基于深度学习的高分辨率卫星遥感影像围填海检测识别

基于高分辨率卫星遥感影像自动、准确提取围填海土地利用现状,是实现围填海集约使用的重要技术手段。针对高分辨率卫星遥感影像地物特征复杂,依赖人工提取特征的传统方法较难满足业务部门实际需求的问题,提出了基于深度学习的围填海检测识别技术框架,该框架使用UNet网络的多约束变体结构,并针对高分辨率遥感影像地物特征复杂导致地物分类不一致的问题,引入全连接条件随机场和图像腐蚀运算对分割结果进行后处理。以天津市滨海新区2016年和2020年高分辨卫星遥感影像为数据源进行了验证,实验表明围填海地物分割整体准确率、F1-score、Kappa系数以及mIoU分别达到96.73%、92.87%、90.28%、86.82%。在此基础上,分析提取了该围填海区域土地利用动态变化特征,为围填海集约使用管理提供了有效技术支撑。     

基于C++与surfer混合开发的叶绿素a浓度剖面图绘制

针对叶绿素a浓度在不同的水体深度均有分布这一特点,基于表层叶绿素a浓度数据与不同水深处测量的叶绿素a浓度数据,采用C++Builder和Surfer混合编程,实现同一剖面不同水深的叶绿素a浓度剖面图的绘制,为开展叶绿素a浓度分布情况研究提供一种新的视角。     

基于深度协同稀疏编码网络的海洋浮筏SAR图像目标识别

浮筏养殖广泛存在于我国近海海域, 可见光遥感图像无法完全准确地获取养殖目标, 而基于主动成像的合成孔径雷达(Synthetic aperture radar, SAR)遥感图像能够得到养殖目标, 因此采用SAR图像进行海洋浮筏养殖目标识别. 然而, 海洋遥感SAR图像包含大量相干斑噪声, 并且SAR图像特征单一, 使得目标识别难度较大. 为解决这些问题, 提出一种深度协同稀疏编码网络(Deep collaborative sparse coding network, DCSCN)进行海洋浮筏识别. 本文方法对预处理后的图像先提取纹理特征和轮廓特征, 再进行超像素分割并将同一个超像素块特征组输入该网络进行协同表示, 最后得到有效特征并分类识别. 通过人工SAR图像和北戴河海域浮筏养殖SAR图像的实验验证所提模型的有效性. 该网络不仅具有优异的特征表示能力, 能够获得更适合分类器的特征, 而且通过近邻协同约束, 有效抑制相干斑噪声影响, 所以提高了SAR图像目标识别精度.     

基于自动阈值分类的高分辨率影像海陆分界线自动提取

海陆分界线的变化对滩涂面积和湿地系统变化具有指示作用并且影响航运活动,因而需提取海陆分界线。视海陆分界线为陆地（包括淤泥质潮滩）和海水（包括河道）的瞬时分界线。首先,构建近红外—绿—蓝波段的假彩色图像,进行色彩、对比度增强和双边滤波处理;其次,构建海陆分界线提取指数（Sea-land Boundary Extraction Index,SBEI）,并利用自动阈值分析方法,将影像分为海洋和大陆,同时合并陆地碎斑。针对河道伸入陆地的问题,对于宽度为W的河口,采用步长为W+1的膨胀腐蚀的方法消除;最后用Canny算子提取海陆分界线。为验证算法的有效性,选取1m分辨率的高分二号卫星影像,对3种海岸类型进行实验,结果表明此方法的提取精度约为5个像元,相较NDWI和CV模型的提取精度至少提高10个像元。     

基于关联规则的裙带菜筏式养殖遥感识别方法

筏式养殖裙带菜监测是大连地区遥感监测的重要应用之一,寻求一种快速准确的识别方法从而及时掌握裙带菜养殖的分布范围、面积、数量等基础信息,对地方政府调控产业发展起到关键作用。引入数据挖掘技术,利用Landsat TM数据源,开展基于关联规则的裙带菜筏式养殖信息提取方法研究,并在大连金石滩附近海域进行实验论证。应用数据挖掘关联规则分析方法,找出筏式养殖区和海水分类的知识规则,并通过该规则构建分类树提取养殖信息,最后结合筏式养殖形态特征对得到的分类结果进行噪声去除后,得到最终的分类结果。结果表明:该方法的总体识别准确度可达80%,与最大似然分类结果相比识别准确度提高11.64%,该方法能够满足监测基本需求,具备一定的可行性。