博士论坛
推动创新梦想，实现科学精神是青年最鲜明的特色。面对未来，我们比任何时候都更需要听到来自青年的声音，更需要凝聚来自青年的力量。为鼓励青年学子砥砺创新，探求真知，倡导学术道德，打好基本功，勇于担负新时代赋予的新使命，《遥感学报》策划推出“博士论坛”专栏。新开设的“博士论坛”专栏将采用开放主题方式，发掘和报道遥感及相关领域的在校博士研究生的最新科研进展和学习成果。开设优先通道，特邀领域小同行专家对投稿进行精细评议和定制指导，快审快发。
主题关键词： 遥感深度学习卷积神经网络高光谱图像目标检测叶面积指数分类高斯噪声
- 论文汇编
- 摘要：中国人工林面积居世界第一，精确地对人工林结构进行监测具有重要意义。本研究以内蒙古自治区赤峰市旺业甸林场内的落叶松和油松人工林为研究对象，利用无人机激光雷达LiDAR （Light Detection And Ranging）离散点云数据和地面样地调查数据对人工林林分高进行建模，通过点云特征变量与地面测量的6种林分高（包括：Lorey’s高、算术平均高、最大高、优势树高、中位数高和树冠面积加权高）间的Pearson’s相关性筛选自变量，然后利用全子集回归构建不同林分高估测模型，并采用交叉检验法进行精度评价。结果表明：激光雷达点云高度百分位数与不同林分高相关性均较高，通过一元线性回归构建的不同林分高结果最优，且估测模型的自变量均为高度特征变量。Lorey’s高（R2=0.91—0.97，rRMSE=2.75%—3.96%）、优势树高（R2=0.86—0.97，rRMSE=3.72%—3.83%）和树冠面积加权高（R2=0.86—0.96，rRMSE=3.81%—4.73%）估测精度最高，算术平均高（R2=0.85—0.94，rRMSE=4.52%—6.07%）和中位数高（R2=0.80—0.95，rRMSE=5.37%—7.34%）次之，最大高（R2=0.69—0.87，rRMSE=6.19%—8.09%）最低。针对不同森林类型，落叶松人工林林分高估测精度最优，优于不区分森林类型模型的估测精度（ΔR2=0—0.05，ΔrRMSE=-0.69%—1.97%），优于油松林林分高模型的估测精度（ΔR2=0.06—0.18，ΔrRMSE=‒1.90%—1.13%）。无人机激光雷达可以用于估测北方温带针叶林的林分高，能够满足人工林资源调查快速、精确的要求。关键词：遥感;无人机;激光雷达;点云;人工林;林分高1868|3027|5<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-03-27
- 摘要：红外遥感图像异常是一种重要的地震前兆，需要稳定且有效的提取算法才能发现地震前兆。然而，许多算法只是在少数地震中有验证，数据样本少，不能进行异常信号的统计分析。本文提出了一种方法，对中国及周边地区的红外遥感图像的功率谱异常信号进行统计，以评估算法的准确性和普适性。该方法还分析异常信号的幅度、空间范围和相关的地震信息，将时间和空间上连续的异常点视为一个样本，以计算不同参数条件下异常信号的阳性预测值和地震的真阳性率。本文提取了FY-2G卫星的红外遥感图像中的地震异常信号，并进行统计，得到20.37%的阳性预测值和65.96%的真阳性率。高幅度大范围的异常信号可以达到80%的阳性预测值。对于大于5.4级的地震，真阳性率可以达到81.82%。本文验证了功率谱相对变化法能在大部分地震前提取到红外遥感图像异常，该方法可以分析异常信号的特征和评估异常信号与地震的相关性，有利于算法的对比和改进。关键词：遥感;FY-2G卫星;红外遥感图像;相对功率谱;震前异常统计;连通域识别1193|1487|0<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-03-27
- 摘要：机载LiDAR测深ALB （Airborne LiDAR Bathymetry）是测量沿海地区地形图和水深图的最有效的技术之一，其通常是利用ALB海面和海底反射回波的峰值位置来计算水深值。然而，当绿色（532 nm）激光光束到达海底时，光斑范围内的具有坡度的海底地形会导致海底反射回波波形展宽、峰值位置偏移等现象，从而产生海底位置的不确定性，进而直接影响海底地形测量的准确性。为了减小这种影响，本文提出了一种机载LiDAR测深的海底地形坡度影响改正方法。通过考虑ALB激光光斑内海底地形的连续性，基于ALB激光光斑范围内局部地形参数模型FTPM （Footprint-scale Topography Parameters Model）构建ALB海底反射回波模型，通过定量分析不同水深、不同海底地形坡度所引起的海底反射回波峰值位置变化，以确定海底地形坡度对ALB测深的影响规律，进而构建ALB测深误差方程针对性地改正海底地形坡度引起的测深误差。本文采用中国南海甘泉岛附近海域所测ALB和多波束测深数据对所提方法进行了验证。结果表明，海底地形坡度影响改正后，平均绝对误差MAE （Mean Absolute Error）和中误差RMSE （Root Mean Square Error）分别减小到9.4 cm和12.3 cm，较改正前分别降低了35.6%和33.5%，对ALB测深数据处理具有参考意义。关键词：遥感;机载LiDAR测深;海底地形;海底坡度;水深改正;海底光斑1429|3149|1<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-03-27
- 摘要：在全球变暖影响下，由降水、气温等气象要素所主导的干湿条件在全球或区域上均发生了明显变化，中国草原区对气候变化敏感、具有明显的生态脆弱性特征，因此研究中国草原区的干湿变化趋势非常重要。本研究基于干旱指数分析了1982年—2018年中国草原区的干湿程度时空变化趋势。结果表明，1982年—2018年中国草原区的干旱指数呈不显著上升趋势。2005年前后两个时期中国草原区表现出显著的趋势差异，1982年—2005年中国草原区干旱指数呈下降趋势，即干旱程度增加，而2006年—2018年呈增加趋势，该时段湿润化明显。2006年之后的中国草原区湿润化趋势源于该地区降水持续增多，而增温停滞导致潜在蒸散发不再升高。分区域来看，1982年—2005年内蒙古草原区干旱指数呈下降趋势，2006年—2018年呈上升趋势；西北草原区在1982年—2005年和2006年—2018年两个时间段干旱指数均呈上升趋势；青藏草原区在1982年—1994年干旱指数呈下降趋势，1995年—2018年呈上升趋势。关键词：遥感;中国草原区;干旱指数;动态变化;转变;气候变化1612|2080|1<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-03-27
- 摘要：遥感图像目标检测是对目标视觉特征的描述与图像先验知识的表达，解译得到的信息无论在军事领域还是在民用领域都有着广泛的应用。针对复杂场景下遥感图像目标特征提取能力不足，目标尺度差异较大、方向任意且紧密排列，传统目标检测所使用的水平框难以准确定向等问题，提出了一种精细化多尺度特征的遥感图像定向目标检测算法。首先，设计了一种基于空洞卷积的上下文注意力网络，能够利用不同空洞率的卷积核捕获局部和全局语义信息，并利用注意力机制将语义信息整合到原始特征上，提升目标特征提取能力；其次，提出了一个精细化的特征金字塔网络，通过像素混洗的方式减少特征金字塔中的通道信息损失，强化网络对差异性大的多尺度目标特征信息的理解能力；最后，研究利用滑动顶点的方式回归定向的矩形框，更好地表示遥感图像内有向目标的位置。本文以Fast R-CNN OBB为基准，通过在目标检测公开数据集DOTA和HRSC2016上验证了算法的有效性，结果显示本文算法在DOTA数据集上与基准算法比较，平均精度（mAP）提升了22.65%，最终检测精度mAP达到了76.78%。在HRSC2016数据集上，最终检测精度mAP达到了89.95%。此外，本文算法较多种先进算法相比均有具有较好的提升。关键词：遥感;深度学习;目标检测;特征提取;多尺度特征金字塔;定向回归框2681|4589|4<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-03-27
- 摘要：为了综合分析受随机介质遮蔽目标雷达成像方法效能，本文系统比较了随机介质参数（散射厚度与吸收厚度）、天线布局方式（稀疏阵列的天线阵元间距及空间分布）对合成孔径雷达SAR、时间反转TR以及时间反转—多重信号分类TR-MUSIC这3种典型方法成像效能的影响。结果表明TR-MUSIC表现最优，SAR次之，TR较弱。随着光学厚度或单次散射反照率的增大，3种成像方法效能均发生退化，但TR-MUSIC总体而言相对受影响最弱。散射厚度是造成成像效能退化的主要原因，而吸收厚度的影响较为微弱。根据稀疏阵列下成像方法效能比较结果，利用TR-MUSIC可以抑制栅瓣特性的优势，使用特殊布局的天线可以同时降低雷达系统复杂度和减弱杂波信号，进而改善成像结果。本研究可为提高受随机介质遮蔽目标的雷达成像质量提供理论支撑。关键词：雷达成像;随机介质;比较分析;合成孔径雷达;时间反转成像916|1781|0<HTML><网络PDF><Meta-XML>更新时间：2021-07-23
- 摘要：高光谱数据具有丰富的光谱特征，但是其空间分辨率相对较低。一些遥感数据具有与高光谱数据互补的优势，例如提供更精细的空间信息的高空间分辨率数据和具有高度信息的激光雷达LiDAR（Light Detection and Ranging ）数据。通过将高光谱数据与多源遥感数据进行融合，可以弥补高光谱数据空间分辨率相对较低，空间特征不够丰富的缺点。近年来，基于深度学习的方法已经在遥感数据分类研究中取得了一定的进展。然而，由于深度网络的特征提取过程是一个自主的过程，往往无法精确的获取最有利于遥感数据分类的特征；同时，深度学习方法具有复杂的网络结构和大量的参数，往往会在分类训练过程中造成参数拟合困难。以上这些因素会导致分类效果不佳。针对这些问题，本文提出了一种将卷积神经网络CNN（Convolutional Neural Network）和纹理特征相结合的多源遥感数据特征级融合分类框架。该方法共3个步骤，首先，对高光谱数据或多源遥感数据提取纹理特征；然后，构造CNN，分别将原始高光谱遥感数据、原始多源遥感数据和第一步中获得的纹理特征作为深度网络的输入进行深度特征提取；最后，将分别提取到的深度特征拼接，并利用Softmax分类器进行分类。为了验证本文提出方法的分类效果，本文在休斯顿和塞特福德矿地区公开数据集上进行实验，并将该分类框架与支持向量机分类方法、像素级融合分类方法和特征级融合分类方法进行对比。由此可以分析得出，本文提出的基于深度学习的融合分类方法可以获得较高的分类精度。关键词：卷积神经网络;高光谱数据;高分辨率数据;激光雷达数据;图像融合;传统特征;分类3942|3375|15<HTML><网络PDF><Meta-XML>更新时间：2021-07-23
- 摘要：目前大部分植被辐射传输模型在模拟太阳辐射与植被之间的相互作用过程时，将植物结构进行了简化，只保留了叶片的结构和空间分布特征，而忽略了木质元素（枝干等）对冠层反射特性的影响。计算机模拟模型LESS能够充分考虑植被的多种组分光谱和结构特征，精确模拟植被冠层内部的光散射和辐射过程。本文以地面实测数据为基础，发展了以单木为基本单元的复杂森林三维场景重建基本流程；并在重建森林场景基础上，利用计算机模拟模型LESS模拟森林三维场景反射率，对比分析了森林木质元素对冠层反射率的影响。结果表明，忽略木质元素会引起植被冠层反射率模拟的偏差，特别是在近红外波段，在不同叶面积指数（LAI）下，其相对偏差都在40%以上。高空间分辨率是一个会突出木质元素影响的重要因素，随着空间分辨率提高，偏差也随之增大。不同等级枝干结构均对冠层反射率产生影响，即使忽略最小分枝也会引起17.7%（近红外）的估计误差。因此，在进行定量遥感研究中，必须考虑到忽略木质元素引起的偏差，即使是高LAI森林也无法忽视木质元素的影响。特别是在高分辨率遥感图像中，传统的以统计特征代替三维结构分布的辐射传输模型已经无法满足精度的要求。关键词：辐射传输模型;森林;反射率;木质元素;三维重建;LESS1136|2450|0<HTML><网络PDF><Meta-XML>更新时间：2021-06-07
- 摘要：高分辨率遥感图像目标检测是计算机视觉的一个重要研究领域，在民用与军事领域具有重要的应用价值。目前，基于深度学习的自然图像目标检测有了突破性进展。但是，由于遥感图像具有目标尺度差异大且类间相似度高的特点，使得处理自然图像的目标检测算法直接应用于遥感图像时仍面临着一些挑战。针对上述挑战，本文提出一种多分辨率特征融合的遥感图像目标检测方法。首先，通过特征金字塔提取多尺度特征图并在其后嵌入多分辨率特征提取网络，促使网络学习目标在不同分辨率下的特征，缩小不同特征层之间的语义差距。其次，为实现多分辨特征的有效融合，本文采用自适应特征融合模块挖掘更具判别性的多分辨特征表达。最后，将自适应特征融合模块的输出特征的相邻层进行深度融合。在公开的遥感图像目标检测数据集DIOR和DOTA上评估了本文方法的有效性，相比采用特征金字塔结构的Faster R-CNN，本文方法的准确率（mAP）分别提高2.5%和2.2%。关键词：卷积神经网络;多分辨率特征融合;遥感图像;目标检测2198|3348|24<HTML><网络PDF><Meta-XML>更新时间：2021-06-07
