公共文化服务平台

北京师范大学地理科学学部北京市陆表遥感数据产品工程技术研究中心: 作品数：22 被引量：121H指数：6; 相关机构：北京科技大学自动化学院北京市工业波谱成像工程技术研究中心中山大学大气科学学院北京科技大学自动化学院更多>>; 发文基金：国家自然科学基金浙江省科技计划项目山东省泰山学者项目更多>>; 相关领域：自动化与计算机技术天文地球农业科学生物学更多>>

合作机构

深度学习作物分类模型空间泛化能力分析: 2023年; 大数据驱动训练的深度学习模型是当今农作物分类的最新方法。当前研究仍然主要关注该模型方法的创新性,其在特定时间、特定地区的作物分类模型的泛化能力分析经常被忽略。因此,提高遥感分类模型在大尺度空间范围的有效迁移能力是遥感技术支撑地球系统科学研究和社会应用的关键。本研究通过设计实验分析了模型架构、作物物候特征、农区地块尺度、数据类型等因素对作物分类模型泛化能力的影响。结果表明:一方面当训练区和测试区地块大小发生明显变化时,MultiResUNet相对于SegNet,DeepLab V3+和U-Net具有更好的泛化性能。然而,单纯依靠MultiResUNet的泛化能力依然无法完全克服地块空间形态的变化对模型迁移的不利影响,为获得更高精度的华北玉米分布信息,需要优先使用与华北地区农业景观更相似的东北作物分布数据产品进行深度学习模型训练;另一方面,相对于TOA (Top of Atmosphere)数据,采用SR (Surface Reflectance)数据更有利于模型在跨洲际尺度进行空间迁移,因此,在大尺度作物制图研究中,应优先考虑使用SR数据。综上,本研究从一定程度上验证了影响农作物分类模型迁移性能的内在因素,可为大尺度作物制图提供科学依据。; 盖爽张锦水朱爽

深度学习农作物分类的弱样本适用性被引量：9: 2022年; 基于大数据驱动的深度学习挖掘图像数据的规律和层次已成为遥感影像解译的研究热点。海量标签样本是训练深度学习模型的前提条件,但成本昂贵的人工标记样本限制了深度学习技术在遥感领域的应用。本文提出了一种基于弱样本的深度学习模型农作物分类策略:以GF-1影像为数据源,将传统分类器SVM分类结果视为弱样本,训练深度卷积网络模型DCNN(Deep Convolutional Neural Networks),获取辽宁省水稻和玉米的空间分布,分析弱样本的适用性。结果显示:测试集总体精度达到0.90,水稻和玉米F1分数分别为0.81和0.90;在不同地形地貌、复杂种植结构的农业景观下均表现出良好的分类效果;与SVM结果的空间一致性为0.90;当弱样本最大面积误差比例小于0.36时,弱样本仍适用于DCNN作物分类,结果的总体精度保持在0.86以上。综上,该策略一定程度上消除了深度学习模型对大量人工标记样本高度依赖的局限性,为实现大尺度农作物遥感分类提供了一种新途径。; 许晴张锦水张凤盖爽杨志段雅鸣

青藏高原植被产氧量及其对近地表大气氧含量的贡献率被引量：3: 2023年; 青藏高原极端缺氧环境对人畜健康有巨大影响,研究植被对青藏高原大气氧含量的贡献率,有助于厘清青藏高原大气氧含量变化对人畜健康的环境效应。目前关于青藏高原植被对大气氧含量贡献率的研究较少,且缺乏青藏高原植被产氧量对近地表大气氧含量贡献率的时空分布图。本文使用植被净初级生产力时空分布数据计算青藏高原的植被产氧量,并使用大气相对氧含量经验方程和理想气体状态方程计算青藏高原大气绝对氧含量,进而获得植被产氧量对近地表大气氧含量贡献率的时空分布。结果表明,青藏高原植被在2019年的全年总产氧量为1.0353×10^(9) t,其对青藏高原全域近地表大气氧含量贡献率的理论上限值平均为0.2788%/d,但存在巨大的时空差异(0.00~4.62%/d):时间上贡献率在年内呈“∧”型的变化特征,一年中贡献率最低值出现在12月,最高值出现在8月中旬;空间上贡献率呈现自东南向西北逐渐降低的分布格局,最低值分布在西北部,最高值分布在东南部。从各植被类型来看,单位面积的贡献率由高到低依次为森林、栽培植被、草原、沼泽湿地和灌丛。从海拔分布来看,单位面积的贡献率总体上呈现随海拔升高而逐渐降低的变化特征。本文首次制作了青藏高原植被产氧量对近地表大气氧含量贡献率的时空分布图,并揭示了青藏高原植被产氧量对近地表大气氧含量贡献率的理论上限值及其时空差异,可为青藏高原近地表大气氧含量变化及其对人畜健康的环境效应研究提供参考。; 刘若杨史培军唐海萍王静爱赵涔良朱文泉; 关键词：青藏高原贡献率

基于种植现状的安吉白茶霜冻害气象指数精准预报技术被引量：3: 2023年; 开展安吉白茶霜冻害气象指数精准预报对提高茶叶生产防灾避灾能力具有重要意义。基于安吉县24个自动气象站观测资料,采用回归分析+残差内插方法构建了安吉县日最低气温空间分析模型;结合中期天气预报客观产品、DEM高程数据和高分2号(GF-2)卫星遥感数据提取安吉白茶种植分布现状,采用GIS技术研发了安吉白茶霜冻害气象指数精准预报技术方法。结果表明:安吉县日最低气温空间分析模型绝对误差平均值为0.5℃,模拟效果较好;安吉白茶霜冻害气象指数预报时效达15 d,空间分辨率为30 m;基于种植现状的安吉白茶霜冻害气象指数预估,2021年3月23日全县80.64%茶园有霜冻害发生,其中1级(轻度)、2级(中度)灾害面积分别为9291.96和62.7 hm^(2),各占全县茶园面积的80.10%和0.54%,预估结果与实际灾情基本一致。研究成果可为茶叶气象精细服务提供技术支撑。; 王治海李时睿金志凤许金萍孙睿; 关键词：空间分析模型

基于GeoEye-1立体像对影像提取建筑物高度的方法研究: 2023年; 在城市规划、公共管理、防灾减灾和导航等领域,高精度的城市建筑物三维信息发挥着重要作用。传统的建筑物高度信息获取方法具有成本较高、精度较低、时效性差的缺点。随着亚米级的高空间分辨率遥感卫星的发展和普及,基于遥感卫星立体像对数据反演建筑物高度信息的方法受到广泛关注。基于GeoEye-1卫星数据,本文提出了一种自动化程度较高的建筑物高度信息提取方法。首先,利用有理函数模型对GeoEye-1立体像对数据进行几何校正,生成数字表面模型;然后,基于多窗口滤波方法,在无须辅助数据的情况下,利用数字表面模型生成数字高程模型,通过叠置分析提取建筑物的高度信息;最后,根据建筑物轮廓数据绘制研究区建筑的高度分布图。研究结果表明,该方法在多种地表类型上提取出建筑物的高度信息具有较高的精度,具有操作简单、处理速度快等特点。; 赵晨晨曹鑫石峰陈学泓崔喜红; 关键词：建筑物高度 DSM DEM

基于多源数据产品集成分类制作的青藏高原现状植被图被引量：8: 2021年; 充分利用多源植被分类/土地覆盖分类产品各自的优势,通过专门设计与青藏高原植被类型相适应的植被分类体系,选用集成分类方法,在数据可靠性的基础上遵循一致性的原则,制作了青藏高原现状植被图,其在现势性、分类体系的针对性和分类精度上均表现更优.从分类结果的现势性来看,青藏高原现状植被图较早期中国植被图能更好地反映青藏高原植被覆盖现状;从分类体系的针对性来看,青藏高原现状植被图采用了针对青藏高原植被专门设计的分类体系,有利于从多源数据产品中充分提取出具备高可靠性和一致性的植被覆盖信息;从分类精度来看,青藏高原现状植被图的总体精度(78.09%,Kappa系数0.75)较已有相关数据产品提高了18.84%~37.17%,特别是对草地、灌丛等植被类型的分类精度有明显提升.; 张慧赵涔良朱文泉; 关键词：青藏高原植被类型植被分类

基于GF-1和Sentinel-2时序数据的茶园识别被引量：8: 2021年; 由于茶园大多分布在地形复杂的山区,地块破碎,分布零散,形状差异大、植被混杂且茶园所处环境长期受到云雨的影响,增加了茶园遥感识别的难度与不确定性,针对这一问题,该研究提出了利用高分1号(GF-1)和哨兵2号(Sentinel-2)时序数据提取茶园的方法,以浙江省武义县王宅镇为研究区,采用GF-1号为主要数据源,并利用MODIS地表反射率产品和Sentinel-2反射率数据,基于时空融合算法得到时间分辨率5 d的10 m Sentinel-2完整的时序数据。综合利用GF-1在空间细节方面的优势和重建的Sentinel-2高观测频率时序数据在反映茶树生长过程方面的优势,分别基于GF-1的光谱和纹理特征及GF-1的光谱、纹理特征和Sentinel-2时序特征两种特征组合方式,采用随机森林算法提取茶园。结果表明,GF-1光谱、纹理信息结合Sentinel-2时序信息分类结果的准确率、错误率、精确率、召回率和F1分数分别为96.91%、3.09%、89.00%、83.09%和0.86,仅基于GF-1光谱和纹理信息的分类准确率、错误率、精确率、召回率和F1分数分别为94.72%、5.28%、73.09%、84.61%和0.78,添加时序信息分类结果总体优于未添加时序信息的分类结果。表明高空间分辨率结合高频率时序遥感数据是提高茶园分类精度的有效手段。; 柏佳孙睿张赫林王岩金志凤; 关键词：遥感光谱分析

安吉白茶精细化气象灾害风险分析与区划被引量：1: 2024年; 气象灾害严重威胁茶产业高质量发展,开展气象灾害风险精细评价可为茶叶生产灾害精准防控提供科学依据。本文基于自然灾害风险理论、安吉县及周边7个国家气象站1971—2020年和安吉县23个区域自动气象站2012—2020年的逐日气象资料、15个乡镇农业社会经济统计资料,以及源于GF-2卫星遥感数据解译出的茶树种植现状分布图和DEM高程等多源信息,采用加权综合指数法、模糊层次分析法和GIS技术,对安吉白茶进行了精细化气象灾害风险分析与区划。结果表明:安吉白茶致灾因子危险性、孕灾环境暴露性的高值主要位于南部山区,承灾体脆弱性的高值集中于中部平原地区,防灾减灾能力的高值多位于中东部平原地区;综合考虑各因子的综合风险度,安吉白茶气象灾害风险可分为低风险、中风险和高风险3个等级;低风险区主要分布于安吉中北部平原区域,占安吉县地域面积的66.55%;中风险区主要分布于安吉西部、南部的中高海拔区域,占安吉县地域面积的30.54%;高风险区主要位于南部高海拔山区,占安吉县地域面积的3.01%;集成格点化的茶树种植现状,安吉县内61.21%的茶园分布在低风险区,38.17%的茶园分布在中风险区,0.62%的茶园分布在高风险区。基于茶树种植现状的气象灾害精细化风险区划可为安吉白茶的优化布局提供更加精准的科学依据。; 李时睿朱兰娟赵亮柏佳胡波许金萍孙睿; 关键词：安吉白茶气象灾害

基于像元物候曲线匹配的生长季内河北省冬小麦空间分布识别被引量：6: 2020年; 及时、准确的农作物空间分布信息是进行作物长势监测、灾害评估与产量估计的基础。传统方法一般在作物收获期前后进行作物的识别,时间上滞后,难以满足农业生产的应用,时空泛化能力差,模型复用程度低。该研究以历史知识为支撑,提出冬小麦像元匹配模型(Pixel-Matched Model,PMM)进行冬小麦空间分布提取,旨在生长季内实现冬小麦空间分布的快速提取。研究结果表明,PMM能充分利用作物物候特征变化,排除冬小麦种植物候空间异质性的影响,能够在播种后2个月内实现冬小麦的准确提取,总体精度达到了95.49%,F1分数为0.83,且不随物候曲线的延伸而大幅提高精度。与传统参考曲线模型(Reference Curve Model,RCM)相比,PMM在消除区域内冬小麦生长物候差异方面具有优势,可在年际间实现冬小麦的准确识别,具有较强的时间泛化能力,能够实现冬小麦的自动化识别。; 张锦水赵光政洪友堂孙智虎段雅鸣; 关键词：物候时间序列先验知识冬小麦

基于深度卷积神经网络的云检测方法被引量：4: 2021年; 本文将Fmask云检测结果作为标记样本对深度卷积神经网络进行训练以实现云检测。在仅利用可见光波段和近红外波段的前提下,本文方法的云检测总体精度达到87.65%,高于Fmask的86.92%,而且单景Landsat 8影像的识别用时18 s,远低于Fmask的72 s,具有更高的精度和效率。另外,该方法适用于不同的地表土地覆盖类型,具有很强的泛化能力,是一个通用性强的算法,为进一步的遥感应用打下基础。; 段雅鸣张锦水朱爽; 关键词：云检测

北京师范大学地理科学学部北京市陆表遥感数据产品工程技术研究中心

合作机构

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

北京师范大学地理科学学部北京市陆表遥感数据产品工程技术研究中心

合作机构

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈