删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

东北地理所在深度学习及智能计算遥感信息挖掘领域取得新进展

本站小编 Free考研考试/2020-03-20

土地覆被信息是一系列地理空间应用的基础,包括城市规划、区域协调和环境管理等。遥感技术具有覆盖范围大、实时监测等特点,已发展成为获取土地覆被信息的主流技术手段。高空间分辨率及高光谱遥感技术的快速发展,极大地促进了土地信息提取的精度与效率。然而,高空间分辨率以及高光谱遥感影像数据量庞大且特征复杂,这给传统的遥感分类技术带来挑战。东北地理所地理信息系统学科组研究人员,将深度学习引入高空间分辨率遥感信息挖掘领域,发展了一种基于面向对象的混合支持向量机(SVM)与深度学习(CNN)的土地覆被分类方法(OSVM-OCNN);改进智能计算领域的人工蚁群算法,提出了一种基于多态蚁群智能的高光谱遥感影像最优波段选择算法(PACA-BS)。
  研究人员提出的面向高空间分辨率影像的OSVM-OCNN分类算法,首次在对象级别结合了浅层分类器(SVM)和深层分类器(CNN),捕获了两种分类器在影像特征提取方面的优势。使用高空间分辨率光学和雷达影像对算法进行了验证,实验表明相比于基于像元的分类方法,OSVM-OCNN显著地提高了土地覆被的分类精度,是一种高效率高精度的遥感分类算法。

图 1 OSVM-OCNN遥感影像分类流程图

图 2 OSVM-OCNN及几种基准算法生产的土地覆被分类图
  提出的PACA-BS多态蚁群高光谱波段智能选择算法,克服了传统蚁群智能算法效率低下且易陷入局部最优的难题。PACA-BS采用侦查蚁缩小解集空间,这大大减少了算法的运行时间,加快了收敛速度;此外,PACA-BS测量选择波段子集之间的相似度,这种测量保持了种群的多样性,避免种群早熟和陷入局部最优。利用三种高光谱影像测试了算法的有效性,实验结果证实了PACA-BS在精度和效率方面均优于目前常用算法。

图 3 PACA-BS及几种基准算法生产的高光谱图像分类精度
  相关成果分别发表于地理遥感领域国际主流学术期刊Remote Sensing及International Journal of Remote Sensing上。有关研究工作得到国家重点研发项目(2017YFB0503600)和国家自然科学基金项目(41301465)资助,主要工作由东北地理所地理信息系统课题组李华朋博士、张树清研究员和丁小辉博士完成。
  论文信息:
  [1] Huapeng Li*, Ce Zhang, Shuqing Zhang, P.M. Atkinson. A hybrid OSVM-OCNN Method for Crop Classification from Fine Spatial Resolution Remotely Sensed Imagery.Remote Sens.2019,11(20), 2370.
  链接: https://www.mdpi.com/2072-4292/11/20/2370
  [2] Xiaohui Ding, Shuqing Zhang*, Huapeng Li*, Peng Wu, Patricia Dale, Lingjia Liu & Shuai Cheng. A restrictive polymorphic ant colony algorithm for the optimal band selection of hyperspectral remote sensing images, International Journal of Remote Sensing, 2019. DOI: 10.1080/01431161.2019.1655810.
  链接: https://www.tandfonline.com/doi/abs/10.1080/01431161.2019.1655810
相关话题/计算 智能