基于超高分辨率DSM和DOM的半监督自动崩岗识别

Benggang that exacerbates the problem of soil erosion is very difficult to be cured. It has a severe impact on agricultural production, and brings a series of social problems. Due to the limited spatial-temporal resolution, monitoring range, efficiency, cost and etc., traditional monitoring methods of Benggang are not able to satisfy the current demand of automatic Benggang recognition and monitoring. In recent years, rapid development in remote sensing, photogrammetry and unmanned aerial vehicles (UAV) technology provided us a new solution for automatic Benggang recognition..The research presented in this proposal mainly focus on the automatic Benggang recognition based on UAV Very High Resolution (VHR) DSM and DEM. .Firstly, a scale-invariant geology feature which is suitable for Benggang DSM is proposed, it can differentiate flat terrain, therefore obtain abilities to describe different forms of appearance..Secondly, we will analyze multiple characteristics of DOM features for Benggang, and then establish feature fusion policy of Benggang DSM and DOM based on Probabilistic Topic Model (PTM), in order to comprehensively and distinctively describe Benggang..Last but not the least, our research will design semi-supervised support vector machine for Benggang recognition, implement automatic Benggang recognition based on the latent sematic descriptions of multiple DSM and DOM on High Performance Computing platform..This research improves the accuracy of Benggang recognition in the feature description, feature fusion, and semi-supervised classification three procedures to the greatest extent, and therefore provides fundamental support to the research of Benggang erosion mechanism and cure measures.

崩岗不仅加剧了水土流失问题，而且治理难度大，严重影响农业生产，带来一系列的社会问题。传统崩岗监测方法，在时空分辨率、监测范围、效率、成本等方面各有不足，已无法满足当前崩岗自动识别和监测需求。近年来，遥感与摄影测量及无人机技术的飞速发展，为崩岗自动识别提供了新的解决思路。本项目拟开展基于无人机超高分辨率DSM和DOM的自动崩岗识别研究，首先提出一种适用于崩岗DSM的具有尺度不变性地学特征，能够从地形上区别于平缓地区，从而获得不同于外观特征的描述力；然后分析多种DOM特征对崩岗的辨识力，制定基于概率主题模型的崩岗DSM和DOM特征融合策略，更全面、独特地描述崩岗；最后设计面向崩岗识别的半监督支持向量机，实现高性能计算平台下基于DSM和DOM多特征潜在语义描述的崩岗自动识别。本研究从特征描述、特征融合和半监督分类三阶段最大程度提高崩岗识别精确度，为推动崩岗侵蚀机理和治理措施的研究提供基础支撑。

崩岗是指山坡土体或岩体风化壳在重力与水力综合作用下分离、崩塌和堆积的在我国南方广泛分布的侵蚀现象。崩岗侵蚀量大、爆发性强，并且发展速度快、突发性强，破坏土地资源、毁坏基本农田、恶化生态环境。要开展大规模的崩岗调查、防治以及崩岗侵蚀机理研究，首要问题就是崩岗发现。传统崩岗发现方法大多采用高分辨率卫星遥感影像人工解译、当地询问和现场寻找，不仅人力、物力成本高而且效率低。本项目提出了一种基于超高分辨率DOM与DSM局部特征潜在语义融合的崩岗自动识别方法，研究了1）一种DSM尺度方向不变局部特征，并创新性地提出视觉-地形词袋（Bag of Visual-Terrain Words, BoV-TW）模型进行崩岗区域DOM和DSM的混合表达；2）基于概率主题模型的崩岗多特征融合策略，形成低维度的高层次崩岗语义表征；3）基于DSM和DOM多特征潜在语义描述的监督（SVM）和半监督（S4VM）崩岗自动识别。在总结了一套基于无人机遥感技术的崩岗快速调查方法的基础之上，采集了一系列崩岗和非崩岗区域的航拍数据，包括湖北、江西6处崩岗和湖南、四川梯田、丘陵、山地等14处非崩岗，共计9.27km2。本方法以Harris-Affine和MSER为DOM局部特征、Latent Dirichlet Allocation(LDA)为概率主题模型进行了识别实验。监督实验结果表明：1）在LDA主题个数变化时，本方法总精度保持在95%左右，崩岗查全率和查准率在80%以上，最高为97.22%和94.44%，与仅使用DOM局部特征的方法相比，三者分别提高了约12%、11%和32%，证明结合DSM特征能明显提高识别效果；2）在视觉-地形词袋词汇表大小变化时，本方法总精度一直在90%以上，最高为96.1%，崩岗查全率也基本高于90%，且崩岗查准率随词汇表大小增加而逐渐提升，最高为85%，与仅使用BoV-TW方法相比，三者分别提高了约13%、12%和30%，证明采用LDA进行潜在语义分析能大幅提高识别效果；3）本方法崩岗识别效果好但仍存在误判，主要由于所采用的DOM和DSM局部特征还未能完全区分表达崩岗与非崩岗特点。而半监督实验由于样本偏少，效果比较差。本项目研究成果可为崩岗调查、监测、治理及机理等定量化研究提供一定参考。

内容获取失败，请点击重试