数据质量分析是遥感机理/应用研究(尤其是定量遥感)首要和关键的一步,直接影响遥感反演的精度和遥感应用的效果。激光雷达(Light Detection and Ranging,LiDAR)是一种新兴的主动遥感技术,对数据后处理算法的研究还有待进一步加强,尤其...数据质量分析是遥感机理/应用研究(尤其是定量遥感)首要和关键的一步,直接影响遥感反演的精度和遥感应用的效果。激光雷达(Light Detection and Ranging,LiDAR)是一种新兴的主动遥感技术,对数据后处理算法的研究还有待进一步加强,尤其对激光雷达数据的质量分析显得十分迫切。采用了一种基于扫描航带间重叠区数据分析的方法对LiDAR数据质量进行评价,分析误差来源,计算误差的大小,并分别对数据的随机和系统误差进行校正。以机载激光雷达数据为例来进行验证,实验结果表明,这种方法能有效地减少数据误差,达到提高数据质量的目的。展开更多
高光谱数据具有丰富的光谱特征,但是其空间分辨率相对较低。一些遥感数据具有与高光谱数据互补的优势,例如提供更精细的空间信息的高空间分辨率数据和具有高度信息的激光雷达LiDAR(Light Detection and Ranging)数据。通过将高光谱数据...高光谱数据具有丰富的光谱特征,但是其空间分辨率相对较低。一些遥感数据具有与高光谱数据互补的优势,例如提供更精细的空间信息的高空间分辨率数据和具有高度信息的激光雷达LiDAR(Light Detection and Ranging)数据。通过将高光谱数据与多源遥感数据进行融合,可以弥补高光谱数据空间分辨率相对较低,空间特征不够丰富的缺点。近年来,基于深度学习的方法已经在遥感数据分类研究中取得了一定的进展。然而,由于深度网络的特征提取过程是一个自主的过程,往往无法精确的获取最有利于遥感数据分类的特征;同时,深度学习方法具有复杂的网络结构和大量的参数,往往会在分类训练过程中造成参数拟合困难。以上这些因素会导致分类效果不佳。针对这些问题,本文提出了一种将卷积神经网络CNN(Convolutional Neural Network)和纹理特征相结合的多源遥感数据特征级融合分类框架。该方法共3个步骤,首先,对高光谱数据或多源遥感数据提取纹理特征;然后,构造CNN,分别将原始高光谱遥感数据、原始多源遥感数据和第一步中获得的纹理特征作为深度网络的输入进行深度特征提取;最后,将分别提取到的深度特征拼接,并利用Softmax分类器进行分类。为了验证本文提出方法的分类效果,本文在休斯顿和塞特福德矿地区公开数据集上进行实验,并将该分类框架与支持向量机分类方法、像素级融合分类方法和特征级融合分类方法进行对比。由此可以分析得出,本文提出的基于深度学习的融合分类方法可以获得较高的分类精度。展开更多
文摘数据质量分析是遥感机理/应用研究(尤其是定量遥感)首要和关键的一步,直接影响遥感反演的精度和遥感应用的效果。激光雷达(Light Detection and Ranging,LiDAR)是一种新兴的主动遥感技术,对数据后处理算法的研究还有待进一步加强,尤其对激光雷达数据的质量分析显得十分迫切。采用了一种基于扫描航带间重叠区数据分析的方法对LiDAR数据质量进行评价,分析误差来源,计算误差的大小,并分别对数据的随机和系统误差进行校正。以机载激光雷达数据为例来进行验证,实验结果表明,这种方法能有效地减少数据误差,达到提高数据质量的目的。
