CN114414090B - 基于遥感影像和多层感知的地表温度预测方法及系统 - Google Patents
基于遥感影像和多层感知的地表温度预测方法及系统 Download PDFInfo
- Publication number
- CN114414090B CN114414090B CN202111531294.7A CN202111531294A CN114414090B CN 114414090 B CN114414090 B CN 114414090B CN 202111531294 A CN202111531294 A CN 202111531294A CN 114414090 B CN114414090 B CN 114414090B
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- features
- remote sensing
- scale
- temperature prediction
- 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
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于遥感影像和多层感知的地表温度预测方法及系统,其中该方法包括:由输入的遥感影像生成多尺度地理语义类别图;采用多层局部地表特征提取器从多尺度地理语义类别图提取多尺度地表特征;将多尺度地表特征进行拼接,输入多层感知机得到地表整合特征;采用第一多层感知机从输入的AF数据提取特征;将地表整合特征与提取的AF特征进行拼接,输入特征解码器得到地表温度预测;训练时在各尺度地表特征后增加独立预测分支,联合训练;由此,通过多层级地理语义信息的利用及物理过程的引导,能够生成高精准度的城市地表温度预测并具高泛化性,从而为城市的规划与建设提供信息支撑。
Description
技术领域
本发明涉及遥感技术领域,特别涉及一种基于遥感影像和多层感知的地表温度预测方法和一种基于遥感影像和多层感知的地表温度预测系统。
背景技术
相关技术中,现有的城市地表温度预测方法主要有两类,一类是基于动态物理过程的,例如通过模拟城市冠层和大气边界层之间的动态过程来求解温度场,但这类方法受限于模型所使用的物理过程、参数化的准确性及城市地表特征数据集的可用性,同时需要巨大的算力也因此精度不高;另一类是基于统计的,例如通过建立地表温度与各种可观测数据(如气象因子、地表覆盖与植被指数等)之间的联系来求解温度,但这类方法受限于模型的复杂程度、数据的可用及可靠性、特征选择的不确定性及物理过程的缺失,泛化性较差,准确性不高。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此,本发明的一个目的在于提出一种基于遥感影像和多层感知的地表温度预测方法,通过多层级地理语义信息的利用及物理过程的引导,能够生成高精准度的城市地表温度预测并具高泛化性,从而为城市的规划与建设提供信息支撑。
本发明的第二个目的在于提出一种基于遥感影像和多层感知的地表温度预测系统。
为达到上述目的,本发明第一方面实施例提出了一种基于遥感影像和多层感知的地表温度预测方法,包括以下步骤:获取遥感影像、AF数据和真实地表温度分布数据,对所述遥感影像进行处理以得到多尺度地理语义类别图,并将所述AF数据、所述真实地表温度分布数据和所述多尺度地理语义类别图作为训练集数据;构建地表温度预测模型,其中,所述地表温度预测模型包括多层局部地表特征提取器和多个多层感知机;将所述训练集数据输入到所述地表温度预测模型进行训练,以得到训练好的地表温度预测模型;获取待预测的遥感影像和AF数据,对所述待预测的遥感影像进行处理以得到待预测的多尺度地理语义类别图,并将所述待预测的多尺度地理语义类别图和AF数据输入到所述训练好的地表温度预测模型以得到所述遥感影像对应的地表温度。
根据本发明实施例的基于遥感影像和多层感知的地表温度预测方法,首先,获取遥感影像、AF数据和真实地表温度分布数据,对遥感影像进行处理以得到多尺度地理语义类别图,并将AF数据、真实地表温度分布数据和多尺度地理语义类别图作为训练集数据;接着,构建地表温度预测模型,其中,地表温度预测模型包括多层局部地表特征提取器和多个多层感知机;然后,将训练集数据输入到地表温度预测模型进行训练,以得到训练好的地表温度预测模型;然后,获取待预测的遥感影像和AF数据,对待预测的遥感影像进行处理以得到待预测的多尺度地理语义类别图,并将待预测的多尺度地理语义类别图和AF数据输入到训练好的地表温度预测模型以得到遥感影像对应的地表温度;由此,通过多层级地理语义信息的利用及物理过程的引导,能够生成高精准度的城市地表温度预测并具高泛化性,从而为城市的规划与建设提供信息支撑。
另外,根据本发明上述实施例提出的基于遥感影像和多层感知的地表温度预测方法还可以具有如下附加的技术特征:
可选地,对所述遥感影像进行处理以得到多尺度地理语义类别图,包括:预定义多个与温度相关的地理语义标签;采用深度图像分类网络根据所述预定义多个与温度相关的地理语义标签对输入的所述遥感影像进行逐像素分类;对分类后的所述遥感影像进行逐像素one-hot编码;对编码后的所述遥感影像进行核心及步长为n×n的平均池化,得到所述遥感影像对应的地理语义类别图,其中n×n为所述地理语义类别图的精度;以待预测点位为中心从所述地理语义类别图截取一系列尺寸由小到大的子图,以得到所述多尺度地理语义类别图。
可选地,将所述训练集数据输入到所述地表温度预测模型进行训练,以得到训练好的地表温度预测模型,包括:采用多层局部地表特征提取器从所述多尺度地理语义类别图提取多尺度地表特征;将所述多尺度地表特征的每个尺度地表特征进行拼接,并输入到第三多层感知机以得到地表整合特征;采用第一多层感知机从输入的AF数据提取特征,以得到AF特征;将所述地表整合特征与所述AF特征进行拼接后输入到第二多层感知机以得到所述遥感影像对应的地表温度预测结果,以便通过所述地表温度预测结果和所述真实地表温度分布数据进行比较以得到第一损失值;采用二维经验模态分解算法对所述真实地表温度分布数据进行分解,以得到不同精度的多精度地表温度分布数据;采用多个与所述第一多层感知机结构相同参数不同的多层感知机分别对AF数据进行特征提取,以得到对应的多个AF特征;将所述多尺度地表特征分别与所述多个AF特征进行一一拼接以输入到与所述第二多层感知机结构相同参数不同的多个多层感知机以得到对应的多个地表温度预测结果,以便通过所述多个地表温度预测结果与所述多精度地表温度分布数据进行一一比较以得到多个第二损失值;根据所述第一损失值和所述多个第二损失值确定训练后的地表温度预测模型是否收敛,以便在确定所述训练后的地表温度预测模型收敛后完成训练。
可选地,将所述待预测的多尺度地理语义类别图和AF数据输入到所述训练好的地表温度预测模型以得到所述遥感影像对应的地表温度,包括:采用多层局部地表特征提取器从所述待预测的多尺度地理语义类别图提取待预测的多尺度地表特征;将所述待预测的多尺度地表特征的每个尺度地表特征进行拼接,并输入到第三多层感知机以得到待预测的地表整合特征;采用第一多层感知机从输入的AF数据提取特征,以得到AF特征;将所述待预测的地表整合特征与所述AF特征进行拼接后输入到第二多层感知机以得到所述待预测的遥感影像对应的地表温度预测结果。
可选地,所述多层局部地表特征提取器中的每个局部地表特征提取器为五阶段的深度残差网络。
为达到上述目的,本发明第二方面实施例提出了一种基于遥感影像和多层感知的地表温度预测系统,包括:获取模块,所述获取模块用于获取遥感影像、AF数据和真实地表温度分布数据,对所述遥感影像进行处理以得到多尺度地理语义类别图,并将所述AF数据、所述真实地表温度分布数据和所述多尺度地理语义类别图作为训练集数据;模型构建模块,所述模型构建模块用于构建地表温度预测模型,其中,所述地表温度预测模型包括多层局部地表特征提取器和多个多层感知机;训练模块,所述训练模块用于将所述训练集数据输入到所述地表温度预测模型进行训练,以得到训练好的地表温度预测模型;预测输出模块,所述预测输出模块用于获取待预测的遥感影像和AF数据,对所述待预测的遥感影像进行处理以得到待预测的多尺度地理语义类别图,并将所述待预测的多尺度地理语义类别图和AF数据输入到所述训练好的地表温度预测模型以得到所述遥感影像对应的地表温度。
根据本发明实施例的基于遥感影像和多层感知的地表温度预测系统,通过设置获取模块用于获取遥感影像、AF数据和真实地表温度分布数据,对遥感影像进行处理以得到多尺度地理语义类别图,并将AF数据、真实地表温度分布数据和多尺度地理语义类别图作为训练集数据;模型构建模块用于构建地表温度预测模型,其中,地表温度预测模型包括多层局部地表特征提取器和多个多层感知机;训练模块用于将训练集数据输入到地表温度预测模型进行训练,以得到训练好的地表温度预测模型;预测输出模块用于获取待预测的遥感影像和AF数据,对待预测的遥感影像进行处理以得到待预测的多尺度地理语义类别图,并将待预测的多尺度地理语义类别图和AF数据输入到训练好的地表温度预测模型以得到遥感影像对应的地表温度;由此,通过多层级地理语义信息的利用及物理过程的引导,能够生成高精准度的城市地表温度预测并具高泛化性,从而为城市的规划与建设提供信息支撑。
另外,根据本发明上述实施例提出的基于遥感影像和多层感知的地表温度预测系统还可以具有如下附加的技术特征:
可选地,所述获取模块还用于,预定义多个与温度相关的地理语义标签;采用深度图像分类网络根据所述预定义多个与温度相关的地理语义标签对输入的所述遥感影像进行逐像素分类;对分类后的所述遥感影像进行逐像素one-hot编码;对编码后的所述遥感影像进行核心及步长为n×n的平均池化,得到所述遥感影像对应的地理语义类别图,其中n×n为所述地理语义类别图的精度;以待预测点位为中心从所述地理语义类别图截取一系列尺寸由小到大的子图,以得到所述多尺度地理语义类别图。
可选地,所述训练模块还用于,采用多层局部地表特征提取器从所述多尺度地理语义类别图提取多尺度地表特征;将所述多尺度地表特征的每个尺度地表特征进行拼接,并输入到第三多层感知机以得到地表整合特征;采用第一多层感知机从输入的AF数据提取特征,以得到AF特征;将所述地表整合特征与所述AF特征进行拼接后输入到第二多层感知机以得到所述遥感影像对应的地表温度预测结果,以便通过所述地表温度预测结果和所述真实地表温度分布数据进行比较以得到第一损失值;采用二维经验模态分解算法对所述真实地表温度分布数据进行分解,以得到不同精度的多精度地表温度分布数据;采用多个与所述第一多层感知机结构相同参数不同的多层感知机分别对AF数据进行特征提取,以得到对应的多个AF特征;将所述多尺度地表特征分别与所述多个AF特征进行一一拼接以输入到与所述第二多层感知机结构相同参数不同的多个多层感知机以得到对应的多个地表温度预测结果,以便通过所述多个地表温度预测结果与所述多精度地表温度分布数据进行一一比较以得到多个第二损失值;根据所述第一损失值和所述多个第二损失值确定训练后的地表温度预测模型是否收敛,以便在确定所述训练后的地表温度预测模型收敛后完成训练。
可选地,所述预测输出模块还用于,采用多层局部地表特征提取器从所述待预测的多尺度地理语义类别图提取待预测的多尺度地表特征;将所述待预测的多尺度地表特征的每个尺度地表特征进行拼接,并输入到第三多层感知机以得到待预测的地表整合特征;采用第一多层感知机从输入的AF数据提取特征,以得到AF特征;将所述待预测的地表整合特征与所述AF特征进行拼接后输入到第二多层感知机以得到所述待预测的遥感影像对应的地表温度预测结果。
可选地,所述多层局部地表特征提取器中的每个局部地表特征提取器为五阶段的深度残差网络。
附图说明
图1为根据本发明实施例的基于遥感影像和多层感知的地表温度预测方法的流程示意图;
图2为根据本发明一个实施例的基于遥感影像和多层感知的地表温度预测方法的方框示意图;
图3为根据本发明实施例的遥感影像生成多尺度地理语义类别图(GeographicalSemantic Category Histogram,GSCH)的过程演示图,其中,(a)为某个城市的遥感影像,(b)为对应的地形标签图,(c)为(b)中部分的放大图,(d)为不同地理语义类别的可视化结果,(e)为多尺度地理语义类别图GSCH;
图4为根据本发明实施例的地表温度应用二维经验模态分解(BidimensionalEmpirical Mode Decomposition,BEMD)结果的效果图,其中,(a)为某市的地表温度分布,(b)为分解得到的多精度地表温度分布;
图5为根据本发明实施例的基于遥感影像和多层感知的地表温度预测系统的方框示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1-2所示,该基于遥感影像和多层感知的地表温度预测方法包括以下步骤:
步骤101,获取遥感影像、AF数据和真实地表温度分布数据,对遥感影像进行处理以得到多尺度地理语义类别图,并将AF数据、真实地表温度分布数据和多尺度地理语义类别图作为训练集数据。
作为一个实施例,对遥感影像进行处理以得到多尺度地理语义类别图,包括:
预定义多个与温度相关的地理语义标签;
采用深度图像分类网络根据预定义多个与温度相关的地理语义标签对输入的遥感影像进行逐像素分类;
对分类后的遥感影像进行逐像素one-hot编码;
对编码后的所述遥感影像进行核心及步长为n×n的平均池化,得到遥感影像对应的地理语义类别图,其中n×n为地理语义类别图的精度;
以待预测点位为中心从地理语义类别图截取一系列尺寸由小到大的子图,以得到多尺度地理语义类别图。
需要说明的是,如果直接从遥感影像提取地形特征,网络难以从复杂的图形特征中提取与地表温度预测相关的信息;而多尺度地理语义类别图结构清晰,蕴含了丰富的地表结构信息,能帮助网络更好地感知,捕捉地表结构与温度之间的关联。
作为一个具体实施例,图3展示了由某个城市(福建福州)遥感影像生成多尺度地理语义类别图的过程;其中,图3(a)所示为福州的遥感影像,其每个像素精度为1×1m。
首先预定义五个地理语义标签:水、建筑、植被、土壤及道路;接着使用残差注意力网络(Residual attention network)对遥感影像进行逐像素分类,图3(b)为地形标签图;图3(c)所示为图3(b)的放大图,其每个格子精度为5×5m,图3(d)所示为不同地理语义类别的可视化结果;然后对地形标签图进行逐像素one-hot编码,再然后进行核心及步长为5×5的平均池化,得到地理语义类别图,其每个像素精度为5×5m,每个像素为5维向量,每一维对应一种地形占比;最后对于一个60×60m的区域,以该区域为中心,从地理语义类别图截取尺寸为35×35,45×45,55×55,65×65的四个子图GSCH0-GSCH3,其即为多尺度地理语义类别图;图3(e)为M×M×d的地理语义类别图,其中M×M为该地理语义类别图的尺寸,d为该地理语义类别图每个像素的维度。
步骤102,构建地表温度预测模型,其中,地表温度预测模型包括多层局部地表特征提取器和多个多层感知机。
作为一个实施例,多层局部地表特征提取器中的每个局部地表特征提取器为五阶段的深度残差网络。
步骤103,将训练集数据输入到地表温度预测模型进行训练,以得到训练好的地表温度预测模型。
作为一个实施例,将训练集数据输入到地表温度预测模型进行训练,以得到训练好的地表温度预测模型,包括:
采用多层局部地表特征提取器从所述多尺度地理语义类别图提取多尺度地表特征;
将所述多尺度地表特征的每个尺度地表特征进行拼接,并输入到第三多层感知机以得到地表整合特征;
采用第一多层感知机从输入的AF数据提取特征,以得到AF特征;
将所述地表整合特征与所述AF特征进行拼接后输入到第二多层感知机以得到所述遥感影像对应的地表温度预测结果,以便通过所述地表温度预测结果和所述真实地表温度分布数据进行比较以得到第一损失值;
采用二维经验模态分解算法对所述真实地表温度分布数据进行分解,以得到不同精度的多精度地表温度分布数据;
采用多个与所述第一多层感知机结构相同参数不同的多层感知机分别对AF数据进行特征提取,以得到对应的多个AF特征;
将所述多尺度地表特征分别与所述多个AF特征进行一一拼接以输入到与所述第二多层感知机结构相同参数不同的多个多层感知机以得到对应的多个地表温度预测结果,以便通过所述多个地表温度预测结果与所述多精度地表温度分布数据进行一一比较以得到多个第二损失值;
根据所述第一损失值和所述多个第二损失值确定训练后的地表温度预测模型是否收敛,以便在确定所述训练后的地表温度预测模型收敛后完成训练。
作为一个具体实施例,采用多层局部地表特征提取器对生成的GSCH0-GSCH3进行特征提取,得到4个1024维的地表特征。
需要说明的是,每个局部地表特征提取器为五阶段的深度残差网络,其前四阶段包括两个残差块,第一个残差块由两个顺序的卷积层及残差连接组成,其卷积核均为3x3,步长分别为2和1,二个残差块卷积层的步长均为1;其最后一阶段是一个3x3的卷积层,用于调整输出特征的大小以适应不同尺寸的输入;在每一卷积层后都应用批归一化及线性整流函数;多层局部地表特征提取器能以很高的精度捕捉局部地表特征及空间结构信息与地表温度之间的关联。
将4个1024维的地表特征进行拼接,并输入到第三多层感知机以得到地表整合特征。
采用第一多层感知机对输入的大气外力(Atmospheric Forcing,AF)数据进行特征提取,得到256维的AF特征;该第一多层感知机为五层多层感知机,激活函数为SELU(Scaled Exponential Linear Unit)以防止梯度消失或爆炸;这一步可以看作深度学习对基于过程的物理模型中的物理方程的一种近似解,模仿了物理模型对动态过程的模拟。
下方表1列出了AF变量:
表1
将地表整合特征与AF特征进行拼接后输入到第二多层感知机以得到遥感影像对应的地表温度预测结果,以便通过地表温度预测结果和真实地表温度分布数据进行比较以得到第一损失值。
对真实地表温度分布应用二维经验模态分解算法,获得4个不同精度的地表温度分布数据;
采用4个与第一多层感知机结构相同参数不同的多层感知机分别对AF数据进行特征提取,以得到对应的4个AF特征。
将4个1024维的地表特征分别与4个AF特征进行一一拼接后分别输入到与第二多层感知机结构相同参数不同的4个多层感知机以得到4个地表温度预测结果,以便通过4个地表温度预测结果与4个不同精度的地表温度分布数据进行一一比较以得到4个第二损失值。例如,得到地表特征1-地表特征4,AF特征1-AF特征4,则将地表特征1与AF特征1进行拼接后输入到第二多层感知机1以得到地表温度1,将地表特征2与AF特征2进行拼接后输入到第二多层感知机2以得到地表温度2,将地表特征3与AF特征3进行拼接后输入到第二多层感知机3以得到地表温度3,将地表特征4与AF特征4进行拼接后输入到第二多层感知机4以得到地表温度4;从而得到4个地表温度预测结果。
图4为对福州的地表温度分布应用二维经验模态分解算法的结果,图4(a)为福州的地表温度分布,图4(b)为分解得到的多精度地表温度分布;将拼接后的4个不同尺度对应的特征输入到第二多层感知机,生成多精度地表温度预测值;由小尺度地表特征生成的预测值对应高精度的地表温度分解值;这种方式减少了模型为了习得高异质性的城市地表结构与地表温度之间的非线性变换所需要的复杂关系。
根据第一损失值和4个第二损失值确定训练后的地表温度预测模型是否收敛,以便在确定训练后的地表温度预测模型收敛后完成训练。
也就是说,训练采用端到端的模式,联合各预测分支共同训练;目标函数为预测值与真实值的均方误差及L2正则项,优化算法为Adam,其初始学习率为0.001,衰减系数为0.51/500。
需要说明的是,上述二维经验模态分解算法能将给定的二维函数分解为一系列空间频率由高到低的二维本征模态函数(Bidimensional Intrinsic Mode Function,BIMF)及一个余项,其具体过程为:
S11、给定原始二维函数Z(x,y),x,y∈N,其中x,y为像素点的横纵坐标,设置阈值ε,ζ,最大迭代次数I,当前迭代次数k=0,余项R(x,y)=Z(x,y);
S13、置本轮BIMF候选H(x,y)=R(x,y);
S14、找出H(x,y)的所有极大/小值点;
S15、在极大/小值点集合上运用插值算法求出对应的上包络面U(x,y)和下包络面L(x,y),若极大/小值点的数目不足以求得包络,则停止分解;
S18、置H(x,y)=H(x,y)-M(x,y),转到S14继续执行。
步骤104,获取待预测的遥感影像和AF数据,对待预测的遥感影像进行处理以得到待预测的多尺度地理语义类别图,并将待预测的多尺度地理语义类别图和AF数据输入到训练好的地表温度预测模型以得到遥感影像对应的地表温度。
作为一个实施例,将待预测的多尺度地理语义类别图和AF数据输入到训练好的地表温度预测模型以得到遥感影像对应的地表温度,包括:
采用多层局部地表特征提取器从待预测的多尺度地理语义类别图提取待预测的多尺度地表特征;
将待预测的多尺度地表特征的每个尺度地表特征进行拼接,并输入到第三多层感知机以得到待预测的地表整合特征;
采用第一多层感知机从输入的AF数据提取特征,以得到AF特征;
将待预测的地表整合特征与AF特征进行拼接后输入到第二多层感知机以得到待预测的遥感影像对应的地表温度预测结果。
作为一个具体实施例,需要说明的是,每个局部地表特征提取器为五阶段的深度残差网络,其前四阶段包括两个残差块,第一个残差块由两个顺序的卷积层及残差连接组成,其卷积核均为3x3,步长分别为2和1,二个残差块卷积层的步长均为1;其最后一阶段是一个3x3的卷积层,用于调整输出特征的大小以适应不同尺寸的输入;在每一卷积层后都应用批归一化及线性整流函数;多层局部地表特征提取器能以很高的精度捕捉局部地表特征及空间结构信息与地表温度之间的关联。
拼接多尺度地表特征,得到1024×4的特征图;将特征图输入第三多层感知机得到1024维的地表整合特征,该特征包含多尺度的地理语义类别图信息。
采用第一多层感知机对输入的AF数据进行特征提取,得到256维的AF特征;该AF特征提取器为五层多层感知机,激活函数为SELU(Scaled Exponential Linear Unit)以防止梯度消失或爆炸;这一步可以看作深度学习对基于过程的物理模型中的物理方程的一种近似解,模仿了物理模型对动态过程的模拟。
将地表整合特征与AF特征进行拼接,输入第二多层感知机(特征解码器),得到地表温度预测结果,其中,第二多层感知机为三层多层感知机。
作为一个具体实施例,表2展示了多层级地理语义信息感知的有效性:
表2
k | 广州 | 漳州 | 沈阳 | 平均误差 |
0 | 0.62 | 0.64 | 0.66 | 0.64 |
2 | 0.58 | 0.58 | 0.62 | 0.59 |
3 | 0.56 | 0.56 | 0.59 | 0.57 |
4 | 0.52 | 0.53 | 0.55 | 0.53 |
5 | 0.56 | 0.59 | 0.63 | 0.59 |
其中k表示网络所感知的多尺度GSCH的个数,0表示不使用多层感知。误差为真实数据与预测值之间的均方根误差,单位为开尔文(K)。
如表2所示,使用多层感知,模型的性能有6%的提升。随着网络感知的GSCH个数的增加,当k=4时,最多有17%的提升。这清楚地表明多层级地理语义信息感知使网络更好地学到了地表结构和温度之间的非线性关系。
表3展示了用不同模型预测单个城市未来温度的性能比较;表4展示了用不同模型预测训练集中不存在的城市的地表温度的性能比较;表5列出了表4七个区域中用于训练和预测的城市:
表3
表4
表5
其中表3和表4中的误差为真实数据与预测值之间的均方根误差,单位为开尔文(K)。
其中各个模型的参数设置如下:
线性回归:输入为GSCH和AF的拼接。其中对GSCH矩阵的每个维度进行了平均,即从M×M×d变为1×d,这是为了验证GSCH的有效性。
k近邻回归:近邻数为4,树的最大深度为30。输入特征与线性回归一致。
随机森林回归:决策树的数量为150。
残差网络:基于ResNet50,参数与本方法中残差网络的一致。
表3中,考虑到城市地表在一两年内很少改变,而大气条件随季节变化剧烈,因此对每个城市,6-8成散布四季的数据用于训练,2-4成的数据用于测试。从表中可以看到,传统统计模型的平均误差均大于3.5K,其中线性回归模型表现最差,平均误差达到4.7K,因为地表及大气与温度的关系是复杂且非线性的。k近邻回归和随机森林回归的表现相近,且在不同城市有较大波动。残差网络预测的平均误差为2.38K,而本发明的平均误差仅为1.86K,且在部分城市的的预测误差接近卫星观测误差,这体现了GSCH及多层感知的优越。
表4中,为了展示本发明的可信度,我们在全国大部分大城市上评估了本发明。该部分测试了模型预测训练集中未出现过的城市的能力。对每个区域,2-4个城市,4成属于各个城市散布四季的数据用于训练,剩下的1-2个城市的3-6成数据用于测试。结果显示,随着测试集的增大,各个模型的测试误差都有增加。特别地,传统统计模型的测试结果依旧不稳定,其最大测试误差超过7.05K,平均误差也超过4K。
综上所述,根据本发明实施例的基于遥感影像和多层感知的地表温度预测方法,首先,获取遥感影像、AF数据和真实地表温度分布数据,对遥感影像进行处理以得到多尺度地理语义类别图,并将AF数据、真实地表温度分布数据和多尺度地理语义类别图作为训练集数据;接着,构建地表温度预测模型,其中,地表温度预测模型包括多层局部地表特征提取器和多个多层感知机;然后,将训练集数据输入到地表温度预测模型进行训练,以得到训练好的地表温度预测模型;然后,获取待预测的遥感影像和AF数据,对待预测的遥感影像进行处理以得到待预测的多尺度地理语义类别图,并将待预测的多尺度地理语义类别图和AF数据输入到训练好的地表温度预测模型以得到遥感影像对应的地表温度;由此,通过多层级地理语义信息的利用及物理过程的引导,能够生成高精准度的城市地表温度预测并具高泛化性,从而为城市的规划与建设提供信息支撑。
为了实现上述实施例,本发明实施例提出了一种基于遥感影像和多层感知的地表温度预测系统,如图5所示,该基于遥感影像和多层感知的地表温度预测系统,包括:获取模块10、模型构建模块20、训练模块30和预测输出模块40。
其中,获取模块10用于获取遥感影像、AF数据和真实地表温度分布数据,对遥感影像进行处理以得到多尺度地理语义类别图,并将AF数据、真实地表温度分布数据和多尺度地理语义类别图作为训练集数据,将AF数据和多尺度地理语义类别图作为测试集数据;模型构建模块20用于构建地表温度预测模型,其中,地表温度预测模型包括多层局部地表特征提取器和多个多层感知机;训练模块30用于将训练集数据输入到地表温度预测模型进行训练,以得到训练好的地表温度预测模型;预测输出模块40用于获取待预测的遥感影像和AF数据,对待预测的遥感影像进行处理以得到待预测的多尺度地理语义类别图,并将待预测的多尺度地理语义类别图和AF数据输入到训练好的地表温度预测模型以得到遥感影像对应的地表温度。
在一些实施例中,获取模块10还用于,预定义多个与温度相关的地理语义标签;采用深度图像分类网络根据预定义多个与温度相关的地理语义标签对输入的遥感影像进行逐像素分类;对分类后的遥感影像进行逐像素one-hot编码;对编码后的遥感影像进行核心及步长为n×n的平均池化,得到遥感影像对应的地理语义类别图,其中n×n为地理语义类别图的精度;以待预测点位为中心从地理语义类别图截取一系列尺寸由小到大的子图,以得到多尺度地理语义类别图。
在一些实施例中,训练模块30还用于,采用多层局部地表特征提取器从多尺度地理语义类别图提取多尺度地表特征;将多尺度地表特征的每个尺度地表特征进行拼接,并输入到第三多层感知机以得到地表整合特征;采用第一多层感知机从输入的AF数据提取特征,以得到AF特征;将地表整合特征与AF特征进行拼接后输入到第二多层感知机以得到遥感影像对应的地表温度预测结果,以便通过地表温度预测结果和真实地表温度分布数据进行比较以得到第一损失值;采用二维经验模态分解算法对真实地表温度分布数据进行分解,以得到不同精度的多精度地表温度分布数据;采用多个与第一多层感知机结构相同参数不同的多层感知机分别对AF数据进行特征提取,以得到对应的多个AF特征;将多尺度地表特征分别与多个AF特征进行一一拼接以输入到与第二多层感知机结构相同参数不同的多个多层感知机以得到对应的多个地表温度预测结果,以便通过多个地表温度预测结果与多精度地表温度分布数据进行一一比较以得到多个第二损失值;根据第一损失值和多个第二损失值确定训练后的地表温度预测模型是否收敛,以便在确定训练后的地表温度预测模型收敛后完成训练。
在一些实施例中,预测输出模块40还用于,采用多层局部地表特征提取器从待预测的多尺度地理语义类别图提取待预测的多尺度地表特征;将待预测的多尺度地表特征的每个尺度地表特征进行拼接,并输入到第三多层感知机以得到待预测的地表整合特征;采用第一多层感知机从输入的AF数据提取特征,以得到AF特征;将待预测的地表整合特征与AF特征进行拼接后输入到第二多层感知机以得到待预测的遥感影像对应的地表温度预测结果。
在一些实施例中,多层局部地表特征提取器中的每个局部地表特征提取器为五阶段的深度残差网络。
需要说明的是,前述对于基于遥感影像和多层感知的地表温度预测方法的实施例的解释说明同样适用于本实施例的基于遥感影像和多层感知的地表温度预测系统,此处不再赘述。
综上所述,根据本发明实施例的基于遥感影像和多层感知的地表温度预测系统,通过设置获取模块用于获取遥感影像、AF数据和真实地表温度分布数据,对遥感影像进行处理以得到多尺度地理语义类别图,并将AF数据、真实地表温度分布数据和多尺度地理语义类别图作为训练集数据;模型构建模块用于构建地表温度预测模型,其中,地表温度预测模型包括多层局部地表特征提取器和多个多层感知机;训练模块用于将训练集数据输入到地表温度预测模型进行训练,以得到训练好的地表温度预测模型;预测输出模块用于获取待预测的遥感影像和AF数据,对待预测的遥感影像进行处理以得到待预测的多尺度地理语义类别图,并将待预测的多尺度地理语义类别图和AF数据输入到训练好的地表温度预测模型以得到遥感影像对应的地表温度;由此,通过多层级地理语义信息的利用及物理过程的引导,能够生成高精准度的城市地表温度预测并具高泛化性,从而为城市的规划与建设提供信息支撑。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种基于遥感影像和多层感知的地表温度预测方法,其特征在于,包括以下步骤:
获取遥感影像、AF数据和真实地表温度分布数据,对所述遥感影像进行处理以得到多尺度地理语义类别图,并将所述AF数据、所述真实地表温度分布数据和所述多尺度地理语义类别图作为训练集数据;
构建地表温度预测模型,其中,所述地表温度预测模型包括多层局部地表特征提取器和多个多层感知机;
将所述训练集数据输入到所述地表温度预测模型进行训练,以得到训练好的地表温度预测模型;
获取待预测的遥感影像和AF数据,对所述待预测的遥感影像进行处理以得到待预测的多尺度地理语义类别图,并将所述待预测的多尺度地理语义类别图和AF数据输入到所述训练好的地表温度预测模型以得到所述遥感影像对应的地表温度;
其中,对所述遥感影像进行处理以得到多尺度地理语义类别图,包括:
预定义多个与温度相关的地理语义标签;
采用深度图像分类网络根据所述预定义多个与温度相关的地理语义标签对输入的所述遥感影像进行逐像素分类;
对分类后的所述遥感影像进行逐像素one-hot编码;
对编码后的所述遥感影像进行核心及步长为n×n的平均池化,得到所述遥感影像对应的地理语义类别图,其中n×n为所述地理语义类别图的精度;
以待预测点位为中心从所述地理语义类别图截取一系列尺寸由小到大的子图,以得到所述多尺度地理语义类别图。
2.如权利要求1所述的基于遥感影像和多层感知的地表温度预测方法,其特征在于,将所述训练集数据输入到所述地表温度预测模型进行训练,以得到训练好的地表温度预测模型,包括:
采用多层局部地表特征提取器从所述多尺度地理语义类别图提取多尺度地表特征;
将所述多尺度地表特征的每个尺度地表特征进行拼接,并输入到第三多层感知机以得到地表整合特征;
采用第一多层感知机从输入的AF数据提取特征,以得到AF特征;
将所述地表整合特征与所述AF特征进行拼接后输入到第二多层感知机以得到所述遥感影像对应的地表温度预测结果,以便通过所述地表温度预测结果和所述真实地表温度分布数据进行比较以得到第一损失值;
采用二维经验模态分解算法对所述真实地表温度分布数据进行分解,以得到不同精度的多精度地表温度分布数据;
采用多个与所述第一多层感知机结构相同参数不同的多层感知机分别对AF数据进行特征提取,以得到对应的多个AF特征;
将所述多尺度地表特征分别与所述多个AF特征进行一一拼接以输入到与所述第二多层感知机结构相同参数不同的多个多层感知机以得到对应的多个地表温度预测结果,以便通过所述多个地表温度预测结果与所述多精度地表温度分布数据进行一一比较以得到多个第二损失值;
根据所述第一损失值和所述多个第二损失值确定训练后的地表温度预测模型是否收敛,以便在确定所述训练后的地表温度预测模型收敛后完成训练。
3.如权利要求1所述的基于遥感影像和多层感知的地表温度预测方法,其特征在于,将所述待预测的多尺度地理语义类别图和AF数据输入到所述训练好的地表温度预测模型以得到所述遥感影像对应的地表温度,包括:
采用多层局部地表特征提取器从所述待预测的多尺度地理语义类别图提取待预测的多尺度地表特征;
将所述待预测的多尺度地表特征的每个尺度地表特征进行拼接,并输入到第三多层感知机以得到待预测的地表整合特征;
采用第一多层感知机从输入的AF数据提取特征,以得到AF特征;
将所述待预测的地表整合特征与所述AF特征进行拼接后输入到第二多层感知机以得到所述待预测的遥感影像对应的地表温度预测结果。
4.如权利要求1所述的基于遥感影像和多层感知的地表温度预测方法,其特征在于,所述多层局部地表特征提取器中的每个局部地表特征提取器为五阶段的深度残差网络。
5.一种基于遥感影像和多层感知的地表温度预测系统,其特征在于,包括:
获取模块,所述获取模块用于获取遥感影像、AF数据和真实地表温度分布数据,对所述遥感影像进行处理以得到多尺度地理语义类别图,并将所述AF数据、所述真实地表温度分布数据和所述多尺度地理语义类别图作为训练集数据;
模型构建模块,所述模型构建模块用于构建地表温度预测模型,其中,所述地表温度预测模型包括多层局部地表特征提取器和多个多层感知机;
训练模块,所述训练模块用于将所述训练集数据输入到所述地表温度预测模型进行训练,以得到训练好的地表温度预测模型;
预测输出模块,获取待预测的遥感影像和AF数据,对所述待预测的遥感影像进行处理以得到待预测的多尺度地理语义类别图,并将所述待预测的多尺度地理语义类别图和AF数据输入到所述训练好的地表温度预测模型以得到所述遥感影像对应的地表温度;
其中,所述获取模块还用于,
预定义多个与温度相关的地理语义标签;
采用深度图像分类网络根据所述预定义多个与温度相关的地理语义标签对输入的所述遥感影像进行逐像素分类;
对分类后的所述遥感影像进行逐像素one-hot编码;
对编码后的所述遥感影像进行核心及步长为n×n的平均池化,得到所述遥感影像对应的地理语义类别图,其中n×n为所述地理语义类别图的精度;
以待预测点位为中心从所述地理语义类别图截取一系列尺寸由小到大的子图,以得到所述多尺度地理语义类别图。
6.如权利要求5所述的基于遥感影像和多层感知的地表温度预测系统,其特征在于,所述训练模块还用于,
采用多层局部地表特征提取器从所述多尺度地理语义类别图提取多尺度地表特征;
将所述多尺度地表特征的每个尺度地表特征进行拼接,并输入到第三多层感知机以得到地表整合特征;
采用第一多层感知机从输入的AF数据提取特征,以得到AF特征;
将所述地表整合特征与所述AF特征进行拼接后输入到第二多层感知机以得到所述遥感影像对应的地表温度预测结果,以便通过所述地表温度预测结果和所述真实地表温度分布数据进行比较以得到第一损失值;
采用二维经验模态分解算法对所述真实地表温度分布数据进行分解,以得到不同精度的多精度地表温度分布数据;
采用多个与所述第一多层感知机结构相同参数不同的多层感知机分别对AF数据进行特征提取,以得到对应的多个AF特征;
将所述多尺度地表特征分别与所述多个AF特征进行一一拼接以输入到与所述第二多层感知机结构相同参数不同的多个多层感知机以得到对应的多个地表温度预测结果,以便通过所述多个地表温度预测结果与所述多精度地表温度分布数据进行一一比较以得到多个第二损失值;
根据所述第一损失值和所述多个第二损失值确定训练后的地表温度预测模型是否收敛,以便在确定所述训练后的地表温度预测模型收敛后完成训练。
7.如权利要求5所述的基于遥感影像和多层感知的地表温度预测系统,其特征在于,所述预测输出模块还用于,
采用多层局部地表特征提取器从所述待预测的多尺度地理语义类别图提取待预测的多尺度地表特征;
将所述待预测的多尺度地表特征的每个尺度地表特征进行拼接,并输入到第三多层感知机以得到待预测的地表整合特征;
采用第一多层感知机从输入的AF数据提取特征,以得到AF特征;
将所述待预测的地表整合特征与所述AF特征进行拼接后输入到第二多层感知机以得到所述待预测的遥感影像对应的地表温度预测结果。
8.如权利要求5所述的基于遥感影像和多层感知的地表温度预测系统,其特征在于,所述多层局部地表特征提取器中的每个局部地表特征提取器为五阶段的深度残差网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111531294.7A CN114414090B (zh) | 2021-12-14 | 2021-12-14 | 基于遥感影像和多层感知的地表温度预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111531294.7A CN114414090B (zh) | 2021-12-14 | 2021-12-14 | 基于遥感影像和多层感知的地表温度预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114414090A CN114414090A (zh) | 2022-04-29 |
CN114414090B true CN114414090B (zh) | 2023-04-28 |
Family
ID=81268253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111531294.7A Active CN114414090B (zh) | 2021-12-14 | 2021-12-14 | 基于遥感影像和多层感知的地表温度预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114414090B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114896826B (zh) * | 2022-07-13 | 2022-09-09 | 成都信息工程大学 | 基于物理学结合残差注意力网络的行星边界层参数化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745222A (zh) * | 2013-12-11 | 2014-04-23 | 深圳先进技术研究院 | 一种遥感数据采样的方法及系统 |
CN105303184A (zh) * | 2015-11-25 | 2016-02-03 | 中国矿业大学(北京) | 一种卫星遥感影像中地物精确识别方法 |
CN110866364A (zh) * | 2019-11-20 | 2020-03-06 | 中国科学院遥感与数字地球研究所 | 基于机器学习的地表温度降尺度方法 |
CN111178169A (zh) * | 2019-12-12 | 2020-05-19 | 广州地理研究所 | 一种基于遥感影像的城市地表覆盖物精细分类方法及装置 |
CN111368817A (zh) * | 2020-02-28 | 2020-07-03 | 北京师范大学 | 一种基于地表类型进行热效应定量评价方法及系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007003308A (ja) * | 2005-06-22 | 2007-01-11 | Pasuko:Kk | 地表面温度推定方法及びそのためのプログラム |
CN101634711B (zh) * | 2009-08-24 | 2013-06-05 | 中国农业科学院农业资源与农业区划研究所 | 从modis数据估算近地表空气温度方法 |
CN109800736B (zh) * | 2019-02-01 | 2023-07-21 | 东北大学 | 一种基于遥感影像和深度学习的道路提取方法 |
CN112541613B (zh) * | 2020-11-08 | 2024-04-05 | 上海海洋大学 | 一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法 |
CN112906989B (zh) * | 2021-03-31 | 2023-01-13 | 国家海洋信息中心 | 一种基于cnn-lstm的区域海表面温度预测方法 |
CN113191536A (zh) * | 2021-04-14 | 2021-07-30 | 清华大学 | 基于机器学习的近地面环境要素预测模型训练和预测方法 |
AU2021105120A4 (en) * | 2021-08-09 | 2021-10-07 | Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences | Land surface temperature estimation method based on expert knowledge model data driving and machine learning |
AU2021105183A4 (en) * | 2021-08-11 | 2021-11-18 | Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences | A Method for Estimating Near-surface Air Temperature From Remote Sensing Data Based on Machine Learning |
AU2021105287A4 (en) * | 2021-08-11 | 2021-10-07 | Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences | Method for Simultaneously Retrieving Surface Temperature and Emissivity from Remote Sensing Data Based on Deep Learning |
CN113537645B (zh) * | 2021-08-23 | 2023-11-24 | 苏州憨云智能科技有限公司 | 基于机器学习融合卫星与天气数据的大豆产量预测方法 |
-
2021
- 2021-12-14 CN CN202111531294.7A patent/CN114414090B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745222A (zh) * | 2013-12-11 | 2014-04-23 | 深圳先进技术研究院 | 一种遥感数据采样的方法及系统 |
CN105303184A (zh) * | 2015-11-25 | 2016-02-03 | 中国矿业大学(北京) | 一种卫星遥感影像中地物精确识别方法 |
CN110866364A (zh) * | 2019-11-20 | 2020-03-06 | 中国科学院遥感与数字地球研究所 | 基于机器学习的地表温度降尺度方法 |
CN111178169A (zh) * | 2019-12-12 | 2020-05-19 | 广州地理研究所 | 一种基于遥感影像的城市地表覆盖物精细分类方法及装置 |
CN111368817A (zh) * | 2020-02-28 | 2020-07-03 | 北京师范大学 | 一种基于地表类型进行热效应定量评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114414090A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723732B (zh) | 一种光学遥感图像变化检测方法、存储介质及计算设备 | |
US20150234863A1 (en) | Automated feature extraction from imagery | |
CN112036249B (zh) | 端对端行人检测及属性识别的方法、系统、介质及终端 | |
CN114444791A (zh) | 一种基于机器学习的洪涝灾害遥感监测评估方法 | |
CN110298348A (zh) | 遥感影像建筑物样本区域提取方法及系统、存储介质、设备 | |
CN104268140A (zh) | 基于权重自学习超图和多元信息融合的图像检索方法 | |
CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
CN113269224A (zh) | 一种场景图像分类方法、系统及存储介质 | |
CN114419468A (zh) | 一种结合注意力机制和空间特征融合算法的水田分割方法 | |
CN114414090B (zh) | 基于遥感影像和多层感知的地表温度预测方法及系统 | |
CN113111716A (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
CN114972759A (zh) | 基于分级轮廓代价函数的遥感图像语义分割方法 | |
CN115953612A (zh) | 一种基于ConvNeXt的遥感影像植被分类方法和装置 | |
Masud et al. | Monitoring and predicting landuse/landcover change using an integrated markov chain & multilayer perceptron models: A case study of sahiwal tehsil | |
CN111582102A (zh) | 一种遥感数据地物要素精细化分类方法及装置 | |
CN112132867B (zh) | 一种遥感影像变化检测方法及装置 | |
CN116012709B (zh) | 一种高分辨率遥感影像建筑物提取方法及系统 | |
CN112686184A (zh) | 基于神经网络的遥感房屋变化检测方法 | |
CN111860465A (zh) | 基于超像素的遥感图像提取方法、装置、设备及存储介质 | |
CN116452850A (zh) | 一种基于数据挖掘和深度学习的道路积水区域识别方法 | |
Abdi et al. | A deep transfer learning-based damage assessment on post-event very high-resolution orthophotos | |
CN113963271A (zh) | 用于从遥感图像中识别不透水面的模型及训练模型的方法 | |
Pietro et al. | Automatic identification of residential building features using machine learning techniques | |
CN117496162B (zh) | 一种红外卫星遥感影像薄云去除方法、装置及介质 | |
CN111199283A (zh) | 一种基于卷积循环神经网络的气温预测系统及方法 |
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 |