文摘

量化大气气溶胶及其联系气候的影响有必要了解气候强迫的动态,增强我们的气候变化的知识。因为这个反应的降水、温度、地形、人类活动、大气边界层(ABL)是大气最具活力的地区之一:ABL气溶胶产生大影响气候变化的辐射强迫的进化,人类健康、食品安全、最终,当地和全球经济。连续监测和仪器和计算方法是ABL模式的检测和分析所需的行为。本文提供了一个基于深度学习外层气溶胶探测系统基于光探测和测距(激光雷达)数据融合。建议的方法顺序模型适用于底层数据变成压缩特性使用基于对象的分析,特性融合,autoencoder-based降维。卷积神经网络(cnn)是用来压缩数据转换成高级属性可以用来分类空气粒子的外层。这项研究描述了深度学习方法,允许检测40%的大气特性在5公里水平分辨率白天操作时应用于激光雷达数据。相比现有的深度学习算法对边缘和复杂近地表白天风景,一个卷积autoencoder (CAE)训练使用激光雷达数据集标准产品数据显示潜在的改善气溶胶歧视准确率达到了98%。

1。介绍

在地球的气候系统、空气质量和水循环的程度主要取决于大气性质高度,厚度和类型和空气特征如云和气溶胶发挥至关重要的作用(1]。云液态水的地球表面往往反映入站阳光,冷却地球的表面。然而,冰云在对流层上部吸收和再辐射表面发出的热量,地球表面变暖起来。气溶胶粒子包括沙漠风沙尘土,野火烟雾,从火山喷发硫磺粒子,化石燃料的颗粒物(2]。气溶胶凉爽或温暖的表面,这取决于它们的大小、组成、大气和位置(3]。

CNN是一个监督机器学习方法用于图像特征的识别。cnn的商业用途包括各种各样的对象检测和semanticized问题细分3]。cnn也被用来预测热带气旋强度精确使用卫星图像和冰雹探测雷达图像的精度高于先前的技术。CNN的层架构的实例化后,模型与真实数据集训练,发展专业知识来预测合适的特征在图像(4]。而CNN需要花很长时间的训练,预测快速比较年长的算法或手动方式。cnn的集合是建立预测猫的云和气溶胶激光雷达数据的位置增加激光雷达数据的速度可能分布,建立可行性给现实生活中的时间层类型产品(5]。

自然和人造气溶胶排放可以极大地威胁到城市和区域空气质量,如生物质燃烧。因此,它是至关重要的理解光学,微观物理学的,本地或目标的几何特征在边界层气溶胶排放。激光雷达传感器,它利用激光作为它的来源,可以提供高时间和气溶胶的垂直空间解析配置文件6]。因此,激光雷达遥感观测将帮助研究和表征气溶胶的排放从源到目的地和改善空气质量。本节欢迎提交最近的结果和进步在遥远激光雷达探测的光学,微观物理学的,和数学喷雾特性从airborne-mounted激光雷达,领土地面激光雷达组织、全球卫星任务,所有仪器平台(拉曼,high-spectral决议、拨号和其他人),短暂的空间尺度上,从airborne-moon任务。激光雷达通过远程控制,人为气溶胶的识别从工业对空气质量产生影响,生物质燃烧,和农业资源,以及活动针对给气候和健康后果的全面评估,尤其鼓励[7]。人造气溶胶排放在城市与他们对微气象学和辐射预算的影响,即。,their function in heating/cooling the atmospheric column and promoting/suppressing convection, and are given specific emphasis [8]。我们使用卷积autoencoder模型(CAE) (7]从融合检测气溶胶激光雷达数据集[8]。CAE的能力提取气溶胶类型是影响光学输入的物理实质和不确定性,以及CAE结构和培训技术,特别是数据集的大小用于这一目的。气溶胶模型详细描述不同粒子的光学特性旨在提供一个一致的描述的气溶胶类型。这个模型可以提供一个代表,统计学上有意义的综合数据库,以再现已知气溶胶特性。这个合成数据收集非常重要,因为一些观测数据集是统计相关的,特征明显,代表整个范围的气溶胶的物种。归一化是一种常见的实践数据机器学习做准备。你必须规范化数据标准规模没有扭曲的数字范围或放弃任何信息如果你希望它是一致的(9]。气溶胶模型构造以火车的CAE模拟大量的激光雷达观测(即。合成数据集)(10]。最可能的气溶胶类型检测层内生成对抗神经网络的输出数据(甘斯)10]。

深度学习技术由深层的特征提取和分类不单独进行。深度学习是机器学习的一个子类处理数据,使模式用于决策。深度学习的技术教机器执行智能任务。深度学习包含许多技术,如CNN, CAE和氮化镓模型(11]。CNN的工作原理自动探测功能和分类原始数据集。深度学习更先进的技术来识别隐藏的特性更准确和有效12]。

气溶胶与人工检测的检测是一项非常具有挑战性的任务由于环境的各种属性。因此,自动和精确的系统需要气溶胶排放检测(13]。这项研究的目的是设计一个智能气溶胶排放检测系统利用激光雷达数据融合和应用深度和机器学习技术来预测排放的区域(14]。

气溶胶排放识别一直是众多安全视为一个重要的应用分支机构和卫生系统。一些研究人员应用手工技术场景中识别出这种异常(15]。使用手工制作的特性从线性二进制配置三个正交平面,高斯混合模型,马尔可夫随机场等不规则识别是不可接受的,因为他们仅仅依靠人类的假设。因此,训练数据不正确解释学习区别的气溶胶的特征16]。遥感和卫星获得的数据是本研究的主要特征和贡献。我们使用了卷积autoencoder (CAE)神经网络处理数据,将照片和提取隐藏模式之前输入的图像重建的功能隐藏的模式。然后autoencoder模型建立了一个连续的模型,它允许我们简单地构建网络从输入到输出的连续层。然后,我们应用甘,这有助于解决模式识别等任务的描述,从低分辨率的获得高分辨率的图像和预测是否气溶胶排放区域(1]。

所有这些研究[17揭示了各种各样的人群。大范围的气溶胶挑战由于许多缺陷进行分类(例如,许多气溶胶类型有相同的光学字符)。其他挑战气溶胶的分类是困难的链接他们的光学品质物理性质来源(18]。实际上,大气气溶胶是由各种各样的物质。有很多来源,和纯粹的气溶胶类型数据稀缺。测量系统的测量和强烈的运动采用各种气溶胶测量方法进行了解决这些困难。

许多地球系统,如温度,空气质量,水文,是受大气影响的云和气溶胶的特性,及其效果深受高度,厚度和类型。在地面上,液态水云往往反映传入的阳光,这有助于冷却表面(18]。此外,云上对流层组成冰能够从表面吸收热量和重发射,因此导致表面温度的上升(19]。灰尘、烟雾、硫和化石燃料燃烧的颗粒都是气溶胶粒子的例子。气溶胶冷却或加热表面的能力取决于它们的大小、组成、大气和位置(20.]。许多类型的气溶胶,包括深色的,如黑碳在化石燃料燃烧,吸收辐射。表1显示以前的研究的比较分析。

出于这个原因,当前的研究礼物和贡献如下:(我)使用激光雷达和orthophotofusion结合深度学习检测气溶胶(DL)策略(2)DL发展过去的多层感知器,现在包括以下

这个研究采用autoencoder框架和卷积神经网络(CNN)来完成特征降维和对象分类的气溶胶和气溶胶激光雷达和orthoimage分割后的数据。

2。材料和方法

气溶胶模型被用来研究纯气溶胶的光学特性产生的单一来源(例如,沙漠和海洋产生的尘埃粒子产生的海洋)。大陆,大陆污染、灰尘、海洋,吸烟,和火山是6本文纯气溶胶的形式解决。气溶胶模型结合了全球气溶胶数据集和迭代计算每个气溶胶类型有严格的光学特性,以及数字技术 - - - - - -矩阵。OPAC系统软件应用程序是用于确定每一个纯粹的气溶胶类型的化学组成(气溶胶和云光学特性)。复制绝大的粒子在大气中,每个气溶胶的化学成分类型修改在指定范围内。声波波长的350、550和1000海里,气溶胶模型是用来创建一个合成数据库。这些波长选择从61年的OPAC系统的波长(0.25 -40)的迦得具有微观物理学的气溶胶参数。之后,波长在埃新匹配传统激光雷达波长(即。、355、532、和1064海里)。这被认为是可接受的假设对所有类型的气溶胶类型,考虑到最小波长激光雷达和模型之间的区别。气溶胶模型在必要时可以扩大,以覆盖更多的波长。

每一种纯粹的气溶胶是由基本组件的内部组合变量的混合比率不物理或化学相互作用。水溶性,不溶性、烟尘、矿产、硫酸和海盐都收集的OPAC系统(积累、粗)。每个组件的微观物理学的属性存储在数据库迦得。烟雾污染类型和“大陆型经济”,然而,无法达到值高于1.2埃(550到350海里)与当前迦得烟尘折射率值。

图1描述了工作流的建议技术结合卷积autoencoder,顺序的算法,和一个氮化镓。下面是详细的框图。

2.1。无人机激光雷达数据集的数据采集

输入照片是气溶胶排放遥感激光雷达数据的数据集, 输入表单。卷积autoencoder使用这张图片作为输入(CAE)。恢复隐藏的模式,CAE将输入图像卷积和汇聚层。它将提供到deconvolutional和展现层,隐藏模式的重构特性。我们使用了一个顺序的方法,这使它简单的建立后续网络层的顺序输入输出。然后,我们使用GAN解决问题如图片一代从描述或特性,将高分辨率图像帧低分辨率图像帧,检测发射活动活跃与否,和恢复图像帧包含一个给定的模式。

最知名的电影摄影家之一领域的数据集气溶胶检测是激光雷达融合数据集。它包含数据从鸟瞰图,激光雷达和其他传感器连接到一个无人驾驶飞机,通过各种飞行环境和场景。

这个集合包含已转换为二维激光雷达帧深度图像。这些二维深度图像显示相同的场景对应的激光雷达坐标系,但更具用户友好性。

360激光雷达帧,就像那些数据集,被安排在一个圆柱体周围的传感器。二维深度图像在这个数据集可以表示为如果汽缸的激光雷达帧被一分为二,直到一个二维平面。反映项目从激光雷达的距离传感器是由这些2 d的像素深度照片。激光束扫描环境利用的数量由2 d深度图像的垂直分辨率(64在我们的例子中)。这些二维深度图像可以用于分割、检测、识别、和其他任务,利用大量的计算机视觉文献2 d图像。我们已经将我们的模型与混合模型GAN和autoencoder比较表演。

2.2。模型训练

拟议的技术定义了规则排放发生时。我们训练模型,其中包含空间特征描述符。每一帧的图像描述解释了视觉特征。每个框架都有其特征如形状,颜色,andtexture。这个描述提供了一个特征向量。卷积autoencoder模型充分训练的像素块只包含标准段。帧的输入和输出量减少错误。模型正确训练常规图像,然后重建误差模型显示了低。每个测试输入图像重建产生一个错误。重建误差取决于定制的损失。 We set the threshold on the value. If the value crossed a threshold limit, it shows an aerosol emission and represents a regular event below the threshold limit. Thus, the system will be able to recognize the rare events that occur in the images.

2.3。模型参数

训练模型用于减少输入的重建误差体积。该模型使用一个亚当优化器,自动学习速率取决于模型的更新历史的重量。的最小块大小是64。每个训练图像大小是训练最多50时代,或者直到气溶胶层丢失和连续十世都减少了。选择空间autoencoder激活目标双曲线。尽管其正则化能力,我们没有使用修正的线性单元(ReLU)保证编码和解码函数的规律,因为从ReLU触发值没有上限。

2.4。卷积Autoencoder模型

autoencoder是encoder-decoder系统采样输入和输出。我们通过两个子系统:实现autoencoder编码器将输入图像帧转换为内部表示的特征向量(6]。译码器,另一方面,翻译内部表示回到原来的重建图像。Autoencoder重建提供了一个错误(19]。最小的重建误差是指输入和重建的图像帧之间的细微差别(20.]。

2.5。顺序模型

顺序模型,这使得它简单网络堆栈顺序从输入到输出层。图2显示生成对抗网络(甘)。

2.6。生成对抗的网络模型

氮化镓是一种基于CNN方法生成建模方法。在机器学习中,生成的建模是一个无监督学习问题21]。它包含犹如两个神经网络之间的相互自动查找和学习规律或输入数据中的模式。对抗性的竞争由两部分组成:发电机:复制真实数据以创建虚拟数据和鉴别器:检测发电机通过区分准确和虚构的数据(12]。

结果,我们使用甘来执行任务,比如图像生成描述或特性,从低分辨率,获得高分辨率图像帧预测发射活动活跃,这不是和检索图像帧包含一个给定的模式。图3显示分类使用生成对抗模型。

2.7。模型描述

如图1,无人机融合激光雷达数据集用于这个调查是收集在马来西亚理科大学校园2月3日,2018年,中午。佳能SX230 HS(5毫米)相机被用来收集数据从无人机在飞行高度353米(5毫米)。照片都是使用三个渠道(RGB)的地面分辨率约9.95厘米/像素,图像的分辨率为4000 3000像素,和一个8位放射决议。一个orthomosaic快照收集到的图像系列的生产平均均方根误差(RMSE) 0.192894米。(1.08795照片)。DSM也创建Agisoft光扫描图专业。所选子集总面积1.68公里²。DSM的决议是79.6厘米/像素,而Agisoft的点云的点密度约1.58点/ m²。图1描述了业务流程的建议使用卷积autoencoder技术,顺序的算法,生成对抗网络(甘)。以下是块的细节图:

输入照片来自无人机气溶胶真实气溶胶收集和有一个128 x128x3输入形状。卷积aAutoencoder使用这张图片作为输入(CAE)。CAE从输入图像中提取潜在的模式使用卷积和池层(128 x128x3)。它将被送入deconvolutional max-pooling层,将再现隐藏模式的特点。我们使用了连续模型,它允许我们堆栈顺序网络层毫不费力地从输入到输出。然后,我们使用氮化镓帮助一代从描述或图片等任务特性,从低分辨率获得高分辨率的图像帧的预测是否有异常活动,和检索图像帧包含一个给定的模式。

特征描述符的输出特征描述符/从输入图像帧特征向量。特征描述符是一组整数编码的有用的信息。验证结果,无人机数据分为两类:测试(20%)和培训(80%)。卷积autoencoder和GAN模型是两个深学习算法。每个模型的目的是生成重构图像混合的方式通过一个输出层从先前的模型。排序的顺序模型被用于CAE堆栈层。

2.8。原始图像数据处理

无人机气溶胶数据集是用于测试和评估的方法。气溶胶数据集包含了13种不同的真实的异常。真实异常被虐待、逮捕、攻击和爆炸,等等。我们知道图像的组合框架;所以,我们已经将预处理和特征提取的图像帧。转换后的图像帧的形式JPEG和应用图像调整如下:图像调整是至关重要的,因为每个图像帧的尺寸是不一样的。缩放图像被送入时间卷。

2.9。模型训练

拟议的技术定义了规则异常事件发生时。最大普通帧不同而异常帧。我们训练模型,其中包含空间特征描述符。图像描述解释了每个图像的视觉特征的框架。每个框架都有其特征如形状、颜色、纹理和运动。这个描述提供了一个特征向量。与图像卷积autoencoder模型充分训练模块只包含普通段。输入和输出之间的误差帧的体积减少。模型训练正确标准图像的帧,然后重建误差模型显示了低。每个测试输入图像体积产生一个重建误差。 The reconstruction error depends upon custom loss. We set the threshold on the value. If the value crossed a threshold limit, it shows an abnormal event, and below the threshold limit, it represents a typical event. Thus, the system will be able to recognize the rare events that occur in the images. In the following Table2,我们展示了模型的特征提取。

人可以找到各种各样的信息表面元素(如地形、形状和纹理,通过研究图像和激光雷达的调查。使用很多不同的特征可能导致过度拟合,它尤其如此,当训练集很小。使用几个特征的其他缺点,他们增加噪声级,冗余信息的数量和时间计算。处理高维特征空间的问题,提出一种autoencoder-based技术,降低特征空间维数,提高了低层特征,将其转化为更少的特征(即,减少低级特性)。重新设计的特性很可能比最初的原始特性信息,协助完整的检测模型创建过程。CNN模型被用来识别关键架构属性,然后使用一系列的卷积和池处理程序将低级特征转化为高层次的人。本节讨论在使用过程autoencoders和CNN模型抽象底层属性。

2.10。模型参数

训练模型用于减少输入的重建误差体积。该模型使用一个亚当优化器;自动学习速率取决于模型的更新历史的重量。的最小块大小是64。取决于气溶胶层,每个训练图像大小训练最多50时代。身份验证数据的损失后,连续10时代不再减少。选择空间autoencoder激活目标双曲线。尽管其正则化能力,我们没有使用修正的线性单元(ReLU)保证编码和解码函数的规律,因为从ReLU触发值没有上限。autoencoder是encoder-decoder系统采样输入和输出。我们通过两个子系统:实现autoencoder编码器将输入图像帧转换为内部表示的特征向量。

译码器,另一方面,使用内部表示来翻译回重建图像。Autoencoder重建提供了一个错误。最小的重建误差意味着输入图像帧之间的细微差别和重建的图像帧。

2.11。顺序模型

采用图的时序模型4,它允许我们轻易堆栈顺序网络层从输入到输出。

2.12。生成对抗网络(甘)

氮化镓是一种基于CNN方法生成建模方法。在机器学习中,生成的建模是一个无监督学习问题。它由点蚀两种神经网络相互发现和学习规律或输入数据中的模式。结果,我们使用生成对抗网络(GAN)来解决图像生成等任务描述或特性,从低分辨率获得高分辨率的图像帧的预测是否异常活动异常,和检索图像帧包含一个给定的模式。

3所示。结果与讨论

神经的神经复杂性地址较小限制了资源(神经元计数)网络需要做特定的任务在一定公差。较低的限制目的所需的信息输入输出函数来衡量的复杂性(即信息。一些例子)。这项研究表明超限分辨卷积神经网络(CNN)的最低级别的复杂性(SR)。建议策略是71.37%的计算复杂度较低的CPU、TPU、和GPU比老很深(VDSR)技术,用峰值信噪比损失为0.49 dB。

Autoencoder生成模型,该模型使用。图像样本训练autoencoder使用,用于预测气溶胶和测试图像。编码器和解码器autoencoder。重建的图片,训练模型的损失函数计算。在特征提取阶段,如图5,共有21个功能,包括光谱,形式,结构,和LiDAR-based属性检索识别气溶胶激光雷达和正色摄影数据层对象。光谱特性被用来评估在正投影乐队平均像素值。形状属性的几何信息确定有意义的东西从像素构成这些对象。确保有效地使用这些功能,地图必须准确分割。Haralick纹理特征也被用来构造灰度共生矩阵的纹理特性的基础上,应用灰度共生矩阵建立()或灰度值差异向量。另外,对象被描述使用的地形和高度LiDAR-based特征。气溶胶层的识别和描述中的关键元素重建气溶胶层对象。前面提到的方法区分气溶胶层项在各种对象(20.]。最后,另一方面,是关于定义的数学极限气溶胶层对象,它们的计算和浓度信息可以显示属性与对象在一个地理信息(GIS)框架。从一个角度来看,正色摄影有一个临界空间客观限制和展品固体气溶胶层反射周围的限制。在任何情况下,不同的地面惊人的相似对象复杂化正色摄影提取气溶胶层。然而,由于激光棒的相对小的足迹大小和不利的反向散射点燃的目标,收集气溶胶层边缘高不连续是困难的在激光雷达(20.]。正色摄影和激光雷达的使用可以提高气溶胶层检测和描述测量数据的精度。

信息组合的过程中使用或结合来自多个数据源的数据帧一个新的数据集,实现一个特定的目标。(21]。像素、强调和选择组合的三层组合可以结合信息从许多来源。因为气溶胶层识别和描述使用基于对象的调查更基本熟练,当前研究接收组件级别。低级了气溶胶层检测框架使用正色摄影突出(例如,幽灵和结构强调)和激光雷达集锦(如DSM、民主党、nDSM和空间亮点)(表1)。

许多与可怕的相关特性,结构、形状和地质、集合可以分开正色摄影和激光雷达数据。过度拟合可以发生在几个亮点,尤其是当培训测试是最小的。骚动,额外的信息和更多的计算机时间的一些缺点雇佣大量的亮点。目前的研究方法使用一个autoencoder-based技术来最小化空间维数和提高低级强调通过减少更少的亮点(即。,减少低级亮点)。新亮点应该比旧的信息,和他们应该提高整个系统的工作过程识别气溶胶层。CNN模型也进化通过执行几个卷积和池操作选择合适的亮点识别气溶胶层和低级强调放进显著水平突出。autoencoder和CNN模型被用来减少(或抽象)低级亮点在接下来的部分。

模型重建误差时一直训练有素谦虚。模型没有充分训练,如果错误是很有意义的。测试照片是用来评估模型训练之后。所有的层致密层的autoencoder完全连接。之间的信息通过瓶颈层编码器和译码器。我们一次只使用一个框架在一个简单的autoencoder。图描绘了autoencoder视觉层结构和性能。每一个卷积层有一个 过滤器的大小与128、192和256的过滤器。卷积的过滤过程是在max-pooling层相结合,这是 。使用归一化层图像体积规范化。激活函数被执行使用RLU层。气溶胶检测到帧的数量将softmax层使用损失函数。培训,损失函数是利用。乙状结肠响应值在0.5和0.7之间变化。图6显示最大池的结构层。

图6显示了一个使用层的autoencoder输入图像帧转化为内部表示的特征向量(批处理规范化,ReLU激活函数,和Conv3D)。解码器使用的内部表示。在第三列,它返回到原始的相框,在第二列,它表达了形状向量形式。

3.1。模型顺序

顺序模型是由应用3 d卷积神经网络,不同的过滤器卷积层。它将使它适合基本堆层,每一层准确地输入一个张量和一个输出张量。它将创建它的重量第一次呼吁一个输入图像自权重的形状取决于图像帧的形状。之前完成培训、配置模型的学习过程,通过编译函数。它接收三个参数优化、损失函数和一个度量列表。

一个优化器应该是字符串标识符或调用一个优化函数。顺序模型中,主要目标是最小化损失函数。它是一个字符串标识符调用一个损失函数,例如,损失意味着平方误差。

完全连接的输出层CNN softmax,和乙状结肠函数用于结合的结果,每一层的顺序模型,如图7。分类,大小为3的中值滤波器应用于输出结论平滑变化异常的分类。

图7上面显示了创建一个顺序模型通过应用三维卷积网络,改变了卷积的过滤层。它将使一个合适的计划输入输出权重的形状取决于图像帧。

3.2。生成对抗网络(甘)

氮化镓模型已被用于与高清分辨率图像的重建。在这里,我们使用模型。

以下是我们必须评估基础的参数我们的工作。验证提出的技术、性能等措施的准确性,敏感性,特异性,AUC决心。以下是建议的技术的性能参数: (我)假阴性(FN):功能检测的结果是0,和预测能力(2)真阴性(TN):功能检测的结果是0,预测能力是缺席(3)假阳性(FP):功能检测的结果是1,预测能力是缺席(iv)真阳性(TP):功能检测的结果是1,预测能力

3.3。培训

在第一步中,我们已经训练模型数据训练损失0.00186344 70%。图8显示了数据的训练。

3.4。测试

甘数据模型的测试进行了设定的30%。模型精度检测气溶胶几乎98%在140时代在60时代,它是97%。图9显示了模型的准确性和损失。

图10上面的培训和验证CAE模型的准确性和损失的气溶胶的图像数据集进行分类。训练的模型显示98%的准确率和98.7%期间验证实验的准确性。图11显示了气溶胶检测使用氮化镓模型。

图12显示气溶胶孤立点检测的使用在不同的时间跨度。虽然比较与氮化镓模型在右边60时代,CAE显示98%的训练,99%的准确性测试包含的氮化镓模型。精度曲线用于训练和验证没有辍学当结合DSM和RGB(左)和信息丢失当使用RGB(右),都没有辍学。因此,参数检查和hypertuned最大化检测精度。根据这些参数的敏感性分析的结果,最好的10倍crossvalidation气溶胶检测精度是实现领域的测试完成。128年的研究结论是,过滤器交付98.76%的准确性。最穷的结果精度(15.5%)是64年在使用过滤器。亚当也提供了一种精度81.41%,远优于其他的优化技术。相反,致密层忽视了隐藏单位没有结果。

在测试中,最准确的(98.76%)产生的结果使用10或100单位。结果50 -和3-unit单位略不准确(81.61%)。应用程序相关的少数单位完全层有利于模型的计算性能;因此,它被认为是最好的利用10。

我们也将我们的技术与最先进的算法,在表如下所示3。

4所示。结论

研究人员采用autoencoders和CNN模型检测气溶胶LiDAR-orthophoto数据集,导致DL方法。架构设计来生成对象使用多分辨率和光谱差异细分。9个不同的特征的识别,包括光谱、结构,激光雷达,和orthofusion气溶胶检测的完成。接下来,他们被压缩到10功能在功能层面上,使用autoencoder模型。对物品进行分类,他们聘请高级特性产生的修改后的压缩特性。构建检测使用这个设计有许多优点,包括自动特征选择和删除冗余特征。卷积神经网络(cnn)是利用压缩信息转化为高层特征分类大气粒子的外层。本研究描述了深度学习方法,当应用于激光雷达数据,允许检测40%更大气的特性在15公里水平分辨率白天操作。相比现有的深度学习算法对边缘和复杂近地表白天风景,一个卷积autoencoder (CAE)训练使用激光雷达数据集标准产品数据显示潜在的改善气溶胶歧视。然而,数据集包括高度信息(融合orthomosaic照片和DSM)在大多数歧视的分类表现更好。 This study demonstrated CAE’s capacity to accurately categorize lower-resolution UAV-fused LiDAR images in comparison to very-high-resolution aerial shots and also indicated that dataset fusion is promising. The model has shown 98% accuracy of training and 98.7% accuracy of validation during experiments. While comparing with the GAN model on the right side at 60 epochs, CAE has shown the accuracy of 98% on training and 99% on testing with the inclusion of the GAN model. The sensitivity of CNNs with various fusion methods to the training dataset, regularization functions, and optimizers will be the subject of future research.

数据可用性

亲爱的先生/女士,你是关心我的代码的可用性和实际工作,我的实验室是保密的,不能共享给任何人,直到它被发表。其次,我将发布代码和实验室工作根据我的上司的指令:实验室名称:主管的名字:Mazhar Hameed问好。

的利益冲突

代表所有作者,作者声明没有利益冲突。

确认

我想感谢我的债务,使我温暖的谢谢。我们应感谢我的上司,杨教授Fengbao,使这项工作成为可能。他的友好的指导和专家意见非常宝贵的在所有阶段的工作。我也想表达我的感激之情高敏小姐对她的扩展讨论和宝贵的建议,造成了极大地提高。这项工作得到了国家自然科学基金(批准号61672472和61672472),中国科学基金北大学,中国北方大学研究生科技项目(批准号20181530),山西省和研究生教育创新项目。