基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机(SVM)常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明:①基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;②引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。     

基于身份的网格安全体系结构研究

为了克服PKI证书机制对GSI规模化发展的制约, 本文在分析GSI中证书机制局限性的基础上, 将HIBC引入到GSI中, 使用HIBC签名方案代替GSI中的PKI数字证书签名并进行扩展, 提出一种基于身份的网格安全体系结构IBGSI（ID-based GSI）, 进而给出了结合HIBC方案改进TLS握手协议的方法, 并通过一组协议控制下的实体交互过程定义IBGSI的协议结构. 论文从分层身份结构、认证结构和协议结构三个方面对IBGSI进行了研究, 研究结果表明IBGSI体系结构融合了GSI与IBC的优势, 能够重用GSI的安全服务且便于部署, 并获得IBC轻量、高效的优点.     

多因子长时序信息联合建模的深度卷积卡钻事故预测

为充分运用钻井监测平台多个监测因子的长时序信息, 实现海上石油钻井卡钻事故的准确预测, 提出一种多因子长时序信息联合建模的深度卷积卡钻预测方法(CNN-MFT), 利用自注意力机制结合卷积网络对多个监测因子的时序信息进行联合建模, 同时考虑当前时刻各因子的具体值的信息以及各因子的历史时序信息, 实现准确的卡钻预测. 使用海上钻井平台实际监测数据开展验证对比, 与目前常用的基于随机森林(RF)、SVM等8种卡钻预测方法相比, 所提的CNN-MFT方法在50%和70%等不同训练样本比例的条件下, 其卡钻事故预测准确率最高, 且稳定性强, 可为海上石油事故预测应用提供关键算法支撑.     

遥感图像复原网格处理*

在遥感图像应用中,为了满足海量数据快速处理和图像清晰化的需求, 设计了遥感图像复原网格平台的处理流程和框架,使用有约束去卷积算法对图像进行复原,采用块处理和Neumann边界条件解决了网格复原中的海量数据快速处理和边界效应等问题,并基于中间件技术开发了应用软件。实验结果表明,开发的遥感图像复原网格处理平台能极大地提高海量数据的处理效率并得到满意的复原结果。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术，在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源，搭建CNN模型对农作物进行光谱特征提取与分类，并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息，利用CNN对农作物光谱和纹理特征进行提取，优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取，验证结果对比显示，CNN对应各类别精度、总体精度均优于SVM，其中二者总体精度分别为95.14%和91.77%；② 引入影像纹理信息后，基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%，Kappa系数0.952，且分类结果的空间分布更为合理，可有效区分花生、道路等精细地物，说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取，可面向种植结构复杂区域实现农作物精准分类与分布制图。     

融合特征的卫星视频车辆单目标跟踪

目的 卫星视频作为新兴遥感数据,可以提供观测区域高分辨率的空间细节信息与丰富的时序变化信息,为交通监测与特定车辆目标跟踪等应用提供了不同于传统视频视角的信息。相较于传统视频数据,卫星视频中的车辆目标分辨率低、尺度小、包含的信息有限。因此,当目标边界不明、存在部分遮挡或者周边环境表观模糊时,现有的目标跟踪器往往存在严重的目标丢失问题。对此,本文提出一种基于特征融合的卫星视频车辆核相关跟踪方法。方法 对车辆目标使用原始像素和方向梯度直方图（histogram of oriented gradient,HOG）方法提取包含互补判别能力的特征,利用核相关目标跟踪器分别得到具备不变性和判别性的响应图;通过响应图融合的方式结合两种特征的互补信息,得到目标位置;使用响应分布指标（response distribution criterion,RDC）判断当前目标特征的稳定性,决定是否更新跟踪器的表征模型。本文使用的相关滤波方法具有计算量小且运算速度快的特点,具备跟踪多个车辆目标的拓展能力。结果 在8个卫星视频序列上与主流的6种相关滤波跟踪器进行比较,实验数据涵盖光照变化、快速转弯、部分遮挡、阴影干扰、道路颜色变化和相似目标临近等情况,使用准确率曲线和成功率曲线的曲线下面积（area under curve,AUC）对车辆跟踪的精度进行评价。结果表明,本文方法较好地均衡了使用不同特征的基础跟踪器（性能排名第2）的判别能力,准确率曲线AUC提高了2.9%,成功率曲线AUC下降了4.1%,成功跟踪车辆目标,不发生丢失,证明了本文方法的先进性和有效性。结论 本文提出的特征融合的卫星视频车辆核相关跟踪方法,均衡了不同特征提取器的互补信息,较好解决了卫星视频中车辆目标信息不足导致的目标丢失问题,提升了精度。     

城市街区尺度地表热环境遥感监测与分析

近年来对城市热环境的研究大多集中在大尺度或城市区域尺度上,基于街区尺度的热环境研究较少。本研究基于高空间分辨率的天宫一号热红外数据,利用JM&S(Jim?nez-Mu?oz&Sobrino)算法反演了南京部分地区地表温度,进而揭示了南京地区夜间地表热环境空间分布规律并分析了其与地表覆盖类型的关系,探讨了不同街区夜间地表温度的差异。研究结果表明,天宫一号具有热异常检测能力,能较好地体现街区尺度地表温度的空间异质性;南京夜间存在明显的城市热岛效应,热岛强度为2.6 K,局部热岛效应较为突出;受土地覆盖类型、人口、建筑等因素的影响,不同街区地表温度差异较为明显。     

基于三维地球的海量遥感影像高效可视化管理系统的设计与实现

针对数量日益增长的多源、异构遥感影像组织与管理问题,在分析遥感影像特点的基础上,设计并实现了海量遥感影像高效可视化管理系统。研究了系统的组织架构,借助三维地球技术,提升系统的可操作性与视觉体验;采用元数据库技术,实现海量、多分辨率遥感影像的统一、快速查询、检索与定位;通过遥感影像缩略图、金字塔模型和线程池机制,提高遥感影像读取及可视化显示的效率。最后,完成了基于三维地球的遥感影像可视化管理系统的功能集成,实现遥感影像的多种管理模式和多层次需求。在此基础上,在实际工程应用中为海量遥感影像的分发服务提供有力的技术保障。     

基于改进HOG特征的建筑物识别方法

随着机器学习方法的广泛应用,建筑物识别技术得到了快速的发展,识别的准确性一直是人们关注的重点。梯度方向直方图（HOG）特征提取方法中的梯度求解方式不能有效提取建筑物的边界特征,直接影响了识别的准确性,提出基于方向可控滤波器的HOG算法,利用支持向量机学习方法实现建筑物的识别。实验结果表明,该方法在平均准确率、TP、FP、召回率、精确率和F1值等指标上优于基于方向可控滤波器的建筑物识别方法,证明了该方法可以有效识别建筑物。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;② 引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。