-
题名基于U-Net3+的高分遥感影像建筑物提取
被引量：7
- 1
-
-
作者
窦世卿
郑贺刚
徐勇
陈治宇
苗林林
宋莹莹
-
机构
桂林理工大学测绘地理信息学院
-
出处
《测绘通报》
CSCD
北大核心
2022年第6期40-44,共5页
-
基金
广西八桂学者专项,国家自然科学基金(42061059)
广西自然科学基金(2020GXNSFBA297160)
+1 种基金
桂林市科技局重点项目(20210128151428212)
广西空间信息与测绘重点实验室资助(191851016)。
-
文摘
针对传统的高分影像建筑物提取方法存在分割精度低和分割边界模糊等问题,本文提出了一种基于U-Net3+模型的建筑地物语义分割方法。该模型以U-Net网络结构为基础,首先使用全尺度的跳跃连接将不同尺度的特征图相融合;然后通过深度监督从多尺度聚合的特征图中学习特征表达,并使用交叉熵损失函数进行训练;最后根据数据集特征,调试出不同的模型参数并以此模型进行测试,以达最佳的分割效果。试验结果表明,与U-Net和U-Net++模型相比,基于该方法的影像分割精度及地物边缘分割完整度均得到了显著提升,且当设置历元为15时,精度最高。使用该方法对高分辨率遥感影像中建筑物进行的分割试验,精度达96.62%,平均交并比(mIoU)达0.9027,并减少了错分、漏分,同时也减少了模型参数,模型损失收敛速率快且缩短了训练周期,显著提升了建筑物提取精度。
-
关键词
地物信息提取
u-net3+模型
全尺度跳跃连接
深度监督
精度
-
Keywords
feature information extraction
u-net3+model
full-scale jump connectivity
deep supervision
accuracy
-
分类号
P237
[天文地球—摄影测量与遥感]
-
-
题名基于深度学习的南海海表面温度的智能化预测研究
- 2
-
-
作者
谢博闻
张丛
杨树国
冯忠琨
孙贵民
-
机构
青岛科技大学数理学院
山东省海洋科学研究院
中国科学院海洋研究所海洋环流与波动重点实验室
中国科学院大学
-
出处
《海洋与湖沼》
CAS
CSCD
北大核心
2024年第5期1082-1095,共14页
-
基金
中央引导地方科技发展资金项目,YDZX2022022号
山东省自然科学基金项目,ZR2021MD022号。
-
文摘
海表面温度(sea surface temperature,SST)是影响海洋和气候变化的重要因素之一,准确预测SST的变化对于海洋生态环境、气象和航行等至关重要。传统的SST预测方法通常依赖于数值模式,但是其计算成本较高。该文基于深度学习模型(3D U-Net),将SST、海表面高度异常(sea surface height anomalies,SSHA)以及海表面风(sea surface wind,SSW)作为输入变量成功构建了南海SST的快速化智能预报模型。结果表明,与卷积长短时记忆(convolutional long short-term memory,ConvLSTM)模型相比,3D U-Net模型在所有预测时间中均显示出更高的准确度,其均方根误差(RMSE)为0.53℃,皮尔逊相关系数(R)达到0.96。在不同季节和南海不同区域,3D U-Net模型均表现出较小的预测误差,而且在季风盛行期间也具有较强的鲁棒性。此外,3D U-Net模型在预测2021年南海的海洋热浪(marine heatwave,MHW)事件时,大部分海域的准确率达到了80%以上,总体上精确率和召回率分别为0.89和0.45。敏感性实验结果表明,SSHA和SSW对模型的预测性能有显著影响,并在不同的预报阶段中发挥着不同的作用。综上所述,结合多源海表数据的3D U-Net模型能够快速准确地预测出南海SST,并为预测MHW事件提供了新方法。
-
关键词
海表面温度
3D
u-net模型
深度学习
南海
海洋热浪
-
Keywords
sea surface temperature
3D u-net model
deep learning
South China Sea
marine heatwave
-
分类号
P731.31
[天文地球—海洋科学]
-
