CN111914218A - 一种面向用户应用的灾害遥感产品真实性检验方法 - Google Patents
一种面向用户应用的灾害遥感产品真实性检验方法 Download PDFInfo
- Publication number
- CN111914218A CN111914218A CN202010778732.9A CN202010778732A CN111914218A CN 111914218 A CN111914218 A CN 111914218A CN 202010778732 A CN202010778732 A CN 202010778732A CN 111914218 A CN111914218 A CN 111914218A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- product
- data
- disaster
- products
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种面向用户应用的灾害遥感产品真实性检验方法,所述检验方法包括(1)定量表达遥感产品时空精度;(2)根据用户的具体需求,对定量的精度结果给出定性评判。本发明的检验方法可以直接评价遥感产品是否可靠,辅助决策者制定决策。
Description
技术领域
本发明属于遥感产品真实性检验领域,涉及一种面向用户应用的灾害遥感产品真实性检验方法。
背景技术
真实性一词来源于希腊语,最初用于描述博物馆的艺术产品,后出现在哲学主义的研究中。至今,真实性的概念存在各个领域,通常指一件产品反映了真实的情况。“不真实性”,即“不确定性”,对不确定性的定量和定性评价,即为真实性检验过程。
遥感是一项对地观测技术,通过遥感得到原始影像的DN值(Digital Number,像元亮度值),再对DN值进行处理再分析后的产品,称之为遥感应用产品。现尚未存在对遥感产品真实性检验的统一定义,从统计层面上看,遥感产品的真实性检验指产品的准确度测量,准确度包括“精度”和“无偏”两个方面。从应用层面看,NASA在验证MODIS地面产品真实性时给出的定义是,通过比较传感器反演的数值与能够表现真值的对照数据,以此评价其中不确定性的过程。
产品的不确定性会随着产品级别升高而累加。这种不确定性即数据数值与“真值”的差异,来源于测量、模型和尺度效应、人工因素的各个方面。测量中的不确定性包括传感器初始设计、传感器性能及后续维护、大气传输性征、地表特征等;模型中的不确定性指遥感数据到遥感信息产品的转换中出现的不确定性,而尺度效应是指不同空间分辨率的尺度转换中产生的误差;而越高级别的应用产品,加入人工主观分析的因素越多,其不确定性也逐渐加大。根据“链式法则”,遥感产品的真实性由生产链条中真实性最低的模块决定,因此做好基础数据产品的真实性检验尤为重要。
深入分析遥感产品的不确定性,对其进行真实性检验,时空精度是定量表达其结果的方式。在统计中,一般使用“准确性”(Accuracy)定量表达“不确定性”(Uncertainty),而准确性包含了“无偏”(Unbiased)和“精度”(Precision)两个方面(Foody&Atkinson,2003)。通常来说,用均方根误差(Root Mean Squared Error,RMSE)表征数据偏离真值的离散程度,即评估精度;用决定系数(R2)表征数据与真值的拟合程度。在中文的习惯表达中,精度在一定程度上代表了准确性的含义。推及遥感产品的精度计算,即产品呈现的数值结果与其表现内容真值的差异。然而,遥感产品由传感器接收的辐射亮度转换处理而来,其表现地物的“真值”是不存在的。在评估产品的精度时,若产品数值在离真值可容忍范围内,视为产品可靠,即通过了真实性检验。
事实上,定量评估遥感产品的不确定性在得到其精度后,传统意义上的真实性检验工作就结束了。然而,随着如今产品的逐级深化,如何对定量结果进行评估,制定真实性检验的评判标准,成为一项新的议题。
发明内容
目前,在遥感数据源的支持下,与遥感相关的各种机构生产出大量的遥感应用产品,而产品使用者也需要相应的遥感应用产品辅助决策过程,但双方对遥感应用产品的评价方式和理解有所不同。一方面,生产者生产出的各级产品,随着产品级别的增加,产品的不确定性也逐渐增加,精度逐渐降低,生产者对产品采用定量指标进行评价,只能给出产品精度,却无法定性评价产品“好”或者“不好”;另一方面,不同分级的产品对应不同的用户,其对产品的需求也有所差异,例如使用专题产品的决策者更希望能直接从产品中获取产品概念和不确定性评估结果,以此作为决策依据,而非生产者给出的量化的精度指标值,这使得产品供给与决策需求之间的匹配度较低。本发明的面向用户应用的灾害遥感产品真实性检验方法解决了这一问题。
根据本发明的一个方面,本发明提供了一种面向用户应用的灾害遥感产品真实性检验方法,所述方法包括如下步骤:
(1)收集对地观测的测量数据;
(2)对步骤1的测量数据进行处理生产灾害遥感产品;
(3)对灾害遥感产品真实性进行检验,定量表达其时空精度;
(4)根据用户的具体需求,对步骤3定量的精度结果给出定性评判。
进一步,所述测量数据包括灾害发生不同时间点收集到的测量数据。
进一步,所述测量数据包括高分辨率数据,地面采样数据,地表分类数据。
进一步,所述灾害遥感产品包括数据产品、信息产品、专题产品。
可用于本发明的对灾害遥感产品真实性进行检验的方法包括交叉检验、地面多点采样检验、高分辨率数据检验、地表分类数据检验、灾情动态演变检验。
某次灾害发生后,需要在短时间内获取多种数据用于辅助灾情判断和灾后救援,但数据获取存在一定的周期。灾害发生后第一时间仅能获取有限遥感影像(如GF-4,地球同步轨道卫星,具有高时间分辨率),在对影像进行粗略处理后直接呈报给决策者,用于灾情初步判断。这种情况下尽管不能保证产品精度,但也为决策过程提供了重要的依据。随着灾情状况逐步好转,研究人员可前往现场获取实测数据,对之前提取的灾害遥感产品进行完善,并利用实测数据检验,给出定量精度评价结果。此外,其它时间分辨率相对较低但空间分辨率更高的遥感影像(如HJ-1A影像)以及更可靠的遥感产品(水体指数产品等)也可逐步获取,实现对灾害遥感产品进行交叉检验或基于高分辨率数据的检验,使检验过程更加完善;一些精度较高的地表分类产品也可作为参考数据,用于灾害遥感产品检验。
可用于本发明的定性评判的方法包括利用多种检验方法集成结合用户需求分析产品的可靠性。
定性评判的方法包括以下步骤:
a)根据用户需求设定评判标准;
b)根据步骤(3)的精度结果,以步骤a的评判标准给出所述灾害遥感产品的可靠性的结果。
进一步,所述可靠性结果包括可靠性低、可靠性中、可靠性高。
进一步,所述精度结果包括以下指标:R2、RMSE、百分比。
在统计中,一般使用“准确性”(Accuracy)定量表达“不确定性”(Uncertainty),而准确性包含了“无偏”(Unbiased)和“精度”(Precision)两个方面。通常来说,用均方根误差(Root Mean Squared Error,RMSE)表征数据偏离真值的离散程度,即评估精度;用决定系数(R2)表征数据与真值的拟合程度。此外,在利用地面多点采样和地表分类数据进行检验时,其准确性表达方式可能为准确率(百分比)。
本发明的用户需求包含时效、尺度、精度的要求,不确定性定性或定量表达的要求,产品是否易获取、数据格式易处理的要求,使用途径的特殊要求等。
进一步,所述用户包括科研人员、业务人员、决策者。
更进一步,所述科研人员包括遥感领域研究者、对地观测研究者。
遥感领域研究者倾向获取真实性检验工作的具体内容,包括验证数据、检验方法、定量结果等;对地观测者是最广泛的应用人群,更加倾向关注产品真实性检验的检验方法和定量结果;而针对决策者,具体的验证数据和检验方法不是最主要的信息,产品准确度的定量结果和产品是否可用的可靠性定性分析,是决策者关注的主要内容。
根据本发明的另一个方面,本发明提供了利用前面所述的方法生成的面向应用的灾害遥感真实性检验业务产品。
进一步,所述业务产品包括报告形式。
报告的正文包括真实性检验的对象主体(待检验产品基本信息)、方法选择(产品检验方法)、结果表达(产品检验精度)和评判标准(产品检验结论)。
对象主体,不同级别的产品具有不同的不确定性来源,有不同的检验对象。
结果表达,包括时空精度和抽样的科学化。
评判标准,衡量真实性检验结果,需要判别是否满足用户需求。
对象主体决定了检验工作的过程内容,结果表达是对检验过程的定量评价,而评判标准是对结果的再一次评价分析。
以下是本申请中的词语解释:
灾害遥感产品是指基于遥感,用于刻画自然灾害的孕灾、致灾、成灾的过程,揭示灾害监测和评估结果的一种表达手段和方式,由信息(In)、要素(C)、指标(Ii)、参数(Pa)、数据(D)等因素组成,其概念模型为[P=f(In,C,Ii,Pa,D)。
数据产品是指通过卫星遥感探测或地面处理可直接展示灾害特征或服务于灾害信息提取的影像产品。
数据产品依据卫星遥感的探测波段及其观测对象可分为光学数据产品、微波数据产品、再加工数据产品。
光学数据产品包括全色数据产品,多光谱数据产品,高光谱数据产品,热红外数据产品。
微波数据产品包括主动微波数据产品,被动微波数据产品。
再加工数据产品包括数据融合产品,数据增强产品。
信息产品是指基于遥感影像解译或参数反演,提取的灾害致灾因子、承灾体、孕灾环境要素分布,属性及状态的产品。
信息产品依据自然灾害系统结构,分为致灾因子信息产品、承灾体信息产品、孕灾环境信息产品。
致灾因子信息产品包括气象水文致灾因子信息产品,地震地质致灾因子信息产品。
承灾体信息产品包括人口信息产品,房屋信息产品,农作物信息产品,基础设施信息产品。
专题产品是指利用遥感影像,依托异常信息图区,时空特征分级等方法,获取的服务于不同灾害管理阶段需求的遥感产品。
专题产品依据灾害管理有业务流程分为监测评估专题产品、损失评估专题产品、恢复重建专题产品。
监测评估专题产品包括承灾体暴露于脆弱性专题产品,致灾因子强度专题产品,灾害风险与损失预评估专题产品。
损失评估专题产品包括灾害范围专题产品,毁损实物量评估专题产品,综合评估专题产品。
恢复重建专题产品包括房屋恢复重建专题产品,道路恢复重建专题产品,基础设施恢复重建专题产品。
本发明的优点和有益效果:
本发明的面向用户的真实性检验可以对产品结果进行再一次评价分析,综合评价遥感产品的真实性,从而连接了遥感产品和用户,在一定程度上提升了产品供给和决策需求之间的匹配度。
在考虑产品生产和决策需求之间的矛盾后,在产品生产环节之后进行产品真实性检验,将检验结果用于决策过程,这一方面促进了遥感应用产品的有效使用,另一方面提升了辅助决策的能力。
附图说明
图1显示面向用户应用的灾害遥感产品真实性检验方法的流程图;
图2显示业务产品格式图。
具体实施方式
实施例1对灾害遥感产品真实性进行检验
一、收集对地观测的测量数据
测量数据包括高分辨率数据,地面采样数据,地表分类数据。
二、对测量数据进行处理生产灾害遥感产品
灾害遥感产品包括数据产品、信息产品、专题产品。表1介绍了遥感应用产品主要用户来源及其主要需求。
表1遥感应用产品主要用户来源及其主要需求
三、对灾害遥感产品真实性进行检验,定量表达其时空精度
1、基于多源数据的应用产品交叉检验方法
基于多源遥感的应用产品交叉检验技术关键是要获取同类且精度得到认可的遥感产品。在没有地面测量数据支持的情况下,把时相接近的不同产品统一到相同的投影坐标系和空间分辨率下,通过建立一定的关系模型比较不同的产品,评估产品的精度,最终验证得到的精度是相对于参考产品的相对精度。
基于多源遥感的应用产品交叉检验方法基本步骤如下:
(1)选择同类且精度得到认可的遥感产品
对水体指数产品来说,可选择HJ卫星水体指数产品/MODIS水体指数产品等作为标准产品。(在标准产品还未处理生成的情况下,可先选择相近时间、相近地理位置的HJ卫星遥感影像数据)。
(2)待检验数据和标准产品预处理和一致性转换
为防止影像过大影响后续运算,对待检验数据和标准产品都要先进行空间裁剪,此外要转换为相同的投影,若标准产品的空间分辨率高于GF-4遥感数据产品的分辨率,则先对其进行空间重采样,使得两者空间分辨率相同。此外,还要注意波段上是否一致,若不一致,则需要利用波段响应函数做波段转换。最后获取同投影、同分辨率、同空间范围的水体指数产品。
(3)数据抽样和精度获取
利用随机均匀抽样(所谓随机均匀抽样是指按照距离固定、在每间隔一定距离的情况下采样一次的规则抽取像元点,使被选择的像元在影像上均匀分布)的方式从两幅影像中抽样选取点或者格网单元,然后提取抽样点(或者单元)在两幅影像上的结果,进行抽中样本精度分析,主要方法为回归拟合计算,建立两影像值之间的关系模型,然后对模型精度进行评价,指标为预测值均方根误差RMSEP、预测值和实测值之间的相关系数r以及模型的决定系数R2,即得到待检验水体指数产品相对于参考水体指数产品的相对精度。
其中,E(Yi)表示第i个实际观测值;yi为第i个模型反演的预测值;n为观测样本总数。RMSEP常用以量化模型精度,而r可评估模型的精确性。RMSEP数值越低,回归模型越精确。相关系数r越接近于1,模型精度越高。
2、基于地面多点采样的应用产品检验方法
基于地面多点采样的应用产品检验技术关键在于设计出合理的采样方案,本研究主要通过实地采样的方式验证水体面积、洪涝受灾范围和水体指数等水旱灾害专题产品,通过按照一定规则布设多个样点分别观测,以确定采样点的属性值,从而实现产品精度评价。
基于地面多点采样的应用产品检验方法的具体步骤如下:
(1)采样方案的设计及典型实验区采样
结合水体指数产品真实性检验插件给出的建议采集点以及实地水陆状况,设计有规律样点的采样方案,利用移动终端在典型实验区内水体和非水体中进行样点属性的采集(包括高程、坐标位置、属性类别值等)。
(2)待检验数据的预处理及水体产品的获取
对待检验的GF-4影像数据进行空间裁剪、投影转换等操作以方便运行处理,然后通过水体指数运算及阈值运算得到三值数据(水体、非水体、背景分别赋为1,0,-1)。
(3)精度评价
分别导入水体和非水体的实地采样点数据,精度评价采用方法主要包括:
①回归拟合计算方法
指主要采用回归与拟合相关方法进行精度分析。涉及主要指标包括:均方根误差、相对误差、平均绝对误差、相关系数、确定性系数。
②混淆矩阵计算方法
用于表示分为某一类别的像元个数与地面检验为该类别数的比较阵列。通常,阵列中的列代表参考数据(地面调查数据、交叉检验产品),行代表由减灾应用产品得到的类别数据。统计意义上反映分类结果在多大程度上优于随机分类结果,可以用于比较两个分类器的误差矩阵是否具有显著差别。
表2为混淆矩阵,其中:P为样本总数;Pij为分类数据中第i类和参考数据第j类所占比例;P+j为参考数据中第j类的总和;Pi+为分类数据中第i类的总和。
表2误差矩阵表
总体分类精度指对每一随机样本,分类的结果与地面所对应的实际类型相一致的概率。
Kappa系数是一个分类质量评价指标,它采用一种离散的多元技术,考虑了混淆矩阵的所有因素,是一种测定两幅图直接吻合度的指标。公式如下:
3、基于高分辨率数据的应用产品检验方法
基于高分辨率数据的应用产品检验技术关键在于建立了逐级多尺度的验证策略。通过引入高分辨率数据,建立地面实测数据——中低分辨率像元的尺度转换桥梁,由地面实测数据验证高分辨率遥感产品,进而由高分辨率遥感产品验证低分辨率遥感产品,通过相近的尺度转换,在一定程度上解决了地面点-中低分辨率像元之间尺度不匹配问题。
基于高分辨率数据检验具体步骤如下:
(1)选取数据集
选择标准高分辨率影像(HJ卫星影像等)、实地采样点数据等。实地采样点数据的获取则先通过软件获取建议采集点,然后利用移动终端对布设的调查点进行实际的地面调查。
(2)待检验数据和标准影像预处理及水体指数提取
为防止影像过大影响后续运算,对待检验数据和标准产品都要先进行空间裁剪,此外要转换为相同的投影,然后通过水体指数运算获取高分辨率水体指数产品和待检验水体指数产品。
(3)实测点检验高分辨率产品
用相同区域的实测数据检验高分辨率三值影像,得到高分辨率水体产品的分类精度。具体检验方法同基于地面多点采样的应用产品检验技术。
(4)待检验产品一致性转换和相对验证
将检验过的高分辨率水体产品和待检验水体产品进行一致性转换,实现同分辨率、同投影、同空间范围,对产品像元随机抽样,生成影像值之间的关系模型,即可得到待检验水体产品相对于高分辨率水体产品的精度。具体检验方法同基于多源遥感的应用产品交叉检验技术。
4、基于地表分类数据的应用产品检验方法
基于地表分类数据的应用产品检验技术关键在于获取经过精确分类的监督分类产品。以分类产品作为标准产品,通过一定的质量评价指标,对待检验产品进行精度评价。
基于地表分类数据检验的具体步骤如下:
(1)分类数据获取
获取待检验影像详细的监督分类数据,再通过类别合并等方式获取标准三值数据(水体、非水体、背景)。
(2)待检验数据预处理和一致性转换
通过裁剪、投影转换、水体指数运算等获取待检验三值数据,然后对标准以及待检验三值数据进行一致性转换,获取同投影、同分辨率、同空间范围、同背景区域的分类影像数据。
(3)精度评价
将待检验产品同样转换为分类数据,再通过建立两个分类数据的混淆矩阵,得到检验精度(Kappa系数,用户精度,制图精度,漏分误差,错分误差等)。
5、基于灾情动态演变过程的检验方法
基于灾情动态演变过程的检验技术最关键的是如何建立用于约束检验过程的规则和知识集,以及建立实现检验的技术方法。本研究将基于GF-4卫星遥感数据产品,考虑到其作为地球同步轨道卫星,具有能通过凝视模式实现分钟级成像的特点,在保证高时间分辨率的同时也具有高空间分辨率,进而实现洪涝/旱情灾害动态变化的快速监测,建立基于灾情动态演变过程的检验规则集。
基于灾情动态演变过程的减灾产品检验的具体步骤如下:
(1)灾害发生发展过程中时序减灾产品的整理
分析灾害发生发展的过程、针对某一待检验的减灾产品,收集各个时相的其他各GF卫星(如对于空间分辨率要求不同的,尤其需要GF-4卫星)、其他卫星遥感产品、地面调查及上报的各类减灾产品。
(2)检验数据预处理和一致性转换
将多时相的减灾产品进行预处理和一致性处理,其中预处理主要是针对后面检验需求进行空间裁剪、辐射增强、特征区域选择、波段选择等等;一致性处理主要是针对多源、多时相数据产品在空间、波段、时间等方面的差异,进行空间配准、光谱匹配、时间归一化处理、投影转换等。
(3)基于对象的时间序列检验数据集生成
经过预处理和一致性转换,生成的是规范多时相图像数据集,在图像数据集中包含灾害信息的象素和非灾害信息的象素,而独立的象素不能进行复杂的检验统计。因此,需要将基于象素的图像转换为基于对象的检验数据集,这个过程包括图像分割、灾害对象生成、多时相灾害对象在时间和空间上的匹配等,并最终生成多实现序列的检验对象数据集。
为了更清楚的说明,将第(2)步中的影像时间序列计算为归一化植被指数(NDVI),能监测到植被的动态变化,从而监测灾情。
(4)基于灾情动态演变过程的检验规则集的建立
规则集的建立是本部分工作的重点,是进行多时相减灾产品动态检验的依据和准则。本研究将在分析致灾因子发生和发展演变规律的基础上,结合基于地理信息数据和其他辅助数据,形成灾情动态演变过程的检验规则集,并面向软件工程将规则集转换为评价模型和控制参数。目前已设计的规则集包括:距平变化分析法、曲线相似性比较法。
曲线相似性比较法,则比较待检验时期的多时相灾害产品与历史同期的产品时间曲线的相似性,进而判断灾害产品序列的合理性。
Lhermitte等提出了一种Fk-distance(DFK),使用矢量表示两个时间序列曲线在同一频率的分量,用pqkA表示两分量的差别,并用加权求和的方式求出两个时间序列曲线的距离DFK。其表达式为:
(5)基于灾情演变过程的减灾产品真实性检验和评价
基于灾情演变过程的真实性检验是,利用多时间序列的检验对象数据集对GF多时相减灾产品进行真实性检验,同时通过专家等进行综合评价。同时,基于综合评价结果对一致性处理和检验对象数据集的处理过程进行修正,直到检验结果符合检验规则集和专家知识要求。
实施例2面向用户应用的灾害遥感产品真实性检验方法
面向用户应用的灾害遥感产品真实性检验方法包括:
1)根据实施例1获得对灾害遥感产品的时空精度。
2)根据用户需求设定评判标准;
3)对步骤1)获得的结果表达通过评判标准给出可靠性评价结果。
面向用户应用的灾害遥感产品真实性检验方法的流程图见图1。
面向用户应用的灾害遥感产品真实性检验方法是由对象主体、结果表达和评判标准三者组成的。关于对象主体,不同级别的产品具有不同的不确定性来源,有不同的检验对象;关于结果表达,主要指定量表达,包括时空精度和抽样的科学化;关于评判标准,衡量真实性检验结果,在尺度和精度之间(或时效性等其它特殊的用户需求)进行把握,需要判别是否满足了用户需求。对象主体决定了检验工作的过程内容,结果表达是对检验过程的定量评价,而评判标准是对结果的再一次评价分析。这三者从头到尾构成一个完整的流程,科学地赋予产品真实性检验结果。对不同对象主体进行真实性检验,获取定量的准确性结果,这是业务层面的真实性检验;然而,根据用户需求,给出产品可靠性的定性结果,是和用户紧密结合的应用层面的真实性检验。
根据面向用户应用的灾害遥感产品真实性检验方法获得结果可以生成面向用户应用的灾害遥感真实性检验业务产品。图2显示其中业务产品的一种形式。
Claims (10)
1.一种面向用户应用的灾害遥感产品真实性检验方法,所述方法包括如下步骤:
(1)收集对地观测的测量数据;
(2)对步骤1的测量数据进行处理生产灾害遥感产品;
(3)对灾害遥感产品真实性进行检验,定量表达其时空精度;
(4)根据用户的具体需求,对步骤3定量的精度结果给出定性评判。
2.根据权利要求1所述的方法,其特征在于,所述测量数据包括灾害发生不同时间点收集到的测量数据。
3.根据权利要求2所述的方法,其特征在于,所述测量数据包括高分辨率数据,地面采样数据,地表分类数据。
4.根据权利要求3所述的方法,其特征在于,所述地面采样数据包括地面单点采样数据、地面多点采样数据。
5.根据权利要求1所述的方法,其特征在于,所述灾害遥感产品包括数据产品、信息产品、专题产品。
6.根据权利要求1所述的方法,其特征在于,对灾害遥感产品真实性进行检验的方法包括交叉检验、地面多点采样检验、高分辨率数据检验、地表分类数据检验、灾情动态演变检验。
7.根据权利要求1所述的方法,其特征在于,定性评判的方法包括以下步骤:a)根据用户需求设定评判标准;
b)根据步骤(3)的精度结果,以步骤a的评判标准给出所述灾害遥感产品的可靠性的结果;
优选地,所述可靠性结果包括可靠性低、可靠性中、可靠性高。
8.根据权利要求7所述的方法,其特征在于,所述精度结果包括以下指标:R2、RMSE、百分比。
9.根据权利要求1所述的方法,其特征在于,所述用户包括科研人员、业务人员、决策者;优选地,所述科研人员包括遥感领域研究者、对地观测研究者。
10.根据权利要求1-9所述的方法生成的面向应用的灾害遥感真实性检验业务产品;优选地,所述包括业务产品包括报告形式;更优选地,所述报告包括对象主体、方法选择、结果表达、评判标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010778732.9A CN111914218A (zh) | 2020-08-05 | 2020-08-05 | 一种面向用户应用的灾害遥感产品真实性检验方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010778732.9A CN111914218A (zh) | 2020-08-05 | 2020-08-05 | 一种面向用户应用的灾害遥感产品真实性检验方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111914218A true CN111914218A (zh) | 2020-11-10 |
Family
ID=73288143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010778732.9A Pending CN111914218A (zh) | 2020-08-05 | 2020-08-05 | 一种面向用户应用的灾害遥感产品真实性检验方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914218A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252404A (zh) * | 2021-12-27 | 2022-03-29 | 中科星通(廊坊)信息技术有限公司 | 一种高光谱卫星下的产品真实性检验系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020478A (zh) * | 2012-12-28 | 2013-04-03 | 杭州师范大学 | 一种海洋水色遥感产品真实性检验的方法 |
CN106022790A (zh) * | 2016-05-09 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 一种定量遥感产品真实性检验系统 |
CN106442420A (zh) * | 2016-09-21 | 2017-02-22 | 河海大学 | 一种定性与定量结合的水质监测方法 |
CN107292232A (zh) * | 2017-05-11 | 2017-10-24 | 中国科学院地理科学与资源研究所 | 遥感分类产品精度检验的方法和系统 |
-
2020
- 2020-08-05 CN CN202010778732.9A patent/CN111914218A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020478A (zh) * | 2012-12-28 | 2013-04-03 | 杭州师范大学 | 一种海洋水色遥感产品真实性检验的方法 |
CN106022790A (zh) * | 2016-05-09 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 一种定量遥感产品真实性检验系统 |
CN106442420A (zh) * | 2016-09-21 | 2017-02-22 | 河海大学 | 一种定性与定量结合的水质监测方法 |
CN107292232A (zh) * | 2017-05-11 | 2017-10-24 | 中国科学院地理科学与资源研究所 | 遥感分类产品精度检验的方法和系统 |
Non-Patent Citations (3)
Title |
---|
吴小丹等: "关键陆表参数遥感产品真实性检验方法研究进展", 《遥感学报》 * |
曹泽洲: "《符号消费时代超常消费行为研究》", 15 May 2015 * |
范一大等: "中国灾害遥感研究进展", 《遥感学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252404A (zh) * | 2021-12-27 | 2022-03-29 | 中科星通(廊坊)信息技术有限公司 | 一种高光谱卫星下的产品真实性检验系统及方法 |
CN114252404B (zh) * | 2021-12-27 | 2022-12-20 | 中科星通(廊坊)信息技术有限公司 | 一种高光谱卫星下的产品真实性检验系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
Jianya et al. | A review of multi-temporal remote sensing data change detection algorithms | |
CN110929607A (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
Malahlela | Inland waterbody mapping: Towards improving discrimination and extraction of inland surface water features | |
CN109255100A (zh) | 一种基于微波衰减特征响应指纹识别的城市降雨反演算法 | |
CN111982822B (zh) | 一种长时间序列高精度植被指数改进算法 | |
Wang et al. | Land cover change detection with a cross‐correlogram spectral matching algorithm | |
CN114511784A (zh) | 环境监测预警方法、装置、设备及存储介质 | |
CN114936201A (zh) | 基于自适应分块神经网络模型的卫星降水数据校正方法 | |
Zhao et al. | Optimally integrating multi-source products for improving long series precipitation precision by using machine learning methods | |
CN115825338A (zh) | 臭氧监测降尺度方法、装置、设备及计算机可读存储介质 | |
CN111914218A (zh) | 一种面向用户应用的灾害遥感产品真实性检验方法 | |
Chen et al. | A new method for automated monitoring of road pavement aging conditions based on recurrent neural network | |
Wang et al. | [Retracted] Processing Methods for Digital Image Data Based on the Geographic Information System | |
CN117710508A (zh) | 基于改进条件生成对抗网络的近地表温度反演方法和装置 | |
CN110321528B (zh) | 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法 | |
CN113049606A (zh) | 一种大面积高精度绝缘子污秽分布评估方法 | |
He et al. | Bayesian temporal tensor factorization-based interpolation for time-series remote sensing data with large-area missing observations | |
Liu et al. | Bi-LSTM model for time series leaf area index estimation using multiple satellite products | |
Christou et al. | Geolocation analysis using Maxent and plant sample data | |
Li et al. | Multiscale change detection network based on channel attention and fully convolutional BiLSTM for medium-resolution remote sensing imagery | |
CN115757365A (zh) | 多维时序数据异常检测方法、模型训练方法及装置 | |
Yang et al. | Sub-Annual Scale LandTrendr: Sub-Annual Scale Deforestation Detection Algorithm Using Multi-Source Time Series Data | |
CN112613371A (zh) | 一种基于密集连接卷积神经网络高光谱图像道路提取方法 | |
Guillaume et al. | Footprint-scale cloud type mixtures and their impacts on Atmospheric Infrared Sounder cloud property retrievals |
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 |