CN108875583A - 一种基于城市建筑分类的tnl-gdp回归模型构建方法 - Google Patents

一种基于城市建筑分类的tnl-gdp回归模型构建方法 Download PDF

Info

Publication number
CN108875583A
CN108875583A CN201810500613.XA CN201810500613A CN108875583A CN 108875583 A CN108875583 A CN 108875583A CN 201810500613 A CN201810500613 A CN 201810500613A CN 108875583 A CN108875583 A CN 108875583A
Authority
CN
China
Prior art keywords
gdp
tnl
image
city
regression model
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
Application number
CN201810500613.XA
Other languages
English (en)
Inventor
陈嘉琪
张燕
陈西杰
魏昊
王峰
平学伟
刘海韵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201810500613.XA priority Critical patent/CN108875583A/zh
Publication of CN108875583A publication Critical patent/CN108875583A/zh
Pending legal-status Critical Current

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
    • G06V20/176—Urban or other man-made structures
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于城市建筑分类的TNL‑GDP回归模型构建方法，包括进行各省市GDP统计数据收集、筛选，圈定训练样本和测试样本；对Landsat‑8遥感影像进行预处理，通过神经网络分类及一系列分类后处理获取训练样本的建成区、水域矢量图；利用建成区矢量图、水域矢量图剔除NPP‑VIIRS影像的背景噪声，计算总体灯光强度TNL(TotalofNighttimeLight)；对训练样本的GDP与TNL相关性分析，建立回归模型并对模型作出合理性评价。本发明一方面在NPP‑VIIRS影像去噪方面融入了多数据源，另一方面，充分利用了遥感影像的实时性、客观性，对城市经济数据的预测和评估具有重要意义。

Description

一种基于城市建筑分类的TNL-GDP回归模型构建方法
技术领域
本发明属于遥感经济地学应用技术领域，特别涉及一种基于城市建筑分类的TNL-GDP(Total Nighttime Light-Gross Domestic Product，夜间灯光总量-国内生产总值)回归模型构建方法。
背景技术
夜间灯光作为一种独特的地表景观现象，基于遥感手段获取的夜光遥感影像可以为人类活动相关的居民地和社会经济活动变化提供相对均匀、连续、多时相、空间位置明确的空间化信息，因而被广泛地应用于评估城市的经济与人口、电力消耗、建成区范围、碳排放和光污染等诸多方面。
目前应用于地表夜光观测的卫星较少，DMSP搭载的OLS传感器提供了全球最长时间序列(1992-2014年)夜间灯光对地观测数据，该数据由美国国家海洋大气局国家地球物理数据中心发布，包括无云稳定像元和无云平均像元两种产品。虽然该数据已经成为夜光遥感研究最常用的数据源，但存在分辨率过低(近1km分辨率)、缺乏在线定标和中心城区饱和等问题。在2011年10月，新一代夜光传感器可见光近红外成像辐射(Visible InfraresImafing Radiometer Suite,VIIRS)传感器搭载国家极轨卫星(Suomi National PolarOrbiting Partnership,Suomi-NPP)发射成功。VIIRS传感器成像宽幅3000km，空间分辨率约为500m，对同一地区每天白昼两次成像，对夜间灯光具有更高的灵敏度，与DMSP/OLS相比，能够更为精确地反映地表人类经济活动的空间信息。但是，该产品并未移除火光、气体燃烧、火山和极光，相应的背景噪声也未过滤。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种针对NPP-VIIRS影像中未滤除的背景噪声，提出基于光学遥感图像分类进行去噪的方法，并利用夜间灯光与社会经济发展的相关性，充分利用了遥感影像的实时性、客观性的基于城市建筑分类的TNL-GDP回归模型构建方法。
技术方案：为实现上述目的，本发明提供一种基于城市建筑分类的TNL-GDP回归模型构建方法，包括如下步骤：
(1)从数据库获取年度全国各省市的GDP数据，选取30-40个地级市的统计GDP数据作为模型训练样本来后续构建TNL-GDP回归模型，再选取另外30-40个地级市的统计GDP数据作为模型测试样本来后续验证TNL-GDP回归模型的合理性；
(2)从数据库获取步骤(1)中选取的地级市的年度云量低于8％的Landsat-8影像，进行预处理并得到Landsat-8预处理影像；
(3)从数据库获取步骤(1)中选取的地级市的月度夜间灯光数据，并计算月度夜光影像的平均亮度值，进而得到年度夜光影像；
(4)将步骤(2)中得到的Landsat-8预处理影像进行重采样，对步骤(3)中得到的年度夜光影像进行投影和重采样；
(5)利用神经网络算法对步骤(4)中得到的重采样后的Landsat-8预处理影像进行分类；
(6)对步骤(4)生成的年度夜光影像进行去噪处理，并计算得到模型训练样本和模型测试样本的夜间灯光总量TNL值；
(7)进行训练样本城市的TNL-GDP回归模型建立与对比：建立多个回归模型，进行针对训练样本城市的多个回归模型的回归方程拟合优度对比，得出最贴合训练样本的TNL与GDP的回归方程，作为TNL-GDP回归模型；
(8)对建立的TNL-GDP回归模型进行合理性评价：将步骤(6)中的模型测试样本城市的TNL值代入步骤(7)中TNL-GDP的回归模型，求得测试样本城市的GDP预测值，计算各测试样本城市的GDP实际值与GDP预测值之间的相对误差，若平均相对误差小于20％，则该回归模型合理，若平均相对误差大于等于20％则返回步骤(7)。
进一步的，所述步骤(2)中对低云量Landsat-8影像进行预处理的具体步骤如下：
(2.1)对低云量Landsat-8影像做辐射定标处理；
(2.2)对步骤(2.1)所得影像作大气校正；
(2.3)对步骤(2.2)所得影像进行拼接和裁剪，得到训练样本城市和测试样本城市的Landsat-8预处理影像。
进一步的，所述步骤(4)中对Landsat-8预处理影像和年度夜光影像进行投影和重采样的具体步骤如下：
(4.1)将Landsat-8预处理影像重采样为450m；
(4.2)对年度夜光影像做投影、重采样处理，其中投影方式为兰伯特方位等积投影，同时将X和Y的值设置为450m。
进一步的，所述步骤(5)中利用神经网络算法对Landsat-8预处理影像进行分类的具体步骤如下：
(5.1)结合地表图像，对Landsat-8预处理影像做特征判别，通过目视将影像分为三类：建成区、水域、其他；
(5.2)对步骤(5.1)的初级分类结果作分类后处理；
(5.3)利用步骤(5.2)的最终分类结果，生成建成区、水域矢量图。
进一步的，所述步骤(6)中对生成的年度夜光影像进行去噪处理的具体步骤如下：
(6.1)以步骤(5.3)得到的建成区矢量图作为掩膜提取步骤(4.2)得到的夜光影像，获取初级城市建成区NPP/VIIRS夜间灯光遥感影像；
(6.2)以步骤(5.3)得到水域矢量图作为掩膜提取步骤(4.2)得到的夜光影像，获取水域NPP/VIIRS夜间灯光遥感影像，并统计其最大亮度值，作为噪声最低阈值；
(6.3)以步骤(6.2)得到的噪声最低阈值滤除步骤(6.1)所得的初级城市建成区NPP/VIIRS夜间灯光遥感影像中的背景噪声，获取最终城市建成区NPP-VIIRS夜间灯光遥感影像；
(6.4)分别统计步骤(6.3)得到的最终城市建成区NPP-VIIRS夜间灯光遥感影像的模型训练样本城市、模型测试样本城市的TNL值。
进一步的，所述步骤(7)中进行训练样本城市的TNL-GDP回归模型建立与对比的具体步骤如下：将步骤(6)得到的模型训练样本城市的TNL值作为自变量X，将步骤(1)得到的模型训练样本统计GDP值作为应变量Y，分别建立TNL-GDP指数回归模型、TNL-GDP对数回归模型、TNL-GDP线性回归模型，并计算上述三个模型的决定系数R2指标：R1 2为TNL-GDP指数回归模型的决定系数，R2 2为TNL-GDP对数回归模型的决定系数，R3 2为TNL-GDP线性回归模型的决定系数；
其中决定系数R2的计算公式为：
其中，Y_actual是各模型训练样本城市的统计GDP值，Y_predict是各模型训练样本城市的GDP预测值，Y_mean是模型训练样本城市的平均统计GDP值；
通过上述公式计算得出R1 2、R2 2和R3 2，并判断R1 2、R2 2和R3 2中哪个数值最高，选择决定系数最高的回归模型作为最终的TNL-GDP回归模型。
有益效果：本发明与现有技术相比具有以下优点：
本发明针对NPP/VIIRS影像中存在的背景噪声，以光学遥感影像的分类结果为基础，提取夜光遥感影像中的城市建成区域，进而滤除背景噪声；
本发明借助夜间灯光总量与社会经济发展之间的紧密联系，建立去噪后所得的修正TNL与GDP的回归模型。
附图说明
图1是本发明的总体流程图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示，本发明所述的一种基于城市建筑分类的TNL-GDP回归模型构建方法，包括如下步骤：
(1)收集2016年全国各省市的GDP数据，选取30-40个地级市的统计GDP数据作为模型训练样本来构建TNL-GDP(Total Nighttime Light-Gross Domestic Product，夜间灯光总量-国内生产总值)回归模型，再选取另外30-40个地级市的统计GDP数据作为模型测试样本来验证TNL-GDP回归模型的合理性；
(2)在地理空间数据云网站下载2016年低云量Landsat-8影像(云量低于8％)，进行预处理并得到Landsat-8预处理影像；
(3)在NOAA(National Oceanic and Atmospheric Administration，美国国家海洋和大气管理局)网站下载2016年1-12月NPP/VIIRS(National Polar-orbitingPartnership/Visible Infrared Imaging Radiaometer Suite，国家极地合作卫星/可见红外辐射成像仪日夜波段)夜间灯光数据，并使用ArcGIS 10.3软件中的栅格计算器(Raster Calculator)工具计算1-12月夜光影像的平均亮度值，进而得到年度夜光影像；
(4)将步骤(2)中得到的Landsat-8预处理影像进行重采样，对步骤(3)中得到的年度夜光影像进行投影和重采样；
(5)利用神经网络算法对步骤(4)中得到的重采样后的Landsat-8预处理影像进行分类；
(6)对步骤(4)生成的年度夜光影像进行去噪处理，并计算TNL值(TotalNighttime Light，夜间灯光总量)；
(7)进行训练样本城市的TNL-GDP回归模型建立与对比：将步骤(6)得到的模型训练样本城市的TNL值作为自变量X，将步骤(1)得到的模型训练样本统计GDP值作为应变量Y，分别建立TNL-GDP指数回归模型、TNL-GDP对数回归模型、TNL-GDP线性回归模型，并计算上述三个模型的决定系数R2指标，：R1 2为TNL-GDP指数回归模型的决定系数，R2 2为TNL-GDP对数回归模型的决定系数，R3 2为TNL-GDP线性回归模型的决定系数。R2值越接近1，表明方程的变量X对Y的解释能力越强，这个模型对数据拟合的也较好。
其中决定系数R2的计算公式为：
其中，Y_actual是各模型训练样本城市的统计GDP值，Y_predict是各模型训练样本城市的GDP预测值，Y_mean是模型训练样本城市的平均统计GDP值；通过上述公式计算得出R1 2、R2 2和R3 2，并判断R1 2、R2 2和R3 2中哪个数值最高，选择决定系数最高的回归模型作为最终的回归模型；
(7)对建立的TNL-GDP回归模型进行合理性评价：根据步骤7所得的TNL-GDP回归方程，将模型测试样本城市的TNL值代入，求得测试样本城市的GDP预测值，计算各测试样本城市的GDP实际值与GDP预测值之间的相对误差，若平均相对误差小于20％，则认为该回归模型合理。
进一步的，所述步骤(2)中对低云量Landsat-8影像进行预处理的具体步骤如下：
(2.1)使用ENVI 5.1软件下的通用定标工具Radiometric Calibration对低云量Landsat-8影像做辐射定标处理。此过程中需要设置FLAASH大气校正所需要的数据类型，具体参数设置如下：定标类型选择辐射率数据(Radiance)，储存顺序(Interleave)设置BIL或者BIP，数据类型(DataType)为Float类型，辐射率数据单位调整系数(Scale Factor)调整为0.1。在显示辐射定标结果图像时查看波谱曲线，能看到定标后的数值主要集中在0-10范围内，单位是μW/(cm2*sr*nm)。
(2.2)使用ENVI 5.1软件中的FLAASHAtmospheric Correction工具对步骤(2.1)所得影像作大气校正:自动获取步骤(2.1)所得影像的地理坐标，确定中心点经纬度SceneCenter Location；选择传感器类型Sensor Type为Landsat-8OLI，获取其对应的传感器高度以及影像数据的分辨率；获取此图像成像时间，记录下来用以相关参数设置；大气模型参数选择(Atmospheric Model)根据成像时间和纬度信息的规则选择；为了降低结果储存空间，默认反射率乘以10000，输出反射率范围变成0～10000。
(2.3)对步骤(2.2)所得影像进行拼接和裁剪，得到训练样本城市和测试样本城市的Landsat-8预处理影像：使用ENVI 5.1中的Seamless Mosaic对步骤(2.2)所得影像进行拼接，提供的匀色方法是直方图匹配；在Corlor Correction选项中，勾选HistogramMatching；Seamlines中选择自动生成接边线；Resampling Method选择CubicConvolution。使用ENVI 5.1和地级市行政矢量图裁剪拼接完成的影像，在Subset Datafrom ROIs Parameters面板中，设置以下参数：Maskpixels output of ROI？：Yes；MaskBackground Value背景值：0。
进一步的，所述步骤(4)中对步骤(2)中得到的Landsat-8预处理影像进行重采样，对步骤(3)中得到的年度夜光影像进行投影和重采样的具体步骤如下：
(4.1)将Landsat-8预处理影像重采样为450m：使用ENVI 5.1中的Resize Data工具，将Output X Pixel Size和Output Y Pixel Size均设置为450m，设置Resampling方式为NearestNeighbor；
(4.2)使用ArcGIS 10.3软件中的Project Raster工具对年度夜光影像做投影、重采样处理，投影方式为兰伯特方位等积(Lambert Azimuthal Equal Area)投影，同时将X和Y的值设置为450m。
进一步的，所述步骤(5)中利用神经网络算法对Landsat-8预处理影像进行分类的具体步骤如下：
(5.1)结合Google Earth软件中的地表图像，对Landsat-8预处理影像做特征判别，通过目视将影像分为三类：建成区、水域、其他(植被、耕地等)；使用ENVI 5.1中的图层管理器(Layer Manager)，圈出以上三种类别的ROI(Region of Interest，感兴趣区域)；分类器选择神经网络(Neural Net)，选择对数作为活化函数，设置各参数数值如下：初始权值θ＝0.9，权重调节速度η＝0.2，动量因子ɑ＝0.9，网络全局误差E＝0.1，训练次数为2000；得到初级分类结果；
(5.2)对步骤(5.1)的初级分类结果作分类后处理，主要是利用ENVI 5.1中的聚类功能对居民用地分类结果做聚类处理，参数Operator Size Rows为数学形态学算子的核大小，将其数值设置为7，通过处理后得到最终的分类结果；
(5.3)利用步骤(5.2)的最终分类结果，生成建成区、水域矢量图：使用ENVI 5.1中的转矢量工具Classification to Vector，在Raster to Vector Parameters面板中设置矢量输出参数为建成区、水域；
进一步的，所述步骤(6)中对生成的年度夜光影像进行去噪处理的具体步骤如下：
(6.1)使用ArcGIS 10.3软件中的Extraction工具，以步骤(5.3)得到的建成区矢量图作为掩膜提取步骤(4.2)得到的夜光影像，获取初级城市建成区NPP/VIIRS夜间灯光遥感影像；
(6.2)使用ArcGIS 10.3软件中的Extraction工具，以步骤(5.3)得到水域矢量图作为掩膜提取步骤(4.2)得到的夜光影像，获取水域NPP/VIIRS夜间灯光遥感影像，并利用ArcGIS 10.3软件中的Reclassify工具统计其最大亮度值，作为噪声最低阈值；
(6.3)使用ArcGIS 10.3软件中的栅格计算器(Raster Calculator)工具中的条件计算功能，以步骤(6.2)得到的噪声最低阈值滤除步骤(6.1)所得的初级城市建成区NPP/VIIRS夜间灯光遥感影像中的背景噪声，获取最终城市建成区NPP-VIIRS夜间灯光遥感影像；
(6.4)使用ArcGIS 10.3软件中的Reclassify工具，分别统计步骤(6.3)得到的最终城市建成区NPP-VIIRS夜间灯光遥感影像的模型训练样本城市、模型测试样本城市的TNL值。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于城市建筑分类的TNL-GDP回归模型构建方法，其特征在于，包括如下步骤：
(1)从数据库获取年度全国各省市的GDP数据，选取30-40个地级市的统计GDP数据作为模型训练样本来后续构建TNL-GDP回归模型，再选取另外30-40个地级市的统计GDP数据作为模型测试样本来后续验证TNL-GDP回归模型的合理性；
(2)从数据库获取步骤(1)中选取的地级市的年度云量低于8％的Landsat-8影像，进行预处理并得到Landsat-8预处理影像；
(3)从数据库获取步骤(1)中选取的地级市的月度夜间灯光数据，并计算月度夜光影像的平均亮度值，进而得到年度夜光影像；
(4)将步骤(2)中得到的Landsat-8预处理影像进行重采样，对步骤(3)中得到的年度夜光影像进行投影和重采样；
(5)利用神经网络算法对步骤(4)中得到的重采样后的Landsat-8预处理影像进行分类；
(6)对步骤(4)生成的年度夜光影像进行去噪处理，并计算得到模型训练样本和模型测试样本的夜间灯光总量TNL值；
(7)进行训练样本城市的TNL-GDP回归模型建立与对比：建立多个回归模型，进行针对训练样本城市的多个回归模型的回归方程拟合优度对比，得出最贴合训练样本的TNL与GDP的回归方程，作为TNL-GDP回归模型；
(8)对建立的TNL-GDP回归模型进行合理性评价：将步骤(6)中的模型测试样本城市的TNL值代入步骤(7)中TNL-GDP回归模型，求得测试样本城市的GDP预测值，计算各测试样本城市的GDP实际值与GDP预测值之间的相对误差，若平均相对误差小于20％，则该回归模型合理，若平均相对误差大于等于20％则返回步骤(7)。
2.根据权利要求1所述的一种基于城市建筑分类的TNL-GDP回归模型构建方法，其特征在于，所述步骤(2)中对低云量Landsat-8影像进行预处理的具体步骤如下：
(2.1)对低云量Landsat-8影像做辐射定标处理；
(2.2)对步骤(2.1)所得影像作大气校正；
(2.3)对步骤(2.2)所得影像进行拼接和裁剪，得到训练样本城市和测试样本城市的Landsat-8预处理影像。
3.根据权利要求1所述的一种基于城市建筑分类的TNL-GDP回归模型构建方法，其特征在于，所述步骤(4)中对Landsat-8预处理影像和年度夜光影像进行投影和重采样的具体步骤如下：
(4.1)将Landsat-8预处理影像重采样为450m；
(4.2)对年度夜光影像做投影、重采样处理，其中投影方式为兰伯特方位等积投影，同时将X和Y的值设置为450m。
4.根据权利要求3所述的一种基于城市建筑分类的TNL-GDP回归模型构建方法，其特征在于，所述步骤(5)中利用神经网络算法对Landsat-8预处理影像进行分类的具体步骤如下：
(5.1)结合地表图像，对Landsat-8预处理影像做特征判别，通过目视将影像分为三类：建成区、水域、其他；
(5.2)对步骤(5.1)的初级分类结果作分类后处理；
(5.3)利用步骤(5.2)的最终分类结果，生成建成区、水域矢量图。
5.根据权利要求4所述的一种基于城市建筑分类的TNL-GDP回归模型构建方法，其特征在于，所述步骤(6)中对生成的年度夜光影像进行去噪处理的具体步骤如下：
(6.1)以步骤(5.3)得到的建成区矢量图作为掩膜提取步骤(4.2)得到的夜光影像，获取初级城市建成区NPP/VIIRS夜间灯光遥感影像；
(6.2)以步骤(5.3)得到水域矢量图作为掩膜提取步骤(4.2)得到的夜光影像，获取水域NPP/VIIRS夜间灯光遥感影像，并统计其最大亮度值，作为噪声最低阈值；
(6.3)以步骤(6.2)得到的噪声最低阈值滤除步骤(6.1)所得的初级城市建成区NPP/VIIRS夜间灯光遥感影像中的背景噪声，获取最终城市建成区NPP-VIIRS夜间灯光遥感影像；
(6.4)分别统计步骤(6.3)得到的最终城市建成区NPP-VIIRS夜间灯光遥感影像的模型训练样本城市、模型测试样本城市的TNL值。
6.根据权利要求1所述的一种基于城市建筑分类的TNL-GDP回归模型构建方法，其特征在于，所述步骤(7)中进行训练样本城市的TNL-GDP回归模型建立与对比的具体步骤如下：将步骤(6)得到的模型训练样本城市的TNL值作为自变量X，将步骤(1)得到的模型训练样本统计GDP值作为应变量Y，分别建立TNL-GDP指数回归模型、TNL-GDP对数回归模型、TNL-GDP线性回归模型，并计算上述三个模型的决定系数R2指标：R1 2为TNL-GDP指数回归模型的决定系数，R2 2为TNL-GDP对数回归模型的决定系数，R3 2为TNL-GDP线性回归模型的决定系数；
其中决定系数R2的计算公式为：
其中，Y_actual是各模型训练样本城市的统计GDP值，Y_predict是各模型训练样本城市的GDP预测值，Y_mean是模型训练样本城市的平均统计GDP值；
通过上述公式计算得出R1 2、R2 2和R3 2，并判断R1 2、R2 2和R3 2中哪个数值最高，选择决定系数最高的回归模型作为最终的TNL-GDP回归模型。
CN201810500613.XA 2018-05-23 2018-05-23 一种基于城市建筑分类的tnl-gdp回归模型构建方法 Pending CN108875583A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810500613.XA CN108875583A (zh) 2018-05-23 2018-05-23 一种基于城市建筑分类的tnl-gdp回归模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810500613.XA CN108875583A (zh) 2018-05-23 2018-05-23 一种基于城市建筑分类的tnl-gdp回归模型构建方法

Publications (1)

Publication Number Publication Date
CN108875583A true CN108875583A (zh) 2018-11-23

Family

ID=64333071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810500613.XA Pending CN108875583A (zh) 2018-05-23 2018-05-23 一种基于城市建筑分类的tnl-gdp回归模型构建方法

Country Status (1)

Country Link
CN (1) CN108875583A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751727A (zh) * 2019-10-30 2020-02-04 南京林业大学 一种基于Landsat长时间序列的合成图像构建方法
CN111597949A (zh) * 2020-05-12 2020-08-28 中国科学院城市环境研究所 一种基于npp-viirs夜间灯光数据的城市建成区提取方法
CN111914137A (zh) * 2020-08-10 2020-11-10 许昌学院 一种基于遥感数据和poi数据的gdp空间化方法
CN113743906A (zh) * 2021-09-09 2021-12-03 北京沃东天骏信息技术有限公司 一种确定业务处理策略的方法和装置
CN114077970A (zh) * 2021-11-19 2022-02-22 中国科学院地理科学与资源研究所 一种基于城市形态的碳排放相关因子的确定方法及装置
CN115049164A (zh) * 2022-08-15 2022-09-13 四川师范大学 耦合社会网络模型和碳抵消的生态网络优化方法
CN116246076A (zh) * 2022-12-28 2023-06-09 北京华清安地建筑设计有限公司 一种传统民居院落肌理特征识别应用方法和系统
CN116503274A (zh) * 2023-04-07 2023-07-28 中山大学 一种基于图像重叠区域的图像匀色方法及装置

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751727B (zh) * 2019-10-30 2020-12-18 南京林业大学 一种基于Landsat长时间序列的合成图像构建方法
CN110751727A (zh) * 2019-10-30 2020-02-04 南京林业大学 一种基于Landsat长时间序列的合成图像构建方法
CN111597949B (zh) * 2020-05-12 2023-04-11 中国科学院城市环境研究所 一种基于npp-viirs夜间灯光数据的城市建成区提取方法
CN111597949A (zh) * 2020-05-12 2020-08-28 中国科学院城市环境研究所 一种基于npp-viirs夜间灯光数据的城市建成区提取方法
CN111914137A (zh) * 2020-08-10 2020-11-10 许昌学院 一种基于遥感数据和poi数据的gdp空间化方法
CN111914137B (zh) * 2020-08-10 2023-11-21 许昌学院 一种基于遥感数据和poi数据的gdp空间化方法
CN113743906A (zh) * 2021-09-09 2021-12-03 北京沃东天骏信息技术有限公司 一种确定业务处理策略的方法和装置
CN114077970A (zh) * 2021-11-19 2022-02-22 中国科学院地理科学与资源研究所 一种基于城市形态的碳排放相关因子的确定方法及装置
CN114077970B (zh) * 2021-11-19 2023-04-07 中国科学院地理科学与资源研究所 一种基于城市形态的碳排放相关因子的确定方法及装置
CN115049164A (zh) * 2022-08-15 2022-09-13 四川师范大学 耦合社会网络模型和碳抵消的生态网络优化方法
CN115049164B (zh) * 2022-08-15 2022-10-21 四川师范大学 耦合社会网络模型和碳抵消的生态网络优化方法
CN116246076A (zh) * 2022-12-28 2023-06-09 北京华清安地建筑设计有限公司 一种传统民居院落肌理特征识别应用方法和系统
CN116246076B (zh) * 2022-12-28 2023-08-11 北京华清安地建筑设计有限公司 一种传统民居院落肌理特征识别应用方法和系统
CN116503274A (zh) * 2023-04-07 2023-07-28 中山大学 一种基于图像重叠区域的图像匀色方法及装置
CN116503274B (zh) * 2023-04-07 2023-12-22 中山大学 一种基于图像重叠区域的图像匀色方法及装置

Similar Documents

Publication Publication Date Title
CN108875583A (zh) 一种基于城市建筑分类的tnl-gdp回归模型构建方法
CN108804394A (zh) 一种城市夜光总量-城镇人口回归模型的构建方法
Liu et al. A machine learning-based cloud detection algorithm for the Himawari-8 spectral image
CN107463901B (zh) 多尺度区域洪涝灾害危险性遥感评估方法和系统
CN111368817B (zh) 一种基于地表类型进行热效应定量评价方法及系统
CN107067334B (zh) 基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统
CN111046613B (zh) 基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法
CN109885959B (zh) 一种地表温度鲁棒降尺度方法
CN103699543A (zh) 基于遥感图像地物分类的信息可视化方法
CN111523525A (zh) 农作物分类识别方法、装置和电子设备
CN111666827B (zh) 一种林业病虫害智能识别方法及系统
CN116337701A (zh) 一种基于双星组网的城市高分辨率气溶胶光学厚度反演方法
CN115272860A (zh) 一种水稻种植区的确定方法、系统、电子设备及存储介质
CN106920231A (zh) 一种基于全色图像统计特征的遥感图像云评估方法
CN112364289A (zh) 一种通过数据融合提取水体信息的方法
CN106500841A (zh) 一种遥感监测大面积茶园植株多酚含量的方法及系统
CN109035223A (zh) 一种用于卫星遥感图像可用度的智能评估方法
Guo et al. An enhanced deep learning approach to assessing inland lake water quality and its response to climate and anthropogenic factors
CN107239886B (zh) 基于高分卫星遥感数据的gdp密度分析系统
Das et al. GeoAI to implement an individual tree inventory: Framework and application of heat mitigation
CN113096114B (zh) 结合形态与指数的高分辨率城市水体图斑遥感提取方法
CN117115669A (zh) 双条件质量约束的对象级地物样本自适应生成方法及系统
CN117197656A (zh) 多模态牧草图像特征提取与识别系统
CN115564678A (zh) 优化bp神经网络的低空无人机光谱辐射校正方法及系统
Pisek et al. Assessment of a global leaf area index product from SPOT-4 VEGETATION data over selected sites in Canada

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181123