首页期刊导航|遥感信息
期刊信息/Journal information
遥感信息
遥感信息

张继贤

双月刊

1000-3177

remotesensing@casm.ac.cn

010-88217813

100039

北京海淀区北太平路16号

遥感信息/Journal Remote Sensing InformationCSCD北大核心CSTPCD
正式出版
收录年代

    高分辨率遥感在震害监测中的应用综述

    张锐王福涛陈生
    1-10页
    查看更多>>摘要：随着卫星、有人机、无人机等遥感平台的快速发展,高分辨率遥感技术在震害灾前预警、灾中应急监测、灾后恢复重建监测等全生命周期中发挥了重要作用.文章首先分析了震害监测的需求、挑战以及面临的主要问题,然后介绍了高分辨率遥感技术的基本原理和数据获取、处理、分析等关键技术,最后详细讨论了高分辨率遥感在震害灾前、灾中和灾后监测中的具体应用案例,总结了遥感技术在震害不同阶段的实际应用效果,并提出未来研究的发展方向.结果表明,高分辨率遥感技术能够提供准确、详细的地表信息,帮助评估灾害范围和破坏程度,还可以对灾后恢复重建规划实施监测,对震害的预警、救援和灾后重建具有明显优势,能够克服传统调查手段的不足,有助于提高灾害应对效率和减轻灾损.未来应加强空天高分辨率遥感的协同监测,提升遥感时空分辨率、数据集成、智能分析、决策支持等技术,以提供更全面、更精准的信息支持.

    遥感监测地震全生命周期灾损评估风险

      原文链接:
    • 维普
    • 万方数据

    深度学习在植被高光谱遥感中的研究综述

    王俊迪赵慧罗耀华袁正蓉...
    11-22页
    查看更多>>摘要：高光谱遥感影像的光谱分辨率高,在植被生态监测领域具有极大的应用潜力,不仅能够准确区分植被类型,还能够对植被参数进行精准反演.海量高维的高光谱数据应用于植被监测需要高效、准确、灵活的数据分析和计算方法,深度学习为高光谱遥感在植被研究中存在的维度灾难、"同谱异物"和"同物异谱"、非线性特征提取等问题提供了一种新的解决方法.文章首先从计算机算法结构上阐明了深度学习模型在高光谱遥感应用中的优缺点,其次从植被分类和参数反演两方面综述了深度学习算法在高光谱的应用场景,最后指出了深度学习应用存在的问题并提出未来的研究趋势.

    深度学习植被高光谱物种识别理化参数遥感反演

      原文链接:
    • 维普
    • 万方数据

    《遥感信息》编辑部版权声明

    22页
      原文链接:
    • 维普
    • 万方数据

    面向城市复杂场景的多尺度监督融合变化检测

    潘建平谢鹏郭志豪林娜...
    23-32页
    查看更多>>摘要：城市复杂场景中,地物形状多样,光照和成像角度变化大会导致变化检测结果受到干扰.为解决这些问题,文章提出了一种双上下文多尺度监督融合的网络模型(dual context multi-scale supervised fusion network model,DCMSFNet).首先,在编码部分使用双上下文增强模块获得地物丰富的全局上下文信息.在解码部分,采用级联的方法组合特征,然后通过自适应注意力模块捕捉不同尺度的变化关系,设计多尺度监督融合模块,增强深度网络融合,获得具有更高辨别能力的变化区域特征,将不同层级的输出结果与主网络的重构变化图融合形成最终的变化检测结果.该模型在LEVIR-CD和SYSU-CD变化检测数据集取得了较好的结果,F1-score分别提高了 1.58％和2.17％,可更加精确识别复杂场景的变化区域,进一步减少无关因素引起的误检和漏检,且对目标地物边缘的检测更加平滑.

    深度学习变化检测双上下文增强自适应注意力模块多尺度监督融合

      原文链接:
    • 维普
    • 万方数据

    一种改进U2-Net的高分辨率遥感影像道路提取方法

    许锐庄振兴黄风华
    33-43页
    查看更多>>摘要：目前基于深度学习的道路提取方法普遍存在忽略影像细节特征的问题.针对此问题,设计了一种改进U2-Net的高分辨率遥感影像道路信息提取新方法.该方法以U2-Net为主体框架,引入了卷积注意力机制模块和自注意力机制模块,既增加影像的全局语义信息又保留了空间细节特征,实现不同类型特征的有效融合.在DeepGlobe和CHN6-CUG两个道路数据集上的实验结果表明,该方法具有更强的特征提取和抗干扰能力,整体性能优于其他同类研究成果,能够更有效地从高分辨率遥感影像中提取道路.

    深度学习道路提取语义分割U2-Net双注意力机制

      原文链接:
    • 万方数据

    利用星载激光雷达数据校正森林区DEM误差

    刘天清王丽王烽潘紫阳...
    44-52页
    查看更多>>摘要：在植被区,通过光学遥感或InSAR技术生产的DEM产品不能反映真实林下地形高度.森林区DEM误差主要是植被高引起的系统偏差,植被覆盖度和地形是森林区DEM的主要误差来源.新一代星载激光雷达可以提供大量高精度林下地形控制点产品,为森林区DEM误差的纠正提供了新的契机.鉴于此,文章提出基于机器学习框架下顾及植被覆盖及地形因素的林区DEM误差校正方法.首先,获取高精度星载激光雷达地形控制点与DEM的地形残差;其次,利用光学遥感数据、SAR遥感数据及DEM产品数据计算与植被覆盖和地形有关的特征参数;最后,联合这些特征参数与获取的地形残差点分别建立不同类型DEM产品误差校正模型.选取位于美国田纳西州和北卡罗来纳州交界处的山地林区作为本研究的实验区.研究结果表明,相对原始DEM,校正高程误差后的DEM精度提升超过40％,有效校正了林区DEM误差.

    ICESat-2地形高度误差因素随机森林DEM校正

      原文链接:
    • 维普
    • 万方数据

    改进YOLOv7的遥感图像小目标检测

    孙超周永康陈正超刘均学...
    53-60页
    查看更多>>摘要：针对在遥感图像中进行小目标检测时,由于目标尺寸小、视觉信息不明显以及背景复杂多变等因素,导致传统的检测方法在精度和鲁棒性方面存在局限性,容易造成漏检、误检的问题,文章提出了一种改进YOLOv7的目标检测算法,采用SIoU作为损失函数,改善目标检测框的定位精度,从而提高检测的准确性和鲁棒性.同时,通过将CNeB模块应用于特征融合过程,增强了特征之间的空间交互能力,进一步提升了小目标的检测性能.此外,为了更好地捕捉遥感图像中小目标的细节特征,利用CA注意力机制,设计了 MPCA模块,实现了对特征图的自适应调整,以提高表征能力.在实验部分,使用了经典的遥感图像数据集进行了大量的实验评估.实验结果表明,所提出的基于SIoU、CNeB模块和CA注意力机制的改进方法在RSOD数据集上四分类均值平均精度达到了 96.8％,比原版YOLOv7提升了 2.5％,有效提高了遥感图像小目标检测精度.

    目标检测小目标YOLOv7损失函数注意力机制

      原文链接:
    • 维普
    • 万方数据

    基于三维卷积神经网络的遥感影像变化检测

    吴国盼王蒙蒙李辛莹高宇翔...
    61-67页
    查看更多>>摘要：随着卫星传感器技术和深度学习技术的蓬勃发展,基于深度学习的变化检测研究已成为遥感变化检测领域中的主流方法.针对现有深度学习方法特征提取和融合不充分的问题,提出了一种基于三维卷积神经网络的遥感影像变化检测方法.在特征编码阶段,首先利用三维卷积的内部融合特性同时提取和融合双时相影像特征.在特征解码阶段,为有效利用影像特征的全尺度信息,采用全尺度跳跃连接机制将不同尺度的特征信息在时间维度进行结合,最终产生具有高精度的变化结果.实验结果表明,该方法在两个基准数据集上的精度均显著优于其他先进的深度学习变化检测方法.

    变化检测三维卷积时间维度特征融合全尺度连接

      原文链接:
    • 维普
    • 万方数据

    训练样本标签误差对高光谱影像分类影响

    余腾朱益民王月华向健斌...
    68-79页
    查看更多>>摘要：在影像尤其是高光谱影像分类中,用于学习训练的标签质量对分类成效影响并未得到充分重视.为此,文章基于PyTorch框架,利用Indian Pines高光谱数据集,探讨了在RF、BP、CNN和SSConvNeXt模型下,光谱特征相似度较高的地物在不同比例人为误标注情况时对分类结果的影响.分析结果认为:同样错误标注情况下,SSConvNeXt和CNN相较RF、BP模型体现出20％以上的分类精度优势;在无人为错误标注、10个错误噪声标签、错误标签占比15％和25％时,SSConvNeXt和CNN模型的分类精度都在96％以上,体现了模型的容错性和稳定性;在相对传统的RF和BP模型中,错误标签对分类影响较大且离散.最后重点分析了 SSConvNeXt模型在分类方面的机制优势.该研究可从训练样本角度为遥感影像分类精度问题给予一定的方法选择和定量分析依据.

    高光谱遥感样本标签质量深度学习分类精度分类机制

      原文链接:
    • 维普
    • 万方数据

    一种基于离散度及支持向量机的遥感影像特征提取方法

    曹红新王宇豪秦增忍王帆...
    80-86页
    查看更多>>摘要：针对基于离散度的特征选择算法存在无法自动确定特征阈值且无法创造新特征等问题,提出 了一种基于离散度及支持向量机的遥感影像特征提取算法.该算法首先对原始特征库进行去相关,然后利用优化的离散度指标进行特征优选,进而利用线性不可分支持向量机模型将特征选择结果提取出具有更好判别特性的新特征,并将决策函数作为特征阈值.利用陕西陇县光伏场地无人机数据进行对比实验,分析结果表明,利用新算法进行分类的总体精度为93.5％,Kappa系数为0.9,相比基于离散度的特征提取算法分别提高7％和0.1,而且在各地物的生产者精度和用户精度方面均有一定提升,是一种更优的分类规则集构建方法.

    离散度支持向量机特征提取特征选择面向对象光伏用地

      原文链接:
    • 维普
    • 万方数据