CN109241846A - 遥感影像的时空变化估测方法、装置与存储介质 - Google Patents
遥感影像的时空变化估测方法、装置与存储介质 Download PDFInfo
- Publication number
- CN109241846A CN109241846A CN201810887032.6A CN201810887032A CN109241846A CN 109241846 A CN109241846 A CN 109241846A CN 201810887032 A CN201810887032 A CN 201810887032A CN 109241846 A CN109241846 A CN 109241846A
- Authority
- CN
- China
- Prior art keywords
- grid
- remote sensing
- atural object
- object element
- sensing image
- 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.)
- Granted
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种遥感影像的时空变化估测方法、装置与存储介质，该方法通过将目标区域划分为若干个以设定网格大小为单位的网格；采用该网格裁剪多时相遥感影像数据，获得时空影像数据集；采用CNN模型对时空影像数据集进行分类训练，以生成地物要素特征模型；采用该网格裁剪源遥感影像数据及目标遥感影像数据，以获得若干个网格源影像及若干个网格目标影像；通过地物要素特征模型提取网格源影像及网格目标影像的地物要素，并进行差异对比分析，以得到目标区域的时空变化结果。通过该方法能够将CNN和GIS技术高度融合，实现了基于城市海量遥感影像数据的城市时空变化估测的自动化处理，效率高。
Description
技术领域
本发明涉及遥感影像应用技术领域，具体涉及一种遥感影像的时空变化估测方法、装置与存储介质。
背景技术
遥感影像变化估测是遥感影像数据处理和应用的重要环节，变化估测就是从不同时期、不同年代的遥感影像中，定性或定量的分析和确定地表变化的特征与过程。基于遥感影像进行城市时空变化估测在很多领域都将起到重要作用，如土地利用现状调查、土地利用规划编制、城市总体规划编制、城区变化和管理规划，自然资源调查，城市基础测绘领域中的基础地理数据库更新，海洋和内陆水体监测，湿地变化估测与管理等。
随着城市遥感影像获取的精度越来越高、更新频率越来越快、时效性越来越好，已成为城市时空变化估测的重要数据源；然而，传统的城市时空变化估测方法主要包括人工手工比较的方法，人工手工比较的方法是基于不同年代或时相的遥感影像数据通过人工判读影像甚至实地检测，由于城市遥感影像数据量大、覆盖面积广，而且往往存在多年代、多时相的影像数据，人工判读自动化程度低，存在耗时长、效率低的不足
发明内容
基于此，本发明提供了一种遥感影像的时空变化估测方法、装置与存储介质，能够将CNN(卷积神经网络)和GIS(地理信息系统)技术高度融合，实现了基于城市海量遥感影像数据的城市时空变化估测的自动化处理，效率高。
本发明实施例还提供了一种遥感影像的时空变化估测方法，包括：
根据目标区域的空间范围，将所述目标区域划分为若干个以设定网格大小为单位的网格；
采用所述网格对预先采集的多时相遥感影像数据进行网格裁剪，获得时空影像数据集；
将所述时空影像数据集输入到卷积神经网络模型进行分类训练，以生成地物要素特征模型；
采用所述网格对预先采集的源遥感影像数据以及目标遥感影像数据进行网格裁剪，以获得若干个网格源影像及若干个网格目标影像；
提取任意一个所述网格对应的网格源影像及网格目标影像，并分别输入到所述地物要素特征模型，获得所述网格源影像对应的地物要素和所述网格目标影像对应的地物要素；
根据所述网格源影像对应的地物要素及所述网格目标影像对应的地物要素，计算所述网格源影像、所述网格目标影像在所述网格上的变化率；
根据所述网格源影像、所述网格目标影像所在的网格的变化率，计算相对于所述源遥感影像数据及所述目标遥感影像数据的时空变化结果。
优选地，所述遥感影像的时空变化估测方法还包括：
在进行网格裁剪前，对所述多时相遥感影像数据、所述源遥感影像数据以及所述目标遥感影像数据进行预处理；其中，所述预处理包括：匀光匀色、坐标转换、坐标匹配处理。
优选地，所述根据所述网格源影像对应的地物要素及所述网格目标影像对应的地物要素，计算所述网格源影像、所述网格目标影像在所述网格上的变化率，具体包括：
对所述网格源影像对应的各地物要素以及所述网格目标影像对应的各地物要素进行差异对比处理，得到在所述网格上各地物要素的差异面积；
分别计算各地物要素的差异面积与所述网格面积之商，作为各地物要素的在所述网格上的变化率；
根据各地物要素对应的预设权重以及各地物要素的在所述网格上的变化率，计算所述网格源影像、所述网格目标影像在所述网格上的变化率。
优选地，所述根据所述网格源影像、所述网格目标影像所在的网格的变化率，计算相对于所述源遥感影像数据及所述目标遥感影像数据的时空变化结果，具体包括：
判断所述网格源影像、所述网格目标影像所在的网格的变化率是否大于预设的阈值；
若是，将所述网格源影像、所述网格目标影像所在的网格标记为第一设定数值；
若否，将所述网格源影像、所述网格目标影像所在的网格标记为第二设定数值；
将标记为所述第一设定数值的相邻网格、标记为所述第二设定数值的相邻网格在空间上进行数据融合，得到相对所述源遥感影像数据及所述目标遥感影像数据的时空变化结果。
优选地，所述地物要素特征模型包括：城市水系特征模型、居民地特征模型、交通道路特征模型、地貌与土质特征模型、植被特征模型以及其他地物特征模型；
其中，将所述网格源影像和所述网格目标影像分别输入到所述地物要素特征模型中，得到所述网格源影像对应的水系地物要素、居民地地物要素、交通道路地物要素、地貌与土质地物要素、植被地物要素以及其他地物要素，所述网格目标影像对应的水系地物要素、居民地地物要素、交通道路地物要素、地貌与土质地物要素、植被地物要素以及其他地物要素。
优选地，所述遥感影像的时空变化估测方法还包括：
根据公式Δ＝(ΔWⅹSⅹηW+ΔBⅹSⅹηB+ΔTⅹSⅹηT+ΔDⅹSⅹηD+ΔZⅹSⅹηZ+ΔQⅹSⅹηQ)ⅹ6ⅹ100％/S，计算所述网格源影像、所述网格目标影像在所述网格上的变化率；
其中，S为网格的面积；ΔW、ηW分别为水系地物要素在所述网格上的变化率、权重；ΔB、ηB分别为居民地地物要素在所述网格上的变化率、权重；ΔT、ηT分别为交通道路地物要素在所述网格上的变化率、权重；ΔD、ηD分别为地貌与土质地物要素在所述网格上的变化率、权重；ΔZ、ηZ分别为植被地物要素在所述网格上的变化率、权重；ΔQ、ηQ分别为其他地物要素在所述网格上的变化率、权重。
优选地，所述卷积神经网络模型为基于CNN卷积神经网络的GoogleLeNet模型。
优选地，采用地理信息系统对所述多时相遥感影像数据、所述源遥感影像数据以及所述目标遥感影像数据进行坐标转换、坐标匹配处理。
本发明实施例还提供了一种遥感影像的时空变化估测装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的遥感影像的时空变化估测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的遥感影像的时空变化估测方法。
相对于现有技术，本发明实施例提供的一种遥感影像的时空变化估测方法的有益效果在于：通过将目标区域划分为若干个以设定网格大小为单位的网格；采用该网格裁剪多时相遥感影像数据，获得时空影像数据集；采用CNN模型对时空影像数据集进行分类训练，以生成地物要素特征模型；采用该网格裁剪源遥感影像数据及目标遥感影像数据，以获得若干个网格源影像及若干个网格目标影像；通过地物要素特征模型提取网格源影像及网格目标影像的地物要素，并进行差异对比分析，以得到目标区域的时空变化结果。通过该方法能够将CNN和GIS技术高度融合，实现了基于城市海量遥感影像数据的城市时空变化估测的自动化处理，效率高。
附图说明
图1是本发明实施例提供的一种遥感影像的时空变化估测方法的流程图；
图2是源遥感影像数据及目标遥感影像数据的数据融合示意图；
图3是本发明实施例提供的一种遥感影像的时空变化估测装置的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其是本发明实施例所提供的一种遥感影像的时空变化估测方法的流程图，所述遥感影像的时空变化估测方法，包括：
S100：根据目标区域的空间范围，将所述目标区域划分为若干个以设定网格大小为单位的网格；
本发明可以基于Google地图或百度地图，按照1000m*1000m的网格大小将目标区域的空间范围划分为若干个网格；网格大小可根据目标区域的空间范围大小或需要进行调整。
S200：采用所述网格对预先采集的多时相遥感影像数据进行网格裁剪，获得时空影像数据集；
通过采集目标区域，例如广州市的历史多期、多时相的高分辨率卫星影像数据，即多时相遥感影像数据，通过循环读取每个1000m*1000m的网格对步多时相遥感影像数据进行裁剪，例如可以采用GIS(地理信息系统)软件，如ArcGIS等对进行多时相遥感影像数据批量、自动化地裁剪，已生成时空影像数据集，作为卷积神经网络模型的训练集，通过网格划分，可以充分利用TensorFlow的分布式并行计算能力，以快速、高效地进行分类训练及模型生成。
S300：将所述时空影像数据集输入到卷积神经网络模型进行分类训练，以生成地物要素特征模型；
CNN(卷积神经网络)主要用来识别位移、缩放及其他形式扭曲不变性的二维图形，由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN(卷积神经网络)时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；其次，由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点，本发明基于CNN(卷积神经网络)，利用TensorFlow对所述时空影像数据集进行分类训练，可以避免了特征提取和分类过程中数据重建的复杂度。同时，为了进一步提高学习训练效果和地物要素特征提取的准确度，可将城市多期地物要素(如水系、居民地、交通道路等)的手工提取数据参与模型训练，即将手工提取数据以及所述时空影像数据集同时输入到卷积神经网络模型进行分类训练，从而避免数据的过拟合。
S400：采用所述网格对预先采集的源遥感影像数据以及目标遥感影像数据进行网格裁剪，以获得若干个网格源影像及若干个网格目标影像；
S500：提取任意一个所述网格对应的网格源影像及网格目标影像，并分别输入到所述地物要素特征模型，获得所述网格源影像对应的地物要素和所述网格目标影像对应的地物要素；
S600：根据所述网格源影像对应的地物要素及所述网格目标影像对应的地物要素，计算所述网格源影像、所述网格目标影像在所述网格上的变化率；
S700：根据所述网格源影像、所述网格目标影像所在的网格的变化率，计算相对于所述源遥感影像数据及所述目标遥感影像数据的时空变化结果。
本发明利用城市多年以来积累的多期、多时相高分辨卫星影像数据，基于CNN(卷积神经网络)进行学习分类训练、模型生成，将GIS(地理信息系统)与CNN(卷积神经网络)技术高度融合，实现了城市时空变化的自动化估测，可为城市基础测绘更新、自然资源调查，土地利用现状调查等众多领域提供服务，同时实现了基于城市海量遥感影像数据的城市时空变化估测的自动化处理，效率高。
在一种可选的实施例中，所述遥感影像的时空变化估测方法还包括：
在进行网格裁剪前，对所述多时相遥感影像数据、所述源遥感影像数据以及所述目标遥感影像数据进行预处理；其中，所述预处理包括：匀光匀色、坐标转换、坐标匹配处理。
在本实施例中，可以通过调用图像处理软件，例如Photoshop对所述多时相遥感影像数据、所述源遥感影像数据以及所述目标遥感影像数据进行匀光匀色，通过调用GIS软件，例如ArGIS、SuperMap，对所述多时相遥感影像数据、所述源遥感影像数据以及所述目标遥感影像数据进行坐标转换、坐标匹配处理，以确保城市历史上多期、多时相遥感影像数据的坐标系统一致。
在一种可选的实施例中，S600：根据所述网格源影像对应的地物要素及所述网格目标影像对应的地物要素，计算所述网格源影像、所述网格目标影像在所述网格上的变化率，具体包括：
对所述网格源影像对应的各地物要素以及所述网格目标影像对应的各地物要素进行差异对比处理，得到在所述网格上各地物要素的差异面积；
分别计算各地物要素的差异面积与所述网格面积之商，作为各地物要素的在所述网格上的变化率；
根据各地物要素对应的预设权重以及各地物要素的在所述网格上的变化率，计算所述网格源影像、所述网格目标影像在所述网格上的变化率。
在一种可选的实施例中，所述地物要素特征模型包括：城市水系特征模型、居民地特征模型、交通道路特征模型、地貌与土质特征模型、植被特征模型以及其他地物特征模型；
其中，将所述网格源影像和所述网格目标影像分别输入到所述地物要素特征模型中，得到所述网格源影像对应的水系地物要素、居民地地物要素、交通道路地物要素、地貌与土质地物要素、植被地物要素以及其他地物要素，所述网格目标影像对应的水系地物要素、居民地地物要素、交通道路地物要素、地貌与土质地物要素、植被地物要素以及其他地物要素。
在一种可选的实施例中，所述遥感影像的时空变化估测方法还包括：
根据公式Δ＝(ΔWⅹSⅹηW+ΔBⅹSⅹηB+ΔTⅹSⅹηT+ΔDⅹSⅹηD+ΔZⅹSⅹηZ+ΔQⅹSⅹηQ)ⅹ6ⅹ100％/S，计算所述网格源影像、所述网格目标影像在所述网格上的变化率；
其中，S为网格的面积；ΔW、ηW分别为水系地物要素在所述网格上的变化率、权重；ΔB、ηB分别为居民地地物要素在所述网格上的变化率、权重；ΔT、ηT分别为交通道路地物要素在所述网格上的变化率、权重；ΔD、ηD分别为地貌与土质地物要素在所述网格上的变化率、权重；ΔZ、ηZ分别为植被地物要素在所述网格上的变化率、权重；ΔQ、ηQ分别为其他地物要素在所述网格上的变化率、权重。
本发明通过提取源影像数据以及目标影像数据在1000m*1000m网格上的地物要素，调用ArcGIS中ArcToolbox的Overlay(叠加分析)工具，对进行差异对比分析，如水系地物要素的变化率ΔW，用水系地物要素在所述网格源影像、所述网格目标影像上的差异面积之和除以该网格的面积；居民地地物要素的变化率ΔB，用居民地地物要素在所述网格源影像、所述网格目标影像上的差异面积之和除以该网格的面积所述网格源影像、所述网格目标影像交通道路地物要素的变化率ΔR，用交通道路地物要素在两个所述网格源影像、所述网格目标影像上的差异面积之和除以该网格的面积；地貌与土质地物要素的变化率ΔD，用地貌与土质地物要素在所述网格源影像、所述网格目标影像上的差异面积之和除以该网格的面积；植被地物要素的变化率ΔZ，用植被地物要素在所述网格源影像、所述网格目标影像上的差异面积之和除以该网格的面积；其他地物要素的变化率ΔQ，用其他地物要素在所述网格源影像、所述网格目标影像上的差异面积之和除以该网格的面积。之后可根据城市的实际情况对各地物要素的权重进行设置，例如根据各地物要素对该城市重要程度，各地物要素按照权重由大到小排序为：水系地物要素ηW>居民地地物要素ηB>交通道路地物要素ηT>地貌与土质地物要素ηD>植被地物要素ηZ>其他地物要素ηQ；进一步地ηW+ηB+ηT+ηD+ηZ+ηQ＝100％。例如可设置ηW＝35％；ηB＝25％；ηT＝15％；ηD＝10％；ηZ＝10％；ηQ＝5％。
在一种可选的实施例中，所述根据所述网格源影像、所述网格目标影像所在的网格的变化率，计算相对于所述源遥感影像数据及所述目标遥感影像数据的时空变化结果，具体包括：
判断所述网格源影像、所述网格目标影像所在的网格的变化率是否大于预设的阈值；
若是，将所述网格源影像、所述网格目标影像所在的网格标记为第一设定数值；
若否，将所述网格源影像、所述网格目标影像所在的网格标记为第二设定数值；
将标记为所述第一设定数值的相邻网格、标记为所述第二设定数值的相邻网格在空间上进行数据融合，得到相对所述源遥感影像数据及所述目标遥感影像数据的时空变化结果。
在本实施例中，所述预设的阈值为50％，所述第一设定数值为1，所述第二设定数值为0；如图2所示，当所述网格源影像、所述网格目标影像所在的网格的变化率大于50％时，将所述网格标记为1，当所述网格源影像、所述网格目标影像所在的网格的变化率不大于50％时，将所述网格标记为0，分别将所有网格中标识为1的相邻网格、以及标识为0的相邻网格在空间上进行数据融合，数据融合可以使用ArcGIS中ArcToolbox的Dissolve(融合分析)工具，该工具可将相邻的、空间变化率相同的网格(例如，同是“1”或同是“0”的)自动合并，得到最终得到的相对所述源遥感影像数据及所述目标遥感影像数据的时空变化结果。
在一种可选的实施例中，所述卷积神经网络模型为基于CNN卷积神经网络的GoogleLeNet模型。
在一种可选的实施例中，采用地理信息系统对所述多时相遥感影像数据、所述源遥感影像数据以及所述目标遥感影像数据进行坐标转换、坐标匹配处理。
本发明相对于现有技术的具有如下有点：
1、本发明将GIS(地理信息系统)与CNN(卷积神经网络)技术高度融合，实现了城市时空变化的自动化估测，可为城市基础测绘更新、自然资源调查，土地利用现状调查等众多领域提供服务；本发明利用城市多年以来积累的多期、多时相高分辨卫星影像数据，基于CNN(卷积神经网络)，进行学习分类训练、模型生成，为自动化提取相应的地物要素特征提供了技术支撑；同时，本发明充分利用GIS(地理信息系统)技术，解决了海量遥感影像数据的坐标转换与匹配、影像裁剪与空间网格划分、网格地物要素的差异比对与分析、网格数据的空间融合等方面的技术问题；
2、本发明基于CNN(卷积神经网络)，并在TensorFlow框架中基于GoogleLeNet模型，实现了城市海量遥感影像数据的变化估测，一方面，基于现有的历史城市高分辨率影像数据，为城市海量遥感影像数据为CNN(卷积神经网络)的自动训练和特征提取提供了大量、丰富的图片数据集，另一方面，CNN(卷积神经网络)能从不同时期、海量的遥感影像/图片中，定量的分析和确定地表变化的特征与过程，在使用CNN(卷积神经网络)等深度学习处理遥感影像之后，城市时空变化检测的效率得到了很大的提高；
3、本发明在利用CNN(卷积神经网络)对城市多期、多时相遥感影像数据进行分类训练、特征提取、模型生成过程中，可以将城市相关的已有矢量地物要素数据参与深度学习过程中，有效避免了机器学习算法中的数据过拟合问题；
4、本发现在利用CNN(卷积神经网络)模型和TensorFlow技术框架，基于城市多期、多时相遥感影像数据进行分类训练、特征提取以及时空变化估测的过程中，充分利用云计算、分布式计算等技术，显著地提高了城市时空变化检测时的计算效率，具体表现在：本方案在分类训练、特征提取、模型生成时，利用GIS(地理信息系统)技术按照一定的网格大小对城市历年多期、多时相遥感影像数据进行裁剪、裁切；在空间变化估测过程中，同样利用GIS(地理信息系统)技术按照该格网大小，对待估测的两期遥感影像进行裁切，再对各网格的变化情况进行融合，以得到两期影像的空间变化率。
请参阅图3，其是本发明实施例提供的一种遥感影像的时空变化估测装置的示意图。
所述遥感影像的时空变化估测装置，包括：
网格划分模块1，用于根据目标区域的空间范围，将所述目标区域划分为若干个以设定网格大小为单位的网格；
本发明可以基于Google地图或百度地图，按照1000m*1000m的网格大小将目标区域的空间范围划分为若干个网格；网格大小可根据目标区域的空间范围大小或需要进行调整。
第一网格裁剪模块2，用于采用所述网格对预先采集的多时相遥感影像数据进行网格裁剪，获得时空影像数据集；
通过采集目标区域，例如广州市的历史多期、多时相的高分辨率卫星影像数据，即多时相遥感影像数据，通过循环读取每个1000m*1000m的网格对步多时相遥感影像数据进行裁剪，例如可以采用GIS(地理信息系统)软件，如ArcGIS等对进行多时相遥感影像数据批量、自动化地裁剪，已生成时空影像数据集，作为卷积神经网络模型的训练集，通过网格划分，可以充分利用TensorFlow的分布式并行计算能力，以快速、高效地进行分类训练及模型生成。
模型构建模块3，用于将所述时空影像数据集输入到卷积神经网络模型进行分类训练，以生成地物要素特征模型；
CNN(卷积神经网络)主要用来识别位移、缩放及其他形式扭曲不变性的二维图形，由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN(卷积神经网络)时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；其次，由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点，本发明基于CNN(卷积神经网络)，利用TensorFlow对所述时空影像数据集进行分类训练，可以避免了特征提取和分类过程中数据重建的复杂度。同时，为了进一步提高学习训练效果和地物要素特征提取的准确度，可将城市多期地物要素(如水系、居民地、交通道路等)的手工提取数据参与模型训练，即将手工提取数据以及所述时空影像数据集同时输入到卷积神经网络模型进行分类训练，从而避免数据的过拟合。
第二网格裁剪模块4，用于采用所述网格对预先采集的源遥感影像数据以及目标遥感影像数据进行网格裁剪，以获得若干个网格源影像及若干个网格目标影像；
地物要素提取模块5，用于提取任意一个所述网格对应的网格源影像及网格目标影像，并分别输入到所述地物要素特征模型，获得所述网格源影像对应的地物要素和所述网格目标影像对应的地物要素；
第一计算模块6，用于根据所述网格源影像对应的地物要素及所述网格目标影像对应的地物要素，计算所述网格源影像、所述网格目标影像在所述网格上的变化率；
第二计算模块7，用于根据所述网格源影像、所述网格目标影像所在的网格的变化率，计算相对于所述源遥感影像数据及所述目标遥感影像数据的时空变化结果。
本发明利用城市多年以来积累的多期、多时相高分辨卫星影像数据，基于CNN(卷积神经网络)进行学习分类训练、模型生成，将GIS(地理信息系统)与CNN(卷积神经网络)技术高度融合，实现了城市时空变化的自动化估测，可为城市基础测绘更新、自然资源调查，土地利用现状调查等众多领域提供服务，同时实现了基于城市海量遥感影像数据的城市时空变化估测的自动化处理，效率高。
在一种可选的实施例中，所述遥感影像的时空变化估测装置还包括：
预处理模块，用于在进行网格裁剪前，对所述多时相遥感影像数据、所述源遥感影像数据以及所述目标遥感影像数据进行预处理；其中，所述预处理包括：匀光匀色、坐标转换、坐标匹配处理。
在本实施例中，可以通过调用图像处理软件，例如Photoshop对所述多时相遥感影像数据、所述源遥感影像数据以及所述目标遥感影像数据进行匀光匀色，通过调用GIS软件，例如ArGIS、SuperMap，对所述多时相遥感影像数据、所述源遥感影像数据以及所述目标遥感影像数据进行坐标转换、坐标匹配处理，以确保城市历史上多期、多时相遥感影像数据的坐标系统一致。
在一种可选的实施例中，第一计算模块6包括：
差异对比单元，用于对所述网格源影像对应的各地物要素以及所述网格目标影像对应的各地物要素进行差异对比处理，得到在所述网格上各地物要素的差异面积；
第一变化率计算单元，用于分别计算各地物要素的差异面积与所述网格面积之商，作为各地物要素的在所述网格上的变化率；
第二变化率计算单元，用于根据各地物要素对应的预设权重以及各地物要素的在所述网格上的变化率，计算所述网格源影像、所述网格目标影像在所述网格上的变化率。
在一种可选的实施例中，所述地物要素特征模型包括：城市水系特征模型、居民地特征模型、交通道路特征模型、地貌与土质特征模型、植被特征模型以及其他地物特征模型；
其中，将所述网格源影像和所述网格目标影像分别输入到所述地物要素特征模型中，得到所述网格源影像对应的水系地物要素、居民地地物要素、交通道路地物要素、地貌与土质地物要素、植被地物要素以及其他地物要素，所述网格目标影像对应的水系地物要素、居民地地物要素、交通道路地物要素、地貌与土质地物要素、植被地物要素以及其他地物要素。
在一种可选的实施例中，第二变化率计算单元，用于根据公式Δ＝(ΔWⅹSⅹηW+ΔBⅹSⅹηB+ΔTⅹSⅹηT+ΔDⅹSⅹηD+ΔZⅹSⅹηZ+ΔQⅹSⅹηQ)ⅹ6ⅹ100％/S，计算所述网格源影像、所述网格目标影像在所述网格上的变化率；
其中，S为网格的面积；ΔW、ηW分别为水系地物要素在所述网格上的变化率、权重；ΔB、ηB分别为居民地地物要素在所述网格上的变化率、权重；ΔT、ηT分别为交通道路地物要素在所述网格上的变化率、权重；ΔD、ηD分别为地貌与土质地物要素在所述网格上的变化率、权重；ΔZ、ηZ分别为植被地物要素在所述网格上的变化率、权重；ΔQ、ηQ分别为其他地物要素在所述网格上的变化率、权重。
本发明通过提取源影像数据以及目标影像数据在1000m*1000m网格上的地物要素，调用ArcGIS中ArcToolbox的Overlay(叠加分析)工具，对进行差异对比分析，如水系地物要素的变化率ΔW，用水系地物要素在所述网格源影像、所述网格目标影像上的差异面积之和除以该网格的面积；居民地地物要素的变化率ΔB，用居民地地物要素在所述网格源影像、所述网格目标影像上的差异面积之和除以该网格的面积所述网格源影像、所述网格目标影像交通道路地物要素的变化率ΔR，用交通道路地物要素在两个所述网格源影像、所述网格目标影像上的差异面积之和除以该网格的面积；地貌与土质地物要素的变化率ΔD，用地貌与土质地物要素在所述网格源影像、所述网格目标影像上的差异面积之和除以该网格的面积；植被地物要素的变化率ΔZ，用植被地物要素在所述网格源影像、所述网格目标影像上的差异面积之和除以该网格的面积；其他地物要素的变化率ΔQ，用其他地物要素在所述网格源影像、所述网格目标影像上的差异面积之和除以该网格的面积。之后可根据城市的实际情况对各地物要素的权重进行设置，例如根据各地物要素对该城市重要程度，各地物要素按照权重由大到小排序为：水系地物要素ηW>居民地地物要素ηB>交通道路地物要素ηT>地貌与土质地物要素ηD>植被地物要素ηZ>其他地物要素ηQ；进一步地ηW+ηB+ηT+ηD+ηZ+ηQ＝100％。例如可设置ηW＝35％；ηB＝25％；ηT＝15％；ηD＝10％；ηZ＝10％；ηQ＝5％。
在一种可选的实施例中，第二计算模块7包括：
判断单元，用于判断所述网格源影像、所述网格目标影像所在的网格的变化率是否大于预设的阈值；
若是，第一标记单元，用于将所述网格源影像、所述网格目标影像所在的网格标记为第一设定数值；
若否，第二标记单元，用于将所述网格源影像、所述网格目标影像所在的网格标记为第二设定数值；
数据融合单元，用于将标记为所述第一设定数值的相邻网格、标记为所述第二设定数值的相邻网格在空间上进行数据融合，得到相对所述源遥感影像数据及所述目标遥感影像数据的时空变化结果。
在本实施例中，所述预设的阈值为50％，所述第一设定数值为1，所述第二设定数值为0；如图2所示，当所述网格源影像、所述网格目标影像所在的网格的变化率大于50％时，将所述网格标记为1，当所述网格源影像、所述网格目标影像所在的网格的变化率不大于50％时，将所述网格标记为0，分别将所有网格中标识为1的相邻网格、以及标识为0的相邻网格在空间上进行数据融合，数据融合可以使用ArcGIS中ArcToolbox的Dissolve(融合分析)工具，该工具可将相邻的、空间变化率相同的网格(例如，同是“1”或同是“0”的)自动合并，得到最终得到的相对所述源遥感影像数据及所述目标遥感影像数据的时空变化结果。
在一种可选的实施例中，所述卷积神经网络模型为基于CNN卷积神经网络的GoogleLeNet模型。
在一种可选的实施例中，所述预处理模块，用于采用地理信息系统对所述多时相遥感影像数据、所述源遥感影像数据以及所述目标遥感影像数据进行坐标转换、坐标匹配处理。
本发明实施例还提供了一种遥感影像的时空变化估测装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的遥感影像的时空变化估测方法。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述遥感影像的时空变化估测装置中的执行过程。例如，所述计算机程序可以被分割成图3所述遥感影像的时空变化估测装置的功能模块。
所述遥感影像的时空变化估测装置可以是手机、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述遥感影像的时空变化估测装置可包括，但不仅限于，处理器、存储器。例如所述遥感影像的时空变化估测装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述遥感影像的时空变化估测装置的控制中心，利用各种接口和线路连接整个遥感影像的时空变化估测装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述遥感影像的时空变化估测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述遥感影像的时空变化估测装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的遥感影像的时空变化估测方法。
相对于现有技术，本发明实施例提供的一种遥感影像的时空变化估测方法的有益效果在于：通过将目标区域划分为若干个以设定网格大小为单位的网格；采用该网格裁剪多时相遥感影像数据，获得时空影像数据集；采用CNN模型对时空影像数据集进行分类训练，以生成地物要素特征模型；采用该网格裁剪源遥感影像数据及目标遥感影像数据，以获得若干个网格源影像及若干个网格目标影像；通过地物要素特征模型提取网格源影像及网格目标影像的地物要素，并进行差异对比分析，以得到目标区域的时空变化结果。通过该方法能够将CNN和GIS技术高度融合，实现了基于城市海量遥感影像数据的城市时空变化估测的自动化处理，效率高。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上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，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种遥感影像的时空变化估测方法，其特征在于，包括：
根据目标区域的空间范围，将所述目标区域划分为若干个以设定网格大小为单位的网格；
采用所述网格对预先采集的多时相遥感影像数据进行网格裁剪，获得时空影像数据集；
将所述时空影像数据集输入到卷积神经网络模型进行分类训练，以生成地物要素特征模型；
采用所述网格对预先采集的源遥感影像数据以及目标遥感影像数据进行网格裁剪，以获得若干个网格源影像及若干个网格目标影像；
提取任意一个所述网格对应的网格源影像及网格目标影像，并分别输入到所述地物要素特征模型，获得所述网格源影像对应的地物要素和所述网格目标影像对应的地物要素；
根据所述网格源影像对应的地物要素及所述网格目标影像对应的地物要素，计算所述网格源影像、所述网格目标影像在所述网格上的变化率；
根据所述网格源影像、所述网格目标影像所在的网格的变化率，计算相对于所述源遥感影像数据及所述目标遥感影像数据的时空变化结果。
2.如权利要求1所述的遥感影像的时空变化估测方法，其特征在于，所述遥感影像的时空变化估测方法还包括：
在进行网格裁剪前，对所述多时相遥感影像数据、所述源遥感影像数据以及所述目标遥感影像数据进行预处理；其中，所述预处理包括：匀光匀色、坐标转换、坐标匹配处理。
3.如权利要求1所述的遥感影像的时空变化估测方法，其特征在于，所述根据所述网格源影像对应的地物要素及所述网格目标影像对应的地物要素，计算所述网格源影像、所述网格目标影像在所述网格上的变化率，具体包括：
对所述网格源影像对应的各地物要素以及所述网格目标影像对应的各地物要素进行差异对比处理，得到在所述网格上各地物要素的差异面积；
分别计算各地物要素的差异面积与所述网格面积之商，作为各地物要素的在所述网格上的变化率；
根据各地物要素对应的预设权重以及各地物要素的在所述网格上的变化率，计算所述网格源影像、所述网格目标影像在所述网格上的变化率。
4.如权利要求1或3所述的遥感影像的时空变化估测方法，其特征在于，所述根据所述网格源影像、所述网格目标影像所在的网格的变化率，计算相对于所述源遥感影像数据及所述目标遥感影像数据的时空变化结果，具体包括：
判断所述网格源影像、所述网格目标影像所在的网格的变化率是否大于预设的阈值；
若是，将所述网格源影像、所述网格目标影像所在的网格标记为第一设定数值；
若否，将所述网格源影像、所述网格目标影像所在的网格标记为第二设定数值；
将标记为所述第一设定数值的相邻网格、标记为所述第二设定数值的相邻网格在空间上进行数据融合，得到相对所述源遥感影像数据及所述目标遥感影像数据的时空变化结果。
5.如权利要求3所述的遥感影像的时空变化估测方法，其特征在于，所述地物要素特征模型包括：城市水系特征模型、居民地特征模型、交通道路特征模型、地貌与土质特征模型、植被特征模型以及其他地物特征模型；
其中，将所述网格源影像和所述网格目标影像分别输入到所述地物要素特征模型中，得到所述网格源影像对应的水系地物要素、居民地地物要素、交通道路地物要素、地貌与土质地物要素、植被地物要素以及其他地物要素，所述网格目标影像对应的水系地物要素、居民地地物要素、交通道路地物要素、地貌与土质地物要素、植被地物要素以及其他地物要素。
6.如权利要求5所述的遥感影像的时空变化估测方法，其特征在于，所述遥感影像的时空变化估测方法还包括：
根据公式Δ＝(ΔWⅹSⅹηW+ΔBⅹSⅹηB+ΔTⅹSⅹηT+ΔDⅹSⅹηD+ΔZⅹSⅹηZ+ΔQⅹSⅹηQ)ⅹ6ⅹ100％/S，计算所述网格源影像、所述网格目标影像在所述网格上的变化率；
其中，S为网格的面积；ΔW、ηW分别为水系地物要素在所述网格上的变化率、权重；ΔB、ηB分别为居民地地物要素在所述网格上的变化率、权重；ΔT、ηT分别为交通道路地物要素在所述网格上的变化率、权重；ΔD、ηD分别为地貌与土质地物要素在所述网格上的变化率、权重；ΔZ、ηZ分别为植被地物要素在所述网格上的变化率、权重；ΔQ、ηQ分别为其他地物要素在所述网格上的变化率、权重。
7.如权利要求1所述的遥感影像的时空变化估测方法，其特征在于，所述卷积神经网络模型为基于CNN卷积神经网络的GoogleLeNet模型。
8.如权利要求2所述的遥感影像的时空变化估测方法，其特征在于，采用地理信息系统对所述多时相遥感影像数据、所述源遥感影像数据以及所述目标遥感影像数据进行坐标转换、坐标匹配处理。
9.一种遥感影像的时空变化估测装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的遥感影像的时空变化估测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至8中任意一项所述的遥感影像的时空变化估测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810887032.6A CN109241846B (zh) | 2018-08-06 | 2018-08-06 | 遥感影像的时空变化估测方法、装置与存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810887032.6A CN109241846B (zh) | 2018-08-06 | 2018-08-06 | 遥感影像的时空变化估测方法、装置与存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109241846A true CN109241846A (zh) | 2019-01-18 |
| CN109241846B CN109241846B (zh) | 2020-10-23 |
Family
ID=65070373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810887032.6A Active CN109241846B (zh) | 2018-08-06 | 2018-08-06 | 遥感影像的时空变化估测方法、装置与存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109241846B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263113A (zh) * | 2019-06-04 | 2019-09-20 | 广州市城市规划勘测设计研究院 | 地形图中地物要素的更新方法、系统及设备 |
| CN110503722A (zh) * | 2019-08-22 | 2019-11-26 | 华东师范大学 | 高精度室内外时空数据重构及其处理方法 |
| CN111340001A (zh) * | 2020-03-24 | 2020-06-26 | 武汉理工大学 | 一种基于遥感影像深度学习的交通拥堵识别方法 |
| CN111507255A (zh) * | 2020-04-16 | 2020-08-07 | 中铁二院工程集团有限责任公司 | 一种基于云技术的地表地物信息采集方法及系统 |
| CN112149753A (zh) * | 2020-10-07 | 2020-12-29 | 智博云信息科技(广州)有限公司 | 一种遥感影像数据处理方法、系统和云平台 |
| CN113222005A (zh) * | 2021-05-08 | 2021-08-06 | 兰州交通大学 | 一种土地覆盖自动更新方法 |
| CN115329722A (zh) * | 2022-10-17 | 2022-11-11 | 山东亿云信息技术有限公司 | 一种遥感影像地物标注的要素自动处理系统及方法 |
| CN115641509A (zh) * | 2022-11-16 | 2023-01-24 | 自然资源部第三地理信息制图院 | 遥感影像地物变化检测方法、系统、电子设备及存储介质 |
| CN116108124A (zh) * | 2023-04-13 | 2023-05-12 | 中国铁塔股份有限公司 | 基于gis的土地类型相似度确定方法、系统、设备及介质 |
| CN116342417A (zh) * | 2023-03-22 | 2023-06-27 | 广州市城市规划勘测设计研究院 | 一种航空遥感影像的辐射校正方法及系统 |
| CN117474164A (zh) * | 2023-11-02 | 2024-01-30 | 深圳大学 | 基于迁移学习的社区地震灾害安全性预测方法及终端 |
| CN117950561A (zh) * | 2024-03-26 | 2024-04-30 | 中国电建集团昆明勘测设计研究院有限公司 | 一种ArcGIS与photoshop自动联动图像的处理方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1651860A (zh) * | 2004-06-08 | 2005-08-10 | 王汶 | 用不同尺度遥感数据估计面积变化的对称系统抽样技术 |
| CN102175209A (zh) * | 2010-12-07 | 2011-09-07 | 北京师范大学 | 历史遥感产品数据支持下的作物种植面积测量高效抽样方法 |
| CN105512163A (zh) * | 2015-09-28 | 2016-04-20 | 张新长 | 一种自适应的矢量数据增量更新的方法 |
| CN105551028A (zh) * | 2015-12-09 | 2016-05-04 | 中山大学 | 一种基于遥感影像的地理空间数据动态更新的方法及系统 |
-
2018
- 2018-08-06 CN CN201810887032.6A patent/CN109241846B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1651860A (zh) * | 2004-06-08 | 2005-08-10 | 王汶 | 用不同尺度遥感数据估计面积变化的对称系统抽样技术 |
| CN102175209A (zh) * | 2010-12-07 | 2011-09-07 | 北京师范大学 | 历史遥感产品数据支持下的作物种植面积测量高效抽样方法 |
| CN105512163A (zh) * | 2015-09-28 | 2016-04-20 | 张新长 | 一种自适应的矢量数据增量更新的方法 |
| CN105551028A (zh) * | 2015-12-09 | 2016-05-04 | 中山大学 | 一种基于遥感影像的地理空间数据动态更新的方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| TAYYEBI, A.等: "MONITORING LAND USE CHANGE BY MULTI-TEMPORAL LANDSAT REMOTE SENSING IMAGERY", 《THE INTERNATIONAL ARCHIVES OF THE PHOTOGRAMMETRY, REMOTE SENSING AND SPATIAL INFORMATION SCIENCES》 * |
| VICTOR-EMIL NEAGOE等: "A Neural Network Approach for Land-Cover Change Detection in Multi-Temporal Multispectral Remote-Sensing Imagery", 《RECENT ADVANCES IN SIGNAL PROCESSING, COMPUTATIONAL GEOMETRY AND SYSTEMS THEORY》 * |
| 徐真 等: "一种基于CNN的SAR图像变化检测方法", 《雷达学报》 * |
| 杨叶涛 等: "基于网格划分的城市区域土地利用景观格局时空变化遥感监测", 《遥感技术与应用》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263113A (zh) * | 2019-06-04 | 2019-09-20 | 广州市城市规划勘测设计研究院 | 地形图中地物要素的更新方法、系统及设备 |
| CN110503722A (zh) * | 2019-08-22 | 2019-11-26 | 华东师范大学 | 高精度室内外时空数据重构及其处理方法 |
| CN111340001A (zh) * | 2020-03-24 | 2020-06-26 | 武汉理工大学 | 一种基于遥感影像深度学习的交通拥堵识别方法 |
| CN111340001B (zh) * | 2020-03-24 | 2023-10-10 | 武汉理工大学 | 一种基于遥感影像深度学习的交通拥堵识别方法 |
| CN111507255B (zh) * | 2020-04-16 | 2023-07-28 | 中铁二院工程集团有限责任公司 | 一种基于云技术的地表地物信息采集方法及系统 |
| CN111507255A (zh) * | 2020-04-16 | 2020-08-07 | 中铁二院工程集团有限责任公司 | 一种基于云技术的地表地物信息采集方法及系统 |
| CN112149753A (zh) * | 2020-10-07 | 2020-12-29 | 智博云信息科技(广州)有限公司 | 一种遥感影像数据处理方法、系统和云平台 |
| CN112149753B (zh) * | 2020-10-07 | 2022-05-10 | 起源太空(南京)科技有限公司 | 一种遥感影像数据处理方法、系统和云平台 |
| CN113222005A (zh) * | 2021-05-08 | 2021-08-06 | 兰州交通大学 | 一种土地覆盖自动更新方法 |
| CN115329722A (zh) * | 2022-10-17 | 2022-11-11 | 山东亿云信息技术有限公司 | 一种遥感影像地物标注的要素自动处理系统及方法 |
| CN115641509A (zh) * | 2022-11-16 | 2023-01-24 | 自然资源部第三地理信息制图院 | 遥感影像地物变化检测方法、系统、电子设备及存储介质 |
| CN115641509B (zh) * | 2022-11-16 | 2023-03-21 | 自然资源部第三地理信息制图院 | 遥感影像地物变化检测方法、系统、电子设备及存储介质 |
| CN116342417A (zh) * | 2023-03-22 | 2023-06-27 | 广州市城市规划勘测设计研究院 | 一种航空遥感影像的辐射校正方法及系统 |
| CN116342417B (zh) * | 2023-03-22 | 2023-10-03 | 广州市城市规划勘测设计研究院 | 一种航空遥感影像的辐射校正方法及系统 |
| CN116108124A (zh) * | 2023-04-13 | 2023-05-12 | 中国铁塔股份有限公司 | 基于gis的土地类型相似度确定方法、系统、设备及介质 |
| CN117474164A (zh) * | 2023-11-02 | 2024-01-30 | 深圳大学 | 基于迁移学习的社区地震灾害安全性预测方法及终端 |
| CN117950561A (zh) * | 2024-03-26 | 2024-04-30 | 中国电建集团昆明勘测设计研究院有限公司 | 一种ArcGIS与photoshop自动联动图像的处理方法和装置 |
| CN117950561B (zh) * | 2024-03-26 | 2024-06-04 | 中国电建集团昆明勘测设计研究院有限公司 | 一种ArcGIS与photoshop自动联动图像的处理方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109241846B (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109241846A (zh) | 遥感影像的时空变化估测方法、装置与存储介质 | |
| Vivoni et al. | Generation of triangulated irregular networks based on hydrological similarity | |
| CN110298553A (zh) | 一种基于gis的国土空间规划方法、系统和设备 | |
| CN113505510B (zh) | 融合景观指数和随机游走模型的生态安全格局识别方法 | |
| CN112990086A (zh) | 遥感影像建筑物检测方法、装置及计算机可读存储介质 | |
| CN115375868B (zh) | 地图显示和遥感地图显示方法、计算设备以及存储介质 | |
| CN107016403A (zh) | 一种基于夜间灯光数据提取城市建成区阈值的方法 | |
| Chen et al. | Downscaling census data for gridded population mapping with geographically weighted area-to-point regression kriging | |
| CN118211767B (zh) | 应用于城乡规划的场景建模方法及系统 | |
| CN113487523A (zh) | 图形轮廓优化方法、装置、计算机设备和存储介质 | |
| CN113902830B (zh) | 轨迹路网生成方法 | |
| CN109684910A (zh) | 一种网络检测输电线路地表环境变化的方法及系统 | |
| CN106910218B (zh) | 基于大区域栅格数字高程模型的地表表面面积计算方法 | |
| CN110852472B (zh) | 一种基于随机森林算法的陆地水储量预测方法及设备 | |
| CN111310340B (zh) | 基于人类移动的城市区域交互异常关系识别方法及设备 | |
| CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
| CN106980701A (zh) | 一种地理影响民居建筑形态的统计系统及统计方法 | |
| CN116597317A (zh) | 遥感图像变化检测数据生成方法、装置、设备及介质 | |
| CN112257970A (zh) | 一种基于兴趣点大数据的城市功能区自动划分方法 | |
| Chakraborti et al. | Assessing dynamism of urban built-up growth and landuse change through spatial metrics: a study on Siliguri and its surroundings | |
| CN114565730A (zh) | 地图矢量样本的处理方法、设备和计算机可读存储介质 | |
| Huang et al. | Simultaneous update of high-resolution land-cover mapping attempt: Wuhan and the surrounding satellite cities cartography using L2HNet | |
| CN110910496B (zh) | 基于大数据和ai的vr自然环境自动构成方法 | |
| Lee et al. | Investigation of topographic characteristics of parcels using UAV and machine learning | |
| Gaurav et al. | RainRoof: Automated Shared Rainwater Harvesting Prediction |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |