CN112860824B - 一种高分辨率dem地形特征提取的尺度适应性评价方法 - Google Patents
一种高分辨率dem地形特征提取的尺度适应性评价方法 Download PDFInfo
- Publication number
- CN112860824B CN112860824B CN202110054955.5A CN202110054955A CN112860824B CN 112860824 B CN112860824 B CN 112860824B CN 202110054955 A CN202110054955 A CN 202110054955A CN 112860824 B CN112860824 B CN 112860824B
- Authority
- CN
- China
- Prior art keywords
- scale
- terrain
- adaptability
- extraction
- topographic
- 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.)
- Active
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明的实施例提供了一种高分辨率DEM地形特征提取的尺度适应性评价方法。所述方法包括基于高分辨率DEM中待提取的地形要素,定义所述地形要素相关的评价指标;定义所述评价指标对应的多尺度地形提取模型的尺度适应性评价标准;输入待评价的多尺度地形提取模型的集合,根据所述尺度适应性评价标准对所述集合中多尺度地形提取模型的尺度适应性进行评价。以此方式,可以在地形分析过程中,对地形提取模型的高分辨率DEM特征提取的尺度适应性进行评价,从而得到地形要素提取的尺度适应性最佳模型,增加对地形要素提取的准确性,减少误判的几率。
Description
技术领域
本发明的实施例一般涉及地理空间数据处理技术领域,并且更具体地,涉及一种高分辨率DEM地形特征提取的尺度适应性评价方法。
背景技术
比例尺是地形分析的一个基本关注点,甚至是地形分析过程中的一个关键属性。地形特征的表现形式与DEM(Digital Elevation Model,数字高程模型)及其衍生产品的尺度状态有较大的相关性。早期的研究表明地形图的尺度是影响地形识别与地形分析的关键属性,并对DEM的生成、地形要素的提取、地形测绘与地形可视化都产生影响。
随着对地观测系统的发展,比例尺的重要性更加凸显。先进的地球观测系统为公众提供了大量的高分辨率数据集,一般将720p及以上视为高分辨率,而720p以下一般视为低分辨率。高分辨率相较于低分辨率也就意味着更多的地形细节特征,例如河道长度、山区高度、洪水状况等。但是更多的地形细节也有可能带来地形要素提取结果的不确定性,例如在高分辨率的图像中建筑物、岩石或其他非地形物体的边缘都存在被识别为山脊线与山谷线的情况,而这些地物在低分辨率的图像之中往往是难以分辨的。故由于无法对不同多尺度地形提取模型的尺度适应性进行评价,在地形分析过程中无法找到尺度适应性较优的多尺度地形提取模型进行提取,降低了对地形要素提取的准确性,增加了误判的几率。
发明内容
根据本发明的实施例,提供了一种高分辨率DEM地形特征提取的尺度适应性评价方案。
在本发明的第一方面,提供了一种高分辨率DEM地形特征提取的尺度适应性评价方法。该方法包括:
基于高分辨率DEM中待提取的地形要素,定义所述地形要素相关的评价指标;
定义所述评价指标对应的多尺度地形提取模型的尺度适应性评价标准;
输入待评价的多尺度地形提取模型的集合,根据所述尺度适应性评价标准对所述集合中多尺度地形提取模型的尺度适应性进行评价。
进一步地,所述地形要素包括山脊线和山谷线;
所述山脊线,用于描述沿着山脊走向的路线;
所述山谷线,用于描述沿着两山之间狭窄低凹处的路线。
进一步地,所述评价指标包括视觉定性指标和统计定量指标;
所述视觉定性指标包括地形要素的像素点数量、地形要素的结构辨析度、地形要素的类型数量和地形要素的数据量;
所述统计定量指标为不同尺度下DEM地形要素的提取比例。
进一步地,所述评价指标对应的多尺度地形提取模型的尺度适应性评价标准,包括视觉定性评价标准和统计定量评价标准。
进一步地,所述视觉定性评价标准,包括:
如果从多尺度地形提取模型中提取的地形要素的像素点数量随图像尺度递增而连续递增,则所述多尺度地形提取模型具备一级尺度适应性;
如果从多尺度地形提取模型中提取的地形要素的结构辨析度随图像尺度递增而连续递增,则所述多尺度地形提取模型具备二级尺度适应性;
如果从多尺度地形提取模型中提取的地形要素的类型数量和/或数据量随图像尺度递增而连续递增,则所述多尺度地形提取模型具备三级尺度适应性;
所述三级尺度适应性优于所述二级尺度适应性,所述二级尺度适应性优于所述一级尺度适应性。
进一步地,地形要素的结构辨析度随图像尺度的变化趋势的判断,包括:
将所述地形要素划分成若干个要素段,计算每个要素段中的断点数量,如果每两个连续的要素段中,后一个要素段的断点数量少于前一个要素段的断点数量,则所述地形要素的结构辨析度呈连续递增趋势。
进一步地,所述统计定量评价标准,包括:
如果第一多尺度地形提取模型在不同尺度下DEM地形要素的提取比例大于第二多尺度地形提取模型在对应尺度下DEM地形要素的提取比例,则所述第一多尺度地形提取模型的尺度适应性优于第二多尺度地形提取模型。
进一步地,所述不同尺度下DEM地形要素的提取比例,包括:
其中,θ1和θ2为提取模型在不同尺度下DEM地形要素的提取比例;Numscale+为在第一尺度下的地形图中提取的地形要素数量;Numscale-为在第二尺度下的地形图中提取的地形要素的数量,其中第一尺度大于第二尺度。
在本发明的第二方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
在本发明的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本发明的第一方面的方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征,亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
本发明能够在地形分析过程中,对地形提取模型的高分辨率DEM特征提取的尺度适应性进行评价,从而得到地形要素提取的尺度适应性最佳模型,增加对地形要素提取的准确性,减少误判的几率。
附图说明
结合附图并参考以下详细说明,本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了根据本发明的实施例的高分辨率DEM地形特征提取的尺度适应性评价方法的流程图;
图2示出了能够实施本发明的实施例的示例性电子设备的方框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的全部其他实施例,都属于本发明保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本发明中,能够在地形分析过程中,对地形提取模型的高分辨率DEM特征提取的尺度适应性进行评价,从而得到地形要素提取的尺度适应性最佳模型,增加对地形要素提取的准确性,减少误判的几率。
图1示出了本发明实施例的高分辨率DEM地形特征提取的尺度适应性评价方法的流程图。
该方法包括:
S101、基于高分辨率DEM中待提取的地形要素,定义所述地形要素相关的评价指标。
所述DEM为数字高程模型,是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达),它是用一组有序数值阵列形式表示地面高程的一种实体地面模型。
在本实施例中,高分辨率为720p及以上,对应的低分辨率则为720p以下。高分辨率相较于低分辨率也就意味着更多的地形细节特征,例如河道长度、山区高度、洪水状况等。
所述地形要素指能够充分展示地形特征,表征地貌特征的要素。在本实施例中,可选的,所述地形要素包括山脊线和山谷线。
所述山脊线,是山脊的最高棱线,用于描述沿着山脊走向的路线;
所述山谷线,用于描述沿着两山之间狭窄低凹处的路线。
所述山脊线与山谷线这两种地形要素可以充分展示地形特征,是表示地貌特征的线。故以山脊线与山谷线的提取结果为地形提取尺度适应性的评判标准。
由于不同的地形分析中不同尺度的DEM图像对地形要素的提取结果有非常显著的影响,为了能够判定地形提取模型在提取过程中的有效性和尺度适应性,选择能够代表地貌要素特征的地形要素的特征作为评价指标。
在选择评价指标时,依托于图像尺度理论进行选择。在所述图像尺度理论中,存在两种理论:
一、降低原始DEM的分辨率会导致低分辨率(低比例尺)DEM的总像素数减少;
二、通过图像下采样处理后的DEM仍然包含原始图像所包含的重要信息。其中,图像下采样指的是生成原图的缩略图。
基于上述图像尺度理论,多尺度地形要素提取所依赖的模型应具备两项能力:
1、从大尺度(高分辨率)DEM中提取的地形要素数量多于从小尺度(低分辨率)DEM中提取的地形要素;
2、地形要素的主要结构应在原始DEM和所有比例尺DEM中都能得到。
考虑到上述图像尺度理论,定义与山脊线与山谷线的提取结果相关的评价指标。所述评价指标,即在地形要素提取过程中的关键因子,分为视觉定性指标和统计定量指标。
可选的,所述视觉定性指标包括地形要素的像素点数量、地形要素的结构辨析度、地形要素的类型数量和地形要素的数据量。这些视觉定性指标能够随着尺度变化产生变化,从而通过对变化趋势的判断对尺度适应性进行评价。
可选的,所述统计定量指标为不同尺度下DEM地形要素的提取比例。
所述提取比例用于统计不同尺度下不同模型提取的地形要素的像素量情况,从而量化分析地形要素提取的比例数据的差异化程度。
所述不同尺度下DEM地形要素的提取比例为一对值,即θ1和θ2;
其中,θ1和θ2为提取模型在不同尺度下DEM地形要素的提取比例;Numscale+为在第一尺度下的地形图中提取的地形要素数量;Numscale-为在第二尺度下的地形图中提取的地形要素的数量,其中第一尺度大于第二尺度。例如,Numscale+表示在大比例尺,即高分辨率的地形图中提取的地形要素数量,Numscale-表示在小比例尺,即低分辨率的地形图中提取的地形要素的数量。
在本实施例中,通过视觉定性和统计定量两个维度对提取模型的尺度适应性进行综合评价,使评价结果更准确、全面。
S102、定义所述评价指标对应的多尺度地形提取模型的尺度适应性评价标准。
所述评价指标对应的多尺度地形提取模型的尺度适应性评价标准,包括视觉定性评价标准和统计定量评价标准。
所述视觉定性评价标准,包括:
将尺度适应性的高低分级评价,根据对评价指标的在不同比例尺中的趋势对模型尺度适应性的级别进行评价。
如果从多尺度地形提取模型中提取的地形要素的像素点数量随图像尺度递增而连续递增,则所述多尺度地形提取模型具备一级尺度适应性,即低尺度适应性。
如果从多尺度地形提取模型中提取的地形要素的主要结构辨析度随图像尺度递增而连续递增,则所述多尺度地形提取模型具备二级尺度适应性,即中尺度适应性。
在本实施例中,具体的,在结构辨析度趋势判断过程中,将所述地形要素划分成若干个要素段,计算每个要素段中的断点数量,如果每两个连续的要素段中,后一个要素段的断点数量少于前一个要素段的断点数量,则所述地形要素的结构辨析度呈连续递增趋势。
如果从多尺度地形提取模型中提取的地形要素的类型数量和/或数据量随图像尺度递增而连续递增,则所述多尺度地形提取模型具备三级尺度适应性,即高尺度适应性。所述类型数量和/或数据量随图像尺度递增而连续递增能够表示地形要素的提取内容的丰富程度提升。
所述三级尺度适应性(高尺度适应性)优于所述二级尺度适应性(中尺度适应性),所述二级尺度适应性(中尺度适应性)优于所述一级尺度适应性(低尺度适应性)。
以上述视觉定性评价标准作为视觉定性维度的尺度适应性评价依据,对不同提取模型的尺度适应性进行评价。
所述统计定量评价标准,包括:
如果第一多尺度地形提取模型在不同尺度下DEM地形要素的提取比例大于第二多尺度地形提取模型在对应尺度下DEM地形要素的提取比例,则所述第一多尺度地形提取模型的尺度适应性优于第二多尺度地形提取模型。
在本实施例中,通过提取比例公式生成可视化结果图以及山脊线、山谷线提取像素的定量统计表,统计不同模型在不同尺度下的地形要素像素量,量化分析地形要素提取的比例数据的差异化程度。
S103、输入待评价的多尺度地形提取模型的集合,根据所述尺度适应性评价标准对所述集合中多尺度地形提取模型的尺度适应性进行评价。
所述待评价的多尺度地形提取模型的集合中包括不同提取模型的不同数据集。
在评价过程中,可以依次按照像素点数量、地形要素的结构辨析度、地形要素的类型数量和地形要素的数据量的顺序进行评价,渐进地判别待评测模型对应尺度适应性优度。
例如,首先依据视觉定性指标层级,判别各模型的尺度适应性优度隶属于低度适应性、中度适应性或高度适应性。其次,计算不同尺度下DEM地形要素的提取比例,并通过定量统计表展示定量评价结果。最后,比较各模型所判定的定性层级和定量评价结果,得出模型提取结果表现为像素点呈连续性变化、主要结构辨析度高、内容丰富度高、地形要素提取比例为极值的模型为尺度适应性最优模型。
作为本发明的一种实施例,待评价的多尺度地形提取模型的集合中包括多尺度分割提取模型和空间上下文提取模型的数据集,通过视觉定性和统计定量两个维度对两种模型的尺度适应性进行评价。
从视觉定性维度进行评价:
多尺度分割提取模型随之尺度的递增,山脊线与山谷线的提取像素点分布大致相同,缺乏连续性变化;空间上下文提取模型随着尺度的递增,山脊线与山谷线的提取像素点呈现出明显的递增。
多尺度分割提取模型随之尺度的递增,山脊线与山谷线提取的视觉结构较为混乱、辨析度差;空间上下文提取模型随着尺度的递增,山脊线与山谷线所呈现的视觉结构清晰、连续、辨析度强。
多尺度分割提取模型数据内容的丰富度随着尺度的递增,没有出现明显的变化;空间上下文提取模型随着尺度的递增变化,数据内容与丰富度逐步提升。
依据上述视觉定性指标层级,空间上下文提取模型的尺度适应性优度要高于多尺度分割提取模型。
从统计定量差异维度进行评价:
将多尺度分割提取模型和空间上下文提取模型进行比较,分别提取其中的三个数据集分别为数据集(A-B)、数据集(A-C)和数据集(B-C),在1米分辨率和2米分辨率尺度下,根据提取比例公式能够得出山脊线和山谷线像素提取比例的定量统计表,如下表1所示:
表1
通过表1可以看出,空间上下文提取模型的尺度适应性在定量分析中优于多尺度分割提取模型。
综上,基于空间上下文提取模型和多尺度分割提取模型的尺度适应性的定性比较和定量评价结果,得出空间上下文提取模型提取结果表现为像素点呈连续性变化、主要结构辨析度高、内容丰富度高,地形要素提取比例大,故其为尺度适应性最优模型。
根据本发明的实施例,能够地形分析过程中,对地形提取模型的高分辨率DEM特征提取的尺度适应性进行评价,从而得到地形要素提取的尺度适应性最佳模型,增加对地形要素提取的准确性,减少误判的几率。
本发明以高分辨率的DEM数据特征为基础确立地形要素提取过程中的关键因子,提取关键要素,将用于后续地形要素提取尺度适应性评价统计定量指标和视觉定性指标的确立过程中,保证定性与定量指标选取过程的科学性;基于关键要素并依托于图像尺寸理论建立高分辨率DEM地形特征提取方法的尺度适应性评价指标,确保评价过程的客观性与合理性;融合评价指标实施多模型多尺度的提取性能解析,衡量在不同模型的使用背景下DEM要素提取的比例,分析得到多类模型的性能表现,为评价结论提供数据支撑;实施以尺度适应性评价指标为驱动的多尺度适应性评价方法,得出多模型尺度适应性评价结果,输出尺度适应性最佳模型。
本发明的核心是评价在高分辨率DEM地形分析和地形要素提取过程中所使用的数据分析技术的尺度自适应程度,确立在不同地形分析中能将不同尺度的影响因子降到最低的一种尺度自适应方法,提升地形要素提取过程与结论的确定性与可靠性。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本发明所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本发明所述方案进行进一步说明。
如图2所示,电子设备包括中央处理单元(CPU),其可以根据存储在只读存储器(ROM)中的计算机程序指令或者从存储单元加载到随机访问存储器(RAM)中的计算机程序指令,来执行各种适当的动作和处理。在RAM中,还可以存储设备操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
电子设备中的多个部件连接至I/O接口,包括:输入单元,例如键盘、鼠标等;输出单元,例如各种类型的显示器、扬声器等;存储单元,例如磁盘、光盘等;以及通信单元,例如网卡、调制解调器、无线通信收发机等。通信单元允许电子设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元执行上文所描述的各个方法和处理,例如方法S101~S103。例如,在一些实施例中,方法S101~S103可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元。在一些实施例中,计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到RAM并由CPU执行时,可以执行上文描述的方法S101~S103的一个或多个步骤。备选地,在其他实施例中,CPU可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法S101~S103。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (9)
1.一种高分辨率DEM地形特征提取的尺度适应性评价方法,其特征在于,包括:
基于高分辨率DEM中待提取的地形要素,定义所述地形要素相关的评价指标;所述评价指标包括视觉定性指标和统计定量指标;其中,所述视觉定性指标包括地形要素的像素点数量、地形要素的结构辨析度、地形要素的类型数量和地形要素的数据量;所述统计定量指标为不同尺度下DEM地形要素的提取比例;
定义所述评价指标对应的多尺度地形提取模型的尺度适应性评价标准;
输入待评价的多尺度地形提取模型的集合,根据所述尺度适应性评价标准对所述集合中多尺度地形提取模型的尺度适应性进行评价。
2.根据权利要求1所述的方法,其特征在于,所述地形要素包括山脊线和山谷线;
所述山脊线,用于描述沿着山脊走向的路线;
所述山谷线,用于描述沿着两山之间狭窄低凹处的路线。
3.根据权利要求1所述的方法,其特征在于,所述评价指标对应的多尺度地形提取模型的尺度适应性评价标准,包括视觉定性评价标准和统计定量评价标准。
4.根据权利要求3所述的方法,其特征在于,所述视觉定性评价标准,包括:
如果从多尺度地形提取模型中提取的地形要素的像素点数量随图像尺度递增而连续递增,则所述多尺度地形提取模型具备一级尺度适应性;
如果从多尺度地形提取模型中提取的地形要素的结构辨析度随图像尺度递增而连续递增,则所述多尺度地形提取模型具备二级尺度适应性;
如果从多尺度地形提取模型中提取的地形要素的类型数量和/或数据量随图像尺度递增而连续递增,则所述多尺度地形提取模型具备三级尺度适应性;
所述三级尺度适应性优于所述二级尺度适应性,所述二级尺度适应性优于所述一级尺度适应性。
5.根据权利要求4所述的方法,其特征在于,地形要素的结构辨析度随图像尺度的变化趋势的判断,包括:
将所述地形要素划分成若干个要素段,计算每个要素段中的断点数量,如果每两个连续的要素段中,后一个要素段的断点数量少于前一个要素段的断点数量,则所述地形要素的结构辨析度呈连续递增趋势。
6.根据权利要求3所述的方法,其特征在于,所述统计定量评价标准,包括:
如果第一多尺度地形提取模型在不同尺度下DEM地形要素的提取比例大于第二多尺度地形提取模型在对应尺度下DEM地形要素的提取比例,则所述第一多尺度地形提取模型的尺度适应性优于第二多尺度地形提取模型。
8.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~7中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110054955.5A CN112860824B (zh) | 2021-01-15 | 2021-01-15 | 一种高分辨率dem地形特征提取的尺度适应性评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110054955.5A CN112860824B (zh) | 2021-01-15 | 2021-01-15 | 一种高分辨率dem地形特征提取的尺度适应性评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112860824A CN112860824A (zh) | 2021-05-28 |
CN112860824B true CN112860824B (zh) | 2021-12-10 |
Family
ID=76006738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110054955.5A Active CN112860824B (zh) | 2021-01-15 | 2021-01-15 | 一种高分辨率dem地形特征提取的尺度适应性评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112860824B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122395A (zh) * | 2011-01-31 | 2011-07-13 | 武汉大学 | 一种保持地形特征的自适应尺度dem建模方法 |
CN102930146A (zh) * | 2012-10-18 | 2013-02-13 | 中国人民解放军信息工程大学 | 一种定量评估数字高程模型保真精度的方法 |
CN105550691A (zh) * | 2015-12-29 | 2016-05-04 | 武汉大学 | 基于尺度空间的自适应山谷山脊线提取方法及系统 |
KR20190079350A (ko) * | 2017-12-27 | 2019-07-05 | 서울시립대학교 산학협력단 | 지형정규화 모델 평가 방법, 및 이를 이용한 식생지수 맵의 지형효과 보정방법 및 그 장치 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
PT1889065E (pt) * | 2005-05-18 | 2013-09-27 | Novartis Ag | Métodos para o diagnóstico e tratamento de doenças tendo uma componente autoimune e/ou inflamatória |
AU2014202959B2 (en) * | 2014-05-30 | 2020-10-15 | Caterpillar Of Australia Pty Ltd | Illustrating elevations associated with a mine worksite |
CN106295576B (zh) * | 2016-08-12 | 2017-12-12 | 中国水利水电科学研究院 | 一种基于自然地理特征的水源类型解析方法 |
-
2021
- 2021-01-15 CN CN202110054955.5A patent/CN112860824B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122395A (zh) * | 2011-01-31 | 2011-07-13 | 武汉大学 | 一种保持地形特征的自适应尺度dem建模方法 |
CN102930146A (zh) * | 2012-10-18 | 2013-02-13 | 中国人民解放军信息工程大学 | 一种定量评估数字高程模型保真精度的方法 |
CN105550691A (zh) * | 2015-12-29 | 2016-05-04 | 武汉大学 | 基于尺度空间的自适应山谷山脊线提取方法及系统 |
KR20190079350A (ko) * | 2017-12-27 | 2019-07-05 | 서울시립대학교 산학협력단 | 지형정규화 모델 평가 방법, 및 이를 이용한 식생지수 맵의 지형효과 보정방법 및 그 장치 |
Also Published As
Publication number | Publication date |
---|---|
CN112860824A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
CN111128399A (zh) | 一种基于人流密度的流行病疫情风险等级评估方法 | |
CN109446061B (zh) | 一种页面检测方法、计算机可读存储介质及终端设备 | |
CN111310674B (zh) | 基于网格划分技术的河流生态缓冲带遥感监测方法和装置 | |
Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
CN111178377A (zh) | 可视化特征筛选方法、服务器及存储介质 | |
CN110689055B (zh) | 一种顾及格网单元属性分级的跨尺度统计指标空间化方法 | |
CN110895706B (zh) | 一种目标聚类数的获取方法、装置及计算机系统 | |
US10242407B1 (en) | Financial instrument analysis and forecast | |
CN114187009A (zh) | 交易风险预测模型的特征解释方法、装置、设备及介质 | |
CN112860824B (zh) | 一种高分辨率dem地形特征提取的尺度适应性评价方法 | |
CN112541047A (zh) | 一种适用于多级网格化管理系统的海量数据聚合方法 | |
CN114095335A (zh) | 一种网络告警处理方法、装置和电子设备 | |
CN110796381A (zh) | 建模数据评价指标的处理方法、装置、终端设备及介质 | |
CN116611725A (zh) | 一种基于绿色生态指标的土地类型识别方法及装置 | |
CN113239815B (zh) | 一种基于真实语义全网络学习的遥感影像分类方法、装置及设备 | |
CN113792749A (zh) | 时间序列数据异常检测方法、装置、设备及存储介质 | |
CN115456957A (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
CN115271332A (zh) | 一种旱情监测方法 | |
CN112115316B (zh) | 一种分箱方法、装置、电子设备及存储介质 | |
CN114266317A (zh) | 聚类方法、装置和服务器 | |
CN114240924A (zh) | 一种基于数字化技术的电网设备质量评估方法 | |
CN112579983A (zh) | 一种出行调查抽样的方法及装置 | |
CN111984637A (zh) | 数据建模中的缺失值处理方法和装置、设备及存储介质 | |
CN116188897A (zh) | 条带噪声检测模型训练方法、条带噪声检测方法及装置 |
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 |