精华内容
下载资源
问答
  • 本方案主要是在对长沙市医疗卫生信息化现状和需求详细调研基础上,对系统总体框架,建设的内容,采用技术体系,硬件网络平台,分步建设计划,区域卫生信息化建设组织保障体系等进行规划。本方案只对整个...
  • 生态环境现状评价是生态功能区划的重要内容,也是生态规划的重要内容,通过生态环境现状评价要分析区域的环境特征,描述生态环境现状,分析和评价主要的生态环境问题。 生态环境现状评价的评价要求  (1) ...

    文中内容多来自国家环保总局发布的《生态功能区划技术暂行规程》。

     

    生态环境现状评价是生态功能区划的重要内容,也是生态规划的重要内容,通过生态环境现状评价要分析区域的环境特征,描述生态环境现状,分析和评价主要的生态环境问题。

     

    生态环境现状评价的评价要求

      (1 现状评价是在区域生态环境调查的基础上,针对本区域的生态环境特点,分析区域生态环境特征与空间分异规律,评价主要生态环境问题的现状与趋势。

      (2 评价生态环境现状应综合考虑如下几个方面:

      自然环境要素:地质、地貌、气候、水文、土壤、植被等方面。

      社会经济条件:人口、经济发展、产业布局等方面。

      人类活动及其影响:土地利用、城镇分布、污染物排放、环境质量状况等方面。

      (3 现状评价必须明确区域主要生态环境问题及其成因,要分析该地区生态环境的历史变迁,突出地区重点问题。

     

    生态环境现状评价的评价内容

      生态环境现状评价要针对目前主要生态环境问题的形成和演变过程,评价内容应包括:

      (1)土壤侵蚀

      (2)沙漠化

      (3)盐渍化

      (4)石漠化

      (5)水资源和水环境

      (6)植被与森林资源

      (7)生物多样性

      (8)大气环境状况和酸雨问题

      (9)滩涂与海岸带

      (10)与生态环境保护有关的自然灾害,如泥石流、沙尘暴、洪水等

      (11)其它环境问题,如土壤污染、河口污染、赤潮、农业面源污染和非工业点源污染等

     

    生态环境现状评价的评价方法

      生态环境现状分析可以应用定性与定量相结合的方法进行。在评价中应利用遥感数据、地理信息系统技术等先进的方法与技术手段。

      (1)土壤侵蚀:可以用土壤侵蚀模数法或土壤水蚀调查法评价,具体方法、指标与分级标准参见附件。

      (2)沙漠化:可用风蚀侵蚀模数法或土壤风蚀调查法评价,具体方法与指标参见附件。

      (3)盐渍化:土壤盐渍化是指干旱、半干旱、亚湿润干旱区由于旱地灌溉而形成的土壤次生盐渍化,可用土壤含盐量评价土壤盐渍化程度,具体指标参见附件。

      (4)石漠化:可根据土壤侵蚀程度、岩石裸露情况、植被覆盖度、坡度、土层厚度等因素的综合特征进行评价,具体指标参见附件。

      (5)水资源和水环境状况:水资源状况可通过分析地表水、地下水、过境水资源,以及水资源总量与可用水资源量等,比较人均水资源量及单位土地面积水资源量及变化趋势。

      水环境状况评价参考《地表水环境质量标准》(GB3838-2002)中的有关方法与标准。

      (6)植被与森林资源变化:主要依据植被图和森林资源详查的结果,分析重要植被类型,尤其当地天然植被的变化情况与演变趋势。比较分析不同时期森林资源的组成与变化趋势。

      (7)生物多样性:生物多样性包括生态系统多样性、物种多样性和遗传多样性。现状评价可以侧重在生态系统多样性和物种多样性两方面。

      生态系统多样性可用生态系统类型、面积、分布范围及其代表性评价。

      物种多样性可用区域内国家级与省级保护对象及其数量评价。同时,还可对重要农作物的种质资源进行分析。

      (8)大气环境状况和酸雨问题:大气环境状况评价参考《环境空气质量标准》(GB3095-1996)中的有关方法与标准。

      酸雨推荐使用降水酸度来评价酸雨的现状和程度,具体指标参见附件B5。必要时可综合考虑酸雨频度。

      (9)滩涂与海岸带:主要考虑其受损害与受污染状况,尤其要关注具有重要生态功能的海岸带、滩涂与近海区生态环境状况。

      (10)与生态环境保护有关的自然灾害,如泥石流、沙尘暴、洪水等。应分析与评价泥石流、沙尘暴、洪水等自然灾害发生的特点,发生频率,发生面积,成灾面积,经济损失及人员伤亡情况等。分析灾害的发生、损失与生态环境退化的关系。

    11)其它环境问题,如土壤污染、河口污染、赤潮、农业面源污染和非工业点源污染等。可根据土壤污染、河口污染、赤潮、农业面源污染和非工业点源污染的特点,参照国家有关标准分析这些环境问题的发生情况,分布范围,污染程度、危害以及形成机制。

     

    附件  生态环境现状评价方法

      B1 土壤侵蚀现状评价

      B11 土壤侵蚀模数法

      土壤侵蚀评价主要以年平均侵蚀模数为判别指标,评价标准与方法采用水利部发布的土壤侵蚀分类分级标准(SL190-96)(表B-1a)。

        表B-1a土壤侵蚀强度分级标准表

    级别

    平均侵蚀模数

    [t/(km2·a)]

    平均流失厚度

    mm/a

     

     

    西北黄土

    高原区

    东北黑土区/北方土石山区

    南方红壤丘陵区/西南土石山区

     

    西北黄土高原区

    东北黑土区/北方土石山区

    南方红壤丘陵区/西南土石山区

    微度

    1000

    200

    500

    0.74

    0.15

    0.37

    轻度

    1000-2500

    200-2500

    500-2500

    0.74-1.9

    0.15-1.9

    0.37-1.9

    中度

    2500-5000

    1.9-3.7

    强度

    5000-8000

    3.7-5.9

    极强度

    8000-15000

    5.9-11.1

    剧烈

    15000

    11.1

     注:本表流失厚度系按土壤容重1.35g/cm3折算,各地可按当地土壤容重计算之。

      土壤侵蚀模数的估算可以采用以下方法:

      (1)通用土壤流失方程(USLE)法

        USLE的形式为:

      A = R·K·LS·C·P

      式中,A:土壤侵蚀量(t/hm2.a);R:降雨侵蚀力指标(Ft.T.In/A.h);K:土壤可蚀性因子;LS:坡长坡度因子;C:地表植被覆盖因子;P:土壤保持措施因子。

      但此法必须先经过当地校正方可应用。

      (2)河流泥沙推算

      根据流域的河流泥沙监测资料计算。

      (3)径流场实验法

      根据水土保护试验研究站(所)所代表的土壤侵蚀类型区取得的实测径流泥沙资料进行统计计算及分析。这类资料包括:A:标准径流场的资料,但它只反映坡面上的溅蚀量及细沟侵蚀量,不能反映浅沟(集流槽)侵蚀,故通常偏小;B:全坡面大型径流场资料,它能反映浅沟侵蚀,故比较接近实际;C:各类实验小流域的径流、输沙资料。上述资料为建立坡面或流域产沙数学模型提供最宝贵的基础数据。

     (4)坡面细沟及浅沟侵蚀量的量算。

      (5)沟道断面(纵、横)冲淤变化的量算。

      B12 土壤水蚀调查法

      土壤侵蚀的评价根据水蚀的严重程度。水蚀的严重程度也可分3级,具体指标如表B-1b

      表B-1b 土壤侵蚀程度分级指标*

    程度

    劣地或石质

    坡地占

    该地面积%

    现代沟谷(细沟,切沟,冲沟)占该面积%

    植被

    覆盖度(%

    地表景观

    综合特征

    土地生物生产量较侵

    蚀前下降%

     

     

    轻度

     

     

    10

     

     

    10

     

     

    70-50

    斑点状分布的劣地或石质坡地。沟谷切割深度在1m以下,片蚀及细沟发育。零星分布的裸露沙石地表

     

     

    10-30

     

     

    中度

     

     

    10-30

     

     

    10-30

     

     

    50-30

    有较大面积分布的劣地或石质坡地。沟谷切割深度在1-3m。较广泛分布的裸露沙石地表

     

     

    30-50

     

     

    强度

     

     

    30

     

     

    30

     

     

    30

    密集分布的劣地或石质坡地。沟谷切割深度3m以上。地表切割破碎

     

     

    50

    * 注:在判别侵蚀程度时,根据风险最小原则,应将该评价单元判别为较高级别的侵蚀程度。

     

      B2.土地沙漠化现状评价

      (1)风蚀侵蚀模数法

    根据风蚀侵蚀模数的大小来确定沙漠化程度,具体标准见表B-2a

       表B-2a风蚀强度分级表*

     

    级别

    床面形态

    (地表形态)

    植被覆盖度(%)(非流沙面积)

    风蚀厚

    度(mm/a

    侵蚀模数[t/(km2·a)]

    微度

    固定沙丘,沙地和滩地

    70

    2

    200

    轻度

    固定沙丘,半固定沙丘,沙地

    70-50

    2-10

    200-2500

    中度

    半固定沙丘,沙地

    50-30

    10-25

    2500-5000

    强度

    半固定沙丘,流动沙丘,沙地

    30-10

    25-50

    5000-8000

    极强度

    流动沙丘,沙地

    10

    20-100

    8000-15000

    剧烈

    大片流动沙丘

    10

    100

    15000

     * 注:在判别侵蚀程度时,根据风险最小原则,应将该评价单元判别为较高级别的侵蚀程度。

      风蚀侵蚀模数的确定方法有:

      ①定点观测。风蚀采样器:根据埋设的标杆量测被风力吹失的表土层厚度;亦可用HeNe激光计装置,测定不同高度飞沙量分布。

      ②野外调查。调查被吹蚀后裸露树根的深度。

      ③风洞模拟试验。如不同类型及大小的风洞,有室内的也有安装在汽车上的野外流动风洞。

      (2)土壤风蚀调查法

    沙漠化的评价根据水蚀的严重程度。风蚀的严重程度也可分3级,具体指标如表B-2b

      表B-2b 风蚀沙漠化程度分级指标*

    程度

    风积地表形态占该地面积%

    风蚀地表形态占该地面积%

    植被覆盖度(%

     

    地表景观综合特征

    土地生物生产量较沙漠化前下降%

     

     

    轻度

     

     

     

    10

     

     

     

    10

     

     

     

    50-30

    斑点状流沙或风蚀地。2m以下低矮沙丘或吹扬的灌丛沙堆。固定沙丘群中有零星分布的流沙(风蚀窝)。旱作农地表面有风蚀痕迹和粗化地表,局部地段有积沙

     

     

     

    10-30

     

    中度

     

     

    10-30

     

     

    10-30

     

     

    50-30

    2-5m高流动沙丘成片状分布。固定沙丘群中沙丘活化显著。旱作农地有明显风蚀洼地和风蚀残丘。广泛分布的粗化砂砾地表

     

     

    30-50

    强度

    30

    30

    30

    5m高以上密集的流动沙丘或风蚀地

    50

     * 注:在判别侵蚀程度时,根据风险最小原则,应将该评价单元判别为较高级别的侵蚀程度。

     

      B3 土壤盐渍化程度评价方法

    土地盐渍化的程度共分四级,其分级标准如表B-3

      表B-3 土壤盐渍化分级指标

    类型

    轻度

    中度

    强度

    盐土

    作物生长情况含盐量(%

    稍有抑制

    中等抑制

    严重抑制

    死亡

    东北

    0-50cm(SO42-)

    0.3-0.5

    0.5-0.7

    0.7-1.2

     

    表土层(全盐量)

    <0.2

    0.2-0.4

    0.4-0.8

     

    100cm土体

    (全盐量)

    <0.1

    0.1-0.3

    0.3-0.5

     

    华北

    0-20cm(CLSO42-)

    0.15-0.25

    0.25-0.40

    0.40-0.60

     

    西

    0-30cm(SO42-)

    .04-0.8

    0.8-1.2

    1.2-2.0

    >2.0

    0-100cm(SO42-)

    0.3-0.6

    0.6-1.0

    1.0-1.5

    >1.5

    0-30cm(全盐量)

    0.554-0.727

    0.727-0.866

    0.866-1.345

    >1.345

    0-100cm(全盐量)

    0.391-0.491

    0.491-0.597

    0.597-0.895

    >0.895

     

      B4石漠化现状评价

      石漠化的程度共分四级,主要根据其分级标准如表B-4

      表B-4 石漠化程度评价表

    等级

    土壤侵蚀

    程度

    基岩裸露(%

    植被覆盖度(%

    坡度(度)

    土层厚

    度(cm

    不明显

    <10

    >75

    <5

    >25

    潜在

    不太明显

    >50

    50-70

    坡耕地:5-8: 植被覆盖度60%-70%的坡地:5-25植被覆盖度45%-60%的坡地:8-15植被覆盖度30%-50%的坡地:5-8

    <20

    轻度

    较明显

    >35

    35-50

    >15

    <15

    中度

    明显

    >65

    20-35

    >20

    <10

    强度

    强烈

    >85

    10-20

    >25

    <7

    极强度

    极强烈

    >90

    <10

    >35

    <3

     

      B5 酸雨程度评价方法

      酸雨是指酸性降水。酸雨危害是当代世界重大生态环境问题之一。酸雨对森林、农作物、蔬菜以及人体健康都有明显的不良影响。推荐使用降水酸度来评价酸雨的现状和程度。

    降水酸度是用降水pH值的年平均值表示。降水酸度的计算方法是,将一年中每次降水的pH值换算H+浓度后,再以雨量加权求其平均值,得到pH年均值。以氢离子浓度来划分降水酸度等级。其分级标准如表B-5

       表B-5 降水酸度分级标准

    pH

    降水酸度

    <4.00

    强酸性

    4.00--4.49

    较强酸性

    4.50--5.59

    弱酸性

    5.60--7.0

    中性

    >7.0

    碱性

     

    转载于:https://www.cnblogs.com/luspa/archive/2008/08/19/1271560.html

    展开全文
  • 以彬长矿区为例,参阅大量矿区规划环评报告基础上,参照《规划环境影响评价导则(试行)》及《环境影响评价技术导则煤炭工业矿区总体规划》,结合矿区规划实施后主要的环境影响及规划所在区域自然环境特点、环境制约...
  • 主要内容有:城市与区域规划模型系统基础,城市与区域规划模型系统设计,城市与区域规划模型系统实现,城市与区域规划模型。 本书附有软件光盘、用户使用说明书及应用实例等。 本书可供城市规划、城市区域研究、...
  • 论文主要内容:1.利用DDQN做路径规划 2.利用卷积神经网络处理全局地图 3.考虑能量约束,任意位置起降 摄像头给出当前覆盖率视图,GPS给出无人机位置 覆盖问题利用三通道二维网格图分析,设置三个主要区域:...

    论文题目《UAV Coverage Path Planning under Varying Power Constraints using Deep Reinforcement Learning》
    论文主要内容:1.利用DDQN做路径规划
    2.利用卷积神经网络处理全局地图
    3.考虑能量约束,任意位置起降
    摄像头给出当前的覆盖率视图,GPS给出无人机的位置

    原理流程图

    覆盖问题利用三通道的二维网格图分析,设置三个主要区域:起降区,禁飞区,目标区;一个网格区域可以同时被设置为这三个区域中的一个或者多个,但是不能同时事起降区和禁飞区。
    飞行器位置使用独热码表示,它可以与三通道地图和覆盖网格以五通道输入网络的卷积层来编码。
    实验
    每次训练循环都有能量预算,每一个动作进行时,飞行器在当前位置无论是接受还是不接受都消耗一个单位的能量预算。
    飞行器的初始位置由一个固定地图,零初始化的覆盖网格和位置组成
    飞行器的摄像头可视范围设定为摄像头正下方3*3的网格区域,每一步动作后,地图都会标记覆盖网格中的可视范围
    利用三个不同的地图进行训练,评估覆盖率和训练次数
    训练地图

    蓝色为起降区,黄色时初始位置,白色时终止位置,绿色时目标区,红色是禁飞区,黑色表示未覆盖
    论文没有源码

    展开全文
  • 所谓无线网络,既包括允许... 无线技术用于工业监测最显著优势是可以从远程区域、难以到达的区域、危险区域或是实施监测成本太高地方获取以前无法获得过程信息。由于无线现场仪表能够提供有用信息,而且安装
  •  无线技术用于工业监测显著优势是可以从远程区域、难以到达的区域、危险区域或是实施监测成本太高地方获取以前无法获得过程信息。由于无线现场仪表能够提供有用信息,而且安装成本低,施
  • 本篇文章主要总结梳理了以下两篇综述的内容,总结了在遥感图像领域解决区域变化智能检测识别问题智能方法。 Change+Detection+Based+on+Artificial+Intelligence Deep+Learning+for+Change+Detection+in+Remote+...

    写在前面

    本篇文章主要总结梳理了以下两篇综述的内容,总结了在遥感图像领域解决区域变化智能检测识别问题的智能方法。

    • Change Detection Based on Artificial Intelligence
    • Deep Learning for Change Detection in Remote Sensing Images

    1.区域变化检测的研究背景

    在城市规划,环境监测,农业调查,灾害评估和地图修订中,变化检测技术具有广泛的应用。由气候变化引起的极端灾害的数量不断增加,例如干旱,洪水,飓风和热浪,研究人员面临的新挑战,需要开发更有效的区域变化智能检测识别。受上述观问题的推动,为解决基于遥感(RS)数据检测地球表面变化的问题,引入深度学习智能算法来进行自动变化检测,并在遥感图像分析领域取得了巨大的成功。

    区域变化检测是对两个不同时期内现象或物体的表面变化进行定量分析和确定的一种操作[1]。这个过程是地球观测领域的一项基本技术,它试图区分分别从同一地理区域或区域,但在不同时间获取的双时相或多时相遥感图像的变化像素和未改变像素[2]。基于一对或一系列图像为每个像素分配一个二进制标签代表了变化检测系统的主要目的,正标签意味着该像素的区域已更改,而空标签则表示未更改的区域(见图1)[3]。实际上,变化检测是用于视频监视,绘制城市区域和其他形式的多时间分析的强大工具。

    图1卫星图像中区域变化检测结果
    图1卫星图像中区域变化检测结果

    区域变化检测已成功用于各种应用程序中。特别是在农业部门,对森林砍伐监测,灾害评估和轮班种植监测采用变化检测。在军事领域,它现在被用来收集有关新的军事设施,敌军的军事行动,战场区域和损害评估的信息[4]。在民用领域中,变化检测用于控制城市区域的发展和城市扩展[5]。此外,它还可以通过与大气中温室气体(GHG)排放水平增加相关的变化来监视气候,例如质量平衡和冰川相的变化或海平面的变化。遥感影像变化检测经过几十年的发展,现已广泛应用在多种领域,能有效地实现对地球的保护、资源的可持续发展等目标。国内外研究学者们一直致力于提出综合性强、适用性广的遥感变化检测技术,实现自动化、高效的变化检测过程。

    2.区域变化检测技术面临的挑战

    尽管变化检测算法在各种应用领域中应用广泛,但它仍面临一些严峻的挑战。

    由于遥感影像分辨率的逐步提高,地物的阴影变得更加清楚,数据中不相关的信息可能会影响寻找相关变化的过程。这种变化通常会以大气特征出现,例如雾,云和灰尘。例如,同样的位置在不同时间卫星图像中存在的云导致明亮的斑块,该斑块可能被识别为差异,阳光的角度也可能带来场景中阴影的存在和方向差异的问题。此外,雨前后的植被生长和诸如土壤之类的物体的表面反射率也会影响变化的结果。因此,除了检测时间变化之外,鲁棒的变化检测方法还必须能够区分卫星图像中的相关变化和不相关变化。比如通过多源数据相互结合的方法来扩大影像数据的范围。

    数据预处理过程中,影像之间的配准误差和光谱差异仍需解决,并且对于需要拼接的图像 ,影像的镶嵌与裁剪效果需要进一步地提高。随着一代代遥感卫星的升级,运用一定的算法使其采集的影像具有相同的亮度或者渐变亮度信息,使得两幅影像之间的拼接处过渡自然;同时还可建立统一的地理参考系,这样在同源甚至多源遥感卫星下采集的影像间也不会有很大的配准误差。[6]

    除此之外,在变化检测的效率上亟待提高,现在对于变化检测方法的训练需要花费很多时间和精力,尤其是用深度学习进行训练需要很高的实验配置以及大量的参数进行调整。预训练网络模型的共享以及在预训练好的模型上进行进一步的参数优化能减少模型训练上所耗费的时间。

    3.区域变化检测数据集

    遥感影像的获取是进行变化检测的第一步。用于变化检测的数据类型分为光学RS图像,合成孔径雷达SAR图像和街景图像。其中,街景图像通常用作辅助数据。RS数据可以提供街道级别的观测数据,通常是周期性采集,具有实时性,并且影像数据清晰,覆盖多波段,地物信息丰富,但是容易受到天气云雾的影响,存储空间大,处理过程较为耗时。光学RS和SAR图像分别通过无源和有源传感器收集,覆盖了不同的电磁光谱范围。SAR影像能够覆盖全天时和全天候,具有很强的穿透力,不容易受到天气云雾的影响,且具备三维数据信息 ,但是只覆盖了单波段(灰度图),并且空间分辨率低、信噪比低、存在斑点噪声。其他数据源,例如数字高程模型(DEM),地理信息系统(GIS)数据和点云数据,可以提供有价值的补充属性。不同数据源的示例如图3所示。

    据统计[7],SAR图像是深度学习模型中最常用于变化检测的数据类型,其次是多光谱,方差,光学,异构(即多模态)和高光谱图像。原因是合成孔径雷达SAR数据可以通过云层进入 的微波信号捕获图像[8],因此具有对日照和复杂的大气条件不敏感的显着优势[9]。
    图3.用于检测变化的不同数据源的示例:(a)光学RS图像(b)SAR图像(c)数字高程模型(DEM)(d)地理信息系统(GIS)数据[10](e)点云数据[11](f)街景图像[12]现有可用于变化检测任务的开放数据集数量很少,并且其中一些数据量较小。下表列举了部分RS数据集。
    图3.用于检测变化的不同数据源的示例:(a)光学RS图像(b)SAR图像(c)数字高程模型(DEM)(d)地理信息系统(GIS)数据[10](e)点云数据[11](f)街景图像[12]现有可用于变化检测任务的开放数据集数量很少,并且其中一些数据量较小。下表列举了部分RS数据集。

    可用于变化检测任务的开放数据集数量很少,并且其中一些数据量较小。

    目前,仍然缺少可用于AI训练的大型SAR数据集。大多数基于AI的变化检测方法都是基于一些包含有限变化类型的SAR数据集,例如,伯尔尼数据集,渥太华数据集,黄河数据集和墨西哥数据集[19,20],这些数据集并不针对土地覆盖复杂,变化类型多样的地区进行变化检测。街景数据集通常来自于研究计算机视觉中,因此,除了街景图像数据集外,CV中的多个视频数据集也可以用于基于AI的变化检测方法的研究,例如CDNet 2012[21]和CDNet 2014[22]。

    4.区域变化检测所采用的智能方法

    深度学习近来已成为变化检测领域中备受关注的焦点。与传统的基于手工特征的方法相比,深度学习从各种遥感数据中自动学习高级特征。图4说明了基于智能方法的区域变化检测 手段所采取的一般流程。

    图4 基于智能方法的区域变化检测实现过程
    图4 基于智能方法的区域变化检测实现过程

    基于AI的变化检测的实现过程包括以下四个主要步骤:

    1. 均匀化
      由于采集时光照和大气条件,季节和传感器的差异,通常需要在检测变化之前均匀化多周期数据。几何校正和辐射校正是两种常用的方法[23,24]。前者的目的是在几何上对齐两个或多个给定的数据,这可以通过配准或影像融合来实现。给定两个周期数据,只有当它们重叠时,相应位置之间的比较才有意义[25]。后者旨在消除由传感器数字化过程引起的辐射或反射率差异以及由大气中吸收和散射引起的大气衰减畸变[26],这有助于减少变化检测中由这些辐射错误引起的误报。对于异构数据,可以设计一种特殊的深度学习模型结构来进行特征空间转换,以实现变化检测。

    2. 训练集生成
      要开发智能模型,需要一个大型且高质量的训练集。需要使用某些技术(例如,手动注释[27],预分类[28],使用专题数据[29])对多周期数据进行标记或注释,以使智能模型易于学习更改后的特征对象。为了缓解训练数据不足的问题,数据增强是一种很好的策略,例如水平或垂直翻转,旋转,缩放比例变化,裁剪,平移或添加噪声,可以显着增加数据的多样性,而无需实际收集新数据。

    3. 模型训练
      训练集生成后,通常可以根据样本数量或地理区域将其分为两个数据集:一个用于模型训练的训练集和一个用于在训练过程中进行准确性评估的测试集。训练和测试过程是不断交替和迭代的。在训练过程中,根据学习准则优化模型,该准则可以是深度学习中的损失函数(例如,softmax损失,欧几里得损失或交叉熵损失)。通过训练和测试,可以获得模型的收敛状态,这有助于调整其超参数(如学习率),并有助于判断模型性能是否达到最佳(即终止)条件。

    4. 模型部署
      通过部署训练有素的智能模型,可以针对实际应用更智能,自动地生成变化结果图。而且,这可以帮助验证模型的泛化能力和鲁棒性,这是基于智能方法的变化检测技术的实用性的重要指标。

    根据学习技术和可标记或未标记的训练数据的可用性将用于变化检测的深度学习方法分为三类。第一类为全监督的方法,通过从标记的训练数据集中学习来解决问题。第二种方法为无监督的方法,可从未标记的数据集中学习。第三类方法包含基于迁移学习的方法。迁移学习是一项重要的机器学习技术,它试图利用从一项任务中学到的知识并将其应用于另一项不通但相关的任务,目的是减少必要的微调数据大小或提高性能。
    根据统计数据[7]表明,CNN模型被最广泛地应用于变化检测,其次是SAE,DBN,RNN,AE ,RBM和GAN模型。CNN的这种较高流行性可能是因为它更适合通过抽象出更高级别的特征来从输入数据中学习分层图像表示。

    4.1全监督方法

    在使用大量标记数据进行正确训练的情况下,监督深度网络的效率尤其明显。近年来,有人提出了一些全监督的深度学习方法,比如基于CNN的RS图像变化检测。CNN是分层模型,可将输入图像转换为多层特征图,这些特征图反映原始输入数据的高级区分特征[30]。

    基于全卷积网络的U-Net被视为用于变化检测任务的标准CNN体系结构之一。U-Net的一般网络架构是对称的,具有一个从图像中提取空间特征的编码器和一个从编码后的特征构建分割图的解码器[31]。Jaturapitpornchai等人[32]详细提出了一个基于U-Net的网络,该网络使用在不同时间捕获的两个SAR图像来检测发展中地区的新颖建筑。
    图5 Hamdi等人改进的U-net网络框架图[33]
    图5 Hamdi等人改进的U-net网络框架图[33]

    随后,许多人提出了对U-Net结构的扩展。Hamdi等人[33]使用修改后的U-Net模型开发了一种算法,用于在ArcGIS环境中自动检测和绘制损坏区域。Peng等人[34]提出了一种改进的UNet++体系结构,用于VHR卫星图像的端到端变化检测。

    除此之外,Daudt等人[35]提出了基于深度FCNN的集成网络,该网络同时使用土地覆盖制图分支的信息来帮助进行变化检测,同时执行土地覆盖制图和变化检测。张[36]等提出了一种频谱空间联合学习网络(SSJLN)。刘等[37]通过将CNN与双向长期短期存储网络(BiLSTM)组合为一个统一体系结构,证明了它们的互补性。

    4.2无监督方法

    对于变化检测任务,通常没有足够的训练数据来建立模型。另外,建立一个反映地面物体真实变化信息的正确标注(ground-truth)需要花费大量的时间和精力。因此,在许多情况下,以无监督的方式学习从遥感图像生成的变化特征会更加有效。

    无监督深度学习方法已经有了许多增强和发展,已成功应用于识别遥感(RS)场景和目标。最著名和最重要的方法之一是将不同的浅层特征学习方法(例如高斯混合模型,AE,稀疏编码和RBM)堆叠(或组合)在一起[38]。
    图6 R Fan等人提出的无监督方法网络模型[38]
    图6 R Fan等人提出的无监督方法网络模型[38]

    为了检测多光谱图像中的变化,Zhang等人[39]提出了一种新的无监督方法,结合了深度置信网络(DBN)和特征变化分析(FCA)。因此,为了捕获有用的信息以在变化和未变化的区域之间进行区分并抑制不相关的变化,可用的频谱通道通过DBN转换为抽象特征空间。然后,使用这些学习到的功能,执行FCA以识别不同类型的变化。同样,Su等人[40]针对信息不平衡图像的三元变化检测任务,引入了一种新颖的深度学习和映射(DLM)框架。为了在没有任何监督的情况下实现更精确的三元变化检测,Gong等人[41]已将SAE,CNN和无监督的聚类算法结合在一起。吕等[42]提出了一种基于堆叠压缩自动编码器(sCAE)和简单聚类算法相结合的特征学习方法。龚等人[43]开发了用于多光谱图像变化检测的生成性判别分类网络(GDCN)。最近,黄等人[44]提出了一种新的基于深度学习的无监督算法,称为ABCDHIDL,可以从多时相高分辨率遥感(HRRS)图像中自动检测建筑物的变化。

    4.3迁移学习方法

    在许多遥感应用中,重新收集所需的训练数据并重建模型需要非常大的开销。在这种情况下,在任务域之间进行迁移学习或知识迁移可能是一种可靠的解决方案。迁移学习被定义为从一个或多个源任务中提取知识并将其应用于新颖或目标任务的能力[45]。
    当前在迁移学习研究中采用了两种基本方法。第一种方法包括将经过不同任务训练的网络(如AlexNet或resnet-101)的一层或多层输出作为通用的高维特征检测器,并基于这些特征训练新的浅层模型[46]。第二种方法涉及更多,其中包括对一般图像中经过预训练的网络进行微调。最终层(用于分类/回归)被替换,而先前的层被保留[47]。遵循先前的方法,Hou等人[48]已经在大规模自然图像数据集(例如ImageNet)上进行了预训练的CNN传输到RS域。
    图7 杨等人提出的基于转移深度学习的遥感图像变化检测方法[49]
    图7 杨等人提出的基于转移深度学习的遥感图像变化检测方法[49]

    除此之外,杨等[49]通过减少两个域之间的分布差异,采用了从源域到目标域学习的变化概念。尽管海冰变化检测任务的训练数据是有限的,但在Gao等人[50]的工作中大数据集被用来训练迁移的多级融合网络MLFN。

    5.智能方法目前进展与最佳水平

    5.1 城市变化

    由于人口的增长,城市化的扩展导致自然土地覆盖物转变为人类的城市设施,发生的变化包括城市扩展,公共空间和建筑物等。

    在[51]中,作者提出了一个基于转移学习和RNN的新框架(如图8),用于市区提取和变化检测。在四个目标城市(北京,纽约,墨尔本和慕尼黑)中,其城市变化地图的整体准确性约为96%。该方法使用遗传算法演化的人工神经网络[52]或CNN [53],城市变化通过将预测的城市分布图中的差值获得。
    图8 城市提取和变化检测的框架流程图[52]
    图8 城市提取和变化检测的框架流程图[52]

    对于公共空间管理来说,基于街景图像的变化检测是识别公共空间变化的一种方法。在[54]中,使用CNN的连体结构和转移学习在VL-CMU-CD数据集中达到了98.3%的像素精度。

    此外,许多研究都集中在建筑变化上。由于建筑物规模较小,通常基于高或非常高空间分辨率的RS数据进行变化检测。但是,由于实验数据的差异,很难评估哪个具有最佳性能。在[55]中,作者提出了两个CNN模型,一个用于基于对象的实例分割的掩码R-CNN和一个用于基于像素的语义分割的多尺度CNN,它们的建筑物联合(IoU)精度相交大于0.83。在[56]中,作者提出了一种基于金字塔特征的注意力导向的神经网络来检测建筑物的变化(如图9),变化图的IoU超过0.97。当持续的云覆盖问题出现在光学RS图像中时,SAR数据是一个很好的选择[57]。另一方面,为了获得更多的建筑物信息以促进变化检测,机载激光扫描数据[58]和建筑物主题数据[59]可以分别提供建筑物的3D信息和先验知识。
    图9 基于金字塔特征的注意力导向的神经网络检测建筑物的变化[56]
    图9 基于金字塔特征的注意力导向的神经网络检测建筑物的变化[56]

    5.2 资源和环境

    土地覆盖的变化通常反映了气候和水文学的变化。因此,基于智能方法的变化检测技术可以提供有效的方法来监视资源和环境的变化。 [60]的作者使用ANN通过检测LULC的变化位置来研究LULC的变化以及对出口径流的影响。地表水对人类至关重要,使用ANN或CNN可以有效地检测其变化。除此之外,获得海冰变化对于极地地区的航行安全和气候研究至关重要,[61]的作者采用基于迁移学习的框架和CNN模型从两周期SAR图像中检测海冰变化,并获得了kappa系数超过94%的结果。

    5.3 自然灾害

    自然灾害是改变景观外观的有力因素。因此,基于遥感数据的变化检测技术是监测自然灾害的重要手段。例如,通过基于CNN的变化检测方法,可以实现更自动和准确的滑坡测绘[62,63,64,65]。损害评估是变化检测的重要应用领域,自然灾害之后,基于AI的变化技术可以使用事前和事后数据帮助识别受损区域。现有研究主要包括海啸[66,67,68,69,70],洪水[71],火灾[72]和地震[73,74]。

    5.4 天文天体

    在[75]中,提出了一种新的基于AI的方法来进行行星表面变化检测,它采用了基于转移学习的框架和卷积AE模型。实验表明,该方法优于基于差分图像的方法。

    6.智能方法所面临的挑战

    智能变化检测方法的各种应用已证明深度学习技术在RS变化检测领域取得了巨大的成功。但是仍存在许多挑战,涉及以下方面:

    6.1 异构大数据处理

    随着各种平台和传感器的发展,诸如高维数据集(高空间分辨率和高光谱特征),复杂的数据结构(非线性和重叠分布)以及非线性优化问题(高计算复杂度)将带来重大挑战。多源数据的复杂性极大地增加了使用智能方法从训练数据中学习变化的难度。

    6.2 训练样本的获取

    有监督的智能变化检测方法需要大量的训练样本,这些样本通常是通过费时费力的过程获得的,例如人工解释RS产品和进行现场调查。在训练样本不足的情况下,训练出基于智能变化检测方法的精准模型是一个巨大的挑战。

    6.3 准确的通用模型

    目前,研究人员不断提出新颖的智能变化检测方法。选择一个高效的深度学习模型和框架并确保其准确地适用于不同应用也是一个巨大的挑战。

    7.未来研究趋势

    智能方法的未来的研究趋势可能围绕着深度强化学习和弱监督的变化检测。

    7.1深度强化学习

    由于缺乏足够的带标签的训练数据库来进行有监督的变化检测任务,因此由深度学习方法生成的特征的描述能力可能会受到限制甚至变得贫困。近年来,深度强化学习已成为机器学习领域的关注焦点,并且在计算机视觉的各个领域中显示出了巨大的潜力和出色的性能,例如自动驾驶,对象跟踪,人员重新识别等。

    7.2弱监督变化检测

    考虑到数据标记操作的高昂成本,在许多计算机视觉任务中,很难获得强大的监管信息(例如,具有完全真实标签的数据集)。在遥感图像中,手动注释通常很昂贵甚至不可靠。特别是对于变化检测任务,变化的区域非常小,背景通常混乱且复杂,并且图像可能由不同的传感器拍摄。训练基于弱监督学习的变化检测框架可以减轻对手动注释的需求。地理空间物体检测领域的一些最新进展显示了使用弱监督学习的可行性。

    参考文献

    [1] A. SINGH, “Review article digital change detection techniques using remotely-sensed data,” International Journal of Remote Sensing, vol. 10, no. 6, pp. 989–1003, 1989.
    [2] S. Liu, L. Bruzzone, F. Bovolo, and P. Du, “Hierarchical unsupervised change detection in multitemporal hyperspectral images,” IEEE Transactions on Geoscience and Remote Sensing, vol. 53, no. 1, pp. 244–260, 2015.
    [3] R. Liu, Z. Cheng, L. Zhang, and J. Li, “Remote sensing image change detection based on information transmission and attention mechanism,” IEEE Access, vol. 7, pp. 156 349–156 359, 2019.
    [4] K. L. de Jong and A. S. Bosman, “Unsupervised change detection in satellite images using convolutional neural networks,” CoRR, vol. abs/1812.05815, 2018.
    [5] N. Kadhim, M. Mourshed, and M. Bray, “Advances in remote sensing applications for urban sustainability,” Euro-Mediterranean Journal for Environmental Integration, vol. 1, no. 7, 2016
    [6] 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[J/OL].计算机应用:1-13[2021-02-22].http://kns.cnki.net/kcms/detail/51.1307.tp.20210114.0948.036.html.
    [7] Khelifi L, Mignotte M. Deep learning for change detection in remote sensing images: Comprehensive review and meta-analysis[J]. IEEE Access, 2020, 8: 126385-126400.
    [8] R. Jaturapitpornchai, M. Matsuoka, N. Kanemoto, S. Kuzuoka, R. Ito, and R. Nakamura, “Newly built construction detection in sar images using deep learning,” Remote Sensing, vol. 11, no. 12, pp. 1–24, Jun 2019.
    [9] M. Yang, L. Jiao, F. Liu, B. Hou, and S. Yang, “Transferred deep learning-based change detection in remote sensing images,” IEEE Transactions on Geoscience and Remote Sensing, vol. 57, no. 9, pp. 6960–6973, Sep. 2019
    [10] OpenStreetMap. Available online: http://www.openstreetmap.org/ (accessed on 4 May 2020).
    [11] ISPRS Benchmarks. Available online: http://www2.isprs.org/commissions/comm3/wg4/3d-semantic-labeling. html (accessed on 4 May 2020).
    [12] Cordts, M.; Omran, M.; Ramos, S.; Rehfeld, T.; Enzweiler, M.; Benenson, R.; Franke, U.; Roth, S.; Schiele, B. The cityscapes dataset for semantic urban scene understanding. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Seattle, WA, USA, 27–30 June 2016; pp. 3213–3223.
    [13] Hyperspectral Change Detection Dataset. Available online: https://citius.usc.es/investigacion/datasets/ hyperspectral-change-detection-dataset (accessed on 4 May 2020).
    [14] Wang, Q.; Yuan, Z.; Du, Q.; Li, X. GETNET: A General End-to-End 2-D CNN Framework for Hyperspectral Image Change Detection. IEEE Trans. Geosci. Remote Sens. 2018, 57, 3–13.
    [15] Daudt, R.C.; Le Saux, B.; Boulch, A.; Gousseau, Y. Multitask learning for large-scale semantic change detection. Comput. Vis. Image Underst. 2019, 187, 102783.
    [16] Ji, S.; Wei, S.; Lu, M. Fully Convolutional Networks for Multisource Building Extraction from an Open Aerial and Satellite Imagery Data Set. IEEE Trans. Geosci. Remote Sens. 2018, 57, 574–586.
    [17] Benedek, C.; Sziranyi, T. Change Detection in Optical Aerial Images by a Multilayer Conditional Mixed Markov Model. IEEE Trans. Geosci. Remote Sens. 2009, 47, 3416–3430.
    [18] . Benedek, C.; Sziranyi, T. A Mixed Markov model for change detection in aerial photos with large time differences. In Proceedings of the 2008 19th International Conference on Pattern Recognition, Tampa, FL, USA, 8–11 December 2008; pp. 1–4.
    [19] Gong, M.; Zhao, J.; Liu, J.; Miao, Q.; Jiao, L. Change Detection in Synthetic Aperture Radar Images Based on Deep Neural Networks. IEEE Trans. Neural Netw. Learn. Syst. 2016, 27, 125–138.
    [20] Lv, N.; Chen, C.; Qiu, T.; Sangaiah, A.K. Deep Learning and Superpixel Feature Extraction Based on Contractive Autoencoder for Change Detection in SAR Images. IEEE Trans. Ind. Inform. 2018, 14, 5530–5538.
    [21] Goyette, N.; Jodoin, P.-M.; Porikli, F.; Konrad, J.; Ishwar, P. Changedetection. net: A new change detection benchmark dataset. In Proceedings of the 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, Providence, RI, USA, 16–21 June 2012; pp. 1–8.
    [22] Wang, Y.; Jodoin, P.-M.; Porikli, F.; Konrad, J.; Benezeth, Y.; Ishwar, P. CDnet 2014: An Expanded Change Detection Benchmark Dataset. In Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition Workshops, Columbus, OH, USA, 23–28 June 2014; pp. 393–400.
    [23] Chen, H.; Wu, C.; Du, B.; Zhang, L.; Wang, L. Change Detection in Multisource VHR Images via Deep Siamese Convolutional Multiple-Layers Recurrent Neural Network. IEEE Trans. Geosci. Remote Sens. 2020, 58, 2848–2864.
    [24] Wang, X.; Liu, S.; Du, P.; Liang, H.; Xia, J.; Li, Y. Object-Based Change Detection in Urban Areas from High Spatial Resolution Images Based on Multiple Features and Ensemble Learning. Remote Sens. 2018, 10, 276.
    [25] Zhang, P.; Gong, M.; Su, L.; Liu, J.; Li, Z. Change detection based on deep feature representation and mapping transformation for multi-spatial-resolution remote sensing images. ISPRS J. Photogramm. Remote Sens. 2016, 116, 24–41.
    [26] Lu, D.; Mausel, P.; Brondizio, E.; Morán, E. Change detection techniques. Int. J. Remote Sens. 2004, 25, 2365–2401.
    [27] Zhao, W.; Mou, L.; Chen, J.; Bo, Y.; Emery, W.J. Incorporating Metric Learning and Adversarial Network for Seasonal Invariant Change Detection. IEEE Trans. Geosci. Remote Sens. 2020, 58, 2720–2731.
    [28] Zhao, J.J.; Gong, M.G.; Liu, J.; Jiao, L.C. Deep learning to classify difference image for image change detection. In Proceedings of the 2014 International Joint Conference on Neural Networks, Beijing, China, 6–11 July 2014; IEEE: New York, NY, USA, 2014; pp. 397–403.
    [29] Ji, M.; Liu, L.; Du, R.; Buchroithner, M.F. A Comparative Study of Texture and Convolutional Neural Network Features for Detecting Collapsed Buildings After Earthquakes Using Pre- and Post-Event Satellite Imagery. Remote Sens. 2019, 11, 1202.
    [30] L. Zhang, L. Zhang, and B. Du, “Deep learning for remote sensing data: A technical tutorial on the state of the art,” IEEE Geoscience and Remote Sensing Magazine, vol. 4, no. 2, pp. 22–40, 2016.
    [31] O. Ronneberger, P. Fischer, and T. Brox, “U-net: Convolutional networks for biomedical image segmentation,” in Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, N. Navab, J. Hornegger, W. M. Wells, and A. F. Frangi, Eds. Cham: Springer International Publishing, 2015, pp. 234–241.
    [32] R. Jaturapitpornchai, M. Matsuoka, N. Kanemoto, S. Kuzuoka, R. Ito, and R. Nakamura, “Newly built construction detection in sar images using deep learning,” Remote Sensing, vol. 11, no. 12, pp. 1–24, Jun 2019.
    [33] Z. M. Hamdi, M. Brandmeier, and C. Straub, “Forest Damage Assessment Using Deep Learning on High Resolution Remote Sensing Data,” Remote Sensing, vol. 11, no. 17, SEP 1 2019.
    [34] D. Peng, Y. Zhang, and H. Guan, “End-to-End Change Detection for High Resolution Satellite Images Using Improved UNet plus,” Remote Sensing, vol. 11, no. 11, JUN 1 2019.
    [35] R. C. Daudt, B. L. Saux, A. Boulch, and Y. Gousseau, “Multitask learning for large-scale semantic change detection,” Computer Vision and Image Understanding, vol. 187, p. 102783, 2019.
    [36] W. Zhang and X. Lu, “The Spectral-Spatial Joint Learning for Change Detection in Multispectral Imagery,” Remote Sensing, vol. 11, no. 3, FEB 1 2019.
    [37] R. Liu, Z. Cheng, L. Zhang, and J. Li, “Remote sensing image change detection based on information transmission and attention mechanism,” IEEE Access, vol. 7, pp. 156 349–156 359, 2019.
    [38] L. Zhang, F. Yang, Y. Daniel Zhang, and Y. J. Zhu, “Road crack detection using deep convolutional neural network,” in 2016 IEEE International Conference on Image Processing (ICIP), Sep. 2016, pp. 3708–3712.
    [39] H. Zhang, M. Gong, P. Zhang, L. Su, and J. Shi, “Feature-level change detection using deep representation and feature change analysis for multispectral imagery,” IEEE Geoscience and Remote Sensing Letters, vol. 13, no. 11, pp. 1666–1670, Nov 2016.
    [40] L. Su, M. Gong, P. Zhang, M. Zhang, J. Liu, and H. Yang, “Deep learning and mapping based ternary change detection for information unbalanced images,” Pattern Recognition, vol. 66, pp. 213 – 228, 2017.
    [41] M. Gong, H. Yang, and P. Zhang, “Feature learning and change feature classification based on deep learning for ternary change detection in sar images,” ISPRS Journal of Photogrammetry and Remote Sensing, vol. 129, pp. 212 – 225, 2017.
    [42] N. Lv, C. Chen, T. Qiu, and A. K. Sangaiah, “Deep learning and superpixel feature extraction based on contractive autoencoder for change detection in sar images,” IEEE Transactions on Industrial Informatics, vol. 14, no. 12, pp. 5530–5538, Dec 2018.
    [43] M. Gong, Y. Yang, T. Zhan, X. Niu, and S. Li, “A generative discriminatory classified network for change detection in multispectral imagery,” IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 12, no. 1, pp. 321–333, Jan 2019.
    [44] F. Huang, Y. Yu, and T. Feng, “Automatic building change image quality assessment in high resolution remote sensing based on deep learning,” Journal of Visual Communication and Image Representation, vol. 63, p. 102585, 2019.
    [45] S. J. Pan and Q. Yang, “A survey on transfer learning,” IEEE Transactions on Knowledge and Data Engineering, vol. 22, no. 10, pp. 1345–1359, 2010.
    [46] Z.-Q. Zhao, P. Zheng, S.-t. Xu, and X. Wu, “Object detection with deep learning: A review,” 2018.
    [47] A. Abdalla, H. Cen, L. Wan, R. Rashid, H. Weng, W. Zhou, and Y. He, “Fine-tuning convolutional neural network with transfer learning for semantic segmentation of ground-level oilseed rape images in a field with high weed pressure,” Computers and Electronics in Agriculture, vol. 167, p. 105091, 2019.
    [48] B. Hou, Y. Wang, and Q. Liu, “Change detection based on deep features and low rank,” IEEE Geoscience and Remote Sensing Letters, vol. PP, pp. 1–5, 11 2017.
    [49] M. Yang, L. Jiao, F. Liu, B. Hou, and S. Yang, “Transferred deep learning-based change detection in remote sensing images,” IEEE Transactions on Geoscience and Remote Sensing, vol. 57, no. 9, pp. 6960–6973, Sep. 2019.
    [50] Y. Gao, F. Gao, J. Dong, and S. Wang, “Transferred deep learning for sea ice change detection from syntheticaperture radar images,” IEEE Geoscience and Remote Sensing Letters, vol. 16, no. 10, pp. 1655–1659, Oct 2019.
    [51] Lyu, H.; Lu, H.; Mou, L.; Li, W.; Wright, J.S.; Li, X.; Li, X.; Zhu, X.X.; Wang, J.; Yu, L.; et al. Long-Term Annual Mapping of Four Cities on Different Continents by Applying a Deep Information Learning Method to Landsat Data. Remote Sens. 2018, 10, 471.
    [52] Tong, X.; Zhang, X.; Liu, M. Detection of urban sprawl using a genetic algorithm-evolved artificial neural network classification in remote sensing: A case study in Jiading and Putuo districts of Shanghai, China. Int. J. Remote Sens. 2010, 31, 1485–1504
    [53] Iino, S.; Ito, R.; Doi, K.; Imaizumi, T.; Hikosaka, S. Generating high-accuracy urban distribution map for short-term change monitoring based on convolutional neural network by utilizing SAR imagery. In Earth Resources and Environmental Remote Sensing/GIS Applications VIII; Michel, U., Schulz, K., Nikolakopoulos, K.G., Civco, D., Eds.; Spie-Int Soc Optical Engineering: Bellingham, WA, USA, 2017; Volume 10428.
    [54] Varghese, A.; Gubbi, J.; Ramaswamy, A.; Balamuralidhar, P. ChangeNet: A deep learning architecture for visual change detection. In Proceedings of the European Conference on Computer Vision (ECCV), Munich, Germany, 8–14 September 2018; pp. 129–145.
    [55] Ji, S.; Shen, Y.; Lu, M.; Zhang, Y. Building Instance Change Detection from Large-Scale Aerial Images using Convolutional Neural Networks and Simulated Samples. Remote Sens. 2019, 11, 1343.
    [56] Jiang, H.; Hu, X.; Li, K.; Zhang, J.; Gong, J.; Zhang, M. PGA-SiamNet: Pyramid Feature-Based Attention-Guided Siamese Network for Remote Sensing Orthoimagery Building Change Detection. Remote Sens. 2020, 12, 484
    [57] Jaturapitpornchai, R.; Matsuoka, M.; Kanemoto, N.; Kuzuoka, S.; Ito, R.; Nakamura, R. Newly Built Construction Detection in SAR Images Using Deep Learning. Remote Sens. 2019, 11, 1444.
    [58] Zhang, Z.; Vosselman, G.; Gerke, M.; Persello, C.; Tuia, D.; Yang, M.Y. Detecting Building Changes between Airborne Laser Scanning and Photogrammetric Data. Remote Sens. 2019, 11, 2417.
    [59] Ghaffarian, S.; Kerle, N.; Pasolli, E.; Arsanjani, J.J. Post-Disaster Building Database Updating Using Automated Deep Learning: An Integration of Pre-Disaster OpenStreetMap and Multi-Temporal Satellite Data. Remote Sens. 2019, 11, 2427
    [60] Nourani, V.; Roushangar, K.; Andalib, G. An inverse method for watershed change detection using hybrid conceptual and artificial intelligence approaches. J. Hydrol. 2018, 562, 371–384.
    [61] Gao, Y.; Gao, F.; Dong, J.; Wang, S. Transferred Deep Learning for Sea Ice Change Detection from Synthetic-Aperture Radar Images. IEEE Geosci. Remote Sens. Lett. 2019, 16, 1655–1659.
    [62] Lei, T.; Zhang, Y.; Lv, Z.; Li, S.; Liu, S.; Nandi, A.K. Landslide Inventory Mapping From Bitemporal Images Using Deep Convolutional Neural Networks. IEEE Geosci. Remote Sens. Lett. 2019, 16, 1–5.
    [63] Fang, B.; Chen, G.; Pan, L.; Kou, R.; Wang, L. GAN-Based Siamese Framework for Landslide Inventory Mapping Using Bi-Temporal Optical Remote Sensing Images. IEEE Geosci. Remote Sens. Lett. 2020, 1–5.
    [64] Chen, Z.; Zhang, Y.; Ouyang, C.; Zhang, F.; Ma, J. Automated Landslides Detection for Mountain Cities Using Multi-Temporal Remote Sensing Imagery. Sensors 2018, 18, 821.
    [65] Ding, A.; Zhang, Q.; Zhou, X.; Dai, B. Automatic Recognition of Landslide Based on CNN and Texture Change Detection. In Proceedings of the 2016 31st Youth Academic Annual Conference of Chinese-Association-of-Automation (YAC), Wuhan, China, 11–13 November 2016; pp. 444–448.
    [66] Fujita, A.; Sakurada, K.; Imaizumi, T.; Ito, R.; Hikosaka, S.; Nakamura, R. Damage detection from aerial images via convolutional neural networks. In Proceedings of the 2017 Fifteenth IAPR International Conference on Machine Vision Applications (MVA), Nagoya Univ, Nagoya, Japan, 08–12 May 2017; pp. 5–8.
    [67] Sakurada, K.; Okatani, T. Change detection from a street image pair using CNN features and superpixel segmentation. In Proceedings of the British Machine Vision Conference (BMVC), Swansea, UK, 7–10 September 2015; pp. 61.1–61.12.
    [68] Sublime, J.; Kalinicheva, E. Automatic Post-Disaster Damage Mapping Using Deep-Learning Techniques for Change Detection: Case Study of the Tohoku Tsunami. Remote Sens. 2019, 11, 1123
    [69] Singh, A.; Singh, K.K.; Nigam, M.J.; Pal, K. Detection of tsunami-induced changes using generalized improved fuzzy radial basis function neural network. Nat. Hazards 2015, 77, 367–381.
    [70] Sakurada, K.; Tetsuka, D.; Okatani, T. Temporal city modeling using street level imagery. Comput. Vis. Image Underst. 2017, 157, 55–71.
    [71] Peng, B.; Meng, Z.; Huang, Q.; Wang, C. Patch Similarity Convolutional Neural Network for Urban Flood Extent Mapping Using Bi-Temporal Satellite Multispectral Imagery. Remote Sens. 2019, 11, 2492.
    [72] Planinšiˇc, P.; Gleich, D. Temporal Change Detection in SAR Images Using Log Cumulants and Stacked Autoencoder. IEEE Geosci. Remote Sens. Lett. 2018, 15, 297–301.
    [73] Ji, M.; Liu, L.; Du, R.; Buchroithner, M.F. A Comparative Study of Texture and Convolutional Neural Network Features for Detecting Collapsed Buildings After Earthquakes Using Pre- and Post-Event Satellite Imagery. Remote Sens. 2019, 11, 1202.
    [74] .Saha, S.; Bovolo, F.; Bruzzone, L. Destroyed-buildings detection from VHR SAR images using deep features. In Image and Signal Processing for Remote Sensing aXxiv; Bruzzone, L., Bovolo, F., Eds.; Spie-Int Soc Optical Engineering: Bellingham, WA, USA, 2018; Volume 10789.
    [75] Kerner, H.R.; Wagstaff, K.L.; Bue, B.D.; Gray, P.C.; Bell, J.F.; Ben Amor, H.; Iii, J.F.B. Toward Generalized Change Detection on Planetary Surfaces with Convolutional Autoencoders and Transfer Learning. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2019, 12, 3900–3918.

    展开全文
  • 五级三类规划体系

    2020-03-24 20:59:24
    01 国家级国土空间规划国家级国土空间规划方案的基本定位:国家级国土空间规划应当以贯彻国家重大战略和...国家级国土空间规划的重点内容主要包括:1)体现国家意志导向,维护国家安全和国家主权,谋划顶层设计和总...

    在这里插入图片描述
    01
    国家级国土空间规划国家级国土空间规划方案的基本定位:国家级国土空间规划应当以贯彻国家重大战略和落实大政方针为目标,提出较长时间内全国国土空间开发的战略目标和重点区域规划,制定和分解规划的约束性指标,确定国土空间开发利用整治保护的重点地区和重大项目,提出空间开发的政策指南和空间治理的总体原则。国家级国土空间规划的重点内容主要包括:1)体现国家意志导向,维护国家安全和国家主权,谋划顶层设计和总体部署,明确国土空间开发保护的战略选择和目标任务。
    2)明确国土空间规划管控的底数、底盘、底线和约束性指标。3)协调区域发展、海陆统筹和城乡统筹,优化部署重大资源、能源、交通、水利等关键性空间要素。4)进行地域分区,统筹全国生产力组织和经济布局,调整和优化产业空间布局结构。5)合理规划城镇体系,合理布局中心城市、城市群或城市圈。6)统筹推进大江大河流域治理,跨省区的国土空间综合整治和生态保护修复,建立以国家公园为主体的自然保护地体系。7)提出国土空间开发保护的政策宣言和差别化空间治理的总体原则。02省级国土空间规划省级国土空间规划方案的基本定位:省级国土空间规划是从空间上落实国家发展战略和主体功能区战略的重要载体,是对一定时期内省域空间发展保护格局的统筹部署,是促进本地区城镇化健康发展和城乡区域协调发展的重要手段,是规范省域内各项开发建设活动秩序、实施国土空间用途管制和编制市县等下层次国土空间规划的基本依据,具有战略性、综合性和协调性。省级国土空间规划的重点内容主要包括:1)落实国家规划的重大战略、目标任务和约束性指标。2)提出省域国土空间组织的空间竞争战略、战略性区位、空间结构优化战略、空间可持续发展战略和解决空间问题的“一揽子”战略方案。3)合理配置国土空间要素,划定地域分区,突出永久基本农田集中保护区、生态保育区、旅游休闲区、农业复合区等功能区。提出省域内重大资源、能源、交通、水利等关键性空间要素的布局方案。坚持历史文化和风貌特色保护。4)加强国土空间整治修复。5)强化国土空间区际协调。6)制定规划实施保障政策。03市级国土空间规划市级国土空间规划方案的基本定位:市级国土空间规划应当结合本市实际,落实国家级、省级的战略要求,发挥空间引导功能和承上启下的控制作用,注重保护和发展的底线划定及公共资源的配置安排,重点突出市域中心城市的空间规划,合理确定中心城市的规模、范围和结构。市级国土空间规划的重点内容主要包括:1)落实国家级和省级规划的重大战略、目标任务和约束性指标,提出提升城市能级和核心竞争力、实现高质量发展和创造高品质生活的战略指引。2)确定市域国土空间保护、开发、利用、修复、治理总体格局,构建“多中心、网络化、组团式、集约型”的城乡国土空间格局。3)确定市域总体空间结构、城镇体系结构,明确中心城市性质、职能与规模,落实生态保护红线,划定市级城镇开发边界和城市周边基本农田保护区。4)落实省级国土空间规划提出山、水、林、田、湖、草等各类自然资源保护、修复的规模和要求,明确约束性指标;5)统筹安排市域交通等基础设施布局和廊道控制要求,明确重要交通枢纽地区选址和轨道交通走向;提出公共服务设施建设标准和布局要求;统筹安排重大资源、能源、水利、交通等关键性空间要素。6)对城乡风貌特色、历史文脉传承、城市更新、社区生活圈建设等提出原则要求。7)在总体规划中提出分阶段规划实施目标和重点任务,明确下位规划需要落实的约束性指标、管控边界和管控要求。8)建立健全从全域到功能区、社区、地块,从总体规划到专项规划、详细规划,从地级市、县(县级市、区)到乡(镇)的规划传导机制。04县级国土空间规划县级国土空间规划方案的基本定位:县级国土空间规划除了落实上位规划的战略要求和约束性指标以外,重点突出空间结构布局,突出生态空间修复和全域整治,突出乡村发展和活力激发,突出产业对接和联动开发。县级国土空间规划的重点内容主要包括:1)落实国家和省域重大战略决策部署,落实区域发展战略、乡村振兴战略、主体功能区战略和制度,落实省级和市级规划的目标任务和约束性指标。2)确定全域镇村体系、村庄类型和村庄布点原则;划分国土空间用途分区,确定开发边界内集中建设地区的功能布局,明确城市主要发展方向、空间形态和用地结构。3)明确县域镇村体系、综合交通、基础设施、公共服务设施及综合防灾体系。4)以县级城镇开发边界为限,形成县级集建区与非集建区,分别构建“指标+控制线+分区”的管控体系,县级集建区重点突出土地开发模式引导。5)明确国土空间生态修复目标、任务和重点区域,安排国土综合整治和生态保护修复重点工程的规模、布局和时序。6)划定乡村发展和振兴的重点区域,提出优化乡村居民点空间布局的方案,提出激活乡村发展活力和推进乡村振兴的路径策略。7)根据需要和可能,因地制宜划定国土空间规划单元,明确单元规划编制指引。8)明确国土空间用途管制、转换和准入规则。健全规划实施动态监测、评估、预警和考核机制,提出保障规划落地实施的政策措施。
    在这里插入图片描述
    05
    乡镇级国土空间规划乡镇级国土空间规划方案的基本定位:乡镇级国土空间规划是乡村建设规划许可的法定依据,要体现落地性、实施性和管控性,突出土地用途和全域管控,对具体地块的用途作出确切的安排,对各类空间要素进行有机整合,充分融合原有的土地利用规划和村庄建设规划。乡镇级国土空间规划的重点内容主要包括:1)落实县级规划的战略、目标任务和约束性指标。2)统筹生态保护修复。3)统筹耕地和永久基本农田保护。4)统筹农村住房布局。5)统筹产业发展空间。6)统筹基础设施和基本公共服务设施布局。7)制定乡村综合防灾减灾规划。8)统筹自然历史文化传承与保护。9)根据需要因地制宜进行国土空间用途编定,制定详细的用途管制规则,全面落地国土空间用途管制制度。10)根据需要并结合实际,在乡(镇)域范围内,以一个村或几个行政村为单元编制“多规合一”的实用性村庄规划,规划成果纳入国土空间基础信息平台统一实施管理。

    展开全文
  • 一、针式PKM主画面,主要由“知识分类体系树”、“知识点列表”、搜索栏、工具栏、菜单、生涯规划等组成。二、知识点画面由知识点基本属性、多文件关联选项卡、内容区域、知识点扩展属性、工具栏等组成 转载于:...
  • 动态规划的学习进入了最后的阶段,现阶段还没有学习区域dp的相关内容,对于之前的动态规划简要做一下学习总结,和一些知识点,这次主要想总结一下背包问题,作为经典dp题,背包可以分为许许多多不同的题型: ...
  • 据物流高级化理论、现代物流理论和区域规划理论,以区域物流信息化建设方案 为研究对象,应用定性与定量分析方法,分析区域物流信息化建设方案研究 与实践现状,总结归纳前人研究内容,提出了区域物流信息化...
  • JVM的设计者将不同的类型的内容存储在JVM规划的不同区域.这些区域总结起来就是运行时数据区(Run-Time Data Areas)如下图。 The Java Virtual Machine defines various run-time data areas that are used during ...
  • 本节书摘来异步社区《敏捷制造——敏捷集成基础结构设计》一书中第1章,第1.3节,作者:苏金泷,更多章节内容可以访问云栖社区“异步社区”公众号...闽南地区区域经济发展研究)、福建省社会科学规划项目((2012...
  • 水污染控制规划是水环境保护与规划的重要内容,它从水资源的合理利用、水环境的保护方面对区域的功能分区、污水处理厂选址等提出建设性意见;水污染控制规划是城市规划的重要组成部分,它与城市规划相互协调,对提高...
  • 本论文研究的主要内容是将高校作为类区域的典型从高校的安保以及便捷管理出发设计了一个基于图像识别的车辆管理系统网站从网站的功能划分到网站的重点功能图像识别出发规划出了网站的雏形另外为了网站整体的实现对网
  • 本书详细介绍CCNA考试的内容主要有:互连网络模型、Cisco路由器、交换机和集线器特点;Cisco IOS软件初步知识;TCP/IP协议套件综合概括;管理广域网,配置ISDN、帧中继和ATM;学习IP配置;Novell IPX协议...
  • 在VSTS中规划的内容主要分为三项:区域和迭代的划分、工作项定义。 首先,我们必须知道什么是区域和迭代?一般说来,我们要想完整的把握项目,就会从好几个角度去观察和控制它。因为任何项目本身都是高度复杂的和...
  • 本节内容主要讲解3个方面的内容区域排水系统、排水系统的规划设计和城镇雨水排水系统规划,本节内容在考试时一般会以知识题形式考察,案例很少涉及。01区域排水系统区域排水系统,顾名思义就是把原来多个地区相对...
  • 【多选题】Ethics always involve people. This includes:【填空题】产业发展规划的内容包括发展环境、指导思想和发展目标、( )、空间布局、保障措施等5个...【多选题】中药化学研究的主要内容是( )【判断题】SWOT分...
  • 厨房策划:根据经营策划确定厨房在建筑中的位置、厨房组成、区域划分、技术要求、技术实现及厨房投资预算等厨房设计内容厨房策划服务于经营规划,又决定着经营规划的成败。经营策划需要厨房功能的保...
  • 武汉大学GIS历年考题

    2015-01-08 14:12:04
    2地图投影研究的主要内容 3地理信息系统中的地图投影配置应遵循的原则 八 介绍两种商用GIS基础软件的主要特性和适应的场合 九 某城市由于人口增长较快,原有的地下基础设施已经不能满足要求,为此须重新进行规 划...
  • 沱河和浍河是淮河的主要支流,商丘的沱浍河航道由沱河的上段、浍河中下段及两河连接线大结构航道三部分组成,长约146.9公里,建有大青沟、张桥、黄口、张板桥4座500吨级船闸,设计年通过能力420万吨。其主要港口有...
  • 工业互联网标识二级节点(佛山) 建设及应用实践探索,主要内容包括:认识工业互联网标识解释体系、标识二级节点(佛山)建设情况、标识体系实践探索小结、标识二级节点(佛山)发展规划,致力于推动工业...
  • 这部分内容已不仅仅是生态规划指标和趋势预测范畴了。可以推广到更广阔层次,这是一种系统辨识和预测数学方法,即关联分析和灰色系统预测,可预测城市未来发展趋势。 下面是一个实例,摘自《巴中市...
  •  作为开展现代物流服务的推进器与连接器,港口处于陆运和水运两大基本运输方式的联结点,现代客流、物流活动所要求的全过程、全方位系统跟踪管理已成为现代港口的主要服务内容,涉及到口岸功能,多式联运功能,监管...
  •  空间规划是GIS的一个重要应用领域,城市规划和管理是其中的主要内容。例如,在大规模城市基础设施建设中如何保证绿地的比例和合理分布、如何保证学校、公共设施、运动场所、服务设施等能够有最大的服务面(城市资源...
  • 预测是作决策、规划之前的必不可少的重要环节 ,是科学决 策、规划的重要前提。混沌时间序列预测是预测领域 内的一个重 要研究方向。基于小波和人工神经网络的混沌时间序 列预测研究 是近几年来的研究热点,受到了...
  • 网页主要包含导航栏、栏目以及正文三部分组成,对网页结构的主要也是围绕这三部分进行的。 1、页面重要区域分布规律 搜索引擎对页面的各个区域的重视程度是不同的,同样的内容出现在不同的区域所起的作用也有很大...

空空如也

空空如也

1 2 3 4 5 ... 8
收藏数 146
精华内容 58
关键字:

区域规划的主要内容