提取所需的时间。     

中国资源卫星现状与应用趋势概述

世界遥感卫星的发展历史只有三十多年,但在这短短的三十多年中,遥感卫星技术的进步幅度之大,速度之快出乎人们意料,而未来的发展更为令人瞩目。本文对我国遥感卫星的现状进行了分析,通过卫星指标、载荷指标、产品应用等方面介绍了中国资源卫星的现状,还介绍了国际合作情况。通过这些对比和分析,发现遥感卫星的发展趋势主要是朝着小型化、商业化的高分辨率方向发展。