CN115272679B - 地热有利区的辨识方法、装置、终端及存储介质 - Google Patents
地热有利区的辨识方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN115272679B CN115272679B CN202210945258.3A CN202210945258A CN115272679B CN 115272679 B CN115272679 B CN 115272679B CN 202210945258 A CN202210945258 A CN 202210945258A CN 115272679 B CN115272679 B CN 115272679B
- Authority
- CN
- China
- Prior art keywords
- image
- surface temperature
- region
- segmentation model
- temperature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 85
- 230000002349 favourable effect Effects 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 230000009286 beneficial effect Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 78
- 230000006870 function Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 20
- 238000013135 deep learning Methods 0.000 claims description 16
- 239000010410 layer Substances 0.000 description 41
- 230000005855 radiation Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000009792 diffusion process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000009699 differential effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000000203 mixture Substances 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
- 239000003208 petroleum Substances 0.000 description 1
- 239000012857 radioactive material Substances 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/10—Geothermal energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种地热有利区的辨识方法、装置、终端及存储介质,该方法包括:获取待辨识区域的地表温度反演图像;基于经过训练的温度分割模型对所述地表温度反演图像进行区域划分,得到所述地表温度反演图像中的地热有利区;所述温度分割模型为加入注意力机制的U‑Net分割网络。本发明通过温度分割模型对地表温度反演图像进行分割,可以在图像中提取高温区域的清晰轮廓,从而准确辨识出待辨识区域中的地热有利区。
Description
技术领域
本发明涉及地质分析技术领域,尤其涉及一种地热有利区的辨识方法、装置、终端及存储介质。
背景技术
地热资源储量巨大,却并不集中,能够直接开采利用的地区非常有限。目前国内外地热研究,主要依靠地表温度反演的三种方法:大气校正法(也称为辐射传输方程,Radiative Transfer Equation,RTE)、单通道算法和分裂窗算法,基本原理均需要利用到遥感测绘卫星的热红外通道(Thermal Infrared Remote Sensor,TIRS)对测绘地区进行热红外波段辐射捕捉,并记录测绘地区当刻的大气相关属性数值,如大气剖面参数(大气平均透过率、大气向上辐射、大气向下辐射等),地表比辐射率等。随后代入多个线性变换公式中,得到地区全副温度反演图,最后仍需人工分辨与挑选出温度分布图中高温地区,定性高温地点为温度异常点/有利区。
以上方法全程需人工介入操作,并且最终结果的判断依赖研究人员经验积累,造成大量重复操作和推断决策工作,不具备大吞吐量高效率和标准统一性,导致准确性较差。
发明内容
本发明提供了一种地热有利区的辨识方法、装置、终端及存储介质,以解决地热有利区的辨识准确性差的问题。
第一方面,本发明提供了一种地热有利区的辨识方法,包括:
获取待辨识区域的地表温度反演图像;
基于经过训练的温度分割模型对所述地表温度反演图像进行区域划分,得到所述地表温度反演图像中的地热有利区;所述温度分割模型为加入注意力机制的U-Net分割网络。
在一种可能的实现方式中,在所述基于经过训练的温度分割模型对所述地表温度反演图像进行区域划分,得到所述地表温度反演图像中的地热有利区之前,所述方法还包括:
建立初始的温度分割模型;
基于训练样本集对所述初始的温度分割模型进行训练,得到经过训练的温度分割模型;其中,所述训练样本集包括多个训练样本,训练样本为经过标注的地表温度反演图像,所述训练样本集中的各个训练样本涵盖四季,并且各地表温度反演图像的含云量均低于预设比例。
在一种可能的实现方式中,在所述基于训练样本集对所述初始的温度分割模型进行训练,得到经过训练的温度分割模型之前,所述方法还包括:
获取多个地表温度反演图像;
基于预设温度阈值对所述多个地表温度反演图像进行二值化处理,得到多个训练样本,并基于所述多个训练样本构建训练样本集。
在一种可能的实现方式中,所述温度分割模型包括四层深度学习卷积对和注意力模块,每层深度学习卷积对包括一个编码器和一个解码器;其中,四个编码器按照层数由小到大依次串联,四个解码器按照层数由大到小依次串联,每层编码器的图像尺寸是上一层编码器的图像尺寸的一半,每层编码器的通道数量是上一层编码器的通道数量的两倍,每层解码器的图像尺寸是上一层解码器的图像尺寸的两倍,每层解码器的通道数量是上一层解码器的通道数量的一半。
在一种可能的实现方式中,所述温度分割模型的损失函数为BCE-Dice损失函数。
在一种可能的实现方式中,所述获取待辨识区域的地表温度反演图像,包括:
获取待辨识区域的遥感图像;
利用ENVI遥感图像处理平台对所述待辨识区域的遥感图像进行地表温度反演,得到待辨识区域的地表温度反演图像。
第二方面,本发明提供了一种地热有利区的辨识装置,包括:
获取模块,用于获取待辨识区域的地表温度反演图像;
分割模块,用于基于经过训练的温度分割模型对所述地表温度反演图像进行区域划分,得到所述地表温度反演图像中的地热有利区;所述温度分割模型为加入注意力机制的U-Net分割网络。
第三方面,本发明提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明提供一种地热有利区的辨识方法、装置、终端及存储介质,该方法包括:获取待辨识区域的地表温度反演图像;基于经过训练的温度分割模型对所述地表温度反演图像进行区域划分,得到所述地表温度反演图像中的地热有利区;所述温度分割模型为加入注意力机制的U-Net分割网络。本发明通过温度分割模型对地表温度反演图像进行分割,可以在图像中提取高温区域的清晰轮廓,从而准确辨识出待辨识区域中的地热有利区。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的地热有利区的辨识方法的实现流程图
图2是本发明一实施例提供的生成训练样本的实现流程图;
图3是本发明一实施例提供的温度分割模型的结构示意图;
图4是本发明一实施例提供的生成地表温度反演图像的实现流程图;
图5是本发明一实施例提供的辨识结果与验证样本的对比图;
图6是本发明一实施例提供的辨识结果与验证样本的对比图;
图7是本发明一实施例提供的辨识结果与验证样本的对比图;
图8是本发明一实施例提供的地热有利区的辨识装置的结构示意图;
图9是本发明一实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
以下为本发明实施例的应用背景:
地热资源是指贮存在地球内部的可再生热能,一般集中分布在构造板块边缘一带,起源于地球的熔融岩浆和放射性物质的衰变。地热资源是一种十分宝贵的综合性矿产资源,其功能多,用途广,不仅是一种洁净的能源资源,可供发电、采暖等利用。多年实践表明,地热资源的综合开发利用,其社会、经济和环境效益均很显著,在发展国民经济中已显示出越来越重要的作用。我国政府有关机构、地矿与石油、煤炭等部门十分重视地热资源的勘查研究和开发利用,每年调拨大量资金,除发展高温地热资源的发电利用外,同时也发展中低温地热资源的直接利用,即以西部、华北及东南沿海一带形成的“三大片”地区,作为全国地热勘查研究和开发利用的重点地区,并与典型地热田试验性开发利用示范点相结合,取得了重大成果,推动了全国地热资源开发利用的发展。
地热资源储量巨大,却并不集中,能够直接开采利用的地区非常有限。人们可以利用的是指地壳表层到地下5km范围内,温度大于15摄氏度的地热能,这些地热能经勘探开发后可以用来发电、取暖,也可以用来发展旅游及保健业,在养殖与种植产业中也得到了很好的应用。
目前国内外地热研究,主要依靠地表温度反演的三种主要方法:大气校正法(也称为辐射传输方程,Radiative Transfer Equation,RTE)、单通道算法和分裂窗算法,基本原理均需要利用到遥感测绘卫星的热红外通道(Thermal Infrared Remote Sensor,TIRS)对测绘地区进行热红外波段辐射捕捉,并记录测绘地区当刻的大气相关属性数值,如大气剖面参数(大气平均透过率、大气向上辐射、大气向下辐射等),地表比辐射率等。随后代入多个线性变换公式中,得到地区全副温度反演图,最后仍需人工分辨与挑选出温度分布图中高温地区,定性高温地点为温度异常点/有利区。以上方法全程需人工介入操作,并且最终结果的判断依赖研究人员经验积累,造成大量重复操作和推断决策工作,不具备大吞吐量高效率和标准统一性。
近年来,深度学习图像处理技术方面研究取得长足进步,其性能表现足以支持对现实场景实际应用进行实时处理与评估。其中,语义分割网络(Semantic SegmentationNetworks)在图像特征提取与表征应用领域大放异彩,在一众“AI+ 工业”技术中处于关键地位。比如医学图像语义分割网络可通过训练获得辨别健康/病变组织的能力,并将病变的组织或细胞从良好的组织中剥离为单独影像,能大大提升医生借助医学影像分析病情时的诊断分析效率。遥感图像语义分割网络在经训练后能判别地物所属类别,对地表水体和山体进行面积统计。工件缺陷图像语义分割网络可判别工业产品、道路、钢筋混凝土铸件表面的裂缝生长,并提取延伸纹路,及时反馈安全隐患。
而在将深度学习技术引入遥感领域,尤其是地热资源有利区捕获的分析工作时,本项技术要应对的任务具备更复杂困难的问题背景。相比于医学或制造业的常见目标,地表温度高温区域识别与分割有其特殊的难点,我们将造成困难的主要原因总结为以下方面:
(1)热辐射扩散效应:根据热力学定律,热辐射具有扩散性,辐射会从高温物体传导到低温物体。就深度学习图像任务而言,在特征提取阶段,网络提取特征需依赖于图像的底层信息,如角点、梯度、边缘等。然而,由于热红外图像的热扩散效应,梯度平滑和边缘模糊会导致热红外图像的特征提取难度陡然增加,从热红外图像中提取明显的轮廓和结构非常困难。反映在本技术适用的问题领域就是图像中代表高温的白色区域会比实际中真实高温区大,有产生误判的风险隐患。
(2)TIR通道分辨率:以本技术调试时选用的landsat8卫星成像为例, landsat8携带陆地成像仪(Operational Land Imager,OLI)和热红外传感器 (Thermal InfraredSensor,TIRS),共具有11个波段成像通道,1-9号为陆地成像仪所属通道,空间分辨率30m(8号波段为全色波段,空间分辨率15m)。 10、11号波段为热红外成像通道,空间分辨率100m,相比陆地成像仪(30/15m),成像分辨率较低,容易造成专业人员手工选定有利区时划界不清晰的情况。
(3)季节温差影响:以本技术所应用于的A市和B市为例,A市全年平均气温17~26摄氏度,夏季平均最高气温26摄氏度,冬季平均最低气温4摄氏度;B市全年平均气温16~27摄氏度,夏季平均最高气温30摄氏度,冬季平均最低气温9摄氏度。季节差异造成的高温区域变化,对挑选热红外遥感图像中地热开采有利区带来较大影响。
参见图1,其示出了本发明实施例提供的地热有利区的辨识方法的实现流程图,详述如下:
步骤101,获取待辨识区域的地表温度反演图像。
在本实施例中,通常通过ENVI平台将红外遥感数据转化为地表温度反演图像。由于热红外图像的热扩散效应,梯度平滑和边缘模糊会导致热红外图像的特征提取难度陡然增加,从热红外图像中提取明显的轮廓和结构非常困难。因此,直接地表温度反演图像中代表高温的白色区域作为地热有利区,得到的地热有利区可能会比实际中真实高温区大,有产生误判的风险隐患。所以需要从Band10遥感图像中过滤掉热辐射扩散区域的干扰,抑制季节对结果的影响,从图像中分割出符合研究者经验判断的高温区,大幅提升对有利区的定位准确度。
步骤102,基于经过训练的温度分割模型对地表温度反演图像进行区域划分,得到地表温度反演图像中的地热有利区;温度分割模型为加入注意力机制的U-Net分割网络。
在本实施例中,收敛后的模型在经过权重固定后,便可用于推理新的热红外通道图像,定位图像中代表高温区的像素区域并突出强调,从而准确确定高温区的边界,提高地热有利区的定位准确度。
在一种可能的实现方式中,在基于经过训练的温度分割模型对地表温度反演图像进行区域划分,得到地表温度反演图像中的地热有利区之前,方法还包括:
建立初始的温度分割模型;
基于训练样本集对初始的温度分割模型进行训练,得到经过训练的温度分割模型;其中,训练样本集包括多个训练样本,训练样本为经过标注的地表温度反演图,训练样本集中的各个训练样本涵盖四季,并且各地表温度反演图像的含云量均低于预设比例。
在本实施例中,作为训练样本的图像需要覆盖四季,以减小季节差异造成的高温区域变化,对挑选热红外遥感图像中地热开采有利区带来的影响。同时,区域内含云量差异较大时,地表温度的差异也相应较大,高温区域也会受到一定影响,为了保证训练后模型的准确性,应尽量使用含云量较为统一的图像作为训练样本。
在一种可能的实现方式中,在基于训练样本集对初始的温度分割模型进行训练,得到经过训练的温度分割模型之前,方法还包括:
获取多个地表温度反演图像;
基于预设温度阈值对多个地表温度反演图像进行二值化处理,得到多个训练样本,并基于多个训练样本构建训练样本集。
在本实施例中,构建训练样本集的具体步骤为:首先利用卫星获取与待辨识区域相近区域的遥感图像。为综合季节对温度的影响,选用的图像涵盖四个季节。综合云雾遮盖对地表温度反演的影响,选用的图像含云量均小于10%,其中,可以在获取图像时同时获取图像对应的含云量,此含云量由遥感卫星确定,也可以在获取图像后,检测图像内的含云量。随后利用ENVI遥感图像处理平台进行地表温度反演,即可得到多个地表温度反演图像。随后在平台中通过编辑温度色卡实现二值化处理,具体温度阈值可以设置为24摄氏度,使各地表温度反演图像中温度高于24摄氏度的地区对应像素呈现白色,低于24摄氏度地区呈现黑色,得到用于训练深度学习有利区提取模型的训练样本,或称为指示正确选区的验证样本。各步骤处理后的图像效果如图2所示。
在一种可能的实现方式中,温度分割模型包括四层深度学习卷积对和注意力模块,每层深度学习卷积对包括一个编码器和一个解码器;其中,四个编码器按照层数由小到大依次串联,四个解码器按照层数由大到小依次串联,每层编码器的图像尺寸是上一层编码器的图像尺寸的一半,每层编码器的通道数量是上一层编码器的通道数量的两倍,每层解码器的图像尺寸是上一层解码器的图像尺寸的两倍,每层解码器的通道数量是上一层解码器的通道数量的一半。
在本实施例中,本技术采用主流的U-Net分割网络作为模型主体,并增加Attention模块提升模型对于高温区所含特征的提取能力,完整的模型结构如图 3所示,具体的图3(a)为注意力模块的内部结构,图3(b)为加入注意力模块后的温度分割模型的结构。U-Net主体为四层编码器-解码器组成的深度学习卷积模块对,其中E_1表示第一层深度学习卷积模块对中的编码器,D_4表示第四层深度学习卷积模块对中的解码器。每个深度学习卷积模块对的内部结构均相同,编码部分每下降一层图像尺寸缩小为上一级的一半(尺寸从H×W变为1/2H×1/2W),而代表特征数量的通道数C变为上一级的两倍。(通道数从C变为2C)。解码器部分对图像的处理则相反,尺寸放大为二倍而通道数减为一半。Attention模块的实现机制为SE Block,通过两个全连接层的计算,对每个通道赋予不同的权重,高温区具有的特征在此过程中得到突出强调,因此最终的分割精度得以提升。
在一种可能的实现方式中,温度分割模型的损失函数为BCE-Dice损失函数。
在本实施例中,模型在训练时采用的损失函数为BCE-Dice损失函数,由交叉熵损失函数LCE和Dice损失函数LDice组成,两者发挥不同的效果。其中, CE损失函数追求像素的精准逼近,Dice函数能让结果具有清晰的边界,两者搭配共同监督训练效果。损失函数公式如下:
LBCEDice=β·LCE+LDice#(1)
其中各成分公式为:
公式中yi是代表正确分布的Ground-truth图像中某像素点,yi∈{0,1},为0时表示该像素点的正确分类应当为背景,为1时表示该像素点应当为裂缝目标。是模型对于像素点yi的预测,我们通过训练模型,使得模型的预测输出/>能尽可能逼近真实值yi,并让输出图像含有的N个像素点预测结果与正确图像 Ground-truth尽可能接近,同样的情况适用于下方的Dice损失函数LDice。
此外,公式(1)中β取0.5,使得损失函数在监督模型训练时,Dice占据更多的位置。公式(2)为交叉熵损失函数,是深度学习中最广泛使用的损失函数,原理是逐像素对比,令输出结果中每个像素都逼近期望结果。公式(3)为 Dice损失函数。
在一种可能的实现方式中,获取待辨识区域的地表温度反演图像,包括:
获取待辨识区域的遥感图像;
利用ENVI遥感图像处理平台对待辨识区域的遥感图像进行地表温度反演,得到待辨识区域的地表温度反演图像。
在本实施例中,如图4所示,首先对Landsat8卫星通过陆地成像仪(OLT) /热红外传感器(TIRS)获得的遥感数据进行辐射定标,将传感器数据转化为具有物理含义的图像/温度数据,然后对图像/温度数据进行大气校正、NDVI计算以及地表比辐射率计算,最后将计算结果结合Band10辐射亮度图像并进行同温度下黑体辐射亮度计算和地表温度计算,得到地表温度反演图像。
在一个具体的实施例中,对A市进行地热有利区辨识的具体过程如下:
1.采用ENVI遥感图像处理平台制作b地表温度反演图像。
2.将处理完的图像经由裁剪、随机增强(Random Augmentation)后,产生共8000张尺寸为224×224的图像数据集,按照4:1的比例分为训练集和测试集,后续进入训练阶段时训练集中还将抽取10%作为验证集。
3.模型训练阶段,采用运行在Python 3.7的Pytorch 1.8.1平台,Cuda 版本为11.1对温度分割模型进行训练。经过训练后,模型本身具有区分地热资源有利区和复杂背景的能力,能准确定位图像中代表高温的白色区域。并且能较好抑制热扩散效应对选区位置的模糊干扰,最终实现结构完整,定位准确,背景干净的有利区提取效果。
4.将经过训练的温度分割模型用于预测A市的地热有利区,图5、6、7示出了原始图像代表高温的白色区域面积大小与模型处理后预测的有利区面积大小对比。可见,本实施例提供的方法可以准确辨识出A市的地热有利区。
本发明实施例提供的地热有利区的辨识方法包括:获取待辨识区域的地表温度反演图像;基于经过训练的温度分割模型对所述地表温度反演图像进行区域划分,得到所述地表温度反演图像中的地热有利区;所述温度分割模型为加入注意力机制的U-Net分割网络。本发明通过温度分割模型对地表温度反演图像进行分割,可以在图像中提取高温区域的清晰轮廓,从而准确辨识出待辨识区域中的地热有利区。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图8示出了本发明实施例提供的地热有利区的辨识装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图8所示,地热有利区的辨识装置8包括:
获取模块81,用于获取待辨识区域的地表温度反演图像;
分割模块82,用于基于经过训练的温度分割模型对所述地表温度反演图像进行区域划分,得到所述地表温度反演图像中的地热有利区;所述温度分割模型为加入注意力机制的U-Net分割网络。
在一种可能的实现方式中,地热有利区的辨识装置8还包括:
建立模块,用于在基于经过训练的温度分割模型对地表温度反演图像进行区域划分,得到地表温度反演图像中的地热有利区之前,建立初始的温度分割模型;
训练模块,用于基于训练样本集对初始的温度分割模型进行训练,得到经过训练的温度分割模型;其中,训练样本集包括多个训练样本,训练样本为经过标注的地表温度反演图像,训练样本集中的各个训练样本涵盖四季,并且各地表温度反演图像的含云量均低于预设比例。
在一种可能的实现方式中,训练模块还用于:
在基于训练样本集对初始的温度分割模型进行训练,得到经过训练的温度分割模型之前,获取多个地表温度反演图像;
基于预设温度阈值对多个地表温度反演图像进行二值化处理,得到多个训练样本,并基于多个训练样本构建训练样本集。
在一种可能的实现方式中,温度分割模型包括四层深度学习卷积对和注意力模块,每层深度学习卷积对包括一个编码器和一个解码器;其中,四个编码器按照层数由小到大依次串联,四个解码器按照层数由大到小依次串联,每层编码器的图像尺寸是上一层编码器的图像尺寸的一半,每层编码器的通道数量是上一层编码器的通道数量的两倍,每层解码器的图像尺寸是上一层解码器的图像尺寸的两倍,每层解码器的通道数量是上一层解码器的通道数量的一半。
在一种可能的实现方式中,温度分割模型的损失函数为BCE-Dice损失函数。
在一种可能的实现方式中,获取模块81具体用于:
获取待辨识区域的遥感图像;
利用ENVI遥感图像处理平台对待辨识区域的遥感图像进行地表温度反演,得到待辨识区域的地表温度反演图像。
本发明实施例提供的地热有利区的辨识装置包括:获取模块,用于获取待辨识区域的地表温度反演图像;分割模块,用于基于经过训练的温度分割模型对所述地表温度反演图像进行区域划分,得到所述地表温度反演图像中的地热有利区;所述温度分割模型为加入注意力机制的U-Net分割网络。本发明通过温度分割模型对地表温度反演图像进行分割,可以在图像中提取高温区域的清晰轮廓,从而准确辨识出待辨识区域中的地热有利区。
图9是本发明实施例提供的终端的示意图。如图9所示,该实施例的终端9包括:处理器90、存储器91以及存储在所述存储器91中并可在所述处理器 90上运行的计算机程序92。所述处理器90执行所述计算机程序92时实现上述各个地热有利区的辨识方法实施例中的步骤。或者,所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序92可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器91中,并由所述处理器90执行,以完成本发明。所述一个或多个模块/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,该指令段用于描述所述计算机程序92在所述终端9中的执行过程。
所述终端9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。所述终端9可包括,但不仅限于,处理器90、存储器91。本领域技术人员可以理解,图9仅仅是终端9的示例,并不构成对终端9的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器90可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述终端9的内部存储单元,例如终端9的硬盘或内存。所述存储器91也可以是所述终端9的外部存储设备,例如所述终端9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器91还可以既包括所述终端9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个地热有利区的辨识方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (6)
1.一种地热有利区的辨识方法,其特征在于,包括:
获取待辨识区域的地表温度反演图像;
基于经过训练的温度分割模型对所述地表温度反演图像进行区域划分,得到所述地表温度反演图像中的地热有利区;所述温度分割模型为加入注意力机制的U-Net分割网络;
所述温度分割模型包括四层深度学习卷积对和注意力模块,每层深度学习卷积对包括一个编码器和一个解码器,第一层深度学习卷积对的编码器和解码器通过所述注意力模块连接,所述注意力模块为SE Block;
在所述基于经过训练的温度分割模型对所述地表温度反演图像进行区域划分,得到所述地表温度反演图像中的地热有利区之前,所述方法还包括:
建立初始的温度分割模型;
基于训练样本集对所述初始的温度分割模型进行训练,得到经过训练的温度分割模型;其中,所述训练样本集包括多个训练样本,训练样本为经过标注的地表温度反演图像,所述训练样本集中的各个训练样本涵盖四季,并且各地表温度反演图像的含云量均低于预设比例;
在所述基于训练样本集对所述初始的温度分割模型进行训练,得到经过训练的温度分割模型之前,所述方法还包括:
获取多个地表温度反演图像;
基于预设温度阈值对所述多个地表温度反演图像进行二值化处理,得到多个训练样本,并基于所述多个训练样本构建训练样本集;
所述获取待辨识区域的地表温度反演图像,包括:
获取待辨识区域的遥感图像;其中,所述遥感图像基于Landsat8卫星通过陆地成像仪/热红外传感器获得的遥感数据得到;
利用ENVI遥感图像处理平台对所述待辨识区域的遥感图像进行地表温度反演,得到待辨识区域的地表温度反演图像。
2.根据权利要求1所述的地热有利区的辨识方法,其特征在于,四个编码器按照层数由小到大依次串联,四个解码器按照层数由大到小依次串联,每层编码器的图像尺寸是上一层编码器的图像尺寸的一半,每层编码器的通道数量是上一层编码器的通道数量的两倍,每层解码器的图像尺寸是上一层解码器的图像尺寸的两倍,每层解码器的通道数量是上一层解码器的通道数量的一半。
3.根据权利要求1所述的地热有利区的辨识方法,其特征在于,所述温度分割模型的损失函数为BCE-Dice损失函数。
4.一种地热有利区的辨识装置,其特征在于,包括:
获取模块,用于获取待辨识区域的地表温度反演图像;
分割模块,用于基于经过训练的温度分割模型对所述地表温度反演图像进行区域划分,得到所述地表温度反演图像中的地热有利区;所述温度分割模型为加入注意力机制的U-Net分割网络;
所述温度分割模型包括四层深度学习卷积对和注意力模块,每层深度学习卷积对包括一个编码器和一个解码器,第一层深度学习卷积对的编码器和解码器通过所述注意力模块连接,所述注意力模块为SE Block;
所述装置还包括:
建模模块,用于在所述基于经过训练的温度分割模型对所述地表温度反演图像进行区域划分,得到所述地表温度反演图像中的地热有利区之前,建立初始的温度分割模型;
训练模块,用于基于训练样本集对所述初始的温度分割模型进行训练,得到经过训练的温度分割模型;其中,所述训练样本集包括多个训练样本,训练样本为经过标注的地表温度反演图;
训练模块还用于:
在基于训练样本集对初始的温度分割模型进行训练,得到经过训练的温度分割模型之前,获取多个地表温度反演图像;
基于预设温度阈值对多个地表温度反演图像进行二值化处理,得到多个训练样本,并基于多个训练样本构建训练样本集;
所述获取模块具体用于:
获取待辨识区域的遥感图像;其中,所述遥感图像基于Landsat8卫星通过陆地成像仪/热红外传感器获得的遥感数据得到;
利用ENVI遥感图像处理平台对所述待辨识区域的遥感图像进行地表温度反演,得到待辨识区域的地表温度反演图像。
5.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至3中任一项所述方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210945258.3A CN115272679B (zh) | 2022-08-08 | 2022-08-08 | 地热有利区的辨识方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210945258.3A CN115272679B (zh) | 2022-08-08 | 2022-08-08 | 地热有利区的辨识方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115272679A CN115272679A (zh) | 2022-11-01 |
CN115272679B true CN115272679B (zh) | 2024-03-19 |
Family
ID=83748831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210945258.3A Active CN115272679B (zh) | 2022-08-08 | 2022-08-08 | 地热有利区的辨识方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272679B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738620A (zh) * | 2008-11-19 | 2010-06-16 | 中国农业科学院农业资源与农业区划研究所 | 从被动微波遥感数据amsr-e反演地表温度的方法 |
CN109509178A (zh) * | 2018-10-24 | 2019-03-22 | 苏州大学 | 一种基于改进的U-net网络的OCT图像脉络膜分割方法 |
CN112419286A (zh) * | 2020-11-27 | 2021-02-26 | 苏州斯玛维科技有限公司 | 皮肤镜图像的分割方法及其分割装置 |
CN113192007A (zh) * | 2021-04-07 | 2021-07-30 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种多尺度信息融合的地热异常区提取方法 |
CN113205537A (zh) * | 2021-05-17 | 2021-08-03 | 广州大学 | 基于深度学习的血管图像分割方法、装置、设备及介质 |
CN113838067A (zh) * | 2021-09-26 | 2021-12-24 | 中南民族大学 | 肺结节的分割方法和装置、计算设备、可存储介质 |
CN114005048A (zh) * | 2021-11-07 | 2022-02-01 | 福建师范大学 | 基于多时相数据的土地覆盖变化与热环境影响研究方法 |
WO2022047625A1 (zh) * | 2020-09-01 | 2022-03-10 | 深圳先进技术研究院 | 一种图像处理方法、系统和计算机存储介质 |
EP3984349A1 (en) * | 2019-06-17 | 2022-04-20 | Bayer CropScience K.K. | Information processing device and method |
CN114529823A (zh) * | 2022-02-28 | 2022-05-24 | 中国地质科学院岩溶地质研究所 | 一种冰湖溃决隐患综合遥感识别方法及系统 |
CN114662732A (zh) * | 2021-12-31 | 2022-06-24 | 核工业北京地质研究院 | 一种基于Aster卫星数据地热异常区综合预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101815356B1 (ko) * | 2015-12-24 | 2018-01-04 | 한국전력공사 | 지온경사 추정 방법 및 지온경사 추정 장치 |
-
2022
- 2022-08-08 CN CN202210945258.3A patent/CN115272679B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738620A (zh) * | 2008-11-19 | 2010-06-16 | 中国农业科学院农业资源与农业区划研究所 | 从被动微波遥感数据amsr-e反演地表温度的方法 |
CN109509178A (zh) * | 2018-10-24 | 2019-03-22 | 苏州大学 | 一种基于改进的U-net网络的OCT图像脉络膜分割方法 |
EP3984349A1 (en) * | 2019-06-17 | 2022-04-20 | Bayer CropScience K.K. | Information processing device and method |
WO2022047625A1 (zh) * | 2020-09-01 | 2022-03-10 | 深圳先进技术研究院 | 一种图像处理方法、系统和计算机存储介质 |
CN112419286A (zh) * | 2020-11-27 | 2021-02-26 | 苏州斯玛维科技有限公司 | 皮肤镜图像的分割方法及其分割装置 |
CN113192007A (zh) * | 2021-04-07 | 2021-07-30 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种多尺度信息融合的地热异常区提取方法 |
CN113205537A (zh) * | 2021-05-17 | 2021-08-03 | 广州大学 | 基于深度学习的血管图像分割方法、装置、设备及介质 |
CN113838067A (zh) * | 2021-09-26 | 2021-12-24 | 中南民族大学 | 肺结节的分割方法和装置、计算设备、可存储介质 |
CN114005048A (zh) * | 2021-11-07 | 2022-02-01 | 福建师范大学 | 基于多时相数据的土地覆盖变化与热环境影响研究方法 |
CN114662732A (zh) * | 2021-12-31 | 2022-06-24 | 核工业北京地质研究院 | 一种基于Aster卫星数据地热异常区综合预测方法 |
CN114529823A (zh) * | 2022-02-28 | 2022-05-24 | 中国地质科学院岩溶地质研究所 | 一种冰湖溃决隐患综合遥感识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
Dmitry Rashkovetsky 等.Wildfire Detection From Multisensor Satellite Imagery Using Deep Semantic Segmentation.《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》.第第14卷卷7001-7016. * |
Also Published As
Publication number | Publication date |
---|---|
CN115272679A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Building extraction from multi-source remote sensing images via deep deconvolution neural networks | |
CN112906822B (zh) | 一种面向生态保护红线的人类活动识别融合方法及系统 | |
CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
Tian et al. | Multiscale building extraction with refined attention pyramid networks | |
CN114092832A (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN110378295B (zh) | 一种多光谱图像信息和光谱信息异构融合的煤矸识别方法 | |
CN111982822B (zh) | 一种长时间序列高精度植被指数改进算法 | |
CN113221765A (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 | |
CN111339948A (zh) | 一种高分辨率遥感影像新增建筑自动识别方法 | |
CN112580982A (zh) | 一种基于多时相遥感和casa模型的生态保护红线实施评估 | |
Sampath et al. | Estimation of rooftop solar energy generation using satellite image segmentation | |
Huang et al. | A 3D ConvLSTM-CNN network based on multi-channel color extraction for ultra-short-term solar irradiance forecasting | |
CN114444757A (zh) | 一种高原山地多模型多尺度新能源电站出力联合预测方法 | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
Yu et al. | Convolutional neural network with feature reconstruction for monitoring mismatched photovoltaic systems | |
CN112329791B (zh) | 一种高光谱影像水域自动提取方法 | |
CN115272679B (zh) | 地热有利区的辨识方法、装置、终端及存储介质 | |
CN117152637A (zh) | 基于fy-4a卫星云图预测序列的强对流云识别方法 | |
CN110321528B (zh) | 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法 | |
CN112598590A (zh) | 基于深度学习的光学遥感时间序列影像重建方法及系统 | |
CN116895019A (zh) | 一种基于动态加权交叉熵损失的遥感图像变化检测方法及其检测系统 | |
CN116863341A (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
CN116363536A (zh) | 一种基于无人机巡查数据的电网基建设备缺陷归档方法 | |
Yin et al. | U-Net-STN: A Novel End-to-End Lake Boundary Prediction Model. Land 2023, 12, 1602 | |
De Luis et al. | SolarFormer: Multi-scale transformer for solar PV profiling |
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 |