结合遥感卫星及深度神经决策树的夜间海雾识别

遥感卫星具有覆盖范围广、连续观测等特点,被广泛应用于海雾识别相关研究。本文首先借助能够穿透云层,获取大气剖面信息的星载激光雷达(cloud-aerosol LiDAR with orthogonal polarization, CALIOP)对中高云、低云、海雾、晴空海表样本进行了标注。然后结合葵花8号卫星(Himawari-8)多通道数据提取了各类样本的亮温特征与纹理特征。最后根据海雾监测的需求,抽象出海雾监测的推理决策树,并据此建立深度神经决策树模型,实现了高精度监测夜间海雾的同时具备较强的可解释性。选择2020年6月5日夜间Himawari-8每时次连续观测数据进行测试,监测结果能够清晰地展现此次海雾事件的动态发展过程。同时本文方法海雾监测平均命中率(probability of detection,POD)为87.32%,平均误判率(false alarm ratio, FAR)为13.19%,平均临界成功指数(critical success index, CSI)为77.36%,为海上大雾的防灾减灾提供了一种新方法。     

地表温度的卫星遥感

研究了地表温度卫星遥感测量中的两个关键因子－大气修正和发射率效应。正确选择了经仿真计算分析求得的地面温度的反演算法,对我国戈壁地区地表进行了卫星资料的反演。通过与地面的比较证实了反演算法的可靠性。为了提高筢演地表的精度,本研究提出了自然地物发射率方向特性的重要性,对特定地物作了发射率角度变化的测量,在实际地表温度反演中作出了恰当的修正,改善了反演精度。     

卫星遥感影像在航空摄影测量中的应用研究

随着我国航天事业的快速发展,它的应用在相关领域也得到了很好的发展。本文主要对航空摄影测量技术的发展现状进行了较为深刻的研究与探讨。     

利用卫星遥感影像进行城市土地利用动态监测

随着航天遥感分辨率的提高,利用卫星遥感影像代替航空遥感数据进行城市土地利用动态监测已成为可能,本文从原理、方法和实践上论证了其可行性。     

地表温度的卫星遥感

研究了地表温度卫星遥感测量中的两个关键因子——大气修正和发射率效应.正确选择了经仿真计算分析求得的地面温度的反演算法,对我国戈壁地区地表温度进行了卫星资料的反演.通过与地面测量的比较证实了反演算法的可靠性.为了提高卫星反演地表温度的精度,本研究提出了自然地物发射率方向特性的重要性,对特定地物作了发射率角度变化的测量,在实际地表温度反演中作出了恰当的修正,改善了反演精度.     

中国海透明度卫星遥感监测

传统的海水透明度监测方法是利用船舶等进行实测。由于船测本身固有的缺点，满足不了当前对海洋要素大范围、快速、实时监测的需求，必须结合卫星、航空遥感等手段，进行立体监测。文章以海水透明度为突破口，开展中国海透明度的卫星遥感监测。结果表明，利用卫星遥感技术反演海水透明度精度可以达到相对平均误差22.6%，在中高透明度海区，具有更高的反演精度。利用建立的海水透明度遥感反演算法和SeaWiFS卫星遥感数据，制作了两年的中国海透明度遥感产品数据集，并利用该产品，对中国海透明度的时空变化规律进行了遥感分析。     

浅论航空摄影测量中的卫星遥感影像

随着人们对太空不断深人的探索，航空技术也在不断地成熟。航空摄影测量是人们探索太空的飞跃性体现，也是人们探索太空过程中的科技产物。近来，随着卫星遥感技术越来越多的在航空摄影测量中运用，卫星遥感影像也渐渐为人们所认知。高清晰的卫星遥感影像为航空摄影测量带来了不少变化和进步，也使航空摄影测量的技术日趋成熟，在本文中，我们就浅论了航空摄影测量中的卫星遥感影像。     

被动式微波遥感在南极海冰研究中的应用

南极对全球气象、气候变化起着重要的作用，直接影响着大气环流和气候的变化，南极海冰则是影响全球气候的关键因素。然而南极的98％以上的陆地被平均海拔2400多米的冰雪覆盖，有些地区的环境恶劣，高纬度地区人们是不能够到达，人工考察和调查受到限止，因此通过人们亲眼观测的数据相对于整个南极来说只是凤毛麟角。从二十世纪70年代开始由于人造卫星的应用，对冰雪圈进行了连续观测，随之发展的遥感技术和影像光化学处理技术以及影像计算机处理技术，使遥感技术在研究南极海冰年季间分布以及变化特征时成为至关重要的精确数据的获取方式，微波遥感以其自身的优势成为了南极海冰研究的主要方式。     

遥感图像的云分类和云检测技术研究

为了有效减小云层遮盖对遥感图像数据利用率的影响,提出了一种基于灰度特性的算法,实现了遥感图像高效自动的云分类及云检测.该方法首先将大幅遥感图像切分成小块子图,然后统计子图灰度值的均值和方差,在此基础上将云分成无云、薄云和厚云三类,最后通过边缘检测算法,实现了对厚云影响范围的有效标记.对100幅典型水域遥感图像的实验测试结果表明：正确云分类判别率达到97％,误判率小于4％,漏判率小于2％,基本满足实时性需求,证明了该算法的有效性.     

一种基于遥感图像的机场检测方法

目的 以SPOT（Satellite Positioning and Tracking)图像为例，介绍一种基于遥感图像通过检测机场跑道来确认机场的存在与否的机场检测方法。方法 介绍了该系统的机场检测原理工作流程，着重讨论了机场跑道通用模型的描述及感光趣区域的确定。结果和结论 实验结果证明本文所推荐的方法具有较好的检测效果。     

高分辨率数字成像技术及其在遥感中的应用

高分辨率技术对于数字图像特征非常重要。尤其近20年来,数字成像技术大大推动了空间信息领域的发展。随着遥感应用需求的增加,获取高分辨率图像的任务非常紧迫。为了达到这个目标,我们的工作从四方面展开,分别是:空间分辨率、时间分辨率、光谱分辨率和辐射分辨率。根据不同的分辨率提出不同的成像方式,并设计了相应的原型系统。在此基础上,进行了大量的实验来验证各个成像方式的可行性。     

海洋光学遥感技术的发展和前沿

空间遥感与信息技术已经发展成为满足人类对海洋资源和环境不同尺度和不同层次连续、动态的信息需求的必要手段。海洋光学遥感在实施大范围海面瞬间信息监测、数年至几十年长序列全球海洋数据采集等方面，发挥了常规调查方法所不能替代的优势。从20世纪70年代开始，国际上发展了利用测量离水辐射率的原理，用现代的卫星遥感技术来实时监测海洋水色环境。80年代以来，我国对该项高技术也十分重视，并有了长足进展。文章回顾我国近20年来海洋光学遥感技术的发展；讨论了当前国家在海洋权益、防灾减灾、海洋资源管理和开发等方面的进一步需求；论述了该技术在环境监测应用导向下的前沿，如：高精度分析和定量化、高频率长序列监测和业务化趋向、多平台监测数据同化和核心技术合成。     

基于卷积神经网络的光学遥感图像船只检测

目的研究无需进行复杂的图像预处理和人工特征提取,就能提高光学遥感图像的船只检测准确率和实现船只类型精细分类。方法对输入的检测图像,采用选择性搜索的方法产生船只候选区域,用已经标记好的训练样本对卷积神经网络进行监督训练,得到网络参数,然后使用经过监督训练的卷积神经网络提取抽象特征,并对候选区域进行分类,根据船只候选区域的分类概率同时确定船只的位置以及类型。结果与现有的2种检测方法进行对比,实验结果表明卷积神经网络能有效提高船只检测准确率,平均检测准确率达到了93.3%。结论该检测方法无需进行复杂的预处理,能同时对船只进行检测和分类,并能有效提高船只检测准确率。     

热红外遥感的成像原理及温度标定

热红外遥感能获取地物的温度信息，并能给制出地物辐射温度分布图．这是其他遥感方式做不到的．因此它在遥感领域中占有它的一席之地。本文主要介绍热红外遥感的成像原理，它的温度标定系统是如何测得地物的温度信息的，以及热红外遥感成像质量的主要影响因素。     

动态扭矩遥感测试系统校准方法研究

介绍了一种动态扭矩遥感测试系统的工作原理及其应用,提出了针对该类动态扭矩测试系统的校准原理,并介绍了具体的校准方法.     

Optimal Deep Convolutional Neural Network for Vehicle Detection in Remote Sensing Images

Object detection (OD) in remote sensing images (RSI) acts as a vital part in numerous civilian and military application areas, like urban planning, geographic information system (GIS), and search and rescue functions. Vehicle recognition from RSIs remained a challenging process because of the difficulty of background data and the redundancy of recognition regions. The latest advancements in deep learning (DL) approaches permit the design of effectual OD approaches. This study develops an Artificial Ecosystem Optimizer with Deep Convolutional Neural Network for Vehicle Detection (AEODCNN-VD) model on Remote Sensing Images. The proposed AEODCNN-VD model focuses on the identification of vehicles accurately and rapidly. To detect vehicles, the presented AEODCNN-VD model employs single shot detector (SSD) with Inception network as a baseline model. In addition, Multiway Feature Pyramid Network (MFPN) is used for handling objects of varying sizes in RSIs. The features from the Inception model are passed into the MFPN for multiway and multiscale feature fusion. Finally, the fused features are passed into bounding box and class prediction networks. For enhancing the detection efficiency of the AEODCNN-VD approach, AEO based hyperparameter optimizer is used, which is stimulated by the energy transfer strategies such as production, consumption, and decomposition in an ecosystem. The performance validation of the presented method on benchmark datasets showed promising performance over recent DL models.