CN116091801A - 一种基于深度学习的降雨图像相似性搜索方法 - Google Patents
一种基于深度学习的降雨图像相似性搜索方法 Download PDFInfo
- Publication number
- CN116091801A CN116091801A CN202310211558.3A CN202310211558A CN116091801A CN 116091801 A CN116091801 A CN 116091801A CN 202310211558 A CN202310211558 A CN 202310211558A CN 116091801 A CN116091801 A CN 116091801A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- basin
- image
- similarity
- sub
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000011160 research Methods 0.000 claims abstract description 35
- 241000283153 Cetacea Species 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 238000000691 measurement method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 238000011524 similarity measure Methods 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000012876 topography Methods 0.000 claims description 10
- 230000000739 chaotic effect Effects 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 8
- 101150000003 subB gene Proteins 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度学习的降雨图像相似性搜索方法,对研究流域进行数据预处理后,采用分块加权颜色直方图分别提取研究流域历史时段降雨量图像和待检索降雨图像的降雨特征信息,然后计算待检索图像和历史降雨图像的降雨特征信息间相似度;其次采用多指标加权组合法对降雨特征信息间的相似度进行融合,得到多特征融合的降雨图像相似性度量方法;接着采用改进鲸鱼优化算法IWOA训练得到最优权重系数,得到最优特征融合相似性度量;最后计算历史库中降雨图像搜索和待查询降雨图像间的相似性并进行排序,得到和待检索图像最相似的历史降雨图像。本发明提供基于深度学习的降雨图像相似性搜索方法,实现相似降雨图像的识别和搜索。
Description
技术领域
本发明涉及水文气象和图像识别技术,具体涉及一种基于深度学习的降雨图像相似性搜索方法。
背景技术
降雨是地表径流和地下水的主要来源,对流域水文要素的时空变化规律有着最直接且最主要的影响。近年来,极端降雨引发的山洪造成了巨大的社会和经济损失。受致洪降雨强度、降雨分布等因素影响,洪水发生的时间、地点、洪水强度和洪水过程特征存在很大的不确定性,给洪水预警和防御造成很大障碍。因此,提取历史场次降雨特征,采用相似性分析对降雨过程进行识别和归类,挖掘历史上相似的降雨过程,对洪水预测、同类型洪水应对及洪水资源化利用具有十分重要的价值。
降雨相似性评价是洪水风险评估的一个重要内容。章龙飞等[章龙飞, 朱跃龙,等. 基于降雨类型直方图分析的降雨站点相似性研究. 水文, 2013, 33(03): 10-17.]从单场降雨过程入手,利用基于Davies-Bouldin指数的K-means聚类算法对各雨量站的降雨场次进行聚类,结合了词袋统计模型为每个降雨观测站点建立了基于单场降雨的降雨类型直方图,比较两个降雨站点间的相似性进而研究降雨的相似性。Xiao等[Z. Xiao, Z.Liang, B. Li, and B. Hou, New flood early warning and forecasting methodbasedon similarity theory. Journal of Hydrologic Engineering, 2019, 24(8):04019023.]提出了一种基于多测度的降雨事件相似性分析模型,分别从数量相似度、模式相似度、陆地移动距离、暴雨空间分布相似度等多个角度进行场次暴雨相似度评估。Ohno等[G. Ohno, I. Kazunori, Flood Forecast Based on Deep Learning UsingDistribution MAPof Precipitation. Proceedings of the 22nd IAHR APD Congress.2020, Japan, Sapporo.]采用深度学习方法提取天气预报降雨图像中的特征信息以判定河道水位是否超过“洪水”阈值,为利用天气预报中的降雨图像延长汛期预报提供了新的思路和参考。
尽管降雨相似性搜索已有一些研究,但研究或者主要面向降雨时间序列数据(如章、Xiao等的研究成果),或者对图像的特征表达及相似性度量方法不足(如Ohno研究成果),随着信息技术的发展,降雨数据类型也从传统的文本型序列数据扩展到图像类、非结构化序列数据。水文气象部门已经累积了丰富的时段降雨量实况图,采用不同的颜色形象直观的表达不同区间的降雨量数值。因此,借助机器学习和图像识别最新算法,对降雨图像进行特征提取、相似性分析以实现降雨过程的相似性识别和搜索,是水文气象研究领域的新兴研究方向。
目前还有一些现有技术,例如发明专利CN202210909459.8公开了基于视觉特征的相似降雨预报方法和设备,该技术方案在在相似性搜索时未考虑子流域的不同特征,任意网格划分容易导致地形地貌统计不一致等问题,也进而因为距离度量维度不一致而出现维度不一致、信息丢失、物理含义不明确等问题。
发明内容
发明目的:本发明的目的在于解决现有技术方案中或因用时序数据难以表达降雨过程的时空特征信息、或因降雨图像的特征表达及相似性度量方法不足等问题,结合颜色直方图、图像特征提取、相似性度量、改进的鲸鱼优化等算法,提供基于深度学习的降雨图像相似性搜索方法,实现相似降雨过程的识别和搜索。
技术方案:本发明的一种基于深度学习的降雨图像相似性搜索方法,包括以下步骤:
步骤S1、数据预处理,即根据研究流域地形地貌、河流走向和子流域划分方法,对研究流域进行数据预处理,得到该流域特征向量BasinP,并通过流域特征向量BasinP来表征流域降雨特征信息;
其中P time 表征降雨时间,P Basin 表示流域面降雨总量,数组[P Basin1 , P Basin2 ,…, P Basinn ]表示流域Basin中各子流域Basin i 的降雨量,1≤i≤n,数组[Basin i , P max-Basini ]表示最大降雨量所在的子流域及其降雨值;
步骤S2、对于研究流域的历史时段降雨图像,分别采用分块加权颜色直方图方法来提取各自对应的降雨特征信息,然后构建历史降雨图像特征库并存储;
步骤S3、对于研究流域的待检索时段降雨图像,分别采用上述步骤S2中的分块加权颜色直方图方法来提取各自对应的降雨特征信息;步骤S4、使用不同相似性度量方法计算待检索降雨图像和历史时段降雨图像的降雨特征信息间相似度,得到流域面降雨总量特征间的相似度SIM B 、降雨空间特征相似度SIM subB 和最大降雨子流域特征相似度SIM maxB ;
步骤S5、采用多指标加权组合方法对步骤S4中所得降雨特征信息间的相似度进行融合,得到多特征融合的降雨图像image s , image t 间的融合相似度SIM(s,t);并采用改进的鲸鱼优化算法IWOA对融合相似度SIM(s,t)的待定权重系数进行寻优,得到最优特征融合相似性度量;
步骤S6、基于步骤S5最优特征融合相似性度量,计算历史库中降雨图像搜索和待检索降雨图像间的相似性并进行排序,得到和待检索降雨图像最相似的历史降雨图像,也就是采用最优权重系数,和及其对应的融合相似度SIM(s,t),从历史库中搜索并输出和待检索降雨图像最相似的历史降雨图像并输出。
进一步地,所述步骤S1构建研究流域特征向量的详细过程为:
步骤S11、根据研究流域地形地貌、河流走向和子流域划分方法,对研究流域进行子流域划分,并根据降雨分析应用需求,将研究流域特征信息概化为Basin={[Basin 1 ,Basin 2 ,…Basin n ]},其中n是流域Basin划分的子流域数量,Basin i 是其对应的第i个子流域,1≤i≤n;
步骤S12、根据子流域间的相邻位置关系构建流域连通图BasinG,并根据流域连通图BasinG计算子流域之间的最短可达路径;最短可达路径Path(Basin i ,Basinj)来计算两幅降雨图像的最大子流域之间的相似度,1≤i≤n,1≤j≤n;
步骤S13、构建研究流域特征向量BasinP={P time ,P Basin ,[P Basin1 , P Basin2 ,…, P Basinn ],[Basin i ,P max-Basini ]},使用BasinP来表征研究流域降雨特征信息。
进一步地,所述步骤S2的详细过程为:
步骤S21、将各降雨量图像统一压缩为128*128大小;
步骤S22、根据降雨量等级划分标准及其在降雨图像中对应的颜色特征表示方法,采用加权颜色直方图技术提取降雨图像中各子流域中不同颜色特征color k 及不同颜色对应的像素点数量num k ,k是不同降雨等级对应的颜色总数;
步骤S24、根据所得各子流域降雨量值P Basini 通过公式(2)计算得到流域面降雨总量P Basin :
步骤S25、根据流域内各子流域降雨量值P Basini 情况,计算得到最大降雨子流域Basin j 及其最大降雨量值P max-Basin ,1≤j≤n,计算公式为:
步骤S26、对所有历史时段降雨图像,分别提取该降雨量对应的时间P time 、流域面降雨总量P Basin 、各子流域降雨量[P Basin1 , P Basin2 ,…, P Basinn ]、最大降雨所在子流域及其降雨量[Basin i , P max-Basini ],并构建特征向量BasinP time 进行存储。
对待检索降雨图像,使用同样方法提取特征向量。
进一步地,所述步骤23根据降雨量等级划分标准,上述降雨量图中的颜色特征总数为k=6。不同l值及其对应的降雨等级和范围如下:
l=0,颜色特征为RGB(255,255,255),表示无雨,日降雨量范围为0;
l=1,颜色特征为RGB(153,255,153),表示小雨,日降雨量范围为[0.0,10.0);
l=2, 颜色特征为RGB(0,153,51),表示中雨,日降雨量范围为[10.0,25.0);
l=3, 颜色特征为RGB(102,204,255),表示大雨,日降雨量范围为[25.0,50.0);
l=4, 颜色特征为RGB(0,0,255),表示暴雨,日降雨量范围为[50.0,100.0);
l=5, 颜色特征为RGB(255,0,255),表示大暴雨,日降雨量范围为[100.0,250.0);
l=6, 颜色特征为RGB(162,20,47),表示特大暴雨,日降雨量范围为[250.0, +∞);并且l取值0时不提取其颜色特征。
进一步的,所述l取值分别为0、1、2、3、4、5、6时,上述6种表征不同降雨等级颜色的降雨量值PC l 依次取值为[1,11,31,101,151,311]。
对待检索降雨图像,则提取获得待检索降雨图像特征向量:子流域降雨量、流域面降雨总量、最大降雨所在子流域Basin j 及其最大降雨量值P max-Basin 。
进一步地,所述步骤S4的详细过程为;
步骤S41、定义子流域降雨空间距离度量D subB 和相似性度量SIM subB ,表征待检索降雨图像image s中子流域Basin i 的降雨量P sBi 和历史图像特征库中降雨图像image t 中子流域Basin i 的降雨量P tBi 间的距离和相似度,距离度量计算公式为:
各子流域降雨特征的相似性度量SIM subBi 计算公式为:
那么,待检索降雨图像image s和历史图像特征库中降雨图像image t 各子流域降雨量距离度量则可表示为{D subB1, D subB2,…, D subBn };待检索降雨图像image s和历史图像特征库中降雨图像image t 各子流域降雨量特征间的相似度表示为{SIM subB1, SIM subB2 ,…,SIM subBn };
进而得到待检索降雨图像image s和历史图像特征库中降雨图像image t 降雨空间相似度:
其中S Basini 表征子流域Basin i 的面积,S Basin 是流域Basin的面积;
步骤S42、定义待检索降雨图像image s中最大降雨子流域Basin j 和历史图像特征库中降雨图像image t 中最大降雨子流域Basin m 降雨量特征间的距离D maxB 和相似性度量SIM maxB ;距离度量计算公式为:
其中,1≤j≤n,1≤m≤n,是image s中最大降雨所在子流域Basin j 和image t 中最大降雨所在子流域Basin m 的最短可达路径,根据流域连通图BasinG判定;和分别是指待检索降雨图像image s中最大降雨所在子流域Basin j 和历史图像特征库中降雨图像image t 最大降雨所在子流域Basin m 对应的降雨量;
若Basin j 和Basin m 是同一子流域,则Path(Basin j ,Basin m )=0, 若Basin j 和Basin m 是相邻子流域,则Path(Basin j ,Basin m )=1;依次类推;
最终得到最大降雨子流域间的相似性度量SIM maxB :
步骤S43、定义流域面降雨总量间的距离度量D Basin 和相似性度量SIM B ,表征待检索降雨图像image s中整个流域面降雨总量P sB 和历史图像特征库中降雨图像image t 中流域面降雨总量P tB 间的距离和相似度;
其中流域面降雨总量间的距离度量计算公式为:
最终流域面降雨总量间的相似性度量SIM B 计算公式为:
进一步地,所述步骤S4中待检索降雨图像image s和历史图像特征库中降雨图像image t 之间的融合相似度SIM(s,t)的计算方法如式(11):
其中γ 1 ,γ 2 和γ 3 是待定权重系数。
进一步地,所述步骤S5中主客观集成赋权方法IWOA的基本策略是,不根据专家的主观经验对权重系数γ 1 ,γ 2 和γ 3 直接进行赋权,而是根据专家的主观经验对待进行相似性搜索的部分降雨图像进行人工评判,并将这些评价结果作为理想结果(参照依据),动态调整融合相似性度量SIM的权重系数γ 1 ,γ 2 和γ 3 ,使得基于融合相似性度量SIM的相似图像检索结果能够尽可能地接近专家根据主观经验对相似图像的评价结果。其详细过程为:
S51、从历史降雨图像数据库中选择30张降雨图像作为样本集,其中6张降雨等级为小雨、9 张降雨等级为中雨和15张降雨等级为大到暴雨;并按照2:1的比例将样本划分为训练集和测试集;针对训练集中的每一张待检索图片,采用专家经验法从历史降雨图像数据库选择10张相似图像,根据其与待检索降雨图像的相似程度进行打分和排序,并将其作为理想检索结果进行参照比较;
S52、由于使用随机函数初始化种群位置(种群中的一个个体对应一组权重系数γ 1 ,γ 2 和γ 3 )会出现初始种群分布均匀性和遍历性不足,会导致算法的搜索效率降低,因此本发明引入Logistic映射的方法对种群进行初始化,根据个体鲸对应的融合相似性度量SIM,从历史降雨图像库中检索出和训练样本集中每一待检索降雨图像最相似的10张图像并排序;
其中混沌映射如下式所示:
式中,SP i+1 和SP i 均是中间计算量,μ为混沌参数,取值范围为(2,4],μ在越接近4的过程中,种群更易平均分布;
S53、随着算法的迭代,鲸鱼优化算法容易陷入局部最优,全局搜索能力下降,因此,此处引入多领导机制提高种群的多样性,从而避免搜索个体陷入局部最优。多领导机制的具体方法为:在使用混沌映射初始化种群后,将种群均匀的划分为5个小种群,在每次迭代过程中,小种群内部对最优位置进行更新;每5次迭代结束,进行小种群之间的信息交流,将小种群内的个体进行打乱重组;
S54、采用归一化折损累计增益指标(Normalized Discounted Cumulative Gain, NDCG)对基于个体鲸对应融合相似性度量SIM的相似检索结果和基于专家经验法的理想检索结果进行比较,第u张图像相似检索结果前K项的NDCG的计算公式如下:
NDCG反映了每一次相似检索结果与理想搜索结果的接近程度,NDCG值越高(最高为1),其搜索结果越接近理想搜索结果,反之,其搜索结果与理想搜索结果差异越大;DCG u @ K表示第u张图像搜索结果前K项的折损累计增益(Discounted Cumulative Gain,DCG),IDCG u @K是DCG u @K的归一化结果;DCG u @K计算公式为:
其中rel ur 表示第u张图像搜索结果前K项与第u张图像间的相似程度得分。
S55、将所有搜索结果的平均NDCG@5指标值作为当前个体鲸的目标函数值fitness,计算公式为:
其中,a表示训练样本个数,simRR uq 表示实际搜索中第u张图像搜索结果前K项与第u张图像间的相似程度得分,simIR uq 表示根据样本标注的第u张图像搜索结果前K项与第u张图像间的相似程度得分;
S56、根据每个鲸鱼个体的目标函数值,找到并保存最佳的鲸鱼个体,即保存最优的权重系数;随后更新个体参数以及在各小种群内更新鲸鱼个体位置;
进一步地,所述步骤S6中得到待检索降雨图像最相似的历史降雨图像的具体方法为:以上述步骤S57得到的最优权重系数 , 和。代入公式(11),并以其作为最优距离度量计算历史库中降雨图像和待检索降雨图像间的相似性并进行排序,从而得到和待检索图像最相似的降雨图像。
有益效果:本发明应用场景为水文气象领域中相似降雨图像识别和检索,本发明的着眼点相似日降雨过程的识别,以流域面降雨总量、子流域降雨分布和最大降雨子流域作为降雨图像的特征,并采用深度学习算法对上述特征进行融合,更好的度量降雨图像间的相似性,提升相似日降雨过程识别的精度和能力,为回答气象预报和防汛指挥中经常会问到的“当前降雨过程相当于历史上哪一天的同类过程”问题提供快速技术支撑。
附图说明
图1是为本发明整体流程图;
图2是流域数据预处理后的连通子图及其可达路径矩阵;
图3是某流域日降雨量图;
图4是基于IWOA算法的参数寻优示意图;
图5是实施例中相似日降雨量图像检索结果。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1所示,本实施例的基于深度学习的降雨图像相似性搜索方法,包括以下步骤:
S1、数据预处理,根据研究流域地形地貌、河流走向和子流域划分方法,对研究流域进行数据预处理;
S11、根据研究流域地形地貌、河流走向和子流域划分方法,对研究流域子流域划分如图2中最左边图所示,并根据降雨分析应用需求,将研究流域特征信息概化为Basin={[Basin 1 , Basin 2 ,…Basin 9 ]}。
S12、根据子流域间的位置关系,构建流域连通图BasinG,并根据BasinG计算子流域之间的最短可达路径矩阵。结果分别如图2中的中间图和最右边图所示。
S13、构建研究流域特征向量BasinP={P time ,P Basin ,[P Basin1 , P Basin2 ,…, P Basin9 ],
[Basin i , P max-Basini ]},通过BasinP表征流域降雨特征信息,其中P time 表征降雨时间,P Basin 表示流域面降雨总量,数组[P Basin1 , P Basin2 ,…, P Basin9 ]表示流域Basin中各子流域Basin i ( 1≤i≤9)的降雨量,数组[Basin i , P max-Basin ]对应最大降雨量所在的子流域及其降雨值。
S2、降雨图像特征提取
采用分块加权颜色直方图技术,提取研究流域历史时段降雨量图像(如图3所示)的降雨特征信息,构建历史降雨图像特征库并存储;
S21、将降雨量图像统一压缩为128*128大小;
S22、根据降雨量等级划分标准及其在降雨图像中对应的颜色特征表示方法,采用加权颜色直方图技术提取降雨图像中各子流域中不同颜色特征color k (k是不同降雨等级对应的颜色总数)及不同颜色对应的像素点数量num k ;
S23、根据公式(1)计算各子流域的降雨量值P Basini ( 1≤i≤n)
其中num l ( 1≤l≤k)表示子流域Basin i 中第l种颜色color l 对应的像素点数量,PC l 子流域Basin i 中第l中颜色color l 对应的降雨量值。
本实施例中k=6,不同l值对应的降雨量值PC l 依次取值为1,11,31,101,151,311。
S24、根据各子流域降雨量值P Basini ( 1≤i≤n,在本实施例中,一共9个子流域,即n=9)计算得到流域的面降雨总量P Basin ,计算公式为
S25、根据流域内各子流域降雨量值P Basini ( 1≤i≤n)情况,计算得到最大降雨子流域Basin j 及其最大降雨量值P max-Basin ,计算公式为:
S26、对所有历史时段降雨图像,分别提取该降雨量对应的时间P time 、流域面降雨总量P Basin 、各子流域降雨量[P Basin1 , P Basin2 ,…, P Basinn ]、最大降雨所在子流域及其降雨量[Basin i , P max-Basini ],并构建特征向量BasinP time 进行存储;
S3、分别采用上述步骤S21~S24进行降雨图像压缩、降雨量等级对应的颜色特征及其像素点数量提取、子流域降雨量计算、流域面降雨总量计算、最大降雨子流域Basin j 及其最大降雨量值P max-Basin 统计,得到待检索降雨图像的特征向量并存储。
S4、分别定义不同的相似性度量方法计算待检索降雨图像和历史降雨图像的降雨特征信息间相似度。
定义不同的相似性度量方法,计算得到待检索降雨图像和历史降雨图像特征间的相似度;
S41、定义子流域降雨空间距离度量D subB 和相似性度量SIM subB ,表征待检索降雨图像image s中子流域Basin i 的降雨量P sBi 和历史图像特征库中降雨图像image t 中子流域Basin i 的降雨量P tBi 间的距离和相似度,距离度量计算公式为:
各子流域降雨特征的相似性度量SIM subBi 计算公式为:
其中,待检索降雨图像image s和历史图像特征库中降雨图像image t 各子流域降雨量距离度量形式化的表示为{D subB1, D subB2,…, D subB9 };待检索降雨图像image s和历史图像特征库中降雨图像image t 各子流域降雨量特征间的相似度表示为{SIM subB1, SIM subB2 ,…, SIM subB9 }。
最终得到待检索降雨图像image s和历史图像特征库中降雨图像image t 降雨空间相似度为:
其中S Basini 表征子流域Basin i 的面积,S Basin 是流域Basin的面积;
S42、定义待检索降雨图像image s中最大降雨子流域Basin j 和历史图像特征库中降雨图像image t 中最大降雨子流域Basin m 降雨量特征间的距离D maxB 和相似性度量SIM maxB ;距离度量计算公式为:
其中,Path(Basin j ,Basin m )是image s中最大降雨子流域Basinj和image t 中最大降雨子流域Basin m 的最短可达路径,可以根据上述步骤S12中的流域连通图BasinG判定,其结果如图3中的(3)最短可达路径矩阵所示;若Basin j 和Basin m 是同一子流域,则Path(Basin j ,Basin m )=0, 若Basin j 和Basin m 是相邻子流域,则Path(Basin j ,Basin m )=1;依次类推。和分别是指待检索降雨图像image s中最大降雨所在子流域Basin j 和历史图像特征库中降雨图像image t 最大降雨所在子流域Basin m 对应的降雨量;
最大降雨子流域间的相似性度量SIM maxB 计算公式为:
S43、定义流域面降雨总量间的距离度量D Basin 和相似性度量SIM B ,表征待检索降雨图像image s中整个流域面降雨总量P sB 和历史图像特征库中降雨图像image t 中流域面降雨总量P tB 间的距离和相似度;其中流域面降雨总量间的距离度量计算公式为:
最终得到流域面降雨总量间的相似性度量SIM B 计算公式为:
S5、采用多指标加权组合方法对降雨特征信息间的相似度进行融合,得到多特征融合的降雨图像相似性度量方法;并采用改进的鲸鱼优化算法(IWOA)训练得到多特征融合相似性度量方法中各相似性度量的最优权重系数(γ 1 ,γ 2 和γ 3 ),得到最优特征融合相似性度量,如图4所示详细过程为:
S51、从历史降雨图像数据库中选择30张降雨图像作为样本集,其中6张降雨等级为小雨、9 张降雨等级为中雨和15张降雨等级为大到暴雨;并按照2:1的比例将样本划分为训练集和测试集;针对训练集中的每一张待检索图片,采用专家经验法从历史降雨图像数据库选择10张相似图像,根据其与待检索降雨图像的相似程度进行打分和排序,并将其作为理想检索结果进行参照比较;
S52、引入Logistic映射的方法对种群进行初始化,根据个体鲸对应的融合相似性度量SIM,从历史降雨图像库中检索出和训练样本集中每一待检索降雨图像最相似的10张图像并排序;
其中混沌映射如下式所示:
S53、引入多领导机制提高种群的多样性,从而避免搜索个体陷入局部最优。多领导机制:在使用混沌映射初始化种群后,将种群均匀的划分为5个小种群,在每次迭代过程中,小种群内部对最优位置进行更新;每5次迭代结束,进行小种群之间的信息交流,将小种群内的个体进行打乱重组;
S54、采用归一化折损累计增益指标NDCG对基于个体鲸对应融合相似性度量SIM的相似检索结果和基于专家经验法的理想检索结果进行比较,第u张图像相似检索结果前K项的NDCG的计算公式如下:
DCG u @K表示第u张图像搜索结果前K项的折损累计增益DCG,IDCG u @K是DCG u @K的归一化结果;DCG u @K计算公式为:
其中rel ur 表示第u张图像搜索结果前K项与第u张图像间的相似程度得分。
S55、将所有搜索结果的平均NDCG@5指标值作为当前个体鲸的目标函数值fitness,计算公式为:
其中,a表示训练样本个数,simRR uq 表示实际搜索中第u张图像搜索结果前K项与第u张图像间的相似程度得分,simIR uq 表示根据样本标注的第u张图像搜索结果前K项与第u张图像间的相似程度得分;
S56、根据每个鲸鱼个体的目标函数值,找到并保存最佳的鲸鱼个体,即保存最优的权重系数;随后更新个体参数以及在各小种群内更新鲸鱼个体位置;
S57、重复步骤S54至步骤S56,直至满足算法终止条件,即达到最大迭代次数或者最优解满足精度要求,并输出最优解,即最优权重系数γ 1 ,γ 2 和γ 3 ;
S6、基于S5中得到的最优权重系数γ 1 ,γ 2 和γ 3 及其对应的融合相似性度量SIM,从历史库中搜索并输出和待检索降雨图像最相似的历史降雨图像。
本实施例的结果如图5所示,第一行是待查询的降雨量图,第二行和第三行是较相似的10幅降雨图像(相似度自第二行第一幅至第三行最后一幅依次递减)。第二行第一幅降雨图像特征为;降雨总量197938,各子流域降雨量为[79,168,133,29,7815,58124,64589,42158,24843],最大降雨量所在的子流域及其降雨量值为[7,64589];第二行第二幅降雨量图特征为:降雨总量176693,各子流域降雨量为[52,516,214,37,4923,49245,63148,39613,18945],最大降雨量所在的子流域及其降雨量值为[7,63148]。而关于待检索图像的降雨图像特征为:降雨总量为257729,各子流域降雨量为[65,216,98,89,12654,65841,86374,68124,24268],最大降雨量所在的子流域及其降雨值为[7,86374]。因此可以得出第二行第一幅降雨量图的降雨图像特征与待检索图像最相似。
通过上述实施例可以看出,本发明技术方案首先根据降雨流域的地形地貌等特征对研究流域进行子流域划分,并根据子流域的空间位置特征构建了流域连通子图,以定义不同流域之间的空间位置关系;本发明以子流域为降雨量的统计单位,避免了任意网格划分导致的地形地貌统计不一致等问题。同时,本发明统一以降雨量(流域面降雨量、子流域降雨和最大降雨子流域及其降雨量)作为相似性的度量,避免了现有技术中因距离度量维度不一致(例如以总降雨量、降雨量相似矩阵块数和最大降雨块的坐标距离为度量)导致的维度不一致、信息丢失、物理含义不明确等问题。综上,本发明的内容更符合业务应用需求,具有更明确广泛的应用前景。
本发明技术方案与其他现有技术方案(例如PCA、BORDA、全局颜色直方图等)相比,对降雨图进行搜索时搜索算法精度上平均能够提高0.205。
Claims (9)
1.一种基于深度学习的降雨图像相似性搜索方法,其特征在于:包括以下步骤:
步骤S1、数据预处理,即根据研究流域地形地貌、河流走向和子流域划分方法,对研究流域进行数据预处理,得到该流域特征向量BasinP,并通过流域特征向量BasinP来表征流域降雨特征信息;
其中P time 表征降雨时间,P Basin 表示流域面降雨总量,数组[P Basin1 , P Basin2 , …, P Basinn ]表示流域Basin中各子流域Basin i 的降雨量,1≤i≤n,数组[Basin i , P max-Basini ]表示最大降雨量所在的子流域及其降雨值;
步骤S2、对于研究流域的历史时段降雨图像,分别采用分块加权颜色直方图方法来提取各自对应的降雨特征信息,然后构建历史降雨图像特征库并存储;
步骤S3、对于研究流域的待检索时段降雨图像,分别采用上述步骤S2中的分块加权颜色直方图方法来提取各自对应的降雨特征信息;
步骤S4、使用不同相似性度量方法计算待检索降雨图像和历史时段降雨图像的降雨特征信息间相似度,得到流域面降雨总量特征间的相似度SIM B 、降雨空间特征相似度SIM subB 和最大降雨子流域特征相似度SIM maxB ;
步骤S5、采用多指标加权组合方法对步骤S4中所得降雨特征信息间的相似距离进行融合,得到多特征融合的降雨图像image s , image t 间的融合相似度SIM(s,t);并采用改进的鲸鱼优化算法IWOA对融合相似度SIM(s,t)的待定权重系数进行寻优,得到最优特征融合相似性度量;
步骤S6、基于步骤S5最优特征融合相似性度量,计算历史库中降雨图像搜索和待检索降雨图像间的相似性并进行排序,得到和待检索降雨图像最相似的历史降雨图像。
2.根据权利要求1所述的基于深度学习的降雨图像相似性搜索方法,其特征在于,所述步骤S1构建研究流域特征向量的详细过程为:
步骤S11、根据研究流域地形地貌、河流走向和子流域划分方法,对研究流域进行子流域划分,并根据降雨分析应用需求,将研究流域特征信息概化为Basin={[Basin 1 ,Basin 2 ,…Basin n ]},其中n是流域Basin划分的子流域数量,Basin i 是其对应的第i个子流域,1≤i≤n;
步骤S12、根据子流域间的相邻位置关系构建流域连通图BasinG,并根据流域连通图BasinG计算子流域之间的最短可达路径;
步骤S13、构建研究流域特征向量BasinP={P time ,P Basin ,[P Basin1 , P Basin2 , …, P Basinn ],[Basin i ,P max-Basini ]},使用BasinP来表征研究流域降雨特征信息。
3.根据权利要求1所述的基于深度学习的降雨图像相似性搜索方法,其特征在于,所述步骤S2的详细过程为:
步骤S21、将各降雨量图像统一压缩为128*128大小;
步骤S22、根据降雨量等级划分标准及其在降雨图像中对应的颜色特征表示方法,采用加权颜色直方图技术提取降雨图像中各子流域中不同颜色特征color k 及不同颜色对应的像素点数量num k ,k是不同降雨等级对应的颜色总数;
步骤S23、根据公式(1)计算各子流域对应的降雨量P Basini
其中num l 表示子流域Basin i 中第l种颜色color l 对应的像素点数量,1≤l≤k,PC l 表示子流域Basin i 中第l种颜色color l 对应的降雨量大小;
步骤S24、根据所得各子流域降雨量值P Basini 通过公式(2)计算得到流域面降雨总量P Basin :
步骤S25、根据流域内各子流域降雨量值P Basini 情况,计算得到最大降雨子流域Basin j 及其最大降雨量值P max-Basin ,1≤j≤n,计算公式为:
步骤S26、对所有历史时段降雨图像,分别提取该降雨量对应的时间P time 、流域面降雨总量P Basin 、各子流域降雨量[P Basin1 , P Basin2 , …, P Basinn ]、最大降雨所在子流域及其降雨量[Basin i , P max-Basini ],并构建特征向量BasinP time 进行存储;
对待检索降雨图像,则提取获得待检索降雨图像特征向量:子流域降雨量、流域面降雨总量、最大降雨所在子流域及其最大降雨量值。
4.根据权利要求3所述的基于深度学习的降雨图像相似性搜索方法,其特征在于,所述步骤23中根据降雨量等级划分标准,上述中降雨量图中不同降雨等级对应的颜色总数k=6,其对应的降雨等级和范围如下:
l=0,颜色特征为RGB(255,255,255),表示无雨,日降雨量范围为0;
l =1,颜色特征为RGB(153,255,153),表示小雨,日降雨量范围为[0.0,10.0);
l =2, 颜色特征为RGB(0,153,51),表示中雨,日降雨量范围为[10.0,25.0);
l =3, 颜色特征为RGB(102,204,255),表示大雨,日降雨量范围为[25.0,50.0);
l=4, 颜色特征为RGB(0,0,255),表示暴雨,日降雨量范围为[50.0,100.0);
l=5, 颜色特征为RGB(255,0,255),表示大暴雨,日降雨量范围为[100.0,250.0);
l =6, 颜色特征为RGB(162,20,47),表示特大暴雨,日降雨量范围为[250.0, +∞);
并且当l为0无雨时,不提取其颜色特征。
5.根据权利要求4所述的基于深度学习的降雨图像相似性搜索方法,其特征在于,所述l取值分别为0、1、2、3、4、5、6时,对应的降雨量值PC l 则依次为1、11、31、101、151、311。
6.根据权利要求1所述的基于深度学习的降雨图像相似性搜索方法,其特征在于,所述步骤S4的详细过程为;
步骤S41、定义子流域降雨空间距离度量D subB 和相似性度量SIM subB ,表征待检索降雨图像image s中子流域Basin i 的降雨量P sBi 和历史图像特征库中降雨图像image t 中子流域Basin i 的降雨量P tBi 间的距离和相似度,距离度量计算公式为:
各子流域降雨特征的相似性度量SIM subBi 计算公式为:
那么,待检索降雨图像image s和历史图像特征库中降雨图像image t 各子流域降雨量距离度量则表示为{D subB1, D subB2,…, D subBn };待检索降雨图像image s和历史图像特征库中降雨图像image t 各子流域降雨量特征间的相似度表示为{SIM subB1, SIM subB2 ,… ,SIM subBn };
进而得到待检索降雨图像image s和历史图像特征库中降雨图像image t 降雨空间相似度:
其中表征子流域Basin i 的面积,是流域Basin的面积;
步骤S42、定义待检索降雨图像image s中最大降雨子流域Basin j 和历史图像特征库中降雨图像image t 中最大降雨子流域Basin m 降雨量特征间的距离D maxB 和相似性度量SIM maxB ;距离度量计算公式为:式(7)
其中,1≤j≤n,1≤m≤n ,Path(,)是image s中最大降雨所在子流域Basin j 和image t 中最大降雨所在子流域Basin m 的最短可达路径,根据流域连通图BasinG判定;和分别是指待检索降雨图像image s中最大降雨所在子流域Basin j 和历史图像特征库中降雨图像image t 最大降雨所在子流域Basin m 对应的降雨量;
若Basin j 和Basin m 是同一子流域,则Path(Basin j ,Basin m )=0, 若Basin j 和Basin m 是相邻子流域,则Path(Basin j ,Basin m )=1;依次类推;
最终得到最大降雨子流域间的相似性度量SIM maxB :
步骤S43、定义流域面降雨总量间的距离度量D Basin 和相似性度量SIM B ,表征待检索降雨图像image s中整个流域面降雨总量P sB 和历史图像特征库中降雨图像image t 中流域面降雨总量P tB 间的距离和相似度;
其中流域面降雨总量间的距离度量计算公式为:
最终流域面降雨总量间的相似性度量SIM B 计算公式为:
8.根据权利要求1所述的基于深度学习的降雨图像相似性搜索方法,其特征在于,所述步骤S5中训练得到最优特征融合相似性度量的具体方法为:
S51、从历史降雨图像数据库中选择30张降雨图像作为样本集,其中6张降雨等级为小雨、9 张降雨等级为中雨和15张降雨等级为大到暴雨;并按照2:1的比例将样本划分为训练集和测试集;针对训练集中的每一张待检索图片,采用专家经验法从历史降雨图像数据库选择10张相似图像,根据其与待检索降雨图像的相似程度进行打分和排序,并将其作为理想检索结果进行参照比较;
S52、根据个体鲸对应的融合相似性度量SIM,从历史降雨图像库中检索出和训练样本集中每一待检索降雨图像最相似的10张图像并排序;
其中混沌映射如下式所示:
式中,SP i+1 和SP i 均是中间计算量,μ为混沌参数,取值范围为(2,4],μ在越接近4的过程中,种群更易平均分布,种群中的一个个体对应一组权重系数γ 1 , γ 2 和γ 3 ;
S53、在使用混沌映射初始化种群后,将种群均匀的划分为5个小种群,在每次迭代过程中,小种群内部对最优位置进行更新;每5次迭代结束,进行小种群之间的信息交流,将小种群内的个体进行打乱重组;
S54、采用归一化折损累计增益指标NDCG对基于个体鲸对应融合相似性度量SIM的相似检索结果和基于专家经验法的理想检索结果进行比较,第u张图像相似检索结果前K项的NDCG的计算公式如下:
DCG u @K表示第u张图像搜索结果前K项的折损累计增益DCG, IDCG u @K是DCG u @K的归一化结果;DCG u @K计算公式为:
其中rel ur 表示第u张图像搜索结果前K项与第u张图像间的相似程度得分;
S55、将所有搜索结果的平均NDCG@5指标值作为当前个体鲸的目标函数值fitness,计算公式为:
其中,a表示训练样本个数,simRR uq 表示实际搜索中第u张图像搜索结果前K项与第u张图像间的相似程度得分,simIR uq 表示根据样本标注的第u张图像搜索结果前K项与第u张图像间的相似程度得分;
S56、根据每个鲸鱼个体的目标函数值,找到并保存最佳的鲸鱼个体,即保存最优的权重系数;随后更新个体参数以及在各小种群内更新鲸鱼个体位置;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310211558.3A CN116091801B (zh) | 2023-03-07 | 2023-03-07 | 一种基于深度学习的降雨图像相似性搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310211558.3A CN116091801B (zh) | 2023-03-07 | 2023-03-07 | 一种基于深度学习的降雨图像相似性搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116091801A true CN116091801A (zh) | 2023-05-09 |
CN116091801B CN116091801B (zh) | 2023-06-16 |
Family
ID=86210323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310211558.3A Active CN116091801B (zh) | 2023-03-07 | 2023-03-07 | 一种基于深度学习的降雨图像相似性搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091801B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116701553A (zh) * | 2023-05-12 | 2023-09-05 | 中国长江电力股份有限公司 | 基于降雨时间分布柱状图的相似降雨径流过程查找方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619432A (zh) * | 2019-09-17 | 2019-12-27 | 长江水利委员会水文局 | 一种基于深度学习的特征提取水文预报的方法 |
CN113468803A (zh) * | 2021-06-09 | 2021-10-01 | 淮阴工学院 | 一种基于改进的woa-gru洪水流量预测方法及系统 |
CN114154417A (zh) * | 2021-12-06 | 2022-03-08 | 中国水利水电科学研究院 | 基于深度学习框架的洪水预报模型及洪水预报方法 |
CN114969416A (zh) * | 2022-03-11 | 2022-08-30 | 河海大学 | 一种基于降雨量图的降雨相似性搜索方法 |
CN114997534A (zh) * | 2022-07-29 | 2022-09-02 | 长江水利委员会水文局 | 基于视觉特征的相似降雨预报方法和设备 |
-
2023
- 2023-03-07 CN CN202310211558.3A patent/CN116091801B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619432A (zh) * | 2019-09-17 | 2019-12-27 | 长江水利委员会水文局 | 一种基于深度学习的特征提取水文预报的方法 |
CN113468803A (zh) * | 2021-06-09 | 2021-10-01 | 淮阴工学院 | 一种基于改进的woa-gru洪水流量预测方法及系统 |
CN114154417A (zh) * | 2021-12-06 | 2022-03-08 | 中国水利水电科学研究院 | 基于深度学习框架的洪水预报模型及洪水预报方法 |
CN114969416A (zh) * | 2022-03-11 | 2022-08-30 | 河海大学 | 一种基于降雨量图的降雨相似性搜索方法 |
CN114997534A (zh) * | 2022-07-29 | 2022-09-02 | 长江水利委员会水文局 | 基于视觉特征的相似降雨预报方法和设备 |
Non-Patent Citations (2)
Title |
---|
LIU JIAHONG等: "Dualistic water cycle pattern and its evolution in Haihe River basin", CHINESE SCI BULL, vol. 55, no. 16 * |
肖章玲;梁忠民;刘晓伟;刘龙庆;李彬权;胡义明;: "基于相似性理论的洪水超前预报预警研究", 人民黄河, no. 06 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116701553A (zh) * | 2023-05-12 | 2023-09-05 | 中国长江电力股份有限公司 | 基于降雨时间分布柱状图的相似降雨径流过程查找方法 |
CN116701553B (zh) * | 2023-05-12 | 2024-01-02 | 中国长江电力股份有限公司 | 基于降雨时间分布柱状图的相似降雨径流过程查找方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116091801B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723675B (zh) | 基于多重相似性度量深度学习的遥感图像场景分类方法 | |
CN108304668B (zh) | 一种结合水文过程数据和历史先验数据的洪水预测方法 | |
CN110929956B (zh) | 一种基于机器学习的洪水预报方案实时优选方法 | |
CN115271255B (zh) | 基于知识图谱和机器学习的雨洪相似性分析方法和系统 | |
CN107092870A (zh) | 一种高分辨率影像语意信息提取方法及系统 | |
CN101789005A (zh) | 一种基于感兴趣区域的图像检索方法 | |
CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
CN116091801B (zh) | 一种基于深度学习的降雨图像相似性搜索方法 | |
CN106874862B (zh) | 基于子模技术和半监督学习的人群计数方法 | |
CN110888186A (zh) | 基于gbdt+lr模型的冰雹和短时强降水预报方法 | |
CN115641327B (zh) | 一种基于大数据的建筑工程质量监理和预警系统 | |
CN116010795B (zh) | 基于图像特征和深度学习的相似场次降雨模式库构建方法 | |
CN116128150B (zh) | 一种基于两级优化的光伏智能出力预测方法 | |
CN113723492A (zh) | 一种改进主动深度学习的高光谱图像半监督分类方法及装置 | |
CN116739868B (zh) | 基于人工智能的园林绿化管理系统及其方法 | |
CN112818608A (zh) | 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法 | |
CN114881286A (zh) | 一种基于深度学习的短时降水预测方法 | |
CN104866852B (zh) | 提取遥感影像中土地覆被信息的方法及装置 | |
CN115810149A (zh) | 基于超像素与图卷积的高分辨率遥感图像建筑物提取方法 | |
CN113779113B (zh) | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及系统 | |
CN109740504B (zh) | 一种基于遥感影像提取海域资源的方法 | |
CN117114105B (zh) | 基于科研大数据信息的目标对象推荐方法和系统 | |
CN118013277A (zh) | 具有时变权重的多模型组合径流预报方法 | |
CN113723558A (zh) | 基于注意力机制的遥感图像小样本舰船检测方法 | |
CN108898271A (zh) | 一种基于topsis法的无标底商务标评标方法 |
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 |