CN115578644B - 基于多特征机器学习的平原水网水葫芦提取方法及装置 - Google Patents
基于多特征机器学习的平原水网水葫芦提取方法及装置 Download PDFInfo
- Publication number
- CN115578644B CN115578644B CN202210945882.3A CN202210945882A CN115578644B CN 115578644 B CN115578644 B CN 115578644B CN 202210945882 A CN202210945882 A CN 202210945882A CN 115578644 B CN115578644 B CN 115578644B
- Authority
- CN
- China
- Prior art keywords
- water hyacinth
- machine learning
- river channel
- water
- extraction
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/188—Vegetation
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2
- Y02P60/21—Dinitrogen oxide [N2O], e.g. using aquaponics, hydroponics or efficiency measures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种基于多特征机器学习的平原水网水葫芦提取方法及装置,通过获取卫星影像数据、河道矢量数据和河道所在地区的矢量边界数据;提取河道卫星影像数据的多光谱信息、纹理特征和植被指数特征作为水葫芦的分类特征;将提取的水葫芦分类特征分别输入到训练好的三种机器学习模型中对水葫芦进行提取;将提取结果进行二值化处理;对比验证三种机器学习模型的提取结果,获得最优提取结果;以河道所在地区的矢量边界数据为基础创建格网;统计每个格网内水葫芦像元素;获取河道所在区域水葫芦分布情况。本申请能够将水葫芦与其它水生植物进行有效区分,无需人工干预,避免了单波段阈值及多波段比值方法中阈值设定的问题,能够准确提取出平原水网中的水葫芦。
Description
技术领域
本申请涉及机器学习技术领域,具体涉及一种基于多特征机器学习的平原水网水葫芦提取方法及装置。
背景技术
水葫芦是目前世界上危害最严重的水生漂浮植物,是造成水污染的重要原因,及时有效地监测并治理水葫芦成为当前亟需解决的问题。传统人工巡查的方式识别准确率高,但费时费力,覆盖范围有限,成本较高。
所以,目前国内外开展遥感监测水葫芦的研究主要有三类方法,分别为监督分类、单波段阈值以及多波段比值。监督分类首先需要选取目标像元,建立训练样本,对遥感影像进行分类,结果需人工解译修正;单波段阈值利用特征波段在水葫芦高反射而在水体强吸收的特性设定阈值进行提取;多波段比值法通过扩大水葫芦在可见光波段与近红外波段之间的差异,提升分类精度。单波段阈值和多波段比值法都需设定阈值进行目标提取,然而如何准确设定阈值目前还没有较好的方法。而且遥感监测方法虽然能够实现水葫芦的快速提取,但基于监督分类方法结果需要人工干预,效率不高。
此外,现有研究主要聚焦于大型湖泊,针对平原水网地区的研究较少,上述方法的适用性有待进一步证实,所以如何精确提取平原水网地区的水葫芦,从而提高水葫芦治理效率成为了本领域亟待解决的问题。
发明内容
为此,本申请提供一种基于多特征机器学习的平原水网水葫芦提取方法及装置,以解决现有技术存在的如何精确提取平原水网地区的水葫芦,从而提高水葫芦治理效率的问题。
为了实现上述目的,本申请提供如下技术方案:
第一方面,一种基于多特征机器学习的平原水网水葫芦提取方法,包括:
获取卫星影像数据、河道矢量数据和河道所在地区的矢量边界数据,基于所述卫星影像数据和所述河道矢量数据提取河道卫星影像数据;
提取所述河道卫星影像数据特征作为水葫芦的分类特征;
将提取的水葫芦分类特征分别输入到训练好的三种机器学习模型中对水葫芦进行提取;
将提取结果进行二值化处理;
对比验证三种机器学习模型的提取结果,获得最优提取结果;
以所述河道所在地区的矢量边界数据为基础创建格网;
统计每个格网内水葫芦像元素;
获取所述河道所在区域水葫芦分布情况。
作为优选,所述卫星影像数据采用哨兵2号卫星影像数据。
作为优选,所述河道卫星影像数据特征包括多光谱信息、纹理特征和植被指数特征。
作为优选,所述三种机器学习模型为神经网络分类模型、随机森林分类模型和支持向量机分类模型。
作为优选,所述格网为5km×5km的格网。
作为优选,所述统计每个格网内水葫芦像元素采用区域统计方法进行统计。
作为优选,所述获取所述河道所在区域水葫芦分布情况时采用反距离权重插值进行获取。
第二方面,一种基于多特征机器学习的平原水网水葫芦提取装置,包括:
数据源获取模块,用于获取卫星影像数据、河道矢量数据和河道所在地区的矢量边界数据,并基于所述卫星影像数据和所述河道矢量数据提取河道卫星影像数据;
特征提取模块,用于提取所述河道卫星影像数据的多光谱信息、纹理特征和植被指数特征作为水葫芦的分类特征;
水葫芦提取模块,用于将提取的水葫芦分类特征输入到训练好的三种机器学习模型中对水葫芦进行提取;
二值化处理模块,用于将提取结果进行二值化处理;
验证模块,用于对比验证三种机器学习模型的提取结果,获得最优提取结果;
格网创建模块,用于以所述河道所在地区的矢量边界数据为基础创建格网;
区域统计模块,用于统计每个格网内水葫芦像元素;
水葫芦分布情况获取模块,用于获取所述河道所在区域水葫芦分布情况。
第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现基于多特征机器学习的平原水网水葫芦提取方法的步骤。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现基于多特征机器学习的平原水网水葫芦提取方法的步骤。
相比现有技术,本申请至少具有以下有益效果:
本申请提供了一种基于多特征机器学习的平原水网水葫芦提取方法及装置,通过获取卫星影像数据、河道矢量数据和河道所在地区的矢量边界数据;提取河道卫星影像数据的多光谱信息、纹理特征和植被指数特征作为水葫芦的分类特征;将提取的水葫芦分类特征分别输入到训练好的三种机器学习模型中对水葫芦进行提取;将提取结果进行二值化处理;对比验证三种机器学习模型的提取结果,获得最优提取结果;以河道所在地区的矢量边界数据为基础创建格网;统计每个格网内水葫芦像元素;获取河道所在区域水葫芦分布情况。本申请能够将水葫芦与其它水生植物进行有效区分,无需人工干预,避免了单波段阈值及多波段比值方法中阈值设定的问题,能够准确提取出平原水网中的水葫芦。
附图说明
为了更直观地说明现有技术以及本申请,下面给出几个示例性的附图。应当理解,附图中所示的具体形状、构造,通常不应视为实现本申请时的限定条件;例如,本领域技术人员基于本申请揭示的技术构思和示例性的附图,有能力对某些单元(部件)的增/减/归属划分、具体形状、位置关系、连接方式、尺寸比例关系等容易作出常规的调整或进一步的优化。
图1为本申请实施例一提供的一种基于多特征机器学习的平原水网水葫芦提取方法流程图;
图2为本申请实施例二提供的里下河地区河道水葫芦提取方法流程图;
图3为本申请实施例二提供的里下河研究区域范围;
图4为本申请实施例二提供的里下河研究区域范围影像分类效果对比图;
图5为本申请实施例二提供的2017-2021年间里下河地区水葫芦空间分布图。
具体实施方式
以下结合附图,通过具体实施例对本申请作进一步详述。
在本申请的描述中:除非另有说明,“多个”的含义是两个或两个以上。本申请中的术语“第一”、“第二”、“第三”等旨在区别指代的对象,而不具有技术内涵方面的特别意义(例如,不应理解为对重要程度或次序等的强调)。“包括”、“包含”、“具有”等表述方式,同时还意味着“不限于”(某些单元、部件、材料、步骤等)。
本申请中所引用的如“上”、“下”、“左”、“右”、“中间”等的用语,通常是为了便于对照附图直观理解,而并非对实际产品中位置关系的绝对限定。在未脱离本申请揭示的技术构思的情况下,这些相对位置关系的改变,当亦视为本申请表述的范畴。
实施例一
请参阅图1,本实施例提供一种基于多特征机器学习的平原水网水葫芦提取方法,利用三种不同的机器学习方法,融合水葫芦光谱、纹理、植被指数等多种特征对水葫芦进行提取识别,并对三种机器学习方法的提取结果进行对比验证,选取最佳方法进行长时序平原水网地区水葫芦监测提取,为相关部门制定水葫芦防治措施提供参考依据。
具体包括:
S1:获取卫星影像数据、河道矢量数据和河道所在地区的矢量边界数据,基于所述卫星影像数据和所述河道矢量数据提取河道卫星影像数据;
具体的,由于河网密度高,大部分河道宽度约50-100m,因此,本申请选用谱段丰富且光谱分辨率为10米的哨兵2号卫星(Sentinel-2号)影像作为数据源,该数据源优于30米分辨率的Landsat8 OLI影像,且可免费获取。
S2:提取所述河道卫星影像数据特征作为水葫芦的分类特征;
具体的,河道卫星影像数据特征包括多光谱信息、纹理特征和植被指数特征等。
S3:将提取的水葫芦分类特征分别输入到训练好的三种机器学习模型中对水葫芦进行提取;
具体的,三种机器学习模型优选为神经网络分类模型(NNC)、随机森林分类模型(RFC)和支持向量机分类模型(SVM)。
更具体的,三种机器学习模型在训练时,样本的选取需要结合实地调研以及影像判读,选择一定数量的样本,并按7:3的比例随机分为试验集和测试集。训练结束后,需要通过验证样本对各个分类器的分类效果进行验证,并统计每个模型的总体精度以及kappa系数。
此步骤融合了多个特征波段对水葫芦进行提取,弥补了单波段特征提取的不足,同时多种不同分类器的对比验证也削弱了采用固定阈值提取时导致的误差。
S4:将提取结果进行二值化处理;
S5:对比验证三种机器学习模型的提取结果,获得最优提取结果;
S6:以所述河道所在地区的矢量边界数据为基础创建格网;
具体的,创建的格网大小为5km×5km的。
S7:统计每个格网内水葫芦像元素;
具体的,采用区域统计方法统计每个格网内水葫芦像元素。
S8:获取所述河道所在区域水葫芦分布情况。
具体的,采用反距离权重插值方法获取河道所在区域水葫芦分布情况。
本申请采用机器学习和多特征相结合的方法进行水葫芦监测提取,水葫芦的多特征能够将水葫芦与其它水生植物进行有效区分,无需人工干预,采用机器学习方法对水葫芦进行分类识别有效避免了单波段阈值及多波段比值方法中阈值设定的问题,能够快速准确提取出平原水网中的水葫芦。
实施例二
请参阅图2和图3,本实施例选择江苏省中部里下河地区为研究区,对里下河地区的1495条省管河道中的水葫芦进行提取,研究范围如图3所示。
S1:数据源;
选择哨兵2号卫星影像数据以及里下河地区1495条省管河流组成的河网矢量面数据,以及里下河地区矢量边界数据,用于提取里下河地区遥感影像。
S2:特征提取;
提取影像单波段光谱特征、纹理特征以及归一化植被指数(NDVI)、增强型植被指数(EVI)等指数特征作为提取水葫芦的分类特征。
S3:水葫芦提取;
采用神经网络分类、随机森林分类、支持向量机分类对水葫芦进行提取。
为了避免单景影像分类导致的不稳定性,选取了2017-2021年中质量最好的一景影像分别进行水葫芦分类提取,模型分类精度及kappa系数如表1所示。由于分类器算法差异,三种机器学习方法提取效果也有所差别,主要表现为易误、漏提等。
表1:水葫芦分类方法总体精度及kappa系数
S4:对提取结果进行二值化处理;
S5:对比验证三种机器学习模型的提取结果,获得最优提取结果;
请参阅图4,图4为20170429期影像分类效果对比图。
S6:采用ARCMap的Create Fishnet工具以里下河范围矢量要素为基础创建5km×5km的格网;
S7:采用区域统计功能统计每个格网内水葫芦像元数;
具体的,由于里下河地区河网细密,纵横交错,在空间上很难清晰地展示河网中水葫芦的分布,因此采取区域统计的方式在空间上展示水葫芦的空间分布。
S8:采用反距离权重插值操作获取里下河地区水葫芦分布情况。
请参阅图5,图5为2017-2021年间里下河地区水葫芦空间分布。
实施例三
本实施例提供一种基于多特征机器学习的平原水网水葫芦提取装置,包括:
数据源获取模块,用于获取卫星影像数据、河道矢量数据和河道所在地区的矢量边界数据,并基于所述卫星影像数据和所述河道矢量数据提取河道卫星影像数据;
特征提取模块,用于提取所述河道卫星影像数据的指数特征作为水葫芦的分类特征;
水葫芦提取模块,用于将提取的水葫芦分类特征输入到训练好的三种机器学习模型中对水葫芦进行提取;
二值化处理模块,用于将提取结果进行二值化处理;
验证模块,用于对比验证三种机器学习模型的提取结果,获得最优提取结果;
格网创建模块,用于以所述河道所在地区的矢量边界数据为基础创建格网;
区域统计模块,用于统计每个格网内水葫芦像元素;
水葫芦分布情况获取模块,用于获取所述河道所在区域水葫芦分布情况。
关于基于多特征机器学习的平原水网水葫芦提取装置的具体限定可以参见上文中对于基于多特征机器学习的平原水网水葫芦提取方法的限定,在此不再赘述。
实施例四
本实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现基于多特征机器学习的平原水网水葫芦提取方法的步骤。
实施例五
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现基于多特征机器学习的平原水网水葫芦提取方法的步骤。
以上实施例的各技术特征可以进行任意的组合(只要这些技术特征的组合不存在矛盾),为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述;这些未明确写出的实施例,也都应当认为是本说明书记载的范围。
上文中通过一般性说明及具体实施例对本申请作了较为具体和详细的描述。应当理解,基于本申请的技术构思,还可以对这些具体实施例作出若干常规的调整或进一步的创新;但只要未脱离本申请的技术构思,这些常规的调整或进一步的创新得到的技术方案也同样落入本申请的权利要求保护范围。
Claims (10)
1.一种基于多特征机器学习的平原水网水葫芦提取方法,其特征在于,包括:
获取卫星影像数据、河道矢量数据和河道所在地区的矢量边界数据,基于所述卫星影像数据和所述河道矢量数据提取河道卫星影像数据;
提取所述河道卫星影像数据特征作为水葫芦的分类特征;
将提取的水葫芦分类特征分别输入到训练好的三种机器学习模型中对水葫芦进行提取;
将提取结果进行二值化处理;
对比验证三种机器学习模型的提取结果,获得最优提取结果;
以所述河道所在地区的矢量边界数据为基础创建格网;
统计每个格网内水葫芦像元素;
获取所述河道所在区域水葫芦分布情况。
2.根据权利要求1所述的基于多特征机器学习的平原水网水葫芦提取方法,其特征在于,所述卫星影像数据采用哨兵2号卫星影像数据。
3.根据权利要求1所述的基于多特征机器学习的平原水网水葫芦提取方法,其特征在于,所述河道卫星影像数据特征包括多光谱信息、纹理特征和植被指数特征。
4.根据权利要求1所述的基于多特征机器学习的平原水网水葫芦提取方法,其特征在于,所述三种机器学习模型为神经网络分类模型、随机森林分类模型和支持向量机分类模型。
5.根据权利要求1所述的基于多特征机器学习的平原水网水葫芦提取方法,其特征在于,所述格网为5km×5km的格网。
6.根据权利要求1所述的基于多特征机器学习的平原水网水葫芦提取方法,其特征在于,所述统计每个格网内水葫芦像元素采用区域统计方法进行统计。
7.根据权利要求1所述的基于多特征机器学习的平原水网水葫芦提取方法,其特征在于,所述获取所述河道所在区域水葫芦分布情况时采用反距离权重插值进行获取。
8.一种基于多特征机器学习的平原水网水葫芦提取装置,其特征在于,包括:
数据源获取模块,用于获取卫星影像数据、河道矢量数据和河道所在地区的矢量边界数据,基于所述卫星影像数据和所述河道矢量数据提取河道卫星影像数据;
特征提取模块,用于提取所述河道卫星影像数据的多光谱信息、纹理特征和植被指数特征作为水葫芦的分类特征;
水葫芦提取模块,用于将提取的水葫芦分类特征输入到训练好的三种机器学习模型中对水葫芦进行提取;
二值化处理模块,用于将提取结果进行二值化处理;
验证模块,用于对比验证三种机器学习模型的提取结果,获得最优提取结果;
格网创建模块,用于以所述河道所在地区的矢量边界数据为基础创建格网;
区域统计模块,用于统计每个格网内水葫芦像元素;
水葫芦分布情况获取模块,用于获取所述河道所在区域水葫芦分布情况。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210945882.3A CN115578644B (zh) | 2022-08-08 | 2022-08-08 | 基于多特征机器学习的平原水网水葫芦提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210945882.3A CN115578644B (zh) | 2022-08-08 | 2022-08-08 | 基于多特征机器学习的平原水网水葫芦提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115578644A CN115578644A (zh) | 2023-01-06 |
CN115578644B true CN115578644B (zh) | 2023-04-18 |
Family
ID=84579148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210945882.3A Active CN115578644B (zh) | 2022-08-08 | 2022-08-08 | 基于多特征机器学习的平原水网水葫芦提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578644B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10113330A1 (de) * | 2001-03-20 | 2002-10-10 | Deutsch Zentr Luft & Raumfahrt | Verfahren und Einrichtung zur optischen Fernmessung von Feuerszenen mittels IR-Sensoren |
WO2016122042A1 (ko) * | 2015-01-29 | 2016-08-04 | 계명대학교 산학협력단 | 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법 |
CN109815880A (zh) * | 2019-01-20 | 2019-05-28 | 景遥(上海)信息技术有限公司 | 基于低空遥感影像和深度学习的水葫芦识别系统及方法 |
CN111652932A (zh) * | 2020-04-20 | 2020-09-11 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种遥感图像地理定位的矢量验证方法、装置及设备 |
CN111797186A (zh) * | 2020-06-17 | 2020-10-20 | 南开大学 | 一种遥感反演水体cod的方法 |
CN112001291A (zh) * | 2020-08-18 | 2020-11-27 | 三亚中科遥感研究所 | 洪积扇砾石分布区主河道快速提取的方法与系统 |
CN113313671A (zh) * | 2021-04-30 | 2021-08-27 | 武汉光谷信息技术股份有限公司 | 一种结合卫星影像和modis数据的水稻估产方法 |
CN114694036A (zh) * | 2022-03-18 | 2022-07-01 | 南京农业大学 | 一种基于高分影像和机器学习的高海拔地区作物分类识别的方法 |
CN114821362A (zh) * | 2022-07-01 | 2022-07-29 | 江苏省水利科学研究院 | 一种基于多源数据的水稻种植面积提取方法 |
-
2022
- 2022-08-08 CN CN202210945882.3A patent/CN115578644B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10113330A1 (de) * | 2001-03-20 | 2002-10-10 | Deutsch Zentr Luft & Raumfahrt | Verfahren und Einrichtung zur optischen Fernmessung von Feuerszenen mittels IR-Sensoren |
WO2016122042A1 (ko) * | 2015-01-29 | 2016-08-04 | 계명대학교 산학협력단 | 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법 |
CN109815880A (zh) * | 2019-01-20 | 2019-05-28 | 景遥(上海)信息技术有限公司 | 基于低空遥感影像和深度学习的水葫芦识别系统及方法 |
CN111652932A (zh) * | 2020-04-20 | 2020-09-11 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种遥感图像地理定位的矢量验证方法、装置及设备 |
CN111797186A (zh) * | 2020-06-17 | 2020-10-20 | 南开大学 | 一种遥感反演水体cod的方法 |
CN112001291A (zh) * | 2020-08-18 | 2020-11-27 | 三亚中科遥感研究所 | 洪积扇砾石分布区主河道快速提取的方法与系统 |
CN113313671A (zh) * | 2021-04-30 | 2021-08-27 | 武汉光谷信息技术股份有限公司 | 一种结合卫星影像和modis数据的水稻估产方法 |
CN114694036A (zh) * | 2022-03-18 | 2022-07-01 | 南京农业大学 | 一种基于高分影像和机器学习的高海拔地区作物分类识别的方法 |
CN114821362A (zh) * | 2022-07-01 | 2022-07-29 | 江苏省水利科学研究院 | 一种基于多源数据的水稻种植面积提取方法 |
Non-Patent Citations (2)
Title |
---|
Aviraj Datta etal..Monitoring the spread of Water Hyacinth(Pontederia crassipes):Challenges and Future Developments.《frontiers in ecology and evolution》.2021,全文. * |
柳崇斌等.基于 GF-3 全极化 SAR 影像多特征优选的水产养殖塘提取.《农业工程学报》.2022,第第38卷卷(第第4期期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115578644A (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN106529508B (zh) | 基于局部和非局部多特征语义高光谱图像分类方法 | |
CN101599120B (zh) | 一种遥感影像建筑物识别方法 | |
CN107292343A (zh) | 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法 | |
CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
CN111274865A (zh) | 一种基于全卷积神经网络的遥感图像云检测方法及装置 | |
CN104834933A (zh) | 一种图像显著性区域的检测方法和装置 | |
CN104484681B (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
Smith et al. | Texture based feature extraction: application to burn scar detection in Earth observation satellite sensor imagery | |
CN107871132B (zh) | 一种空间特征自适应寻优的高光谱图像分类方法 | |
CN107679509A (zh) | 一种小环藻识别方法及装置 | |
CN110427836A (zh) | 一种基于多尺度优化的高分辨率遥感影像水体提取方法 | |
CN107092921A (zh) | 基于k最近邻滤波的高光谱图像分类方法 | |
CN109785329B (zh) | 基于改进slic算法的紫色土图像分割提取方法 | |
CN104820840B (zh) | 基于字典和波段重组的最近邻高光谱图像分类方法 | |
CN115965812B (zh) | 无人机影像对湿地植被物种和地物分类的评估方法 | |
CN111161362A (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
CN103793709A (zh) | 细胞识别方法和装置、以及尿液分析仪 | |
CN106327508B (zh) | Ki67指数自动分析方法 | |
CN103500343A (zh) | 基于mnf变换结合扩展属性滤波的高光谱影像分类方法 | |
CN113689431B (zh) | 工业产品外观缺陷检测方法和装置 | |
CN107527001A (zh) | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 | |
CN115578644B (zh) | 基于多特征机器学习的平原水网水葫芦提取方法及装置 | |
CN108256557A (zh) | 结合深度学习和邻域集成的高光谱图像分类方法 |
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 |