检索结果-内蒙古大学图书馆

遥感学报 2025年第1期29卷 266-278页

作者：李健慷张桂欣祝善友徐永明李湘雨南京信息工程大学遥感与测绘工程学院南京210044 南京信息工程大学地理科学学院南京210044

为了加强变化检测中深度学习网络的语义信息提取能力,捕获更多高阶多尺度特征细节以及突出影像差异信息,本文提出一种融合孪生结构和多尺度特征Transformer的高分辨率遥感影像变化检测模型MFTSNet(Multi-scale Feature Transformer Siam... 详细信息

为了加强变化检测中深度学习网络的语义信息提取能力,捕获更多高阶多尺度特征细节以及突出影像差异信息,本文提出一种融合孪生结构和多尺度特征Transformer的高分辨率遥感影像变化检测模型MFTSNet(Multi-scale Feature Transformer Siamese Network)。该模型设计了语义特征Transformer模块ST(Semantic feature Transformer module)捕获不同层级特征图的语义信息,引入置入Transformer模块GT(Grounding Transformer module)和映射Transformer模块RT(Rendering Transformer module)加强低层和高层语义信息的获取,发掘高阶多尺度特征细节信息以及不同空间位置和通道间的全局上下文关系,进一步提升变化检测精度,增强地物检测结果的完整性、区域内部以及边缘细节。将MFTSNet与另外8种变化检测模型在4个公开数据集上的变化检测结果进行对比,并通过消融实验、参数分析等手段验证MFTSNet中各模块的有效性。对比实验结果表明MFTSNet网络模型在4个数据集上的F1和交并比IoU分别至少提高了0.465%、0.113%、0.369%、2.13%和0.723%、0.188%、0.304%、2.962%。消融实验表明GT、RT、ST 3个模块共同作用可有效提升网络模型性能。参数分析表明MFTSNet模型中的特征信息长度L与编码器—解码器个数是两个重要的网络结构参数,L在CDD、WHU-CD数据实验中取16,在SYSU-CD、LEVIR-CD数据实验中取8,4个数据集上设置(EN,DN)为(1,2)时,MFTSNet模型的检测结果最优。

关键词：高分辨率遥感变化检测深度学习孪生网络多尺度特征 Transformer 语义信息消融实验

来源：评论

学校读者我要写书评

暂无评论

整合集成预测约束与错误预测熵最大化的MLS点云分类方法

引用

遥感学报 2025年第1期29卷 329-340页

作者：雷相达管海燕董震南京信息工程大学遥感与测绘工程学院南京210044 武汉大学测绘遥感信息工程国家重点实验室武汉430079

许多深度学习点云分类方法通过增加点云特征聚合模块,增强点云特征的表达能力,但该类方法往往会带来训练参数增加以及模型过拟合的问题。针对该问题,本文提出了一个整合集成预测约束与错误预测熵最大化的深度学习方法用于移动激光扫描ML... 详细信息

许多深度学习点云分类方法通过增加点云特征聚合模块,增强点云特征的表达能力,但该类方法往往会带来训练参数增加以及模型过拟合的问题。针对该问题,本文提出了一个整合集成预测约束与错误预测熵最大化的深度学习方法用于移动激光扫描MLS(Mobile Laser Scanning)点云分类。方法通过集成预测约束分支以及错误预测熵最大化分支可以在不增加训练参数的情况下,增强基线网络的点云特征表达,提高模型泛化能力。其中集成预测约束分支首先通过记录点云在训练过程中的预测值,生成集成预测值,然后采用一致性约束增强模型的点云特征表达。错误预测熵最大化分支鼓励模型对错误预测点进行熵值最大化,增加该点的不确定性,提高模型的泛化能力。所提方法在多个公开MLS点云数据集上进行验证,结果表明所提方法可以在不增加训练参数的情况下,提高基线方法的分类性能。与对比方法相比,所提方法在Toronto3D、WHU-MLS、Paris数据集上获得了最优的平均交并比(83.68%、65.85%、44.19%),表明了方法的有效性。

关键词：遥感 MLS点云分类深度学习集成预测约束错误预测熵最大化

来源：评论

学校读者我要写书评

暂无评论

基于日光诱导叶绿素荧光的东北林区森林碳汇估算

引用

自然资源遥感 2025年第1期37卷 204-212页

作者：赵子方梁艾琳南京信息工程大学遥感与测绘工程学院南京210044

森林碳汇是维持地球生态平衡和应对气候变化的重要因素。森林碳汇吸收大量二氧化碳并储存碳元素,有助于减缓气候变化,在全球碳循环中扮演着关键角色。同时,森林碳汇也提供了生物多样性保护、水资源调节和土壤保持等重要生态服务,因此对... 详细信息

森林碳汇是维持地球生态平衡和应对气候变化的重要因素。森林碳汇吸收大量二氧化碳并储存碳元素,有助于减缓气候变化,在全球碳循环中扮演着关键角色。同时,森林碳汇也提供了生物多样性保护、水资源调节和土壤保持等重要生态服务,因此对于森林碳汇的估算十分重要。该文选取我国东北林区为研究区域,基于日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence,SIF)运用植被总初级生产力(gross primary productivity,GPP)作为中间变量来估算2011—2020年6—9月植被生长期的森林碳汇。结果显示:东北林区森林碳汇与SIF在空间上存在较强相关性;东北林区的SIF值和碳汇分布相似,长白山地区的碳汇能力较强,而大兴安岭地区的碳汇能力较弱;在时间分布上,植被生长期的6—9月,碳汇能力总体呈先递增后递减的趋势。总的来说,利用SIF来估算碳汇在东北林区具有较高的可行性。

关键词：森林碳汇 SIF GPP

来源：评论

学校读者我要写书评

暂无评论

基于分层融合机制的超分辨率遥感图像目标检测方法

引用

航天返回与遥感 2025年第1期46卷 123-134页

作者：殷凌锋童旭东倪欢南京信息工程大学遥感与测绘工程学院南京210044

受制于图像光谱信息承载能力限制,基于可见光或红外的单模态目标的检测方法通常难以有效应对遥感图像复杂场景。针对这一问题,文章提出一种基于分层融合机制的超分辨率(超分)遥感图像目标检测方法,有效融合可见光和红外数据信息。首先,... 详细信息

受制于图像光谱信息承载能力限制,基于可见光或红外的单模态目标的检测方法通常难以有效应对遥感图像复杂场景。针对这一问题,文章提出一种基于分层融合机制的超分辨率(超分)遥感图像目标检测方法,有效融合可见光和红外数据信息。首先,基于残差融合模块和单分支增强模块构建分层融合机制,其中残差融合模块整合可见光与红外图像的潜在互补信息,单分支模块进一步强化双模态数据融合特征表达。其次,构建超分辅助分支,增强目标细节特征生成能力,进一步提高检测精度。实验结果表明:文章方法在VEDAI与Drone Vehicle数据集上的检测精度优于传统主流目标检测方法,分别达到了79.45%与81.29%,有效提高了遥感图像目标检测的准确性。

关键词：卫星遥感图像目标检测超分辨率特征融合

来源：评论

学校读者我要写书评

暂无评论

VRD-YOLO:基于YOLOv5s改进的实时车载影像道路病害检测模型

引用

南京信息工程大学学报 2025年第2期 151-164页

作者：黄文龙赵好好康健支晓栋王东川周维勋倪欢管海燕南京信息工程大学遥感与测绘工程学院北京中科鹏宇科技有限公司

针对车载影像中的道路病害尺寸差异大，小尺度病害多，导致检测精度低的问题，本文提出一种基于YOLOv5s改进的实时车载影像道路病害检测模型VRD-YOLO(Vehicle-mounted image Road Damage Detection-YOLO).首先，提出通道混合滑动Transfo... 详细信息

针对车载影像中的道路病害尺寸差异大，小尺度病害多，导致检测精度低的问题，本文提出一种基于YOLOv5s改进的实时车载影像道路病害检测模型VRD-YOLO(Vehicle-mounted image Road Damage Detection-YOLO).首先，提出通道混合滑动Transformer模块，增强模型全局上下文建模能力，强化细粒度道路病害语义特征信息提取；其次，引入具有跨层融合和跨尺度融合特性的广义特征金字塔，扩大网络感受野，强化多尺度病害特征融合；再次，设计动态检测头，实现尺度感知、空间感知和任务感知，优化模型特征响应，进一步提升模型的检测性能；最后，构建车载影像道路病害数据集VIRDD(Vehicle-mounted Image Road Damage Dataset),扩充现有道路病害数据集数量及类型，并基于该数据集进行消融和对比实验.实验结果表明：VRD-YOLO在VIRDD数据集上的平均精度均值(mAP@0.5)为74.45%,检测速度(FPS)可达到28.56帧/s,与YOLOv5s模型相比，精确度、召回率、F1分数和mAP分别提升2.79、2.32、2.54和3.19个百分点.同时，通过与其他6种经典及主流目标检测模型比较，VRD-YOLO以最少的模型参数量(9.68×10～6)获得了最佳的检测精度，验证了本文方法的有效性和优越性.

关键词： YOLOv5s 道路病害检测车载影像 Transformer 广义特征金字塔动态检测头

来源：评论

学校读者我要写书评

暂无评论

“天问一号”着陆区横向风成脊零样本遥感解译与分析

引用

遥感学报 2025年第2期29卷 460-471页

作者：秦楠楠康志忠惠建新陶鹏杰陈一平管海燕童旭东南京信息工程大学遥感与测绘工程学院南京210044 中国地质大学(北京)土地科学技术学院北京100083 中国科学院紫金山天文台南京210023 武汉大学遥感信息工程学院武汉430079 中山大学测绘科学与技术学院珠海519082

研究横向风成脊的形貌特征有助于揭示火星稀薄大气层与火星表面之间的相互作用。本文提出了一种基于视觉基础模型的火星横向风成脊零样本遥感解译方法。首先,借助视觉基础模型的通用分割能力,在零样本的情况下实现火星高分辨率影像的精... 详细信息

研究横向风成脊的形貌特征有助于揭示火星稀薄大气层与火星表面之间的相互作用。本文提出了一种基于视觉基础模型的火星横向风成脊零样本遥感解译方法。首先,借助视觉基础模型的通用分割能力,在零样本的情况下实现火星高分辨率影像的精细分割;其次,基于横向风成脊的几何与光谱约束,稳健的从影像所有分割结果中过滤出横向风成脊掩码;最后,利用各个横向风成脊的分割掩码,提取其形貌参数。在公共数据集M-TARset和一幅覆盖“天问一号”着陆点的高分辨率成像相机(HiRIC)正射影像上进行了本文方法的性能测试,结果表明:(1)本文方法在M-TARset上获得了94.33%的精确率、92.32%的召回率以及0.93的F1分数,性能超越了现有其他横向风成脊检测方法;(2)着陆区横向风成脊呈现出总体一致的东西朝向,指示了着陆区主导风向为10°左右的东北风。同时,着陆区横向风成脊的长度、宽度、周长及面积的频率直方图大体服从对数正态分布,这与先前的研究结果一致。本研究可为全球尺度的火星横向风成脊精细解译提供技术支撑,也可为后期火星气候历史重建以及火星全球气候模型完善提供科学依据。

关键词：天问一号横向风成脊遥感解译视觉基础模型零样本泛化实例分割形貌分析火星气候

来源：评论

学校读者我要写书评

暂无评论

鄱阳湖全天候水位-面积逐日数据集(2014-2023年)

引用

湖泊科学 2025年第2期37卷 689-704页

作者：李昕悦谢涛马荣华南京信息工程大学遥感与测绘工程学院南京210044 中国科学院南京地理与湖泊研究所湖泊与流域水安全重点实验室南京211135 中国科学院大学南京学院南京211135

在气候变化与人类活动的影响下,鄱阳湖洪涝灾害和干旱频发,严重影响鄱阳湖流域的生态环境。本研究旨在通过雷达遥感技术,准确监测鄱阳湖水域面积全天候的时空动态变化,为鄱阳湖水资源评估和旱涝灾害预警提供科学依据。基于2014-2023年Se... 详细信息

在气候变化与人类活动的影响下,鄱阳湖洪涝灾害和干旱频发,严重影响鄱阳湖流域的生态环境。本研究旨在通过雷达遥感技术,准确监测鄱阳湖水域面积全天候的时空动态变化,为鄱阳湖水资源评估和旱涝灾害预警提供科学依据。基于2014-2023年Sentinel-1影像,分别利用单波段阈值法、双极化水体指数以及谱间关系法,结合最大类间方差法自适应确定阈值提取水体,通过精度评价,选定最优提取方法,应用于全天候鄱阳湖水域面积提取。结合星子站、湖口站水位数据,揭示水位变化与湖泊水域面积关系,得到鄱阳湖全天候水位-面积逐日数据集,该数据集包括2014-2023年共424期鄱阳湖水域栅格数据、水域面积汇总数据以及星子站、湖口站水位数据,数据集存储为.tif、.xlsx格式。同时,利用湖泊水域面积时间序列曲线的扰动事件识别方法,识别2020年和2022年面积突变的主要因素。结果表明:谱间关系法结合最大类间方差法的阈值分割法的提取精度最优(总体精度>95%);2016-2023年间,鄱阳湖的水域面积呈现显著的年内变化,主要集中在河道以及湖中部。水位与面积变化总体趋于一致,水位≥14 m时,水位变化与湖泊水域面积变化呈现显著正相关。从湖泊时间序列扰动结果分类可以看出,2020年湖泊水域面积扩张的主要原因是自然因素,2022年湖泊水域面积骤减的主要原因是人为因素。

关键词：水域面积鄱阳湖 Sentinel-1 Google Earth Engine 时序变化

来源：评论

学校读者我要写书评

暂无评论

冬小麦叶片SPAD遥感探测的光谱尺度效应

引用

农业工程学报 2025年第2期41卷 196-205页

作者：池浩然李映雪吴芳邹晓晨南京信息工程大学遥感与测绘工程学院南京210044 自然资源部遥感导航一体化应用工程技术创新中心南京210044 江苏省协同精密导航定位与智能应用工程研究中心南京210044 南京信息工程大学生态与应用气象学院南京210044 兴化市气象局兴化225700

叶片SPAD(soil and plant analyzer development)值表征了叶片叶绿素相对含量,是监测农作物长势和营养状况的重要参数。光学遥感是大面积无损探测叶片SPAD值的重要手段。然而,由于不同光谱尺度数据探测光谱变化存在差异,影响了光学探测... 详细信息

叶片SPAD(soil and plant analyzer development)值表征了叶片叶绿素相对含量,是监测农作物长势和营养状况的重要参数。光学遥感是大面积无损探测叶片SPAD值的重要手段。然而,由于不同光谱尺度数据探测光谱变化存在差异,影响了光学探测作物生化参数的精度,但目前很少有研究系统评估不同光谱尺度对探测冬小麦叶片SPAD值的影响。为优化光谱尺度提升叶片SPAD探测精度,该研究通过连续4年田间试验,获取冬小麦4个关键生育期(拔节期、抽穗期、开花期和灌浆期)和3种施氮水平(N1、N2和N3)条件下的冠层光谱反射率和叶片SPAD值,评估了5种光谱尺度(1、5、10、25和50 nm)下单一波段反射率和植被指数对叶片SPAD值敏感性差异及对机器学习模型估算SPAD值的影响。结果表明,红光波段反射率对SPAD值敏感性最大,光谱尺度敏感性变异系数Var为0.497。红边波段波长710 nm反射率受到光谱尺度影响最大,在全生育期敏感性变异系数Var为1.000。全生育期敏感性最佳植被指数为m ND705,在50 nm光谱尺度对SPAD的敏感性最高(R^(2)=0.685)且光谱尺度敏感性变异系数低(Var=0.014)。在4个单一生育期中,mND705在灌浆期对SPAD的敏感性最佳(R^(2)=0.895)且受到光谱尺度的影响小(Var=0.014)。施氮水平的增加提升了植被指数对SPAD的敏感性。优化光谱尺度提升了机器学习模型估算SPAD的能力,全生育期中以25 nm光谱尺度构建的偏最小二乘回归模型对SPAD的估算精度最佳(R^(2)=0.816和均方根误差RMSE=4.04)。该研究为从优化光谱尺度角度优化光学传感器选择和设计、光谱植被指数波段选择和机器学习模型光谱特征构建提供了理论基础。

关键词：光谱尺度植被指数叶绿素含量冬小麦机器学习

来源：评论

学校读者我要写书评

暂无评论

GF-5B AHSI高光谱数据质量评价与分析

引用

测绘工程 2025年第2期34卷 8-15页

作者：周钰菊张雪红南京信息工程大学遥感与测绘工程学院南京210044

鉴于高分五号02星(GF-5B)AHSI影像的数据质量评价方面研究尚少,文中使用辐射精度、信息熵、清晰度和信噪比4个指标,对GF-5B AHSI高光谱数据质量和可用性进行了评价与分析。结果表明,GF-5B AHSI影像的不同波段数据质量存在明显差异,第192... 详细信息

鉴于高分五号02星(GF-5B)AHSI影像的数据质量评价方面研究尚少,文中使用辐射精度、信息熵、清晰度和信噪比4个指标,对GF-5B AHSI高光谱数据质量和可用性进行了评价与分析。结果表明,GF-5B AHSI影像的不同波段数据质量存在明显差异,第192~203波段、第245~264波段、第326~330波段共37个波段受大气和水汽影响严重,影像模糊无法利用,需舍弃;总体上可见近红外波段(VNIR)和短波红外波段(SWIR)第151~244波段效果最好可直接使用,SWIR的第265~310波段可用性一般,使用时需进行去噪声和条带处理,第311~325波段条带噪声较为明显且掩盖地物信息较多,建议使用前结合目视判读确定是否需要剔除。

关键词：高分五号02星可见光短波红外高光谱相机辐射精度信息熵信噪比清晰度

来源：评论

学校读者我要写书评

暂无评论

高校创新创业教育与道德教育协同育人研究

引用

红河学院学报 2025年第2期23卷 58-62页

作者：朱亚宾南京信息工程大学遥感与测绘工程学院江苏南京210044

高校创新创业教育始终与思想政治教育和道德教育紧密联系,其中思想政治教育贯穿教育教学全过程已成为高等教育内涵式发展的重要举措,成效显著。但高校创新创业教育与道德教育还未形成良好的协同育人效应,创新创业教育缺少道德教育精神引... 详细信息

高校创新创业教育始终与思想政治教育和道德教育紧密联系,其中思想政治教育贯穿教育教学全过程已成为高等教育内涵式发展的重要举措,成效显著。但高校创新创业教育与道德教育还未形成良好的协同育人效应,创新创业教育缺少道德教育精神引领,道德教育缺少创新创业教育实践支撑。基于价值目标及培养模式等比较研究所得到的认识,高校创新创业教育与道德教育具有深刻的契合性,两者协同育人是推进新时代高等教育实践育人的重要举措。为此,高校应高度重视协同育人机制、深刻挖掘双创道德元素、持续推进课程思政以及积极营造校园文化来科学推进协同育人,进一步提升创新创业教育实践育人的成效。

关键词：创新创业教育道德教育协同育人德才兼备

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：