遥感影像空间分辨率对城市建筑物高度估算精度的影响

选用WorldView-2、高分二号、高分一号遥感数据,以厦门软件园为研究区,运用面向对象方法及形态学的思想,并结合光谱、阴影和形状约束,构建了适用于不同影像的建筑物及阴影提取流程;运用阴影长度估算法,估算了0.5、1、2m这3种不同空间分辨率建筑物高度;并定量评估影像空间分辨率对建筑物提取精度、建筑物高度估算精度的影响。结果表明:(1)改进的建筑物及阴影提取流程对不同分辨率影像均取得了较高的提取精度,但建筑物提取精度随着遥感影像空间分辨率的降低而略有降低;(2)随着遥感影像空间分辨率的降低,建筑物高度估算精度逐渐降低,但不呈现出线性关系,分辨率从1m上升至0.5 m阶段建筑物高度估算精度提高的速度要高于分辨率从2m上升至1m阶段;(3)GF-1比较适用于高层建筑物的高度估算,GF-2适用于中高层到高层建筑物的高度估算,而WorldView-2对不同高度范围内建筑物的高度均有较高的估算精度。     

基于WorldView-2影像和语义分割模型的小麦分类提取

为使用高分辨率遥感影像和深度学习语义分割模型实现快速准确的小麦种植空间信息提取,以WorldView-2遥感影像为数据源,制作尺度分别为128×128、256×256、512×512的样本数据集,对U-net和DeepLab3+语义分割模型的参数进行训练,建立小麦遥感分类模型;通过与极大似然和随机森林方法比较,检验深度学习分类效果。结果显示：(1)不同尺度样本训练得到的模型总体精度、Kappa系数分别在94%和0.82以上,模型精度稳定,样本尺度大小对小麦分类提取模型影响较小;(2)深度学习方法的小麦分类总精度和Kappa系数分别在94%和0.89以上,极大似然和随机森林则在92%和0.85以下,表明该研究建立的小麦遥感分类模型优于传统分类方法。研究结果可为高分辨率遥感影像作物种植信息的深度学习方法提取提供参考。     

弱监督深度语义分割网络的多源遥感影像水体检测

目的 深度语义分割网络的优良性能高度依赖于大规模和高质量的像素级标签数据。在现实任务中,收集大规模、高质量的像素级水体标签数据将耗费大量人力物力。为了减少标注工作量,本文提出使用已有的公开水体覆盖产品来创建遥感影像对应的水体标签,然而已有的公开水体覆盖产品的空间分辨率低且存在一定错误。对此,提出采用弱监督深度学习方法训练深度语义分割网络。方法 在训练阶段,将原始数据集划分为多个互不重叠的子数据集,分别训练深度语义分割网络,并将训练得到的多个深度语义分割网络协同更新标签,然后利用更新后的标签重复前述过程,重新训练深度语义分割网络,多次迭代后可以获得好的深度语义分割网络。在测试阶段,多源遥感影像经多个代表不同视角的深度语义分割网络分别预测,然后投票产生最后的水体检测结果。结果 为了验证本文方法的有效性,基于原始多源遥感影像数据创建了一个面向水体检测的多源遥感影像数据集,并与基于传统的水体指数阈值分割法和基于低质量水体标签直接学习的深度语义分割网络进行比较,交并比（intersection-over-union,IoU）分别提升了5.5%和7.2%。结论 实验结果表明,本文方法具有收敛性,并且光学影像和合成孔径雷达（synthetic aperture radar,SAR）影像的融合有助于提高水体检测性能。在使用分辨率低、噪声多的水体标签进行训练的情况下,训练所得多视角模型的水体检测精度明显优于基于传统的水体指数阈值分割法和基于低质量水体标签直接学习的深度语义分割网络。     

基于不同分辨率遥感影像自动提取切沟的精度分析和转换模型

黄土高原地貌类型独特而复杂,切沟侵蚀是塑造该区地貌的主要动力之一。研究不同分辨率遥感影像提取切沟的适用性和自动提取方法,可为切沟侵蚀遥感监测和沟蚀防治等提供有效手段。以黄土高原南部山西吉县残塬沟壑区为研究区,使用面向对象分析方法和随机森林分类算法分别从0.5 m Google影像、2 m GF-1融合影像和8 m GF-1多光谱影像中自动提取切沟,分析提取精度,并构建转换模型,提高低分辨率遥感影像提取的切沟沟长、面积参数的精度。结果表明：(1)依据特征类别,特征变量对于切沟识别的重要性排序如下：光谱特征>纹理特征>几何特征。(2)0.5 m和2 m分辨率影像切沟分类精度较高,生产者精度和用户精度均达90%以上,8 m GF-1影像切沟分类的生产者精度和用户精度为85%左右。(3)0.5 m和2 m分辨率影像提取的切沟沟长和沟宽的百分误差分别为5%和13%左右;8 m分辨率影像提取的切沟沟长、面积和沟宽的平均百分误差为18.82%、27.62%和18.93%。(4)基于0.5 m分辨率Google影像提取的切沟形态特征参数,建立8 m分辨率GF-1影像提取的切沟沟长转换模型（...     

深度学习对不同分辨率影像冬小麦识别的适用性研究

定量分析遥感影像尺度与分类精度之间的关系是进行土地覆盖分类的基础。深度学习具有从底层到高层特征非监督学习的能力,解决了传统分类模型中需要人工选择特征的问题。这种新型的分类方法的分类精度是否受到不同分辨率尺度影响,有待研究。利用深度卷积神经网络（Deep Convolutional Neural Network, DCNN）——金字塔场景分析网络（Pyramid Scene Parsing Network, PSPNet）进行4种分辨率（8、3.2、2和0.8 m）的米级、亚米级影像冬小麦分类。实验结果表明: PSPNet能够有效地进行大样本的学习训练,非监督提取出空间特征信息,实现“端—端”的冬小麦自动化分类。不同于传统分类器分类精度与分类尺度之间的关系,随着影像分辨率的逐步增高,地物表达特征越来越清晰,PSPNet识别的冬小麦精度会逐步增高,识别地块结果也越来越规整,不受分辨率尺度的影响。这对于选择甚高亚米级影像提高作物分类精度提供了实验基础。     

深度学习对不同分辨率影像冬小麦识别的适用性研究

定量分析遥感影像尺度与分类精度之间的关系是进行土地覆盖分类的基础。深度学习具有从底层到高层特征非监督学习的能力，解决了传统分类模型中需要人工选择特征的问题。这种新型的分类方法的分类精度是否受到不同分辨率尺度影响，有待研究。利用深度卷积神经网络（Deep Convolutional Neural Network, DCNN）——金字塔场景分析网络（Pyramid Scene Parsing Network, PSPNet）进行4种分辨率（8、3.2、2和0.8 m）的米级、亚米级影像冬小麦分类。实验结果表明: PSPNet能够有效地进行大样本的学习训练，非监督提取出空间特征信息，实现“端—端”的冬小麦自动化分类。不同于传统分类器分类精度与分类尺度之间的关系，随着影像分辨率的逐步增高，地物表达特征越来越清晰，PSPNet识别的冬小麦精度会逐步增高，识别地块结果也越来越规整，不受分辨率尺度的影响。这对于选择甚高亚米级影像提高作物分类精度提供了实验基础。     

深度学习对不同分辨率影像冬小麦识别的适用性研究

定量分析遥感影像尺度与分类精度之间的关系是进行土地覆盖分类的基础。深度学习具有从底层到高层特征非监督学习的能力,解决了传统分类模型中需要人工选择特征的问题。这种新型的分类方法的分类精度是否受到不同分辨率尺度影响,有待研究。利用深度卷积神经网络(Deep Convolutional Neural Network,DCNN)——金字塔场景分析网络(Pyramid Scene Parsing Network,PSPNet)进行4种分辨率(8、3.2、2和0.8 m)的米级、亚米级影像冬小麦分类。实验结果表明:PSPNet能够有效地进行大样本的学习训练,非监督提取出空间特征信息,实现"端—端"的冬小麦自动化分类。不同于传统分类器分类精度与分类尺度之间的关系,随着影像分辨率的逐步增高,地物表达特征越来越清晰,PSPNet识别的冬小麦精度会逐步增高,识别地块结果也越来越规整,不受分辨率尺度的影响。这对于选择甚高亚米级影像提高作物分类精度提供了实验基础。     

Sentinel-2/MSI深度学习超分辨率重建及河湖水质遥感反演

针对Sentinel-2影像低空间分辨率(20 m、60 m)波段混合像元会降低内陆河湖水质反演精度的问题,提出了一种通过深度学习超分辨率重建进行水质反演的方法。首先,引入残差神经网络超分辨率重建算法,结合迁移学习方法与卷积注意模块对该算法进行改进,通过对比评估其他算法的重建精度,发现改进算法主客观评价均为最佳。接着,以上海市内陆河湖为研究区域,使用改进算法对低分辨率波段重建至10 m,结合实测水质参数及影像重建前后的光谱特征波段,利用多种回归算法构建水质反演模型进行对比。结果表明：深度学习超分辨率重建模型可有效提升水质参数的遥感反演精度;深度神经网络模型精度较高(R²>0.67),可实现更精细化制图。     

结合水体指数与卷积神经网络的遥感水体提取

常用多光谱遥感水体提取少有兼顾光谱与空间信息,致使水体提取的可靠性和准确性难以保证。在利用遥感水体光谱特性的同时,融入深度学习算法,提出归一化差分水体指数(normalized difference water index,NDWI)与深度学习联合的遥感水体提取方法。该方法首先选取典型水体样本进行训练,构建深度学习卷积神经网络(convolutional neural networks,CNN)水体识别模型。其次,计算多光谱影像NDWI指数并分割成图斑,以图斑包络矩形构建初始的水体目标子区。最后,构建NDWI指数与CNN水体识别概率的联合估计模型,并以迭代运算实现最优化遥感水体提取。实验验证了该方法的高可靠性与准确性。相比常用方法,水体识别准确率高达94.19%,而错分率仅为5.04%,显著提高了水体提取精度。     

基于高分辨率遥感影像的不透水面信息提取方法研究

不透水面是城市地区的典型特征,它与城市总用地面积的比值--不透水率作为一个重要的城市生态指数常出现于城市水文、水质、面源污染以及城市植被制图等研究中。利用高分辨率遥感影像提取不透水面不仅可获得较高精度的不透水面信息,而且可为中低分辨率遥感影像的不透水面提取提供样本训练区并检验其提取精度。本文利用南京IKONOS影像,采用面向对象分类方法提取不透水面信息,初步解决了阴影归类和遮盖不透水面的植被剔除等问题,提高了不透水面信息提取精度。     

Effects of Different Spatial Resolution of Remote SensingImages on Estimation Accuracy of Urban Building Height

In this study,the remote sensing images of WorldView-2,GF-2,and GF-1,which cover Xiamen Software Park,were selected for study.A building and shadow extraction process suitable for different images was constructed,which applied object\|oriented approach and morphology ideas combined with spectral,shadow and shape constraints.Subsequently,the building heights of three different spatial resolutions of 0.5 m,1 m and 2 m were estimated by using the shadow length estimation method.Finally,the influence of image spatial resolution on building extraction accuracy and building height estimation accuracy was evaluated quantitatively.The main conclusions are as follows：(1) The improved building and shadow extraction process achieves higher extraction accuracy,but accuracy decreases slightly with the decrease of spatial resolution of images;(2) With the decrease of spatial resolution,the accuracy of building height estimation decreases gradually,but it does not show linear relationship.At the resolution increases from 1m to 0.5 m,the accuracy of building height estimation increases faster than the resolution increases from 2 m to 1 m;(3) GF-1 is more suitable for height estimation of high\|rise buildings and GF-2 is suitable for middle and high rise buildings,while WorldView\|2 has higher estimation accuracy for building height in different height ranges.     

遥感湖泊面积MTMF提取方法及空间尺度效应研究

主要研究遥感湖泊面积亚像元分解提取方法和空间尺度效应,为遥感湖泊面积提取、检验及基于此的局地气候变化分析提供科学的基础数据。在对TM遥感数据进行升尺度处理的基础上,采用混合调制匹配滤波(Mixture Tuned Matched Filtering,MTMF)进行亚像元分解,得到不同空间分辨率的湖泊面积。进而分析不同面积湖泊随遥感空间尺度的变化。结果表明:(1)当通过对高空间分辨率的遥感数据重采样获取多尺度遥感影像进行湖泊面积提取及湖泊空间尺度效应分析时,采用最近邻法比像元聚合重采样法更合理。(2)MTMF亚像元分解法可以用于基于水体光谱特征的遥感湖泊边界提取和面积计算,但边界提取过程中容易将湖泊与河流或其他非湖泊的水体混淆。(3)遥感湖泊面积的提取结果受所用遥感影像空间分辨率的影响较大,影像的空间分辨率越低,湖泊面积提取的偏差越大,尤其对面积较小的湖泊。     

Sentinel-2 Satellite Image Fusion Methodand Quality Evaluation Analysis

Sentinel-2 satellite sensors acquire three kinds of optical remote sensing images with different spatial resolutions.How to improve the spatial resolution of lower spatial resolution bands by fusion method is one of the problems faced by Sentinel-2 applications.Taking the Sentinel\|2B image as the data source,a high spatial resolution band was generated or selected from the four 10m spatial resolution bands by four methods:the maximum correlation coefficient,the central wavelength nearest neighbor,the pixel maximum and the principal component analysis.We fused the one high spatial resolution band produced and six multispectral bands with 20 m spatial resolution by the five fusion methods of PCA,HPF,WT,GS and Pansharp to produce six multispectral bands with 10 m spatial resolution and the fusion results were evaluated from three aspects:qualitative and quantitative (information entropy,average gradient,spectral correlation coefficient,root mean square error and general image quality index) and classification accuracy of fused images.Results show that the fusion quality of Pansharp with the maximum correlation coefficient is better than other fusion methods,and the classification accuracy is slightly lower than the GS with the pixel maximum of the highest classification accuracy and far higher than the original four multispectral image with 10 m spatial resolution.According to the classification accuracy of experimental data,different fusion methods have different advantages in extraction of different ground objects.In application,appropriate schemes should be selected according to actual research needs.This research can provide reference for Sentinel-2 satellite and similar satellite data processing and application.     

影像空间分辨率对蚀变信息提取结果的影响研究

脉状蚀变分布广泛且蚀变规模一般较小,遥感影像空间分辨率对此类蚀变提取影响严重。为了评估不同空间分辨率数据对脉状矿化蚀变信息的提取能力,以甘肃北山金滩子地区为例,应用航空高光谱CASI/SASI数据,将像元重采样至5、10、15、20和30 m共5种空间分辨率模式;以JPL光谱库中白云母矿物光谱曲线为参考,利用光谱匹配滤波法提取区内白云母化蚀变。不同规模蚀变带在5种分辨率模式下像元光谱表明：面状蚀变由于面积较大,空间分辨率变化对像元光谱吸收特征影响较小;脉状蚀变带特别是较窄脉状蚀变带随着空间分辨率的降低,混合像元影响越来越强,像元光谱的吸收特征越来越浅,30 m空间分辨率时吸收特征最弱。5种空间分辨率影像的白云母矿物提取结果表明较窄蚀变带(宽约1~5 m)在5~15 m空间分辨率图像中均线状特征明显,在20 m分辨率数据结果中仅断续出现,在30 m空间分辨率结果中仅个别像元被突出。     

影像空间分辨率对蚀变信息提取结果的影响研究

脉状蚀变分布广泛且蚀变规模一般较小，遥感影像空间分辨率对此类蚀变提取影响严重。为了评估不同空间分辨率数据对脉状矿化蚀变信息的提取能力，以甘肃北山金滩子地区为例，应用航空高光谱CASI/SASI数据，将像元重采样至5、10、15、20和30 m共5种空间分辨率模式；以JPL光谱库中白云母矿物光谱曲线为参考，利用光谱匹配滤波法提取区内白云母化蚀变。不同规模蚀变带在5种分辨率模式下像元光谱表明：面状蚀变由于面积较大，空间分辨率变化对像元光谱吸收特征影响较小；脉状蚀变带特别是较窄脉状蚀变带随着空间分辨率的降低，混合像元影响越来越强，像元光谱的吸收特征越来越浅，30 m空间分辨率时吸收特征最弱。5种空间分辨率影像的白云母矿物提取结果表明较窄蚀变带(宽约1~5 m)在5~15 m空间分辨率图像中均线状特征明显，在20 m分辨率数据结果中仅断续出现，在30 m空间分辨率结果中仅个别像元被突出。     

Extraction of complex patterns from multiresolution remote sensing images: A hierarchical top-down methodology

The extraction of urban patterns from very high spatial resolution (VHSR) optical images presents several challenges related to the size, the accuracy and the complexity of the considered data. Based on the availability of several optical images of a same scene at various resolutions (medium, high, and very high spatial resolution), a hierarchical approach is proposed to progressively extract segments of interest from the lowest to the highest resolution data, and then finally determine urban patterns from VHSR images. This approach, inspired by the principle of photo-interpretation, has for purpose to use as much as possible the user's skills while minimising his/her interaction. In order to do so, at each resolution, an interactive segmentation of one sample region is required for each semantic class of the image. Then, the user's behaviour is automatically reproduced in the remainder of the image. This process is mainly based on tree-cuts in binary partition trees. Since it strongly relies on user-defined segmentation examples, it can involve only low level—spatial and radiometric—criteria, then enabling fast computation of comprehensive results. Experiments performed on urban images datasets provide satisfactory results which may be further used for classification purpose.     

基于遥感图像水体识别与检测研究综述

地表水的勘测对于海岸线变化、环境保护、防灾减灾、水质检测都有重要的意义,借助遥感图像可以快速、反复、精确地获取到地表水的时空分布特征.文章调研国内外学者在遥感图像水体识别方向的研究成果,简述基于遥感技术的水体识别方法.其中,阈值法通过对水体和背景地物的光谱曲线进行分析,选取适合的阈值进行图像分割,操作简单便利,存在信噪...     

SAR变体目标识别的卷积神经网络法

目的 深度学习已经大量应用于合成孔径宽达（SAR）图像目标识别领域,但大多数工作是基于MSTAR数据集的标准操作条件展开研究。当将深度学习应用于同类含变体目标时,例如T72子类,由于目标间差异小,所以仍存在着较大的挑战。本文从极大限度地保留SAR图像输入特征出发,设计一种适用于SAR变体目标识别的深度卷积神经网络结构。方法 设计网络主要由多尺度空间特征提取模块和DenseNet中的稠密块、转移层构成。多尺度特征提取模块置于网络底层,通过使用尺寸分别为1×1、3×3、5×5、7×7、9×9的卷积核,提取丰富空间特征的同时保留输入图像信息。为使输入图像信息更加有效地向后传递,基于DenseNet中的稠密块和转移层进行后续网络层设计。在对训练样本进行样本扩充基础上,分析了输入图像分辨率及目标存在平移和不同噪声水平等情况对模型识别精度的影响,与用于SAR图像目标识别的深度模型识别精度在标准操作条件下进行了对比分析。结果 实验结果表明,对T72 8类变体目标进行分类,设计的模型能够取得95.48%的识别精度,在存在目标平移和不同噪声水平情况下,平均识别精度分别达到了94.61%和86.36%。对10类目标（包括不含变体和含变体情况）在进行数据增强的情况下进行模型训练与测试,分别达到了99.38%和98.81%的识别精度,略优于其他对比模型结构识别精度。结论 提出的模型可以充分利用输入图像以及各卷积层输出的特征,学习目标图像的细节差异,不仅适用于SAR图像变体目标的识别任务,同时在标准操作条件下的识别任务也取得了较高的识别结果。     

Effects of satellite image spatial aggregation and resolution on estimates of forest land area

Satellite imagery is being used increasingly in association with national forest inventories (NFIs) to produce maps and enhance estimates of forest attributes. We simulated several image spatial resolutions within sparsely and heavily forested study areas to assess resolution effects on estimates of forest land area, independent of other sensor characteristics. We spatially aggregated 30 m datasets to coarser spatial resolutions (90, 150, 210, 270, 510 and 990 m) and produced estimates of forest proportion for each spatial resolution using both model‐ and design‐based approaches. Average‐based aggregation had no effect on per‐image estimates of forest proportion; image variability decreased with increasing spatial resolution and local variability peaked between 210 and 270 m. Majority‐based aggregation resulted in overestimation of forest land in a heavily forested landscape and underestimation of forest land in a sparsely forested landscape, with both trends following a natural log distribution. Of the spatial resolutions tested, 30 m was superior for obtaining estimates using model‐based approaches. However, standard errors of design‐based inventory estimates of forest proportion were smallest when accompanying stratification maps which were aggregated to between 90 and 150 m spatial resolutions and strata thresholds were optimized by study area. These results suggest that spatially aggregating existing 30 m land cover datasets can provide NFIs with gains in precision of their estimates of forest land area, while reducing image storage size and processing times; land cover datasets derived from coarser spatial resolution sensors may provide similar benefits.