CN110132246B - 基于残差分区的水深遥感探测方法 - Google Patents
基于残差分区的水深遥感探测方法 Download PDFInfo
- Publication number
- CN110132246B CN110132246B CN201910269328.6A CN201910269328A CN110132246B CN 110132246 B CN110132246 B CN 110132246B CN 201910269328 A CN201910269328 A CN 201910269328A CN 110132246 B CN110132246 B CN 110132246B
- Authority
- CN
- China
- Prior art keywords
- water depth
- model
- inversion
- residual
- points
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/008—Surveying specially adapted to open water, e.g. sea, lake, river or canal measuring depth of open water
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本发明提供了一种基于残差分区的水深遥感探测方法,包括:选取影像中多个用于拟合水深反演模型参数的水深点,建立全局水深反演模型,水深点包括控制点;计算控制点水深残差,基于水深残差空间分布确立阈值,选取水深点形成水深样本集;基于所述水深样本集的样本点信息进行区域分割;根据分割的区域划分控制点,利用每个区域的控制点分别建立分区水深反演模型,并利用分区水深反演模型进行水深探测。本发明提出的基于残差分区的水深遥感探测方法,根据全局模型控制点水深残差的空间分布规律间接实现图像分割,可以极大的减弱残差区间跨度,提高反演精度。
Description
技术领域
本发明涉及卫星遥感水深探测技术领域,具体涉及一种基于残差分区的水深遥感探测方法。
背景技术
水深是海洋地形地貌的基本要素,对于海上交通运输、海岛海岸带管理规划、海洋资源开发和海洋工程建设等具有重要意义。光学水深遥感探测技术可以经济、有效地实现浅海水深宏观动态观测,具有很好的应用价值。
基于水体辐射传输理论,建立水深值与光谱反射率的函数关系可以实现水深反演。但是,海底底质、水质往往具有非均一性,不同底质类型、水色要素对离水辐射量的影响存在差异,直接影响水深探测的精度,而同一底质或水质的局部水环境具有一定的空间稳定性,因此对研究区进行分区有望提高反演精度。目前零星发展了几种底质分区方法:根据底质的光谱特征建立底质光谱编码法则(党福星等,2001),利用底质的光谱编码值进行底质分类,从而实现分区水深反演。但这种方法必须要有先验知识预先确定底质类型的数量,不然没法建立光谱编码法则。学者Manessa(Manessa et al,2014)基于不同底质对影像灰度影响不同,提出一种代表不同底质的水深不变指数Y,将其作为分类的输入利用最大似然法进行底部分类。这种分类方法的关键是必须要进行精细的大气辐射校正和几何校正,且必须预先确定有几种底部类型,即必须要依赖先验知识为前提,在一定程度上对分区水深反演带来限制。
目前常规的底部类型确立大多是基于实测(比如视频、相片),耗费大量的人力物力。因此,在没有先验知识来确定底质类型或底质类型解译不全的情况下,如何进行分区水深反演很有必要,且随着遥感影像数据的时空分辨率的大幅提高,为水深反演研究提供有力的数据支撑。
发明内容
本发明的目的在于针对现有水深探测方法存在的耗费人力物力、探测精度低的缺陷,提供一种反演精度高的基于残差分区的水深遥感探测方法。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
为了实现该目的,本发明采用如下技术方案:
一种基于残差分区的水深遥感探测方法,包括如下步骤:
选取影像中多个用于拟合水深反演模型参数的水深点,建立全局水深反演模型,其中,所述水深点包括控制点;
计算控制点水深残差,基于水深残差空间分布确立阈值,选取水深点形成水深样本集;
基于所述水深样本集的样本点信息进行区域分割;
根据分割的区域划分控制点,基于每个区域的控制点分别建立分区水深反演模型,以通过所述分区水深反演模型进行分区水深探测。
可选地,基于所述水深样本集的样本点信息进行区域分割包括:
基于所述水深样本集的样本点信息训练支持向量机的SVC分类器至设定精度,建立分类模型,根据所述分类模型对所述图像进行区域分割。
可选地,建立全局水深反演模型的方法包括:
以多调节因子的对数波段比值模型作为基础模型,对控制点信息进行非线性回归,拟合全局模型的水深模型参数,建立所述全局水深反演模型。
可选地,用最小二乘原理拟合全局模型的水深模型参数。
可选地,在选取所述水深点之前,首先对所述影像进行预处理,所述预处理包括辐射校正、几何校正、低通滤波、水陆分离和潮汐校正。
可选地,区域分割的方法包括:
遍历整个研究区,判断其所属类别,划分为多个子区域。
可选地,进行子区域划分后,将分割超平面写成ArcGIS可读的polyline形式。
可选地,所述水深点还包括检查点,所述探测方法还包括如下步骤:
利用检查点计算反演精度,根据所述反演精度进行精度评价并判断是否需要调整所述分区反演模型参数。
可选地,进行反演精度评价的评价指标包括平均绝对误差、平均相对误差。
本发明提出的基于残差分区的水深遥感探测方法,不需要先验知识确定底质来分区,是根据全局模型控制点水深残差的空间分布规律间接实现图像分割,可以极大的减弱残差区间跨度,提高反演精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1示出基于残差分区的水深遥感探测方法的流程示意图;
图2示出全局检查点水深的测量值与反演值;
图3示出分区检查点水深的测量值与反演值;
图4示出A区检查点水深的测量值与反演值;
图5示出B区检查点水深的测量值与反演值;
图6示出全水深段精度评估;
图7示出平均绝对误差的精度评估曲线;
图8示出平均相对误差的精度评估曲线。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围,以及权利要求书的所有可获得的等同物。在本文中,各实施方案可以被单独地或总地用术语“发明”来表示,这仅仅是为了方便,并且如果事实上公开了超过一个的发明,不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中,诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来,而不要求或者暗示这些实体或操作之间存在任何实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法、产品等而言,由于其与实施例公开的方法部分相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
下面结合附图对本发明提供的基于残差分区的水深遥感探测方法进一步详细的说明。
参考图1,本发明提供的基于残差分区的水深遥感探测方法包括:在步骤S110中,选取影像中多个用于拟合水深反演模型参数的水深点,建立全局水深反演模型,其中,所述水深点包括控制点;在步骤S120中,计算控制点水深残差,基于水深残差空间分布确立阈值,选取水深点形成水深样本集;在步骤S130中,基于所述水深样本集的样本点信息进行区域分割;在步骤S140中,根据分割的区域划分控制点,利用每个区域的控制点分别建立分区水深反演模型,并利用分区水深反演模型进行水深探测。
上述方案中,基于水深残差分区的水深光学卫星遥感探测方法,根据全局模型控制点水深残差的空间分布规律间接实现图像分割,在各个分区内分别进行水深反演,不需要先验知识确定底质来分区,可以极大的减弱残差的区间跨度,提高反演精度。
上述方案中,基于所述水深样本集的样本点信息进行区域分割包括:基于所述水深样本集的样本点信息训练SVC分类器至设定精度,建立分类模型,进行区域分割。
采用支持向量机的SVC(Support Vector Classification)算法进行分区,如此,可以选择合适的核函数将样本进行高维度映射,确立分割超平面,实现非线性分类,尤其对于文本类的样本训练比较方便且不会耗费很长时间。
此外,分类对象是具有代表性的样本点,分类时间短,可提高遥感探测数据处理速度。
其中,建立全局水深反演模型的方法包括:以多调节因子的对数波段比值模型作为基础模型,对控制点信息进行非线性回归,拟合全局模型的水深模型参数,建立所述全局水深反演模型。在一个优选的实施例中,用最小二乘原理拟合全局模型的水深模型参数。
上述方案中,在选取水深点之前,首先对影像进行预处理,该预处理包括辐射校正、几何校正、低通滤波、水陆分离和潮汐校正,从而提高探测精度。
上述方案中,区域分割的方法包括:遍历整个研究区,判断其所属类别,划分为多个子区域,进行子区域划分后,将分割超平面写成ArcGIS可读的polyline形式,以便于后续分区反演。
上述方案中,水深点还包括检查点,探测方法还包括:利用检查点进行反演精度评价(后面有具体介绍)。可选地,进行反演精度评价的评价指标包括平均绝对误差、平均相对误差。
下面结合具体的实施例介绍本申请提供的基于水深残差分区的水深遥感探测方法。
本实施例选取中国某岛进行分区域水深遥感反演研究,采用的数据以Worldview-2遥感影像为例,包括如下内容:
1.建立全局模型水深反演模型
首先对影像进行系列预处理:将DN值转化为辐射亮度值,然后进行FLAASH大气校正,去除大气、光照、气溶胶对影像造成的干扰。接下来对影像进行高斯低通滤波处理,可以压制海表太阳耀斑、海浪白冠等噪声对反射率造成的影响。为防止水陆交界面地物对水深反演造成干扰,本实施例采用归一化差异水体指数(NDWI)实现水陆分离。提取几何控制点波段值,并与WorldView-2影像进行地理配准。最后对水深点进行潮汐校正,查询潮汐表得所使用影像的瞬时潮高为81cm。
采用的基础模型是多调节因子的对数波段比值模型,具体表达式见公式(1)。水深点分为控制点和检查点,其中控制点用于拟合水深反演模型参数,检查点用于检验分区水深反演精度。本案例选取0-25米水深点共3832个,其中控制点3259个,检查点573个。基于SPSS软件对控制点信息进行非线性回归,拟合全局模型的水深模型参数,建立全局水深反演模型。
其中,Z为水深,Rω为对应波段反射率,a、b、c、d是调节因子,m0、m1是模型参数。本文基于最小二乘法进行非线性回归,拟合出多调节因子模型的最优参数值,各个检查点水深的测量值与反演值的对比参见图2。
2.基于水深残差空间分布确立阈值
计算控制点水深残差(水深残差=实测水深-反演水深),将水深残差以米为单位划分为若干区间,具体参见公式(2)。从本实施例来看,在空间分布上,残差小于-1m的水深点大多聚集在中间位置,残差在(-1–1)区间的水深点占比最高且分布比较均匀,残差大于1m的水深点大多分布在岛的西北和东南两侧,因此,本案例以1m为阈值,根据水深残差的高估和低估值选取共1556个点,作为具有代表性的水深样本集,并赋以属性值,分区的检查点水深的检索值与测量值参见图3。
其中,n代表水深点的个数,Zt、Zm分别代表实测水深值和模型反演水深值,σ为水深残差,ε为阈值,area代表子区域,通过阈值可以将研究区分割为S个子区域。
3.建立分类模型自动实现图像分割
本实施例中,基于python编程,采用支持向量机的SVC(Support VectorClassification)算法进行分区:首先基于样本点信息训练SVC分类器直到设定精度,建立分类模型,其中训练集正确率84.6%,测试集正确率81.7%;然后遍历整个研究区,判断其所属类别,划分为若干子区域;最后将分割超平面写成ArcGIS可读的polyline形式,便于开展后续分区反演。在本实施例中,将研究区划分为两个区域,即A区和B区,A区和B区检查点水深的检索值和反演值的对比参见图4和图5。
4.进行分区水深反演
根据区域将水深控制点分为A区控制点和B区控制点,分别拟合水深模型参数从而建立分区水深遥感反演模型,其中基础模型和拟合算法同全局模型。最终建立适用于该研究区的分区水深反演模型,具体参见公式(3)。
5.分区模型水深反演精度评价
同理划分检查点,其中A区检查点249个,B区检查点280个,分别对全局检查点、A区检查点、B区检查点开展反演研究,同时为进一步验证新方法的反演精度是否有所提高,本实施例对全局模型和分区模型进行了反演精度上的对比,参见图2。采用的评价指标有平均绝对误差、平均相对误差,公式分别为公式(4)和(5),反演精度的评估图参见图6、图7、图8。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的两个或两个以上,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
应该注意的是,上述实施例是对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或者步骤等。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中,这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (6)
1.一种基于残差分区的水深遥感探测方法,其特征在于,包括:
选取影像中多个用于拟合水深反演模型参数的水深点,建立全局水深反演模型,其中,所述水深点包括控制点;
计算控制点水深残差,将水深残差以米为单位划分为若干区间,具体参见如下公式:
其中,n代表水深点的个数,Z t、Z m分别代表实测水深值和模型反演水深值,σ为水深残差,ε为阈值,area代表子区域,通过阈值可以将研究区分割为S个子区域;
根据水深残差的高估和低估值选取水深点形成水深样本集,并赋以属性值;
首先基于样本点信息训练SVC分类器直到设定精度,建立分类模型;然后遍历整个研究区,判断其所属类别,划分为若干子区域;最后将分割超平面写成ArcGIS可读的polyline形式,便于开展后续分区反演;
根据分割的区域划分控制点,基于每个区域的控制点分别建立分区水深反演模型,以通过所述分区水深反演模型进行分区水深探测。
2.根据权利要求1所述的方法,其特征在于,建立全局水深反演模型的方法包括:
以多调节因子的对数波段比值模型作为基础模型,对控制点信息进行非线性回归,拟合全局模型的水深模型参数,建立所述全局水深反演模型。
3.根据权利要求2所述的方法,其特征在于,用最小二乘原理拟合全局模型的水深模型参数。
4.根据权利要求1所述的方法,其特征在于,在选取所述水深点之前,首先对所述影像进行预处理,所述预处理包括辐射校正、几何校正、低通滤波、水陆分离和潮汐校正。
5.根据权利要求1所述的方法,其特征在于,所述水深点还包括检查点,所述探测方法还包括如下步骤:
利用检查点进行反演精度评价的评价指标,根据所述反演精度调整所述分区反演模型参数。
6.根据权利要求5所述的方法,其特征在于,进行反演精度评价的评价指标包括平均绝对误差、平均相对误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910269328.6A CN110132246B (zh) | 2019-04-03 | 2019-04-03 | 基于残差分区的水深遥感探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910269328.6A CN110132246B (zh) | 2019-04-03 | 2019-04-03 | 基于残差分区的水深遥感探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110132246A CN110132246A (zh) | 2019-08-16 |
CN110132246B true CN110132246B (zh) | 2021-07-02 |
Family
ID=67569286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910269328.6A Expired - Fee Related CN110132246B (zh) | 2019-04-03 | 2019-04-03 | 基于残差分区的水深遥感探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110132246B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111640149A (zh) * | 2020-06-01 | 2020-09-08 | 中国人民解放军63653部队 | 一种评估点云建模误差的分析方法 |
CN113639716A (zh) * | 2021-07-29 | 2021-11-12 | 北京航空航天大学 | 一种基于深度残差收缩网络的水深遥感反演方法 |
CN117372891B (zh) * | 2023-12-07 | 2024-02-13 | 中铁水利水电规划设计集团有限公司 | 一种利用卫星遥感影像进行水深反演的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176001A (zh) * | 2011-02-10 | 2011-09-07 | 哈尔滨工程大学 | 一种基于透水波段比值因子的水深反演方法 |
CN104613944A (zh) * | 2015-01-27 | 2015-05-13 | 电子科技大学 | 一种基于gwr和bp神经网络的分布式水深预测方法 |
CN105445751A (zh) * | 2015-11-18 | 2016-03-30 | 国家海洋局第一海洋研究所 | 一种浅水区域水深比值遥感反演方法 |
CN105865424A (zh) * | 2016-04-13 | 2016-08-17 | 中测新图(北京)遥感技术有限责任公司 | 一种基于非线性模型的多光谱遥感水深反演方法及装置 |
-
2019
- 2019-04-03 CN CN201910269328.6A patent/CN110132246B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176001A (zh) * | 2011-02-10 | 2011-09-07 | 哈尔滨工程大学 | 一种基于透水波段比值因子的水深反演方法 |
CN104613944A (zh) * | 2015-01-27 | 2015-05-13 | 电子科技大学 | 一种基于gwr和bp神经网络的分布式水深预测方法 |
CN105445751A (zh) * | 2015-11-18 | 2016-03-30 | 国家海洋局第一海洋研究所 | 一种浅水区域水深比值遥感反演方法 |
CN105865424A (zh) * | 2016-04-13 | 2016-08-17 | 中测新图(北京)遥感技术有限责任公司 | 一种基于非线性模型的多光谱遥感水深反演方法及装置 |
Non-Patent Citations (3)
Title |
---|
Geographically Adaptive Inversion Model for Improving Bathymetric Retrieval From Satellite Multispectral Imagery;Haibin Su etc.;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20140131;第52卷(第1期);摘要、第469页第1栏第2段-第471页第1栏第2段、图3-8 * |
多种水深光学遥感探测模型比较研究;陈安娜等;《中国海洋学会2017年学术年会会议论文》;20171231;摘要、第40页第1段-第42页倒数第1段 * |
江苏近海辐射沙洲水域水深与光谱的相关性研究;杜心栋等;《国土资源遥感》;20070915(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110132246A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132246B (zh) | 基于残差分区的水深遥感探测方法 | |
CN109919934A (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
CN110929607A (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN107561555B (zh) | 反演边界层高度的方法、装置、计算机设备及存储介质 | |
Nigro et al. | A weather-pattern-based approach to evaluate the Antarctic Mesoscale Prediction System (AMPS) forecasts: Comparison to automatic weather station observations | |
CN112215803B (zh) | 一种基于改进生成对抗网络的铝板电涡流检测图像缺陷分割方法 | |
CN112906455A (zh) | 一种海岸带生态系统遥感识别方法 | |
CN115512247A (zh) | 基于图像多参数提取的区域建筑损伤等级评定方法 | |
CN116563262A (zh) | 基于多模态的建筑裂缝检测算法 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN111339959A (zh) | 基于sar和光学影像融合的近海浮筏养殖区提取方法 | |
Pradipta et al. | An effective TEC data detrending method for the study of equatorial plasma bubbles and traveling ionospheric disturbances | |
Feucher et al. | Mean structure of the North Atlantic subtropical permanent pycnocline from in situ observations | |
CN106897683B (zh) | 一种遥感图像的地物检测方法及系统 | |
Xiao et al. | Multiresolution-Based Rough Fuzzy Possibilistic C-Means Clustering Method for Land Cover Change Detection | |
CN105631849A (zh) | 多边形目标的变化检测方法及装置 | |
CN115690602A (zh) | 一种中尺度涡识别方法及系统 | |
CN109636838A (zh) | 一种基于遥感影像变化检测的燃气隐患分析方法及装置 | |
Ho et al. | Fuzzy-based spatial modeling approach to predict island karst distribution: a conceptual model | |
CN114926727A (zh) | 一种基于神经网络与集成学习的水下地形提取方法 | |
CN115393700A (zh) | 水位高度识别方法、装置、电子设备以及存储介质 | |
Mao et al. | Predictive anisotropy of surface winds by linear statistical prediction | |
CN115375925A (zh) | 一种基于相位信息和深度学习的水下声呐图像匹配算法 | |
McFall et al. | Technical feasibility of creating a beach grain size database with citizen scientists | |
CN115128074B (zh) | 沥青路面抗滑性能预测系统的构建方法及其构建的系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210702 |
|
CF01 | Termination of patent right due to non-payment of annual fee |