CN110849821A - 基于贝叶斯定理的黑臭水体遥感识别方法 - Google Patents
基于贝叶斯定理的黑臭水体遥感识别方法 Download PDFInfo
- Publication number
- CN110849821A CN110849821A CN201911100951.5A CN201911100951A CN110849821A CN 110849821 A CN110849821 A CN 110849821A CN 201911100951 A CN201911100951 A CN 201911100951A CN 110849821 A CN110849821 A CN 110849821A
- Authority
- CN
- China
- Prior art keywords
- black
- water body
- odorous water
- remote sensing
- data
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000003595 spectral effect Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000010561 standard procedure Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 10
- 238000002310 reflectometry Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000033116 oxidation-reduction process Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
- G01N2021/3148—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths using three or more wavelengths
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于贝叶斯定理的黑臭水体遥感识别方法,包括如下步骤:S1、数据采集和预处理;S2、光谱数据分析;S3、光谱特征的选取;S4、基础概率获取;S5、阈值选取,基于贝叶斯定理得到黑臭水体光谱特征指数的阈值,以一种客观、标准的方法来进行阈值分割,为黑臭水体的监测提供科学依据和技术支持,本发明最大的优势是在分析过程中充分考虑样本与研究区的基础概率,通过贝叶斯定理将基于样本得到的先验概率转化为后验概率,使结果更加符合研究区的客观特征,同时,本发明将经验阈值改进为区域自适应阈值,大大降低了阈值选取时的主观因素影响,在实际应用时具有良好普适性,对今后的黑臭水体识别具有指导作用。
Description
技术领域
本发明涉及哨兵二号地物遥感识别技术领域,具体为基于贝叶斯 定理的黑臭水体遥感识别方法。
背景技术
传统水体监测方法主要基于资料收集、人工(抽样)实地调查和公 众监督举报,此方法不仅效率低下,耗费大量的人力、物力、财力,且 不能全面反映区域内的水质状况,甚至出现人为(感官)、外在环境误 差,更不必说所获结果的时间连续性和地域广泛性,容易出现盲区、死 角,使监测效果大打折扣;
近年来卫星遥感技术因其监测范围广、周期短、成本低、信息量 大的优势快速在环境监测中扎稳脚跟。通过长期监测,我们在大批高 空间分辨率的遥感数据中利用黑臭水体的特性逐渐掌握它的分布情 况和变化规律,这为黑臭水体的监测及研究提供了有力保障,对国家 环境治理评估有着重要意义;
目前来看,黑臭水体遥感监测领域仍处于起步阶段,前人主要基 于可见光波段构造光谱特征指数,通过阈值分割的方法进行黑臭水体 提取,但所选定的阈值都是依赖主观经验进行判断,缺少统一标准, 并且在实际应用过程中,忽略了实验样本和研究区具体情况的差异, 没有考虑基础概率对阈值的影响,从而导致所选定的阈值对实验样本 效果很好,但实际开展工程应用时精度较差。
发明内容
本发明提供基于贝叶斯定理的黑臭水体遥感识别方法,可以有效 解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于贝叶斯定理的 黑臭水体遥感识别方法,包括如下步骤:
S1、数据采集和预处理;
S2、光谱数据分析;
S3、光谱特征的选取;
S4、基础概率获取;
S5、阈值选取。
与现有技术相比,本发明的有益效果:本发明结构科学合理,使 用安全方便,基于贝叶斯定理得到黑臭水体光谱特征指数的阈值,以 一种客观、标准的方法来进行阈值分割,为黑臭水体的监测提供科学 依据和技术支持,前人研究主要是基于可见光波段构造黑臭水体光谱 特征指数,如BOI、WCI、NDBWI等,依据经验阈值进行分割来提取黑 臭水体,但是在操作过程中一方面因为经验阈值受主观经验影响,关 于阈值的划分缺少统一标准,不利于工程化应用推广,另一方面传统 方法在进行阈值分割时未考虑样本的基础概率,因此样本的代表性以 及基于样本得到的结论有待商议,进而大大影响实际应用的精度,本 发明最大的优势是在分析过程中充分考虑样本与研究区的基础概率, 通过贝叶斯定理将基于样本得到的先验概率转化为后验概率,使结果 更加符合研究区的客观特征,同时,本发明将经验阈值改进为区域自 适应阈值,大大降低了阈值选取时的主观因素影响,在实际应用时具 有良好普适性,对今后的黑臭水体识别具有指导作用。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部 分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限 制。
在附图中:
图1实验处理过程;
图2研究区哨兵二号影像;
图3黑臭水体与一般水体的光谱曲线;
图4黑臭水体和一般水体的BOI值箱状图;
图5柯尔莫戈洛夫-斯米诺夫检验结果;
图6黑臭水体线性插值查找表(部分);
图7清洁水体线性插值查找表(部分);
图8实验样本经验阈值划分图;
图9大厂回族自治县的识别黑臭水体。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处 所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发 明。
实施例:本发明提供技术方案,基于贝叶斯定理的黑臭水体遥感 识别方法,包括如下步骤:
S1、数据采集和预处理;
S2、光谱数据分析;
S3、光谱特征的选取;
S4、基础概率获取;
S5、阈值选取。
本发明的实验过程如图1所示,各部分具体实施细节如下:
1、数据采集和预处理:
本实验以河北省廊坊市为研究区,在2019年5月通过野外调查 选取了80个坑塘点位,采集了各点位的水质参数数据,水质参数数 据包括氧化还原电位、透明度、溶解氧和氨氮,除氨氮是采集水样送 实验室分析外,其余均在现场测量获得,按照《城市黑臭水体整治工 作指南》相关规定,根据所获取的水质参数数据将80个点位分成清 洁水体和黑臭水体,获取同期过境的哨兵二号卫星影像(分辨率10m), 对数据进行预处理,包括辐射定标、大气校正、几何校正、拼接和裁 剪等,得到研究区数据(图2),获取80个实验点位的卫星各波段数 据,B1-B4依次表示蓝波段、绿波段、红波段和近红外波段,将所有 数据整理形成样本数据集;
2、光谱数据分析:
根据卫星光谱数据分析黑臭水体和一般水体的光谱特征差异,通 过对二者的比较并结合专家知识确定黑臭水体和一般水体在可见光 波段范围内存在明显差异,主要有两点:一是整体反射率高低存在差 异,二是绿-红波段间光谱曲线斜率存在差异,系统提取一些有代表 性的黑臭水体和一般水体的光谱特征;
如图3所示,黑臭水体因水色存在不同程度的发黑,因此在可见 光范围的遥感反射率较低,光谱曲线整体位于清洁水体的下方,可以 看出,从蓝波段到绿波段,黑臭水体反射率相对于一般水体反射率上 升缓慢,斜率较小,绿波段与红波段反射率大体相当,绿-红波段斜 率绝对值较小,整体较为平缓,而清洁水体的绿波段明显高于红波段, 绿-红波段斜率绝对值较大,在绿波段存在明显的尖峰。
3、光谱特征指数的选取
根据光谱数据分析结果,选取BOI指数作为识别黑臭水体的特 征,BOI计算方法如下:
选择BOI指数的原因有三,首先该指数的分母表示红、绿、蓝三 个波段反射率之和,能够反映可见光波段的总体反射率高低情况;其 次,分子部分表示绿、红波段反射率之差,该差值与绿-红波段的斜 率只相差一个常数,即绿-红波段的中心波长距离,因此分子不分可 以反映绿-红波段的斜率差异,也就是绿-红波段的光谱曲线平缓程 度;最后,BOI指数的计算过程是一种近似的归一化过程,将原始的 光谱数据进行压缩,映射到-1~1之间,使得数据的分布更为连续, 不容易出现奇异值,使后续的正态分布估计或线性插值估计更为准 确;
图4是将样本对应的BOI指数生成的箱状图,从而利于剔除奇异 值,使结果更加精确。
4、基础概率的获取:
基础概率的获取可通过大量抽样调查或者查阅研究区历史数据 获得,本次实验查阅了廊坊市历史数据,在2018年廊坊市共采集487 个坑塘水样,其中83个为黑臭水体,404个为清洁水体,据此计算 廊坊市坑塘水体中黑臭水体和清洁水体的基础概率,分别记为PA和 PB,最终确定PA=0.17,PB=0.83。
5、阈值选取:
S为黑臭水体和清洁水体的BOI指数取值范围,S=[-1,1],步长 设为0.05,等步长地将S分割成若干个子空间,每一个子空间用ik表 示,对于每一个子空间ik,黑臭水体落入ik的概率记为P(ik|A),清洁 水体落入ik的概率记为P(ik|B),后验概率P(A|ik)表示“落入子空间ik中 的水体属于黑臭水体的概率”,实际上,P(A|ik)也就是利用子空间ik来 提取黑臭水体的准确率,因黑臭水体和清洁水体属于互不相容事件, 根据贝叶斯定理,后验概率P(A|ik)可以表示为:
P(A|ik)=(P(ik|A)*PA)/[P(ik|A)*PA+ P(ik|B)*PB] (2);
从式(2)可见,后验概率P(A|ik)只受4个参数决定,分别是PA、PB、P(ik|A)和P(ik|B),其中PA、PB即研究区域黑臭水体和清洁水体的 基础概率,在步骤2种通过查阅历史资料或随机抽样调查获得, P(ik|A)和P(ik|B)需要对两类水体的BOI指数分布函数进行估计,通过 计算得到,这里采用正态分布检验的方法进行计算,使用柯尔莫戈洛 夫-斯米诺夫检验(图5)发现,本次实验样本中黑臭水体和清洁水 体的BOI指数可以视作近似的正态分布,分别计算两类水体的期望和 方差,黑臭水体记为服从期望μ1、方差σ1 2的正态分布X~N(μ1,σ1 2), 同样地,清洁水体记为Y~N(μ2,σ2 2),通过正态分布概率密度函数在 子空间ik上进行积分可以得到P(ik|A)和P(ik|B);
计算公式如下:
其中x1和x2分别指子空间ik的上边界和下边界。
如果数据不服从正态分布,可以使用线性插值的方法,通过构建 查找表计算P(ik|A)和P(ik|B),使用EXCEL中的PERCENTILE函数,以 黑臭水体为例,逐次计算不同百分位数下对应的黑臭水体BOI值,建 立查找表,对于指定的子空间ik=(x1,x2],在表中查找与x1和x2 最接近的值,其对应的百分位数之差便是黑臭水体落入子空间ik的概 率,即P(ik|A);
同样地,建立清洁水体的查找表,通过查找表计算P(ik|B)。
图6和图7分别为基于实验样本数据建立的黑臭水体查找表和清 洁水体查找表;
将PA、PB、P(ik|A)和P(ik|B)代入公式(2)进行计算,得到子空 间ik中黑臭水体的概率,考虑到70%是一个工程化应用可以接受的准 确率,因此将后验概率P(A|ik)大于70%的子空间进行合并,最终得到 的集合即为用于提取研究区黑臭水体的阈值范围;
针对廊坊市实验样本,使用正态分布估计得到的阈值范围为 [-1,0.038],使用线性插值方法得到的阈值范围为[-1,0.046],两种 结果大体相近,表明本方法对各种情况均适用;
本次实验采用正态分布估计得到的阈值分割结果如图8所示,它 清晰地划分了黑臭水体和清洁水体的判别区域;
最后,结合验证样本评估精度,其中廊坊市大厂回族自治县中命 中的黑臭水体的结果如图9中红色部分所示。
至此基于贝叶斯定理的黑臭水体遥感识别工作完成。选用高分二 号影像进行验证,也达到了很好的提取效果,可以满足对黑臭水体遥 感识别较高精度的需求。
最后应说明的是:以上所述仅为本发明的优选实例而已,并不用 于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对 于本领域的技术人员来说,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。凡在本发明 的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含 在本发明的保护范围之内。
Claims (1)
1.基于贝叶斯定理的黑臭水体遥感识别方法,其特征在于:包括如下步骤:
S1、数据采集和预处理;
S2、光谱数据分析;
S3、光谱特征的选取;
S4、基础概率获取;
S5、阈值选取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911100951.5A CN110849821B (zh) | 2019-11-12 | 2019-11-12 | 基于贝叶斯定理的黑臭水体遥感识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911100951.5A CN110849821B (zh) | 2019-11-12 | 2019-11-12 | 基于贝叶斯定理的黑臭水体遥感识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110849821A true CN110849821A (zh) | 2020-02-28 |
CN110849821B CN110849821B (zh) | 2022-03-22 |
Family
ID=69600504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911100951.5A Active CN110849821B (zh) | 2019-11-12 | 2019-11-12 | 基于贝叶斯定理的黑臭水体遥感识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110849821B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582181A (zh) * | 2020-05-11 | 2020-08-25 | 北华航天工业学院 | 一种区域尺度大棚内有无作物种植的检测方法 |
CN112766075A (zh) * | 2020-12-31 | 2021-05-07 | 中国冶金地质总局矿产资源研究院 | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 |
WO2023134626A1 (zh) * | 2022-01-11 | 2023-07-20 | 北华航天工业学院 | 一种基于cart分类模型的黑臭水体提取方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599120A (zh) * | 2009-07-07 | 2009-12-09 | 华中科技大学 | 一种遥感影像建筑物识别方法 |
US7983490B1 (en) * | 2007-12-20 | 2011-07-19 | Thomas Cecil Minter | Adaptive Bayes pattern recognition |
CN104777115A (zh) * | 2015-04-13 | 2015-07-15 | 浙江大学 | 基于光谱统计特征提取的水质异常事件检测方法 |
CN107167431A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学院遥感与数字地球研究所 | 一种基于光谱指数模型的黑臭水体识别方法及系统 |
CN107991243A (zh) * | 2016-10-27 | 2018-05-04 | 核工业北京地质研究院 | 一种基于航空高光谱遥感数据的高海拔地区水体提取方法 |
CN108333148A (zh) * | 2018-01-11 | 2018-07-27 | 中国科学院遥感与数字地球研究所 | 一种黑臭水体的识别方法及装置 |
CN108645853A (zh) * | 2018-05-11 | 2018-10-12 | 南京吉泽信息科技有限公司 | 一种黑臭水体遥感识别的比值指数方法 |
CN109374537A (zh) * | 2018-09-30 | 2019-02-22 | 中国科学院遥感与数字地球研究所 | 城市黑臭水体识别方法及装置 |
CN109781626A (zh) * | 2019-03-11 | 2019-05-21 | 王祥 | 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法 |
-
2019
- 2019-11-12 CN CN201911100951.5A patent/CN110849821B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7983490B1 (en) * | 2007-12-20 | 2011-07-19 | Thomas Cecil Minter | Adaptive Bayes pattern recognition |
CN101599120A (zh) * | 2009-07-07 | 2009-12-09 | 华中科技大学 | 一种遥感影像建筑物识别方法 |
CN104777115A (zh) * | 2015-04-13 | 2015-07-15 | 浙江大学 | 基于光谱统计特征提取的水质异常事件检测方法 |
CN107991243A (zh) * | 2016-10-27 | 2018-05-04 | 核工业北京地质研究院 | 一种基于航空高光谱遥感数据的高海拔地区水体提取方法 |
CN107167431A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学院遥感与数字地球研究所 | 一种基于光谱指数模型的黑臭水体识别方法及系统 |
CN108333148A (zh) * | 2018-01-11 | 2018-07-27 | 中国科学院遥感与数字地球研究所 | 一种黑臭水体的识别方法及装置 |
CN108645853A (zh) * | 2018-05-11 | 2018-10-12 | 南京吉泽信息科技有限公司 | 一种黑臭水体遥感识别的比值指数方法 |
CN109374537A (zh) * | 2018-09-30 | 2019-02-22 | 中国科学院遥感与数字地球研究所 | 城市黑臭水体识别方法及装置 |
CN109781626A (zh) * | 2019-03-11 | 2019-05-21 | 王祥 | 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法 |
Non-Patent Citations (1)
Title |
---|
王阳: "基于朴素贝叶斯的高光谱矿物识别", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582181A (zh) * | 2020-05-11 | 2020-08-25 | 北华航天工业学院 | 一种区域尺度大棚内有无作物种植的检测方法 |
CN111582181B (zh) * | 2020-05-11 | 2023-06-09 | 北华航天工业学院 | 一种区域尺度大棚内有无作物种植的检测方法 |
CN112766075A (zh) * | 2020-12-31 | 2021-05-07 | 中国冶金地质总局矿产资源研究院 | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 |
CN112766075B (zh) * | 2020-12-31 | 2021-12-28 | 中国冶金地质总局矿产资源研究院 | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 |
WO2023134626A1 (zh) * | 2022-01-11 | 2023-07-20 | 北华航天工业学院 | 一种基于cart分类模型的黑臭水体提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110849821B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109884664B (zh) | 一种城市地上生物量光学微波协同反演方法及系统 | |
CN110849821B (zh) | 基于贝叶斯定理的黑臭水体遥感识别方法 | |
CN110363246B (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
CN111337434A (zh) | 一种矿区复垦植被生物量估算方法及系统 | |
CN114241331B (zh) | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 | |
CN110826689A (zh) | 一种基于深度学习的预测县级单位时序gdp的方法 | |
CN116012726A (zh) | 一种基于深度学习的黑臭水体遥感监测分级方法 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
CN102073867A (zh) | 一种遥感图像分类方法及装置 | |
CN113887493B (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
CN115880586A (zh) | 基于混合特征网络的卫星遥感影像云雪检测方法 | |
CN112697218B (zh) | 一种水库库容曲线重构方法 | |
Chen et al. | A new method for automated monitoring of road pavement aging conditions based on recurrent neural network | |
CN112347926B (zh) | 基于建筑形态分布的高分辨率影像城中村检测方法 | |
CN107239886B (zh) | 基于高分卫星遥感数据的gdp密度分析系统 | |
CN111126234B (zh) | 一种基于多源卫星影像的船舶自动识别方法 | |
CN112861712A (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
CN112016845A (zh) | 基于dnn与cim的区域经济效益评估方法与系统 | |
CN113779863B (zh) | 一种基于数据挖掘的地表温度降尺度方法 | |
CN116229288A (zh) | 基于无人机多光谱影像的城市河道tsm浓度反演方法 | |
CN112052720B (zh) | 一种基于直方图聚类的高时空归一化植被指数ndvi的融合模型 | |
CN112200619A (zh) | 遥感数据与社会调查结合的区域经济发展估算方法及系统 | |
CN117649612B (zh) | 基于混合算法的卫星高光谱遥感数据地表水体提取方法 | |
CN112528555B (zh) | 一种土壤水分图绘制方法及装置 |
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 |