CN116434082B - 基于深度学习的湖泊水环境遥感监测方法 - Google Patents
基于深度学习的湖泊水环境遥感监测方法 Download PDFInfo
- Publication number
- CN116434082B CN116434082B CN202310677437.8A CN202310677437A CN116434082B CN 116434082 B CN116434082 B CN 116434082B CN 202310677437 A CN202310677437 A CN 202310677437A CN 116434082 B CN116434082 B CN 116434082B
- Authority
- CN
- China
- Prior art keywords
- point
- target point
- monitoring
- remote sensing
- obtaining
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 149
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000009792 diffusion process Methods 0.000 claims abstract description 58
- 238000012937 correction Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 13
- 238000013441 quality evaluation Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 7
- 238000013210 evaluation model Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Astronomy & Astrophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及深度学习领域,提出了基于深度学习的湖泊水环境遥感监测方法,包括:获取采集时刻监测点的水质定量评估值以及两张遥感图像,根据遥感图像中的像素点与监测点距离得到不同等级的目标点;根据高等级目标点与低等级目标点的水质差异得到直接扩散影响程度;获取高等级目标点到监测点的路径,根据直接扩散影响程度得到间接扩散影响程度;获取修正系数得到扩散影响修正指数,根据扩散影响修正指数得到数据扩充点;根据监测点和数据扩充点训练水质定量评估反演模型,并对湖泊水质进行监测。本发明避免了由于获取监测点处水质检测结果的时间误差导致反演精度下降的情况,提高了水质定量评估反演模型的精度。
Description
技术领域
本发明涉及深度学习领域,具体涉及基于深度学习的湖泊水环境遥感监测方法。
背景技术
随着卫星遥感技术的发展,获取遥感图像,并进一步将遥感图像信息结合实际监测点的水质监测数据使用深度学习方法进行水质定量反演逐渐成为对水质监测的主要方法。
现有对湖泊水质的监测方法中,一般获取湖泊监测点位置在不同波段下的反射值,并利用这些反射值计算监测点位置处的各类水质指数,同时利用人工获取监测点位置处的水质定量评估结果将监测点位置的各类水质指数以及监测点位置处的水质定量评估结果作为该监测点对应的一个训练数据,进一步以同样方式获取不同监测点位置对应的训练数据使用深度学习算法训练神经网络,获取该湖泊对应的水质定量深度反演评估模型。
直接使用监测点数据训练深度反演评估模型所得到的训练结果会受到各种因素的影响,由于采集时间存在差异,监测点的水质也是时刻变化的,因此若直接使用监测点采集的水质指数使用深度学习训练会导致深度反演评估模型的准确度下降,因此就需要一种能够在不同时刻下保持深度反演评估模型训练精度的方法。
发明内容
本发明提供基于深度学习的湖泊水环境遥感监测方法,以解决水质定量反演模型的准确度下降的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于深度学习的湖泊水环境遥感监测方法,该方法包括以下步骤:
获取采集时刻每个监测点的水质定量评估值;
获取采集时刻前后时序最近的两张遥感图像,得到遥感图像的每个像素点的水质指数,将监测点记为零级目标点,根据遥感图像中的像素点距离零级目标点的位置得到若干不同等级的目标点;根据两张遥感图像中监测点与一级目标点的水质指数差异得到一级目标点对监测点的直接扩散影响程度;将一级目标点作为监测点得到二级目标点到相邻一级目标点的直接扩散影响程度,依次类推得到所有高级目标点到相邻低等级目标点的直接扩散影响程度;
根据高等级目标点到相邻低等级目标点的路径得到高等级目标点到监测点的路径,根据高等级目标点到监测点的路径和路径上每段对应的直接扩散影响程度得到高等级目标点到监测点的间接扩散影响程度;根据目标点的最大等级以及每个登记目标点的等级得到每个等级的目标点到监测点的修正系数,根据修正系数与直接扩散影响程度或间接扩散影响程度的乘积得到目标点的扩散影响修正指数,将扩散影响修正指数大于预设阈值的目标点作为监测点的数据扩充点;
根据监测点和数据扩充点对应的水质指数为输入,监测点对应的水质定量评估模型为输出训练水质定量评估反演模型,根据反演模型对湖泊水质进行监测。
优选的,所述根据遥感图像中的像素点距离零级目标点的位置得到若干等级的目标点的方法为:
将零级目标点相邻周围一圈的像素点记为一级目标点,将所有一级目标点周围一圈的像素点记为二级目标点,将二级目标点周围一圈的像素点记为三级目标点,依此类推,直到所有像素点都被标记为不同等级的目标点。
优选的,所述根据两张遥感图像中监测点与一级目标点的水质指数差异得到一级目标点对监测点的直接扩散影响程度的方法为:
式中,表示时序靠前的遥感图像监测点的水质指数,表示时序靠后的遥感图
像监测点的水质指数,表示时序靠前的遥感图像中第k个一级目标点,表示时序靠后
的遥感图像中第k个一级目标点,表示第k个一级目标点对监测点的影响程度,为一级
目标点的数量,表示第k个一级目标点对监测点的直接扩散影响程度。
优选的,所述根据高等级目标点到相邻低等级目标点的路径得到高等级目标点到监测点的路径的方法为:
获取所有一级目标点到监测点的路径,每个一级目标点到监测点只有一条路径,即其本身的像素点到监测点所得到的路径,得到一级目标点到监测点的路径后,对于二级目标点,将二级目标点到其相邻的一级目标点的连线作为二级目标点到一级目标点的路径,又由于只有高等级目标点八邻域内的低等级目标点会存在路径,由此得到每个二级目标点到相邻一级目标点的路径,将二级目标点到相邻一级目标点的路径和相邻一级目标点到监测点的路径组合得到二级目标点到监测点的若干路径,对于三级目标点,将三级目标点到相邻二级目标点的路径与相邻二级目标点到监测点的路径组合得到三级目标点到监测点的若干路径,依此类推,得到每个等级的每个目标点到监测点的路径。
优选的,所述根据高等级目标点到监测点的路径和路径上每段对应的直接扩散影响程度得到高等级目标点到监测点的间接扩散影响程度的方法为:
将每条路径上的所有直接扩散影响程度进行累乘,对于每个高等级目标点到监测点的全部路径,将所有路径累乘的结果相加得到高等级目标点对监测点的间接扩散影响程度。
本发明的有益效果是:本发明根据遥感图像上各点的水质指数与监测点处的水质指数的差异变化,计算遥感图像上各点对监测点水质指数的直接或间接扩散影响,并根据扩散影响筛选出遥感图像上对监测点处水质指数影响较大的点作为监测点的数据扩充点,避免了由于获取监测点处水质定量评估结果的时间误差导致反演精度下降的情况,将一段时间内监测点周围对监测点存在水质指数影响的点也作为训练数据点进行深度反演模型的训练,更改了深度训练的参数,提高了水质定量深度评估反演模型的精度。
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,下面将对实施例或现有技术描述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为本发明一个实施例所提供的基于深度学习的湖泊水环境遥感监测方法的流程示意图;
图2为目标点标记示意图;
图3为二级目标点的路径示意图。
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。
请参阅图1,其示出了本发明一个实施例提供的基于深度学习的湖泊水环境遥感监测方法流程图,该方法包括以下步骤:
步骤S001,获取采集时刻监测点对应的遥感图像和水质定量评估值。
对于目标湖泊,每隔一段时间获得目标湖泊的卫星遥感图像,在湖泊中设立若干监测点,采集某一时刻每一个监测点内的水体样本,并对水体样本进行水质定量评估得到水质定量评估值,根据采集时刻和每个检测点的位置在卫星遥感图像中获得以每个监测点为中心的遥感图像,遥感图像为正方形图像,其边长为奇数,此时将监测点作为遥感图像的一个像素点,遥感图像为多波段图像,监测点位置处的水质指数是通过卫星遥感图像在监测点位置处各波段的反射值计算而来,计算方式为现有技术。
至此,获得了每个监测点的水质定量评估值以及遥感图像。
步骤S002,获取采集时刻前后时序最近的两张遥感图像,根据遥感图像监测点的水质指数差异得到高等级目标点对低等级目标点的直接扩散影响程度。
由于目标湖泊的卫星遥感图像存在非连续获取的问题,也即采集监测点水质样本时,采集时刻并没有与之相对应的遥感图像,而若仅仅根据与采集时刻时序最近的卫星遥感图像上该监测点位置处的水质指数作为采集监测点水质样本的水质定量评估结果对应的水质指数,这样训练出来的反演模型存在误差,因此,就需要根据人工采集监测点对应的时刻前后时序最近的两张卫星遥感图像上各点的水质指数差异来进行监测点处水质指数的影响评估,这样一来,即使监测点处人工采集时刻没有对应的遥感图像,但根据该监测点处采集时刻前后的卫星遥感图像上各点的水质指数差异变化,来计算对监测点处水质指数的影响大小。
首先得到采集时刻前后时序最近的两张遥感图像,将时序靠前的遥感图像记为
,将时序靠后的遥感图像记为,得到遥感图像上每个像素点的水质指数,将检测点记为零
级目标点,零级目标点周围一圈为一级目标点,一级目标点周围为二级目标点,依此类推将
所有像素点标记为不同等级的目标点,如图2所示,根据两张遥感图像监测点的水质指数以
及一级目标点的水质指数差异得到一级目标点对监测点的直接扩散影响程度,公式如下:
式中,表示时序靠前的遥感图像监测点的水质指数,表示时序靠后的遥感图
像监测点的水质指数,表示时序靠前的遥感图像中第k个一级目标点,表示时序靠后
的遥感图像中第k个一级目标点,表示第k个一级目标点对监测点的影响程度,为一级
目标点的数量,表示第k个一级目标点对监测点的直接扩散影响程度。值得说明的是,每
一个等级的目标点的直接扩散影响程度的和为1。
对于监测点来说,在一段时间内,遥感图像获得的监测点的水质指数是一个一直
在变化的过程,这个变化过程由表示,若监测点周围的目标点对其存在影响,由于
扩散的原理,监测点与其周围的目标点之间的水质指数总是具有趋于一致的趋势。
而表示监测点与其周围的目标点在对应的两个获取时刻内
的水质指数变化程度的归一化差异,这个差异越大说明目标点对监测点的影响越小,也即
变化程度不趋于一致。而表示监测点与其周围的目标点在变化前的差异和
监测点与其周围的目标点在变化后的差异之间的不同程度,若这个不同程度越大,说明监
测点与其周围的目标点之间的扩散程度越大。也即目标点对监测点的影响程度越大。
使用同样的方法将每个一级目标点作为监测点,获得其相邻的二级目标点到1级目标点的直接扩散影响程度。
至此,获取了高等级目标点对其相邻低等级目标点的直接扩散影响程度。
步骤S003,根据直接扩散影响程度得到高等级目标点对监测点的间接扩散影响程度,根据直接或间接扩散影响程度得到监测点的数据扩充点。
在遥感图像中,除了一级目标点对监测点只存在直接扩散影响程度外,其余等级的监测点还存在间接扩散影响程度,对于高等级的目标点会通过低等级的目标点间接对目标点存在影响,例如对于二级目标点,其通过和其相邻的一级目标点对监测点实施间接影响,同一个一级目标点受到和其相邻的多个二级目标点的影响。
因此,首先得到所有一级目标点到监测点的路径,每个一级目标点到监测点只有一条路径,即其本身的像素点到监测点所得到的路径,达到一级目标点到监测点的路径后,对于二级目标点,将二级目标点到其相邻的一级目标点的连线作为二级目标点到一级目标点的路径,值得说明的是,只有高等级目标点八邻域内的低等级目标点会存在路径,由此得到每个二级目标点得到相邻一级目标点的路径,将二级目标点到相邻一级目标点的路径和其相邻一级目标点到监测点的路径组合得到二级目标点到监测点的若干路径,如图3所示,其为一个二级目标点到监测点的若干路径,对于三级目标点,将三级目标点到其相邻二级目标点的路径与其相邻二级目标点到监测点的路径组合得到三级目标点到监测点的若干路径,依此类推,得到每个等级的每个目标点到监测点的路径。
将除了一级目标点外的目标点到监测点的每条路径上每段的直接扩散影响程度累乘,将每个目标点的所有路径的累乘相加得到该目标点对监测点的间接扩散影响程度。值得说明的是,每个等级的目标点对监测点的间接扩散影响程度累加为1。
获取遥感图像中的目标点最大等级,根据不同的等级和最大等级的差异得到每个等级的目标点到监测点的修正系数,公示如下:
式中,m为第m个等级,M为目标点的最大等级,为第m个等级的目标点到监测点
的修正系数。
上述修正系数表示目标点等级越接近越小则该等级的点对监测点的影响越重要。
将每个目标点对应的直接扩散影响程度或间接扩散影响程度与修正系数相乘,得到的结果作为目标点的扩散影响修正指数。
设定扩散影响修正指数的筛选阈值,本实施例设定筛选阈值为0.3,将所有目标点中扩散影响修正指数大于筛选阈值的目标点作为监测点的数据扩充点。
步骤S004,根据监测点以及数据扩充点训练反演模型对湖泊水质进行监测。
将监测点及其数据扩充点对应的水质指数作为新的训练输入数据,以监测点对应的水质定量评估值作为训练输出数据,构成一组新的训练数据。本实施例通过建立一个拥有一层神经网络的深度网络,以监测点和数据扩充点的数据通过数据源提取的深度特征得到输出结果,以上述方式对多个监测点进行同样的数据扩充处理,获取多组新的训练数据进行后续的水质定量评估反演模型的训练,反演模型的具体构成如专利CN113109281B所示,利用反演模型对湖泊水质进行监测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.基于深度学习的湖泊水环境遥感监测方法,其特征在于,该方法包括以下步骤:
获取采集时刻每个监测点的水质定量评估值;
获取采集时刻前后时序最近的两张遥感图像,得到遥感图像的每个像素点的水质指数,将监测点记为零级目标点,根据遥感图像中的像素点距离零级目标点的位置得到若干不同等级的目标点;根据两张遥感图像中监测点与一级目标点的水质指数差异得到一级目标点对监测点的直接扩散影响程度;将一级目标点作为监测点得到二级目标点到相邻一级目标点的直接扩散影响程度,依次类推得到所有高级目标点到相邻低等级目标点的直接扩散影响程度;
根据高等级目标点到相邻低等级目标点的路径得到高等级目标点到监测点的路径,根据高等级目标点到监测点的路径和路径上每段对应的直接扩散影响程度得到高等级目标点到监测点的间接扩散影响程度;根据目标点的最大等级以及每个等级目标点的等级得到每个等级的目标点到监测点的修正系数,根据修正系数与直接扩散影响程度或间接扩散影响程度的乘积得到目标点的扩散影响修正指数,将扩散影响修正指数大于预设阈值的目标点作为监测点的数据扩充点;
根据监测点和数据扩充点对应的水质指数为输入,监测点对应的水质定量评估值为输出,训练水质定量评估反演模型,根据反演模型对湖泊水质进行监测;
所述根据遥感图像中的像素点距离零级目标点的位置得到若干不同等级的目标点的方法为:
将零级目标点相邻周围一圈的像素点记为一级目标点,将所有一级目标点周围一圈的像素点记为二级目标点,将二级目标点周围一圈的像素点记为三级目标点,依此类推,直到所有像素点都被标记为不同等级的目标点;
所述根据两张遥感图像中监测点与一级目标点的水质指数差异得到一级目标点对监测点的直接扩散影响程度的方法为:
式中,表示时序靠前的遥感图像监测点的水质指数,/>表示时序靠后的遥感图像监测点的水质指数,/>表示时序靠前的遥感图像中第k个一级目标点,/>表示时序靠后的遥感图像中第k个一级目标点,/>表示第k个一级目标点对监测点的影响程度,/>为一级目标点的数量,/>表示第k个一级目标点对监测点的直接扩散影响程度。
2.根据权利要求1所述的基于深度学习的湖泊水环境遥感监测方法,其特征在于,所述根据高等级目标点到相邻低等级目标点的路径得到高等级目标点到监测点的路径的方法为:
获取所有一级目标点到监测点的路径,每个一级目标点到监测点只有一条路径,即其本身的像素点到监测点所得到的路径,得到一级目标点到监测点的路径后,对于二级目标点,将二级目标点到其相邻的一级目标点的连线作为二级目标点到一级目标点的路径,又由于只有高等级目标点八邻域内的低等级目标点会存在路径,由此得到每个二级目标点到相邻一级目标点的路径,将二级目标点到相邻一级目标点的路径和相邻一级目标点到监测点的路径组合得到二级目标点到监测点的若干路径,对于三级目标点,将三级目标点到相邻二级目标点的路径与相邻二级目标点到监测点的路径组合得到三级目标点到监测点的若干路径,依此类推,得到每个等级的每个目标点到监测点的路径。
3.根据权利要求1所述的基于深度学习的湖泊水环境遥感监测方法,其特征在于,所述根据高等级目标点到监测点的路径和路径上每段对应的直接扩散影响程度得到高等级目标点到监测点的间接扩散影响程度的方法为:
将每条路径上的所有直接扩散影响程度进行累乘,对于每个高等级目标点到监测点的全部路径,将所有路径累乘的结果相加得到高等级目标点对监测点的间接扩散影响程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310677437.8A CN116434082B (zh) | 2023-06-09 | 2023-06-09 | 基于深度学习的湖泊水环境遥感监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310677437.8A CN116434082B (zh) | 2023-06-09 | 2023-06-09 | 基于深度学习的湖泊水环境遥感监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116434082A CN116434082A (zh) | 2023-07-14 |
CN116434082B true CN116434082B (zh) | 2023-09-01 |
Family
ID=87087540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310677437.8A Active CN116434082B (zh) | 2023-06-09 | 2023-06-09 | 基于深度学习的湖泊水环境遥感监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116434082B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912790A (zh) * | 2016-04-15 | 2016-08-31 | 重庆大学 | 基于深度回归模型的遥感水质监测方法 |
CN111241758A (zh) * | 2020-01-10 | 2020-06-05 | 燕山大学里仁学院 | 基于可溶性污染物在水环境中输移扩散模型的评估方法 |
CN112630189A (zh) * | 2020-09-18 | 2021-04-09 | 浙江大学 | 一种基于改进qaa算法的内陆水体水质反演方法 |
CN113324923A (zh) * | 2021-06-07 | 2021-08-31 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
CN115830473A (zh) * | 2023-02-20 | 2023-03-21 | 江苏省生态环境监测监控有限公司 | 基于卫星遥感和自动监测的水质反演方法、系统 |
-
2023
- 2023-06-09 CN CN202310677437.8A patent/CN116434082B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912790A (zh) * | 2016-04-15 | 2016-08-31 | 重庆大学 | 基于深度回归模型的遥感水质监测方法 |
CN111241758A (zh) * | 2020-01-10 | 2020-06-05 | 燕山大学里仁学院 | 基于可溶性污染物在水环境中输移扩散模型的评估方法 |
CN112630189A (zh) * | 2020-09-18 | 2021-04-09 | 浙江大学 | 一种基于改进qaa算法的内陆水体水质反演方法 |
CN113324923A (zh) * | 2021-06-07 | 2021-08-31 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
CN115830473A (zh) * | 2023-02-20 | 2023-03-21 | 江苏省生态环境监测监控有限公司 | 基于卫星遥感和自动监测的水质反演方法、系统 |
Non-Patent Citations (1)
Title |
---|
基于机器学习的东湖富营养化研究;李玉翠;周正;彭漪;陶言祺;王东;桂圣熙;仝春艳;;人民长江(第17期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116434082A (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263934B (zh) | 一种人工智能数据标注方法和装置 | |
CN111784721B (zh) | 基于深度学习的超声内窥图像智能分割与量化方法及系统 | |
CN111950812B (zh) | 一种自动识别与预测雨量的方法及其装置 | |
CN112508901B (zh) | 一种水下结构病害识别方法、系统、装置及存储介质 | |
CN110222701A (zh) | 一种桥梁病害自动识别方法 | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
CN109284921A (zh) | 基于隐马尔科夫模型的农业灌溉水质动态评价方法 | |
CN116699096B (zh) | 一种基于深度学习的水质检测方法和系统 | |
CN111257317A (zh) | 钢中硫化物夹杂检测和评价方法及钢种切削性能评价方法 | |
CN107230214A (zh) | 基于递归otsu算法的sar图像水域自动检测方法 | |
CN112395382A (zh) | 基于变分自编码器的船舶异常航迹数据检测方法和装置 | |
CN111291818B (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
CN111598868B (zh) | 一种肺部超声图像识别方法和系统 | |
CN114494826A (zh) | 一种多水尺水位识别方法、系统、电子设备以及可存储介质 | |
KR20230132686A (ko) | PointNet++ 신경망 기반 콘크리트배관 손상 인식 및 체적 디스플레이 방법 | |
CN116308963A (zh) | 一种政务数据分析方法及系统 | |
CN110514366B (zh) | 一种小样本条件下管道微弱泄漏检测方法 | |
CN116434082B (zh) | 基于深度学习的湖泊水环境遥感监测方法 | |
CN106768243A (zh) | 一种快速锁定准确重量方法 | |
CN116503147A (zh) | 一种基于深度学习神经网络的金融风险预测方法 | |
CN115953687B (zh) | 基于遥感技术的小微水体受损等级划分方法和装置 | |
CN117171128A (zh) | 一种基于四水耦合模型的水生生物保护阈值识别方法 | |
CN112434600A (zh) | 一种无人机巡检方法及系统 | |
CN116804668A (zh) | 一种食盐碘含量检测数据标识方法及系统 | |
CN116958703A (zh) | 一种基于髋臼骨折的识别方法、装置 |
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 |