CN113063906B - 一种叶绿素a锋面的检测方法及装置 - Google Patents
一种叶绿素a锋面的检测方法及装置 Download PDFInfo
- Publication number
- CN113063906B CN113063906B CN202110175833.1A CN202110175833A CN113063906B CN 113063906 B CN113063906 B CN 113063906B CN 202110175833 A CN202110175833 A CN 202110175833A CN 113063906 B CN113063906 B CN 113063906B
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- chlorophyll
- water color
- parameter matrix
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Food Science & Technology (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于叶绿素a锋面的检测方法及装置,所述方法首先根据叶绿素a数据、风场数据、表层水流数据、海表温度数据以及月份信息数据构建第一水色参数矩阵,然后根据水深地形数据生成水色信息提取矩阵,基于水色信息提取矩阵构建第二水色参数矩阵,剔除第二水色参数矩阵中无效数据生成构建第三水色参数矩阵,然后对第三水色参数矩阵进行滤波处理,生成第四水色参数矩阵,最后将第四水色参数矩阵所对应的叶绿素a数据、风场数据、表层水流数据以及海表温度数据输入到叶绿素a锋面识别模型中,识别出待检测区域的叶绿素a锋面边界。通过实施本发明能够提高叶绿素a锋面检测的准确性。
Description
技术领域
本发明涉及叶绿素a锋面检测技术领域,尤其涉及一种叶绿素a锋面的检测方法及装置。
背景技术
叶绿素a锋面(Chlorophyll a fronts)主要是由存在着明显叶绿素a浓度差异的水团在动力环境的驱动下发生交汇时可能会产生的不均匀分布的交界面。叶绿素a锋面预示着两种不同水色特性的水团的存在,通过叶绿素a锋面分析两种水团的海洋生态特征,可以了解海洋生态环境在动力过程驱动下的变化规律。有研究表明叶绿素a锋面与海洋渔业资源分布有着较高的相关性(范秀梅等2016)。此外,叶绿素a锋面分布数据可为营养盐时空分布特征分析(王奎2014)、缺氧区的生消过程的认识(韦钦胜等2015)提供至关重要的基础数据(孔凡州2011)。并且,叶绿素a锋面影响区域内发现赤潮灾害的概率也较大(林军2011)。综上所述,实现叶绿素a锋面的有效识别和检测对渔场渔情分析、海洋生态灾害预警分析、海岸带生态环境管理与保护、海洋生态环境调控机制等方面都具有重要的意义。
现有技术一般基于卫星影像进行目视解译等人为主观判断,尚未有关于叶绿素a锋面自动检测技术的研究。第一、由于水色信号较弱、易受干扰,因此一般动力参数的锋面提取技术不能适用于叶绿素a锋面的提取。第二、由于水色信号随着空间、时间变化剧烈,影响参数较多,因此叶绿素a单一数据元的这单独特征,并不属于识别叶绿素a锋面边界的最优特征。第三、一些富营养化情况严重的区域,叶绿素a变化幅度较大,尤其是藻华等事件的影响使得叶绿素a存在斑块化分布,伪锋面的存在使得叶绿素a锋面自动提取更加困难。由于上述因素的存在,采用现有技术对这些区域进行叶绿素a锋面提取,往往会造成误判。
发明内容
本发明实施例提供一种叶绿素a锋面的检测方法及装置,能提高叶绿素a锋面检测的准确性。
本发明一实施例提供一种叶绿素a锋面的检测方法,包括:获取待检测区域的水深地形数据、叶绿素a数据、风场数据、表层水流数据、海表温度数据以及月份信息数据;
根据所述叶绿素a数据、所述风场数据、所述表层水流数据、所述海表温度数据以及月份信息数据构建第一水色参数矩阵;
剔除所述水深地形数据中水深小于或等于0的数据,生成水色信息提取矩阵,继而根据所述水色信息提取矩阵以及所述第一水色参数矩阵构建第二水色参数矩阵;
将所述第二水色参数矩阵的叶绿素a数据与预设的有效叶绿素a阈值范围进行比对;统计所述第二水色参数矩阵中各时间段内有效叶绿素a数据的比例值,继而将比例值小于预设比例阈值的时间段的叶绿素a数据、风场数据、表层水流数据、所述海表温度数据、以及月份信息数据进行剔除,并根据未剔除的叶绿素a数据、风场数据、表层水流数据、海表温度数据、以及月份信息数据生成第三水色参数矩阵;
对所述第三水色参数矩阵进行滤波处理,生成第四水色参数矩阵;
将所述第四水色参数矩阵所对应的叶绿素a数据、风场数据、表层水流数据、海表温度数据以及月份信息数据输入到预设的叶绿素a锋面识别模型中,识别出所述待检测区域的叶绿素a锋面边界。
进一步的,所述剔除所述水深地形数据中水深小于或等于0的数据生成水色信息提取矩阵,继而根据所述水色信息提取矩阵以及所述第一水色参数矩阵构建第二水色参数矩阵,具体为:将所述水深地形数据中水深小于或等于0的像素点赋值为0,将水深大于0的像素点赋值为1,生成第二水深地形数据,根据所述第二水深地形数据构建所述水色信息提取矩阵;将所述水色信息提取矩阵与所述第一水色参数矩阵做向量内积,生成所述第二水色参数矩阵。
进一步的,所述第三水色参数矩阵进行滤波处理,生成第四水色参数矩阵,具体为:采用拉普拉斯高斯算子对所述第三水色参数矩阵进行滤波处理,生成所述第四水色参数矩阵。
进一步的,所述在构建所述叶绿素a锋面识别模型时根据海洋调查数据剔除原始训练数据中无效的叶绿素a锋面边界,生成训练样本的输入数据,具体包括:获取原始训练数据;所述训练样本的输入数据包括:所述待检测区域的历史水深地形数据、历史叶绿素a数据、历史风场数据、历史表层水流数据、历史海表温度数据以及历史月份信息数据;
根据所述历史叶绿素a数据、所述历史风场数据、所述历史表层水流数据、所述历史海表温度数据、以及所述历史月份信息数据构建历史第一水色参数矩阵;
剔除所述历史水深地形数据中水深小于或等于0的数据,生成历史水色信息提取矩阵,继而根据所述历史水色信息提取矩阵以及所述历史第一水色参数矩阵构建历史第二水色参数矩阵;
将所述历史第二水色参数矩阵的叶绿素a数据与预设的有效叶绿素a阈值范围进行比对;统计所述历史第二水色参数矩阵中各时间段内有效叶绿素a数据的比例值,继而将比例值小于预设比例阈值的时间段的历史叶绿素a数据、历史风场数据、历史表层水流数据、历史海表温度数据、以及历史月份信息数据进行剔除,并根据未剔除的历史叶绿素a数据,历史风场数据、历史表层水流数据、历史海表温度数据以及历史月份信息数据生成历史第三水色参数矩阵;
对所述历史第三水色参数矩阵进行滤波处理,生成历史第四水色参数矩阵;
根据所述历史第四水色参数矩阵中的历史叶绿素a数据进行边界检测,生成历史第一叶绿素a锋面边界,根据所述海洋调查数据,剔除所述历史第一叶绿素a锋面边界中的无效叶绿素a锋面边界,生成历史第二叶绿素a锋面边界;
将所述历史第二叶绿素a锋面边界所对应的历史叶绿素a数据、历史风场数据、历史表层水流数据、历史海表温度数据以及历史月份信息数据,作为所述训练样本。
进一步的,所述根据所述历史第四水色参数矩阵中的历史叶绿素a数据进行边界检测,生成历史第一叶绿素a锋面边界,具体包括:
通过Prewitt一阶微分算子对所述历史第四水色参数矩阵中的历史叶绿素a数据进行边界检测,生成历史第一边界;通过Robert交叉微分算子对所述历史第四水色参数矩阵中的历史叶绿素a数据进行边界检测,生成历史第二边界;通过Zerocorss零点交叉算子对所述历史第四水色参数矩阵中的历史叶绿素a数据进行边界检测生成历史第三边界;将所述历史第一边界、所述历史第二边界以及所述历史第三边界进行融合,生成所述历史第一叶绿素a锋面边界。
进一步的,所述根据所述待检测区域的海洋调查数据,剔除所述历史第一叶绿素a锋面边界中的无效叶绿素a锋面边界,生成历史第二叶绿素a锋面边界,具体包括:
提取所述历史第一叶绿素a锋面边界的经纬度信息;将所述历史第一叶绿素a锋面边界的经纬度信息与所述各历史叶绿素a锋面边界的经纬度信息进行比对,将所述历史第一叶绿素a锋面边界中,经纬度不在所述各历史叶绿素a锋面边界的经纬度范围内的边界点剔除,生成所述历史第二叶绿素a锋面边界。
进一步的,所述叶绿素a锋面识别模型构建方法包括:
以所述训练样本的输入数据为输入层,以所述待检测区域以往所存在的各历史叶绿素a锋面边界的经纬度信息为输出层,训练神经网络模型,生成所述叶绿素a锋面边界识别模型。
在上述方法项实施例的基础上,本发明对应提供了装置项实施例;
本发明一实施例提供了一种叶绿素a锋面的检测装置,包括数据获取模型、第一水色参数矩阵构建模块、第二水色参数矩阵构建模块、第三水色参数矩阵构建模块、第四水色参数矩阵构建模块以及边界检测模块;
所述数据获取模型,用于获取待检测区域的水深地形数据、叶绿素a数据、风场数据、表层水流数据、海表温度数据以及月份信息数据;
所述第一水色参数矩阵构建模块,用于根据所述叶绿素a数据、所述风场数据、所述表层水流数据、所述海表温度数据构建以及所述月份信息数据,构建第一水色参数矩阵;
所述第二水色参数矩阵构建模块,用于剔除所述水深地形数据中水深小于或等于0的数据,生成水色信息提取矩阵,继而根据所述水色信息提取矩阵以及所述第一水色参数矩阵构建第二水色参数矩阵;
所述第三水色参数矩阵构建模块,用于将所述第二水色参数矩阵的叶绿素a数据与预设的有效叶绿素a阈值范围进行比对;统计所述第二水色参数矩阵中各时间段内有效叶绿素a数据的比例值,继而将比例值小于预设比例阈值的时间段的叶绿素a数据,风场数据表层水流数据、所述海表温度数据、以及月份信息数据进行剔除,并根据未剔除的叶绿素a数据,风场数据表层水流数据、海表温度数据以及月份信息数据生成第三水色参数矩阵;
所述第四水色参数矩阵构建模块,用于对所述第三水色参数矩阵进行滤波处理,生成第四水色参数矩阵;
所述边界检测模块,用于将所述第四水色参数矩阵所对应的叶绿素a数据、风场数据、表层水流数据、海表温度数据以及月份信息数据,输入到预设的叶绿素a锋面识别模型中,识别出所述待检测区域的叶绿素a锋面边界。
通过实施本发明实施例具有如下有益效果:
本发明实施例提供了一种基于叶绿素a锋面的检测方法及装置,所述方法首先获取待检测区域的水深地形数据、叶绿素a数据、风场数据、表层水流数据、海表温度数据以及月份信息数据,根据叶绿素a数据、风场数据、表层水流数据、海表温度数据以及月份信息数据构建第一水色参数矩阵,然后剔除水深地形数据中水深小于或等于0的数据,生成水色信息提取矩阵,基于水色信息提取矩阵与第一水色参数矩阵构建第二水色参数矩阵,通过这一步可以去除干扰数据(例如陆地数据的影响)和提升检测算法计算效率,紧接着剔除第二水色参数矩阵中无效的叶绿素a数据,以及对应的风场数据、表层水流数据、海表温度数据以及月份信息数据,然后构建第三水色参数矩阵,然后对第三水色参数矩阵进行滤波处理进一步剔除无效干扰信号(根据水色数据特性将卫星遥感数据中高频信号的干扰降到最低,有效剔除影像噪声对水色信号判断的干扰),生成第四水色参数矩阵,最后将第四水色参数矩阵所对应的叶绿素a数据、风场数据、表层水流数、海表温度数据以及月份信息数据输入到叶绿素a锋面识别模型中,识别出待检测区域的叶绿素a锋面边界。而在构建上述叶绿a锋面识别模型时,结合海洋调查数据剔除原始训练数据中无效叶绿素a锋面边界生成训练样本,这一步可以排除单纯的区域性藻华突发事件或仅由图像色差小幅度变化引起的非持续性梯度变化的影响,提高数据的准确性。
与现有技术基于水色遥感图像对叶绿素a锋面进行检测相比;第一、本发明通过加入了风场数据、表层水流数据、海表温度数据以及事件发生所属月份信息数据,多维的数据特征进行锋面检测,能够提高叶绿素a锋面边界检测的准确性,第二、对进行识别的原始数据进行一系列的预处理,剔除了干扰信号进一步确保了叶绿素a锋面边界检测的准确性;第三、通过用叶绿素a浓度、10m风场风速、表层水流流速、海表温度、月份数据等具体参数的机器学习,采用具体数值客观地判断锋面真伪信息,实现了叶绿素a锋面的自动检测功能。
附图说明
图1是本发明一实施例提供的叶绿素a锋面的检测方法的流程示意图。
图2是采用本发明所提供的叶绿素a锋面的检测方法后所识别的叶绿素a锋面分布图。
图3是本发明一实施例所提供的ERA5风场图。
图4是本发明一实施例所提供的HYCOM模拟海表海流图。
图5是本发明一实施例所提供的叶绿素a锋面所在临近海域的浮标水流流速数据
图6是本发明一实施例提供的叶绿素a锋面的检测装置的结构示意图。
具体实施方式
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,所描述的实施例仅仅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,都属于本发明保护的范围。
如图1所示,本发明一实施例提供了一种叶绿素a锋面的检测方法,包括如下步骤:
步骤S101:获取待检测区域的水深地形数据、叶绿素a数据、风场数据、表层水流数据、海表温度数据以及月份信息数据。
步骤S102:根据所述叶绿素a数据、所述风场数据、所述表层水流数据、所述海表温度数据以及月份信息数据构建第一水色参数矩阵。
步骤S103:剔除所述水深地形数据中水深小于或等于0的数据,生成水色信息提取矩阵,继而根据所述水色信息提取矩阵以及所述第一水色参数矩阵构建第二水色参数矩阵。
步骤S104:将所述第二水色参数矩阵的叶绿素a数据与预设的有效叶绿素a阈值范围进行比对;统计所述第二水色参数矩阵中各时间段内有效叶绿素a数据的比例值,继而将比例值小于预设比例阈值的时间段的叶绿素a数据、风场数据、表层水流数据、所述海表温度数据、以及月份信息数据进行剔除,并根据未剔除的叶绿素a数据、风场数据、表层水流数据、海表温度数据、以及月份信息数据生成第三水色参数矩阵。
步骤S105:对所述第三水色参数矩阵进行滤波处理,生成第四水色参数矩阵。
步骤S106:将所述第四水色参数矩阵所对应的叶绿素a数据、风场数据、表层水流数据、海表温度数据以及月份信息数据输入到预设的叶绿素a锋面识别模型中,识别出所述待检测区域的叶绿素a锋面边界;其中,在构建所述叶绿素a锋面识别模型时根据海洋调查数据剔除原始训练数据中无效的叶绿素a锋面边界,生成训练样本;所述海洋调查数据为所述待检测区域以往所存在的各历史叶绿素a锋面边界的经纬度信息。
对于步骤S101、具体的,上述待检测区域经纬度范围内的,1°空间分辨率的水深地形数据etop1,叶绿素a数据(通过水色卫星所采集的水色遥感数据获取)、ERA5的10m风场数据、HYCOM 1/4°的表层水流数据、AVHRR海表温度数据,月份信息数据用于标识上述数据所采集的时间。
对于步骤S102、根据上述叶绿素a数据、ERA5的10m风场数据、HYCOM 1/4°的表层水流数据以及AVHRR海表温度数据构建0级水色参数矩阵(即上述第一水色参数矩阵),为便于后续数据的提取,选取经纬度以及时间段两个维度的信息作为元信息,然后将上述叶绿素a数据、ERA5的10m风场数据、HYCOM 1/4°的表层水流数据以及AVHRR海表温度数据存储在数据中,后期可通过元信息查询,各经纬度各时间段下的叶绿素a数据、风场数据、表层水流数据以及海表温度数据。
对于步骤S103:在一个优选的实施例中,所述剔除所述水深地形数据中水深小于或等于0的数据生成水色信息提取矩阵,继而根据所述水色信息提取矩阵以及所述第一水色参数矩阵构建第二水色参数矩阵,具体为:将所述水深地形数据中水深小于或等于0的像素点赋值为0,将水深大于0的像素点赋值为1,生成第二水深地形数据,根据所述第二水深地形数据构建所述水色信息提取矩阵;将所述水色信息提取矩阵与所述第一水色参数矩阵做向量内积,生成所述第二水色参数矩阵。
这一步主要是水体信息的反演,针对待检测区域构建1/30°的精细化网格,并将上一步骤中的1°空间分辨率的水深地形数据在精细化网格上进行插值,紧接着将差值后的水深地形数据在水深小于或等于0的像素点位置赋值为0,大于0的像素点位置赋值为1;以重新赋值后的水深地形数据构成新的水色信息提取矩阵,然后将水色信息提取矩与0级水色参数矩阵做向量内积,生成1级水色参数矩阵(即上述第二水色参数矩阵)。同样的以经纬度和时间段为元信息,将1级水色参数矩阵所对应的叶绿素a数据、风场数据、表层水流数据以及海表温度数据存储在数据库中。通过对水色信息提取矩阵可以去除干扰数据,由于水深地形数据中水深小于或等于0的数据值指代的是陆地,通过将水色信息提取矩与0级水色参数矩阵做向量内积,可以剔除原始采集的叶绿素数据中属于陆地部分数据的干扰,提高原始数据的准确性。
对于步骤S104、这一步主要是水色参数的质控:具体的,提前设定有效叶绿素a的阈值范围为[0.1-100],将1级水色参数矩阵所对应的所有叶绿素a数据的值与上述有效叶绿素a的阈值范围进行比对,在[0.1-100]范围内的为有效,然后时间段为属性,统计各个时间段内,叶绿素a数据的有效个数,进而计算有效叶绿素a数据所对应的像素点在中像素点中的比例值,如果这个比例值小于预设比例阈值(优选的可以为80%),则剔除该时间段的叶绿素a数据、风场数据、表层水流数据以及所述海表温度数据。经过剔除后,将剩余的叶绿素a数据采用三维非线性插值的方法进行插值,然后根据插值后的叶绿素a数据以及未剔除叶绿素a数据,风场数据表层水流数据以及海表温度数据构建2级水色参数矩阵(即上述第三水色参数矩阵)同样的以经纬度和时间段为元信息,将2级水色参数矩阵所对应的叶绿素a数据、风场数据、表层水流数据以及海表温度数据存储在数据库中。通过这一步进行剔除无效数据,进一步提高了原始数据的准确性。
对于步骤S105、在一个优选的实施例中,所述对所述第三水色参数矩阵进行滤波处理,生成第四水色参数矩阵,具体为:采用拉普拉斯高斯算子对所述第三水色参数矩阵进行滤波处理,生成所述第四水色参数矩阵。
这一步骤主要是水色信号的标准化处理,本发明充分考虑到水色参数变化特征,通过试验结果,采用了适合水色参数的滤波技术对无效干扰信号进行剔除。具体的,采用拉普拉斯高斯算子用于创建预定义的滤波算子,采用'log'为拉普拉斯高斯算子所需参数对2级水色参数矩阵进行滤波,生成3级水色参数矩阵(即上述第四水色参数矩阵),同样的以经纬度和时间段为元信息,将3级水色参数矩阵所对应的叶绿素a数据、风场数据、表层水流数据、海表温度数据以及月份信息数据存储在数据库中。
对于步骤S106,首先需要对上述叶绿素a锋面识别模型的构建进行详细说明,首先是获取训练样本,具体如下:
获取原始训练数据;所述训练样本的输入数据包括:所述待检测区域的历史水深地形数据、历史叶绿素a数据、历史风场数据、历史表层水流数据、历史海表温度数据以及历史月份信息数据;
根据所述历史叶绿素a数据、所述历史风场数据、所述历史表层水流数据、所述历史海表温度数据、以及所述历史月份信息数据构建历史第一水色参数矩阵;
剔除所述历史水深地形数据中水深小于或等于0的数据,生成历史水色信息提取矩阵,继而根据所述历史水色信息提取矩阵以及所述历史第一水色参数矩阵构建历史第二水色参数矩阵;
将所述历史第二水色参数矩阵的叶绿素a数据与预设的有效叶绿素a阈值范围进行比对;统计所述历史第二水色参数矩阵中各时间段内有效叶绿素a数据的比例值,继而将比例值小于预设比例阈值的时间段的历史叶绿素a数据、历史风场数据、历史表层水流数据、历史海表温度数据、以及历史月份信息数据进行剔除,并根据未剔除的历史叶绿素a数据,历史风场数据、历史表层水流数据、历史海表温度数据以及历史月份信息数据生成历史第三水色参数矩阵;
对所述历史第三水色参数矩阵进行滤波处理,生成历史第四水色参数矩阵;
根据所述历史第四水色参数矩阵中的历史叶绿素a数据进行边界检测,生成历史第一叶绿素a锋面边界,根据所述海洋调查数据,剔除所述历史第一叶绿素a锋面边界中的无效叶绿素a锋面边界,生成历史第二叶绿素a锋面边界;
将所述历史第二叶绿素a锋面边界所对应的历史叶绿素a数据、历史风场数据、历史表层水流数据、历史海表温度数据以及历史月份信息数据,作为所述训练样本的输入数据。
在上述过程中历史第一水色参数矩阵、历史第二水色参数矩阵以及历史第三水色参数矩阵以及历史第四水色参数矩阵的具体实现方式与模型运用时的一致,在此不再进行赘述,以下重点描述根据第四水色参数矩阵生成最终训练样本的过程。
在一个优选的实施例中,所述根据所述历史第四水色参数矩阵中的历史叶绿素a数据进行边界检测,生成历史第一叶绿素a锋面边界,具体包括:通过Prewitt一阶微分算子对所述历史第四水色参数矩阵中的历史叶绿素a数据进行边界检测,生成历史第一边界;通过Robert交叉微分算子对所述历史第四水色参数矩阵中的历史叶绿素a数据进行边界检测,生成历史第二边界;通过Zerocorss零点交叉算子对所述历史第四水色参数矩阵中的历史叶绿素a数据进行边界检测生成历史第三边界;将所述历史第一边界、所述历史第二边界以及所述历史第三边界进行融合,生成所述历史第一叶绿素a锋面边界。
所述根据所述待检测区域的海洋调查数据,剔除所述历史第一叶绿素a锋面边界中的无效叶绿素a锋面边界,生成历史第二叶绿素a锋面边界,具体包括:提取所述历史第一叶绿素a锋面边界的经纬度信息;将所述历史第一叶绿素a锋面边界的经纬度信息与所述各历史叶绿素a锋面边界的经纬度信息进行比对,将所述历史第一叶绿素a锋面边界中,经纬度不在所述各历史叶绿素a锋面边界的经纬度范围内的边界点剔除,生成所述历史第二叶绿素a锋面边界。
这一步主要是采用迭代循环法对水色信号进行叶绿素a空间分布差异度检测,并进一步剔除干扰数据。具体的本发明基于Prewitt一阶微分算子、Robert交叉微分算子、以及Zerocorss零点交叉算子三种算法对历史第四水色参数矩阵所对应的叶绿素a数据进行依次迭代循环,对叶绿素a空间分布差异度进行深度检测,提取出初始的叶绿素a锋面边界,即上述历史第一叶绿素a锋面边界。此时所提取出来的叶绿素a锋面边界可能包含由于水色影像高频噪声、单纯的区域性藻华突发事件、水色小幅度色差所引起的非持续性的梯度变化所形成的非稳定性边界,因此需要进一步进行边界处理,剔除伪边界的影响,具体的,将以往海洋调查中已经确定为叶绿素a锋面的所有边界的经纬度信息进行提取,生成上述海洋调查数据,然后将海洋调查数据与历史第一叶绿素a锋面边界的经纬度信息进行比对,删除历史第一叶绿素a锋面边界中以往从未存在过叶绿素a锋面的边界点,得到上述历史第二叶绿素a锋面边界。然后将历史第二叶绿素a锋面边界对应的叶绿素a数据、和对应的风场数据、表层水流数据、海表温度数据、以及月份信息数据进行存储,获得训练样本。通过这一步处理,能够剔除原始采集的叶绿素a数据中由于水色影像高频噪声、单纯的区域性藻华突发事件、水色小幅度色差所引起的非持续性的梯度变化因素所带来的干扰,进一步提高数据的准确度,由于训练样本已经剔除了无效的叶绿素a边界,这样用这一训练样本进行模型训练时,所得到模型能够更加精准的识别出真实的叶绿素a边界。
而在这一步骤虽然得到的历史第二叶绿素a锋面边界,仅仅是基于叶绿素a这一个因素所得到的,但是在实际的检测过程中,由于水色信号变化不规律,影响参数较多,因此叶绿素a数据的这一特征,并不属于识别叶绿素a锋面边界的最优特征。若直接采用上述历史第二叶绿素a锋面边界作为待检测区域最终的叶绿素a锋面边界会存在误判的可能性,因此在本发明中历史第二叶绿素a锋面边界并不作为待检测区域最终的绿素a锋面边界,需要将历史第二叶绿素a锋面边界所对应的数据即上述训练样本的输入数据作为模型的输入,以所述待检测区域以往所存在的各历史叶绿素a锋面边界的经纬度信息为输出层,训练神经网络模型,生成所述叶绿素a锋面边界识别模型。
在模型训练完毕后,将上述第四水色参数矩阵所对应的叶绿素a数据、风场数据、表层水流数据、海表温度数据以及月份信息数据输入到预设的叶绿素a锋面识别模型中即可识别出待检测区域的叶绿素a锋面。
为更好的说明本发明上述方案的效果,以下例举实际案例说明:
如图2、图3、图4和图5所示,图2为珠江口附近的一张叶绿素a锋面分布示意图。ERA5 10m风场数据在应用本发明中提取的锋面位置上为下降流区;HYCOM模拟海表海流图在应用本发明提取的锋面位置上为浙江福建低温高营养沿岸流汇入粤东沿岸过程中,在双月湾以及香港沿岸,由岸线作用发生了偏转;因此可见该叶绿素a锋面与冷暖水团相遇、下降流造成的垂向混合、沿岸流在岸线作用下的偏转有一定关系。并根据叶绿素a锋面附近海域的浮标(22°17.65′N,115°4.7′E)发现该叶绿素a锋面确实与水流偏转相关。由此可见,应用本发明所提取的叶绿素a锋面边界是合理的。
与现有技术相比本发明通过两个方面来提高叶绿素a锋面边界检测的准确性,一方面本发明通过加入了风场数据、表层水流数据、海表温度数据以及事件发生月份信息数据,结合现有技术所才有的叶绿素a数据,多维的数据特征通过神经网络模型进行锋面检测,能够提高叶绿素a锋面边界检测的完备性,另一方面对进行识别的原始数据进行一系列的预处理,剔除了干扰信号进一步确保了叶绿素a锋面边界检测的准确性。
在上述方法项实施例的基础上,本发明对应提供了装置项实施例。
如图6所示,本发明一实施例提供了一种叶绿素a锋面的检测装置,包括数据获取模型、第一水色参数矩阵构建模块、第二水色参数矩阵构建模块、第三水色参数矩阵构建模块、第四水色参数矩阵构建模块以及边界检测模块;
所述数据获取模型,用于获取待检测区域的水深地形数据、叶绿素a数据、风场数据、表层水流数据、海表温度数据以及月份信息数据;
所述第一水色参数矩阵构建模块,用于根据所述叶绿素a数据、所述风场数据、所述表层水流数据、所述海表温度数据构建以及所述月份信息数据,构建第一水色参数矩阵;
所述第二水色参数矩阵构建模块,用于剔除所述水深地形数据中水深小于或等于0的数据,生成水色信息提取矩阵,继而根据所述水色信息提取矩阵以及所述第一水色参数矩阵构建第二水色参数矩阵;
所述第三水色参数矩阵构建模块,用于将所述第二水色参数矩阵的叶绿素a数据与预设的有效叶绿素a阈值范围进行比对;统计所述第二水色参数矩阵中各时间段内有效叶绿素a数据的比例值,继而将比例值小于预设比例阈值的时间段的叶绿素a数据,风场数据表层水流数据、所述海表温度数据、以及月份信息数据进行剔除,并根据未剔除的叶绿素a数据,风场数据表层水流数据、海表温度数据以及月份信息数据生成第三水色参数矩阵;
所述第四水色参数矩阵构建模块,用于对所述第三水色参数矩阵进行滤波处理,生成第四水色参数矩阵;
所述边界检测模块,用于将所述第四水色参数矩阵所对应的叶绿素a数据、风场数据、表层水流数据、海表温度数据以及月份信息数据,输入到预设的叶绿素a锋面识别模型中,识别出所述待检测区域的叶绿素a锋面边界。
在一个优选的实施例中,还包括模型构建模块;所述模型构建模块,用于获取原始训练数据;所述训练样本包括:所述待检测区域的历史水深地形数据、历史叶绿素a数据、历史风场数据、历史表层水流数据、历史海表温度数据以及历史月份信息数据;
根据所述历史叶绿素a数据、所述历史风场数据、所述历史表层水流数据、所述历史海表温度数据、以及所述历史月份信息数据构建历史第一水色参数矩阵;
剔除所述历史水深地形数据中水深小于或等于0的数据,生成历史水色信息提取矩阵,继而根据所述历史水色信息提取矩阵以及所述历史第一水色参数矩阵构建历史第二水色参数矩阵;
将所述历史第二水色参数矩阵的叶绿素a数据与预设的有效叶绿素a阈值范围进行比对;统计所述历史第二水色参数矩阵中各时间段内有效叶绿素a数据的比例值,继而将比例值小于预设比例阈值的时间段的历史叶绿素a数据、历史风场数据、历史表层水流数据、历史海表温度数据、以及历史月份信息数据进行剔除,并根据未剔除的历史叶绿素a数据,历史风场数据、历史表层水流数据、历史海表温度数据以及历史月份信息数据生成历史第三水色参数矩阵;
对所述历史第三水色参数矩阵进行滤波处理,生成历史第四水色参数矩阵;
根据所述历史第四水色参数矩阵中的历史叶绿素a数据进行边界检测,生成历史第一叶绿素a锋面边界,根据所述海洋调查数据,剔除所述历史第一叶绿素a锋面边界中的无效叶绿素a锋面边界,生成历史第二叶绿素a锋面边界;
将所述历史第二叶绿素a锋面边界所对应的历史叶绿素a数据、历史风场数据、历史表层水流数据、历史海表温度数据以及历史月份信息数据,作为所述训练样本。
以所述训练样本为输入层,以所述待检测区域以往所存在的各历史叶绿素a锋面边界的经纬度信息为输出层,训练神经网络模型,生成所述叶绿素a锋面边界识别模型。
需说明的是,上述装置项实施例是与本发明方法项实施例相对应的,其可以实现本发明任意一项方法项实施例所述的叶绿素a锋面的检测方法,且以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种叶绿素a锋面的检测方法,其特征在于,包括:
获取待检测区域的水深地形数据、叶绿素a数据、风场数据、表层水流数据、海表温度数据以及月份信息数据;
根据所述叶绿素a数据、所述风场数据、所述表层水流数据、所述海表温度数据以及所述月份信息数据构建第一水色参数矩阵;
剔除所述水深地形数据中水深小于或等于0的数据,生成水色信息提取矩阵,继而根据所述水色信息提取矩阵以及所述第一水色参数矩阵构建第二水色参数矩阵;
将所述第二水色参数矩阵的叶绿素a数据与预设的有效叶绿素a阈值范围进行比对;统计所述第二水色参数矩阵中各时间段内有效叶绿素a数据的比例值,继而将比例值小于预设比例阈值的时间段的叶绿素a数据、风场数据、表层水流数据、所述海表温度数据、以及月份信息数据进行剔除,并根据未剔除的叶绿素a数据、风场数据、表层水流数据、海表温度数据、以及月份信息数据生成第三水色参数矩阵;
对所述第三水色参数矩阵进行滤波处理,生成第四水色参数矩阵;
将所述第四水色参数矩阵所对应的叶绿素a数据、风场数据、表层水流数据、海表温度数据以及月份信息数据输入到预设的叶绿素a锋面识别模型中,识别出所述待检测区域的叶绿素a锋面边界;其中,在构建所述叶绿素a锋面识别模型时根据海洋调查数据剔除原始训练数据中无效的叶绿素a锋面边界,生成训练样本;所述海洋调查数据为所述待检测区域以往所存在的各历史叶绿素a锋面边界的经纬度信息;
所述在构建所述叶绿素a锋面识别模型时根据海洋调查数据剔除原始训练数据中无效的叶绿素a锋面边界,生成训练样本,具体包括:
获取原始训练数据;所述训练样本包括:所述待检测区域的历史水深地形数据、历史叶绿素a数据、历史风场数据、历史表层水流数据、历史海表温度数据以及历史月份信息数据;
根据所述历史叶绿素a数据、所述历史风场数据、所述历史表层水流数据、所述历史海表温度数据、以及所述历史月份信息数据构建历史第一水色参数矩阵;
剔除所述历史水深地形数据中水深小于或等于0的数据,生成历史水色信息提取矩阵,继而根据所述历史水色信息提取矩阵以及所述历史第一水色参数矩阵构建历史第二水色参数矩阵;
将所述历史第二水色参数矩阵的叶绿素a数据与预设的有效叶绿素a阈值范围进行比对;统计所述历史第二水色参数矩阵中各时间段内有效叶绿素a数据的比例值,继而将比例值小于预设比例阈值的时间段的历史叶绿素a数据、历史风场数据、历史表层水流数据、历史海表温度数据、以及历史月份信息数据进行剔除,并根据未剔除的历史叶绿素a数据,历史风场数据、历史表层水流数据、历史海表温度数据以及历史月份信息数据生成历史第三水色参数矩阵;
对所述历史第三水色参数矩阵进行滤波处理,生成历史第四水色参数矩阵;
通过Prewitt一阶微分算子对所述历史第四水色参数矩阵中的历史叶绿素a数据进行边界检测,生成历史第一边界;通过Robert交叉微分算子对所述历史第四水色参数矩阵中的历史叶绿素a数据进行边界检测,生成历史第二边界;通过Zerocorss零点交叉算子对所述历史第四水色参数矩阵中的历史叶绿素a数据进行边界检测生成历史第三边界;将所述历史第一边界、所述历史第二边界以及所述历史第三边界进行融合,生成所述历史第一叶绿素a锋面边界;根据所述海洋调查数据,剔除所述历史第一叶绿素a锋面边界中的无效叶绿素a锋面边界,生成历史第二叶绿素a锋面边界;
将所述历史第二叶绿素a锋面边界所对应的历史叶绿素a数据、历史风场数据、历史表层水流数据、历史海表温度数据以及历史月份信息数据,作为所述训练样本的原始输入数据。
2.如权利要求1所述叶绿素a锋面的检测方法,其特征在于,所述剔除所述水深地形数据中水深小于或等于0的数据生成水色信息提取矩阵,继而根据所述水色信息提取矩阵以及所述第一水色参数矩阵构建第二水色参数矩阵,具体为:
将所述水深地形数据中水深小于或等于0的像素点赋值为0,将水深大于0的像素点赋值为1,生成第二水深地形数据,根据所述第二水深地形数据构建所述水色信息提取矩阵;
将所述水色信息提取矩阵与所述第一水色参数矩阵做向量内积,生成所述第二水色参数矩阵。
3.如权利要求1所述叶绿素a锋面的检测方法,其特征在于,所述对所述第三水色参数矩阵进行滤波处理,生成第四水色参数矩阵,具体为:
采用拉普拉斯高斯算子对所述第三水色参数矩阵进行滤波处理,生成所述第四水色参数矩阵。
4.如权利要求1所述的叶绿素a锋面的检测方法,所述根据所述待检测区域的海洋调查数据,剔除所述历史第一叶绿素a锋面边界中的无效叶绿素a锋面边界,生成历史第二叶绿素a锋面边界,具体包括:
提取所述历史第一叶绿素a锋面边界的经纬度信息;将所述历史第一叶绿素a锋面边界的经纬度信息与所述各历史叶绿素a锋面边界的经纬度信息进行比对,将所述历史第一叶绿素a锋面边界中,经纬度不在所述各历史叶绿素a锋面边界的经纬度范围内的边界点剔除,生成所述历史第二叶绿素a锋面边界。
5.如权利要求4所述叶绿素a锋面的检测方法,其特征在于,所述叶绿素a锋面识别模型构建方法包括:
以所述训练样本的原始输入数据为输入层,以所述待检测区域以往所存在的各历史叶绿素a锋面边界的经纬度信息为输出层,训练神经网络模型,生成所述叶绿素a锋面边界识别模型。
6.一种叶绿素a锋面的检测装置,其特征在于,包括数据获取模型、第一水色参数矩阵构建模块、第二水色参数矩阵构建模块、第三水色参数矩阵构建模块、第四水色参数矩阵构建模块、以及边界检测模块;
所述数据获取模型,用于获取待检测区域的水深地形数据、叶绿素a数据、风场数据、表层水流数据、海表温度数据以及月份信息数据;
所述第一水色参数矩阵构建模块,用于根据所述叶绿素a数据、所述风场数据、所述表层水流数据、所述海表温度数据构建以及所述月份信息数据,构建第一水色参数矩阵;
所述第二水色参数矩阵构建模块,用于剔除所述水深地形数据中水深小于或等于0的数据,生成水色信息提取矩阵,继而根据所述水色信息提取矩阵以及所述第一水色参数矩阵构建第二水色参数矩阵;
所述第三水色参数矩阵构建模块,用于将所述第二水色参数矩阵的叶绿素a数据与预设的有效叶绿素a阈值范围进行比对;统计所述第二水色参数矩阵中各时间段内有效叶绿素a数据的比例值,继而将比例值小于预设比例阈值的时间段的叶绿素a数据,风场数据表层水流数据、所述海表温度数据、以及月份信息数据进行剔除,并根据未剔除的叶绿素a数据,风场数据表层水流数据、海表温度数据以及月份信息数据生成第三水色参数矩阵;
所述第四水色参数矩阵构建模块,用于对所述第三水色参数矩阵进行滤波处理,生成第四水色参数矩阵;
所述边界检测模块,用于将所述第四水色参数矩阵所对应的叶绿素a数据、风场数据、表层水流数据、海表温度数据以及月份信息数据输入到预设的叶绿素a锋面识别模型中,识别出所述待检测区域的叶绿素a锋面边界;其中,在构建所述叶绿素a锋面识别模型时根据海洋调查数据剔除原始训练数据中无效的叶绿素a锋面边界,生成训练样本;所述海洋调查数据为所述待检测区域以往所存在的各历史叶绿素a锋面边界的经纬度信息;所述在构建所述叶绿素a锋面识别模型时根据海洋调查数据剔除原始训练数据中无效的叶绿素a锋面边界,生成训练样本,具体包括:获取原始训练数据;所述训练样本包括:所述待检测区域的历史水深地形数据、历史叶绿素a数据、历史风场数据、历史表层水流数据、历史海表温度数据以及历史月份信息数据;根据所述历史叶绿素a数据、所述历史风场数据、所述历史表层水流数据、所述历史海表温度数据、以及所述历史月份信息数据构建历史第一水色参数矩阵;剔除所述历史水深地形数据中水深小于或等于0的数据,生成历史水色信息提取矩阵,继而根据所述历史水色信息提取矩阵以及所述历史第一水色参数矩阵构建历史第二水色参数矩阵;将所述历史第二水色参数矩阵的叶绿素a数据与预设的有效叶绿素a阈值范围进行比对;统计所述历史第二水色参数矩阵中各时间段内有效叶绿素a数据的比例值,继而将比例值小于预设比例阈值的时间段的历史叶绿素a数据、历史风场数据、历史表层水流数据、历史海表温度数据、以及历史月份信息数据进行剔除,并根据未剔除的历史叶绿素a数据,历史风场数据、历史表层水流数据、历史海表温度数据以及历史月份信息数据生成历史第三水色参数矩阵;对所述历史第三水色参数矩阵进行滤波处理,生成历史第四水色参数矩阵;通过Prewitt一阶微分算子对所述历史第四水色参数矩阵中的历史叶绿素a数据进行边界检测,生成历史第一边界;通过Robert交叉微分算子对所述历史第四水色参数矩阵中的历史叶绿素a数据进行边界检测,生成历史第二边界;通过Zerocorss零点交叉算子对所述历史第四水色参数矩阵中的历史叶绿素a数据进行边界检测生成历史第三边界;将所述历史第一边界、所述历史第二边界以及所述历史第三边界进行融合,生成所述历史第一叶绿素a锋面边界;根据所述海洋调查数据,剔除所述历史第一叶绿素a锋面边界中的无效叶绿素a锋面边界,生成历史第二叶绿素a锋面边界;将所述历史第二叶绿素a锋面边界所对应的历史叶绿素a数据、历史风场数据、历史表层水流数据、历史海表温度数据以及历史月份信息数据,作为所述训练样本的原始输入数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110175833.1A CN113063906B (zh) | 2021-02-09 | 2021-02-09 | 一种叶绿素a锋面的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110175833.1A CN113063906B (zh) | 2021-02-09 | 2021-02-09 | 一种叶绿素a锋面的检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113063906A CN113063906A (zh) | 2021-07-02 |
CN113063906B true CN113063906B (zh) | 2022-03-25 |
Family
ID=76559437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110175833.1A Active CN113063906B (zh) | 2021-02-09 | 2021-02-09 | 一种叶绿素a锋面的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113063906B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115438523A (zh) * | 2022-11-09 | 2022-12-06 | 中关村睿宸卫星创新应用研究院 | 海洋三维叶绿素浓度数据重构方法、装置、设备及介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744031B (zh) * | 2023-12-19 | 2024-08-13 | 广东海洋大学 | 一种基于遥感反射率的大洋水体次表层叶绿素a浓度最大值深度反演方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020959B (zh) * | 2012-11-24 | 2015-05-20 | 中国科学院地理科学与资源研究所 | 一种基于引力模型的海洋锋信息提取方法 |
CN108038351B (zh) * | 2017-12-06 | 2020-06-09 | 武汉大学 | 一种基于遥感影像和水生态模型的叶绿素计算方法 |
CN109086818B (zh) * | 2018-07-25 | 2022-02-25 | 中国海洋大学 | 海洋锋面识别方法和装置 |
CN109670521A (zh) * | 2018-07-27 | 2019-04-23 | 河海大学 | 一种基于遥感图像的内陆水体蓝藻分类识别方法 |
CN110502801B (zh) * | 2019-07-25 | 2023-03-24 | 天津大学 | 海洋温度锋自动追踪和特征参数信息提取方法 |
CN110852440B (zh) * | 2019-12-02 | 2022-07-26 | 中国人民解放军国防科技大学 | 一种基于动态模糊神经网络的海洋锋预测方法 |
CN111414991B (zh) * | 2020-02-21 | 2023-04-25 | 中国人民解放军国防科技大学 | 一种基于多元回归的气象锋面自动识别方法 |
CN111860146B (zh) * | 2020-06-11 | 2023-06-09 | 中山大学 | 海洋锋区域的获取方法、装置、计算机设备和存储介质 |
-
2021
- 2021-02-09 CN CN202110175833.1A patent/CN113063906B/zh active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115438523A (zh) * | 2022-11-09 | 2022-12-06 | 中关村睿宸卫星创新应用研究院 | 海洋三维叶绿素浓度数据重构方法、装置、设备及介质 |
CN115438523B (zh) * | 2022-11-09 | 2023-03-07 | 中关村睿宸卫星创新应用研究院 | 海洋三维叶绿素浓度数据重构方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113063906A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN110927706B (zh) | 基于卷积神经网络的雷达干扰检测识别方法 | |
CN113063906B (zh) | 一种叶绿素a锋面的检测方法及装置 | |
CN103810717B (zh) | 一种人体行为检测方法及装置 | |
CN110232380A (zh) | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 | |
CN107967475A (zh) | 一种基于窗口滑动和卷积神经网络的验证码识别方法 | |
CN105512666A (zh) | 一种基于视频的河道垃圾识别方法 | |
Nazerdeylami et al. | Autonomous litter surveying and human activity monitoring for governance intelligence in coastal eco-cyber-physical systems | |
CN105719283A (zh) | 一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法 | |
CN109003275A (zh) | 焊缝缺陷图像的分割方法 | |
CN116091492B (zh) | 一种图像变化像素级检测方法与系统 | |
CN110348434A (zh) | 相机来源鉴别方法、系统、存储介质和计算设备 | |
Chen et al. | Real-time learning-based monitoring system for water contamination | |
CN103325123A (zh) | 一种基于自适应神经模糊推理系统的图像边缘检测方法 | |
CN106940904A (zh) | 基于人脸识别和语音识别的考勤系统 | |
CN109945075B (zh) | 一种供水管道泄漏程度检测方法及装置 | |
CN116543300A (zh) | 一种基于语义分割的云-气溶胶层次分类方法 | |
CN110674827A (zh) | 一种融合深度学习与形态学滤波的设备状态视觉检测方法 | |
CN116304590A (zh) | 一种基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法 | |
Diaz et al. | Three-dimensional clustering in the characterization of spatiotemporal drought dynamics: cluster size filter and drought indicator threshold optimization | |
CN108764311A (zh) | 一种遮挡目标检测方法、电子设备、存储介质及系统 | |
CN112101325B (zh) | 耕地变化检测方法、装置、电子设备及存储介质 | |
CN108764016A (zh) | 基于旋转域特征与cnn的极化sar图像舰船检测方法 | |
CN114782519A (zh) | 基于点云信息的球形或类球形物体定位方法、装置及介质 | |
Sehgal | Edge detection techniques in digital image processing using Fuzzy Logic |
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 |