CN111046838A - 一种湿地遥感信息的识别方法及装置 - Google Patents
一种湿地遥感信息的识别方法及装置 Download PDFInfo
- Publication number
- CN111046838A CN111046838A CN201911351683.4A CN201911351683A CN111046838A CN 111046838 A CN111046838 A CN 111046838A CN 201911351683 A CN201911351683 A CN 201911351683A CN 111046838 A CN111046838 A CN 111046838A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sample
- data
- compatible
- sensing information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 235000014676 Phragmites communis Nutrition 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 244000089486 Phragmites australis subsp australis Species 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 6
- 244000273256 Phragmites communis Species 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明属于环境监测的技术领域，具体涉及一种湿地遥感信息的识别方法，包括如下步骤，步骤一、基于相容粗糙集，对遥感影像数据进行预处理；步骤二、将所述预处理后的数据作为训练样本，然后对相容粗糙集样本进行处理，并输入到BP神经网络模型，对影像分类；步骤三、利用采集的样本点对分类结果进行分析和精度验证，建立混淆矩阵。本发明能够剔除训练样本中的噪声数据，提高遥感信息的识别精度。
Description
技术领域
本发明属于环境监测的技术领域，具体涉及一种湿地遥感信息的识别方法及装置。
背景技术
湿地兼具水陆两种生态系统特征，具有多种生态功能和经济价值。随着工业的发展和生态环境的加速恶化，湿地资源遭到严重破坏，湿地面积不断减少，生态功能逐渐退化，为保护和恢复湿地资源，及时、准确地获取湿地变化信息是十分必要的。
基于卫星遥感影像的湿地覆被信息提取技术具有信息量大、监测范围广、更新时间快且对被调查对象不会产生破坏等特点，广泛应用于湿地调查监测中。传统的遥感分类方法主要是通过计算机进行自动解译，即利用地物的光谱等特征，采用数学统计聚类模式进行分类，包括最大似然法、决策树法、面向对象法、BP神经网络、支持向量机等。
发明人发现现有方案至少还存在以下缺陷：数据中噪声较多，导致识别精度较低。
发明内容
本发明的目的之一在于：针对现有技术的不足，提供一种湿地遥感信息的识别方法，能够剔除训练样本中的噪声数据，提高遥感信息的识别精度。
为了实现上述目的，本发明采用如下技术方案：
一种湿地遥感信息的识别方法，包括如下步骤：
步骤一、基于相容粗糙集，对遥感影像数据进行预处理；
步骤二、将所述预处理后的数据作为训练样本，然后对相容粗糙集样本进行处理，并输入到BP神经网络模型，对影像分类；
步骤三、利用采集的样本点对分类结果进行分析和精度验证，建立混淆矩阵。
需要说明的是，本发明的识别方法中，步骤一中，基于相容粗糙集理论对遥感影像数据进行预处理，在不影响分类精度的情形下，减少样本数据中的噪声；步骤二中，结合目标区域湿地土地利用覆被现状图和开发利用特点，参考现有覆被分类成果，将目标区域初步分为河流、湖泊-养殖塘、林地、芦苇、水田、滩涂、居民点、旱地8个类型；步骤三中，利用GPS野外采集的样本点分别对分类结果进行精度验证，建立混淆矩阵，其中，混淆矩阵是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示,具体评价指标有总体精度、制图精度、用户精度等，这些精度指标从不同的侧面反映了图像分类的精度，在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面，混淆矩阵是通过将每个实测像元的位置和分类与分类图像中的相应位置和分类相比较计算的。
作为本发明所述的一种湿地遥感信息的识别方法的一种改进，所述步骤一中，还包括：
获取预设历史时间段内目标区域的实地数据；
根据所述实地数据获取所述目标区域的矢量边界图；
根据所述矢量边界图对遥感影像进行裁剪。
作为本发明所述的一种湿地遥感信息的识别方法的一种改进，所述步骤二中，将所述预处理后的数据作为所述训练样本，包括：
根据所述目标区域的土地利用数据，将所述目标区域分成若干类地物；
根据若干类所述地物的反射率差异，分析若干类所述地物的光谱特性，选择所述训练样本。
作为本发明所述的一种湿地遥感信息的识别方法的一种改进，所述地物包括河流、湖泊、林地、芦苇、水田、滩涂、居民点、旱地。
作为本发明所述的一种湿地遥感信息的识别方法的一种改进，所述步骤二中，对所述相容粗糙集样本进行处理，包括：
根据多光谱数据，提取所述训练样本各波段的反射率值；
通过粗糙熵获取相似性阈值最优值，进行相容粗糙集约简处理。
作为本发明所述的一种湿地遥感信息的识别方法的一种改进，所述步骤二中，并输入到BP神经网络模型，对影像分类，包括：
将相容粗糙集约简后得到的新样本集合作为输入数据，建立所述相容粗糙集和所述BP神经网络相结合的遥感影像分类模型。
作为本发明所述的一种湿地遥感信息的识别方法的一种改进，所述BP神经网络模型的输入层节点的数量为7个，所述BP神经网络模型的输出层节点的数量为8个，所述BP神经网络模型的隐藏层节点的数量为19个。
本发明的目的之二在于提供一种湿地遥感信息的识别装置，包括依次连接的预处理模块、影像分类模块及输出模块；
所述预处理模块，用于对遥感影像数据进行处理；
所述影像分类模块，用于将处理后的数据作为训练样本，然后对相容粗糙集样本进行处理，并输入到BP神经网络模型，对影像分类；
所述输出模块，用于输出分类结果图，并对所述分类结果图进行分析和精度验证，建立混淆矩阵。
作为本发明所述的一种湿地遥感信息的识别装置的一种改进，所述预处理模块和所述影像分类模块均设置有资料输入端，所述资料输入端用于输入预设历史时间段内目标区域的实地数据。
作为本发明所述的一种湿地遥感信息的识别装置的一种改进，所述输出模块设置有样品输入端，所述样品输入端用于输入验证样品。
本发明的有益效果在于，本发明包括如下步骤，步骤一、基于相容粗糙集，对遥感影像数据进行预处理；步骤二、将所述预处理后的数据作为训练样本，然后对相容粗糙集样本进行处理，并输入到BP神经网络模型，对影像分类；步骤三、利用采集的样本点对分类结果进行分析和精度验证，建立混淆矩阵。本发明能够剔除训练样本中的噪声数据，提高遥感信息的识别精度。
附图说明
图1为本发明的流程示意图。
图2为本发明的分类结果图。
图3为本发明中不同方法分类结果对比图。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接受的误差范围内，本领域技术人员能够在一定误差范围内解决技术问题，基本达到技术效果。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
以下结合附图对本发明作进一步详细说明，但不作为对本发明的限定。
实施例1
如图1～3所示，一种湿地遥感信息的识别方法，包括如下步骤：
步骤一、基于相容粗糙集，对遥感影像数据进行预处理；
步骤二、将预处理后的数据作为训练样本，然后对相容粗糙集样本进行处理，并输入到BP神经网络模型，对影像分类；
步骤三、利用采集的样本点对分类结果进行分析和精度验证，建立混淆矩阵。
需要说明的是，本发明的识别方法中，步骤一中，基于相容粗糙集理论对遥感影像数据进行预处理，在不影响分类精度的情形下，减少样本数据中的噪声；步骤二中，结合目标区域湿地土地利用覆被现状图和开发利用特点，参考现有覆被分类成果，将目标区域初步分为河流、湖泊-养殖塘、林地、芦苇、水田、滩涂、居民点、旱地8个类型；步骤三中，利用GPS野外采集的样本点分别对分类结果进行精度验证，建立混淆矩阵，其中，混淆矩阵是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示,具体评价指标有总体精度、制图精度、用户精度等，这些精度指标从不同的侧面反映了图像分类的精度，在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面，混淆矩阵是通过将每个实测像元的位置和分类与分类图像中的相应位置和分类相比较计算的。
优选的，步骤一中，还包括：
获取预设历史时间段内目标区域的实地数据；
根据实地数据获取目标区域的矢量边界图；
根据矢量边界图对遥感影像进行裁剪。
需要说明的是：收集整理实地调查数据、已有研究资料及成果，根据湿地行政区划图获取矢量边界图；OLI遥感数据下载及预处理，包括辐射定标、大气校正等；利用ENVI软件根据矢量边界对遥感影像进行裁剪获取数据；通过野外实地考察，用手持GPS定点采集验证样本数据。
优选的，步骤二中，将预处理后的数据作为训练样本，包括：
根据目标区域的土地利用数据，将目标区域分成若干类地物；
根据若干类地物的反射率差异，分析若干类地物的光谱特性，选择训练样本。
需要说明的是：在ENVI中提取所有训练样本的各波段灰度值，B1、B2、B3、B4、B5、B6、B7、分别代表Landsat-8影像的深蓝、蓝、绿、红、近红外、短波红外1、短波红外2七个波段的灰度值。1、2、3、4、5、6、7、8分别代表河流、湖泊-养殖塘、林地、芦苇、水田、滩涂、居民点、旱地8个决策类。根据各类地物的反射率差异，分析地物光谱特性并选择训练样本。
优选的，地物包括河流、湖泊、林地、芦苇、水田、滩涂、居民点、旱地。
优选的，步骤二中，对相容粗糙集样本进行处理，包括：
根据多光谱数据，提取训练样本各波段的反射率值；
通过粗糙熵获取相似性阈值最优值，进行相容粗糙集约简处理。
需要说明的是：计算每个样本间的相似度SIMA，并得样本间的相似度矩阵。利用该相似度矩阵，依据式给出的基于相似划分的粗糙熵的定义，在阈值区间(0.5,1]进行相似性阈值τ的最优计算。求得所有样本的下/上近似集和粗糙隶属度后，根据相容粗糙集数据预处理判别规则对所有训练样本逐一进行类别属性判断。经过相容粗糙集预处理后，去除属于其他类别的样本和决策属性无法判别的样本，得到新的样本数据集。
其中，决策表IS＝(U,A∪D)，A＝{a1,a2,…,am}为条件属性集，D＝{1,2,…,c}为单决策类集，
关于属性a的相似关系定义为：
则
对于属性集合A的相似度定义为：
式中，|A|为条件属性的个数；τ∈[0,1]是相似性阈值，表示同一个相容类中所有元素之间的相似程度。
根据相似关系可以得到元素x的相容类，即所有与x有相似关系的元素所组成的集合：
SIMA,τ(x)＝{y∈U|(x,y)∈SIMA,τ}
对于论域内的任意子集
其对属性集合A的基于相似关系的下、上近似集和边界域可表示为：
粗糙熵：
式中，
Card(Xi)代表样本数据集合的基数，θ为粗糙因子，
τ∈(0.5,1]。
下、上近似集：
粗糙隶属度
优选的，步骤二中，并输入到BP神经网络模型，对影像分类，包括：
将相容粗糙集约简后得到的新样本集合作为输入数据，建立相容粗糙集和BP神经网络相结合的遥感影像分类模型。
需要说明的是：BP神经网络的输入层为7个节点，输出层8个节点，隐含层19个节点。隐含层的神经元采用tansig双曲正切S型传递函数，输出为(-1,1)；输出层的神经元则采用logsig对数S型传递函数，输出为(0,1)。应用函数newff建立BP网络，网络训练采用Levenberg-Marquardt算法。
Levenberg-Marquardt算法为
Net＝newff(minmax(P),[19,8],{'tansig','logsig'},'trainlm')
其中，P为训练样本数据组成的矩阵；minmax定义了P的最小值和最大值。trainlm为训练函数。
采用函数train进行网络训练，训练次数2000，次，训练精度0.1，trainlm函数最低性能梯度为1e-6、学习速率基值为0.001、学习速率减少率为0.1、学习速率增加率为10、最大学习速率为1e10，其余参数使用缺省值。
优选的，BP神经网络模型的输入层节点的数量为7个，BP神经网络模型的输出层节点的数量为8个，BP神经网络模型的隐藏层节点的数量为19个。
实施例2
一种湿地遥感信息的识别装置，包括依次连接的预处理模块、影像分类模块及输出模块；
预处理模块，用于对遥感影像数据进行处理；
影像分类模块，用于将处理后的数据作为训练样本，然后对相容粗糙集样本进行处理，并输入到BP神经网络模型，对影像分类；
输出模块，用于输出分类结果图，并对分类结果图进行分析和精度验证，建立混淆矩阵。
需要说明的是：通过相容粗糙集和BP神经网络的融合分类方法，可以剔除训练样本中的噪声数据，提高网络的训练成功率，缩短网络的收敛时间，分类效果较好，可以快速准确地获取湿地生态环境监测基础数据，为遥感影像信息提取与解译提供了一种人工干预少、自动化程度高、解译精度高的手段，同时可为其他地区湿地生态环境保护的管理与治理等决策提供科学依据。
优选的，预处理模块和影像分类模块均设置有资料输入端，资料输入端用于输入预设历史时间段内目标区域的实地数据。
优选的，输出模块设置有样品输入端，样品输入端用于输入验证样品。
根据上述说明书的揭示和教导，本发明所属领域的技术人员还能够对上述实施方式进行变更和修改。因此，本发明并不局限于上述的具体实施方式，凡是本领域技术人员在本发明的基础上所作出的任何显而易见的改进、替换或变型均属于本发明的保护范围。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。
Claims (10)
1.一种湿地遥感信息的识别方法，其特征在于，包括如下步骤：
步骤一、基于相容粗糙集，对遥感影像数据进行预处理；
步骤二、将所述预处理后的数据作为训练样本，然后对相容粗糙集样本进行处理，并输入到BP神经网络模型，对影像分类；
步骤三、利用采集的样本点对分类结果进行分析和精度验证，建立混淆矩阵。
2.如权利要求1所述的一种湿地遥感信息的识别方法，其特征在于，所述步骤一中，还包括：
获取预设历史时间段内目标区域的实地数据；
根据所述实地数据获取所述目标区域的矢量边界图；
根据所述矢量边界图对遥感影像进行裁剪。
3.如权利要求2所述的一种湿地遥感信息的识别方法，其特征在于，所述步骤二中，将所述预处理后的数据作为所述训练样本，包括：
根据所述目标区域的土地利用数据，将所述目标区域分成若干类地物；
根据若干类所述地物的反射率差异，分析若干类所述地物的光谱特性，选择所述训练样本。
4.如权利要求3所述的一种湿地遥感信息的识别方法，其特征在于:所述地物包括河流、湖泊、林地、芦苇、水田、滩涂、居民点、旱地。
5.如权利要求1所述的一种湿地遥感信息的识别方法，其特征在于，所述步骤二中，对所述相容粗糙集样本进行处理，包括：
根据多光谱数据，提取所述训练样本各波段的反射率值；
通过粗糙熵获取相似性阈值最优值，进行相容粗糙集约简处理。
6.如权利要求5所述的一种湿地遥感信息的识别方法，其特征在于，所述步骤二中，并输入到BP神经网络模型，对影像分类，包括：
将相容粗糙集约简后得到的新样本集合作为输入数据，建立所述相容粗糙集和所述BP神经网络相结合的遥感影像分类模型。
7.如权利要求1所述的一种湿地遥感信息的识别方法，其特征在于：所述BP神经网络模型的输入层节点的数量为7个，所述BP神经网络模型的输出层节点的数量为8个，所述BP神经网络模型的隐藏层节点的数量为19个。
8.一种湿地遥感信息的识别装置，其特征在于：包括依次连接的预处理模块、影像分类模块及输出模块；
所述预处理模块，用于对遥感影像数据进行处理；
所述影像分类模块，用于将处理后的数据作为训练样本，然后对相容粗糙集样本进行处理，并输入到BP神经网络模型，对影像分类；
所述输出模块，用于输出分类结果图，并对所述分类结果图进行分析和精度验证，建立混淆矩阵。
9.如权利要求8所述的一种湿地遥感信息的识别装置，其特征在于：所述预处理模块和所述影像分类模块均设置有资料输入端，所述资料输入端用于输入预设历史时间段内目标区域的实地数据。
10.如权利要求8所述的一种湿地遥感信息的识别装置，其特征在于：所述输出模块设置有样品输入端，所述样品输入端用于输入验证样品。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911351683.4A CN111046838A (zh) | 2019-12-24 | 2019-12-24 | 一种湿地遥感信息的识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911351683.4A CN111046838A (zh) | 2019-12-24 | 2019-12-24 | 一种湿地遥感信息的识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111046838A true CN111046838A (zh) | 2020-04-21 |
Family
ID=70239994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911351683.4A Pending CN111046838A (zh) | 2019-12-24 | 2019-12-24 | 一种湿地遥感信息的识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111046838A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563430A (zh) * | 2020-04-24 | 2020-08-21 | 浙江省公益林和国有林场管理总站 | 一种基于卷积神经的公益林地类图像智能识别方法及系统 |
| CN113792706A (zh) * | 2021-10-08 | 2021-12-14 | 中国环境科学研究院 | 一种基于卫星遥感的VOCs排放源储油罐精准识别方法 |
| CN114120137A (zh) * | 2021-10-19 | 2022-03-01 | 桂林理工大学 | 一种基于时序主被遥感影像的湿地要素时空演变监测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109697475A (zh) * | 2019-01-17 | 2019-04-30 | 中国地质大学（北京） | 一种湿地植被信息分析方法、遥感监测组件及监测方法 |
| CN110046214A (zh) * | 2019-04-17 | 2019-07-23 | 华北电力大学（保定） | 基于植被分布数据库的植被类遥感信息自动识别方法 |
| CN110222832A (zh) * | 2019-06-19 | 2019-09-10 | 中国水产科学研究院东海水产研究所 | 长江口盐沼湿地大型底栖动物栖息地模拟预测方法 |
-
2019
- 2019-12-24 CN CN201911351683.4A patent/CN111046838A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109697475A (zh) * | 2019-01-17 | 2019-04-30 | 中国地质大学（北京） | 一种湿地植被信息分析方法、遥感监测组件及监测方法 |
| CN110046214A (zh) * | 2019-04-17 | 2019-07-23 | 华北电力大学（保定） | 基于植被分布数据库的植被类遥感信息自动识别方法 |
| CN110222832A (zh) * | 2019-06-19 | 2019-09-10 | 中国水产科学研究院东海水产研究所 | 长江口盐沼湿地大型底栖动物栖息地模拟预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 刘俊;涂飞云;刘鹏;韩卫杰;游晓庆;黄晓凤;: "基于面向对象的鄱阳湖湿地枯水期地类分类研究", 南方林业科学, no. 03, 15 June 2017 (2017-06-15) * |
| 刘翔;刘会玉;林振山;贾俊鹤;吕士成;: "基于Landsat OLI影像的盐城滨海湿地分类方法对比研究", 湿地科学, no. 05, 15 October 2017 (2017-10-15), pages 689 - 696 * |
| 周林飞;姚雪;王鹤翔;张静;: "基于Landsat?8遥感影像的湿地覆被监督分类研究", 中国农村水利水电, no. 09, 15 September 2015 (2015-09-15) * |
| 周林飞;姚雪;芦晓峰;: "基于相容粗糙集的BP神经网络湿地覆被信息提取――以双台子河口湿地为例", 资源科学, no. 08, 15 August 2016 (2016-08-15), pages 1538 - 1549 * |
| 周林飞;姚雪;芦晓峰;: "基于相容粗糙集的BP神经网络湿地覆被信息提取――以双台子河口湿地为例", 资源科学, no. 08, pages 1538 - 1549 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563430A (zh) * | 2020-04-24 | 2020-08-21 | 浙江省公益林和国有林场管理总站 | 一种基于卷积神经的公益林地类图像智能识别方法及系统 |
| CN113792706A (zh) * | 2021-10-08 | 2021-12-14 | 中国环境科学研究院 | 一种基于卫星遥感的VOCs排放源储油罐精准识别方法 |
| CN113792706B (zh) * | 2021-10-08 | 2024-03-01 | 中国环境科学研究院 | 一种基于卫星遥感的VOCs排放源储油罐精准识别方法 |
| CN114120137A (zh) * | 2021-10-19 | 2022-03-01 | 桂林理工大学 | 一种基于时序主被遥感影像的湿地要素时空演变监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
| CN111738064B (zh) | 一种雾霾图像的雾浓度识别方法 | |
| CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
| CN110070008A (zh) | 一种采用无人机图像的桥梁病害识别方法 | |
| CN105809121A (zh) | 多特征协同的交通标志检测与识别方法 | |
| CN111161362B (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
| CN109344891A (zh) | 一种基于深度神经网络的高光谱遥感数据分类方法 | |
| CN111222545B (zh) | 基于线性规划增量学习的图像分类方法 | |
| CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
| CN110702648B (zh) | 基于非下采样轮廓波变换的荧光光谱污染物分类方法 | |
| CN109063619A (zh) | 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统 | |
| CN113936214B (zh) | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 | |
| CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
| CN114170418A (zh) | 一种以图搜图的汽车线束连接器多特征融合图像检索方法 | |
| CN118655098B (zh) | 一种基于光谱反射的水质参数分类反演方法和系统 | |
| CN112364844B (zh) | 一种基于计算机视觉技术的数据采集方法及系统 | |
| CN116503677B (zh) | 一种湿地分类信息提取方法、系统、电子设备及存储介质 | |
| CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
| CN112418262A (zh) | 车辆再识别的方法、客户端及系统 | |
| CN109190451B (zh) | 基于lfp特征的遥感图像车辆检测方法 | |
| CN117115652A (zh) | 一种基于可见光谱视觉遥感的林地退化目标检测识别方法 | |
| CN114862883A (zh) | 一种目标边缘提取方法、图像分割方法及系统 | |
| CN112800826A (zh) | 一种基于遥感影像分类的城市变化监测方法及系统 | |
| CN113505784A (zh) | 甲片自动标注解析方法及装置、电子设备及存储介质 | |
| CN112861807B (zh) | 一种基于改进gli指数和深度学习的极地植被提取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yuan Ximin Inventor after: Teng Zhenmin Inventor after: Xu Kui Inventor after: Xu Haotian Inventor after: Tian Fuchang Inventor before: Yuan Ximin Inventor before: Xu Kui Inventor before: Xu Haotian Inventor before: Tian Fuchang |
|
| CB03 | Change of inventor or designer information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210623 Address after: 300072 Tianjin City, Nankai District Wei Jin Road No. 92 Applicant after: Tianjin University Applicant after: Chongzuo Zuojiang drought control project management center Address before: 300072 Tianjin City, Nankai District Wei Jin Road No. 92 Applicant before: Tianjin University |
|
| TA01 | Transfer of patent application right |