摘要：针对现有全卷积神经网络因光谱混杂造成建筑物漏检、误检以及边界缺失的问题,设计了一种基于多特征融合与对象边界联合约束网络的高分辨率遥感影像建筑物提取方法。所提方法基于编解码结构,并在编码阶段末端融入连续空洞空间金字塔模块,以在不损失过多有效信息的前提下进行多尺度特征提取和融合;在解码阶段,通过实现基于对象和边界的多输出融合约束结构,为网络融入更多准确的建筑物特征并细化边界;在编码与解码阶段间的横向跳级连接中引入卷积块注意力机制模块,以增强有效特征。此外,解码阶段的多层级输出结果还被用于构建分段多尺度加权损失函数,实现对网络参数的精细化更新。在WHU和Massachusetts建筑物数据集上进行对比试验分析,其中交并比和F1分数分别达到了90.44%、94.98%和72.57%、84.10%,且模型的复杂度与效率均优于MFCNN与BRRNet。

摘要：针对高分辨率遥感影像建筑物语义分割中存在单体建筑部分漏分与纹理相近的非建筑物错分的问题,提出深度特征提取与多输出增强建筑物语义分割网络。首先,在编码与解码交替处设计并行连续空洞空间注意力金字塔模块,对建筑物高维特征实现深层提取;然后,在网络解码阶段设计多输出增强融合模块,提升不同尺度建筑物特征对输出结果的有效参与度。选取U-Net、DeeplabV3+、MA-FCN、BRRNet同类算法进行对比,在Massachusetts和WHU公共数据集上测试,OA、precision、recall、IoU、F1指标分别达到98.87%、94.53%、95.40%、90.41%、94.96%,与同类算法相比,除precision之外其他4项指标更高,与U-Net相比,依次高出0.25%、1.12%、1.14%、2.02%、1.12%。

摘要：准确的接触网语义分割结果对于接触网组件提取和几何参数检测具有重要的意义。实际上,接触网场景复杂,部件之间的尺寸差异较大,并且存在着较多语义信息接近且相连的部件,导致现有的深度学习方法难以高精度地完成接触网点云语义分割任务。基于上述问题,本文提出一种基于图卷积和多尺度特征的神经网络GDM-Net。该网络包含基于图的局部特征提取器,增强了对接触网点云局部特征提取;双重通道注意力模块,同时兼顾了接触网点云的全局和显著特征的提取;多尺度特征融合的细化模块,通过提取并融合接触网的多尺度信息,提升了分割精度。受益于上述几个模块,该网络提升了对于接触网部件交界处的点云分割能力。基于接触网数据集对该方法进行定性和定量的验证分析,GDM-Net相较于5种其他的点云深度学习方法,精度最高,OA、mIoU和F 1值这3个精度指标分别可以达到96.73%,91.06%和95.28%。定性比较表示,本文提出的网络可以有效减少部件连接部分的错分问题,提高接触网部件分割的完整性。

摘要：盾构隧道强度投影图像中渗漏水尺寸不一致且像素占比偏小,现有目标检测模型的关键特征学习能力较弱,存在渗漏水病害目标检测精度偏低的问题。本文提出了基于CutMix数据增强与多约束损失函数的改进YOLOv7盾构隧道渗漏水检测方法。首先采用镶嵌CutMix方法对隧道图像进行数据增强,将多张不同的训练样本进行随机裁剪,拼接融合成具有综合特征的新样本;然后以YOLOv7网络为骨架结构,引入高效通道注意力模块,提高渗漏水关键特征的自主学习与表达能力;最后引入多约束几何条件的损失函数,提高预测框几何形状的精度,从而提升模型预测精度。在光线良好、光线不佳和存在遮挡等复杂环境情况下,选取Fast R-CNN、SSD、YOLOv5、YOLOv7这4种算法进行对比,试验表明,本文算法渗漏水检测精度达85.90%,平均精度比同类算法分别提高5.55%、8.89%、3.93%、2.75%,具有较高的稳健性和泛化能力。

摘要：以日本房总半岛2011年、2013~2014年、2018年3次慢滑移事件(slow slip event, SSE)为例,利用自主研发的GPS坐标时序分析(GPS coordinate time series analysis, GTSA)软件批量处理该半岛多个GPS站点2009~2019年共10 a的坐标时序数据,构建包含周期性SSE的坐标时序模型。结果表明:1)双曲正切函数的数学特性与SSE的运动规律十分吻合,表现为缓慢加速-快速滑动-缓慢减速,最后恢复至稳态;2)函数对SSE的精准建模可有效确定SSE发生时间的中心、持续时长和地表位移;3)2011年SSE持续时间最长可达50 d, 2013~2014年和2018年的SSE持续时间最长为25 d;4)3次SSE的水平位移均朝东南方向,高程位移量均表现为下沉,2018年SSE最大水平位移达5.2 cm, 2013~2014年最大高程位移达3.8 cm。

摘要：针对从高分遥感影像中提取建筑物易受阴影和植被等遮挡而导致错误检测的问题,提出一种建筑物轮廓双向驱动自适应分割重构的规则化方法。首先采用基于最小外接矩形(MBR)的平直旋转变换算法,旋转建筑物轮廓至水平或竖直状态,减少轮廓图形学显示上的锯齿表征;然后设计MBR和Shi-Tomasi联合双向驱动建筑物轮廓自适应分割算法,将轮廓化整为零精准分割形成局部片段;最后提出基于局部最优权拟合的轮廓重构算法,依次对局部片段进行属性分配、约束重组、最优权拟合与坐标重组,实现建筑物轮廓的规则化。实验结果表明,与初始提取结果相比,经所提方法规则化的轮廓视觉效果更好。与同类基于栅格填充、角点校正、最优外接矩形拟合和主方向的4种轮廓规则化方法相比,所提方法在保证规则化效率的同时,精度也更高,具有更广泛的适用性,对常见包含不同角度变化的复杂建筑物均能得到更加规整的轮廓,可作为建筑物提取后处理规则化的参考手段。

摘要：针对西藏贡觉县色拉滑坡,采用小基线集技术获取滑坡一维视线向形变结果,通过多维小基线集技术计算滑坡二维东西向与垂直向形变速率与时间序列形变,结果表明色拉滑坡以东西向形变为主且滑坡前缘特征点累积位移超过100 mm;并将特征点累积形变与地区降雨量进行对比分析,发现每年6月-9月期间滑坡前缘受强降雨影响形变速率加快从而牵引滑坡中后部分加速形变.采用长短期记忆网络模型对滑坡特征点时间序列进行预测分析,预测结果显示周期性和缓慢形变可获得恰当的预测结果,对于剧烈形变的特征点符合其运动趋势.所得结果可为金沙江流域类似滑坡灾害预警提供参考.

摘要：针对目前各地都在探索新型基础测绘与实景三维建设的内容及应用场景,以南昌市九龙湖区域竖向工程(优化)专项规划为例,研究了基于新型基础测绘的数据采集方式、生产组织体系、产品成果模式,及实景三维成果如何在城市规划中进行应用等问题。为实景三维如何在自然资源管理中发挥应用提供了重要参考。

摘要：土壤侵蚀是当今全球面临的重要生态问题,也是全球水土流失研究的重要内容.以鄱阳湖流域为研究区,基于修正通用土壤流失方程(The Revised Universal Soil loss Equation,RUSLE)模型估算2000-2019年间5个时期研究区的土壤侵蚀强度,并分析各影响因子及土壤侵蚀强度的时空分布特征,以及研究区内地形因子对土壤侵蚀分布的影响.结果表明:①流域内降雨侵蚀因子R均值介于9549~15371(MJ·mm)/(hm^(2)·h·a)之间,土壤可蚀性因子K均值为0.02922(t·km^(2)·h)/(km^(2)·MJ·mm),坡长坡度因子LS均值为3.91,植被覆盖与管理因子C均值介于0.081~0.094之间,水土保持措施因子P均值介于0.3781~0.3870之间;②鄱阳湖流域5个年度的平均土壤侵蚀模数分别为882.10,1244.32,1463.72,964.82,794.74 t/(km^(2)·a),流域内整体属于轻度侵蚀等级,土壤侵蚀状况在2015年、2019年得到很大好转;③研究区内土壤侵蚀强度在海拔及坡向上的分布具有一定的稳定性,[100,200)m区域是海拔900 m以下土壤侵蚀强度最高的区域,在900 m以上地区,侵蚀强度随海拔升高急剧增加,流域内朝向偏东北区域的土壤侵蚀强度大于朝向偏西南区域.总体上,流域内水土流失治理应重点关注极强烈及剧烈侵蚀地区、平原与丘陵交界地区、高海拔地区,应加强对朝向偏东北方向区域水土保持措施的实施.

摘要：融合SAR影像的后向散射信息和光学影像的光谱信息是提高土地覆盖分类精度的重要手段之一,其中多尺度变换是一种有效的融合方法。然而,多尺度变换方法的融合规则通常根据局部特征信息和脉冲耦合神经网络模型进行设计,存在结构信息和细节信息提取能力有限,以及脉冲耦合神经网络参数设置复杂和空间相关性差等问题。为此,本文提出一种结合改进Laplacian能量和参数自适应双通道单位连接脉冲耦合神经网络(ULPCNN)的遥感影像融合方法。该方法混合成分替换方法和多尺度变换方法,首先对多光谱影像进行IHS变换得到亮度分量I,将亮度分量I与SAR影像通过非下采样剪切波变换(NSST)分解得到高低频子带。然后对低频子带采用结合加权局部能量和八邻域修正拉普拉斯加权和的融合规则,同时对高频子带采用参数自适应双通道ULPCNN的融合规则,将高频子带的多尺度形态梯度作为链接强度,并根据OTSU阈值和影像强度来实现其他参数的自适应表示。最后依次进行NSST重建和IHS逆变换得到融合影像,并选择随机森林分类器对融合影像进行土地覆盖分类。试验结果表明,本文方法相较于13种其他方法在11个融合评价指标和土地覆盖分类精度上总体表现最佳,土地覆盖分类的总体精度和Kappa系数在区域1中比原多光谱影像分别提高了8.350%和0.107,在区域2中比原多光谱影像分别提高了6.896%和0.091。