Knowledge Resource Center for Ecological Environment in Arid Area
DOI | 10.26914/c.cnkihy.2021.036370 |
基于GF-5 AHSI高光谱影像的岩性填图应用研究 | |
叶蓓; 田淑芳; 成秋明; 葛云钊 | |
英文摘要 | 高分五号卫星(Gaofen-5,GF-5)搭载的可见短波红外高光谱相机(Advanced Hyperspectral Imager, AHSI)是国际上首台同时兼顾宽覆盖和宽谱段的高光谱相机,在60千米幅宽和30米的空间分辨率下,可以获取从可见光(Visibleand Near-Infrared, VNIR)至短波红外(Shortwave Infrared, SWIR),即400-2500nm光谱范围内的330个光谱通道数据[1]。与此同时,深度学习算法也逐渐用于处理与日俱增的遥感数据。目前,基于深度学习框架下GF-5AHSI影像的岩性填图应用潜力尚不明确。本文选取中国甘肃省酒泉市瓜州县柳园镇附近地区为研究区,该处平均海拔约为1800m,属于浅切割的中山区,是典型的大陆性—半沙漠气候。除了雨季的突发性洪水外,无持续地表径流。岩石风化明显,基岩裸露,区内矿产资源丰富,是个理想的遥感地质试验区。本文将研究区的GF-5AHSI影像与短波红外机载光谱成像仪(Shortwave InfraredAirborneSpectrographicImager,SASI)数据进行了对比分析。同时利用GF-5 AHSI,SASI与哨兵二号(Sentinel-2)数据构建了六个不同的数据集,即空间分辨率为10m的GF-5全波段数据集、30m的GF-5全波段数据集、10m的GF-5短波红外波段数据集、30m的GF-5短波红外波段数据集、2.25m的SASI数据集与10m的SASI数据集。基于上述数据集,选取多尺度三维深卷积神经网络(Multi-scale 3D Deep Convolutional Neural Network, M3D-DCNN)[2],混合光谱卷积神经网络(HybridSpectralCNN,HybridSN)[3]以及空谱统一网络(Spectral–SpatialUnifiedNetwork,SSUN)[4]三种深度学习算法进行岩性填图应用研究,并通过与支持向量机(Support Vector Machine, SVM)算法获得的填图结果对比分析,来验证深度学习方法在基于GF-5AHSI数据的岩性填图方面的适用性和稳定性。结果表明:所有方法在所有数据集上产生的岩性分类精度均大于90%,其中,M3D-DCNN具有更高的准确率和更稳定的分类效果。基于AHSISWIR数据的填图也产生了较为可靠的结果,略差于AHSI和SASI分类结果,但差异不显著。因此,GF-5 AHSI能够识别、分类不同岩性单元,而其SWIR波段也具备较高的信噪比,包含大量的地质信息,能够满足大尺度、大面积的岩性填图需求。在基于GF-5 AHSI高光谱数据的岩性填图应用中,建议采用M3D-DCNN算法来实现。 |
英文关键词 | GF-5 AHSI影像 岩性填图 SASI影像 深度学习 M3D-DCNN |
来源出版物 | 首届全国矿产勘查大会论文集 |
出版年 | 2021 |
页码 | 2 |
中图法分类号 | P627 |
资源类型 | 会议论文 |
条目标识符 | http://119.78.100.177/qdio/handle/2XILL650/373013 |
作者单位 | 中国地质大学(北京)地球科学与资源学院;中国地质大学(北京)地质过程与矿产资源国家重点实验室 |
推荐引用方式 GB/T 7714 | 叶蓓,田淑芳,成秋明,等. 基于GF-5 AHSI高光谱影像的岩性填图应用研究[C],2021:2. |
条目包含的文件 | 条目无相关文件。 |
个性服务 |
推荐该条目 |
保存到收藏夹 |
导出为Endnote文件 |
谷歌学术 |
谷歌学术中相似的文章 |
[叶蓓]的文章 |
[田淑芳]的文章 |
[成秋明]的文章 |
百度学术 |
百度学术中相似的文章 |
[叶蓓]的文章 |
[田淑芳]的文章 |
[成秋明]的文章 |
必应学术 |
必应学术中相似的文章 |
[叶蓓]的文章 |
[田淑芳]的文章 |
[成秋明]的文章 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。