基于U-Net的湖北省露天矿山土地损毁信息提取应用

将高分辨率遥感数据与深度学习方法相结合,可实现露天矿山土地损毁信息有效提取,提升对矿山地质环境现状及其变化情况的掌握程度。以高分二号卫星影像为数据源,利用U-Net模型对湖北省3个典型矿集区进行露天矿山土地损毁信息的提取研究。根据模型精度评价结果,数据训练集所包含的数据越多,其信息提取效果越好;骨干模型层数过深时会发生过拟合现象,降低信息提取结果的精度。经过综合考虑,选择将数据训练集旋转角度设置为30°,将骨干模型设置为ResNet34,最终取得较好的信息提取效果,验证了应用U-Net模型进行露天矿山土地损毁信息提取的可行性。     

基于高分一号特征优选的CART决策树面向对象分类研究

以陕西省神木县部分区域为研究区,采用国产高分一号影像数据,结合目视解译成果,研究基于多种特征的CART决策树面向对象分类,对研究区的地物类型进行自动提取。在训练样本一致的前提下,利用面向对象最邻近分类优化特征空间工具间接优化决策树特征空间,并与其分类结果相对比,证明CART决策树面向对象分类是一种高效、高精度的分类方法,尤其适用于大数据量的高分辨率遥感影像地物类型自动提取。     

引入SPP的高分辨率遥感影像深度学习分类方法

当前,深度学习技术与传统的面向对象技术相结合的分类方法已经较好地应用于高分辨率遥感影像的分类任务当中,但是仍存在如下问题:高分辨遥感影像地物目标复杂,依靠单一数据源进行分割效果不佳;标准的卷积神经网络只能接受固定尺寸大小的输入,分割对象在拉伸变形至固定尺寸的过程中会造成信息的损失.该文首先结合DSM数据进行协同分割,获得更佳的分割结果;然后将空间金字塔池化层(Spatial Pyramid Pooling,SPP)引入卷积神经网络中,构建了一种能接受任意尺寸输入的深度学习面向对象分类模型,从而令分割对象的特征表达更完整,以提高影像分类精度.实验结果表明:引入空间金字塔池化层的高分辨率遥感影像深度学习分类方法,可有效提高影像分类精度,进而得到更加真实可靠的分类结果.     

基于Quickbird数据的土地覆盖类型分形特征研究

分形维数可以有效地描述复杂纹理特征,传统的遥感自动分类主要利用数据的波谱特征信息,很难充分有效的利用遥感影像的纹理信息。近年来,随着高分辨率遥感数据的广泛使用,如何量化纹理特征,根据不同地物的纹理信息进行地物的分类等问题引起很多学者的关注。在对比不同边缘提取算子提取效果的基础上,对4种典型土地覆盖类型的Quickbird数据进行边缘提取,并在MATLAB平台下计算影像样本盒维数,通过对比发现这些土地覆盖类型盒维数差异显著,在此基础上提出利用分形维数对遥感影像的纹理信息进行量化,从而利用影像纹理信息对不同土地覆盖类型进行有效区分。     

基于纹理和支持向量机的GF-1图像土地覆被分类研究

高分一号卫星,简称GF-1,是中国自主研发的高分辨率遥感卫星,高分辨率遥感图像包含较多的地物信息,广泛应用于土地覆被分类,但传统基于像元的分类方法在高分数据中应用效果不是很理想。为提高高分辨遥感图像的分类精度,以西北新疆喀什地区研究区利用GF-1图像进行土地覆被分类,利用灰度共生矩阵提取纹理信息,结合纹理信息利用支持向量机(SVM)进行分类,将结果与单源SVM分类和最大似然法分类进行对比分析,研究结果表明:结合纹理信息的SVM分类方法可以更准确地进行土地覆被分类,分类精度为93.74%;据源SVM分类精度为89.06%,最大似然法分类精度为86.79%。     

基于高分一号卫星遥感影像的城市绿地提取对比研究

针对目前面向对象方法在高分辨率遥感影像中提取绿地专题信息的特点,文中提出一种利用高分辨率遥感影像提取城市区域范围绿地信息的方法,结合K-T变换和ICA变换,根据地物的遥感影像特征、光谱特征信息和基于阀值的分类技术进行有效波段最优组合及地物分类,从而大幅提高了绿地专题信息提取的精度。研究中提出本方法和基于NDVI的典型绿地提取方法的提取结果进行精度评价,实验结果证明,在城市区域范围尺度上,该方法计算简便且实现了94.97%的高精度和总Kappa系数为0.919 5的评价结果。     

基于GEE和多维特征集的锡林浩特露天矿区近30 a土地利用分类

随着矿产资源的不断开采,矿区地表土地利用会发生频繁的变化,快速获取矿区开采过程中长时间序列连续的土地利用分类结果对于矿区土地治理与生态重建具有重要意义。基于Google Earth Engine (GEE)遥感云平台,对Sentinel-2和Landsat数据从光谱特征、纹理特征、地形特征3个方面构建多维特征集,采用随机森林算法分别建立了不同特征模型并测试精度以筛选出适合矿区场景的最优分类模型。以锡林浩特市露天矿区为研究区,开展了近30 a(1991—2020年)长时序土地利用分类研究。结果表明:(1)基于GEE遥感云平台,能够高效、快速、准确地提取研究区1991—2020年近30 a的土地利用分类结果;(2)光谱特征对分类精度具有决定性作用,融入纹理特征和地形特征能够有效提高矿区土地利用分类模型精度;(3) Sentinel-2数据特有的红边波段对植被具有较高的敏感性,能有效提高分类精度。长时间连续的监测结果能够有效了解锡林浩特市露天矿区土地利用的变化情况及规律,为进一步分析人类生产生活和环境变化对土地利用的影响提供了坚实的数据支撑。     

基于See5.0算法的决策树构建与分类研究

文中以地形较为复杂的济南市长清区为研究区域,综合TM影像的光谱特征、纹理特征与区域内的地形特征、植被特征信息作为样本集的属性值,结合研究区内6种主要地物类型训练数据集,基于See5.0的决策树分类法进行分类实验,并在ENVI中提取土地的利用现状信息.实验结果表明:综合利用不同的特征数据会有效的提高分类精度;See5.0和ENVI相结合可以高效、高精度地、客观地实现土地覆盖分类,是基于知识的遥感影像分类的有效的方法.     

矿区生态环境定量遥感监测研究进展与展望

矿区生态环境的科学有效监测是矿区生态环境保护与治理的前提,对于促进生态文明建设具有重要意义。遥感技术已经成为矿区生态环境监测的重要手段,特别是近年来遥感技术在数据、算法、算力方面的迅速发展极大地促进了国内外矿区生态环境定量遥感监测研究的进步,涌现出了一系列优秀的研究成果。从矿区地表要素类型识别以及矿区植被、土壤、水体、大气、生态系统的参数反演与监测方面归纳和剖析了矿区生态环境定量遥感监测的研究进展。结果表明：新兴遥感数据的应用提升了监测的时空分辨率,矿区地表要素识别以及参数反演方法得到了优化改进,提升了识别和反演的精度;深度学习和遥感云计算平台在矿区应用中崭露头角。但是也存在一些不足：①深度学习在矿区地表要素识别的应用尚未完全展开,缺乏矿区遥感地表分类体系标准与大规模高分样本库,矿区地表要素识别的自动化与智能化水平有待提高;②矿区定量遥感参数反演的广度有待拓展,反演与监测方法研究有待深入;③矿区多要素参数的中高分辨率、长时序、高频次同步观测与协同分析的研究还相对缺乏。在此基础上,对未来的研究方向进行了展望：①构建矿区遥感地表分类体系与大规模高分样本库,跟踪最前沿的深度学习算法,实现矿区地表典型要素的高精度识别;②研究矿区场景下的定量遥感物理机理建模方法,拓展遥感反演的矿区要素参数,提升反演方法的精度和稳定性;③融合矿区多源大数据,实现参数的中高分辨率、长时序、高频次的体系化同步定量遥感反演与监测。     

基于U-Net卷积神经网络的遥感影像变化检测方法研究

针对目前遥感影像传统变化检测方法中存在的影像预处理技术要求苛刻、部分环节需采取人工干预、难以做到信息提取自动化、难以处理海量多源数据等问题,基于深度学习卷积神经网络方法,进行U-Net网络模型在遥感影像变化检测中的应用研究。以水体为例,利用该方法对两时相的遥感影像进行变化检测,通过对比基于支持向量机（SVM）的分类后比较法后发现,在给予大量充分训练数据的情形下,利用该方法对试验数据进行变化检测,得到的卡帕系数Kappa为088,总体精度为9706%,相比传统方法精度有所提升,说明本文方法进行变化检测有一定的可用性。研究可为自然资源调查管理提供极强的现势性数据,对开展自然资源管理工作的动态监测提供一个可行的方案。     

2017—2019年甘肃省露天采矿点土地利用变化探究

近年来我国坚持贯彻生态优先、绿色发展之路,而露天采矿容易引发地表破坏、环境污染等问题,如何对露天采矿实施有效的监测,对于提高矿政管理水平和加强生态环境保护至关重要。本文基于地理国情监测数据、第三次国土调查影像和近期国产卫星影像等多源的数据,采用FME(Feature Manipulate Engine)+ArcGIS的技术架构,形成了一种大范围、多矿点的快速监测露天采矿点的方法,对2017—2019年甘肃省露天采矿点土地利用变化情况进行了监测。研究结果显示该方法能够实现变化露天矿点的快速定位,提取相应的地表覆盖图斑,并根据地表覆盖的变化反映出露天矿点的土地利用变化状况,结合不同期的遥感影像直观、全面地展示变化情况。此方法可为矿山的监督管理和绿色可持续发展提供技术支撑。     

基于深度学习和遥感影像的露天矿自动提取方法研究

非法开采不仅危害国家资源,威胁国家财产安全,也存在重大安全隐患,寻找快速发现非法开采行迹的解决办法迫在眉睫。利用光学遥感影像进行人工解译,费时费力、效率极低;而传统的露天矿遥感自动解译方法,或基于像素,或基于面向对象,利用的图像特征简单且数量较少。将深度学习的全卷积神经网络算法引入露天矿自动提取中,充分从底层特征中挖掘大量高层抽象特征,实现露天矿智能高效解译。实验结果表明,该方法在一定程度上有效提高了露天矿识别的准确率,能够为及时发现非法露天矿开采提供基础的数据技术支持。     

基于深度学习的智能爆破矿岩块度自动分析系统

在露天开采领域,自动、准确地获取爆堆矿岩块度信息是优化爆破设计的关键。针对目前块度分析系统存在无法自动采集和自动批量处理图像的问题,提出一种基于深度学习的矿岩块度自动分析系统,该系统主要由基于MobileNet分类模型的自动采集子系统和基于U-Net语义分割模型的自动分析子系统组成。系统自动连续采集旋回破碎站的电动轮卸矿图像,通过4G网络上传云平台进行块度信息自动分析,分别对分类模型和分割模型进行定量、定性评估,其中分类模型在测试集上的精度达到98.08%,矿石分割模型的矿石类别IoU达到78.43%。将系统部署到某矿露天采区旋回站,通过一年多的工业生产实践,结果表明,本系统达到了设计要求,实现从采集到分析、信息展示全流程的自动化、无人化、智能化,可以进一步为智能爆破提供数据支持。     

基于高分辨率遥感数据的矿区生态修复研究

针对目前矿区生态景观修复方法的修复效果较差,提出了高分辨率遥感数据分析下的矿区生态景观修复研究方法,为了消除高分辨率遥感影像中存在的阴影,对其实施校正处理。采用核主成分分析方法处理校正后的高分辨率遥感影像,获取矿区生态景观的实际情况,评估矿区生态景观,根据评估结果采用相应的方法修复矿区生态景观。试验结果表明,所提方法修复后矿区的聚合度、最大斑块指数、斑块结合度指数和香农多样性指数有所提高,表明所提方法具有较好的修复效果。     

矿区生态环境定量遥感监测评价技术框架与应用

为了践行“绿水青山就是金山银山”的发展理念,平衡矿产开发与生态环境保护,迫切需要对矿区生态环境开展动态监测并进行科学评价。本文立足于矿区生态环境场景的特点,在剖析矿区生态环境要素的时空变化特征及其差异性、矿区开采修复活动对生态环境要素影响机制及各要素协同演变规律基础上,为满足新时期矿区生态环境监测与评价的要求,构建了矿区生态环境定量遥感监测与评价的“数据-监测-评价-应用”技术框架。该框架充分利用以遥感影像数据为主体的矿区多源大数据,发挥人工智能与定量遥感等技术手段的优势,以高频次、大面积、长时间、多要素协同、定量反演的方式对矿区生态环境要素进行监测和质量评价,可应用于矿区开采活动监测、矿区生态环境诊断、预警和修复效果评估等方面。最后,介绍了技术框架的两个应用实例,展示了该技术框架的有效性与应用方式。     

基于高分一号数据的矿山遥感监测——以会理多金属矿区为例

利用遥感技术,以会理多金属矿区为研究区,以国产卫星高分一号卫星影像为数据源,探讨了高分一号卫星影像在15万矿山开发遥感监测中的可行性。通过对高分一号遥感图像的几何纠正精度、图像融合质量、遥感解译标志、制图精度进行分析,高分一号影像完全满足15万矿山开发遥感监测的需要。通过利用总结的矿山开采遥感信息提取技术方法和建立的遥感解译标志,快速提取了研究区内矿山分布和开采信息,较全面准确地掌握了区内矿产资源开发现状与矿山环境状态。在监测中使用高分一号卫星影像,既提高15万矿山开发遥感调查的监测频率,也降低了监测成本。     

露天矿土地复垦考核评价方法及应用

露天矿土地复垦是矿区生态治理的重要内容,也是国家煤炭行业生态文明建设的重要组成部分。研究提出露天矿土地复垦指数,用来表征露天矿土地复垦评价效果,采用层次分析法,确定各指标权重,构建了露天矿土地复垦综合评价指标体系及考核评价方法,并提出了考核级别划分标准。采用上述考评体系和方法,选取某大型煤炭央企所属的典型露天煤矿,收集整理2014年度土地复垦遥感监测、生态修复和治理等基础数据,评价各露天矿年度土地复垦效果,验证了本考核评价方法的可行性。     

监督分类和目视修改相结合在高分辨率遥感影像中的应用

用计算机对遥感影像进行地物类型识别是遥感数字图像处理的一个重要内容,传统的地物分类一般采用MSS、TM和Spot等遥感影像作为数据源。与MSS、TM和Spot等传统遥感影像相比,QuickBird等高分辨率影像数据量大,混合像元减少、地物信息增大,能够被应用于土地分类。在监督分类中,对于达不到精度要求的模板,通常采用重新选择训练区的方法来进行修正,而本文采用目视修改的方法来对监督分类进行补充。本文方法可以改正初次分类中的误分、混分地物,使其归到正确的地物分类中,显著提高了土地分类的精度。为了验证算法的有效性,利用ERDASIMAGING遥感图像处理软件进行实验和精度评价。实验结果表明,监督分类和目视修改相结合的地物分类方法可以显著提高图像的分类精度。