最新刊期
2025 年 第 29 卷 第 1 期
-
遥感科学的内涵与基础性问题 AI导读
“在人工智能推动下，遥感科学与技术迎来新发展，专家探讨了其物理基础和基本理论问题，为遥感技术进步和学科交叉融合奠定基础。”
摘要：自20世纪60年代以来，遥感科学与技术一直是世界大国竞相发展的高科技领域，已成为人类开展地球系统科学研究和多领域空间信息综合应用的核心技术手段。近年来，以深度学习为代表的人工智能技术引发了数据驱动的遥感数据分析与应用新范式的变革，“遥感科学与技术”也正式成为中国研究生教育交叉门类一级学科。在此背景下，深入探讨遥感科学的内涵与基础性问题尤为重要。本文从遥感科学的物理基础出发，即地物与电磁波相互作用并在特定条件下形成遥感电磁波谱图像，将遥感科学的基本理论问题归纳为辐射、光谱、时相3大特性和尺度、大气、角度、邻近、传递5大效应，前者是由于地物自身理化学特点在电磁波谱上表现出的固有特征，而后者是在成像尺度、大气条件、观测角度、背景环境、遥感器成像机制等不同观测模式与条件下形成的地物遥感特征表达及其变化规律。上述对遥感科学的内涵与基础性问题的梳理与讨论，有助于在人工智能蓬勃发展的大背景下深化和促进遥感科学基础理论研究，进一步推进遥感信息获取、处理与应用技术的创新发展，持续推动遥感与其他学科领域的深度交叉融合。关键词：遥感科学;地物电磁波谱;辐射传输;尺度效应;角度效应;反射辐射;发射辐射;激光雷达;合成孔径雷达929|58|0发布时间：2025-01-22
综述
- “在陆地生态系统碳收支平衡领域，专家系统归纳了LUCC时空模拟方法和森林碳循环影响研究进展，为精准模拟森林碳循环提供新方向。”摘要：土地利用/覆盖变化（LUCC）是影响陆地生态系统碳收支平衡的直接驱动因素，其对全球变暖的影响仅次于化石燃料和工业排放。森林是陆地生态系统中最大的碳库，在应对全球气候变化和实现碳中和目标中具有重要的作用。目前，有限的LUCC数据导致LUCC对碳排放的影响大大低估，同时缺乏未来气候背景下的LUCC时空分布，引起了森林碳循环对LUCC的响应研究面临诸多不确定性。如何模拟LUCC，分析LUCC对森林生态系统碳循环的影响是国内外研究的热点。本文系统归纳了国内外LUCC时空模拟方法、森林碳收支估算方法和LUCC对森林碳循环影响研究进展，并列举分析不同LUCC时空模拟、森林碳收支估算模型的优势、适用性、存在的问题。通过文献综述，指出以遥感数据为基础，模拟LUCC并驱动生态系统过程模型，实现森林生态系统碳循环时空精准模拟，是今后碳循环研究的发展趋势之一。关键词：土地利用/覆盖变化;时空模拟模型;森林碳循环模型;碳中和;遥感970|748|0发布时间：2025-01-22
-
森林年龄遥感估算和应用研究进展 AI导读
“林龄研究进展：遥感技术助力森林碳汇能力评估，为林业经营提供数据支持。”
摘要：林龄是决定森林碳汇能力及其变化趋势的关键因子。定量刻画林龄的时空差异是预估森林生态系统碳源汇变化趋势的重要环节。传统林龄调查仅限于森林样地，随着遥感技术的发展，其估算范围扩展到区域及全球尺度。与林龄相关的研究在林学、生态学、地学等领域也日益受到广泛关注。本文综合论述了自2000年以来，林龄的估算方法及其应用前景的研究进展。基于遥感的林龄估算方法主要分为：光谱纹理信号反演、时间序列变化检测、树高生物量生长方程模拟3大类。光谱纹理信号反演方法简单，但饱和效应明显且精度有限；时序变化检测精度较高，但只适用于有连续遥感观测的中幼林。基于树高生物量生长方程的方法拓宽了林龄估算的限度，但估算精度对生长方程及输入参数非常敏感。因此，综合多源数据、结合多模型方法已成为林龄估算的主流策略，并成功用于中国、加拿大等国家的高分辨率林龄制图。大范围的林龄数据在森林碳循环模拟、生物多样性评估、林业经营与管理等方面有着广阔的应用前景。针对林龄遥感估算，当前亟需完善并更新森林样地数据集，充分挖掘多源、多时空遥感信息，并着力提升估算模型的可迁移性和普适性；以进一步提高林龄估算的精度和效率，从而为林龄相关的研究提供更加全面、可靠的数据和技术支持。关键词：遥感;森林年龄;树高;生物量;碳循环;变化检测;生长方程;森林管理;生物多样性2|0|0发布时间：2025-01-22 -
森林冠层结构复杂性研究进展及展望 AI导读
“在森林生态系统研究领域，激光雷达技术为准确表征冠层结构复杂性提供了新机遇，推动了中国生态遥感研究的发展。”
摘要：森林冠层结构调控着植物与大气间的物质交换与能量流动，形成区域微气候影响生态系统过程与功能，准确刻画冠层结构对于森林生态系统碳汇研究具有重要意义。冠层结构复杂性是一种用于描述冠层内部枝干与叶片空间分布情况的综合参数，被广泛应用于森林生态系统研究中。受限于传统地面调查方法，冠层结构复杂性只能采用树高和胸径等调查因子的统计值来表征，难以全面地刻画冠层复杂程度。随着激光雷达技术的快速发展，获取森林完整的三维结构信息成为了可能，也为全面、准确地表征冠层结构复杂性提供了新机遇。本文将厘清当前冠层结构复杂性定量化方法，重点阐述如何利用激光雷达技术表征冠层结构复杂性，综述了其在森林生态系统光、降水分配、微气候、生产力和稳定性等调控方面应用进展，并展望其在森林生态系统过程与功能研究中需要重点关注的问题与方向，以期推动中国生态遥感研究对森林冠层结构复杂性的关注，拓展近地面遥感技术在中国遥感科学和生态学研究中的应用。关键词：生态遥感;森林生态系统;冠层结构;光资源;降水分配;生产力;微气候;稳定性1260|631|0发布时间：2025-01-22 - “全球森林对大气CO2施肥效应的响应规律研究取得新进展，专家利用随机森林回归模型定量分析了GPP和NEP对大气CO2上升的响应，为制定气候变化应对政策提供科学依据。”
摘要：近年来，关于大气CO2施肥效应（β）的定量研究逐渐成为全球碳循环研究的热点。大气中的CO2浓度不断上升在很大程度上影响着总初级生产力（GPP）的变化，进而可能对净生态系统生产力（NEP）产生影响。因此在全球气候变化背景下，准确定量描述GPP对于大气CO2上升的响应（ - “最新研究揭示了利用遥感技术对中国寒温带森林覆盖度进行长时序估算的可行性，为北方森林管理提供新思路。”
摘要：寒温带森林是陆地上分布面积最广的森林生态系统，具有重要的生态和社会经济价值。定量描述长时序寒温带森林类型和树种覆盖信息对于量化其生态系统服务功能以及制定森林管理政策具有重要意义。然而受实测覆盖度数据缺乏和多光谱影像光谱信息有限的限制，现有研究较少探究中分辨率多光谱星载数据（如Landsat卫星）对中国寒温带森林类型覆盖度和树种覆盖度进行长时序反演的可行性，并且对于遥感影像获取时间频率（单时相、多时相）对反演精度的影响仍缺乏定量评估。为此，本研究利用人工合成样本和随机森林回归模型对黑龙江省孟家岗林场的森林类型和树种覆盖度分别进行了反演，并将模型应用于1986年—2020年的Landsat影像，估算孟家岗林场阔叶林和针叶林35年的覆盖度。结果表明：（1）对于森林类型覆盖度反演，基于生长季Landsat波段和植被指数（归一化耕作指数以及缨帽变换系数）的中值特征估算的精度最高，阔叶林覆盖度估算 -
森林植被碳储量的遥感估测流程与方法 AI导读
“在森林碳计量领域，专家构建了基于遥感的森林植被碳计量新体系，为实现“双碳”战略目标提供解决方案。”
摘要：森林是陆地生态系统中最大的碳库，厘清森林碳储量本底和增汇潜力对实现国家的“双碳”战略目标具有重要意义。遥感具有宏观、综合、动态、快速、可重复等特点，针对遥感技术在森林植被碳计量中的瓶颈，本文基于单木的结构和生长方程构建森林植被碳计量新体系：（1）融合空—地激光雷达数据，提取单木胸径、树高和冠幅结构参数，建立单木级森林样地碳储量计算方法；（2）以冠层高度和郁闭度为核心变量，建立具有物理解释性的像素级区域森林碳储量模型，克服机器/深度学习遥感回归反演的不确定性；（3）基于像素级森林碳储量模型和单木生长方程，通过预测未来森林的冠层高度和郁闭度准确估算区域森林碳汇。本文以“森林样地碳储量—区域森林碳储量—区域森林碳汇”为主线，从样地到区域是空间尺度的拓展，从碳储量到碳汇是时间尺度的延伸，以此构建基于遥感的森林植被碳计量新体系。关键词：森林碳储量;森林碳汇;碳计量;遥感;胸径—树高—冠幅—树龄;单木—样地—区域;单木结构方程;单木生长方程;郁闭度1197|618|0发布时间：2025-01-22
林草碳汇遥感监测
- “最新研究突破了滨海湿地碳储量估算难题，通过无人机和卫星遥感协同，大幅提高估算精度和范围，为湿地碳汇监测提供低成本、大尺度、高精度解决方案。”
摘要：滨海湿地盐沼植被区域碳储量的准确估算，对掌握湿地碳库资源状况、评估湿地固碳增汇潜力具有重要意义。传统的野外清查方法成本高昂且耗时耗力，而仅使用卫星或无人机的遥感反演方法则受限于影像空间分辨率或空间覆盖范围。本文通过分段反演建模的方法分别构建3种盐沼植被的实测地上生物量数据到无人机影像的反演估算模型，以及无人机地上生物量数据到Sentinel-2卫星影像的反演估算模型，并利用碳系数计算植被碳储量、土壤碳储量和总碳储量，实现了星空地协同的地上生物量和碳储量估计和制图。研究发现，互花米草、芦苇、其他盐沼植被的地上生物量反演模型的决定系数 -
中国沼泽湿地净初级生产力时空演变研究 AI导读
“最新研究利用核归一化植被指数和CASA模型估算中国沼泽湿地NPP，发现气候变化是主要驱动因子。”
摘要：针对目前中国沼泽湿地净初级生产力NPP（Net Primary Production）估算研究相对薄弱以及植被指数饱和导致NPP估算精度偏低等问题，本研究基于MODIS遥感数据产品（MOD13Q1和MCD12Q1），利用核函数RBF（Radial Basis Function）构建的核归一化植被指数（kNDVI）与CASA（Carnegie-Ames-Stanford approach）模型估算了近20年中国沼泽湿地NPP，并定量分析并探讨了2001年—2020年中国沼泽湿地时空演变及其驱动机制。研究结果表明：基于kNDVI估算得到的NPP_Kndvi（以C计）与实测值具有较高的相关性（R2=0.854）和较低的均方根误差（14.46 g/m2·month），与NPP_NDVI相比更接近真实值；相比于NDVI等传统植被指数，kNDVI缓解了植被指数自身的饱和效应，在一定程度上提高了植被净初级生产力NPP的估算精度；近20年中国沼泽NPP年均值变化幅度162.73—189.34 g/（m2·a），呈波动上升趋势，增速为1.215 g/（m2·a）（R2=0.82）。此外，在空间上，中国沼泽湿地NPP增加和减少的区域比例分别为72.96%和26.27%，主要集中在东北平原、青海省东北部和西南部以及四川北部。相比于人类活动，气候变化是影响中国沼泽湿地时空演变的主要驱动因子，两者影响区域占比分别为66.23%和33.76%。本研究可为中国沼泽湿地NPP估算及时空演变研究提供技术与数据支持。关键词：沼泽湿地;净初级生产力;时空演变;人类活动;气候变化109|323|0发布时间：2025-01-22 - “在钙华湖泊水深监测领域，专家利用无人机影像和机器学习模型，验证了水深反演的高精度，为湖泊管理与保护提供新方案。”
摘要：高分辨率且非接触式的水深监测对钙华湖泊景观的管理与保护至关重要。卫星遥感测深无法捕获钙华湖泊细微的的水下沉积特征。近年来，轻小型无人机遥感技术逐渐应用于浅水区超高分辨率的水深探测。然而，水深反演中经典的对数模型难以适应钙华湖泊内广泛存在的瑞利散射现象。因此，本文利用机器学习模型开展基于无人机影像的钙华湖泊水深反演研究。以中国四川九寨沟火花海为实验区，对基于随机森林RF（Random Forest）、支持向量机SVM（Support Vector Machine）与多层感知机MLP（Multi-Layer Perceptron）的水深反演模型进行训练与验证，其均方根误差依次为0.816 m、0.945 m、0.832 m。实验结果表明，机器学习模型相较于传统的对数模型具有更高的水深反演精度。其中，随机森林模型与多层感知机模型比支持向量机模型更适合基于无人机影像的钙华湖泊水深反演。关键词：钙华湖泊;无人机;航空影像;水深反演;机器学习;随机森林;支持向量机;多层感知机166|216|0发布时间：2025-01-22
生态与环境
- “在数字高程模型生产领域，研究者提出了一种基于机器学习的新方法，有效提高了林下地形估计的精度。”
摘要：双站TanDEM-X InSAR系统已成功应用于生产全球数字高程模型。然而，受X波段SAR信号的穿透能力限制和森林体积散射的影响，在森林地区提取的DEM包含严重森林信号。因此，为降低TanDEM-X InSAR数据估计林下地形过程中森林体散射对InSAR测高的影响，本研究提出了一种基于机器学习联合TanDEM-X InSAR、ICESat-2和Landsat 8数据估计林下地形的方法。为验证所提方法的有效性，选用了2个具有不同地形条件和森林类型特征的试验区（加蓬热带雨林试验区和西班牙北方试验区）进行了测试，并利用高精度机载LiDAR DTM进行精度评定。结果表明：在加蓬热带雨林试验区，所提方法估计林下地形在2个验证区域的RMSE为5.45 m和5.91 m，与InSAR DEM的估测结果14.70 m和18.58 m相比，地形精度提高了60%以上；在西班牙北方森林试验区，林下地形估测的RMSE也从6.05—9.10 m降低到了3.06—4.42 m。综上，本研究为使用双站X波段InSAR系统准确估计大范围林下地形提供了一种有效且稳健的方案。关键词：林下地形;合成孔径雷达干涉测量;相位中心高度;机器学习;TanDEM-X;ICESat-2336|824|0发布时间：2025-01-22 - “在山地生态系统研究领域，四川王朗国家级自然保护区的植被GPP遥感估算揭示了地形和空间尺度误差对结果的影响，为提高遥感产品精度提供新思路。”
摘要：山地生态系统是陆地重要的贮碳库，准确估算山地植被总初级生产力GPP（Gross Primary Productivity）可进一步认知陆地植被对全球气候变化的反馈作用。然而，现有植被GPP遥感产品常忽略地形对光合作用过程的控制作用和亚像元空间异质性，分别导致了“地形误差”和“空间尺度误差”。本文以四川王朗国家级自然保护区为例，重点解析高（30 m）、中（480 m）、低（960 m）空间分辨率下山地植被GPP遥感估算中的误差来源。结果表明：不同地形条件模拟下的多尺度植被GPP呈现出明显的空间差异（区域均值差距高达198 g/（m2·a）），说明忽略山地环境的特殊性将对GPP遥感估算结果造成较大偏差；植被GPP遥感估算地形误差随着空间分辨率的降低呈现减小的趋势，高空间分辨率下的地形误差不容忽视（区域偏差高达200 g/（m2·a））。其中，未考虑水分重分配导致山地植被GPP空间分布存在较大不确定性（均方根误差为402 g/（m2·a）），因此土壤水分模拟精度的提升将有助于进一步改善山地高空间分辨率植被GPP遥感产品。从植被GPP遥感估算空间尺度误差的角度来说，研究发现其随着空间分辨率的降低呈现增大的趋势，中、低空间分辨率下的尺度误差均不容忽视（分别为161 g/（m2·a）和210 g/（m2·a））。因此，本文建议在多尺度山地植被GPP遥感估算中，高空间分辨率产品应该重点关注地形效应，中、低空间分辨率产品应该进一步消除空间尺度误差。本研究结果可为生产山地植被GPP遥感产品提供有益认知，丰富山地定量遥感理论体系，助力“双碳”目标。关键词：遥感;植被总初级生产力;山地生态系统;多尺度;地形误差;空间尺度误差119|350|0发布时间：2025-01-22 - “风云三号卫星搭载的微波成像仪数据重采样研究取得进展，修正了亮温误差，为地球物理参数反演提供更准确数据。”
摘要：中国风云三号（FY-3）卫星是国际气象组织组网卫星之一，其搭载的微波成像仪（MWRI）可为气象研究、天气预报等多个领域提供有效数据。在应用MWRI数据进行多频率探测通道的协同反演时，必须考虑通过重采样来使不同探测频点的数据具有一致的空间分辨率。BG（Backus-Gilbert）方法是一种被广泛用于星载微波辐射计亮温数据重采样的方法。传统重采样方式应用BG方法计算辐射计单次旋转扫描得到的采样点的权重系数（预计算权重系数），并将其直接应用到所有旋转扫描获取的采样点上，进而完成全部数据的重采样。然而，在卫星仪器的采样过程中，地球椭球面等因素的影响会导致观测视场之间的相对位置发生改变，将预计算权重系数直接应用到全部数据会给重采样带来误差。因此，本文提出一种结合天线方向图投影定位方法的重采样方式，详细分析了MWRI数据在不同轨道位置的重采样效果。实验结果表明，本文采用的重采样方式能够在MWRI的不同的通道组合上修正传统重采样方式造成的平均1.32 K的亮温误差。本文指出并修正了重采样亮温的一种误差来源。未来在使用多频率探测通道数据协同反演地球物理参数时，根据反演参数对亮温变化的敏感程度，应用本文方式获取的重采样数据可以获得更准确的反演结果。关键词：FY-3D微波成像仪;Backus-Gilbert方法;亮温;重采样;拟合误差;空间分辨率;采样;误差分析99|234|0发布时间：2025-01-22 - “风云四号A/B卫星热红外数据辐射一致性研究取得进展，为联合使用提供重要依据。”
摘要：静止轨道卫星对地观测是获取地表温度、大气参数的重要方式。作为中国第二代静止气象卫星，风云四号卫星A星和B星的组网观测可大幅度扩大气象观测范围和提高数据利用效率。在联合使用之前，需要对两颗星载荷的相同波段的辐射一致性进行探索。本文提出了一种校正静止轨道卫星观测角度效应和光谱响应函数差异的方法，以对地观测热红外波段数据为例，在敦煌定标场、呼伦贝尔草原、巢湖、南海4个研究区开展了风云四号A/B卫星3个热红外波段（中心波长：8.5 μm、10.8 μm、12.0 μm）辐射一致性研究。基于消除了时空差异、观测角度差异和光谱响应函数差异数据的分析结果表明，风云四号A星和B星的3个热红外波段观测亮温间具有很强的正相关性，亮温的误差较小，辐射一致性较好，但不同热红外波段之间的辐射一致性略有不同。第二热红外波段亮温一致性优于第三波段，第三波段表现优于第一波段。3个波段的亮温均方根误差处于0.28—1.51 K，偏差处于-1.13—0.85 K。第二、三波段的亮温差呈现明显的正偏态分布，第一波段的亮温差呈现负偏态分布。针对本文提出的校正方法，比较校正前后的统计结果，发现校正方法适用，且角度效应的校正方法能够明显降低两颗卫星热红外波段的亮温差异。两颗卫星热红外辐射一致性还受地类影响，在不同的地表类型下，3个波段的一致性表现略有差异。本文的研究成果可为风云四号A/B卫星热红外数据的联合使用提供重要依据。关键词：遥感;静止轨道卫星;风云四号;AGRI;热红外辐射;地表温度;亮温;一致性比较87|152|0发布时间：2025-01-22 - “最新研究提出了一种结合空谱结构与改进局部密度的高光谱图像波段选择方法，有效降低冗余性、提高信息量和类别可分性，对噪声具有鲁棒性。”
摘要：波段选择是高光谱遥感图像降维的一项重要任务，其目标是选择包含较少冗余信息、较大信息量和具有类别可分性的波段子集。为解决基于近邻子空间划分的波段选择方法没有考虑地物空间分布和计算聚类中心时忽略噪声波段影响的问题，本文提出了一种结合空谱结构与改进局部密度的高光谱图像波段选择方法。该方法首先对高光谱图像进行基于熵率的图像分割获得高光谱图像同质区域，综合同质区域相关系数矩阵获得图像区域级近邻波段相关系数向量；其次，用高斯核平滑全局近邻波段相关系数向量以降低噪声波段的影响，并根据极值点进行波段分组；然后，最大化改进局部密度和波段信息熵的乘积作为选取代表性波段的标准；最后，在Indian Pines、Botswana和Salinas高光谱图像数据集上，通过SVM、KNN和LDA分类器上进行分类实验。结果表明：（1）对比像素级相关系数划分方法，利用区域级相关系数使得近邻波段分组更为合理，降低波段冗余性，同时还保留了部分潜在特征波段，在3个数据集上的分类性能分别提高了2.63%，0.68%，0.16%；（2）对比仅使用信息熵的波段衡量方法，本文提出的最大化改进的局部密度和信息熵乘积的方法是有效的，在3个数据集上OA分别提高了4.13%、0.5%和0.21%；（3）对比其他6种先进波段选择方法，本文方法在3个数据集上的OA分别从62.34%提高到75.03%、86.74%提高到88.28%和86.04%提高到92.36%。此外，所选择的波段子集在分布上较为分散，主要集中在信息熵较高的区域，同时避免了选择噪声波段。综上，本文提出的波段选择方法所得波段子集具有较低的冗余性、丰富的信息量、强的类别可分性，并且对噪声具有较强的鲁棒性，能够有效地解决高光谱图像波段选择的问题。关键词：遥感;高光谱图像;波段选择;子空间划分;峰值密度;局部密度;信息熵;分类160|372|0发布时间：2025-01-22 - “在遥感影像变化检测领域，MFTSNet模型通过融合孪生结构和多尺度特征Transformer，有效提升了变化检测精度和地物检测完整性。”
摘要：为了加强变化检测中深度学习网络的语义信息提取能力，捕获更多高阶多尺度特征细节以及突出影像差异信息，本文提出一种融合孪生结构和多尺度特征Transformer的高分辨率遥感影像变化检测模型MFTSNet（Multi-scale Feature Transformer Siamese Network）。该模型设计了语义特征Transformer模块ST（Semantic feature Transformer module）捕获不同层级特征图的语义信息，引入置入Transformer模块GT（Grounding Transformer module）和映射Transformer模块RT（Rendering Transformer module）加强低层和高层语义信息的获取，发掘高阶多尺度特征细节信息以及不同空间位置和通道间的全局上下文关系，进一步提升变化检测精度，增强地物检测结果的完整性、区域内部以及边缘细节。将MFTSNet与另外8种变化检测模型在4个公开数据集上的变化检测结果进行对比，并通过消融实验、参数分析等手段验证MFTSNet中各模块的有效性。对比实验结果表明MFTSNet网络模型在4个数据集上的F1和交并比IoU分别至少提高了0.465%、0.113%、0.369%、2.13%和0.723%、0.188%、0.304%、2.962%。消融实验表明GT、RT、ST 3个模块共同作用可有效提升网络模型性能。参数分析表明MFTSNet模型中的特征信息长度L与编码器-解码器个数是2个重要的网络结构参数，L在CDD、WHU-CD数据实验中取16，在SYSU-CD、LEVIR-CD数据实验中取8，4个数据集上设置（EN，DN）为（1，2）时，MFTSNet模型的检测结果最优。关键词：高分辨率遥感;变化检测;深度学习;孪生网络;多尺度特征;Transformer;语义信息;消融实验0|0|0发布时间：2025-01-22 - “在遥感影像变化检测领域，研究者提出了HSPPNet，有效增强了深度学习变化检测性能，为解决变化类与未变化类不均衡问题提供解决方案。”
摘要：以残差网络为基础，结合高分辨率遥感影像的特点，提出一种全新的端到端变化检测网络——混合空间金字塔池化网络HSPPNet（Hybrid Spatial Pyramid Pooling Network）。HSPPNet首先将空洞卷积和注意力机制引导卷积并行集成，构建一种混合空间金字塔池化模块，以便有效提取高分辨率遥感影像中不同形状尺度的变化对象。然后，通过定义一种截断—补偿加权交叉熵函数和一种类别级IoU函数并将二者集成，得到一种全新的自适应平衡损失函数，来降低变化类与未变化类严重不均衡问题对变化检测的影响。最后设计一种简单有效的输入模块，通过综合考虑两期遥感影像及其差异图来增强变化信息。通过以上3点，HSPPNet增强了深度学习变化检测的性能。两组常用公开变化检测数据集上的实验结果表明HSPPNet可行、有效。关键词：遥感;变化检测;深度学习;混合空间金字塔池化;注意力机制;损失函数;截断—补偿加权交叉熵;类别级IoU142|386|0发布时间：2025-01-22 - “在SAR影像超像素分割领域，研究者提出了基于邻域特性的单次迭代超像素自适应分割算法ASSA，有效提高了分割效率和结果质量。”
摘要：SAR影像超像素分割是将SAR影像中相似像素按照度量准则聚合为超像素的过程。超像素能一定程度体现图像的语义特征，可有效降低后续图像理解的难度，已成为影像分类、变化检测等算法重要的预处理步骤。然而，现有的SAR影像超像素分割算法多基于局部聚类方法实现，这类方法存在超像素种子点个数预定义、缺乏影像细节自适应性和多次迭代导致的耗时过多等不足。针对上述问题，本文提出了基于邻域特性的单次迭代超像素自适应分割算法ASSA，该算法基于高斯混合模型的种子点自适应调整策略，实现了超像素个数自适应确定，并确保了超像素内部的同质性；利用优先级队列和邻域特性，实现了单次迭代下的超像素分割；同时，ASSA算法使用高斯核函数和后处理2种策略进行了SAR影像噪声抑制。本文从可视化效果、定量指标和运行时间3方面对提出的算法的有效性和高效性进行了评估。结果表明，相比于其他超像素分割算法，ASSA算法能够基于影像特性实现自适应超像素分割，提高分割效率的同时生成的超像素边界贴合度和内部同质性都较高。其中，边界召回率较SLIC和ESOM分别提高11.3%和15.9%，修正的欠分割错误率较SLIC和ESOM分别降低33.3%和29.4%。关键词：SAR;超像素分割;优先级队列;种子点自适应调整策略;高斯混合模型167|238|0发布时间：2025-01-22 - “在遥感影像分析领域，研究人员利用改进的D-UNet网络，显著提高了洪泛湿地结构信息提取的精度，为湿地精细化管理提供技术支撑。”
摘要：洪泛湿地的季节性变化剧烈，湿地水体和植被交替变化频繁，传统的信息提取方法存在光谱混淆和误分的问题。本研究以Sentinel-2多时相影像为数据源，利用多尺度膨胀卷积模块改进D-UNet（Deformable U-Net）网络卷积感受野较小的缺点，以提高模型对高分辨率遥感影像复杂湿地结构的多尺度学习能力。并基于小样本数据库训练和提取不同季节洪泛湿地的结构信息，并以新疆维吾尔自治区台特玛湖湿地为例，分析改进D-UNet网络、5种经典语义分割模型（D-UNet、FCN8s、DABNet、Segfomer及D-LinkNet34）和传统的指数阈值法在洪泛湿地时序制图的适用性。结果表明：改进的D-UNet模型在单时相影像湿地结构提取的总体精度高达96.3%，Kappa系数为0.839，且在时序影像上具有良好的时相可迁移性和稳定性，其多时相总体精度也能达到92.3%；与其他模型及指数阈值法相比，改进D-UNet模型在多变的洪泛湿地结构提取中表现出更好的应用潜力，对湿地水体与湿地植被的错分及漏分现象较指数阈值法分别减少了7.2%和48.9%；较改进前D-UNet分别减少了0.6%和5.4%。本研究可为湿地精细化结构提取研究提供技术参考。关键词：语义分割;D-UNet;多尺度膨胀卷积;Sentinel-2;遥感影像;洪泛湿地;湿地结构提取;塔里木河流域277|417|0发布时间：2025-01-22 - “在海量机载LiDAR地面点云处理领域，专家提出了一种新算法，有效提升了地形特征保留和点云简化效率，为高效传输和多尺度应用奠定基础。”
摘要：点云简化是海量机载LiDAR地面点云高效传输和多尺度应用的前提。针对目前地面点云简化方法存在复杂环境适用性差、地形细节特征丢失等问题，本文提出了一种顾及地形特征和边界防收缩的机载LiDAR点云聚类简化算法。首先利用K-means算法将点云分割为初始点云簇，然后依据各簇的地形复杂度再次对其细分，接着借助点云法向量信息以及邻接簇间边缘点的高程差识别地形特征点，最后通过保留目标区域的边界特征点防止原始点云边界收缩。此外，选取6组高密度机载LiDAR点云为数据源，将本文方法与7种经典点云简化方法（包括随机方法、体素格网方法、基于曲率的方法、最大Z容差方法、基于图的方法、基于多指标加权方法和基于迭代的简化方法）进行比较分析。结果表明：与其他传统方法相比，本文方法生成的数字高程模型（DEM）的平均RMSE至少降低了12.1%，平均MAE至少降低了9.6%，其派生品（包括平均坡度和地形粗糙度）与参考值也更为接近，而且较好的保留了地形特征信息。关键词：机载LiDAR;点云简化;K-means;地形特征;数字高程模型198|356|0发布时间：2025-01-22 - “在移动激光扫描点云分类领域，研究者提出了一种新深度学习方法，通过集成预测约束和错误预测熵最大化，增强点云特征表达，提高模型泛化能力。该方法在多个公开数据集上验证了其有效性。”
摘要：许多深度学习点云分类方法通过增加点云特征聚合模块，增强点云特征的表达能力，但该类方法往往会带来训练参数增加以及模型过拟合的问题。针对该问题，本文提出了一个整合集成预测约束与错误预测熵最大化的深度学习方法用于移动激光扫描MLS（Mobile Laser Scanning）点云分类。方法通过集成预测约束分支以及错误预测熵最大化分支可以在不增加训练参数的情况下，增强基线网络的点云特征表达，提高模型泛化能力。其中集成预测约束分支首先通过记录点云在训练过程中的预测值，生成集成预测值，然后采用一致性约束增强模型的点云特征表达。错误预测熵最大化分支鼓励模型对错误预测点进行熵值最大化，增加该点的不确定性，提高模型的泛化能力。所提方法在多个公开MLS点云数据集上进行验证，结果表明所提方法可以在不增加训练参数的情况下，提高基线方法的分类性能。与对比方法相比，所提方法在Toronto3D、WHU-MLS、Paris数据集上获得了最优的平均交并比（83.68%、65.85%、44.19%），表明了方法的有效性。关键词：遥感;MLS点云分类;深度学习;集成预测约束;错误预测熵最大化49|472|0发布时间：2025-01-22
模型与方法
- 地址：北京市海淀区北四环西路19号 《遥感学报》编辑部 邮编：100190
- 联系电话：010-58887052 Email：nrsb@aircas.ac.cn
- 技术支持由北京北大方正电子有限公司提供 京ICP备20021838号-9
京公网安备11010802024621 - 本系统建议在Chrome、 IE9+ 以上版本浏览器阅读本站内容，360浏览器请切换至极速模式
- Cookies帮助我们提供服务并提供个性化体验。使用本网站，即表示您同意我们使用Cookies
0