CN108388828A - 一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法 - Google Patents
一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法 Download PDFInfo
- Publication number
- CN108388828A CN108388828A CN201710568936.8A CN201710568936A CN108388828A CN 108388828 A CN108388828 A CN 108388828A CN 201710568936 A CN201710568936 A CN 201710568936A CN 108388828 A CN108388828 A CN 108388828A
- Authority
- CN
- China
- Prior art keywords
- data
- land cover
- pattern information
- bayesian network
- cover pattern
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Abstract
本发明公开了一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法,该方法主要包含三个步骤:第一步骤是数据收集与预处理,首先收集研究区的无云光学和SAR遥感数据并进行相关预处理,再将二者合并形成一个综合数据集,然后采集训练数据和测试数据并分别进行离散化处理;第二个步骤是采用条件独立性测试的方法构建滨海湿地土地覆盖信息提取的贝叶斯网络模型;第三个步骤是应用建立好的贝叶斯网络模型,对多维数据集进行土地覆盖分类,实现滨海湿地土地覆盖信息的自动化提取。本发明提出的方法能够很好综合利用光学和SAR图像的各自优势实现土地覆盖类型的自动提取,具有很强的可操作性和实用性。
Description
技术领域
本发明涉及一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法,适用于土地覆盖信息提取与监测领域。
背景技术
滨海湿地是陆地生态系统和海洋生态系统的交错过渡地带,也是生态环境较为脆弱的地带,具有显著的演替性和多样性的特点。对滨海湿地土地覆盖信息提取方法的研究,能够为湿地区域的生态环境评价和生态保护提供很好的信息支持。随着遥感技术的飞速发展,遥感数据种类日益丰富,已经成为地表土地覆盖信息提取的重要数据源。各类遥感数据也在湿地土地覆盖信息提取等方面得到很好地应用。然而,应用遥感数据进行湿地土地覆盖信息提取是一个复杂的过程,包含了众多的影响因素,例如研究区域的地表类型复杂性、遥感数据种类及其分类方法选择等方面,导致应用遥感数据进行湿地土地覆盖信息的准确提取仍然是一个难点问题。由于遥感成像过程的复杂性,导致遥感信息的统计分布也相应地具有高度的复杂性和不确定性。当在特征空间中土地覆盖类别的分布比较离散而致使其不能服从预先高斯分布假设,或者样本的选取不具有代表性时,如果利用最大似然分类器等传统方法进行土地覆盖信息分类,则往往得到的分类结果会偏离实际情况,分类精度会受到一定的影响。因此,一些非参数化方法如神经网络、支持向量机、决策树等分类算法被相继用到遥感数据分类方面,使得分类精度得到提高。在应用新的优势分类器的同时,有些学者也提出通过增加输入数据或输入特征,来提高遥感数据的分类精度,这样多种类型的遥感数据、纹理特征与光谱指数等都可以作为增加输入的选择,被应用到土地覆盖信息提取方面。然而,现有方法大都是针对不同区域,仅仅对某些土地覆盖信息的提取精度提高有效,在滨海湿地土地覆盖信息提取方面仍然没有现成的方法可以直接利用。因此,为了综合不同遥感数据的优势进行滨海湿地覆盖信息提取,有必要对综合光学和SAR数据的滨海湿地土地覆盖信息自动提取方法进行研究。
由于滨海湿地是典型的交错过渡带,地表类型复杂多样,应用现有方法进行滨海湿地土地覆盖信息提取难以取得很好的效果。因此,必须综合考虑到增加数据种类的输入和优势分类器的选择两个方面因素。20世纪80年代晚期涌现出来的贝叶斯网络方法,是一种基于概率推理的图形化网络,在处理不确定信息中得到了重要的应用,已成功地用于医疗诊断、统计决策、专家系统、学习预测等领域。贝叶斯网络在处理遥感数据方面具有很大的潜力和优势。例如它的有向无环图的结构可以很好表达不同数据之间的关系,用概率测度的权重来描述数据间的非线性关系,从而可以解决数据间的不一致性,可以实现多特征数据的集成,变量间的条件独立关系可以大大减少定义全概率分布所需指定的概率数目,使得贝叶斯网络具有稀疏化的特点与优势。因此,可以应用贝叶斯网络同时处理多波段的遥感数据。在应用贝叶斯网络分类时,不仅可以很好地综合多领域知识和多类型的数据信息,而且运用使分类错误率最小或者损失风险最小的分类决策依据,能够很好解决采用多种遥感数据联合处理的不确定性推理问题。可以说贝叶斯网络为综合多种数据的推理提供一种智能有效方法。因此,本发明针对滨海湿地区域的特点,并利用贝叶斯网络处理遥感数据的优势,提出一种新的综合光学和SAR数据的滨海湿地土地覆盖信息提取方法。该方法能够综合应用光学和SAR数据构建贝叶斯网络分类模型,实现滨海湿地土地覆盖信息的自动化提取,能够有效提高分类精度,具有很强的可操作性和实用性。
发明内容
本发明的目的在于提供一种综合光学和SAR数据的滨海湿地土地覆盖信息提取方法,以克服现有方法的缺点。利用本发明能够实现同时应用研究区的光学和SAR数据,采用贝叶斯网络构建滨海湿地土地覆盖分类模型,实现土地覆盖信息的准确提取,并提升遥感影像在滨海湿地监测中的应用水平。为了实现上述目的,本发明采用的技术方案包括以下几个步骤:
第一步、研究区的数据收集与预处理
1-1)收集覆盖研究区的同时期不同分辨率的无云光学遥感和SAR数据。首先,将光学遥感影像根据地形图选取控制点进行几何精校正。其次,对SAR数据进行辐射校正得到后向散射系数,并进行相关滤波处理。再次,将光学遥感影像和SAR影像采用“图像对图像”的匹配方式进行几何配准,保证光学和SAR影像在空间上能够完全叠合。最后,将经过处理后的光学和SAR数据进行合并,形成一个综合光学和SAR的多维数据集;
1-2)通过野外采集与同时期高分辨率遥感影像的比对方式,分别采集模型的训练数据和测试数据,使得训练数据与测试数据不重复;
1-3)采用最小熵启发搜索算法分别对采集的训练数据集和测试数据集进行离散化处理。
第二步、基于贝叶斯网络的滨海湿地土地覆盖信息提取模型构建
2-1)应用经过离散化处理后的训练数据,采用条件独立性测试的方法进行贝叶斯网络结构的学习;
2-2)在贝叶斯网络结构确定的基础上,应用训练数据进行贝叶斯网络的参数(条件概率表)学习;
2-3)应用测试数据集对贝叶斯网络的分类精度进行测试,得到测试精度。
第三步、滨海湿地土地覆盖信息提取
具体为应用建立好的贝叶斯网络,对综合光学和SAR的多维数据集进行分类,实现滨海湿地土地覆盖信息的自动化提取,最终输出滨海湿地土地覆盖分类图。
附图说明
图1是本发明的主流程示意图
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
如图1所示本发明公开了一种综合光学和SAR图像的滨海湿地土地覆盖信息提取的方法,包括以下步骤:
第一步、研究区的数据收集与预处理;
第二步、基于贝叶斯网络的滨海湿地土地覆盖信息提取模型构建;
第三步、滨海湿地土地覆盖信息提取。
以下对具体步骤进行详述:
研究区的数据收集与预处理。收集覆盖研究区的同时期无云光学遥感数据、SAR数据和相关地理参考数据。首先,对光学遥感影像数据根据同地区的地形图选取一定数量、均匀分布的控制点,对光学遥感数据进行几何精校正处理;其次,针对SAR数据首先进行辐射校正得到后向散射系数,并选择Adaptive Frost滤波器使用5×5窗口进行滤波;然后,以经过几何精纠正后的光学遥感影像为基准,使用图像对图像匹配的方法对经过辐射定标和滤波等处理后的SAR数据进行几何配准处理,精度控制在2个像元以内,保证光学和SAR影像的空间一致性,使得两者影像能够叠合处理;最后,将经过几何配准处理后的光学和SAR数据进行合并,形成一个综合光学和SAR的多维数据集。在此基础上,通过野外采集与同时期高分辨率遥感影像比对的方式,分别采集模型的训练数据集和测试数据集,保证训练数据与测试数据空间上不重复。如果将多光谱光学和SAR数据的各波段视为离散变量,并利用贝叶斯网络进行分类,则代表各波段的特征节点的条件概率表将会非常庞大,从而需要巨大的训练数据量和不可接受的计算代价。因此本发明将各波段视为连续变量,并通过离散化方法将其取值范围划分为若干个子区间。在通过实验对比后,确定采用最小熵启发搜索算法(Fayyad,U.M.and Irani,K.B.,1993,Multi-interval discretization of continuous-valued attributes for classification learning.In Proceedings of theThirteenth International Joint Conference on Artificial Intelligence,August28-September 3 1993,Chambéry,France(Morgan Kaufmann),pp.1022-1027.)分别对采集的训练数据集和测试数据集进行离散化处理,此方法在离散化时考虑了类别信息的条件,从各个被选分割点中依据熵最小的原则寻找最优的分割点,能够比其它离散化方法取得更好的效果。
基于贝叶斯网络的滨海湿地土地覆盖信息提取模型构建。应用贝叶斯网络构建滨海湿地土地覆盖信息提取模型的关键是贝叶斯网络的建立。贝叶斯网络结构需要根据经过离散化处理后的训练数据学习得到。针对网络结构的学习,学者们提出了很多经典的学习算法。目前主要有两类学习方法,一是通过分析节点之间的依赖关系建造贝叶斯网络结构,即条件独立测试(Conditional Independence Test,CIT)的方法。另一是使用打分搜索方法建造贝叶斯网络,利用一个打分函数建立评价方法。打分搜索方法的步骤就是通过建立一定的打分标准来确定较好的网络结构模型,通过模型搜索来寻找最优的网络结构。两类方法各有优缺点,其中打分搜索方法在网络结构复杂的情况下,通常学习效率高,但是它的搜索本质导致往往不能得到一个最优的模型,而依赖性分析方法在数据集的概率分布与网络结构同构的条件下,通常获得近似最优的模型,但在数据量不够大的情况下与较大条件集时,条件独立测试存在一定程度的不可靠。由于遥感数据的处理完全能够获得足够大的数据量来进行贝叶斯网络结构的学习,因此,本发明采用条件独立性测试方法构建贝叶斯网络的模型(Cheng,J.,Bell,D.A.and Liu,W.,1997,Learning belief networks fromdata:an information theory based approach.In Proceedings of the Sixth ACMInternational Conference on Information and Knowledge Management,November 10-14 1997,Las Vegas,Nevada,USA(New York:ACM Press),pp.325-331.)。条件独立性测试方法是根据信息依赖性分析,应用条件独立性测试来判断节点之间的依赖关系,而建立贝叶斯网络结构。本发明采用基于条件独立性方法建立贝叶斯网络结构,主要分为包括三个阶段:第一阶段通过计算每一个节点之间的互信息来测量节点间的相关程度,并以此来构造一个初始网络;第二阶段通过计算条件独立性来决定两个节点是否条件独立,如果不独立则添加相应的边;第三阶段检查当前网络种的每一条边,检查这条边的两个节点是否为D-分割,如果被D-分割,则删去这条边。第一阶段的目的是找到尽可能接近于真实模型的网络结构,在第二阶段结束后,虽然不能保证任何边都是必需的,但是可以保证没有任何边被漏掉,在第三个阶段的目的就是删去前两个阶段误加的边。所使用的相互信息测试不但能判别两个节点间是否存在依赖关系,而且还能定量地给出这个关系有多强。
两节点Xi和Xj的相互信息定义为:
给定条件集A的条件下两节点Xi和Xj的条件相互信息定义为:
其中a表示条件集A的取值。
在贝叶斯网络结构建立的基础上则是贝叶斯网络的参数学习,即应用训练数据集学习得到贝叶斯网络中每个节点对应的条件概率表。经过贝叶斯网络的结构学习和参数学习之后,相当于应用贝叶斯网络构建滨海湿地土地覆盖信息提取的模型已经完成,接下来是应用测试数据对网络的精度进行测试检验。在精度满足需求的时候,应用建立好的贝叶斯网络,对综合光学和SAR的多维数据集进行分类,实现滨海湿地土地覆盖信息的自动化提取,最终输出滨海湿地土地覆盖分类图。
利用本发明构建的模型方法,以江苏省盐城市的滨海湿地为案例区,综合应用ALOS卫星AVNIR-2传感器的4个波段光学遥感数据和PALSAR传感器的HH与HV极化数据,使用本发明提出的方法构建了该湿地区域的土地覆盖信息提取模型,并实现了土地覆盖信息的自动化提取,测试的总体精度达到90%。表明本发明提出的方法在滨海湿地土地覆盖信息提取方面具有较好的可行性和可操作性,适用于其它区域的滨海湿地土地覆盖信息的提取。
Claims (1)
1.一种综合多源遥感数据的滨海湿地土地覆盖信息提取的方法,其步骤包括:
第一步、研究区的数据收集与预处理
1-1)收集覆盖研究区的同时期不同分辨率的无云光学遥感和SAR数据。首先,将光学遥感影像根据地形图选取控制点进行几何精校正。其次,对SAR数据进行辐射校正得到后向散射系数,并进行相关滤波处理。再次,将光学遥感影像和SAR影像采用“图像对图像”的匹配方式进行几何配准,保证光学和SAR影像在空间上能够完全叠合。最后,将经过处理后的光学和SAR数据进行合并,形成一个综合光学和SAR的多维数据集;
1-2)并通过野外采集与同时期高分辨率遥感影像的比对的方式,分别采集模型的训练数据和测试数据,训练数据与测试数据不重复;
1-3)采用最小熵启发搜索算法分别对采集的训练数据集和测试数据集进行离散化处理。
第二步、基于贝叶斯网络的滨海湿地土地覆盖信息提取模型构建
2-1)应用经过离散化处理后的训练数据,采用条件独立性测试的方法进行贝叶斯网络结构的学习;
2-2)在贝叶斯网络结构确定的基础上,应用训练数据进行贝叶斯网络的参数(条件概率表)学习;
2-3)应用测试数据集对贝叶斯网络的分类精度进行测试,得到测试精度。
第三步、滨海湿地土地覆盖信息提取
具体为应用建立好的贝叶斯网络,对综合光学和SAR的多维数据集进行分类,实现滨海湿地土地覆盖信息的自动化提取,最终输出滨海湿地土地覆盖分类图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710568936.8A CN108388828A (zh) | 2017-07-13 | 2017-07-13 | 一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710568936.8A CN108388828A (zh) | 2017-07-13 | 2017-07-13 | 一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108388828A true CN108388828A (zh) | 2018-08-10 |
Family
ID=63076441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710568936.8A Pending CN108388828A (zh) | 2017-07-13 | 2017-07-13 | 一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108388828A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
CN112883960A (zh) * | 2021-01-25 | 2021-06-01 | 济南浪潮高新科技投资发展有限公司 | 一种海水养殖区域提取方法及装置 |
CN113408468A (zh) * | 2021-07-01 | 2021-09-17 | 中国科学院东北地理与农业生态研究所 | 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法 |
CN113640397A (zh) * | 2020-07-13 | 2021-11-12 | 江南大学 | 一种基于深度网络的遥感影像变化检测方法及系统 |
CN115423047A (zh) * | 2022-11-03 | 2022-12-02 | 京华信息科技股份有限公司 | 一种综合区域群体特征识别方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867309A (zh) * | 2012-09-12 | 2013-01-09 | 西安电子科技大学 | 基于混合模型的sar图像变化检测方法 |
CN103576164A (zh) * | 2012-07-20 | 2014-02-12 | 上海莱凯数码科技有限公司 | 基于线性贝叶斯估计的高分辨率遥感图像融合方法 |
CN103714339A (zh) * | 2013-12-30 | 2014-04-09 | 武汉大学 | 基于矢量数据的sar影像道路损毁信息提取方法 |
CN103713288A (zh) * | 2013-12-31 | 2014-04-09 | 电子科技大学 | 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法 |
CN104376335A (zh) * | 2014-11-13 | 2015-02-25 | 河南理工大学 | 一种基于信息熵的半监督高光谱遥感影像分类方法 |
CN105447274A (zh) * | 2015-12-22 | 2016-03-30 | 中国科学院东北地理与农业生态研究所 | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 |
CN105551007A (zh) * | 2015-12-10 | 2016-05-04 | 河海大学 | 基于频域及谱矩阵的sar图像多层贝叶斯盲解卷积方法 |
CN105701769A (zh) * | 2016-01-13 | 2016-06-22 | 河海大学 | 边界灰度分布相关的合成孔径雷达遥感图像分块重构方法 |
-
2017
- 2017-07-13 CN CN201710568936.8A patent/CN108388828A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576164A (zh) * | 2012-07-20 | 2014-02-12 | 上海莱凯数码科技有限公司 | 基于线性贝叶斯估计的高分辨率遥感图像融合方法 |
CN102867309A (zh) * | 2012-09-12 | 2013-01-09 | 西安电子科技大学 | 基于混合模型的sar图像变化检测方法 |
CN103714339A (zh) * | 2013-12-30 | 2014-04-09 | 武汉大学 | 基于矢量数据的sar影像道路损毁信息提取方法 |
CN103713288A (zh) * | 2013-12-31 | 2014-04-09 | 电子科技大学 | 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法 |
CN104376335A (zh) * | 2014-11-13 | 2015-02-25 | 河南理工大学 | 一种基于信息熵的半监督高光谱遥感影像分类方法 |
CN105551007A (zh) * | 2015-12-10 | 2016-05-04 | 河海大学 | 基于频域及谱矩阵的sar图像多层贝叶斯盲解卷积方法 |
CN105447274A (zh) * | 2015-12-22 | 2016-03-30 | 中国科学院东北地理与农业生态研究所 | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 |
CN105701769A (zh) * | 2016-01-13 | 2016-06-22 | 河海大学 | 边界灰度分布相关的合成孔径雷达遥感图像分块重构方法 |
Non-Patent Citations (1)
Title |
---|
戴芹等: "《利用贝叶斯网络进行遥感变化检测》", 《中国图象图形学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
CN113640397A (zh) * | 2020-07-13 | 2021-11-12 | 江南大学 | 一种基于深度网络的遥感影像变化检测方法及系统 |
CN113640397B (zh) * | 2020-07-13 | 2023-10-24 | 江南大学 | 一种基于深度网络的遥感影像变化检测方法及系统 |
CN112883960A (zh) * | 2021-01-25 | 2021-06-01 | 济南浪潮高新科技投资发展有限公司 | 一种海水养殖区域提取方法及装置 |
CN113408468A (zh) * | 2021-07-01 | 2021-09-17 | 中国科学院东北地理与农业生态研究所 | 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法 |
CN115423047A (zh) * | 2022-11-03 | 2022-12-02 | 京华信息科技股份有限公司 | 一种综合区域群体特征识别方法及系统 |
CN115423047B (zh) * | 2022-11-03 | 2023-03-24 | 京华信息科技股份有限公司 | 一种综合区域群体特征识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rahmati et al. | Groundwater spring potential modelling: Comprising the capability and robustness of three different modeling approaches | |
CN108388828A (zh) | 一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法 | |
CN108038445B (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
Kavzoglu | Increasing the accuracy of neural network classification using refined training data | |
Giang et al. | U-Net convolutional networks for mining land cover classification based on high-resolution UAV imagery | |
Zhao et al. | Automatic recognition of loess landforms using Random Forest method | |
CN108734171A (zh) | 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法 | |
CN108345860A (zh) | 基于深度学习和距离度量学习的人员再识别方法 | |
Zhu et al. | Multitemporal relearning with convolutional LSTM models for land use classification | |
Bramhe et al. | Extraction of built-up areas using convolutional neural networks and transfer learning from sentinel-2 satellite images | |
Frizzelle et al. | Mapping continuous distributions of land cover: A comparison of maximum-likelihood estimation and artificial neural networks | |
Zhao et al. | A comparative study of different neural network models for landslide susceptibility mapping | |
Bhatt et al. | Spectral indices based object oriented classification for change detection using satellite data | |
Li et al. | An Extraction method for Water Body of Remote Sensing Image Based on Oscillatory Network. | |
de Farias et al. | The use of Kohonen neural networks for runoff–erosion modeling | |
Teodoro | Applicability of data mining algorithms in the identification of beach features/patterns on high-resolution satellite data | |
Celik et al. | Change detection without difference image computation based on multiobjective cost function optimization | |
Chi et al. | Remote sensing data processing and analysis for the identification of geological entities | |
CN109376622A (zh) | 基于多源遥感影像的矿区分布专题信息提取方法 | |
Rajesh et al. | Genetic algorithm based feature subset selection for land cover/land use mapping using wavelet packet transform | |
Zhou et al. | Automated soil resources mapping based on decision tree and Bayesian predictive modeling | |
Gan et al. | Water Level Classification for Flood Monitoring System Using Convolutional Neural Network | |
Raju et al. | Object Recognition in Remote Sensing Images Based on Modified Backpropagation Neural Network. | |
Mary et al. | Deep Learning Model for the Image Fusion and Accurate Classification of Remote Sensing Images | |
Hassan et al. | Urbanization change analysis based on SVM and RF machine learning algorithms |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180810 |