CN116165680A - 反演模型更新方法、装置、存储介质与芯片 - Google Patents

反演模型更新方法、装置、存储介质与芯片 Download PDF

Info

Publication number
CN116165680A
CN116165680A CN202310179956.1A CN202310179956A CN116165680A CN 116165680 A CN116165680 A CN 116165680A CN 202310179956 A CN202310179956 A CN 202310179956A CN 116165680 A CN116165680 A CN 116165680A
Authority
CN
China
Prior art keywords
data
remote sensing
salt concentration
nutrient salt
inversion model
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
Application number
CN202310179956.1A
Other languages
English (en)
Inventor
李杨杨
徐曼
曹磊
阮鲲
王绍武
秦东明
丁娜娜
黄铜
王帅飞
张政
冯婉玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhongke Sanqing Environmental Technology Co ltd
3Clear Technology Co Ltd
Original Assignee
Beijing Zhongke Sanqing Environmental Technology Co ltd
3Clear Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zhongke Sanqing Environmental Technology Co ltd, 3Clear Technology Co Ltd filed Critical Beijing Zhongke Sanqing Environmental Technology Co ltd
Priority to CN202310179956.1A priority Critical patent/CN116165680A/zh
Publication of CN116165680A publication Critical patent/CN116165680A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • 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
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Computer Hardware Design (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本公开涉及一种反演模型更新方法、装置、存储介质与芯片，涉及水质监测技术领域，包括：确定与遥感反射率数据时空匹配的营养盐浓度数据，所述遥感反射率数据从遥感影像中获取；将所述遥感反射率数据以及与所述遥感反射率数据时空匹配的营养盐浓度数据作为样本点数据，构建目标反演模型；采用历史样本点数据与实时样本点数据，对所述目标反演模型进行更新，得到更新后的所述目标反演模型。使用本公开提出的反演模型更新方法，可以实时地对目标反演模型进行更新，使得目标反演模型的适用性更强。

Description

反演模型更新方法、装置、存储介质与芯片
技术领域
本公开涉及水质监测技术领域，尤其涉及一种反演模型更新方法、装置、存储介质与芯片。
背景技术
总氮、总磷是水体中重要的营养物质，是水体富营养化的重要影响因素，也是水环境质量评价的重要指标，在地表水环境质量标准中对江河、湖泊、运河、渠道、水库等地表水体中的总氮、总磷等营养盐浓度进行了标准限值，V类水中总氮浓度不大于2.0mg/L，总磷浓度不大于0.4mg/L。因此，监测水体中总氮、总磷等营养盐浓度对判断水体富营养化程度，评价水环境质量尤为重要。
相关技术中提出了反演模型，用于对营养盐浓度数据进行反演，然而，在对反演模型进行更新的过程中，一般是一次性更新，导致反演模型的适用性较低。
发明内容
为克服相关技术中存在的问题，本公开提供一种反演模型更新方法、装置、存储介质与芯片。
根据本公开实施例的第一方面，提供一种反演模型更新方法，包括：
确定与遥感反射率数据时空匹配的营养盐浓度数据，所述遥感反射率数据从遥感影像中获取；
将所述遥感反射率数据以及与所述遥感反射率数据时空匹配的营养盐浓度数据作为样本点数据，构建目标反演模型；
采用历史样本点数据与实时样本点数据，对所述目标反演模型进行更新，得到更新后的所述目标反演模型。
可选地，所述采用历史样本点数据以及实时样本点数据，对所述目标反演模型进行更新，得到更新后的所述目标反演模型，包括：
在每次得到所述遥感反射率数据的情况下，将此次得到的所述遥感反射率数据，以及与此次得到的所述遥感反射率数据对应的营养盐浓度数据作为此次的实时样本点数据；
采用所述历史样本点数据以及所述此次的实时样本点数据，对所述目标反演模型进行更新，得到此次更新后的所述目标反演模型。
可选地，所述确定与遥感反射率数据时空匹配的营养盐浓度数据，包括：
通过水质监测站，获取多个不同时间下的营养盐浓度数据；
从多个不同时间下的营养盐浓度数据中，将与所述遥感影像的拍摄时间间隔最小的营养盐浓度数据，作为与所述遥感反射率数据时空匹配的营养盐浓度数据。
可选地，所述方法还包括：
在多个不同时间下的营养盐浓度数据的获取时间，与所述遥感影像的拍摄时间之间的间隔大于预设时间间隔的情况下，丢弃与所述遥感影像对应的遥感反射率数据，和/或；
在多个不同遥感影像的拍摄时间，与所述营养盐浓度数据的获取时间之间的间隔大于所述预设时间间隔的情况下，丢弃所述营养盐浓度数据。
可选地，所述将所述遥感反射率数据以及与所述遥感反射率数据时空匹配的营养盐浓度数据作为样本点数据，构建目标反演模型，包括：
将所述遥感反射率数据以及与所述遥感反射率数据时空匹配的营养盐浓度数据作为样本点数据，构建多个反演模型；
从多个所述反演模型中，确定多个所述反演模型输出的营养盐浓度数据；
根据所述多个反演模型输出的营养盐浓度数据与水质监测站监测到的营养盐浓度数据，确定目标反演模型。
可选地，所述根据所述多个反演模型输出的营养盐浓度数据与水质监测站获取到的营养盐浓度数据，确定目标反演模型，包括：
根据所述多个反演模型输出的营养盐浓度数据与水质监测站获取到的营养盐浓度数据，分别确定所述多个反演模型的均方根误差和/或平均绝对误差百分比；
根据所述多个反演模型的均方根误差和/或平均绝对误差百分比，确定所述目标反演模型。
可选地，所述遥感反射率数据通过以下步骤确定：
确定水质监测站的经纬度；
从所述遥感影像中，确定与水质监测站的经纬度一致的目标经纬度；
基于所述目标经纬度与遥感反射率数据之间的对应关系，确定与所述目标经纬度对应的遥感反射率数据。
可选地，所述方法还包括：
将卫星图像通过以下至少一者预处理，得到所述遥感影像：
几何校正、辐射定标、大气校正、影像镶嵌、影像裁剪。
根据本公开实施例的第二方面，提供一种反演模型更新装置，包括：
营养盐浓度确定模块，被配置为确定与遥感反射率数据时空匹配的营养盐浓度数据，所述遥感反射率数据从遥感影像中获取；
样本点数据确定模块，被配置为将所述遥感反射率数据以及与所述遥感反射率数据对应的营养盐浓度数据作为样本点数据，构建目标反演模型；
更新模块，被配置为采用历史样本点数据与实时样本点数据，对所述目标反演模型进行更新，得到更新后的所述目标反演模型。
根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开实施例的第一方面所提供的反演模型更新方法的步骤。
根据本公开实施例的第四方面，提供一种芯片，包括处理器和接口；所述处理器用于读取指令以执行本公开实施例的第一方面所提供的反演模型更新方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：
可以采用历史样本点数据以及实时样本点数据，来对目标反演模型进行更新，得到实时更新的目标反演模型。在此过程中，一方面，目标反演模型会随着实时样本点数据的更新而进行更新，使得目标反演模型能够适应于不同时间段下的营养盐浓度数据的反演；另一方面，在每次对目标反演模型进行更新的过程中，实时样本点数据均会与历史样本点数据共同作为样本点数据，来对目标反演模型进行更新，使得更新目标反演模型的样本点数据随着更新次数而逐渐增多，那么更新得到的目标反演模型的稳定性也会逐渐增加。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种反演模型更新方法的流程图。
图2是根据一示例性实施例示出的一种反演模型更新方法的逻辑示意图。
图3是根据一示例性实施例示出的一种反演模型更新装置的框图。
图4是根据一示例性实施例示出的一种反演模型更新装置的框图。
图5是根据一示例性实施例示出的一种反演模型更新装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
相关技术中，在对反演模型进行更新的过程中，一般是一次性更新，导致反演模型的适用性较低。
例如，在对A区域进行建模得到A区域的反演模型之后，若需要将A区域的反演模型应用至B区域中时，则需要使用B区域的数据对反演模型进行一次性更新，得到B区域的反演模型。然而，后续反演B区域的数据时，所采用的都是一次性更新后得到的B区域的反演模型来进行反演，甚至应用到一个月、一年、两年，都是采用B区域的反演模型来对B区域的数据进行反演，B区域的反演模型没有实时地进行更新，而本公开应用于水质监测，水质通常是实时变化的，未来B区域的数据可能与以往的B区域的数据有所不同，导致B区域的反演模型对未来B区域的数据进行反演时的准确性较低，即B区域的反演模型对未知数据的适用性较低。
有鉴于此，本公开提出一种反演模型更新方法，在对目标反演模型进行更新的过程中，是将历史样本点数据与当前的实时样本点数据共同作为样本点，来对目标反演模型进行更新。如此，在数据发生变化之后，能够采用变化后的实时样本点数据以及变化前的历史样本点数据共同作为样本点数据，来对目标反演模型进行更新，目标反演模型能够实时地适应变化的样本点数据，模型的适用性更高。
图1是根据一示例性实施例示出的一种反演模型更新方法的流程图，如图1所示，包括以下步骤。
在步骤S11中，确定与遥感反射率数据时空匹配的营养盐浓度数据，所述遥感反射率数据从遥感影像中获取。
其中，遥感影像是卫星拍摄到的原始影像经过预处理后得到的，下载目标区域一景或多景无云或少云的遥感影像。预处理包括以下至少一者：几何校正、辐射定标、大气校正、影像镶嵌、影像裁剪。
几何校正是校正成像过程中所造成的各种几何畸变的过程，几何畸变分为系统畸变和随机畸变，系统畸变是系统内部造成的，由于畸变具有一定的规律性，常在地面接收站进行处理，称为几何粗校正；随机畸变，是遥感影像在成像时，由于飞行器姿态、高度、地球自转等因素造成的图像相对于地面目标而发生的挤变、扭曲等畸变。
辐射定标是指建立遥感传感器的数字量化输出值DN与其所对应视场中辐射亮度值之间的定量关系。
大气对太阳光具有吸收、散射作用，同时，对来自目标物的电磁辐射也具有吸收和散射作用，传感器接收到的电磁辐射，除了来自目标物以外，还有大气引起的散射光，消除并校正这些大气影响的处理过程叫大气校正。
影像镶嵌是指将两幅或多幅影像拼在一起，构成一幅整体影像的技术过程。
影像裁剪是根据实际工作或研究的区域范围，把影像裁剪出一个或多个新的影像文件。其中，处理后的遥感影像中携带有地理坐标信息(经纬度等)及其对应的遥感反射率数据，所以遥感反射率数据可以从遥感影像的数据中获取。
其中，营养盐浓度数据包括总氮数据与总磷数据等，总氮、总磷等营养盐浓度数据对判断水体富营养化程度，评价水环境质量尤为重要。
其中，与遥感反射率数据时空匹配的营养盐浓度数据指的是，遥感反射率数据与营养盐浓度数据需要在时间与空间上是接近的或者是相同的，具体可以根据影像的过境时间，获取与遥感影像拍摄时间间隔最小的营养盐浓度数据，作为与遥感影像时间匹配的营养盐浓度数据；根据水质监测站的经纬度，获取遥感影像上对应经纬度的遥感反射率数据，作为与营养盐浓度数据空间匹配的遥感反射率数据。由于遥感反射率数据是从遥感影像中获取的，遥感影像的拍摄时间与遥感反射率的时间也是一致的，因此与遥感反射率数据时空匹配的营养盐浓度数据，也可以视为与遥感影像时空匹配的营养盐浓度数据。
示例地，营养盐浓度数据的获取时间间隔是每隔1小时获取一次目标区域的营养盐浓度数据。而遥感影像的拍摄时间间隔与卫星的重访周期一致，例如Landsat-8卫星重访周期为16天；Sentinel-2单颗卫星重访周期为10天，双星互补重访周期为5天，以双星互补重访周期为例，那么遥感影像对目标区域的拍摄时间间隔是5天拍摄一次。
在遥感影像对目标区域的拍摄时间间隔是5天拍摄一次，营养盐浓度数据的获取时间间隔是每隔1小时获取一次目标区域的营养盐浓度数据的基础上，可以得知营养盐浓度数据的获取时间比遥感影像的拍摄时间更加频繁，为了使得二者的时间能够匹配，是从数据更加密集的多个营养盐浓度数据中，确定与遥感影像时间匹配的营养盐浓度数据，时间匹配可以视为营养盐浓度数据的获取时间与遥感影像或遥感反射率数据的拍摄时间接近。
可以理解的是，本公开任意实施例提出的多景，指的是图像与图像之间的场景不同，多帧不同的场景可以视为多景。
在步骤S12中，将所述遥感反射率数据以及与所述遥感反射率数据时空匹配的营养盐浓度数据作为样本点数据，构建目标反演模型。
其中，可以将遥感反射率数据作为模型输入，将营养盐浓度数据作为模型输出，二者共同构成样本点数据，来构建得到目标反演模型。目标反演模型则可以依据目标区域的遥感反射率数据，反演得到目标区域的营养盐浓度数据。
在步骤S13中，采用历史样本点数据与实时样本点数据，对所述目标反演模型进行更新，得到更新后的所述目标反演模型。
其中，历史样本点数据是在当前时刻以前的样本点数据，包括历史遥感反射率数据以及与历史遥感反射率数据时空匹配的历史营养盐浓度数据；实时样本点数据为当前时刻下的样本点数据，包括实时遥感反射率数据以及与实时遥感反射率数据时空匹配的实时营养盐浓度数据。
其中，对目标反演模型进行更新可以理解为，对目标反演模型的可学习参数进行更新。
其中，请参阅图2所示，在对目标反演模型进行更新的过程中，是用历史样本点数据与当前的实时样本点数据来对目标反演模型进行更新，在下次更新时，上次的实时样本点数据被包含在此次的历史样本点数据之中，即每次得到的实时样本点数据均会更新至历史样本点数据库中，以作为下次的历史样本点数据。示例地，在每次得到所述遥感反射率数据的情况下，将此次得到的所述遥感反射率数据，以及与此次得到的所述遥感反射率数据对应的营养盐浓度数据作为此次的实时样本点数据；采用所述历史样本点数据以及所述此次的实时样本点数据，对所述目标反演模型进行更新，得到此次更新后的所述目标反演模型。
可以理解的是，遥感反射率数据与营养盐浓度数据是时间序列的数据，样本点数据的数量随着时间累积，反演模型的稳定性会逐渐增强，且每次反演时使用的反演模型都是经过含有当前时刻的样本点数据更新后得到的，反演模型的适用性更强。
通过上述技术方案，可以采用历史样本点数据以及实时样本点数据，来对目标反演模型进行更新，得到实时更新的目标反演模型。在此过程中，一方面，目标反演模型会随着实时样本点数据的更新而进行更新，使得目标反演模型能够适应于不同时间段下的营养盐浓度的反演；另一方面，在每次对目标反演模型进行更新的过程中，实时样本点数据均会与历史样本点数据共同作为样本点数据，来对目标反演模型进行更新，使得更新目标反演模型的样本点数据随着更新次数而逐渐增多，那么更新得到的目标反演模型的稳定性也会逐渐增加。
在一种可能的实施方式中，确定与遥感反射率数据时空匹配的营养盐浓度数据包括以下步骤：
在步骤S21中，通过水质监测站，获取多个不同时间下的营养盐浓度数据。
相关技术中，是通过人工采样的方式去目标区域采集营养盐浓度数据，例如，在天气晴朗且卫星经过目标区域的当天，前往目标区域采集水样，并将采集到的水样带回实验室测量总氮、总磷等营养盐浓度数据作为样本点数据，来构建反演模型。
在此过程中，人工采样受到天气、人员以及卫星经过目标区域时间等影响，可能会导致人工采样数量与频次较低，使得样本点数据较少，自然，采用较少的样本点数据构建得到的反演模型的稳定性也较差。
有鉴于此，本公开提出通过水质监测站来获取多个不同时间下的营养盐浓度数据。例如，水质监测站可以每隔1小时获取一次营养盐浓度数据。
在此过程中，将水质监测站监测到的营养盐浓度数据代替人工采样得到的营养盐浓度数据，其数据监测频次更高，样本点数据的数量更多，自然，采用更多的样本点数据构建得到的反演模型的稳定性也更高。
在步骤S22中，从多个不同时间下的营养盐浓度数据中，将与所述遥感影像的拍摄时间间隔最小的营养盐浓度数据，作为与所述遥感反射率数据时空匹配的营养盐浓度数据。
其中，对于同一水质监测站而言，在卫星对目标区域拍摄的当天会监测到多个不同时间下的营养盐浓度数据，在对营养盐浓度数据与遥感反射率数据进行时空匹配时，可以选择获取时间与所述遥感影像的拍摄时间间隔最小的营养盐浓度数据，作为与所述遥感反射率数据时空匹配的营养盐浓度数据。
示例地，遥感影像的拍摄时间为2022-11-12 14:35:20，水质监测站获取到的多个营养盐浓度数据的获取时间分别为2022-11-12 13:00:00、2022-11-1214:00:00、2022-11-12 15:00:00，在这三个获取时间中，2022-11-12 15:00:00的获取时间与遥感影像的拍摄时间最接近，所以该2022-11-12 15:00:00获取时间对应的营养盐浓度数据，则是与拍摄时间为2022-11-12 14:35:20下的遥感影像或者遥感反射率数据时空匹配的营养盐浓度数据。
其中，对于同一目标区域而言，可能具有多个水质监测站来对目标区域的营养盐浓度数据进行监测，所以与同一遥感影像或遥感反射率数据时空匹配的营养盐浓度数据可能具有多个，当然也可以具有一个，本公开对此不做限制。
示例地，当卫星对A市的某个局部区域进行拍摄时，该局部区域内的水质监测站具有10个，那么与卫星拍摄时间接近的水质监测站监测到的营养盐浓度数据可能具有10个，这10个营养盐浓度数据分别来自不同的水质监测站。
其中，对于营养盐浓度数据的获取时间，与遥感影像的拍摄时间的时间间隔需要具有限制，才能保证构建的样本点数据是有效的。具体包括以下情况1和/或情况2。
情况1：在多个不同时间下的营养盐浓度数据的获取时间，与所述遥感影像的拍摄时间之间的间隔大于预设时间间隔的情况下，丢弃与所述遥感影像对应的遥感反射率数据。
以预设时间间隔为3小时举例，在遥感影像的拍摄时间为2022-11-1214:35:20的情况下，在2022-11-12 14:35:20的前后3小时以内，若水质监测站没有获取到营养盐浓度数据，则会将遥感反射率数据进行丢弃，即不将该遥感反射率数据用于构建样本点数据。
在此过程中，由于水质监测站是以间隔1小时来进行营养盐浓度数据的获取，所以2022-11-12 14:35:20的前后3小时以内的时间，也可以视为水质监测站在2022-11-12 12:00:00-17:00:00内的获取时间，即，在2022-11-1212:00:00-17:00:00的时间内，如果不存在营养盐浓度数据，则将该遥感反射率数据进行丢弃。
情况2：在多个不同遥感影像的拍摄时间，与所述营养盐浓度数据的获取时间之间的间隔大于所述预设时间间隔的情况下，丢弃所述营养盐浓度数据。
以预设时间间隔为3小时举例，在水质监测站获取营养盐浓度的获取时间为2022-11-12 15:00:00的情况下，在2022-11-12 15:00:00的前后3小时以内，若卫星没有拍摄到目标区域的遥感影像，则会将2022-11-12 15:00:00时间下的营养盐浓度数据进行丢弃，即不将该营养盐浓度数据用于构建样本点数据。
在此过程中，在多个不同时间下的营养盐浓度数据的获取时间，与所述遥感影像的拍摄时间之间的间隔大于预设时间间隔的情况下，说明多个营养盐浓度数据中没有与该遥感影像时间匹配的营养盐浓度数据，此时该遥感影像与遥感反射率数据则是无效数据，则可以将该遥感影像与遥感反射率数据进行丢弃；在多个不同遥感影像的拍摄时间，与所述营养盐浓度数据的获取时间之间的间隔大于所述预设时间间隔的情况下，说明多个遥感影像中没有与该营养盐浓度数据时间匹配的遥感影像，此时该营养盐浓度数据是无效数据，可以将该营养盐浓度数据进行丢弃。
通过上述技术方案，可以将与所述遥感影像的拍摄时间间隔最小的营养盐浓度数据，作为与所述遥感反射率数据时空匹配的营养盐浓度数据，使得遥感影像的拍摄时间与营养盐浓度的获取时间尽可能地接近，那么作为样本点数据来对反演模型进行构建或者更新时，得到的反演模型才能更加可信。
在一种可能的实施方式中，请参阅图2所示，可以通过以下步骤来确定目标反演模型：
在步骤S31中，将所述遥感反射率数据以及与所述遥感反射率数据时空匹配的营养盐浓度数据作为样本点数据，构建多个反演模型。
其中，可以将遥感反射率数据以及营养盐浓度数据构建的样本点数据，对多个不同类型的函数进行训练，进而构建多个反演模型。多个反演模型中具有营养盐浓度数据与遥感反射率数据的波段和/或波段组合之间的线性函数、幂函数、指数函数、对数函数、二次或三次多项式等多种函数关系，对于下述的多个反演模型的函数关系式而言，均可以对总氮浓度进行反演，当然也可以对总磷浓度等营养盐浓度数据进行反演。
示例地，第一种反演模型的函数关系式如下：
C＝a×Bi+b(1)
在公式(1)中，C代表营养盐浓度数据，a、b为可学习参数，Bi是所选影像的第i波段的遥感反射率数据。
示例地，第二种反演模型的函数关系式如下：
Figure BDA0004102155610000121
在公式(2)中，C代表营养盐浓度数据，a、b为可学习参数，Bm、Bn是所选影像的第m波段、第n波段的遥感反射率数据。
示例地，第三种反演模型的函数关系式如下：
C＝a×(Bm+Bn)+b (3)
在公式(3)中，C代表营养盐浓度数据，a、b为可学习参数，Bm、Bn是所选影像的第m波段、第n波段的遥感反射率数据。
示例地，第四种反演模型的函数关系式如下：
C＝exp(a×ln(Bm-Bn)+b) (4)
在公式(4)中，C代表营养盐浓度数据，a、b为可学习参数，Bm、Bn是所选影像的第m波段、第n波段的遥感反射率数据。
示例地，第五种反演模型的函数关系式如下：
Figure BDA0004102155610000131
在公式(5)中，C代表营养盐浓度数据，a、b、k为可学习参数，Bm、Bn、Bi是所选影像的第m波段、第n波段、第i波段的遥感反射率。
示例地，第六种反演模型的函数关系式如下：
Figure BDA0004102155610000132
在公式(6)中，C代表营养盐浓度数据，a、b、c、d为可学习参数，Bm、Bn是所选影像的第m波段、第n波段的遥感反射率数据。
在步骤S32中，从多个所述反演模型中，确定多个所述反演模型输出的营养盐浓度数据。
其中，可以将多个样本点数据的2/3份样本点数据用于构建多个反演模型，将剩余1/3份样本点数据用于对多个反演模型进行验证。
在采用2/3的样本点数据来构建了上述多个反演模型之后，可以将剩余1/3个样本点数据中的遥感反射率数据输入至多个反演模型中，得到多个反演模型输出的营养盐浓度数据。
在步骤S33中，根据所述多个反演模型输出的营养盐浓度数据与水质监测站监测到的营养盐浓度数据，确定目标反演模型。
其中，水质监测站监测到的营养盐浓度数据为监测站测量值，例如该监测站测量值可以为上述剩余1/3的样本点数据中的营养盐浓度数据。反演模型输出的营养盐浓度数据为模型模拟值。
在得到多个反演模型输出的营养盐浓度数据与水质监测站监测到的营养盐浓度数据之后，可以根据反演模型输出的营养盐浓度数据与水质监测站监测到的营养盐浓度数据的误差值，来确定目标反演模型。例如，从多个误差值中选取最小的误差值对应的反演模型，来作为目标反演模型。
示例地，根据反演模型输出的营养盐浓度数据与水质监测站监测到的营养盐浓度数据的误差值，来确定目标反演模型，可以通过以下子步骤确定：
在子步骤A1：根据所述多个反演模型输出的营养盐浓度数据与水质监测站获取到的营养盐浓度数据，分别确定所述多个反演模型的均方根误差和/或平均绝对误差百分比。
均方根误差的公式如下：
Figure BDA0004102155610000141
在公式(7)中，RMSE为均方根误差；n为样本点个数，Xmeasured,i为第i个样本点数据中的营养盐浓度数据，Xestimated,i为反演模型以第i个样本点数据中的遥感反射率数据作为输入，进而输出的营养盐浓度数据。
平均绝对误差百分比的公式如下：
Figure BDA0004102155610000142
在公式(8)中，MAPE为平均绝对误差百分比；n为样本点个数，Xmeasured,i为第i个样本点数据中的营养盐浓度数据，Xestimated,i为反演模型以第i个样本点数据中的遥感反射率数据作为输入，进而输出的营养盐浓度数据。
从公式(7)与公式(8)可以看出，将反演模型输出的营养盐浓度数据与水质监测站获取到的营养盐浓度数据，输入至上述公式(7)可以得到均方根误差；将反演模型输出的营养盐浓度数据与水质监测站获取到的营养盐浓度数据输入至上述公式(8)可以得到平均绝对误差百分比。
在子步骤A2：根据所述多个反演模型的均方根误差和/或平均绝对误差百分比，确定所述目标反演模型。
其中，多个反演模型对于同一遥感反射率数据，会输出多个不同的营养盐浓度数据，那么，多个反演模型输出的多个不同的营养盐浓度数据，与样本点数据中的营养盐浓度数据之间，则会产生多个不同的均方根误差和/或平均绝对误差百分比，本公开可以从多个不同的均方根误差和/或平均绝对误差百分比中，确定最小的均方根误差和/或平均绝对误差百分比，将最小的均方根误差和/或平均绝对误差百分比对应的反演模型，作为目标反演模型。
其中，将目标反演模型应用于目标区域的遥感反射率数据之后，可以反演得到目标区域的营养盐浓度数据，制作营养盐浓度遥感监测专题图，该营养盐浓度遥感监测专题图可以反映目标区域的营养盐浓度的空间分布，长时间序列的营养盐浓度遥感监测专题图还能够反映营养盐浓度的时序变化。
示例地，假设利用2021年全年的样本点数据进行建模、验证(记为样本2021)，最终选取的目标反演模型为上述第五种反演模型的情况下，则基于2021年的样本点数据获取的目标反演模型的可学习参数为a1，b1，k1。
2022年开始每隔5天不断获取到新的样本点，则2022-1-5使用“样本2021”历史样本点数据加2022-1-5实时样本点数据对目标反演模型进行重新更新，目标反演模型的可学习参数为a2，b2，k2，此时历史样本点数据为“样本2021”加2022-1-5样本。
2022-1-10使用“样本2021”与“2022-1-5样本”这两个历史样本点数据，以及“2022-1-10”实时样本点数据对目标反演模型进行重新更新，目标反演模型的可学习参数为a3，b3，k3，此时历史样本点数据为“样本2021”加“2022-1-5样本”加“2022-1-10样本”。以此类推，目标反演模型不断更新。制图时，则使用最新的目标反演模型制作营养盐浓度遥感监测专题图。
通过上述技术方案，可以根据多个反演模型的均方根误差和/或平均绝对误差百分比，确定所述目标反演模型，即，从多个反演模型中，将均方根误差和/或平均绝对误差百分比最小的反演模型作为目标反演模型，如此，目标反演模型输出的营养盐浓度数据与样本点数据中的营养盐浓度数据之间的差异较小，使得目标反演模型反演的营养盐浓度数据的准确性较高。
在一种可能的实施方式中，遥感反射率数据通过以下步骤确定：
在步骤S41中，确定水质监测站的经纬度。
在步骤S42中，从所述遥感影像中，确定与水质监测站的经纬度一致的目标经纬度。
在步骤S43中，基于所述目标经纬度与遥感反射率数据之间的对应关系，确定与所述目标经纬度对应的遥感反射率数据。
其中，遥感影像记录了地物的电磁波信息和位置信息，位置信息包括经纬度信息，在确定了水质监测站的经纬度之后，可以在遥感影像上确定与水质监测站的经纬度一致的目标经纬度，并将该目标经纬度对应的遥感反射率数据作为水质监测站点对应的遥感反射率数据。遥感反射率通常指传感器上一个像元的反射辐射能量与像元接受太阳辐射的比值，也即地物的像元真实反射率，要经过大气校正(辐射传输模型)通过遥感像元得到。该遥感反射率可以输入至目标反演模型中，来反演得到总氮浓度、总磷浓度等营养盐浓度数据。
图3是根据一示例性实施例示出的一种反演模型更新装置的框图。参照图2，该反演模型更新装置120包括营养盐浓度确定模块121、构建模块122与更新模块123。
营养盐浓度确定模块121，被配置为确定与遥感反射率数据时空匹配的营养盐浓度数据，所述遥感反射率数据从遥感影像中获取；
构建模块122，被配置为将所述遥感反射率数据以及与所述遥感反射率数据对应的营养盐浓度数据作为样本点数据，构建目标反演模型；
更新模块123，被配置为采用历史样本点数据与实时样本点数据，对所述目标反演模型进行更新，得到更新后的所述目标反演模型。
可选地，更新模块123包括：
实时样本点数据确定子模块，被配置为在每次得到所述遥感反射率数据的情况下，将此次得到的所述遥感反射率数据，以及与此次得到的所述遥感反射率数据对应的营养盐浓度数据作为此次的实时样本点数据；
更新子模块，被配置为采用所述历史样本点数据以及所述此次的实时样本点数据，对所述目标反演模型进行更新，得到此次更新后的所述目标反演模型。
可选地，营养盐浓度确定模块121包括：
获取子模块，被配置为通过水质监测站，获取多个不同时间下的营养盐浓度数据；
营养盐浓度确定子模块，被配置为从多个不同时间下的营养盐浓度数据中，将与所述遥感影像的拍摄时间间隔最小的营养盐浓度数据，作为与所述遥感反射率数据时空匹配的营养盐浓度数据。
可选地，反演模型更新装置120包括：
第一丢弃模块，被配置为在多个不同时间下的营养盐浓度数据的获取时间，与所述遥感影像的拍摄时间之间的间隔大于预设时间间隔的情况下，丢弃与所述遥感影像对应的遥感反射率数据，和/或；
第二丢弃模块，被配置为在多个不同遥感影像的拍摄时间，与所述营养盐浓度数据的获取时间之间的间隔大于所述预设时间间隔的情况下，丢弃所述营养盐浓度数据。
可选地，构建模块122包括：
构建子模块，被配置为将所述遥感反射率数据以及与所述遥感反射率数据时空匹配的营养盐浓度数据作为样本点数据，构建多个反演模型；
模拟值确定子模块，被配置为从多个所述反演模型中，确定多个所述反演模型输出的营养盐浓度数据；
第一目标反演模型确定子模块，被配置为根据所述多个反演模型输出的营养盐浓度数据与水质监测站监测到的营养盐浓度数据，确定目标反演模型。
可选地，第一目标反演模型确定子模块包括：
误差确定子模块，被配置为根据所述多个反演模型输出的营养盐浓度数据与水质监测站获取到的营养盐浓度数据，分别确定所述多个反演模型的均方根误差和/或平均绝对误差百分比；
第二目标反演模型确定子模块，根据所述多个反演模型的均方根误差和/或平均绝对误差百分比，确定所述目标反演模型。
可选地，反演模型更新装置120包括：
水质监测站位置确定模块，被配置为确定水质监测站的经纬度；
目标经纬度确定模块，被配置为从所述遥感影像中，确定与水质监测站的经纬度一致的目标经纬度；
遥感反射率数据确定模块，被配置为基于所述目标经纬度与遥感反射率数据之间的对应关系，确定与所述目标经纬度对应的遥感反射率数据。
可选地，反演模型更新装置120包括：
预处理模块，被配置为将卫星图像通过以下至少一者预处理，得到所述遥感影像：
几何校正、辐射定标、大气校正、影像镶嵌、影像裁剪。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的反演模型更新方法的步骤。
图4是根据一示例性实施例示出的一种用于反演模型更新的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图4，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的反演模型更新方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
输入/输出接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述反演模型更新方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述反演模型更新方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
上述装置除了可以是独立的电子设备外，也可是独立电子设备的一部分，例如在一种实施例中，该装置可以是集成电路(Integrated Circuit，IC)或芯片，其中该集成电路可以是一个IC，也可以是多个IC的集合；该芯片可以包括但不限于以下种类：GPU(GraphicsProcessing Unit，图形处理器)、CPU(Central Processing Unit，中央处理器)、FPGA(Field Programmable Gate Array，可编程逻辑阵列)、DSP(Digital Signal Processor，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、SOC(System on Chip，SoC，片上系统或系统级芯片)等。上述的集成电路或芯片中可以用于执行可执行指令(或代码)，以实现上述的反演模型更新方法。其中该可执行指令可以存储在该集成电路或芯片中，也可以从其他的装置或设备获取，例如该集成电路或芯片中包括处理器、存储器，以及用于与其他的装置通信的接口。该可执行指令可以存储于该存储器中，当该可执行指令被处理器执行时实现上述的反演模型更新方法；或者，该集成电路或芯片可以通过该接口接收可执行指令并传输给该处理器执行，以实现上述的反演模型更新方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的反演模型更新方法的代码部分。
图5是根据一示例性实施例示出的一种用于反演模型更新的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图5，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述反演模型更新方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入/输出接口1958。装置1900可以操作基于存储在存储器1932的操作系统。
本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (11)

1.一种反演模型更新方法，其特征在于，包括：
确定与遥感反射率数据时空匹配的营养盐浓度数据，所述遥感反射率数据从遥感影像中获取；
将所述遥感反射率数据以及与所述遥感反射率数据时空匹配的营养盐浓度数据作为样本点数据，构建目标反演模型；
采用历史样本点数据与实时样本点数据，对所述目标反演模型进行更新，得到更新后的所述目标反演模型。
2.根据权利要求1所述的方法，其特征在于，所述采用历史样本点数据以及实时样本点数据，对所述目标反演模型进行更新，得到更新后的所述目标反演模型，包括：
在每次得到所述遥感反射率数据的情况下，将此次得到的所述遥感反射率数据，以及与此次得到的所述遥感反射率数据对应的营养盐浓度数据作为此次的实时样本点数据；
采用所述历史样本点数据以及所述此次的实时样本点数据，对所述目标反演模型进行更新，得到此次更新后的所述目标反演模型。
3.根据权利要求1所述的方法，其特征在于，所述确定与遥感反射率数据时空匹配的营养盐浓度数据，包括：
通过水质监测站，获取多个不同时间下的营养盐浓度数据；
从多个不同时间下的营养盐浓度数据中，将与所述遥感影像的拍摄时间间隔最小的营养盐浓度数据，作为与所述遥感反射率数据时空匹配的营养盐浓度数据。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
在多个不同时间下的营养盐浓度数据的获取时间，与所述遥感影像的拍摄时间之间的间隔大于预设时间间隔的情况下，丢弃与所述遥感影像对应的遥感反射率数据，和/或；
在多个不同遥感影像的拍摄时间，与所述营养盐浓度数据的获取时间之间的间隔大于所述预设时间间隔的情况下，丢弃所述营养盐浓度数据。
5.根据权利要求1所述的方法，其特征在于，所述将所述遥感反射率数据以及与所述遥感反射率数据时空匹配的营养盐浓度数据作为样本点数据，构建目标反演模型，包括：
将所述遥感反射率数据以及与所述遥感反射率数据时空匹配的营养盐浓度数据作为样本点数据，构建多个反演模型；
从多个所述反演模型中，确定多个所述反演模型输出的营养盐浓度数据；
根据所述多个反演模型输出的营养盐浓度数据与水质监测站监测到的营养盐浓度数据，确定目标反演模型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述多个反演模型输出的营养盐浓度数据与水质监测站获取到的营养盐浓度数据，确定目标反演模型，包括：
根据所述多个反演模型输出的营养盐浓度数据与水质监测站获取到的营养盐浓度数据，分别确定所述多个反演模型的均方根误差和/或平均绝对误差百分比；
根据所述多个反演模型的均方根误差和/或平均绝对误差百分比，确定所述目标反演模型。
7.根据权利要求1所述的方法，其特征在于，所述遥感反射率数据通过以下步骤确定：
确定水质监测站的经纬度；
从所述遥感影像中，确定与水质监测站的经纬度一致的目标经纬度；
基于所述目标经纬度与遥感反射率数据之间的对应关系，确定与所述目标经纬度对应的遥感反射率数据。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将卫星图像通过以下至少一者预处理，得到所述遥感影像：
几何校正、辐射定标、大气校正、影像镶嵌、影像裁剪。
9.一种反演模型更新装置，其特征在于，包括：
营养盐浓度确定模块，被配置为确定与遥感反射率数据时空匹配的营养盐浓度数据，所述遥感反射率数据从遥感影像中获取；
样本点数据确定模块，被配置为将所述遥感反射率数据以及与所述遥感反射率数据对应的营养盐浓度数据作为样本点数据，构建目标反演模型；
更新模块，被配置为采用历史样本点数据与实时样本点数据，对所述目标反演模型进行更新，得到更新后的所述目标反演模型。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1～8中任一项所述方法的步骤。
11.一种芯片，其特征在于，包括处理器和接口；所述处理器用于读取指令以执行权利要求1～8中任一项所述方法的步骤。
CN202310179956.1A 2023-02-14 2023-02-14 反演模型更新方法、装置、存储介质与芯片 Pending CN116165680A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310179956.1A CN116165680A (zh) 2023-02-14 2023-02-14 反演模型更新方法、装置、存储介质与芯片

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310179956.1A CN116165680A (zh) 2023-02-14 2023-02-14 反演模型更新方法、装置、存储介质与芯片

Publications (1)

Publication Number Publication Date
CN116165680A true CN116165680A (zh) 2023-05-26

Family

ID=86418106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310179956.1A Pending CN116165680A (zh) 2023-02-14 2023-02-14 反演模型更新方法、装置、存储介质与芯片

Country Status (1)

Country Link
CN (1) CN116165680A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106442422A (zh) * 2016-11-18 2017-02-22 中国水利水电科学研究院 水草型湖泊水草区水质遥感间接监测方法
CN108920863A (zh) * 2018-07-20 2018-11-30 湖南大学 一种机器人伺服系统能耗估计模型的建立方法
CN111024618A (zh) * 2019-11-25 2020-04-17 广州丰泽源水利科技有限公司 基于遥感影像的水质健康监测方法、装置及存储介质
GB202101106D0 (en) * 2020-07-14 2021-03-10 Aerospace Information Research Institute Chinese Academy Of Sciences Method and device for performing inversion of crop leaf area index
CN113945527A (zh) * 2021-11-15 2022-01-18 江苏天汇空间信息研究院有限公司 基于卫星数据得到水质总磷参数反演最优模型的方法
US20220129674A1 (en) * 2020-10-23 2022-04-28 The Second Institute of Oceanography (SIO), MNR Method and device for determining extraction model of green tide coverage ratio based on mixed pixels
CN114758737A (zh) * 2022-04-08 2022-07-15 安徽大学 一种基于河岸带景观分区的河流氮磷浓度遥感反演方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106442422A (zh) * 2016-11-18 2017-02-22 中国水利水电科学研究院 水草型湖泊水草区水质遥感间接监测方法
CN108920863A (zh) * 2018-07-20 2018-11-30 湖南大学 一种机器人伺服系统能耗估计模型的建立方法
CN111024618A (zh) * 2019-11-25 2020-04-17 广州丰泽源水利科技有限公司 基于遥感影像的水质健康监测方法、装置及存储介质
GB202101106D0 (en) * 2020-07-14 2021-03-10 Aerospace Information Research Institute Chinese Academy Of Sciences Method and device for performing inversion of crop leaf area index
US20220129674A1 (en) * 2020-10-23 2022-04-28 The Second Institute of Oceanography (SIO), MNR Method and device for determining extraction model of green tide coverage ratio based on mixed pixels
CN113945527A (zh) * 2021-11-15 2022-01-18 江苏天汇空间信息研究院有限公司 基于卫星数据得到水质总磷参数反演最优模型的方法
CN114758737A (zh) * 2022-04-08 2022-07-15 安徽大学 一种基于河岸带景观分区的河流氮磷浓度遥感反演方法

Similar Documents

Publication Publication Date Title
US20210110522A1 (en) Image processing method and apparatus, and storage medium
CN107798669B (zh) 图像去雾方法、装置及计算机可读存储介质
US20200356821A1 (en) Method, terminal, and computer storage medium for image classification
TWI753348B (zh) 位姿確定方法、位姿確定裝置、電子設備和電腦可讀儲存媒介
CN101516058B (zh) 图像管理装置
CN111160448B (zh) 一种图像分类模型的训练方法及装置
CN108896725B (zh) 水质监测方法、装置、系统、计算机设备及存储介质
CN109919829B (zh) 图像风格迁移方法、装置和计算机可读存储介质
CN111983635A (zh) 位姿确定方法及装置、电子设备和存储介质
CN110598504A (zh) 图像识别方法及装置、电子设备和存储介质
CN110751659A (zh) 图像分割方法及装置、终端、存储介质
CN106713744A (zh) 一种实现光绘摄影的方法、装置及拍摄设备
CN110795998B (zh) 人流量的检测方法、装置、电子设备及可读存储介质
CN114494442A (zh) 图像处理方法、装置及设备
CN108491733A (zh) 隐私应用推荐方法和装置、存储介质、电子设备
CN110490295B (zh) 一种数据处理方法及处理装置
CN108020374B (zh) 气压值确定方法及装置
CN116165680A (zh) 反演模型更新方法、装置、存储介质与芯片
CN110619251B (zh) 图像处理方法和装置、存储介质、电子设备
CN107770444A (zh) 拍照参数确定方法及装置
CN112351207A (zh) 拍摄控制方法和电子设备
CN116882203B (zh) 一种大气波导信号仿真方法、装置、系统、设备及介质
JP2021067673A (ja) 画像解析システム、画像解析方法、および画像解析プログラム
CN116306251A (zh) 近地面臭氧浓度反演方法、装置、存储介质与芯片
CN115393438B (zh) 一种卫星的遥感影像地理定位误差检测方法及系统

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