CN114973010A - 基于无先验数据的遥感水深反演模型迁移方法 - Google Patents
基于无先验数据的遥感水深反演模型迁移方法 Download PDFInfo
- Publication number
- CN114973010A CN114973010A CN202210532917.0A CN202210532917A CN114973010A CN 114973010 A CN114973010 A CN 114973010A CN 202210532917 A CN202210532917 A CN 202210532917A CN 114973010 A CN114973010 A CN 114973010A
- Authority
- CN
- China
- Prior art keywords
- model
- water depth
- value
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/008—Surveying specially adapted to open water, e.g. sea, lake, river or canal measuring depth of open water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Hydrology & Water Resources (AREA)
- Radar, Positioning & Navigation (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及空间遥感技术领域,公开了一种基于无先验数据的遥感水深反演模型迁移方法,包括以下步骤:步骤S1:预处理:对遥感图像数据以及水深数据的特征进行预处理;步骤S2:特征映射:对于目标域的影像数据中的水域部分,进行特征映射,使得其与源域的原始特征尽量一致;步骤S3:建立源域水深反演模型,并保存模型;步骤S4:将模型迁移到目标域,构建目标域模型:将经过特征预处理后的目标域的光谱特征直接输入上述模型,得到目标域的预测水深值;步骤S5:精度评价:将模型迁移后的预测的水深值与收集到的实测水深值实测对比,做精度评价。本发明能够在无控制点的情况下建立水深反演模型,预测水深值,具有应用范围广、成本低的优点。
Description
技术领域
本发明涉及一种基于无先验数据的遥感水深反演模型迁移方法,属于空间遥感技术领域。
背景技术
南海浅水区水深测量一直是船载水深测量的难题,此前学者们已提出众多遥感水深反演模型,由于多光谱遥感影像获取便利,基于多光谱遥感影像的水深反演模型研究最多,但常用的基于多光谱遥感影像水深反演模型主要的缺陷在于,需要已有水深数据作为必要条件,然而在南海很多大部分岛礁难以获取实测水深数据,因此在应用上受到极大限制,需要设计一种没有先验数据的遥感水深反演模型迁移方法。
发明内容
针对现有技术存在的上述缺陷,本发明提出了一种基于无先验数据的遥感水深反演模型迁移方法。
本发明所述的一种基于无先验数据的遥感水深反演模型迁移方法,包括以下步骤:
步骤S1:预处理:对遥感图像数据以及水深数据的特征进行预处理;
步骤S2:特征映射:对于目标域的影像数据中的水域部分,进行特征映射,使得其与源域的光谱特征尽量一致;
步骤S3:建立源域水深反演模型,并保存模型:以特征映射后的源域的光谱信息作为输入,实测水深数据作为训练数据,构建多层感知机模型并进行模型训练,用训练好的模型参数来预测未知点水深,并保存模型结构及参数;
步骤S4:将模型迁移到目标域,构建目标域模型:将经过预处理及特征映射后的目标域的光谱特征直接输入上述模型,得到目标域的预测水深值;
步骤S5:精度评价:将模型迁移后的预测的水深值与收集到的实测水深值实测对比,做精度评价。
优选地,所述步骤S1中的影像数据的预处理包括辐射定标、大气校正、影像去噪、水陆分离;水深数据的预处理包括潮汐改正、投影转换、建立水深点与影像对应关系。
优选地,所述辐射定标、大气校正、影像去噪以及水陆分离的具体方法如下所示:
辐射定标:计算公式如下:
其中,L(λi)为第ii波段的辐亮度值;absCalFactori为第ii波段的绝对定标系数;DNi为第ii波段的像元灰度值;Δλi为第ii波段的等效波段宽度;
大气校正:采用的校正方法包括:Flaash模型、6S模型以及暗像元;
影像去噪:通过建立水域的柱状图统计,对影像进行去噪处理;
水陆分离:采用自动阈值分割算法对采集到的遥感图像进行二值化以提取水体和陆地的边界。
优选地,所述潮汐改正、投影转换、建立水深点与影像对应关系的具体方法如下所示:
潮汐改正:计算公式如下:
Z=H+L+tide
其中,Z为影像过境时瞬时水深;H为海域稳态水深;L指理论深度基准面到平均海面距离;tide指影像过境时距离平均海面的瞬时潮位;
投影转换:采用坐标转换工具进行投影转换;
建立水深点与影像对应关系:假设影像左上角坐标为(x,y),多光谱波段分辨率为f,水深点A坐标为(X,Y),则水深点落在影像位置为(m,n),
m=Roundup(X-x)/f
n=Roundup(Y-y)/f
其中Roundup函数表示向上舍入数字。
优选地,所述步骤S2中的特征映射中对源域和目标域的辐射差异采用辐射值归一化处理,具体如下所示:
其中,Dtnor代表归一化后的目标域辐射值;Dt为归一化前的目标域辐射值;Dtmean为归一化前的目标域辐射值均值;Dtstd为归一化前的目标域辐射值标准差;Dsnor为归一化后的源域辐射值;Ds为归一化前的源域辐射值;Dsmean为归一化前的源域辐射值均值;Dsstd为归一化前的源域辐射值标准差。
优选地,所述步骤S3的具体步骤如下:
步骤S31:构建模型:
第1层:z(1)=f(w(1)×Xs+b(1))
第1至n-1层:z(i)=f(w(i)×Z(i-1)+b(i))
第n层:z(n)=w(n)×Z(n-1)+b(n)
其中,n为层数,n为大于等于1的自然数;m(i)为每层的结点,i=[1,n];Xs为源域的四个波段的光谱特征,Xs=[xs 1,xs 2,xs 3,xs 4];w(i)为每层的权重,i=[1,n];b(i)为每层的偏移参数,i=[1,n];z(i)为每层的活性值,i=[1,n];f为激活函数;
步骤S32:训练模型:
选择训练数据(Xt,yt),训练样本个数为N,对上述模型进行训练,使得损失函数最小,求得w和b得值;
步骤S33:模型值输出:
步骤S34:保存模型结构及参数:
包括模型层数为n,每层的结点为m(i),每层的权重为w(i),每层的偏移参数为b(i),激活函数为f。
优选地,所述步骤S4的具体步骤如下:
将经过预处理及特征映射后的目标域的四个波段的光谱特征Xt=[xt 1,xt 2,xt 3,xt 4],直接输入步骤S3中已训练好的模型中,得到:
第1层:z(1)=f(w(1)×Xt+b(1))
第1至n-1层:z(i)=f(w(i)×Z(i-1)+b(i))
第n层:z(n)=w(n)×Z(n-1)+b(n)
优选地,所述步骤S5中精度评价采用MAE和MRE作为评价指标,计算公式具体如下:
本发明所述的基于无先验数据的遥感水深反演模型迁移方法,具有以下有益效果:
(1)对于难以到达的无实测数据的岛礁,本方法能够在无控制点的情况下建立水深反演模型,预测水深值;
(2)经过特征映射即辐射值归一化处理后,显著提高了水深反演模型的精度;
(3)使用迁移学习方式构建模型,减少了标记数据的需要,应用范围广、成本低。
附图说明
图1是本发明的原理流程框图。
图2(a)是实施例2中对D岛遥感图像数据预处理的结果示意图。
图2(b)是实施例2中对G岛遥感图像数据预处理的结果示意图。
图2(c)是实施例2中对D岛水深数据预处理的结果示意图。
图2(d)是实施例2中对G岛水深数据预处理的结果示意图。
图3(a)是本发明的特征映射后的蓝波段直方统计图。
图3(b)是本发明的特征映射后的绿波段直方统计图。
图3(c)是本发明的特征映射后的红波段直方统计图。
图3(d)是本发明的特征映射后的近红外直方统计图。
图4(a)是本发明的特征映射前蓝波段光谱值与水深的关系图。
图4(b)是本发明的特征映射后蓝波段光谱值与水深的关系图。
图4(c)是本发明的特征映射前绿波段光谱值与水深的关系图。
图4(d)是本发明的特征映射后蓝波段光谱值与水深的关系图。
图4(e)是本发明的特征映射前红波段光谱值与水深的关系图。
图4(f)是本发明的特征映射后红波段光谱值与水深的关系图。
图4(g)是本发明的特征映射前近红外波段光谱值与水深的关系图。
图4(h)是本发明的特征映射后近红外波段光谱值与水深的关系图。
具体实施方式
下面将结合本发明实施例中的附图,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,本领域普通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。
实施例1:
如图1所示,本发明所述的基于无先验数据的遥感水深反演模型迁移方法,包括以下步骤:
步骤S1:预处理:对遥感图像数据以及水深数据的特征进行预处理。
遥感图像数据的预处理过程包括辐射定标、大气校正、影像去噪、水陆分离等,其中:
辐射定标:辐射定标是将卫星传感器仪器响应的DN值转化为表观辐射亮度值或表观反射率的过程。查找遥感技术探测到的影像元数据文件,如(.IMD)文件,采用ENV软件中的Worldview Radiance模块对影像进行辐射定标,其转换公式为:
其中,L(λi)为第i波段的辐亮度值;absCalFactori为第i波段的绝对定标系数;DNi为第ii波段的像元灰度值;Δλi为第i波段的等效波段宽度。
大气校正:水体遥感中,传感器接收的辐射包括水底反射光、悬浮物反射光、水面反射光和天空散射光。为了消除遥感影像中由大气散射引起的辐射误差,需要对影像进行大气校正处理。大气校正模型分为基于图像特征、经验回归模型和大气辐射传输理论,基于大气辐射传输理论校正模型分为6S、FLASSH和MODTRAN。6S模型是建立在辐射传输理论基础之上,采用最新近似和逐次散射算法来消除大气的影响,主要难点在于光学气溶胶厚度的确定。传统暗像元法认为深水区近红外反射率接近零,逐像元减去近红外波段反射率实现大气校正,但是该方法忽略了不同波段间的大气传输差别,因此实际效果不太好。FLAASH适用于高光谱遥感数据和多光谱遥感数据的大气校正,该模型直接移植了modtran4中的辐射传输计算方法,可以通过选取代表研究区的大气模型和气溶胶类型,方法相对成熟,内置到商业软件中。本实施例影像为worldview-2影像,商业软件ENVI中的FLASSH大气校正模块可该卫星较好地大气校正,且界面友好,方便快捷。
影像去噪:虽然影像成像时刻海面平静,但仍有少量太阳耀斑、玻璃破碎产生的白冠、海面漂浮物体等噪声,因此需要进行去噪处理。具体为通过建立水域的柱状图统计,理论上,最小辐射值对应最大水深,最大辐射值对应最小水深,然后对影像进行去噪处理。
水陆分离:在常用的遥感图像波段中,近红外波段对水和陆地的反射率差异最大,因此采用自动阈值分割(Otsu方法)算法对采集到的水陆遥感图像进行二值化,从而提取水体和陆地的边界。
水深数据的预处理过程包括:潮汐改正、投影转换、建立水深点与影像对应关系,其中:
潮汐改正:实测水深数据是以理论深度基准面为基准的稳态水深,而水深反演模型提取的水深是影像过境时对应的瞬时海面深度,故需进行潮汐改正,可根据影像时间查询潮汐表可得知影像获取时的瞬时潮高,作为潮汐改正值。具体计算如下:
假设海域稳态水深为H,影像过境时瞬时水深为Z,则其转换关系式可描述为:
Z=H+L+tide
式中,L指理论深度基准面到平均海面距离;tide指影像过境时距离平均海面的瞬时潮位。
投影转换:水深数据的投影与影像数据不一致时,还需要进行投影转换。采用Arcgis软件中坐标转换工具进行投影转换。
建立水深点与影像对应关系:水深数据为离散点数据,影像数据为栅格数据,需要建立水深点与影像的对应关系。具体如下:
假设影像左上角坐标为(x,y),多光谱波段分辨率为f,水深点A坐标为(X,Y),则水深点落在影像位置为(m,n),
m=Roundup(X-x)/f
n=Roundup(Y-y)/f
其中Roundup函数表示向上舍入数字。
由于光在水中的衰减特性,常用模型的限制在30米以内,因此,在源域和目标域图像中,应包括至少大于30米的深水区域。
步骤S2:特征映射:对于目标域的影像数据中的水域部分,进行特征映射,使得其与源域的原始特征尽量一致;
源域和目标域数据的特征映射,目的是使两者之间相同辐射值对应的水深(也可以说是辐射值分布)尽可能一致。这里采用归一化对水深区域的辐射值进行处理,目的是消除源域影响和目标域影像之见的辐射差异。这里采用辐射归一化方法,将水域的辐射值归一化为0-1,也就是说,浅水区接近0,深水区接近1,归一化的结果直接影响模型的精度。归一化的计算公式具体如下:
其中,Dtnor代表归一化后的目标域辐射值;Dt为归一化前的目标域辐射值;Dtmean为归一化前的目标域辐射值均值;Dtstd为归一化前的目标域辐射值标准差;Dsnor为归一化后的源域辐射值;Ds为归一化前的源域辐射值;Dsmean为归一化前的源域辐射值均值;Dsstd为归一化前的源域辐射值标准差。
步骤S3:建立源域水深反演模型,并保存模型:以特征映射后的源域的光谱信息作为输入,实测水深数据作为训练数据,构建多层感知机并进行模型训练,用训练好的模型参数来预测未知点水深,并保存模型结构及参数;具体步骤如下:
(1)构建模型:
多层感知机模型包含输入层、隐含层和输出层。定义模型层数为n,每层的结点为m(i),这里输入特征为经过特征映射后的源域的光谱特征Ds=[Ds1,Ds2…Dsh],每层的权重为w(i),每层的偏移参数为b(i),每层的活性值为z(i),激活函数为f,输出值即预测水深值为d,其中i=[1,n]。
第1层:z(1)=f(w(1)×Xs+b(1))
第1至n-1层:z(i)=f(w(i)×Z(i-1)+b(i))
第n层:z(n)=w(n)×Z(n-1)+b(n)
(2)训练模型:
选择训练数据(xt,yt),t∈N,N为训练样本个数,是大于等于0的自然数,对上述模型进行训练,使得损失函数L(w,b)最小,求得w和b得值。
(3)模型值输出
(4)保存模型结构及参数
包括模型层数为n,每层的结点为m(i),每层的权重为w(i),每层的偏移参数为b(i),激活函数为f。
步骤S4:将模型迁移到目标域,构建目标域模型:将经过预处理及特征映射后的目标域的光谱特征直接输入上述模型,得到目标域的预测水深值;
将经过预处理及特征映射后的目标域的光谱特征Dt=[Dt1,Dt2…Dth],直接输入上述步骤S3中已训练好的模型结构及参数等,得到具体的:
第1层:z(1)=f(w(1)×Dt+b(1))
第1至n-1层:z(i)=f(w(i)×Z(i-1)+b(i))
第n层:z(n)=w(n)×Z(n-1)+b(n)
步骤S5:精度评价:将模型迁移后的预测的水深值与收集到的实测水深值实测对比,做精度评价。
精度评价采用MAE和MRE作为评价指标,计算公式具体如下:
实施例2:
本实施例中以南海的D岛和G岛为试验区,首先对遥感图像的四波段光谱及水深数据进行预处理,辐射定标、大气校正、影像去噪结果如图2(a)和图2(b)所示,水陆分离结果如图2(c)和图2(d)所示。根据影像时间查询潮汐表查得,两遥感影像过境时间对应得瞬时潮高分别为0.7m、1.1m,影像投影为UTM投影,原始水深点资料投影为高斯投影,因此需要将水深点进行投影转换,与影像投影一致。
本实施例中采用四个波段光谱对其进行特征映射,分别为三个可见光波段(蓝波段450510nm,绿波段510580nm,红波段630690nm)和一个红外波段(770895nm),特征映射采用辐射值归一化方法,结果以直方统计图显示如图3(a)至图3(d)所示。对比特征映射前,四个波段光谱辐射值与水深的关系对比如图4(a)至图4(h)所示,其中G岛表示为○,D岛表示为*,X轴表示对数(ri),ri表示波段光谱值,Y轴表示水深。从图4可以看出,经过辐射归一化后,辐射值与水深的相关性更强,分布空间更接近。
建立源域水深反演模型,并保存模型。分别将D岛和G岛作为源域,建立了层数为4,结构为8-16-16-1,激活函数选择tanh算法的多层感知机模型,并与常用的多项式模型和比值模型进行对比,结果对比见下表1。结果表明,多层感知机模型的精度优于多项式模型和比值模型,而且,同样是多层感知机模型,对比特征映射后和未进行特征映射的模型,精度分别提高了4.51%和3.93%。
表1:源域水深反演模型的精度表
如下表2所示,在无先验数据的情况下,将D岛的测深模型直接转移到G岛,精度(MRE)为21.53%。同样,模型将G岛迁移到D岛,精度(MRE)为18%。我们还建立了未进行特征预处理(即水域辐射归一化)的模型作为对比试验,结果为:D岛的测深模型转移到G岛的精度(MRE)为31.8%,G岛迁移到D岛的精度(MRE)为29.5%。分别提高了10.27%、11.5%。
表2:将D岛测深模型转移到G岛的精度对比表
本发明可广泛运用于空间遥感场合。
Claims (8)
1.一种基于无先验数据的遥感水深反演模型迁移方法,其特征在于,包括以下步骤:
步骤S1:预处理:对遥感图像数据以及水深数据的特征进行预处理;
步骤S2:特征映射:对于目标域的影像数据中的水域部分,进行特征映射,使得其与源域的光谱特征尽量一致;
步骤S3:建立源域水深反演模型,并保存模型:以特征映射后的源域的光谱信息作为输入,实测水深数据作为训练数据,构建多层感知机模型并进行模型训练,用训练好的模型参数来预测未知点水深,并保存模型结构及参数;
步骤S4:将模型迁移到目标域,构建目标域模型:将经过预处理及特征映射后的目标域的光谱特征直接输入上述模型,得到目标域的预测水深值;
步骤S5:精度评价:将模型迁移后的预测的水深值与收集到的实测水深值实测对比,做精度评价。
2.根据权利要求1所述的基于无先验数据的遥感水深反演模型迁移方法,其特征在于,所述步骤S1中的影像数据的预处理包括辐射定标、大气校正、影像去噪、水陆分离;水深数据的预处理包括潮汐改正、投影转换、建立水深点与影像对应关系。
3.根据权利要求2所述的基于无先验数据的遥感水深反演模型迁移方法,其特征在于,所述辐射定标、大气校正、影像去噪以及水陆分离的具体方法如下所示:
辐射定标:计算公式如下:
其中,L(λi)为第ii波段的辐亮度值;absCalFactori为第ii波段的绝对定标系数;DNi为第ii波段的像元灰度值;Δλi为第ii波段的等效波段宽度;
大气校正:大气校正模型分为基于图像特征、经验回归模型和大气辐射传输理论,基于大气辐射传输理论校正模型分为6S、FLASSH和MODTRAN。
影像去噪:通过建立水域的柱状图统计,对影像进行去噪处理;
水陆分离:采用自动阈值分割算法对采集到的遥感图像进行二值化以提取水体和陆地的边界。
4.根据权利要求2所述的基于无先验数据的遥感水深反演模型迁移方法,其特征在于,所述潮汐改正、投影转换、建立水深点与影像对应关系的具体方法如下所示:
潮汐改正:计算公式如下:
Z=H+L+tide
其中,Z为影像过境时瞬时水深;H为海域稳态水深;L指理论深度基准面到平均海面距离;tide指影像过境时距离平均海面的瞬时潮位;
投影转换:采用坐标转换工具进行投影转换;
建立水深点与影像对应关系:假设影像左上角坐标为(x,y),多光谱波段分辨率为f,水深点A坐标为(X,Y),则水深点落在影像位置为(m,n),
m=Roundup(X-x)/f
n=Roundup(Y-y)/f
其中Roundup函数表示向上舍入数字。
6.根据权利要求1所述的基于无先验数据的遥感水深反演模型迁移方法,其特征在于,所述步骤S3的具体步骤如下:
步骤S31:构建模型:
第1层:z(1)=f(w(1)×Xs+b(1))
第1至n-1层:z(i)=f(w(i)×Z(i-1)+b(i))
第n层:z(n)=w(n)×Z(n-1)+b(n)
其中,n为层数,n为大于等于1的自然数;m(i)为每层的结点,i=[1,n];Xs为源域的四个波段的光谱特征,Xs=[xs 1,xs 2,xs 3,xs 4];w(i)为每层的权重,i=[1,n];b(i)为每层的偏移参数,i=[1,n];z(i)为每层的活性值,i=[1,n];f为激活函数;
步骤S32:训练模型:
选择训练数据(Xt,yt),训练样本个数为N,对上述模型进行训练,使得损失函数最小,求得w和b得值;
步骤S33:模型值输出:
步骤S34:保存模型结构及参数:
包括模型层数为n,每层的结点为m(i),每层的权重为w(i),每层的偏移参数为b(i),激活函数为f。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210532917.0A CN114973010A (zh) | 2022-05-11 | 2022-05-11 | 基于无先验数据的遥感水深反演模型迁移方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210532917.0A CN114973010A (zh) | 2022-05-11 | 2022-05-11 | 基于无先验数据的遥感水深反演模型迁移方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114973010A true CN114973010A (zh) | 2022-08-30 |
Family
ID=82983105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210532917.0A Pending CN114973010A (zh) | 2022-05-11 | 2022-05-11 | 基于无先验数据的遥感水深反演模型迁移方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114973010A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115561199A (zh) * | 2022-09-26 | 2023-01-03 | 重庆数字城市科技有限公司 | 一种基于卫星遥感影像的水华监测方法 |
CN115908998A (zh) * | 2022-11-17 | 2023-04-04 | 北京星天科技有限公司 | 水深数据识别模型的训练方法、水深数据识别方法及装置 |
-
2022
- 2022-05-11 CN CN202210532917.0A patent/CN114973010A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115561199A (zh) * | 2022-09-26 | 2023-01-03 | 重庆数字城市科技有限公司 | 一种基于卫星遥感影像的水华监测方法 |
CN115908998A (zh) * | 2022-11-17 | 2023-04-04 | 北京星天科技有限公司 | 水深数据识别模型的训练方法、水深数据识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114973010A (zh) | 基于无先验数据的遥感水深反演模型迁移方法 | |
CN111024618A (zh) | 基于遥感影像的水质健康监测方法、装置及存储介质 | |
CN110766058B (zh) | 一种基于优化rpn网络的战场目标检测方法 | |
KR102018789B1 (ko) | 지형정규화 모델 평가 방법, 및 이를 이용한 식생지수 맵의 지형효과 보정방법 및 그 장치 | |
CN109580630A (zh) | 一种机械零部件缺陷的视觉检测方法 | |
CN112651968A (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN114139444A (zh) | 一种基于机器学习的近海海表温度反演方法 | |
CN111553922A (zh) | 一种卫星遥感影像自动云检测方法 | |
CN112013822A (zh) | 基于改进gwr模型的多光谱遥感水深反演方法 | |
CN108470338A (zh) | 一种水位监测方法 | |
CN116295285A (zh) | 基于区域自适应的浅海水深遥感反演方法 | |
CN111241991B (zh) | 一种基于遥感影像的水质分类方法 | |
CN115512247A (zh) | 基于图像多参数提取的区域建筑损伤等级评定方法 | |
CN114494371A (zh) | 基于多尺度相位一致性的光学图像和sar图像配准方法 | |
CN111339959A (zh) | 基于sar和光学影像融合的近海浮筏养殖区提取方法 | |
CN110738693A (zh) | 一种地基成像雷达多角度图像配准方法 | |
CN111624606B (zh) | 一种雷达图像降雨识别方法 | |
CN111595247B (zh) | 基于自扩展卷积神经网络的原油油膜绝对厚度反演方法 | |
CN105259145B (zh) | 一种同时遥感岛礁水下地形和地物的方法 | |
CN112053341A (zh) | 一种基于光反射率和人工智能的合金材料的表面温度测量方法 | |
Ye et al. | Building detection by local region features in SAR images | |
CN111222576A (zh) | 一种高分辨率遥感图像分类方法 | |
CN114972276A (zh) | 一种车辆自动驾驶距离判断算法 | |
CN115060656B (zh) | 基于稀疏先验实测点的卫星遥感水深反演方法 | |
CN114419317A (zh) | 一种用于复杂环境线结构光的光条中心提取方法 |
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 |