CN112710614A - 用于生态环保的多源卫星数据处理方法、系统及存储介质 - Google Patents
用于生态环保的多源卫星数据处理方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112710614A CN112710614A CN202011504904.XA CN202011504904A CN112710614A CN 112710614 A CN112710614 A CN 112710614A CN 202011504904 A CN202011504904 A CN 202011504904A CN 112710614 A CN112710614 A CN 112710614A
- Authority
- CN
- China
- Prior art keywords
- data
- satellite
- ecological
- inversion
- ecological data
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种用于生态环保的多源卫星数据处理方法、系统及存储介质,其属于生态环境监测领域,其中方法包括获取卫星针对某一检测区域生成的遥感图像,将遥感图像进行预处理,生成原始数据;从反演模型库中,选取至少两个反演模型;将原始数据代入反演模型中,生成至少两组卫星生态数据,计算每两组卫星生态数据之间的数据误差;判断数据误差是否超过预设的误差阈值;若超过预设的误差阈值,则生成无人机启用指令,并生成无人机生态数据;比较得到与无人机生态数据误差最小的一组卫星生态数据,并将其定义为新卫星生态数据;根据新卫星生态数据以及无人机生态数据,生成最终生态数据反馈给用户。本申请具有提高生态数据准确性的效果。
Description
技术领域
本申请涉及生态环境监测的领域,尤其是涉及一种用于生态环保的多源卫星数据处理方法、系统及存储介质。
背景技术
随着社会的进度,生态环保相关的技术日益成熟,与此同时,卫星行业也在逐步发展。卫星行业作为航空航天产业的重要组成部分,对国家具有重要的战略意义。建立完备的卫星产业链,争夺太空资源被世界各国提到国家战略高度。截至2018年底,我国已成功发射500余颗卫星进入太空。如今依然在地球轨道上运行的有289颗(不包括国际合作卫星),数量稳居世界第二。随着卫星数量的不断攀升,卫星数据产品也在不断地更新迭代,传统卫星遥感数据处理方法已经不能匹配市场对卫星数据即时处理的需求,大数据计算和信息化水平成为卫星行业竞争的核心竞争力。
现有的,在卫星获取到数据之后,一般需要经过以下的数据预处理:辐射定标、大气校正、几何校正、图像融合、图像拼接,得到被校正后的数据,该数据主要由卫星接收到的辐射值组成,之后再经过一个反演模型,根据被校正后的辐射值生成多个对用户有意义的生态数据,例如地表温度、植被指数等,最后传输到卫星数据产品上供用户查看。
上述中的相关技术存在以下缺陷:在实际使用中,地球的表面状态会不断地发生变化,经过反演模型生成的生态数据可能会出现偏差。
发明内容
为了保证生态数据的准确性,本申请提供一种用于生态环保的多源卫星数据处理方法、系统及存储介质。
第一方面,本申请提供一种用于生态环保的多源卫星数据处理方法,采用如下的技术方案:
一种用于生态环保的多源卫星数据处理方法,包括:
获取卫星针对某一检测区域生成的遥感图像,将所述遥感图像进行预处理,生成原始数据;
从反演模型库中,选取至少两个反演模型,所述反演模型库包括若干个反演模型,所述反演模型用于根据原始数据生成对用户有研究意义的生态数据;
将所述原始数据代入所述反演模型中,生成至少两组卫星生态数据,所述卫星生态数据与所述反演模型一一对应;
计算每两组所述卫星生态数据之间的数据误差;
判断所述数据误差是否超过预设的误差阈值;
若所述数据误差超过预设的误差阈值,则生成无人机启用指令,所述无人机启用指令包括所述检测区域的地理位置,获取无人机影像和传感器参数;
根据所述无人机影像和所述传感器参数,生成无人机生态数据;
在多组所述卫星生态数据中,比较得到与所述无人机生态数据误差最小的一组卫星生态数据,并将其定义为新卫星生态数据;
根据所述新卫星生态数据以及所述无人机生态数据,生成最终生态数据反馈给用户。
通过采用上述技术方案,采用至少两个反演模型对卫星的原始数据进行计算处理,将生成的多组卫星生态数据进行比较,在误差较大时,由于无人机监测技术已经较为成熟,可使用无人机实地采集数据作为参考值,并且与卫星生态数据结合生成最终的生态数据反馈给用户。针对同一检测区域,综合多方面的数据处理后生成最后的结果,结果较为准确,可靠程度较高。
可选的,每个所述反演模型库具有一个可信因子;
所述从反演模型库中,选取至少两个反演模型具体包括:
将所有的可信因子进行归一化生成选择概率,所述选择概率与所述反演模型一一对应,且所有所述选择概率之和为1;
按照所述选择概率,从反演模型库中随机选择至少两个反演模型。
通过采用上述技术方案,根据每个反演模型的可信程度对反演模型进行选择,可信程度较高的反演模型被选择的几率也较高,提高了最终数据的准确性。
可选的,所述比较得到与所述无人机生态数据误差最小的一组卫星生态数据,并将其定义为新卫星生态数据之后还包括:
增大所述新卫星生态数据对应的反演模型的可信因子的大小;
减小多组所述卫星生态数据中,除所述新卫星生态数据之外的其他所述卫星生态数据对应的反演模型的可信因子大小。
通过采用上述技术方案,在出现误差较大的情况时,根据无人机实地采集的参考值,对计算出较大误差的反演模型的可信因子进行调整,使得可信因子反馈的可信程度更接近实际情况,从而有助于保证最终的计算准确性。
可选的,所述判断所述数据误差是否超过预设的误差阈值之后还包括:
若所述数据误差不超过预设的误差阈值,则根据所述误差卫星生态数据以及所述卫星生态数据对应的可信因子,生成最终生态数据。
通过采用上述技术方案,当多个反演模型生成卫星生态数据之间的误差不超过误差阈值时,将计算生成的多个卫星生态数据进行融合,生成最终的数据。
可选的,所述减小多组所述卫星生态数据中,除所述新卫星生态数据之外的其他所述卫星生态数据对应的反演模型的可信因子大小之后还包括:
将当前的所述原始数据和所述新卫星生态数据添加到历史标准列表中,所述历史标准列表与所述卫星生态数据对应的反演模型一一对应;
判断所述可信因子是否小于预设的可信下限;
若所述可信因子小于预设的可信下限,则根据所述历史标准列表,调整所述可信因子对应的反演模型的参数。
通过采用上述技术方案,若某一反演模型的可信因子过低,则根据对应的历史标准列表对其进行参数调节,尽可能提高其可信程度,充分利用每一种反演模型,以便于在计算时提高综合程度。
可选的,所述反演模型库中的反演模型具有分类标识,具有同一种分类标识的反演模型用于生成同一种卫星生态数据,且具有同一种分类标识的反演模型个数至少为两个;
所述将所有的可信因子进行归一化生成选择概率之前包括:
从反演模型库中,循环调取反演模型子库,所述反演模型子库由分类标识相同的反演模型组成;
获取所述反演模型子库中,所有的反演模型以及其对应的可信因子。
通过采用上述技术方案,可一次计算不同类型的生态数据,每种类型的生态数据均对应有一种分类标识的反演模型,便于区分和规划,计算范围更广。
可选的,所述增大所述新卫星生态数据对应的反演模型的可信因子的大小之后还包括:
判断所述可信因子是否大于预设的可信上限;
若所述可信因子大于预设的可信上限,则将所述可信因子对应的反演模型定义为对应反演模型子库中的标准反演模型;
所述获取所述反演模型子库中,所有的反演模型及其对应的可信因子之前还包括:
判断所述反演模型子库中是否具有标准反演模型;
若所述反演模型子库中具有标准反演模型,则将所述原始数据代入所述标准反演模型中,生成最终卫星生态数据;
随机生成无人机启用指令,生成无人机生态数据;
判断所述无人机生态数据与所述卫星生态数据之间的偏差是否大于预设的标准阈值;
若所述无人机生态数据与所述卫星生态数据之间的偏差大于预设的标准阈值,则将所述标准反演模型重新定义为反演模型。
通过采用上述技术方案,将可信程度较高的反演模型直接作为标准模型,在计算该标准模型对应的生态分类时,可以直接使用,减少了对比的过程,并且随机对标准模型的计算结果进行检验,确保其准确性。
第二方面,本申请提供一种用于生态环保的多源卫星数据处理系统,采用如下的技术方案:
一种用于生态环保的多源卫星数据处理系统,包括:
预处理模块,用于获取卫星针对某一检测区域生成的遥感图像,将所述遥感图像进行预处理,生成原始数据;
模型选择模块,用于从反演模型库中,选取至少两个反演模型,所述反演模型库包括若干个反演模型,所述反演模型用于根据原始数据生成对用户有研究意义的生态数据;
偏差判断模块,用于将所述原始数据代入所述反演模型中,生成至少两组卫星生态数据,所述卫星生态数据与所述反演模型一一对应;计算每两组所述卫星生态数据之间的数据误差;判断所述数据误差是否超过预设的误差阈值;
无人机启用模块,用于若所述数据误差超过预设的误差阈值,则生成无人机启用指令,所述无人机启用指令包括所述检测区域的地理位置,获取无人机影像和传感器参数;根据所述无人机影像和所述传感器参数,生成无人机生态数据;
结果反馈模块,用于在多组所述卫星生态数据中,比较得到与所述无人机生态数据误差最小的一组卫星生态数据,并将其定义为新卫星生态数据;根据所述新卫星生态数据以及所述无人机生态数据,生成最终生态数据反馈给用户。
通过采用上述技术方案,随机选取反演模型库中的反演模型,并将通过不同反演模型生成的卫星生态数据进行对比,根据对比结果将数据融合生成最终生态数据。
第三方面,本申请提供一种智能终端,采用如下的技术方案:
一种智能终端,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如第一方面所述方法的计算机程序。
通过采用上述技术方案,将同类型的多个反馈模型计算生成的卫星生态数据进行比对,综合后生成最终生态数据,若两者之间的差距过大,则引入无人机生态数据作为参考。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,包括存储有能够被处理器加载并执行如第一方面所述方法的计算机程序。
通过采用上述技术方案,能够将多个反演模型计算出来的卫星生态数据进行比对,并且以无人机获取的实地数据作为参考标准来进行数据融合。
综上所述,本申请包括以下至少一种有益技术效果:
1.采用至少两个反演模型对卫星的原始数据进行计算处理,将生成的卫星生态数据进行比较,在误差较大时,使用无人机实地采集数据作为参考值,并且与卫星生态数据结合生成最终的数据反馈给用户,保障生态数据的准确率;
2.加入可信因子对所有的反演模型进行可信程度的评价,尽可能结合可信程度较高的反演模型计算出来的数据,保障结果的准确性。
附图说明
图1是本申请实施例的用于生态环保的多源卫星数据处理方法的流程示意图。
图2是本申请实施例的S300子步骤以及对标准反演模型进行检测的流程示意图。
图3是本申请实施例的用于调整可信因子和历史标准列表,以及生成标准反演模型的流程示意图。
图4是本申请实施例的用于生态环保的多源卫星数据处理系统的结构框图。
附图标记说明:1、预处理模块;2、模型选择模型;3、偏差判断模块;4、无人机启动模块;5、结果反馈模块;6、因子增减模块;7、参数调整模块。
具体实施方式
以下结合附图1-4对本申请作进一步详细说明。
本申请实施例公开一种用于生态环保的多源卫星数据处理方法。参照图1,用于生态环保的多源卫星数据处理方法包括:
S100:获取某一检测区域的遥感图像。
其中,遥感图像由作为数据源的各个卫星拍摄得到,卫星可为高分卫星系列、资源卫星系列、环境卫星系列、风云卫星系列、海洋卫星系列等。
S200:将遥感图像经过预处理生成原始数据。
具体来说,预处理包括辐射定标、大气校正、几何校正、图像融合、图像拼接等处理过程,将所获得的遥感图像经过上述的预处理之后生成例如热辐射能量、辐射亮度等的原始数据。
S300:从反演模型库中,随机选取多个反演模型。
其中,反演模型为可根据原始数据,计算生成对用户有研究意义和价值的数值的模型,例如,根据劈窗算法模型可由红外辐射值反演得到地表温度;利用神经网络模型可由水体的高光谱反射率得到水质参数。
具体来说,结合图2, S300包括以下子步骤:
S301:从反演模型库中,依次调取反演模型子库。
其中,反演模型库由若干个反演模型子库组成,而每个反演模型子库由至少两个同类型的反演模型组成,每个反演模型均具有一个分类标识,位于同一反演模型子库中的反演模型具有相同的分类标识。分类标识用于表示该反演模型计算生成的数值种类,例如,分类标识为“A”的反演模型均为用于计算地表温度的反演模型;分类标识为“B”的反演模型均为用于计算水质参数的反演模型。
具体的,以分类标识为循环特征,依次调取各个反演模型子库,每调取一个反演模型子库,即跳转至S302。
S302:获取反演模型子库中,所有的反演模型及对应的可信因子。
其中,每个反演模型具有一个可信因子a,a≥0,该可信因子用于描述对应反演模型的计算准确程度,可信因子越大,对应的反演模型越准确。
S303:判断反演模型子库中是否存在标准反演模型。
其中,标准反演模型为当前分类标识下,由历史数据得到的可信度极高的反演模型。具体的,若反演模型子库中存在标准反演模型,则跳转至S31;若反演模型子库中不存在标准反演模型,则跳转至S304。
S31:将原始数据代入标准反演模型中,生成最终生态数据。
S32:随机生成无人机启动指令。
具体的,根据预设的生成概率,随机生成无人机启动标识,其中生成概率为一个在0到1之间的常数,无人机启动标识包括0和1两种状态,若无人机启动标识为0,则不生成无人机启动指令;若无人机启动标识为1,则生成无人机启动指令。无人机启动指令包括标准反演模型的分类标识,以及当前检测区域的地理位置。
S33:判断无人机生态数据与卫星生态数据之间的偏差是否大于预设的标准阈值。
具体的,若无人机生态数据与卫星生态数据之间的偏差大于预设的标准阈值,则跳转至S34;若无人机生态数据与卫星生态数据之间的偏差不大于预设的标准阈值,则将S31中生成的最终生态数据反馈给用户。
S34:将标准反演模型重新定义为反演模型,并重新生成最终生态数据。
其中,若经过无人机生态数据核实之后,卫星生态数据的偏差过大,则表明当前标准反演模型不可信,因此在之后的循环中不再将其作为标准反演模型直接计算,而是重新将其作为一个普通的反演模型。在这种情况下,将无人机生态数据定义为最终生态数据,并且将该最终生态数据分析显示给用户查看。
S304:根据可信因子,生成选择概率。
具体的,在当前反演模型子库中,将所有的反演模型对应的可信因子归一化,即,将所有的可信因子相加得到可信因子总和,随后将每个可信因子除以可信因子总和,生成对应的选择概率b,0<b<1,概率b即为对应的反演模型被选择到的可能性,且在当前反演模型子库中,所有的选择概率之和为1。
S305:按照选择概率,随机获取反演模型。
具体的,从当前反演模型子库中,按照选择概率,随机地获取至少两个反演模型;其中,对应选择概率越大的反演模型,被选择到的可能性也就越大。
S400:将原始数据代入反演模型中,生成卫星生态数据。
其中,一组卫星生态数据用于描述一种生态情况,且包含多个数据项,例如,若反演模型为计算水质参数的反演模型,其分类标识为“B”,则生成对应卫星生态数据中可以包括悬浮物、水表温度、溶解氧等数据项。
具体的,将S200中生成的原始数据依次代入从S300中选取的所有反演模型中,最终生成多组卫星生态数据,每组卫星生态数据均具有数据分类标识,数据分类标识与计算出该卫星生态数据使用的反演模型的分类标识对应相同,具有同一种数据分类标识的卫星生态数据至少有两组。例如,可有两组卫星生态数据为水质参数数据,其数据分类标识均为“B”;有三组卫星生态数据为地表温度数据,其数据分类标识均为“A”。
S500:计算具有相同分类标识的卫星生态数据的数据误差。
具体的,对于具有相同分类标识的多组卫星生态数据,计算其中每两组卫星生态数据之间的误差,并将其定义为数据误差。
S600:判断数据误差是否大于预设的误差阈值。
具体的,依次判断同一分类标识下,所有的数据误差中最大的数据误差是否大于对应的预设误差阈值,若数据误差小于等于预设的误差阈值,则跳转至S700;若数据误差大于预设的误差阈值,则跳转至S800。
S700:根据卫星生态数据生成最终生态数据,并反馈给用户。
具体的,获取计算出每组卫星生态数据对应的反演模型的可信因子,将可信因子在上述同一分类标识下的至少两组卫星生态数据的范围内归一化,生成每组卫星生态数据对应的加权系数,若不同组卫星生态数据中不同的数据项为,具体代表第i组卫星生态数据中第j个数据项,将每组卫星生态数据的各个数据项乘以对应的加权系数,得到、、、……、、、、……,之后将不同组卫星生态数据之间相同的名称的数据项对应相加,生成最终生态数据、、……,并显示给用户查看。
S800:生成无人机启用指令。
其中,无人机启用指令包括S100中检查区域的地理位置,以及S600中数据误差较大的卫星生态数据的数据分类标识,启用该地理位置附近的无人机,使得无人机拍摄对应地理位置的实际生态情况。
S900:获取无人机影像和传感器系数。
具体的,根据数据分类标识获取对应的无人机影像和传感器系数,从而得到在该检测区域,关于该数据分类标识的实际生态情况。
S1000:根据无人机影像和传感器系数,生成无人机生态数据。
具体的,根据无人机影像和传感器系数,整理得到该地区的实际生态情况,生成与卫星生态数据相匹配的无人机生态数据,无人机生态数据中的数据项与S600中数据误差过大的卫星生态数据中的数据项一一对应,即无人机生态数据的数据项与卫星生态数据的数据项具有相同的名称,但具体数值可能不同。
S1100:根据无人机生态数据,从卫星生态数据中获取新卫星生态数据。
具体的,在S600中数据误差较大的多组卫星生态数据中,依次计算各组卫星生态数据中的数据项与对应的无人机生态数据中的数据项的差值,并用该差值除以无人机生态数据中对应的数据项得到偏差比例,将同组中所有的偏差比例相加得到该组的总偏差,,由于卫星生态数据至少有两组,因此j≥2,最终将最小的总差值对应的卫星生态数据定义为新卫星生态数据。
S1200:根据新卫星生态数据和无人机生态数据,生成最终生态数据反馈给用户。
具体的,将新卫星生态数据的各数据项乘以预设的加权比例,再将无人机生态数据的各数据项乘以与加权比例相补的数,并将两者的结果对应相加,得到最终生态数据,并显示给用户查看。例如,若加权比例为w,0≤w≤1,则将新卫星生态数据的各数据项乘以加权比例w,得到、、……,并将无人机生态数据的各数据项乘以相补的加权比例(1-w),得到、、……,将上述相乘的结果对应相加,得到最终生态数据中的各数据项为、、……
此外,为了能够提高反演模型的计算准确性,参照图3,S1100获取新卫星生态数据之后还包括:
S11:增大新卫星生态数据对应的反演模型的可信因子。
具体的,将S1000中生成的新卫星生态数据的总偏差,带入预设的偏差计算函数,计算生成该总偏差,对应反演模型可信因子的增大量,并将增大量与原本的可信因子相加,得到新的可信因子。其中,预设的偏差计算函数为一个单调递增函数,即总偏差越大,对应反演模型可信因子的增大量越大。
S12:判断反演模型的可信因子是否超过可信上限。
具体的,若反演模型的增大后的可信因子未超过可信上限,则系统无响应;若反演模型的增大后的可信因子超过可信上限,则跳转至S13。
S13:将可信因子对应的反演模型定义为标准反演模型。
其中,标准反演模型即为S303中的标准反演模型。
此外,在S1000获取新卫星生态数据之后还包括:
S21:减小除新卫星生态数据的反演模型之外的反演模型的可信因子。
具体的,根据与新卫星生态数据具有相同数据分类标识的卫星生态数据,获取上述卫星生态数据对应的反演模型,将其可信因子降低。需要解释的是,每个反演模型可信因子的降低程度由S1000中计算生成的总偏差决定,除去最小的总偏差后,将剩余的总偏差带入与S11中相同的偏差计算函数中,计算出各总偏差对应的减小量,并且用原本的可信因子减去对应的减小量,得到新的可信因子。
S22:更新反演模型的历史标准列表。
其中,历史标准列表为记录反演模型每次下调可信因子时对应的原始数据,以及新卫星生态数据。具体的,将本次带入反演模型的原始数据,以及本次生成的新卫星生态数据添加到对应的历史标准列表中。
S23:判断反演模型的可信因子是否低于预设的可信下限。
具体的,若反演模型的减小后的可信因子低于预设的可信下限,则跳转至S24;若反演模型的减小后的可信因子不低于预设的可信下限,则系统无响应。
S24:根据历史标准列表,调整反演模型的参数。
具体的,根据不同反演模型的模型形式,以历史标准列表中的原始数据和对应的新卫星数据为训练数据,对反演模型参数的进行调整。例如,可采用贝叶斯自动调参的方法进行反演模型的参数调整。
此外,为了能够对标准反演模型进行检测,在S303中判断得到反演模型子库中存在标准反演模型后还包括:
实施原理:将遥感图像经过预处理之后,使用至少两个反演模型计算出同一种类的生态数据,并且将至少两组的生态数据进行数据项的一一比对,计算两两之间的偏差,若有偏差较大的情况出现,则启动无人机获取实地数据作为参考数据进行比对,最终根据无人机生态数据以及偏差最小的卫星生态数据,生成最终生态数据,提高了数据的准确性。
基于上述方法,本申请实施例还公开一种用于生态环保的多源卫星数据处理系统。参照图4,用于生态环保的多源卫星数据处理系统包括预处理模块1、模型选择模型2、偏差判断模块3、无人机启动模块4、结果反馈模块5、因子增减模块6和参数调整模块7。
预处理模块1,用于卫星针对某一检测区域生成的遥感图像,将遥感图像经过辐射定标、大气校正、几何校正、图像融合、图像拼接后,生成原始数据。
模型选择模型2,用于从反演模型库中,选取至少两个反演模型。
偏差判断模块3,用于根据反演模型,生成多组卫星生态数据,并将同类型的卫星生态数据进行比对,计算每两组同类型的卫星生态数据之间的数据误差,并判断该数据误差是否超过预设的误差阈值。
无人机启动模块4,用于在数据误差超过预设的误差阈值时,生成无人机启动指令,根据无人机影像和传感器参数生成无人机生态数据;并且,用于在使用标准反演模型生成最终生态数据时,随机生成无人机启动指令,生成无人机生态数据与最终生态数据进行比对。
结果反馈模块5,用于生成新卫星生态数据,再根据新卫星生态数据生成最终生态数据反馈给用户;并且,用于根据标准反馈模型生成最终生态数据。
因子增减模块6,用于根据新卫星生态数据,增大新卫星生态数据对应的反演模型可信因子,判断该可信因子超过可信上限后生成标准反演模型,并且减小其他反演模型对应的可信因子,更新历史标准列表。
参数调整模块7,用于判断该可信因子低于可信下限时,根据历史标准列表和反演模型的类型,调整反演模型的参数。
本申请实施例还公开一种智能终端,智能终端包括存储器和处理器,存储器上存储有能够被处理器加载并执行如上述的用于生态环保的多源卫星数据处理方法的计算机程序。
本申请实施例还公开一种计算机可读存储介质,其存储有能够被处理器加载并执行如上述的用于生态环保的多源卫星数据处理方法的计算机程序,该计算机可读存储介质例如包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本申请的技术方案,而非对申请的保护范围进行限制。显然,所描述的实施例仅仅是本申请部分实施例,而不是全部实施例。基于这些实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请所要保护的范围。
Claims (10)
1.一种用于生态环保的多源卫星数据处理方法,其特征在于,包括:
获取卫星针对某一检测区域生成的遥感图像,将所述遥感图像进行预处理,生成原始数据;
从反演模型库中,选取至少两个反演模型,所述反演模型库包括若干个反演模型,所述反演模型用于根据原始数据生成对用户有研究意义的生态数据;
将所述原始数据代入所述反演模型中,生成至少两组卫星生态数据,所述卫星生态数据与所述反演模型一一对应;
计算每两组所述卫星生态数据之间的数据误差;
判断所述数据误差是否超过预设的误差阈值;
若所述数据误差超过预设的误差阈值,则生成无人机启用指令,所述无人机启用指令包括所述检测区域的地理位置;获取无人机影像和传感器参数;
根据所述无人机影像和所述传感器参数,生成无人机生态数据;
在多组所述卫星生态数据中,比较得到与所述无人机生态数据误差最小的一组卫星生态数据,并将其定义为新卫星生态数据;
根据所述新卫星生态数据以及所述无人机生态数据,生成最终生态数据反馈给用户。
2.根据权利要求1所述的用于生态环保的多源卫星数据处理方法,其特征在于,每个所述反演模型库具有一个可信因子;
所述从反演模型库中,选取至少两个反演模型具体包括:
将所有的可信因子进行归一化生成选择概率,所述选择概率与所述反演模型一一对应,且所有所述选择概率之和为1;
按照所述选择概率,从反演模型库中随机选择至少两个反演模型。
3.根据权利要求2所述的用于生态环保的多源卫星数据处理方法,其特征在于,所述比较得到与所述无人机生态数据误差最小的一组卫星生态数据,并将其定义为新卫星生态数据之后还包括:
增大所述新卫星生态数据对应的反演模型的可信因子的大小;
减小多组所述卫星生态数据中,除所述新卫星生态数据之外的其他所述卫星生态数据对应的反演模型的可信因子大小。
4.根据权利要求2所述的用于生态环保的多源卫星数据处理方法,其特征在于,所述判断所述数据误差是否超过预设的误差阈值之后还包括:
若所述数据误差不超过预设的误差阈值,则根据所述误差卫星生态数据以及所述卫星生态数据对应的可信因子,生成最终生态数据。
5.根据权利要求3所述的用于生态环保的多源卫星数据处理方法,其特征在于,所述减小多组所述卫星生态数据中,除所述新卫星生态数据之外的其他所述卫星生态数据对应的反演模型的可信因子大小之后还包括:
将当前的所述原始数据和所述新卫星生态数据添加到历史标准列表中,所述历史标准列表与所述卫星生态数据对应的反演模型一一对应;
判断所述可信因子是否小于预设的可信下限;
若所述可信因子小于预设的可信下限,则根据所述历史标准列表,调整所述可信因子对应的反演模型的参数。
6.根据权利要求2所述的用于生态环保的多源卫星数据处理方法,其特征在于,所述反演模型库中的反演模型具有分类标识,具有同一种分类标识的反演模型用于生成同一种卫星生态数据,且具有同一种分类标识的反演模型个数至少为两个;
所述将所有的可信因子进行归一化生成选择概率之前包括:
从反演模型库中,循环调取反演模型子库,所述反演模型子库由分类标识相同的反演模型组成;
获取所述反演模型子库中,所有的反演模型以及其对应的可信因子。
7.根据权利要求6所述的用于生态环保的多源卫星数据处理方法,其特征在于,所述增大所述新卫星生态数据对应的反演模型的可信因子的大小之后还包括:
判断所述可信因子是否大于预设的可信上限;
若所述可信因子大于预设的可信上限,则将所述可信因子对应的反演模型定义为对应反演模型子库中的标准反演模型;
所述获取所述反演模型子库中,所有的反演模型及其对应的可信因子之前还包括:
判断所述反演模型子库中是否具有标准反演模型;
若所述反演模型子库中具有标准反演模型,则将所述原始数据代入所述标准反演模型中,生成最终卫星生态数据;
随机生成无人机启用指令,生成无人机生态数据;
判断所述无人机生态数据与所述卫星生态数据之间的偏差是否大于预设的标准阈值;
若所述无人机生态数据与所述卫星生态数据之间的偏差大于预设的标准阈值,则将所述标准反演模型重新定义为反演模型。
8.一种用于生态环保的多源卫星数据处理系统,其特征在于,包括,
预处理模块(1),用于获取卫星针对某一检测区域生成的遥感图像,将所述遥感图像进行预处理,生成原始数据;
模型选择模块(2),用于从反演模型库中,选取至少两个反演模型,所述反演模型库包括若干个反演模型,所述反演模型用于根据原始数据生成对用户有研究意义的生态数据;
偏差判断模块(3),用于将所述原始数据代入所述反演模型中,生成至少两组卫星生态数据,所述卫星生态数据与所述反演模型一一对应;计算每两组所述卫星生态数据之间的数据误差;判断所述数据误差是否超过预设的误差阈值;
无人机启用模块(4),用于若所述数据误差超过预设的误差阈值,则生成无人机启用指令,所述无人机启用指令包括所述检测区域的地理位置,获取无人机影像和传感器参数;根据所述无人机影像和所述传感器参数,生成无人机生态数据;
结果反馈模块(5),用于在多组所述卫星生态数据中,比较得到与所述无人机生态数据误差最小的一组卫星生态数据,并将其定义为新卫星生态数据;根据所述新卫星生态数据以及所述无人机生态数据,生成最终生态数据反馈给用户。
9.一种智能终端,其特征在于,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如权利要求1至7中任一种方法的计算机程序。
10.一种计算机可读存储介质,其特征在于,存储有能够被处理器加载并执行如权利要求1至7中任一种方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011504904.XA CN112710614B (zh) | 2020-12-18 | 2020-12-18 | 用于生态环保的多源卫星数据处理方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011504904.XA CN112710614B (zh) | 2020-12-18 | 2020-12-18 | 用于生态环保的多源卫星数据处理方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112710614A true CN112710614A (zh) | 2021-04-27 |
CN112710614B CN112710614B (zh) | 2021-10-22 |
Family
ID=75544530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011504904.XA Active CN112710614B (zh) | 2020-12-18 | 2020-12-18 | 用于生态环保的多源卫星数据处理方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112710614B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114414744A (zh) * | 2022-01-26 | 2022-04-29 | 北京航天泰坦科技股份有限公司 | 生态环境遥感监测指标的时空动态分析方法、装置和设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750455A (zh) * | 2012-07-10 | 2012-10-24 | 中国科学院对地观测与数字地球科学中心 | 一种水环境遥感反演模型选择方法及装置 |
CN103970994A (zh) * | 2014-05-05 | 2014-08-06 | 南京师范大学 | 基于数据同化的内陆水体叶绿素浓度多模型协同反演方法 |
WO2017074605A1 (en) * | 2015-10-27 | 2017-05-04 | Nec Laboratories America, Inc. | Flexible three-dimensional long-path gas sensing by unmanned vehicles |
CN107036974A (zh) * | 2016-11-18 | 2017-08-11 | 中国水利水电科学研究院 | 基于确定性集合建模的水质参数多模型协同反演方法 |
CN107271405A (zh) * | 2017-06-30 | 2017-10-20 | 中国水利水电科学研究院 | 一种多模型协同的水质参数浓度反演方法和装置 |
CN110865040A (zh) * | 2019-11-29 | 2020-03-06 | 深圳航天智慧城市系统技术研究院有限公司 | 天空地一体化高光谱水质监测分析方法 |
US20200184266A1 (en) * | 2018-12-06 | 2020-06-11 | Industry Academy Cooperation Foundation Of Sejong University | Method of identification and analysis for materials |
WO2020178052A1 (en) * | 2019-03-01 | 2020-09-10 | Basf Coatings Gmbh | Method and system for object recognition via a computer vision application |
CN111678866A (zh) * | 2020-05-28 | 2020-09-18 | 电子科技大学 | 一种多模型集成学习的土壤含水量反演方法 |
-
2020
- 2020-12-18 CN CN202011504904.XA patent/CN112710614B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750455A (zh) * | 2012-07-10 | 2012-10-24 | 中国科学院对地观测与数字地球科学中心 | 一种水环境遥感反演模型选择方法及装置 |
CN103970994A (zh) * | 2014-05-05 | 2014-08-06 | 南京师范大学 | 基于数据同化的内陆水体叶绿素浓度多模型协同反演方法 |
WO2017074605A1 (en) * | 2015-10-27 | 2017-05-04 | Nec Laboratories America, Inc. | Flexible three-dimensional long-path gas sensing by unmanned vehicles |
CN107036974A (zh) * | 2016-11-18 | 2017-08-11 | 中国水利水电科学研究院 | 基于确定性集合建模的水质参数多模型协同反演方法 |
CN107271405A (zh) * | 2017-06-30 | 2017-10-20 | 中国水利水电科学研究院 | 一种多模型协同的水质参数浓度反演方法和装置 |
US20200184266A1 (en) * | 2018-12-06 | 2020-06-11 | Industry Academy Cooperation Foundation Of Sejong University | Method of identification and analysis for materials |
WO2020178052A1 (en) * | 2019-03-01 | 2020-09-10 | Basf Coatings Gmbh | Method and system for object recognition via a computer vision application |
CN110865040A (zh) * | 2019-11-29 | 2020-03-06 | 深圳航天智慧城市系统技术研究院有限公司 | 天空地一体化高光谱水质监测分析方法 |
CN111678866A (zh) * | 2020-05-28 | 2020-09-18 | 电子科技大学 | 一种多模型集成学习的土壤含水量反演方法 |
Non-Patent Citations (2)
Title |
---|
YI LIN 等: ""Water Volume Variations Estimation and Analysis Using Multisource Satellite Data: A Case Study of Lake Victoria"", 《REMOTE SENSING》 * |
侯艳军 等: ""荒漠土壤有机质含量高光谱估算模型"", 《农业工程学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114414744A (zh) * | 2022-01-26 | 2022-04-29 | 北京航天泰坦科技股份有限公司 | 生态环境遥感监测指标的时空动态分析方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112710614B (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112710614B (zh) | 用于生态环保的多源卫星数据处理方法、系统及存储介质 | |
CN112651490B (zh) | 人脸关键点检测模型的训练方法及设备、可读存储介质 | |
CN109800815B (zh) | 基于随机森林模型的训练方法、小麦识别方法和训练系统 | |
US20230059499A1 (en) | Image processing system, image processing method, and non-transitory computer readable medium | |
CN116228754B (zh) | 一种基于深度学习和全局差异性信息的表面缺陷检测方法 | |
US20210182384A1 (en) | Detecting fraudulent facial recognition | |
CN111897640A (zh) | 一种面向区域成图的卫星成像任务规划方法及系统 | |
CN111277809A (zh) | 一种图像色彩校正方法、系统、设备及介质 | |
CN114092474A (zh) | 一种手机外壳复杂纹理背景的加工缺陷检测方法及系统 | |
CN116804668A (zh) | 一种食盐碘含量检测数据标识方法及系统 | |
CN117372877A (zh) | 一种基于神经网络的星图识别方法、装置及相关介质 | |
CN113379037B (zh) | 一种基于补标记协同训练的偏多标记学习方法 | |
CN117891702A (zh) | 基于极大熵模型的嵌入式计算平台性能指标权重确定方法 | |
CN113762278A (zh) | 一种基于目标检测的沥青路面损坏识别方法 | |
CN111586389B (zh) | 图像处理方法及相关装置 | |
CN108510097B (zh) | 基于卫星遥感的输电线路走廊积雪灾害监测方法及系统 | |
CN117310389A (zh) | 一种基于cnn的配电网故障定位方法、装置及相关设备 | |
CN117523336A (zh) | 关键点检测模型的训练方法及关键点检测方法 | |
CN116363469A (zh) | 一种少样本红外目标检测方法、装置和系统 | |
CN116089844A (zh) | 一种无人机位姿数据的非高斯特征验证方法 | |
CN117079120A (zh) | 一种基于改进ga算法的目标识别模型优化方法 | |
CN115775231A (zh) | 一种基于Cascade R-CNN的金具缺陷检测方法及系统 | |
CN115564678A (zh) | 优化bp神经网络的低空无人机光谱辐射校正方法及系统 | |
CN115170902A (zh) | 图像处理模型的训练方法 | |
CN113551784A (zh) | 测温方法、测温装置及计算机存储介质 |
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 |