CN105279223A - 一种遥感图像计算机自动解译的方法 - Google Patents
一种遥感图像计算机自动解译的方法 Download PDFInfo
- Publication number
- CN105279223A CN105279223A CN201510476977.5A CN201510476977A CN105279223A CN 105279223 A CN105279223 A CN 105279223A CN 201510476977 A CN201510476977 A CN 201510476977A CN 105279223 A CN105279223 A CN 105279223A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- index
- spot
- interpretation
- polygon
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种遥感图像计算机自动解译的方法,它涉及遥感图像的计算机自动解译和应用技术领域,其具体步骤为:(1)元多边形的定义及矢量库生成;(2)本征地物类定义及属性库生成;(3)解译指标数据库构建;(4)辅助解译信息数据库集成;(5)基于似然推理模型的面向行业的图斑推理;(6)建立混淆矩阵,对计算机解译结果进行验证;(7)定量遥感估计。它实现多行业、多用户遥感图像解译产品的生产和集成共享,获得具有图斑地物类别及其它高层语义知识的计算机自动解译产品,为同一研究区域的不同用户提供基本的ArcGIS矢量标准库,节约了重复勾绘图斑的人力和时间,可以有效的促进卫星影像解译结果的产业化。
Description
技术领域:
本发明涉及一种遥感图像计算机自动解译的方法,属于遥感图像的计算机自动解译和应用技术领域。
背景技术:
目前,遥感影像已在林业、农业、水利等部门普及应用,实现遥感影像的自动解译及其产品的跨行业共享集成,对于促进遥感影像应用的深度和广度具有重要的意义。然而,由于遥感解译产品仍难以像基础地理数据在各个行业领域中得到共享和应用。首先,涉及到遥感影像应用的工作者们及技术支持团队在生产应用中,大都使用人工判读和手工勾绘、手工填写属性信息等方式解译遥感图像。这种方式具有很大的不稳定性,难以实现数据共享、交换、持续更新、管理。其次,现有遥感图像信息计算机解译大都以特定的研究区域、特定的行业应用角度、特定的目标为前提,遥感影像自动识别难以以高效率的方式实现多用户、多目标信息共享,并且解译产品难以分发。再次,一些复杂的算法,虽能取得良好的实验效果和高精度的分类结果,但大规模的数据生产会花费较多的时间,处理后的数据同样难以实现其他行业的数据共享。因此,有必要提出一种适用于多级别、多尺度信息提取的通用框架,在图形分类基础上,进一步发展共性的语义推理方法,实现专业领域的语义自动解译和多行业领域的数据集成和共享。
发明内容:
针对上述问题,本发明要解决的技术问题是提供一种遥感图像计算机自动解译的方法。
本发明的一种遥感图像计算机自动解译的方法,其具体步骤为:1、元多边形的定义及矢量库生成;2、本征地物类定义及属性库生成;3、解译指标数据库构建;4、辅助解译信息数据库集成;5、基于似然推理模型的面向行业的图斑推理;6、建立混淆矩阵,对计算机解译结果进行验证;7、定量遥感估计。
作为优选,所述的步骤5可以替换为基于确定性推理模型的面向行业的图斑推理。
作为优选,所述的元多边形的定义及矢量库生成的步骤包含:1、利用纹理度量,除去图像中“异常点”或“孤立点”;2、按光谱度量识别色斑;3、连通光谱度量和纹理度量相似的区域,检测最小图斑;4、如果不符合要求,将这些图斑作为待识别的“点”,回到开始步骤;如果符合要求,转入下一步;5、栅格图像转换为矢量GIS数据库,生成元多边形属性库。
作为优选,所述的本征地物类定义及属性库生成的步骤包含:1、用反射率指标合成假彩色图像,作为地面覆盖参照;2、依据本征地物类分类标准、光谱和纹理信息,为每种地物类确定本征类别;3、人机交互的方法,查看图像与代码的对应关系;4、调整或校准规则,修正错误的类别;5、基于混淆矩阵估计正判率,若达到95%,则视为多边形元解译合格;若低于95%,则返回修正。
作为优选,所述的解译指标数据库构建的步骤包含:1、将表征解译指标的栅格数据与多边形元矢量数据进行叠加;2、以多边形元矢量外边界为范围限定条件,进行包含式的选取分析;3、对于选择得到的区域栅格进行统计分析,求得定量指标数据;4、将多边形元的解译指标数据写入与元多边形关联的属性数据库中。
作为优选,所述的辅助解译信息数据库集成的步骤包含:1、根据专业和用户个性需求,选取与定义辅助解译信息指标,一般为基于DEM的地学指标;2、对DEM进行预处理,如重新定义像元大小等;3、按指标定义,利用DEM计算辅助解译指标的栅格图像;4、以多边形元为边界,应用空间栅格选取功能,取得落入多边形内的栅格点,求算基于该多边形的辅助解译指标;5、将该指标写入多边形元的属性数据库中。
作为优选,所述的基于似然推理或确定性推理模型的面向行业的图斑推理的步骤包含:1、用户依据自己的专业应用要求,建立专业分类标准与分类系统;2、准备判读样地数据集,如使用GPS采集的样点集;3、判读样地与对地观测元多边形叠加分析,建立语义解译规则;4、使用辅助解译信息,构建面向图像高层语义知识的专家知识库;5、确定本征地物类到专业类的对应关系;6、使用似然推理模型或确定性推理模型对图斑进行属性判断;7、基于同种地物类别的图斑归并。
作为优选,所述的建立混淆矩阵,对计算机解译结果进行验证的步骤包含:1、选取预留的样点;2、提取统计每类用户定义的语义类别的样点数及每类样点落在经实地验证的地类的样点数,建立混淆矩阵;3、计算过程精度、用户精度、总体精度;4、当总体精度达到85%以上为合格;5、若低于85%,需重构解译模型。
作为优选,所述的定量遥感估计的步骤包含:1、确定待估的参量指标;2、确定待估指标所在地物类,依据图斑类别的待估指标状况设计采样框;3、获取地面样本点;4、回归建模,计算每个图斑的待估指标;5、当统计计算完成后,定量估计结果写入图斑属性库中。
本发明的有益效果为:它实现多行业、多用户遥感图像解译产品的生产和集成共享,获得具有图斑地物类别及其它高层语义知识的计算机自动解译产品,为同一研究区域的不同用户提供基本的ArcGIS矢量标准库,节约了重复勾绘图斑的人力和时间,可以有效的促进卫星影像解译结果的产业化。
附图说明:
为了易于说明,本发明由下述的具体实施及附图作以详细描述。
图1为本发明的流程图;
图2为实施例中地面调查勾绘的植被图与自动识别的多边形元的对比图;
图3为实施例中安宁市多边形元属性库截图1;
图4为实施例中安宁市多边形元属性库截图2;
图5为实施例中安宁市森林可燃物解译结果之可燃物分布图;
图6为实施例中安宁市森林可燃物解译结果可燃物属性表截图;
图7为实施例中安宁市森林可燃物精度检验之混淆矩阵;
图8为实施例中安宁市云南松林分郁闭度与地面细小可燃物载量的散点图。
图9为本发明中本征地物分类系统简表;
图10为实施例中安宁市可燃物类别分类系统;
图11为实施例中混淆矩阵表。
具体实施方式:
为使本发明的目的、技术方案和优点更加清楚明了,下面通过附图和附表中示出的具体实施例来描述本发明。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
如图1所示,本具体实施方式采用以下技术方案:其具体步骤为:1、元多边形的定义及矢量库生成;2、本征地物类定义及属性库生成;3、解译指标数据库构建;4、辅助解译信息数据库集成;5、基于似然推理模型的面向行业的图斑推理;6、建立混淆矩阵,对计算机解译结果进行验证;7、定量遥感估计。
进一步的,所述的步骤5可以替换为基于确定性推理模型的面向行业的图斑推理。
进一步的,所述的元多边形的定义及矢量库生成的步骤包含:1、利用纹理度量,除去图像中“异常点”或“孤立点”;2、按光谱度量识别色斑;3、连通光谱度量和纹理度量相似的区域,检测最小图斑;4、如果不符合要求,将这些图斑作为待识别的“点”,回到开始步骤;如果符合要求,转入下一步;5、栅格图像转换为矢量GIS数据库,生成元多边形属性库。
进一步的,所述的本征地物类定义及属性库生成的步骤包含:1、用反射率指标合成假彩色图像,作为地面覆盖参照;2、依据本征地物类分类标准、光谱和纹理信息,为每种地物类确定本征类别;3、人机交互的方法,查看图像与代码的对应关系;4、调整或校准规则,修正错误的类别;5、基于混淆矩阵估计正判率,若达到95%,则视为多边形元解译合格;若低于95%,则返回修正。
本具体实施方式结合全国土地调查土地分类标准,制定本征地物分类系统,如图9所示。
进一步的,所述的解译指标数据库构建的步骤包含:1、将表征解译指标的栅格数据与多边形元矢量数据进行叠加;2、以多边形元矢量外边界为范围限定条件,进行包含式的选取分析;3、对于选择得到的区域栅格进行统计分析,求得定量指标数据;4、将多边形元的解译指标数据写入与元多边形关联的属性数据库中。
进一步的,所述的辅助解译信息数据库集成的步骤包含:1、根据专业和用户个性需求,选取与定义辅助解译信息指标,一般为基于DEM的地学指标;2、对DEM进行预处理,如重新定义像元大小等;3、按指标定义,利用DEM计算辅助解译指标的栅格图像;4、以多边形元为边界,应用空间栅格选取功能,取得落入多边形内的栅格点,求算基于该多边形的辅助解译指标;5、将该指标写入多边形元的属性数据库中。
进一步的,所述的基于似然推理或确定性推理模型的面向行业的图斑推理的步骤包含:1、用户依据自己的专业应用要求,建立专业分类标准与分类系统;2、准备判读样地数据集,如使用GPS采集的样点集;3、判读样地与对地观测元多边形叠加分析,建立语义解译规则;4、使用辅助解译信息,构建面向图像高层语义知识的专家知识库;5、确定本征地物类到专业类的对应关系;6、使用似然推理模型或确定性推理模型对图斑进行属性判断;7、基于同种地物类别的图斑归并。
上述所述的建立似然推理模型的步骤具体包括:
乘法概率模型建立。
设C={ξi∣ξi为多边形元上的第i个增值集成指标,i=1,2....n}。
Ω1、Ω2、Ω3、…、Ωm构成了总体Ω的一个完全划分,即Ω1∩Ω2∩Ω3∩…∩Ωm=Ф,Ω=Ω1∪Ω2∪Ω3∪…∪Ωm,在我们的问题中Ω1、Ω2、Ω3、…、Ωm是待识别的对象,是用户专业分类系统定义的地类。
假设ξi相互独立,是随机变量ξ的第i个分量,多边形元属于哪个子体,是由ξ的各个分量联合确定的;ξi密度函数正态的,且正态密度函数的基本形式为:f(xi)=1/exp(-(xi-ui)2/(2σi2)),i=1,2…n,ui为ξi的均值,σi为ξi的方差,由于ξi独立,所以概率p{ξ∈Ωi}=p{ξ=(ξ1,ξ2,。。。ξn)∈ΩI}=p{ξ1∈ΩI}×p{ξ2∈ΩI}×…×p{ξn∈ΩI}。
上面模型说明,利用增值数据库的指标ξ1,ξ2,…ξn判定某个多边形元属于某种地类的概率,等于用各个指标计算的该多边形属于某种地类的概率的乘积。对于任意多边形,假设pi=p{ξ∈Ωi}为该多边形属于Ωi的概率,i=1,2,3…n,则对pi进行排序,Max{pi,i=1,2,…n}所对应的Ωi将是多边形元的最大概率推断类别。
加法概率模型建立:
各变量的基本假设如乘法概率模型与推理所述。
假设ξi相互独立,ξi密度函数正态的,且正态密度函数的基本形式为:f(xi)=1/exp(-(xi-ui)2/(2σi2)),i=1,2…n,ui为ξi的均值,σi为ξi的方差。
如果假定每个ξi可独立确定待判多边形元属于哪个子类,即p{ξ∈Ω}=p{ξ∈Ω1}∪p{ξ∈Ω2}∪…∪p{ξ∈Ωn}。
上面模型说明,利用增值数据库的指标ξ1,ξ2,…ξn判定某个多边形元属于某种地类的概率,等于用各个指标计算的该多边形属于某种地类的概率的和。对于任意多边形,假设pi=p{ξ∈Ωi}为该多边形属于Ωi的概率,i=1,2,3…n,则对pi进行排序,Max{pi,i=1,2,…n}所对应的Ωi将是多边形元的最大概率推断类别。
贝叶斯概率模型建立:
各变量的基本假设如乘法概率模型与推理所述。
如果依据经验或其它手段,能预先知道各种地类的一个先验概率,即各种地类的成数比例,则加法概率模型与推理的概率计算:
p{ξ∈Ωi}=p{ξ∈ΩI}∪p{ξ∈Ω2}∪…∪p{ξ∈Ωn}
可转换为贝叶斯概率模型:
对于任意多边形,假设pi=p{ξ∈Ωi}为该多边形属于Ωi的概率,i=1,2,3…n,则对pi进行排序,Max{pi,i=1,2,…n}所对应的Ωi将是多边形元的最大概率推断类别。
正态分布的概率密度函数模型建立:
假设地物类依某个指标的分布密度函数是正态的,即Ω~N(u,σ2),这种地物有分布低限、分布高限和最适合分布区,在接近低限或高限的区域,出现该地物的可能性越来越小。只要快速估计出各个指标下的总体的一维正态分布的密度函数,即可推理某多边形隶属某类地物的概率。
个体ξ属于某种地类Ωi的正态分布的概率密度函数模型如下:
若样本x{x1,x2,x3,…,xn}容量足够大,样本个数为n>30,使用点估计法进行估计。由已有的专家知识或是现实的地面调查数据,估计出正态密度函数的两个待估参数u和σ,即分布的中心位置与分布的离散程度。样本均值X与样本方差S2分别是总体均值u与方差σ2的无偏估计值,估计公式如下:
上述建立确定性推理模型的步骤具体包括:
假设用户判断某个多边形ξ的地物类型需由m个解译指标和辅助解译指标共同组成k条规则构成,即condition(条件1,条件2,……,条件k),则决然推理过程为:
IFcondition(条件1,条件2,……,条件k)THENξ=Ωi
condition(条件1,条件2,……,条件k)可能是由复杂的逻辑运算符连接起来的“复合条件”。
进一步的,所述的建立混淆矩阵,对计算机解译结果进行验证的步骤包含:1、选取预留的样点;2、提取统计每类用户定义的语义类别的样点数及每类样点落在经实地验证的地类的样点数,建立混淆矩阵;3、计算过程精度、用户精度、总体精度;4、当总体精度达到85%以上为合格;5、若低于85%,需重构解译模型。
进一步的,所述的定量遥感估计的步骤包含:1、确定待估的参量指标;2、确定待估指标所在地物类,依据图斑类别的待估指标状况设计采样框;3、获取地面样本点;4、回归建模,计算每个图斑的待估指标;5、当统计计算完成后,定量估计结果写入图斑属性库中。
本具体实施方式提出了一种遥感图像计算机自动解译的方法,该方法在遥感图像的图形自动识别的基础上,依据专业应用的分类系统或个性化需求,对图斑具有的地物类别或属性进行计算机自动解译。多边形元和本征地物类是本发明提出的新术语,将为同一研究区域的不同用户提供了基本的ArcGIS矢量标准库,节约了重复勾绘图斑的人力和时间,实现了数据的有效共享和客观性,可以有效的促进卫星影像解译结果的产业化。在多边形元矢量数据库基础上,根据专业语义理解做多级结构的图斑合并和语义推理,可完成面向特定专业或用户的计算机自动解译。通过图斑属性集成,赋予图斑几何属性、地学属性及定量遥感属性,实现了矢量多边形实现高层图像语义理解,可为后期的不确定性应用提供遥感数据支持。
实施例:
以云南省安宁市森林可燃物遥感调查和可燃物载量估计为实施例。
(1)基于TM影像的安宁市元多边形定义及矢量库生成。以行政界线、林权界线等为固定分界,遥感图像多边形元识别效果如图2所示,与地面调查人工勾绘的结果对比本发明勾绘的多边形元更符合专业需求。
(2)安宁市本征地物类定义及属性库生成、解译指标数据库构建。根据图9,写入属性库的本征地物类代码(types)及解译指标如图3-4所示。
(3)安宁市森林可燃物调查辅助解译信息数据库集成。结合安宁市森林树种的分布情况和森林防火专业需求,制定适合安宁市森林可燃物遥感调查的分类系统,见图10所示。在安宁市区域上,共采集482个GPS点,每个GPS点处记录其东经、北纬、海拔、地类、郁闭度(盖度)、树高,将其写入GPS点矢量的属性库中。
(4)基于似然模型的安宁市森林可燃物调查图斑推理。参照TM图像,设置GPS样点,进行补充采样,建立各主要树种的生态概率模型。以types属性项的值为基础,结合各主要树种的生态概率模型,对各主要树种进行了属性似然推理和图斑综合,得到可燃物分类结果,如图5-6所示。
(5)安宁市森林可燃物解译结果精度检验。从预留的地面调查采集到的GPS点选取某一可燃物类别的图斑,统计解译的和实地调查的不同类别的样点数,制作混淆矩阵,如图7所示,根据上述公式计算本实施例解译的总体精度为86.0%,满足精度检验的要求。
(6)安宁市森林可燃物载量遥感定量估计。以安宁市的所有乡镇的云南松典型林地为调查对象,设置GPS样地,调查云南松林分郁闭度和林下地面细小可燃物(枯枝落叶和腐殖质),建立典型样地的空间数据库,对郁闭度和可燃载量物进行线性回归分析,建立云南松郁闭度与地面细小可燃物载量关系的数学模型,如图8。根据二类调查结果,根据图斑林分的郁闭度定量评估全区域上的云南松地类的地面细小可燃物载量。云南松地类的可燃物定量估计的关系模型如下:
y=3844x-389.27R2=0.6277
式中:y:为地面细小可燃物载量(g/m2);x:为郁闭度(﹪);R2:为相关系数。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种遥感图像计算机自动解译的方法,其特征在于:其具体步骤为:(1)、元多边形的定义及矢量库生成;(2)、本征地物类定义及属性库生成;(3)、解译指标数据库构建;(4)、辅助解译信息数据库集成;(5)、基于似然推理模型的面向行业的图斑推理;(6)、建立混淆矩阵,对计算机解译结果进行验证;(7)、定量遥感估计。
2.根据权利要求1所述的一种遥感图像计算机自动解译的方法,其特征在于:所述的步骤(5)可以替换为基于确定性推理模型的面向行业的图斑推理。
3.根据权利要求1所述的一种遥感图像计算机自动解译的方法,其特征在于:所述的元多边形的定义及矢量库生成的步骤包含:(1)、利用纹理度量,除去图像中“异常点”或“孤立点”;(2)、按光谱度量识别色斑;(3)、连通光谱度量和纹理度量相似的区域,检测最小图斑;(4)、如果不符合要求,将这些图斑作为待识别的“点”,回到开始步骤;如果符合要求,转入下一步;(5)、栅格图像转换为矢量GIS数据库,生成元多边形属性库。
4.根据权利要求1所述的一种遥感图像计算机自动解译的方法,其特征在于:所述的本征地物类定义及属性库生成的步骤包含:(1)、用反射率指标合成假彩色图像,作为地面覆盖参照;(2)、依据本征地物类分类标准、光谱和纹理信息,为每种地物类确定本征类别;(3)、人机交互的方法,查看图像与代码的对应关系;(4)、调整或校准规则,修正错误的类别;(5)、基于混淆矩阵估计正判率,若达到95%,则视为多边形元解译合格;若低于95%,则返回修正。
5.根据权利要求1所述的一种遥感图像计算机自动解译的方法,其特征在于:所述的解译指标数据库构建的步骤包含:(1)、将表征解译指标的栅格数据与多边形元矢量数据进行叠加;(2)、以多边形元矢量外边界为范围限定条件,进行包含式的选取分析;(3)、对于选择得到的区域栅格进行统计分析,求得定量指标数据;(4)、将多边形元的解译指标数据写入与元多边形关联的属性数据库中。
6.根据权利要求1所述的一种遥感图像计算机自动解译的方法,其特征在于:所述的辅助解译信息数据库集成的步骤包含:(1)、根据专业和用户个性需求,选取与定义辅助解译信息指标,一般为基于DEM的地学指标;(2)、对DEM进行预处理,如重新定义像元大小等;(3)、按指标定义,利用DEM计算辅助解译指标的栅格图像;(4)、以多边形元为边界,应用空间栅格选取功能,取得落入多边形内的栅格点,求算基于该多边形的辅助解译指标;(5)、将该指标写入多边形元的属性数据库中。
7.根据权利要求1所述的一种遥感图像计算机自动解译的方法,其特征在于:所述的基于似然推理或确定性推理模型的面向行业的图斑推理的步骤包含:(1)、用户依据自己的专业应用要求,建立专业分类标准与分类系统;(2)、准备判读样地数据集,如使用GPS采集的样点集;(3)、判读样地与对地观测元多边形叠加分析,建立语义解译规则;(4)、使用辅助解译信息,构建面向图像高层语义知识的专家知识库;(5)、确定本征地物类到专业类的对应关系;(6)、使用似然推理模型或确定性推理模型对图斑进行属性判断;(7)、基于同种地物类别的图斑归并。
8.根据权利要求1所述的一种遥感图像计算机自动解译的方法,其特征在于:所述的建立混淆矩阵,对计算机解译结果进行验证的步骤包含:(1)、选取预留的样点;(2)、提取统计每类用户定义的语义类别的样点数及每类样点落在经实地验证的地类的样点数,建立混淆矩阵;(3)、计算过程精度、用户精度、总体精度;(4)、当总体精度达到85%以上为合格;(5)、若低于85%,需重构解译模型。
9.根据权利要求1所述的一种遥感图像计算机自动解译的方法,其特征在于:所述的定量遥感估计的步骤包含:(1)、确定待估的参量指标;(2)、确定待估指标所在地物类,依据图斑类别的待估指标状况设计采样框;(3)、获取地面样本点;(4)、回归建模,计算每个图斑的待估指标;(5)、当统计计算完成后,定量估计结果写入图斑属性库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510476977.5A CN105279223A (zh) | 2015-10-20 | 2015-10-20 | 一种遥感图像计算机自动解译的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510476977.5A CN105279223A (zh) | 2015-10-20 | 2015-10-20 | 一种遥感图像计算机自动解译的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105279223A true CN105279223A (zh) | 2016-01-27 |
Family
ID=55148237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510476977.5A Pending CN105279223A (zh) | 2015-10-20 | 2015-10-20 | 一种遥感图像计算机自动解译的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105279223A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126682A (zh) * | 2016-06-29 | 2016-11-16 | 泰华智慧产业集团股份有限公司 | 产业地图区域地斑智能绘制方法及系统 |
CN106649607A (zh) * | 2016-11-28 | 2017-05-10 | 中国科学院自动化研究所 | 基于矢量掩膜的遥感图像在线目标识别与监测方法及系统 |
CN107273858A (zh) * | 2017-06-19 | 2017-10-20 | 潘浩天 | 一种数据处理方法及系统 |
CN108830871A (zh) * | 2018-05-25 | 2018-11-16 | 南京师范大学 | 基于高分辨率遥感影像和dem的黄土浅沟自动化提取方法 |
CN114677589A (zh) * | 2022-03-18 | 2022-06-28 | 广州市城市规划勘测设计研究院 | 基于遥感解译的城市功能区识别方法、装置、设备及介质 |
CN116453117A (zh) * | 2023-02-14 | 2023-07-18 | 珠江水利委员会珠江水利科学研究院 | 一种图像解译图斑定位与精度评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298705A (zh) * | 2011-08-12 | 2011-12-28 | 北京师范大学 | 一种分析景观特征对遥感分类图斑精度影响的方法 |
CN104123558A (zh) * | 2014-06-30 | 2014-10-29 | 中国地质科学院矿产资源研究所 | 地热资源的多源分布式遥感判别方法和系统 |
-
2015
- 2015-10-20 CN CN201510476977.5A patent/CN105279223A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298705A (zh) * | 2011-08-12 | 2011-12-28 | 北京师范大学 | 一种分析景观特征对遥感分类图斑精度影响的方法 |
CN104123558A (zh) * | 2014-06-30 | 2014-10-29 | 中国地质科学院矿产资源研究所 | 地热资源的多源分布式遥感判别方法和系统 |
Non-Patent Citations (1)
Title |
---|
叶江霞: "基于对地观测数据的三江源地区植被解译模型", 《万方数据》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126682A (zh) * | 2016-06-29 | 2016-11-16 | 泰华智慧产业集团股份有限公司 | 产业地图区域地斑智能绘制方法及系统 |
CN106126682B (zh) * | 2016-06-29 | 2019-05-17 | 泰华智慧产业集团股份有限公司 | 产业地图区域地斑智能绘制方法及系统 |
CN106649607A (zh) * | 2016-11-28 | 2017-05-10 | 中国科学院自动化研究所 | 基于矢量掩膜的遥感图像在线目标识别与监测方法及系统 |
CN106649607B (zh) * | 2016-11-28 | 2020-01-03 | 中国科学院自动化研究所 | 基于矢量掩膜的遥感图像在线目标识别与监测方法及系统 |
CN107273858A (zh) * | 2017-06-19 | 2017-10-20 | 潘浩天 | 一种数据处理方法及系统 |
CN107273858B (zh) * | 2017-06-19 | 2018-07-31 | 潘浩天 | 一种数据处理方法及系统 |
CN108830871A (zh) * | 2018-05-25 | 2018-11-16 | 南京师范大学 | 基于高分辨率遥感影像和dem的黄土浅沟自动化提取方法 |
CN108830871B (zh) * | 2018-05-25 | 2022-02-11 | 南京师范大学 | 基于高分辨率遥感影像和dem的黄土浅沟自动化提取方法 |
CN114677589A (zh) * | 2022-03-18 | 2022-06-28 | 广州市城市规划勘测设计研究院 | 基于遥感解译的城市功能区识别方法、装置、设备及介质 |
CN114677589B (zh) * | 2022-03-18 | 2022-12-06 | 广州市城市规划勘测设计研究院 | 基于遥感解译的城市功能区识别方法、装置、设备及介质 |
CN116453117A (zh) * | 2023-02-14 | 2023-07-18 | 珠江水利委员会珠江水利科学研究院 | 一种图像解译图斑定位与精度评估方法 |
CN116453117B (zh) * | 2023-02-14 | 2024-01-26 | 珠江水利委员会珠江水利科学研究院 | 一种图像解译图斑定位与精度评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ligmann-Zielinska et al. | Spatially-explicit integrated uncertainty and sensitivity analysis of criteria weights in multicriteria land suitability evaluation | |
Chen et al. | A GIS-based sensitivity analysis of multi-criteria weights | |
Koch et al. | Revealing areas of high nature conservation importance in a seasonally dry tropical forest in Brazil: Combination of modelled plant diversity hot spots and threat patterns | |
Kumar et al. | Forest cover dynamics analysis and prediction modeling using logistic regression model | |
Ariza-Villaverde et al. | Influence of DEM resolution on drainage network extraction: A multifractal analysis | |
CN105279223A (zh) | 一种遥感图像计算机自动解译的方法 | |
Crosetto et al. | Sensitivity and uncertainty analysis in spatial modelling based on GIS | |
Orsi et al. | Identifying priority areas for Forest Landscape Restoration in Chiapas (Mexico): An operational approach combining ecological and socioeconomic criteria | |
Anderson et al. | Case studies of conservation plans that incorporate geodiversity | |
Pechanec et al. | Decision support tool for the evaluation of landscapes | |
Kupfer et al. | Regionalization of forest pattern metrics for the continental United States using contiguity constrained clustering and partitioning | |
Goerndt et al. | Small-area estimation of county-level forest attributes using ground data and remote sensed auxiliary information | |
Dijak | Landscape Builder: software for the creation of initial landscapes for LANDIS from FIA data | |
Baldwin et al. | Planning for land use and conservation: Assessing GIS-based conservation software for land use planning | |
Lwin et al. | Quantitative versus qualitative geospatial data in spatial modelling and decision making | |
Bruening et al. | Challenges to aboveground biomass prediction from waveform lidar | |
Triantakonstantis et al. | A spatially heterogeneous expert based (SHEB) urban growth model using model regionalization | |
Agostinho et al. | Assessing cities growth-degrowth pulsing by emergy and fractals: A methodological proposal | |
Tayyebi et al. | Modeling Historical Land Use Changes at A Regional Scale: Applying Quantity and Locational Error Metrics to Assess Performance of An Artificial Neural Network-Based Back-Cast Model. | |
Lyons et al. | Simultaneous vegetation classification and mapping at large spatial scales | |
Saeidi et al. | Designing an integrated urban growth prediction model: a scenario-based approach for preserving scenic landscapes | |
Salgueiro et al. | Thinking outside the patch: a multi-species comparison of conceptual models from real-world landscapes | |
Vitolo | Exploring data mining for hydrological modelling | |
Sleeter et al. | Methods used to parameterize the spatially-explicit components of a state-and-transition simulation model | |
Wesley et al. | Methods for measuring geodiversity in large overhead imagery datasets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160127 |