共查询到20条相似文献，搜索用时 31 毫秒
1.
及时准确的洪涝范围提取可以提高应急管理部门对于洪涝灾害的响应能力，减轻灾害影响。SAR遥感不受云雨影响，是洪涝灾害监测的有效工具。然而，由于卫星重返周期的限制，基于SAR的洪涝连续观测较难实现。在应急背景下，如何快速、实时进行洪涝范围提取是急需解决的问题。本文提出了一种结合遥感、VGI等多源数据的洪涝范围提取与模拟方法：(1)构建Albert+CNN的文本分类模型提取社交媒体洪涝信息；(2)基于异常值剔除方法利用社交媒体和OSM等VGI数据代替人工采样对Sentinel-1 SAR数据进行分类，提取洪涝范围；(3)结合社交媒体、水位数据等多源数据基于SNIC分割和成本距离等方法模拟无可用SAR数据时的洪涝淹没情况，提高洪涝的淹没范围提取频次。研究表明，本文基于Albert+CNN与异常值剔除的样本自动生成方法，可以有效辅助SAR数据的洪涝分类；利用VGI数据结合水情、DEM等多源数据进行了洪涝范围的模拟可以增加洪涝监测的时间分辨率。本研究有助于提高洪涝信息提取能力，为VGI支持洪涝灾害的应急管理提供参考。 相似文献
2.
高光谱影像标记样本的获取通常是一项费时费力的工作,如何在小样本条件下提高影像的分类精度是高光谱影像分类领域面临的难题之一。现有的高光谱影像分类方法对影像的多尺度信息挖掘不够充分,导致在小样本条件下的分类精度较差。针对此问题,本文设计了一种面向高光谱影像小样本分类的全局特征与局部特征自适应融合方法。该方法基于动态图卷积网络和深度可分离卷积网络,分别从全局尺度和局部尺度挖掘影像的潜在信息,实现了标记样本的有效利用。进一步引入极化自注意力机制,在减少信息损失的同时提升网络的特征表达,并采用特征自适应融合机制对全局特征和局部特征进行自适应融合。为验证本文方法的有效性,在University of Pavia、Salinas、WHU-Hi-LongKou和WHU-Hi-HanChuan4组高光谱影像基准数据集上开展分类试验。试验结果表明,与传统分类器和先进的深度学习模型相比,本文方法兼顾执行效率和分类精度,在小样本条件下能够取得更为优异的分类表现。在4组数据集上的总体分类精度分别为99.01%、99.42%、99.18%和95.84%,平均分类精度分别为99.31%、99.65%、98.89%和... 相似文献
3.
快速、准确的湿地地物分类是实现湿地精准监测的基础。为进一步研究湿地地物显著极化特征对分类结果的影响,提出了基于最优极化特征组合的SAR影像湿地分类方法。该方法利用箱型图等方式,在特征选择因子等准则下从多种极化分解方法选择最优极化特征进行组合,并在此基础上实现分类。首先,为了简化极化合成孔径雷达（Polarimetric Synthetic Aperture Radar, PolSAR）影像并降低其斑点噪声,对互易处理后的极化SAR影像进行多视化和精致Lee滤波。然后,进行6种极化分解,得到多种极化特征。再之,利用箱型图、Cloude-Pottier平面散点图和均值散点图详尽分析上述极化特征和双台河口湿地典型地物散射机制间的相关性,并据此在特征选择因子、特征判断因子、H/α平面等和均值标准差的准则下选择最优极化特征组合。最后,以上述最优极化特征组合为输入,设计支持向量机（Support Vector Machine, SVM）分类器,实现湿地的最优分类。本文以辽宁省盘锦市辽河入海口双台河口湿地为例,采用2016年7月的C波段Radarsat-2全极化数据验证最优极化特征组合的有效性。结果表明：① Cloude-Pottier分解的H、A和α、MCSM （Multiple-Component Scattering Model ）分解的表面散射、Pauli分解的T33与Yamaguchi3分解的表面散射和二面角散射为最优极化特征;② 使用最优极化特征组合不仅可以减少极化特征冗余,还可以提高各湿地地物的生产者精度、分类总精度及Kappa系数,其中各湿地地物的生产者精度提高1%~5%,分类的总精度可达到94.25%,Kappa系数达到93.63%。 相似文献
4.
基于图像特征的地类识别技术精度低且复杂度高,难以满足土地利用动态监测的实时性要求。而基于深度学习的遥感影像地类识别技术数据处理及特征提取能力较强,能够有效提升识别精度,使地类信息获取更加智能化,因而被广泛应用于遥感影像地类处理。根据地类识别技术不同,可以分为遥感影像分割、遥感影像分类以及目标监测三种方式。每类识别技术根据训练数据是否有标注可以分为有监督学习、半监督学习以及无监督学习三种类型。通过对相关技术和文献的调研和分析,介绍各种深度学习模型的理论基础与基本结构,总结国内外基于深度学习的遥感影像地类识别方法的优缺点,并指出未来的发展方向。 相似文献
5.
植被分类是森林资源调查与动态监测的基础与前提。当前植被分类研究大都利用光学遥感影像,然而,光学遥感成像易受到云雨覆盖的影响,难以构建完整时间序列,植被分类精度有限。微波遥感具有全天时全天候、时间序列完整的优势,在植被调查与分析中具有巨大的应用潜力。本文利用2018年Sentinel-1A微波遥感时间序列数据和深度循环网络方法,对秦岭太白山区的森林植被进行分类制图。首先利用Sentinel-2光学影像与数字高程数据对研究区进行多尺度分割;然后将处理后的时间序列Sentinel-1A数据空间叠加到分割地块上,构建地块的多元时间序列曲线;最后利用深度循环网络提取与学习多元时间序列的时序特征并分类。实验结果表明：① 与传统机器学习方法（如RF、SVM）相比,本文提出的深度循环网络方法的分类精度提高10%以上;② 在Sentinel-1A微波极化特征组合中VV+VH表现最好,与VV+VH+VV/VH极化特征组合的精度相近;③ 使用全年的时间影像构建时间序列分类精度最高,达到82%。研究表明,利用深度循环网络与时间序列Sentinel-1A数据的方法能够有效提高植被分类的精度,从数据源与分类方法上为森林植被分类研究提供了新的思路。 相似文献
6.
为提高现有多源影像无监督变化检测方法存在的检测结果易受噪声影响和计算效率低等问题,本文提出了一种基于分层极限学习机影像转换的多源影像变化检测方法。分层极限学习机（Hierarchical Extreme Learning Machine,HELM）通过多层前向编码获得丰富的特征表示,且当特征提取完成即可确定网络参数。本文方法首先通过对合成孔径雷达（Synthetic Aperture Radar,SAR）影像进行对数转换,以获得与光学影像相同的影像噪声分布,并利用影像平滑减少影像噪声对变化检测结果的影响;然后分别对多源影像进行聚类分析,通过对比两时相影像的聚类图获得初始变化检测图,选取初始变化检测图中的未变化区域的像元作为初始训练样本,构建训练样本修正模型修正初始训练样本以提高训练样本的准确性;引入HELM以实现多源影像特征空间转换,获取多时相空间转换影像,提高了算法效率;最后通过对比原始影像和多时相空间转换影像获取变化信息。两组多源影像(Google Earth和哨兵1号影像)的实验结果表明：与现有方法相比,本文方法的Kappa系数分别至少提高了6.19%和8.94%,证明了本文方法... 相似文献
7.
基于面向对象与深度学习的榆树疏林识别方法研究 总被引：1，自引：0，他引：1
榆树疏林是浑善达克沙地中一种特殊的植被类型,它对于维持区域生态系统稳定具有重要意义,在防风固沙、涵养水源、调节气候等方面发挥着重要的作用。本文利用无人机影像与GF-2影像,对高分辨率数据源中榆树疏林的两种自动识别方法进行了研究。在面向对象方法中,首先通过计算影像对象的局部方差变化率得到了最佳分割尺度;其次采用随机森林算法对初选特征的重要性进行排序,并删除无关特征;最后分别对支持向量机（SVM）、随机森林（RF）、深度神经网络（DNN）3种分类器进行参数寻优与榆树疏林提取。此外,在ENVI5.5中基于TensorFlow框架,利用U-Net构建深度学习模型对榆树疏林进行了提取,并与面向对象方法进行对比。结果显示：① 通过面向对象方法过程的优化,最终的识别精度较以往研究有所提升,GF-2影像中SVM总体精度为90.14%,RF总体精度为 90.57%,DNN总体精度为91.14%;无人机影像中SVM总体精度为97.70%, RF与DNN总体精度为97.42%。② 深度学习方法中,GF-2影像的总体精度为91.00%,无人机影像的总体精度达到了98.43%。研究结果说明在榆树疏林提取中,无人机影像具有更高的空间分辨率,更丰富的纹理、形状等信息,能达到比GF-2影像更高的精度。面向对象方法对于2种影像都有较高的适用性;深度学习的方法在本文中更适用于无人机影像,它可以有效地减少无人机影像中的错分现象。 相似文献
8.
本文论述了海冰外缘线在我国海冰监测和预报中的重要作用,分析了常规的海冰外缘线提取方法存在的不足.同时,结合MODIS遥感影像和渤海悬浮泥沙分布的特点,讨论了凝聚层次聚类的MODIS影像分割算法[1].该算法以影像光谱特性和形状特性作为判定规则,通过加入影像网格化、碎斑和噪声去除等分析,在优化冰水识别参数及分割结果提取海... 相似文献
9.
开展Sentinel-1A SAR数据在洪水淹没范围提取和水体变化监测方面的应用研究,对科学有效地管理洪涝灾害有重要意义。合成孔径雷达以其不受天气影响、能穿透云层、覆盖面积广等特点成为灾害监测的重要数据来源。面向对象的方法能有效解决影像的椒盐现象被广泛运用于信息提取研究。本文基于Sentinel-1A SAR数据,利用面向对象的方法构建洪水淹没范围提取流程,绘制灾前、灾中、灾后水体变化监测图,对比分析基于传统像元的提取方法,实现对广西临桂会仙岩溶湿地区域不同时期洪水动态监测。研究表明,Sentinel-1A SAR数据在洪水监测领域有巨大的应用潜力,相较于传统基于像元的方法,面向对象的方法能有效抑制杂斑生成,提高空间信息的利用效率,具有更好的提取精度。 相似文献
10.
受SAR图像相干斑噪声的影响,传统基于阈值的SAR图像海岸线提取方法难以迅速、精确地提取结构复杂精细的海岸线。为此,提出一种结合降斑各向异性扩散和大津法的SAR图像海岸线提取方法。首先,利用降斑各向异性扩散方法对SAR图像进行滤波,使其在尽可能滤除掉相干斑噪声的同时保持精细边缘和纹理结构;然后,以类间方差最大为准则,自适应地确定阈值,实现滤波结果图像二值化分割。在分割结果中,利用连通域标定法标定图像域,去除误分割的连通域,得到准确的海陆分割结果,以实现精确的SAR图像海岸线提取。对具有不同特点的真实大尺度SAR图像的实验结果和定量评价结果表明本文方法可以高精度地提取出光滑、连续的海岸线,相较其它方法具有更强的实用性。 相似文献
11.
鉴于传统的光谱特征参数方法存在不能综合考虑光谱在整个波长范围内的谱形、对于单一吸收带相似的不同矿物难以区分等问题,研究采用深度置信网络方法对火星专用小型侦察影像频谱仪（CRISM）高光谱影像中的火星表面矿物进行自动识别,该算法具体包括:①预训练阶段。利用非监督算法逐层训练受限玻尔兹曼机,自动学习模型参数,提取光谱特征。②调优阶段。将自动学习的光谱特征输入分类器,采用反向传播算法对模型进行监督微调,识别矿物在CRISM影像中的分布。在算法的研究中,采用光谱比值方法降低火星表面灰尘等噪声对矿物光谱的影响,并探讨样本数量、隐含层节点数、网络深度等对算法识别精度的影响,试图构建适宜于CRISM影像火星表面矿物识别的深度置信网络模型。以火星表面镁铁蒙脱石和氯盐为例进行测试,实验结果表明:该方法能够对火星表面矿物进行自动识别,准确率达到85%以上,与光谱参数法的识别结果基本叠合,并能够探测光谱参数法未能识别的部分矿物分布。 相似文献
12.
遥感影像目标检测在城市规划、自然资源调查、国土测绘、军事侦察等领域有着广泛的应用价值。针对遥感影像目标检测在目标尺度变化大、目标外观相似性高以及背景复杂度高等方面的难点，本文提出了一种新的目标检测算法，该算法有效融合了多元稀疏特征提取模块（MNB）和阶层深度特征融合模块（HDFB）。多元稀疏特征提取模块以多个卷积分支结构来模拟神经元的多个突触结构提取稀疏分布的特征，随着网络层的堆叠获取更大感受野范围内的稀疏特征，从而提高捕获的多尺度目标特征的质量。阶层深度特征融合模块基于空洞卷积提取不同深度的上下文信息特征，然后提取特征通过独创的树状融合网络，从而实现局部特征与全局特征在特征图级别的融合。本文算法在大规模公开数据集DIOR进行验证，实验结果表明：(1)多元稀疏特征提取模块和阶层深度特征融合模块相结合的方法总体准确率达到72.5%，单张遥感影像的平均检测耗时为3.8毫秒；(2)通过使用多元稀疏特征提取模块，多尺度和外观相似性目标的检测精度得到了提高，与使用Step-wise分支的物体检测结果相比，总体精度提高了5.8%；(3)通过阶层深度特征融合模块的多感受野深度特征融合网络提取阶层深度... 相似文献
13.
灾害预警通过提前发布灾害信息,引导居民及时采取避灾行动,从而有效降低灾害损失和伤亡,在减灾管理中发挥重要作用。面对自然与社会耦合下的复杂洪涝灾害系统,如何考虑居民的预警响应行为,评估不同洪涝灾害预警策略有效性是当前亟待解决的问题。本文提出了基于主体建模的城市暴雨洪涝灾害预警策略仿真方法,设定基于降雨预报、基于洪涝淹没、基于人群暴露性的3种预警策略,并以深圳市福田区为例,分析不同预警策略下城市洪涝灾害风险的变化。结果表明：(1)考虑洪涝灾害风险感知与个体出行决策概率的城市暴雨洪涝灾害预警策略ABM仿真模型,能够准确模拟不同洪涝灾害预警策略下居民出行响应行为及洪涝灾害风险的变化,科学、全面评估城市洪涝灾害预警策略的有效性;(2)不同洪涝灾害预警策略下人群出行响应行为差异显著,导致城市暴雨洪涝灾害风险降低效果不同。面对20 a一遇的降雨情景,基于洪涝淹没和人群暴露性预警能够帮助研究区居民快速识别高危险区,从而显著降低建筑物和道路的风险;(3)不同暴雨情景下不同洪涝灾害预警策略效果不同。面对较小的降雨情景,基于洪涝淹没和基于人群暴露性的精细化预警策略下城市洪涝灾害风险降低效果更好;而面对极端暴... 相似文献
14.
针对变形监测数据中包含的噪声成分难以有效滤除,导致预测结果精度不理想的问题,提出一种应用于变形监测领域的新降噪方法。首先利用变分模态分解（VMD）将原始监测序列分解为k个不同中心频率的带限固有模态函数（BIMF）,再将样本熵（SE）大于设定阈值的高频BIMF作为噪声成分剔除,最后重构余下的BIMF获得降噪序列。仿真算例和工程实例检验的结果表明,新方法与EEMD及CEEMD方法相比各评价指标均为最优,降噪结果可为形变分析和预测提供可靠依据。 相似文献
15.
由于自然地表像元在长期观测中容易发生时空失相干,利用时序InSAR（Synthetic Aperture Radar Interferometry）技术对其开展形变监测会面临可用形变测量点不足的挑战。针对这一问题,提出一种改进的小基线（Small Baseline Subset,SBAS）方法。该方法改进了传统SBAS中初始高相干像元筛选及相位滤波过程：首先利用拟合优度检验,并结合相干性阈值条件来识别同质像元;然后根据同质像元数量将所有像元分成2部分,即PS（Persistent Scatterers）候选点和DS（Distributed Scatterers）候选点;其次分别在这两部分像元中开展初始高相干PS点及DS点筛选;最后对选出的高相干PS点及DS点进行加权相位滤波。利用覆盖北京平原区西北部（含城区及山区）的27景ENVISAT ASAR影像开展的形变监测实验表明：与2个参考方法相比,该方法能够有效扩展形变结果上的测量点数量和覆盖范围,测量点数量分别提高了22.6%及27.6%,且自然地表的形变测量点密度得到了明显提升。同时,研究区形变结果与4个连续GPS站的位移数据有很好的一致性,证明了该方法在地表形变反演中的有效性及优越性。 相似文献
16.
基于Google Earth Engine的红树林年际变化监测研究 总被引：1，自引：0，他引：1
遥感技术已广泛应用于红树林资源调查与动态监测中,但仍然存在遥感数据获取困难、数据预处理工作量大、监测时间长而周期过大等问题,影响了学者对红树林演变过程的精细刻画与理解。本文基于Google Earth Engine（GEE）云遥感数据处理平台,选取Landsat系列卫星数据,生成长时间序列年际极少云影像集（云量少于5%）,利用3个红外波段反射率（NIR、SWIR1、SWIR2）和3个特征指数（NDVI、NDWI、NDMI）建立阈值规则集,实现对实验区越南玉显县红树林、红树林-虾塘、不透水面-裸地、水体4种目标地物的专家知识决策树分类和土地覆盖的制图,并基于分类结果监测该区域1993-2017年的红树林年际动态变化。结果表明：GEE平台可满足多云多雨地区红树林的长时间序列年际变化监测需求;本文阈值分类方法可以有效提取红树林及红树林-虾塘,实验区有86%年份的影像分类精度达到80%以上;年际变化监测可精细刻画实验区红树林面积先增后减再增的变化过程,也能准确反映红树林与红树林-虾塘养殖系统面积之间的负相关关系。红树林年际动态监测结果可以降低红树林演变分析的不确定性,并能更精细地量化红树林与其他土地覆盖类型的转化过程,从而评估经济发展、政策等因素对红树林演变的影响。 相似文献
17.
在传统的河道砂体建模方法中,基于目标建模的方法难以条件化,多点地质统计学难以再现连续河道砂体的形态,导致建模成果难以直接应用于油田生产。深度生成模型通过深度学习,可以生成足够精确的河道砂体模型,能再现复杂的河道砂体形态,很好地满足井点条件,弥补了传统建模算法的不足。在建模过程中,首先基于目标模拟方法与计算机匹配操作建立了20 000个河道砂体模型与对应的条件集,并结合变分自编码（VAE）与生成对抗网络（GAN）的理论,建立深度生成模型,其中包括分类器、编码器、解码器与判别器。将条件数据与真实模型输入深度生成模型中得到对应的河道砂体模型,通过大量的训练建立了可以生成满足井点条件的河道砂体的生成器,最后将井点数据输入生成器中建立相应的河道砂体模型。研究结果表明,深度生成模型建模算法与传统建模算法相比不仅展现出了连续、清晰的河道砂体,并且在给定的条件下可以生成多个河道砂体模型。该建模方法克服了传统河道砂建模方法的不足,为河道砂体储层建模提供了新的解决思路,建立的河道模型可为油田开发提供参考。 相似文献
18.
基于小波变换的SAR图像噪声滤除方法 总被引：3，自引：1，他引：2
合成孔径雷达(SAR)的相干斑噪声严重影响图像质量,降低图像的可判读性。常用的空间自适应滤波方法在滤除噪声的同时,损失了图像中的大量边缘细节信息。介绍了一种基于小波变换的SAR图像噪声消除方法,充分考虑噪声的统计特征,并把小波变换与空间滤波两者有机结合起来。通过滤波实验与其它滤波方法的对比。表明此小波滤波方法能更有效地消除SAR图像中的斑点噪声,而且能有效地保持图像中的纹理细节和边缘信息． 相似文献
19.
为解决高分辨率遥感影像变化检测中存在底层特征缺乏语义信息、像元级的检测结果存在“椒盐”现象以及监督分类中样本标注自动化程度较低,本文提出一种基于超像元词包特征和主动学习的变化检测方法。首先采用熵率分割算法获取叠加影像的超像元对象;其次提取两期影像像元点对间的邻近相关影像特征（相关度、斜率和截距）和顾及邻域的纹理变化强度特征（均值、方差、同质性和相异性）,经线性组合作为像元点对的底层特征;然后基于像元点对底层特征利用BOW模型构建超像元词包特征,并采用一种改进标注策略的主动学习方法从无标记样本池中优选信息量较大的样本,且自动标注样本类别;最后训练分类器模型完成变化检测。通过选用2组不同地区的GF-2影像和Worldview-Ⅱ影像作为数据源进行实验,实验结果中2组数据集的F1分数分别为0.8714、0.8554,正确率分别为0.9148、0.9022,漏检率分别为0.1681、0.1868,误检率分别为0.0852、0.0978。结果表明,该法能有效识别变化区域、提高变化检测精度。此外,传统主动学习方法与改进标注策略的主动学习方法的学习曲线对比显示,改进的标注策略可在较低精度损失下,有效提高样本标注自动化程度。 相似文献
20.
面对实际的遥感影像分类任务,采用深度神经网络的方法存在的最大问题是缺乏充足的标注样本,如何使用较少的标注样本实现较高精度的遥感影像分类,是目前需要解决的问题。ImageNet作为世界上最大的图像识别数据集,在其上训练出的模型有着丰富的底层特征。对ImageNet预训练模型进行微调是最常见的迁移学习方法,能够一定程度利用其丰富的底层特征,提高分类精度。但ImageNet影像特征与遥感影像差距较大,对分类效果提升有限。为了解决上述问题,本文基于传递迁移学习思想,结合深度神经网络,提出一种基于深度传递迁移学习的遥感影像分类方法。该方法通过构建以开源遥感场景识别数据集为源域的中间域,并以ImageNet预训练权重为源域、待分类遥感影像为目标域进行迁移学习,提高遥感影像分类精度。首先,以ImageNet预训练VGG16网络为基础,为加速卷积层权重更新而将全连接层替换为全局平均池化层,构建GAP-VGG16,使用中间域数据集训练ImageNet预训练GAP-VGG16以获取权重;然后,以SegNet网络为基础,在SegNet中加入卷积层设计了T-SegNet,以对获取的权重进一步地提取。最后,将获... 相似文献