CN114238217B - 土地覆盖样本时空迁移方法、系统 - Google Patents
土地覆盖样本时空迁移方法、系统 Download PDFInfo
- Publication number
- CN114238217B CN114238217B CN202210170717.5A CN202210170717A CN114238217B CN 114238217 B CN114238217 B CN 114238217B CN 202210170717 A CN202210170717 A CN 202210170717A CN 114238217 B CN114238217 B CN 114238217B
- Authority
- CN
- China
- Prior art keywords
- migration
- time
- space
- sample
- 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.)
- Active
Links
- 238000013508 migration Methods 0.000 title claims abstract description 143
- 230000005012 migration Effects 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000013480 data collection Methods 0.000 claims abstract description 13
- 239000002689 soil Substances 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 16
- 238000010276 construction Methods 0.000 abstract description 8
- 235000019580 granularity Nutrition 0.000 abstract description 4
- 230000035945 sensitivity Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F16/10—File systems; File servers
- G06F16/11—File system administration, e.g. details of archiving or snapshots
- G06F16/119—Details of migration of file systems
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种土地覆盖样本时空迁移方法,首先采集用于特征空间构建的多源数据,并对多源数据进行预处理以形成标准化特征数据;再针对高时间敏感特征数据构建用于迁移目标时间尺度的特征时间序列;而后获取低时间敏感特征数据在数据收集时点所对应的收集时点特征;对再特征时间序列和收集时点特征进行归一化处理以形成多维特征空间;再基于多维特征空间完成时间尺度上的样本迁移和空间尺度上的样本迁移,如此,可充分利用多源数据,且样本时空迁移算法自动化程度高,时间尺度上可适用于不同时间粒度(如天、旬、月、季度、年),空间尺度上可推广至全球,可以极大地减少人工解译样本的工作量,有效提高土地覆盖制图效率。
Description
技术领域
本发明涉及遥感影像信息提取领域,更为具体地,涉及一种基于多维特征空间差异性和相似性度量的土地覆盖样本时空迁移方法、系统。
背景技术
精准、连续、实时的土地覆盖数据可为地球系统模式开发、资源管理、生态环境评价等研究提供重要的数据基础。然而,目前土地覆盖制图数据在时空分布范围和变化监测实时性方面均存在局限,高精度且时空连续的样本库的匮乏是导致动态土地覆盖制图难以推进的主要因素之一。
当前有关土地覆盖制图的研究大多依赖于监督学习模型的分类结果,模型训练使用的土地覆盖样本一般基于高空间分辨率遥感影像、目视解译和实地采样等方法进行采集,对人工依赖较强且耗时耗力,效率不高,很难满足大尺度长时序土地覆盖制图研究的需求。为解决样本匮乏的问题,有研究使用已有的公开土地覆盖制图产品生成样本,并利用多套制图产品以及光谱时序过滤器等对自动生成的样本进行筛选,以减少制图产品中错误分类结果对样本标签的影响。然而,这类方法受限于土地覆盖制图产品的生产年份和其固有的分类误差,难以推广至长时序及大尺度的土地覆盖制图研究。基于已有采集样本进行样本生成和迁移是另一种常用的解决样本匮乏问题的方法,这类方法一般通过对比已有样本在采集年份和迁移目标年份的光谱差异性和相似性,将差异性和相似性满足预设条件的样本进行迁移。该方法计算效率高、适用范围广,已被广泛运用于土地覆盖变化监测领域。然而,这类方法仅考虑了样点光谱特征空间的对比,缺少对其他关键特征(如地形、气候等)的考量,且局限在时间尺度上,忽略了空间尺度上的样本迁移。
因此,亟需一种利用多源数据构建多维特征空间,通过对比已有样本在采集和迁移时间空间中多维特征的差异性和相似性,实现样本在时间和空间尺度上的自动迁移复用,为构建高精度且时空连续的样本库提供技术基础,提高土地覆盖制图的效率的土地覆盖样本时空迁移方法、系统。
发明内容
鉴于上述问题,本发明的目的是提供一种土地覆盖样本时空迁移方法,以解决传统方法仅考虑样点光谱特征空间的对比,缺少对其他关键特征(如地形、气候等)的考量,且局限在时间尺度上,忽略空间尺度上的样本迁移的问题。
本发明提供的一种土地覆盖样本时空迁移方法,包括:
采集用于特征空间构建的多源数据,并对所述多源数据进行预处理以形成标准化特征数据;其中,所述标准化特征数据包括高时间敏感特征数据和低时间敏感特征数据;
针对所述高时间敏感特征数据构建用于迁移目标时间尺度的特征时间序列;以及,获取所述低时间敏感特征数据在数据收集时点所对应的收集时点特征;
对所述特征时间序列和所述收集时点特征进行归一化处理以形成多维特征空间;
基于所述多维特征空间完成时间尺度上的样本迁移和空间尺度上的样本迁移。
优选地,所述多源数据至少包括多时间分辨率、多空间分辨率、多光谱分辨率的光学遥感影像,气候数据,用于描述海拔和坡度的地形数据,以及用于描述样点位置的经纬度数据。
优选地,所述预处理至少包括正射校正处理、大气校正处理、几何校正处理、质量筛选处理。
优选地,基于所述多维特征空间完成时间尺度上的样本迁移的过程,包括:
基于所述多维特征空间提取已有样本点在采集时点的采集特征空间;
提取所述已有样本点在迁移目标时点的迁移特征空间,并计算所述迁移特征空间与所述采集特征空间的时点差异性和时点相似性;
根据预设的阈值与所述时点差异性、所述时点相似性判断所述已有样本点是否能够迁移到所述迁移目标时点中,若能够迁移到所述迁移目标时点中,则将所述已有样本点迁移至所述迁移目标时点上,完成时间尺度上的样本迁移。
优选地,在根据预设的阈值与所述时点差异性、所述时点相似性判断所述已有样本点是否能够迁移到所述迁移目标时点中的过程中,
优选地,基于所述多维特征空间完成空间尺度上的样本迁移为所述多维特征空间中在同一时点内不同空间尺度上的样本迁移过程,包括:
在预设的气候生态分区数据产品中获取与已有样本点所在空间具有相似气候生态分区的目标空间;
在所述目标空间中随机生成样点以形成随机样点,提取所述随机样点的随机特征空间,并计算各个类别的随机特征空间的均值空间;
提取所述已有样本点的已有特征空间,并计算所述已有特征空间与所述均值空间的空间差异性和空间相似性;
根据预设的阈值与所述空间差异性、所述空间相似性为所述随机样点进行关于类别标签的自动赋值,完成空间尺度上的样本迁移。
优选地,在根据预设的阈值与所述空间差异性、所述空间相似性为所述随机样点进行关于类别标签的自动赋值的过程中,
另一方面,本发明还提供一种土地覆盖样本时空迁移系统,采用如前所述的土地覆盖样本时空迁移方法进行样本扩充,包括:
数据处理单元,用于采集用于特征空间构建的多源数据,并对所述多源数据进行预处理以形成标准化特征数据;其中,所述标准化特征数据包括高时间敏感特征数据和低时间敏感特征数据;
序列特征获取单元,用于针对所述高时间敏感特征数据构建用于迁移目标时间尺度的特征时间序列;获取所述低时间敏感特征数据在数据收集时点所对应的收集时点特征;
多维特征生成单元,用于对所述特征时间序列和所述收集时点特征进行归一化处理以形成多维特征空间;
时间迁移单元,用于基于所述多维特征空间完成时间尺度上的样本迁移;
空间迁移单元,用于基于所述多维特征空间完成空间尺度上的样本迁移。
从上面的技术方案可知,本发明提供的土地覆盖样本时空迁移方法,首先采集用于特征空间构建的多源数据,并对多源数据进行预处理以形成标准化特征数据;再针对高时间敏感特征数据构建用于迁移目标时间尺度的特征时间序列;而后获取低时间敏感特征数据在数据收集时点所对应的收集时点特征;对再特征时间序列和收集时点特征进行归一化处理以形成多维特征空间;再基于多维特征空间完成时间尺度上的样本迁移和空间尺度上的样本迁移,如此,可充分利用多源数据,且样本时空迁移算法自动化程度高,时间尺度上可适用于不同时间粒度(如天、旬、月、季度、年),空间尺度上可推广至全球,可以极大地减少人工解译样本的工作量,有效提高土地覆盖制图效率。
附图说明
通过参考以下结合附图的说明书内容,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。在附图中:
图1为根据本发明实施例的土地覆盖样本时空迁移方法的步骤流程图;
图2为根据本发明实施例的土地覆盖样本时空迁移方法的流程示意图;
图3为根据本发明实施例的的土地覆盖样本时空迁移系统示意图。
具体实施方式
当前有关土地覆盖制图的研究大多依赖于监督学习模型的分类结果,模型训练使用的土地覆盖样本一般基于高空间分辨率遥感影像、目视解译和实地采样等方法进行采集,对人工依赖较强且耗时耗力,效率不高,很难满足大尺度长时序土地覆盖制图研究的需求。并且,目前较多使用的方法仅考虑了样点光谱特征空间的对比,缺少对其他关键特征(如地形、气候等)的考量,且局限在时间尺度上,忽略了空间尺度上的样本迁移。
针对上述问题,本发明提供一种土地覆盖样本时空迁移方法、系统,以下将结合附图对本发明的具体实施例进行详细描述。
为了说明本发明提供的土地覆盖样本时空迁移方法,图1、图2对本发明实施例的土地覆盖样本时空迁移方法进行了示例性标示;图3对本发明实施例的土地覆盖样本时空迁移系统进行了示例性标示。
以下示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术和设备可能不作详细讨论,但在适当情况下,所述技术和设备应当被视为说明书的一部分。
如图1、图2共同所示,本发明提供的本发明实施例的土地覆盖样本时空迁移方法,包括:
S1:采集用于特征空间构建的多源数据,并对所述多源数据进行预处理以形成标准化特征数据;其中,所述标准化特征数据包括高时间敏感特征数据和低时间敏感特征数据;
S2:针对所述高时间敏感特征数据构建用于迁移目标时间尺度的特征时间序列;以及,获取所述低时间敏感特征数据在数据收集时点所对应的收集时点特征;
S3:对所述特征时间序列和所述收集时点特征进行归一化处理以形成多维特征空间;
S4:基于所述多维特征空间完成时间尺度上的样本迁移和空间尺度上的样本迁移。
在图1、图2共同所示的实施例中,步骤S1为收集多源数据并进行预处理的过程,即采集用于特征空间构建的多源数据,并对多源数据进行预处理以形成标准化特征数据;其中,标准化特征数据包括高时间敏感特征数据和低时间敏感特征数据;在该过程中,该多源数据至少包括多时间分辨率、多空间分辨率、多光谱分辨率的光学遥感影像,气候数据(如气温、降水等),用于描述海拔和坡度的地形数据,以及用于描述样点位置的经纬度数据;该预处理至少包括正射校正处理、大气校正处理、几何校正处理、质量筛选处理,即对收集的多源遥感数据进行预处理,包括正射校正、大气校正、几何校正、质量筛选等以形成标准化特征数据,在该标准化特征数据中,对于光谱和气候等时间敏感性较高的特征即为高时间敏感特征数据;对于地形和位置等时间敏感性较低的特征作为低时间敏感特征数据。
在图1、图2共同所示的实施例中,步骤S2为针对所述高时间敏感特征数据构建用于迁移目标时间尺度的特征时间序列;获取所述低时间敏感特征数据在数据收集时点所对应的收集时点特征的过程;在该过程中,即对于光谱和气候等时间敏感性较高的特征,构建适用于迁移目标时间尺度的特征时间序列(如16天合成时间序列);对于地形和位置等时间敏感性较低的特征,直接获取数据收集时点对应的特征(收集时点特征)。
在图1、图2共同所示的实施例中,步骤S3即为对特征时间序列和收集时点特征进行归一化处理以形成多维特征空间的过程;在该过程中,将步骤S2所获取的特征时间序列和收集时点特征进行归一化处理以形成多维特征空间,如此创建产生多维特征空间。
如上所述,步骤S1-S3即为多源数据构建多维特征空间的过程,在本实施例中,对于收集到的来自不同传感器的多时空谱分辨率的光学遥感影像、气候数据(如气温和降水等)、地形数据(如海拔和坡度等)、位置数据(如经纬度等)等多源数据进行预处理,构建多维特征空间:首先对多源数据中的遥感数据进行正射校正、大气校正、几何校正、质量筛选等,对数据高程模型数据DEM进行处理,获取海拔和坡度等地形特征;对于光谱和气候等时间敏感性较高的特征,构建适用于迁移目标时间尺度的特征时间序列(如年度间的样本迁移可使用16天合成时间序列),对于地形和位置等时间敏感性较低的特征,直接获取数据收集时点对应的特征;对上述两类特征进行归一化,组成多维特征空间。
在图1、图2共同所示的实施例中,步骤S4为基于所述多维特征空间完成时间尺度上的样本迁移和空间尺度上的样本迁移的过程;其中,
SA:基于所述多维特征空间完成时间尺度上的样本迁移的过程,包括:
SA41:基于所述多维特征空间提取已有样本点在采集时点的采集特征空间;
SA42:提取所述已有样本点在迁移目标时点的迁移特征空间,并计算所述迁移特征空间与所述采集特征空间的时点差异性和时点相似性;
SA43:根据预设的阈值与所述时点差异性、所述时点相似性判断所述已有样本点是否能够迁移到所述迁移目标时点中,若能够迁移到所述迁移目标时点中,则将所述已有样本点迁移至所述迁移目标时点上,完成时间尺度上的样本迁移。
在根据预设的阈值与所述时点差异性、所述时点相似性判断所述已有样本点是否能够迁移到所述迁移目标时点中的过程中,
在本实施例中,步骤SA即对于时间尺度上的样本迁移,首先提取已有样本点在采
集时点的特征空间;再提取已有样本点在迁移目标时点的特征空间;而后计算和的差异性和相似性,通过设定的阈值判断该样点能否迁移到目标时点,完成时间尺度上
的样本迁移。
更为具体的,在本实施例中,基于多维特征空间构建结果,对于时间尺度上的样本
迁移,首先提取已有样本点在采集时点的采集特征空间,设其中某一样本点的特征空间;提取这一样本点在迁移目标时点的特征空间;计算和的差异性和相似性,其中:
SB:基于所述多维特征空间完成空间尺度上的样本迁移为所述多维特征空间中在同一时点内不同空间尺度上的样本迁移过程,包括:
SB41:在预设的气候生态分区数据产品中获取与已有样本点所在空间具有相似气候生态分区的目标空间;
SB42:在所述目标空间中随机生成样点以形成随机样点,提取所述随机样点的随机特征空间,并计算各个类别的随机特征空间的均值空间;
SB43:提取所述已有样本点的已有特征空间,并计算所述已有特征空间与所述均值空间的空间差异性和空间相似性;
SB44:根据预设的阈值与所述空间差异性、所述空间相似性为所述随机样点进行关于类别标签的自动赋值,完成空间尺度上的样本迁移。
在根据预设的阈值与所述空间差异性、所述空间相似性为所述随机样点进行关于类别标签的自动赋值的过程中,
在本实施例中,步骤SB即为对于同一时点内空间尺度上的样本迁移,首先基于气
候生态分区数据产品,获取与已有样本点所在空间具有相似气候生态分区的目标空间;再
在目标空间随机生成样点以形成随机样点,并提取特征空间;而后提取已有样本点的特
征空间,计算各类别样本特征空间的均值空间;再计算与中各类别样本特征
均值空间的差异性和相似性,通过设定的阈值为随机样点进行类别标签的自动赋值,完成
空间尺度上的样本迁移。
更为具体的,在本实施例中,基于多维特征空间构建结果,对于同一时点内空间尺
度上的样本迁移,首先基于气候生态分区数据产品RESOLVE Ecoregions,获取与已有样本
点所在空间具有相似气候生态分区的目标空间;在目标空间随机生成样点以形成随机
样点,并提取随机生成的其中某一样点的特征空间;并提
取已有样本点各点的特征空间,计算所随机生成的各类别
样本特征空间的均值空间,其中为样本的类别数量;再
计算与中各类别样本特征均值空间的差异性和相似性,
综上所述,本发明提供的土地覆盖样本时空迁移方法,首先采集用于特征空间构建的多源数据,并对多源数据进行预处理以形成标准化特征数据;再针对高时间敏感特征数据构建用于迁移目标时间尺度的特征时间序列;而后获取低时间敏感特征数据在数据收集时点所对应的收集时点特征;对再特征时间序列和收集时点特征进行归一化处理以形成多维特征空间;再基于多维特征空间完成时间尺度上的样本迁移和空间尺度上的样本迁移,如此,可充分利用多源数据,且样本时空迁移算法自动化程度高,时间尺度上可适用于不同时间粒度(如天、旬、月、季度、年),空间尺度上可推广至全球,可以极大地减少人工解译样本的工作量,有效提高土地覆盖制图效率。
如图3所示,本发明还提供一种土地覆盖样本时空迁移系统100,采用如前所述的土地覆盖样本时空迁移方法进行样本扩充,包括:
数据处理单元101,用于采集用于特征空间构建的多源数据,并对所述多源数据进行预处理以形成标准化特征数据;其中,所述标准化特征数据包括高时间敏感特征数据和低时间敏感特征数据;
序列特征获取单元102,用于针对所述高时间敏感特征数据构建用于迁移目标时间尺度的特征时间序列;获取所述低时间敏感特征数据在数据收集时点所对应的收集时点特征;
多维特征生成单元103,用于对所述特征时间序列和所述收集时点特征进行归一化处理以形成多维特征空间;
时间迁移单元104,用于基于所述多维特征空间完成时间尺度上的样本迁移;
空间迁移单元105,用于基于所述多维特征空间完成空间尺度上的样本迁移。
具体的详细步骤在此不作限制,可参照如上所述的土地覆盖样本时空迁移的实施例,在此不作赘述。
如上所述,本发明提供的土地覆盖样本时空迁移系统,首先通过数据处理单元101采集用于特征空间构建的多源数据,并对多源数据进行预处理以形成标准化特征数据;再序列特征获取单元102针对高时间敏感特征数据构建用于迁移目标时间尺度的特征时间序列;而后获取低时间敏感特征数据在数据收集时点所对应的收集时点特征;再通过多维特征生成单元103对特征时间序列和收集时点特征进行归一化处理以形成多维特征空间;而后通过时间迁移单元104、空间迁移单元105基于多维特征空间完成时间尺度上的样本迁移和空间尺度上的样本迁移,如此,可充分利用多源数据,且样本时空迁移算法自动化程度高,时间尺度上可适用于不同时间粒度(如天、旬、月、季度、年),空间尺度上可推广至全球,可以极大地减少人工解译样本的工作量,有效提高土地覆盖制图效率。
如上参照附图以示例的方式描述了根据本发明提出的土地覆盖样本时空迁移方法、系统。但是,本领域技术人员应当理解,对于上述本发明所提出的土地覆盖样本时空迁移方法、系统,还可以在不脱离本发明内容的基础上做出各种改进。因此,本发明的保护范围应当由所附的权利要求书的内容确定。
Claims (8)
1.一种土地覆盖样本时空迁移方法,其特征在于,包括:
采集用于特征空间构建的多源数据,并对所述多源数据进行预处理以形成标准化特征数据;其中,所述标准化特征数据包括高时间敏感特征数据和低时间敏感特征数据;
针对所述高时间敏感特征数据构建用于迁移目标时间尺度的特征时间序列;以及,获取所述低时间敏感特征数据在数据收集时点所对应的收集时点特征;
对所述特征时间序列和所述收集时点特征进行归一化处理以形成多维特征空间;
基于所述多维特征空间完成时间尺度上的样本迁移和空间尺度上的样本迁移;其中,基于所述多维特征空间完成空间尺度上的样本迁移为所述多维特征空间中在同一时点内不同空间尺度上的样本迁移过程,包括:
在预设的气候生态分区数据产品中获取与已有样本点所在空间具有相似气候生态分区的目标空间;
在所述目标空间中随机生成样点以形成随机样点,提取所述随机样点的随机特征空间,并计算各个类别的随机特征空间的均值空间;
提取所述已有样本点的已有特征空间,并计算所述已有特征空间与所述均值空间的空间差异性和空间相似性;
根据预设的阈值与所述空间差异性、所述空间相似性为所述随机样点进行关于类别标签的自动赋值,完成空间尺度上的样本迁移;
2.如权利要求1所述的土地覆盖样本时空迁移方法,其特征在于,
所述多源数据至少包括多时间分辨率、多空间分辨率、多光谱分辨率的光学遥感影像,气候数据,用于描述海拔和坡度的地形数据,以及用于描述样点位置的经纬度数据。
3.如权利要求2所述的土地覆盖样本时空迁移方法,其特征在于,
所述预处理至少包括正射校正处理、大气校正处理、几何校正处理、质量筛选处理。
4.如权利要求1所述的土地覆盖样本时空迁移方法,其特征在于,基于所述多维特征空间完成时间尺度上的样本迁移的过程,包括:
基于所述多维特征空间提取已有样本点在采集时点的采集特征空间;
提取所述已有样本点在迁移目标时点的迁移特征空间,并计算所述迁移特征空间与所述采集特征空间的时点差异性和时点相似性;
根据预设的阈值与所述时点差异性、所述时点相似性判断所述已有样本点是否能够迁移到所述迁移目标时点中,若能够迁移到所述迁移目标时点中,则将所述已有样本点迁移至所述迁移目标时点上,完成时间尺度上的样本迁移。
8.一种土地覆盖样本时空迁移系统,采用如权利要求1-7中任一项所述的土地覆盖样本时空迁移方法进行样本扩充,包括:
数据处理单元,用于采集用于特征空间构建的多源数据,并对所述多源数据进行预处理以形成标准化特征数据;其中,所述标准化特征数据包括高时间敏感特征数据和低时间敏感特征数据;
序列特征获取单元,用于针对所述高时间敏感特征数据构建用于迁移目标时间尺度的特征时间序列;获取所述低时间敏感特征数据在数据收集时点所对应的收集时点特征;
多维特征生成单元,用于对所述特征时间序列和所述收集时点特征进行归一化处理以形成多维特征空间;
时间迁移单元,用于基于所述多维特征空间完成时间尺度上的样本迁移;
空间迁移单元,用于基于所述多维特征空间完成空间尺度上的样本迁移。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210170717.5A CN114238217B (zh) | 2022-02-24 | 2022-02-24 | 土地覆盖样本时空迁移方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210170717.5A CN114238217B (zh) | 2022-02-24 | 2022-02-24 | 土地覆盖样本时空迁移方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114238217A CN114238217A (zh) | 2022-03-25 |
CN114238217B true CN114238217B (zh) | 2022-05-20 |
Family
ID=80748071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210170717.5A Active CN114238217B (zh) | 2022-02-24 | 2022-02-24 | 土地覆盖样本时空迁移方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114238217B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652264A (zh) * | 2020-04-13 | 2020-09-11 | 西安理工大学 | 基于最大均值差异的负迁移样本筛选方法 |
CN113380255A (zh) * | 2021-05-19 | 2021-09-10 | 浙江工业大学 | 一种基于迁移训练的声纹识别中毒样本生成方法 |
CN113886630A (zh) * | 2021-09-30 | 2022-01-04 | 武汉大学 | 基于迁移学习的多源异构遥感样本库构建方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109710636B (zh) * | 2018-11-13 | 2022-10-21 | 广东工业大学 | 一种基于深度迁移学习的无监督工业系统异常检测方法 |
-
2022
- 2022-02-24 CN CN202210170717.5A patent/CN114238217B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652264A (zh) * | 2020-04-13 | 2020-09-11 | 西安理工大学 | 基于最大均值差异的负迁移样本筛选方法 |
CN113380255A (zh) * | 2021-05-19 | 2021-09-10 | 浙江工业大学 | 一种基于迁移训练的声纹识别中毒样本生成方法 |
CN113886630A (zh) * | 2021-09-30 | 2022-01-04 | 武汉大学 | 基于迁移学习的多源异构遥感样本库构建方法及装置 |
Non-Patent Citations (1)
Title |
---|
零样本学习进展研究;徐曼馨 等;《数学建模及其应用》;20210930;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114238217A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bauer et al. | Satellite inventory of Minnesota forest resources | |
Sousa et al. | Identification of upwelling areas on sea surface temperature images using fuzzy clustering | |
Blasch et al. | Multitemporal soil pattern analysis with multispectral remote sensing data at the field-scale | |
CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
CN109063660B (zh) | 一种基于多光谱卫星影像的作物识别方法 | |
Sekertekin et al. | Modeling diurnal Land Surface Temperature on a local scale of an arid environment using artificial Neural Network (ANN) and time series of Landsat-8 derived spectral indexes | |
CN111598048A (zh) | 一种融合高分遥感影像和街景影像的城中村识别方法 | |
Bue et al. | Automated labeling of materials in hyperspectral imagery | |
CN112001121B (zh) | 基于太阳辐射的大面积平缓地区预测性土壤制图方法 | |
CN112800827A (zh) | 高光谱图像分类实验方法 | |
Mallick et al. | Spatial stochastic model for predicting soil organic matter using remote sensing data | |
CN114266932A (zh) | 一种基于自学习的遥感多光谱数据半监督标注方法 | |
Colkesen et al. | Multi-seasonal evaluation of hybrid poplar (P. Deltoides) plantations using Worldview-3 imagery and state-of-the-art ensemble learning algorithms | |
CN117171533B (zh) | 一种地理测绘作业数据实时采集处理方法及系统 | |
Mohamed et al. | Change detection techniques using optical remote sensing: a survey | |
Stević et al. | Automated identification of land cover type using multispectral satellite images | |
Li et al. | Incorporating environmental variables into spatiotemporal fusion model to reconstruct high-quality vegetation index data | |
CN114238217B (zh) | 土地覆盖样本时空迁移方法、系统 | |
Osei et al. | Long term monitoring of Ghana’s forest reserves Using Google Earth Engine | |
CN115797802A (zh) | 基于3s技术的作物种植结构精细化监测分析方法 | |
Simarmata et al. | Application of Spot6/7 Satellite Imagery for Rice Field Mapping Based on Transformative Vegetation Indices | |
Zakeri et al. | Synthesizing long-term satellite imagery consistent with climate data: Application to daily snow cover | |
Ouchra et al. | Comparing Unsupervised Land Use Classification of Landsat 8 OLI Data Using K-means and LVQ Algorithms in Google Earth Engine: A Case Study of Casablanca. | |
Zhao et al. | Identification of remote sensing-based land cover types combining nearest-neighbor classification and SEaTH algorithm |
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 |