现代黄河三角洲类圆形植被斑块时空动态遥感分析

斑状植被在世界范围内的干旱半干旱区、海岸滩涂均有分布。近年来,有关斑状植被形成、时空格局演替的研究受到了越来越多的关注。斑状植被分布及其时空动态是其中重要的研究方向之一,它是植被演替机制研究的基础,也是表征生态系统中植被长期变化的关键指标之一。以现代黄河三角洲类圆形植被斑块为研究对象,将其分为裸斑区、明显类圆形植被斑块区和隐性类圆形植被斑块区等三大类,通过1996、2005、2007、2010和2012年5个时相多源遥感影像的人机交互目视解译,首次给出了现代黄河三角洲这三大类区域的分布范围,在此基础上分析了其时空动态。结果表明:现代黄河三角洲类圆形植被斑块在空间分布上存在明显的梯度分布和动态演替规律,具有海域—光滩—裸斑区—明显类圆形植被斑块区—隐性类圆形植被斑块区高程梯度分布的普遍特征;类圆形植被斑块的直径、植被覆盖度、植被平均高度以及土壤全盐量可作为判别新老斑块的直观标志;10m、5~6m分辨率的多光谱图像能够较好划分3种类圆形植被斑块区,但对于斑块面积变化的测量精度仍显不足,1m甚至更高分辨率图像的运用将会弥补这一缺陷。研究结果可为将来现代黄河三角洲斑状植被格局及演替机制的深入研究提供参考。     

植被物候遥感监测研究进展

植被物候信息是评价气候—植被交互影响、土地覆盖率以及生态系统年际生产力变化的关键指标。传统物候监测方法以目视观察为主,监测范围受限且人力物力消耗大。遥感技术作为近年来新兴的监测手段,具有监测范围大、信息获取便捷以及节省人力物力等特点,其应用进一步推动了植被物候动态监测研究的发展。本文首先对近年来植被物候遥感监测流程进行梳理,明晰了现有的遥感物候监测体系;概述了可用于建立植被生长曲线遥感数据源,并对不同数据源的应用情境进行了讨论;总结了现有的曲线降噪算法及应用流程,对不同方法进行降噪处理时误差成因进行了分析;归纳了目前主要的植被物候提取方法;最后讨论了数据分辨率、植被物候阶段定义以及监测时效性等植被物候遥感监测中尚存的不确定性因素,并对未来植被物候遥感监测研究的主要方向进行了展望。     

无人机视角下的目标检测研究进展

在人工智能技术的支持下,无人机初步获得智能感知能力,在实际应用中展现出高效灵活的数据收集能力。无人机视角下的目标检测作为关键核心技术,在诸多领域中发挥着不可替代的作用,具有重要的研究意义。为了进一步展现无人机视角下的目标检测研究进展,本文对无人机视角下的目标检测算法进行了全面总结,并对已有算法进行了归类、分析和比较。1）介绍无人机视角下的目标检测概念,并总结无人机视角下目标检测所面临的目标尺度、空间分布、样本数量、类别语义以及优化目标等5大不均衡挑战。在介绍现有研究方法的基础上,特别整理并介绍了无人机视角下目标检测算法在交通监控、电力巡检、作物分析和灾害救援等实际场景中的应用。2）重点阐述从数据增强策略、多尺度特征融合、区域聚焦策略、多任务学习以及模型轻量化等方面提升无人机视角下目标检测性能的方法,总结这些方法的优缺点并分析了其与现存挑战之间的关联性。3）全面介绍基于无人机视角的目标检测数据集,并呈现已有算法在两个较常用公共数据集上的性能评估。4）对无人机视角下目标检测技术的未来发展方向进行了展望。     

遥感影像小目标检测研究进展

独特的拍摄视角和多变的成像高度使得遥感影像中包含大量尺寸极其有限的目标,如何准确有效地检测这些小目标对于构建智能的遥感图像解译系统至关重要。本文聚焦于遥感场景,对基于深度学习的小目标检测进行全面调研。首先,根据小目标的内在特质梳理了遥感影像小目标检测的3个主要挑战,包括特征表示瓶颈、前背景混淆以及回归分支敏感。其次,通过深入调研相关文献,全面回顾了基于深度学习的遥感影像小目标检测算法。选取3种代表性的遥感影像小目标检测任务,即光学遥感图像小目标检测、SAR图像小目标检测和红外图像小目标检测,系统性总结了3个领域内的代表性方法,并根据每种算法使用的技术思路进行分类阐述。再次,总结了遥感影像小目标检测常用的公开数据集,包括光学遥感图像、SAR图像及红外图像3种数据类型,借助于3种领域的代表性数据集SODA-A（small object detection datasets）、AIR-SARShip和NUAA-SIRST（Nanjing University of Aeronautics and Astronautics,single-frame infrared small target）,进一步对主流的遥感影像目标检测算法在面对小目标时的性能表现进行横向对比及深入评估。最后,对遥感影像小目标检测的应用现状进行总结,并展望了遥感场景下小目标检测的发展趋势。     

计算机视觉技术在遥感卫星影像目标检测中的应用

计算机视觉技术是一门涉及多领域的交叉学科。遥感卫星影像智能检测运用人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等技术,通过计算机模拟人类的视觉过程,对遥感图像进行信息提取、处理以及分析理解,可以实现对某类客观对象的检测、测量和控制。其最大的特点是能够快速处理海量信息,具有感受环境的能力和视觉感知能力。计算机视觉领域有5大关键技术,包括图像分类、目标检测、图像分割、场景文字识别和图像生成。通过对目标检测技术的研究对比分析,设计了遥感卫星影像特殊地物检测系统。     

基于机器学习的遥感影像云检测研究进展

在对地观测领域中云检测是遥感定量化应用的重要环节,同时也是卫星气象应用的关键步骤。近年来,基于机器学习的遥感影像云检测逐渐成为该领域的研究热点,并且取得了一系列研究成果。系统阐述了近10 a来国内外基于机器学习的遥感影像云检测的研究进展,将算法模型分为传统的机器学习模型和深度学习模型两类,并对两类中的具体模型进行详细介绍,对比分析不同模型的优缺点及其适用情况。重点介绍了传统机器学习中的支持向量机（SVM）、随机森林等方法,深度学习中的神经网络模型,包括卷积神经网络（CNN）、改进的U-Net网络等模型。在此基础上,分析了基于机器学习的遥感影像云检测研究中存在的问题,讨论了未来潜在发展方向。     

基于改进SSD的航拍城市道路车辆检测方法

为提升无人机(UAV)航拍视角下城市道路车辆检测性能,基于SSD深度学习网络框架,改进并搭建了一种航拍城市道路车辆检测网络.一方面充分挖掘无人机航拍视角下车辆多为小目标的先验知识,利用K-means++聚类算法获取适应航拍车辆目标的默认候选框参数信息;另一方面,为保证小尺度目标特征的有效传递和准确提取,对基准SSD网络...     

仿真图像作为模板的遥感影像小目标检测方法

随着传感器技术和航空遥感技术的不断进步,遥感影像的质量和数量也得到了极大的提高,而遥感影像中的目标检测是理解和分析遥感影像所面临的一个基本问题。针对神经网络在遥感影像小目标检测任务中难以提取足够多的有效特征、遥感小目标易受云雾遮挡等问题,提出了一种基于仿真图像模板匹配的方法,通过特征融合的方式成功地将该方法应用于遥感影像小目标检测任务。成像仿真技术生成的仿真图像包含了更多的遥感小目标特征,如几何形状、材质等。在与深度学习结合之后,更多的特征可以提升神经网络检测遥感影像小目标的准确率。实验结果表明将基于仿真图像的模板匹配方法应用于深度学习之后,对于遥感影像小目标检测取得了较好的效果,尤其是针对受到云雾等天气干扰的小目标。     

国产遥感影像分类技术应用研究进展综述

遥感影像分类技术为我国遥感影像应用于生态建设、绿色发展、乡村振兴、脱贫攻坚和"一带一路"构建等提供了重要的技术支撑,在服务经济社会发展、建设美丽中国、保障民生安全等方面具有重要意义.近年来,大数据、人工智能技术的飞速发展,使得国产遥感影像在分类应用的研究取得重大发展.简要分析了遥感影像分类技术及每阶段存在的问题;对国内...     

利用多时相中分辨率卫星影像监测-福建省植被覆盖变化

植被指数能定量地反映植被的变化信息，利用2001～2005年的EOS/MODIS卫星遥感资料，通过基于增强型植被指数的植被覆盖度计算模式，得到2001～2005年福建省植被覆盖度的年际动态变化情况，分析结果表明：福建省植被覆盖存在有不同程度的退化现象，退化最明显的地区出现在居民点、河流两岸、海岸带和岛屿等区域，植被覆盖变化在整体上呈现出内陆普遍小于沿海地区的特征，而远离沿海特别是内陆海拔较高的山区，植被覆盖变化很小，反映出研究区内植被覆盖受人类活动影响相对较大的事实。     

遥感图像中的数据挖掘应用概述

由于遥感图像数据包含了大量的信息,它成为数据挖掘中最具潜力的领域。本文主要讨论了在大型遥感图像上的数据挖掘技术。     

多光谱遥感影像建筑物提取

针对传统遥感影像目标提取对数据要求严格及应用受限的问题,提出一种基于非线性尺度空间滤波的建筑物提取算法.首先,构造多光谱影像各个波段的非线性尺度空间并进行迭代滤波;然后,搜索全局影像的标准差曲线的第一个谷点,停止迭代过程;最后,利用最大类间方差法分别对各个波段的滤波结果进行二值化.为了验证本文方法的有效性,选取福州市的一幅航空影像,并与同类方法进行对比.试验结果表明,本文算法能在平滑噪声的同时保留建筑物边缘信息,对于提取排列紧密的建筑物有更好的效果,在保证查准率的前提下,查全率有5%以上的提高.     

一种基于数学形态学的遥感图象边缘检测算法

为有效提取边缘密度大的遥感图象中的边缘信息,该文提出了一种利用灰度形态变换原理进行检测的有效算法,首先利用开-闭形态滤波器降低输入图象的噪声,然后将二值图象的边缘提取算法推广到灰度图象中加以应用。实验结果证明,此方法优于灰度形态梯度法,同时也优于Canny算子。     

光学遥感图像舰船目标检测与识别综述

遥感图像舰船目标自动检测与识别是遥感图像处理与分析领域备受关注的课题, 其核心任务是判断遥感图像中是否存在舰船目标,并对其进行检测、分类与精确定位, 它在海面交通监控、船只搜救、渔业管理和海域态势感知等领域具有广阔的应用前景. 本文主要围绕光学卫星遥感图像中的舰船目标自动检测与识别, 分析舰船目标检测与识别面临的难点问题, 综述当前光学遥感图像舰船检测与识别的主要处理方法, 在此基础上指出研究中尚存在的问题并展望未来的发展趋势.     

卫星遥感数据的地表直射光辐射计算与改正

定量讨论了像元地表的起伏和地理位置的不同对地表直射光辐射的影响以及这种影响造成的像元遥感数值的变化。并在此基础上建立了像元地表直射光辐射的计算公式和像元遥感数据直射光分量的改正公式。     

杭州湾海岸线信息的遥感提取及其变迁分析

综合利用ISODATA分类、地图综合、离散地物去除和岸线追踪等技术,通过ENVI和ArcGIS实现了海岸线遥感信息的提取。以1979、1987、2000和2005年4期Landsat影像为基础数据,提取了杭州湾海岸线;将提取的目标海岸线重采样为30~960 m等10种空间分辨率,从而计算分维数并分析其变迁。研究表明:1979~2005年杭州湾海岸线长度增加了近37.5 km,其中北岸增加的长度(24.9 km)大于南岸(12.5 km);同时,杭州湾海岸线具有显著的分形特性,其中1979~1987年分维数增大,1987~2000年降低,而2000~2005年则为增大。宁波、绍兴、嘉兴、金山、奉贤和芦潮港6个重点海岸的岸线变迁表明,隶属上海市的海岸线受泥沙淤积、港口建设、沿海工业建筑和土地开发等的影响较大;而隶属浙江省的海岸线受自然条件、近海水产养殖和滩涂围垦等的影响较大。     

遥感数据分类结果的精度分析

遥感数据分类结果的精度包括位兰精度、类型精度及数童精度三种形式。着重讨论了后两种精度的分析过程，并比较了这两种精度分析得出的数值之间的关来。同时还对基于像元分解的分类结果精度分析方法进行了探索，并在上海市水稻种植面积提取结果的精度分析中进行了应用。     

多源遥感数据挖掘系统技术框架

陆地资源卫星源源不断地把遥感数据传输至地面，卫星地面接收站积累了海量的卫星遥感数据。遗憾的是，由于缺乏针对遥感数据的有效的数据挖掘和知识发现技术，致使遥感数据中的绝大部分信息没有得到充分的利用。对传统的数据挖掘和知识发现技术进行技术革新和改造，研究针对多源遥感图像的数据挖掘和知识发现技术，不仅可以提高遥感解译的自动化和智能化水平，而且可最大限度地开发和利用遥感信息。为了能允分利用遥感数据，在传统数据挖掘和知识发现技术的基础上，首先探讨了遥感数据挖掘和知识发现的技术流程，然后设计了多源遥感图像数据挖掘系统框架，最后提出了多源遥感图像数据挖掘系统的原型，从而为进一步开发和研制多源遥感数据挖掘系统奠定了技术基础。     

遥感提取叶面积指数的地形影响分析

结合1：50000DEM对贵州省黎平县内研究区的ETM 遥感影像进行地形纠正，分别使用地形纠正前后的图像建立植被指数与实测杉木林、阔叶林、竹林的叶面积指数相关关系，从而对研究区森林叶面积指数进行计算。研究表明，利用遥感影像计算山地丘陵林区叶面积指数时地形是一个重要的影响因素，它致使遥感影像提取的叶面积指数出现一定的偏差。因此．本文从电磁波辐射传输理论着手，采用一种地形影响去除方法，即先把遥感图像归一化为没有地形影响下的亮度图像，再通过该亮度图像提取森林叶面积指数，并通过实地观测数据验证了该地形纠正方法的有效性。同时，也提出了利用地形因子和遥感影像亮度值的关系计算大气程辐射的方法。     

多源遥感影像融合在太湖蓝藻监测中的应用

基于空间分辨率分别为1 100 m和500 m的NOAA/AVHRR和EOS/MODIS遥感数据,考虑遥感影像区域内各像素之间的区域特征,设计了基于小波分析的区域能量融合方法(REFS_wt),低频小波系数采用平均值而高频系数采用区域能量法,并与基于像素灰度值的区域能量法(REFS_pl)进行融合性能比较,结果表明REFS_wt法的融合性能明显优于REFS_pl。将此方法应用于太湖蓝藻监测,将空间分辨率较低的AVHRR影像蓝藻水华信息与较高分辨率的MODIS影像融合,得到较高分辨率的太湖蓝藻水华遥感监测图,融合图像信息量和清晰度都有所提高。