基于迁移学习的高分遥感影像场景分类

随着高分遥感卫星的发展,高分遥感影像数据逐年增长,其在国土、农业、城市建设、环境监测、生态建设等方面发挥着重要的作用。然而传统高分遥感影像的场景分类速度较慢,精度较低。文章将深度学习中的卷积神经网络与高分遥感影像的场景分类相结合,极大地提高了分类精度。与此同时,运用迁移学习技术极大地降低了训练样本数量与训练时间,为高分遥感影像的场景分类提供了新的思路。     

基于深度学习的高分辨率遥感影像解译技术研究

深度学习思想灵感来源于人脑视觉系统的层次化处理机制,与传统机器学习的最大不同就在于,无须人工设计特征,由深度学习模型自动提取并进行训练。文章研究了基于深度学习的影像解译技术,主要使用了基于预训练卷积神经网络的全卷积神经网络模型架构,构建了基于深度学习的影像解译框架,从模型的构建、样本库设计、模型训练验证等方面进行了分析和研究,实现了一套基于深度学习的影像解译技术流程,为新型基础测绘和自然资源要素提取等应用提供了技术支撑。     

基于卷积神经网络的京杭大运河遥感影像水质分类算法研究

京杭大运河是世界上最古老最长的运河,并且近年来作为南水北调工程的东线,其水环境安全对沿岸城市具有重要意义。近几年京杭大运河的水污染情况日益引起关注,但在大面积的运河上缺乏具有空间连续监测的监测结果。文章建立小型水质遥感影像样本数据库并设计能够挖掘不同水质信息的卷积神经网络模型来实现对运河水质的快速分类。文章模型的验证精度达到88.0%,测试精度达到84.6%,具有一定的时空普适性,为管理部门提高水环境管理效率提供辅助作用。     

基于机器学习的斜坡堤越浪量预测方法研究

针对斜坡堤越浪量预测方法,分别建立集成神经网络(ensemble neural network,ENN)、随机森林(random for-eset,RF)和支持向量回归机(suppport vector regression,SVR)3种机器学习模型对斜坡堤越浪量进行预测,并利用决定系数R2和均方根误差RMSE来评估模型性能.最后,对3种模型的性能进行分析.结果显示,集成神经网络模型的决定系数R2和均方根误差RM S E分别约为0.96和0.0018,随机森林模型的决定系数R2和均方根误差RMSE分别约为0.97和0.0014,支持向量回归机模型的决定系数R2和均方根误差RMSE分别约为0.94和0.002.对比发现,3种模型的决定系数都达到0.9以上,都具有较高的预测精度,随机森林相比其他两个模型精度更高.     

深度学习融合多源数据的城市土地利用制图研究

基于单一方法和单一数据源的遥感图像复杂信息挖掘的精度和可靠性不高。而深度学习为代表的人工智能方法为高分辨率遥感地物信息挖掘提供了新的手段。着眼于城市化的精准监测和精细管理需求,本文选取西安市空港新城作为研究区,建立适合中国城市的高分遥感土地利用数据集。通过微调最先进的卷积神经网络模型,从遥感图像中提取有价值的颜色和纹理特征,得到高精度的地物分类结果;利用多源数据对模型分类精度进行交叉验证,在此基础上基于空间分析识别复杂目标;引入共享单车数据进行土地利用建模,挖掘影响城市发展的关键因素。我们将3S技术和人工智能技术应用到土地利用制图与分析中,为城市地理学精细化和定量化研究做出有价值的尝试。     

基于PCA-PNN的制造企业财务预警研究

财务预警通过模型的建立可为公司的财务风险规避提供理论基础,评估模型的建立方式与预测准确率密切关联。概率神经网络(PNN)常用于模式分类,为建立以PNN为基础的优化预警模型,以90家制造企业上市公司2016年的31个指标作为样本构建预测模型。实证得出:传统PNN的预测正确率为50.0%,加入主成分分析(PCA)的PCA-PNN的预测正确率为87.5%。     

基于卷积神经网络的文档特征提取方法

随着上网用户的增多,人们在网络上贡献了各式各样的文献,这些文献形成了海量的文本数据,潜藏着巨大的价值。文献的文类和整理是一项非常具有挑战性的工作,抽取文档特征信息成了目前重要研究方向之一。针对传统方法对文本数据的特征提取时,文本特征维数大、处理效率低等问题,文章设计了基于卷积神经网络的文本特征提取方法,搭建了卷积神经网络模型,选取了卷积神经网络的各项参数,实验的输入数据集为中文语料库中的文本,使用Word2vec工具集进行文本向量转换,对文本特征提取采用卷积神经网络算法,通过K-means聚类算法对文本特征进行验证,验证了本文设计的基于卷积神经网络的文本特征提取方法的有效性。     

基于Landsat8的土地利用分类方法对比研究——以西安市未央区为例

研究土地利用类型分类对土地规划有着重要的意义。遥感技术对土地利用类型分类提供技术性支持。随着遥感技术的不断发展,遥感影像分类方法不断涌现,不同的分类方法会有精度不一的问题,对其在土地利用类型分类中产生了一定的影响。本文以西安市未央区为研究区域,依据landsat8 OLI影像,采用最小距离分类法、马氏距离分类法、支持向量机分类法、神经网络分类法和最大似然分类法,对研究区进行土地利用类型分类,并对其分类结果进行精度比较。结果表明:总体上看,最大似然分类法的Kappa系数和整体分类精度均高于其他分类方法,其次为神经网络分类法、支持向量机分类法、马氏距离分类法、最小距离分类法。从不同土地利用类型来看,相较于其他分类方法,最大似然法仍表现出理想的分类效果。本研究可以对土地利用分类方法的选择提供理论依据,以期为今后的土地利用工作提供决策性支持。     

基于静止水色卫星的黄海日间海雾遥感分析

海雾遥感探测对海上风电的开发、运维等方面有着重要的科学意义和使用价值。文章以中国近海海雾发生最频繁的黄海为研究区域,基于多年GOCI(Geostationary ocean color imager)卫星遥感资料建立适用于黄海日间海雾的遥感反演提取算法。利用黄海沿海探空资料、浮标资料以及沿岸气象台站资料,对反演结果进行了验证,结果表明,遥感算法具有良好的稳定性以及对于动态监测的开发潜力;利用成山头气象站多年气象资料计算多种统计指标,对海雾算法进行了精度评估,准确率达72.2%。     

基于SSA优化BP神经网络的污染物浓度二次预测模型

为解决一次预报模型模拟结果不理想的情况，使用主成分分析（PCA）对14项气象影响因素进行降维处理并提取4项综合评价指标，使用麻雀搜索算法（SSA）优化BP神经网络的二次预测模型和将一次预报的结果与真实数据的差值作为输出，对预测模型进行训练并做出预测的方法。将模型应用于国内某个地区，用相应的数据对模型进行验证。结果表明，基于SSA优化BP神经网络的预测模型和将误差引入的新模型均较BP神经网络模型有更高的精确度和更强的泛化能力。