CN111666909A - 基于面向对象和深度学习的疑似污染场地空间识别方法 - Google Patents
基于面向对象和深度学习的疑似污染场地空间识别方法 Download PDFInfo
- Publication number
- CN111666909A CN111666909A CN202010529552.7A CN202010529552A CN111666909A CN 111666909 A CN111666909 A CN 111666909A CN 202010529552 A CN202010529552 A CN 202010529552A CN 111666909 A CN111666909 A CN 111666909A
- Authority
- CN
- China
- Prior art keywords
- suspected
- site
- deep learning
- remote sensing
- polluted
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于面向对象和深度学习的疑似污染场地空间识别方法,包括以下步骤:步骤I、遥感影像的选取;步骤II、训练集的建立;步骤III、面向对象分割技术;步骤VI、基于深度学习技术的疑似污染场地识别;步骤V、疑似污染场地动态数据库的建立。本发明通过借助基于面向对象分割技术和深度学习技术获取我国建设用地中疑似污染场地的空间信息,识别疑似污染场地的空间位置,以及污染场地面积、污染物类别等重要属性信息,起到对网上或政府掌握的污染地块的数据进行查漏补缺的作用,更有利于政府对污染场地的管理。
Description
技术领域
本发明涉及一种污染场地空间识别方法,尤其涉及一种基于面向对象和深度学习的疑似污染场地空间识别方法。
背景技术
伴随着社会经济的发展,我国存在潜在污染的建设用地数量巨大、分布广泛,并逐步显示出其危害性,与当前生态文明建设要求严重不符,亟需摸清污染场地详细信息,加强污染场地管理。
遥感是一门新兴的、年轻的科学与技术,如今卫星遥感已成为人类认识世界、理解人与自然相互关系、维护国家安全和促进可持续发展的不可或缺的手段。基于遥感数据的污染场地识别技术,从传统的目视解译,到基于像元的自动解译,以及新兴的面向对象分类、智能化专家系统和深度学习等,识别技术得到迅猛发展。且随着大数据时代来临,网络上形成了大量关于工业场地的历史数据、污染突发事件新闻、统计数据;各部门收集的污染场地数据以及水文气象、土地利用、土壤类型等。集成这些海量信息,借助云计算及模型模拟等大数据分析技术,分析影响污染场地空间分布格局的因素,能够为污染场地的识别提供技术支撑。但是目前,我国基于统计上报方式建立疑似污染场地名录存在名录建设工作不系统、名录范围不全面的问题。
发明内容
为了解决上述技术所存在的不足之处,本发明提供了一种基于面向对象和深度学习的疑似污染场地空间识别方法。
为了解决以上技术问题,本发明采用的技术方案是:基于面向对象和深度学习的疑似污染场地空间识别方法,包括以下步骤:步骤I、遥感影像的选取;步骤II、训练集的建立;步骤III、面向对象分割技术;步骤VI、基于深度学习技术的疑似污染场地识别;步骤V、疑似污染场地动态数据库的建立。
进一步地,步骤I遥感影像的选取过程为:1)确定研究区范围与所使用的遥感影像类型;2)在由中科院计算机网络信息中心科学数据中心建设并运营的地理空间云平台上,设定好云量、成像日期、经纬度范围条件,下载符合条件的遥感影像。
进一步地,步骤II训练集的建立过程为:结合人工实地调查和网上POI数据进行定位,获取各类疑似污染场地的空间位置,并在原始的遥感影像数据上进行标注,构建样本库;随机抽取样本库中70%样本作为训练集,通过深度学习技术展开疑似污染场地空间范围识别研究,并利用剩余30%样本作为测试集,进行遥感影像目标识别模型的有效性评估,确定针对不同类型污染场地的最优识别模型。
进一步地,步骤III利用面向对象分割技术的识别过程为:1)根据目标污染场地的光谱与几何特征,并结合相关论文与研究,进行特征工程,确定所要使用的特征类型;2)输入原始遥感影像,并通过SLIC算法将整幅输入的遥感影像分割为多个对象;3)利用随机森林机器学习方法作为分类器或采用规则集的方法确定不同污染物类型的特征值区间,从而对遥感图像上的多个对象进行分类,确定各个对象对应的类别,得到识别结果,确定各个对象是否属于污染场地以及其污染场地类型。
进一步地,步骤VI基于深度学习技术的疑似污染场地识别过程为:1)利用训练集图像,对目标污染场地进行聚类分析,确定不同类型污染场地的空间范围大小,并作为用于目标识别的深度神经网络的超参数;2)将具有不同空间分辨率的遥感影像上采样到同一分辨率得到原始输入影像;3)采用Yolov3网络模型作为目标检测网络,根据污染物识别任务以及遥感影像特征修改其超信息,将上一步得到的输入作为原始数据输入;4)利用训练集数据训练Yolov3深度神经网络模型,并用测试集进行模型评估;5)将目标区域的遥感影像作为输入,输入到深度学习模型中,得到可能的目标污染场地区域。
进一步地,步骤V疑似污染场地动态数据库的建立过程为:将由面向对象分割技术所得到的目标污染场地的识别结果与由深度学习模型得到的结果相融合,通过置信度加权方法,得到最终的污染场地分类结果;将已经分类出的各类污染地块,在地理信息分析软件中计算其面积、中心纬度、中心经度属性,通过数据库物理建库、数据导入的方式建立疑似污染场地信息数据库。
本发明通过借助基于面向对象分割技术和深度学习技术获取我国建设用地中疑似污染场地的空间信息,识别疑似污染场地的空间位置,以及污染场地面积、污染物类别等重要属性信息,起到对网上或政府掌握的污染地块的数据进行查漏补缺的作用,更有利于政府对污染场地的管理。本发明完善了我国传统上结合统计上报疑似污染场地信息的模式,极大节约了疑似污染场地空间信息获取的成本,且识别的疑似污染地块结果有效的补充了疑似污染场地时空数据库,提高疑似污染场地名录的全面性和完整性。
具体实施方式
下面结合具体实施方式对本发明作进一步详细的说明。
基于面向对象和深度学习的疑似污染场地空间识别方法,包括以下步骤:步骤I、遥感影像的选取;步骤II、训练集的建立;步骤III、面向对象分割技术;步骤VI、基于深度学习技术的疑似污染场地识别;步骤V、疑似污染场地动态数据库的建立。
步骤I遥感影像的选取过程为:1)确定研究区范围与所使用的遥感影像类型(GF-6),GF-6为高分6号卫星的简称;2)在由中科院计算机网络信息中心科学数据中心建设并运营的地理空间云平台上,设定好云量、成像日期、经纬度范围条件,下载符合条件的遥感影像。
我国区域辽阔,地域气候差异较大,研究过程中除了需要了解不同卫星传感器在设定的时间内是否完全覆盖研究区之外,在选择遥感影像时,还需考虑我国南北方气候差异以及植被、积雪等因素的影响,如江苏、云南等南方地区,由于夏季较长,雨水、云较多,很难获取较好质量的影像,因此,影像数据一般选择在当年的11月至次年3月初时间范围内,内蒙等北方区域,由于受天气影响较小,可选择全年范围内的数据,但考虑植被和积雪对露天煤矿等的影响,最好选择雪融化后且植被未覆盖的时间段内,如每年的2月末至5月初。
以云南省个旧市研究区为例,通过查看陆地观测卫星数据服务平台发现,GF-1卫星的PMS传感器2018年、2019年没有包含个旧市的影像;GF-2卫星的PMS传感器2018年没有涵盖个旧市的遥感影像,从2019年1月13日至2019年6月5日期间共获取涵盖个旧市的遥感影像31景,其中11景质量较好,主要集中在1月份和2月份;GF-6卫星的PMS传感器从2018年7月4日至2019年5月3日期间共获取涵盖个旧市的遥感影像16景,其中质量较好、云量较少的影像为5景,获取时间为2018年11月底-2019年2月底;ZY3卫星的MUX传感器在2018年1月4日至2019年5月1日期间共获取涵盖个旧市的遥感影像22景,其中质量较好的10景,获取时间主要集中在3月初。因此,对于云南省个旧市来说,截止2019年6月上旬,选取GF-6卫星、时相为2018年11月初至2019年3月中旬的遥感影像数据比较合适并且在2米分辨率的GF-6卫星影像中,尾矿库、渣堆和矿堆较为清晰,适合用于分类。
步骤II训练集的建立过程为:结合人工实地调查和网上POI数据进行定位,获取各类疑似污染场地的空间位置,并在原始的遥感影像数据上进行标注,构建样本库;随机抽取样本库中70%样本作为训练集,通过深度学习技术展开疑似污染场地空间范围识别研究,并利用剩余30%样本作为测试集,进行遥感影像目标识别模型的有效性评估,确定针对不同类型污染场地的最优识别模型。
其中,遥感影像目标识别模型的有效性评估是指利用准确率(accuracy),召回率(recall),精确率(precision)及平衡F分数(F1-score)等图像语义分割与目标识别的指标对遥感影像目标识别模型的效果进行定量的分析,对于特定的识别任务(此处为污染场地识别),当训练好的模型在测试集的表现优于行业内认定的阈值时,即认为模型有效;确定不同针对不同类型的污染场地的最优识别模型,则是根据污染场地的特殊性,在确定不同定量评价指标的优先性后,对不同类型的模型在不同类型污染场地上的表现,为不同类型的污染场地确定其对应的最优识别模型。
步骤III利用面向对象分割技术的识别过程为:1)根据目标污染场地的光谱与几何等特征(包括颜色,亮度及光谱曲线等),并结合相关论文与研究,(例如,王立廷在《支持向量机结合面向对象提取尾矿库的应用研究》中,Van Etten A在《You only look twice:Rapid multi-scale object detection in satellite imagery》中、Schowengerdt R A在《Remote sensing:models and methods for image processing》中都做过相关的研究)进行特征工程,确定所要使用的特征类型;2)输入原始遥感影像,并通过SLIC(simple lineariterative clustering)算法将整幅输入的遥感影像分割为多个对象;3)利用随机森林机器学习方法作为分类器或采用规则集的方法确定不同污染物类型的特征值区间,从而对遥感图像上的多个对象进行分类,确定各个对象对应的类别(包括非污染区域及尾矿堆,矿堆等不同污染场地),得到识别结果,确定各个对象是否属于污染场地以及其污染场地类型。
高分辨率遥感影像包含丰富的光谱、形状、纹理特征等对象信息和对象间的拓扑关系、上下文关系等类间信息,传统的基于像元的变化检测方法仅考虑单个像元的光谱信息,对变化检测精度产生较大影响。
面向对象的变化检测方法是以影像分割后的影像对象为基本处理单元,利用其光谱特征、几何信息、结构信息等进行的图像处理过程,是一种高层次的变化信息提取技术。面向对象的变化检测方法以影像分割为基础生成影像对象,该方法针对的不再是单个像元,而是以影像对象为基本单元。影像分割就是生成影像对象的过程,即通过影像分割算法将影像分割成若干个互不重叠的非空子区域,每个子区域的内部是连通的,同一区域内部具有相同或相似的特性,而且分割后的任何两个相邻的区域都是非均质的。多尺度影像分割是众多的分割方法之一,其采用的是基于光谱、形状相结合的异质性最小原则的区域合并算法:影像分割的初始合并开始于任意一个像元,先将单个像元合并为较小的影像对象,再将较小的影像对象合并成更大的多边形对象,使得对象的异质性不断变大,当大于由尺度值决定的阈值时,停止区域合并。
步骤VI基于深度学习技术的疑似污染场地识别过程为:1)利用训练集图像,对目标污染场地进行聚类分析,确定不同类型污染场地的空间范围大小,并作为用于目标识别的深度神经网络的超参数(hyper-parameters);2)将具有不同空间分辨率的遥感影像上采样到同一分辨率得到原始输入影像;3)采用Yolov3网络模型作为目标检测网络,根据污染物识别任务以及遥感影像特征修改其超信息,将上一步得到的输入作为原始数据输入;4)利用训练集数据训练Yolov3深度神经网络模型,并用测试集进行模型评估;5)将目标区域的遥感影像作为输入,输入到深度学习模型中,得到可能的目标污染场地区域。
深度学习模型将目标检测分为四个基本步骤即候选区域生成、特征提取、目标分类、边框回归。首先确定候选区域,采用预训练的深度学习模型作为卷积特征提取器,同时利用处理好的数据集对模型进行训练,提取出各类污染地块的特征。并利用损失函数对网络模型进行微调优化,得到最终的检测模型。利用训练好的深度学习模型进行高分影像的分类,最后经过边框回归得到准确的疑似污染地块的分类结果。
步骤V疑似污染场地动态数据库的建立过程为:将由面向对象分割技术所得到的目标污染场地的识别结果与由深度学习模型得到的结果相融合,通过置信度加权方法,得到最终的污染场地分类结果;将已经分类出的各类污染地块,在地理信息分析软件中计算其面积、中心纬度、中心经度等属性,通过数据库物理建库、数据导入等方式建立疑似污染场地信息数据库。
本发明基于面向对象和深度学习的疑似污染场地空间识别方法是在研究我国当前污染场地的基础上,通过运用遥感技术对未收录的污染场地进行补缺。本发明主要是通过运用面向对象技术采用合适的分割参数对原始影像数据进行处理,实现从基于像元的遥感影像分类过渡到基于对象的遥感影像分类,有助于提高分类的精度,再通过以后的数据构建训练集,采用深度学习技术从训练集中自动学习有效特征。深度学习在特征提取和建模上都有着显然的优势,它通过对网络的学习,模拟人类大脑处理数据的过程,由深度网络获得数据的本质特征,并通过对低层特征整合,来表达高层特征,具有良好的泛化能力,再利用该技术对原始的影像数据进行无监督学习,最终实现分类的目的。
本发明基于对存在潜在污染的国民经济行业和工业生产工艺的研究,利用高分数据影像,结合面向对象和深度学习技术,首先运用图像分割算法分割原始影像数据,然后从训练集中自动学习有效特征再对原始影像数据集进行无监督的特征学习。以研发实现分类出污染场地为目的,进而保障我国疑似污染场地名录信息建设的全面性和完整性,同时也为提升我国污染场地环境监管能力提供了技术支持。
上述实施方式并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换,也均属于本发明的保护范围。
Claims (6)
1.基于面向对象和深度学习的疑似污染场地空间识别方法,其特征在于:所述方法包括以下步骤:步骤I、遥感影像的选取;步骤II、训练集的建立;步骤III、面向对象分割技术;步骤VI、基于深度学习技术的疑似污染场地识别;步骤V、疑似污染场地动态数据库的建立。
2.根据权利要求1所述的基于面向对象和深度学习的疑似污染场地空间识别方法,其特征在于:所述步骤I遥感影像的选取过程为:1)确定研究区范围与所使用的遥感影像类型;2)在由中科院计算机网络信息中心科学数据中心建设并运营的地理空间云平台上,设定好云量、成像日期、经纬度范围条件,下载符合条件的遥感影像。
3.根据权利要求2所述的基于面向对象和深度学习的疑似污染场地空间识别方法,其特征在于:所述步骤II训练集的建立过程为:结合人工实地调查和网上POI数据进行定位,获取各类疑似污染场地的空间位置,并在原始的遥感影像数据上进行标注,构建样本库;随机抽取样本库中70%样本作为训练集,通过深度学习技术展开疑似污染场地空间范围识别研究,并利用剩余30%样本作为测试集,进行遥感影像目标识别模型的有效性评估,确定针对不同类型污染场地的最优识别模型。
4.根据权利要求3所述的基于面向对象和深度学习的疑似污染场地空间识别方法,其特征在于:所述步骤III利用面向对象分割技术的识别过程为:1)根据目标污染场地的光谱与几何特征,并结合相关论文与研究,进行特征工程,确定所要使用的特征类型;2)输入原始遥感影像,并通过SLIC算法将整幅输入的遥感影像分割为多个对象;3)利用随机森林机器学习方法作为分类器或采用规则集的方法确定不同污染物类型的特征值区间,从而对遥感图像上的多个对象进行分类,确定各个对象对应的类别,得到识别结果,确定各个对象是否属于污染场地以及其污染场地类型。
5.根据权利要求4所述的基于面向对象和深度学习的疑似污染场地空间识别方法,其特征在于:所述步骤VI基于深度学习技术的疑似污染场地识别过程为:1)利用训练集图像,对目标污染场地进行聚类分析,确定不同类型污染场地的空间范围大小,并作为用于目标识别的深度神经网络的超参数;2)将具有不同空间分辨率的遥感影像上采样到同一分辨率得到原始输入影像;3)采用Yolov3网络模型作为目标检测网络,根据污染物识别任务以及遥感影像特征修改其超信息,将上一步得到的输入作为原始数据输入;4)利用训练集数据训练Yolov3深度神经网络模型,并用测试集进行模型评估;5)将目标区域的遥感影像作为输入,输入到深度学习模型中,得到可能的目标污染场地区域。
6.根据权利要求5所述的基于面向对象和深度学习的疑似污染场地空间识别方法,其特征在于:所述步骤V疑似污染场地动态数据库的建立过程为:将由面向对象分割技术所得到的目标污染场地的识别结果与由深度学习模型得到的结果相融合,通过置信度加权方法,得到最终的污染场地分类结果;将已经分类出的各类污染地块,在地理信息分析软件中计算其面积、中心纬度、中心经度属性,通过数据库物理建库、数据导入的方式建立疑似污染场地信息数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529552.7A CN111666909A (zh) | 2020-06-11 | 2020-06-11 | 基于面向对象和深度学习的疑似污染场地空间识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529552.7A CN111666909A (zh) | 2020-06-11 | 2020-06-11 | 基于面向对象和深度学习的疑似污染场地空间识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111666909A true CN111666909A (zh) | 2020-09-15 |
Family
ID=72386553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010529552.7A Pending CN111666909A (zh) | 2020-06-11 | 2020-06-11 | 基于面向对象和深度学习的疑似污染场地空间识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666909A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070056A (zh) * | 2020-09-17 | 2020-12-11 | 京师天启(北京)科技有限公司 | 一种基于面向对象和深度学习的敏感用地识别方法 |
CN112347155A (zh) * | 2020-10-29 | 2021-02-09 | 南京大学 | 基于数据挖掘的场地污染特征因子识别和监测指标优化方法 |
CN112766146A (zh) * | 2021-01-14 | 2021-05-07 | 黄河勘测规划设计研究院有限公司 | 一种基于多源数据的水库动态监控系统及方法 |
CN112950047A (zh) * | 2021-03-18 | 2021-06-11 | 京师天启(北京)科技有限公司 | 一种疑似污染场地的渐进识别方法 |
CN114663783A (zh) * | 2022-05-23 | 2022-06-24 | 自然资源部第二海洋研究所 | 一种基于机器学习的入海河流水体污染遥感识别方法 |
CN115577099A (zh) * | 2022-09-06 | 2023-01-06 | 中国自然资源航空物探遥感中心 | 一种污染地块边界识别方法、系统、介质及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105630882A (zh) * | 2015-12-18 | 2016-06-01 | 哈尔滨工业大学深圳研究生院 | 基于遥感数据深度学习的近海污染物识别与跟踪方法 |
US20180225504A1 (en) * | 2017-02-08 | 2018-08-09 | Ordnance Survey Limited | Topographic Data Machine Learning Method and System |
CN110726677A (zh) * | 2019-10-18 | 2020-01-24 | 中国科学院地理科学与资源研究所 | 一种污染场地遥感探测与空间热区识别系统和方法 |
CN111126287A (zh) * | 2019-12-25 | 2020-05-08 | 武汉大学 | 一种遥感影像密集目标深度学习检测方法 |
CN111222474A (zh) * | 2020-01-09 | 2020-06-02 | 电子科技大学 | 一种任意尺度的高分辨率图像小目标检测方法 |
-
2020
- 2020-06-11 CN CN202010529552.7A patent/CN111666909A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105630882A (zh) * | 2015-12-18 | 2016-06-01 | 哈尔滨工业大学深圳研究生院 | 基于遥感数据深度学习的近海污染物识别与跟踪方法 |
US20180225504A1 (en) * | 2017-02-08 | 2018-08-09 | Ordnance Survey Limited | Topographic Data Machine Learning Method and System |
CN110726677A (zh) * | 2019-10-18 | 2020-01-24 | 中国科学院地理科学与资源研究所 | 一种污染场地遥感探测与空间热区识别系统和方法 |
CN111126287A (zh) * | 2019-12-25 | 2020-05-08 | 武汉大学 | 一种遥感影像密集目标深度学习检测方法 |
CN111222474A (zh) * | 2020-01-09 | 2020-06-02 | 电子科技大学 | 一种任意尺度的高分辨率图像小目标检测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070056A (zh) * | 2020-09-17 | 2020-12-11 | 京师天启(北京)科技有限公司 | 一种基于面向对象和深度学习的敏感用地识别方法 |
CN112347155A (zh) * | 2020-10-29 | 2021-02-09 | 南京大学 | 基于数据挖掘的场地污染特征因子识别和监测指标优化方法 |
CN112347155B (zh) * | 2020-10-29 | 2023-11-21 | 南京大学 | 基于数据挖掘的场地污染特征因子识别和监测指标优化方法 |
CN112766146A (zh) * | 2021-01-14 | 2021-05-07 | 黄河勘测规划设计研究院有限公司 | 一种基于多源数据的水库动态监控系统及方法 |
CN112766146B (zh) * | 2021-01-14 | 2022-11-29 | 黄河勘测规划设计研究院有限公司 | 一种基于多源数据的水库动态监控系统及方法 |
CN112950047A (zh) * | 2021-03-18 | 2021-06-11 | 京师天启(北京)科技有限公司 | 一种疑似污染场地的渐进识别方法 |
CN114663783A (zh) * | 2022-05-23 | 2022-06-24 | 自然资源部第二海洋研究所 | 一种基于机器学习的入海河流水体污染遥感识别方法 |
CN115577099A (zh) * | 2022-09-06 | 2023-01-06 | 中国自然资源航空物探遥感中心 | 一种污染地块边界识别方法、系统、介质及设备 |
CN115577099B (zh) * | 2022-09-06 | 2023-09-12 | 中国自然资源航空物探遥感中心 | 一种污染地块边界识别方法、系统、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666909A (zh) | 基于面向对象和深度学习的疑似污染场地空间识别方法 | |
CN110136170B (zh) | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 | |
CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
Simanjuntak et al. | Object-based image analysis to map local climate zones: The case of Bandung, Indonesia | |
CN110866494B (zh) | 一种基于光学遥感影像的城镇群提取方法及系统 | |
CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
Wang et al. | Urban development analysis using built-up area maps based on multiple high-resolution satellite data | |
CN112070056A (zh) | 一种基于面向对象和深度学习的敏感用地识别方法 | |
CN113313094B (zh) | 一种基于卷积神经网络的车载图像目标检测方法和系统 | |
CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
CN112329559A (zh) | 一种基于深度卷积神经网络的宅基地目标检测方法 | |
Muttaqin et al. | MaxEnt (Maximum Entropy) model for predicting prehistoric cave sites in Karst area of Gunung Sewu, Gunung Kidul, Yogyakarta | |
CN116343053B (zh) | 基于光学遥感影像和sar遥感影像融合的固废自动提取方法 | |
CN114898089B (zh) | 一种融合高分影像和poi数据的功能区提取与分类方法 | |
CN112906809A (zh) | 一种利用组合损失函数HRnet解译高分辨率遥感影像的方法 | |
CN112950047A (zh) | 一种疑似污染场地的渐进识别方法 | |
CN114398951A (zh) | 一种基于随机森林和众源地理信息的土地利用变化驱动因子挖掘方法 | |
Zhang et al. | Research on Baidu street view road crack information extraction based on deep learning method | |
Hu et al. | Mapping and Characterizing Rock Glaciers in the Arid Western Kunlun Mountains Supported by InSAR and Deep Learning | |
CN113378642B (zh) | 一种对农村违法占地建筑物进行检测的方法 | |
Lau et al. | Application of local climate zones combined with machine learning to predict the impact of urban structure patterns on thermal environment | |
CN111639672B (zh) | 一种基于多数投票的深度学习城市功能区分类方法 | |
CN111726535A (zh) | 基于车辆感知的智慧城市cim视频大数据画质控制方法 | |
CN115497006B (zh) | 基于动态混合策略的城区遥感图像变化深度监测方法及系统 | |
Vaidya et al. | Classifying heterogeneous urban form into local climate zones using supervised learning and greedy clustering incorporating Landsat dataset |
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 |