摘要：基于卷积神经网络的高光谱图像分类是当前的研究热点,先后发展了空洞卷积、可形变卷积等先进模型。然而,现有可形变卷积只在空间维偏移,忽略了高光谱图像光谱之间的差异信息。为此,本文将可形变卷积从空间维扩展到光谱维,设计了光谱可形变卷积,提出了光谱可形变卷积网络SDCNN(Spectral Deformable Convolutional Neural Network)。首先,利用全连接层学习光谱可形变卷积的偏移量,采用线性差值对图像光谱维进行特征校准;其次,采用多层1×1卷积进行光谱维特征聚合;最后,使用三维卷积层提取光谱—空间联合特征。不同于空间可形变卷积,光谱可形变卷积只在光谱维上进行偏移,可以为不同类别选择更合适的特征波段,提升模型的判别性。在国际通用测试数据Indian Pines、University of Pavia以及University of Houston上进行了实验,结果表明:本文提出的SDCNN方法优于其他深度学习方法,在相同样本条件下取得了更高的分类精度,总体精度达到了98.86%(Indian Pines,10%/类)、99.81%(University of Pavia,5%/类)以及97.41%(University of Houston,50个/类),验证了该方法的有效性。

摘要：以GIS设计与开发课程为例,探讨测绘类专业课程教学过程中“育德”与“育才”统筹兼顾的实现方法和路径。本文从思政元素的设计、助力课程思政实现的教学方法及课程思政教学实施过程等角度,对该课程思政教育元素进行了深入挖掘。将知识传授、能力培养与价值引领相结合,寓教于学,充分强化教书育人中的育人作用,为同类型课程的思政教育改革提供有益借鉴。

摘要：遥感影像由于成像特点和空间分辨率的制约,导致小目标特征提取难度增加,因此遥感影像小目标检测具有较大挑战。现有深度学习目标检测网络架构多基于自然图像而构建,在顾及遥感影像小目标特殊性方面的研究和探索存在不足。为此,本文提出了联合双重注意力机制和双向特征金字塔的遥感影像小目标检测算法。主要创新工作体现在:(1)针对遥感影像中待检测物体所占比例较小导致其特征信息不易提取以及网络参数量大等问题,基于YOLOv3网络模型,引入LKGNet主干网络和GIoU损失函数,提出LKGNet-YOLO网络;(2)针对网络特征提取过程中容易受噪声信息干扰以及网络多层信息融合能力不足的问题,基于YOLOv3网络模型,引入DA-LKGNet主干网络和加权双向特征金字塔结构,提出DA-LKGNet-YOLO网络。为了验证所提方法的在遥感影像小目标检测领域中的有效性,采用2014年中国科学院大学发布的UCAS-AOD v1.0(UA)数据集和2021年武汉大学发布的AI-TOD数据集进行实验。结果表明:本文方法在UA数据集上0.5阈值的均值平均精度mAP_(0.5)为96.21%,在AI-TOD上0.5—0.95阈值的均值平均精度mAP_(0.5—0.95)为9.51%,显著优于YOLOv3、RFBNet、SSD、FSSD、RetinaNet、RefineDet等模型,mAP精度分别高出约3.45%—7.52%、1.36%—4.84%。同时,在小尺度目标上的检测水平优于Faster-RCNN和YOLOv7算法。与原始YOLOv3网络相比,本方法在浮点运算次数上降低了48%,参数量减少了42%。上述实验结果证实了本文提出方法的有效性。

摘要：基于Landsat-8影像数据,采用ANDWI_ISODATA法对2013─2020年艾丁湖的湖泊面积进行了提取,总体分类精度达到98%以上;在此基础上,根据湖泊干涸期湖底ASTER GDEM数据,对2013─2020年艾丁湖的湖泊水量进行了估算,并分析了艾丁湖湖泊水量的变化特征及其对农业用水的影响。结果表明:艾丁湖湖泊面积和水量的年际变化整体上均呈现出先升高后降低的变化趋势,均在2017年达到最大值,分别为31.17 km^(2)和3369.17万m^(3);湖泊水量的年内变化呈现春季储水、夏季干涸、秋季和冬季回水的规律;在春冬季,湿地保育区水量丰盈,直接与主湖区形成整体湖泊,呈现“J”形;在农作物生长季的4─6月份,艾丁湖湖泊水量对农业用水的补给占到35%左右,而降水占农业用水的比例只有1%左右。