CN111310623B - 基于遥感数据与机器学习对泥石流敏感性地图分析的方法 - Google Patents
基于遥感数据与机器学习对泥石流敏感性地图分析的方法 Download PDFInfo
- Publication number
- CN111310623B CN111310623B CN202010080414.5A CN202010080414A CN111310623B CN 111310623 B CN111310623 B CN 111310623B CN 202010080414 A CN202010080414 A CN 202010080414A CN 111310623 B CN111310623 B CN 111310623B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- debris flow
- sensitivity
- factor
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/08—Learning methods
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于遥感数据与机器学习对泥石流敏感性地图分析的方法,该方法包含以下步骤:S1、获取泥石流清单数据及Landsat、DEM栅格数据和道路、河流矢量数据;S2、根据已有的遥感数据,运用ArcGIS中的相关工具获取泥石流易发性相关的敏感因子,然后对获得的各类敏感因子进行数据预处理,同时采用泥石流清单数据形成标签数据集,并对数据进行分析,生成模型的训练数据集及测试数据集;S3、运用逻辑斯蒂回归、人工神经网络以及支持向量机三种模型作为泥石流敏感性地图分析的运算;S5、根据模型敏感因子组合结果的一致性交叉验证、实验分析的可行性,选取出AUC值最高的人工神经网络模型,以其对应的敏感因子组合结果作为模型的输入,生成泥石流敏感性地图。
Description
技术领域
本发明涉及地灾分析技术领域,具体来说,涉及基于遥感数据与机器学习对泥石流敏感性地图分析的方法。
背景技术
遥感影像(Remote Sensing Image)是指通过地磁波观测记录各种地物的胶片或照片,主要分为航空像片和卫星相片,随着卫星遥感图像和航空遥感图片分辨率的不断提高,遥感图像中可获得更多的有用的数据和信息,因而被广泛应用于资源调查、自然灾害观测、大气气象预报等,利用遥感数据,对深圳市的泥石流灾害现象进行敏感性分析,能有效降低人类依靠实地观测手段采集数据所带来的危险性,同时生成的敏感性地图可以为之后的进一步的预警分析与应用打下基础。
遥感数据虽然为灾害分析提供了更加容易获取数据的途径,但是更精细的实地数据,无法通过遥感技术简易获取;然而依赖于物理定律,需要大量精细数据的确定式模型在泥石流敏感性分析中显然不可取,而根据经验规则进行发现的启发式模型,更多的是依靠过去已有的经验,其中会掺杂过多的主观因素,在泥石流敏感性分析中缺乏科学性,高分辨率的遥感数据,存储的数据量足够庞大,适用统计式模型,能够充分利用这些庞大的数据,并且最终能够以概率的形式输出结果,适用于深圳市泥石流敏感性地图分析;因此,方法上选取逻辑斯蒂回归、人工神经网络以及支持向量机等机器学习算法,针对深圳市泥石流地质灾害现象进行敏感性分析。
发明内容
针对相关技术中的上述技术问题,本发明提出基于遥感数据与机器学习对泥石流敏感性地图分析的方法,基于遥感数据的因子提取,运用三种机器学习模型,能够准确地筛选出与泥石流发生相关的敏感因子组合及泥石流敏感性地图。
为实现上述技术目的,本发明的技术方案是这样实现的:基于遥感数据与机器学习对泥石流敏感性地图分析的方法,该方法包含以下步骤:
S1、获取泥石流清单数据及Landsat、DEM栅格数据和道路、河流矢量数据;
S2、根据已有的遥感数据,运用ArcGIS中的相关工具获取泥石流易发性相关的敏感因子,然后对获得的各类敏感因子进行数据预处理,同时采用泥石流清单数据形成标签数据集,并对数据进行分析,生成模型的训练数据集及测试数据集;
S3、运用逻辑斯蒂回归、人工神经网络以及支持向量机三种模型作为泥石流敏感性地图分析的运算,输入训练数据集通过模型进行参数训练,然后输入测试数据集通过模型进行评估;
S4、运用AUC值作为模型评估的精度值,采用递进式的方法对各种敏感因子进行组合评估,获得最有效的敏感因子组合;
S5、根据三种模型敏感因子组合结果的一致性交叉验证、实验分析的可行性,选取出AUC值最高的人工神经网络模型,以其对应的敏感因子组合结果作为模型的输入,生成泥石流敏感性地图。
进一步地,S2包含以下具体步骤:
S2.1运用ArcGIS中的缓冲技术对道路及河流等矢量数据进行缓冲处理,并将矢量数据转化成棚格数据,从而与Landsat及DEM栅格数据保持一致,采用插值方法形成的分辨率分别为30m的Landsat数据与1.19m的DEM数据在栅格数据上保持一致,且采用相关工具从以上遥感数据中获取出10种敏感因子;
S2.2运用归一化公式,对敏感因子数据集进行归一化数据预处理,结合采集到的泥石流清单数据形成标签,获得样本数据集,选取其中的80%作为训练数据集,用于模型训练;剩余的20%作为测试数据集,用于模型测试。
进一步地,S2.2运用归一化公式表示为:
其中i代表某一种敏感因子,n代表该种敏感因子中某一栅格数据值。
进一步地,S3中逻辑斯蒂回归由如下公式表示:
其中P表示概率,y表示标签值,x表示敏感因子,a、c为系数值。
进一步地,S3包含以下具体步骤:
S3.1人工神经网络模型中隐含层的神经元个数设置为2*n+1,其中n为输入层神经元个数,该人工神经网络共分为三层,包含输入层、隐含层与输出层,其中输入层为输入的敏感因子,输出层为结果的标签值,可以用如下公式表示:
S3.2支持向量机模型运用高斯核作为其核函数,高斯核函数可以用如下公式表示:
支持向量机中的优化超平面可由如下公式表示:
它的约束条件可以由如下公式表示:
进一步地,S4包含以下具体步骤:
S4.1运用AUC值作为模型评估的精度值,首先获取单个敏感因子作为模型的输入数据源,根据10种敏感因子,分别形成每种模型的10种不同输入源的模型,比较10种模型的AUC值,获取AUC值最高的敏感因子模型;
S4.2根据S4.1获取的敏感因子与剩余的敏感因子进行组合,组合后得到9种不同的双敏感因子组合,以双敏感因子组合作为模型的输入,比较每种模型中9种不同输入源模型的AUC值,获取其中AUC值最高的敏感因子组合模型,与上一次实验的最高AUC值进行比较,如果增加,则选用该敏感因子组合,重复S4.2段,直到AUC值不再增加或者减少为止。
进一步地,S5包含以下具体步骤:
S5.1生成三种模型的最高AUC值敏感因子组合,在数量与顺序上达成一致性,模型结果为高程、道路缓冲指数、河流缓冲指数、坡度敏感因子组合。
本发明的有益效果为:基于遥感数据的因子提取,能有效地降低数据获取上的困难与危险性,以更易于获取的数据实现泥石流敏感性分析,采用逻辑斯蒂回归、人工神经网络以及支持向量机这三种机器学习方法,能有效地交叉验证实验分析结果的可行性,采用递进式的模型评估方法,更加准确地筛选出与泥石流发生相关的敏感因子组合,以及准确地得到最终的深圳市泥石流敏感性地图。
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是根据本发明实施例所述的基于遥感数据与机器学习对泥石流敏感性地图分析的方法流程框图;
图2是根据本发明实施例所述的基于遥感数据与机器学习对泥石流敏感性地图分析的方法获取相关敏感因子特征的流程框图;
图3是根据本发明实施例所述的基于遥感数据与机器学习对泥石流敏感性地图分析的方法获取相关敏感因子数据值示意图;
图4是根据本发明实施例所述的基于遥感数据与机器学习对泥石流敏感性地图分析的方法人工神经网络模型的结构示意图;
图5是根据本发明实施例所述的基于遥感数据与机器学习对泥石流敏感性地图分析的方法支持向量机模型的结构示意图;
图6是根据本发明实施例所述的基于遥感数据与机器学习对泥石流敏感性地图分析的方法生成深圳市泥石流敏感性地图结果示意图。
具体实施方式
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,所描述的实施例仅仅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所获得的所有其他实施例,都属于本发明保护的范围。
如图1-6所示,根据本发明实施例所述的基于遥感数据与机器学习对泥石流敏感性地图分析的方法,该方法包含以下步骤:
如图1该方法流程图所示,S1、获取泥石流清单数据及Landsat、DEM栅格数据和道路、河流矢量数据;
S2、根据已有的遥感数据,运用ArcGIS中的相关工具获取泥石流易发性相关的敏感因子,然后对获得的各类敏感因子进行数据预处理,同时采用泥石流清单数据形成标签数据集,并对数据进行分析,生成模型的训练数据集及测试数据集;
S3、运用逻辑斯蒂回归、人工神经网络以及支持向量机三种模型作为泥石流敏感性地图分析的运算,输入训练数据集通过模型进行参数训练,然后输入测试数据集通过模型进行评估;
S4、运用AUC值作为模型评估的精度值,采用递进式的方法对各种敏感因子进行组合评估,获得最有效的敏感因子组合;
S5、根据三种模型敏感因子组合结果的一致性交叉验证、实验分析的可行性,选取出AUC值最高的人工神经网络模型,以其对应的敏感因子组合结果作为模型的输入,生成泥石流敏感性地图。
在一具体实施例中,
如图2获取相关敏感因子特征及图3相关敏感因子数据值图所示,运用ArcGIS中的缓冲技术对道路及河流等矢量数据进行缓冲处理,并将矢量数据转化成棚格数据,从而与Landsat及DEM栅格数据保持一致,采用插值方法形成的分辨率分别为30m的Landsat数据与1.19m的DEM数据在栅格数据上保持一致,且采用相关工具从以上遥感数据中获取出10种敏感因子;
运用归一化公式,对敏感因子数据集进行归一化数据预处理,结合采集到的泥石流清单数据形成标签,获得样本数据集,选取其中的80%作为训练数据集,用于模型训练;剩余的20%作为测试数据集,用于模型测试;运用归一化公式表示为:
其中i代表某一种敏感因子,n代表该种敏感因子中某一栅格数据值。
在一具体实施例中,逻辑斯蒂回归由如下公式表示:
其中P表示概率,y表示标签值,x表示敏感因子,a、c为系数值。
在一具体实施例中,
如图4人工神经网络模型及图5支持向量机模型所示,人工神经网络模型中隐含层的神经元个数设置为2*n+1,其中n为输入层神经元个数,该人工神经网络共分为三层,包含输入层、隐含层与输出层,其中输入层为输入的敏感因子,输出层为结果的标签值,可以用如下公式表示:
支持向量机模型运用高斯核作为其核函数,高斯核函数可以用如下公式表示:
支持向量机中的优化超平面可由如下公式表示:
它的约束条件可以由如下公式表示:
在一具体实施例中,
运用AUC值作为模型评估的精度值,首先获取单个敏感因子作为模型的输入数据源,根据10种敏感因子,分别形成每种模型的10种不同输入源的模型,比较10种模型的AUC值,获取AUC值最高的敏感因子模型;
根据获取的敏感因子与剩余的敏感因子进行组合,组合后得到9种不同的双敏感因子组合,以双敏感因子组合作为模型的输入,比较每种模型中9种不同输入源模型的AUC值,获取其中AUC值最高的敏感因子组合模型,与上一次实验的最高AUC值进行比较,如果增加,则选用该敏感因子组合,重复本段,直到AUC值不再增加或者减少为止。
在一具体实施例中,
如图6生成的深圳市泥石流敏感性地图结果图所示,生成三种模型的最高AUC值敏感因子组合,在数量与顺序上达成一致性,模型结果为高程、道路缓冲指数、河流缓冲指数、坡度敏感因子组合。
为了方便理解本发明的上述技术方案,以下通过具体使用方式上对本发明的上述技术方案进行详细说明。
综上所述,借助于本发明的上述技术方案,本申请通过ArcGIS中的相关工具,获取Landsat结合DEM栅格数据及矢量数据的敏感因子,运用逻辑斯蒂回归、人工神经网络以及支持向量机这三种机器学习模型,采用递进式的模型评估方法,能够准确地筛选出与泥石流发生相关的敏感因子组合,以及更加准确地得到最终的深圳市泥石流敏感性地图。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (5)
1.一种基于遥感数据与机器学习对泥石流敏感性地图分析的方法,其特征在于,该方法包含以下步骤:
S1、获取泥石流清单数据及Landsat、DEM栅格数据和道路、河流矢量数据;
S2、根据已有的遥感数据,运用ArcGIS中的相关工具获取泥石流易发性相关的敏感因子,然后对获得的各类敏感因子进行数据预处理,同时采用泥石流清单数据形成标签数据集,并对数据进行分析,生成模型的训练数据集及测试数据集;
S3、运用逻辑斯蒂回归、人工神经网络以及支持向量机三种模型作为泥石流敏感性地图分析的运算,输入训练数据集通过模型进行参数训练,然后输入测试数据集通过模型进行评估;
S3中逻辑斯蒂回归由如下公式表示:
其中P表示概率,y表示标签值,x表示敏感因子,a、c为系数值;
S3包含以下具体步骤:
S3.1人工神经网络模型中隐含层的神经元个数设置为2*n+1,其中n为输入层神经元个数,该人工神经网络共分为三层,包含输入层、隐含层与输出层,其中输入层为输入的敏感因子,输出层为结果的标签值,用如下公式表示:
S3.2支持向量机模型运用高斯核作为其核函数,高斯核函数用如下公式表示:
支持向量机中的优化超平面由如下公式表示:
它的约束条件由如下公式表示:
S4、运用AUC值作为模型评估的精度值,采用递进式的方法对各种敏感因子进行组合评估,获得最有效的敏感因子组合;
S5、根据三种模型敏感因子组合结果的一致性交叉验证、实验分析的可行性,选取出AUC值最高的人工神经网络模型,以其对应的敏感因子组合结果作为模型的输入,生成泥石流敏感性地图。
2.根据权利要求1所述的基于遥感数据与机器学习对泥石流敏感性地图分析的方法,其特征在于,S2包含以下具体步骤:
S2.1运用ArcGIS中的缓冲技术对道路及河流等矢量数据进行缓冲处理,并将矢量数据转化成棚格数据,从而与Landsat及DEM栅格数据保持一致,采用插值方法形成的分辨率分别为30m的Landsat数据与1.19m的DEM数据在栅格数据上保持一致,且采用相关工具从以上遥感数据中获取出10种敏感因子;
S2.2运用归一化公式,对敏感因子数据集进行归一化数据预处理,结合采集到的泥石流清单数据形成标签,获得样本数据集,选取其中的80%作为训练数据集,用于模型训练;剩余的20%作为测试数据集,用于模型测试。
4.根据权利要求1所述的基于遥感数据与机器学习对泥石流敏感性地图分析的方法,其特征在于,S4包含以下具体步骤:
S4.1运用AUC值作为模型评估的精度值,首先获取单个敏感因子作为模型的输入数据源,根据10种敏感因子,分别形成每种模型的10种不同输入源的模型,比较10种模型的AUC值,获取AUC值最高的敏感因子模型;
S4.2根据S4.1获取的敏感因子与剩余的敏感因子进行组合,组合后得到9种不同的双敏感因子组合,以双敏感因子组合作为模型的输入,比较每种模型中9种不同输入源模型的AUC值,获取其中AUC值最高的敏感因子组合模型,与上一次实验的最高AUC值进行比较,如果增加,则选用该敏感因子组合,重复S4.2段,直到AUC值不再增加或者减少为止。
5.根据权利要求1所述的基于遥感数据与机器学习对泥石流敏感性地图分析的方法,其特征在于,S5包含以下具体步骤:
S5.1生成三种模型的最高AUC值敏感因子组合,在数量与顺序上达成一致性,模型结果为高程、道路缓冲指数、河流缓冲指数、坡度敏感因子组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010080414.5A CN111310623B (zh) | 2020-02-03 | 2020-02-03 | 基于遥感数据与机器学习对泥石流敏感性地图分析的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010080414.5A CN111310623B (zh) | 2020-02-03 | 2020-02-03 | 基于遥感数据与机器学习对泥石流敏感性地图分析的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310623A CN111310623A (zh) | 2020-06-19 |
CN111310623B true CN111310623B (zh) | 2023-04-07 |
Family
ID=71146966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010080414.5A Active CN111310623B (zh) | 2020-02-03 | 2020-02-03 | 基于遥感数据与机器学习对泥石流敏感性地图分析的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310623B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112256703B (zh) * | 2020-10-23 | 2023-05-23 | 重庆同汇勘测规划有限公司 | 一种基于ArcGIS快速输出点云精度报告的方法 |
CN112464726A (zh) * | 2020-10-30 | 2021-03-09 | 长威信息科技发展股份有限公司 | 一种基于卫星遥感大数据的防灾减灾预警系统 |
CN113688172B (zh) * | 2021-10-26 | 2022-04-08 | 中国地质大学(武汉) | 滑坡易发性评估模型训练方法、评估方法、装置及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732240A (zh) * | 2015-04-07 | 2015-06-24 | 河海大学 | 一种应用神经网络敏感性分析的高光谱影像波段选择方法 |
CN108846172A (zh) * | 2018-05-28 | 2018-11-20 | 中国地质大学(武汉) | 泥石流冲击荷载函数生成方法及装置 |
CN110111377A (zh) * | 2019-06-06 | 2019-08-09 | 西南交通大学 | 一种考虑地震位移场的震后区域性滑坡危险性评估方法 |
US10498888B1 (en) * | 2018-05-30 | 2019-12-03 | Upcall Inc. | Automatic call classification using machine learning |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9147132B2 (en) * | 2013-09-11 | 2015-09-29 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
US11144825B2 (en) * | 2016-12-01 | 2021-10-12 | University Of Southern California | Interpretable deep learning framework for mining and predictive modeling of health care data |
-
2020
- 2020-02-03 CN CN202010080414.5A patent/CN111310623B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732240A (zh) * | 2015-04-07 | 2015-06-24 | 河海大学 | 一种应用神经网络敏感性分析的高光谱影像波段选择方法 |
CN108846172A (zh) * | 2018-05-28 | 2018-11-20 | 中国地质大学(武汉) | 泥石流冲击荷载函数生成方法及装置 |
US10498888B1 (en) * | 2018-05-30 | 2019-12-03 | Upcall Inc. | Automatic call classification using machine learning |
CN110111377A (zh) * | 2019-06-06 | 2019-08-09 | 西南交通大学 | 一种考虑地震位移场的震后区域性滑坡危险性评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111310623A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310623B (zh) | 基于遥感数据与机器学习对泥石流敏感性地图分析的方法 | |
CN106909924B (zh) | 一种基于深度显著性的遥感影像快速检索方法 | |
Li et al. | A 30-year (1984–2013) record of annual urban dynamics of Beijing City derived from Landsat data | |
Wang et al. | Indicator cokriging-based subpixel mapping without prior spatial structure information | |
Li et al. | Stacking ensemble of deep learning methods for landslide susceptibility mapping in the Three Gorges Reservoir area, China | |
CN108446616B (zh) | 基于全卷积神经网络集成学习的道路提取方法 | |
Guo et al. | Data-driven rapid flood prediction mapping with catchment generalizability | |
CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
CN114022770A (zh) | 基于改进自注意力机制与迁移学习的山体裂缝检测方法 | |
CN104268581A (zh) | 一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法 | |
CN114419468A (zh) | 一种结合注意力机制和空间特征融合算法的水田分割方法 | |
CN116206098A (zh) | 月球表面安全着陆区选取系统及其方法 | |
Jin et al. | Deep learning for seasonal precipitation prediction over China | |
Hameed et al. | Convolutional Autoencoder‐Based Deep Learning Approach for Aerosol Emission Detection Using LiDAR Dataset | |
Zhou et al. | MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution | |
Padhy et al. | Image classification in artificial neural network using fractal dimension | |
Drăguţ et al. | Land-surface segmentation to delineate elementary forms from Digital Elevation Models | |
CN116563672B (zh) | 一种岩土体分类模型构建方法及岩土体分类方法 | |
CN116611725A (zh) | 一种基于绿色生态指标的土地类型识别方法及装置 | |
CN110569871A (zh) | 一种基于深度卷积神经网络的鞍部点识别方法 | |
CN114792349A (zh) | 基于半监督生成对抗网络的遥感影像转换地图迁移方法 | |
Tsai et al. | Analysis framework of Urban Expansion in Taiwan and its Implication for Long-Term Developments using Satellite-Image Time Series Data | |
CN112649372A (zh) | 一种基于机器学习的遥感反演森林郁闭度的方法 | |
Panhwar et al. | Spatio-Temporal Variation in Land Use and Land Cover from 1988 to 2018: A Study of District Khairpur Mir’s, Pakistan | |
Deng et al. | Skip attention GAN for remote sensing image synthesis |
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 |