-
摘要: 近年来，天地一体化对地观测系统与智能计算技术的快速发展为遥感科技进步甚至变革提供了难得的机遇。遥感信息技术在历经20世纪60~80年代以统计数学模型为核心的数字信号处理时代、从90年代至今以遥感信息物理量化为标志的定量遥感时代之后，现在正逐渐进入一个以数据模型驱动、大数据智能分析为特征的遥感大数据时代。在总结遥感信息技术历史发展脉络的基础上，阐述了遥感大数据的内涵和智能信息提取的时代特点，并从遥感大数据的理念出发，论述了面向对象的遥感知识库构建，分析了融合遥感知识和深度学习算法的大数据智能信息提取策略。通过典型实例，介绍了以深度学习为代表的智能算法在遥感大数据目标检测、精细分类、参数反演等方面的发展现状与趋势，并讨论了深度学习在遥感大数据时代的智能信息提取方面的应用潜力。Abstract: In recent years, the rapid development of the earth observation capability and the intelligent computing technology has provided opportunities for the advancement and even revolution of remote sensing information technology. Remote sensing data processing technology has experienced the Digi-tal Signal Processing Era from 60s to 80s of last century, which utilizes the Statistical Model as the core, and the Quantitative Remote Sensing Era from 90s marked by the Physical Model. Recently, it is developing towards Remotely Sensed Big Data Era which relies on Data Model by data-driven intelligent analysis. This paper summarizes the history of remote sensing information technology and presents the concept of remotely sensed big data and the characteristics of intelligent information extraction era. Firstly, from the view of remotely sensed big data, this paper discusses the construction of object-based remote sensing knowledge dataset and analyzes the data-driven intelligent information extraction strategy combined the knowledge of remote sensing and deep learning algorithm. Then the current status and development of intelligent algorithms represented by deep learning are introduced by typical applications on object detection, fine classification and parameter inversion based on remote sensing data. Consequently, the application potential of deep learning on intelligent information extraction in Remotely Sensed Big Data Era is discussed.
-
Keywords:
- remotely sensed /
- big data /
- deep learning /
- intelligent information extraction /
- neural network
-
卫星精密轨道确定中光压建模一直是一个重要研究课题。GPS卫星导航系统是目前力学机理模型较为清楚的导航系统，其定轨精度从最初的米级提高到现在的厘米级，很大一部分得益于光压模型的不断的精化[2]。北斗卫星导航系统(BeiDou Navigation Satellite System, BDS)是中国自主研制的卫星导航系统，与其他导航系统相比，中国的BDS系统由GEO、IGSO、MEO三类卫星组成，目前BDS卫星定轨精度尚没有达到GPS那样的定轨精度，一个很大的原因就是没有建立适合这三类卫星的光压模型，因此应该根据这三类卫星的轨道、姿态、物理特性建立不同的光压模型，以期提高这三类卫星定轨的精度。
回顾GPS光压模型建模的历程，一般分为分析型光压模型、经验型光压模型、半分析半经验型光压模型。分析型光压模型主要有ROCK模型[3]、T10/T20/T30模型[4]；经验型光压模型有Colombo模型[5]、JPL使用的GSPM(GPS solar pressure model)模型[6]、CODE建立的ECOM模型、BERNE1、BERNE2[2, 7];半分析型半经验型光压模型有Adjustable box-wing模型[8]。Bernese ECOM光压模型是CODE针对GPS卫星建立的经验型光压模型，该模型是目前IGS几大分析中心定轨软件中使用最多、定轨效果较好的光压模型。该模型认为太阳是引起轨道共振的激发源，因此与Colombo模型的RTN方向不同，ECOM模型在DYB坐标轴下，采用3个相互正交方向上分别使用3组参数(共9个参数)来吸收残余摄动力影响，可使定轨精度达到厘米级。但是由于该模型吸收了其他一些未能建模的摄动力，其模型的意义已不再是单纯的光压摄动，更确切的是将物理机理不清楚的力学因素用9参数函数模型来表达，因参数的时效性有限，定轨时需分段逼近。但是该模型包含的估计参数较多，由于定轨参数间的相关性，并非解算全部9参数会得到最优解，故结合每个参数的贡献大小和显著性水平寻求最佳的参数组合，以期提高卫星定轨精度。对于GPS卫星定轨，目前普遍认为定轨效果比较好的办法是只解算D、Y、B轴上长期项D0、Y0、B0和B轴上的周期项Bc、Bs共5个参数，武汉大学PANDA软件中采用的就是这样的方式[9-11]，但是这只是经验上的设定，并没有文献通过理论上的分析去说明，甚至是否还有更优的参数解算方式，这都是值得研究的。另外，ECOM模型是针对GPS卫星建立的，GPS全部是由MEO卫星组成，该模型用到BDS上未必合适，比如BDS中GEO采用零偏航的姿态控制模式，这与ECOM模型的建立方式有偏差，因此也应该进行相关的研究。
文献[12]使用了GPS的SP3精密星历，对GPS卫星的ECOM光压模型参数进行了统计分析，对于GPS卫星定轨估计8个参数较为合理。文献[2]基于历史的GPS精密星历研究了光压参数的变化规律，并将其中的一部分参数固定，形成了新的光压模型CODE98，该模型特别适合GPS卫星快速定轨和预报。这两种方法为BDS光压模型的研究提供了思路，但也存在些问题, 如文献[13]研究采用了轨道拟合的方式，而用实测L波段的载波和相位观测数据进行定轨时，定轨的观测方程与轨道拟合的观测方程形式不同，轨道拟合时的设计矩阵A和B实际为状态转移矩阵Φ和敏感矩阵S，而采用L波段的观测数据定轨时观测方程中的设计矩阵还需乘上测站至卫星方向的3个方向余弦，因此仅靠轨道拟合方式得到的光压参数组合在采用实测L波段数据定轨时并不一定是效果最佳的；而CODE98将一部分参数固定，实际定轨时这部分参数的不确定度很可能会被其他参数吸收，参数也失去了原来的意义。而且这两种方式都是针对GPS卫星的，因此本文借鉴这两种处理方式，分析ECOM模型在BDS定轨中参数最佳的组合方式。将一年的BDS精密星历作为观测量进行轨道拟合，对拟合得到的9个参数时间序列进行分析，研究参数的量级以及变化规律，结合参数相关性分析结果，构建线性回归参数显著性假设，最终确定出参数的最佳组合方式，最后利用MGEX实测数据进行定轨，轨道和钟差比较结果表明，只解算D0、Y0、B0、Bc、Bs共5个参数定轨效果最佳。
1 ECOM光压模型
ECOM光压模型定义eD、ey、eB作为3个基本坐标单位向量，eD为卫星至太阳方向单位向量，正向指向太阳，ey为卫星至地心方向的单位向量，eB为卫星太阳帆板轴向单位向量，ex、ey, ez为星固坐标系坐标轴的单位向量，有ey=ez×eD，ex=ey×ez，eB=eD×ey[8]。
ECOM模型加速度计算公式如下：
$$ \begin{array}{l} \mathit{\boldsymbol{a}}{_s} = \frac{{a_u^2}}{{|\mathit{\boldsymbol{r}}{_s} - \mathit{\boldsymbol{r}}{|^2}}}\left[ {D\left( u \right) \cdot \mathit{\boldsymbol{e}}{_D} + Y\left( u \right)\cdot{\rm{ }}\mathit{\boldsymbol{e}}{_y} + } \right.\\ \left. {B\left( u \right)\cdot{\rm{ }}\mathit{\boldsymbol{e}}{_B}} \right] \end{array} $$ (1) 其中
$$ \begin{array}{l} D\left( u \right) = {D_0}\left[ {\lambda {\rm{SRP}}\left( 1 \right)} \right. + {\rm{SRP}}\left( {\rm{4}} \right) \cdot \cos \left( u \right) + \\ \left. {{\rm{SRP}}\left( 5 \right) \cdot \sin \left( u \right)} \right] \end{array} $$ (2) $$ \begin{array}{l} Y\left( u \right) = {D_0}\left[ {{\rm{SRP}}\left( 2 \right)} \right. + {\rm{SRP}}\left( 6 \right) \cdot \cos \left( u \right) + \\ \left. {{\rm{SRP}}\left( 7 \right) \cdot \sin \left( u \right)} \right] \end{array} $$ (3) $$ \begin{array}{l} B\left( u \right) = {D_0}\left[ {{\rm{SRP}}\left( 3 \right)} \right. + {\rm{SRP}}\left( 8 \right) \cdot \cos \left( u \right) + \\ \left. {{\rm{SRP}}\left( 9 \right) \cdot \sin \left( u \right)} \right] \end{array} $$ (4) 式中，SRP(i)(i=1, 2, …, 9)为待估参数；u定义为卫星在轨道平面上距升交点的角度；λ为阴影因子；αu代表天文单位的长度；rs、r分别为惯性系下太阳和卫星的位置；D0为与卫星型号有关的面质比参数，其取值与卫星型号以及质量有关。
2 BDS光压参数相关性分析
线性化后的定轨观测方程可写为：
$$ \mathit{\boldsymbol{AX + BY + \boldsymbol{\varDelta} = L}} $$ (5) 其中，X为定轨基本参数，即系统参数；Y为附加参数；Δ为观测误差；L为观测量。参数相关性分析时X为6个轨道根数，而Y为ECOM模型的9个光压参数。
对光压模型参数的相关性检核的具体方法如下：使用2014年的GFZ解算的BDS星历作为伪观测值，选择6个轨道根数及9个光压参数作为解算参数，形成观测方程并得到权逆阵，并按式(6)计算相关系数：
$$ {p_{ij}} = {q_{ij}}/\left( {\sqrt {{q_i}{q_j}} } \right) $$ (6) 式中，qij为权逆阵第i行第j列元素；qi、qj为权逆阵对角线第i、j元素。统计每天每颗卫星解算的相关系数大于0.80的参数对，一年中超过30 d都相关的参数对情况如表 1。
表 1 BDS定轨中ECOM模型9参数相关性分析Table 1. Correlation Analysis of Nine Parameters of ECOM in BDS POD卫星号 参数1 参数2 所有卫星C01-C14 D0 Dc D0 Ds Ys Bc Bs Yc C02、C03、C10、C11、C12、C13、C14 Y0 Yc C03、C05、C06、C08、C09、C10、C11、C12、C13、C14 Y0 Ys 以C03卫星为例，解算出来的相关系数一年的变化情况如图 1，其他卫星与此类似。
从表 1中看出，所有卫星D0参数与Dc和Ds强相关，而Ys与Bc、Bs与Yc强相关；除了C01、C02、C04、C07卫星外，其他卫星Y0与Ys强相关；而对于GEO和MEO卫星Y0与Yc参数强相关，对于IGSO卫星则相关性较弱。
其中，D0参数代表对日方向的加速度，所以D0参数是必须解算的，Dc、Ds参数就不需要解算，对于其他4个参数Yc、Ys、Bc、Bs是否解算，需要进行参数的显著性检验，与文献[13]的处理方式不同，因为实测数据定轨时的法方程与轨道拟合的法方程不同，故本文除了通过统计检验的方式进行参数的显著性分析，还对这4个参数一年的时间序列进行分析，从参数的量级以及参数的年变化规律分析参数可解与参数不需要解算的情况。
3 光压参数的周年特性分析与显著性检验
3.1 参数周年特性分析
以C01卫星为例，Y0、Yc、Ys、Bc、Bs参数一周年的序列值如图 2。
![]()
图 2 C01卫星Y0、Yc、Ys、Bc、Bs参数一周年的变化情况Figure 2. One Year's Time Series of Y0, Yc, Ys, Bc, Bs Parameters图 2中方框内的时期为地影期，这时间段内的光压参数是不稳定的，剔除这两段时期的数据进行统计，可以看出Bc、Bs参数存在一个以年为单位的周期项，而且Bc、Bs参数的量级要比Y0、Yc、Ys参数的大，这5个参数的均值mean和均方根RMS如表 2。
表 2 C01卫星5参数的均值和均方根/(10-9m·s-2)Table 2. The Mean and RMS of 5 Parameters of Satellite C01/(10-9m·s-2)参数 Y0 Yc Ys Bc Bs mean -0.221 -0.157 -0.145 -0.448 -0.107 RMS 0.862 0.892 0.924 5.371 3.846 为了分析Bc、Bs参数的周期特性，下面采用快速傅里叶变换对Bc、Bs参数周期进行分析，详细步骤如下：
1) 数据预处理，对剔除的粗差点进行插值处理，得到等间隔的参数时间序列；
2) 利用谱分析方法对数据进行分析，得到频谱图；
3) 选择最大周期，对光压序列进行拟合，拟合的结果与原始的序列如图 3、图 4。
![]()
图 3 C01卫星Y轴3个参数周期特性分析Figure 3. Periodic Analysis Results of Three Parameters in Y Axis of Satellite C01![]()
图 4 C01卫星Bc、Bs参数周期特性分析Figure 4. Periodic Analysis Results of Bc, Bs Parameters of Satellite C013.2 参数的显著性检验
参数的显著性检验采用文献[13]的方式进行，通过不同类型参数定轨结果方差比的F检验方法来实现。
构造原始假设H0：σ02=σ12
备选假设H1：σ02 < σ12
实际计算中σ02取为9参数模型计算得到的单位权中误差，即σ02=VTPV/t，t为多余观测数；V为采用9参数模型定轨得到的观测量验后残差；σ12=(V1TPV1－VTPV)/t0，其中t0为待检核的参数数量，比如仅仅要检核光压参数SRP(i)，则t0=8；V1为不估计检核参数SRP(i)得到的残差。若统计量σ12/σ02大于由给定显著水平及子样容量确定的F分布积分上限，则说明这些参数是显著的，应该在模型中体现，否则说明该参数在定轨中可不估计。
采用上节GFZ解算的一年的精密星历作为伪观测量，每天一个弧段依次对Yc、Ys、Bc、Bs共4个参数进行显著性检验，给定显著性水平0.05，得到F0.05(1, 270)=3.880，则方差比超过该值就认为该参数是显著的，统计4个参数这一年中通过显著性检验的比率，见表 3。
表 3 14颗卫星4个参数显著性检验通过的比率/%Table 3. Passing Rate of 4 Parameters Significance Test of 14 Satellites/%Yc Ys Bc Bs C01 20.14 24.73 43.11 47.35 C02 4.53 5.66 28.68 24.53 C03 7.43 11.52 29.74 29.74 C04 18.84 18.49 40.75 34.59 C05 9.84 8.85 30.16 30.16 C06 24.84 22.93 47.13 39.81 C07 22.68 24.28 40.58 52.40 C08 19.86 21.63 37.59 41.13 C09 27.94 30.79 47.62 43.81 C10 27.16 28.75 41.85 42.17 C11 24.48 23.22 62.15 60.25 C12 22.27 20.06 55.52 54.89 C13 26.10 23.66 65.85 58.54 C14 24.75 22.85 66.46 60.13 从表 3中看出，Bc、Bs参数通过检验的比率明显大于Yc、Ys参数，而且GEO卫星更明显，这说明Yc、Ys的显著性较弱，为了检验不解算Yc、Ys参数的定轨效果，与文献[12]的方式不同，本文采用L波段实测数据定轨来验证。
4 实测数据定轨结果分析
收集了2014年年积日069-079期间共50个MGEX监测站的数据进行定轨，测站分布如图 5，设计3种不同的参数解算方案：
方案1 解算D0、Dc、Ds、Y0、Yc、Ys、B0、Bc、Bs；
方案2 仅解算D0、Y0、Yc、Ys、B0、Bc、Bs；
方案3 仅解算D0、Y0、B0、Bc、Bs。
定轨采用的模型和参数如下：观测量采用B1、B2频点无电离层组合伪距和相位非差观测量；解算弧段为3 d，采样间隔为300 s；截止高度角7°；EOP参数固定为IERS C04值；模糊度采用浮点解；跟踪站坐标固定为GPS PPP结果；测站潮汐改正考虑地球固体潮、固体极潮、海洋极潮、测站海潮；对流层采用Saastamoinen + GMF估计湿延迟参数。
在定轨解算过程中，考虑的摄动力模型包括以下几项：JPL DE405太阳、行星摄动，EGM96 10×10阶重力场模型，IERS-Conventions 2010地球固体潮、海潮、地球极潮、海洋极潮，积分器采用的是RKF6/7起步、Adams预报校正多步法。
采用内符和外符两种方式评估3种方案的定轨结果：①重叠弧段比较；②与GFZ结果进行比较。
4.1 重叠弧段比较结果
统计3种方案10 d定轨结果，采用3 d重叠2 d的方式评估3种方案的定轨精度，比如“069-070-071”和“071-072-073”两个3 d弧段，统计重叠071天的结果，10 d共重叠第7 d，给出7 d的平均值，分别采用径向和用户距离误差(user range error, URE)衡量3种方案的定轨精度。URE是卫星轨道误差在全球范围内用户观测方向上投影的平均值，表征了导航卫星轨道误差对用户测距的影响[15]，计算公式为:
$$ \begin{array}{l} {\rm{UR}}{{\rm{E}}_{{\rm{BDS(GEO,IGSO)}}}} = \\ \sqrt {{{\left( {0.99\Delta R} \right)}^2} + \frac{1}{{127}}(\Delta {T^2} + \Delta {N^2})} \end{array} $$ $$ \begin{array}{l} {\rm{UR}}{{\rm{E}}_{{\rm{BDS(MEO)}}}} = \\ \sqrt {{{\left( {0.98\Delta R} \right)}^2} + \frac{1}{{54}}(\Delta {T^2} + \Delta {N^2})} \end{array} $$ 式中，ΔR、ΔT、ΔN分别为卫星轨道在R、T、N方向上的误差。
重叠弧段比较结果如图 6，可以看出：无论是径向还是URE，方案3的定轨精度都是最佳，方案3相对方案1径向提高72.9%，URE提高58.6%。
4.2 与GFZ结果比较
统计3种方案10 d定轨结果，将结果与GFZ解算结果进行比较，GFZ目前提供了多系统星历产品的解算策略[15]，10 d的平均值结果如表 4。可以看出：对于GEO卫星，方案3中R、N两个方向精度明显高于方案2，但是T方向的精度最差，这与文献[11]的结果一致，文献[11]采用切向经验力补偿了GEO卫星切向残余的摄动力，提高了GEO卫星定轨的切向精度[11]；对于IGSO/MEO卫星，在R、T、N方向上方案3的定轨结果都是最佳的，IGSO卫星方案3相对于方案1，3个方向分别提高82.92%、17.70%、31.86%，MEO卫星方案3相对于方案1，3个方向分别提高61.02%、15.30%、25.84%。
表 4 3种方案定轨精度比较结果/mTable 4. POD Accuracy Comparison of Different Schemes/m方案1 方案2 方案3 R T N R T N R T N C01 0.505 5.260 0.516 0.348 7.634 0.457 0.266 8.798 0.301 C03 1.030 5.084 0.324 0.205 5.831 0.246 0.161 5.427 0.153 C04 0.644 1.813 0.396 0.630 2.931 0.389 0.466 2.588 0.145 C05 0.739 3.573 0.374 0.263 4.160 0.236 0.191 4.095 0.198 mean 0.730 3.933 0.403 0.362 5.139 0.332 0.271 5.227 0.199 C06 0.892 0.634 0.340 0.217 0.635 0.303 0.141 0.575 0.275 C07 0.564 0.512 0.379 0.173 0.462 0.337 0.107 0.367 0.222 C08 1.791 0.509 0.379 0.395 0.468 0.364 0.235 0.490 0.255 C09 0.861 0.592 0.285 0.270 0.669 0.248 0.196 0.587 0.190 C10 0.782 0.492 0.311 0.234 0.275 0.257 0.154 0.238 0.212 mean 0.978 0.548 0.339 0.258 0.502 0.302 0.167 0.451 0.231 C11 0.294 0.284 0.241 0.112 0.278 0.212 0.098 0.302 0.213 C12 0.259 0.348 0.219 0.125 0.310 0.169 0.100 0.283 0.193 C13 0.211 0.294 0.340 0.132 0.276 0.304 0.104 0.248 0.204 C14 0.253 0.330 0.268 0.112 0.261 0.244 0.094 0.231 0.180 mean 0.254 0.314 0.267 0.120 0.281 0.232 0.099 0.266 0.198 比较3种方案10 d定轨解算的钟差结果，比较时需要消除两家定轨结果中不同的钟差基准影响，通常采用所谓的“二次差”法[13]，本文选择C01卫星作为参考星，然后其他卫星计算的钟差结果相对C01卫星的钟差做一次差，并将消除了基准钟差影响的计算结果之间做二次差，统计其他卫星的RMS值，结果如图 7。
从图 7的结果可以看出，方案3的钟差之差的均值为0.31 ns，方案2的钟差之差的均值为0.51 ns，方案1的钟差之差的均值为1.86 ns，方案3的结果最好，这与轨道的评估结果一致。
5 结语
BDS卫星精密定轨中应用最多的经验型光压模型是ECOM模型，但是该模型解算参数较多，不一定解算全部参数定轨效果最佳，因此本文针对ECOM模型在BDS定轨中的应用特性，分析参数的特性，寻求最佳的参数组合方式，以期提高BDS卫星精密定轨的精度，主要结论如下。
1) 将2014年GFZ解算的BDS星历作为伪观测值，采用几何轨道平滑的方式，解算出ECOM模型的9个光压参数，统计了这9参数一年的相关性、量级及周期特性，发现Bc、Bs参数存在明显的周年特性，而Yc、Ys则不明显，且Bc、Bs的量级较Yc、Ys高，参数显著性检验也证明Bc、Bs参数的显著性水平明显高于Yc、Ys；
2) 采用MGEX实测数据进行定轨，根据以上分析的参数不同的组合方式，选择了3种不同的方案，分别采用内符合和外符合两种方式评估3种方案定轨精度，结果表明:只解算D0、Y0、B0、Bc、Bs 5个参数定轨效果最佳，因此建议BDS定轨中使用5参数的ECOM经验型光压模型。
-
![]()
图 1 融合遥感大数据特征的苍灵系统设计思路
Figure 1. Architecture of the Cangling System Incorporating with the Characteristics of Remotely Sensed Big Data
![]()
图 2 广东省土地利用自动分类结果
Figure 2. Automatic Classification Result of Land Use in Guandong Province
-
[1] 张兵.当代遥感科技发展的现状与未来展望[J].中国科学院院刊, 2017, 32(7):774-784 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=672798014 Zhang Bing. Current Status and Future Prospects of Remote Sensing[J]. Bulletin of Chinese Academy of Sciences, 2017, 32(7):774-784 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=672798014
[2] 李德仁, 沈欣, 马洪超, 等.我国高分辨率对地观测系统的商业化运营势在必行[J].武汉大学学报·信息科学版, 2014, 39(4):386-390 http://ch.whu.edu.cn/CN/abstract/abstract2948.shtml Li Deren, Shen Xin, Ma Hongchao, et al. Commercial Operation of China's High-Resolution Earth Observation System is Imperative[J]. Geomatics and Information Science of Wuhan University, 2014, 39(4):386-390 http://ch.whu.edu.cn/CN/abstract/abstract2948.shtml
[3] Lyzenga D R. Passive Remote Sensing Techniques for Mapping Water Depth and Bottom Features[J]. Applied Optics, 1978, 17(3):379-383 doi: 10.1364/AO.17.000379
[4] Strahler A H. The Use of Prior Probabilities in Maximum Likelihood Classification of Remotely Sensed Data[J]. Remote Sensing of Environment, 1980, 10(2):135-163 doi: 10.1016/0034-4257(80)90011-5
[5] 李小文.定量遥感的发展与创新[J].河南大学学报(自然科学版), 2005, 35(4):49-58 doi: 10.3969/j.issn.1003-4978.2005.04.012 Li Xiaowen. Retrospect, Prospect and Innovation in Quantitative Remote Sensing[J]. Journal of Henan University (Natural Sciences), 2005, 35(4):49-58 doi: 10.3969/j.issn.1003-4978.2005.04.012
[6] Miller J, Hare E W, Wu J. Quantitative Characte-rization of the Vegetation Red Edge Reflectance 1. An Inverted-Gaussian Reflectance Model[J]. International Journal of Remote Sensing, 1990, 11(10):1755-1773 doi: 10.1080/01431169008955128
[7] Goward S N, Huemmrich K F. Vegetation Canopy PAR Absorptance and the Normalized Difference Vegetation Index:An Assessment Using the SAIL Model[J]. Remote Sensing of Environment, 1992, 39(2):119-140 doi: 10.1016/0034-4257(92)90131-3
[8] 张兵.智能遥感卫星系统[J].遥感学报, 2011, 15(3):415-431 http://d.old.wanfangdata.com.cn/Periodical/wjsjxx201101013 Zhang Bing. Intelligent Remote Sensing Satellite System[J]. Journal of Remote Sensing, 2011, 15(3):415-431 http://d.old.wanfangdata.com.cn/Periodical/wjsjxx201101013
[9] Ma Y, Wu H, Wang L, et al. Remote Sensing Big Data Computing:Challenges and Opportunities[J]. Future Generation Computer Systems, 2015, 51:47-60 doi: 10.1016/j.future.2014.10.029
[10] 李粉玲, 常庆瑞, 刘佳岐, 等.基于多纹理和支持向量机的ZY-102C星HR数据分类[J].武汉大学学报·信息科学版, 2016, 41(4):455-462 http://ch.whu.edu.cn/CN/abstract/abstract5414.shtml Li Fenling, Chang Qingrui, Liu Jiaqi, et al. SVM Classification with Multi-texture Data of ZY-102C HR Image[J]. Geomatics and Information Science of Wuhan University, 2016, 41(4):455-462 http://ch.whu.edu.cn/CN/abstract/abstract5414.shtml
[11] Freund Y, Schapire R E. A Decision-Theoretic Generalization of On-line Learning and an Application to Boosting[J]. Journal of Computer and System Sciences, 1997, 55(1):119-139 doi: 10.1006/jcss.1997.1504
[12] Hinton G E, Osindero S, Teh Y W. A Fast Lear-ning Algorithm for Deep Belief Nets[J]. Neural Computation, 2006, 18(7):1527-1554 doi: 10.1162/neco.2006.18.7.1527
[13] Krizhevsky A, Sutskever I, Hinton G E. ImageNet Classification with Deep Convolutional Neural Networks[J]. Advances in Neural Information Processing Systems, 2012, 25(2):1097-1105 http://dl.acm.org/citation.cfm?id=2999257
[14] Wang S, Quan D, Liang X, et al. A Deep Learning Framework for Remote Sensing Image Registration[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, https://doi.org/10.1016/j.isprsjprs.2017.12.012
[15] Guidici D, Clark M L. One-Dimensional Convolutional Neural Network Land-cover Classification of Multi-seasonal Hyperspectral Imagery in the San Francisco Bay Area, California[J]. Remote Sensing, 2017, 9(6):629 doi: 10.3390/rs9060629
[16] Wang H, Wang Y, Zhang Q, et al. Gated Convolutional Neural Network for Semantic Segmentation in High-Resolution Images[J]. Remote Sensing, 2017, 9(5):446 doi: 10.3390/rs9050446
[17] Xu Z, Xu X, Wang L, et al. Deformable ConvNet with Aspect Ratio Constrained NMS for Object Detection in Remote Sensing Imagery[J]. Remote Sen-sing, 2017, 9(12):1312 doi: 10.3390/rs9121312
[18] Zou Z, Shi Z. Random Access Memories:A New Paradigm for Target Detection in High Resolution Aerial Remote Sensing Images[J]. IEEE Transactions on Image Processing, 2018, 27(3):1100-1111 doi: 10.1109/TIP.2017.2773199
[19] Deng J, Dong W, Socher R, et al. ImageNet: A Large-Scale Hierarchical Image Database[C]. IEEE Conference on Computer Vision and Pattern Recognition, Miami, USA, 2009
[20] Xia G S, Bai X, Ding J, et al. DOTA: A Large-Scale Dataset for Object Detection in Aerial Images[OL]. https://arxiv.org/abs/1711.10398v2, 2017
[21] You Q Z, Luo J B, Jin H L, et al. Building a Large Scale Dataset for Image Emotion Recognition: The Fine Print and the Benchmark[C]. Thirtieth AAAI Conference on Artificial Intelligence, Phoenix, USA, 2016
[22] John E B, Derek T A, Chee S C. A Comprehensive Survey of Deep Learning in Remote Sensing:Theories, Tools and Challenges for the Community[J]. Journal of Applied Remote Sensing, 2017, 11(4):042609 doi: 10.1117/1.JRS.11.042609
[23] Karalas K, Tsagkatakis G, Zervakis M, et al. Deep Learning for Multi-label Land Cover Classification[C]. SPIE Remote Sensing, Toulouse, France, 2015
[24] Liu Z, Wang H, Weng L, et al. Ship Rotated Bounding Box Space for Ship Extraction from High-Resolution Optical Satellite Images with Complex Backgrounds[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 13(8):1074-1078 http://ieeexplore.ieee.org/document/7480356/
[25] Razakarivony S, Jurie F. Vehicle Detection in Aerial Imagery:A Small Target Detection Benchmark[J]. Journal of Visual Communication and Image Representation, 2015, 34:187-203 http://www.sciencedirect.com/science/article/pii/S1047320315002187
[26] Zhu H, Chen X, Dai W, et al. Orientation Robust Object Detection in Aerial Images Using Deep Con-volutional Neural Network[C]. IEEE International Conference on Image Processing, Quebec, Canada, 2015
[27] Yang Y, Newsam S. Bag-of-Visual-Words and Spatial Extensions for Land-use Classification[C]. International Conference on Advances in Geographic Information Systems, San Jose, California, 2010
[28] Zou Q, Ni L, Zhang T, et al. Deep Learning Based Feature Selection for Remote Sensing Scene Classification[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(11):2321-2325 doi: 10.1109/LGRS.2015.2475299
[29] Xia G S, Yang W, Delon J, et al. Structural High-Resolution Satellite Image Indexing[C]. ISPRS TC Ⅶ Symposium-100 Years ISPRS, Vienna, Austria, 2010
[30] Campos-Taberner M, Romero-Soriano A, Gatta C, et al. Processing of Extremely High-Resolution LiDAR and RGB Data:Outcome of the 2015 IEEE GRSS Data Fusion Contest-Part A:2-D Contest[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(12):5547-5559 doi: 10.1109/JSTARS.2016.2569162
[31] Cramer M. The DGPF-Test on Digital Airborne Camera Evaluation-Overview and Test Design[J]. Photogrammetry-Foregrounding-Geoinformation, 2010, 2010(2):73-82 doi: 10.1127/1432-8364/2010/0041
[32] Lecun Y, Bottou L, Bengio Y, et al. Gradient-Based Learning Applied to Document Recognition[J]. Proceedings of the IEEE, 1998, 86(11):2278-2324 doi: 10.1109/5.726791
[33] Liu W, Anguelov D, Erhan D, et al. SSD: Single Shot MultiBox Detector[C]. European Conference on Computer Vision, Springer, Cham, 2016
[34] Girshick R. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[C]. IEEE Conference on Computer Vision and Pattern Recognition, Columbus, USA, 2014
[35] Girshick R. Fast R-CNN[C]. IEEE International Conference on Computer Vision, Santigago, Chile, 2015
[36] Ren S, He K, Girshick R. Faster R-CNN:Towards Real-Time Object Detection with Region Proposal Networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6):1137-1149 doi: 10.1109/TPAMI.2016.2577031
[37] He K, Zhang X, Ren S, et al. Pyramid Pooling in Deep Convolutional Networks for Visual Recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(9):1904-1916 doi: 10.1109/TPAMI.2015.2389824
[38] Chen X, Xiang S, Liu C, et al. Vehicle Detection in Satellite Images by Parallel Deep Convolutional Neural Networks[C]. Asian Conference on Pattern Recognition, Naha, Japan, 2013
[39] Chen X, Xiang S, Liu C. Vehicle Detection in Satel-lite Images by Hybrid Deep Convolutional Neural Networks[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(10):1797-1801 doi: 10.1109/LGRS.2014.2309695
[40] Jiang Q, Cao L, Cheng M, et al. Deep Neural Networks-based Vehicle Detection in Satellite Images[C]. International Symposium on Bioelectronics and Bioinformatics, Beijing, China, 2015
[41] Zhang F, Du B, Zhang L, et al. Weakly Supervised Learning Based on Coupled Convolutional Neural Networks for Aircraft Detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(9):5553-5563 doi: 10.1109/TGRS.2016.2569141
[42] Tang J, Deng C, Huang G, et al. Compressed-Domain Ship Detection on Spaceborne Optical Image Using Deep Neural Network and Extreme Learning Machine[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(3):1174-1185 doi: 10.1109/TGRS.2014.2335751
[43] Cheng G, Zhou P, Han J. Learning Rotation-Inva-riant Convolutional Neural Networks for Object Detection in VHR Optical Remote Sensing Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(12):7405-7415 doi: 10.1109/TGRS.2016.2601622
[44] Radovic M, Adarkwa O, Wang Q. Object Recognition in Aerial Images Using Convolutional Neural Networks[J]. Journal of Imaging, 2017, 3(2):21 doi: 10.3390/jimaging3020021
[45] Chen Z, Zhang T, Ouyang C. End-to-End Airplane Detection Using Transfer Learning in Remote Sensing Images[J]. Remote Sensing, 2018, 10(1):139 doi: 10.3390/rs10010139
[46] Long J, Evan S, Trevor D. Fully Convolutional Networks for Semantic Segmentation[C]. IEEE Conference on Computer Vision and Pattern Recognition, Boston, United States, 2015
[47] Chen L, Papandreou G, Kokkinos I, et al. DeepLab:Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(4):834-848 doi: 10.1109/TPAMI.2017.2699184
[48] Zhao H, Shi J, Qi X, et al. Pyramid Scene Parsing Network[C]. IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, HI, USA, 2017
[49] Hu W, Huang Y, Wei L, et al. Deep Convolutional Neural Networks for Hyperspectral Image Classification[J]. Journal of Sensors, 2015, 2015(2):1-12 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=0525ad32bdb5ec66dbfadaf3cb6189d9
[50] Makantasis K, Karantzalos K, Doulamis A, et al. Deep Supervised Learning for Hyperspectral Data Classification Through Convolutional Neural Networks[C]. IEEE International Geoscience and Remote Sensing Symposium, Milan, Italy, 2015
[51] Kussul N, Lavreniuk M, Skakun S, et al. Deep Learning Classification of Land Cover and Crop Types Using Remote Sensing Data[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(5):778-782 doi: 10.1109/LGRS.2017.2681128
[52] Zhao W, Du S. Spectral-Spatial Feature Extraction for Hyperspectral Image Classification:A Dimension Reduction and Deep Learning Approach[J]. IEEE Transactions on Geoscience and Remote Sen-sing, 2016, 54(8):4544-4554 doi: 10.1109/TGRS.2016.2543748
[53] Santara A, Mani K, Hatwar P, et al. Bass Net:Band-Adaptive Spectral-Spatial Feature Learning Neural Network for Hyperspectral Image Classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(9):5293-5301 doi: 10.1109/TGRS.2017.2705073
[54] Li Y, Zhang H, Shen Q. Spectral-Spatial Classification of Hyperspectral Imagery with 3D Convolutional Neural Network[J]. Remote Sensing, 2016, 18(7):1527-1554 http://adsabs.harvard.edu/abs/2017RemS....9...67L
[55] Marcos D, Hamid R, Tuia D. Geospatial Correspondence for Multimodal Registration[C]. IEEE International Conference on Computer Vision and Pattern Recognition, Las Vegas, USA, 2016
[56] He K, Zhang X, Ren S, et al. Deep Residual Lear-ning for Image Recognition[C]. IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, USA, 2016
[57] 李小文, 王锦地, 胡宝新, 等.先验知识在遥感反演中的作用[J].中国科学(D辑), 1998, 28(1):67-73 doi: 10.3321/j.issn:1006-9267.1998.01.009 Li Xiaowen, Wang Jindi, Hu Baoxin, et al. Role of Prior Knowledge in Remote Sensing Inversion[J]. Science in China(Series D), 1998, 28(1):67-73 doi: 10.3321/j.issn:1006-9267.1998.01.009
[58] Liu L, Tang H, Caccetta P, et al. Mapping Affo-restation and Deforestation from 1974 to 2012 Using Landsat Time-Series Stacks in Yulin District, a Key Region of the Three-North Shelter Region, China[J]. Environmental Monitoring and Assessment, 2013, 185(12):9949-9965 doi: 10.1007/s10661-013-3304-2
[59] Verrelst J, Caicedo J P R, Muñoz-Marí J, et al. SCOPE-Based Emulators for Fast Generation of Synthetic Canopy Reflectance and Sun-Induced Fluo-rescence Spectra[J]. Remote Sensing, 2017, 9(9):927 doi: 10.3390/rs9090927
[60] Gómez-Dans J L, Lewis P E, Disney M. Efficient Emulation of Radiative Transfer Codes Using Gaussian Processes and Application to Land Surface Parameter Inferences[J]. Remote Sensing, 2016, 8(2):119 doi: 10.3390/rs8020119
[61] Liu L, Song B, Zhang S, et al. A Novel Principal Component Analysis Method for the Reconstruction of Leaf Reflectance Spectra and Retrieval of Leaf Biochemical Contents[J]. Remote Sensing, 2017, 9(11):1113 doi: 10.3390/rs9111113
[62] Wang L, Scott K A, Xu L, et al. Sea Ice Concentration Estimation During Melt from Dual-Pol SAR Scenes Using Deep Convolutional Neural Networks:A Case Study[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(8):4524-4533 doi: 10.1109/TGRS.2016.2543660
[63] Yu X, Lu H, Liu Q. Role of Prior Knowledge in Remote Sensing Inversion[J]. Chemometrics and Intelligent Laboratory Systems, 2018, 172:188-193 doi: 10.1016/j.chemolab.2017.12.010
[64] 申茜, 朱利, 曹红业.城市黑臭水体遥感监测与筛查研究进展[J].应用生态学报, 2017, 28(10):3433-3439 http://d.old.wanfangdata.com.cn/Periodical/yystxb201710039 Shen Qian, Zhu Li, Cao Hongye. Remote Sensing Monitoring and Screening for Urban Black and Odorous Water Boy:A Review[J]. Chinese Journal of Applied Ecology, 2017, 28(10):3433-3439 http://d.old.wanfangdata.com.cn/Periodical/yystxb201710039
-
期刊类型引用(5)
1. 李鹏杰，张捍卫，谢孟辛，赵东方. 北斗三号卫星精密定轨中的光压模型研究. 天文学报. 2023(04): 127-139 . 
百度学术
2. 李子强，辛洁，郭睿，李晓杰，唐成盼，田翌君. 基于北斗星间链路的卫星自主导航可行性分析. 武汉大学学报(信息科学版). 2022(01): 55-60 . 百度学术
3. 常春涛，慕仁海，程鹏飞，成英燕. 新太阳光压模型在GNSS定轨中的应用. 测绘科学. 2021(02): 78-84 . 百度学术
4. 王磊，赵春梅，何正斌，马天明. 低轨卫星激光测距轨道预报方法及精度分析. 导航定位学报. 2021(04): 24-31 . 百度学术
5. 薛建华，刘超，赵瑞. 先验光压模型对Galileo卫星产品性能的影响分析. 地球物理学进展. 2019(03): 969-973 . 百度学术
其他类型引用(7)
下载:
计量
- 文章访问数: 7576
- HTML全文浏览量: 715
- PDF下载量: 1771
- 被引次数: 12
