CN115661661A - 一种针对稀疏站点数据的叶绿素a浓度遥感反演方法 - Google Patents
一种针对稀疏站点数据的叶绿素a浓度遥感反演方法 Download PDFInfo
- Publication number
- CN115661661A CN115661661A CN202211398590.9A CN202211398590A CN115661661A CN 115661661 A CN115661661 A CN 115661661A CN 202211398590 A CN202211398590 A CN 202211398590A CN 115661661 A CN115661661 A CN 115661661A
- Authority
- CN
- China
- Prior art keywords
- data
- msi
- chlorophyll
- inversion
- wave band
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于水质遥感反演技术领域,具体涉及一种针对稀疏站点数据的叶绿素a浓度遥感反演方法,有效解决了叶绿素a浓度遥感反演中站点数据与遥感数据匹配数量不足的局限;增加了稀疏站点数据的利用率,同时提高了叶绿素a浓度反演精度。本发明获取相同日期MSI‑MODIS数据对,经过预处理得到样本数据集;构建面向叶绿素a浓度反演的MSI和MODIS时空融合深度残差学习网络,从而获得所需时间具有MSI传感器空间分辨率的时序数据;在此基础上结合对应时序站点叶绿素a浓度观测数据,通过极限梯度提升树(XGBoost)的机器学习算法构建反演模型,实现了有限站点数据的叶绿素a浓度遥感反演。
Description
技术领域
本发明属于水质遥感反演技术领域,具体涉及一种针对稀疏站点数据的叶绿素a浓度遥感反演方法。
背景技术
叶绿素a浓度通常用于揭示水生生态系统的富营养化状态。传统的水质监测受到时间、成本和地区的限制。幸运的是,卫星遥感技术可以提高监测能力,改善叶绿素a监测项目,便于实现大范围长时序的动态监测。目前利用MSI数据开展叶绿素a浓度遥感反演具有精度较高、空间分辨率较高等优势,广泛用于大中型湖泊河流的叶绿素a浓度监测研究。
然而以往方法经常是根据卫星过境时间去采集足够实测数据进行叶绿素a浓度反演,其结果并不一定是所需时间的;采集点较多时,会增加采集时间跨度,与卫星过境瞬时时间有偏差,影响反演精度。国控站点虽然可以高频次自动采集,与卫星过境瞬时时间基本一致,但站点布控稀疏,一期影像与站点构成的数据对不够,影响反演精度。
因此,为了解决叶绿素a浓度遥感反演中站点数据与遥感数据匹配数量不足的局限,考虑MSI和MODIS(1d的时间分辨率)进行时空融合,获得所需时间具有MSI数据传感器空间分辨率的时序数据。近年来,由于深度学习的兴起,发展了许多深度学习框架下的时空融合方法,在多个领域均取得了不错的成绩,但是目前经过深度学习时空融合方法得到的融合数据还未应用到叶绿素a反演中,因此本发明提供一种新的反演方法来解决此问题。
发明内容
本发明的目的针对叶绿素a浓度遥感反演中站点数据与遥感数据匹配数量不足的局限,提供一种针对稀疏站点数据的叶绿素a浓度遥感反演方法。
为实现上述技术目的,达到上述技术效果,本发明是通过以下技术方案实现:
一种针对稀疏站点数据的叶绿素a浓度遥感反演方法,包括以下步骤:
S1、获取区域的MSI与MODIS数据并进行必要的预处理,预处理包括拼接、裁剪、重采样、大气校正;
S2、在MSI数据上对叶绿素a反演的敏感波段进行选择;
S3、结合MSI与MODIS数据对应的波段范围,构建MSI-MODIS训练数据集;
S4、在卷积网络的基础上添加残差连接构建深度学习的时-空融合模型,在模拟实验得到最优参数基础上开展真实实验,从而获得所需时间具有MSI数据传感器空间分辨率的时序数据,该数据包括融合后反射率数据和原MSI反射率数据;
S5、根据MSI传感器波段设置特点及叶绿素a浓度反演敏感波段,确定反演建模所需的波段及波段组合;利用融合后反射率数据和原MSI反射率数据所构成的时序数据开展后续联合反演;
S6、基于上述时序数据及同期区域站点叶绿素a浓度数据,构建有效样点对n+p个,随机选取其中m+p个样点对作为训练数据集,通过极限梯度提升树的机器学习算法构建联合反演模型;剩下n-m个样点对作为验证数据集,用于验证所构建反演模型的精度。
进一步地,步骤S2中,敏感波段选择的具体步骤为:
根据MSI数据波段设置特点,敏感波段选择为可见光到近红外的波段范围,最终选择MSI反射率波段为B1~B8及B8A。
进一步地,步骤S3中,构建训练数据集的具体步骤为:
1)根据MSI波段范围,选择与其波段对应的MODIS波段,若在该MSI波段范围内无对应的MODIS波段,则选择与其波段范围最邻近的MODIS波段;选择的波段作为中间时刻T2的MSI-MODIS数据对,再选择其前后时间T1、T3的两对MSI-MODIS高低空间分辨率数据对,其中T2时刻对应的MSI波段作为Label,所有波段均重采样到20m空间分辨率,最终的网络输入是:T1和T3时刻的两对MSI-MODIS高低分空间分辨率数据对以及T2时刻的MODIS波段;
2)为便于网络训练,在网络输入前将涉及影像均裁剪为80像素×80像素的小块影像,步长为40像素。
进一步地,步骤S4中,构建深度学习的时-空融合模型,并进行模拟实验和真实实验的具体步骤为:
1)利用卷积神经网络构建三条支线,支线一用于输入T1、T3时刻的MSI高空间分辨率图像,支线二用于输入T1、T3时刻的MODIS低空间分辨率图像,支线三用于输入T2时刻的MODIS低空间分辨率图像与前两条支线差值之和;每条支线分别包含若干卷积池化;
2)网络的损失函数由Huber构成,其表达式为:
3)利用步骤S3所得训练样本数据,采用Adam优化算法对网络进行训练,得到基于深度学习的时-空融合模型;
4)利用构建的基于深度学习的时-空融合模型,进行模拟实验获取最优参数,得到对应该日期的真实MSI的反射率影像融合结果,并进行评价;在模拟实验的基础上,进行真实实验,得到没有对应各日期的真实MSI的融合结果,与原MSI反射率共同构成后续联合反演的时序数据。
进一步地,步骤S4的分步骤1)中,每条支线分别包含若干卷积池化,为了网络能更深层次的训练,还添加了残差连接,并通过反卷积过程实现。
进一步地,步骤S5中,确定反演建模所需的波段及波段组合的具体步骤为:
1)利用步骤S4的分步骤4)中的融合后反射率数据与MSI反射率数据所构成的时序数据开展后续联合反演;
2)根据MSI反射率波段设置特点及叶绿素a浓度反演敏感波段,确定输入反演建模的波段;
3)极限梯度提升树模型的输入是单波段及波段组合形式,具体为:对于MSI来说,使用的波段为SB1~SB8,其中SB1代表Sentinel-2MSI的B1,以此类推;对于融合的影像来说,使用的是对应于上述MSI波段范围的融合波段,即FB1~FB8,其中FB1代表对应MSI B1的融合波段,以此类推。
进一步地,步骤S6中,获取联合反演模型的训练和验证数据集的具体步骤为:
1)根据步骤S4所提供的时序数据及同期区域站点叶绿素a浓度数据,构建有效样点对n+p个;
2)在原有MSI数据及同期站点的n个样点对中,随机m个样点对作为训练数据集,剩余n-m个为测试数据集的基础上,新增融合数据及同期站点的p个样点对,将m+p个样点对作为联合反演的训练数据集,通过极限梯度提升树的机器学习算法构建联合反演模型;
3)保持原有n-m个样点对的测试数据集不变,用于验证所构建联合反演模型的精度。
进一步地,步骤S6的分步骤2)中,n、m、p均为正整数,且m/n的比值控制在0.7~0.9之间。
本发明的有益效果是:
1、本发明充分结合多尺度遥感数据间的时空互补信息,有效解决了叶绿素a浓度遥感反演中站点数据与遥感数据匹配数量不足的局限;增加了稀疏站点数据的利用率,同时提高了叶绿素a浓度反演精度。
2、本发明获取相同日期MSI-MODIS数据对,经过预处理得到样本数据集;构建面向叶绿素a浓度反演的MSI和MODIS时空融合深度残差学习网络,从而获得所需时间具有MSI传感器空间分辨率的时序数据;在此基础上结合对应时序站点叶绿素a浓度观测数据,通过极限梯度提升树(XGBoost)的机器学习算法构建反演模型,实现了稀疏国控站点数据的叶绿素a浓度遥感反演。
3、本发明能够在具有站点的大中型内陆湖泊或河流等水域发挥作用,有助于评估富营养化水平,为水体生态环境监测、管理和恢复提供参考,具有较大的实用价值。
当然,实施本发明的任一产品并不一定需要同时达到以上的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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的前提下,还可以根据这些附图获得其他的附图。
图1是是本发明实施例1的流程图;
图2是MSI和MODIS在波长0.4~0.9μm之间的波段分布图,其中MOO09 B13-B16(在巢湖地区遭受饱和,显示为灰色)不包括在实施例1研究范围内。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
一种针对稀疏站点数据的叶绿素a浓度遥感反演方法,包括以下步骤:
S1、获取区域的MSI与MODIS数据并进行必要的预处理,预处理包括拼接、裁剪、重采样、大气校正;
S2、在MSI数据上对叶绿素a反演的敏感波段进行选择;
S3、结合MSI与MODIS数据对应的波段范围,构建MSI-MODIS训练数据集;
S4、在卷积网络的基础上添加残差连接构建深度学习的时-空融合模型,在模拟实验得到最优参数基础上开展真实实验,从而获得所需时间具有MSI数据传感器空间分辨率的时序数据,该数据包括融合后反射率数据和原MSI反射率数据;
S5、根据MSI传感器波段设置特点及叶绿素a浓度反演敏感波段,确定反演建模所需的波段及波段组合;利用融合后反射率数据和原MSI反射率数据所构成的时序数据开展后续联合反演;
S6、基于上述时序数据及同期区域站点叶绿素a浓度数据,构建有效样点对n+p个,随机选取其中m+p个样点对作为训练数据集,通过极限梯度提升树的机器学习算法构建联合反演模型;剩下n-m个样点对作为验证数据集,用于验证所构建反演模型的精度。
本发明的具体实施例如下:
实施例1
本实施例以巢湖为例,对巢湖叶绿素a浓度进行反演,如图1所示,本实施例流程可以分为两个阶段:
第一阶段:时空融合
步骤1-1、获取巢湖区域的MSI与MODIS反射率数据并进行预处理,包括拼接、裁剪、重采样、大气校正。其中,MODIS所涉及数据是MOD09反射率数据,包括16个波段,涉及250m、500m、1000m三种空间分辨率;Sentinel-2MSI采用L1C数据产品,包含13个波段,涉及10m、20m、60m三种空间分辨率,采用Sen2Cor模块进行大气校正。两种传感器具体的波段分布如图2所示。
步骤1-2、对叶绿素a反演的敏感波段进行选择。根据MSI数据波段设置特点,敏感波段选择为近红外到可见光的波段范围,最终选择的MSI反射率波段为B1~B8(表示从第一波段至第四波段,以此类推)及B8A;对应于MSI的波段范围,同时考虑到覆盖巢湖地区的像素在MOD09 B13-B16中遭受饱和(图2灰白色显示的波段),选择的MODIS反射率波段为B1~B4及B9。结合图2的波段分布情况,两种传感器划分的波段对应情况如表1所示:
表1
MSI | MODIS |
B1 | B9 |
B2 | B3 |
B3 | B4 |
B4~B6 | B1 |
B7~B8、B8A | B2 |
步骤1-3、构建MSI-MODIS训练数据集。根据MSI波段范围,选择与其波段对应的MODIS波段(若在该MSI波段范围内无对应的MODIS波段,则选择与其波段范围最邻近的MODIS波段),这作为中间时刻(T2)的MSI-MODIS数据对,再选择其前后时间(T1、T3)的两对MSI-MODIS高低空间分辨率数据对,其中T2时刻对应的MSI波段作为Label,所有波段均重采样到20m空间分辨率,最终的网络输入是:T1和T3时刻的两对MSI-MODIS高低分空间分辨率数据对以及T2时刻的MODIS波段。
在输入网络前,所有波段均重采样到20m空间分辨率,为便于网络训练,将涉及影像均裁剪为80像素×80像素的小块影像,步长为40像素。
步骤1-4、构建基于深度学习的时-空融合模型。利用卷积神经网络构建三条支线,支线一用于输入T1和T3时刻的MSI高空间分辨率图像,支线二用于输入T1和T3时刻的MODIS低空间分辨率图像,支线三用于输入T2时刻的MODIS低空间分辨率图像与前两条支线(支线一、支线二)差值之和;每条支线分别包含若干卷积池化,同时为了网络能更深层次的训练,还添加了残差连接,并通过反卷积过程实现。
网络的损失函数由Huber构成,其表达式为:
利用步骤1-3所得训练样本数据,采用Adam优化算法对网络进行训练,得到基于深度学习的时-空融合模型,在模拟实验得到最优参数基础上开展真实实验,从而获得所需时间具有MSI数据传感器空间分辨率的时序数据(包括融合后反射率数据和原MSI反射率数据)。表2展示了时空融合过程中涉及的MSI-MODIS数据对的相关时间信息及其用途,具体为:
表2
表3是对于模拟实验的融合结果的评价,具体为:
表3
其中,RMSE、SSIM、CC是融合结果影像的三个评价指标,表达式分别如下所示:
第二阶段:叶绿素a浓度反演
步骤2-1、利用步骤1-3中的融合后反射率数据与MSI反射率数据所构成的时序数据开展后续联合反演。根据MSI反射率波段设置特点及叶绿素a浓度反演敏感波段,确定输入反演建模的波段。XGBoost模型的输入是单波段及波段组合形式,具体为:对于MSI来说,使用的波段为SB1~SB8(SB1代表Sentinel-2MSI的B1,以此类推,SB8A,SB1/SB3(蓝绿比),SB4/SB3(红绿比),SB8A/SB4(近红外红比);对于融合的影像来说,使用的是对应于上述MSI波段范围的融合波段,即FB1~FB8(FB1代表对应MSI B1的融合波段,以此类推),FB8A,FB1/FB3,FB4/FB3,FB8A/FB4。
步骤2-2、基于步骤1-3所提的时序数据及同期巢湖国控站点叶绿素a浓度数据,构建有效样点对69个。在原有MSI数据及同期站点的36个样点对[随机29个(接近80%)样点对作为训练数据集,剩余7个(接近20%)为测试数据集]的基础上,新增融合数据及同期站点的33个样点对,将62个样点对作为联合反演的训练数据集,通过极限梯度提升树(XGBoost)的机器学习算法构建联合反演模型;保持原有7个样点对的测试数据集不变,用于验证所构建联合反演模型的精度。反演结果为:R2为0.88,RMSE为0.87μg/L。可以看出,融合波段与MSI波段协同反演具有较高的反演精度,验证了我们方法的有效性。
其中涉及的R2与RMSE公式如下:
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.一种针对稀疏站点数据的叶绿素a浓度遥感反演方法,其特征在于,包括以下步骤:
S1、获取区域的MSI与MODIS数据并进行必要的预处理,预处理包括拼接、裁剪、重采样、大气校正;
S2、在MSI数据上对叶绿素a反演的敏感波段进行选择;
S3、结合MSI与MODIS数据对应的波段范围,构建MSI-MODIS训练数据集;
S4、在卷积网络的基础上添加残差连接构建深度学习的时-空融合模型,在模拟实验得到最优参数基础上开展真实实验,从而获得所需时间具有MSI数据传感器空间分辨率的时序数据,该数据包括融合后反射率数据和原MSI反射率数据;
S5、根据MSI传感器波段设置特点及叶绿素a浓度反演敏感波段,确定反演建模所需的波段及波段组合;利用融合后反射率数据和原MSI反射率数据所构成的时序数据开展后续联合反演;
S6、基于上述时序数据及同期区域站点叶绿素a浓度数据,构建有效样点对n+p个,随机选取其中m+p个样点对作为训练数据集,通过极限梯度提升树的机器学习算法构建联合反演模型;剩下n-m个样点对作为验证数据集,用于验证所构建反演模型的精度。
2.根据权利要求1所述的针对稀疏站点数据的叶绿素a浓度遥感反演方法,其特征在于,步骤S2中,敏感波段选择的具体步骤为:
根据MSI数据波段设置特点,敏感波段选择为可见光到近红外的波段范围,最终选择MSI反射率波段为B1~B8及B8A。
3.根据权利要求1所述的针对稀疏站点数据的叶绿素a浓度遥感反演方法,其特征在于,步骤S3中,构建训练数据集的具体步骤为:
1)根据MSI波段范围,选择与其波段对应的MODIS波段,若在该MSI波段范围内无对应的MODIS波段,则选择与其波段范围最邻近的MODIS波段;选择的波段作为中间时刻T2的MSI-MODIS数据对,再选择其前后时间T1、T3的两对MSI-MODIS高低空间分辨率数据对,其中T2时刻对应的MSI波段作为Label,所有波段均重采样到20m空间分辨率,最终的网络输入是:T1和T3时刻的两对MSI-MODIS高低分空间分辨率数据对以及T2时刻的MODIS波段;
2)为便于网络训练,在网络输入前将涉及影像均裁剪为80像素×80像素的小块影像,步长为40像素。
4.根据权利要求1所述的针对稀疏站点数据的叶绿素a浓度遥感反演方法,其特征在于,步骤S4中,构建深度学习的时-空融合模型,并进行模拟实验和真实实验的具体步骤为:
1)利用卷积神经网络构建三条支线,支线一用于输入T1、T3时刻的MSI高空间分辨率图像,支线二用于输入T1、T3时刻的MODIS低空间分辨率图像,支线三用于输入T2时刻的MODIS低空间分辨率图像与前两条支线差值之和;每条支线分别包含若干卷积池化;
2)网络的损失函数由Huber构成,其表达式为:
3)利用步骤S3所得训练样本数据,采用Adam优化算法对网络进行训练,得到基于深度学习的时-空融合模型;
4)利用构建的基于深度学习的时-空融合模型,进行模拟实验获取最优参数,得到对应该日期的真实MSI的反射率影像融合结果,并进行评价;在模拟实验的基础上,进行真实实验,得到没有对应各日期的真实MSI的融合结果,与原MSI反射率共同构成后续联合反演的时序数据。
5.根据权利要求4所述的针对稀疏站点数据的叶绿素a浓度遥感反演方法,其特征在于,步骤S4的分步骤1)中,每条支线分别包含若干卷积池化,为了网络能更深层次的训练,还添加了残差连接,并通过反卷积过程实现。
6.根据权利要求5所述的针对稀疏站点数据的叶绿素a浓度遥感反演方法,其特征在于,步骤S5中,确定反演建模所需的波段及波段组合的具体步骤为:
1)利用步骤S4的分步骤4)中的融合后反射率数据与MSI反射率数据所构成的时序数据开展后续联合反演;
2)根据MSI反射率波段设置特点及叶绿素a浓度反演敏感波段,确定输入反演建模的波段;
3)极限梯度提升树模型的输入是单波段及波段组合形式,具体为:对于MSI来说,使用的波段为SB1~SB8,其中SB1代表Sentinel-2MSI的B1,以此类推;对于融合的影像来说,使用的是对应于上述MSI波段范围的融合波段,即FB1~FB8,其中FB1代表对应MSIB1的融合波段,以此类推。
7.根据权利要求1所述的针对稀疏站点数据的叶绿素a浓度遥感反演方法,其特征在于,步骤S6中,获取联合反演模型的训练和验证数据集的具体步骤为:
1)根据步骤S4所提供的时序数据及同期区域站点叶绿素a浓度数据,构建有效样点对n+p个;
2)在原有MSI数据及同期站点的n个样点对中,随机m个样点对作为训练数据集,剩余n-m个为测试数据集的基础上,新增融合数据及同期站点的p个样点对,将m+p个样点对作为联合反演的训练数据集,通过极限梯度提升树的机器学习算法构建联合反演模型;
3)保持原有n-m个样点对的测试数据集不变,用于验证所构建联合反演模型的精度。
8.根据权利要求7所述的针对稀疏站点数据的叶绿素a浓度遥感反演方法,其特征在于,步骤S6的分步骤2)中,n、m、p均为正整数,且m/n的比值控制在0.7~0.9之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211398590.9A CN115661661A (zh) | 2022-11-09 | 2022-11-09 | 一种针对稀疏站点数据的叶绿素a浓度遥感反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211398590.9A CN115661661A (zh) | 2022-11-09 | 2022-11-09 | 一种针对稀疏站点数据的叶绿素a浓度遥感反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115661661A true CN115661661A (zh) | 2023-01-31 |
Family
ID=85015904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211398590.9A Pending CN115661661A (zh) | 2022-11-09 | 2022-11-09 | 一种针对稀疏站点数据的叶绿素a浓度遥感反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661661A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116543312A (zh) * | 2023-05-08 | 2023-08-04 | 中国水利水电科学研究院 | 大范围河湖水质参数遥感反演样本库构建与更新方法 |
CN117435867A (zh) * | 2023-12-21 | 2024-01-23 | 中关村睿宸卫星创新应用研究院 | 确定叶绿素浓度变化时间规律的方法、装置、介质及设备 |
CN118196093A (zh) * | 2024-05-17 | 2024-06-14 | 山东锋士信息技术有限公司 | 基于人工深度神经网络反演水体叶绿素a的方法 |
-
2022
- 2022-11-09 CN CN202211398590.9A patent/CN115661661A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116543312A (zh) * | 2023-05-08 | 2023-08-04 | 中国水利水电科学研究院 | 大范围河湖水质参数遥感反演样本库构建与更新方法 |
CN116543312B (zh) * | 2023-05-08 | 2023-10-20 | 中国水利水电科学研究院 | 大范围河湖水质参数遥感反演样本库构建与更新方法 |
CN117435867A (zh) * | 2023-12-21 | 2024-01-23 | 中关村睿宸卫星创新应用研究院 | 确定叶绿素浓度变化时间规律的方法、装置、介质及设备 |
CN117435867B (zh) * | 2023-12-21 | 2024-03-08 | 中关村睿宸卫星创新应用研究院 | 确定叶绿素浓度变化时间规律的方法、装置、介质及设备 |
CN118196093A (zh) * | 2024-05-17 | 2024-06-14 | 山东锋士信息技术有限公司 | 基于人工深度神经网络反演水体叶绿素a的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115661661A (zh) | 一种针对稀疏站点数据的叶绿素a浓度遥感反演方法 | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN112184554B (zh) | 一种基于残差混合膨胀卷积的遥感图像融合方法 | |
CN111007021A (zh) | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 | |
CN113156439B (zh) | 一种基于数据驱动的sar风场海浪联合反演方法及系统 | |
CN106960456A (zh) | 一种鱼眼相机标定算法评价的方法 | |
CN107784676A (zh) | 基于自动编码器网络的压缩感知测量矩阵优化方法和系统 | |
CN113837450B (zh) | 基于深度学习的河网密集流域水情趋势预测方法及其应用 | |
CN111353424A (zh) | 深度递归残差网络的遥感图像空谱融合方法和电子设备 | |
CN110533591B (zh) | 基于编解码器结构的超分辨图像重建方法 | |
CN114330530A (zh) | 基于空谱融合与模型学习耦合的叶绿素a浓度反演方法 | |
CN113066037B (zh) | 基于图注意力机制的多光谱与全色图像融合方法及系统 | |
CN113281744B (zh) | 基于假设检验和自适应形变模型的时序InSAR方法 | |
CN111178149A (zh) | 一种基于残差金字塔网络的遥感影像水体自动提取方法 | |
CN113343775A (zh) | 一种用于遥感影像地表覆盖分类的深度学习泛化方法 | |
CN116704274A (zh) | 基于空间相关性注意力的红外和可见光图像融合方法 | |
CN115423862A (zh) | 一种遮挡条件下种苗叶面积测量方法 | |
CN114066735A (zh) | 基于最小一乘的稀疏采样傅里叶叠层成像人工神经网络重建方法 | |
CN114037905A (zh) | 一种基于星地协同的河口区水表盐度遥感反演方法及系统 | |
CN117274831B (zh) | 一种基于机器学习与高光谱卫星遥感影像的近岸浑浊水体水深反演方法 | |
CN111505706B (zh) | 基于深度T-Net网络的微地震P波初至拾取方法及装置 | |
CN117058367A (zh) | 高分辨率遥感影像建筑物语义分割方法及装置 | |
CN116299247A (zh) | 一种基于稀疏卷积神经网络的InSAR大气校正方法 | |
CN116012307A (zh) | 基于孪生网络的瓦楞纸箱印刷图案色差检测方法、系统及存储介质 | |
CN114169646B (zh) | 水华预测方法、装置、电子设备及计算机可读存储介质 |
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 |