Estimation of GRACE Groundwater Storage Components Using Wavelet Decomposition
-
摘要:
重力恢复与气候实验(gravity recovery and climate experiment, GRACE)数据解算出的时变重力场模型为陆地水储量的研究提供了一种全新的途径,然而,GRACE数据只能解算出格网点分辨率上总体的水储量变化,包括地表水、土壤水、地下水和植被水等,却无法分离垂直层面上不同深度的水储量成分。采用小波分解方法,将扣除全球陆地数据同化系统水文模型地表水成分的GRACE信号进行分解,利用分解得到的小波子函数结合美国区域内的水井实测数据对地下水成分进行回归分析,并通过二维曲面插值的方法得到全美地区不同小波子函数的回归系数,以此来重构长时间连续的地下水储量变化序列。结果表明,在测试点位中61.84%以上的点位其相关系数达到0.4以上,62.90%的点位其均方根值在1.0 m以下,此方法可以得到地下水时空分布特征,为地下水资源的利用与研究提供数据支撑。
Abstract:ObjectivesThe time-varying gravity field models derived from the gravity recovery and climate experiment (GRACE) offer a novel approach for studying terrestrial water storage. However, GRACE data resolve the total water storage changes at grid points, encompassing surface water, soil moisture, groundwater, and vegetation water, without the ability to differentiate the vertical distribution of water components.
MethodsWe employ wavelet decomposition to process GRACE signals, from which the surface water component, as modeled by the global land data assimilation system (GLDSA) hydrological model, has been subtracted. The resulting wavelet sub-functions are then combined with groundwater measurements from wells across the USA to perform a regression analysis on the groundwater component. By employing two-dimensional surface interpolation, we obtain regression coefficients for various wavelet sub-functions throughout the USA, enabling the reconstruction of long-term continuous sequences of groundwater storage changes.
ResultsThe results show that over 61.84% of the test sites have a correlation coefficient greater than 0.4, and 62.90% of the sites exhibit root mean square (RMS) residuals below 1.0 m.
ConclusionsThis methodology successfully captures the spatiotemporal characteristics of groundwater distribution, providing valuable data support for the utilization and research of groundwater resources.
-
Keywords:
- GRACE satellite /
- wavelet analysis /
- stepwise regression /
- ground water
-
线性回归模型是测绘领域中的一种基本模型,在直线拟合、点云平面拟合等方面应用十分广泛。传统方法只考虑观测向量误差,建立高斯-马尔可夫(Gauss-Markov,GM)模型,采用最小二乘(least square,LS)得到参数估值。此方法忽略系数矩阵的误差,估计结果在统计上是有偏的[1]。为了顾及观测向量和系数矩阵的误差,文献[2]拓展GM模型到变量误差(errors-in-variables,EIV)模型,并采用总体LS(total LS,TLS)求解参数。
当粗差污染观测向量和系数矩阵中的观测值时,TLS得到的估计值将会严重失真[3]。为了削弱粗差的不利影响,将稳健估计理论应用到EIV模型的解算,主要分为两类:(1)基于均值漂移模型识别粗差。文献[4]使用稳健加权TLS(robust weighted TLS,RWTLS)拟合点云平面,通过3倍中误差准则剔除粗差,文献[5]采用Baarda粗差探测法定位异常观测值。然而对于可疑粗差,基于识别的方法缺乏较好的处理手段。(2)基于方差膨胀模型控制粗差的影响。文献[6]使用同一单位权中误差对粗差进行降权,文献[7-8]对于观测向量和系数矩阵采用不同的单位权中误差进行处理,文献[9]和文献[10]分别针对三维坐标转换模型和多变量EIV模型提出相应的稳健方法。以上方法保留TLS处理正常观测数据的优良特性,但求解的是非凸优化问题,采用对粗差敏感的TLS结果作为初值,参数估值极其容易失真。
为了提高算法的崩溃污染率,文献[11]采用中位参数法建立RWTLS算法,但是算法稳健性和参数个数有关,实际中远达不到50%的最高崩溃污染率;文献[12]将传统的最小平方中值法(least median of squares,LMS)和截断最小二乘法(least trimmed squares,LTS)[12]应用到EIV模型中,提出总体LMS(total LMS,TLMS)[13]和截断总体最小二乘法(total LTS,TLTS)[14],但是两种方法对随机模型的结构有严格限制,前者要求独立等精度观测,后者系数矩阵对应的协因数矩阵满足特定结构,都不具备通用性。求解方法上,前者是一个抽样检验过程,参数精度较低,后者通过分支界定算法求得精确解,但是存在大量的冗余计算。
针对现有算法的不足,本文提出了两种高崩溃污染率的稳健估计算法,分别是加权TLMS(weighted TLMS,WTLMS)和加权TLTS(weighted TLTS,WTLTS)。从线性回归EIV模型出发,计算数据点到拟合超平面的加权残差。为了避免粗差的影响,分别基于中位数准则和截断准则得到两种改进算法的目标函数,进一步证明两种算法具有估计等变性和高崩溃污染率。不同于传统的高崩溃污染率算法,本文算法能够顾及系数矩阵的固定列,并且考虑同一个观测方程中的观测元素存在相关性的情况,随机模型更具通用性。因为目标函数不可导,基于梯度的优化算法将失效,借鉴LMS和LTS的求解思路,给出两种算法的求解过程。仿真实验和实测数据验证了本文算法的高崩溃污染率,但本文算法有效性不足,可以作为RWTLS的初值,获得有效性更佳的参数估值。
1 混合总体最小二乘法
求解线性回归的参数时,系数矩阵存在常数列,对应的模型被称为带有固定列的EIV模型,其函数模型和随机模型表达为[15]:
(1) (2) 式中,
和 分别是 维观测向量及其对应的随机误差向量; 和 分别是 的固定系数矩阵及其对应的误差矩阵; 是 待估参数向量; 和 分别为观测值组成的矩阵和常数组成的矩阵; 和 分别是与 和 对应的 维和 维参数向量; 是计算向量方差矩阵的算子; 是所有观测量组成的残差向量,其中 是矩阵按列向量化算子; 是单位权方差; 是 的协因数矩阵。 混合总体最小二乘法(mixed least squares and total least squares,mixed LS-TLS)是求解带有固定列EIV模型的严密方法,令
,数值计算上等价于求解带有非线性约束的优化问题: (3) 该优化问题可以转换为无约束的非线性优化问题[16]:
(4) 该转换使得优化问题不需要服从约束,可以看作是最小瑞利商估计的拓展,统计上可以看作残差
及其权阵 的二次型运算。如果观测值是不相关,即 为对角矩阵,式(4)可以用分量求和的形式表示为: (5) 式中,
为矩阵 的第 行元素; 和 分别为向量 的第i个分量及其协因数; 和 分别为矩阵 的第i行元素及其协因数矩阵。mixed LS-TLS的准则是最小化所有数据点的残差平方和,所以该方法极其容易被粗差污染,即使单个粗差也可能使得估计崩溃。 2 WTLMS估计和WTLTS估计
求和运算不能抵抗粗差的干扰,可以使用其他数学运算取代。文献[12]提出了两种在GM模型中的稳健估计方法,分别是LMS估计和LTS估计。文献[13-14]将这两种方法拓展到EIV模型,但仍然存在一些不足。在此基础上,针对不等精度的带有固定列EIV模型,提出WTLMS估计和WTLTS估计这两种高崩溃污染率估计算法,讨论其估计特性和崩溃污染率,并给出两种算法的求解步骤。
2.1 估计准则
用中位数运算代替求和运算,WTLMS估计的准则为:
(6) 式中,
表示取中位数操作。需要解释的是,协因数矩阵 不局限于是对角矩阵,可以推广到同一观测方程中的随机量是相关的情况,即 ,对应式(6)的分母为 ,为了方便表达,依旧将 视为对角矩阵。与文献[13]中 的情况进行比较,本文算法的随机模型更具通用性。 将所有加权残差平方
进行升序排列,得到WTLTS估计的准则为: (7) 式中,
为截断参数; 。根据粗差比例不能超过50%的假设,需要满足 。式(7)表示算法抛弃残差较大的 个观测值,在一个不含粗差的子集中进行参数估计,从而消除粗差的影响。与文献[14]比较,WTLTS的协因数矩阵不受到特定结构的限制。 2.2 等变特性
WTLMS估计满足仿射等变性、尺度等变性。令
为任意 可逆矩阵, 为任意常数,式(6)的解 满足如下关系: 1)仿射等变性。
(8) 2)尺度等变性。
(9) 证明如下:
(10) (11) 式中,
和 分别为 的协因数矩阵和 的协因数。等变性是参数估计中的重要性质[12],仿射等变性展示对 进行线性变换如何影响WTLMS的估值,尺度等变性意味着WTLMS估值独立于 的单位。将式(10)~(11)的 算子更换为 算子,可证明WTLTS估计也具有上述两个性质。 2.3 崩溃污染率
崩溃污染率表示一种估计方法能承受的最大粗差比例,是衡量算法稳健性的重要指标。在
的任意 子矩阵可逆的情况下,那么WTLMS估计和WTLTS估计有限样本下的崩溃污染率 为: (12) 式中,符号
表示向下取整。文献[12]给出了LMS估计和LTS估计的崩溃污染率的详细证明,本文两种算法的崩溃污染率与LMS和LTS算法是一致的。通过启发式的方法证明,当仅来自同一观测方程的观测值存在相关性时,无论是在系数矩阵 中或者观测向量 中的粗差,都是使对应的观测方程偏离实际的模型,故系数矩阵的粗差可以转换为对应观测向量中的粗差,本文算法可以达到式(12)的最大崩溃污染率。 将残差进行升序排列,使得
,令 ,WTLMS和WTLTS估计分别最小化 和 ,这是满足等变性的估计方法所能达到的最大崩溃污染率。准确地说,WTLMS估计是一种特殊的分位数估计方法。WTLTS估计的 可以根据粗差比例 设置为 ,更大的 降低了崩溃污染率,但能够增加估计的有效性。一般情况下,当 远大于 时,根据式(12)可知本文两种估计方法具有50%的渐进崩溃污染率。 2.4 求解步骤
两种估计方法的几何意义十分明确,WTLMS估计表示数据点到超平面的加权平方残差中位数最小,WTLTS估计最小化数据点到超平面的前
个较小的加权平方残差和。然而对应的目标函数不可导,基于梯度的优化算法并不适合求解两种算法。 2.4.1 WTLMS的求解步骤
借鉴PROGRESS程序[12]求解LMS估计的流程,将重采样算法结合截距校正算法[17]和空间精化算法[18]应用到EIV模型中,WTLMS估计通过内外两重循环进行求解,具体步骤如下:
1) 计算
,令 和 记录外循环和内循环迭代次数,内外循环最大迭代次数记为 和 。 2) 开始外循环:(1)
并且 ;(2)从观测方程 中随机选择 个子集计算其精确解 ;(3)进行空间精化,令 是端点为 和 的直线上的 个解,其中 是当前的最优解。 3) 开始内循环:(1)
并且 ;(2)计算 对应的所有数据点加权残差平方,并校正截距,重新计算残差的加权平方;(3)将加权残差平方按升序排列,设置 ;(4)若 , , ,其中 是当前最佳目标函数值。 理论上应该遍历所有的
子集,对于大量数据可以固定重采样次数,如 ,但不建议增加观测方程数量,这样会增加计算负担,降低其实用性。 2.4.2 WTLTS的求解步骤
一种有效求解WTLTS估计的方法是穷举法,一共需要进行
次,在观测值数量较小的情况下可以使用该方法,大量观测值将会使算法计算量快速增加,失去实用性。借鉴可行集算法[17],其核心是通过交换子集中的观测值使得目标函数下降,文献[19]分为两步将该算法应用于最小协方差行列式(minimum covariance determinant,MCD)估计,本文将该方法应用于线性回归EIV模型中。 首先需要证明通过交换子集元素能够降低目标函数值。在
个观测方程中,首先任意选取样本容量为 的子集 ,使用mixed LS-TLS方法在子集 中计算出估计结果 及其加权残差平方和 ,其中 / 。将 的结果代入所有观测方程中,得到 个加权残差平方,选择其中 个残差平方最小的观测方程组成子集 ,在子集 中使用mixed LS-TLS计算得到 及其加权残差平方和 ,则下列不等式成立: (13) 因为
中的元素在 个残差中选择最小的 个 ,故 。集合 中的 是最小的 个残差平方和,得到: (14) 式(13)证明通过交换子集中元素可以降低目标函数值,以此设计迭代求解方法。但是WTLTS估计的目标函数是非凸的,估计结果依赖于迭代初值。可以使用LTS估计等稳健方法的结果作为迭代初值或者设置多个起算点进行计算,选择目标函数值最小的结果作为输出。WTLTS估计的解算步骤为:
1)通过LTS估计得到一个容量为
子集 。 2)在
计算 和 。选取其中残差较小的 个观测值,得到集合 ,在 中计算 和 。 3)若
,输出结果 ;否则,将子集 赋给 ,重新进行步骤2)的解算。 2.5 精度评定
对于WTLMS估计而言,根据单位权中误差和残差中位数的关系,得到:
(15) 在观测值数量较小的情况下,还需要等式右边乘以一个系数进行改正,系数和观测值数量关系参考文献[20]。
对于WTLTS估计,其相当于在子集中进行mixed LS-TLS估计,使用总体最小二乘的精度评定公式,单位权中误差的估计值为:
(16) 3 模拟实验与真实算例
3.1 模拟实验
设直线方程为
,即斜率和截距的真值分别为 和 。采用均匀分布函数产生20个升序排列的 值,计算对应的 值,得到坐标的真值。按照文献[21]的方法加入期望为0、标准差为0.04的随机误差,同一点 分量和 分量的相关系数 为0.6,通过 计算坐标的协方差,得到含随机误差的观测值。在前10个点中随机选择5个,在x分量和y分量上加入绝对值在5~20倍标准差之间的粗差,形成多维粗差,图1为粗差加入前后的误差方案示意图。因为粗差在直线的单侧密集分布,最容易使估计方法崩溃[22],所以本文设置粗差点均在直线上方模拟该最坏情况。 设置收敛阈值为1×
,分别在粗差加入前后,采用以下6种估计方法估计直线参数: 方法1:mixed LS-TLS。
方法2:以mixed LS-TLS结果为初值的RWTLS[7]。
方法3:WTLMS,对应§2.4.1。
方法4:WTLTS,对应§2.4.2,其中设置
以实现最大的崩溃污染率。 方法5:以WTLMS结果为初值的RWTLS。
方法6:以WTLTS结果为初值的RWTLS。
方法5和方法6可以视为EIV模型下的M估计[23],其要求M估计的待估参数和单位权中误差初值具有较高的可靠性。模拟
组实验,用 表示参数 的第 次估计结果。表1和表2列出不同方案单位权中误差 、斜率和截距的统计指标,包括均值 、标准差 、均方根误差 ,计算公式为: (17) (18) (19) 表 1 加入粗差前参数估计值的统计结果Table 1. Statistics of Estimated Parameters Without Outliers方法 /% /% 1 -0.999 58 0.008 12 0.008 13 100 4.999 53 0.023 28 0.023 28 100 0.040 15 2 -0.999 14 0.008 82 0.008 87 84.0 4.999 09 0.026 68 0.026 69 76.1 0.039 88 3 -1.001 12 0.018 11 0.018 15 20.1 4.997 66 0.050 20 0.050 25 21.5 0.038 97 4 -1.001 38 0.015 54 0.015 58 27.2 5.006 15 0.045 04 0.045 08 26.7 0.039 06 5 -0.999 32 0.009 32 0.009 34 76.1 4.999 45 0.028 36 0.028 37 67.4 0.040 36 6 -0.999 09 0.008 90 0.008 94 82.7 4.999 11 0.026 66 0.026 67 76.3 0.039 01 表 2 加入粗差后参数估计值的统计结果Table 2. Statistics of Estimated Parameters with Outliers方法 1 -1.108 74 0.035 78 0.114 48 5.442 08 0.125 93 0.459 67 0.190 42 2 -1.042 09 0.061 01 0.074 12 5.164 68 0.237 22 0.288 78 0.056 53 3 -1.000 38 0.020 75 0.020 77 5.001 73 0.057 73 0.057 76 0.041 22 4 -1.001 65 0.017 68 0.017 74 5.006 95 0.048 70 0.048 73 0.040 63 5 -1.001 67 0.013 46 0.013 56 5.006 97 0.046 04 0.046 57 0.039 36 6 -1.002 78 0.014 28 0.014 55 5.010 79 0.050 09 0.051 24 0.041 69 在只含正态随机误差的情况下,mixed LS-TLS是目前最优的估计方法。以该方法作为对比,定义算法的数值有效性[24]:
(20) 式中,
和 分别为mixed LS-TLS估计方法和其他估计方法得到的方差。有效性衡量其他估计方法与最优的估计方法之间的一致性,不同 算法的效率如表1所示。
由表1得到如下结论:(1)当观测值只含随机模型时,mixed LS-TLS估计在6种方法中获得最
优的估计结果;(2)其他方法的参数均值和单位权中误差与mixed LS-TLS估计差异并不显著,但均方根误差和标准差略有增加。它们的标准差几乎等于均方根误差,表明估计偏差小到可以忽略不计;(3)对比各种方法的有效性,WTLMS和WTLTS估计的数值有效性分别约为20%和25%,这是两种算法在子集中采用排序方法求解参数估计值,没有使用全部的观测信息。方法5和6的有效性均大于65%,所以本文方法更适合提供初值,结合M估计能够显著提高算法有效性。
对表2进行分析可得:(1)当观测值中存在粗差时,mixed LS-TLS得到的参数估值严重失真,表明mixed LS-TLS不具备稳健性;(2)RWTLS通过对可疑粗差进行降权,一定程度上改善了mixed LS-TLS的表现,但可靠性较差,这是因为M估计迭代结果依赖于参数初值,而由于粗差影响,mixed LS-TLS的参数初值与真值偏差较大;(3)WTLMS和WTLTS的估值和真值差别很小,它们的标准差和均方根误差与表1相比变化不大,表明本文算法的崩溃污染率优于RWTLS估计。方法5和方法6的迭代初值更加准确,相较于方法2,估值更加接近于真值;(4)总体而言,受到粗差的影响,各种方法的标准差和均方根误差均有所增加。综上所述,RWTLS估计在25%污染率的数据中,无法得到可靠的估值,本文给出的两种算法能够得到可靠的估值,同时,结合M估计可以进一步提高估计有效性。
为了验证本文算法具有高崩溃污染率,在上述实验的基础上,加入不同数量的粗差,污染率从5%增加到45%。重复实验100次对比稳健方法2~4的表现,得到结果如图2所示。
由图2可知:(1)在均值指标上,当污染率大于25%时,RWTLS估计得到的参数均值偏差十分明显,而WTLMS和WTLTS估计的参数均值没有受到显著影响;(2)RWTLS在污染较小的情况下,参数的标准差比本文方法小,但是当污染率大于20%时,标准差迅速变大,同时出现明显偏差。WTLTS和WLTMS的标准差一直保持稳定,其中后者的标准差更小,但总体而言两者差异并不明显;(3)本文给出的两种算法的均方根误差随着污染率增加出现小幅度上升,并没有显著的偏差。综上所述,RWTLS在高污染率的数据中不能得到可靠的参数估值,本文算法具有接近50%的崩溃污染率。
3.2 点云数据
上述实验中的观测点具有相同的随机模型,以下通过真实的点云数据进行平面拟合,探究不同精度的观测值下不同算法的表现。选择来自WHU-TLS数据集[25]中校园场景的点云数据,如图3所示。采用RIEGL VZ-400激光扫描仪,其
测程为600 m,扫描范围
。截选其中一部分数据(图3红框所示,总计3 561个点)进行平面拟合,因为树木遮挡和其他原因,数据中含有大约20%的粗差。对该数据使用方法1~4进行平面拟合,其中观测值采用入射角定权法[26],结果如图4所示。因为点云数据量大,WTLMS估计最大重采样次数为 =1 000。 由图4可知:(1)从平面拟合结果上看,mixed LS-TLS受到粗差的影响,估计结果严重失真,RWTLS虽然具备一定的稳健性,但在实验中也出现明显的偏差,WTLMS和WTLTS得到理想的拟合平面,表明本文算法的崩溃污染率相较于方法1和方法2更高;(2)计算4种方法的单位权中误差,分别为0.789 6 m、0.517 3 m、0.006 1 m和0.005 3 m,可以看出方法1和方法2的拟合精度较差。将加权残差大于3倍中误差的点标记为红色,可以看出方法1和方法2并没有区别出正常观测值和粗差,而本文方法除了成功
将所有的树叶数据识别粗差,还识别出墙面上一些粗差,验证了本文算法的可靠性。综上所述,本文算法在不等权的点云数据中也能得到可靠的平面拟合结果。
4 结 语
M估计的优势在于其较高的计算效率和简单的方法原理,然而受多维粗差、杠杆观测权等因素影响,其崩溃污染率并不高,因此本文提出两种适用于线性回归加权EIV模型的具有高崩溃污染率的估计算法,即WTLMS估计和WTLTS估计。本文分析两种算法的等变性和验证它们具有50%的渐进崩溃污染率。因为本文算法的目标函数不可导,求解复杂程度相对M估计要高。通过实验验证两种算法具有良好的稳健性,可以以此作为初值结合M估计进一步提高算法的有效性。如何提高两种算法的计算效率和有效性成为下一步研究的方向。
感谢CSR提供GRACE时变重力场数据,USGS提供实时水井水位数据,美国国家环境预报中心提供GLDAS水文模型数据。http://ch.whu.edu.cn/cn/article/doi/10.13203/j.whugis20220407 -
表 1 美国区域实验含水层蓄水系数因子表
Table 1 Water Storage Coefficient Factors for Experimental Aquifers in USA
含水层 含水层 AZ ALL 0.05 NHP 0.104 3 ETP 0.03 Florida 0.037 9 TX GC 0.05 U COL 0.02 CHP 0.05 PENN 0.004 1 表 2 逐步回归统计结果
Table 2 Stepwise Regression Statistical Results
小波成分 模型点位数 检验通过点位数 通过率/% D1 589 13 2.21 D2 589 143 24.28 D3 589 486 82.51 D4 589 395 67.06 A4 589 445 75.55 表 3 各实验含水层GWS与GWL相关系数统计表
Table 3 Statistics of Correlation Coefficients Between GWS and GWL in Various Experimental Aquifers
含水层 相关系数 AZ ALL 0.05 0.88 ETP 0.03 0.70 TX GC 0.05 0.71 CHP 0.05 0.89 NHP 0.104 3 0.52 Florida 0.037 9 0.24 U COL 0.02 0.23 PENN 0.004 1 0.16 表 4 地下水重构序列与测试序列相关系数统计分布表
Table 4 Correlation Coefficient of Groundwater Reconstruction Series and Groundwater Test Series
相关系数 点位数 点位占比/% (0.8, 1] 22 7.77 (0.6, 0.8] 80 28.27 (0.4, 0.6] 73 25.80 (0.2, 0.4] 56 19.79 [0, 0.2] 52 18.37 表 5 地下水重构序列与测试序列残差RMS统计分布表
Table 5 RMS of Groundwater Reconstruction Series and Groundwater Test Series
RMS/m 点位数 点位占比/% (0, 0.5] 91 32.16 (0.5, 1.0] 87 30.74 (1.0, 1.5] 39 13.78 (1.5, 2.0] 16 5.65 >2.0 50 17.67 表 6 美国地区含水层GWS趋势统计表/(mm∙a-1)
Table 6 GWS Trends of Aquifers in USA /(mm∙a-1)
含水层 经典水平衡方程法 小波分解-逐步回归法 PCR-GLOBWB WGHM CLSM-5.0 NOAH-MP CHP -12.60 -26.63 0.05 -38.17 -51.96 -4.93 -1.15 ETP -3.89 -15.70 0.03 -1.04 -0.56 0.50 -1.11 Florida 4.12 1.66 0.037 9 -2.49 -1.27 1.37 -0.51 NHP 5.71 5.09 0.104 3 -14.49 -12.22 4.52 0.69 PENN 2.92 0.018 0.004 1 -7.33 -0.40 -1.69 -1.09 TX GC -3.20 -6.53 0.05 -2.81 -1.63 -3.89 -2.53 U COL -0.66 -0.65 0.02 -0.24 -0.22 -0.24 0.03 AZ ALL -2.14 -10.65 0.05 -4.32 -2.75 -1.51 -0.18 -
[1] ANDREW R L, GUAN H, BATELAAN O. Large-Scale Vegetation Responses to Terrestrial Moisture Storage Changesc[J]. Hydrology and Earth System Sciences, 2017, 21(9): 4469-4478.
[2] ANCTIL F, COULIBALY P. Wavelet Analysis of the Interannual Variability in Southern Quebec Streamflow[J]. Journal of Climate, 2004, 17(1): 163-173.
[3] BRENA-NARANJO J A, KENDALL A D, HYNDMAN D W. Improved Methods for Satellite-Based Groundwater Storage Estimates: A Decade of Monitoring the High Plains Aquifer from Space and Ground Observations[J]. Geophysical Research Letters, 2014, 41(17): 6167-6173.
[4] DOELL P, DOUVILLE H, GUENTNER A, et al. Modelling Freshwater Resources at the Global Scale: Challenges and Prospects[J]. Surveys in Geophysics, 2016, 37(2SI): 195-221.
[5] SCANLON B R, LONGUEVERGNE L, LONG D. Ground Referencing GRACE Satellite Estimates of Groundwater Storage Changes in the California Central Valley,USA[J].Water Resources Research, 2012, 48: W04520.
[6] 李武东, 郭金运, 常晓涛, 等. 利用GRACE重力卫星反演2003—2013年新疆天山地区陆地水储量时空变化[J]. 武汉大学学报(信息科学版), 2017, 42(7): 1021-1026. LI Wudong, GUO Jinyun, CHANG Xiaotao, et al. Terrestrial Water Storage Changes in the Tianshan Mountains of Xinjiang Measured by GRACE During 2003—2013[J]. Geomatics and Information Science of Wuhan University, 2017, 42(7): 1021-1026.
[7] OJHA C, WERTH S, SHIRZAEI M. Recovery of Aquifer-Systems in Southwest US Following 2012—2015 Drought: Evidence from InSAR, GRACE and Groundwater Level Data[J]. Journal of Hydrology, 2020, 587:124943.
[8] 李婉秋,王伟,章传银,等.利用GRACE卫星重力数据监测关中地区地下水储量变化[J].地球物理学报,2018,61(6):2237-2245. LI Wanqiu, WANG Wei, ZHANG Chuanyin, et al. Monitoring Groundwater Storage Variations in the Guanzhong Area Using GRACE Satellite Gravity Data[J]. Chinese Journal of Geophysics, 2018, 61(6): 2237-2245.
[9] PELLET V, AIRES F, PAPA F, et al. Long-Term Total Water Storage Change from a Satellite Water Cycle Reconstruction over Large Southern Asian Basins[J]. Hydrology and Earth System Scien‑ces, 2020, 24(6): 3033-3055.
[10] DOELL P, MUELLER SCHMIED H, SCHUH C, et al. Global-Scale Assessment of Groundwater Depletion and Related Groundwater Abstractions: Combining Hydrological Modeling with Information from Well Observations and GRACE Satellites[J]. Water Resources Research, 2014, 50(7): 5698-5720.
[11] YEH P J F, SWENSON S C, FAMIGLIETTI J S, et al. Remote Sensing of Groundwater Storage Changes in Illinois Using the Gravity Recovery and Climate Experiment (GRACE)[J].Water Resources Research, 2006, 42:W1220312.
[12] 冯伟,王长青,穆大鹏,等.基于GRACE的空间约束方法监测华北平原地下水储量变化[J]. 地球物理学报,2017,60(5):1630-1642. FENG Wei, WANG Changqing, MU Dapeng, et al. Groundwater Storage Variations in the North China Plain from GRACE with Spatial Constraints[J]. Chinese Journal of Geophysics, 2017, 60(5): 1630-1642.
[13] SCHULER P, CANTONI E, DURAN L, et al. Using Wavelet Coherence to Characterize Surface Water Infiltration into a Low-Lying Karst Aquifer[J]. Groundwater, 2021, 59(1): 71-79.
[14] TIAN Z. A Combined Prediction Approach Based on Wavelet Transform for Crop Water Requirement[J]. Water Supply, 2020, 20(3): 1016-1034.
[15] GRINSTED A, MOORE J C, JEVREJEVA S. Application of the Cross Wavelet Transform and Wavelet Coherence to Geophysical Time Series[J]. Nonlinear Processes in Geophysics, 2004, 11(5-6): 561-566.
[16] HE X, GUAN H, ZHANG X, et al. A Wavelet-Based Multiple Linear Regression Model for Forecasting Monthly Rainfall[J]. International Journal of Climatology, 2014, 34(6): 1898-1912.
[17] NALLEY D,ADAMOWSKI J,KHALIL B. Using Discrete Wavelet Transforms to Analyze Trends in Streamflow and Precipitation in Quebec and Ontario(1954—2008)[J].Journal of Hydrology,2012,475: 204-228.
[18] CHAO N, WANG Z, JIANG W, et al. A Quantitative Approach for Hydrological Drought Characterization in Southwestern China Using GRACE[J]. Hydrogeology Journal, 2016, 24(4): 893-903.
[19] SWENSON S, WAHR J. Post-Processing Removal of Correlated Errors in GRACE Data[J]. Geophysical Research Letters, 2006, 33:L084028.
[20] DUAN X J, GUO J Y, SHUM C K, et al. On the PostProcessing Removal of Correlated Errors in GRACE Temporal Gravity Field Solutions[J]. Journal of Geodesy, 2009, 83(11): 1095-1106.
[21] RATEB A, SCANLON B R, POOL D R, et al. Comparison of Groundwater Storage Changes from GRACE Satellites with Monitoring and Modeling of Major US Aquifers[J]. Water Resources Research, 2020, 56(12): e2020WR027556.
[22] MILLER J M.Ground Water Atlas of the United States [J].Applied Hydrogeology,1994,2(4):59-62.
-
期刊类型引用(121)
1. 庄会富,郭建林,薛倩,张宇. 联合混合CNN和相似性评估的异源影像无监督变化检测方法. 地球信息科学学报. 2025(02): 507-521 . 百度学术
2. 孙雨生,邢华桥,项俊武,王海航. 顾及时空感知的轻量级遥感影像变化检测方法. 科技创新与应用. 2024(07): 5-8 . 百度学术
3. 周维勋,刘京雷,彭代锋,管海燕,邵振峰. MtSCCD:面向深度学习的土地利用场景分类与变化检测数据集. 遥感学报. 2024(02): 321-333 . 百度学术
4. 刘宣广,李蒙蒙,汪小钦,张振超. 基于面向对象孪生神经网络的高分辨率遥感影像建筑物变化检测. 遥感学报. 2024(02): 437-454 . 百度学术
5. 艾遒一,黄华国,郭颖,刘炳杰,陈树新,田昕. 基于孪生残差神经网络的GF-2影像林地变化检测——以浙江省建德林场为例. 遥感技术与应用. 2024(01): 24-33 . 百度学术
6. 尹杨,周毅. 基于遥感影像的生态环境和资源保护公益诉讼调查取证方法研究. 时空信息学报. 2024(01): 57-64 . 百度学术
7. 李正洪,全昌文,陈华江,陈敏,吕琦. 基于影像密集匹配点云的建筑物变化检测方法. 地理空间信息. 2024(03): 11-15 . 百度学术
8. 王腾,孟小亮,蔡冠中,陈影,孙洁衍,姚鹏. 自然资源视频监测目标检测关键技术研究与应用. 地理空间信息. 2024(03): 47-50+54 . 百度学术
9. 谢国波,廖文康,林志毅,张家源. 基于MCRASN的遥感影像变化检测. 应用光学. 2024(02): 430-437 . 百度学术
10. 张兰兰,王红雷. 基于深度学习的耕地非农化遥感监测与时空分析——以开阳县为例. 测绘通报. 2024(03): 13-18 . 百度学术
11. 樊华,王文旭,孙杰,李晓阳. 基于遥感影像的重要地物的变化检测和标注. 科学技术与工程. 2024(09): 3586-3595 . 百度学术
12. 陈华江,张晋博,张展豪,陈敏. 基于空间体素表达与影像目标验证的建筑物三维变化检测分析. 测绘与空间地理信息. 2024(05): 45-47+51 . 百度学术
13. 刘立,董先敏,王德富,张志强,刘娟. 人机协同的多模态遥感变化检测方法. 测绘通报. 2024(S1): 130-136 . 百度学术
14. 张宏鸣,沈寅威,阳光,孙志同,刘康乐,张二磊. 融合注意力机制与多尺度信息的葡萄种植区变化检测. 农业机械学报. 2024(05): 196-206+234 . 百度学术
15. 陈乐,卫伟. 多源土地利用产品在黄土丘陵沟壑区的精度评估. 水土保持学报. 2024(03): 177-186+194 . 百度学术
16. 常瑶,费鲜芸,王圳,高亚军,杨民书,文陈昊. 基于无人机影像的连云港云台山林场樱桃树种植面积提取. 江苏海洋大学学报(自然科学版). 2024(02): 89-96 . 百度学术
17. 唐江森,于亚杰,苏鹏. 河北省历史影像电子地图展示系统设计与实现. 城市勘测. 2024(03): 93-95+100 . 百度学术
18. 苏步宇,杜小平,慕号伟,徐琛,陈方,罗笑南. 耦合Mask R-CNN和注意力机制的建筑物提取及后处理策略. 遥感技术与应用. 2024(03): 620-632 . 百度学术
19. 汤玉奇,林泽锋,韩特,杨欣,邹滨,冯徽徽. 基于对称网络的光学和SAR影像变化检测. 遥感学报. 2024(06): 1560-1575 . 百度学术
20. 厉芳婷,张过,周方栋,王上,梁思,李志炜. 基于双流并行全向扫描Mamba的遥感影像建筑物变化检测. 武汉大学学报(信息科学版). 2024(09): 1574-1585 . 百度学术
21. 潘建平,谢鹏,郭志豪,林娜,张慧娟. 面向城市复杂场景的多尺度监督融合变化检测. 遥感信息. 2024(04): 23-32 . 百度学术
22. 吕宁,刘亦高,张增辉. 基于特征金字塔的协作式变化检测网络. 遥测遥控. 2024(05): 120-128 . 百度学术
23. 孙剑明,赵梦鑫,郝旭耀. 遥感图像变化检测方法研究综述. 计算机工程与应用. 2024(20): 30-48 . 百度学术
24. 黄子岸,赵艮平,王卓薇. 基于LS-CDNet的轻量级遥感影像变化检测. 激光杂志. 2024(10): 67-73 . 百度学术
25. 叶萍萍,仝昕. 基于深度学习的建筑物变化检测技术研究. 河南科技. 2024(19): 104-107 . 百度学术
26. 眭海刚,周宁,魏天怡. 遥感大数据的地理环境构建及目标保障技术综述. 无线电工程. 2024(11): 2505-2519 . 百度学术
27. 宁晓刚,张翰超,张瑞倩. 遥感影像高可信智能不变检测技术框架与方法实践. 测绘学报. 2024(06): 1098-1112 . 百度学术
28. 赵金奇,李宇轩,刘子蓉,安庆,宋时雨,牛玉芬. 基于相似性衡量函数优化的SAR时空极化信息一体化洪涝变化检测方法. 测绘学报. 2024(12): 2375-2390 . 百度学术
29. 吴丕团,覃现,余松梅,杨钊,杨昌. 自然资源资产审计服务中的测绘地理信息技术应用. 测绘标准化. 2024(04): 70-75 . 百度学术
30. 韩特,汤玉奇,陈玉增,张芳艳,杨欣,邹滨,冯徽徽. 基于自适应非局部模式一致性的多模态遥感影像变化检测方法. 遥感学报. 2024(12): 3197-3212 . 百度学术
31. 王本礼,王也,唐先龙,董胜光. 遥感影像变化图斑智能化提取平台研发与应用. 测绘通报. 2023(02): 150-154 . 百度学术
32. 袁嘉铭,杨敏,余华飞,赵炜. 面向精细化导航的城市道路网末梢扩展. 北京测绘. 2023(02): 172-177 . 百度学术
33. 赵会芹,于博,陈方,王雷. 基于高分辨率卫星遥感影像滑坡提取方法研究现状. 遥感技术与应用. 2023(01): 108-115 . 百度学术
34. 周豫阳,王明常,王凤艳,杨盈,刘子维. 改进U-Net的高分辨率遥感影像建筑区变化检测方法. 世界地质. 2023(01): 159-167 . 百度学术
35. 董艳琴,任金铜,张涛. 基于IR-MAD算法的GF-1影像土地利用变化检测研究. 无线互联科技. 2023(03): 109-113 . 百度学术
36. 李泽宇. 基于改进注意力机制的SAR图像变化检测方法研究. 科学技术创新. 2023(08): 35-39 . 百度学术
37. 李琳,汪小钦,刘益锋,丁书培,陈芸芝. 基于时序遥感影像的长汀县生产建设项目扰动监测. 遥感技术与应用. 2023(02): 308-318 . 百度学术
38. 李星华,黄艳媛. 高分影像变化检测的孪生差分特征融合网络. 测绘科学. 2023(05): 129-139 . 百度学术
39. 白建超,陈泓桦. 基于SVM的SAR图像变化检测方法研究. 高等数学研究. 2023(03): 76-82 . 百度学术
40. 詹必伟,唐小丽,何奕萱,陈绍根,臧广义,黎浩许. 基于改进UNet网络的耕地变化检测方法研究. 测绘. 2023(02): 76-79 . 百度学术
41. 陈婕,刘纪平,徐胜华. 增强边缘信息的全卷积神经网络遥感影像建筑物变化检测. 测绘通报. 2023(06): 61-67 . 百度学术
42. 沈鑫甦,嵇灵. 面向遥感地类变化检测的U型深度学习神经网络改进方法. 测绘通报. 2023(06): 93-97+103 . 百度学术
43. 姚照原,马磊,万玮,宋本钦,王卫红,邓继伟,肖蕾,冀锐,魏之皓,崔要奎. 基于深度学习的遥感样本库一致性评估. 北京大学学报(自然科学版). 2023(04): 563-568 . 百度学术
44. 赵昊罡,崔红霞,张芳菲,顾海燕,穆潇莹. 改进SegNet+CRF高分辨率遥感影像建筑物提取方法. 计算机测量与控制. 2023(07): 177-183 . 百度学术
45. 张吉玲,王庆,王静,闫烁月,陈卓然. 改进U-Net网络的高分辨率遥感影像变化检测算法. 遥感信息. 2023(03): 122-129 . 百度学术
46. 陈海永,吕承杰,杜春,陈鹏. 孪生注意力门控融合的遥感图像变化检测编解码网络. 计算机工程与科学. 2023(09): 1593-1601 . 百度学术
47. 闫利,李希. 用于高分辨率遥感影像度量变化检测的多路径非对称融合网络. 电子学报. 2023(07): 1781-1790 . 百度学术
48. 李强,张杰,刘东顺,李磊. 基于改进U-Net模型的航空影像建筑物变化检测. 测绘与空间地理信息. 2023(09): 60-63+67 . 百度学术
49. 柳思聪,都科丞,郑永杰,陈晋,杜培军,童小华. 人工智能时代的遥感变化检测技术:继承、发展与挑战. 遥感学报. 2023(09): 1975-1987 . 百度学术
50. 朱传海 ,陈学泓 ,陈晋 ,袁宇恒 ,唐凯 . 基于分类后验概率空间的孪生Nested-UNet(SNU-PS)变化检测网络. 遥感学报. 2023(09): 2006-2023 . 百度学术
51. 杨彬,毛银,陈晋,刘建强,陈杰,闫凯. 深度学习的遥感变化检测综述:文献计量与分析. 遥感学报. 2023(09): 1988-2005 . 百度学术
52. 吴小所,王利玲,吴朝阳,郭存鸽,杨乐,闫浩文. 基于双时相特征筛选的遥感图像变化检测模型. 地球信息科学学报. 2023(11): 2268-2280 . 百度学术
53. 姜明,张新长,孙颖,冯炜明,阮永俭. 全尺度特征聚合的高分辨率遥感影像变化检测网络. 测绘学报. 2023(10): 1738-1748 . 百度学术
54. 申文杰,贾云珍,李洋,林赟,蒋雯,王彦平. 基于Log-Ratio算子的目标级星载SAR时序图像变化检测方法. 工业控制计算机. 2023(11): 98-101 . 百度学术
55. 魏汝兰,王洪飞,盛森,江一帆,余亚芳. 基于深度学习的卫星影像耕地变化检测方法及系统应用. 软件导刊. 2023(11): 29-34 . 百度学术
56. 火久元,刘梦. 基于PCA信息熵特征融合的遥感影像变化检测(英文). Journal of Measurement Science and Instrumentation. 2023(04): 398-412 . 百度学术
57. 于政尧,黄建华,孙希延,罗明明,万逸轩. 融合Swin Transformer的遥感影像建筑物变化检测. 电子测量技术. 2023(22): 139-147 . 百度学术
58. 曹州,刘士彬,马勇,姚武韬,姜丽媛. 一种联合光谱-对象-时间特征的遥感影像变化检测方法. 中国科学院大学学报. 2022(01): 102-109 . 百度学术
59. 陈海鹏,张莉,李淼,谢雯君,邱博. 自然资源调查监测地表覆盖成果质检关键技术探讨. 测绘通报. 2022(01): 96-99 . 百度学术
60. 潘建平,徐永杰,李明明,胡勇,王春晓. 结合相关系数和特征分析的植被区域自动变化检测研发. 自然资源遥感. 2022(01): 67-75 . 百度学术
61. 潘建平,李鑫,孙博文,胡勇,李明明. 基于注意力密集连接金字塔网络的新增建设用地变化检测. 测绘通报. 2022(03): 41-46+59 . 百度学术
62. Wensong LIU,Xinyuan JI,Jie LIU,Fengcheng GUO,Zongqiao YU. A Novel Unsupervised Change Detection Method with Structure Consistency and GFLICM Based on UAV Images. Journal of Geodesy and Geoinformation Science. 2022(01): 91-102 . 必应学术
63. 张海明,王明常,陈学业,王凤艳,杨国东,高苏. 领域知识优化深度置信网络的遥感变化检测. 武汉大学学报(信息科学版). 2022(05): 762-768+788 . 百度学术
64. 梁哲恒,黎宵,邓鹏,盛森,姜福泉. 融合多尺度特征注意力的遥感影像变化检测方法. 测绘学报. 2022(05): 668-676 . 百度学术
65. 黄梅,杨文忠,汪传建,魏文钰. 基于SE-DRUnet的遥感影像耕地变化检测. 东北师大学报(自然科学版). 2022(02): 61-67 . 百度学术
66. 王明亮,金丽华,马传宁,武丽梅,李影. 基于无人机交互的土地利用遥感监测应用研究. 测绘与空间地理信息. 2022(S1): 48-50 . 百度学术
67. 黄然,方正云,马御棠,黄双得,文刚,刘靖,孙浩轩. 基于变化检测的输电走廊外力破坏隐患区域识别. 航天返回与遥感. 2022(03): 138-148 . 百度学术
68. 程勉志,赵艳坤,闫超德,王石岩. 基于地表覆盖转移矩阵的公路工程进度监测方法. 地理信息世界. 2022(03): 53-57 . 百度学术
69. 赵祥,王涛,张艳,郑迎辉,张昆,王龙辉. 基于改进DeepLabv3+孪生网络的遥感影像变化检测方法. 地球信息科学学报. 2022(08): 1604-1616 . 百度学术
70. 黄宇鸿,周维勋. 高分辨率遥感影像场景变化检测的相似度方法. 测绘通报. 2022(08): 48-53 . 百度学术
71. 冯炜明,张新长,孙颖,姜明,甘巧,侯幸幸. 融合Transformer结构的高分辨率遥感影像变化检测网络. 测绘通报. 2022(08): 36-40+92 . 百度学术
72. 李刚,宁晓刚,张翰超,王浩,郝铭辉. “三调”成果数据引导的耕地“非农化”遥感监测. 测绘科学. 2022(07): 149-159 . 百度学术
73. 黄宇鸿,周维勋. 不同特征提取策略的场景变化检测性能评估. 北京测绘. 2022(08): 980-984 . 百度学术
74. 高梓昂. 基于双注意力机制与UNet的遥感影像变化检测方法. 长江信息通信. 2022(09): 16-18 . 百度学术
75. 厉芳婷,张过,石婷婷,李乐. 耕地“非农化”遥感解译样本分类体系及应用. 农业工程学报. 2022(15): 297-304 . 百度学术
76. 李平苍. 高分专项系列卫星在铁路全生命周期应用探讨. 卫星应用. 2022(10): 31-36 . 百度学术
77. 李强,耿丹,张景发,龚丽霞. 面向地震应急调查的遥感应用现状及趋势分析. 遥感学报. 2022(10): 1920-1934 . 百度学术
78. 麻连伟,宁卫远,焦利伟,薛帅栋. 基于U-Net卷积神经网络的遥感影像变化检测方法研究. 能源与环保. 2022(11): 102-106 . 百度学术
79. 余晓娜,黄亮,陈朋弟. 基于Segnet网络和迁移学习的全景街区影像变化检测. 重庆大学学报. 2022(11): 100-107 . 百度学术
80. 王红雷,谢义娟,刘诗琦,严文璞,张兰兰. 贵州乱占耕地建房动态监测监管技术平台研究与实现. 地理信息世界. 2022(06): 16-20 . 百度学术
81. 宋文宣,彭代锋. 一种改进全卷积网络的遥感影像变化检测. 遥感信息. 2022(06): 130-136 . 百度学术
82. 单浩宇,王春晓,尹鹏程,李二珠,张连蓬,史嘉诚,刘伟. 基于深度学习与矢-栅数据的图斑变化检测系统. 现代测绘. 2022(06): 16-19 . 百度学术
83. 张翠军,安冉,马丽. 改进U-Net的遥感图像中建筑物变化检测. 计算机工程与应用. 2021(03): 239-246 . 百度学术
84. 李文国,黄亮,左小清,王译著. 基于微调语义分割模型的街景影像变化检测方法. 软件导刊. 2021(02): 200-205 . 百度学术
85. 郝玉珠,陈振杰,侯仁福,王贝贝. 基于遥感影像序列的建设占用农用地时空信息提取. 长江流域资源与环境. 2021(02): 371-381 . 百度学术
86. 李正伟. 基于EBPNN模型的遥感图像变化检测研究. 计算机测量与控制. 2021(03): 124-128+144 . 百度学术
87. 杨钰琪,陈驰,杨必胜,胡平波,崔扬. 基于UAV影像密集匹配点云多层次分割的建筑物层高变化检测. 武汉大学学报(信息科学版). 2021(04): 489-496 . 百度学术
88. 马倩,邹焕新,李美霖,成飞,贺诗甜. 基于SNIC的双时相SAR图像超像素协同分割算法. 系统工程与电子技术. 2021(05): 1198-1209 . 百度学术
89. 吴纹辉,慎利,董新丰,杜有德. 面向高分辨率遥感影像建筑物变化检测的边缘感知网络. 地理与地理信息科学. 2021(03): 21-28 . 百度学术
90. 武宇,张俊,李屹旭,黄康钰. 基于改进U-Net的建筑物集群识别研究. 国土资源遥感. 2021(02): 48-54 . 百度学术
91. 戴晓琴,沈瑞淇,王俊,汪军阳,周俊利. GEE遥感云平台支撑下的河南省土地利用变化检测. 测绘科学技术学报. 2021(03): 287-294 . 百度学术
92. 李晓东,宋开山. 动态变化率与最大差值相结合的陆表生态变化检测. 遥感学报. 2021(06): 1338-1350 . 百度学术
93. 刘星雨,王建,朱恰,马紫雯,周再文,高贤君. 基于深度学习差值分析的高分影像建筑物变化检测. 北京测绘. 2021(05): 583-589 . 百度学术
94. 任秋如,杨文忠,汪传建,魏文钰,钱芸芸. 遥感影像变化检测综述. 计算机应用. 2021(08): 2294-2305 . 百度学术
95. 李宁,吕宗森,郭拯危. 联合变化检测与子带对消技术的SAR图像干扰抑制方法. 系统工程与电子技术. 2021(09): 2484-2492 . 百度学术
96. 窦世卿,宋莹莹,徐勇,苗林林,陈治宇,郑贺刚. 基于随机森林的高分影像分类及土地利用变化检测. 无线电工程. 2021(09): 901-908 . 百度学术
97. 高振宇,刘亮,潘浩,马御棠,黄修乾,耿浩,刘靖,徐崇斌,孙晓敏. 基于改进语义分割网络的输电走廊遥感变化检测. 航天返回与遥感. 2021(04): 120-128 . 百度学术
98. 谢优平,肖祥红. 基于遥感技术的自然资源执法监察工作问题探析. 地理空间信息. 2021(09): 41-43+49+157 . 百度学术
99. 李晓东,闫守刚,宋开山. 遥感监测东北地区典型湖泊湿地变化的方法研究. 遥感技术与应用. 2021(04): 728-741 . 百度学术
100. 李正伟. 基于Log-Gabor滤波器的SAR图像变化检测研究. 计算技术与自动化. 2021(03): 127-132 . 百度学术
101. 王译著,黄亮,陈朋弟,李文国,余晓娜. 联合显著性和多方法差异影像融合的遥感影像变化检测. 自然资源遥感. 2021(03): 89-96 . 百度学术
102. 赵亮,徐云和,陈磊. 基于孪生神经网络的遥感影像变化检测研究. 测绘通报. 2021(S1): 129-133 . 百度学术
103. 牛晓楠,倪欢,李云峰,张庆,周小平,陆远志,郝娇娇. 基于遥感影像变化检测的城区暗浜自动识别方法——以安庆市为例. 地质通报. 2021(10): 1697-1706 . 百度学术
104. 王民水,孔祥明,陈学业,杨国东,王明常,张海明. 基于随机补片和DeepLabV3+的建筑物遥感图像变化检测. 吉林大学学报(地球科学版). 2021(06): 1932-1938 . 百度学术
105. 叶沅鑫,孙苗苗,王蒙蒙,谭鑫. 结合邻域信息和结构特征的遥感影像变化检测. 测绘学报. 2021(10): 1349-1357 . 百度学术
106. 胡顺石,黄英,黄春晓,李大成,王倩. 多源遥感影像协同应用发展现状及未来展望. 无线电工程. 2021(12): 1425-1433 . 百度学术
107. 王儒壮,李小群,刘春霞,孙树承. 基于高分遥感影像的海口市违法建筑监测. 北京测绘. 2021(10): 1329-1332 . 百度学术
108. 季顺平,田思琦,张驰. 利用全空洞卷积神经元网络进行城市土地覆盖分类与变化检测. 武汉大学学报(信息科学版). 2020(02): 233-241 . 百度学术
109. 张庆,李云峰,牛晓楠,周小平,陆远志,鲍晓明. 基于3S技术的浅层不良地质体调查. 地质论评. 2020(S1): 177-178 . 百度学术
110. 冯林艳,谭炳香,王晓慧,陈新云,曾伟生,戚曌. 基于分布函数的对象级森林变化快速检测. 国土资源遥感. 2020(02): 73-80 . 百度学术
111. 王艳恒,高连如,陈正超,张兵. 结合深度学习和超像元的高分遥感影像变化检测. 中国图象图形学报. 2020(06): 1271-1282 . 百度学术
112. 肖和平,罗伦,单新周. 遥感技术在公路交通管理维护中的应用. 交通与运输. 2020(04): 81-85 . 百度学术
113. 宋业冲,李英成,耿中元,丁晓波,裴亚健. 深度学习方法在光伏用地遥感检测中的应用. 测绘科学. 2020(11): 84-92 . 百度学术
114. 徐锐,余小于,张驰,杨瑨,黄宇,潘俊. 融合Unet网络和IR-MAD的建筑物变化检测方法. 国土资源遥感. 2020(04): 90-96 . 百度学术
115. 倪良波,卢涵宇,卢天健,丁蕾锭,卢梅. 基于孪生残差神经网络的遥感影像变化检测. 计算机工程与设计. 2020(12): 3451-3457 . 百度学术
116. 季欣然,黄亮,陈朋弟. 结合变化向量分析和直觉模糊聚类的遥感影像变化检测方法. 全球定位系统. 2020(06): 100-106 . 百度学术
117. 高敏,王肖霞,杨风暴,张宗军. 面向SAR图像像素级变化检测的去模糊化处理方法. 激光与光电子学进展. 2020(22): 277-283 . 百度学术
118. 郭婷婷. 卫星遥感AI赋能城市空间治理. 北京规划建设. 2020(S1): 178-180 . 百度学术
119. 宿强,杨景玉,王阳萍. 基于直觉模糊C核均值聚类算法的合成孔径雷达图像变化检测. 激光与光电子学进展. 2019(19): 270-277 . 百度学术
120. 程梦真,惠文华,李延金,魏家旺. 利用影像相关分析的遥感变化检测. 测绘通报. 2019(10): 67-71 . 百度学术
121. 王译著,黄亮. 2003~2018年昆明市呈贡区土地利用动态变化时空特征分析. 科学技术与工程. 2019(28): 42-49 . 百度学术
其他类型引用(192)