CN111007021A - 基于一维卷积神经网络的高光谱水质参数反演系统及方法 - Google Patents
基于一维卷积神经网络的高光谱水质参数反演系统及方法 Download PDFInfo
- Publication number
- CN111007021A CN111007021A CN201911419436.3A CN201911419436A CN111007021A CN 111007021 A CN111007021 A CN 111007021A CN 201911419436 A CN201911419436 A CN 201911419436A CN 111007021 A CN111007021 A CN 111007021A
- Authority
- CN
- China
- Prior art keywords
- water quality
- quality parameter
- hyperspectral
- neural network
- point
- 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
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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于一维卷积神经网络的高光谱水质参数反演系统,该系统通过地面点光谱实测模块用于测量选定点处水体的高光谱数据;所述水质采集分析模块用于采集选定点处的水体样本并分析得到水质参数浓度;所述反演模型构建模块用于以所述全部光谱波段信息为输入,以水质参数浓度为输出,训练一维卷积神经网络的参数以拟合光谱波段信息与水质参数浓度间复杂的非线性关系;所述高光谱数据获取模块用于采集监测水域的高光谱遥感图像,并得到各点光谱波段的遥感反射率;所述水质参数反演模块用于以所述各点的光谱波段信息作为输入,反演得到监测水域中各点的水质参数浓度,同时该系统无需增加波段筛选子模块,充分利用所有波段信息。
Description
技术领域
本发明属于高光谱遥感水质监测的技术领域,具体而言,涉及一种基于一维卷积神经网络的高光谱水质参数反演系统及方法。
背景技术
我国河流湖泊众多,且随着整个国家工业化和城市化进程的不断加快,我国内陆水体水质状况持续恶化,出现了富营养化、水体面积萎缩等现象,因此监测内陆水体异常情况并做出正确的应对措施具有重要的战略意义。水质参数是自然环境下影响水体光学性质的光学活性物质,包括叶绿素a、悬浮物和黄色物质,能够衡量水域富营养化程度和透明度。水质参数所引起的水体光学性质变化反映在离水辐射的光谱信息上,通过处理和分析这些光谱特征,可以得到相应的水质参数浓度,从而实现水体监测。
高光谱数据是由相同场景下不同谱段的三维图像数据构成,包含了地表物体的空间维信息和数十至数百个连续窄波段光谱维信息,其光谱分辨率达到了纳米数量级。随着高光谱遥感技术的不断发展,高光谱遥感被广泛地应用于水质监测领域,具有高精度、低成本、快速、大范围、周期性动态监测的特点,拥有良好的应用前景。
基于高光谱遥感数据反演水质参数的方法主要分为三类:
经验或半经验模型,即直接或利用一部分参数的光学特性,建立遥感数据与水质参数浓度的定量经验模型,该方法简单便捷,但因限制于特定的水体和环境条件,通用性和适用性均受到较大限制;
基于生物光学模型的分析方法,具有物理意义明确、通用性和反演精度高、可同时反演出多种水质参数等优点,但模型构建复杂;
基于机器学习模型的方法与经验或半经验模型类似,均基于遥感数据和水质参数浓度的统计关系,常用方法有支持向量机模型、BP神经网络模型、偏最小二乘法等。
2019年有学者提出了基于卷积神经网络的水质反演方法,该方法用于利用二维卷积神经网络,输入一个具有一定宽度和高度的高光谱图像块,提取空间和光谱特征,输出水质参数的浓度,但这种方法在野外实测时需要利用地物光谱仪测量一定宽度和高度水体内每个点的光谱信息,且需要采集该水体块内每点的水样,化验分析得到其水质参数浓度,测量过程较为复杂繁琐且难以保证测量结果的精确性。
上述传统的水质参数反演方法通常需要计算波段或波段组合与水质参数浓度的相关系数,选取相关系数高的波段或波段组合以构建反演模型,但会损失部分波段信息,导致反演精度降低。
发明内容
鉴于此,为了解决现有技术存在的上述问题,本发明的目的在于提供一种基于一维卷积神经网络的高光谱水质参数反演系统及方法以拟合光谱波段信息与水质参数浓度间复杂的非线性关系,同时该系统无需增加波段筛选子模块,充分利用所有波段信息。
本发明所采用的技术方案为:一种基于一维卷积神经网络的高光谱水质参数反演系统,该系统包括地面点光谱实测模块、水质采集分析模块、反演模型构建模块、高光谱遥感数据获取模块和水质参数反演模块,所述地面点光谱实测模块用于测量选定点处水体的高光谱数据,高光谱数据经预处理后得到全部光谱波段信息;
所述水质采集分析模块用于采集选定点处的水体样本并分析得到水质参数浓度;
所述反演模型构建模块用于以所述全部光谱波段信息为输入,以水质参数浓度为输出,训练一维卷积神经网络的参数,并拟合所述高光谱数据与水质参数浓度之间的非线性关系;
所述高光谱数据获取模块用于采集监测水域的高光谱遥感图像,经预处理后得到高光谱遥感图像中各点的光谱波段信息;
所述水质参数反演模块用于以所述各点的光谱波段信息作为输入,反演得到监测水域中各点的水质参数浓度。
进一步地,所述地面点光谱实测模块采用手持式地物光谱仪,且该手持式地物光谱仪与所述水质采集分析模块对地面的选定点进行同步测量。
进一步地,所述高光谱数据获取模块通过无人机载高光谱相机采集监测水域的高光谱遥感图像。
进一步地,所述手持式地物光谱仪的光谱波段设置与无人机载高光谱相机的光谱波段设置一致。
进一步地,所述一维卷积神经网络包括四个一维卷积层、两个池化层、一个Dropout层和至少两个全连接层,所述一维卷积层包括卷积层、批量归一化层和ReLU激活函数层。
一种基于一维卷积神经网络的高光谱水质参数反演方法,该方法包括:
测量选定点处水体的高光谱数据,高光谱数据经预处理后得到全部光谱波段信息;
采集选定点处的水体样本并分析得到水质参数浓度;
基于一维卷积神经网络,以所述全部光谱波段信息为输入,以水质参数浓度为输出,训练一维卷积神经网络的参数,并拟合所述高光谱数据与水质参数浓度之间的非线性关系;
采集监测水域的高光谱遥感图像,经预处理后得到高光谱遥感图像中各点的光谱波段信息;
以所述各点的光谱波段信息作为输入,通过训练后的一维卷积神经网络反演得到监测水域中各点的水质参数浓度。
进一步地,训练一维卷积神经网络参数包括:
a.初始化一维卷积神经网络中所有的参数,依次输入各选定点所测量得到的全部光谱信息,输出得到预测的水质参数浓度;
b.通过损失函数比较预测的水质参数浓度和实测的水质参数浓度之间的差异;
c.根据后向传播算法最小化损失函数,并依次更新一维卷积神经网络中的各参数;
d.重复上述步骤a-c,直至误差达到所需精度。
进一步地,所述损失函数为均方根误差函数RMSE:
进一步地,对高光谱遥感图像的预处理包括辐射定标、几何校正、大气校正、水体区域裁剪和归一化处理。
进一步地,所述高光谱数据的采集采用水面以上测量法测量,且对高光谱数据的预处理包括辐射定标、大气校正和归一化处理。
本发明的有益效果为:
1.采用本发明所公开的基于一维卷积神经网络的高光谱水质参数反演系统及方法,其只需要测量选定地面点处的光谱信息和水质参数浓度对一维卷积神经网络进行训练,较为精确地拟合光谱波段信息与水质参数浓度间复杂的非线性关系,再通过高光谱遥感图像所蕴含的丰富光谱信息作为输入,利用基于一维卷积神经网络的水质参数反演系统能够反演多种水质参数浓度,以能够实现高精度、低成本、快速、大范围以及周期性的动态水质参数监测。
附图说明
图1是本发明提供的基于一维卷积神经网络的高光谱水质参数反演系统的系统架构图;
图2是本发明提供的基于一维卷积神经网络的高光谱水质参数反演方法的工作流程示意图;
图3是本发明提供的基于一维卷积神经网络的高光谱水质参数反演方法中一维卷积神经网络的结构图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。相反,本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
实施例1
如图1所示,在本实施例中具体提供了一种基于一维卷积神经网络的高光谱水质参数反演系统,该系统通过构建地面点实测与航空高光谱遥感相结合,利用一维卷积神经网络能够拟合复杂非线性关系的优越特性,更加精确地反演水质参数浓度。
该系统包括地面点光谱实测模块、水质采集分析模块、反演模型构建模块、高光谱遥感数据获取模块和水质参数反演模块,所述地面点光谱实测模块和水质采集分析模块分别与反演模型构建模块通信连接,反演模型构建模块与水质参数反演模块通信连接,且水质参数反演模块与高光谱遥感数据获取模块通信连接。
以地面点光谱实测模块、水质采集分析模块、高光谱遥感数据获取模块作为野外实测部分,用以获取水体的高光谱数据和实测的水质参数浓度。具体如下:
所述地面点光谱实测模块用于测量选定点处水体的高光谱数据,高光谱数据经预处理后得到全部光谱波段信息,在本实施例中,优选的采用手持式地物光谱仪,且该手持式地物光谱仪与所述水质采集分析模块对地面的选定点进行同步测量。
所述水质采集分析模块用于采集选定点处的水体样本并分析得到水质参数浓度,测量选定点的水质参数浓度需要采集该选定点处水体样本,经过化学分析后得到包括叶绿素a、黄色物质、悬浮物等的各种水质参数浓度。
所述高光谱数据获取模块用于采集监测水域的高光谱遥感图像,获取整条水体的高光谱遥感图像,在本实施例中,采用无人机载高光谱相机采集监测水域的高光谱遥感图像,且应当将手持式地物光谱仪的光谱波段设置与无人机载高光谱相机的光谱波段设置一致;经预处理后得到高光谱遥感图像中各点的光谱波段信息。
以第一数据预处理模块、第二数据预处理模块、反演模型构建模块、水质参数反演模块作为反演水质参数浓度的软件处理部分,以精确地反演水质参数浓度,具体如下:
所述第一数据预处理模块、第二数据预处理模块均用于减小或消除大气辐射、测量角度变化等因素的影响,其中,第一数据预处理模块用于对手持式地物光谱仪采集到的光谱数据进行辐射定标、大气校正和归一化处理;由于航空高光谱遥感获得的数据不可避免地涵盖陆地和植被区域,因此,通过第二数据预处理模块对无人机载高光谱相机采集的数据进行辐射定标、几何校正、大气校正、水体区域裁剪和归一化处理。
所述反演模型构建模块用于以所述全部光谱波段信息为输入,以水质参数浓度为输出,训练一维卷积神经网络的参数,并拟合所述高光谱数据与水质参数浓度之间的非线性关系;所述一维卷积神经网络包括四个一维卷积层、两个池化层、一个Dropout层和至少两个全连接层,所述一维卷积层包括卷积层、批量归一化层和ReLU激活函数层,如图2所示的一维卷积神经网络结构以同时输出三个不同水质参数的浓度为例,如需输出更多水质参数浓度,可在Dropout层后增加全连接层的数量。
整个一维卷积神经网络具体的参数如下:卷积核的尺寸与数量、池化层的过滤器尺寸、Dropout层的比率,可在实际应用中根据需要进行调整以使网络具有更好的表现。以输入为80*1的高光谱数据,即输入一个地面样本点的80个光谱波段的遥感反射率为例,第一个一维卷积层和第二个一维卷积层均包含100个尺寸为10的卷积核以提取低层次的特征,输出62*100的矩阵;
将前两个卷积层的输出结果输入进最大值池化层以减小后续输入的复杂程度并防止过拟合,该池化层的过滤器尺寸为3,输出20*100的矩阵;
接着,将该输出结果输入进两个包含200个尺寸为10的卷积核的一维卷积层,以提取更高层次的特征,输出2*200的矩阵;
随后,2*200的矩阵经过过滤器尺寸为2的平均值池化层,得到1*200的矩阵;
最终经过两个由sigmoid函数激活的全连接层,输出层包含一个输出节点,输出一种水质参数的浓度。
所述水质参数反演模块用于以所述各点的光谱波段信息作为输入,调用在反演模型构建模块训练后的一维卷积神经网络,并反演得到监测水域中各点的水质参数浓度,且可通过在Dropout层后添加多个全连接层模块以实现同时得到多种水质参数浓度,并最终绘制出整条监测水域的水质参数浓度分布图。
实施例2
在实施例1的基础上,如图2、图3所示,在本实施例中具体提供了一种基于一维卷积神经网络的高光谱水质参数反演方法,该方法包括:
A.采集选定点处的水体样本并经过化学分析得到水质参数浓度,水质参数浓度包括叶绿素a、黄色物质、悬浮物;
同步测量该选定点处水体的高光谱数据,高光谱数据经预处理后得到全部光谱波段信息;对高光谱数据的采集采用水面以上测量法测量,且对高光谱数据的预处理包括辐射定标、大气校正和归一化处理,以减小或消除大气辐射、测量角度变化等因素的影响。
B.基于一维卷积神经网络,以所述全部光谱波段信息为输入,以水质参数浓度为输出,训练一维卷积神经网络的参数,以拟合所述高光谱数据与水质参数浓度之间的非线性关系,在该步骤中,无需光谱波段筛选子模块,能够充分利用所有光谱波段信息;训练一维卷积神经网络参数包括:
a.初始化一维卷积神经网络中所有的参数,依次输入选定点所测量得到的全部光谱信息,输出得到预测的水质参数浓度;
b.通过损失函数均方根误差(Root Mean Square Error,RMSE)比较预测的水质参数浓度和实测的水质参数浓度之间的差异,即水质参数浓度的预测值和实测值之间的差异;
c.根据后向传播算法最小化损失函数,并依次更新一维卷积神经网络中的各参数;所述损失函数为均方根误差函数RMSE:
d.重复上述步骤a-c,直至误差达到所需精度。
C.采集监测水域的高光谱遥感图像,经预处理后得到高光谱遥感图像中各点的光谱波段信息;对高光谱遥感图像的预处理包括辐射定标、几何校正、大气校正、水体区域裁剪和归一化处理。
D.以所述各点的光谱波段信息作为输入,所述各点的光谱波段信息为高光谱遥感图像中各像元点的所有光谱波段的遥感反射率,通过训练后的一维卷积神经网络反演得到监测水域中各点的水质参数浓度,且能够同时得到多种水质参数浓度,并最终绘制出整条观测水域的水质参数浓度分布图。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于一维卷积神经网络的高光谱水质参数反演系统,其特征在于,该系统包括地面点光谱实测模块、水质采集分析模块、反演模型构建模块、高光谱遥感数据获取模块和水质参数反演模块,所述地面点光谱实测模块用于测量选定点处水体的高光谱数据,高光谱数据经预处理后得到全部光谱波段信息;
所述水质采集分析模块用于采集选定点处的水体样本并分析得到水质参数浓度;
所述反演模型构建模块用于以所述全部光谱波段信息为输入,以水质参数浓度为输出,训练一维卷积神经网络的参数,并拟合所述高光谱数据与水质参数浓度之间的非线性关系;
所述高光谱数据获取模块用于采集监测水域的高光谱遥感图像,经预处理后得到高光谱遥感图像中各点的光谱波段信息;
所述水质参数反演模块用于以所述各点的光谱波段信息作为输入,反演得到监测水域中各点的水质参数浓度。
2.根据权利要求1所述的基于一维卷积神经网络的高光谱水质参数反演系统,其特征在于,所述地面点光谱实测模块采用手持式地物光谱仪,且该手持式地物光谱仪与所述水质采集分析模块对地面的选定点进行同步测量。
3.根据权利要求2所述的基于一维卷积神经网络的高光谱水质参数反演系统,其特征在于,所述高光谱数据获取模块通过无人机载高光谱相机采集监测水域的高光谱遥感图像。
4.根据权利要求3所述的基于一维卷积神经网络的高光谱水质参数反演系统,其特征在于,所述手持式地物光谱仪的光谱波段设置与无人机载高光谱相机的光谱波段设置一致。
5.根据权利要求1所述的基于一维卷积神经网络的高光谱水质参数反演系统,其特征在于,所述一维卷积神经网络包括四个一维卷积层、两个池化层、一个Dropout层和至少两个全连接层,所述一维卷积层包括卷积层、批量归一化层和ReLU激活函数层。
6.一种基于一维卷积神经网络的高光谱水质参数反演方法,其特征在于,该方法包括:
测量选定点处水体的高光谱数据,高光谱数据经预处理后得到全部光谱波段信息;
采集选定点处的水体样本并分析得到水质参数浓度;
基于一维卷积神经网络,以所述全部光谱波段信息为输入,以水质参数浓度为输出,训练一维卷积神经网络的参数,并拟合所述高光谱数据与水质参数浓度之间的非线性关系;
采集监测水域的高光谱遥感图像,经预处理后得到高光谱遥感图像中各点的光谱波段信息;
以所述各点的光谱波段信息作为输入,通过训练后的一维卷积神经网络反演得到监测水域中各点的水质参数浓度。
7.根据权利要求6所述的基于一维卷积神经网络的高光谱水质参数反演方法,其特征在于,训练一维卷积神经网络参数包括:
a.初始化一维卷积神经网络中所有的参数,依次输入各选定点所测量得到的全部光谱信息,输出得到预测的水质参数浓度;
b.通过损失函数比较预测的水质参数浓度和实测的水质参数浓度之间的差异;
c.根据后向传播算法最小化损失函数,并依次更新一维卷积神经网络中的各参数;
d.重复上述步骤a-c,直至误差达到所需精度。
9.根据权利要求6所述的基于一维卷积神经网络的高光谱水质参数反演方法,其特征在于,对高光谱遥感图像的预处理包括辐射定标、几何校正、大气校正、水体区域裁剪和归一化处理。
10.根据权利要求6所述的基于一维卷积神经网络的高光谱水质参数反演方法,其特征在于,所述高光谱数据的采集采用水面以上测量法测量,且对高光谱数据的预处理包括辐射定标、大气校正和归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911419436.3A CN111007021A (zh) | 2019-12-31 | 2019-12-31 | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911419436.3A CN111007021A (zh) | 2019-12-31 | 2019-12-31 | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111007021A true CN111007021A (zh) | 2020-04-14 |
Family
ID=70120042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911419436.3A Pending CN111007021A (zh) | 2019-12-31 | 2019-12-31 | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111007021A (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111504915A (zh) * | 2020-04-27 | 2020-08-07 | 中国科学技术大学先进技术研究院 | 反演水体叶绿素浓度的方法、装置、设备及存储介质 |
CN111680626A (zh) * | 2020-06-09 | 2020-09-18 | 重庆大学 | 一种基于多层卷积神经网络的水环境遥感数据建模方法 |
CN111735772A (zh) * | 2020-05-13 | 2020-10-02 | 中国科学院空天信息创新研究院 | 改进的级联神经网络的高光谱数据地表反射率反演方法 |
CN112051226A (zh) * | 2020-09-03 | 2020-12-08 | 山东省科学院海洋仪器仪表研究所 | 基于无人机载高光谱图像估算近海总悬浮物浓度的方法 |
CN112108263A (zh) * | 2020-09-09 | 2020-12-22 | 海略(连云港)科技有限公司 | 基于涡流过滤器和3D U-Net网络的流体悬浮物分类系统及方法 |
CN112215525A (zh) * | 2020-11-04 | 2021-01-12 | 安徽农业大学 | 一种湖库水质反演及可视化评价方法 |
CN112378866A (zh) * | 2021-01-18 | 2021-02-19 | 航天宏图信息技术股份有限公司 | 水质参数反演模型的训练方法、水质监测方法及装置 |
CN112577909A (zh) * | 2020-11-27 | 2021-03-30 | 河北先河环保科技股份有限公司 | 水质参数的监测方法、装置、设备和存储介质 |
CN112763426A (zh) * | 2020-12-23 | 2021-05-07 | 宁德卫星大数据科技有限公司 | 一种循环优化的高光谱大数据水质全天候动态监测方法 |
CN112880734A (zh) * | 2020-12-31 | 2021-06-01 | 中农新科(苏州)有机循环研究院有限公司 | 一种用于反应器的生物干化过程数字化监测系统 |
CN112929564A (zh) * | 2021-01-21 | 2021-06-08 | 中国科学院空天信息创新研究院 | 离水反射率的获取方法、系统、装置、设备及存储介质 |
CN112950632A (zh) * | 2021-04-18 | 2021-06-11 | 吉林大学 | 一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法 |
CN112986157A (zh) * | 2020-12-23 | 2021-06-18 | 浙江省淡水水产研究所 | 一种养殖水环境预警调控方法、装置及系统 |
CN113109281A (zh) * | 2021-04-13 | 2021-07-13 | 中国科学院成都生物研究所 | 一种基于高光谱遥感的水质参数定量反演模型及其构建方法 |
CN113310909A (zh) * | 2021-05-14 | 2021-08-27 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的水质测定方法及设备 |
CN113552079A (zh) * | 2021-06-17 | 2021-10-26 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于航空高光谱数据的红树林定量反演系统 |
CN113686823A (zh) * | 2021-08-27 | 2021-11-23 | 西安石油大学 | 基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法 |
CN113686788A (zh) * | 2021-09-18 | 2021-11-23 | 重庆星视空间科技有限公司 | 一种基于遥感波段组合的常规水质监测系统和方法 |
CN113780177A (zh) * | 2021-09-10 | 2021-12-10 | 中国科学院南京地理与湖泊研究所 | 一种非接触式实时原位水质监测方法 |
CN114169646A (zh) * | 2021-12-31 | 2022-03-11 | 中科三清科技有限公司 | 水华预测方法、装置、电子设备及计算机可读存储介质 |
CN115211391A (zh) * | 2022-09-21 | 2022-10-21 | 广东省农业科学院动物科学研究所 | 一种基于高光谱遥感技术的鱼虾混养方法 |
CN115963066A (zh) * | 2022-12-30 | 2023-04-14 | 江苏海洋大学 | 一种陆基鱼塘养殖水质光谱检测方法、装置及计算机设备 |
CN116148193A (zh) * | 2023-04-18 | 2023-05-23 | 天津中科谱光信息技术有限公司 | 水质监测方法、装置、设备及存储介质 |
CN116306819A (zh) * | 2023-03-22 | 2023-06-23 | 大连海事大学 | 基于光谱重构的高光谱交叉定标方法、装置及电子设备 |
CN116306322A (zh) * | 2023-05-18 | 2023-06-23 | 天津中科谱光信息技术有限公司 | 一种基于高光谱数据的水体总磷浓度反演方法和装置 |
CN116699096A (zh) * | 2023-08-08 | 2023-09-05 | 凯德技术长沙股份有限公司 | 一种基于深度学习的水质检测方法和系统 |
CN117315470A (zh) * | 2023-09-25 | 2023-12-29 | 湖南省自然资源事务中心 | 基于地空全谱段高光谱数据的水质参数反演系统 |
CN117723497A (zh) * | 2024-02-08 | 2024-03-19 | 上海阿夸斯科技有限公司 | 一种智能随动水质监测系统 |
CN118429818A (zh) * | 2024-07-04 | 2024-08-02 | 中国石油大学(华东) | 一种Sentinel-2卫星影像重构的水体叶绿素a浓度反演方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105158172A (zh) * | 2015-08-22 | 2015-12-16 | 中国城市科学研究会 | 一种内陆ii类水体水色参数遥感反演的分析方法 |
CN108051375A (zh) * | 2017-12-08 | 2018-05-18 | 山东省科学院海洋仪器仪表研究所 | 高光谱成像技术实时监测海洋沉积物剖面物质含量的方法 |
WO2018165605A1 (en) * | 2017-03-09 | 2018-09-13 | Northwestern University | Hyperspectral imaging sensor |
CN109697697A (zh) * | 2019-03-05 | 2019-04-30 | 北京理工大学 | 基于优化启发的神经网络的光谱成像系统的重构方法 |
CN109727207A (zh) * | 2018-12-06 | 2019-05-07 | 华南理工大学 | 基于光谱预测残差卷积神经网络的高光谱图像锐化方法 |
CN110033032A (zh) * | 2019-03-29 | 2019-07-19 | 中国科学院西安光学精密机械研究所 | 一种基于显微高光谱成像技术的组织切片分类方法 |
AU2018278761A1 (en) * | 2017-05-29 | 2019-12-05 | Ecotone As | Method and system for underwater hyperspectral imaging of fish |
-
2019
- 2019-12-31 CN CN201911419436.3A patent/CN111007021A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105158172A (zh) * | 2015-08-22 | 2015-12-16 | 中国城市科学研究会 | 一种内陆ii类水体水色参数遥感反演的分析方法 |
WO2018165605A1 (en) * | 2017-03-09 | 2018-09-13 | Northwestern University | Hyperspectral imaging sensor |
AU2018278761A1 (en) * | 2017-05-29 | 2019-12-05 | Ecotone As | Method and system for underwater hyperspectral imaging of fish |
CN108051375A (zh) * | 2017-12-08 | 2018-05-18 | 山东省科学院海洋仪器仪表研究所 | 高光谱成像技术实时监测海洋沉积物剖面物质含量的方法 |
CN109727207A (zh) * | 2018-12-06 | 2019-05-07 | 华南理工大学 | 基于光谱预测残差卷积神经网络的高光谱图像锐化方法 |
CN109697697A (zh) * | 2019-03-05 | 2019-04-30 | 北京理工大学 | 基于优化启发的神经网络的光谱成像系统的重构方法 |
CN110033032A (zh) * | 2019-03-29 | 2019-07-19 | 中国科学院西安光学精密机械研究所 | 一种基于显微高光谱成像技术的组织切片分类方法 |
Non-Patent Citations (11)
Title |
---|
LIU, WANJUN ET AL.: "Dimensionality-varied convolutional neural network for spectral-spatial classification of hyperspectral data", 《LIDAR IMAGING DETECTION AND TARGET RECOGNITION 2017》 * |
WANG, HONGZHEN ET AL.: "DeepPlane: a unified deep model for aircraft detection and recognition in remote sensing images", 《JOURNAL OF APPLIED REMOTE SENSING》 * |
于重重等: "基于CNN神经网络的小麦不完善粒高光谱检测", 《食品科学》 * |
林剑远 等: "航空高光谱遥感反演城市河网水质参数", 《遥感信息》 * |
汪小勇 等: "水面之上法测量水体光谱的关键技术", 《海洋技术》 * |
涂晔昕: "基于近地高光谱遥感数据的茶树分类和生化参数反演", 《中国优秀博硕士学位论文全文数据库(硕士) 农业科技辑》 * |
田野等: "基于遥感的官厅水库水质监测研究", 《生态学报》 * |
郑友亮: "基于卷积神经网络的沿海水质评价技术研究", 《自动化与信息工程》 * |
闫歌 等: "动态测量的高光谱图像压缩感知", 《中国光学》 * |
陈思明等: "基于不同建模方法的湿地土壤有机质含量多光谱反演", 《土壤通报》 * |
龚旭 等: "《基于高频数据的原油期货价格波动建模与预测研究》", 31 October 2019, 厦门大学出版社 * |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111504915A (zh) * | 2020-04-27 | 2020-08-07 | 中国科学技术大学先进技术研究院 | 反演水体叶绿素浓度的方法、装置、设备及存储介质 |
CN111735772B (zh) * | 2020-05-13 | 2023-07-07 | 中国科学院空天信息创新研究院 | 改进的级联神经网络的高光谱数据地表反射率反演方法 |
CN111735772A (zh) * | 2020-05-13 | 2020-10-02 | 中国科学院空天信息创新研究院 | 改进的级联神经网络的高光谱数据地表反射率反演方法 |
CN111680626A (zh) * | 2020-06-09 | 2020-09-18 | 重庆大学 | 一种基于多层卷积神经网络的水环境遥感数据建模方法 |
CN112051226A (zh) * | 2020-09-03 | 2020-12-08 | 山东省科学院海洋仪器仪表研究所 | 基于无人机载高光谱图像估算近海总悬浮物浓度的方法 |
CN112051226B (zh) * | 2020-09-03 | 2022-10-21 | 山东省科学院海洋仪器仪表研究所 | 基于无人机载高光谱图像估算近海总悬浮物浓度的方法 |
CN112108263A (zh) * | 2020-09-09 | 2020-12-22 | 海略(连云港)科技有限公司 | 基于涡流过滤器和3D U-Net网络的流体悬浮物分类系统及方法 |
CN112215525A (zh) * | 2020-11-04 | 2021-01-12 | 安徽农业大学 | 一种湖库水质反演及可视化评价方法 |
CN112215525B (zh) * | 2020-11-04 | 2023-06-23 | 安徽农业大学 | 一种湖库水质反演及可视化评价方法 |
CN112577909A (zh) * | 2020-11-27 | 2021-03-30 | 河北先河环保科技股份有限公司 | 水质参数的监测方法、装置、设备和存储介质 |
CN112763426A (zh) * | 2020-12-23 | 2021-05-07 | 宁德卫星大数据科技有限公司 | 一种循环优化的高光谱大数据水质全天候动态监测方法 |
CN112986157A (zh) * | 2020-12-23 | 2021-06-18 | 浙江省淡水水产研究所 | 一种养殖水环境预警调控方法、装置及系统 |
CN112880734A (zh) * | 2020-12-31 | 2021-06-01 | 中农新科(苏州)有机循环研究院有限公司 | 一种用于反应器的生物干化过程数字化监测系统 |
CN112378866A (zh) * | 2021-01-18 | 2021-02-19 | 航天宏图信息技术股份有限公司 | 水质参数反演模型的训练方法、水质监测方法及装置 |
CN112929564A (zh) * | 2021-01-21 | 2021-06-08 | 中国科学院空天信息创新研究院 | 离水反射率的获取方法、系统、装置、设备及存储介质 |
CN112929564B (zh) * | 2021-01-21 | 2022-05-06 | 中国科学院空天信息创新研究院 | 离水反射率的获取方法、系统、装置、设备及存储介质 |
CN113109281A (zh) * | 2021-04-13 | 2021-07-13 | 中国科学院成都生物研究所 | 一种基于高光谱遥感的水质参数定量反演模型及其构建方法 |
CN113109281B (zh) * | 2021-04-13 | 2022-11-29 | 中国科学院成都生物研究所 | 一种基于高光谱遥感的水质参数定量反演模型及其构建方法 |
CN112950632B (zh) * | 2021-04-18 | 2022-10-14 | 吉林大学 | 一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法 |
CN112950632A (zh) * | 2021-04-18 | 2021-06-11 | 吉林大学 | 一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法 |
CN113310909A (zh) * | 2021-05-14 | 2021-08-27 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的水质测定方法及设备 |
CN113310909B (zh) * | 2021-05-14 | 2022-04-26 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的水质测定方法及设备 |
CN113552079A (zh) * | 2021-06-17 | 2021-10-26 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于航空高光谱数据的红树林定量反演系统 |
CN113686823B (zh) * | 2021-08-27 | 2024-01-23 | 西安石油大学 | 基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法 |
CN113686823A (zh) * | 2021-08-27 | 2021-11-23 | 西安石油大学 | 基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法 |
CN113780177A (zh) * | 2021-09-10 | 2021-12-10 | 中国科学院南京地理与湖泊研究所 | 一种非接触式实时原位水质监测方法 |
CN113686788A (zh) * | 2021-09-18 | 2021-11-23 | 重庆星视空间科技有限公司 | 一种基于遥感波段组合的常规水质监测系统和方法 |
CN114169646A (zh) * | 2021-12-31 | 2022-03-11 | 中科三清科技有限公司 | 水华预测方法、装置、电子设备及计算机可读存储介质 |
CN115211391A (zh) * | 2022-09-21 | 2022-10-21 | 广东省农业科学院动物科学研究所 | 一种基于高光谱遥感技术的鱼虾混养方法 |
CN115211391B (zh) * | 2022-09-21 | 2022-12-09 | 广东省农业科学院动物科学研究所 | 一种基于高光谱遥感技术的鱼虾混养方法 |
CN115963066A (zh) * | 2022-12-30 | 2023-04-14 | 江苏海洋大学 | 一种陆基鱼塘养殖水质光谱检测方法、装置及计算机设备 |
CN116306819A (zh) * | 2023-03-22 | 2023-06-23 | 大连海事大学 | 基于光谱重构的高光谱交叉定标方法、装置及电子设备 |
CN116306819B (zh) * | 2023-03-22 | 2024-05-03 | 大连海事大学 | 基于光谱重构的高光谱交叉定标方法、装置及电子设备 |
CN116148193A (zh) * | 2023-04-18 | 2023-05-23 | 天津中科谱光信息技术有限公司 | 水质监测方法、装置、设备及存储介质 |
CN116148193B (zh) * | 2023-04-18 | 2023-07-18 | 天津中科谱光信息技术有限公司 | 水质监测方法、装置、设备及存储介质 |
CN116306322A (zh) * | 2023-05-18 | 2023-06-23 | 天津中科谱光信息技术有限公司 | 一种基于高光谱数据的水体总磷浓度反演方法和装置 |
CN116306322B (zh) * | 2023-05-18 | 2023-08-25 | 天津中科谱光信息技术有限公司 | 一种基于高光谱数据的水体总磷浓度反演方法和装置 |
CN116699096B (zh) * | 2023-08-08 | 2023-11-03 | 凯德技术长沙股份有限公司 | 一种基于深度学习的水质检测方法和系统 |
CN116699096A (zh) * | 2023-08-08 | 2023-09-05 | 凯德技术长沙股份有限公司 | 一种基于深度学习的水质检测方法和系统 |
CN117315470A (zh) * | 2023-09-25 | 2023-12-29 | 湖南省自然资源事务中心 | 基于地空全谱段高光谱数据的水质参数反演系统 |
CN117315470B (zh) * | 2023-09-25 | 2024-03-08 | 湖南省自然资源事务中心 | 基于地空全谱段高光谱数据的水质参数反演系统 |
CN117723497A (zh) * | 2024-02-08 | 2024-03-19 | 上海阿夸斯科技有限公司 | 一种智能随动水质监测系统 |
CN117723497B (zh) * | 2024-02-08 | 2024-04-26 | 上海阿夸斯科技有限公司 | 一种智能随动水质监测系统 |
CN118429818A (zh) * | 2024-07-04 | 2024-08-02 | 中国石油大学(华东) | 一种Sentinel-2卫星影像重构的水体叶绿素a浓度反演方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111007021A (zh) | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 | |
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
CN111597756A (zh) | 一种基于无人机多光谱数据的水质参数反演方法 | |
CN109557030A (zh) | 一种基于无人机遥感的水质要素反演方法 | |
CN114463637B (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
CN115356249A (zh) | 基于机器学习融合模型的卫星偏振pm2.5估算方法和系统 | |
CN110836870B (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
CN116504330B (zh) | 污染物浓度反演方法、装置、电子设备及可读存储介质 | |
CN112712071A (zh) | 作物长势检测方法及其相关设备 | |
CN112666328B (zh) | 基于遗传神经网络模型的叶绿素a遥感反演方法和装置 | |
CN115331063A (zh) | 基于动态超图卷积网络的高光谱图像分类方法及系统 | |
CN107680081B (zh) | 基于卷积神经网络的高光谱图像解混方法 | |
Zhou et al. | Developing a PCA–ANN model for predicting chlorophyll a concentration from field hyperspectral measurements in Dianshan Lake, China | |
CN115494007A (zh) | 基于随机森林的土壤有机质高精度快速检测方法及装置 | |
CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 | |
Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
CN116879192B (zh) | 基于卫星遥感数据的水华预测方法、装置、设备及介质 | |
CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
CN113008371B (zh) | 一种深度学习解色散模糊的高光谱成像方法 | |
CN117058522A (zh) | 一种融合光谱神经网络和叶面积指数的遥感地表生态变化检测方法 | |
CN114965300B (zh) | 基于光学水体类型和bp神经网络算法构建bp-turb的湖泊浊度制图方法 | |
CN111652347A (zh) | 一种粒子群算法改进神经网络反演叶面积指数方法 | |
CN116229288A (zh) | 基于无人机多光谱影像的城市河道tsm浓度反演方法 | |
CN114019082A (zh) | 一种土壤有机质含量监测方法和系统 | |
CN112052720A (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 |
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: 20200414 |