CN111752544A - 一种构建支持星载传感器观测过程语义表达的本体模型的方法 - Google Patents
一种构建支持星载传感器观测过程语义表达的本体模型的方法 Download PDFInfo
- Publication number
- CN111752544A CN111752544A CN202010608728.8A CN202010608728A CN111752544A CN 111752544 A CN111752544 A CN 111752544A CN 202010608728 A CN202010608728 A CN 202010608728A CN 111752544 A CN111752544 A CN 111752544A
- Authority
- CN
- China
- Prior art keywords
- observation
- satellite
- class
- borne sensor
- metadata
- 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
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000000179 transient infrared spectroscopy Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/20—Software design
- G06F8/24—Object-oriented
Abstract
本发明公开了一种构建支持星载传感器观测过程语义表达的本体模型的方法，包括解析星载传感器观测数据元数据模型的元数据信息和构建面向星载传感器观测过程本体模型的类与属性关系，解析星载传感器观测数据元数据模型主要通过观测获取、观测处理和观测结果三个方面进行；构建传感器观测过程本体模型的类与属性关系，主要通过核心类、观测获取相关类、观测数据相关类、观测处理相关类和观测产品相关类与属性关系方面实现，描述了观测过程各个环节及其环节间逻辑关系，有助于提高传感器资源的互操作性。
Description
技术领域
本发明涉及地理信息服务技术领域，具体涉及一种构建支持星载传感器观测过程语义表达的本体模型的方法。
背景技术
OGC(开放式地理信息系统协会)在语法层次上定义了观测数据元数据的模型，包括观测的基本标识信息、数据获取相关信息、处理信息、观测设备信息、观测覆盖区域信息和观测结果等。此模型将各类元数据信息作为独立个体进行描述，缺乏对元数据信息间属性关系的描述，并且随着星载传感器的数量和类型的增多，这种模型对于同一概念和术语存在不同描述的现象，在数据查询时易产生语义冲突和冗余。而从语义层次上构建相应的本体，建立元数据信息间的相互关系，可以有效地解决上述问题。
本体(Ontology)是指共享的概念模型明确的形式化规范说明，具体体现了四个方面的含义：概念化、明确、形式化以及共享。星载传感器观测过程本体构建是指通过获取传感器的信息和知识,明确其对于观测过程中涉及的各个概念的共同认可，并从形式化模式上给出这些概念和概念间相互关系的定义。星载传感器观测过程本体的概念化是指观测过程中各个资源的抽象表述；明确是指本体模型中所使用的各个概念及其约束的定义准确且不冲突；形式化是指本体中的观测资源可以被计算机识别、读取和处理；共享是本体的重要特征，表示该本体使用的概念在该领域中已被认可且形成了共识。
研究传感器本体构建的主要组织有W3C，CSIRO，MMI等。根据面向不同的传感器类型，分为地面传感器和遥感传感器本体，例如面向水文观测站的本体模型和面向遥感卫星的观测数据本体模型，其中，面向水文观测站的本体模型的参考文献为Wang C,Chen N,Wang W,Chen Z.A Hydrological Sensor Web Ontology Based on the SSN Ontology:ACase Study for a Flood.ISPRS International Journal of Geo-Information.2018；7(1):2，面向遥感卫星的观测数据本体模型的参考文献为Wang X,Chen N,Chen Z,etal.Earth observation metadata ontology model for spatiotemporal-spectralsemantic-enhanced satellite observation discovery:a case study of soilmoisture monitoring[J].GIScience&remote sensing,2016,53(1):22-44。
根据传感器本体的应用领域和核心概念定义不同，主要分为以传感器为中心和以观测数据为中心的两类本体。
(1)以传感器为中心的本体，侧重描述硬件设备。具有代表性的本体包括：a)用于水文领域的CSIRO传感器本体综合考虑了传感器和观测数据的各项属性，但未能详细描述两者之间的关系，参考文献为"CSIRO"Sensor Ontology(2009version)[EB/OL].[(accessed on 6June 2020)].Available online:https://www.w3.org/2005/Incubator/ssn/wiki/SensorOntology2009；b)侧重于传感器硬件描述的SSN本体，对于传感网网络中的相关概念描述较为详细，适用于传感器观测和采样数据在网上的发布与检索，参考文献为Compton M,et al.The SSN ontology of the W3C semantic sensornetwork incubator group[J].Journal of Web Semantics,2012,17:25-32。
(2)以观测/数据为中心的本体，侧重描述观测数据的层级结构。例如，应用于海洋观测数据的OOSTethys本体，参考文献为Bermudez L,Delory E,Reilly T O.OceanObserving Systems Demystified[C].OCEANS 2009；Biloxi,MS,USA.26-29Oct.2009；Vols1-3；pp.2451–2457，描述了观测模型、处理过程和系统的层次结构，但仅定义了简单的层次结构，缺少完善的属性关系描述。
综上所述，现有的传感器本体侧重点主要在于传感器、观测数据、观测属性、观测设备等。尤其是发展比较成熟的W3C SSN，虽然它针对传感器网络中相关概念描述详尽，是多数相关本体构建的基础，但其重点描述传感器硬件的特点，缺乏传感器观测过程的描述。
发明内容
针对上述现有技术的不足，本发明的目的是设计了面向观测过程的星载传感器本体模型，提出了一种构建支持星载传感器观测过程语义表达的本体模型的方法，有助于传感器及其观测数据的高效管理。
本发明的目的是这样实现的：
一种构建支持星载传感器观测过程语义表达的本体模型的方法，包括以下步骤：步骤1.解析星载传感器观测数据元数据模型的元数据信息；步骤2.采用步骤1中解析的星载传感器观测数据元数据模型的元数据信息，构建面向星载传感器观测过程本体模型的类与属性关系。
所述步骤1包括以下步骤：步骤1.1.解析所述观测数据元数据模型中观测获取的元数据信息，主要用于描述星载传感器在观测获取阶段的归档元数据、轨道元数据、数据获取角度等相关元数据；步骤1.2.解析所述观测数据元数据模型中观测处理的元数据信息，主要用于描述通过星载传感器获得观测数据后进入观测处理阶段的数据处理模式、处理软件信息、产品处理信息等相关元数据；步骤1.3.解析所述观测数据元数据模型中观测结果的元数据信息，主要用于描述通过星载传感器获得的观测数据经过观测处理后得到的观测结果元数据信息。
所述步骤2包括以下步骤：步骤2.1.构建星载传感器观测过程本体模型的核心类与属性关系，用于描述本体模型的核心架构；步骤2.2.构建星载传感器观测过程本体模型的观测获取相关的类与属性关系，用于描述星载传感器进行观测获取时传感器、平台、轨道等相关类与属性关系；步骤2.3.构建星载传感器观测过程本体模型的观测数据相关的类与属性关系，用于描述通过星载传感器获得的观测数据相关的类与属性关系；步骤2.4.构建星载传感器观测过程本体模型的观测处理相关的类与属性关系，用于描述观测数据进行处理时的数据处理模式等相关类与属性关系；步骤2.5.构建星载传感器观测过程本体模型的观测产品相关的类与属性关系，用于描述观测数据经过处理后的观测产品状态、产品类型等相关类与属性关系。
本发明的有益效果是：本发明通过解析观测数据元数据模型的元数据信息，发现星载传感器观测过程不仅包含硬件信息和观察目标信息处理方法，可以提供实时或准实时的信息服务；还包括传感器搜集的所有数据集合相关的观测数据资源。从观测过程的角度建立观测过程本体模型，对于观测资源的高效存储和发现具有重要意义，且有助于提高传感器资源的互操作性，本发明相较于以传感器为中心的本体对比，本发明的本体模型将传感器和观测过程紧密结合；相较于以观测数据为中心的本体对比，可以支持传感器观测过程的描述和推理。
附图说明
图1为本发明传感器本体模型的观测过程描述示意图；
图2为本发明本体中观测获取部分的类和属性关系示意图；
图3为本发明本体中观测数据部分的类和属性关系示意图；
图4为本发明本体中观测处理部分的类和属性关系示意图；
图5为本发明本体中观测产品部分的类和属性关系；
图6为本发明本体的实施例。
具体实施方式
以下结合附图对本发明作进一步说明。
一种构建支持星载传感器观测过程语义表达的本体模型的方法，包括以下步骤，步骤1.按照观测过程的各阶段特征，解析星载传感器观测过程中涉及的元数据信息；
步骤1.1：解析观测过程中观测获取阶段涉及的元数据信息。此部分将传感器元数据信息作为观测获取元数据的一部分，具体包括11大类，见表1。用于剖析观测获取阶段的元数据信息，主要包括数据归档元数据、光谱直方图元数据、特定容器元数据、星载传感器平台轨道元数据、平均照度信息、数据获取角度信息、数据接收站信息、数据获取类型信息、关联设备信息和观测质量信息等元数据信息。
表1观测获取相关的元数据信息
步骤1.2：解析观测过程中观测处理阶段涉及的元数据信息，具体包括7大类，见表2所示。用于剖析观测处理过程中相关元数据信息，主要包括处理中心标识信息、数据处理的日期和实际、数据处理模式、处理软件信息、处理图层信息和产品处理信息等元数据信息。
表2观测处理相关的元数据信息
步骤1.3：解析观测过程中观测结果阶段涉及的元数据信息，具体包括六大类，见表3所示。主要用于描述观测结果相关的元数据信息，主要包括观测结果产品浏览信息、产品大小信息、覆盖区域信息、覆盖物信息、参数信息等。
表3观测结果相关的元数据信息
步骤2：通过分析步骤1中观测过程各阶段元数据信息的特征，构建面向星载传感器观测过程本体模型(ObservationProcessOntology，简称OPO)的类与属性关系。
通过分析步骤1观测过程各阶段元数据信息的特征，可以看出现有的观测数据信息存储在语法层次上，即观测数据的元数据以数据表中某一属性列的形式存储，并没有描述观测数据内部各个元数据之间的逻辑关系。这种情况使得针对观测数据的描述仅说明了某个观测状态，即只是对状态中设计的各要素进行了简单描述，如，观测数据获取的时间、观测获取的空间范围、观测处理时采用的方法和观测类型等。此时观测状态的信息是未经过归纳和划分，因此，对于传感器获取的整个观测过程来说，语法层次上的描述难以表示其观测过程中观测数据发生的状态变化。
如图1所示，针对已有方式存在的问题，本发明改变传统的观测状态的单个属性独立描述，建立面向传感器全观测过程的描述。这样既可以实现观测过程中各个状态的特征描述，又针对相关元素进行了分类和归纳，达到了观测过程各个环节及其环节间逻辑关系的描述。
步骤2.1-2.5实施例描述过程中，以星载传感器Landsat8数据日期为2019年12月23日，数据ID为“LC08_L1TP_139036_20191223_20191223_01_RT”的数据为例进行说明。
步骤2.1：构建星载传感器观测过程本体模型的核心类与属性关系
根据图1所示，用于描述观测过程本体模型的核心类，主要包括观测获取类ObservationAcquisition、观测数据类ObservationData、观测处理类ObservationProcessing和观测产品类。ObservationProduct。以下分别介绍四个类相关的属性关系；
(1)观测获取类ObservationAcquisition直接观测目标地物，所以在观测过程中感兴趣的目标地物是用户最关心的，由此建立了属性关系objectOfInterest，目标对象为被观测地物ObservedObject；
(2)观测获取类获取观测数据类，可以采用属性关系hasObservationData链接观测获取类和观测结果类；
(3)被处理属性关系beProcessed关联观测数据类和观测处理类，目标类为ObservationProcessing；
(4)关联观测处理类和产品类的生产属性关系products，其源类为ObservationProcessing，目标类为ObservationProduct；
(5)isProducedBy表示了一个资源产生者和资源产生对象之间的关系，例如表示观测数据及其产生的观测产品之间的关系，或者描述传感器输出由传感器产生的关系。
通过上述分析，本体模型的核心关系主要以观测获取、观测数据、观测处理、观测产品四个类为中心，以下分别介绍这四个类相关联的类与属性关系。
在具体实施过程中，用户可以根据实际情况选择观测过程本体模型的核心类描述。选取陆地资源卫星Landsat-8为例，实验数据通过观测数据元数据的XML描述转换为本体模型的类和属性关系。观测获取类ObservationAcquisition实例化描述为Landsat8OA，观测数据类实例化描述为Landsat8OD，观测处理类ObservationProcessing实例化描述为Landsat8OP，观测产品类ObservationProduct实例化描述为Landsat8Product。
步骤2.2：构建星载传感器观测过程本体模型的观测获取相关类与属性关系
如图2所示，用于描述星载遥感传感器中的观测获取相关类与属性。类的定义参考表1，图2圆圈中序号与表1中元数据分类的序号对应，例如序号1-1表示表1中的归档元数据部分。以下说明各个属性关系的源对象、目标对象和属性关系内容。
以ObservationAcquisition为源对象，对象属性关系包括hasAcquisitionStation、hasOribt、hashistogram、hasIllumination、hasAcquisitionAngle、hasArchiving和hasVendor等，具体见表4所示。
表4以观测获取类ObservationAcquisition为源对象的属性关系
表5观测获取其他相关的属性关系描述
在具体实施过程中，用户可以根据实际情况选择星载传感器观测过程本体模型中的观测获取类与属性关系。以Landsat8卫星数据为例，观测获取类相关的类实例化描述如下：传感器类opo:SensorID实例化后描述传感器ID为“OLI_TIRS”，平台类opo:PlatformID实例化后描述平台ID为“LANDSAT_8”，通过属性关系hasDate连接观测获取类ObservationAcquisition和数据获取时间类opo:DownlinkAcquisitionDate，其中观测数据获取时间类实例化后描述获取时间为“2019-12-23T04:34:15.7267020Z”。作为Illumination的子类，太阳方仰角类IlluminationElevationAngle实例化后描述为“28.67826662”。太阳方位角类IlluminationAzimuthAngle实例化后描述为“158.16607192”。
步骤2.3：构建星载传感器观测过程本体模型的观测数据相关的类与属性关系。
如图3所示，用于描述观测数据部分相关的类，主要是由观测获取的数据信息组成。其中，本体中类的定义参考表3，图3圆圈中序号分别与表1和表3中元数据分类的序号对应，例如序号3-3表示表3中的覆盖区域信息，序号1-11表示表1-11中的观测质量。属性关系包括：hasdate、hasposition、hasId、hasvalue和hasParameter等，表6列出各个属性关系的源对象、目标对象和属性关系内容。
表6观测数据部分相关的类与属性关系
在具体实施过程中，用户可以根据实际情况选择星载传感器观测过程本体模型中的观测数据类与属性关系。以Landsat8卫星数据为例，观测数据类相关的类实例化描述如下：通过属性关系hasPosition连接观测数据类ObservationData和观测覆盖区域类opo:Coverage，作为opo:Coverage的子类MultiExtentOf观测数据覆盖区域坐标实例化为“35.64589 88.95928,35.7050091.54861,33.49761 89.06207,33.55218 91.58564”。通过属性关系ObservationResultTime将观测数据类ObservationData与观测结果时间点ResultTimePosition连接，其中，ResultTimePosition类实例化为“2019-12-23T06:40:41Z”。通过属性关系hasSpatialResolution和hasTemporalResolution分别将观测数据类ObservationData与空间分辨率类SpatialResolution、时间分辨率类TemporalResolution，其中，空间分辨率类SpatialResolution实例化为“30m”，时间分辨率TemporalResolution实例化为“16days”。
步骤2.4：构建星载传感器观测过程本体模型的观测处理相关的类与属性关系
在获取观测数据后，经过模型的处理，才能生成产品和可以使用的数据。在这个处理过程中涉及的信息包括处理的日期、方法、层次和模式等。如图4所示，此部分围绕观测处理类ObservationProcessing，主要用于描述观测处理过程中相关类与属性关系描述。其中，本体中类的定义参考表2，图2圆圈中序号与表2中元数据分类的序号对应，例如序号2-1表示表2中的处理中心标识信息。此部分的数据处理方法类DataProcessMethod是主要类，主要描述了观测结果处理过程中采用的处理方法，直接作用于观测结果类。属性关系主要包括hasVersion、hasDate、hasName、hasCenter、hasProcessingLevel、hasProcessingMode和auxiliaryProcessing等，表7列出各个属性关系的源对象、目标对象和属性关系内容。
表7观测处理部分的属性关系描述
在具体实施过程中，用户可以根据实际情况选择星载传感器观测过程本体模型中的观测处理类与属性关系。以Landsat8卫星数据为例，观测处理类相关的类实例化描述如下：通过hasVersion属性关系连接观测过程类ObservationProcessing和处理版本类ProcessingVersion，ProcessingVersion实例化为“LPGS_13.1.0”。
步骤2.5：构建星载传感器观测过程本体模型的观测产品相关的类与属性关系。
用于描述观测产品部分的类与属性关系，主要表示已经处理过的观测数据类及相互关系。其中，本体中类的定义参考表3，图5圆圈中序号分别与表3中元数据分类的序号对应，例如序号3-1表示表3中的浏览信息。属性关系包括：hasID、hasName、hasVersion、hasValue和isclassiedBy等，表8列出各个属性关系的源对象、目标对象和属性关系内容。
表8观测产品相关的类与属性关系
在具体实施过程中，用户可以根据实际情况选择星载传感器观测过程本体模型中的观测产品类与属性关系。以Landsat8卫星数据为例，观测产品类相关的类实例化描述如下：观测产品类ID实例化为"LC08_L1TP_139036_20191223_20191223_01_RT"，产品的地理参考信息类BrowseReferenceSystemIdentifier实例化为“WGS84”。
最后，本实施例采用传感器中中分辨率成像光谱仪(MODIS)进行实例化说明，以MOD13A1 500m分辨率植被指数16天合成产品为例。如图6所示，是本发明实施例采用MODIS将星载传感器观测过程本体进行实例描述的示意图；
(1)传感器类opo:SensorName实例化后描述传感器为MODIS；
(2)平台类opo:PlatformName实例化后描述平台名称为Terra；
(3)观测数据元数据ID类opo:MetadataID实例化后描述元数据ID为MOD13A1.A2020129.h00v08.006.2020145233120.hdf；
(4)观测区域类opo:Coverage实例化后描述观测数据的空间区域范围；
(5)观测处理层次类opo:ProcesscingLevel实例化后描述观测处理过程的层次等级为Level3；
(6)观测处理日期类opo:ProcessingDate实例化后描述观测过程中处理的日期为2020-05-25 03:31:20.000；
(7)观测产品类型类opo:ProductType实例化后描述产品的类型为NDVI、EVI；
(8)观测产品版本类opo:ProductVersion实例化后描述产品的版本号为6.0.35；
(9)观测产品大小类opo:ProductSize实例化后描述产品大小为2595567。
Claims (3)
1.一种构建支持星载传感器观测过程语义表达的本体模型的方法，其特征在于：包括以下步骤：步骤1. 解析星载传感器观测数据元数据模型的元数据信息；步骤2. 采用步骤1中解析的星载传感器观测数据元数据模型的元数据信息，构建面向星载传感器观测过程本体模型的类与属性关系。
2.根据权利要求1所述的构建支持星载传感器观测过程语义表达的本体模型的方法，其特征在于：所述步骤1包括以下步骤：步骤1.1. 解析所述观测数据元数据模型中观测获取的元数据信息，主要用于描述星载传感器在观测获取阶段的归档元数据、轨道元数据、数据获取角度等相关元数据；步骤1.2. 解析所述观测数据元数据模型中观测处理的元数据信息，主要用于描述通过星载传感器获得观测数据后进入观测处理阶段的数据处理模式、处理软件信息、产品处理信息等相关元数据；步骤1.3. 解析所述观测数据元数据模型中观测结果的元数据信息，主要用于描述通过星载传感器获得的观测数据经过观测处理后得到的观测结果元数据信息。
3. 根据权利要求1所述的构建支持星载传感器观测过程语义表达的本体模型的方法，其特征在于：所述步骤2包括以下步骤：步骤2.1. 构建星载传感器观测过程本体模型的核心类与属性关系，用于描述本体模型的核心架构；步骤2.2. 构建星载传感器观测过程本体模型的观测获取相关的类与属性关系，用于描述星载传感器进行观测获取时传感器、平台、轨道等相关类与属性关系；步骤2.3. 构建星载传感器观测过程本体模型的观测数据相关的类与属性关系，用于描述通过星载传感器获得的观测数据相关的类与属性关系；步骤2.4.构建星载传感器观测过程本体模型的观测处理相关的类与属性关系，用于描述观测数据进行处理时的数据处理模式等相关类与属性关系；步骤2.5. 构建星载传感器观测过程本体模型的观测产品相关的类与属性关系，用于描述观测数据经过处理后的观测产品状态、产品类型等相关类与属性关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010608728.8A CN111752544B (zh) | 2020-06-29 | 2020-06-29 | 一种构建支持星载传感器观测过程语义表达的本体模型的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010608728.8A CN111752544B (zh) | 2020-06-29 | 2020-06-29 | 一种构建支持星载传感器观测过程语义表达的本体模型的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111752544A true CN111752544A (zh) | 2020-10-09 |
| CN111752544B CN111752544B (zh) | 2023-11-10 |
Family
ID=72678086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010608728.8A Active CN111752544B (zh) | 2020-06-29 | 2020-06-29 | 一种构建支持星载传感器观测过程语义表达的本体模型的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111752544B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102542513A (zh) * | 2012-01-17 | 2012-07-04 | 上海交通大学 | 基于本体的电网公共信息模型的验证工具及其方法 |
| CN103092594A (zh) * | 2011-11-07 | 2013-05-08 | 金蝶软件（中国）有限公司 | 模型转换方法及装置 |
| CN103150332A (zh) * | 2013-01-28 | 2013-06-12 | 浙江大学 | 对地观测元数据集成方法 |
| CN103279344A (zh) * | 2013-05-27 | 2013-09-04 | 武汉大学 | 一种支持异构传感器语义注册的方法及系统 |
| CN103399964A (zh) * | 2013-08-23 | 2013-11-20 | 武汉大学 | 一种支持对地观测数据元数据注册的映射方法及系统 |
| CN106897405A (zh) * | 2017-02-15 | 2017-06-27 | 中国地质大学（武汉） | 一种地理空间传感网本体的构建方法及装置 |
| CN108491509A (zh) * | 2018-03-22 | 2018-09-04 | 山东大学 | 一种传感数据映射、服务组合和智能服务方法及装置 |
| CN110413465A (zh) * | 2019-07-18 | 2019-11-05 | 国电南瑞科技股份有限公司 | 一种基于信息交互总线的信息一致性测试方法、系统和验证服务器 |
-
2020
- 2020-06-29 CN CN202010608728.8A patent/CN111752544B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103092594A (zh) * | 2011-11-07 | 2013-05-08 | 金蝶软件（中国）有限公司 | 模型转换方法及装置 |
| CN102542513A (zh) * | 2012-01-17 | 2012-07-04 | 上海交通大学 | 基于本体的电网公共信息模型的验证工具及其方法 |
| CN103150332A (zh) * | 2013-01-28 | 2013-06-12 | 浙江大学 | 对地观测元数据集成方法 |
| CN103279344A (zh) * | 2013-05-27 | 2013-09-04 | 武汉大学 | 一种支持异构传感器语义注册的方法及系统 |
| CN103399964A (zh) * | 2013-08-23 | 2013-11-20 | 武汉大学 | 一种支持对地观测数据元数据注册的映射方法及系统 |
| CN106897405A (zh) * | 2017-02-15 | 2017-06-27 | 中国地质大学（武汉） | 一种地理空间传感网本体的构建方法及装置 |
| CN108491509A (zh) * | 2018-03-22 | 2018-09-04 | 山东大学 | 一种传感数据映射、服务组合和智能服务方法及装置 |
| CN110413465A (zh) * | 2019-07-18 | 2019-11-05 | 国电南瑞科技股份有限公司 | 一种基于信息交互总线的信息一致性测试方法、系统和验证服务器 |
Non-Patent Citations (5)
| Title |
|---|
| 杨慧等: "Web环境下异构地理分析模型的标准化和形式化研究", 《地球信息科学》 * |
| 杨慧等: "Web环境下异构地理分析模型的标准化和形式化研究", 《地球信息科学》, no. 03, 15 June 2008 (2008-06-15) * |
| 陈能成;王晓蕾;王超;: "对地观测语义传感网的进展与挑战", 地球信息科学学报, no. 06 * |
| 陈能成等: "对地观测语义传感网的进展与挑战", 《地球信息科学学报》 * |
| 陈能成等: "对地观测语义传感网的进展与挑战", 《地球信息科学学报》, no. 06, 15 December 2012 (2012-12-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111752544B (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lefebvre et al. | Monitoring urban areas with Sentinel-2A data: Application to the update of the Copernicus high resolution layer imperviousness degree | |
| Dennis et al. | Mapping urban green infrastructure: A novel landscape-based approach to incorporating land use and land cover in the mapping of human-dominated systems | |
| Blaschke et al. | Geographic object-based image analysis–towards a new paradigm | |
| Chaturvedi et al. | Machine learning algorithms for urban land use planning: A review | |
| Ran et al. | Large-scale land cover mapping with the integration of multi-source information based on the Dempster–Shafer theory | |
| Andres et al. | Towards an ontological approach for classifying remote sensing images | |
| Belgiu et al. | Coupling formalized knowledge bases with object-based image analysis | |
| Kinnebrew et al. | Approaches to interdisciplinary mixed methods research in land‐change science and environmental management | |
| CN104679827A (zh) | 一种基于大数据的公开信息关联方法及挖掘引擎 | |
| Borges et al. | Schrödinger's phenotypes: Herbarium specimens show two‐dimensional images are both good and (not so) bad sources of morphological data | |
| Rousi et al. | Semantically enriched crop type classification and linked earth observation data to support the common agricultural policy monitoring | |
| Georganos et al. | Is it all the same? Mapping and characterizing deprived urban areas using Worldview-3 superspectral imagery. A case study in Nairobi, Kenya | |
| Chun et al. | Identification of promising smart farm technologies and development of technology roadmap using patent map analysis | |
| Alipour et al. | A multimodal data fusion and deep learning framework for large-scale wildfire surface fuel mapping | |
| Behnisch et al. | Urban data-mining: spatiotemporal exploration of multidimensional data | |
| Saran et al. | A comprehensive review on biodiversity information portals | |
| Dashpurev et al. | Monitoring oil exploitation infrastructure and dirt roads with object-based image analysis and random forest in the Eastern Mongolian Steppe | |
| Durbha et al. | A framework for semantic reconciliation of disparate earth observation thematic data | |
| Belhi et al. | Deep learning and cultural heritage: the CEPROQHA project case study | |
| Ali et al. | Distributed data mining systems: techniques, approaches and algorithms | |
| CN111752544A (zh) | 一种构建支持星载传感器观测过程语义表达的本体模型的方法 | |
| Albuquerque et al. | OntoBio: A biodiversity domain ontology for Amazonian biological collected objects | |
| Babalou et al. | Towards a semantic toolbox for reproducible knowledge graph generation in the biodiversity domain-how to make the most out of biodiversity data | |
| Iliff et al. | The Avian Knowledge Network: a partnership to organize, analyze, and visualize bird observation data for education, conservation, research, and land management | |
| Alberink et al. | Repeatability and reproducibility of earprint acquisition |
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 |