摘要:青藏高原湖泊群水位变化是反映全球气候变化的重要指标。在实测数据稀缺和现有卫星时空覆盖范围低的限制下,基于雷达干涉模式的新一代SWOT(Surface Water and Ocean Topography)卫星可为全球内陆水体提供高时空分辨率和高精度的水位信息,是对传统观测形式的有力补充。在卫星发射之前探讨其监测潜力具有重要意义。本研究以青藏高原最大的青海湖为例,使用CNES SWOT水文模拟器,模拟2010年—2018年类SWOT水位序列。通过分别采用实测水位、光学水位和雷达水位作为SWOT模拟器驱动,探讨了SWOT模拟器模拟精度对输入驱动的敏感性,并在多个尺度下评价了其模拟表现。结果表明:多种驱动数据情景下,类SWOT水位均可在季节和全年尺度上捕捉青海湖水位变化过程,相关系数和纳什效率系数分别在0.9—1.0和0.8—0.99变化;且可较好监测到青海湖水位长期变化趋势。SWOT具有监测青藏高原湖泊群水位动态的巨大潜力,能够有效观测湖泊水位变化。
摘要:遥感影像时间序列为土地覆盖分类研究提供了重要的数据基础,利用深度学习提取时序分类特征一直是研究的热点,而基于循环网络和卷积网络的深度学习模型在训练样本不均衡时往往难以在小样本地类上取得高精度分类结果,针对这一问题,本文引入自然语言处理领域最新的自注意力机制方法用于多光谱遥感时序数据分类。通过对Transformer编码器进行两点改进:(1)在多头注意力前添加特征升维层,提升数据的光谱信息;(2)使用拉伸后降维取代全局最大值池化GMP(Global Maximum Pooling)作为特征维度降维策略。构建基于时序自注意力机制的特征提取网络,与循环网络和卷积网络进行对比,利用公开的多光谱遥感时序数据集评估本文所用方法对于小样本类别精度提高的有效性。实验结果表明本文基于时序自注意力机制构建的特征提取网络能够有效应用于多光谱遥感时序数据分类问题,并对小样本地类分类精度提升有所帮助。
摘要:高分五号(GF-5)是中国首颗实现对大气和陆地综合观测的全谱段高光谱卫星,其搭载的可见短波红外高光谱相机AHSI提供的遥感数据拥有极高的光谱分辨率。然而,AHSI数据的空间分辨率为30 m,较低的空间分辨率限制了应用场景。为实现GF-5数据的降尺度,本文通过融合10 m哨兵二号(Sentinel-2)多光谱数据,生成10 m GF-5高光谱数据。在方法上,针对现有先进的信息损失引导的图像融合方法ILGIF(Information Loss-Guided Image Fusion)在高光谱图像降尺度中计算时间成本高的问题,本文提出了其快速版本FILGIF(Fast ILGIF)。另一方面,在降尺度过程中,本文考虑并估计了30 m GF-5高光谱数据和10 m Sentinel-2数据之间的尺度转换点扩散函数PSF(Point Spread Function),提高融合数据质量。实验结果验证了融合Sentinel-2数据用于GF-5高光谱数据降尺度的可行性。同时,结果表明:在获得与ILGIF相当精度的前提下,FILGIF大幅提高了运行效率;尺度转换PSF对降尺度过程有着重要影响,其准确的估计有助于获得更高精度的降尺度结果。