CN112148820A - 一种基于深度学习的水下地形数据识别和服务方法及系统 - Google Patents
一种基于深度学习的水下地形数据识别和服务方法及系统 Download PDFInfo
- Publication number
- CN112148820A CN112148820A CN202010854722.9A CN202010854722A CN112148820A CN 112148820 A CN112148820 A CN 112148820A CN 202010854722 A CN202010854722 A CN 202010854722A CN 112148820 A CN112148820 A CN 112148820A
- Authority
- CN
- China
- Prior art keywords
- data
- underwater
- model
- remote sensing
- module
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012876 topography Methods 0.000 claims abstract description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 65
- 230000006870 function Effects 0.000 claims description 32
- 230000003595 spectral effect Effects 0.000 claims description 24
- 238000002310 reflectometry Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 12
- 230000003068 static effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000002427 irreversible effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- 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
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/243—Natural language query formulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及基于深度学习的水下地形数据识别和服务方法及系统，本发明通过内置的深度学习模型对湖泊水下地形数据进行智能提取，形成水下地形数据库，对外提供数据服务。所构建的系统能根据用户输入的湖泊名称或者坐标地点，准确的检索到对应区域的水下地形数据，用户可以从该系统中下载该湖泊及周围的详细地理资料。同时，本发明所涉及到的系统支持用户在线上传系统所未涵盖的湖泊水下地形数据，后台人员进行相关审核后将会上传并注明数据贡献者，为大家所使用，并对数据提供者给予一定数额报酬。本发明解决了当前水下地形数据获取困难的问题，能够极大满足相关科研单位和个人对水下地形数据的需求，具有广阔的市场前景。
Description
技术领域
本发明涉及一种水下地形数据服务系统，尤其是涉及一种基于深度学习的水下地形数据识别和服务方法及系统。
背景技术
人工智能+水遥感进行水环境工作的开展，是目前地理科学的研究热点，也是学科发展的重要方向。现阶段水下地形数据缺失现象严重，通过遥感图像获取或者人工检测获取的水下地形数据，通常是单一化进行的，无法大批量进行获取，横向和纵向比较、统计分析存在一定难度。人工测量水下地形精确度不够，且耗时耗力过大，无法对较为险恶水下地形进行全面勘探，无法达到覆盖面全且广的要求。
目前，遥感图像分类识别主要依赖于人工识别，遥感图像的数据主要来源于卫星影像，由于遥感图像的数据过于庞大，容易产生信息冗余，并且图像分辨率较低，容易导致不同信息相融合现象。由于遥感图像的本质特征，导致对遥感图像的分类较为困难，因此，如何准确分离出有价值的信息，是遥感图像分类的重要任务。利用深度学习技术理论上是可以实现对遥感图像信息的分类。如何高效、智能地从浅水湖面遥感图像中提取信息是目前浅水湖面遥感图像解译的研究重点之一。但因受复杂的水面环境等因素的影响,传统的遥感图像解译方法的深度学习智能提取算法的精度不高。
目前地理信息数据服务系统的运用十分广泛，且发展迅速，功能越来越齐全。大数据应用时代，水下地形数据服务系统的缺失是当前水环境领域在科研工作中常常遇到的不便利之处，传统实地测量方法费时费力，数据服务系统的构建将大大提高工作效率和数据获取能力，并获得系统性水下地形数据库，便于进行时空等多个维度的横纵向比较分析和统计规划。本发明所构建的水下地形数据服务系统属于专题信息系统，主要以水下地形数据为主题，提供数据查询和下载、模型呈现、对比统计、输入更新等功能。
针对遥感图像的特殊性建立合适的深度学习模型，使用较好的优化算法，其识别率几乎接近人工识别，这是其遥感图像分类识别的发展趋势。目前尚未有关于基于深度学习的水下地形识别的技术和服务系统，但水下地形数据资料大面积缺失，没有经过系统性整理。而水环境相关部门对这类资料的需求量大。本发明通过深度学习框架的构建，利用遥感图像反演技术大量获取水下地形数据信息，构建水下地形数据服务系统正可以为水下地形数据资料的获取和查询提供极大的便利。
发明内容
有鉴于此，本发明提供一种基于深度学习的水下地形数据识别和服务方法及系统。
一种基于深度学习的水下地形数据识别和服务系统，包括水下地形数据识别模块和地形数据服务模块，其中，水下地形数据识别模块基于深度学习和遥感反演模型，识别水下地形，并存储入库，形成水下地形数据资源池；地形数据服务模块，为用户提供水包括下地形数据检索、查看、下载和上传服务；所述的水下地形数据识别模块，包括一个智能化识别和数据获取模块、一个水下地形模型构建模块和一个预设的水下地形信息数据库；
所述的智能化识别和数据获取模块的具体工作步骤为：
步骤1：获取Landsat-7ETM+遥感影像反射率和实测水深值之间的相关性，构建影像波段与水深相关方程；
步骤2：利用奈维-斯托克斯方程、普作用量平衡方程和雷达后向散射模式，建立初步水深遥感光谱模型；
步骤3：在步骤2的基础上，创建一个序贯模型Sequential并添加配置层，用add函数添加层，全连接网络层用Dense类定义，设置网络层的神经元数量和激活函数；
步骤4：建立编译模型：指定损失函数和优化器，并调用compile()函数，完成编译，其中compile函数中要设置loss函数，用来评价编译初步水深遥感光谱模型的预测值和真实值不一样的程度、optimizer优化器以及metrics度量模型的标准；
步骤5：训练初步水深遥感光谱模型：使用步骤4中建立的编译模型，并用fit()函数进行训练，参数包括输入数据、输出标签、迭代次数和mini_batch的大小；
步骤6：步骤5的模型训练合格后，建立执行模型：用evaluate()和predict()函数对输入的水遥感图像数据进行预测，预测所得到的数据将用于步骤4中与真实值的比较，用于调整初步水深遥感光谱模型的准确度；
步骤7：按照建模要求在步骤3中输入水遥感图像数据，利用步骤4的编译模型计算得到该水遥感光谱图像各波段反射率，得出结果后与利用Landsat-7ETM+遥感影像反射率的相关知识原理得到的该水遥感图像光谱的不同波段反射率进行对比，初步校验水深遥感光谱模型，提高波段反射率提取正确率；
步骤8：利用步骤1中建立的相关性方程，利用遥感光谱图像对水下地形数据进行智能化提取，将提取所得数据和实测数据进行对比分析，根据水深遥感光谱模型计算得到的水深数据与实际数据的相差情况优化模型的计算方法，减小初步水深遥感光谱模型与实际情况的误差，使所述水下地形数据识别和服务系统所提供的信息更加准确；
步骤9：利用步骤8中优化完成的初步水遥感光谱模型计算水遥感光谱图像的相关数据，将所得的水下地形数据以及对应的属性植入本服务系统内部数据属性表中，设定初步水深遥感光谱模型智能提取湖泊水下地形数据并按照每个湖泊地理位置分类进行管理储存；对用户上传的湖泊名称以及地理位置进行识别，将用户上传的水下地形数据同样置入本服务系统内部的数据属性表中。
进一步地，所述的水下地形模型构建模块具体工作步骤为：
步骤1：从后台数据库中获取相应区域水下地形信息；
步骤2：利用水下地形离散点的高程数据构建三角网，找到格网节点周围等高线上的点，然后进行插值计算，生成水下高程数据集；
步骤3：对水下高程数据集进行简化和平滑化处理，简化地形模型，提高地形显示效率，并构建多分辨率模型，利于水下地形仿真；
步骤4：应用分块投影技术，制作静态三维地形图，包括模拟灰度图和分层设色图，利用光照模型，使地形表面产生明暗起伏的效果，提高水下地形的真实性；
步骤5：基于已生成的静态三维地形图，实现视点和视角可改变的三维地形图的动态模拟；
步骤6：设置基本查询和分析功能，在三维地形图上获取目标点的三维坐标，实现目标点的空间坐标查询、距离查询、坡度计算与分析以及坡面图绘制。
进一步地，所述的地形数据服务模块包括客户端、检索系统和管理员系统。
进一步地，所述的客户端，输入湖泊名字与地址即可获取地形数据与水下地形模型，并与周边湖泊数值和历史数据进行对比，提供包括数据查询和下载、模型呈现、对比统计以及出图功能，客户端包括：
(1)客户需求信息发送模块：读取用户使用的索引和检索关键词，在后台数据库运行数据检索模块；
(2)客户信息接收模块：接收后台数据库返回的水下地形数据信息，接入水下地形构建可视化模块。
进一步地，所述的检索系统包括：
(1)索引建立模块：根据地区关键词建立索引文件格式，建立索引文件，并将索引文件进行存储；
(2)信息检索模块：根据用户输入浅水湖泊名关键词运用布尔操作、模糊以及分组查询方式，进行数据库对应索引文件检索，调出该湖泊对应的水下地形数据信息。
进一步地，管理员系统包括：
(1)用户信息数据库：对登录系统的用户信息进行存储保存，包括其用户名、登录密码、IP地址、权限信息以及下载记录；
(2)数据更新和保存模块：设定修改系统，即当湖泊由于自然不可逆因素产生与之前数据相差较大的情况下对原有数据进行修改覆盖，并允许用户自行上传小型湖泊数据，经管理员审核后即可完成数据共享，同步导入系统原有后台储存；
(3)验证模块：用于处理管理员身份认证。
一种基于深度学习的水下地形数据识别和服务方法，用于如权利要求1-6任一项所述的基于深度学习的水下地形数据识别和服务系统中，包括以下步骤：
步骤1：用户输入用户名及密码，经后台用户数据库验证后，进入所述水下地形数据识别和服务系统；
步骤2：用户通过检索界面键入关键词信息进行检索，用户需求信息发送模块读取用户使用的索引和检索关键词，在后台数据库运行数据检索模块；
步骤3：检索系统根据传入信息的关键词，针对后台数据库中水下地形数据信息进行检索，输出后台数据库生成的水下地形模型图和水深数据；
步骤4：通过用户信息接收模块接收后台数据库返回的水下地形数据信息，接入水下地形构建可视化模块。
本发明提供的技术方案带来的有益效果是：解决了当前水下地形数据获取困难的问题，能够极大满足相关科研单位和个人对水下地形数据的需求，具有广阔的市场前景。
附图说明
图1是本发明一种基于深度学习的水下地形数据识别和服务方法及系统的部署结构示意图；
图2是本发明一种基于深度学习的水下地形数据识别和服务方法及系统的地形数据服务模块结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
以武汉东湖水下地形数据和遥感数据，构建模型训练集，开展水下地形人工智能识别模型的验证和优化。将模型应用于我国其余湖泊，实现对武汉市其余湖泊的水深和水下地形的智能化提取。基于提取的数据，构建我国湖泊水下地形服务系统，为科学研究、规划管理提供水下地形服务。
请参考图1，本发明公开一种基于深度学习的水下地形数据识别和服务方法及系统，一种基于深度学习的水下地形数据识别和服务系统，包括水下地形数据识别模块和地形数据服务模块，其中，水下地形数据识别模块基于深度学习和遥感反演模型，识别水下地形，并存储入库，形成水下地形数据资源池；地形数据服务模块，为用户提供水包括下地形数据检索、查看、下载和上传服务。
所述的水下地形数据识别模块，包括一个智能化识别和数据获取模块、一个水下地形模型构建模块和一个预设的水下地形信息数据库；
所述的智能化识别和数据获取模块的具体工作步骤为：
步骤1：获取Landsat-7ETM+遥感影像反射率和实测水深值之间的相关性，构建影像波段与水深相关方程；
步骤2：利用奈维-斯托克斯方程、普作用量平衡方程和雷达后向散射模式，建立初步水深遥感光谱模型；
步骤3：在步骤2的基础上，创建一个序贯模型Sequential并添加配置层，用add函数添加层，全连接网络层用Dense类定义，设置网络层的神经元数量和激活函数；
步骤4：建立编译模型：指定损失函数和优化器，并调用compile()函数，完成编译，其中compile函数中要设置loss函数，用来评价编译初步水深遥感光谱模型的预测值和真实值不一样的程度、optimizer优化器以及metrics度量模型的标准；
步骤5：训练初步水深遥感光谱模型：使用步骤4中建立的编译模型，并用fit()函数进行训练，参数包括输入数据、输出标签、迭代次数和mini_batch的大小；
步骤6：步骤5的模型训练合格后，建立执行模型：用evaluate()和predict()函数对输入的水遥感图像数据进行预测，预测所得到的数据将用于步骤4中与真实值的比较，用于调整初步水深遥感光谱模型的准确度；
步骤7：按照建模要求在步骤3中输入水遥感图像数据，利用步骤4的编译模型计算得到该水遥感光谱图像各波段反射率，得出结果后与利用Landsat-7ETM+遥感影像反射率的相关知识原理得到的该水遥感图像光谱的不同波段反射率进行对比，初步校验水深遥感光谱模型，提高波段反射率提取正确率；
步骤8：利用步骤1中建立的相关性方程，利用遥感光谱图像对水下地形数据进行智能化提取，将提取所得数据和实测数据进行对比分析，根据水深遥感光谱模型计算得到的水深数据与实际数据的相差情况优化模型的计算方法，减小初步水深遥感光谱模型与实际情况的误差，使所述水下地形数据识别和服务系统所提供的信息更加准确；
步骤9：利用步骤8中优化完成的初步水遥感光谱模型计算水遥感光谱图像的相关数据，将所得的水下地形数据以及对应的属性植入本服务系统内部数据属性表中，设定初步水深遥感光谱模型智能提取湖泊水下地形数据并按照每个湖泊地理位置分类进行管理储存；对用户上传的湖泊名称以及地理位置进行识别，将用户上传的水下地形数据同样置入本服务系统内部的数据属性表中。
所述的水下地形模型构建模块具体工作步骤为：
步骤1：从后台数据库中获取相应区域水下地形信息；
步骤2：利用水下地形离散点的高程数据构建三角网，找到格网节点周围等高线上的点，然后进行插值计算，生成水下高程数据集；
步骤3：对水下高程数据集进行简化和平滑化处理，简化地形模型，提高地形显示效率，并构建多分辨率模型，利于水下地形仿真；
步骤4：应用分块投影技术，制作静态三维地形图，包括模拟灰度图和分层设色图，利用光照模型，使地形表面产生明暗起伏的效果，提高水下地形的真实性；
步骤5：基于已生成的静态三维地形图，实现视点和视角可改变的三维地形图的动态模拟；
步骤6：设置基本查询和分析功能，在三维地形图上获取目标点的三维坐标，实现目标点的空间坐标查询、距离查询、坡度计算与分析以及坡面图绘制。
所述的地形数据服务模块包括客户端、检索系统和管理员系统。
所述的客户端，输入湖泊名字与地址即可获取地形数据与水下地形模型，并与周边湖泊数值和历史数据进行对比，提供包括数据查询和下载、模型呈现、对比统计以及出图功能，客户端包括：
(1)客户需求信息发送模块：读取用户使用的索引和检索关键词，在后台数据库运行数据检索模块；
(2)客户信息接收模块：接收后台数据库返回的水下地形数据信息，接入水下地形构建可视化模块。
进一步地，所述的检索系统包括：
(1)索引建立模块：根据地区关键词建立索引文件格式，建立索引文件，并将索引文件进行存储；
(2)信息检索模块：根据用户输入浅水湖泊名关键词运用布尔操作、模糊以及分组查询方式，进行数据库对应索引文件检索，调出该湖泊对应的水下地形数据信息。
管理员系统包括：
(1)用户信息数据库：对登录系统的用户信息进行存储保存，包括其用户名、登录密码、IP地址、权限信息以及下载记录；
(2)数据更新和保存模块：设定修改系统，即当湖泊由于自然不可逆因素产生与之前数据相差较大的情况下对原有数据进行修改覆盖，并允许用户自行上传小型湖泊数据，经管理员审核后即可完成数据共享，同步导入系统原有后台储存；
(3)验证模块：用于处理管理员身份认证。
一种基于深度学习的水下地形数据识别和服务方法，用于所述的基于深度学习的水下地形数据识别和服务系统中，包括以下步骤：
步骤1：用户输入用户名及密码，经后台用户数据库验证后，进入所述水下地形数据识别和服务系统；
步骤2：用户通过检索界面键入关键词信息进行检索，用户需求信息发送模块读取用户使用的索引和检索关键词，在后台数据库运行数据检索模块；
步骤3：检索系统根据传入信息的关键词，针对后台数据库中水下地形数据信息进行检索，输出后台数据库生成的水下地形模型图和水深数据；
步骤4：通过用户信息接收模块接收后台数据库返回的水下地形数据信息，接入水下地形构建可视化模块。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于深度学习的水下地形数据识别和服务系统，其特征在于，包括水下地形数据识别模块和地形数据服务模块，其中，水下地形数据识别模块基于深度学习和遥感反演模型，识别水下地形，并存储入库，形成水下地形数据资源池；地形数据服务模块，为用户提供水包括下地形数据检索、查看、下载和上传服务；所述的水下地形数据识别模块，包括一个智能化识别和数据获取模块、一个水下地形模型构建模块和一个预设的水下地形信息数据库；
所述的智能化识别和数据获取模块的具体工作步骤为：
步骤1：获取Landsat-7ETM+遥感影像反射率和实测水深值之间的相关性，构建影像波段与水深相关方程；
步骤2：利用奈维-斯托克斯方程、普作用量平衡方程和雷达后向散射模式，建立初步水深遥感光谱模型；
步骤3：在步骤2的基础上，创建一个序贯模型Sequential并添加配置层，用add函数添加层，全连接网络层用Dense类定义，设置网络层的神经元数量和激活函数；
步骤4：建立编译模型：指定损失函数和优化器，并调用compile()函数，完成编译，其中compile函数中要设置loss函数，用来评价编译初步水深遥感光谱模型的预测值和真实值不一样的程度、optimizer优化器以及metrics度量模型的标准；
步骤5：训练初步水深遥感光谱模型：使用步骤4中建立的编译模型，并用fit()函数进行训练，参数包括输入数据、输出标签、迭代次数和mini_batch的大小；
步骤6：步骤5的模型训练合格后，建立执行模型：用evaluate()和predict()函数对输入的水遥感图像数据进行预测，预测所得到的数据将用于步骤4中与真实值的比较，用于调整初步水深遥感光谱模型的准确度；
步骤7：按照建模要求在步骤3中输入水遥感图像数据，利用步骤4的编译模型计算得到该水遥感光谱图像各波段反射率，得出结果后与利用Landsat-7ETM+遥感影像反射率的相关知识原理得到的该水遥感图像光谱的不同波段反射率进行对比，初步校验水深遥感光谱模型，提高波段反射率提取正确率；
步骤8：利用步骤1中建立的相关性方程，利用遥感光谱图像对水下地形数据进行智能化提取，将提取所得数据和实测数据进行对比分析，根据水深遥感光谱模型计算得到的水深数据与实际数据的相差情况优化模型的计算方法，减小初步水深遥感光谱模型与实际情况的误差，使所述水下地形数据识别和服务系统所提供的信息更加准确；
步骤9：利用步骤8中优化完成的初步水遥感光谱模型计算水遥感光谱图像的相关数据，将所得的水下地形数据以及对应的属性植入本服务系统内部数据属性表中，设定初步水深遥感光谱模型智能提取湖泊水下地形数据并按照每个湖泊地理位置分类进行管理储存；对用户上传的湖泊名称以及地理位置进行识别，将用户上传的水下地形数据同样置入本服务系统内部的数据属性表中。
2.根据权利要求1所述的基于深度学习的水下地形数据识别和服务系统，其特征在于，所述的水下地形模型构建模块具体工作步骤为：
步骤1：从后台数据库中获取相应区域水下地形信息；
步骤2：利用水下地形离散点的高程数据构建三角网，找到格网节点周围等高线上的点，然后进行插值计算，生成水下高程数据集；
步骤3：对水下高程数据集进行简化和平滑化处理，简化地形模型，提高地形显示效率，并构建多分辨率模型，利于水下地形仿真；
步骤4：应用分块投影技术，制作静态三维地形图，包括模拟灰度图和分层设色图，利用光照模型，使地形表面产生明暗起伏的效果，提高水下地形的真实性；
步骤5：基于已生成的静态三维地形图，实现视点和视角可改变的三维地形图的动态模拟；
步骤6：设置基本查询和分析功能，在三维地形图上获取目标点的三维坐标，实现目标点的空间坐标查询、距离查询、坡度计算与分析以及坡面图绘制。
3.根据权利要求1所述的基于深度学习的水下地形数据识别和服务方法及系统，其特征在于，所述的地形数据服务模块包括客户端、检索系统和管理员系统。
4.根据权利要求3所述的基于深度学习的水下地形数据识别和服务系统，其特征在于，所述的客户端，输入湖泊名字与地址即可获取地形数据与水下地形模型，并与周边湖泊数值和历史数据进行对比，提供包括数据查询和下载、模型呈现、对比统计以及出图功能，客户端包括：
(1)客户需求信息发送模块：读取用户使用的索引和检索关键词，在后台数据库运行数据检索模块；
(2)客户信息接收模块：接收后台数据库返回的水下地形数据信息，接入水下地形构建可视化模块。
5.根据权利要求3所述的基于深度学习的水下地形数据识别和服务系统，其特征在于，所述的检索系统包括：
(1)索引建立模块：根据地区关键词建立索引文件格式，建立索引文件，并将索引文件进行存储；
(2)信息检索模块：根据用户输入浅水湖泊名关键词运用布尔操作、模糊以及分组查询方式，进行数据库对应索引文件检索，调出该湖泊对应的水下地形数据信息。
6.根据权利要求3所述的基于深度学习的水下地形数据识别和服务系统，其特征在于，管理员系统包括：
(1)用户信息数据库：对登录系统的用户信息进行存储保存，包括其用户名、登录密码、IP地址、权限信息以及下载记录；
(2)数据更新和保存模块：设定修改系统，即当湖泊由于自然不可逆因素产生与之前数据相差较大的情况下对原有数据进行修改覆盖，并允许用户自行上传小型湖泊数据，经管理员审核后即可完成数据共享，同步导入系统原有后台储存；
(3)验证模块：用于处理管理员身份认证。
7.一种基于深度学习的水下地形数据识别和服务方法，用于如权利要求1-6任一项所述的基于深度学习的水下地形数据识别和服务系统中，其特征在于，包括以下步骤：
步骤1：用户输入用户名及密码，经后台用户数据库验证后，进入所述水下地形数据识别和服务系统；
步骤2：用户通过检索界面键入关键词信息进行检索，用户需求信息发送模块读取用户使用的索引和检索关键词，在后台数据库运行数据检索模块；
步骤3：检索系统根据传入信息的关键词，针对后台数据库中水下地形数据信息进行检索，输出后台数据库生成的水下地形模型图和水深数据；
步骤4：通过用户信息接收模块接收后台数据库返回的水下地形数据信息，接入水下地形构建可视化模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010854722.9A CN112148820B (zh) | 2020-08-24 | 2020-08-24 | 一种基于深度学习的水下地形数据识别和服务方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010854722.9A CN112148820B (zh) | 2020-08-24 | 2020-08-24 | 一种基于深度学习的水下地形数据识别和服务方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112148820A true CN112148820A (zh) | 2020-12-29 |
| CN112148820B CN112148820B (zh) | 2022-06-21 |
Family
ID=73888162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010854722.9A Active CN112148820B (zh) | 2020-08-24 | 2020-08-24 | 一种基于深度学习的水下地形数据识别和服务方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112148820B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792186A (zh) * | 2021-08-16 | 2021-12-14 | 青岛海尔科技有限公司 | 用于人名检索的方法、装置、电子设备及存储介质 |
| CN113888670A (zh) * | 2021-10-18 | 2022-01-04 | 珠江水利委员会珠江水利科学研究院 | 一种基于深度学习生成单向河道高精度二维地形的方法 |
| CN114661744A (zh) * | 2022-05-24 | 2022-06-24 | 自然资源部第三地理信息制图院 | 一种基于深度学习的地形数据库更新方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
| CN107340365A (zh) * | 2017-06-19 | 2017-11-10 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
| US20180225504A1 (en) * | 2017-02-08 | 2018-08-09 | Ordnance Survey Limited | Topographic Data Machine Learning Method and System |
| US20190033447A1 (en) * | 2017-01-06 | 2019-01-31 | Massachusetts Institute Of Technology | Systems and methods for detecting objects in underwater environments |
-
2020
- 2020-08-24 CN CN202010854722.9A patent/CN112148820B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
| US20190033447A1 (en) * | 2017-01-06 | 2019-01-31 | Massachusetts Institute Of Technology | Systems and methods for detecting objects in underwater environments |
| US20180225504A1 (en) * | 2017-02-08 | 2018-08-09 | Ordnance Survey Limited | Topographic Data Machine Learning Method and System |
| CN107340365A (zh) * | 2017-06-19 | 2017-11-10 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
Non-Patent Citations (1)
| Title |
|---|
| 黄荣永等: ""珊瑚礁遥感研究进展"", 《遥感学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792186A (zh) * | 2021-08-16 | 2021-12-14 | 青岛海尔科技有限公司 | 用于人名检索的方法、装置、电子设备及存储介质 |
| CN113792186B (zh) * | 2021-08-16 | 2023-07-11 | 青岛海尔科技有限公司 | 用于人名检索的方法、装置、电子设备及存储介质 |
| CN113888670A (zh) * | 2021-10-18 | 2022-01-04 | 珠江水利委员会珠江水利科学研究院 | 一种基于深度学习生成单向河道高精度二维地形的方法 |
| CN113888670B (zh) * | 2021-10-18 | 2022-05-20 | 珠江水利委员会珠江水利科学研究院 | 一种基于深度学习生成单向河道高精度二维地形的方法 |
| CN114661744A (zh) * | 2022-05-24 | 2022-06-24 | 自然资源部第三地理信息制图院 | 一种基于深度学习的地形数据库更新方法及系统 |
| CN114661744B (zh) * | 2022-05-24 | 2022-09-09 | 自然资源部第三地理信息制图院 | 一种基于深度学习的地形数据库更新方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112148820B (zh) | 2022-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112148820B (zh) | 一种基于深度学习的水下地形数据识别和服务方法及系统 | |
| Wang et al. | Lidar point clouds to 3-D urban models $: $ A review | |
| CN112115198B (zh) | 一种城市遥感智能服务平台 | |
| US20200134915A1 (en) | System for constructing urban design digital sand table | |
| CN112949413B (zh) | 基于街景图片的城市景观要素分类及地方性度量方法 | |
| CA2436312C (en) | Close-packed, uniformly adjacent, multiresolutional, overlapping spatial data ordering | |
| CN111597170B (zh) | 一种无损地由bim模型构建空间语义数据库的方法 | |
| CN110321443B (zh) | 三维实景模型数据库构建方法、装置及数据服务系统 | |
| WO2021248335A1 (zh) | 一种基于街景图片及机器学习的城市内部贫困空间测度方法及系统 | |
| CN115512216A (zh) | 耦合街区时空特征和集成学习的城市功能区精细化识别方法 | |
| CN114742272A (zh) | 一种基于时空交互关系的土壤镉风险预测方法 | |
| Yang et al. | Complementarity of historic building information modelling and geographic information systems | |
| CN110083720A (zh) | 实景语义结构模型的构建方法及装置 | |
| Khayyal et al. | Creation and spatial analysis of 3D city modeling based on GIS data | |
| CN116522272A (zh) | 一种基于城市信息单元的多源时空数据透明融合方法 | |
| Wang et al. | Processing methods for digital image data based on the geographic information system | |
| CN114820975A (zh) | 基于全要素参数符号化的三维场景仿真重构系统及方法 | |
| CN114238545A (zh) | 二三维园区一体化展示方法、装置和计算机设备 | |
| CN111026938B (zh) | 时空大数据整合分析方法、装置、设备及存储介质 | |
| CN117313371A (zh) | 一种基于数字孪生模型的综合展示方法 | |
| CN114418243B (zh) | 分布式新能源云端网格预测方法与系统 | |
| CN115017348A (zh) | 一种网格数据图实现方法和装置 | |
| Ma et al. | Developing an urban streetscape indexing based on visual complexity and self-organizing map | |
| CN115048473A (zh) | 城市信息模型人工智能服务方法及系统 | |
| Nice et al. | The nature of human settlement: building an understanding of high performance city design |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240314 Address after: Room 1315, Luojia Creative Park Phase I College Student Entrepreneurship Base, No. 33 Luoyu Road, Hongshan District, Wuhan City, Hubei Province, 430000 Patentee after: Wuhan Qilian Ecological Technology Co.,Ltd. Country or region after: China Address before: 430000 Lu Mill Road, Hongshan District, Wuhan, Hubei Province, No. 388 Patentee before: CHINA University OF GEOSCIENCES (WUHAN CITY) Country or region before: China |