树种调查一直面临着成本高、效率低、精度不高等问题。利用遥感手段能大大提高树种类型调查的工作效率、节省成本;卷积神经网络(CNN)虽然已经在自然图像分类领域取得了许多突破,但是较少有人将CNN模型用于单木树种分类。基于上述考虑,搭建出CNN模型,并与高分遥感影像相结合,进行单木树种分类。在利用高分影像半自动化构建单木树种遥感影像样本集过程中,采用了影像冠层切片(CSI)圈定、人工标注、数据增强等方法;同时为了训练单木树种遥感影像样本集,对5个CNN模型进行针对性改写。通过对比分析发现:LeNet5_relu和AlexNet_mini都未取得最佳分类效果;GoogLeNet_mini56、ResNet_mini56和DenseNet_BC_mini56分别对不同的树种具有最佳分类效果;DenseNet_BC_mini56总体精度最高(94.14%),Kappa系数最高(0.90),是总体最佳分类模型。该研究证明了CNN在单木树种分类中的有效性,能为森林资源调查提供重要的解决方案。

针对地震滑坡灾害应急响应的高时效性要求，提出了一种基于灾后高分辨率遥感影像的地震滑坡体自动提取算法。该算法综合利用了高分辨率遥感影像的光谱、形状和纹理等特征，基于多特征阈值分层次逐步剔除干扰地物，实现了地震滑坡体的自动提取。涉及到的特征参量阈值均采用改进的Otsu算法自动确定。在利用2008年汶川地震后ADS40航空遥感影像自动提取滑坡的实验中，所提算法的滑坡个数正确提取率超过70%，面积正确提取率超过80%。对于10000 row×10000 column的ADS40影像，算法执行时间低于1 min。相较于传统的人机交互目视解译方法，该算法的自动化程度高、滑坡提取速度快，滑坡识别精度可以满足地震灾害应急要求。

为了解决目前主流的显著性检测算法在复杂多目标遥感图像中检测能力不足的问题, 提出一种基于超像素区域相似性度量的显著目标提取算法。该算法利用简单线性迭代聚类方法对原始图像进行超像素分割, 通过基于图论的视觉显著性方法检测出显著超像素, 并对其修正得到显著目标提取的训练样本, 进一步逐层计算全体超像素区域与显著超像素区域的相似性并转化为超像素区域的隶属度值, 最后实现对整幅超像素图像的显著目标提取。实验结果表明, 该算法具有较高的准确率和召回率, 能更加有效地检测出遥感图像中的显著目标, 提取效果优于主流的显著性检测算法, 还可以有效应用于复杂多目标的遥感图像显著目标信息提取中。

近红外/短波红外光谱的矿物组分快速鉴定技术可以大大提高野外矿产勘查、 遥感矿物填图、 岩芯矿物组分分析等工作的效率, 成为目前高光谱技术研究的热点之一。 文章给出了一个基于光谱相似度评价约束的联合目标岩石样品光谱和矿物光谱端元库进行矿物组分光谱反演的统一模型, 然后以矿物光谱线性混合模型和光谱夹角相似度评价为例, 建立了一个具体的组分反演模型; 针对模型求解过程中的组合优化问题, 提出了一种人工免疫克隆选择计算的矿物组分光谱(ICSFSLIM)识别方法; 利用在中国新疆包古图地区选取的22个野外岩石样品的实测近红外/短波红外光谱进行了矿物组分提取试验, 以样品薄片鉴定结果为准, 将ICSFSLIM识别结果与组合特征光谱线性反演模型(CFSLIM)识别结果进行了定量的对比分析。 结果表明: ICSFSLIM比CFSLIM的识别正确率提高了2.26%, 有效率提高了18.6%, 并且具有更高的识别稳定性。

作为支持向量机(support vector machine, SVM)高光谱影像分类的一个重要环节, 参数设置的效率和精度直接影响到SVM模型训练效率和最终分类精度。 本文首先建立一个SVM高光谱影像分类器, 提出了利用免疫克隆选择算法优化的交叉验证进行核函数参数和惩罚因子C的优化选择的方法, 得到了一种基于克隆选择优化的支持向量机(clonal selection SVM, CSSVM)高光谱影像分类器。 然后将CSSVM与传统的基于网格搜索交叉验证的支持向量机（gird search SVM, GSSVM）分类器进行了对比评价, 评价指标包括模型训练时间和分类精度等。 最后基于AVIRIS高光谱遥感影像进行了两算法分类对比试验, 结果表明: 提出的CSSVM测试样本总分类精度超过85.1%和Kappa系数超过0.821 3, 影像总分类精度超过81.58%和Kappa系数超过0.772 8, CSSVM与GSSVM的分类精度差别在0.08%以内, Kappa系数差别在0.001以内; CSSVM的模型训练时间是GSSVM的1/6至1/10, 得到显著缩短; CSSVM方法在保持传统GSSVM优良分类精度的基础上, 极大提高了模型的训练效率。