主页

来自卫星热传感器的陆地表面温度（LST）数据捕捉了地球表面能量分布在空间和时间上的详细变化。这些数据在蒸散观测和城市热建模等应用中发挥着重要作用[1-3]。然而，由于卫星轨道和传感器设计的限制，热波段的空间分辨率和时间分辨率之间通常存在权衡。日常传感器只能提供较低空间分辨率的数据，如分辨率为 1 公里的 MODIS LST。精细分辨率（100 或更低）的传感器通常受限于其扫描带宽度和轨道高度，只能提供数天内的数据，如大地遥感卫星系列平台的八天内数据（结合Landsat-7 、8和 9）。因此，在提升可用卫星资源方面，合并多个卫星传感器的数据是获得高时空分辨率观测数据的关键挑战之一，这将进一步惠及地表能量建模和精准农业等许多综合应用。 原文链接 Guo, S., Li, M., Li...

地表温度（Land Surface Temperature，LST）在地球表面与大气能量交换过程中有着重要的作用。然而受传感器性能的制约，利用单一的星载热红外传感器无法反演出同时具有高时间和高空间分辨率的地表温度，从而限制地表温度数据的应用。时空融合模型是解决这一问题的有效途径。目前，基于解混的时空融合模型稳定性的影响因素存在不确定性。针对此问题本文从同质变化单元（homogeneous change regions，HCRs）分类方式、解混次数以及HCRs数量三方面来分析模型稳定性。因此，本文以MODIS LST和Landsat7 LST数据为研究对象，基于解混的时空反射融合模型（Unmixing-based Spatio-Temporal reflectance Fusion Mo...

基于深度学习的物体检测器在精度和自动化程度方面大大改善了遥感图像中最先进的物体检测。然而，物体尺度的巨大变化使得在多分辨率的遥感图像中很难实现高质量的检测，而质量是由训练中使用的交叉联合（IoU）阈值定义的。此外，跨多分辨率图像的正负样本之间的不平衡也使检测精度恶化。最近，人们发现，基于级联的区域卷积神经网络（R-CNN）通过引入级联的三级结构，使用逐步提高的IoU阈值，有可能实现更高的检测质量。然而，当加入第四级时，级联R-CNN的性能下降了。我们调查了原因，发现ROI特征和分类器之间的不匹配可能是造成性能下降的原因。在此，我们提出了一个级联R-CNN++结构来解决这个问题，并将三段式结构扩展到多段式结构，供一般使用。具体来说，对于级联分类，我们提出了一种新的分类器和兴趣区域（RoI...

本文的提出了全参数时间复杂度(Full parameter time complexity，以下简称FPTC)，它考虑了所有可能耗时的参数。同时，我们定义了一个系数$\omega$来模拟不同分类器在不同平台之间的物理差异。 在下面的章节中，我们将根据FPTC在本文中的定义，具体推导以下几个算法的FPTC，其中包括：$k$NN ($k$-nearest neighbors) , LR (logistic regression) , CART (classification and regression tree) , RF (random forest)和 SVM (support vector machine) 。为了检验FPTC和相应的系数$\omega$的有效性，我们选择了新疆维吾...

针对异物同谱效应造成的作物提取精度不足问题，本研究提出了一种集成光学和微波特征的方法，通过特征融合提高作物提取精度。本研究基于Sentinel-1合成孔径雷达影像和Sentinel-2多光谱数据，对新疆巴州地区的典型绿洲农业区进行作物分类制图。为提高雷达数据提取特征的质量，采用SHP-DSI方法，对时间序列Sentinel-1数据的后向散射强度进行相干斑抑制，并对相干系数进行精确估计和去偏。此外，首次在研究中提取了合成孔径雷达干涉（InSAR）产品用于作物分类，包括干涉相干系数，主从影像后向散射强度比和从SAR时间序列的振幅色离散度指数等。为探索红边特征在绿洲作物类型识别中的作用，本研究提取了Sentinel-2的3个红边波段并导出了11个红边指数，结合常规的多光谱特征，与雷达特征进行...

针对样本标签噪声造成的地物提取精度不足问题，本文提出了一种抗噪声标签的卷积神经网络框架，Weight Loss Net（WLN）。WLN主要包含三部分：（1）分割子网络，用于产生图像的逐像素分类结果，可以使用其他的分割模型进行替换；（2）损失权重参数，用于对每个训练样本赋权重，对干净样本赋予高权重值，对噪声样本赋予低权重值，降低噪声样本对网络训练过程中的影响，提高网络的抗噪性能；（3）类别平衡系数，帮助网络平等地学习每一个类别，避免由于不同类别之间的不平衡导致模型过拟合。

多光谱遥感中，由于同物异谱效应，采用传统分类方法（如支持向量机、随机森林）对类似耕地这样的复合要素（休耕、弃耕、轮种情况下的耕地光谱差异较大）提取精度较低。卷积神经网络（CNN）对同一类地物的特征类内差异容忍度较高，具有较强的泛化能力，在同物异谱情况下有望提高复合要素的提取精度。

为满足具体监测任务尤其是应急响应任务对时空分辨率的要求，需要对多时间、空间尺度的遥感数据进行融合。传统数据融合方法鲁棒性较低，模型无法跨区域、跨传感器应用，因此，本研究基于人工智能领域的超分辨率生成对抗网络（以下简称SRGAN），开展多尺度数据融合方法研究，提出ISRGAN影像超分辨模型。