美外星探测器“能跑会跳”或实现遥感操控

据英国《每日邮报》2月1日报道,美国国家航空航天局（NASA）日前成功研制出一款全地形（适合所有地形）的六臂外星探测器“ATHLETE”。这款外星探测器不仅能跑会跳,而且能够适应沙地、岩石、陡坡等极端地形条件,在无重力环境下也能够运行自如。未来,科学家们还有望通过游戏机遥感装置来远程控制ATHLETE的一举一动。     

光学遥感舰船目标识别方法

提出一种基于粗糙集理论和分层判别回归技术的光学遥感舰船目标识别方法。该方法首先提出新的光学遥感舰船识别特征———面积比编码,并与四类特征组合作为备选特征;然后基于粗糙集理论按同可区分度来计算各备选特征的重要性权值,自动选择出对正确识别贡献较大的特征组合;最后根据分层判别回归原理生成分类判决树来识别光学遥感舰船目标。实验结果表明,本文方法在识别精度和速度方面优于最近邻和支持向量机方法,且通用可行。     

近20年塔里木河干流生态环境变化遥感监测分析

针对塔里木河流域综合治理后生态环境的变化状况及植被的恢复状况等热点问题,基于遥感时空变化分析方法从土地利用、地表水体和植被覆盖度的时空变化方面分析了近20年来塔里木河干流生态环境的变化状况。结果表明:(1)塔里木河干流土地利用受到人类活动的影响显著,自2000年以来,塔里木河干流耕地面积增加显著,净增2 229 km~2,草地面积整体下降,萎缩3 157 km~2;(2)综合治理以来,下游河段2009—2018时段水体出现频率明显高于2000—2008时段,水体出现频率提高约15%;(3)2000年以来,塔里木河流域的植被覆盖度持续增加,特别是下游河段植被覆盖度增加明显,覆盖度增加18%。但中、上游流域的植被覆盖度的增加趋势主要贡献来源于耕地,中上游地区耕地的增加仍会对塔里木河流域的生态保护和恢复造成一定的影响。     

基于山区地质灾害危险性分区的建设用地适宜性评价

地质灾害是建设用地选址时考虑的关键因素之一,也是危险性区划的主要参考要素,其直接或间接危害到人类安全并给社会和经济建设造成重大损失。为了降低建设用地规划中地质灾害的影响,应将地质灾害危险性分区考虑到建设用地适宜性评价当中。以干旱河谷山区丹巴县为研究区,运用确定系数和逻辑回归相结合的方法,构建地质灾害危险性评价体系对该区进行地质灾害危险性分区。选择安全因子、自然因子、社会因子和生态因子共同构成建设用地适宜性评价指标体系,利用层次分析法对研究区进行建设用地适宜性评价。结果表明:(1)对丹巴县进行危险性分区,极高危险区217.20km2,高危险区744.95km2,中度危险区1352.44km2,低度危险区1295.08km2以及极低危险区875.32km2。(2)丹巴县建设用地最适宜区面积为115.72km2,占县域总面积的2.57%,适宜建设的土地少且多集中在小金川、革什扎河、东谷河和大渡河沿岸河谷地区。较适宜区、基本适宜区、较不适宜区和禁止建设区面积分别为683.47km2、623.21km2、590.66km2、2494.21km2。(3)已建成的城镇空间中38.50%和37.62%分布在最适宜区和较适宜区,整体分布状况良好。有5.85%的城镇空间建设在较不适宜区,2.67%在禁止建设区,存在生态安全风险,该区域应加强灾害预警与防灾减灾工作,有条件地适度搬迁。     

基于国产卫星多光谱影像的河流水体浊度遥感联合反演研究

基于集合建模思想,在水体光谱特征分析与敏感波段选择基础上,集成多种遥感反演模型优势,构建了河流水体浊度多光谱遥感联合反演模型(Combined Model-BP,CM-BP)。选择汉江中下游典型河段为研究区,利用2012—2013年原位观测数据,以具有较高时间分辨率和空间分辨率的国产卫星数据作为多光谱遥感数据源,测试评估了CM-BP浊度遥感反演模型适用性,并与传统波段组合模型进行精度比较,基于反演结果分析了研究区浊度时空分布特征。结果表明:基于集合建模思想构建的CM-BP模型的反演精度、适应性及稳定性均高于波段组合模型;从光谱分辨率、时空分辨率等角度考虑,环境与灾害监测预报小卫星星座系统、高分一号卫星、资源三号等国产卫星多光谱遥感数据是河流水体水质反演优选数据源;国产卫星遥感数据可以满足河流水体水质高精度、实时性与大尺度等遥感反演需要,为河流水环境监测研究提供数据基础。     

顾及冲突分析的模糊积分非监督变化检测

以模糊积分(Fuzzy integral, FI)为基础, 提出一种顾及冲突分析(Conflict analysis, CA)的全自动遥感变化检测方法CA-based FI, CAFI). CAFI首先选取典型的对比算子, 生成信息互补的差异图(Difference image, DI)集; 其次利用模糊聚类、杰卡德相似系数和FI对差异图进行决策级融合, 得到初步融合变化检测图; 然后通过模糊集理论计算像元的信息冲突程度, 将初步融合检测结果自适应地划分为冲突严重区域和冲突较弱区域; 最后, 对冲突较弱的像元, 将其初步融合结果作为最终检测结果, 对易产生融合错误的冲突严重像元, 利用地统计分析对其重新分类. CAFI能够集成不同信息优势的同时, 很大程度地解决FI融合过程中的信息冲突问题. 三组真实遥感数据的实验结果验证了CAFI的有效性和鲁棒性.     

光学遥感图像目标检测算法综述

目标检测技术是光学遥感图像理解的基础问题, 具有重要的应用价值. 本文对遥感图像目标检测算法发展进行了梳理和分析. 首先阐述了遥感图像目标检测的特点和挑战; 之后系统总结了典型的检测方法, 包括早期的基于手工设计特征的算法和现阶段基于深度学习的方法, 对于深度学习方法首先介绍了典型的目标检测模型, 进而针对遥感图像本身的难点详细梳理了优化改进方案; 接着介绍了常用的检测数据集, 并对现有方法的性能进行比较; 最后对现阶段问题进行总结并对未来发展趋势进行展望.     

基于五层十五级遥感数据结构的并行算法研究

针对当前环境与监测预报小卫星宽覆盖和海量数据显示与处理不足的现状,设计五层十五级遥感数据组织结构,并依据此结构设计一种新的并行计算算法,得到并行计算的最大近优估算值,优化环境与监测预报小卫星海量数据的遥感产品生产能力,提高环境监测预报效率。     

基于图像内容层次表征的遥感图像 分割方法

提出基于图像内容层次表征的高分辨率遥感图像快速多精度分割方法。首先根据初始分割结果建立区域邻接图(RAG),并将其定义为马尔可夫随机场(MRF);然后引入光谱、形状和边缘等图像特征进行层次合并,通过记录层次合并过程获得图像内容的层次表征;最后根据层次表征中不同层级对象之间的关系快速生成任意不同精度的分割结果,以满足不同应用的需求。利用QuickBird卫星图像进行实验和评价的结果表明,本文方法具有较高的精度和效率。     

人工智能技术在遥感图像分类中的应用

研究遥感图像分类精度问题,遥感图像分类根据图像特征进行分类,然而其特征维数相当高且信息冗余严重,分类器不能降低特征维数,导致分类器计算量大,图像分类效率和正确率低。利用主成分分析(PCA)降维特征维数的优点,提出一种基于PCA-SVM的遥感图像分类方法。PCA-SVM算法首先采用LBP算子提取遥感图像特征,然后采用PCA对遥感图像特征进行降维处理,减少特征维数并消除特征冗余信息,获得对分类结果贡献大的特征,最后采用SVM进行遥感图像分类。仿真结果表明,PCA-SVM提高了遥感图像分类效率和正确率。