CN112070056A - 一种基于面向对象和深度学习的敏感用地识别方法 - Google Patents
一种基于面向对象和深度学习的敏感用地识别方法 Download PDFInfo
- Publication number
- CN112070056A CN112070056A CN202010982867.7A CN202010982867A CN112070056A CN 112070056 A CN112070056 A CN 112070056A CN 202010982867 A CN202010982867 A CN 202010982867A CN 112070056 A CN112070056 A CN 112070056A
- Authority
- CN
- China
- Prior art keywords
- sensitive
- remote sensing
- land
- deep learning
- oriented
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000005516 engineering process Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 18
- 238000011160 research Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 241000282414 Homo sapiens Species 0.000 abstract description 8
- 230000036541 health Effects 0.000 abstract description 4
- 238000012790 confirmation Methods 0.000 abstract description 3
- 230000002093 peripheral effect Effects 0.000 abstract description 3
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- 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
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Remote Sensing (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于面向对象和深度学习的敏感用地识别方法，包括如下步骤：选取遥感影像；建立样本库；面向对象的敏感用地识别；基于深度学习技术识别敏感用地；敏感用地信息入库。本发明利用高分遥感影像，结合面向对象和深度学习技术，实现分类出敏感用地的目的，有利于充分了解污染场地周边范围内敏感用地的分布情况以及对人体健康和环境的危害程度，为敏感用地的确认、溯源、监管和政府性决策提供参考。
Description
技术领域
本发明涉及一种敏感用地识别方法，尤其涉及一种基于面向对象和深度学习的敏感用地识别方法。
背景技术
伴随着社会经济发展，城市空间用地愈发收缩，越来越多的关闭搬迁污染场地已经或将被转换为农田(耕地、园地等)、水体(饮用水源地)、植被(林地、草地)、建筑物(居住地、学校、医院、幼儿园、养老机构、公园)等。但由于历史原因，部分污染场地并未彻底修复或治理，仍然存在大量污染风险，因此也被称之为敏感用地。近年来，由于污染场地未进行充分彻底地治理或修复而造成了重大环境安全事故，严重危害了群众健康，给社会稳定带来了威胁。因此，识别敏感用地，积极防范环境风险，是维护社会安全稳定、人民群众身心健康最紧迫、最直接、最现实的任务。
然而，目前对于敏感用地的识别，主要采用传统的人工采样监测手段，但由于敏感用地数量多、分布广，如果采用传统的人工采样监测手段不仅耗费大量的人力、物力和财力，而且周期长、效果差。遥感技术是一门新兴的探测技术，目前已深入应用到人类的工作和生活中，在农业、林业、地质、地理、海洋、水文、气象、测绘、环境保护和军事侦察等许多领域并发挥越来越重要的作用，为人类认识国土、开发资源、监测环境、研究灾害以及环境保护提供了新途径，为解决人类面临的资源紧缺、环境恶化、人口剧增、灾害频发等一系列严峻挑战提供重要信息，现如今，但尚未将遥感技术广泛应用到敏感用地的识别。因此，亟需提供一种基于面向对象和深度学习的敏感用地识别方法，基于遥感技术的识别技术以实现从传统目视解译到计算机信息自动提取，从而大大提高了识别的精准度和工作效率。尤其是，在大数据时代，网络上不断涌现出大量关于土地利用分布、居民点分布、POI点数据等，如何利用这些海量信息，借助遥感与大数据分析技术，从中快速提取有效信息，能够为敏感用地的识别提供关键技术支撑。
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敏感用地识别方法。
为了解决以上技术问题，本发明采用的技术方案是：一种基于面向对象和深度学习的敏感用地识别方法，包括如下步骤：
步骤一、选取遥感影像：结合卫星传感器的覆盖范围，以及植被、积雪、降雨、云层对敏感用地的影响，进行遥感影像的选取；
步骤二、建立样本库：根据遥感影像的色调、色彩、形状、阴影、纹理、大小、空间位置、图形等，建立各种地物与卫星影像的对应关系；
首先，采用现场调查的方式获得每类地物照片；然后，在影像上对应位置获得地物在影像上的图片，经人工现场调查获得各类敏感用地现场图片，经人工现场调查和POI数据通过目视解译的方法获取敏感用地的空间位置，在影像数据上进行标注，获取遥感影像上的敏感用地的样本，并通过提取各类样本的特征信息，建立敏感用地的遥感解译样本特征库；
步骤三、面向对象的敏感用地识别：1)确定不同类型敏感用地所需要使用的特征类型；
2)输入遥感影像，将整幅输入的遥感影像分割为多个对象，分割时针对不同类型的敏感用地对应着各自不同的分割尺度，设定分割参数值，确定最优尺度；
3)确定不同敏感用地的特征值区间，对遥感图像上的不同对象进行分类，确定各个对象对应的类别，得到识别结果；
步骤四、基于深度学习技术识别敏感用地：1)构建神经网络层模型：借鉴经典卷积网络结构特点和优势，构建适用于敏感用地识别的网络模型；
2)构建编译运行模型：构建损失函数，使模型朝好的方向发展；构建优化器函数，模型根据得到的结果和损失函数对模型进行优化；构建评价方式，用于监督训练和测试过程的准去程度；
3)利用样本中的训练集数据训练深度神经网络模型；
4)利用样本中的测试集数据对深度神经网络模型进行精度评估；
5)将研究区域的遥感影像输入到深度学习模型中，得到敏感用地。
进一步地，它还包括敏感用地信息入库：分类出各类敏感用地后，在地理信息分析软件中计算敏感用地的相关属性，通过数据导入的方式作为疑似污染场地属性信息导入疑似污染场地信息数据库中。
进一步地，遥感影像选取的具体过程为：1)确定研究区域范围和遥感影像类型；2)在地理空间数据云平台上，输入包括条带号、日期、云量、经纬度的条件信息，下载对应的遥感影像。
进一步地，对于敏感用地的遥感解译样本特征库，需随机抽取样本库中70％样本作为训练集，深度学习技术开展疑似污染场地周边敏感用地的研究，并利用剩余30％样本作为测试集，进行模型的有效性评估。
进一步地，通过eCognition或ENVI软件自带的分割算法或手工编写的SLIC算法将整幅输入的遥感影像分割为多个对象。
进一步地，利用机器学习方法基于模糊规则分类器和基于样本面向对象分类器方法确定不同敏感用地的特征值区间。
本发明公开了一种基于面向对象和深度学习的敏感用地识别方法，针对我国当前基于现场调查取样监测方式完成敏感用地确定工作量大，周期长，花费大等一系列问题，开展对敏感用地识别研究，利用高分遥感影像，结合面向对象和深度学习技术，实现分类出敏感用地的目的，有利于充分了解污染场地周边范围内敏感用地的分布情况以及对人体健康和环境的危害程度，为敏感用地的确认、溯源、监管和政府性决策提供参考。
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。
本发明所公开的基于面向对象和深度学习的敏感用地识别方法，是在研究我国当前疑似污染场地的基础上，运用遥感技术对污染场地周边敏感用地进行识别。主要是通过运用面向对象技术采用多尺度的分割参数对原始影像数据进行分割，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、速度。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。
主要包括如下步骤：
步骤一、选取遥感影像：结合卫星传感器的覆盖范围，以及植被、积雪、降雨、云层对敏感用地的影响，进行遥感影像的选取；具体为：1)确定研究区域范围和遥感影像类型；2)在地理空间数据云平台上，输入条带号、日期、云量、经纬度等条件信息，下载对应的遥感影像。
我国幅员辽阔，区域差异显著，研究过程中不仅需要考虑不同卫星传感器的覆盖区域，还需要结合我国南北方气候差异，主要是植被、积雪、降雨、云层等因素。例如，江苏省、云南省等南方地区，由于夏季较长，雨水、云较多，很难获取质量较好的影像，因此，影像数据一般选择在当年的11月至次年3月初内；而北京市、内蒙古自治区等北方地区，由于受天气影响较小，可选择全年范围内的遥感数据，但考虑植被对建筑物的影响，积雪对所有敏感用地的影响，最好选择在积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。
以云南省的个旧市研究区为例，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。
步骤二、建立样本库：根据遥感影像的色调、色彩、形状、阴影、纹理、大小、空间位置、图形等，建立各种地物与卫星影像的对应关系；
首先，采用现场调查的方式获得每类地物照片；然后，在影像上对应位置获得地物在影像上的图片，经人工现场调查获得各类敏感用地现场图片，经人工现场调查和POI数据通过目视解译的方法获取敏感用地的空间位置，在影像数据上进行标注，获取遥感影像上的敏感用地的样本，并通过提取各类样本的光谱特征、几何结构、纹理特征以及其他自定义特征等建立敏感用地的遥感解译样本特征库；并且，随机抽取样本库中70％样本作为训练集，深度学习技术开展疑似污染场地周边敏感用地的研究，并利用剩余30％样本作为测试集，进行模型的有效性评估。
步骤三、面向对象的敏感用地识别：1)根据敏感用地的光谱特征、纹理特征、形状特征、语义信息特征等，确定不同类型敏感用地所需要使用的特征类型；
2)输入遥感影像，并通过eCognition或ENVI软件自带的分割算法或手工编写的SLIC(simple linear iterative clustering)算法将整幅输入的遥感影像分割为多个对象，分割时针对不同类型的敏感用地对应着各自不同的分割尺度，设定波段权重、分割尺度、光谱因子权重、形状因子权重等分割参数值，确定最优尺度；
3)利用支持向量机(SVM)等机器学习方法基于模糊规则分类器和基于样本面向对象分类器方法，确定不同敏感用地的特征值区间，对遥感图像上的不同对象进行分类，确定各个对象对应的类别(包括植被、水体、建筑物、农田等不同敏感用地)，得到识别结果；
高分辨率遥感影像包含丰富的光谱、形状、纹理、相邻关系、空间布局、空间关系、时间等信息。面向对象的分类方法是在影像分割的基础上，利用其光谱特征、纹理特征、形状特征等空间几何属性信息以及语义信息进行图像处理，大大提高了遥感影像分类速度和精度，减少了影像像元光谱差异，针对不同地物可取得好的分类效果。面向对象的分类方法以影像分割生成的影像对象为研究对象，影像分析的最小单元不是单个像元，而是特定像元组成的有意义的同质区域。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同质的、在空间上连续的并且具有特定专题意义的对象。多尺度影像分割是众多的分割方法之一，基于光谱、形状相结合的异质性最小原则的区域合并。计算每一对空间相邻区域的相异准则之，确定最小的相异准则之为阙值，若两相邻区域的相异准则值等于阙值则合并两个相邻区域。
步骤四、基于深度学习技术识别敏感用地：1)构建神经网络层模型：借鉴经典卷积网络结构特点和优势，构建适用于敏感用地识别的网络模型；
2)构建编译运行模型：构建损失函数，使模型朝好的方向发展；构建优化器函数，模型根据得到的结果和损失函数对模型进行优化；构建评价方式，用于监督训练和测试过程的准去程度；
3)利用样本中的训练集数据训练深度神经网络模型；
4)利用样本中的测试集数据对深度神经网络模型进行精度评估；
5)将研究区域的遥感影像输入到深度学习模型中，得到敏感用地。
深度学习技术通过对网络的学习，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。首先，采用预训练的深度学习模型构建网络基本卷积层和池化层；其次，在面向对象分割结果的基础上，构建耕地、林地、水体、道路、建筑物等典型地物对象特征规则集，对分割对象进行分类提取，得到训练样本，形成典型地物学习样本库；第三，然后利用样本对模型进行训练，得到训练结果，并进一步对训练样本进行分类，提取各类敏感用地的特征；最后，对提取的典型地物目标结果进行精度评价与分析，最终得到深度学习模型，利用该模型识别得到准确的敏感用地的分类结果。
步骤五、敏感用地信息入库：分类出各类敏感用地后，在地理信息分析软件中计算敏感用地的相关属性，通过数据导入的方式作为疑似污染场地属性信息导入疑似污染场地信息数据库中。
对于本发明所涉及的一种基于面向对象和深度学习的敏感用地识别方法，借助面向对象和深度学习遥感影像分类方法可获取我国敏感用地的空间信息，识别敏感用地的空间位置，有利于充分了解污染场地周边范围内敏感用地的分布情况以及对人体健康和环境的危害程度，为敏感用地的确认、溯源、监管和政府性决策提供参考。
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)
1.一种基于面向对象和深度学习的敏感用地识别方法，其特征在于：包括如下步骤：
步骤一、选取遥感影像：结合卫星传感器的覆盖范围，以及植被、积雪、降雨、云层对敏感用地的影响，进行遥感影像的选取；
步骤二、建立样本库：根据遥感影像的色调、色彩、形状、阴影、纹理、大小、空间位置、图形，建立各种地物与卫星影像的对应关系；
首先，采用现场调查的方式获得每类地物照片；然后，在影像上对应位置获得地物在影像上的图片，经人工现场调查获得各类敏感用地现场图片，经人工现场调查和POI数据通过目视解译的方法获取敏感用地的空间位置，在影像数据上进行标注，获取遥感影像上的敏感用地的样本，并通过提取各类样本的特征信息，建立敏感用地的遥感解译样本特征库；
步骤三、面向对象的敏感用地识别：1)确定不同类型敏感用地所需要使用的特征类型；
2)输入遥感影像，将整幅输入的遥感影像分割为多个对象，分割时针对不同类型的敏感用地对应着各自不同的分割尺度，设定分割参数值，确定最优尺度；
3)确定不同敏感用地的特征值区间，对遥感图像上的不同对象进行分类，确定各个对象对应的类别，得到识别结果；
步骤四、基于深度学习技术识别敏感用地：1)构建神经网络层模型：借鉴经典卷积网络结构特点和优势，构建适用于敏感用地识别的网络模型；
2)构建编译运行模型：构建损失函数，使模型朝好的方向发展；构建优化器函数，模型根据得到的结果和损失函数对模型进行优化；构建评价方式，用于监督训练和测试过程的准去程度；
3)利用样本中的训练集数据训练深度神经网络模型；
4)利用样本中的测试集数据对深度神经网络模型进行精度评估；
5)将研究区域的遥感影像输入到深度学习模型中，得到敏感用地。
2.根据权利要求1所述的基于面向对象和深度学习的敏感用地识别方法，其特征在于：它还包括敏感用地信息入库：分类出各类敏感用地后，在地理信息分析软件中计算敏感用地的相关属性，通过数据导入的方式作为疑似污染场地属性信息导入疑似污染场地信息数据库中。
3.根据权利要求2所述的基于面向对象和深度学习的敏感用地识别方法，其特征在于：遥感影像选取的具体过程为：1)确定研究区域范围和遥感影像类型；2)在地理空间数据云平台上，输入包括条带号、日期、云量、经纬度的条件信息，下载对应的遥感影像。
4.根据权利要求3所述的基于面向对象和深度学习的敏感用地识别方法，其特征在于：对于敏感用地的遥感解译样本特征库，需随机抽取样本库中70％样本作为训练集，深度学习技术开展疑似污染场地周边敏感用地的研究，并利用剩余30％样本作为测试集，进行模型的有效性评估。
5.根据权利要求4所述的基于面向对象和深度学习的敏感用地识别方法，其特征在于：通过eCognition或ENVI软件自带的分割算法或手工编写的SLIC算法将整幅输入的遥感影像分割为多个对象。
6.根据权利要求5所述的基于面向对象和深度学习的敏感用地识别方法，其特征在于：利用机器学习方法基于模糊规则分类器和基于样本面向对象分类器方法确定不同敏感用地的特征值区间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010982867.7A CN112070056A (zh) | 2020-09-17 | 2020-09-17 | 一种基于面向对象和深度学习的敏感用地识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010982867.7A CN112070056A (zh) | 2020-09-17 | 2020-09-17 | 一种基于面向对象和深度学习的敏感用地识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112070056A true CN112070056A (zh) | 2020-12-11 |
Family
ID=73681069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010982867.7A Pending CN112070056A (zh) | 2020-09-17 | 2020-09-17 | 一种基于面向对象和深度学习的敏感用地识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112070056A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112860838A (zh) * | 2021-03-16 | 2021-05-28 | 湖北星地智链科技有限公司 | 基于生成式对抗网络的多尺度地图生成方法、系统、终端 |
| 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 |
| CN113033714A (zh) * | 2021-05-24 | 2021-06-25 | 华中师范大学 | 多模态多粒度遥感影像面向对象自动机器学习方法及系统 |
| CN113902185A (zh) * | 2021-09-30 | 2022-01-07 | 北京百度网讯科技有限公司 | 区域用地性质的确定方法、装置、电子设备及存储介质 |
| CN114155433A (zh) * | 2021-11-30 | 2022-03-08 | 北京新兴华安智慧科技有限公司 | 一种违法土地的检测方法、装置、电子设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111666909A (zh) * | 2020-06-11 | 2020-09-15 | 中科山水(北京)科技信息有限公司 | 基于面向对象和深度学习的疑似污染场地空间识别方法 |
-
2020
- 2020-09-17 CN CN202010982867.7A patent/CN112070056A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111666909A (zh) * | 2020-06-11 | 2020-09-15 | 中科山水(北京)科技信息有限公司 | 基于面向对象和深度学习的疑似污染场地空间识别方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112860838A (zh) * | 2021-03-16 | 2021-05-28 | 湖北星地智链科技有限公司 | 基于生成式对抗网络的多尺度地图生成方法、系统、终端 |
| 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 |
| CN113033714A (zh) * | 2021-05-24 | 2021-06-25 | 华中师范大学 | 多模态多粒度遥感影像面向对象自动机器学习方法及系统 |
| CN113902185A (zh) * | 2021-09-30 | 2022-01-07 | 北京百度网讯科技有限公司 | 区域用地性质的确定方法、装置、电子设备及存储介质 |
| CN113902185B (zh) * | 2021-09-30 | 2023-10-31 | 北京百度网讯科技有限公司 | 区域用地性质的确定方法、装置、电子设备及存储介质 |
| CN114155433A (zh) * | 2021-11-30 | 2022-03-08 | 北京新兴华安智慧科技有限公司 | 一种违法土地的检测方法、装置、电子设备及存储介质 |
| CN114155433B (zh) * | 2021-11-30 | 2022-07-19 | 北京新兴华安智慧科技有限公司 | 一种违法土地的检测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | Impacts of urban biophysical composition on land surface temperature in urban heat island clusters | |
| CN112070056A (zh) | 一种基于面向对象和深度学习的敏感用地识别方法 | |
| Xian et al. | Updating the 2001 National Land Cover Database impervious surface products to 2006 using Landsat imagery change detection methods | |
| McCarthy et al. | Flooding patterns of the Okavango wetland in Botswana between 1972 and 2000 | |
| Weng et al. | Extracting impervious surfaces from medium spatial resolution multispectral and hyperspectral imagery: a comparison | |
| Chen et al. | A high-resolution monitoring approach of canopy urban heat island using a random forest model and multi-platform observations | |
| Pham et al. | Urban growth and change analysis using remote sensing and spatial metrics from 1975 to 2003 for Hanoi, Vietnam | |
| Chen | Water resources research in Northwest China | |
| Richardson et al. | Uncertainty in urban forest canopy assessment: Lessons from Seattle, WA, USA | |
| Simanjuntak et al. | Object-based image analysis to map local climate zones: The case of Bandung, Indonesia | |
| Gupta et al. | Analysis of impervious land-cover expansion using remote sensing and GIS: A case study of Sylhet sadar upazila | |
| Yang et al. | The impact analysis of water body landscape pattern on urban heat island: a case study of Wuhan City | |
| 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 | |
| Dianati Tilaki et al. | Rangelands production modeling using an artificial neural network (ANN) and geographic information system (GIS) in Baladeh rangelands, North Iran | |
| Weng et al. | Mapping and assessing of urban impervious areas using multiple endmember spectral mixture analysis: a case study in the city of Tampa, Florida | |
| CN111667183A (zh) | 一种耕地质量监测方法及系统 | |
| CN110738354A (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
| Mohammed et al. | Assessing land cover/use changes in Karbala city (Iraq) using GIS techniques and remote sensing data | |
| Guo et al. | Evaluation of spatially heterogeneous driving forces of the urban heat environment based on a regression tree model | |
| CN112950047A (zh) | 一种疑似污染场地的渐进识别方法 | |
| Sabr et al. | Assessment of land use and land cover change using spatiotemporal analysis of landscape: case study in south of Tehran | |
| CN113506371B (zh) | 街区尺度气候图绘制方法、装置、电子设备及存储介质 | |
| Ma et al. | Individual structure mapping over six million trees for New York City USA | |
| Wicks et al. | Polygon-based aggregation of remotely sensed data for regional ecological analyses | |
| Arifin et al. | Analysis of land use spatial pattern change of town development using remote sensing |
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 |