涨常识丨一看就懂的遥感数据科普-附5个数据集下载资源 (涨知识 长知识)

本文目录导航：

• 涨常识丨一看就懂的遥感数据科普，附5个数据集下载资源
• 基于高光谱遥感的三维卷积神经网络剖析
• 基于图像检索的大豆食心虫虫害高光谱检测-莱森光学

涨常识丨一看就懂的遥感数据科普，附5个数据集下载资源

近日，一则关于“谷歌从4月18日起以最大分辨率提供俄罗斯一切策略要地的高清卫星图”的信息，引发了宽泛关注和猜想。

但谷歌公司否定了关系说法，回应称并没有为披露俄罗斯军事和策略设备而对谷歌地图服务启动更改。

且地下资料显示，早在俄乌抵触迸发之前，俄罗斯军事策略设备曾经在谷歌地图上明晰可见。

[1]只管部分意见以为，谷歌地图提供的商业卫星图像存在多种限度，不必定具备实在的军事件报价值。

但依然让咱们感遭到了高分辨率遥感影像在现代社会的威力。

当天，就让咱们来聊聊遥感数据。

01 什么是遥感数据遥感（remote sensing）是指非接触的，远距离的探测技术。

普通指运用传感器/遥感器对物体的电磁波的辐射、反射个性的探测。

作为一种关键的对地观测技术，它为咱们钻研和了解地球外表提供了关键的数据起源。

目前遥感数据出现出高中低分辨率、多光谱、高光谱、SAR、街景及LiDAR激光点云等多源数据共存的状况，为遥感监测及其余多畛域运行提供了基本数据保证。

它们是如何发生的呢？02 遥感数据的采集模式失掉遥感数据的装备关键包括遥感平台和传感器。

依据遥感平台的高度，可将遥感技术划分为航天遥感、航空遥感以及低空遥感。

[2]1. 航天遥感：以载人飞船、太空站、天然卫星等各种太空航行器为平台，搭载照相机、多谱段扫描仪、分解孔径雷达等传感器的遥感技术系统。

2. 航空遥感：应用飞艇、飞机、气球等平台成功对地观测义务的遥感技术系统。

3. 低空遥感：将地物波谱仪或各种传感器装置在船、车、高塔等平台上的遥感技术系统；比如咱们上一期提到的[ 激光雷达（LiDAR）点云数据知多少？]。

传感器方面，可应用可见光、红内线、微波等探测仪器，经过摄影扫描、信息感应、传输和处置等，来识别低空物体的性质和静止形态。

03 遥感数据特点遥感数据关键有如下特点：● 感测范围大，具备综合、微观的特点；● 信息量大，具备手腕多、技术先进的特点；● 失掉信息快，降级周期短，具备灵活监测的特点；● 用途广、效益高。

[3]随着遥感技术的提高，失掉的数据精度越来越大，到达亚米级别，人工识别已不能满足需求，智能提取技术正在极速开展。

遥感和人工智能的结合，可以成功更大范围、愈加丰盛、愈加精细的多种地表的时空要素信息，而这些信息可以给宽泛的运行行业提供了赋能或者性。

从深度学习角度来看，遥感数据还存在以下几个疑问：1. 原始高分辨率遥感图像难以失掉。

关于光学遥感数据集来说，因为遥感图像采集环节中大气扰动、噪声、传感器颤抖等起因的影响，使失掉的数据存在不确定性等影响，实在的高分辨率图像难以取得。

2. 遥感图像较天然图像，细节失落更为重大。

通常，光学遥感图像单个像素所代表的实践距离超越5m，造成图像中细节损失，重建艰巨。

3. 遥感图像场景内容差异较大。

遥感拍摄往往触及到多种地貌，因此会拍摄到多种场景内容，造成样本的多样性。

因此，遥感数据集关于单个场景的奉献也被削弱。

4. 遥感图像同一场景下，指标物空间大小差异较大。

在一幅遥感图像中往往蕴含多个指标，且这些指标物的尺寸大小都不相反，如在街道场景中车辆或者只占了几个像素，屋宇占了几百个像素，在卷积的环节中，或者失落小指标的特色，从而影响SR结果的准确性。

那目前遥感畛域经常出现的义务类型有哪些呢？04 基于深度学习的遥感信息提取的义务类型1. 遥感图像的指标检测将深度神经网络运行于遥感图像的指标检测，增强了算法图像纹理感知才干和指标变动顺应才干，在检测性能上有了较大的优化，且可用于检测复杂物体。

但该方法仍受限于图像分辨率、天气和计算才干等起因，提高其对外界环境的顺应性仍是钻研的难点。

2. 遥感地物宰割遥感图像宰割是基于天文对象启动图像剖析的关键和关键步骤， 在遥感图像中，它通常被视为景观变动检测和土地利用/覆被分类的辅佐手腕，可经过输入卫星遥感影像，智能识别路线、河流、庄稼、 修建物等，并且对图像中的每个像素启动标注。

3. 遥感变动检测变动检测是对地物或现象启动屡次观测从而识别其形态变动的环节， 实时检测地表变动信息。

目前，遥感变动检测技术已成功运行于环境包全、市区布局、军事侦查等畛域 。

那遥感数据可以用来干什么？05 遥感数据的运行方向遥感技术宽泛用于军事侦查、导弹预警、军事测绘、陆地监视、气候观测等；在民用方面,遥感技术宽泛用于地球资源普查、植被分类、土地利用布局、农作物病虫害和作物产量考查、环境污染监测、陆地研制、地震监测、市区土地/修建布局、地形图降级等方面。

06 遥感数据集资源OpenDataLab平台曾经上架了系列经典的遥感数据集，提供了丰盛的数据集信息、流利的下载速度，还提供了脚本格局，免去大家处置数据格局的费事，欢迎大家体验！· DOTA /DOTA_V2...· DOTA /DOTA_V1...· DOTA /DOTA_V1...· /UCAS-AO...· xBDOpenDataLab参考资料：[1] /s/pCJs...[2]刘伟权,王程,臧彧,胡倩,于尚书,赖柏锜. 基于遥感大数据的信息提取技术综述[J]. 大数据,2022,8(02):28-57.[3]李正,刘薇,张凯兵. 基于机器学习的遥感图像超分辨综述[J]. 计算机工程与运行,2021,57(13):8-17.遇到数据集疑问？欢迎进群交换，小助手微信opendatalab_yunying，等候一同生长

基于高光谱遥感的三维卷积神经网络剖析

高光谱分辨率遥感是用很窄而延续的光谱通道对地物继续遥感成像的技术。

在电磁波谱的可见光、近红外、中红外和热红外波段范围内，驳回光谱分辨率高达纳米数量级的光谱仪在几十个甚至数百个波段同时对地物启动成像，失掉许多十分窄的延续光谱波段信息，成功了地物空间信息、辐射信息、光谱信息的同步失掉，实质为光谱分辨率的始终提高。

因为高光谱遥感影像数据具备丰盛的光谱波段信息，其运行畛域触及比拟广，比如在农业遥感监测方面，可应用高光谱遥感数据可以计算归一化植被指数、叶面积指数、叶绿素含量等信息，可对植物的生长变动、病虫害及其对土壤的污染水平等启动剖析与评价，从而促成农业的优质、高效的开展。

据无关报道，天然资源部应用高光谱卫星影像数据曾经在林业资源变卦考查、天然资源审计、灾祸应急、天文国情监测以及关键生态配置区植被长势监测等方面展开了大规模的运行示范。

由此可见，高光谱遥感技术已被宽泛运行于实践上班中，且在其余方面诸如陆地水质监测、地质勘探、林业遥感、现代军事等畛域也有着宽广的运行前景。

图1 不同光谱分辨率遥感影像的对比图

随着迷信技术的始终提高与开展，传统的高光谱影像在地物分类上浮现出许多无余，其特色才干表白有限、冗余度高、泛化才干较弱以及分类精度差，已不可满足当下高精度的分类需求。

随着深度学习的始终开展，卷积神经网络可以启动监视与非监视的学习，可更深档次处置高光谱遥感影像分类。

卷积神经网络是一种以卷积操作为主的神经网络，罕用于提取图像特色，可以用作图像分类、语义宰割、图像生成等配置。

因为卷积神经网络具备部分区域链接、权值共享、降采样的结构特点，使得卷积神经网络在提取特色才干时缩小训练权值个数、缩小适度拟合以及较高的泛化才干等特点为高光谱遥感影像分类提供强有力技术撑持，卷积神经网络的输入层可处置多维数据，区分为一维卷积神经网络（1DCNN）、二维卷积神经网络（2DCNN）以及三维卷积神经网络（3DCNN）。

在一维卷积神经网络中，内核沿一个方向移动，在二维卷积神经中，内核在二个方向上移动，而三维卷积神经网络中，内核是在三个方向移动。

因此，本文经过钻研输入不同维度的卷积神经网络方法对高光谱遥感影像地物分类启动对比，验证三维卷积神经网络较其余维度的卷积神经网络在高光谱图像分类上其特色提取、冗余度以及分类种类数量上效果愈加清楚。

本文关键钻研不同维度的卷积神经网络对高光谱遥感图像分类的方法。

在卷积神经网络中，常以一维卷积神经网络（1DCNN）来失掉高光谱遥感图像的光谱特色，以二维卷积神经网络（2DCNN）来失掉空间特色，以三维卷积神经网络(3DCNN)或以一维卷积神经网络加上二维卷积神经网络（1DCNN+2DCNN）来失掉光谱与空间特色。

应用不同维度卷积神经网络启动高光谱遥感图像特色提取的方法，构建了在不同的数据集中蕴含1DCNN、2DCNN、(1D+2DCNN、3DCNN) 的方法的模型组。

3.1 基于高光谱遥感的一维卷积神经网络(1DCNN)的方法剖析

在一维卷积神经网络中是将卷积神经网络的输入层图像的一切的像素点会让卷积神经网络组分解一个行向量，即为一维的维度，可用这一维的维度向量来示意光谱信息。

经过卷积层对这输入层启动两次卷积之后所提取的像素点，这一环节称之为一维特色提取。

图2示意基于高光谱遥感一维卷积神经网络的光谱特色提取环节。

将高光谱遥感影像每一个像素点启动卷积、降采样、卷积、降采样这一环节后所提取的的像素点的为光谱特色提取。

3.2 基于高光谱遥感的二维卷积神经网络(2DCNN)的方法剖析

二维卷积神经网络有着长和宽的两个空间维度，罕用来处置图像空间信息。

二维卷积层是经过将输入层和卷积核做相互运算，并加上一个标量差来失掉的输入。

图3示意基于高光谱遥感的二维卷积神经网络空间特色提取的环节，将高光谱影像数据每个部分区域经过重复经常使用卷积核做相互运算而输入失掉在空间维度（宽和长）上某一级的特色。

其也可经过二维卷积神经网络来成功图像分类的环节。

3.3 基于高光谱遥感的联结卷积神经网络(1D+2D CNN)的方法剖析

联结卷积神经网络是经过输入图像，区分提取光谱特色以及空间特色，经过各种卷积兼并在一同启动提取的光谱信息，称之为联结空谱特色提取，图4示意基于高光谱遥感影像联结提取空谱特色的环节。

行将输入高光谱影像，区分提取其光谱特色与空间特色，而后兼并经过卷积层所提取的空谱特色。

3.4 基于高光谱遥感的三维卷积神经网络(3DCNN)的方法剖析

三维卷积神经网络有着高度、宽度以及深度的三个空间维度，在三维卷积神经网络中，内核是沿3（图像的高度、宽度、深度）个方向移动的。

因为它移动是个3D空间，所以输入值也是按3D空间散布。

图5示意基于高光谱影像间接失掉空谱特色的 3D CNN 典型模型的环节。

行将输入高光谱影像数据，经过重叠多个延续的像素而组成的立方体，而后在立方体中运用3D卷积核而提取的特色。

应用A、B以及C三个数据集，针对高光谱图像分类启动了实验，每个数据集影像分类模式都蕴含一维卷积神经网络(1DCNN)、二维卷积神经网络(2DCNN)、联结卷积神经网络(1D+2DCNN)以及三维卷积神经网络(3DCNN)的方法口头。

A 数据集由AVIRIS 传感器在某地域松林实验区采集失掉 ，该数据集笼罩光谱范围为 0.4-2.5μm，谱分辨率为10nm,可提供224个谱段，空间分辨率为 20m，数据大小为 145*145，经过删除笼罩吸水区域的波段，残余为200个，它蕴含16种农作物类别。

B 数据集由 ROSIS 光谱传感器在某地城镇集中区采集失掉 ，该数据集由 0.43-0.86μm 的 115 个光谱波段造成，每个波段由空间分辨率为 1.3m 的 610 340 的像素组成，其中它有 9 个地物类别经过处置后，剩该数据集有103 个光谱波段。

C 数据集由 AVIRIS 光谱仪在某地生态片区采集失掉 ，该数据集笼罩光谱范围为 0.4-2.5μm，谱分辨率为10nm,可提供224个谱段，空间分辨率为 18m，每个波段由512 614 个像素造成，共有 13个类别，去掉吸水率和低SNR频段后，残余 176 个波段。

图6、图7、图8为不同维度的卷积神经网络的方法在 A、B 以及 C 数据集上的分类图。

针对不同维度的卷积神经网络方法在三个基准数据集上的实验结果启动了比拟剖析，图6、图7、图8为不同维度的卷积神经网络的方法在A、B以及C数据集上的分类图。

在三个数据集分类成绩图中，与1DCNN、2DCNN以及1D+2DCNN的分类图相比，3DCNN的分类图不只蕴含愈加明晰的边缘，且蕴含更少的噪声，愈加凑近于实在地物图。

经过不同维度的卷积神经网络方法在不同数据集下对应的分类图对比，证实了3DCNN用于高光谱图像特色提取效果愈加清楚。

经过以上剖析，可以得出论断，应用不同维度卷积神经网络启动高光谱图像分类的方法相比，三维卷积神经网络（3D CNN）相对其余维度的卷积神经的分类图的冗余度、分类种类、地物特色提取才干都相对较高。

因此，应用三维卷积神经网络（3D CNN）的方法启动高光谱遥感图像分类更优。

参考资料：

[1] 张欣. 基于三维卷积神经网络的高光谱遥感图像分类技术钻研[D].中国迷信院大学(中国迷信院长春光学精细机械与物理钻研所),2021.

基于图像检索的大豆食心虫虫害高光谱检测-莱森光学

在大豆种植业中，大豆食心虫的侵扰已成为一个不容漠视的难题。传统的手工检测手腕不只耗时，还依赖于专业常识。但是，科技的曙光照亮了这片田地，深度学习技术特意是与高光谱技术的融合，为大豆病害的精准识别开拓了新的门路。

在实验探求中，咱们首先精心预备了样本，应用高效的高光谱成像系统捕捉每个样本的光谱特色。

数据预处置是关键，经过精心设计的流程，咱们确保了数据的准确性与分歧性。

3D-R-D模型的翻新之处在于它驳回了3D-Resnet18的预训练模型，辅以对成对损失函数的优化，以深度学习的模式开掘出最能反映虫害特色的深度特色。

在模型的实践运用中，咱们将分类损失与相似度信息奇妙结合，引入汉明距离计算，以确保对每个样本特色的准确度量。

预训练模型和hash层的引入，加上DCH损失函数的经常使用，让咱们的模型在CAVE、iCVL、NUS等数据集上展现出弱小的性能。

实验结果显示，DCH损失函数疏导的模型准确率到达86%，远超其余竞品，表现出其在样本稀缺的农业病虫害检测畛域的出色表现。

这一打破性成绩不只处置了农业病虫害检测中的应战，也为高光谱技术在农业消费中的运行提供了全新的视角。经过莱森光学群众号，您将能失掉更多关于这项翻新技术的深化解析和实践运行案例，助力您更好地应答农业消费中的各种应战。总的来说，深度学习与高光谱技术的结合为大豆食心虫检测提供了弱小工具，为农业可继续开展注入了新的生机。让咱们一同关注莱森光学，探求更多科技在农业畛域的翻新通常。