东北地理所在深度学习及智能计算遥感信息挖掘领域取得进展

科研信息网 刘洋 2019-10-18 15:57:56
浏览

  土地覆被信息是一系列地理空间应用的基础,包括城市规划、区域协调和环境管理等。遥感技术具有覆盖范围大、实时监测等特点,已发展成为获取土地覆被信息的主流技术手段。高空间分辨率及高光谱遥感技术的快速发展,极大地促进了土地信息提取的精度与效率。然而,高空间分辨率以及高光谱遥感影像数据量庞大且特征复杂,这给传统的遥感分类技术带来挑战。中国科学院东北地理与农业生态研究所地理信息系统学科组研究人员,将深度学习引入高空间分辨率遥感信息挖掘领域,发展了一种基于面向对象的混合支持向量机(SVM)与深度学习(CNN)的土地覆被分类方法(OSVM-OCNN);改进智能计算领域的人工蚁群算法,提出了一种基于多态蚁群智能的高光谱遥感影像最优波段选择算法(PACA-BS)。

  研究人员提出的面向高空间分辨率影像的OSVM-OCNN分类算法,首次在对象级别结合了浅层分类器(SVM)和深层分类器(CNN),捕获了两种分类器在影像特征提取方面的优势。研究人员使用高空间分辨率光学和雷达影像对算法进行了验证,实验表明相比于基于像元的分类方法,OSVM-OCNN显著地提高了土地覆被的分类精度,是一种高效率高精度的遥感分类算法。

  该研究提出的PACA-BS多态蚁群高光谱波段智能选择算法,克服了传统蚁群智能算法效率低下且易陷入局部最优的难题。PACA-BS采用侦查蚁缩小解集空间,这大大减少了算法的运行时间,加快了收敛速度;此外,PACA-BS测量选择波段子集之间的相似度,这种测量保持了种群的多样性,避免种群早熟和陷入局部最优。利用三种高光谱影像测试了算法的有效性,实验结果证实了PACA-BS在精度和效率方面均优于目前常用算法。

  相关成果分别发表于地理遥感领域国际学术期刊Remote SensingInternational Journal of Remote Sensing上。有关研究工作得到国家重点研发项目(2017YFB0503600)和国家自然科学基金项目(41301465)资助,主要工作由东北地理所地理信息系统课题组李华朋、张树清和丁小辉完成。