地理栅格计算器（Raster Calculator in Geography）——功能更新：深度学习遥感分类和遥感反演

本程序以MATLAB的编程语言为基础，主要通过大量分析方法和多种栅格数据，从多角度考虑，初步设计出适合于栅格数据的程序包；提高数以万计的栅格的运算效率；建立适合于不同地域数据的多种分析方法的程序包；最终实现地理栅格数据的智能化处理，提高了数据的处理效率。期望可以将地理信息系统与MATLAB的数据处理系统紧密联系起来，对其他地学问题的处理有重要的应用价值和启发意义。

更新功能：基于卷积神经网络的遥感分类和遥感反演，提供分类网络：自定义、UNet、Vgg16和Vgg19。

一、常用工具（Utility）

1、批量裁剪（Extract）

2、数据形式转换（Data Transfer）

3、谐波分析（Harmonic Analysis of Time Series, HANTS）

4、Whittaker平滑（Whittaker Smooth, WS）

5、读入TIFF（Read from）

6、保存为TIFF（Save to）

二、相关分析（Correlation）

1、相关系数（Correlation Coefficient, CC）

2、偏相关系数（Partial Correlation Coefficient, PCC）

3、时滞互相关系数（Lag-time Correlation Coefficient, LCC）

4、时滞偏相关系数（Lag-time Partial Correlation Coefficient, LPCC）

三、变化特征（Change Characteristics）

1、线性趋势（Linear trend）

2、Sen趋势（Theil-Sen trend）

3、单调趋势（Kendall-tau）

4、MK检验（Mann-Kendall test）

5、分段线性回归（Piecewise Linear Regression）

6、Hurst指数（Hurst）

7、标准差（Standard Deviation, STD）

8、变异系数（Coefficient of Variation, CV）

9、经验正交函数（Empirical Orthogonal Function, EOF）

10、复经验正交函数（Complex Empirical Orthogonal Function, CEOF）

11、奇异值分解（Singular value decomposition, SVD）

四、模型（Model）

1、土壤侵蚀（Soil Erosion）

2、单个栅格温度植被干旱指数（TVDI）

3、多个栅格温度植被干旱指数（TVDIs）

五、CNN遥感分类

1、预处理

2、遥感影像采样

3、网络构建和样本训练

4、遥感分类

5、中值滤波

6、分类精度

六、CNN遥感反演

1、遥感影像采样

2、网络构建和样本训练

3、遥感反演

图1 地理栅格计算器菜单界面

图2 基于卷积神经网络的网络构建和样本训练界面

图3 基于4种不同网络结构的遥感分类结果

表 1 遥感影像分类误差矩阵

注：混淆矩阵、类别精度与总体精度单位均为%。

附注：

        深度学习网络包括卷积神经网络（CNN）、循环神经网络（RNN）、深度信念网络（DNN）等。其中，卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(convolutional layer)和池化层(pooling layer)。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。

        鉴于地物反射特性与地类关系的复杂性以及传统方法的缺陷，拟采用CNN方法，提出基于深度学习网络的遥感影像解译方法，通过抽取更抽象的特征来建立遥感数据与地类之间的最优模型，从而提高遥感影像解译精度。该程序主要根据CNN的三种图像处理方法进行遥感解译，分别为语义分割（Semantic Segmentation, SS）、图像分类（Image Classification, IC）和序列分类（Sequence Classification, SC）。