1 自然资源部国土卫星遥感应用中心，北京 100048
2 辽宁工程技术大学 测绘与地理科学学院，辽宁 阜新 123000
3 北京国测星绘信息技术有限公司，北京 100040
4 青海省地质调查院，青海 西宁 810012
5 兰州交通大学 测绘与地理信息学院，甘肃 兰州 730070
数字高程模型（Digital Elevation Model, DEM）是开展青藏高原冰川研究的重要基础数据。随着国产立体测图卫星的快速发展，自主可控地获取青藏高原冰川区高精度DEM成为可能。该研究综合采用资源三号、高分七号卫星的立体影像和激光测高数据，分别生成冰川区域5 m和2 m格网的DEM，并选择岗钦及普若岗日等两处冰川为实验区，将国产卫星DEM与国外的AW3D、SRTM、TanDEM、HMA DEM等多种开源数字高程模型进行对比分析，并采用ICESat-2星载激光测高数据开展DEM绝对高程精度验证。结果表明：与中等空间分辨率的开源DEM相比，基于国产立体测图卫星影像生产的DEM高程精度更优，且格网更精细、更能详细描述冰川末端纹理特征；与高空间分辨率数据集HMA DEM对比高程精度，资源三号DEM略差、高分七号DEM更优，且在覆盖完整性方面国产卫星DEM均优于HMA DEM。综上所述，基于国产立体测图卫星可以实现冰川区高精度DEM的获取，能够为青藏高原冰川研究提供自主可控、精度可靠的地形参考数据。
激光测高 青藏高原冰川 数字高程模型 高分七号 资源三号 laser altimeter glacier in Qinghai-Tibet Plateau digital elevation model GF-7 ZY-3 红外与激光工程
2023, 52(10): 20230231
1 自然资源部国土卫星遥感应用中心，北京 100048
2 辽宁工程技术大学 测绘与地理科学学院, 辽宁 阜新 123000
3 江苏省地理信息资源开发与利用协同创新中心，江苏 南京 210023
4 住房和城乡建设部遥感应用中心，北京 100835
5 江苏省测绘工程院，江苏 南京 210013
全波形数据是高分七号卫星激光测高仪的核心数据之一，采用高分七号卫星激光测高仪的多轨实测数据，依靠波形背景噪声、峰度和偏度、信噪比和高斯特征参数等质量评价参数对波形数据进行质量评价，利用高斯分解后的建筑物高度计算、地表面坡度反演对波形数据地形地物特征提取方面的潜力进行分析。实验结果显示，试验区回波数据的总体可用率为72.59%，发射波形和回波波形数据质量良好且稳定，信噪比略优于ICESat/GLAS；针对波形数据中的“平顶”、“负冲”现象给出了初步的处理方法，结合高低增益组合模式优化波形数据选择；波形数据可以很好的反映地物地形特征，不同地物特征的回波波形展现出相应的波形特征，由波形数据反演出的建筑物高度精度可达分米级，相关结论对高分七号卫星激光测高数据应用具有参考价值。
高分七号 激光测高仪 波形数据 质量评价 质量控制 地形反演 GF-7 laser altimeter full waveform data quality evaluation quality control terrain inversion 红外与激光工程
2020, 49(S2): 20200387
1 辽宁工程技术大学测绘与地理科学学院, 辽宁 阜新 123000
2 国家测绘地理信息局卫星测绘应用中心, 北京 100048
以卫星立体影像数据和倾斜摄影数据为数据源,以资源三号卫星获取的湖南省遥感影像为例,基于瓦片金字塔模型,实现了不同分辨率的多类型数据的融合,建立了地形与纹理一体化表达的真三维模型。自主研发了ItelliEarth软件,以实现基于海量地形数据的三维场景下数据模型的可视化。研究结果表明,所提方法建立的真三维模型符合相关规范要求,为实现大尺度空间真三维模型的构建提供了有效途径。
遥感 真三维 资源三号 倾斜摄影测量 瓦片金字塔模型 激光与光电子学进展
2019, 56(4): 042802
1 辽宁工程技术大学测绘与地理科学学院, 辽宁 阜新 123000
2 国家测绘地理信息局卫星测绘应用中心, 北京 100048
提出了基于改进的深度学习全卷积神经网络的资源三号遥感影像云检测方法。将预训练后的深层卷积神经网络全连接层改为全卷积层,采用反卷积方法对特征图进行上采样,优化改进网络结构,并采用Adam梯度下降法加速收敛。利用资源三号云区影像数据集对网络进行训练,将上采样后的影像特征输入sigmoid分类器进行分类。实验结果表明,该方法检测精度和速度均优于传统方法,准确率可达90.11%,单张影像检测耗时可缩短至0.46 s。
遥感 资源三号影像 深度学习 全卷积网络 云检测 激光与光电子学进展
2019, 56(5): 052801
辽宁工程技术大学测绘与地理科学学院, 辽宁 阜新 123000
提出一种结合全卷积神经网络与条件随机场的资源3号卫星遥感影像云检测方法。优化了全卷积神经网络(FCN)模型,对3次上采样后的全卷积神经网络(FCN-8s)进行上采样,采用自适应+动量算法调整参数学习率加速收敛;将全卷积神经网络与条件随机场结合,以全卷积输出影像作为前端一阶势,高斯核函数作为后端二阶势;加入mean-shift区域约束0条件保护影像的局部特征信息,运用平均场算法推断条件随机场模型后验概率。实验结果表明,本研究提出的云检测方法可将影像云区识别准确率提高至97.38%,较FCN-8s算法提高13.42%。
遥感 云检测 全卷积神经网络 资源3号遥感影像 条件随机场 高斯核 平均场算法 激光与光电子学进展
2019, 56(10): 102802
