CN111680626A - 一种基于多层卷积神经网络的水环境遥感数据建模方法 - Google Patents
一种基于多层卷积神经网络的水环境遥感数据建模方法 Download PDFInfo
- Publication number
- CN111680626A CN111680626A CN202010517540.2A CN202010517540A CN111680626A CN 111680626 A CN111680626 A CN 111680626A CN 202010517540 A CN202010517540 A CN 202010517540A CN 111680626 A CN111680626 A CN 111680626A
- Authority
- CN
- China
- Prior art keywords
- layer
- remote sensing
- neural network
- convolutional neural
- training
- 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于水环境遥感数据分析技术领域,具体涉及一种基于多层卷积神经网络的水环境遥感数据建模方法,数据模型由输入层、训练层和输出层依次连接组成;输入层输入为经过预处理的遥感影像数据;训练层包括卷积层、池化层和全连接层,卷积层、池化层和全连接层均由多个矩阵相互独立的隐藏神经元组成,输出层为输出结果,训练层通过对经过预处理的卫星获取的遥感影像数据的遥感光谱特征曲线逐层的特征提取学习输入高层特征并将其输入到全连接层中对结果进行识别,并由输出层输出结果,本发明旨在实现三峡库区的大尺度水环境在线遥感水质准确识别诊断,从而提供一种可靠、易用的大尺度水环境监测和辅助决策工具。
Description
技术领域
本发明属于水环境遥感数据分析技术领域,具体涉及一种基于多层卷积神经网络的水环境遥感数据建模方法。
背景技术
传统的水质监测采用实地采样和实验室分析等手段,这类监测方法在精度上有一定的准确性,但是在点上进行,并不能全面反映水生态环境的总体时空变化,且费时、费力、成本高,更重要的是不能进行实时监测。结合原位监测技术的遥感水质监测具有宏观、动态、成本低等显著特点,其在水质监测上的应用,有着常规监测不可替代的优点。它既可以满足大范围水质监测的需要,也可以通过一个监测站点实时动态跟踪污染事件的发生、发展。富营养化和有毒藻类的暴发是很多湖泊面临的问题,而这种融合监测方法尤其适合监测与湖泊富营养化有关的水质指标。
卫星遥感具有快速、大范围、周期性、一次成像成本相对低廉的特点,其本质是通过遥感影像数据反演湖泊水体的水色参数含量,反演的过程就是模型的求解过程,反演的精度一方面取决于传感器本身的能力(时间分辨率、空间分辨率、光谱分辨率以及辐射分辨率等),另一方面取决于模型的细部刻画能力,反演模型成为湖泊水色遥感的核心和关键,模型的构建过程也称为湖泊水色遥感的正演过程,是领域研究者的焦点关注内容,始终贯穿于湖泊水色遥感的整个发展历程。凡存在显著光谱特征或光学特性的水体组分参数,即光活性物质,都可以通过遥感实施定量反演,如叶绿素、悬浮物、黄色物质浓度等,被称之为直接水质参数或水色参数,对湖泊水体中的这些参数实遥感反演,称为水色遥感;那些不存在显著光谱特征和光学特性(即非光活性物质),但与直接水质参数存在紧密内在关联的其他水质参数称之为间接水质参数,主要包括总氮、总磷以及营养状态指数等,对这些水体参数实施遥感反演,称为水质遥感。
近年来,随着人工智能技术的大力发展,卷积神经网络(Convolutional NeuralNetwork,简称CNN)模型在遥感影像数据处理上有很大的提升,与传统的统计学方法相比,神经网络无需对概率模型做出假设、具有极强的学习能力和容错能力,适用于空间模式识别的各种问题。卷积神经网络是针对遥感影像识别而特别设计的多层神经网络,是一种深度学习方法,CNN针对遥感小样本具有的局部感受野和权值共享特点能够有效降低训练参数数目,子采样(池化)特点能聚合对不同位置的特征,在降低特征维度的同时还能改善结果(不容易过拟合)。CNN用来识别位移、缩放以及其他形式扭曲不变性的二维图像,它隐式地从训练数据中进行学习,能在统一特征映射面上权值共享的特征使网络能并行学习,这也成为CNN相对于神经元全连接网络的一大优势,为水环境遥感人工智能技术将提供更多的支撑。基于此发明提出一种基于多层卷积神经网络的水环境遥感数据建模方法。
发明内容
本发明的目的是:旨在提供一种基于多层卷积神经网络的水环境遥感数据建模方法,基于遥感反演与深度学习技术,结合水环境在线监测时序列的特点,该系统以水环境遥感影像数据为输入,结合原位在线监测数据,旨在实现三峡库区的大尺度水环境在线遥感水质准确识别诊断,从而为政府机构、环境专家、相关从业者提供一种可靠、易用的大尺度水环境监测和辅助决策工具。
为实现上述技术目的,本发明采用的技术方案如下:
一种基于多层卷积神经网络的水环境遥感数据建模方法,其特征在于:所述基于多层卷积神经网络的水环境遥感数据模型由输入层、训练层和输出层依次连接组成;所述输入层输入为经过预处理的卫星获取的遥感影像数据;所述训练层包括若干卷积层、与每个卷积层相对应的池化层和若干全连接层,所述训练层首端为卷积层,每个所述卷积层与每个卷积层相对应的池化层并为一组,且依次连接,尾端的所述池化层与全连接层依次连接,所述卷积层、池化层和全连接层均由多个矩阵相互独立的隐藏神经元组成,所述输出层为输出结果,所述输入层和输出层均由神经元组成,所述训练层通过对经过预处理的卫星获取的遥感影像数据的遥感光谱特征曲线逐层的特征提取学习输入高层特征并将其输入到全连接层中对结果进行识别,并由输出层输出结果。
采用本发明技术方案,卷积层是多层卷积神经网络的特征映射层,具有局部连接和权值共享的特征,该种特征降低了神经网络模型的复杂度,使需要调整参数的数量减少;池化层是卷积神经网络的特征提取层,它将输入中连续范围作为池化区域,并且只对重复的隐变量单元输出特征进行池化,该操作使卷积神经网络具有平移不变性,卷积神经网络用来识别位移、缩放以及其他形式扭曲不变性的二维图像,它隐式地从训练数据中进行学习,能在统一特征映射面上权值共享的特征使网络能并行学习,多层卷积神经网络在网络中对从在底层提取到的线、角等特征进行传递,并在网络的高层开始识别更复杂的特征,该特性使多层卷积神经网络更擅长识别遥感影像数据的水体信息,本发明以水环境遥感影像为输入,结合原位在线监测数据,旨在实现三峡库区的大尺度水环境在线遥感水质准确识别诊断,从而为政府机构、环境专家、相关从业者提供一种可靠、易用的大尺度水环境监测和辅助决策工具。
进一步限定,所述基于多层卷积神经网络的水环境遥感数据模型对遥感影像数据进行训练而遥感影像数据样本量不足时,采用设置一半隐层节点值为0,即随机删掉训练层中一半的隐藏神经元的方式进行训练,具体操作步骤为:
S1:首先随机删掉训练层中一半的隐藏神经元,输入层和输出层神经元保持不变;
S2:然后把经过预处理的卫星获取的遥感影像数据通过修改后的训练层前向传播,然后把得到的损失结果通过修改的训练层反向传播。一小批训练样本执行完这个过程后,在没有被删除的神经元上按照随机梯度下降法更新对应的参数
S3:然后继续重复这一过程,恢复被删掉的神经元,此时被删除的神经元保持原样,而没有被删除的神经元已经有所更新。从隐藏层神经元中随机选择一个一半大小的子集临时删除掉,备份被删除神经元的参数。
S4:最后结合水质原位在线监测样本数据,先前向传播然后反向传播损失并根据随机梯度下降法更新参数(w,b),没有被删除的那一部分参数得到更新,删除的神经元参数保持被删除前的结果,不断重复这一过程,最终使遥感影像数据得到充分训练。
这样,在对遥感影像数据进行训练而实际上因为遥感样本量不足时,采用设置一半隐层节点值为0,即随机删掉训练层中一半的隐藏神经元的方式进行训练,可以明显地减少过拟合现象,这种方式可以减少隐藏神经元间的相互作用。同时在以递归方式进行学习的时候,让某个神经元的以一定的概率停止运行减少数据过度拟合,这样可以使模型泛化性更强,使模型不会过度依赖某些局部的遥感光谱特征。
进一步限定,所述多层卷积神经网络公式如下:
进一步限定,所述遥感影像数据为HJ-1/CCD数据。这样,获取的数据图像空间分辨率、时间分辨率都较高。
进一步限定,所述遥感影像数据预处理包括大气校正和归一化处理。这样,使用大气校正消除在传输过程中由大气散射和吸收引起的辐射误差,而归一化处理使得输入特征标准化,有利于提升卷积神经网络的学习效率和表现。
进一步限定,所述大气校正采用大气校正模型FLAASH,所述FLAASH大气校正算法输入参数包括影像中心位置、成像时间、传感器类型、地面平均高程、高度、影像空间分辨率、气溶胶模型、所用大气模型、水汽特征波段、大气能见度、气溶胶参数提取方法以及是否进行光谱平滑和波长重新订正。这样的模型,大气校正模型FLAASH直接移植了Modtran4中的辐射传输计算方法,并且适用的波长范围包括可见光至近红外以及短波红外,最大波长范围为3μm,能够精确补偿大气影响。
进一步限定,所述经过预处理的卫星获取的遥感影像数据采用随机变换的方式提升模型训练样本,所述随机变换的方式包括旋转、移动、缩放和翻转。这样,实时数据提升的图像经过随机概率变换预处理后有利于抑制过拟合,提高模型的泛化能力。
附图说明
本发明可以通过附图给出的非限定性实施例进一步说明;
图1为本发明一种基于多层卷积神经网络的水环境遥感数据建模方法实施例的结构示意图;
图2为本发明一种基于多层卷积神经网络的水环境遥感数据建模方法实施例的被删掉的隐藏神经元的结构示意图;
图3为本发明一种基于多层卷积神经网络的水环境遥感数据建模方法实施例的HJ-1A/B卫星类遥感图像场景示例;
图4为本发明一种基于多层卷积神经网络的水环境遥感数据建模方法实施例的多层卷积神经网络方法与传统CNN方法和Inception方法间的MAE变化比较;
图5为本发明一种基于多层卷积神经网络的水环境遥感数据建模方法实施例的2018年不同时期水体富营养状况的经遥感影像进行卷积层卷积处理后的变化情况。
具体实施方式
为了使本领域的技术人员可以更好地理解本发明,下面结合附图和实施例对本发明技术方案进一步说明。
实施例1
如图1-4所示,HJ-1A/B卫星于2008年9月6日上午11点25分成功发射,在两颗卫星上装载的两台CCD相机设计原理完全相同,可生成4个谱段的推扫成像,其对地刈幅宽度为700公里、地面像元分辨率为30米,两台CCD相机组网后重访周期仅为2天,其过境长寿湖的时间约为10-11a.m,选取2015年3月到2018年10月实际获取影像157幅遥感影像实地采样期间其HJ-1/CCD遥感影像,湖区面积66km2,一景影像即可覆盖。
在用多层卷积神经网络算法对图像进行训练前,先对图像进行归一化等预处理,将数据映射到输出层的激活函数值域(0,1)区间内。由于遥感图像获取难,训练数据有限,归一化后的数据进行一系列的裁剪变化来提升模型训练样本。每次训练时数据生成器会无限生成数据,直到达到规定的epoch次数为止。每个epoch将生成一个批次的遥感数据。实时数据提升的图像经过随机概率变换预处理后有利于抑制过拟合,提高模型的泛化能力。实验过程中通过随机选取的总数据的80%的遥感影像数据作为训练数据,其余20%为测试数据。
为分析遥感影像数据的改进的多层卷积神经网络方法与传统CNN方法和Inception方法之间的差异,在同样的数据集三峡库区长寿湖遥感影像进行分类实验。图4展现了这三种方法随训练的的收敛情况的变化,由实验可知,多层卷积神经网络模型在大部分的情况下能够收敛更快,精度更好。
实施例2
如图5所示,展示了一张长寿湖遥感影像在2018年不同时期水体富营养状况的变化情况,由图可见,在对遥感影像进行卷积层卷积处理后所呈现的数据可以更加清晰直观的展示。图中4月份水体叶绿素浓度开始升高,在7月份达到顶峰。这与实测结果相吻合。因此经过反复试验和对比,基于多层卷积神经网络的水环境遥感卷积神经网络算可以对遥感信息进行比较准确地提取,基本可以实现水质状态自动反演的要求。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (7)
1.一种基于多层卷积神经网络的水环境遥感数据建模方法,其特征在于:所述基于多层卷积神经网络的水环境遥感数据模型由输入层、训练层和输出层依次连接组成;所述输入层输入为经过预处理的卫星获取的遥感影像数据;所述训练层包括若干卷积层、与每个卷积层相对应的池化层和若干全连接层,所述训练层首端为卷积层,每个所述卷积层与每个卷积层相对应的池化层并为一组,且依次连接,尾端的所述池化层与全连接层依次连接,所述卷积层、池化层和全连接层均由多个矩阵相互独立的隐藏神经元组成,所述输出层为输出结果,所述输入层和输出层均由神经元组成,所述训练层通过对经过预处理的卫星获取的遥感影像数据的遥感光谱特征曲线逐层的特征提取学习输入高层特征并将其输入到全连接层中对结果进行识别,并由输出层输出结果。
2.根据权利要求1所述的一种基于多层卷积神经网络的水环境遥感数据建模方法,其特征在于:所述基于多层卷积神经网络的水环境遥感数据模型对遥感影像数据进行训练而遥感影像数据样本量不足时,采用设置一半隐层节点值为0,即随机删掉训练层中一半的隐藏神经元的方式进行训练,具体操作步骤为:
S1:首先随机删掉训练层中一半的隐藏神经元,输入层和输出层神经元保持不变;
S2:然后把经过预处理的卫星获取的遥感影像数据通过修改后的训练层前向传播,然后把得到的损失结果通过修改的训练层反向传播。一小批训练样本执行完这个过程后,在没有被删除的神经元上按照随机梯度下降法更新对应的参数
S3:然后继续重复这一过程,恢复被删掉的神经元,此时被删除的神经元保持原样,而没有被删除的神经元已经有所更新。从隐藏层神经元中随机选择一个一半大小的子集临时删除掉,备份被删除神经元的参数。
S4:最后结合水质原位在线监测样本数据,先前向传播然后反向传播损失并根据随机梯度下降法更新参数(w,b),没有被删除的那一部分参数得到更新,删除的神经元参数保持被删除前的结果,不断重复这一过程,最终使遥感影像数据得到充分训练。
4.根据权利要求3所述的一种基于多层卷积神经网络的水环境遥感数据建模方法,其特征在于:所述遥感影像数据为HJ-1/CCD数据。
5.根据权利要求4所述的一种基于多层卷积神经网络的水环境遥感数据建模方法,其特征在于:所述遥感影像数据预处理包括大气校正和归一化处理。
6.根据权利要求5所述的一种基于多层卷积神经网络的水环境遥感数据建模方法,其特征在于:所述大气校正采用大气校正模型FLAASH,所述FLAASH大气校正算法输入参数包括影像中心位置、成像时间、传感器类型、地面平均高程、高度、影像空间分辨率、气溶胶模型、所用大气模型、水汽特征波段、大气能见度、气溶胶参数提取方法以及是否进行光谱平滑和波长重新订正。
7.根据权利要求4所述的一种基于多层卷积神经网络的水环境遥感数据建模方法,其特征在于:所述经过预处理的卫星获取的遥感影像数据采用裁剪变化的方式提升模型训练样本,所述裁剪变化的方式包括旋转、移动、缩放和翻转。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010517540.2A CN111680626A (zh) | 2020-06-09 | 2020-06-09 | 一种基于多层卷积神经网络的水环境遥感数据建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010517540.2A CN111680626A (zh) | 2020-06-09 | 2020-06-09 | 一种基于多层卷积神经网络的水环境遥感数据建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111680626A true CN111680626A (zh) | 2020-09-18 |
Family
ID=72435681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010517540.2A Pending CN111680626A (zh) | 2020-06-09 | 2020-06-09 | 一种基于多层卷积神经网络的水环境遥感数据建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680626A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116080A (zh) * | 2020-09-24 | 2020-12-22 | 中国科学院沈阳计算技术研究所有限公司 | 一种融合了注意力机制的cnn-gru水质预测方法 |
CN112381462A (zh) * | 2020-12-07 | 2021-02-19 | 军事科学院系统工程研究院网络信息研究所 | 一种类人体神经系统的智能网络系统的数据处理方法 |
CN114112945A (zh) * | 2021-12-31 | 2022-03-01 | 安徽大学 | 一种新型巢湖蓝藻水华监测系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721644A (zh) * | 2012-06-21 | 2012-10-10 | 中国科学院对地观测与数字地球科学中心 | 一种水环境遥感数据处理方法及装置 |
CN105912790A (zh) * | 2016-04-15 | 2016-08-31 | 重庆大学 | 基于深度回归模型的遥感水质监测方法 |
CN107220657A (zh) * | 2017-05-10 | 2017-09-29 | 中国地质大学(武汉) | 一种面向小数据集的高分辨率遥感影像场景分类的方法 |
CN108334937A (zh) * | 2018-02-06 | 2018-07-27 | 大连海事大学 | 一种基于卷积神经网络的水上油膜相对厚度提取方法及系统 |
CN110494895A (zh) * | 2016-08-19 | 2019-11-22 | 莫维迪厄斯有限公司 | 使用稀疏体积数据的渲染操作 |
CN110717506A (zh) * | 2019-08-20 | 2020-01-21 | 河海大学 | 一种基于卷积神经网络的高光谱遥感影像分类方法 |
US20200026953A1 (en) * | 2018-07-23 | 2020-01-23 | Wuhan University | Method and system of extraction of impervious surface of remote sensing image |
CN111007021A (zh) * | 2019-12-31 | 2020-04-14 | 北京理工大学重庆创新中心 | 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 |
CN111024618A (zh) * | 2019-11-25 | 2020-04-17 | 广州丰泽源水利科技有限公司 | 基于遥感影像的水质健康监测方法、装置及存储介质 |
-
2020
- 2020-06-09 CN CN202010517540.2A patent/CN111680626A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721644A (zh) * | 2012-06-21 | 2012-10-10 | 中国科学院对地观测与数字地球科学中心 | 一种水环境遥感数据处理方法及装置 |
CN105912790A (zh) * | 2016-04-15 | 2016-08-31 | 重庆大学 | 基于深度回归模型的遥感水质监测方法 |
CN110494895A (zh) * | 2016-08-19 | 2019-11-22 | 莫维迪厄斯有限公司 | 使用稀疏体积数据的渲染操作 |
CN107220657A (zh) * | 2017-05-10 | 2017-09-29 | 中国地质大学(武汉) | 一种面向小数据集的高分辨率遥感影像场景分类的方法 |
CN108334937A (zh) * | 2018-02-06 | 2018-07-27 | 大连海事大学 | 一种基于卷积神经网络的水上油膜相对厚度提取方法及系统 |
US20200026953A1 (en) * | 2018-07-23 | 2020-01-23 | Wuhan University | Method and system of extraction of impervious surface of remote sensing image |
CN110717506A (zh) * | 2019-08-20 | 2020-01-21 | 河海大学 | 一种基于卷积神经网络的高光谱遥感影像分类方法 |
CN111024618A (zh) * | 2019-11-25 | 2020-04-17 | 广州丰泽源水利科技有限公司 | 基于遥感影像的水质健康监测方法、装置及存储介质 |
CN111007021A (zh) * | 2019-12-31 | 2020-04-14 | 北京理工大学重庆创新中心 | 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 |
Non-Patent Citations (7)
Title |
---|
ESSAM SHARAF EL DIN 等: "Mapping concentrations of surface water quality parameters using a novel remote sensing and artificial intelligence framework", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
FENG LEI 等: "Water remote sensing eutrophication inversion algorithm based on multilayer convolutional neural network", 《JOURNAL OF INTELLIGENT & FUZZY SYSTEMS》 * |
LONGZE LI: "Vehicular Color Recognition with Dynamic and Complex Environment Based on WRCNN", 《2017 INTERNATIONAL CONFERENCE ON INFORMATION, COMMUNICATION AND ENGINEERING》 * |
封丽 等: "基于水质遥感监测的单线程数据分发系统研究", 《2017中国环境科学学会科学与技术年会论文集》 * |
郑卓 等: "高分辨率遥感影像场景的多尺度神经网络分类法", 《测绘学报》 * |
郭劲松: "基于人工神经网络(ANN)的水质评价与水质模拟研究", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅰ辑》 * |
高志强 等: "《深度学习 从入门到实战》", 30 June 2018, 中国铁道出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116080A (zh) * | 2020-09-24 | 2020-12-22 | 中国科学院沈阳计算技术研究所有限公司 | 一种融合了注意力机制的cnn-gru水质预测方法 |
CN112381462A (zh) * | 2020-12-07 | 2021-02-19 | 军事科学院系统工程研究院网络信息研究所 | 一种类人体神经系统的智能网络系统的数据处理方法 |
CN114112945A (zh) * | 2021-12-31 | 2022-03-01 | 安徽大学 | 一种新型巢湖蓝藻水华监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Convolutional neural networks for water body extraction from Landsat imagery | |
CN111680626A (zh) | 一种基于多层卷积神经网络的水环境遥感数据建模方法 | |
CN110909667B (zh) | 面向多角度sar目标识别网络的轻量化设计方法 | |
CN108805861A (zh) | 一种基于深度学习的遥感图像云检测方法 | |
CN110619352A (zh) | 基于深度卷积神经网络的典型红外目标分类方法 | |
CN115690479A (zh) | 一种基于卷积Transformer的遥感图像分类方法及系统 | |
CN110705508A (zh) | 一种isar图像的卫星识别方法 | |
CN111784560A (zh) | 基于级联残差生成对抗网络的sar和光学图像双向翻译方法 | |
CN106204642A (zh) | 一种基于深度神经网络的细胞追踪方法 | |
CN113867307B (zh) | 基于深度神经网络的航天器智能故障诊断方法 | |
CN115457396B (zh) | 一种基于遥感影像的地表目标地物检测方法 | |
CN116883853B (zh) | 基于迁移学习的作物时空信息遥感分类方法 | |
Bramhe et al. | Extraction of built-up areas using convolutional neural networks and transfer learning from sentinel-2 satellite images | |
CN115170961A (zh) | 一种基于深度跨域少样本学习的高光谱图像分类方法及系统 | |
Lei et al. | Water remote sensing eutrophication inversion algorithm based on multilayer convolutional neural network | |
Zhang et al. | Classification method of CO2 hyperspectral remote sensing data based on neural network | |
Masjedi et al. | Prediction of sorghum biomass using time series uav-based hyperspectral and lidar data | |
Xiao et al. | Leaf disease detection based on lightweight deep residual network and attention mechanism | |
CN116229287B (zh) | 基于复杂林地环境的遥感亚像元疫木检测方法 | |
Slimani et al. | Performance comparison of machine learning methods based on CNN for satellite imagery classification | |
Faizal | Automated identification of tree species by bark texture classification using convolutional neural networks | |
CN113221997A (zh) | 一种基于深度学习算法的高分影像油菜提取方法 | |
CN109447009B (zh) | 基于子空间核范数正则化回归模型的高光谱图像分类方法 | |
Patowary et al. | A lightweight CNN architecture for land classification on satellite images | |
Saxena et al. | An Optimized Technique for Image Classification Using Deep Learning |
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 |
Application publication date: 20200918 |
|
RJ01 | Rejection of invention patent application after publication |