国际资讯|针对地下特征的自动遥感
点击图片上方蓝色字体“慧天地”即可订阅
英文原文来源：www.gislounge.com
中文编译整理：慧天地国际站一鸣
转载需经【慧天地】许可。
近十年来，研究人员在利用遥感数据对地表特征进行自动分类方面取得了许多进展，但在探测地下特征方面进展缓慢。探地雷达、电阻率法、磁力测量计等特征探测技术已经存在，但特征提取和识别的方法却主要依赖于仪器使用者的经验。
这其中的一个主要问题是如何创建能够处理复杂信号的方法。例如，探地雷达(GPR)经常产生含糊不清的信号，相对于要识别的特征可能会产生许多不同的噪声干扰。一种方法是使用近似多项式对给定的信号进行分类，然后使用导出的系数输入到所应用的神经元网络模型中。这种技术可以帮助减少噪声和区分那些与较大的背景信号不同并具有清晰模式的信号。基于最小系数的信号微分是简化和更好地区分数据信号的一种方法[1]。另一种方法是使用具有非线性激活函数的多层感知机来转换数据。这实际上是一种相似的技术，但与其他神经元网络模型相比使用不同的变换函数。这种方法的应用方向包括了从周围沉积物和土壤中区分地下结构的厚度[2]。
图1：探地雷达(GPR)系统
（图片来源：SZYMCZYK & SZYMCZYK, 2019.）
相关研究人员已经开发了一些方法来确定放置能够捕获相关数据的源和接收器的最佳位置。在地震研究中，人们已开始使用卷积神经元网络(CNNs)来更好的确定传感器的位置，从而获得更高质量的数据。这导致了非常高的精确度和召回率（超过0.99）。利用一系列的过滤层，信号的数据质量可以通过手动放置的仪器来评估。放置的效果也可以与其他位置进行比较，看看整体信号捕获是否有所改善。因此，该方法不仅关注于信号处理，还关注于同其他放置方式的比较，从而优化数据捕获位置[3]。地球物理学数据的一个问题是反演，在这种情况下，由于反射信号可能掩盖了真实数据的性质，因此数据点被解释为与真实情况相反。与此同时，使用卷积神经元网络的技术也得到了发展，通过使用激活函数来过滤和评估给定反演周围的数据信号模式。多层结构能够将数据转换并简化为特定信号，这一过程有助于识别数据模式并暗示可能发生反转的位置，同时使用贝叶斯学习技术检查这是否遵循其他数据的模式[4]。
地下地物的测绘正日益成为保障社区安全的技术。地下设施并不总是为人所知或被遗忘。目前，可行的一种方法是整合传感器数据和旧地图数据以估计可能存在地下设施的区域，从而创建地下设施的贝叶斯派生地图。该方法利用地图数据进行图像分割，利用贝叶斯统计对给定区域进行分类。这有助于创建一个派生的地下特征地图和分类系统，从而可视化旧设施可能存在的区域[5]。
图2：蓝线表示基于MANHOLE和传感器读数的模拟效用记录。红线表示模型建立的分段MANHOLE连接。
（图片来源：BILAL ET AL., 2018.）
绘制地下特征图不仅是一个潜在的安全议题，地球物理学和其他传感器获取的数据也已经开始进入“大数据”时代。与地面遥感类似，地下测绘工作现在可以更好地利用这些遥感数据来创建更精确的地图，自动化地理解特征，同时消除地球物理数据中常见的复杂噪音信号。这些技术尚未大规模应用，但地球物理社区研究人员的研究进程赶上遥感社区的其他研究人员可能也只是时间问题。
参考文献：
[1]For more on the use of neural networks to differentiate and assess input coefficients from GPR signals, see: Szymczyk M and Szymczyk P (2019) Neural networks based method for automatic classification of GPR data. In: COMPUTATIONAL TECHNOLOGIES INENGINEERING (TKI’2018): Proceedings of the 15th Conference on Computational Technologies in Engineering, Jora Wielka, Poland, 2019, p. 020014. DOI:10.1063/1.5092017.
[2]For more on multilayer perceptron neural network approach, see: Sukhobok YA, Verkhovtsev LR and Ponomarchuk YV (2019) Automatic Evaluation of Pavement Thickness in GPR Data with Artificial Neural Networks. IOP Conference Series: Earth and Environmental Science 272: 022202. DOI: 10.1088/1755-1315/272/2/022202.
[3]For more on location choice for relevant data capture points using CNN, see: Jiang W, Zhang J and Bell L (2019) 3D seismic geometry quality control and corrections by applying machine learning.GEOPHYSICS 84(6): P87–P96. DOI: 10.1190/geo2018-0617.1.
[4]For more on inversion differentiation, see: Liu Bin, Guo Q, Li S, et al. (2019) Deep Learning Inversion of Electrical Resistivity Data. arXiv:1904.05265 [physics]. Available at : https://arxiv.org/abs/1904.05265 (accessed 10 December 2019).
[5]For more information on using Bayesian learning for mapping and classification of underground utilities, see: Bilal M,Khan W, Muggleton J, et al. (2018) Inferring the most probable maps of underground utilities using Bayesian mapping model. Journal of Applied Geophysics 150: 52–66.DOI:10.1016/j.jappgeo.2018.01.006.
点击文末“阅读原文”即可查看原文章
内容转载、商务活动、投稿等合作请联系
微信号：huitiandi321
邮箱：geomaticshtd@163.com
欢迎关注慧天地同名新浪微博：
ID：慧天地_geomaticser
国际资讯|5G时代经济转型——地理空间之路
国际资讯|看Terra卫星如何多视角观测地球
国际资讯 | Capella Space公司计划于2020年进军商业SAR领域
《慧天地》敬告
《慧天地》公众号聚焦国内外时空信息科技前沿、行业发展动态、跨界融合趋势，探索企业核心竞争力，传播测绘地理信息文化，为测绘、地信、遥感等相关专业的同学提供日常学习、考研就业一站式服务，旨在打造政产学研用精准对接的平台。《慧天地》高度重视版权，对于原创、委托发布的稿件，会烦请作者、委托方亲自审核通过后才正式推发；对于来自网站、期刊、书籍、微博、微信公众号等媒介的稿件，会在作者栏或者文章开头显著标明出处，以表达对作者和推文引用平台版权的充分尊重和感谢；对于来源于网络作者不明的优质作品，转载时如出现侵权，请后台留言，我们会及时删除。感谢大家一直以来对《慧天地》的关注和支持！