CN114022782B - 一种基于modis卫星数据的海雾探测方法 - Google Patents
一种基于modis卫星数据的海雾探测方法 Download PDFInfo
- Publication number
- CN114022782B CN114022782B CN202111280523.2A CN202111280523A CN114022782B CN 114022782 B CN114022782 B CN 114022782B CN 202111280523 A CN202111280523 A CN 202111280523A CN 114022782 B CN114022782 B CN 114022782B
- Authority
- CN
- China
- Prior art keywords
- training
- tree
- weight
- typical correlation
- typical
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 76
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 239000012535 impurity Substances 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims 2
- 230000000875 corresponding effect Effects 0.000 claims 1
- 239000003595 mist Substances 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于MODIS卫星数据的海雾探测方法，涉及海洋环境监测技术领域，基本步骤为：对MODIS卫星数据预处理并进行特征提取；结合CALIOP VFM卫星数据进行地物样本选取，构建地物样本集并将其划分为训练集及测试集；以节点熵的信息增益率作为节点分裂的杂质判据，并对典型相关森林中每颗典型相关树赋予权值，利用训练集进行训练得到改进典型相关森林模型；在后测试时对每颗典型相关树权值进行调整更新，得到不断优化的改进典型相关森林模型；利用模型对卫星图像进行识别得到海雾识别结果。本发明将集成学习与卫星遥感结合，利用云雾特征训练各典型相关树，得到更具有泛化能力的海雾识别模型，具有泛化性好、鲁棒性强、精度高及自动化程度高等优点。
Description
技术领域
本发明涉及海洋环境监测技术领域，具体涉及一种基于MODIS卫星数据的海雾探测方法。
背景技术
海雾是由海面低层大气中水汽凝结所致，发生时可使海面能见度大幅降低的灾害性天气现象。海雾能够对海上及海岸地区的交通运输、海洋渔业、油气开发甚至农业生产等活动造成严重影响。传统海雾观测设备依赖点状观测模式获取海雾信息，该方式虽精确可靠但无法宏观、快速的对海雾进行监测，而随着遥感技术的发展，卫星遥感具有观测范围广、信息获取快并且能够进行实时动态观测等优势，使其能够为海雾的监测提供可靠的技术手段。
阈值法作为海雾遥感探测的传统方法，主要是通过对卫星影像的光谱及纹理信息进行统计分析，选取合适的阈值后对图像进行像素级分割再进行特征分类，以实现海雾探测的目的。但随着区域、时间不同，阈值的选择也需不断改变，阈值法在实际应用中存在很大弊端，且随着卫星探测技术的不断发展，阈值法愈加无法应对实际探测过程中的复杂情况，其识别精度也受到局限。
近年来，机器学习在医学、农业、交通等领域均取得了较大的成功，也已被广泛应用于遥感图像分类问题中。深度学习作为当前机器学习的热点，因其能够智能化地自动学习特征并进行分类，为海雾遥感探测提供了新方法。发明专利“一种基于深度学习和卫星遥感技术的海雾检测方法”(公开号CN110208880A)给出了基于深度学习分割网络模型监测海雾的方法，但该方法在网络训练时需要用到大量海雾样本，在样本量较少时，易出现“维度灾难”的问题，导致模型检测精度下降。因此，研究如何在小样本前提下进行海雾自动化探测是十分必要的。
集成学习是一种机器学习范式，相比于支持向量机等传统机器学习方法，集成学习将多个机器学习器通过一定策略进行集成，具有更强的泛化能力与鲁棒性，目前也逐渐应用于遥感图像分类研究中。典型相关森林(Canonical Correlation Forest，CCF)算法是2015年Rainforth和Wood提出的一种用于分类的基于决策树的集成学习算法，其在解决小样本、高维识别等问题中具有深度学习不具备的优势。该算法的主要思想是通过利用典型相关分析(CCA)来训练集成模型中的每个典型相关树，以找到特征与类别标签之间的最大相关性的特征投影，然后在该特征空间中选择最佳分割以完成超平面分裂，构建典型相关树，最终对所有典型相关树进行集合，并通过多数投票的方法得到最终分类结果。
CCF可以应用于二分类和多分类问题，且其性能被发现优于或可比于其他基于决策树的集成方法。与其他最先进的集成学习方法(如RF和Bagging)相比，其性能明显更好并在较小的集成尺寸下具有竞争力。但原始的典型相关树在节点分裂时未考虑数据点的属性特征，且在对各典型相关树进行集成时，所使用的多数投票方法未充分考虑到每棵树的可靠性。有鉴于此，本发明对典型相关森林算法加以改进，提出了一种基于MODIS卫星数据的海雾探测方法。
发明内容
针对问题，本发明提供了一种基于MODIS卫星数据的海雾探测方法，通过结合集成学习与卫星遥感实现基于卫星影像的海雾探测。该方法利用云雾特征训练各典型相关树，通过将节点熵的信息增益率作为分裂准则进行节点分裂，根据各典型相关树的可靠性以加权投票的决策方式决定最终预测结果，从而得到更高精度的海雾探测结果。
本发明采用以下的技术方案：
(1)对MODIS卫星数据进行辐射校正、太阳天顶角矫正、亮温计算、几何校正以及影像裁剪与拼接预处理操作，得到Tiff格式海域数据；
(2)对所得到的海域数据提取1,2,3,4,5,7,17,18,19,20,26,29,31,32,35波段作为输入特征；
(3)构建地物样本集，根据目视解译并结合CALIOPVFM卫星数据进行地物样本选取，样本标签划分为中高云、低云、海雾及海表四类；按照4:1的比例将样本集随机分为训练集及测试集，其中，训练集包括用于训练典型相关森林模型的模型训练集以及用于计算权重信息的权重训练集；
(4)按照7：3的比例将训练集样本随机分为模型训练集与权重训练集；将模型训练集数据作为输入数据训练典型相关树模型，训练完成后利用权重训练集计算并得到每颗典型相关树的权重，得到改进典型相关森林模型；
其中，改进典型相关森林的具体训练过程包括以下步骤：
1)对模型训练样本集进行Bootstrap抽样，形成多个子训练集；
2)利用典型相关分析对子训练集数据特征与标签间关系进行分析，得到典型相关系数及投影特征空间，并将子训练集原始数据特征投影至投影空间；
令输入子样本集的训练数据集为X，标签数据集为Y，样本类别数为K，训练样本数为n，由于样本标签Y是非数字标签，需先将其转换成形如{1,2,......，K}的数字标签yik＝1表样本i属于第k类，i＝{1,2,…,n}，k＝{1,2,…,K}，典型相关分析公式表示为：
式中，Cxx是特征数据集X的协方差阵，Cyy是标签数据集y的协方差阵，Cxy是数据集X与y的协方差阵，λ为典型相关系数，Wx、Wy对应于和y的投影矩阵，通过对上式求解广义特征值问题即可得到转换后的特征数据集投影矩阵Wx，样本标签集投影矩阵Wy则由等式/>求得；
3)在投影特征空间内从可能的候选集合中使用穷尽搜索选择最佳分割，以完成超平面分裂，采用节点熵的信息增益率作为杂质判据，选择能够减少杂质的分割，信息增益率公式如下：
式中，ωp表示落入节点p分区内训练点的索引，Y(ωp,:)为落入节点p分区内训练点的标签数据集，δi为投影空间内特征数据集中的一个特征，i＝{1,2,…,a}(a为投影空间内特征个数)，每个离散特征δi的取值范围为v1到(mi为特征δi取值的个数)，pk为第k类在节点处的概率，p(vi,j)为特征δi值为vj的概率，p(k|vi,j)为在特征δi值为vj的条件下是第k类的概率，GR(Y(ωp,:),δi)为节点p上特征δi的信息增益率；
4)对每颗典型相关树模型进行独立训练生成单颗典型相关树，初始化典型相关树权重为其中/>为第i颗典型相关树的初始权重，T为典型相关森林中树总量，对所有典型相关树进行集成得到典型相关森林；
5)输入权重训练集进行预测，利用后验概率得到每棵树的权重，将低于1/2权重平均值的典型相关树赋值为0，并对其余树重新进行权重赋值，以减少树的数量，权重计算公式如下：
其中，pi为第i颗典型相关树的错误率(即后验概率)，errori为第i颗树分类错误的样本数量，N为权重训练集样本总量，wi为第i颗典型相关树的权值；
6)对每棵树的结果进行加权投票，获得分类结果：
其中，ti(x)为第i颗典型相关树对测试样本x的分类结果，c为K个类别中的某类别，表示取权重总和最大值其对应的类别，R(x)为测试样本x加权投票后的最终分类结果；
(5)利用测试集对模型进行精度验证并对每颗典型相关树权值进行重新调整，测试集第i颗树权重公式如下：
其中，pi'为测试集中第i颗典型相关树的错误率，errori'为测试集中第i颗树分类错误的数量，N'为测试集样本总量，wi'为测试集中第i颗典型相关树的权值，则权重调整公式为：
(6)将待识别卫星影像进行预处理后输入，利用改进典型相关森林模型进行识别并输出海雾识别图像，二值化处理后得到海雾识别二值图像。
本发明具有的有益效果是：
本发明将典型相关森林算法与遥感影像分类相结合，首次利用典型相关森林算法进行海雾识别，同时，为了进一步提高典型相关森林的分类性能，对分裂算法进行改进，使用节点熵的信息增益率作为分裂准则，进一步地改进各决策树在森林中所占比重，采用加权投票的决策方式进行结果预测，与阈值法及传统机器学习方法相比，提高了海雾探测精度。其次，本发明具有小样本学习、特征降维的特点，在解决样本量不足、高维模式识别等问题上具有优势。
附图说明
图1为本发明实施的步骤流程图；
图2为典型相关森林模型构建流程；
图3为输入的待识别卫星影像真彩图示意图；
图4为模型识别结果示意图。
具体实施方式
下面结合附图对本发明进行具体的说明：
结合图1和图2，本发明的具体实施步骤为：
(1)对MODIS卫星数据进行辐射校正、太阳天顶角矫正、亮温计算、几何校正以及影像裁剪与拼接预处理操作，得到Tiff格式海域数据；
(2)对所得到的海域数据提取1,2,3,4,5,7,17,18,19,20,26,29,31,32,35波段作为输入特征；
(3)构建地物样本集，根据目视解译并结合CALIOPVFM卫星数据进行地物样本选取；
在遥感影像中，中高云呈现为薄片状，纹理粗糙且边缘分界处模糊，常为不规则丝缕状；低云常为具有卵石状纹理的单独或成片的云块，云区纹理较均匀但边缘模糊；而海雾颜色为乳白色，整体呈现出边界清晰，纹理均匀光滑。根据以上解译特征，将影像中目视解译疑似海雾，且在CALIOPVFM数据中与海表接近的云层及高于海表的异常海表选为海雾样本；将云底高度低于2.5km的云层选为低云样本；将云底高度大于2.5km的云层选为中高云样本；
最终生成的样本标签划分为中高云、低云、海雾及海表四类；按照4:1的比例将样本集随机分为训练集及测试集，其中，训练集包括用于训练典型相关森林模型的模型训练集以及用于计算权重信息的权重训练集；
(4)按照7：3的比例将训练集样本随机分为模型训练集与权重训练集；将模型训练集数据作为输入数据训练典型相关树模型，训练完成后利用权重训练集计算并得到每颗典型相关树的权重，得到改进典型相关森林模型；
其中，改进典型相关森林的具体训练过程包括以下步骤：
1)对模型训练样本集进行Bootstrap抽样，形成多个子训练集；
2)利用典型相关分析对子训练集数据特征与标签间关系进行分析，得到典型相关系数及投影特征空间，并将子训练集原始数据特征投影至投影空间；
令输入子样本集的训练数据集为X，标签数据集为Y，样本类别数为K，训练样本数为n，由于样本标签Y是非数字标签，需先将其转换成形如{1,2,......，K}的数字标签yik＝1表样本i属于第k类，i＝{1,2,…,n}，k＝{1,2,…,K}，典型相关分析公式表示为：
式中，Cxx是特征数据集X的协方差阵，Cyy是标签数据集y的协方差阵，Cxy是数据集X与y的协方差阵，λ为典型相关系数，Wx、Wy对应于和y的投影矩阵，通过对上式求解广义特征值问题即可得到转换后的特征数据集投影矩阵Wx，样本标签集投影矩阵Wy则由等式/>求得；
3)在投影特征空间内从可能的候选集合中使用穷尽搜索选择最佳分割，以完成超平面分裂，采用节点熵的信息增益率作为杂质判据，选择能够减少杂质的分割，信息增益率公式如下：
式中，ωp表示落入节点p分区内训练点的索引，Y(ωp,:)为落入节点p分区内训练点的标签数据集，δi为投影空间内特征数据集中的一个特征，i＝{1,2,…,a}(a为投影空间内特征个数)，每个离散特征δi的取值范围为v1到(mi为特征δi取值的个数)，pk为第k类在节点处的概率，p(vi,j)为特征δi值为vj的概率，p(k|vi,j)为在特征δi值为vj的条件下是第k类的概率，GR(Y(ωp,:),δi)为节点p上特征δi的信息增益率；
4)对每颗典型相关树模型进行独立训练生成单颗典型相关树，初始化典型相关树权重为其中/>为第i颗典型相关树的初始权重，T为典型相关森林中树总量，对所有典型相关树进行集成得到典型相关森林；
5)输入权重训练集进行预测，利用后验概率得到每棵树的权重，将低于1/2权重平均值的典型相关树赋值为0，并对其余树重新进行权重赋值，以减少树的数量，权重计算公式如下：
其中，pi为第i颗典型相关树的错误率(即后验概率)，errori为第i颗树分类错误的样本数量，N为权重训练集样本总量，wi为第i颗典型相关树的权值；
6)对每棵树的结果进行加权投票，获得分类结果：
其中，ti(x)为第i颗典型相关树对测试样本x的分类结果，c为K个类别中的某类别，表示取权重总和最大值其对应的类别，R(x)为测试样本x加权投票后的最终分类结果；
(5)利用测试集对模型进行精度验证并对每颗典型相关树权值进行重新调整，测试集第i颗树权重公式如下：
其中，pi'为测试集中第i颗典型相关树的错误率，errori'为测试集中第i颗树分类错误的数量，N'为测试集样本总量，wi'为测试集中第i颗典型相关树的权值，则权重调整公式为：
(6)将待识别卫星影像进行预处理后输入，利用改进典型相关森林模型进行识别并输出海雾识别图像，二值化处理后得到海雾识别二值图像。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (3)
1.一种基于MODIS卫星数据的海雾探测方法，其特征在于，包括以下步骤：
(1)对MODIS卫星数据进行辐射校正、太阳天顶角矫正、亮温计算、几何校正以及影像裁剪与拼接预处理操作，得到Tiff格式海域数据；
(2)对所得到的海域数据提取1,2,3,4,5,7,17,18,19,20,26,29,31,32,35波段作为输入特征；
(3)构建地物样本集，根据目视解译并结合CALIOP VFM卫星数据进行地物样本选取，样本标签划分为中高云、低云、海雾及海表四类；按照4:1的比例将样本集随机分为训练集及测试集，其中，训练集包括用于训练典型相关森林模型的模型训练集以及用于计算权重信息的权重训练集；
(4)按照7:3的比例将训练集样本随机分为模型训练集与权重训练集；将模型训练集数据作为输入数据训练典型相关树模型，训练完成后利用权重训练集计算并得到每棵典型相关树的权重，得到改进典型相关森林模型；
所述改进典型相关森林的具体训练过程包括以下步骤：
(4.1)对模型训练样本集进行Bootstrap抽样，形成多个子训练集；
(4.2)利用典型相关分析对子训练集数据特征与标签间关系进行分析，得到典型相关系数及投影特征空间，并将子训练集原始数据特征投影至投影空间；
令输入子样本集的训练数据集为X，标签数据集为Y，样本类别数为K，训练样本数为n，由于样本标签Y是非数字标签，需先将其转换成形如{1,2,......，K}的数字标签，yik＝1表样本i属于第k类，i＝{1,2,L,n}，k＝{1,2,L,K}；典型相关分析公式表示为：
式中，Cxx是特征数据集X的协方差阵，Cyy是标签数据集y的协方差阵，Cxy是数据集X与y的协方差阵，λ为典型相关系数，Wx、Wy对应于和y的投影矩阵，通过对上式求解广义特征值问题即可得到转换后的特征数据集投影矩阵Wx，样本标签集投影矩阵Wy则由等式求得；
(4.3)在投影特征空间内从可能的候选集合中使用穷尽搜索选择最佳分割，以完成超平面分裂；
(4.4)对每棵典型相关树模型进行独立训练生成单棵典型相关树，初始化典型相关树权重为其中/>为第i棵典型相关树的初始权重，T为典型相关森林中树总量，对所有典型相关树进行集成得到典型相关森林；
(4.5)输入权重训练集进行预测，利用后验概率得到每棵树的权重，将低于1/2权重平均值的典型相关树赋值为0，并对其余树重新进行权重赋值，以减少树的数量，权重计算公式如下：
式中，pi为第i棵典型相关树的错误率，即后验概率，errori为第i棵树分类错误的样本数量，N为权重训练集样本总量，wi为第i棵典型相关树的权值；
(4.6)对每棵树的结果进行加权投票，获得分类结果：
式中，ti(x)为第i棵典型相关树对测试样本x的分类结果，c为K个类别中的某类别，表示取权重总和最大值其对应的类别，R(x)为测试样本x加权投票后的最终分类结果；
(5)利用测试集对模型进行精度验证并对每棵典型相关树的权值进行重新调整；
(6)将待识别卫星影像进行预处理后输入，利用改进典型相关森林模型进行识别并输出海雾识别图像，二值化处理后得到海雾识别二值图像。
2.根据权利要求1所述的一种基于MODIS卫星数据的改进典型相关森林海雾探测方法，其特征在于，在步骤(4.3)中，采用节点熵的信息增益率作为节点分裂的杂质判据，分裂准则以划分后数据集杂质更少为目标，信息增益率公式如下：
式中，ωp表示落入节点p分区内训练点的索引，Y(ωp,:)为落入节点p分区内训练点的标签数据集，δi为投影空间内特征数据集中的一个特征，i＝{1,2,L,a}，a为投影空间内特征个数，每个离散特征δi的取值范围为v1到mi为特征δi取值的个数，pk为第k类在节点处的概率，p(vi,j)为特征δi值为vj的概率，p(k|vi,j)为在特征δi值为vj的条件下是第k类的概率，GR(Y(ωp,:),δi)为节点p上特征δi的信息增益率。
3.根据权利要求1所述的一种基于MODIS卫星数据的改进典型相关森林海雾探测方法，其特征在于，在步骤(5)中，测试集第i棵树权重公式如下：
式中，p'i为测试集中第i棵典型相关树的错误率，errori'为测试集中第i棵树分类错误的数量，N'为测试集样本总量，w'i为测试集中第i棵典型相关树的权值，则权重调整公式为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111280523.2A CN114022782B (zh) | 2021-11-01 | 2021-11-01 | 一种基于modis卫星数据的海雾探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111280523.2A CN114022782B (zh) | 2021-11-01 | 2021-11-01 | 一种基于modis卫星数据的海雾探测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114022782A CN114022782A (zh) | 2022-02-08 |
| CN114022782B true CN114022782B (zh) | 2024-05-10 |
Family
ID=80059286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111280523.2A Active CN114022782B (zh) | 2021-11-01 | 2021-11-01 | 一种基于modis卫星数据的海雾探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114022782B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115205693B (zh) * | 2022-09-16 | 2022-12-02 | 中国石油大学(华东) | 一种多特征集成学习的双极化sar影像浒苔提取方法 |
| CN117911884A (zh) * | 2023-06-13 | 2024-04-19 | 兰州大学 | 一种同化fy-4a静止卫星识别非晴空条件下气溶胶的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110208880A (zh) * | 2019-06-05 | 2019-09-06 | 北京邮电大学 | 一种基于深度学习和卫星遥感技术的海雾检测方法 |
| WO2020029327A1 (zh) * | 2018-08-10 | 2020-02-13 | 江南大学 | 一种基于改进随机森林算法的光伏阵列故障诊断方法 |
| CN111091087A (zh) * | 2019-12-12 | 2020-05-01 | 河南理工大学 | 基于多视图协同典型相关森林遥感影像土地覆盖提取算法 |
| WO2021022970A1 (zh) * | 2019-08-05 | 2021-02-11 | 青岛理工大学 | 一种基于多层随机森林的零部件识别方法及系统 |
| CN113393466A (zh) * | 2021-06-18 | 2021-09-14 | 中国石油大学(华东) | 一种用于modis海雾探测的语义分割网络模型 |
| CN113515589A (zh) * | 2021-01-12 | 2021-10-19 | 腾讯科技（深圳）有限公司 | 数据推荐方法、装置、设备以及介质 |
-
2021
- 2021-11-01 CN CN202111280523.2A patent/CN114022782B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020029327A1 (zh) * | 2018-08-10 | 2020-02-13 | 江南大学 | 一种基于改进随机森林算法的光伏阵列故障诊断方法 |
| CN110208880A (zh) * | 2019-06-05 | 2019-09-06 | 北京邮电大学 | 一种基于深度学习和卫星遥感技术的海雾检测方法 |
| WO2021022970A1 (zh) * | 2019-08-05 | 2021-02-11 | 青岛理工大学 | 一种基于多层随机森林的零部件识别方法及系统 |
| CN111091087A (zh) * | 2019-12-12 | 2020-05-01 | 河南理工大学 | 基于多视图协同典型相关森林遥感影像土地覆盖提取算法 |
| CN113515589A (zh) * | 2021-01-12 | 2021-10-19 | 腾讯科技（深圳）有限公司 | 数据推荐方法、装置、设备以及介质 |
| CN113393466A (zh) * | 2021-06-18 | 2021-09-14 | 中国石油大学(华东) | 一种用于modis海雾探测的语义分割网络模型 |
Non-Patent Citations (1)
| Title |
|---|
| 利用静止轨道卫星开展绿潮业务化监测的可行性研究;万剑华;苏婧;盛辉;陈艳拢;;激光生物学报;20180415(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114022782A (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
| CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
| CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
| CN114022782B (zh) | 一种基于modis卫星数据的海雾探测方法 | |
| CN109146889A (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
| CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
| CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
| CN106485239A (zh) | 一种利用单类支持向量机检测河流目标的方法 | |
| CN115965812B (zh) | 无人机影像对湿地植被物种和地物分类的评估方法 | |
| CN108734122B (zh) | 一种基于自适应样本选择的高光谱城区水体检测方法 | |
| CN114266961A (zh) | 一种整合高光谱和多频段全极化sar影像的沼泽植被堆栈集成学习分类方法 | |
| CN116563205A (zh) | 基于小目标检测和改进YOLOv5的麦穗计数检测方法 | |
| CN115272876A (zh) | 一种基于深度学习的遥感图像船舶目标检测方法 | |
| CN115452759A (zh) | 一种基于卫星遥感数据的河湖健康指标评价方法及系统 | |
| CN117725448A (zh) | 气象导航信号特征的聚类分析方法 | |
| CN112966710B (zh) | 基于线性判别分析的fy-3d红外高光谱云检测方法 | |
| CN111738052A (zh) | 基于深度学习的多特征融合高光谱遥感地物分类方法 | |
| CN110751144B (zh) | 一种基于稀疏表示的冠层植物高光谱图像分类方法 | |
| CN115830302A (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| CN112767543B (zh) | 基于逻辑回归的fy-3d红外高光谱云检测方法 | |
| CN114897395A (zh) | 一种风暴潮风险评估与减灾方法 | |
| CN112163454A (zh) | 基于rd谱增强的高频地波雷达杂波智能分类与定位方法 | |
| CN115205853B (zh) | 一种基于图像的柑橘果实检测与识别方法及系统 | |
| CN117828969B (zh) | 一种集成dsm的卫星遥感地表温度智能反演方法与系统 |
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 |