基于无人机高光谱荒漠草原鼠洞识别方法研究

近年,我国草原鼠害有逐年上升的趋势。草原鼠害不仅加剧了水土流失与荒漠化进 程,还会 引发鼠疫。鼠洞洞口数是我国进行鼠害监测与等级评价的重要指标,目前采用的人工勘察方 法存在着 精度低、费时费力、调查成本较高、只适用小面积调查等诸多问题,难以满足大面积实时监 测和研究 的要求。进行实时、动态的鼠洞数量分布监测,是有效地制定灭鼠措施和预防鼠疫发生的重要手 段。本研 究利用无人机携带高光谱仪对荒漠化草原进行数据采集,提出鼠洞指数(rat hole index, RHI)对草 原鼠洞进行识别。研究结果表明,利用RHI识别草原鼠洞,总体精度可达97%,Kappa系数可达0.93, 该模型与归一化植被指数(normalized difference vegetation index,NDVI)、土壤调节植被指数(soil-adjusted vegetation index,SAVI)、比值植被指数(ratio vegetation index,RVI)等3种植被指数模型相比具有较高的识别精度。RHI的提出,有 效地提高 草原鼠洞的识别精度和效率,为鼠害防治以及草原退化监测和研究提供有效方法。     

基于邻域聚合与深度学习的小样本荒漠草原物种分类

随着气候变化和人类活动的影响,内蒙古草原逐渐荒漠化。为了解决传统地面调查的局限性,以及高光谱数据小样本分类难的问题。本文利用无人机(unmanned aerial vehicle, UAV)高光谱遥感技术对荒漠草原物种进行数据采集,并提出一种邻域聚合算法结合深度学习的小样本分类方法。首先,通过遗传算法(genetic algorithm, GA)与最佳指数因子(optimum index factor, OIF)对高光谱数据进行波段选择;其次,构建高光谱数据邻域特征,采用邻域聚合算法对其进行邻域特征融合;最后,采用多层感知机(multilayr perceptron, MLP)对融合后的特征进行分类。结果表明,邻域聚合算法在每类地物只有10个样本的情况下总体精度可达93.41%,Kappa系数为0.912 0;并与SVM和多种深度学习模型对比,邻域聚合算法计算效率高、模型大小最小、分类精度最高。该方法的提出,满足草原物种识别要求,为草原生态系统的动态监测提供新方法。     

无人机遥感影像在水利监测领域的运用

无人机遥感影像技术具有较高的时效性和便利性等特征,在水利监测领域的应用表现出了较强的应急性,具有显著优势,不仅能保证水利监测工作的顺利开展,同时也达到了水利监测工作的各项要求。鉴于此,围绕水利监测领域相关工作展开论述,探讨无人机遥感影像技术的具体应用。     

高光谱遥感图像分类算法的研究

现如今高光谱图像分类广泛应用于遥感图像的分析。高光谱图像像素级分类是利用高光谱图像的主要特点——丰富的光谱信息,对地面物体进行逐像素的高精度类别划分。通过对高光谱遥感图像独特的高光谱信息分析,从算法研究方面,对目前高光谱图像的像素级分类的研究进展和对今后的研究方主要从辅助方法、机器学习方法、深度学习方法三个方面总结高光谱图像分类领域的研究现状。未来高光谱分类算法的发展方向将更好的结合高光谱图像的特性,形成完整的深度学习系统。     

基于深度学习的高光谱影像分类方法研究

针对高光谱影像分类方法精度不足的问题,提出一种基于空间-频谱变换（Spectral-Spatial Transformer,SST）网络的高光谱影像分类方法。首先,将高光谱影像预处理为一维特征向量。然后,设计了具有光谱-空间注意力模块和池化残差模块的SST高光谱影像分类网络。本文所提出的分类方法在Indian Pines数据集和Pavia University数据集上的总体分类精度分别为98.67%和99.87%,表明此方法具有较高的分类精度,为高光谱影像分类及应用提供了一种新方案。     

基于线性混合光谱方法的时间序列植被覆盖度提取

为了准确地从遥感数据中获取城市植被覆盖度(VFC)信息,以线性混合光谱模型(LSMM)为原理基础,参考各城市端元模型,利用MODIS时间序列提取武汉研究区2007至2014年间植被覆盖度,获得植被覆盖度年际变化情况。在对遥感影像进行端元提取及确定时,结合四种城市端元模型分别对研究区植被覆盖度进行估算,并对像元分解精度作对比分析。结果表明,MODIS时间序列使用混合光谱分析法能够科学客观地实现对研究区植被覆盖度的提取,可以有效地进行周期性监测和分析研究区植被覆盖变化。     

基于MADDPG的无人机辅助通信功率分配算法

针对多无人机(unmanned aerial vehicle, UAV)作为空中基站辅助通信的吞吐量和公平性问题,提出了一种基于多智能体深度确定性策略梯度算法(multi-agent deep deterministic policy gradient algorithms, MADDPG)的功率分配算法,该算法通过联合优化UAV基站的功率分配和用户接入以提高系统吞吐量和公平性。本文首先构建了UAV基站为地面建立通信服务的三维场景,然后通过联合功率、用户关联和UAV位置约束,构建了吞吐量和公平性最大化的问题模型。考虑到该问题的复杂性,本文将所构建的优化问题建模为马尔科夫决策过程(Markov decision process, MDP),通过引入深度确定性策略梯度算法(deep deterministic policy gradient algorithm, DDPG)解决该问题。仿真结果表明,本文提出的基于MADDPG的UAV基站功率分配算法与其他算法相比,可以有效地提升系统的吞吐量和用户的公平性,提高通信的服务质量。     

基于强化学习的无人机电磁干扰感知与抗干扰传输方法

无人机对于无线信道的依赖性和无线传播环境的开放性,导致其通信易受到恶意的电磁干扰。针对其中恶意的信道跟随干扰,在感知干扰信道信息的基础上,将无人机的发射功率和信道选择策略建模为马尔科夫决策过程(Markov Decision Process, MDP),利用强化学习算法对该通信系统的抗干扰方法进行智能优化,提出了基于赢或快学习策略爬山算法(Win or Learn Fast Policy Hill-climbing, WoLF-PHC)的抗干扰算法。仿真结果证明,所提算法能够将用户干信比降低至0.1以下,将用户可达速率在初始值基础上提升14%,与Q学习算法和PHC算法相比具有更好的抗干扰传输性能。     

无人机航空遥感平台机载作业控制系统设计

无人机相比较卫星和载人航空飞机遥感平台而言,具有成本低、灵活性高的特点。为了满足科学遥感实验、完成遥感作业任务、协调无人机电子吊舱中多组件工作、控制遥感影像传感器姿态,系统以AT89S52为主控芯片,扩展多路串口及USB接口以实现系统与外围设备的通信,同时设计了相机驱动模块及三自由度步进电机驱动模块。通过无人机航空遥感实验证明该系统能够满足遥感实验要求。     

基于多维度特征遥感图像分类方法的研究北大核心CSCD

为了解决传统高光谱图像分类方法精度低、计算成本高及未能充分利用空-谱信息的问题,本文提出一种基于多维度并行卷积神经网络(multidimensional parallel convolutional neural network,3D-2D-1D PCNN)的高光谱图像分类方法。首先,该算法利用不同维度卷积神经网络(convolutional neural network,CNN)提取高光谱图像信息中的空-谱特征、空间特征及光谱特征;之后,采用相同并行卷积层将组合后的空-谱特征、空间特征及光谱特征进行特征融合;最后,通过线性分类器对高光谱图像信息进行精准分类。本文所提方法不仅可以提取高光谱图像中更深层次的空间特征和光谱特征信息,同时能够将光谱图像不同维度的特征进行融合,减小计算成本。在Indian Pines、Pavia Center和Pavia University数据集上对本文算法和4种传统算法进行对比实验,结果表明,本文算法均得到最优结果,分类精度分别达到了99.210%、99.755%和99.770%。     

无人机扩频遥控链路Rake接收机设计

针对无人机起降阶段多径效应会引起遥控误码率性能下降的问题，提出了一种基于导频辅助的Rake抗多径算法。该算法通过在传输帧中插入导频符号和在遥控接收机中增加Rake抗多径模块的方式，使无人机遥控链路在多径信道下的误码率性能得到了显著改善。在高斯、莱斯、瑞利等信道条件下对算法进行了仿真，结果表明，该算法能够将无人机起降阶段的遥控误码率提高2～3个量级。实测数据进一步验证了该算法抗多径性能的有效性。     

面阵摆扫型无人机载大视场高光谱成像技术研究

提出了一种面阵摆扫型无人机载大视场高光谱成像技术,控制基于马赛克型滤光片分光的画幅式高光谱相机在翼展方向进行扫描实现大视场、高光谱分辨率成像。进行外场飞行试验,获取了像质清晰的大视场、高光谱分辨率对地观测图像,飞行作业效率为8.64 km2/h,较单相机成像,作业效率提高约3.4倍。系统光机结构简单,体积、重量优势明显,在无人机高光谱遥感方面应用前景广阔。研究成果对推动无人机载光谱成像技术向大视场、高光谱分辨率方向发展具有一定的参考价值。     

高光谱空谱一体化图像分类研究

高光谱图像分类是遥感图像处理技术中的一个热点,提高分类精度是目前一个重要研究方向。常规的高光谱图像分类技术主要关注于如何更好地利用光谱空间的分类信息,往往忽视图像空间域信息。本文提出了一种基于空谱一体化处理的高光谱图像分类方法,在利用数据进行自身光谱特征分类的同时采用区域生长法和二值形态学法相结合的空间域有效信息对光谱分类结果进行补充。实验证明本方法能提高高光谱图像分类精度。     

基于Faster R-CNN模型的低空平台偏振高光谱目标检测

随着无人机等低空平台在侦察领域的不断扩展以及对性能要求的不断提高,各应用场景对目标检测精度和速度也提出了越来越高的要求.传统的目标成像方法难以满足图像质量需求,人工识别目标的方法也无法应对战场环境的快速变化.结合深度学习和偏振高光谱成像技术的发展,通过模拟偏振高光谱低空目标检测平台,提出基于Faster R-CNN的地面军事目标检测方法.采用区域建议网络模块进行模型训练,而在目标检测阶段通过对特征图进行兴趣区域池化操作得到建议特征图,最后利用建议特征图完成目标类别判定.实验选取3种典型的军事车辆缩比模型,通过偏振高光谱相机在室内外模拟环境中获取目标在不同场景条件的图像数据,以及某型无人机在低空条件下的地面车辆目标数据进行实验验证.实验表明,该方法在有效完成地面目标的检测时,能够达到理想的检测精度和速度.