CN110427818B - 高光谱数据支持的深度学习卫星数据云检测方法 - Google Patents

高光谱数据支持的深度学习卫星数据云检测方法 Download PDF

Info

Publication number
CN110427818B
CN110427818B CN201910558170.4A CN201910558170A CN110427818B CN 110427818 B CN110427818 B CN 110427818B CN 201910558170 A CN201910558170 A CN 201910558170A CN 110427818 B CN110427818 B CN 110427818B
Authority
CN
China
Prior art keywords
cloud
data
cloud detection
sensor
multispectral
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
Application number
CN201910558170.4A
Other languages
English (en)
Other versions
CN110427818A (zh
Inventor
夹尚丰
王春香
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.)
Qingdao Xingke Ruisheng Information Technology Co ltd
Original Assignee
Qingdao Xingke Ruisheng Information Technology Co ltd
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 Qingdao Xingke Ruisheng Information Technology Co ltd filed Critical Qingdao Xingke Ruisheng Information Technology Co ltd
Priority to CN201910558170.4A priority Critical patent/CN110427818B/zh
Publication of CN110427818A publication Critical patent/CN110427818A/zh
Application granted granted Critical
Publication of CN110427818B publication Critical patent/CN110427818B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J2003/283—Investigating the spectrum computer-interfaced
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了高光谱数据支持的深度学习卫星数据云检测方法，其包括以下步骤：选取足够数量的云和晴空像元构建高光谱数据样本库，根据待检测传感器的光谱响应函数、波段宽度等参数对高光谱像元样本库模拟计算，得到待检测传感器的云和晴空地表像元库；基于Keras深度学习框架，设计用于云检测的深层BP神经网络，将模拟得到多光谱样本数据输入网络训练学习，得到基于光谱特性的多光谱传感器云检测规则。基于马尔科夫随机场模型，利用迭代条件模式算法对云检测结果进行优化，去除部分云检测的误分漏分误差。本方法选用多种传感器数据，与人工目视解译的云覆盖结果对比分析，结果表明，本算法取得较好的云检测效果，可以满足数据应用对云检测的要求。

Description

高光谱数据支持的深度学习卫星数据云检测方法
技术领域
本发明涉及使用卫星数据进行云检测的方法，尤其涉及一种高光谱数据支持的深度学习卫星数据云检测方法。
背景技术
在光学遥感影像中，云遮挡是一种常见的现象，已经成为制约光学遥感对地观测能力的主要影响因素。对MODIS云掩模数据的统计分析表明，云层覆盖了地球表面大约67％的范围。其中，陆地上空云覆盖量为55％左右，且与季节变化相关；海洋上空的云覆盖率高于陆地，约为72％，且没有明显的季节变化特点。受到云层遮挡的影响，光学传感器无法有效的接收到来自地表物体的光谱信息，导致成像的偏差，造成云覆盖区域内的地表信息的衰减甚至完全缺失。在遥感影像的后期处理和应用中，云遮挡会给其造成极大的困难，对后期的地物目标的解译、特征提取、地表和大气物理参数的定量反演等过程都会产生较大影响，甚至导致遥感影像完全无法使用。另一方面，作为重要的气候和气象要素，通过对云层分布的检测不仅可以帮助发现暴雨、飓风等气候现象，还可以对气象条件的变化进行跟踪、预报。所以，对云检测方法的研究引起了各国遥感工作者的重视。
然而无论是传统阈值法还是基于统计学习的方法，都以组分光谱差异分析为基础，进行逐像元的云检测。由于传感器的波谱响应能力千差万别，针对不同的遥感数据往往需要研究不同的云检测算法，这给算法的推广与应用带来了极大的困难。
因此，现有技术有待于更进一步的改进和发展。
发明内容
鉴于上述现有技术的不足，本发明提供的高光谱数据支持的深度学习卫星数据云检测方法，能够支持多种多光谱传感器数据的云检测，取得了较好的云检测结果，可以满足数据应用对于云检测的要求。
为解决上述技术问题，本发明方案包括：
高光谱数据支持的深度学习卫星数据云检测方法，其包括以下步骤：
A、选取足够数量的云和晴空像元构建高光谱数据样本库，根据待检测传感器的光谱响应函数、波段宽度等参数对高光谱像元样本库进行模拟计算，得到待检测传感器的云和晴空地表像元库；
B、基于Keras深度学习框架平台，设计用于云检测的深层的BP神经网络，将模拟得到多光谱样本数据输入网络，训练学习，得到基于光谱特性的多光谱传感器云检测规则；
C、基于马尔科夫随机场模型，利用迭代条件模式(ICM)算法对神经网络云检测结果进行优化，去除部分云检测的误分漏分误差。
所述的云监测方法，其中，所述步骤A具体的包括：通过人工目视解译，基于多时相影像建立的晴空像元样本库，利用多光谱、高光谱传感器的波谱响应函数，表观反射率以及波段间隔，进行多光谱宽波段数据的模拟。
所述的云监测方法，其中，所述步骤A具体的还包括：在建立云像元样本库时一定要全面，样本中要包括厚云、薄云、碎云以及云边缘区域。尤其是薄云的选择，要考虑不同的下垫面对云的反射率的影响，对植被、水体、城镇、裸地上空的云都要有选取。
所述的云监测方法，其中，所述步骤A具体的包括：以多光谱样本像元为基础的，利用数据模拟技术模拟可以得到不同传感器的云和晴空样本像元，针对不同的传感器分别构建样本库。传感器对目标物的光谱响应特性取决于该波段的波谱范围和响应权重。
所述的云监测方法，其中，所述步骤B具体的包括：采用一个具有3个隐含层的深度BP神经网络构建云检测网络框架，利用交叉验证的方法来优化网络参数，保证精度的同时提高训练效率，参数优化主要涉及神经元数量、batch值、dropout值和momentum动量值。
所述的云监测方法，其中，所述步骤C具体的包括：利用马尔科夫随机场，对图像进行标记，得到分类标签数据作为初始值；在进行图像分割时，利用迭代条件模式计算最大后验概率，它以全局能量最小为优化目标，通过迭代更新分类标签，实现局部能量降低，实现对图像进行逐点估计，完成图像分割。
本发明提供的高光谱数据支持的深度学习卫星数据云检测方法，通过目视解译，构建了高光谱、高空间分辨率的遥感数据云像元库和晴空像元数据库。利用多光谱传感器的波谱响应函数和高光谱传感器的波段宽度，模拟得到对应传感器的云和晴空像元数据库。将模拟得到的多光谱传感器的云和晴空像元库的各波段反射率值作为BP神经网络的特征向量，输入网络进行训练。通过交叉验证的方法，对神经网络的隐含层节点数、batch值和momentum参数进行优化。利用迭代条件模式算法实现马尔科夫随机场，实现对云检测结果的优化。由于传感器的波谱响应能力千差万别，针对不同的遥感数据往往需要研究不同的云检测算法，本发明提出的高光谱数据支持的深度学习卫星数据云检测方法解决了多种多光谱传感器的云检测，对数据的要求较低，云检测自动化程度较高，具有一定的通用性。
附图说明
图1是本发明中深度学习卫星数据云检测方法的流程示意图。
具体实施方式
本发明提供了高光谱数据支持的深度学习卫星数据云检测方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供了高光谱数据支持的深度学习卫星数据云检测方法，如图1所示的，其包括以下步骤：
步骤101：选取足够数量的云和晴空像元构建高光谱数据样本库，根据待检测传感器的光谱响应函数、波段宽度等参数对高光谱像元样本库进行模拟计算，得到待检测传感器的云和晴空地表像元库；
步骤102：基于Keras深度学习框架平台，设计用于云检测的深层的BP神经网络，将模拟得到多光谱样本数据输入网络，训练学习，得到基于光谱特性的多光谱传感器云检测规则；
步骤103：基于马尔科夫随机场模型，利用迭代条件模式(ICM)算法对神经网络云检测结果进行优化，去除部分云检测的误分漏分误差。
在本发明的另一较佳实施例中，所述步骤101具体的包括：通过人工目视解译，基于多时相影像建立的晴空像元样本库，利用多光谱、高光谱传感器的波谱响应函数，表观反射率以及波段间隔，进行多光谱宽波段数据的模拟。
更进一步的，所述步骤101具体的还包括：在建立云像元样本库时一定要全面，样本中要包括厚云、薄云、碎云以及云边缘区域。尤其是薄云的选择，要考虑不同的下垫面对云的反射率的影响，对植被、水体、城镇、裸地上空的云都要有选取。
在上述的基础上，本发明的另一较佳实施例中，所述步骤101具体的包括：以多光谱样本像元为基础的，利用数据模拟技术模拟可以得到不同传感器的云和晴空样本像元，针对不同的传感器分别构建样本库。传感器对目标物的光谱响应特性取决于该波段的波谱范围和响应权重。
更进一步的，所述步骤102具体的包括：采用一个具有3个隐含层的深度BP神经网络构建云检测网络框架，利用交叉验证的方法来优化网络参数，保证精度的同时提高训练效率，参数优化主要涉及神经元数量、batch值、dropout值和momentum动量值。
更为具体的而是，所述步骤103具体的包括：用马尔科夫随机场，对图像进行标记，得到分类标签数据作为初始值；在进行图像分割时，利用迭代条件模式计算最大后验概率，它以全局能量最小为优化目标，通过迭代更新分类标签，实现局部能量降低，实现对图像进行逐点估计，完成图像分割。
为了更进一步描述本发明方案，以下列举更为详尽的实施例进行说明。
第一步，高光谱数据像元库的构建。AVIRIS数据具有高光谱和高空间分辨率的优点，通过目视解译，从AVIRIS数据中人工勾选不同时相，不同地区的云像元和晴空像元。云像元的选取综合考虑云的类型和下垫面的不同对云的光谱特性的影响，云像元包括薄云，厚云，碎云，云边缘和植被、水体、城镇、裸地上空的的云等。晴空像元库的选取主要考虑不同的下垫面类型导致的反射率差异，如耕地、森林、草地、裸地、水体、海洋、人造地表、云阴影等。
其中，晴空像元库的选取主要考虑不同的下垫面类型导致的反射特征差异，如耕地、森林、草地、裸地、水体、人造地表、云阴影等区域均要选取足够的样本数量。有些下垫面地表的波谱反射特性在不同时相表现出较大的差异，如在植被生长区域，所以晴空像元样本库是基于多时相影像建立的。城镇是人口聚居的地区，地表利用类型复杂，包括建筑、硬化路面、植被覆盖等类型，这些地物的波谱反射特性不同，甚至不同材质的建筑表面，也存在较大差异，在构建晴空像元库时，不再进行细分，统一划分为城镇区域。云阴影是造成地表反射差异的又一主要因素，厚度不同的云在地表的投影存在较大不同，结合下垫面地表的不同，使云阴影区域的反射特性存在着千差万别，所以晴空地表像元还要包括各种云阴影地表。
第二步，多光谱数据模拟。为了获取待检测传感器的云像元和晴空像元的样本库，在云检测之前，需要基于AVIRIS的像元库模拟得到宽波段的多光谱数据像元库。数据模拟主要是利用待检测传感器的波谱响应函数等参数，将多个较窄的高光谱波段的表观反射率通过加权合成的方式生成对应宽波段的表观反射率。
本发明以多光谱样本像元为基础的，利用数据模拟技术模拟可以得到不同传感器的云和晴空样本像元，避免了传统统计学习算法中，针对不同的传感器分别构建样本库。传感器对目标物的光谱响应特性取决于该波段的波谱范围和响应权重。利用多光谱传感器的波谱响应函数，AVIRIS表观反射率以及波段间隔，可采用如下公式进行多光谱宽波段数据的模拟：
Figure BSA0000185072200000041
其中，NHSI是待模拟宽波段的波谱范围内包含的高光谱传感器的通道数目，NMSI是待模拟多光谱传感器的通道数，Li MSI是多光谱数据的表观反射率，Li HSI是AVIRIS数据表观反射率，ρ(λi，j)是AVIRIS一个波段的中心波长处对应的多光谱传感器的波谱响应值，Δj是AVIRIS数据单波段的宽度。
第三步，基于BP神经网络的云检测。将模拟得到的多光谱传感器的云和晴空像元库的各波段反射率值作为BP神经网络的特征向量输入到网络进行训练。通过交叉验证的方法，对神经网络的隐含层节点数、batch值和momentum参数进行优化，在实现较好训练效果的前提下，简化网络，较少训练时间。
本发明利用交叉验证的方法，通过大量实验来确定隐含层中最优的节点数。交叉验证过程中，随机抽取20％的样本数据作为验证数据，利用模拟数据训练网络的过程中验证数据误差随神经元数量的变化曲线，确定网络中最优的dropout、batch、momentum。
第四步，马尔科夫随机场优化。多光谱遥感影像中“同物异谱”和“异物同谱”现象普遍存在，神经网络不可避免的会出现错分、漏分误差。针对这一问题，本发明基于马尔科夫随机场的空间约束能力，利用迭代条件迭代模型对云检测结果进行优化。
迭代条件模式的具体实现步骤如下：(1)确定待分割图像分类数目，算法的最大迭代次数以及最小的能量改变阈值；(2)计算特征场和标记场能量；(3)基于能量最小原则，给图像中的每一像元重新分类；(4)判断是否满足终止迭代条件，若是，退出迭代，完成分割；若不是，执行步骤(2)和步骤(3)。
第五步，检查提取效果。验证数据的地表覆盖包括植被、水体、城镇等典型地物，云的类型包括碎云、厚云、薄云。为了定量的分析云检测的精度，通过目视解译的方式，人工勾选出云覆盖区域，利用云像元正确率(CRA)、云像元漏判率(CRM)、晴空像元漏判率(SRM)和晴空像元正确率(SRA)四个指标评价本发明的云检测精度。解决了基于高光谱数据的多种传感器云检测，适用于多种多光谱传感器数据，对数据的要求较低，云检测自动化程度较高，实现了云的精确检测。
当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

Claims (3)

1.一种用于高光谱数据支持的深度学习卫星数据云检测方法，其包括以下步骤：
A、选取足够数量的云和晴空像元构建高光谱数据样本库，根据待检测传感器的光谱响应函数、波段宽度等参数对高光谱像元样本库进行模拟计算，得到待检测传感器的云和晴空地表像元库；
所述步骤A具体的包括：通过人工目视解译，基于多时相影像建立的晴空像元样本库，利用多光谱、高光谱传感器的波谱响应函数，表观反射率以及波段间隔，进行多光谱宽波段数据的模拟，其中，在建立云像元样本库时，样本中要包括厚云、薄云、碎云以及云边缘区域；对于薄云的选择，要考虑不同的下垫面对云的反射率的影响，对植被、水体、城镇、裸地上空的云都要有选取，以多光谱样本像元为基础的，利用数据模拟技术模拟可以得到不同传感器的云和晴空样本像元，针对不同的传感器分别构建样本库；传感器对目标物的光谱响应特性由该波段的波谱范围和响应权重决定；
B、基于Keras深度学习框架平台，设计用于云检测的深层的BP神经网络，将模拟得到多光谱样本数据输入网络，训练学习，得到基于光谱特性的多光谱传感器云检测规则；
C、基于马尔科夫随机场模型，利用迭代条件模式算法对神经网络云检测结果进行优化，去除部分云检测的误分漏分误差。
2.根据权利要求1所述的云检测方法，其特征在于，所述步骤B具体的包括：采用一个具有3个隐含层的深度BP神经网络构建云检测网络框架，利用交叉验证的方法来优化网络参数，保证精度的同时提高训练效率，参数优化主要涉及神经元数量、batch值、dropout值和momentum动量值。
3.根据权利要求1所述的云检测方法，其特征在于，所述步骤C具体的包括：利用马尔科夫随机场，对图像进行标记，得到分类标签数据作为初始值；在进行图像分割时，利用迭代条件模式计算最大后验概率，它以全局能量最小为优化目标，通过迭代更新分类标签，实现局部能量降低，实现对图像进行逐点估计，完成图像分割。
CN201910558170.4A 2019-06-17 2019-06-17 高光谱数据支持的深度学习卫星数据云检测方法 Active CN110427818B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910558170.4A CN110427818B (zh) 2019-06-17 2019-06-17 高光谱数据支持的深度学习卫星数据云检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910558170.4A CN110427818B (zh) 2019-06-17 2019-06-17 高光谱数据支持的深度学习卫星数据云检测方法

Publications (2)

Publication Number Publication Date
CN110427818A CN110427818A (zh) 2019-11-08
CN110427818B true CN110427818B (zh) 2022-06-28

Family

ID=68408743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910558170.4A Active CN110427818B (zh) 2019-06-17 2019-06-17 高光谱数据支持的深度学习卫星数据云检测方法

Country Status (1)

Country Link
CN (1) CN110427818B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191514B (zh) * 2019-12-04 2023-09-01 中国地质大学（武汉） 一种基于深度学习的高光谱图像波段选择方法
CN111104888A (zh) * 2019-12-04 2020-05-05 山东科技大学 Aviris高分辨率数据支持的云检测算法自动生成技术
CN111539366B (zh) * 2020-04-29 2023-10-13 中国人民解放军61540部队 一种晴空条件下海上雾霾遥感识别方法及系统
CN111783555A (zh) * 2020-06-08 2020-10-16 山东科技大学 一种使用统一样本的深度学习卫星数据云检测算法
CN112966710B (zh) * 2021-02-01 2021-11-30 中国人民解放军国防科技大学 基于线性判别分析的fy-3d红外高光谱云检测方法
CN113096129B (zh) * 2021-06-08 2021-09-10 自然资源部国土卫星遥感应用中心 高光谱卫星影像中的云量检测方法和装置
CN117197269A (zh) * 2023-08-31 2023-12-08 北华航天工业学院 一种基于深度学习模型的高光谱影像模拟方法
CN117409334B (zh) * 2023-10-16 2024-04-23 中国科学院空天信息创新研究院 一种基于静止卫星遥感数据的气溶胶类型识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103235890A (zh) * 2013-04-28 2013-08-07 南京信大高科技发展有限公司 卫星短时临近降水预报系统及降水预报方法
CN106991493A (zh) * 2017-03-17 2017-07-28 浙江工商大学 基于灰色神经网络组合模型的污水处理出水参数预测方法
CN109101894A (zh) * 2018-07-19 2018-12-28 山东科技大学 一种地表类型数据支持的遥感图像云阴影检测方法
CN109283148A (zh) * 2018-09-30 2019-01-29 核工业北京地质研究院 一种基于光谱信息自动识别岩石矿物的方法
CN109583425A (zh) * 2018-12-21 2019-04-05 西安电子科技大学 一种基于深度学习的遥感图像船只集成识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103235890A (zh) * 2013-04-28 2013-08-07 南京信大高科技发展有限公司 卫星短时临近降水预报系统及降水预报方法
CN106991493A (zh) * 2017-03-17 2017-07-28 浙江工商大学 基于灰色神经网络组合模型的污水处理出水参数预测方法
CN109101894A (zh) * 2018-07-19 2018-12-28 山东科技大学 一种地表类型数据支持的遥感图像云阴影检测方法
CN109283148A (zh) * 2018-09-30 2019-01-29 核工业北京地质研究院 一种基于光谱信息自动识别岩石矿物的方法
CN109583425A (zh) * 2018-12-21 2019-04-05 西安电子科技大学 一种基于深度学习的遥感图像船只集成识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Temporal Updating Scheme for Probabilistic Neural Network with Application to Satellite Cloud Classification;Bin Tian 等;《IEEE TRANSACTIONS ON NEURAL NETWORKS》;20000731;摘要，第I-III节 *
基于 BP 神经网络的风云四号遥感图像云检测算法;高军 等;《红外与毫米波学报》;20180831;第477-482页 *

Also Published As

Publication number Publication date
CN110427818A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN110427818B (zh) 高光谱数据支持的深度学习卫星数据云检测方法
CN108985238B (zh) 联合深度学习和语义概率的不透水面提取方法及系统
Wangchuk et al. Mapping of glacial lakes using Sentinel-1 and Sentinel-2 data and a random forest classifier: Strengths and challenges
CN113128134B (zh) 一种矿区生态环境演变驱动因子权重量化分析方法
CN110174359B (zh) 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法
Hu et al. Estimating impervious surfaces from medium spatial resolution imagery using the self-organizing map and multi-layer perceptron neural networks
CN110333554B (zh) Nriet暴雨智能相似分析方法
Wang et al. Mapping mixed vegetation communities in salt marshes using airborne spectral data
Langford et al. Wildfire mapping in Interior Alaska using deep neural networks on imbalanced datasets
CN111783555A (zh) 一种使用统一样本的深度学习卫星数据云检测算法
CN112381013B (zh) 基于高分辨率遥感影像的城市植被反演方法及系统
CN112200362B (zh) 一种滑坡的预测方法、装置、设备和存储介质
Biard et al. Automated detection of weather fronts using a deep learning neural network
Guirado et al. Deep-learning convolutional neural networks for scattered shrub detection with google earth imagery
CN113221765A (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
CN111104888A (zh) Aviris高分辨率数据支持的云检测算法自动生成技术
CN112001121B (zh) 基于太阳辐射的大面积平缓地区预测性土壤制图方法
CN115512247A (zh) 基于图像多参数提取的区域建筑损伤等级评定方法
CN114813651A (zh) 一种结合差分学习率与光谱几何特征的遥感水质反演方法
Liu et al. Hyperspectral infrared sounder cloud detection using deep neural network model
CN113642475B (zh) 基于卷积神经网络模型的大西洋飓风强度估算方法
Asming et al. Processing and classification of landsat and sentinel images for oil palm plantation detection
CN117075138A (zh) 一种区域30米森林冠层高度遥感测算方法、系统及介质
Nimbalkar et al. Optimal band configuration for the roof surface characterization using hyperspectral and LiDAR imaging
Andreev et al. Cloud detection from the Himawari-8 satellite data using a convolutional neural network

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Jia Shang Feng

Inventor after: Wang Chunxiang

Inventor before: Jia Shang Feng

Inventor before: Sun Lin

Inventor before: Wang Chunxiang

GR01 Patent grant
GR01 Patent grant