CN109344769A - 一种基于遥感影像的光伏电站检测方法及系统 - Google Patents
一种基于遥感影像的光伏电站检测方法及系统 Download PDFInfo
- Publication number
- CN109344769A CN109344769A CN201811151681.6A CN201811151681A CN109344769A CN 109344769 A CN109344769 A CN 109344769A CN 201811151681 A CN201811151681 A CN 201811151681A CN 109344769 A CN109344769 A CN 109344769A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic plant
- remote sensing
- sensing image
- neural network
- detection
- 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
- G06V20/176—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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明是一种基于遥感影像的光伏电站检测方法及系统，它的实现包含五个步骤：步骤一：准备数据集；步骤二：构造高分辨率纯卷积神经网络；步骤三：训练神经网络；步骤四：光伏电站检测；步骤五：装机容量估计。本发明克服了现有技术的不足，很好地解决了利用遥感影像进行光伏电站检测和装机容量估计的问题，自动化程度、检测精度和估计精度均较高，能够大幅度降低人工成本，因此该方法可以应用于光伏电站的检测、估计和监管中，具有广阔的应用前景和价值。
Description
技术领域
本发明涉及一种基于遥感影像的光伏电站检测方法及系统，属于可见光遥感图像计算机解译领域。
背景技术
遥感是应用探测仪器，不与探测目标相接触，从远处把目标的电磁波特性记录下来，通过分析，揭示出物体的特征性质及其变化的综合性探测技术。遥感图像是成像遥感的产物，该类探测仪器能够将所接收到物体的电磁信号转换为图像，反之则属于非成像遥感的范畴。
遥感图像已被广泛应用于军事、气象、地质、环境、资源等领域，随着对地观测技术的不断发展，图像的时间、空间分辨率不断提高，目前已经成为人们获取资源和环境信息的必要方式，为人们的生产生活提供了广泛丰富的信息，展现出了巨大的经济价值。
目前我国已经发射了多颗高分辨率光学卫星，并积累了海量的数据。一直以来，这些数据的处理仍然停留在图像的预处理阶段，即只进行了简单的辐射校正、几何校正，并没有对图像中包含的内容进行深度理解和加工，这使得大量遥感影像中的深层信息没有被挖掘出来，造成了一定程度的资源和信息浪费。
遥感数字图像计算机解译的主要目的是将遥感图像的地学信息在计算机支持下进行遥感图像智能化识别。目前遥感图像仍然较多的需要人工判读，研究计算机解译的相关算法有利于降低解译成本，提高解译效率和解译系统的自动化程度，因此具有巨大的研究价值和广阔的应用前景。
由于光伏产业具有环保、收益高等特点，我国目前正在大力发展光伏产业，各个省市地区特别是西藏、新疆、内蒙古等省份一直在大量兴建光伏电站。一般来说，建设光伏电站时，国家会按照建造面积予以补贴。因此补贴力度是否适合，补贴经费与实际情况是否相符等问题一直是有关部门关心的重点。但是，由于有些电站所处地区比较偏远，而且相关项目较多，有关部门无法一一核实，因此需要借助遥感的手段进行大范围监测。
发明内容
本发明的目的是：提供一个基于遥感影像的光伏电站检测方法及系统。从深度学习出发，构建了一个高分辨率纯卷积神经网络，对遥感影像进行检测，提取光伏电站所在的区域。进一步，对神经网络提取的结果进行后处理，并计算出光伏电站的占地面积和装机容量。
本发明的技术解决方案是：
一种基于遥感影像的光伏电站检测方法，步骤如下：
步骤一：准备数据集，通过数据集形成训练数据和测试数据；
步骤二：构造高分辨率纯卷积神经网络；
步骤三：根据步骤(1)中形成的训练数据训练神经网络，并记录此时的网络参数；
步骤四：根据步骤(3)训练好的神经网络对所述测试数据进行光伏电站检测；
步骤五：根据步骤(4)的检测结果，计算得到光伏电站的装机容量。
遥感影像数据为遥感卫星多光谱相机采集到的包含光伏电站的多光谱遥感图像。
将遥感影像制作成符合训练和测试的数据集，并提取红、绿、蓝通道合成真彩色遥感图像；将所述假彩色遥感图像分为两部分，一部分是带标签的训练数据，另一部分是测试数据。
所述步骤(2)构造高分辨率纯卷积神经网络，具体为：
在Caffe框架下逐层搭建纯卷积神经网络，该神经网络只包含一个分支，且该网络不包含任何的池化层；该神经网络最后一个卷积层为输出层，采用1*1的卷积核且输出维度为2，分别表示原始影像中的像素属于陆地和光伏电站的概率，其余的卷积层均采用3*3的卷积核。
卷积层的计算公式如下：
和代表当前层第j个神经元的输出特征图和偏置，表示当前层输入的第i个特征图，表示当前层第j个神经元对输入第i个特征图进行卷积时的卷积核，函数f为非线性激活函数，为神经网络引入非线性，所述激活函数采用的是ReLU激活函数；
该神经网络具体的组成结构如下表所示：
所述步骤(3)训练神经网络具体为：
(3.1)按照均匀分布对神经网络的权重进行初始化；
(3.2)将训练数据输入到神经网络中并进行多层卷积操作；
(3.3)计算神经网络的输出结果和相对标签的误差；
(3.4)利用误差反向传播算法调整网络的权重和偏置，并返回步骤3.2，当神经网络迭代更新至预设次数时，记录此时的网络参数。
所述步骤(4)对测试数据进行光伏电站检测，具体为：
(4.1)载入调优的网络参数；
(4.2)将测试数据切割为500*500的小图像输入神经网络中，得到子区域的检测结果；
(4.3)将步骤4.2中得到的检测结果进行拼接，即可获得粗检测结果；
(4.4)对粗检测结果进行连通域分析，去除面积小于预设阈值的连通域，获得精检测结果。
所述根据检测结果，计算光伏电站的装机容量，具体为：
(5.1)根据遥感影像的分辨率以及步骤4光伏电站检测结果中光伏电站目标像元数量，计算出光伏电站的占地面积S；
(5.2)根据遥感影像所处纬度，
(5.3)根据公式T＝S*t计算得到光伏电站的装机容量T。
一种基于遥感影像的光伏电站检测系统，包括：
数据准备模块：用于准备数据集，通过数据集形成训练数据和测试数据；
神经网络构造模块：用于构造高分辨率纯卷积神经网络；
训练模块：根据数据准备模块形成的训练数据训练神经网络，记录此时的网络参数；
检测模块：根据训练好的神经网络对测试数据进行光伏电站检测；
装机容量计算模块：用于根据检测模块对光伏电站的检测结果，计算得到光伏电站的装机容量。
检测模块对测试数据进行光伏电站检测，具体为：
(4.1)载入调优的网络参数；
(4.2)将测试数据切割为500*500的小图像输入神经网络中，得到子区域的检测结果；
(4.3)将步骤4.2中得到的检测结果进行拼接，即可获得粗检测结果；
(4.4)对粗检测结果进行连通域分析，去除面积小于预设阈值的连通域，获得精检测结果；
装机容量计算模块根据检测结果，计算光伏电站的装机容量，具体为：
(5.1)根据遥感影像的分辨率以及步骤4光伏电站检测结果中光伏电站目标像元数量，计算出光伏电站的占地面积S；
(5.2)根据遥感影像所处纬度，
(5.3)根据公式T＝S*t计算得到光伏电站的装机容量T。
本发明与现有技术相比的有益效果是：
(1)本发明实现了基于遥感影像的光伏电站检测，通过构造纯卷积神经网络，对遥感影像进行光伏电站检测。基于深度学习的纯卷积神经网络去除池化层减少降采样倍数，提高神经网络的空间检测精度。此外由于网络的输入输出均为图像，且能够计算出光伏电站的装机容量，因此自动化程度高，能够大幅度提高检测效率，降低人工成本。
(2)本发明所述方法估计出的光伏电站装机容量与实际装机容量相差较小，结果准确。如图3，4，5所示，光伏电站的实际容量分别为100MW，40MW，90MW，本发明的估计容量分别为106MW，37MW，89MW，得到的结果与实际情况大致相符；如图6，对于没有实际装机容量的遥感影像，目测神经网络的检测结果与实际光伏电站的分布大致相符。此外，本发明提出的方法自动化程度高，适合大面积检测，可以高效估计光伏电站装机容量。
附图说明
图1纯卷积神经网络的结构图。
图2本发明所述方法进行光伏电站检测的流程框图。
图3真实遥感影像1与检测结果1。
图4真实遥感影像2与检测结果2。
图5真实遥感影像3与检测结果3。
图6真实遥感影像检测结果对比图。
具体实施方式
下面结合附图进一步说明本发明具体实施方式。
为了更好地理解本发明的技术方案，以下结合附图对本发明的实施方式作进一步描述：
本发明提出了一种基于遥感影像的光伏电站检测方法，用于偏远地区光伏电站的面积、装机容量的快速检测。本发明在Ubuntu14.0.4和Caffe深度学习框架下实现。在Caffe框架下，首先完成网络的搭建，并配置相关的参数；再利用训练数据进行训练，获得调优的网络参数；最后利用训练好的网络对图像进行光伏电站检测，并估计装机容量。
如图2所示，检测方法具体步骤如下：
步骤一：准备数据集，通过数据集形成训练数据和测试数据；具体为：
遥感影像数据为遥感卫星多光谱相机采集到的包含光伏电站的多光谱遥感图像。将遥感影像制作成符合训练和测试的数据集，并提取红、绿、蓝通道合成真彩色遥感图像；将所述真彩色遥感图像分为两部分，一部分是带标签的训练数据，另一部分是测试数据。
步骤二：构造高分辨率纯卷积神经网络；具体为：
在Caffe框架下逐层搭建纯卷积神经网络，该神经网络只包含一个分支，且该网络不包含任何的池化层；该神经网络最后一个卷积层为输出层，采用1*1的卷积核且输出维度为2，分别表示原始影像中的像素属于陆地和光伏电站的概率，其余的卷积层均采用3*3的卷积核。
卷积层的计算公式如下：
和代表当前层第j个神经元的输出特征图和偏置，表示当前层输入的第i个特征图，表示当前层第j个神经元对输入第i个特征图进行卷积时的卷积核，函数f为非线性激活函数，为神经网络引入非线性，所述激活函数采用的是ReLU激活函数；
该神经网络具体的组成结构如下表所示：
步骤三：根据步骤(1)中形成的训练数据训练神经网络，并记录此时的网络参数；
具体为：
(3.1)按照均匀分布对神经网络的权重进行初始化。权值x在区间(a,b)上的均匀分布的分布函数如下：
(3.2)将训练数据输入到神经网络中并进行多层卷积操作，即每卷积层的输出，作为下一卷积层的输入；
(3.3)计算神经网络的输出结果和相对标签的误差。本发明使用交叉熵函数作为损失函数来计算其误差。交叉熵函数公式如下：
其中，p(x)为训练样本标签，q(x)为模型的预估标签；
(3.4)利用误差反向传播算法调整网络的权重和偏置，并返回步骤3.2，当神经网络迭代更新至预设次数时，记录此时的网络参数。
步骤四：根据步骤(3)训练好的神经网络对所述测试数据进行光伏电站检测；
具体为：
(4.1)载入调优的网络参数；
(4.2)将已经切割好的500*500的小图像测试数据输入神经网络中，得到子区域的检测结果；
(4.3)将步骤4.2中得到的检测结果进行拼接，即可获得粗检测结果；
(4.4)对粗检测结果进行连通域分析，去除面积小于预设阈值的连通域，获得精检测结果。本发明采用的连通域分析方法为两次遍历法，其实现伪代码如下：
步骤五：根据步骤(4)的检测结果，计算得到光伏电站的装机容量，具体为：
(5.1)根据遥感影像的分辨率以及步骤4光伏电站检测结果中光伏电站目标像元数量，计算出光伏电站的占地面积S；
(5.2)通过查询《最佳倾角固定式10MW光伏方阵建设用地参考表》，获得该纬度下10MW常见光伏组件的占地面积m。根据该纬度下单位面积所能够安装的光伏设备的平均容量t＝m/10；该表如下所示：
| 纬度 | 10MW常见光伏组件占地面积(公顷) |
| 18° | 10.56 |
| 20° | 11.01 |
| 25° | 12.43 |
| 30° | 14.38 |
| 35° | 17.21 |
| 40° | 21.63 |
| 45° | 29.42 |
| 50° | 46.53 |
(5.3)根据公式T＝S*t计算得到光伏电站的装机容量T。
基于上述光伏电站检测方法，本发明还提出了一种基于遥感影像的光伏电站检测系统，包括：数据准备模块、神经网络构造模块、训练模块、检测模块以及装机容量计算模块。
数据准备模块：用于准备数据集，通过数据集形成训练数据和测试数据；
神经网络构造模块：用于构造高分辨率纯卷积神经网络；
训练模块：根据数据准备模块形成的训练数据训练神经网络，记录此时的网络参数；
检测模块：根据训练好的神经网络对测试数据进行光伏电站检测；
装机容量计算模块：用于根据检测模块对光伏电站的检测结果，计算得到光伏电站的装机容量。
实施例：
本发明所基于的纯卷积神经网络的结构图如图1所示，每一个长方体代表神经网络中的一层，其中卷积层是对输入数据进行卷积操作且包含多个子卷积层。该神经网络的输入是高分辨率遥感影像，输出是包含光伏电站区域的二值图像。流程图如2所示，计算机配置采用Intel(R)Core(TM)i7-6700K处理器，主频4.0GHz，内存32GB，显卡是NVIDIA TitanX，显存为12GB。该光伏电站检测方法包括如下步骤：
步骤一：准备数据集，通过数据集形成训练数据和测试数据。具体的方法如下：
本算法采用的是40景高分2号含光伏电站的高分二号多光谱遥感影像，分辨率为3.2米，其中的1、2、3通道被合成为真彩色遥感影像，涉及区域包括新疆、西藏、内蒙、甘肃等地。制作数据集时，首先将真彩色遥感影像随机地分为两部分，其中20景是已经预先人工标注好的影像,标注结果为两类，分别代表陆地、光伏电站。这些影像将被均匀地切割成500*500的小幅图像，用于神经网络的训练。剩余20景则主要包含未标注的遥感影像，用于验证神经网络的性能。此外，部分遥感影像中的光伏电站已经预先通过网络公开资料查询到其实际的装机容量。
步骤二：构造高分辨率纯卷积神经网络。具体的方法如下：
在Caffe框架下逐层搭建纯卷积神经网络，该神经网络具体的组成结构如下表所示：
| 层组名称 | 包含层数 | 卷积核个数 | 卷积核大小 |
| conv1 | 2 | 64 | 3×3 |
| conv2 | 2 | 128 | 3×3 |
| conv3 | 3 | 256 | 3×3 |
| conv4 | 3 | 512 | 3×3 |
| conv5 | 3 | 512 | 3×3 |
| conv6 | 1 | 1024 | 3×3 |
| conv7 | 1 | 2 | 1×1 |
步骤三：根据步骤(1)中形成的训练数据训练神经网络，并记录此时的网络参数。具体的方法如下：
1、按照均匀分布对神经网络的权重进行初始化；
2、将训练数据输入的神经网络中并进行多层卷积操作；
3、使用交叉熵作为损失函数，计算神经网络的输出结果和相对标签的误差；
4、利用误差反向传播算法调整网络的权重和偏置，并返回第2步。当神经网络迭代更新至预设次数，即20000次时，记录此时的网络参数。
步骤四：根据步骤(3)训练好的神经网络对所述测试数据进行光伏电站检测。具体的方法如下：
1、载入步骤三中调优的网络参数；
2、将测试数据(如5000x5000像素)切割为500*500的小图像输入神经网络中，得到子区域的检测结果；
3、将第2步中得到的检测结果进行拼接，即可获得粗检测结果。
4、对第3步的检测使用两次遍历法进行连通域分析，设定阈值为10个像素去除面积较小的连通域，获得更精确的结果。
步骤五：对步骤四的检测结果进行统计，根据遥感影像的空间分辨率计算得到光伏电站的装机容量。再根据遥感影像所处的纬度，查表获得该纬度下单位面积所能够安装的光伏设备的平均容量。最后结合占地面积和单位装机容量，估算出该光伏电站的总装机容量。
实验结果：本发明使用了20张遥感影像作为训练数据，20张遥感图像作为测试数据，标注结果为两类，分别代表陆地、光伏电站。对于该方法的性能评估，主要是比较光伏电站装机容量估计值与实际值的差距。如图3，4，5所示，光伏电站的实际容量分别为100MW，40MW，90MW，本发明的估计容量分别为106MW，37MW，89MW，得到的结果与实际情况大致相符；如图6，对于没有实际装机容量的遥感影像，目测神经网络的检测结果与实际光伏电站的分布大致相符。
从实验结果来看，本发明很好地解决了利用遥感影像进行光伏电站检测和估计其装机容量的问题，自动化程度、标注精度和估计精度均较高，能够大幅度降低人工成本，具有广阔的应用前景和价值。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (10)
1.一种基于遥感影像的光伏电站检测方法，其特征在于步骤如下：
步骤一：准备数据集，通过数据集形成训练数据和测试数据；
步骤二：构造高分辨率纯卷积神经网络；
步骤三：根据步骤(1)中形成的训练数据训练神经网络，并记录此时的网络参数；
步骤四：根据步骤(3)训练好的神经网络对所述测试数据进行光伏电站检测；
步骤五：根据步骤(4)的检测结果，计算得到光伏电站的装机容量。
2.根据权利要求1所述的一种基于遥感影像的光伏电站检测方法，其特征在于：遥感影像数据为遥感卫星多光谱相机采集到的包含光伏电站的多光谱遥感图像。
3.根据权利要求1所述的一种基于遥感影像的光伏电站检测方法，其特征在于：将遥感影像制作成符合训练和测试的数据集，并提取红、绿、蓝通道合成真彩色遥感图像；将所述假彩色遥感图像分为两部分，一部分是带标签的训练数据，另一部分是测试数据。
4.根据权利要求1所述的一种基于遥感影像的光伏电站检测方法，其特征在于：所述步骤(2)构造高分辨率纯卷积神经网络，具体为：
在Caffe框架下逐层搭建纯卷积神经网络，该神经网络只包含一个分支，且该网络不包含任何的池化层；该神经网络最后一个卷积层为输出层，采用1*1的卷积核且输出维度为2，分别表示原始影像中的像素属于陆地和光伏电站的概率，其余的卷积层均采用3*3的卷积核。
5.根据权利要求4所述的一种基于遥感影像的光伏电站检测方法，其特征在于：卷积层的计算公式如下：
和代表当前层第j个神经元的输出特征图和偏置，表示当前层输入的第i个特征图，表示当前层第j个神经元对输入第i个特征图进行卷积时的卷积核，函数f为非线性激活函数，为神经网络引入非线性，所述激活函数采用的是ReLU激活函数；
该神经网络具体的组成结构如下表所示：
6.根据权利要求1所述的一种基于遥感影像的光伏电站检测方法，其特征在于：所述步骤(3)训练神经网络具体为：
(3.1)按照均匀分布对神经网络的权重进行初始化；
(3.2)将训练数据输入到神经网络中并进行多层卷积操作；
(3.3)计算神经网络的输出结果和相对标签的误差；
(3.4)利用误差反向传播算法调整网络的权重和偏置，并返回步骤3.2，当神经网络迭代更新至预设次数时，记录此时的网络参数。
7.根据权利要求1所述的一种基于遥感影像的光伏电站检测方法，其特征在于：所述步骤(4)对测试数据进行光伏电站检测，具体为：
(4.1)载入调优的网络参数；
(4.2)将测试数据切割为500*500的小图像输入神经网络中，得到子区域的检测结果；
(4.3)将步骤4.2中得到的检测结果进行拼接，即可获得粗检测结果；
(4.4)对粗检测结果进行连通域分析，去除面积小于预设阈值的连通域，获得精检测结果。
8.根据权利要求1所述的一种基于遥感影像的光伏电站检测方法，其特征在于：所述根据检测结果，计算光伏电站的装机容量，具体为：
(5.1)根据遥感影像的分辨率以及步骤4光伏电站检测结果中光伏电站目标像元数量，计算出光伏电站的占地面积S；
(5.2)根据遥感影像所处纬度，
(5.3)根据公式T＝S*t计算得到光伏电站的装机容量T。
9.一种基于遥感影像的光伏电站检测系统，其特征在于包括：
数据准备模块：用于准备数据集，通过数据集形成训练数据和测试数据；
神经网络构造模块：用于构造高分辨率纯卷积神经网络；
训练模块：根据数据准备模块形成的训练数据训练神经网络，记录此时的网络参数；
检测模块：根据训练好的神经网络对测试数据进行光伏电站检测；
装机容量计算模块：用于根据检测模块对光伏电站的检测结果，计算得到光伏电站的装机容量。
10.根据权利要求9所述的一种基于遥感影像的光伏电站检测系统，其特征在于：
检测模块对测试数据进行光伏电站检测，具体为：
(4.1)载入调优的网络参数；
(4.2)将测试数据切割为500*500的小图像输入神经网络中，得到子区域的检测结果；
(4.3)将步骤4.2中得到的检测结果进行拼接，即可获得粗检测结果；
(4.4)对粗检测结果进行连通域分析，去除面积小于预设阈值的连通域，获得精检测结果；
装机容量计算模块根据检测结果，计算光伏电站的装机容量，具体为：
(5.1)根据遥感影像的分辨率以及步骤4光伏电站检测结果中光伏电站目标像元数量，计算出光伏电站的占地面积S；
(5.2)根据遥感影像所处纬度，
(5.3)根据公式T＝S*t计算得到光伏电站的装机容量T。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811151681.6A CN109344769A (zh) | 2018-09-29 | 2018-09-29 | 一种基于遥感影像的光伏电站检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811151681.6A CN109344769A (zh) | 2018-09-29 | 2018-09-29 | 一种基于遥感影像的光伏电站检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109344769A true CN109344769A (zh) | 2019-02-15 |
Family
ID=65308114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811151681.6A Pending CN109344769A (zh) | 2018-09-29 | 2018-09-29 | 一种基于遥感影像的光伏电站检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109344769A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033527A (zh) * | 2019-03-12 | 2019-07-19 | 广州德永计算机科技有限公司 | 一种电力作业安全监管智能机器人及其实现方法 |
| CN110517575A (zh) * | 2019-08-21 | 2019-11-29 | 华北水利水电大学 | 一种地表水体制图方法及装置 |
| CN116310859A (zh) * | 2023-01-16 | 2023-06-23 | 自然资源部国土卫星遥感应用中心 | 一种基于多源遥感数据的光伏阵列故障智能检测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106570485A (zh) * | 2016-11-09 | 2017-04-19 | 北京航空航天大学 | 一种基于深度学习的筏式养殖遥感图像场景标注方法 |
-
2018
- 2018-09-29 CN CN201811151681.6A patent/CN109344769A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106570485A (zh) * | 2016-11-09 | 2017-04-19 | 北京航空航天大学 | 一种基于深度学习的筏式养殖遥感图像场景标注方法 |
Non-Patent Citations (2)
| Title |
|---|
| 国土资源部: "《光伏发电站工程项目用地控制指标》", 《中国政府网》 * |
| 温礼等: "《我国光伏用地遥感监测分类体系和解释标识建立方法研究》", 《国土资源信息化》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033527A (zh) * | 2019-03-12 | 2019-07-19 | 广州德永计算机科技有限公司 | 一种电力作业安全监管智能机器人及其实现方法 |
| CN110517575A (zh) * | 2019-08-21 | 2019-11-29 | 华北水利水电大学 | 一种地表水体制图方法及装置 |
| CN116310859A (zh) * | 2023-01-16 | 2023-06-23 | 自然资源部国土卫星遥感应用中心 | 一种基于多源遥感数据的光伏阵列故障智能检测方法 |
| CN116310859B (zh) * | 2023-01-16 | 2023-09-12 | 自然资源部国土卫星遥感应用中心 | 一种基于多源遥感数据的光伏阵列故障智能检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
| US11150231B2 (en) | Method for measuring a mudflat elevation by remotely sensed water content | |
| CN110751094B (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 | |
| CN109063569B (zh) | 一种基于遥感影像的语义级变化检测方法 | |
| CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
| Sun et al. | Satellite data cloud detection using deep learning supported by hyperspectral data | |
| CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
| CN105608293A (zh) | 融合光谱与纹理特征的森林地上生物量反演方法及系统 | |
| CN107230197B (zh) | 基于卫星云图和rvm的热带气旋客观定强方法 | |
| CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
| CN109344769A (zh) | 一种基于遥感影像的光伏电站检测方法及系统 | |
| CN112949414B (zh) | 一种宽视域高分六号卫星影像地表水体智能制图方法 | |
| CN113447137B (zh) | 一种面向无人机宽波段热像仪的地表温度反演方法 | |
| CN111652404A (zh) | 一种全天气地表温度反演方法和系统 | |
| Wang et al. | Long time series water extent analysis for SDG 6.6. 1 based on the GEE platform: A case study of Dongting Lake | |
| Liang et al. | Maximum likelihood classification of soil remote sensing image based on deep learning | |
| Han et al. | Seasonal effects of urban morphology on land surface temperature in a three-dimensional perspective: A case study in Hangzhou, China | |
| CN110490188A (zh) | 一种基于ssd网络改进型的目标物体快速检测方法 | |
| Qing-Ling et al. | Topographical effects of climate data and their impacts on the estimation of net primary productivity in complex terrain: A case study in Wuling mountainous area, China | |
| Yang et al. | MSFusion: Multistage for remote sensing image spatiotemporal fusion based on texture transformer and convolutional neural network | |
| Ma et al. | A multisource remotely sensed data oriented method for “ghost city” phenomenon identification | |
| Xu et al. | What drive regional changes in the number and surface area of lakes across the Yangtze River basin during 2000–2019: human or climatic factors? | |
| Tran et al. | Improving hydrologic modeling using cloud-free modis flood maps | |
| Xie et al. | Investigating long-term trends of climate change and their spatial variations caused by regional and local environments through data mining | |
| CN113837134A (zh) | 一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190215 |