CN113610402A - 基于影像分析的土地生态承载力评估方法及相关设备 - Google Patents
基于影像分析的土地生态承载力评估方法及相关设备 Download PDFInfo
- Publication number
- CN113610402A CN113610402A CN202110914280.7A CN202110914280A CN113610402A CN 113610402 A CN113610402 A CN 113610402A CN 202110914280 A CN202110914280 A CN 202110914280A CN 113610402 A CN113610402 A CN 113610402A
- Authority
- CN
- China
- Prior art keywords
- land
- ecological
- bearing capacity
- target area
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010191 image analysis Methods 0.000 title claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 124
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 238000000926 separation method Methods 0.000 claims abstract description 29
- 238000013210 evaluation model Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 40
- 238000012360 testing method Methods 0.000 claims description 36
- 230000004044 response Effects 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 21
- 230000015572 biosynthetic process Effects 0.000 claims description 13
- 238000003786 synthesis reaction Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 239000002803 fossil fuel Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000012854 evaluation process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000006735 deficit Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域，提供一种基于影像分析的土地生态承载力评估方法及相关设备，所述方法包括：采集目标区域的多波段扫描影像集和遥感影像集并进行第一预处理，得到目标影像；将目标影像输入至监督分类模型中，得到分类结果影像；对分类结果影像进行计算，得到土地生态承载力；根据土地生态承载力和预设的生态足迹计算三维生态足迹及多个土地生态承载评价指标值；将多个土地生态承载评价指标值输入至土地生态承载力评估模型中，得到土地生态承载力评估结果。本发明通过计算目标区域的足迹深度和足迹广度，避免了评估过程中采用二维模型引起的脱离目标区域真实生态状况的问题，提高了土地生态承载力评估结果的准确率。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于影像分析的土地生态承载力评估方法及相关设备。
背景技术
传统生态足迹法是二维模型，是将目标区域作为封闭区域来考量，得到所述目标区域对应的生态承载力评估结果，具体地，所述生态承载力评估结果包括生态盈余或者生态赤字，反映的是封闭状态下目标区域的生态承载状况，是静态的。
然而现实中目标区域是开放的，生态系统与社会经济系统也处于动态变化中的系统，通过二维模型得到的生态承载力评估结果脱离了目标区域的真实生态状况，导致生态承载力评估结果准确率低。
因此，有必要提出一种可以快速准确的评估土地生态承载力的方法。
发明内容
鉴于以上内容，有必要提出一种基于影像分析的土地生态承载力评估方法及相关设备，通过计算目标区域的足迹深度和足迹广度，避免了评估过程中采用二维模型引起的脱离目标区域真实生态状况的问题，提高了土地生态承载力评估结果的准确率。
本发明的第一方面提供一种基于影像分析的土地生态承载力评估方法，所述方法包括：
解析接收的土地生态承载力预测请求，获取目标区域的位置信息；
根据所述目标区域的位置信息采集对应的多波段扫描影像集和遥感影像集；
对所述多波段扫描影像集和遥感影像集进行第一预处理，得到所述目标区域的目标影像；
将所述目标影像输入至预先训练好的监督分类模型中，得到分类结果影像；
对所述分类结果影像进行计算，得到所述目标区域的土地生态承载力；
根据所述目标区域的土地生态承载力和预设的生态足迹计算所述目标区域的三维生态足迹，根据所述目标区域的三维生态足迹计算多个土地生态承载评价指标值；
将所述多个土地生态承载评价指标值输入至预先训练好的土地生态承载力评估模型中，得到土地生态承载力评估结果。
可选地，所述根据所述目标区域的土地生态承载力和预设的生态足迹计算所述目标区域的三维生态足迹包括：
获取所述目标区域中每类土地利用类型的预设的生态足迹；
计算每类土地利用类型的预设的生态足迹与对应土地利用类型的土地生态承载力之差，得到每类土地利用类型的差值，并返回每类土地利用类型的差值和0中的最大值；
将多个最大值之和除以多类土地利用类型的土地生态承载力之和的商数再加1得到的值，确定为所述目标区域的足迹深度；
返回每类土地利用类型的预设的生态足迹和土地生态承载力中的最小值，并累计多个最小值确定为所述目标区域的足迹广度；
计算所述目标区域的足迹深度与所述目标区域的足迹广度的乘积，得到所述目标区域的三维生态足迹。
可选地，所述根据所述目标区域的三维生态足迹计算多个土地生态承载评价指标值包括：
识别每个土地生态承载评价指标对应的预设公式；
解析每个预设公式，得到对应的逻辑参数；
根据所述目标区域的三维生态足迹、数据库中标准参数值及所述预设公式对应的逻辑参数计算得到多个土地生态承载评级指标值。
可选地，所述对所述多波段扫描影像集和遥感影像集进行第一预处理，得到所述目标区域的目标影像包括：
从所述多波段扫描影像集中的每张多波段扫描影像中提取预设的第一波段组合，及从所述遥感影像集每张遥感影像中提取预设的第二波段组合；
对所述预设的第一波段组合进行假彩色合成，得到多张第一多波段扫描影像，及对所述预设的第二波段组合进行假彩色和成，得到多张第一遥感影像；
对每张第一多波段扫描影像进行直方图变换，得到对应的第二多波段扫描影像，及对每张第一遥感影像进行直方图变换，得到对应的第二遥感影像；
对相同坐标区域的第二多波段扫描影像和第二遥感影像进行叠加，得到多张待剪切影像；
从所述多张待剪切影像中筛选出与所述目标区域关联的多张第一待剪切影像；
合并所述多张第一待剪切影像，得到第二待剪切影像；
根据所述目标区域的坐标信息对所述第二待剪切影像进行剪切，得到所述目标区域的目标影像。
可选地，所述对所述分类结果影像进行计算，得到所述目标区域的土地生态承载力包括：
对所述分类结果影像进行第二预处理，根据土地利用类型及预设的划分规则将第二预处理后的分类结果影像划分为多个栅格；
提取每种土地利用类型的每个栅格的像元值及对应的预设权重值；
计算每种土地利用类型的每个栅格的像元值及对应的预设权重值的乘积，得到每种土地利用类型的每个栅格的土地生态承载力；
累加所述每种土地利用类型的多个栅格的土地生态承载力，得到每类土地的土地生态承载力；
计算所述目标区域的土地生态承载力之和，确定为所述目标区域的土地承载力。
可选地，所述监督分类模型的训练过程包括：
获取多种土地利用类型分别对应的多波段扫描影像集和遥感影像集，其中，土地利用类型包括：耕地、林地、草地、水域、建设用地以及化石燃料用地；
对每种所述土地利用类型对应的多波段扫描影像集和遥感影像集进行第一预处理，得到每种所述土地利用类型的目标影像集；
将所述每种所述土地利用类型的目标影像集导入到ENVI n-D Visualizer中进行特征提取，得到每种所述土地利用类型的样本集；
利用Computer ROI Separability工具计算每种所述土地利用类型的样本集的分离度；
判断每种所述土地利用类型的样本集的分离度是否满足预设的分离度阈值要求；
当确定每种所述土地利用类型的样本集的分离度满足预设的分离度阈值，将多种土地利用类型的样本集划分为训练集和测试集；
将所述训练集中的多种土地利用类型的多个特征输入预设神经网络中进行训练，得到监督分类模型；
将所述测试集输入至所述监督分类模型中进行测试，并计算测试通过率；
若所述测试通过率大于或者等于预设通过率阈值，确定所述监督分类模型训练结束；若所述测试通过率小于预设通过率阈值，增加训练集的数量，重新进行监督分类模型的训练。
可选地，在所述得到土地生态承载力评估结果之后，所述方法还包括：
根据所述土地生态承载力评估结果建立压力—状态—响应循环模式。
本发明的第二方面提供一种基于影像分析的土地生态承载力评估装置，所述装置包括：
解析模块，用于解析接收的土地生态承载力预测请求，获取目标区域的位置信息；
采集模块，用于根据所述目标区域的位置信息采集对应的多波段扫描影像集和遥感影像集；
第一预处理模块，用于对所述多波段扫描影像集和遥感影像集进行第一预处理，得到所述目标区域的目标影像；
第一输入模块，用于将所述目标影像输入至预先训练好的监督分类模型中，得到分类结果影像；
第一计算模块，用于对所述分类结果影像进行计算，得到所述目标区域的土地生态承载力；
第二计算模块，用于根据所述目标区域的土地生态承载力和预设的生态足迹计算所述目标区域的三维生态足迹，根据所述目标区域的三维生态足迹计算多个土地生态承载评价指标值；
第二输入模块，用于将所述多个土地生态承载评价指标值输入至预先训练好的土地生态承载力评估模型中，得到土地生态承载力评估结果。
本发明的第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述的基于影像分析的土地生态承载力评估方法。
本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于影像分析的土地生态承载力评估方法。
综上所述，本发明所述的基于影像分析的土地生态承载力评估方法及相关设备，一方面，通过对所述预设的第一波段组合及预设的第二波段组合分别进行假彩色合成及直方图变换，可以提高每多波段扫描影像和遥感影像的清晰度，由于多波段扫描影像和遥感影像的分辨率不同，通过将相同区域的第二多波段扫描影像和第二遥感影像，提高了得到的多张待剪切影像的分辨率，同时对包含有目标区域的待剪切影像进行合并及剪切，剔除所述目标区域外的多余区域，确保了得到的目标区域的目标影像的精准性；另一方面，通过计算所述目标区域的足迹深度和足迹广度，实现了生态足迹研究的纵向拓展，避免了土地生态承载力评估过程中采用二维模型引起的脱离目标区域真实生态状况的问题，提高了土地生态承载力评估结果的准确率；最后，在进行土地生态承载力评估过程中，考虑了目标区域的足迹深度和足迹广度，得到三维生态足迹，同时土地生态承载力评估结果是根据多个土地生态承载评价指标值确定的，从多个评价指标的维度进行了考量，不再以直接计算得到的土地生态承载力作为评估土地生态承载力的唯一计算标准，提高了土地生态承载力评估结果得准确率。
附图说明
图1是本发明实施例一提供的基于影像分析的土地生态承载力评估方法的流程图。
图2是本发明实施例一提供的生态承载力安全等级划分表的示意图。
图3是本发明实施例一提供的生物多样性指数消费指数等级的示意图。
图4是本发明实施例一提供的压力—状态—响应循环模式的示意图。
图5是本发明实施例二提供的基于影像分析的土地生态承载力评估装置的结构图。
图6是本发明实施例三提供的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
实施例一
图1是本发明实施例一提供的基于影像分析的土地生态承载力评估方法的流程图。
在本实施例中，所述基于影像分析的土地生态承载力评估方法可以应用于电子设备中，对于需要进行基于影像分析的土地生态承载力评估的电子设备，可以直接在电子设备上集成本发明的方法所提供的基于影像分析的土地生态承载力评估的功能，或者以软件开发工具包(Software Development Kit，SDK)的形式运行在电子设备中。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
如图1至图4所示，所述基于影像分析的土地生态承载力评估方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
S11，解析接收的土地生态承载力预测请求，获取目标区域的位置信息。
本实施例中，在进行土地生态承载力预测时，通过客户端发起土地生态承载力预测请求至服务端，具体地，所述客户端可以是智能手机、IPAD或者其他现有的智能设备，所述服务端可以为土地生态承载力预测子系统，在土地生态承载力预测过程中，如所述客户端可以向土地生态承载力预测子系统发送土地生态承载力预测请求，所述土地生态承载力预测子系统用于接收所述客户端发送的土地生态承载力预测请求，并对所述土地生态承载力请求进行解析，得到目标区域的位置信息，根据所述目标区域的位置信息可以进行影像采集。
S12，根据所述目标区域的位置信息采集对应的多波段扫描影像集和遥感影像集。
本实施例中，多波段扫描影像指美国陆地卫星4～5号专题制图仪(thematicmapper)所获取的多波段扫描影像，具有较高空间分辨率、波谱分辨率、极为丰富的信息量和较高定位精度；遥感影像是指记录各种地物电磁波大小的胶片或照片，主要分为航空像片和卫星相片，为了预测目标区域的土地生态承载力，根据所述目标区域的位置信息采集对应的多波段扫描影像集和遥感影像集，便于后续根据多波段扫描影像集和遥感影像集，确定所述目标区域中的土地利用类型。
S13，对所述多波段扫描影像集和遥感影像集进行第一预处理，得到所述目标区域的目标影像。
本实施例中，目标影像用以表征目标区域的影像图像，通过对所述多波段扫描影像集和遥感影像集进行第一预处理，可以确定所述目标区域的目标影像。
在一个可选的实施例中，所述对所述多波段扫描影像集和遥感影像集进行第一预处理，得到所述目标区域的目标影像包括：
从所述多波段扫描影像集中的每张多波段扫描影像中提取预设的第一波段组合，及从所述遥感影像集每张遥感影像中提取预设的第二波段组合；
对所述预设的第一波段组合进行假彩色合成，得到多张第一多波段扫描影像，及对所述预设的第二波段组合进行假彩色和成，得到多张第一遥感影像；
对每张第一多波段扫描影像进行直方图变换，得到对应的第二多波段扫描影像，及对每张第一遥感影像进行直方图变换，得到对应的第二遥感影像；
对相同坐标区域的第二多波段扫描影像和第二遥感影像进行叠加，得到多张待剪切影像；
从所述多张待剪切影像中筛选出与所述目标区域关联的多张第一待剪切影像；
合并所述多张第一待剪切影像，得到第二待剪切影像；
根据所述目标区域的坐标信息对所述第二待剪切影像进行剪切，得到所述目标区域的目标影像。
本实施例中，预设的第一波段组合可以为多波段扫描影像的4、3、2波段组合，预设的第二波段组合可以为遥感影像的7、6、4波段组合，通过对所述预设的第一波段组合及预设的第二波段组合分别进行假彩色合成及直方图变换，可以提高每多波段扫描影像和遥感影像的清晰度，由于多波段扫描影像和遥感影像的分辨率不同，通过将相同区域的第二多波段扫描影像和第二遥感影像，提高了得到的多张待剪切影像的分辨率，同时对包含有目标区域的待剪切影像进行合并及剪切，剔除所述目标区域外的多余区域，确保了得到的目标区域的目标影像的精准性。
S14，将所述目标影像输入至预先训练好的监督分类模型中，得到分类结果影像。
本实施例中，在得到所述目标区域的目标影像之后，将所述目标影像输入值预先训练好的监督分类模型中，可以得到所述目标区域的土地利用类型对应的分类结果影像，其中，根据国家标准《土地利用现状分类》将研究县市的土地利用类型分为六类：耕地、林地、草地、水域、建设用地以及化石燃料用地。
具体地，所述监督分类模型的训练过程包括：
获取多种土地利用类型分别对应的多波段扫描影像集和遥感影像集，其中，土地利用类型包括：耕地、林地、草地、水域、建设用地以及化石燃料用地；
对每种所述土地利用类型对应的多波段扫描影像集和遥感影像集进行第一预处理，得到每种所述土地利用类型的目标影像集；
将所述每种所述土地利用类型的目标影像集导入到ENVI n-D Visualizer中进行特征提取，得到每种所述土地利用类型的样本集；
利用Computer ROI Separability工具计算每种所述土地利用类型的样本集的分离度；
判断每种所述土地利用类型的样本集的分离度是否满足预设的分离度阈值要求；
当确定每种所述土地利用类型的样本集的分离度满足预设的分离度阈值，将多种土地利用类型的样本集划分为训练集和测试集；
将所述训练集中的多种土地利用类型的多个特征输入预设神经网络中进行训练，得到监督分类模型；
将所述测试集输入至所述监督分类模型中进行测试，并计算测试通过率；
若所述测试通过率大于或者等于预设通过率阈值，确定所述监督分类模型训练结束；若所述测试通过率小于预设通过率阈值，增加训练集的数量，重新进行监督分类模型的训练。
本实施例中，ENVI(The Environment for Visualizing Images)是一个完整的遥感图像处理平台，ENVI n-D Visualizer用以表征将所述目标影像集导入n维可视化中，在n维可视化中进行特征提取，ENVI使用计算ROI可分离性(Compute ROI Separability)工具来计算任意类别间的统计距离，即分离度，所述分离度用于确定两个类别间的差异性程度。
S15，对所述分类结果影像进行计算，得到所述目标区域的土地生态承载力。
本实施例中，所述分类结果影像中包含有所述目标区域对应的土地利用类型，通过对所述分类结果影像中的每种土地利用类型，分别使用不同的预设权重值进行栅格计算和叠加，得到所述目标区域的土地生态承载力。
在一个可选的实施例中，所述对所述分类结果影像进行计算，得到所述目标区域的土地生态承载力包括：
对所述分类结果影像进行第二预处理，根据土地利用类型及预设的划分规则将第二预处理后的分类结果影像划分为多个栅格；
提取每种土地利用类型的每个栅格的像元值及对应的预设权重值；
计算每种土地利用类型的每个栅格的像元值及对应的预设权重值的乘积，得到每种土地利用类型的每个栅格的土地生态承载力；
累加所述每种土地利用类型的多个栅格的土地生态承载力，得到每类土地的土地生态承载力；
计算所述目标区域的土地生态承载力之和，确定为所述目标区域的土地承载力。
本实施例中，在进行监督分类过程中，影像数据中存在颜色变异、噪声点、斑块点等问题，在得到分类结果影像时，需要对分类结果影像进行第二预处理，具体地，所述第二预处理可以包括：更改分类结果影像中每种土地利用类型的类别颜色、分类结果影像中的小斑块处理及栅矢转换等，其中，所述栅矢转换是指将分类结果影像中的栅格像元转换为矢量点。
本实施例中，通过对分类结果影像进行第二预处理，确保计算土地生态承载力所采用的分类结果影像的准确性，同时预先为每种土地利用类型设置预设权重值，避免所有的土地利用类型使用一种预设权重值导致土地生态承载力结果不准确的现象，提高了土地生态承载力的准确率。
S16，根据所述目标区域的土地生态承载力和预设的生态足迹计算所述目标区域的三维生态足迹，根据所述目标区域的三维生态足迹计算多个土地生态承载评价指标值。
本实施例中，所述土地生态承载力用以表征土地的生态承载力，通过根据所述目标区域的土地生态承载力和预设的生态足迹计算所述目标区域的三维生态足迹。本实施例中，所述土地生态承载评价指标可以包括：包括生态压力指数(ETI)、自然资源流量收益率、自然资源存量-流量利用比、生态资源利用效率指数、生态足迹多样性指数。
在一个可选的实施例中，所述根据所述目标区域的土地生态承载力和预设的生态足迹计算所述目标区域的三维生态足迹包括：
获取所述目标区域中每类土地利用类型的预设的生态足迹；
计算每类土地利用类型的预设的生态足迹与对应土地利用类型的土地生态承载力之差，得到每类土地利用类型的差值，并返回每类土地利用类型的差值和0中的最大值；
将多个最大值之和除以多类土地利用类型的土地生态承载力之和的商数再加1得到的值，确定为所述目标区域的足迹深度；
返回每类土地利用类型的预设的生态足迹和土地生态承载力中的最小值，并累计多个最小值确定为所述目标区域的足迹广度；
计算所述目标区域的足迹深度与所述目标区域的足迹广度的乘积，得到所述目标区域的三维生态足迹。
本实施例中，通过获取所述目标区域中每类土地利用类型的预设的生态足迹，根据每类土地利用类型的预设的生态足迹及计算得到的每类土地利用类型的土地生态承载力，通过计算所述目标区域的足迹深度及足迹广度确定所述目标区域的三维生态足迹，具体地，所述足迹深度用以表征人类对流量资本的占用程度，所述足迹广度用以表征人类对存量资本的消耗程度。
本实施例中，预设的生态足迹是根据所述目标区域的历史数据学习得到的。
在一个可选的实施例中，所述根据所述目标区域的三维生态足迹计算多个土地生态承载评价指标值包括：
识别每个土地生态承载评价指标对应的预设公式；
解析每个预设公式，得到对应的逻辑参数；
根据所述目标区域的三维生态足迹、数据库中标准参数值及所述预设公式对应的逻辑参数计算得到多个土地生态承载评级指标值。
具体地，生态压力指数(ETI)指目标区域的三维生态足迹与目标区域的每类土地的土地生态承载力的比值，反映人类活动对土地生态的干扰程度，数值越大，生态环境承受的压力强度越大，不同的生态压力指数对应不同的安全等级，如图2所示的生态承载力安全等级划分表。
自然资源流量收益率UEf指的是当目标区域处于生态盈余状态时，自然资源流量未被完全占用并有剩余的土地利用类型对应的足迹深度为自然原长1，所述目标区域的自然资源流量收益率UEf可以采用如下预设公式计算得到：
其中，UEf表示目标区域的流量收益率指标；EFs表示目标区域的足迹广度；EC表示目标区域的土地生态承载力。
自然资源存量-流量利用比指的是当目标区域处于生态赤字状态时，自然资源流量被完全占用，开始消耗自然资源存量来满足社会经济的需要，用以表征目标区域的存量与目标区域的流量之间的大小关系，可定量测算目标区域的存量资本超前于流量资本的程度，自然资源存量-流量利用比越大，生态持续性越弱，所述自然资源存量-流量利用比可以采用如下预设公式计算得到：
其中，URf表示目标区域的自然资源存量-流量利用比；EF3D表示目标区域的三维生态足迹；EFs表示目标区域的足迹广度；EFd表示目标区域的足迹深度。
生态资源利用效率指数EFI由单位万元GDP生态足迹体现，是每年的目标区域的三维生态足迹除以当年本地区生产总值，反映经济发展质量与自然资源利用效率之间关系的一个衡量指标，一般来说区域资源利用率与本地单位万元GDP生态足迹成反比，数值越高，则表示目标区域的自然资源利用效率越低，否则，目标区域的自然资源利用效率就越低，所述生态资源利用效率指数可以采用如下预设公式计算得到：
其中，EFI表示目标区域的生态资源利用效率指数；EF3D表示目标区域的三维生态足迹。
生态足迹多样性指数Hef是指目标区域内各类资源消耗需要生物生产性土地面积的分配均衡程度，多样性指数越高说明目标区域各类生物生产性土地生态足迹占总土地生态足迹的比重越平均，消费结构越合理，借鉴Shannon指数，所述生态足迹多样性指数Hef可以采用如下预设公式计算得到：
其中，Hef表示所述目标区域的生态足迹多样性指数；pj为j类土地利用类型占所述目标区域的总生态足迹的份额，lnpj为j类土地利用类型在所述目标区域的总生态足迹中的分配情况。
本实施例中，Hef值越大，说明目标区域内生态分配越平均，生态系统多样性越高，否则，目标区域生态分配失调，生态系统处于不稳定状态，参阅图3所示的生物多样性指数消费指数等级的示意图。
本实施例中，通过计算所述目标区域的足迹深度和足迹广度，实现了生态足迹研究的纵向拓展，避免了土地生态承载力评估过程中采用二维模型引起的脱离目标区域真实生态状况的问题，提高了土地生态承载力评估结果的准确率。
S17，将所述多个土地生态承载评价指标值输入至预先训练好的土地生态承载力评估模型中，得到土地生态承载力评估结果。
本实施例中，可以预先训练土地生态承载力评估模型，具体地，在得到所述目标区域的多个土地生态承载评价指标值后，将所述多个土地生态承载评价指标值输入至预先训练好的土地生态承载力评估模型中，得到土地生态承载力评估结果，具体地，所述土地生态承载力评估结果包括：生态盈余、生态平衡及生态赤字三种结果。
具体地，所述土地生态承载力评估模型包括：
获取多种土地利用类型，及每种土地利用类型对应的多个土地生态承载评价指标值；
将所述多种土地利用类型及每种土地利用类型对应的多个土地生态承载评价指标值作为样本数据集；
从所述样本数据集中划分出训练集和测试集；
将所述训练集输入预设神经网络中进行训练，得到土地生态承载力评估模型；
将所述测试集输入至所述土地生态承载力评估模型中进行测试，并计算测试通过率；
若所述测试通过率大于或者等于预设通过率阈值，确定所述土地生态承载力评估模型训练结束；若所述测试通过率小于预设通过率阈值，增加训练集的数量，重新进行土地生态承载力评估模型的训练。
本实施例中，在进行土地生态承载力评估过程中，考虑了目标区域的足迹深度和足迹广度，得到三维生态足迹，并根据三维生态足迹计算了目标区域的多个土地生态承载评价指标值，将所述多个土地生态承载评价指标值输入至预先训练好的土地生态承载力评估模型中，得到土地生态承载力评估结果，土地生态承载力评估结果是根据多个土地生态承载评价指标值确定的，从多个评价指标的维度进行了考量，不再以直接计算得到的土地生态承载力作为评估土地生态承载力的唯一计算标准，提高了土地生态承载力评估结果得准确率。
在其他可选的实施例中，在得到土地生态承载力评估结果之后，所述方法还包括：
根据所述土地生态承载力评估结果建立压力—状态—响应循环模式。
参阅图4所示的所述压力—状态—响应循环模式，具体地，压力端(P)用以表征人类活动对所述目标区域的土地生态承载力的影响，接收响应端反馈的压力响应和状态端反馈的状态，同时发送压力信息至响应端，其中，所述人类生活包括生产、生活等；状态端(S)用以表征所述生态环境的变化对所述目标区域的土地生态承载力的影响，用以接收压力端发送的压力负荷及响应端反馈的状态响应，同时发送状态信息至响应端；响应端(S)用以表征人类根据目标区域的状态及压力信息所采取的改善土地状况的措施以及生态环境自我修改能力，同时反馈压力响应至压力端及状态响应至状态端。
本实施例中，通过预先训练好的土地生态承载力评估模型对所述目标区域的土地承载力等级进行划分，确定土地生态承载力评估结果到底是生态盈余、生态平衡还是生态赤字，然后再根据不同的土地生态承载力评估结果进行不同的响应举措。例如，在土地生态承载力评估结果为生态赤字时，就要考虑是否需要从所述目标区域地区之外的地方进口所缺资源以平衡生态足迹，或者是提高内部欠缺的资源生力，经过各种整改措施后，对影响所述目标区域的多个土地生态承载评价指标值进行重新计算。
本实施例中，通过所述目标区域的三维生态足迹、多个土地生态承载评价指标值评价所述目标区域的土地生态承载力，创建压力—状态—响应循环模式，根据土地生态承载力评估结果进行响应，反映人类活动与生态环境、自然资源之间循环往复的过程，人类可以直观的根据土地生态承载力评估结果进行响应，提高了响应效率。
综上所述，本实施例所述的基于影像分析的土地生态承载力评估方法，一方面，对所述多波段扫描影像集和遥感影像集进行第一预处理，得到所述目标区域的目标影像，通过对所述预设的第一波段组合及预设的第二波段组合分别进行假彩色合成及直方图变换，可以提高每多波段扫描影像和遥感影像的清晰度，由于多波段扫描影像和遥感影像的分辨率不同，通过将相同区域的第二多波段扫描影像和第二遥感影像，提高了得到的多张待剪切影像的分辨率，同时对包含有目标区域的待剪切影像进行合并及剪切，剔除所述目标区域外的多余区域，确保了得到的目标区域的目标影像的精准性；另一方面，根据所述目标区域的土地生态承载力和预设的生态足迹计算所述目标区域的三维生态足迹，通过计算所述目标区域的足迹深度和足迹广度，实现了生态足迹研究的纵向拓展，避免了土地生态承载力评估过程中采用二维模型引起的脱离目标区域真实生态状况的问题，提高了土地生态承载力评估结果的准确率；最后，在进行土地生态承载力评估过程中，考虑了目标区域的足迹深度和足迹广度，得到三维生态足迹，并根据三维生态足迹计算了目标区域的多个土地生态承载评价指标值，将所述多个土地生态承载评价指标值输入至预先训练好的土地生态承载力评估模型中，得到土地生态承载力评估结果，土地生态承载力评估结果是根据多个土地生态承载评价指标值确定的，从多个评价指标的维度进行了考量，不再以直接计算得到的土地生态承载力作为评估土地生态承载力的唯一计算标准，提高了土地生态承载力评估结果得准确率。
实施例二
图5是本发明实施例二提供的基于影像分析的土地生态承载力评估装置的结构图。
在一些实施例中，所述基于影像分析的土地生态承载力评估装置20可以包括多个由程序代码段所组成的功能模块。所述基于影像分析的土地生态承载力评估装置20中的各个程序段的程序代码可以存储于电子设备的存储器中，并由所述至少一个处理器所执行，以执行(详见图1至图4描述)基于影像分析的土地生态承载力评估的功能。
本实施例中，所述基于影像分析的土地生态承载力评估装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：解析模块201、采集模块202、第一预处理模块203、第一输入模块204、第一计算模块205、第二计算模块206及第二输入模块207。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
解析模块201，用于解析接收的土地生态承载力预测请求，获取目标区域的位置信息。
本实施例中，在进行土地生态承载力预测时，通过客户端发起土地生态承载力预测请求至服务端，具体地，所述客户端可以是智能手机、IPAD或者其他现有的智能设备，所述服务端可以为土地生态承载力预测子系统，在土地生态承载力预测过程中，如所述客户端可以向土地生态承载力预测子系统发送土地生态承载力预测请求，所述土地生态承载力预测子系统用于接收所述客户端发送的土地生态承载力预测请求，并对所述土地生态承载力请求进行解析，得到目标区域的位置信息，根据所述目标区域的位置信息可以进行影像采集。
采集模块202，用于根据所述目标区域的位置信息采集对应的多波段扫描影像集和遥感影像集。
本实施例中，多波段扫描影像指美国陆地卫星4～5号专题制图仪(thematicmapper)所获取的多波段扫描影像，具有较高空间分辨率、波谱分辨率、极为丰富的信息量和较高定位精度；遥感影像是指记录各种地物电磁波大小的胶片或照片，主要分为航空像片和卫星相片，为了预测目标区域的土地生态承载力，根据所述目标区域的位置信息采集对应的多波段扫描影像集和遥感影像集，便于后续根据多波段扫描影像集和遥感影像集，确定所述目标区域中的土地利用类型。
第一预处理模块203，用于对所述多波段扫描影像集和遥感影像集进行第一预处理，得到所述目标区域的目标影像。
本实施例中，目标影像用以表征目标区域的影像图像，通过对所述多波段扫描影像集和遥感影像集进行第一预处理，可以确定所述目标区域的目标影像。
在一个可选的实施例中，所述第一预处理模块203对所述多波段扫描影像集和遥感影像集进行第一预处理，得到所述目标区域的目标影像包括：
从所述多波段扫描影像集中的每张多波段扫描影像中提取预设的第一波段组合，及从所述遥感影像集每张遥感影像中提取预设的第二波段组合；
对所述预设的第一波段组合进行假彩色合成，得到多张第一多波段扫描影像，及对所述预设的第二波段组合进行假彩色和成，得到多张第一遥感影像；
对每张第一多波段扫描影像进行直方图变换，得到对应的第二多波段扫描影像，及对每张第一遥感影像进行直方图变换，得到对应的第二遥感影像；
对相同坐标区域的第二多波段扫描影像和第二遥感影像进行叠加，得到多张待剪切影像；
从所述多张待剪切影像中筛选出与所述目标区域关联的多张第一待剪切影像；
合并所述多张第一待剪切影像，得到第二待剪切影像；
根据所述目标区域的坐标信息对所述第二待剪切影像进行剪切，得到所述目标区域的目标影像。
本实施例中，预设的第一波段组合可以为多波段扫描影像的4、3、2波段组合，预设的第二波段组合可以为遥感影像的7、6、4波段组合，通过对所述预设的第一波段组合及预设的第二波段组合分别进行假彩色合成及直方图变换，可以提高每多波段扫描影像和遥感影像的清晰度，由于多波段扫描影像和遥感影像的分辨率不同，通过将相同区域的第二多波段扫描影像和第二遥感影像，提高了得到的多张待剪切影像的分辨率，同时对包含有目标区域的待剪切影像进行合并及剪切，剔除所述目标区域外的多余区域，确保了得到的目标区域的目标影像的精准性。
第一输入模块204，用于将所述目标影像输入至预先训练好的监督分类模型中，得到分类结果影像。
本实施例中，在得到所述目标区域的目标影像之后，将所述目标影像输入值预先训练好的监督分类模型中，可以得到所述目标区域的土地利用类型对应的分类结果影像，其中，根据国家标准《土地利用现状分类》将研究县市的土地利用类型分为六类：耕地、林地、草地、水域、建设用地以及化石燃料用地。
具体地，所述监督分类模型的训练过程包括：
获取多种土地利用类型分别对应的多波段扫描影像集和遥感影像集，其中，土地利用类型包括：耕地、林地、草地、水域、建设用地以及化石燃料用地；
对每种所述土地利用类型对应的多波段扫描影像集和遥感影像集进行第一预处理，得到每种所述土地利用类型的目标影像集；
将所述每种所述土地利用类型的目标影像集导入到ENVI n-D Visualizer中进行特征提取，得到每种所述土地利用类型的样本集；
利用Computer ROI Separability工具计算每种所述土地利用类型的样本集的分离度；
判断每种所述土地利用类型的样本集的分离度是否满足预设的分离度阈值要求；
当确定每种所述土地利用类型的样本集的分离度满足预设的分离度阈值，将多种土地利用类型的样本集划分为训练集和测试集；
将所述训练集中的多种土地利用类型的多个特征输入预设神经网络中进行训练，得到监督分类模型；
将所述测试集输入至所述监督分类模型中进行测试，并计算测试通过率；
若所述测试通过率大于或者等于预设通过率阈值，确定所述监督分类模型训练结束；若所述测试通过率小于预设通过率阈值，增加训练集的数量，重新进行监督分类模型的训练。
本实施例中，ENVI(The Environment for Visualizing Images)是一个完整的遥感图像处理平台，ENVI n-D Visualizer用以表征将所述目标影像集导入n维可视化中，在n维可视化中进行特征提取，ENVI使用计算ROI可分离性(Compute ROI Separability)工具来计算任意类别间的统计距离，即分离度，所述分离度用于确定两个类别间的差异性程度。
第一计算模块205，用于对所述分类结果影像进行计算，得到所述目标区域的土地生态承载力。
本实施例中，所述分类结果影像中包含有所述目标区域对应的土地利用类型，通过对所述分类结果影像中的每种土地利用类型，分别使用不同的预设权重值进行栅格计算和叠加，得到所述目标区域的土地生态承载力。
在一个可选的实施例中，所述第一计算模块205对所述分类结果影像进行计算，得到所述目标区域的土地生态承载力包括：
对所述分类结果影像进行第二预处理，根据土地利用类型及预设的划分规则将第二预处理后的分类结果影像划分为多个栅格；
提取每种土地利用类型的每个栅格的像元值及对应的预设权重值；
计算每种土地利用类型的每个栅格的像元值及对应的预设权重值的乘积，得到每种土地利用类型的每个栅格的土地生态承载力；
累加所述每种土地利用类型的多个栅格的土地生态承载力，得到每类土地的土地生态承载力；
计算所述目标区域的土地生态承载力之和，确定为所述目标区域的土地承载力。
本实施例中，在进行监督分类过程中，影像数据中存在颜色变异、噪声点、斑块点等问题，在得到分类结果影像时，需要对分类结果影像进行第二预处理，具体地，所述第二预处理可以包括：更改分类结果影像中每种土地利用类型的类别颜色、分类结果影像中的小斑块处理及栅矢转换等，其中，所述栅矢转换是指将分类结果影像中的栅格像元转换为矢量点。
本实施例中，通过对分类结果影像进行第二预处理，确保计算土地生态承载力所采用的分类结果影像的准确性，同时预先为每种土地利用类型设置预设权重值，避免所有的土地利用类型使用一种预设权重值导致土地生态承载力结果不准确的现象，提高了土地生态承载力的准确率。
第二计算模块206，用于根据所述目标区域的土地生态承载力和预设的生态足迹计算所述目标区域的三维生态足迹，根据所述目标区域的三维生态足迹计算多个土地生态承载评价指标值。
本实施例中，所述土地生态承载力用以表征土地的生态承载力，通过根据所述目标区域的土地生态承载力和预设的生态足迹计算所述目标区域的三维生态足迹。本实施例中，所述土地生态承载评价指标可以包括：包括生态压力指数(ETI)、自然资源流量收益率、自然资源存量-流量利用比、生态资源利用效率指数、生态足迹多样性指数。
在一个可选的实施例中，所述第二计算模块206根据所述目标区域的土地生态承载力和预设的生态足迹计算所述目标区域的三维生态足迹包括：
获取所述目标区域中每类土地利用类型的预设的生态足迹；
计算每类土地利用类型的预设的生态足迹与对应土地利用类型的土地生态承载力之差，得到每类土地利用类型的差值，并返回每类土地利用类型的差值和0中的最大值；
将多个最大值之和除以多类土地利用类型的土地生态承载力之和的商数再加1得到的值，确定为所述目标区域的足迹深度；
返回每类土地利用类型的预设的生态足迹和土地生态承载力中的最小值，并累计多个最小值确定为所述目标区域的足迹广度；
计算所述目标区域的足迹深度与所述目标区域的足迹广度的乘积，得到所述目标区域的三维生态足迹。
本实施例中，通过获取所述目标区域中每类土地利用类型的预设的生态足迹，根据每类土地利用类型的预设的生态足迹及计算得到的每类土地利用类型的土地生态承载力，通过计算所述目标区域的足迹深度及足迹广度确定所述目标区域的三维生态足迹，具体地，所述足迹深度用以表征人类对流量资本的占用程度，所述足迹广度用以表征人类对存量资本的消耗程度。
本实施例中，预设的生态足迹是根据所述目标区域的历史数据学习得到的。
在一个可选的实施例中，所述第二计算模块206根据所述目标区域的三维生态足迹计算多个土地生态承载评价指标值包括：
识别每个土地生态承载评价指标对应的预设公式；
解析每个预设公式，得到对应的逻辑参数；
根据所述目标区域的三维生态足迹、数据库中标准参数值及所述预设公式对应的逻辑参数计算得到多个土地生态承载评级指标值。
具体地，生态压力指数(ETI)指目标区域的三维生态足迹与目标区域的每类土地的土地生态承载力的比值，反映人类活动对土地生态的干扰程度，数值越大，生态环境承受的压力强度越大，不同的生态压力指数对应不同的安全等级，如图2所示的生态承载力安全等级划分表。
自然资源流量收益率UEf指的是当目标区域处于生态盈余状态时，自然资源流量未被完全占用并有剩余的土地利用类型对应的足迹深度为自然原长1，所述目标区域的自然资源流量收益率UEf可以采用如下预设公式计算得到：
其中，UEf表示目标区域的流量收益率指标；EFs表示目标区域的足迹广度；EC表示目标区域的土地生态承载力。
自然资源存量-流量利用比指的是当目标区域处于生态赤字状态时，自然资源流量被完全占用，开始消耗自然资源存量来满足社会经济的需要，用以表征目标区域的存量与目标区域的流量之间的大小关系，可定量测算目标区域的存量资本超前于流量资本的程度，自然资源存量-流量利用比越大，生态持续性越弱，所述自然资源存量-流量利用比可以采用如下预设公式计算得到：
其中，URf表示目标区域的自然资源存量-流量利用比；EF3D表示目标区域的三维生态足迹；EFs表示目标区域的足迹广度；EFd表示目标区域的足迹深度。
生态资源利用效率指数EFI由单位万元GDP生态足迹体现，是每年的目标区域的三维生态足迹除以当年本地区生产总值，反映经济发展质量与自然资源利用效率之间关系的一个衡量指标，一般来说区域资源利用率与本地单位万元GDP生态足迹成反比，数值越高，则表示目标区域的自然资源利用效率越低，否则，目标区域的自然资源利用效率就越低，所述生态资源利用效率指数可以采用如下预设公式计算得到：
其中，EFI表示目标区域的生态资源利用效率指数；EF3D表示目标区域的三维生态足迹。
生态足迹多样性指数Hef是指目标区域内各类资源消耗需要生物生产性土地面积的分配均衡程度，多样性指数越高说明目标区域各类生物生产性土地生态足迹占总土地生态足迹的比重越平均，消费结构越合理，借鉴Shannon指数，所述生态足迹多样性指数Hef可以采用如下预设公式计算得到：
其中，Hef表示所述目标区域的生态足迹多样性指数；pj为j类土地利用类型占所述目标区域的总生态足迹的份额，lnpj为j类土地利用类型在所述目标区域的总生态足迹中的分配情况。
本实施例中，Hef值越大，说明目标区域内生态分配越平均，生态系统多样性越高，否则，目标区域生态分配失调，生态系统处于不稳定状态，参阅图3所示的生物多样性指数消费指数等级的示意图。
本实施例中，通过计算所述目标区域的足迹深度和足迹广度，实现了生态足迹研究的纵向拓展，避免了土地生态承载力评估过程中采用二维模型引起的脱离目标区域真实生态状况的问题，提高了土地生态承载力评估结果的准确率。
第二输入模块207，用于将所述多个土地生态承载评价指标值输入至预先训练好的土地生态承载力评估模型中，得到土地生态承载力评估结果。
本实施例中，可以预先训练土地生态承载力评估模型，具体地，在得到所述目标区域的多个土地生态承载评价指标值后，将所述多个土地生态承载评价指标值输入至预先训练好的土地生态承载力评估模型中，得到土地生态承载力评估结果，具体地，所述土地生态承载力评估结果包括：生态盈余、生态平衡及生态赤字三种结果。
具体地，所述土地生态承载力评估模型包括：
获取多种土地利用类型，及每种土地利用类型对应的多个土地生态承载评价指标值；
将所述多种土地利用类型及每种土地利用类型对应的多个土地生态承载评价指标值作为样本数据集；
从所述样本数据集中划分出训练集和测试集；
将所述训练集输入预设神经网络中进行训练，得到土地生态承载力评估模型；
将所述测试集输入至所述土地生态承载力评估模型中进行测试，并计算测试通过率；
若所述测试通过率大于或者等于预设通过率阈值，确定所述土地生态承载力评估模型训练结束；若所述测试通过率小于预设通过率阈值，增加训练集的数量，重新进行土地生态承载力评估模型的训练。
本实施例中，在进行土地生态承载力评估过程中，考虑了目标区域的足迹深度和足迹广度，得到三维生态足迹，并根据三维生态足迹计算了目标区域的多个土地生态承载评价指标值，将所述多个土地生态承载评价指标值输入至预先训练好的土地生态承载力评估模型中，得到土地生态承载力评估结果，土地生态承载力评估结果是根据多个土地生态承载评价指标值确定的，从多个评价指标的维度进行了考量，不再以直接计算得到的土地生态承载力作为评估土地生态承载力的唯一计算标准，提高了土地生态承载力评估结果得准确率。
在其他可选的实施例中，在得到土地生态承载力评估结果之后，根据所述土地生态承载力评估结果建立压力—状态—响应循环模式。
参阅图4所示的所述压力—状态—响应循环模式，具体地，压力端(P)用以表征人类活动对所述目标区域的土地生态承载力的影响，接收响应端反馈的压力响应和状态端反馈的状态，同时发送压力信息至响应端，其中，所述人类生活包括生产、生活等；状态端(S)用以表征所述生态环境的变化对所述目标区域的土地生态承载力的影响，用以接收压力端发送的压力负荷及响应端反馈的状态响应，同时发送状态信息至响应端；响应端(S)用以表征人类根据目标区域的状态及压力信息所采取的改善土地状况的措施以及生态环境自我修改能力，同时反馈压力响应至压力端及状态响应至状态端。
本实施例中，通过预先训练好的土地生态承载力评估模型对所述目标区域的土地承载力等级进行划分，确定土地生态承载力评估结果到底是生态盈余、生态平衡还是生态赤字，然后再根据不同的土地生态承载力评估结果进行不同的响应举措。例如，在土地生态承载力评估结果为生态赤字时，就要考虑是否需要从所述目标区域地区之外的地方进口所缺资源以平衡生态足迹，或者是提高内部欠缺的资源生力，经过各种整改措施后，对影响所述目标区域的多个土地生态承载评价指标值进行重新计算。
本实施例中，通过所述目标区域的三维生态足迹、多个土地生态承载评价指标值评价所述目标区域的土地生态承载力，创建压力—状态—响应循环模式，根据土地生态承载力评估结果进行响应，反映人类活动与生态环境、自然资源之间循环往复的过程，人类可以直观的根据土地生态承载力评估结果进行响应，提高了响应效率。
综上所述，本实施例所述的基于影像分析的土地生态承载力评估装置，一方面，对所述多波段扫描影像集和遥感影像集进行第一预处理，得到所述目标区域的目标影像，通过对所述预设的第一波段组合及预设的第二波段组合分别进行假彩色合成及直方图变换，可以提高每多波段扫描影像和遥感影像的清晰度，由于多波段扫描影像和遥感影像的分辨率不同，通过将相同区域的第二多波段扫描影像和第二遥感影像，提高了得到的多张待剪切影像的分辨率，同时对包含有目标区域的待剪切影像进行合并及剪切，剔除所述目标区域外的多余区域，确保了得到的目标区域的目标影像的精准性；另一方面，根据所述目标区域的土地生态承载力和预设的生态足迹计算所述目标区域的三维生态足迹，通过计算所述目标区域的足迹深度和足迹广度，实现了生态足迹研究的纵向拓展，避免了土地生态承载力评估过程中采用二维模型引起的脱离目标区域真实生态状况的问题，提高了土地生态承载力评估结果的准确率；最后，在进行土地生态承载力评估过程中，考虑了目标区域的足迹深度和足迹广度，得到三维生态足迹，并根据三维生态足迹计算了目标区域的多个土地生态承载评价指标值，将所述多个土地生态承载评价指标值输入至预先训练好的土地生态承载力评估模型中，得到土地生态承载力评估结果，土地生态承载力评估结果是根据多个土地生态承载评价指标值确定的，从多个评价指标的维度进行了考量，不再以直接计算得到的土地生态承载力作为评估土地生态承载力的唯一计算标准，提高了土地生态承载力评估结果得准确率。
实施例三
参阅图6所示，为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解，图6示出的电子设备的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述电子设备3中的基于影像分析的土地生态承载力评估装置20，并在电子设备3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述电子设备3的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。
在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，可选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在进一步的实施例中，结合图5，所述至少一个处理器32可执行所述电子设备3的操作装置以及安装的各类应用程序(如所述的基于影像分析的土地生态承载力评估装置20)、程序代码等，例如，上述的各个模块。
所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图5中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到基于影像分析的土地生态承载力评估的目的。
示例性的，所述程序代码可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器32执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述程序代码在所述电子设备3中的执行过程。例如，所述程序代码可以被分割成解析模块201、采集模块202、第一预处理模块203、第一输入模块204、第一计算模块205、第二计算模块206及第二输入模块207。
在本发明的一个实施例中，所述存储器31存储多个计算机可读指令，所述多个计算机可读指令被所述至少一个处理器32所执行以实现基于影像分析的土地生态承载力评估的功能。
具体地，所述至少一个处理器32对上述指令的具体实现方法可参考图1至图4对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，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，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于影像分析的土地生态承载力评估方法，其特征在于，所述方法包括：
解析接收的土地生态承载力预测请求，获取目标区域的位置信息；
根据所述目标区域的位置信息采集对应的多波段扫描影像集和遥感影像集；
对所述多波段扫描影像集和遥感影像集进行第一预处理，得到所述目标区域的目标影像；
将所述目标影像输入至预先训练好的监督分类模型中，得到分类结果影像；
对所述分类结果影像进行计算，得到所述目标区域的土地生态承载力；
根据所述目标区域的土地生态承载力和预设的生态足迹计算所述目标区域的三维生态足迹，根据所述目标区域的三维生态足迹计算多个土地生态承载评价指标值；
将所述多个土地生态承载评价指标值输入至预先训练好的土地生态承载力评估模型中，得到土地生态承载力评估结果。
2.如权利要求1所述的基于影像分析的土地生态承载力评估方法，其特征在于，所述根据所述目标区域的土地生态承载力和预设的生态足迹计算所述目标区域的三维生态足迹包括：
获取所述目标区域中每类土地利用类型的预设的生态足迹；
计算每类土地利用类型的预设的生态足迹与对应土地利用类型的土地生态承载力之差，得到每类土地利用类型的差值，并返回每类土地利用类型的差值和0中的最大值；
将多个最大值之和除以多类土地利用类型的土地生态承载力之和的商数再加1得到的值，确定为所述目标区域的足迹深度；
返回每类土地利用类型的预设的生态足迹和土地生态承载力中的最小值，并累计多个最小值确定为所述目标区域的足迹广度；
计算所述目标区域的足迹深度与所述目标区域的足迹广度的乘积，得到所述目标区域的三维生态足迹。
3.如权利要求1所述的基于影像分析的土地生态承载力评估方法，其特征在于，所述根据所述目标区域的三维生态足迹计算多个土地生态承载评价指标值包括：
识别每个土地生态承载评价指标对应的预设公式；
解析每个预设公式，得到对应的逻辑参数；
根据所述目标区域的三维生态足迹、数据库中标准参数值及所述预设公式对应的逻辑参数计算得到多个土地生态承载评级指标值。
4.如权利要求1所述的基于影像分析的土地生态承载力评估方法，其特征在于，所述对所述多波段扫描影像集和遥感影像集进行第一预处理，得到所述目标区域的目标影像包括：
从所述多波段扫描影像集中的每张多波段扫描影像中提取预设的第一波段组合，及从所述遥感影像集每张遥感影像中提取预设的第二波段组合；
对所述预设的第一波段组合进行假彩色合成，得到多张第一多波段扫描影像，及对所述预设的第二波段组合进行假彩色和成，得到多张第一遥感影像；
对每张第一多波段扫描影像进行直方图变换，得到对应的第二多波段扫描影像，及对每张第一遥感影像进行直方图变换，得到对应的第二遥感影像；
对相同坐标区域的第二多波段扫描影像和第二遥感影像进行叠加，得到多张待剪切影像；
从所述多张待剪切影像中筛选出与所述目标区域关联的多张第一待剪切影像；
合并所述多张第一待剪切影像，得到第二待剪切影像；
根据所述目标区域的坐标信息对所述第二待剪切影像进行剪切，得到所述目标区域的目标影像。
5.如权利要求1所述的基于影像分析的土地生态承载力评估方法，其特征在于，所述对所述分类结果影像进行计算，得到所述目标区域的土地生态承载力包括：
对所述分类结果影像进行第二预处理，根据土地利用类型及预设的划分规则将第二预处理后的分类结果影像划分为多个栅格；
提取每种土地利用类型的每个栅格的像元值及对应的预设权重值；
计算每种土地利用类型的每个栅格的像元值及对应的预设权重值的乘积，得到每种土地利用类型的每个栅格的土地生态承载力；
累加所述每种土地利用类型的多个栅格的土地生态承载力，得到每类土地的土地生态承载力；
计算所述目标区域的土地生态承载力之和，确定为所述目标区域的土地承载力。
6.如权利要求5所述的基于影像分析的土地生态承载力评估方法，其特征在于，所述监督分类模型的训练过程包括：
获取多种土地利用类型分别对应的多波段扫描影像集和遥感影像集，其中，土地利用类型包括：耕地、林地、草地、水域、建设用地以及化石燃料用地；
对每种所述土地利用类型对应的多波段扫描影像集和遥感影像集进行第一预处理，得到每种所述土地利用类型的目标影像集；
将所述每种所述土地利用类型的目标影像集导入到ENVIn-D Visualizer中进行特征提取，得到每种所述土地利用类型的样本集；
利用Computer ROI Separability工具计算每种所述土地利用类型的样本集的分离度；
判断每种所述土地利用类型的样本集的分离度是否满足预设的分离度阈值要求；
当确定每种所述土地利用类型的样本集的分离度满足预设的分离度阈值，将多种土地利用类型的样本集划分为训练集和测试集；
将所述训练集中的多种土地利用类型的多个特征输入预设神经网络中进行训练，得到监督分类模型；
将所述测试集输入至所述监督分类模型中进行测试，并计算测试通过率；
若所述测试通过率大于或者等于预设通过率阈值，确定所述监督分类模型训练结束；若所述测试通过率小于预设通过率阈值，增加训练集的数量，重新进行监督分类模型的训练。
7.如权利要求1所述的基于影像分析的土地生态承载力评估方法，其特征在于，在所述得到土地生态承载力评估结果之后，所述方法还包括：
根据所述土地生态承载力评估结果建立压力—状态—响应循环模式。
8.一种基于影像分析的土地生态承载力评估装置，其特征在于，所述装置包括：
解析模块，用于解析接收的土地生态承载力预测请求，获取目标区域的位置信息；
采集模块，用于根据所述目标区域的位置信息采集对应的多波段扫描影像集和遥感影像集；
第一预处理模块，用于对所述多波段扫描影像集和遥感影像集进行第一预处理，得到所述目标区域的目标影像；
第一输入模块，用于将所述目标影像输入至预先训练好的监督分类模型中，得到分类结果影像；
第一计算模块，用于对所述分类结果影像进行计算，得到所述目标区域的土地生态承载力；
第二计算模块，用于根据所述目标区域的土地生态承载力和预设的生态足迹计算所述目标区域的三维生态足迹，根据所述目标区域的三维生态足迹计算多个土地生态承载评价指标值；
第二输入模块，用于将所述多个土地生态承载评价指标值输入至预先训练好的土地生态承载力评估模型中，得到土地生态承载力评估结果。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的基于影像分析的土地生态承载力评估方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于影像分析的土地生态承载力评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110914280.7A CN113610402B (zh) | 2021-08-10 | 2021-08-10 | 基于影像分析的土地生态承载力评估方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110914280.7A CN113610402B (zh) | 2021-08-10 | 2021-08-10 | 基于影像分析的土地生态承载力评估方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113610402A true CN113610402A (zh) | 2021-11-05 |
| CN113610402B CN113610402B (zh) | 2023-12-05 |
Family
ID=78308009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110914280.7A Active CN113610402B (zh) | 2021-08-10 | 2021-08-10 | 基于影像分析的土地生态承载力评估方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113610402B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117829684A (zh) * | 2024-03-04 | 2024-04-05 | 中国科学院地理科学与资源研究所 | 一种生态环境质量的评估方法及相关设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150071528A1 (en) * | 2013-09-11 | 2015-03-12 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
| CN104517037A (zh) * | 2014-12-23 | 2015-04-15 | 中国科学院遥感与数字地球研究所 | 一种生态承载力的遥感估算方法 |
| CN106815480A (zh) * | 2017-01-17 | 2017-06-09 | 武汉科技大学 | 一种基于生态足迹模型的生态可持续性综合评价方法 |
| CN109086989A (zh) * | 2018-07-25 | 2018-12-25 | 环境保护部卫星环境应用中心 | 一种自然保护区可持续发展评价方法及系统 |
| CN109711751A (zh) * | 2019-01-15 | 2019-05-03 | 北京国脉时空大数据科技有限公司 | 一种基于时空数据融合分析的资源环境承载力评估方法 |
| CN110633884A (zh) * | 2019-03-27 | 2019-12-31 | 中国科学院城市环境研究所 | 一种三维生态承载力评价方法、终端设备及存储介质 |
-
2021
- 2021-08-10 CN CN202110914280.7A patent/CN113610402B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150071528A1 (en) * | 2013-09-11 | 2015-03-12 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
| CN104517037A (zh) * | 2014-12-23 | 2015-04-15 | 中国科学院遥感与数字地球研究所 | 一种生态承载力的遥感估算方法 |
| CN106815480A (zh) * | 2017-01-17 | 2017-06-09 | 武汉科技大学 | 一种基于生态足迹模型的生态可持续性综合评价方法 |
| CN109086989A (zh) * | 2018-07-25 | 2018-12-25 | 环境保护部卫星环境应用中心 | 一种自然保护区可持续发展评价方法及系统 |
| CN109711751A (zh) * | 2019-01-15 | 2019-05-03 | 北京国脉时空大数据科技有限公司 | 一种基于时空数据融合分析的资源环境承载力评估方法 |
| CN110633884A (zh) * | 2019-03-27 | 2019-12-31 | 中国科学院城市环境研究所 | 一种三维生态承载力评价方法、终端设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 高颖;陈伟强;: "基于生态足迹法的土地利用规划方案生态评估――以巩义市为例", 中国人口.资源与环境, no. 3 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117829684A (zh) * | 2024-03-04 | 2024-04-05 | 中国科学院地理科学与资源研究所 | 一种生态环境质量的评估方法及相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113610402B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110400022B (zh) | 自助柜员机现金用量预测方法及装置 | |
| CN107704971A (zh) | 一种实时预测机场安检人数的数据处理方法和装置 | |
| CN112561082A (zh) | 生成模型的方法、装置、设备以及存储介质 | |
| CN114663223A (zh) | 基于人工智能的信用风险评估方法、装置及相关设备 | |
| CN113378785A (zh) | 森林类型识别方法及装置 | |
| CN107908807B (zh) | 一种基于贝叶斯理论的小子样可靠性评定方法 | |
| CN113610402B (zh) | 基于影像分析的土地生态承载力评估方法及相关设备 | |
| CN113256108A (zh) | 人力资源分配方法、装置、电子设备及存储介质 | |
| Liu et al. | Brand marketing decision support system based on computer vision and parallel computing | |
| CN114372835B (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
| Kaneva et al. | Diagnostics of innovative development of Siberia | |
| Segundo et al. | Measuring economic activity from space: a case study using flying Airplanes and COVID-19 | |
| CN114925674A (zh) | 文件合规性检查方法、装置、电子设备及存储介质 | |
| CN112434648A (zh) | 一种墙体形状变化检测方法及系统 | |
| CN112163496B (zh) | 一种基于语义分割的嵌入式终端水库水位预警方法 | |
| CN117575485B (zh) | 一种基于可视化的智慧调度方法、系统及存储介质 | |
| Umalkar | Deep learning for the semantic segmentation of airborne laser scanner data: training data selection | |
| CN118115827A (zh) | 一种灌区土地利用、覆被时空动态演化特征分析方法 | |
| Shi et al. | Performance, effectiveness and computational efficiency of powerline extraction methods for quantifying ecosystem structure from light detection and ranging | |
| CN117668628A (zh) | 对象分类方法和装置、电子设备及存储介质 | |
| Yan | Combining Machine and Human Intelligence for Object Recognition in Satellite Images to Support Land Cover Management in Africa’s Drylands | |
| Rofalis | Detection and classification of marine vehicles | |
| CN117877232A (zh) | 一种基于gis的地质灾害预警方法及系统 | |
| Cao et al. | Application of Light Remote Sensing Technology Based on Transfer Learning Algorithm in Sustainable Management of Ecological Economy | |
| Al Khafaf et al. | Identification of low voltage distribution transformer–customer connectivity based on unsupervised learning |
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 |