利用光学和SAR遥感影像进行建筑高度估计对于理解城市形态和优化城市存量空间具有重要意义。然而,现有的数据集存在诸多局限:由于样本数量较少,难以满足基于深度学习的遥感信息提取需求,样本所覆盖的区域较为有限,无法提供足够的地理多...利用光学和SAR遥感影像进行建筑高度估计对于理解城市形态和优化城市存量空间具有重要意义。然而,现有的数据集存在诸多局限:由于样本数量较少,难以满足基于深度学习的遥感信息提取需求,样本所覆盖的区域较为有限,无法提供足够的地理多样性和空间特征代表性,特别是针对中国区域的大规模建筑高度数据集尤为缺乏。此外,数据集的开源性不足,限制了其在更广泛的研究中的应用和验证。为解决这些问题,本文构建了一个面向深度学习的基于Sentinel影像的建筑物高度数据集BHDSI(Building Height Estimation Dataset Based on Sentinel Imagery),该数据集涵盖了中国62个城市的中心城区,共有5606个样本,覆盖了城市,农村等场景,是目前中国区域覆盖面积最大的建筑高度数据集。该数据集包含哨兵一号和哨兵二号的遥感影像以及建筑高度的真实值,样本大小是256×256,相比于64×64大小的数据集,为建筑高度估计研究提供了一个重要的补充选择。相比其他数据集,该数据集具有样本数量大、覆盖范围广、可获取性、建筑高度分布合理等特点,能够更好地满足深度学习网络的训练需求。在此基础上,本文采用相同的深度学习网络对BHDSI数据集及其他类似数据集进行了评估,并对比了多个网络使用BHDSI数据集时在建筑高度回归任务中的表现,深入分析了各网络的优劣。结果表明,与其他数据集相比,BHDSI数据集在建筑高度回归任务中的表现更加优异。进一步分析发现,使用BHDSI数据集时,建筑高度较低的区域其估计精度相对较高。此外,U-Net解码器用于建筑高度估计网络训练能够取得更高的精度。综上,BHDSI数据集为未来建筑高度估计领域的研究提供了重要的支持。展开更多
高光谱图像HSI(Hyperspectral Image)可以捕获地物成分的光谱特征,但缺失三维信息,而激光雷达LiDAR(Light Detection And Ranging)可以捕获地物的距离高度信息,两类数据相互补充可以有效提升地物识别分类的精度。Mamba模型具有远程特征...高光谱图像HSI(Hyperspectral Image)可以捕获地物成分的光谱特征,但缺失三维信息,而激光雷达LiDAR(Light Detection And Ranging)可以捕获地物的距离高度信息,两类数据相互补充可以有效提升地物识别分类的精度。Mamba模型具有远程特征学习和高效运算的优势,但目前在多模态遥感数据融合分类中的研究较少,存在多源特征信息缺失,融合不足等问题。基于此,本文提出了一种基于Mamba结构的高光谱和LiDAR数据自适应融合协同分类网络。该网络包括一个可堆叠的基于Mamba结构的双通道协同注意力模块,利用参数共享促进了多源特征之间的相互学习,从而在分类任务中实现更高的分类精度和更好的泛化能力。实验结果表明,本文所提算法在Trento,Houston2013和MUUFL数据集上的总体精度分别达到了99.33%,91.74%和94.94%,能够更为高效地提取、融合多源特征。展开更多
【目的】研究芦苇(Phragmites australis)湿地土地类型变化、监测覆被特征,为湿地保护和开发提供参考。【方法】基于2017—2023年9月扎龙湿地Sentinel-2遥感影像,制作了包含湖泊、芦苇地、建筑地、耕地、盐碱地5种土地类型的遥感影像数...【目的】研究芦苇(Phragmites australis)湿地土地类型变化、监测覆被特征,为湿地保护和开发提供参考。【方法】基于2017—2023年9月扎龙湿地Sentinel-2遥感影像,制作了包含湖泊、芦苇地、建筑地、耕地、盐碱地5种土地类型的遥感影像数据集。通过视觉状态空间(visual state space model,Vmamba)联合注意力机制并结合水体指数NDWI生成水体掩膜对研究区进行信息提取,统计各土地类型的位置和面积变化信息。利用像元二分法提取植被覆盖度(fractional vegetation cover,FVC),计算叶面积指数(leaf area index,LAI)和生态质量指数(ecosystem quality index,EQI)。【结果】通过本研究提出的方法对研究区内分布信息进行提取,整体精度(overall accuracy,OA)为80.85%、平均交并比(mean intersection over union,MIoU)为71.59%,宏观平均F1值(macro-F1,MF1)为79.93%。2017—2023年,在扎龙湿地内湖泊、芦苇地的覆盖面积呈增加趋势;耕地、建筑地的覆盖面积呈减少趋势;盐碱地的覆盖面积呈波动趋势。植被覆盖度、生态质量指数先升高后降低,与中国气候公报内容基本一致。【结论】Vmamba联合注意力机制并结合水体掩膜的模型,在湿地信息提取方面效果良好,一定程度上提高土地利用分类与变化监测的精度。植被覆盖度、叶面积指数、生态质量指数的监测对湿地资源管理与可持续利用提供借鉴。展开更多
文摘利用光学和SAR遥感影像进行建筑高度估计对于理解城市形态和优化城市存量空间具有重要意义。然而,现有的数据集存在诸多局限:由于样本数量较少,难以满足基于深度学习的遥感信息提取需求,样本所覆盖的区域较为有限,无法提供足够的地理多样性和空间特征代表性,特别是针对中国区域的大规模建筑高度数据集尤为缺乏。此外,数据集的开源性不足,限制了其在更广泛的研究中的应用和验证。为解决这些问题,本文构建了一个面向深度学习的基于Sentinel影像的建筑物高度数据集BHDSI(Building Height Estimation Dataset Based on Sentinel Imagery),该数据集涵盖了中国62个城市的中心城区,共有5606个样本,覆盖了城市,农村等场景,是目前中国区域覆盖面积最大的建筑高度数据集。该数据集包含哨兵一号和哨兵二号的遥感影像以及建筑高度的真实值,样本大小是256×256,相比于64×64大小的数据集,为建筑高度估计研究提供了一个重要的补充选择。相比其他数据集,该数据集具有样本数量大、覆盖范围广、可获取性、建筑高度分布合理等特点,能够更好地满足深度学习网络的训练需求。在此基础上,本文采用相同的深度学习网络对BHDSI数据集及其他类似数据集进行了评估,并对比了多个网络使用BHDSI数据集时在建筑高度回归任务中的表现,深入分析了各网络的优劣。结果表明,与其他数据集相比,BHDSI数据集在建筑高度回归任务中的表现更加优异。进一步分析发现,使用BHDSI数据集时,建筑高度较低的区域其估计精度相对较高。此外,U-Net解码器用于建筑高度估计网络训练能够取得更高的精度。综上,BHDSI数据集为未来建筑高度估计领域的研究提供了重要的支持。
文摘针对遥感图像中大纵横比目标因正样本不足而出现的学习不充分问题,提出一种基于形状自适应标签分配的遥感有向目标检测网络(shape-adaptive label assignment for oriented object detection network,SALANet)。首先,引入纵横比敏感系数建立目标几何特征与正样本数量的动态映射关系,缓解传统方法中固定分配规则引发的样本分布不平衡问题;其次,设计自适应标签分配策略,通过对交并比(intersection over union,IoU)进行排名实现高质量正样本选择;最后,提出中心轴先验,将圆形中心先验区扩展为目标中心轴的矩形区域,增强大纵横比目标的几何特征表征能力。在DOTAv1.0和HRSC2016数据集上的对比实验表明,SALANet分别取得0.777 1和0.932 3的平均精度均值(mean average precision,mAP),较基线方法RoI Transformer分别提升8.15%和2.87%。
文摘高光谱图像HSI(Hyperspectral Image)可以捕获地物成分的光谱特征,但缺失三维信息,而激光雷达LiDAR(Light Detection And Ranging)可以捕获地物的距离高度信息,两类数据相互补充可以有效提升地物识别分类的精度。Mamba模型具有远程特征学习和高效运算的优势,但目前在多模态遥感数据融合分类中的研究较少,存在多源特征信息缺失,融合不足等问题。基于此,本文提出了一种基于Mamba结构的高光谱和LiDAR数据自适应融合协同分类网络。该网络包括一个可堆叠的基于Mamba结构的双通道协同注意力模块,利用参数共享促进了多源特征之间的相互学习,从而在分类任务中实现更高的分类精度和更好的泛化能力。实验结果表明,本文所提算法在Trento,Houston2013和MUUFL数据集上的总体精度分别达到了99.33%,91.74%和94.94%,能够更为高效地提取、融合多源特征。
文摘【目的】研究芦苇(Phragmites australis)湿地土地类型变化、监测覆被特征,为湿地保护和开发提供参考。【方法】基于2017—2023年9月扎龙湿地Sentinel-2遥感影像,制作了包含湖泊、芦苇地、建筑地、耕地、盐碱地5种土地类型的遥感影像数据集。通过视觉状态空间(visual state space model,Vmamba)联合注意力机制并结合水体指数NDWI生成水体掩膜对研究区进行信息提取,统计各土地类型的位置和面积变化信息。利用像元二分法提取植被覆盖度(fractional vegetation cover,FVC),计算叶面积指数(leaf area index,LAI)和生态质量指数(ecosystem quality index,EQI)。【结果】通过本研究提出的方法对研究区内分布信息进行提取,整体精度(overall accuracy,OA)为80.85%、平均交并比(mean intersection over union,MIoU)为71.59%,宏观平均F1值(macro-F1,MF1)为79.93%。2017—2023年,在扎龙湿地内湖泊、芦苇地的覆盖面积呈增加趋势;耕地、建筑地的覆盖面积呈减少趋势;盐碱地的覆盖面积呈波动趋势。植被覆盖度、生态质量指数先升高后降低,与中国气候公报内容基本一致。【结论】Vmamba联合注意力机制并结合水体掩膜的模型,在湿地信息提取方面效果良好,一定程度上提高土地利用分类与变化监测的精度。植被覆盖度、叶面积指数、生态质量指数的监测对湿地资源管理与可持续利用提供借鉴。
