多时相

摘要： 基于Google Earth Engine云平台和Sentinel–2影像,通过多时相影像和地形特征的不同组合,利用随机森林算法对云南省香格里拉地区的森林类型进行3个层次上的识别和分类制图。结果表明:多时相特征结合地形信息在3个层次上分类精度最高;森林和非森林类型,总体精度为98.15%,Kappa系数为0.962 4;针叶林和阔叶林,总体精度为89.74%,Kappa系数为0.792 6;8种针叶林类型,总体精度为92.87%,Kappa系数为0.918 0。地形信息有利于森林类型信息的提取,多时相的Sentinel–2数据对于大范围精确识别森林类型具有较大的潜力。

摘要： 实时准确地获取林农间作模式下的果树结构信息对推进新疆特色林果业的提质增效,增加农民收入,稳定脱贫攻坚成果,实现乡村振兴具有重要意义。该研究以新疆和田绿洲林农间作区为研究对象,提出一种综合高分遥感数据的纹理和光谱特征以及中分遥感数据的时序物候特征的果树提取方法。基于GF-2遥感数据利用面向对象方法提取高分辨率的林田地块空间信息;基于多时相Sentinel-2遥感数据构建植被归一化指数(Normalized Difference Vegetable Index,NDVI)时间序列产品,并依据果树物候特征建立决策树模型,提取间作核桃、纯核桃、枣树和葡萄4种类型;最后将多时相的分类结果与高分的林田地块叠加,获取和田绿洲特色林果作物分布信息。该方法对2020年和田绿洲核桃、枣树和葡萄提取结果的用户精度和总体分类精度均在90%以上,Kappa系数为94.95%,能够满足县市级尺度的林果遥感监测精度需求。基于遥感提取的和田绿洲主要林果作物面积为4.28×10^(5)hm^(2),以核桃(间作和纯核桃)为主,间作核桃面积占比63.80%,该方法可为林农间作立体种植模式下的果树类型和面积精确信息提取研究提供参考和借鉴。

摘要： 遥感影像去云是遥感影像处理与分析的重要领域,对影像后续的信息提取等操作起到至关重要的作用。针对多时相遥感影像融合去云中对待重建图像的质量要求较高以及适用性较低的问题,提出了一种基于一幅或多幅参考影像信息进行多时相遥感影像融合的厚云去除算法,包括参考影像的选取、辐射归一化、多时相影像融合以及泊松图像编辑4个主要步骤。首先根据影像掩模及主成分信息选取参考影像,并且进行多源遥感影像辐射归一化保留地物信息的变化情况;然后基于选择性多源全变分模型对影像进行融合处理,并通过泊松图像编辑技术改善影像融合后的边界梯度不连续问题。实验结果表明,所提方法可以对带有厚云且质量不一的多源遥感影像进行有效去云处理,并在整体上获得比传统方法更高的影像细节精度。

摘要： 获取水稻种植信息对于指导水稻生产,监测作物生长及合理分配水资源具有重要意义。针对基于单时相影像提取水稻信息精度有限,以Sentinel-2A/B多时相影像为数据源,构建NDVI、EVI、NDWI和光谱特征4种时序特征数据集并设计6种试验方案,结合随机森林算法对水稻种植信息进行提取。结果表明,NDVI、EVI时序曲线可以较好反映出水稻生育期的物候特征,不同地类的光谱时序曲线和NDWI时序曲线可分离度较高,有利于提高分类精度;基于NDVI时序数据集的分类精度最低,基于光谱时序数据集的分类精度最高,总体精度达95.5590%,Kappa系数为0.9433,与基于NDVI的分类结果相比,总体精度、Kappa系数、水稻生产者精度和用户精度分别提高了3.5304%、0.0449、8.64%和3.36%,水稻与旱地的混分现象得到有效抑制。该研究为区域水稻种植信息精确提取在数据源选择、时序特征构建方面提供了一种新的思路和技术手段。

摘要： 航天运载能力和有效载荷技术的快速发展,带来了遥感卫星数据的爆炸性增长和广泛应用。作为空天大数据重要组成部分,遥感卫星数据具有多时相、宽覆盖、立体化等独特优势,是信息时代传播速度最快、影响面最宽、开发利用潜力最大的科技资源之一。

摘要： 变化检测作为摄影测量与遥感领域的研究热点之一,也是人工智能体系中极具研究价值的技术分支。二者的快速发展与深度融合,已使海量、复杂和多样的遥感数据快速智能化处理成为可能,广泛应用于资源监测、城市规划、灾害评估等诸多领域。随着遥感技术和计算能力的不断革新,变化检测体系也在不断发展和演化。本文主要从几何和语义两个角度对变化检测方法进行了分析和归纳总结,重点分析了几何信息的利用方式及深度神经网络的特征融合方式,随后总结了常用的变化检测公开样本数据集,最后对当前变化检测应用中遇到的核心问题及未来发展趋势进行了梳理与展望。

摘要： 保护森林是维护生态平衡过程中的重要环节,因此,对林地变化的监测成为一项重要的工作。本论文利用同一地区不同时相的遥感影像,经过影像处理、特征提取、算法分析等步骤,对林地地表覆盖进行监测分析,进而对林地进行动态变化监测工作。

摘要： 针对多时相卫星影像数据组织管理中数据冗余量大、检索操作复杂等问题,提出一种基于动态基态距的多基态修正模型组织多时相卫星影像数据组织方法。在传统影像金字塔模型基础上,通过引入多基态修正模型,并对基态之间的间隔进行了动态分配,管理不同时相卫星影像的基态和差文件,同时构建基于Hilbert空间排列码的多时相影像瓦片编码和相应的检索机制。实验表明,论文方法能够兼顾影像块的读取效率和数据冗余程度,为多时相卫星影像的数据组织提供了基础。

摘要： 针对高分四号(GF-4)卫星影像波段较少导致传统云检测算法难以区分云与冰雪像元的问题,提出一种多时相多通道云检测算法。该算法首先对GF-4卫星影像进行辐射定标和配准,然后利用云与典型地表的光谱差异得到潜在云像元,之后利用序列GF-4卫星影像之间的差异识别出移动的云像元,最后利用中红外波段反演地表亮度温度来去除冰雪像元。该算法在海南、辽宁和安徽3个研究区域进行验证,并将检测结果与传统单时相云检测算法、支持向量机(SVM)云检测算法和实时差分(RTD)云检测算法的检测结果进行对比。结果表明,该算法优于其他3种云检测算法,准确识别率均达到90%以上,误检率均低于5%,有利于GF-4卫星影像的进一步利用。

摘要： 针对单实相遥感数据分辨率不高以及“同物异谱”和“异物同谱”导致的地物错分问题,依据多时相NDVI植被指数建立决策树判别规则对农作物进行精细分类及面积提取,并对来年种植趋势进行预测。通过监测样本点3—10月的NDVI植被指数变化情况,确定分类阈值并构建决策树分类方法,计算8幅影像的NDVI植被指数,利用决策树分类方法对9种地貌类型进行分类,并对比农作物两年种植面积变化规律,对来年的种植进行分析和预测。实验结果表明,两年的kappa系数分别为0.885 8和0.910 0,总体分类精度分别为90.76%和92.54%,9种地貌类型的遥感分类总体在精度上达到高度一致。

摘要： 近二十年来,SAR图像理解与信息反演是一个得到广泛、深入研究的世界性难题.即使在高分条件下,由于相干斑噪声、结构极度敏感性、几何畸变、成像系统干扰等原因,SAR图像的高可信解译依然非常困难.SAR测试样本数据集是发展SAR图像解译与目标认知技术的基础与支撑.但是,SAR数据集并不是各种SAR数据的简单收集,而是要根据研究内容的需要,制定实验方案,科学的选择样本并进行样本真值标注,并且尽可能的收集各种多源辅助数据以相互验证.作者以上海交通大学闵行校区为场景,构建一个以高分、多时相SAR图像为主的实验数据集,其由高分SAR数据、地表真值标注、多源辅助数据等三个主要的部分组成.作者相信,该数据集的构建能够为高分SAR图像解译、信息反演和目标识别提供高可信的、实时的、丰富的地表和目标真值信息,能够促进这些研究和相关测试工作的进展.

摘要： 该文以多时相的JERS-ISAR图像数据为信息源，结合目视解译结果及常规资料，进行水资源应用分析，从而分析利用L波段SAR图像解决水资源问题的可能性及潜力。

摘要： 利用中分辨率成像光谱仪MODIs(MODerate Resolution Imaging spectroradiometer)多时相、多光谱及纹理数据,结合安徽省GIS属性数据(2000年1:25万土地利用图),采用多时相分类和分层分类相结合的方法对安徽省土地覆盖进行分类(水田、早地、林地、水体、城市)。最后,使用安徽土地利用格点数据对分类结果进行精度分析。结采表明:应用MODIS数据可以实时有效的获取安徽省土地覆盖信息,同时对大面积土地覆盖分类具有很好的精度。

摘要： 一种基于时相光谱角度量的多时相云遮挡数据恢复方法，本发明涉及基于时相光谱角度量的多时相云遮挡数据恢复方法。本发明的目的是为了解决现有云遮挡数据恢复方法恢复精度低的问题。具体过程为：一、输入存在云遮挡的多时相多光谱遥感图像；二、计算存在云遮挡的多时相多光谱遥感图像地理坐标上各点的云遮挡数据缺失度；三、将缺失度最小的点作为要填充的点；四、提取X和相应缺失时相地理坐标；五、利用时相光谱角函数计算X与除X点外的其他各点相似度；六、找到相似度最大点Y；七、利用Y和缺失数据填补算法对要填充点的多时相多光谱数据X进行填补；八、迭代一，直至全部云遮挡数据被填充。本发明用于云遮挡数据恢复领域。

摘要： 本发明公开了一种具备云端运算能力的多时相多时态飞行器导引系统，飞行器导引系统包括由一个以太网服务器、多个以太网热点设备、一个或多个飞行器组成的云端运算系统，以太网服务器与以太网热点设备通过以太网连通，飞行器与以太网热点设备通过蓝牙4.0相互连通，飞行器为无人飞行器并均设有通用唯一识别码，以太网热点设备相互间隔设置并形成飞行器导引区域。本发明可导引多个无人机飞行器，降低导引功耗和成本，可进行虚拟远端控制及收集使用者习性。

摘要： 一种基于时相光谱角度量的多时相云遮挡数据恢复方法，本发明涉及基于时相光谱角度量的多时相云遮挡数据恢复方法。本发明的目的是为了解决现有云遮挡数据恢复方法恢复精度低的问题。具体过程为：一、输入存在云遮挡的多时相多光谱遥感图像；二、计算存在云遮挡的多时相多光谱遥感图像地理坐标上各点的云遮挡数据缺失度；三、将缺失度最小的点作为要填充的点；四、提取X和相应缺失时相地理坐标；五、利用时相光谱角函数计算X与除X点外的其他各点相似度；六、找到相似度最大点Y；七、利用Y和缺失数据填补算法对要填充点的多时相多光谱数据X进行填补；八、迭代一，直至全部云遮挡数据被填充。本发明用于云遮挡数据恢复领域。

摘要： 本公开提供一种多时相SAR影像变化检测方法，包括：构建第一时相双极化SAR影像的第一协方差矩阵与第二时相双极化SAR影像的第二协方差矩阵之间的相似矩阵；根据所述相似矩阵计算所述第一时相双极化SAR影像与所述第二时相双极化SAR影像之间的差异图；对所述差异图进行初始分割，得到所述差异图中各个像素的初始标记，其中，所述初始标记用于区分所述差异图中的变化类及未变化类；根据所述初始标记，基于广义高斯分布和各个像素在八邻域方向上与最邻近像素的上下文关系对所述差异图中的变化类及未变化类的初始标记进行优化，以得到变化二值图。

摘要： 本发明涉及一种多时相湖泊湿地水鸟群落多样性反演方法及系统，依据所有监测点在每个监测月的水鸟群落多样性指标，采用最邻近空间插值法对所监测湖泊湿地进行空间栅格化处理，获得每个监测月的所监测湖泊湿地的水鸟群落多样性指标栅格影像，并构建所监测湖泊湿地的最优空间捕捉渔网，综合链接相近空间区域的湿地水鸟多样性特征，进而计算落入最优空间捕捉渔网的每个网格内的所有栅格的水鸟群落多样性指标的平均值，并将所述平均值转化为栅格数据，作为每个监测月的所监测湖泊湿地在每个网格的水鸟群落多样性指标，最终形成监测期内所监测湖泊湿地在每个监测月的水鸟群落多样性指标渔网影像，实现了多时相湖泊湿地越冬水鸟群落多样性的动态反演。

摘要： 本发明公开了一种多尺度多时相遥感影像去云的方法，包括如下步骤：1）训练数据处理；2）数据扩充；3）测试数据处理；4）搭建多尺度多时相深度卷积网络模型；5）模型参数设置；6）训练多尺度多时相深度卷积网络模型；7）遥感影像云去除。这种方法能有效利用互补信息，对多时相含云序列的时相个数没有要求，还能抑制无用特征，降低了计算复杂性。

摘要： 一种基于协同注意力机制的多时相遥感图像云区重建方法，涉及遥感图像处理技术领域，针对现有技术中图像修复法大多是基于背景信息进行像素预测生成，无法准确地还原地貌特征和地物信息的问题，本申请设计了一个具有门控卷积的协同注意层，能够提取和融合关键特征。门控卷积考虑了云和干净像素之间的差异。从而可以使得生成的无云图像分辨率更高，更加接近Ground Truth图像。此外，通过U型结构中的跳转连接和L1损失函数对模型进行优化，一方面跳转结构通过共享低级信息减少了模型的运算量，提升了模型训练的速度，另一方面由于L1损失可以更好地捕捉遥感图像中的低频信息，有助于提高云重建模型的准确度。

摘要： 本发明提供一种基于多尺度感受野的多时相遥感图像配准方法及系统，包括：获取多组多时相遥感图像，并对各多时相遥感图像根据预定方式进行处理，得到样本训练集；基于小感受野特征网络和大感受野特征网络构建卷积神经网络模型，并对卷积神经网络模型进行训练；基于训练后的卷积神经网络模型获取源图像的图像块的小感受野特征向量及目标图像的小感受野特征张量，构建小感受野特征距离图；基于小感受野特征距离图确定目标图像的小感受野特征张量上的与小感受野特征向量相似度最高的向量，并生成关键点匹配对；保留正确的关键点匹配对，根据正确的关键点匹配对计算源图像与目标图像之间的空间变换关系参数，基于空间变换关系参数进行图像配准。

摘要： 本发明公开了一种基于多时相卫星影像的超像素变化检测方法及系统，方法包括：获取两个时相的卫星影像并进行预处理；基于K‑Means聚类算法，构建颜色空间和五维特征向量，采用欧式距离度量颜色距离和空间距离，并进行局部聚类；采用灰度共生矩阵法提取影像斑块的纹理特征信息和地物信息；采用灰度共生矩阵法中的参数因子集合构建模糊评价模型，计算各个超像素对象的纹理特征和地物信息变化概率值，并采用熵权法对每个影像斑块的纹理特征和地物信息在各因子尺度下的模糊评判结果进行加权计算，从而确定当前超像素对象是否发生变化。通过本发明的技术方案，解决了分辨率较高所造成的噪声影响，具有良好的稳健性、较快的学习速度及较高的精度。

摘要： 本发明属于自然灾害信息监测技术领域，具体为一种基于多时相遥感影像差异信息的滑坡提取方法，该方法包括以下步骤：S1.获取目标区域的时序影像数据集；所述时序影像数据包括目标区域在滑坡前和滑坡后的不同时间序列内的影像数据；S2.基于所述时序影像数据集，获取目标区域发生滑坡前后归一化植被指数的差异值；S3.基于目标区域发生滑坡前后归一化植被指数的差异值，对目标区域滑坡后的影像数据进行波段重组，获取多时相影像差异样本；S4.将所述多时相影像差异样本输入识别模型，生成目标区域的滑坡信息。本发明采用滑坡发生前后不同时间序列影像的信息差异来识别滑坡，并对U‑net卷积神经网络模型进行改进，提高滑坡识别的精度。