CN110163303B - 一种基于格网的遥感影像并行分类方法及系统 - Google Patents
一种基于格网的遥感影像并行分类方法及系统 Download PDFInfo
- Publication number
- CN110163303B CN110163303B CN201910478461.2A CN201910478461A CN110163303B CN 110163303 B CN110163303 B CN 110163303B CN 201910478461 A CN201910478461 A CN 201910478461A CN 110163303 B CN110163303 B CN 110163303B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- grid
- sensing image
- sample
- classification
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种基于格网的遥感影像并行分类方法及系统。该方法包括获取当前遥感影像数据;将所述当前遥感影像数据输入至预先训练好的分类模型,获得基于所述当前遥感影像数据的并行分类结果,并采用测试样本集对所述分类结果进行精度验证;其中所述分类模型,是将历史遥感影像数据和样本导入栅格数据集清洗与重构多级格网系统,再基于10km格网范围,结合数据优选、样本特征总集计算和差异化分类进行训练得到的。本发明实施例通过基于10km格网将研究区无缝划分为规则的组织单元,在每个组织单元内根据实际成像情况并行进行数据优选、特征计算和分类等操作,在短时间内很好的实现了大范围中高分辨率作物的分类制图。
Description
技术领域
本发明涉及图像遥感技术领域,尤其涉及一种基于格网的遥感影像并行分类方法及系统。
背景技术
近年来,将图像遥感技术应用于农作物识别和分类越来越受到人们关注,而大范围作物分布图为区域尺度的作物生长监测和产量估算提供了主要的基础数据,同时对于粮食安全,粮食经济和粮食政策也具有重要意义。世界各地的农业发展越来越需要及时准确的大范围作物分布制图。近年来,遥感影像因其及时性、宏观性的特点被广泛应用于大范围作物分类上,物候特征是区分不同作物的重要依据之一,使用作物物候期内的时序遥感影像进行分类是获取高精度作物分布制图的最好手段。
面对大范围遥感数据时空分布不均匀的问题,近年来,一些学者提出将研究区按照行政区域划分进行分类。但是,如果行政区域太大,时间序列中的数据稀缺是一个常见问题,这可能会影响分类结果的准确性。例如,由于云和阴雨天气的影响,此方法可能无法获得足够的时间信息。对于大规模作物分类,数据稀缺问题尤为明显。为了解决这个问题,一些学者已经提出了一些方法来重建时间序列数据以补偿由不良图像质量引起的丢失像素或图像。尽管基于重建的方法可以保证时间序列数据的最大使用,但是不能验证重建像素的可用性。还有一些学者从另一个维度解决此问题,例如有学者提出将EVI等植被指数的最大值、最小值、平均值、方差、中值等作为特征进行作物分类,并在部分时相分布更均匀的区域取得了很好的效果。另一个挑战是由太字节(Terabyte)级遥感(Remote Sensing,以下简称RS)数据带来的巨大计算负荷。为了解决这个问题,谷歌设计了谷歌地球引擎(GoogleEarth Engine,以下简称GEE)在线视觉计算分析和处理平台。一些学者试图基于GEE完成他们的绘图工作并取得了很好的效果,采用基于集群的高性能计算范例也是最有效的方法之一。美国国家航空航天局(National Aeronautics and Space Administration,以下简称NASA)用于全球处理的NEX系统和用于海量图像自动处理的Infor Terra像素工厂都使用基于群集的平台来优化服务质量的。目前基于小尺度的格网框架可以很好的解决大范围作物分类面临的数据分布不一致的问题。例如,将数据录入栅格数据集清洗与重构多级格网(Raster Dataset Clean&Reconstitution Multi-Grid,以下简称RDCRMG)系统后,便可以选择尺度对研究区进行规则的组织,来解决遥感数据空间分布不一致的问题。以小尺度格网组织数据,在组织单元内,便可以找到更多时相的数据进行分类,而且每一个分类单元的分类数据可以满足机器学习要求的像素特征一致性。
但由于遥感影像数据量大且时空分布不一致,大范围作物分类所需样本量大,因此基于物候特性进行大范围、中等分辨率作物分布制图仍然具有挑战性。GEE为组织和计算遥感大数据提供了有效的解决方案,但仍有许多局限性,包括:(1)空间分辨率太粗糙,不能表现农田的细节;(2)时序信息不全,分类精度不高;(3)整体分类精度不理想;(4)识别尺度很少精确到作物级别。因此,越来越需要在大面积的中等至高等空间分辨率上开发更好的农田作物的监测分类方法。
发明内容
本发明实施例提供一种基于格网的遥感影像并行分类方法及系统,用以解决现有技术中
第一方面,本发明实施例提供一种基于格网的遥感影像并行分类方法,包括:
获取当前遥感影像数据;
将所述当前遥感影像数据输入至预先训练好的分类模型,获得基于所述当前遥感影像数据的并行分类结果,并采用测试样本集对所述分类结果进行精度验证;其中所述分类模型,是将历史遥感影像数据和样本导入栅格数据集清洗与重构多级格网系统,再基于10km格网范围,结合数据优选、样本特征总集计算和差异化分类进行训练得到的。
具体的,所述分类模型,通过以下步骤得到:
获取所述历史遥感影像数据和样本,并对所述历史遥感影像数据和样本进行预处理,再将预处理后的所述历史遥感影像数据和样本导入栅格数据集清洗与重构多级格网系统,得到规则的组织结果;
将所述组织结果基于10km格网范围进行数据优选,优选规则包括基于影像面积和基于云量;
对每一个所述10km格网进行特征计算,针对含有所述样本的格网集合进行自动化特征集提取,生成样本特征集合,并将所有所述10km格网的所述样本特征集合合并得到样本特征总集;
基于每一个所述10km格网内的实际影像情况,从所述样本特征总集中提取对应特征生成样本特征子集,进行差异化分类,并对所述样本特征子集进行训练,得到所述分类模型。
进一步,所述获取所述历史遥感影像数据具体包括时空分布不均匀的遥感影像。
进一步,所述对所述历史遥感影像数据和样本进行预处理,具体包括:
所述历史遥感影像数据的预处理包括辐射定标、正射校正、大气校正和云检测中的至少一种;
所述样本的预处理包括将矢量数据分别以类别和编码为字段转为栅格形式,并做波段合成,合成一个样本栅格文件。
进一步,所述将所述组织结果基于10km格网范围进行数据优选,优选规则包括基于影像面积和基于云量,具体包括:在每一个所述10km格网内针对同一时相有多景遥感影像的情况进行数据优选,判断所述遥感影像是否将所述格网全覆盖;
若存在仅有一景全覆盖格网的所述遥感影像,则选择此景对应的所述遥感影像作为待计算的遥感影像;
若存在多景全覆盖格网的所述遥感影像,则挑选含云量最小的所述遥感影像作为所述待计算的遥感影像;
若所述遥感影像全部为非全覆盖格网,则将所有非全覆盖遥感影像进行拼接融合。
进一步,所述对每一个所述10km格网进行特征计算,针对含有所述样本的格网集合进行自动化特征集提取,生成样本特征集合,并将所有所述10km格网的所述样本特征集合合并得到样本特征总集,进一步包括:
将所述样本特征总集按照2:1的比例划分为训练样本集和所述测试样本集。
进一步,基于所述10km格网进行并行计算。
第二方面,本发明实施例提供一种基于格网的遥感影像并行分类系统,包括:
获取模块,用于获取当前遥感影像数据;
处理模块,用于将所述当前遥感影像数据输入至预先训练好的分类模型,获得基于所述当前遥感影像数据的并行分类结果,并采用测试样本集对所述分类结果进行精度验证;其中所述分类模型,是将历史遥感影像数据和样本导入栅格数据集清洗与重构多级格网系统,再基于10km格网范围,结合数据优选、样本特征总集计算和差异化分类进行训练得到的。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本发明实施例第一方面所述一种基于格网的遥感影像并行分类方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明实施例第一方面所述一种基于格网的遥感影像并行分类方法的步骤。
本发明实施例提供的一种基于格网的遥感影像并行分类方法及系统,通过基于10km格网将研究区无缝划分为规则的组织单元,在每个组织单元内根据实际成像情况并行进行数据优选、特征计算和分类等操作,在短时间内很好的实现了大范围中高分辨率作物的分类制图。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于格网的遥感影像并行分类方法流程图;
图2为本发明实施例提供的一种基于格网的遥感影像并行分类方法示例图;
图3为本发明实施例提供的数据优选算法流程图;
图4为本发明实施例提供的并行分类计算示意图;
图5为本发明实施例提供的一种基于格网的遥感影像并行分类系统结构图;
图6为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
针对目前大范围作物分类面临的遥感数据空间分布不均衡,时间信息不充分,计算量大等问题,本发明提出了一种基于格网的遥感影像并行分类方法及系统,精确、有效的实现了大范围中高分辨率作物分布制图。
图1为本发明实施例提供的一种基于格网的遥感影像并行分类方法流程图,如图1所示,包括:
S1,获取当前遥感影像数据;
S2,将所述当前遥感影像数据输入至预先训练好的分类模型,获得基于所述当前遥感影像数据的并行分类结果,并采用测试样本集对所述分类结果进行精度验证;其中所述分类模型,是将历史遥感影像数据和样本导入栅格数据集清洗与重构多级格网系统,再基于10km格网范围,结合数据优选、样本特征总集计算和差异化分类进行训练得到的。
本发明实施例通过基于10km格网将研究区无缝划分为规则的组织单元,在每个组织单元内根据实际成像情况并行进行数据优选、特征计算和分类等操作,在短时间内很好的实现了大范围中高分辨率作物的分类制图。
其中,所述分类模型,通过以下步骤得到:
获取所述历史遥感影像数据和样本,并对所述历史遥感影像数据和样本进行预处理,再将预处理后的所述历史遥感影像数据和样本导入栅格数据集清洗与重构多级格网系统,得到规则的组织结果;
将所述组织结果基于10km格网范围进行数据优选,优选规则包括基于影像面积和基于云量;
对每一个所述10km格网进行特征计算,针对含有所述样本的格网集合进行自动化特征集提取,生成样本特征集合,并将所有所述10km格网的所述样本特征集合合并得到样本特征总集;
基于每一个所述10km格网内的实际影像情况,从所述样本特征总集中提取对应特征生成样本特征子集,进行差异化分类,并对所述样本特征子集进行训练,得到所述分类模型。
具体地,训练分类模型通过如下步骤获取:
(1)首先将历史遥感影像数据和样本导入至RDCRMG格网系统,在导入之前,对上述历史遥感数据和样本做预处理工作。其中历史遥感影像数据的预处理包括辐射定标、正射校正、大气校正和云检测中的至少一种;样本的预处理包括将矢量数据分别以类别和编码为字段转为栅格形式,并做波段合成,合成一个样本栅格文件。另外获取的遥感影像数据主要是面对时空分布不均匀的遥感影像。将预处理后的遥感影像数据和样本统一导入RDCRMG格网系统得到空间上更加规则的组织结果。
(2)将得到的组织结果进行数据优选,是基于RDCRMG 10KM格网范围来划分并进行优选处理,优选规则包括基于影像面积和基于云量两个方面。图3为本发明实施例提供的数据优选算法流程图,如图3所示,具体包括:在每一个所述10km格网内针对同一时相有多景遥感影像的情况进行数据优选,判断遥感影像是否将格网全覆盖;
若存在仅有一景全覆盖格网的遥感影像,则选择此景对应的遥感影像作为待计算的遥感影像;
若存在多景全覆盖格网的遥感影像,则挑选含云量最小的遥感影像作为待计算的遥感影像;
若遥感影像全部为非全覆盖格网,则将所有非全覆盖遥感影像进行拼接融合。
(3)然后对每一个10km格网进行特征计算,其中针对有样本的格网,将样本与特征集叠加生成样本特征集。待所有含样本格网的特征集计算完毕之后,将所有10km格网的样本特征集合合并得到样本特征总集。进一步地,将得到的样本特征总集按照2:1的比例划分为训练样本集和测试样本集,其中训练样本集用于后续分类模型中的差异化分类,测试样本集则用来对分类结果进行验证。
(4)以10km格网为分类单元,在每一个分类单元里,根据影像的实际成像时相从训练样本集中挑选对应特征,组成针对此10km格网的样本特征子集,再将此样本特征子集进行模型训练,得到最后的分类模型。
在得到上述分类模型后,可将待处理的当前遥感影像数据输入至分类模型,获得分类结果,并应用测试样本集对分类结果进行精度验证。
实际应用中,参见图2所示,图2为本发明实施例提供的一种基于格网的遥感影像并行分类方法示例图,图2完整的说明了整个分类处理的流程。
例如以黑龙江省的作物分类为实例,包含4951个10km格网,按照本发明实施例方法训练了4951个模型进行格网内的分类。
在上述实施例基础上,本发明实施例基于10km格网应用了并行计算策略,提高整体运算处理速度。除生成样本特征总集、训练样本,集和测试样本集之外,其它步骤均可以并行计算。并行计算是在线程和进程级别同时实现的。首先,为每个进程分配一个网格集,以实现进程级并行计算。其次,在该过程中,将网格子集编码序列分配给每个线程以实现线程级并行计算。每个线程分配节点将根据所需内存的计算设计不同数量的线程,以防止计算机内存溢出,具体流程参见图4,图4为本发明实施例提供的并行分类计算示意图。
本发明实施例通过RDCRMG 10km格网将研究区无缝划分为规则的组织单元,在每个组织单元内根据实际成像情况并行进行数据提取、计算特征、分类等操作,在短时间内很好的实现了大范围中高分辨率作物分布制图,是一种精度高、快速有效的大范围多时相遥感数据组织和计算方法,为基于多时相遥感影像的大范围作物分类提供了一种较为理想的数据组织和计算方式。
图5为本发明实施例提供的一种基于格网的遥感影像并行分类系统结构图,如图5所示,包括:获取模块51和处理模块52,其中:
获取模块51用于获取当前遥感影像数据;处理模块52用于将所述当前遥感影像数据输入至预先训练好的分类模型,获得基于所述当前遥感影像数据的并行分类结果,并采用测试样本集对所述分类结果进行精度验证;其中所述分类模型,是将历史遥感影像数据和样本导入栅格数据集清洗与重构多级格网系统,再基于10km格网范围,结合数据优选、样本特征总集计算和差异化分类进行训练得到的。
本发明实施例提供的系统用于执行上述对应的方法,其具体的实施方式与方法的实施方式一致,涉及的算法流程与对应的方法算法流程相同,此处不再赘述。
本发明实施例通过基于10km格网将研究区无缝划分为规则的组织单元,在每个组织单元内根据实际成像情况并行进行数据优选、特征计算和分类等操作,在短时间内很好的实现了大范围中高分辨率作物的分类制图。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行如下方法:获取当前遥感影像数据;将所述当前遥感影像数据输入至预先训练好的分类模型,获得基于所述当前遥感影像数据的并行分类结果,并采用测试样本集对所述分类结果进行精度验证;其中所述分类模型,是将历史遥感影像数据和样本导入栅格数据集清洗与重构多级格网系统,再基于10km格网范围,结合数据优选、样本特征总集计算和差异化分类进行训练得到的。
此外,上述的存储器630中的逻辑指令可以通过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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:获取当前遥感影像数据;将所述当前遥感影像数据输入至预先训练好的分类模型,获得基于所述当前遥感影像数据的并行分类结果,并采用测试样本集对所述分类结果进行精度验证;其中所述分类模型,是将历史遥感影像数据和样本导入栅格数据集清洗与重构多级格网系统,再基于10km格网范围,结合数据优选、样本特征总集计算和差异化分类进行训练得到的。
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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于格网的遥感影像并行分类方法,其特征在于,包括:
获取当前遥感影像数据;
将所述当前遥感影像数据输入至预先训练好的分类模型,获得基于所述当前遥感影像数据的并行分类结果,并采用测试样本集对所述分类结果进行精度验证;其中所述分类模型,是将历史遥感影像数据和样本导入栅格数据集清洗与重构多级格网系统,再基于10km格网范围,结合数据优选、样本特征总集计算和差异化分类进行训练得到的;
所述分类模型,通过以下步骤得到:
获取所述历史遥感影像数据和样本,并对所述历史遥感影像数据和样本进行预处理,再将预处理后的所述历史遥感影像数据和样本导入栅格数据集清洗与重构多级格网系统,得到规则的组织结果;
将所述组织结果基于10km格网范围进行数据优选,优选规则包括基于影像面积和基于云量;
对每一个所述10km格网进行特征计算,针对含有所述样本的格网集合进行自动化特征集提取,生成样本特征集合,并将所有所述10km格网的所述样本特征集合合并得到样本特征总集;
基于每一个所述10km格网内的实际影像情况,从所述样本特征总集中提取对应特征生成样本特征子集,进行差异化分类,并对所述样本特征子集进行训练,得到所述分类模型;
所述对所述历史遥感影像数据和样本进行预处理,具体包括:
所述历史遥感影像数据的预处理包括辐射定标、正射校正、大气校正和云检测中的至少一种;
所述样本的预处理包括将矢量数据分别以类别和编码为字段转为栅格形式,并做波段合成,合成一个样本栅格文件;
所述将所述组织结果基于10km格网范围进行数据优选,优选规则包括基于影像面积和基于云量,具体包括:在每一个所述10km格网内针对同一时相有多景遥感影像的情况进行数据优选,判断所述遥感影像是否将所述格网全覆盖;
若存在仅有一景全覆盖格网的所述遥感影像,则选择此景对应的所述遥感影像作为待计算的遥感影像;
若存在多景全覆盖格网的所述遥感影像,则挑选含云量最小的所述遥感影像作为所述待计算的遥感影像;
若所述遥感影像全部为非全覆盖格网,则将所有非全覆盖遥感影像进行拼接融合。
2.根据权利要求1所述的一种基于格网的遥感影像并行分类方法,其特征在于,所述获取所述历史遥感影像数据具体包括时空分布不均匀的遥感影像。
3.根据权利要求1所述的一种基于格网的遥感影像并行分类方法,其特征在于,所述对每一个所述10km格网进行特征计算,针对含有所述样本的格网集合进行自动化特征集提取,生成样本特征集合,并将所有所述10km格网的所述样本特征集合合并得到样本特征总集,进一步包括:
将所述样本特征总集按照2:1的比例划分为训练样本集和所述测试样本集。
4.根据权利要求1或2所述的一种基于格网的遥感影像并行分类方法,其特征在于,基于所述10km格网进行并行计算。
5.一种基于格网的遥感影像并行分类系统,其特征在于,包括:
获取模块,用于获取当前遥感影像数据;
处理模块,用于将所述当前遥感影像数据输入至预先训练好的分类模型,获得基于所述当前遥感影像数据的并行分类结果,并采用测试样本集对所述分类结果进行精度验证;其中所述分类模型,是将历史遥感影像数据和样本导入栅格数据集清洗与重构多级格网系统,再基于10km格网范围,结合数据优选、样本特征总集计算和差异化分类进行训练得到的;
所述分类模型,通过以下步骤得到:
获取所述历史遥感影像数据和样本,并对所述历史遥感影像数据和样本进行预处理,再将预处理后的所述历史遥感影像数据和样本导入栅格数据集清洗与重构多级格网系统,得到规则的组织结果;
将所述组织结果基于10km格网范围进行数据优选,优选规则包括基于影像面积和基于云量;
对每一个所述10km格网进行特征计算,针对含有所述样本的格网集合进行自动化特征集提取,生成样本特征集合,并将所有所述10km格网的所述样本特征集合合并得到样本特征总集;
基于每一个所述10km格网内的实际影像情况,从所述样本特征总集中提取对应特征生成样本特征子集,进行差异化分类,并对所述样本特征子集进行训练,得到所述分类模型;
所述对所述历史遥感影像数据和样本进行预处理,具体包括:
所述历史遥感影像数据的预处理包括辐射定标、正射校正、大气校正和云检测中的至少一种;
所述样本的预处理包括将矢量数据分别以类别和编码为字段转为栅格形式,并做波段合成,合成一个样本栅格文件;
所述将所述组织结果基于10km格网范围进行数据优选,优选规则包括基于影像面积和基于云量,具体包括:在每一个所述10km格网内针对同一时相有多景遥感影像的情况进行数据优选,判断所述遥感影像是否将所述格网全覆盖;
若存在仅有一景全覆盖格网的所述遥感影像,则选择此景对应的所述遥感影像作为待计算的遥感影像;
若存在多景全覆盖格网的所述遥感影像,则挑选含云量最小的所述遥感影像作为所述待计算的遥感影像;
若所述遥感影像全部为非全覆盖格网,则将所有非全覆盖遥感影像进行拼接融合。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述一种基于格网的遥感影像并行分类方法的步骤。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述一种基于格网的遥感影像并行分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910478461.2A CN110163303B (zh) | 2019-06-03 | 2019-06-03 | 一种基于格网的遥感影像并行分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910478461.2A CN110163303B (zh) | 2019-06-03 | 2019-06-03 | 一种基于格网的遥感影像并行分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163303A CN110163303A (zh) | 2019-08-23 |
CN110163303B true CN110163303B (zh) | 2022-01-11 |
Family
ID=67627152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910478461.2A Active CN110163303B (zh) | 2019-06-03 | 2019-06-03 | 一种基于格网的遥感影像并行分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163303B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111866427A (zh) * | 2019-09-06 | 2020-10-30 | 阳光学院 | 一种基于psvm和crnn的遥感影像分类显示装置 |
CN111476308A (zh) * | 2020-04-10 | 2020-07-31 | 高崟 | 基于先验几何约束的遥感影像分类方法、装置和电子设备 |
CN111898503B (zh) * | 2020-07-20 | 2021-02-26 | 中国农业科学院农业资源与农业区划研究所 | 基于云覆盖遥感影像和深度学习的作物识别方法和系统 |
CN115937681B (zh) * | 2022-12-05 | 2024-04-19 | 中铁第四勘察设计院集团有限公司 | 一种遥感影像样本数据清洗方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446590A (zh) * | 2018-02-07 | 2018-08-24 | 海南云保遥感科技有限公司 | 一种空间遥感大数据在热带农业灾害计算中的应用方法 |
CN109460700A (zh) * | 2018-09-05 | 2019-03-12 | 中国农业大学 | 一种面向作物分类的遥感数据处理方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10540571B2 (en) * | 2016-12-22 | 2020-01-21 | Advanced Optical Technologies, Inc. | Polarimeter with multiple independent tunable channels and method for material and object classification and recognition |
-
2019
- 2019-06-03 CN CN201910478461.2A patent/CN110163303B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446590A (zh) * | 2018-02-07 | 2018-08-24 | 海南云保遥感科技有限公司 | 一种空间遥感大数据在热带农业灾害计算中的应用方法 |
CN109460700A (zh) * | 2018-09-05 | 2019-03-12 | 中国农业大学 | 一种面向作物分类的遥感数据处理方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于经纬网格遥感影像数据的并行分类系统研究;翟皓;《中国优秀硕士学位论文全文数据库基础科学辑》;20171115;第20-47页 * |
大数据环境下遥感图谱应用方法研究;叶思菁;《中国博士学位论文全文数据库农业科技辑》;20160815;第35-129页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110163303A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163303B (zh) | 一种基于格网的遥感影像并行分类方法及系统 | |
CN110738252B (zh) | 空间自相关的机器学习卫星降水数据降尺度方法、系统 | |
US20200226375A1 (en) | Method and system for crop recognition and boundary delineation | |
US10091925B2 (en) | Accurately determining crop yield at a farm level | |
CN103281351B (zh) | 一种高效能遥感数据处理与分析的云服务平台 | |
Wu et al. | 3D reconstruction of Chinese hickory tree for dynamics analysis | |
Gandharum et al. | Remote sensing versus the area sampling frame method in paddy rice acreage estimation in Indramayu regency, West Java province, Indonesia | |
DE112021000243T5 (de) | Bestimmung von kulturpflanzentyp und/oder aussaattermin | |
CN113989657B (zh) | 基于不变信息样本筛选的耕地范围变化检测方法及装置 | |
CN116071644B (zh) | 逐日叶面积指数数据反演方法、装置、设备及存储介质 | |
Bhadra et al. | End-to-end 3D CNN for plot-scale soybean yield prediction using multitemporal UAV-based RGB images | |
CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CA3176293A1 (en) | System and method for automated forest inventory mapping | |
CN113156082B (zh) | 一种识别作物根系活动层深度的方法及系统 | |
CN109460700B (zh) | 一种面向作物分类的遥感数据处理方法及装置 | |
Zhang et al. | A hierarchical growth method for extracting 3D phenotypic trait of apple tree branch in edge computing | |
Khan et al. | Crop Type Classification using Multi-temporal Sentinel-2 Satellite Imagery: A Deep Semantic Segmentation Approach | |
Seong et al. | Crop classification in South Korea for multitemporal PlanetScope imagery using SFC-DenseNet-AM | |
CN115995044B (zh) | 一种生态工程全类型绿化措施的监控方法及装置 | |
Xavier et al. | Agricultural data disaggregation at a local level: An approach using entropy and supervised classifications | |
Liu et al. | Synthetic Landsat data through data assimilation for winter wheat yield estimation | |
Nesslage et al. | A Machine Learning Approach for High Resolution Fractional Vegetation Cover Estimation Using Planet Cubesat and RGB Drone Data Fusion | |
CN117994060A (zh) | 作物单位面积产量确定方法、装置及设备 | |
CN114138764A (zh) | 一种降水资料重建方法、系统、存储介质及计算设备 |
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 |