CN114463623A - 一种基于多尺度遥感影像的耕地变化检测方法及装置 - Google Patents
一种基于多尺度遥感影像的耕地变化检测方法及装置 Download PDFInfo
- Publication number
- CN114463623A CN114463623A CN202111549581.0A CN202111549581A CN114463623A CN 114463623 A CN114463623 A CN 114463623A CN 202111549581 A CN202111549581 A CN 202111549581A CN 114463623 A CN114463623 A CN 114463623A
- Authority
- CN
- China
- Prior art keywords
- vector
- image
- land
- cultivated land
- remote sensing
- 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.)
- Pending
Links
- 230000008859 change Effects 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000013598 vector Substances 0.000 claims abstract description 269
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 230000000007 visual effect Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012805 post-processing Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000006837 decompression Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种基于多尺度遥感影像的耕地变化检测方法及装置，应用于测绘遥感领域，包括：获取待测耕地遥感影像，所述遥感影像不限于中高分辨率影像和高分辨率影像；对所述待测耕地遥感影像进行预处理，得到处理影像，并根据目视解译法对所述处理影像进行解译并标记，得到影像样本，通过卷积神经网络对所述影像样本进行训练，得到耕地监测模型，将所述处理影像输入所述耕地监测模型，并进行后处理，得到耕地矢量；根据叠加分析方法对所述耕地矢量进行分析计算，得到耕地变化矢量范围。本申请通过采用中高分辨率遥感影像和高分辨率遥感影像，结合二者优点，提高了检测结果的准确度，也使得检测结果更加全面，代表性更高。
Description
技术领域
本发明涉及测绘遥感领域，尤其涉及一种基于多尺度遥感影像的耕地变化检测方法及装置。
背景技术
耕地是民生之本，保护并合理利用耕地资源具有重要的意义。随着某些地区经济建设的飞跃发展，占用耕地的现象屡禁不止，而若仅仅靠人工去定期核查大范围区域，则费时、费力、效率低，难以获得实时耕地信息。因此，需要利用现代的技术实现耕地的数量质量实时监测监管。
近年来随着遥感技术的发展，遥感数据具备一定现势性，在耕地监测中有广泛的应用，传统高分辨率耕地变化监测方法，一种是通过人工目视判别方式，手动勾绘变化区域，另一种是应用机器学习、深度学习等模型提取变化范围，以三调数据中的耕地作为掩模，提取耕地变化监测范围，人工目视解译需要耗费大量时间，人力成本较高，很难满足批量业务化需求，而另一种方式中的三调数据，获取较为困难，也存在一定的保密性，所以导致检测结果获得的难易程度较高。
《遥感耕地提取》一文中，基于野外调查数据、谷歌地球影像和GF1-WFV影像，通过目视解译确定耕地解译标志，构建NDVI时间序列模型，采用监督分类SVM和专家决策树相结合，完成耕地提取。
在现有技术中，通常采用高分辨率的遥感影像作为基础，进行耕地变化的检测，同时耕地情况复杂，需要采用多时相方式进行耕地提取，但是高分辨率的遥感影像在时间上效率不高，例如高分2号2019年影像只能全覆盖南京一次，因此不具备提取耕地条件，导致基于该影像进行特征提取或是采取样本训练模型，都存在着一定的误差，从而影响检测结果的准确性。
发明内容
本申请提供了一种基于多尺度遥感影像的耕地变化检测方法及装置，旨在解决上述现有技术中存在的人工操作的误差，数据获取困难以及获取的遥感影像不够具有全面性，代表性，不具备耕地提取条件的问题。
为了实现上述目的，本申请采用以下技术方案：
获取待测耕地遥感影像，所述遥感影像不限于中高分辨率影像和高分辨率影像；
对所述待测耕地遥感影像进行预处理，得到处理影像，并根据目视解译法对所述处理影像进行解译并标记，得到影像样本，通过卷积神经网络对所述影像样本进行训练，得到耕地监测模型，将所述处理影像输入所述耕地监测模型，并进行后处理，得到耕地矢量；
根据叠加分析方法对所述耕地矢量进行分析计算，得到耕地变化矢量范围。
作为优选，所述对所述待测耕地遥感影像进行预处理，得到处理影像，并根据目视解译法对所述处理影像进行解译并标记，得到影像样本，通过卷积神经网络对所述影像样本进行训练，得到耕地监测模型，将所述处理影像输入所述耕地监测模型，并进行后处理，得到耕地矢量，包括：
对所述中高分辨率影像进行解压、正射校正、裁剪、拼接，并按照不同时序进行叠加，得到第一影像，根据所述目视解译法对所述第一影像进行标志和特征解译，并标记得到第一样本，根据所述卷积神经网络对所述第一样本进行训练，得到耕地分类提取模型，将所述第一影像输入所述耕地分类提取模型，得到第一预测影像，对所述第一预测影像进行栅格转矢量、去除碎斑点、平滑边缘操作，得到耕地范围矢量；
对所述高分辨率影像进行解压、正射校正、数据融合、裁剪、拼接，得到第二影像，根据所述目视解译法对所述第二影像进行地物标志的解译，标记不限于耕地、建筑、水体、道路的样本，得到第二样本，将所述第二样本输入所述卷积神经网络进行训练，得到土地利用模型，将所述第二影像输入所述土地利用模型，得到第二预测影像，对所述第二预测影像进行栅格转矢量操作，得到土地利用矢量；
将所述耕地范围矢量和所述土地利用矢量汇总，得到所述耕地矢量。
作为优选，所述对所述中高分辨率影像进行解压、正射校正、裁剪、拼接，并按照不同时序进行叠加，得到第一影像，包括：
对所述中高分辨率影像进行解压，并采用RPC模型进行正射校正，得到校正影像；
获取待测耕地区域矢量，根据所述待测耕地区域矢量对所述校正影像进行裁剪，并拼接得到所述待测耕地区域影像，将所述耕地区域影像按照一定时间间隔的不同时序进行叠加，得到第一影像。
作为优选，所述对所述第一预测影像进行栅格转矢量、去除碎斑点、平滑边缘操作，得到耕地范围矢量，包括：
根据Python语言以所述第一预测影像的栅格像元值属性点值为参考，并进行矢量转换，得到矢量图层；
对所述矢量图层进行面积约束，去除碎斑点，并消除所述矢量转换的锯齿效应，平滑边缘，得到耕地范围矢量。
作为优选，所述根据叠加分析方法对所述耕地矢量进行分析计算，得到耕地变化矢量范围，包括：
根据所述叠加分析方法对所述耕地范围矢量和土地利用矢量进行分析，提取所述耕地范围矢量中为耕地，但在所述土地利用矢量中不为耕地的矢量，作为第一矢量，提取所述土地利用矢量中为耕地，但在所述耕地范围矢量中不为耕地的矢量，作为第二矢量；
将所述第一矢量和所述第二矢量合并，得到所述耕地变化矢量范围。
一种基于多尺度遥感影像的耕地变化检测装置，包括：
影像获取模块：用于获取待测耕地遥感影像，所述遥感影像不限于中高分辨率影像和高分辨率影像；
耕地矢量获取模块：用于对所述待测耕地遥感影像进行预处理，得到处理影像，并根据目视解译法对所述处理影像进行解译并标记，得到影像样本，通过卷积神经网络对所述影像样本进行训练，得到耕地监测模型，将所述处理影像输入所述耕地监测模型，并进行后处理，得到耕地矢量；
耕地变化计算模块：用于根据叠加分析方法对所述耕地矢量进行分析计算，得到耕地变化矢量范围。
作为优选，所述耕地矢量获取模块，包括：
耕地范围矢量计算模块：用于对所述中高分辨率影像进行解压、正射校正、裁剪、拼接，并按照不同时序进行叠加，得到第一影像，根据所述目视解译法对所述第一影像进行标志和特征解译，并标记得到第一样本，根据所述卷积神经网络对所述第一样本进行训练，得到耕地分类提取模型，将所述第一影像输入所述耕地分类提取模型，得到第一预测影像，对所述第一预测影像进行栅格转矢量、去除碎斑点、平滑边缘操作，得到耕地范围矢量；
土地利用矢量计算模块：用于对所述高分辨率影像进行解压、正射校正、数据融合、裁剪、拼接，得到第二影像，根据所述目视解译法对所述第二影像进行地物标志的解译，标记不限于耕地、建筑、水体、道路的样本，得到第二样本，将所述第二样本输入所述卷积神经网络进行训练，得到土地利用模型，将所述第二影像输入所述土地利用模型，得到第二预测影像，对所述第二预测影像进行栅格转矢量操作，得到土地利用矢量；
耕地矢量汇总模块：用于将所述耕地范围矢量和所述土地利用矢量汇总，得到所述耕地矢量。
作为优选，所述耕地变化计算模块，包括：
耕地变化矢量第一计算模块：用于根据所述叠加分析方法对所述耕地范围矢量和土地利用矢量进行分析，提取所述耕地范围矢量中为耕地，但在所述土地利用矢量中不为耕地的矢量，作为第一矢量，提取所述土地利用矢量中为耕地，但在所述耕地范围矢量中不为耕地的矢量，作为第二矢量；
耕地变化矢量第二计算模块：用于将所述第一矢量和所述第二矢量合并，得到所述耕地变化矢量范围。
一种基于多尺度遥感影像的耕地变化检测装置，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如上述中任一项所述的一种基于多尺度遥感影像的耕地变化检测方法。
一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时实现如上述中任一项所述的一种基于多尺度遥感影像的耕地变化检测方法。
本发明具有以下有益效果：
本申请通过采用中高分辨率遥感影像和高分辨率遥感影像两种分辨率的遥感影像，弥补了高分辨率遥感影像不能更为具体的体现出待测区域耕地变化的缺陷，因为中高分辨率的遥感影像对一定区域的全覆盖在一年中会有多次，根据构建多时间序列，可以得到更具有时间变化的遥感影像，通过多次的遥感图像叠加，可以使得获取的图像更加准确，更加具有代表性，但是中高分辨率的遥感影像的纹理特征不清晰，所以通过高分辨率的遥感影像绘制变化检测样本，再将中高分辨率遥感影像提取的和高分辨率遥感影像提取的叠加起来，结合分析，得到最终检测结果，将两种分辨率遥感影像的优缺点互相弥补，结合使用，提高了检测结果的准确度，也解决了现有技术中只采用高分辨率遥感影像导致的遥感影像不够全面，不够具有代表性且不具备耕地提取条件的问题；本技术方案的遥感影像的获取是通过现有公开的公共平台所获取的，取得数据的方式简单，不复杂，降低了传统获取检测数据的难易程度，并且通过计算机设备及其它电子设备进行数据处理和计算，减少了人为的参与，避免人为所导致的误差；在获取样本之前，首先对遥感影像进行预处理，使得获取的样本更加具有代表性，提高检测结果的精度；在得到预测结果之后，通过后处理，减少了图像噪声，提高了耕地边缘的提取精度，从而使得检测结果更加精准，准确性更高；在最终计算耕地变化矢量范围的时候，采用了叠加分析方法，能够发现多层数据间的相互差异、联系和变化等特征，使得得到的检测结果准确度高，更加全面也更加具有代表性。
附图说明
图1是本发明实施例实现一种基于多尺度遥感影像的耕地变化检测方法的流程图；
图2是本发明实施例中杭州市富春街道2020年影像存储示意图；
图3是本发明实施例中杭州市富春街道2020年不同时期具有代表性耕地特征的示意图；
图4是本发明实施例中杭州市富春街道2020年12月24日哨兵2号影像图；
图5是本发明实施例中杭州市富春街道2020年耕地分布图；
图6是本发明实施例中杭州市富春街道2020年土地利用类型图；
图7是本发明实施例中杭州市富春街道2020年耕地变化监测图斑；
图8是本发明实施例实现一种经过预处理和后处理得到耕地范围矢量的方法的流程图；
图9是本发明实施例实现一种根据叠加分析方法对耕地矢量进行分析计算，得到耕地变化矢量范围的方法的流程图；
图10是本发明实施例实现一种基于多尺度遥感影像的耕地变化检测装置的示意图；
图11是本发明实施例实现一种基于多尺度遥感影像的耕地变化检测装置中的耕地矢量获取模块20的示意图；
图12是本发明实施例实现一种基于多尺度遥感影像的耕地变化检测装置中的耕地变化计算模块30的示意图；
图13是本发明实施例实现一种基于多尺度遥感影像的耕地变化检测装置的一种电子设备示意图。
具体实施方式
下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请的权利要求书和说明书的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式，此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。
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申请的技术领域的技术人员通常理解的含义相同，本文中在本申请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，不是在于限制本申请。
实施例1
如图1所示，一种基于多尺度遥感影像的耕地变化检测方法，包括以下步骤：
S11、获取待测耕地遥感影像，所述遥感影像不限于中高分辨率影像和高分辨率影像；
S12、对所述待测耕地遥感影像进行预处理，得到处理影像，并根据目视解译法对所述处理影像进行解译并标记，得到影像样本，通过卷积神经网络对所述影像样本进行训练，得到耕地监测模型，将所述处理影像输入所述耕地监测模型，并进行后处理，得到耕地矢量；
S13、根据叠加分析方法对所述耕地矢量进行分析计算，得到耕地变化矢量范围。
在实施例1中，首先从公开的公共平台中获取待检测耕地区域的遥感影像，本方案采用中高分辨率的遥感影像和高分辨率的遥感影像两种，然后对其中的中高分辨率的遥感影像进行预处理，包括解压、正射校正、裁剪、拼接，得到预处理之后的影像，将该影像按照不同的时间顺序进行叠加，得到包含不同时期的影像，即第一影像，接着根据目视解译法对包含不同时期的影像进行解译，并进行标记，得到标记后的影像样本，即第一样本，将该样本输入卷积神经网络1d-CNN中进行训练，得到耕地分类提取模型，将包含不同时期的影像输入训练生成的耕地分类提取模型中，得到耕地的预测影像，即第一预测影像，再将该预测影像通过后处理的操作，包括栅格转矢量、去除碎斑点、平滑边缘，就得到了耕地范围矢量，然后再对高分辨率的遥感影像进行预处理，包括解压、正射校正、数据融合、裁剪、拼接，得到处理后的影像，即第二影像，例如数据融合：是同源数据源的全色波段(1m)和多光谱波段(4m)进行融合，融合后影像分辨率为1m，以2021年上半年高分2号为例，对解压后的影像进行正射校正，接着对正射后的影像采用pansharpen等传统机器学习方法，进行数据融合处理，获得分辨率为1m的多波段影像，接着使用南京市矢量进行裁剪、拼接后得到高分辨率预处理后影像。在得到第二影像之后，根据目视解译法分析不同地物的解译标志，标记耕地、建筑、水体、道路等标志，得到标记的样本，即第二样本，基于2d-CNN框架构建不同地物如建筑、道路、水体分类模型，将第二样本输入上述模型中，训练样本得到土地利用模型，接着将融合后的高分辨率影像即第二影像输入模型中，预测得到土地利用图，即第二预测影像，将该预测影像经过栅格转矢量操作，生成土地利用矢量，综上所述，耕地检测模型包括耕地分类提取模型和土地利用模型，耕地矢量包括耕地范围矢量和土地利用矢量，最后根据GIS叠加分析方法对耕地矢量即耕地范围矢量和土地利用矢量进行分析计算，得到待测耕地变化的检测结果，即耕地变化矢量范围。
上述过程可简单概括为：(1)中高分辨率影像预处理及构建时序模型：中高分辨率影像预处理，以哨兵2号为例，包括解压、几何校正、裁剪、拼接。融合不同时期影像，将不同时期影像按照时间排序存入文件夹中，完成时序文件夹构建。以2020年杭州市富春街道为例，文件夹中文件存储如图2所示，其中T20200218表示该影像是2020年2月18日影像。
(2)耕地分类提取
分析时序文件夹中序列影像的耕地解译标志和特征，确定时序内不同种类耕地的解译标志，手动标记样本。
如图3所示，列出两种杭州市富春街道2020年不同时期具有代表性耕地特征。
基于1d-CNN构建耕地分类提取模型(详细神经网络结构参考上述背景技术中第三段文献内容)，输入不同种类耕地类型样本并训练，分别获得耕地1、耕地2等不同种类耕地模型即分类提取模型。将输入时序文件夹输入提取模型中，分别获得耕地1、耕地2等不同耕地类型预测结果，通过对这些结果进行合并，最终获得总耕地分类结果，通过GIS中栅格转矢量操作得到耕地范围矢量。如图4和图5所示。
(3)高分辨率数据预处理
高分辨率影像预处理，以哨兵2号为例，包括解压、几何校正、数据融合、裁剪、拼接。
(4)其他地物分类
基于2d-CNN框架构建其他地物如林草、茶园、果园、耕地、旱地、水体、建筑等分类模型，分析高分辨率影像不同时期不同地物的解译标志，手动标注不同地物解译标志等，训练样本分别得到不同地物的分类模型即土地利用模型，其中2d-CNN构架选择UNet模型。
将融合后的高分辨率影像带入模型中，预测得到土地利用图，经过栅格转矢量操作，得到最终土地利用矢量。如图6所示。
(5)耕地变化监测
对(2)和(4)得到的耕地范围矢量和土地利用矢量进行叠加分析，得到最终耕地变化监测结果。如图7所示。
本实施例的有益效果是：本申请通过采用中高分辨率遥感影像和高分辨率遥感影像两种分辨率的遥感影像，弥补了高分辨率遥感影像不能更为具体的体现出待测区域耕地变化的缺陷，因为中高分辨率的遥感影像对一定区域的全覆盖在一年中会有多次，根据构建多时间序列，可以得到更具有时间变化的遥感影像，通过多次的遥感图像叠加，可以使得获取的图像更加准确，更加具有代表性，但是中高分辨率的遥感影像的纹理特征不清晰，所以通过高分辨率的遥感影像绘制变化检测样本，再将中高分辨率遥感影像提取的和高分辨率遥感影像提取的叠加起来，结合分析，得到最终检测结果，将两种分辨率遥感影像的优缺点互相弥补，结合使用，提高了检测结果的准确度，也解决了现有技术中只采用高分辨率遥感影像导致的遥感影像不够全面，不够具有代表性且不具备耕地提取条件的问题，本技术方案的遥感影像的获取是通过现有公开的公共平台所获取的，取得数据的方式简单，不复杂，降低了传统获取检测数据的难易程度，并且通过计算机设备及其它电子设备进行数据处理和计算，减少了人为的参与，避免人为所导致的误差，在获取训练模型所需的样本之前，首先对遥感影像进行预处理，使得获取的样本更加具有代表性，使得训练生成模型更加精准，从而提高了检测结果的精度，在得到预测结果之后，通过后处理的操作，减少了图像噪声，提高了耕地边缘的提取精度，从而使得检测结果更加精准，准确性更高，在最终计算耕地变化矢量范围的时候，采用了叠加分析方法，能够发现多层数据间的相互差异、联系和变化等特征，使得得到的检测结果准确度高，更加全面也更加具有代表性。
实施例2
如图8所示，一种经过预处理和后处理得到耕地范围矢量的方法，包括以下步骤：
S21、对所述中高分辨率影像进行解压，并采用RPC模型进行正射校正，得到校正影像；
S22、获取待测耕地区域矢量，根据所述待测耕地区域矢量对所述校正影像进行裁剪，并拼接得到所述待测耕地区域影像，将所述耕地区域影像按照一定时间间隔的不同时序进行叠加，得到第一影像；
S23、根据所述目视解译法对所述第一影像进行标志和特征解译，并标记得到第一样本，根据所述卷积神经网络对所述第一样本进行训练，得到耕地分类提取模型，将所述第一影像输入所述耕地分类提取模型，得到第一预测影像；
S24、根据Python语言以所述第一预测影像的栅格像元值属性点值为参考，并进行矢量转换，得到矢量图层；
S25、对所述矢量图层进行面积约束，去除碎斑点，并消除所述矢量转换的锯齿效应，平滑边缘，得到耕地范围矢量。
在实施例2中，首先对获得的中高分辨率的遥感影像进行解压，再将解压的影像进行正射校正，采用RPC模型进行正射校正，得到校正的影像，然后获取待检测耕地区域的矢量，并按照该矢量对校正的影像进行裁剪，并且进行拼接，然后得到该区域的影像，即待测耕地区域影像，然后将该操作重复进行，分别得到一定时间间隔的影像，再将这些影像叠加起来，就得到了包含不同时间阶段的待测耕地区域的时序影像，即第一影像，以南京市为待测耕地区域为例，首先获得2020年2月南京市哨兵2号影像，结合获取的南京市区域矢量，裁剪出南京市影像范围，并且按照该范围进行拼接，得到2020年2月覆盖全南京市的影像，依次类推，重复操作，生产不同月份覆盖全南京市的影像，基于python完成不同时期影像图层的叠加，生成一景2020年覆盖全南京包含多个时期的影像。在得到第一影像之后，接着根据目视解译法对包含不同时期的影像进行解译，并进行标记，得到标记后的影像样本，即第一样本，将该样本输入卷积神经网络1d-CNN中进行训练，得到耕地分类提取模型，将包含不同时期的影像输入训练生成的耕地分类提取模型中，得到耕地的预测影像，即第一预测影像，然后根据Python语言以所述第一预测影像的栅格像元值属性点值为参考，并进行矢量转换，得到矢量图层，得到矢量图层之后，对该矢量图层进行面积约束，去除碎斑点，并且在栅格转矢量的操作中，会产生锯齿效应，消除该矢量转换的锯齿效应，使得图像的边缘变得平滑，在进行上述操作之后，得到耕地范围矢量。本实施例的有益效果是：在获取样本之前，首先对遥感影像进行一系列操作的预处理，使得获取的样本更加具有代表性，提高检测结果的精度；在得到预测结果之后，通过一系列操作的后处理，减少了图像噪声，消除了锯齿效应，使得边缘变得平滑，增加了整体的美观度，提高了耕地边缘的提取精度，从而使得检测结果更加精准，准确性更高。
实施例3
如图9所示，一种根据叠加分析方法对耕地矢量进行分析计算，得到耕地变化矢量范围的方法，包括：
S31、根据所述叠加分析方法对所述耕地范围矢量和土地利用矢量进行分析，提取所述耕地范围矢量中为耕地，但在所述土地利用矢量中不为耕地的矢量，作为第一矢量，提取所述土地利用矢量中为耕地，但在所述耕地范围矢量中不为耕地的矢量，作为第二矢量；
S32、将所述第一矢量和所述第二矢量合并，得到所述耕地变化矢量范围。
在实施例3中，在经过一定操作步骤之后，计算得到了耕地范围矢量和土地利用矢量，根据GIS叠加分析方法比较耕地范围矢量与土地利用矢量之间异同，首先先保留耕地范围矢量中是耕地，但在土地利用矢量中不是耕地的矢量，得到耕地变成其它地物的矢量，将该矢量作为第一矢量，然后生成耕地变成其他地物的矢量，如建筑、水体等，记录土地利用矢量中是耕地，但耕地范围矢量中是非耕地的矢量，得到其他地物变成耕地的矢量，即第二矢量，将第一矢量和第二矢量合并，得到耕地变化矢量范围。本实施例的有益效果是：在最终计算耕地变化矢量范围的时候，采用了叠加分析方法，能够发现多层数据间的相互差异、联系和变化等特征，使得得到的检测结果准确度高，更加全面也更加具有代表性。
实施例4
如图10所示，一种基于多尺度遥感影像的耕地变化检测装置，包括：
影像获取模块10：用于获取待测耕地遥感影像，所述遥感影像不限于中高分辨率影像和高分辨率影像；
耕地矢量获取模块20：用于对所述待测耕地遥感影像进行预处理，得到处理影像，并根据目视解译法对所述处理影像进行解译并标记，得到影像样本，通过卷积神经网络对所述影像样本进行训练，得到耕地监测模型，将所述处理影像输入所述耕地监测模型，并进行后处理，得到耕地矢量；
耕地变化计算模块30：用于根据叠加分析方法对所述耕地矢量进行分析计算，得到耕地变化矢量范围。
上述装置的一种实施方式为，首先在影像获取模块10中，获取待测耕地遥感影像，所述遥感影像不限于中高分辨率影像和高分辨率影像，然后在耕地矢量获取模块20中，对所述待测耕地遥感影像进行预处理，得到处理影像，并根据目视解译法对所述处理影像进行解译并标记，得到影像样本，通过卷积神经网络对所述影像样本进行训练，得到耕地监测模型，将所述处理影像输入所述耕地监测模型，并进行后处理，得到耕地矢量，最后在耕地变化计算模块30中，根据叠加分析方法对所述耕地矢量进行分析计算，得到耕地变化矢量范围。
实施例5
如图11所示，一种基于多尺度遥感影像的耕地变化检测装置中的耕地矢量获取模块20，包括：
耕地范围矢量计算模块21：用于对所述中高分辨率影像进行解压、正射校正、裁剪、拼接，并按照不同时序进行叠加，得到第一影像，根据所述目视解译法对所述第一影像进行标志和特征解译，并标记得到第一样本，根据所述卷积神经网络对所述第一样本进行训练，得到耕地分类提取模型，将所述第一影像输入所述耕地分类提取模型，得到第一预测影像，对所述第一预测影像进行栅格转矢量、去除碎斑点、平滑边缘操作，得到耕地范围矢量；
土地利用矢量计算模块22：用于对所述高分辨率影像进行解压、正射校正、数据融合、裁剪、拼接，得到第二影像，根据所述目视解译法对所述第二影像进行地物标志的解译，标记不限于耕地、建筑、水体、道路的样本，得到第二样本，将所述第二样本输入所述卷积神经网络进行训练，得到土地利用模型，将所述第二影像输入所述土地利用模型，得到第二预测影像，对所述第二预测影像进行栅格转矢量操作，得到土地利用矢量；
耕地矢量汇总模块23：用于将所述耕地范围矢量和所述土地利用矢量汇总，得到所述耕地矢量。
上述装置的一种实施方式为，首先在耕地范围矢量计算模块21中，对所述中高分辨率影像进行解压、正射校正、裁剪、拼接，并按照不同时序进行叠加，得到第一影像，根据所述目视解译法对所述第一影像进行标志和特征解译，并标记得到第一样本，根据所述卷积神经网络对所述第一样本进行训练，得到耕地分类提取模型，将所述第一影像输入所述耕地分类提取模型，得到第一预测影像，对所述第一预测影像进行栅格转矢量、去除碎斑点、平滑边缘操作，得到耕地范围矢量，然后在土地利用矢量计算模块22中，对所述高分辨率影像进行解压、正射校正、数据融合、裁剪、拼接，得到第二影像，根据所述目视解译法对所述第二影像进行地物标志的解译，标记不限于耕地、建筑、水体、道路的样本，得到第二样本，将所述第二样本输入所述卷积神经网络进行训练，得到土地利用模型，将所述第二影像输入所述土地利用模型，得到第二预测影像，对所述第二预测影像进行栅格转矢量操作，得到土地利用矢量，最后在耕地矢量汇总模块23中，将所述耕地范围矢量和所述土地利用矢量汇总，得到所述耕地矢量。
实施例6
如图12所示，一种基于多尺度遥感影像的耕地变化检测装置中的耕地变化计算模块30，包括：
耕地变化矢量第一计算模块31：用于根据所述叠加分析方法对所述耕地范围矢量和土地利用矢量进行分析，提取所述耕地范围矢量中为耕地，但在所述土地利用矢量中不为耕地的矢量，作为第一矢量，提取所述土地利用矢量中为耕地，但在所述耕地范围矢量中不为耕地的矢量，作为第二矢量；
耕地变化矢量第二计算模块32：用于将所述第一矢量和所述第二矢量合并，得到所述耕地变化矢量范围。
上述装置的一种实施方式为，首先在耕地变化矢量第一计算模块31中，根据所述叠加分析方法对所述耕地范围矢量和土地利用矢量进行分析，提取所述耕地范围矢量中为耕地，但在所述土地利用矢量中不为耕地的矢量，作为第一矢量，提取所述土地利用矢量中为耕地，但在所述耕地范围矢量中不为耕地的矢量，作为第二矢量，然后在耕地变化矢量第二计算模块32中，将所述第一矢量和所述第二矢量合并，得到所述耕地变化矢量范围。
实施例7
如图13所示，一种电子设备，包括存储器701和处理器702，所述存储器701用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器702执行以实现上述的任一一种方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述的任一一种方法。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器701中，并由处理器702执行，并由输入接口705和输出接口706完成数据的I/O接口传输，以完成本发明,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程序指令段，该指令段用于描述计算机程序在计算机设备中的执行过程。
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括，但不仅限于，存储器701、处理器702,本领域技术人员可以理解，本实施例仅仅是计算机设备的示例，并不构成对计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入器707、网络接入设备、总线等。
处理器702可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器702、数字信号处理器802(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgRAM503mableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器702可以是微处理器702或者该处理器702也可以是任何常规的处理器702等。
存储器701可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器701也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)等,进一步地，存储器701还可以既包括计算机设备的内部存储单元也包括外部存储设备,存储器701用于存储计算机程序以及计算机设备所需的其他程序和数据,存储器701还可以用于暂时地存储在输出器708，而前述的存储介质包括U盘、移动硬盘、只读存储器ROM703、随机存储器RAM704、碟盘或光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。
Claims (10)
1.一种基于多尺度遥感影像的耕地变化检测方法，其特征在于，包括：
获取待测耕地遥感影像，所述遥感影像不限于中高分辨率影像和高分辨率影像；
对所述待测耕地遥感影像进行预处理，得到处理影像，并根据目视解译法对所述处理影像进行解译并标记，得到影像样本，通过卷积神经网络对所述影像样本进行训练，得到耕地监测模型，将所述处理影像输入所述耕地监测模型，并进行后处理，得到耕地矢量；
根据叠加分析方法对所述耕地矢量进行分析计算，得到耕地变化矢量范围。
2.根据权利要求1所述的一种基于多尺度遥感影像的耕地变化检测方法，其特征在于，所述对所述待测耕地遥感影像进行预处理，得到处理影像，并根据目视解译法对所述处理影像进行解译并标记，得到影像样本，通过卷积神经网络对所述影像样本进行训练，得到耕地监测模型，将所述处理影像输入所述耕地监测模型，并进行后处理，得到耕地矢量，包括：
对所述中高分辨率影像进行解压、正射校正、裁剪、拼接，并按照不同时序进行叠加，得到第一影像，根据所述目视解译法对所述第一影像进行标志和特征解译，并标记得到第一样本，根据所述卷积神经网络对所述第一样本进行训练，得到耕地分类提取模型，将所述第一影像输入所述耕地分类提取模型，得到第一预测影像，对所述第一预测影像进行栅格转矢量、去除碎斑点、平滑边缘操作，得到耕地范围矢量；
对所述高分辨率影像进行解压、正射校正、数据融合、裁剪、拼接，得到第二影像，根据所述目视解译法对所述第二影像进行地物标志的解译，标记不限于耕地、建筑、水体、道路的样本，得到第二样本，将所述第二样本输入所述卷积神经网络进行训练，得到土地利用模型，将所述第二影像输入所述土地利用模型，得到第二预测影像，对所述第二预测影像进行栅格转矢量操作，得到土地利用矢量；
将所述耕地范围矢量和所述土地利用矢量汇总，得到所述耕地矢量。
3.根据权利要求2所述的一种基于多尺度遥感影像的耕地变化检测方法，其特征在于，所述对所述中高分辨率影像进行解压、正射校正、裁剪、拼接，并按照不同时序进行叠加，得到第一影像，包括：
对所述中高分辨率影像进行解压，并采用RPC模型进行正射校正，得到校正影像；
获取待测耕地区域矢量，根据所述待测耕地区域矢量对所述校正影像进行裁剪，并拼接得到所述待测耕地区域影像，将所述耕地区域影像按照一定时间间隔的不同时序进行叠加，得到第一影像。
4.根据权利要求3所述的一种基于多尺度遥感影像的耕地变化检测方法，其特征在于，所述对所述第一预测影像进行栅格转矢量、去除碎斑点、平滑边缘操作，得到耕地范围矢量，包括：
根据Python语言以所述第一预测影像的栅格像元值属性点值为参考，并进行矢量转换，得到矢量图层；
对所述矢量图层进行面积约束，去除碎斑点，并消除所述矢量转换的锯齿效应，平滑边缘，得到耕地范围矢量。
5.根据权利要求4所述的一种基于多尺度遥感影像的耕地变化检测方法，其特征在于，所述根据叠加分析方法对所述耕地矢量进行分析计算，得到耕地变化矢量范围，包括：
根据所述叠加分析方法对所述耕地范围矢量和土地利用矢量进行分析，提取所述耕地范围矢量中为耕地，但在所述土地利用矢量中不为耕地的矢量，作为第一矢量，提取所述土地利用矢量中为耕地，但在所述耕地范围矢量中不为耕地的矢量，作为第二矢量；
将所述第一矢量和所述第二矢量合并，得到所述耕地变化矢量范围。
6.一种基于多尺度遥感影像的耕地变化检测装置，用于实现权利要求1所述的一种基于多尺度遥感影像的耕地变化检测方法，其特征在于，包括：
影像获取模块：用于获取待测耕地遥感影像，所述遥感影像不限于中高分辨率影像和高分辨率影像；
耕地矢量获取模块：用于对所述待测耕地遥感影像进行预处理，得到处理影像，并根据目视解译法对所述处理影像进行解译并标记，得到影像样本，通过卷积神经网络对所述影像样本进行训练，得到耕地监测模型，将所述处理影像输入所述耕地监测模型，并进行后处理，得到耕地矢量；
耕地变化计算模块：用于根据叠加分析方法对所述耕地矢量进行分析计算，得到耕地变化矢量范围。
7.根据权利要求6所述的一种基于多尺度遥感影像的耕地变化检测装置，其特征在于，所述耕地矢量获取模块，包括：
耕地范围矢量计算模块：用于对所述中高分辨率影像进行解压、正射校正、裁剪、拼接，并按照不同时序进行叠加，得到第一影像，根据所述目视解译法对所述第一影像进行标志和特征解译，并标记得到第一样本，根据所述卷积神经网络对所述第一样本进行训练，得到耕地分类提取模型，将所述第一影像输入所述耕地分类提取模型，得到第一预测影像，对所述第一预测影像进行栅格转矢量、去除碎斑点、平滑边缘操作，得到耕地范围矢量；
土地利用矢量计算模块：用于对所述高分辨率影像进行解压、正射校正、数据融合、裁剪、拼接，得到第二影像，根据所述目视解译法对所述第二影像进行地物标志的解译，标记不限于耕地、建筑、水体、道路的样本，得到第二样本，将所述第二样本输入所述卷积神经网络进行训练，得到土地利用模型，将所述第二影像输入所述土地利用模型，得到第二预测影像，对所述第二预测影像进行栅格转矢量操作，得到土地利用矢量；
耕地矢量汇总模块：用于将所述耕地范围矢量和所述土地利用矢量汇总，得到所述耕地矢量。
8.根据权利要求7所述的一种基于多尺度遥感影像的耕地变化检测装置，其特征在于，所述耕地变化计算模块，包括：
耕地变化矢量第一计算模块：用于根据所述叠加分析方法对所述耕地范围矢量和土地利用矢量进行分析，提取所述耕地范围矢量中为耕地，但在所述土地利用矢量中不为耕地的矢量，作为第一矢量，提取所述土地利用矢量中为耕地，但在所述耕地范围矢量中不为耕地的矢量，作为第二矢量；
耕地变化矢量第二计算模块：用于将所述第一矢量和所述第二矢量合并，得到所述耕地变化矢量范围。
9.一种基于多尺度遥感影像的耕地变化检测装置，其特征在于，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1～5中任一项所述的一种基于多尺度遥感影像的耕地变化检测方法。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被计算机执行时实现如权利要求1～5中任一项所述的一种基于多尺度遥感影像的耕地变化检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111549581.0A CN114463623A (zh) | 2021-12-17 | 2021-12-17 | 一种基于多尺度遥感影像的耕地变化检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111549581.0A CN114463623A (zh) | 2021-12-17 | 2021-12-17 | 一种基于多尺度遥感影像的耕地变化检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114463623A true CN114463623A (zh) | 2022-05-10 |
Family
ID=81405540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111549581.0A Pending CN114463623A (zh) | 2021-12-17 | 2021-12-17 | 一种基于多尺度遥感影像的耕地变化检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114463623A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115620148A (zh) * | 2022-11-30 | 2023-01-17 | 航天宏图信息技术股份有限公司 | 一体化像素级变化样本标注和模型优化方法及装置 |
| CN116486077A (zh) * | 2023-04-04 | 2023-07-25 | 中国科学院地理科学与资源研究所 | 遥感影像语义分割模型样本集生成方法和装置 |
| CN116994025A (zh) * | 2023-05-30 | 2023-11-03 | 广东省国土资源测绘院 | 一种利用影像超分技术提高耕地识别精度的方法及装置 |
| CN117557414A (zh) * | 2023-11-30 | 2024-02-13 | 重庆欣荣土地房屋勘测技术研究所有限责任公司 | 基于遥感图像自动解译的耕地监管方法、装置、设备及存储介质 |
| CN117633885A (zh) * | 2023-11-30 | 2024-03-01 | 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) | 一种耕地保护范围线去密公开方法及系统 |
-
2021
- 2021-12-17 CN CN202111549581.0A patent/CN114463623A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115620148A (zh) * | 2022-11-30 | 2023-01-17 | 航天宏图信息技术股份有限公司 | 一体化像素级变化样本标注和模型优化方法及装置 |
| CN116486077A (zh) * | 2023-04-04 | 2023-07-25 | 中国科学院地理科学与资源研究所 | 遥感影像语义分割模型样本集生成方法和装置 |
| CN116486077B (zh) * | 2023-04-04 | 2024-04-30 | 中国科学院地理科学与资源研究所 | 遥感影像语义分割模型样本集生成方法和装置 |
| CN116994025A (zh) * | 2023-05-30 | 2023-11-03 | 广东省国土资源测绘院 | 一种利用影像超分技术提高耕地识别精度的方法及装置 |
| CN117557414A (zh) * | 2023-11-30 | 2024-02-13 | 重庆欣荣土地房屋勘测技术研究所有限责任公司 | 基于遥感图像自动解译的耕地监管方法、装置、设备及存储介质 |
| CN117633885A (zh) * | 2023-11-30 | 2024-03-01 | 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) | 一种耕地保护范围线去密公开方法及系统 |
| CN117633885B (zh) * | 2023-11-30 | 2024-09-27 | 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) | 一种耕地保护范围线去密公开方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Individual tree crown detection and delineation from very-high-resolution UAV images based on bias field and marker-controlled watershed segmentation algorithms | |
| CN114463623A (zh) | 一种基于多尺度遥感影像的耕地变化检测方法及装置 | |
| Miao et al. | Road centerline extraction from high-resolution imagery based on shape features and multivariate adaptive regression splines | |
| CN109493320B (zh) | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 | |
| Shruthi et al. | Object-based gully feature extraction using high spatial resolution imagery | |
| CN111028255B (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
| CN111986099A (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
| Hormese et al. | Automated road extraction from high resolution satellite images | |
| Li et al. | An automatic approach for urban land-cover classification from Landsat-8 OLI data | |
| Huang et al. | Distance metric-based forest cover change detection using MODIS time series | |
| Wang et al. | Using GF-2 imagery and the conditional random field model for urban forest cover mapping | |
| CN112819066A (zh) | 一种Res-UNet单木树种分类技术 | |
| Grigillo et al. | Automated building extraction from IKONOS images in suburban areas | |
| Zhang et al. | Spatial domain bridge transfer: An automated paddy rice mapping method with no training data required and decreased image inputs for the large cloudy area | |
| Ozdarici-Ok | Automatic detection and delineation of citrus trees from VHR satellite imagery | |
| CN107832849B (zh) | 一种基于知识库的电力线廊道三维信息提取方法及装置 | |
| AU2021100848A4 (en) | A Regional Extraction Method of Ecological Restoration Project in the Grassland Based on the High-resolution Remote Sensing Images | |
| CN110569733B (zh) | 基于遥感大数据平台的湖泊长时序连续水域变化重建方法 | |
| CN113780175B (zh) | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 | |
| Qiu et al. | Developing soil indices based on brightness, darkness, and greenness to improve land surface mapping accuracy | |
| Li et al. | Sloping farmland identification using hierarchical classification in the Xi-He region of China | |
| Prerna et al. | Evaluation of LiDAR and image segmentation based classification techniques for automatic building footprint extraction for a segment of Atlantic County, New Jersey | |
| Badenko et al. | Comparison of software for airborne laser scanning data processing in smart city applications | |
| Bin et al. | Parcel-based change detection in land-use maps by adopting the holistic feature | |
| Ruiz-Lendínez et al. | Deep learning methods applied to digital elevation models: state of the art |
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 |