FY-4B GHI长波红外波段的发射前辐射表征和定标

静止轨道快速成像仪（GHI）是风云四号B星（FY-4B）的主要有效载荷之一。针对该仪器长波红外波段的大视场、高空间分辨率等特点,提出了相应的发射前辐射定标和表征方法。建立了一套定标系统装置,实现了长波红外波段的发射前辐射定标,定标不确定度优于0.67 K@300 K。测量并研究了长波红外波段的空间噪声特性。根据长波红外焦平面4个线阵的设计特点,提出了两种最佳成像探元选择方法,即基于信噪比最大化和响应信号固定图形噪声最小化的方法。测量并分析了这两种最佳成像探元组合线阵的温度探测灵敏度,均优于任务要求,平均水平达到了50～60 mK@300 K。评估了星上黑体参考标准的精度,星上黑体标称亮温比真实亮温偏低约0.42 K@300 K,该结果对黑体的在轨应用具有重要参考意义。     

基于空谱特征优化选择的高光谱激光雷达地物分类

地物精细化分类一直是遥感领域的研究热点之一,也是生物量计算、全球碳循环、能量流动等研究的重要前提。为实现复杂场景下的地物高精度识别分类,本文基于高光谱激光雷达空间-光谱一体化同步获取优势,提出了基于空谱特征优化选择的高光谱激光雷达地物分类流程,构建了多种适用于高光谱激光雷达数据的空谱特征,并通过空谱特征优化选择,确定最优空谱特征组合进而实现高精度地物分类。14类地物分类结果表明,联合多种空谱特征,可优化某些类别因空间结构复杂造成光谱获取准确度不高从而引起的错误分类现象,总体分类精度可达95.57%,平均分类精度为84.37%;基于空谱特征优化选择确定最优空谱特征组合,可有效地消除特征冗余,使得总体分类精度进一步提高1.56%,平均分类精度提高4.36%。基于高空间分辨与高光谱分辨的一体化成像探测优势,高光谱激光雷达技术在地物精细化分类领域极具研究潜力与商业价值。     

基于深度可分离卷积的轻量化残差网络高光谱影像分类

针对传统深度残差网络在对高光谱图像进行特征提取和分类过程中因参数量大导致的训练时间长的问题,提出一种基于深度可分离卷积的轻量化残差网络模型（DSC-Res14）。该模型首先基于一层三维卷积层对经主成分分析方法降维后的高光谱影像进行光谱特征和空间特征初提取;其次,引入3个不同尺度的三维深度可分离卷积残差层对影像的深层语义特征进行提取,减少了网络训练参数量,增强了网络对高维、多尺度空间特征信息的表达能力。经在公开的Indian Pines和Pavia University标准数据集上进行实验验证,结果表明：所提模型在两个数据集上的分类精度分别为99.46%和99.65%;对比同类模型,所提模型在保证较高分类精度的同时,参数量和计算量小,训练时间短,并具有良好的鲁棒性。     

面向嵌入式平台的轻量级光学遥感图像舰船检测

针对现有基于深度学习的轻量级目标检测算法对复杂遥感场景图像中舰船目标检测精度低、检测速度慢的问题,提出了一种面向嵌入式平台的轻量级光学遥感图像舰船实时检测算法（STYOLO）。首先,针对主干网络内存访问成本较高的问题,利用高效网络架构ShuffleNet v2作为主干网络对图像进行特征提取,降低内存访问成本,提高网络并行度;其次,利用Slim-neck特征融合结构作为特征增强网络,以融合较低层级特征图中的细节信息,增强对小目标的特征响应,在多尺度信息融合区域施加坐标注意力机制,强化目标关注以提高较难样本检测以及抗背景干扰能力;最后,提出一种跨域迁移和域内迁移相结合的学习策略,减少源域与目标域的差异性,提升迁移学习效果。实验结果表明：基于光学遥感图像舰船检测公开数据集HRSC2016,与同类型快速检测算法YOLOv5s相比,所提算法的检测精度提高了2.7个百分点,参数量减少了61.77%,在嵌入式平台Jetson Nano上检测速度达到102.8 frame/s,能够有效实现对光学遥感图像中舰船目标的实时、准确检测。     

卷积神经网络模型的遥感反演水质参数COD

化学需氧量(COD)是水体污染监测的常用水质指标之一,传统采集手段耗时耗力;利用遥感反演COD浓度能够快速获取整个水域的COD浓度空间分布状况,对于水污染治理和水环境保护具有重要意义。目前利用多光谱遥感数据反演COD浓度精度较低,主要原因是目前的反演模型多是以皮尔逊相关系数大小为指标选取建模波段的经验方法,对于多光谱遥感数据而言,其光谱波段范围较宽,波段的组合数量有限,难以找到有效的变量作为建模变量。针对这一问题,以郑州市天德湖为例,基于Planet多光谱高分辨率遥感影像,对遥感影像进行预处理和分析水样的高光谱数据,利用卷积神经网络对天德湖COD浓度进行反演;同时选取单变量回归模型、多变量回归模型进行精度对比。主要研究结论有：(1)相比于以皮尔逊相关系数为衡量标准选择不同波段组合的反演方式,卷积神经网络反演具有更高的空间反演精度,其决定系数为0.89, RMSE为2.22 mg·L^-1,这是因为卷积神经网络不仅充分利用了遥感影像的光谱特征,而且能够提取目标像元周围的领域空间信息,学习到图像深层的抽象特征以及水质参数浓度和遥感数据之间的“内在规律”,可以在一定程度上...     

基于深度自编码网络的高光谱影像解混研究

高分系列卫星的发射和无人机高光谱技术的发展,高光谱可用数据进一步扩展。为了提升高光谱数据的精细利用价值,高光谱影像混合像元解混成为当前至关重要的任务。随着人工智能技术的快速发展,深度学习理论被引入遥感图像处理领域。自编码网络具有较强的特征提取能力,已经开始应用于高光谱影像解混方面。以自编码网络为基础对其结构进行改进,提出一种深度堆栈自编码网络(DSAE)用于高光谱图像解混研究。该网络包含两个部分：端元识别网络(EDSAE)和丰度求解的网络(ADSAE)。首先,通过添加批标准化处理、稀疏约束、“和为一”约束以及删除网络偏置项构建EDSAE网络,开展非监督训练进行高光谱影像端元识别。其次,将获取的端元光谱数据依据HAPKE非线性混合模型和LINEAR线性混合模型开展数据增强,生成多元混合的带有丰度标签的模拟高光谱数据集。最后,在堆栈自编码网络基础上,设置最后一层自编码器的激活函数为Softmax函数,构建监督训练网络ADSAE,把模拟数据集作为训练数据,高光谱影像作为测试数据,求取真实高光谱影像的丰度矩阵。对Samson、 Jasper Ridge和Urban公共的高光谱影像开展端元识别和...     

基于改进Swin transformer的遥感图像融合方法

针对现有基于transformer的方法未能充分融合遥感图像多尺度特征的问题,提出一种多光谱-全色融合网络。在融合网络中嵌入一个基于改进Swin transformer的多尺度窗口自注意力模块,在关注全局空间特征的同时,充分融合不同尺寸的特征信息,从而最大程度地保留光谱和空间结构信息。通过不同层级特征的跳跃连接,解码网络预测出原始多光谱图像缺失的纹理部分,最终使用细节注入模型恢复出目标图像。为了提升融合效果,在损失函数中加入了光谱损失和空间结构损失。与其他方法相比,本文提出的方法在WorldView-4、QuickBird和WorldView-2三种卫星数据集的主观视觉效果最好,相比于性能第二的方法,本文方法在三种数据集的相对全局误差指标分别减小了11.99%、0.4%和3.43%。     

飞秒时间分辨的光电子影像对3-甲基吡啶分子超快动力学研究(英文)

利用飞秒时间分辨的光电子影像技术结合时间分辨的质谱技术,研究了3-甲基吡啶分子激发态的超快过程.实时观察到了3-甲基吡啶分子S2态向S1态高振动能级的超快内转换过程,该内转换的时间大约为910fs.二次布居的S1态主要通过内转换衰减到基态S0,该内转换的时间尺度为2.77 ps.光电子能谱分布和光电子角分布显示,S2态和S1态在电离的过程中跟3p里德堡态发生偶然共振.本次实验中还用400 nm两个光子吸收的方法布居了3-甲基吡啶的3s里德堡态.研究表明,3s里德堡态的寿命为62 fs,并主要通过内转换快速衰减到基态.     

对流层高度大气温度、湿度和气溶胶的拉曼激光雷达系统EI北大核心CSCD

为了实现大气温度、水汽(相对湿度)和气溶胶的实时同步探测研究,成功研制了一台日常观测的多参数探测拉曼激光雷达,采用高性能二向色镜和窄带干涉滤光片组成高光谱分辨率高效率拉曼分光系统,实现独立5通道大气回波信号的高精细分光和高效率提取,并研发了多参数同步反演算法,获得了大气水汽密度、温度和气溶胶消光系数廓线,结合水汽密度和温度得到了同时刻大气相对湿度的垂直变化特性。利用该系统在晴天和有云条件下对西安局地进行初步实验观测,获得温湿度及气溶胶廓线以及云层内水汽与逆温层的高度关系。实验结果表明,在探测时间15 min和激光能量150 m J的条件下,系统在晴天条件可实现高度16 km以下大气温度和湿度的同步探测,在有云条件下系统可实现大气底层和云层顶逆温层的精确探测,并可获得高层云层内和水汽层内大气水汽密度和相对湿度的同步增长趋势。实验数据与当地探空数据的多次随机比对在大气温度、湿度廓线上取得了较好的一致性,充分验证了该拉曼激光雷达实现对流层高度大气多参数同步探测的有效性和系统的可靠性。使用该系统可有效开展区域性大气的观测研究,为大气气候变化以及雾霾生消过程的研究提供可靠的实时探测数据。