陕北定边县柠条林净初级生产力模拟与分析
这是一篇关于净初级生产力,CASA模型,高分辨率遥感影像,植被生物量,柠条灌木林的论文, 主要内容为植被净初级生产力(NPP)是碳循环的驱动力和全球碳平衡的重要组成,随着遥感技术的发展,基于植被光利用原理的CASA模型广泛应用于全球和区域尺度的NPP估算研究。然而,现有CASA模型的估算分辨率低,忽略了小尺度异质性,造成较大估算误差。基于高分辨率遥感数据,提高CASA模型估算精度及分辨率已经成为区域尺度生态系统评估和管理的必然要求。黄土高原是典型干旱半干旱区,灌木林分布分散,但发挥了积极的生态功能。因此,高分辨率的NPP估算对灌木林生态系统研究和管理具有重要意义,为该地区“退耕还林还草”等生态工程带来的生态效益评估奠定了科学指导依据。为此,本研究结合了树木年轮数据、高分辨率遥感影像和CASA模型,开发了一套NPP估算系统,以满足高分辨率植被NPP估算需求。此估算系统首先依据实测数据构建生物量与植物生长指标的最适模型;其次基于此模型和树木年轮数据,构建植物NPP-冠幅的最适模型;最后采用高分辨率遥感影像数据,基于NPP-冠幅模型,确定相应植被的NDVImax,NDVImin和εmax,校正了CASA模型。将该估算系统应用于陕西省定边县柠条林NPP的估算,模拟了2011–2021年柠条灌木林NPP,分析了其时空分布特征及NPP影响因子。结果如下:(1)基于陕西省定边县89株柠条实测数据,经统计分析与验证,以基径为自变量的模型更稳定,逻辑斯蒂模型考虑了植物生长特性、种间种内竞争等因素,因此选择地上生物量-基径模型作为地上生物量的最适模型;(2)基于地上生物量-基径模型和年轮宽度,构建NPP-冠幅最适模型。通过对比五种备选模型,幂函数模拟精度最优,验证结果证明模型有效;(3)高分辨率遥感影像所测量的冠幅数据能够准确反映实际冠幅;基于高分辨率遥感数据,确定了NDVImax和NDVImin为0.415和0.022;结合柠条NPP-冠幅模型,确定了柠条灌木林的最大光能利用率εmax为0.025,对调整后的CASA模型进行验证,R2达到0.541;(4)应用NPP估算系统对定边县柠条林NPP时空动态进行分析。从2011到2021年,定边县柠条灌木林NPP值整体呈现上升趋势。2011年的柠条灌木林NPP值最低,在2014年达到峰值,于2015年急剧下降,随后,NPP逐年上升至2018年,在2020年急剧下降。定边县柠条灌木林NPP值和NPP变化值均呈现由北向南逐渐增加的趋势。2011年到2021年,南部丘壑区柠条灌木林整体呈现增加趋势。(5)定边县柠条林NPP主要受到最湿季温度和最热季降水的影响,年均NPP与最湿季均温的相关性达到0.727,与最热季降水的相关性为0.513。2019年以后,NPP变化与最湿季温度和最热季降水的变化不一致,因为柠条成长为成熟林,趋于退化。
基于深度学习的高分辨率遥感影像建筑物提取和变化检测研究
这是一篇关于高分辨率遥感影像,建筑物提取,建筑物变化检测,多尺度特征,注意力机制的论文, 主要内容为建筑物为城市居民的居住、工作、休闲以及其他活动提供了基本的功能活动空间,快速提取高分辨率遥感影像数据中的建筑物信息,对城市规划、地表动态监测和土地利用管理等具有重要意义。但考虑到遥感影像构成复杂,仅依靠人力解译不仅效率低下,同时存在极大不稳定性。目前,相关建筑物提取与变化检测算法已能够实现建筑物的自动化分割,并有效地提高建筑物分割精度。然而,由于建筑物具有颜色纹理等特征可区分度高、呈一定空间排列分布、尺度大小不一、边缘形状复杂等特性,同时变化检测任务中前后时相影像存在时序关联的特点,建筑物的自动化提取与变化检测算法研究仍是一项具有挑战性的任务。因此,本文围绕遥感影像中建筑物提取与变化检测模型展开研究,主要工作包括:(1)针对高分辨率遥感影像中建筑物主体难定位、建筑物空间上下文信息未能有效利用、多尺度建筑物难充分提取等问题,提出了一种基于双向监督网络的建筑物提取模型—BDS-UNet。首先,在U-Net模型的跳跃连接部分引入协调注意力门控模块,通过沿着横纵两个不同空间方向聚合特征信息并互补生成注意力热图,合理整合建筑物特征并实现对建筑物主体的精准定位。其次,在U-Net模型的桥接部分加入连续空间金字塔模块,对小尺度空洞卷积分组并在组内对输入特征进行逐级叠加,进一步捕获不同建筑物间存在的空间上下文信息。最后,提出一种双向监督结构,在解码阶段分成自上而下和自下而上两个部分传播并融合相邻解码器的预测结果,有效提升模型的多尺度建筑物提取能力。公开的Massachusetts数据集和WHU数据集上的实验结果证明了本文所提出模型在建筑物提取方面的出色表现。(2)针对前后时相影像间时序特性难以充分捕获、变化区域边缘细节和空间上下文信息易被忽略的问题,提出一种基于变化感知和全局增强的建筑物变化检测模型—CAGE-Siam-UNet。首先,在Siam-UNet模型的孪生编码器特征融合阶段加入变化感知模块,从时空激活、通道激活和感知激活三个分支对前后时相特征进行激活,从而凸显不同时序建筑物的变化差异。其次,提出一种全局增强解码器结构,通过局部细化操作、空间上下文特征融合和双向深度监督,在丰富变化区域边缘细节和空间上下文信息的同时,优化模型的多尺度变化区域提取能力。公开的LEVIR数据集和WHU变化检测数据集上的实验结果证明了本文所提出模型在建筑物变化检测方面的出色表现。
基于深度学习的高分辨率遥感影像道路自动提取研究
这是一篇关于深度学习,道路提取,高分辨率遥感影像的论文, 主要内容为人工智能技术与基因工程和纳米技术一起被认为是二十一世纪的三大尖端技术,对社会的进步和经济发展有着不可估量的作用。深度学习技术作为近年来人工智能技术发展最快也是最有希望技术,在近几年其研究和应用已经达到了井喷的状态,并在许多领域取得了非常好的应用效果。特别是在语音识别和影像识别领域深度学习已经取得了突破性进展,其识别准确率甚至已经超越大部分人类的识别准确率。然而在高分辨率遥感影像道路自动提取方面的相关技术研究虽然已经有大约三十年的历史,并且在这期间有许许多多的道路提取方法被提出,但是由于高分辨率遥感影像复杂的地物环境,目前道路的提取精度和完整性都不尽人意。而基于有着超强学习表达能力的深度学习方法在遥感影像道路识别提取中的相关研究还才刚刚开始。深度学习技术有望使高分辨率遥感影像道路自动提取技术也取得突破性进展。本文应用深度学习的方法对高分辨率遥感影像道路自动提取进行建模,具体研究工作如下:(1)研究和改进了基于全卷积深度学习网络结构自动提取高分辨率遥感影像中的道路的模型。该模型具有对遥感影像进行端到端的道路提取能力,且对输入影像的大小没有限制,不需要人工设计提取特征,也不会像现有深度学习模型需要利用滑动窗口的形式将深度学习与道路提取相结合。该模型在本文试验数据全监督训练后的道路提取平均准确度为86%。(2)研究提出了深度学习道路提取模型小样本训练方法。目前深度学习算法对训练数据库数据量要求太高,往往是几十万以上的级别的数据量才能使深度学习模型有较好的性能表现。为此,本文对训练数据库对深度学习模型性能的影响做了较深入的研究,并提出了小样本训练方法。应用小样本训练方法,本文通过57对原始训练数据对(1)中的道路提取模型重新进行训练后,模型的平均准确度从86%提升到96%,使原始训练样本数量极大减少的同时,模型的性能相比于原有大量训练样本训练后的模型性能不仅没有下降反而还大大提高了。(3)研究了深度学习弱/无监督的学习方法,这些方法包括自编码学习、相似度映射学习、生成对抗学习、循环学习、循环生成对抗学习、噪声学习、对应关系学习等深度学习弱/无监督道路提取算法模型,其目的是为了充分利用大量的无标记的数据进行学习。其中本文提出的基于相似度映射关系的深度学习模型的提取准确度最高,道路平均准确度达到了88%。该方法的提取精度甚至超过了(1)中的全监督训练方法,值得后续继续研究。
基于MST-DeepLabv3+模型的高分辨率遥感影像耕地提取研究
这是一篇关于高分辨率遥感影像,语义分割,轻量级网络,注意力机制,迁移学习的论文, 主要内容为耕地与经济和民生息息相关,是不可或缺的重要资源。然而,在我国城市化和工业化的快速发展中,耕地资源正逐步被占用,威胁到“耕地红线”政策的目标。因此,快速且准确的对耕地信息进行提取对保证农业可持续发展和国家粮食安全有着十分重要的意义。遥感影像能够提供地表物体的丰富信息,遥感影像分类是耕地信息提取的重要手段。随着遥感影像质量的不断提升,高分辨率遥感影像带来了丰富的地物信息,但对其高精度、高效率的分类提取也是一个极大的挑战。深度学习中的语义分割算法凭借着较高的分类精度,以及较强的自动学习能力,逐渐成为处理高分辨率遥感影像的重要手段之一。本文将深度学习语义分割模型应用于高分辨率遥感影像耕地信息提取,探索适用于耕地提取的高精度、高效率方法。经典语义分割模型通常具有大量的训练参数,进行影像分割时存在分割不准确和效率低的问题,且大多数耕地提取的方法只适用于某些特定的数据集或者特定的研究区,模型的泛化能力较差。针对这些问题,本文的主要研究工作和结论如下:(1)对DeepLabv3+模型改进,得到MST-DeepLabv3+模型。使用轻量级网络Mobile Net V2替代DeepLabv3+模型的特征提取网络Xception,以减少模型参数量,提高训练速度;对比不同的注意力机制模块,选取通道注意力机制SENet加入模型,弥补轻量级网络带来的精度损失,提高遥感影像语义分割的精度;引入迁移学习,将Image Net数据集上训练的特征提取网络用做预训练模型,增强模型获取特征的能力,提升网络分割精度。在ISPRS Vaihingen数据集与GID数据集上进行多模型对比实验的结果显示,MST-DeepLabv3+模型具有优秀的分割性能,能够有效解决经典模型分割结果中存在的不同程度误分、漏分及过度分割问题,改善地物边界及轮廓分割不准确的现象,为后续耕地信息提取提供帮助。此外,消融实验也说明了改进方法对模型的影响。(2)耕地信息提取研究。以周口市太康县作为研究区,使用高分一号遥感卫星的PMS影像制作太康耕地数据集。为进一步探索适用于耕地提取的方法,在MST-DeepLabv3+模型的基础上,提出改变迁移模型的MST-DeepLabv3+(GID)与改变影像波段组合的MST-DeepLabv3+(Nir RG)两种方法。将这两种方法与MST-DeepLabv3+、PSPNet、UNet和DeepLabv3+模型应用于太康耕地数据集。实验结果表明,本文提出的MST-DeepLabv3+(GID)、MST-DeepLabv3+(Nir RG)与MST-DeepLabv3+三种方法的各项评价指标值均高于PSPNet、UNet和DeepLabv3+模型,可以很好的完成耕地区域完整分割,具有平滑分割边界,消除粘连现象的能力,能够高效且高精度的实现耕地信息提取。其中MST-DeepLabv3+模型精度最高,整体效果更好。实验证实了本文提出的三种模型均能有效的提取耕地信息,能够为今后的高分辨率遥感影像耕地信息提取提供参考。其中MST-DeepLabv3+模型不仅在耕地提取任务中具有最佳的分割性能,在其他数据集上也能得到较好的分割结果,泛化能力强。
基于孪生网络的高分辨率遥感影像建筑物变化检测研究
这是一篇关于孪生网络,变化检测,高分辨率遥感影像,多尺度特征提取,Transformer的论文, 主要内容为随着航空航天遥感技术的持续发展,遥感影像的空间分辨率在不断提高的同时影像数据的获取也变得更加容易,高分辨率遥感影像由于其具有丰富的地物纹理信息、更复杂的形状信息,逐渐成为了遥感研究的首选数据源。建筑物是衡量一个地区城市化发展的主要标志,快速准确地识别建筑物变化对城市违章建筑物管理、城市化扩张和灾害分析起到至关重要的作用。利用高分辨率遥感影像对建筑物变化区域进行识别是当前遥感影像变化检测研究的重要分支之一。与其他类型的变化检测不同,建筑物拥有不同的形状、高度、材质和颜色,当使用传统的变化检测方法对高分辨率影像中的建筑物进行识别时容易出现“椒盐噪声”现象。同时由于太阳高度角、光照、云层遮挡、大气以及传感器自身因素会导致影像出现伪变化给传统的方法带来了一定的挑战。近年来,计算机软硬件在不断更新换代,以深度学习为代表的人工智能技术兴起,在遥感影像处理领域大放光彩,因此,本文使用深度学习技术研究高分辨率遥感影像建筑物变化检测问题。具体研究如下:(1)基于卷积神经网络的建筑物变化检测方法。本文构建了一种基于卷积运算的孪生神经网络用于高分辨率遥感影像建筑物变化检测,通过孪生子网络分别提取前后双时相影像的深层特征,在提取特征的过程中使用短路连接加深浅层与深层之间的联系,避免梯度消失现象,在解码器深层使用空洞卷积组成的多尺度特征提取机制提取深层特征不同尺度下的特征并融合,解码过程中使用一种学习型上采样方法来恢复影像特征,在输出的过程中使用深度监督策略融合不同层之间的输出。(2)基于Transformer的建筑物变化检测方法。考虑到卷积运算无法顾及影像周边像元之间的关系、无法建立长距离建模,本文构建一种基于Transformer的孪生网络。孪生子网络通过Transformer的多头注意力来提取影像特征,考虑到多头注意力的运算虽然能在全局方面提取影像特征,但是在局部细粒度特征提取方面存在不足,因此,在Transformer结构之后会使用空洞卷积组成的卷积操作进行局部特征增强,Transformer和卷积操作互补,可以获取影像的全局和局部特征,在解码过程中,会使用跳跃连接机制同时连接Transformer和卷积所提取的特征。(3)使用LEVIR-CD数据集和WHU建筑物数据集分别进行对比实验和消融实验,将本文所提网络与FC-EF、Seg Net、FC-Siam-Diff、FC-Siam-Conv、UNet++＿MSOF、IFN、SNUNet和BIT等先进的模型进行实验。结果表明本文的网络相比同类型的网络在建筑物变化检测任务中有良好的性能。孪生卷积网络在两个数据集上的F1分数均值达到了87.85%,孪生Transformer网络在两个数据集上的F1分数达到了91.05%,两个网络均高于对比实验网络,同时可视化结果中错检和漏检区域也最少。
基于深度学习的高分辨率遥感影像建筑物提取与变化检测研究
这是一篇关于高分辨率遥感影像,建筑物提取,建筑物变化检测,深度学习的论文, 主要内容为高分辨率遥感影像能提供丰富的地物信息,是建筑物信息获取的重要手段。其中,建筑物的提取可以快速了解城市空间的分布特征,建筑物的变化检测也为社会经济的规划布局提供了分析条件。从影像中进行科学、准确、及时的研究建筑物信息,对城市规划发展、城市的动态变化和灾害预防等具有重要意义。在传统的高分辨率遥感影像建筑物提取方法中,大多依赖于先验知识和人工特征提取,人工记录和野外调查的方法需要具有相关经验和知识的人员,存在成本高昂且效率低下的问题。基于深度学习技术的建筑物提取模式,不仅能快速获取城市全区域不同时段的信息,还能够适应数字化时代的发展和需求。因此,本文基于深度学习的高分辨率遥感影像进行建筑物提取与变化检测的研究实验,主要工作如下:(1)针对当前深度学习训练建筑物数据集质量不高,且实验过程中数据集利用不充分的问题,本文进行建筑物数据集的增强处理。主要通过数据集的裁剪、填充、平移、旋转以及剔除大面积空白区的数据等方式提高了数据集的利用率。(2)针对当前建筑物提取结果中,存在边界模糊和完整性不足的问题,提出了一种基于上下文融合和边缘保留的建筑物提取方法。该方法通过融合卷积神经网络中互不干扰的平行道路提取不同尺度的建筑物特征,采用注意力机制将卷积神经网络提取的特征进行加权融合,得到同时具有细节信息与全局信息的特征图,实现建筑物的准确提取。本研究基于开源数据集Massachustetts建筑物数据集和WHU建筑物数据集,分别取得了94.22%的OA得分和94.04%的OA得分。相比于主流的U-Net网络提取结果平均提高了1%和6%。(3)针对建筑物变化检测结果中,存在建筑物群不连续出现的个别检测错误结果,利用上述建筑物提取方法实现建筑物的变化检测。该方法在LEVIR-CD双时相遥感图像数据集中取得了78.63%的Io U得分,对比常用变化检测网络检测结果有所提高,也验证了基于上下文融合和边缘保留的建筑物提取方法的准确性和适用性。
基于改进的U-Net模型的高分遥感影像冬小麦语义分割
这是一篇关于高分辨率遥感影像,U-Net,混合注意力机制,空洞空间金字塔池化的论文, 主要内容为准确获取冬小麦种植分布信息对农业管理和粮食安全具有重要意义,近些年来随着遥感卫星技术和深度学习的发展,利用卷积神经网络对农业遥感影像进行语义分割已成为当下的研究热点之一,但由于高分辨率农业遥感影像丰富的纹理特征、空间信息以及复杂的几何形状,使得农业影像在进行语义分割时容易出现特征表示能力差、空间信息利用不充分的问题,从而导致预测结果粗糙.针对上述问题,本文提出一种基于混合注意力机制CBAM(Convolutional Block Attention Module)和空洞空间金字塔池化ASPP的高分辨率遥感影像语义分割模型CBAM-ASPP-U-net.模型采用编解码结构、利用端到端的方式实现高分辨率农业遥感影像语义分割.主要有两个创新之处:(1)为了解决农业遥感影像语义分割面临的特征表示能力差的问题,CBAM-ASPPU-Net语义分割模型在U-Net网络结构的基础上加入混合注意力机制模块CBAM,着重关注特征密集的空间区域和对语义分割结果贡献度大的通道,通过从空间和通道两个维度优化特征图来达到提高特征表达能力的目的.(2)为了解决农业遥感影像语义分割面临的空间信息利用不充分的问题,CBAM-AS PP-U-Net语义分割模型在传统的编解码结构基础上,加入空洞空间金字塔池化模块ASPP,利用多级采样率的空洞卷积并行来拓宽网络的感受野,使网络获取的语义信息更加丰富,从而达到全局上下文语义信息编码的目的.为了验证本文提出CBAM-ASPP-U-Net语义分割模型的有效性,在开封杞县Sentinel-2A遥感影像数据集上进行冬小麦语义分割对比试验,实验结果证明了改进语义分割模型的有效性,具有更强大的特征表示能力,能够获取更加准确的冬小麦语义分割结果.
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://bishedaima.com/lunwen/48571.html
