摘要:高光谱图像HSI(Hyperspectral Image)可以捕获地物成分的光谱特征,但缺失三维信息,而激光雷达LiDAR(Light Detection And Ranging)可以捕获地物的距离高度信息,两类数据相互补充可以有效提升地物识别分类的精度。Mamba模型具有远程特征学习和高效运算的优势,但目前在多模态遥感数据融合分类中的研究较少,存在多源特征信息缺失,融合不足等问题。基于此,本文提出了一种基于Mamba结构的高光谱和LiDAR数据自适应融合协同分类网络。该网络包括一个可堆叠的基于Mamba结构的双通道协同注意力模块,利用参数共享促进了多源特征之间的相互学习,从而在分类任务中实现更高的分类精度和更好的泛化能力。实验结果表明,所提算法在Trento,Houston2013和MUUFL数据集上的总体精度分别达到了99.33%,91.74%和94.94%,能够更为高效地提取、融合多源特征。
摘要:时空主成分分析(Spatial and Temporal Principal Component Analysis, ST-PCA)是一种将一组相互相关的变量转化为另一组新的不相关的变量的数学变换过程,在地学领域用于提取时空数据在时间和空间维度的动态演化特征。北京平原区地面沉降具有典型的时序演化和空间分布特征,因此本文在利用PS-InSAR技术获取到北京平原区2010-2016年长时序的地面沉降数据的基础上,采用时空主成分分析方法研究了该地区长时间序列中地面沉降的时空特征。研究发现时间主成分分析方法(TPCA)能够揭示地面沉降的趋势特征、波动特征,以及相应的空间分布模式。TPC1反映了研究区内的地面沉降趋势,呈现一种整体为空间分布不均匀沉降的特点;TPC2揭示了地面沉降的季节性波动特征,及其空间分布差异性,发现尤其在沉降速率大于30mm/a的沉降漏斗区呈明显的、南北分化的季节性差异空间分布特征,表现为北部地区夏季沉降量增大,南部地区冬季沉降量增大。空间主成分分析(SPCA)能够揭示地面沉降在时间上的演化规律,将相似时间变化趋势的沉降点聚类到同一个主成分。SPC1反映了大部分地区以沉降为主的特征,地面沉降呈持续的、线性下降的趋势;SPC2与SPC3则发现在轻微沉降区和非沉降区年均沉降量接近于0mm/a,但是季节性波动特征明显。通过ST-PCA的研究,本文提取了北京平原区地面沉降的一些时空规律,为北京地面沉降防控提供一定的数据支撑。