CN115861843A - 一种全球遥感影像样本集构建与更新方法及系统 - Google Patents
一种全球遥感影像样本集构建与更新方法及系统 Download PDFInfo
- Publication number
- CN115861843A CN115861843A CN202211682517.4A CN202211682517A CN115861843A CN 115861843 A CN115861843 A CN 115861843A CN 202211682517 A CN202211682517 A CN 202211682517A CN 115861843 A CN115861843 A CN 115861843A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- real
- data
- classification
- 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
本发明涉及一种全球遥感影像样本集构建与更新方法及系统,方法包括:获取历史遥感影像数据和历史解译数据;基于历史解译数据,采用二分法确定地表覆盖类别集;基于地表覆盖类别集得到分类数据;基于历史遥感影像数据,进行相似度计算,得到分区结果;对分类数据进行坐标投影转换和栅格形式转换,得到标签数据;基于地表覆盖类别集、分区结果、标签数据和历史遥感影像数据构建样本集;获取实时遥感影像,结合训练好的分类预测模型得到实时分类结果,对分类预测结果进行坐标投影转换和栅格形式转换,得到实时标签数据;将实时遥感影像、实时分类结果和实时标签数据同步至样本集。本发明增强了样本集的普适性和延展性,实现样本集的动态更新。
Description
技术领域
本发明涉及遥感影像技术领域,特别是涉及一种全球遥感影像样本集构建与更新方法及系统。
背景技术
卫星遥感影像因其宏观和高效等优势已在地理世情监测、全球测图、环境变化研究以及可持续发展规划等众多领域发挥巨大作用。尤其近年来,随着航空航天技术的飞速发展,海量、多源和多时相的遥感影像数据日渐累积,遥感已经进入到一个以数据驱动为主的遥感大数据时代。因此,传统数据处理和信息提取方法已无法满足遥感大数据的处理效率和精度。以深度学习为代表的人工智能方法已成为当前区域/全球大范围地物信息快速有效提取的主流方式,但深度学习本质上仍然以大量样本数据驱动为主,其模型精度和鲁棒性取决于样本数据的规模、质量以及代表性。为此,国内外众多机构相继发布一系列遥感影像样本集,如Urban Land Cover EuroSAT、GaoFen Image Datasets以及bigearthnet等数据集,为模型的训练与优化、精度评估与验证提供了数据支撑。然而,由于遥感影像地物要素标注成本较高,现有样本数据集主要针对特定应用场景或目标进行采集或标注,存在分类体系不兼容、样本量少且多样性不足等问题,已经严重影响全球大范围遥感影像解译的效率与质量。
发明内容
有鉴于此,本发明提供了一种全球遥感影像样本集构建与更新方法及系统,能够实现统一可扩展的分类体系构建、影像特征相似度的区域划分、分区多时相样本集自动生成,样本集反馈与更新。
为实现上述目的,本发明提供了如下方案:
一种全球遥感影像样本集构建与更新方法,包括:
获取历史遥感影像数据和历史解译数据;
基于所述历史解译数据,采用二分法确定地表覆盖类别集;基于所述地表覆盖类别集得到分类数据;
基于所述历史遥感影像数据,进行相似度计算,得到分区结果;
对所述分类数据进行坐标投影转换和栅格形式转换,得到标签数据;
基于所述地表覆盖类别集、所述分区结果、所述标签数据和所述历史遥感影像数据构建样本集;
获取实时遥感影像,结合训练好的分类预测模型得到实时分类结果,对所述分类预测结果进行坐标投影转换和栅格形式转换,得到实时标签数据;
将所述实时遥感影像、所述实时分类结果和所述实时标签数据同步至所述样本集。
优选地,所述基于所述历史解译数据,采用二分法确定地表覆盖类别集;基于所述地表覆盖类别集得到分类数据,包括:
基于所述历史解译数据,采用二分法得到一级地表覆盖类别集;
对所述一级地表覆盖类别集中每个一级地表覆盖类别赋予属性信息;
基于各所述属性信息进行组合,得到二级地表覆盖类别集;所述地表覆盖类别集包括所述一级地表覆盖类别集和所述二级地表覆盖类别集;
基于所述地表覆盖类别集和所述历史遥感影像数据得到所述分类数据。
优选地,所述基于所述历史遥感影像数据,进行相似度计算,得到分区结果,包括:
对全球区域进行划分,得到一级分区集;
基于世界自然基金会对全球进行划分,得到二级分区集;
对所述二级分区集中每个二级分区内的遥感影像进行相似度计算,得到三级分区集;所述分区结果包括所述一级分区集、所述二级分区集和所述三级分区集。
优选地,所述基于所述地表覆盖类别集、所述分区结果、所述标签数据和所述历史遥感影像数据构建样本集,包括:
对所述标签数据和所述历史遥感影像数据进行裁切,得到尺寸大小一致的遥感影像块集和标签数据块集;
基于所述分区结果、所述标签数据块集、所述遥感影像块集和所述地表覆盖类别集构建所述样本集;所述样本集包括一级目录、二级目录和三级目录;所述一级目录为所述分区结果,所述二级目录为所述地表覆盖类别集和年限,所述三级目录为所述遥感影像块集和所述标签数据块集。
优选地,所述获取实时遥感影像,结合训练好的分类预测模型得到实时分类结果,对所述分类预测结果进行坐标投影转换和栅格形式转换,得到实时标签数据,包括:
构建所述分类预测模型,基于所述样本集对所述分类预测模型进行训练,得到训练好的所述分类预测模型;
获取实时遥感影像,结合训练好的分类预测模型得到实时分类结果;
对所述分类预测结果进行坐标投影转换和栅格形式转换,得到实时标签数据。
优选地,所述分类预测模型包括n个神经网络;
基于所述样本集对n个所述神经网络分别进行训练,得到训练好的n个所述神经网络;
将所述实时遥感影像分别输入到训练好的n个所述神经网络中,得到n个初始分类结果;
基于准确率、精确率和召回率对n个初始分类结果进行评价,得到最优分类结果;
对所述最优分类结果进行纠正,得到纠正分类结果,所述纠正分类结果即为所述实时分类结果。
优选地,所述将所述实时遥感影像、所述实时分类结果和所述实时标签数据同步至所述样本集,包括:
对所述实时遥感影像和所述实时标签数据进行裁切,得到与所述遥感影像块集或所述标签数据块集尺寸大小一致的实时遥感影像块集和实时标签数据块集;
将所述实时遥感影像块集、所述实时标签数据块集和所述实时分类结果同步至所述样本集,以对所述样本集进行更新。
优选地,所述对所述最优分类结果进行纠正具体为:
对所述最优分类结果中的错提、漏提和边界不准确的图斑进行修正和编辑。
本发明还提供了一种全球遥感影像样本集构建与更新系统,包括:
数据获取模块,用于获取历史遥感影像数据和历史解译数据;
分类模块,用于基于所述历史解译数据,采用二分法确定地表覆盖类别集;基于所述地表覆盖类别集得到分类数据;
分区模块,用于基于所述历史遥感影像数据,进行相似度计算,得到分区结果;
转换模块,用于对所述分类数据进行坐标投影转换和栅格形式转换,得到标签数据;
样本集构建模块,用于基于所述地表覆盖类别集、所述分区结果、所述标签数据和所述历史遥感影像数据构建样本集;
实时预测模块,用于获取实时遥感影像,结合训练好的分类预测模型得到实时分类结果,对所述分类预测结果进行坐标投影转换和栅格形式转换,得到实时标签数据;
更新模块,用于将所述实时遥感影像、所述实时分类结果和所述实时标签数据同步至所述样本集。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明涉及一种全球遥感影像样本集构建与更新方法及系统,方法包括:获取历史遥感影像数据和历史解译数据;基于历史解译数据,采用二分法确定地表覆盖类别集;基于地表覆盖类别集得到分类数据;基于历史遥感影像数据,进行相似度计算,得到分区结果;对分类数据进行坐标投影转换和栅格形式转换,得到标签数据;基于地表覆盖类别集、分区结果、标签数据和历史遥感影像数据构建样本集;获取实时遥感影像,结合训练好的分类预测模型得到实时分类结果,对分类预测结果进行坐标投影转换和栅格形式转换,得到实时标签数据;将实时遥感影像、实时分类结果和实时标签数据同步至样本集。
本发明制定统一可扩展的样本分类体系,可实现不同样本类别之间的语义映射和转换,明显增强样本集的普适性和延展性。
本发明构建的全球遥感影像样本集为智能解译提供了关键的数据支撑,能够明显提升深度学习模型的精度。
本发明通过获取新一期的影像,能够实现即时自动分类,并根据分类成果反馈更新至已有样本集,实现全球遥感影像样本集的动态更新。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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为本发明全球遥感影像样本集构建与更新方法流程图;
图2为本发明全球遥感影像样本集构建与更新系统结构图;
图3为本发明地表覆盖类别示意图。
符号说明:1、数据获取模块;2、分类模块;3、分区模块;4、转换模块;5、样本集构建模块;6、实时预测模块;7、更新模块。
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。
本发明的目的是提供一种全球遥感影像样本集构建与更新方法及系统,能够实现统一可扩展的分类体系构建、影像特征相似度的区域划分、分区多时相样本集自动生成,样本集反馈与更新。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明全球遥感影像样本集构建与更新方法流程图。如图1所示,本发明提供了一种全球遥感影像样本集构建与更新方法,包括:
步骤S1,获取历史遥感影像数据和历史解译数据。所述历史遥感影像数据通过遥感卫星的Landsat遥感影像得到,所述历史解译数据基于2000、2010和2020版Globeland30分类成果产品得到。
步骤S2,基于所述历史解译数据,采用二分法确定地表覆盖类别集;基于所述地表覆盖类别集得到分类数据。
具体地,所述步骤S2包括:
步骤S21,基于所述历史解译数据,采用二分法得到一级地表覆盖类别集。本实施例中,所述一级地表覆盖类别集包括水体、湿地、人造地表、耕地、冰川和常年积雪、裸地、林地、灌木地、草地和苔原。所述一级地表覆盖类别集还参考《地理信息分类系统》国家标准(GB/T 30322)得到。
步骤S22,对所述一级地表覆盖类别集中每个一级地表覆盖类别赋予属性信息。所述属性信息包括环境属性和应用属性。
步骤S23,基于各所述属性信息进行组合,得到二级地表覆盖类别集。所述地表覆盖类别集包括所述一级地表覆盖类别集和所述二级地表覆盖类别集。例如,耕地可细分为水田和旱地,林地可细分为常绿林、落叶林和混交林,人造地表可扩展为建筑物和交通设施,水体可细分为河流和湖泊。得到的地表覆盖类别集如图3所示。
步骤S24,基于所述地表覆盖类别集和所述历史遥感影像数据得到所述分类数据。
步骤S3,基于所述历史遥感影像数据,进行相似度计算,得到分区结果。
进一步地,所述步骤S3包括:
步骤S31,对全球区域进行划分,得到一级分区集。本实施例中,所述一级分区集包括西半球(160°W至20°W)、东半球1区(20°W至100°E)和东半球2区(100°E至160°W)。
步骤S32,基于世界自然基金会对全球进行划分,得到二级分区集。本实施例中,所述二级分区集包括热带和亚热带湿润的红叶林,热带和亚热带干红叶林,热带和亚热带针叶林,温带阔叶林和混交林,温带针叶林,北方森林或针叶林,红树林,热带和亚热带草原、稀树草原和灌木丛,温带草原、稀树草原和灌木丛,被淹的草原和稀树草原,山地草原和灌木丛,苔原,地中海森林、林地和灌木丛,沙漠和干旱灌木丛。
步骤S33,对所述二级分区集中每个二级分区内的遥感影像进行相似度计算,得到三级分区集;所述分区结果包括所述一级分区集、所述二级分区集和所述三级分区集。
具体地,根据实际需求,确定每个二级分区需要细划区域的数量,按照上述数量,选择相应数量的种子点影像,作为参考影像,根据参考影像,计算该二级分区内其他影像与参考影像之间的相似度。进行相似度计算时,采用同一时相等级的影像进行计算。时相t以月为单位,共计12个月,t取值为1~12。将其划分为1~3,4~6,7~9,10~12,共计4等级。
其中利用结构相似性衡量SSIM方法计算影像之间的光谱特征和纹理特征相似度。
SSIM其核心是一个统计指标,作为结构相似性理论的实现,结构相似度指数从图像组成的角度将结构信息定义为独立于亮度和对比度的,反映场景中物体结构的属性,并将失真建模为亮度L、对比度C和结构S三个不同因素的组合,计算公式如下:
其中,L(x,y)表示影像x和y之间的亮度相似度,C(x,y)表示影像x和y之间的对比度相似度,S(x,y)表示影像x和y之间的结构相似度,μx是影像x的平均值,μy是影像y的平均值,σx是影像x的方差,σy是影像y的方差,σxy是影像x和影像y的协方差。c1和c2是用来维持稳定的常数,c1=(k1Q)2,c2=(k2Q)2,Q是像素值的动态范围,SSIM算法对K值变化不敏感,可自定义赋值为较小数值,如k1=0.01,k2=0.03。
用均值作为亮度的估计,标准差作为对比度的估计,协方差作为结构相似程度的度量。两张影像的结构相似性SSIM(x,y)可按照以下方式求出:
结构相似性的范围为-1到1,当两张影像一模一样时,SSIM的值等于1,值为0表示没有结构相似性。使用大小为11x11的滑动高斯窗口或大小为8×8的块窗口对遥感影像每一个波段进行图像相似度计算,窗口可以在图像上逐像素移位,以创建图像的SSIM质量映射。计算多波段的SSIM相似度均值对影像间相似度进行评估。
步骤S4,对所述分类数据进行坐标投影转换和栅格形式转换,得到标签数据。
步骤S5,基于所述地表覆盖类别集、所述分区结果、所述标签数据和所述历史遥感影像数据构建样本集。
优选地,所述步骤S5包括:
步骤S51,对所述标签数据和所述历史遥感影像数据进行裁切,得到尺寸大小一致的遥感影像块集和标签数据块集。本实施例中,尺寸选用1024*1024或512*512。
步骤S52,基于所述分区结果、所述标签数据块集、所述遥感影像块集和所述地表覆盖类别集构建所述样本集。
所述样本集包括一级目录、二级目录和三级目录;所述一级目录为所述分区结果,所述二级目录为所述地表覆盖类别集和年限,如2000年耕地,2020年水体等,所述三级目录为所述遥感影像块集和所述标签数据块集。
步骤S6,获取实时遥感影像,结合训练好的分类预测模型得到实时分类结果,对所述分类预测结果进行坐标投影转换和栅格形式转换,得到实时标签数据。
具体地,所述步骤S6包括:
步骤S61,构建所述分类预测模型,基于所述样本集对所述分类预测模型进行训练,得到训练好的所述分类预测模型。所述分类预测模型包括n个神经网络;基于所述样本集对n个所述神经网络分别进行训练,得到训练好的n个所述神经网络。本实施例中,所述分类预测模型包括SegNet、U-Net和LinkNet三种神经网络。神经网络的训练需要设置及调整相关的参数,如神经网络的层数、损失函数、学习率和迭代次数等,不断调整参数直至迭代结束。
步骤S62,获取实时遥感影像,结合训练好的分类预测模型得到实时分类结果。将所述实时遥感影像分别输入到训练好的n个所述神经网络中,得到n个初始分类结果;基于准确率、精确率和召回率对n个初始分类结果进行评价,得到最优分类结果;对所述最优分类结果进行纠正,得到纠正分类结果,所述纠正分类结果即为所述实时分类结果。所述对所述最优分类结果进行纠正具体为对所述最优分类结果中的错提、漏提和边界不准确的图斑进行修正和编辑。
式中:TP:预测为正样本,实际为正样本,预测正确;FP:预测为正样本,实际为负样本,预测错误;FN:预测为负样本,实际为正样本,预测错误;TN:预测为负样本,实际为负样本,预测正确。
步骤S3,对所述分类预测结果进行坐标投影转换和栅格形式转换,得到实时标签数据。
步骤S7,将所述实时遥感影像、所述实时分类结果和所述实时标签数据同步至所述样本集。
可选地,所述步骤S7包括:
步骤S71,对所述实时遥感影像和所述实时标签数据进行裁切,得到与所述遥感影像块集或所述标签数据块集尺寸大小一致的实时遥感影像块集和实时标签数据块集。
步骤S72,将所述实时遥感影像块集、所述实时标签数据块集和所述实时分类结果同步至所述样本集,以对所述样本集进行更新。
图2为本发明全球遥感影像样本集构建与更新系统结构图。如图2所示,本发明提供了一种全球遥感影像样本集构建与更新系统,包括:数据获取模块1、分类模块2、分区模块3、转换模块4、样本集构建模块5、实时预测模块6和更新模块7。
所述数据获取模块1用于获取历史遥感影像数据和历史解译数据。
所述分类模块2用于基于所述历史解译数据,采用二分法确定地表覆盖类别集;基于所述地表覆盖类别集得到分类数据。
所述分区模块3用于基于所述历史遥感影像数据,进行相似度计算,得到分区结果。
所述转换模块4用于对所述分类数据进行坐标投影转换和栅格形式转换,得到标签数据。
所述样本集构建模块5用于基于所述地表覆盖类别集、所述分区结果、所述标签数据和所述历史遥感影像数据构建样本集。
所述实时预测模块,用于获取实时遥感影像,结合训练好的分类预测模型得到实时分类结果6对所述分类预测结果进行坐标投影转换和栅格形式转换,得到实时标签数据。
所述更新模块7用于将所述实时遥感影像、所述实时分类结果和所述实时标签数据同步至所述样本集。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种全球遥感影像样本集构建与更新方法,其特征在于,包括:
获取历史遥感影像数据和历史解译数据;
基于所述历史解译数据,采用二分法确定地表覆盖类别集;基于所述地表覆盖类别集得到分类数据;
基于所述历史遥感影像数据,进行相似度计算,得到分区结果;
对所述分类数据进行坐标投影转换和栅格形式转换,得到标签数据;
基于所述地表覆盖类别集、所述分区结果、所述标签数据和所述历史遥感影像数据构建样本集;
获取实时遥感影像,结合训练好的分类预测模型得到实时分类结果,对所述分类预测结果进行坐标投影转换和栅格形式转换,得到实时标签数据;
将所述实时遥感影像、所述实时分类结果和所述实时标签数据同步至所述样本集。
2.根据权利要求1所述的全球遥感影像样本集构建与更新方法,其特征在于,所述基于所述历史解译数据,采用二分法确定地表覆盖类别集;基于所述地表覆盖类别集得到分类数据,包括:
基于所述历史解译数据,采用二分法得到一级地表覆盖类别集;
对所述一级地表覆盖类别集中每个一级地表覆盖类别赋予属性信息;
基于各所述属性信息进行组合,得到二级地表覆盖类别集;所述地表覆盖类别集包括所述一级地表覆盖类别集和所述二级地表覆盖类别集;
基于所述地表覆盖类别集和所述历史遥感影像数据得到所述分类数据。
3.根据权利要求1所述的全球遥感影像样本集构建与更新方法,其特征在于,所述基于所述历史遥感影像数据,进行相似度计算,得到分区结果,包括:
对全球区域进行划分,得到一级分区集;
基于世界自然基金会对全球进行划分,得到二级分区集;
对所述二级分区集中每个二级分区内的遥感影像进行相似度计算,得到三级分区集;所述分区结果包括所述一级分区集、所述二级分区集和所述三级分区集。
4.根据权利要求1所述的全球遥感影像样本集构建与更新方法,其特征在于,所述基于所述地表覆盖类别集、所述分区结果、所述标签数据和所述历史遥感影像数据构建样本集,包括:
对所述标签数据和所述历史遥感影像数据进行裁切,得到尺寸大小一致的遥感影像块集和标签数据块集;
基于所述分区结果、所述标签数据块集、所述遥感影像块集和所述地表覆盖类别集构建所述样本集;所述样本集包括一级目录、二级目录和三级目录;所述一级目录为所述分区结果,所述二级目录为所述地表覆盖类别集和年限,所述三级目录为所述遥感影像块集和所述标签数据块集。
5.根据权利要求1所述的全球遥感影像样本集构建与更新方法,其特征在于,所述获取实时遥感影像,结合训练好的分类预测模型得到实时分类结果,对所述分类预测结果进行坐标投影转换和栅格形式转换,得到实时标签数据,包括:
构建所述分类预测模型,基于所述样本集对所述分类预测模型进行训练,得到训练好的所述分类预测模型;
获取实时遥感影像,结合训练好的分类预测模型得到实时分类结果;
对所述分类预测结果进行坐标投影转换和栅格形式转换,得到实时标签数据。
6.根据权利要求5所述的全球遥感影像样本集构建与更新方法,其特征在于,所述分类预测模型包括n个神经网络;
基于所述样本集对n个所述神经网络分别进行训练,得到训练好的n个所述神经网络;
将所述实时遥感影像分别输入到训练好的n个所述神经网络中,得到n个初始分类结果;
基于准确率、精确率和召回率对n个初始分类结果进行评价,得到最优分类结果;
对所述最优分类结果进行纠正,得到纠正分类结果,所述纠正分类结果即为所述实时分类结果。
7.根据权利要求4所述的全球遥感影像样本集构建与更新方法,其特征在于,所述将所述实时遥感影像、所述实时分类结果和所述实时标签数据同步至所述样本集,包括:
对所述实时遥感影像和所述实时标签数据进行裁切,得到与所述遥感影像块集或所述标签数据块集尺寸大小一致的实时遥感影像块集和实时标签数据块集;
将所述实时遥感影像块集、所述实时标签数据块集和所述实时分类结果同步至所述样本集,以对所述样本集进行更新。
8.根据权利要求6所述的全球遥感影像样本集构建与更新方法,其特征在于,所述对所述最优分类结果进行纠正具体为:
对所述最优分类结果中的错提、漏提和边界不准确的图斑进行修正和编辑。
9.一种全球遥感影像样本集构建与更新系统,其特征在于,包括:
数据获取模块,用于获取历史遥感影像数据和历史解译数据;
分类模块,用于基于所述历史解译数据,采用二分法确定地表覆盖类别集;基于所述地表覆盖类别集得到分类数据;
分区模块,用于基于所述历史遥感影像数据,进行相似度计算,得到分区结果;
转换模块,用于对所述分类数据进行坐标投影转换和栅格形式转换,得到标签数据;
样本集构建模块,用于基于所述地表覆盖类别集、所述分区结果、所述标签数据和所述历史遥感影像数据构建样本集;
实时预测模块,用于获取实时遥感影像,结合训练好的分类预测模型得到实时分类结果,对所述分类预测结果进行坐标投影转换和栅格形式转换,得到实时标签数据;
更新模块,用于将所述实时遥感影像、所述实时分类结果和所述实时标签数据同步至所述样本集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211682517.4A CN115861843A (zh) | 2022-12-27 | 2022-12-27 | 一种全球遥感影像样本集构建与更新方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211682517.4A CN115861843A (zh) | 2022-12-27 | 2022-12-27 | 一种全球遥感影像样本集构建与更新方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115861843A true CN115861843A (zh) | 2023-03-28 |
Family
ID=85653417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211682517.4A Pending CN115861843A (zh) | 2022-12-27 | 2022-12-27 | 一种全球遥感影像样本集构建与更新方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861843A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
CN113762070A (zh) * | 2021-07-26 | 2021-12-07 | 中国测绘科学研究院 | 用于深度学习的地表覆盖分类样本采集方法 |
CN114187532A (zh) * | 2022-02-15 | 2022-03-15 | 中国测绘科学研究院 | 一种遥感影像时空样本生成与智能迭代分类方法及系统 |
-
2022
- 2022-12-27 CN CN202211682517.4A patent/CN115861843A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
CN113762070A (zh) * | 2021-07-26 | 2021-12-07 | 中国测绘科学研究院 | 用于深度学习的地表覆盖分类样本采集方法 |
CN114187532A (zh) * | 2022-02-15 | 2022-03-15 | 中国测绘科学研究院 | 一种遥感影像时空样本生成与智能迭代分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Estimating bamboo forest aboveground biomass using EnKF-assimilated MODIS LAI spatiotemporal data and machine learning algorithms | |
Noordermeer et al. | Comparing the accuracies of forest attributes predicted from airborne laser scanning and digital aerial photogrammetry in operational forest inventories | |
Hess et al. | Geocoded digital videography for validation of land cover mapping in the Amazon basin | |
CN109409261B (zh) | 一种农作物分类方法及系统 | |
Kiptala et al. | Land use and land cover classification using phenological variability from MODIS vegetation in the Upper Pangani River Basin, Eastern Africa | |
CN108195767B (zh) | 河口湿地外来种监测方法 | |
CN103093233A (zh) | 一种基于面向对象的高分辨率遥感影像森林分类方法 | |
CN111937016B (zh) | 一种基于街景图片及机器学习的城市内部贫困空间测度方法及系统 | |
CN109871812A (zh) | 一种基于神经网络的多时相遥感影像城市植被提取方法 | |
Hu et al. | Integrating CART algorithm and multi-source remote sensing data to estimate sub-pixel impervious surface coverage: a case study from Beijing Municipality, China | |
CN112800827A (zh) | 高光谱图像分类实验方法 | |
CN112084926A (zh) | 废弃矿山生态修复植物筛选方法 | |
Zhang et al. | A 250 m annual alpine grassland AGB dataset over the Qinghai–Tibet Plateau (2000–2019) in China based on in situ measurements, UAV photos, and MODIS data | |
CN106339985B (zh) | 一种从矢量房屋数据中选取镶嵌线对航空影像镶嵌的方法 | |
Sono et al. | Spatiotemporal evolution of West Africa’s urban landscape characteristics applying harmonized DMSP-OLS and NPP-VIIRS nighttime light (NTL) data | |
CN115861843A (zh) | 一种全球遥感影像样本集构建与更新方法及系统 | |
Liu et al. | Vegetation mapping for regional ecological research and management: a case of the Loess Plateau in China | |
Vetter et al. | Multi-model climate impact assessment and intercomparison for three large-scale river basins on three continents. | |
Bennett et al. | An inductive knowledge-based approach to terrain feature extraction | |
Zhang et al. | A 250m annual alpine grassland AGB dataset over the Qinghai-Tibetan Plateau (2000–2019) based on in-situ measurements, UAV images, and MODIS Data | |
Li et al. | Extraction of impervious surface based on multi-source satellite data of Qinhuai River basin from 1979–2009 | |
CN114972991B (zh) | 一种崩岗的自动识别方法及系统 | |
Li et al. | New landscape-perspective exploration of Moso bamboo forests under on/off-year phenomena and human activities | |
CN107545090A (zh) | 二维淹水潜势图的产生方法 | |
El-Hallaq | Spatio Temporal Analysis in Land Use and Land Cover Using GIS Case Study: Gaza City (Period 1999-2007). |
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 |