CN116630818A - 基于gee和深度学习的高原湖泊边界在线提取方法及系统 - Google Patents

基于gee和深度学习的高原湖泊边界在线提取方法及系统 Download PDF

Info

Publication number
CN116630818A
CN116630818A CN202310393339.1A CN202310393339A CN116630818A CN 116630818 A CN116630818 A CN 116630818A CN 202310393339 A CN202310393339 A CN 202310393339A CN 116630818 A CN116630818 A CN 116630818A
Authority
CN
China
Prior art keywords
data
network model
data set
sample
knowledge distillation
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
CN202310393339.1A
Other languages
English (en)
Inventor
李逸川
于峻川
李皎皎
张加洪
陈扬洋
马燕妮
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.)
China Aero Geophysical Survey and Remote Sensing Center for Natural Resources
Original Assignee
China Aero Geophysical Survey and Remote Sensing Center for Natural Resources
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 China Aero Geophysical Survey and Remote Sensing Center for Natural Resources filed Critical China Aero Geophysical Survey and Remote Sensing Center for Natural Resources
Priority to CN202310393339.1A priority Critical patent/CN116630818A/zh
Publication of CN116630818A publication Critical patent/CN116630818A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)

Abstract

本发明涉及基于GEE和深度学习的高原湖泊边界在线提取方法及系统，其方法包括获取目标高原湖泊区域的历史地形数据、哨兵2号卫星的历史地表反射率数据、哨兵1号卫星的历史SAR数据以及哨兵2号卫星的历史光谱影像数据，并进行数据预处理以及数据增强处理，得到样本数据集；利用样本数据集中的数据训练多尺度深度卷积神经网络模型以及知识蒸馏网络模型；得到最终知识蒸馏网络模型；将最终知识蒸馏网络模型的模型参数导入GEE平台，重构最终知识蒸馏网络模型，得到高原湖泊边界预测模型，利用高原湖泊边界预测模型提取高原湖泊边界；本发明将大型神经网络模型应用GEE平台进行在线推理应用，让高原湖泊边界提取更加便捷。

Description

基于GEE和深度学习的高原湖泊边界在线提取方法及系统
技术领域
本发明涉及光学及雷达遥感，人工智能及云计算等技术领域，具体涉及基于GEE和深度学习的高原湖泊边界在线提取方法及系统。
背景技术
随着青藏高原气候变暖、冰雪融化加速、降水量增多，湖泊漫溢灾害逐渐成为近年来地质灾害防治的重点。基于遥感影像开展青藏高原湖泊提取成为开展环境遥感监测和地质灾害遥感监测的前提。学者们针对不同的传感器发展了很多水体边界提取算法，早期阶段学者们提出利用水体在短波红外的反射特性构建水体指数实现水体提取，这些指数包括NDWI,mNDWI，AWEI等等，虽然指数法计算过程简单且有充分的理论依据，但缺点是需要人为设定阈值来完成水体边界的提取，然而图像分割阈值的选择是一个极其主观的问题，存在较大的主观因素，不同的研究者经验不同应用场景不同因而判断标准也不同，导致水陆分割的精度也无法保证。
为了解决这一问题有学者提出大津法和传统机器学习方法，前者通过计算局部区域统计值差异自动寻找阈值，后者通过监督学习的方式实现端到端的信息提取，这些方法的缺点是空间信息利用不足，且难以在大区域推广应用；随着GEE等云计算的出现，将多源遥感数据和强大的算力相结合一定程度解决了计算效率问题，为大区域应用提供了扎实的基础。近年来，随着深度学习技术在遥感领域应用的不断深入，大量学者投入到利用深度学习技术开展湖泊提取研究中，然而目前将GEE与深度学习结合应用的研究较少，主要面临三方面问题：一是开展广域湖泊提取需要大量的样本，样本集制作难度大；二是对于湖泊的提取易受山体阴影，河流等信息干扰，如何通过深度学习模型的设计实现对湖泊的高精度提取是另一难点；三是GEE平台并未直接提供深度学习的接口，导致深度学习模型无法在GEE上直接进行在线推理，而通过租赁第三方GPU服务器方式实现相关应用成本高昂。
发明内容
为了解决现有技术中，开展广域湖泊提取需要大量的样本，样本集制作难度大；对于湖泊的提取易受山体阴影，河流等信息干扰，通过深度学习模型的设计实现对湖泊的高精度提取困难；GEE平台并未直接提供深度学习的接口，导致深度学习模型无法在GEE上直接进行在线推理等技术问题，本发明提供基于GEE和深度学习的高原湖泊边界在线提取方法及系统。
本发明解决上述技术问题的技术方案如下：
基于GEE和深度学习的高原湖泊边界在线提取方法，包括如下步骤：
获取目标高原湖泊区域的历史地形数据、哨兵2号卫星的历史地表反射率数据、哨兵1号卫星的历史SAR数据以及所述哨兵2号卫星的历史光谱影像数据，得到原始数据集；
将所述原始数据集中的数据进行数据预处理，得到预处理数据集；
将所述预处理数据集中的数据进行数据增强，得到样本数据集；
建立多尺度深度卷积神经网络模型以及知识蒸馏网络模型；
利用所述样本数据集中的数据训练所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型，得到训练好的所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型；
将所述样本数据集中的数据代入训练好的所述多尺度深度卷积神经网络模型进行测试，得到预测概率数据集；
将所述预测概率数据集与所述样本数据集进行数据整合，得到知识蒸馏训练样本数据集；
利用所述知识蒸馏训练样本数据集中的数据对训练好的所述知识蒸馏网络模型进行迁移学习，得到最终知识蒸馏网络模型；
将所述最终知识蒸馏网络模型的模型参数导入GEE平台，并让所述GEE平台利用所述最终知识蒸馏网络模型的模型参数重构所述最终知识蒸馏网络模型，得到高原湖泊边界预测模型；
将所述目标高原湖泊区域的实时反射率数据、实时SAR数据以及实时地形数据，进行数据预处理之后，得到待预测数据集；
将所述待预测数据集中的数据输入所述GEE平台上的所述高原湖泊边界预测模型进行处理，提取所述目标高原湖泊区域的高原湖泊边界。
本发明的有益效果是：结合GEE云计算平台和深度学习技术的高原湖泊实时在线提取方法，提出广域多源遥感湖泊时序样本快速采集方法，设计多尺度深度卷积神经网络实现对湖泊目标空谱信息的有效提取，通过迁移学习和知识蒸馏技术实现对模型的压缩，结合GEE平台实现对青藏高原全域的湖泊在线实时提取。本发明提出的方法结合了当下先进的人工智能和云计算技术首次实现将大型神经网络模型应用GEE平台进行在线推理应用，为大区域水体信息高精度提取和遥感实时动态监测应用提供了可行的解决方案。由于GEE平台对于算力有一定限制，具有千百万参数量的模型无法在GEE上使用，本发明通过知识蒸馏将模型进行压缩得到的KDSN网络具有更小的参数量且依然保持良好的性能，可以满足区域应用需求。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，将所述原始数据集中的数据进行数据预处理，得到预处理数据集，包括如下步骤：
利用所述GEE平台将所述原始数据集中的所述历史地形数据转换为地形阴影数据；
利用所述GEE平台将所述历史地表反射率数据转换为改进的归一化差异水体指数数据；
利用所述GEE平台将所述历史SAR数据分别转换为水体提取指数数据；
将所述地形阴影数据、所述改进的归一化差异水体指数数据、所述水体提取指数数据以及所述历史光谱影像数据进行归一化处理后并整合，得到所述预处理数据集；其中，所述历史光谱影像数据包括波谱红色数据、波谱绿色数据、波谱蓝色数据、波谱近红外数据、波谱短波红外1数据以及波谱短波红外2数据。
进一步，其特征在于：将所述预处理数据集中的数据进行数据增强，得到样本数据集，包括如下步骤：
分别从所述GEE平台中的三个不同陆地覆盖数据产品中提取所述目标高原湖泊区域的水体像元，分别得到第一水体像元、第二水体像元以及第三水体像元；
取所述第一水体像元、所述第二水体像元以及所述第三水体像元的交集，得到样本水体区域；
在所述样本水体区域多次设置一个随机坐标点，并在每次设置的一个随机坐标点处生成一个矩形的随机数据裁剪框；
利用生成的多个所述随机数据裁剪框裁剪所述预处理数据集中的数据得到多个数据立方体；其中，所述数据立方体的长和宽分别为所述随机数据裁剪框的长和宽，所述数据立方体的高为H，所述H表示归一化处理后的所述地形阴影数据、所述改进的归一化差异水体指数数据、所述水体提取指数数据、所述波谱红色数据、所述波谱绿色数据、所述波谱蓝色数据、所述波谱近红外数据、所述波谱短波红外1数据、所述波谱短波红外2数据以及所述样本水体区域的标签数据的集合；
对每个所述数据立方体均进行水平以及垂直切片，得到四个大小相等的切片数据；
分别对每个所述数据立方体对应的四个所述切片数据均进行90度或180度随机翻转以及2％或5％的随机线性拉伸处理，得到所述样本数据集。
进一步，三个不同陆地覆盖数据产品分别为Globcover数据产品、DynamicWorld数据产品以及JRC数据产品。
进一步，建立多尺度深度卷积神经网络模型以及知识蒸馏网络模型，包括如下步骤：
在TensorFlow环境下搭建多尺度深度卷积神经网络模型；其中，所述多尺度深度卷积神经网络模型包括编码器以及解码器；所述编码器是用于从所述样本数据集中的数据中提取特征，并将所提取的特征压缩到固定大小；所述解码器用于将所述编码器提取的特征进行上采样，并将特征恢复到原始输入大小；且所述解码器引入了注意力机制；
在所述TensorFlow环境下搭建知识蒸馏网络模型；其中，所述知识蒸馏网络模型包括三组CBR卷积单元，每组所述CBR卷积单元均包括一个卷积层、一个批处理层以及一个ReLU激活层，所述知识蒸馏网络模型的输出端设置有1×1卷积层以及Softmax激活函数层。
进一步，利用所述样本数据集中的数据训练所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型，得到训练好的所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型具体为，
将所述样本数据集分割为样本训练数据集、样本评估数据集以及样本测试数据集；其中，所述样本训练数据集中的数据量占所述样本数据集中的数据量的70％，所述样本评估数据集中的数据量占所述样本数据集中的数据量的20％，所述样本测试数据集中数据量占所述样本数据集中的数据量的10％；
利用所述样本训练数据集分别对所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型进行训练，得到训练好的所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型；其中，在训练所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型过程中，将所述样本评估数据集作为所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型的评价数据集，并采用二值交叉熵来评价所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型的分类精度；
将所述样本数据集中的数据代入训练好的所述多尺度深度卷积神经网络模型进行测试，得到预测概率数据集具体为，
将所述样本测试数据集中的数据代入训练好的所述多尺度深度卷积神经网络模型进行测试，得到预测概率数据集。
为了解决上述技术问题，本发明还提供基于GEE和深度学习的高原湖泊边界在线提取系统，其具体技术方案如下：
基于GEE和深度学习的高原湖泊边界在线提取系统，包括数据采集模块、数据处理模块、模型建立模块、模型训练模块、模型重构模块以及边界提取模块；
所述数据采集模块用于，获取目标高原湖泊区域的历史地形数据、哨兵2号卫星的历史地表反射率数据、哨兵1号卫星的历史SAR数据以及所述哨兵2号卫星的历史光谱影像数据，得到原始数据集；
所述数据处理模块用于，将所述原始数据集中的数据进行数据预处理，得到预处理数据集；并将所述预处理数据集中的数据进行数据增强，得到样本数据集；
所述模型建立模块用于，建立多尺度深度卷积神经网络模型以及知识蒸馏网络模型；
所述模型训练模块用于，利用所述样本数据集中的数据训练所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型，得到训练好的所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型；并将所述样本数据集中的数据代入训练好的所述多尺度深度卷积神经网络模型进行测试，得到预测概率数据集；
所述数据处理模块还用于，将所述预测概率数据集与所述样本数据集进行数据整合，得到知识蒸馏训练样本数据集；
所述模型训练模块还用于，利用所述知识蒸馏训练样本数据集中的数据对训练好的所述知识蒸馏网络模型进行迁移学习，得到最终知识蒸馏网络模型；
所述模型重构模块用于，将所述最终知识蒸馏网络模型的模型参数导入GEE平台，并让所述GEE平台利用所述最终知识蒸馏网络模型的模型参数重构所述最终知识蒸馏网络模型，得到高原湖泊边界预测模型；
所述数据处理模块还用于，将所述目标高原湖泊区域的实时反射率数据、实时SAR数据以及实时地形数据，进行数据预处理之后，得到待预测数据集；
边界提取模块用于，将所述待预测数据集中的数据输入所述GEE平台上的所述高原湖泊边界预测模型进行处理，提取所述目标高原湖泊区域的高原湖泊边界。
为了解决上述技术问题，本发明还提供一种存储介质，其具体技术方案如下：
一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被计算机处理器执行时实现如权利要求1至6任一项所述的基于GEE和深度学习的高原湖泊边界在线提取方法的步骤。
为了解决上述技术问题，本发明还提供一种计算机，其具体技术方案如下：
一种计算机，包括存储器以及一个或多个处理器，所述存储器中存储有可执行代码，一个或多个所述处理器执行所述可执行代码时，实现如权利要求1至6任一项所述的基于GEE和深度学习的高原湖泊边界在线提取方法的步骤。
附图说明
图1为本发明实施例中基于GEE和深度学习的高原湖泊边界在线提取方法的流程框图；
图2为本发明实施例中多尺度深度卷积神经网络模型的结构示意图；
图3为本发明实施例中知识蒸馏网络模型的结构示意图；
图4为本发明实施例中基于GEE和深度学习的高原湖泊边界在线提取系统的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
GEE的全称为Google Earth Engine，是由谷歌、卡内基梅隆大学、美国地质调查局(USGS)共同开发的用以处理卫星遥感影像数据和其他地球观测数据的云端运算平台。
MCN模型表示多尺度深度卷积神经网络模型。
KDSN模型表示知识蒸馏网络模型。
实施例1
如图1所示，本实施例提供基于GEE和深度学习的高原湖泊边界在线提取方法，包括如下步骤：
S1、获取目标高原湖泊区域的历史地形数据、哨兵2号卫星的历史地表反射率数据、哨兵1号卫星的历史SAR数据以及所述哨兵2号卫星的历史光谱影像数据，得到原始数据集；
S2、将所述原始数据集中的数据进行数据预处理，得到预处理数据集；
具体地，将所述原始数据集中的数据进行数据预处理，得到预处理数据集，包括如下步骤：
S201、利用所述GEE平台将所述原始数据集中的所述历史地形数据转换为地形阴影数据；具体地，利用所述GEE平台将所述原始数据集中的所述历史地形数据转换为地形阴影数据的的公式如下：
HILLSD＝255.0*((cos(Zenith_rad)*cos(Slope_rad))+(sin(Zenith_rad)*sin(Slope_rad)*cos(Azimuth_rad-Aspect_rad)))
式中，HILLSD表示所述历史地形数据对应的山体阴影，Zenith_rad表示所述历史地形数据对应的太阳天顶角的弧度数，Slope_rad表示所述历史地形数据对应的坐标点的坡度弧度数，Azimuth_rad表示所述历史地形数据对应的太阳光线方向角的弧度数，Aspect_rad表示所述历史地形数据对应的坐标点的坡向弧度数。
S202、利用所述GEE平台将所述历史地表反射率数据转换为改进的归一化差异水体指数数据；具体地，利用所述GEE平台将所述历史地表反射率数据转换为改进的归一化差异水体指数数据的计算公式如下：
MNDWI＝(GREEN-SWIR)/(GREEN+SWIR)
式中，MNDWI表示改进的归一化差异水体指数，GREEN表示绿光波段数据；SWIR表示短波红外波段数据。
S203、利用所述GEE平台将所述历史SAR数据分别转换为水体提取指数数据；
具体地，利用所述GEE平台将所述历史SAR数据分别转换为水体提取指数数据的计算公式如下：
SDWI＝ln(10×VV×VH)-8
式中SWDI表示水体提取指数数据，VV和VH分别为哨兵1号不同类型的极化数据。
S204、将所述地形阴影数据、所述改进的归一化差异水体指数数据、所述水体提取指数数据以及所述光谱影像数据进行归一化处理后并整合，得到所述预处理数据集；其中，所述历史光谱影像数据包括波谱红色数据、波谱绿色数据、波谱蓝色数据、波谱近红外数据、波谱短波红外1数据以及波谱短波红外2数据。具体地，所述归一化处理公式如下：
X”＝(x-min)/(max-min)
式中X”表示归一化后的数据，x为归一化前的数据，min和max分别表示归一化前的数据的最小和最大值。
S3、将所述预处理数据集中的数据进行数据增强，得到样本数据集；
具体地，将所述预处理数据集中的数据进行数据增强，得到样本数据集，包括如下步骤：
S301、分别从所述GEE平台中的三个不同陆地覆盖数据产品中提取所述目标高原湖泊区域的水体像元，分别得到第一水体像元、第二水体像元以及第三水体像元；其中，三个不同陆地覆盖数据产品分别为Globcover数据产品、DynamicWorld数据产品以及JRC数据产品。
其中，Globcover数据产品表示全球陆地覆盖数据，分辨率300米。GlobCover全球陆地覆盖数据的原始数据来自Envisat卫星，由MERIS(Medium Resolution ImagingSpectrometer)传感器拍摄完成。
DynamicWorld数据产品表示谷歌发布的动态世界数据，分辨率10米，DynamicWorld产品的原始数据采用的是开源的哨兵2号数据。
JRC数据产品表示欧盟委员会联合研究中心在哥白尼计划项目中研发的水体数据产品，该产品绘制了过去30多年全球范围内水体的范围和时空变化，分辨率10米，原始数据来资源Landsat系列卫星。
具体地，分别从Globcover数据产品、DynamicWorld数据产品以及JRC数据产品的目标高原湖泊区域，并标记为第一水体像元、第二水体像元以及第三水体像元。
S302、取所述第一水体像元、所述第二水体像元以及所述第三水体像元的交集，得到样本水体区域；
具体地，取所述第一水体像元、所述第二水体像元以及所述第三水体像元的交集，得到样本水体区域，在Globcover数据产品、DynamicWorld数据产品以及JRC数据产品中均将得到样本水体区域标记为水体的区域即高置信区，高置信区中像元值即作为切片影像数据的真值标签，具体公式如下：
SR＝A[Xij＝w]∩B[Xmn＝w]∩C[Xkv＝w]
其中，SR表示高置信度样本区，A,B,C分别表示Globcover数据产品、DynamicWorld数据产品以及JRC数据产品，Xij表示A产品中的水体像元Xij∈A，i和j分别表示A产品长和宽；Xmn表示B产品中的水体像元Xmn∈B，m和n分别表示B产品长和宽；Xkv表示C产品中的水体像元Xkv∈C，k和v分别表示C产品长和宽；w表示标记为水体的像元；∩表示区交集操作。
S303、在所述样本水体区域多次设置一个随机坐标点，并在每次设置的一个随机坐标点处生成一个矩形的随机数据裁剪框；
具体地，在每个所述随坐标点处生成一个256×256像素的矩形裁剪框，经过2000次设置所述随坐标点后，得到2000个随机数据裁剪框。
S304、利用生成的多个所述随机数据裁剪框裁剪所述预处理数据集中的数据得到多个256×256×10的数据立方体；其中，所述数据立方体的长和宽分别为所述随机数据裁剪框的长和宽，所述数据立方体的高为H，H为10，即，所述H表示归一化处理后的所述地形阴影数据、所述改进的归一化差异水体指数数据、所述水体提取指数数据、所述波谱红色数据、所述波谱绿色数据、所述波谱蓝色数据、所述波谱近红外数据、所述波谱短波红外1数据、所述波谱短波红外2数据以及所述样本水体区域的标签数据的集合，即所述H包括所述地形阴影数据、所述改进的归一化差异水体指数数据、所述水体提取指数数据、所述波谱红色数据、所述波谱绿色数据、所述波谱蓝色数据、所述波谱近红外数据、所述波谱短波红外1数据、所述波谱短波红外2数据以及所述样本水体区域的标签数据。
S305、对每个所述数据立方体均进行水平以及垂直切片，得到四个大小相等的切片数据；
具体地：多个所述数据立方体构成数据集D1，对数据集D1进行增强处理，假设X为数据集D1中的第m个切片数据，则X∈D1mN×w×h，N，w,h分别代表样本数据集D2中每个切片数据的波段数、宽和长，首先将X按照水平和垂直方向分别裁切成4个迷你切片X1，X2，X3，X4；每个迷你切片的大小为原切片数据的四分之一，具体公式如下：
[X1，X2，X3，X4]＝fcut1(X)，(X1，X2，X3，X4)∈D1mN×w/4×h/4
其中，fcut1(X)表示分别进行水平和垂直裁切处理后的数据。
S306、分别对每个所述数据立方体对应的四个所述切片数据均进行90度或180度随机翻转以及2％或5％的随机线性拉伸处理，得到所述样本数据集。
具体地，对X1，X2数据分别进行90度或180度随机翻转，对X3，X4数据进行2％或5％的随机线性拉伸处理，公式如下：
X’＝fmosaic[frt(X1,X2),flr5(X3,X4)]
其中frt(X1)表示随机翻转，flr5((X3,X4))表示对X3，X4数据进行线性拉伸处理，fmosaic表示随机镶嵌处理，X’为分割增强处理后的切片数据，X’∈D2mN×w×h。经过上述操作样本数据集D2扩充为原来的6倍。
S4、建立多尺度深度卷积神经网络模型以及知识蒸馏网络模型；
建立多尺度深度卷积神经网络模型以及知识蒸馏网络模型，包括如下步骤：
S401、在TensorFlow环境下搭建多尺度深度卷积神经网络模型；其中，所述多尺度深度卷积神经网络模型包括编码器以及解码器；所述编码器是用于从所述样本数据集中的数据中提取特征，并将所提取的特征压缩到固定大小；所述解码器用于将所述编码器提取的特征进行上采样，并将特征恢复到原始输入大小；且所述解码器引入了注意力机制；
如图2所示，编码器包括多个下采样的编码卷积单元，每个编码卷积单元包括深度可分离卷积层DW-Conv、批处理层以及ReLU激活层；解码器包括多个上采样的解码卷积单元以及一个注意力机制模块，每个解码卷积单元包括深度可分离卷积层DW-Conv、批处理层、ReLU激活层以及Conv卷积层；注意力机制模块包括特征叠合层、全局池化层、Conv卷积层、激活函数以及乘法层mul。
编码器中编码卷积单元数量为5；且每个编码卷积单元包括两个深度可分离卷积层DW-Conv、两个批处理层以及两个ReLU激活层；解码器中解码卷积单元数量为5；每个解码卷积单元包括四个深度可分离卷积层DW-Conv、四个批处理层、四个ReLU激活层以及一个1×1的Conv卷积层。
所述注意力机制模块，用于将解码卷积单元输出的特征作为输入特征。并依次通过特征叠合，全局池化操作，经过两次卷积和激活函数激活操作后生成空间注意力特征。最后将该空间注意力特征和输入特征即解码卷积单元输出的特征做乘法，得到最终生成的特征。最终生成的特征为所述多尺度深度卷积神经网络模型的输出特征。
通过在建立多尺度深度卷积神经网络模型时减少降采样操作，更多保留浅层空间信息以提高遥感地物分类结果的边缘精度；并采用深度可分离卷积替代普通卷积，在性能没有明显下降的前提下进一步减少模型参数；在解码器部分引入注意力机制，使不同尺度特征能够更好的进行融合。
S402、在所述TensorFlow环境下搭建知识蒸馏网络模型；如图3所示，所述知识蒸馏网络模型包括三组CBR卷积单元，每组所述CBR卷积单元均包括一个卷积层、一个批处理层以及一个ReLU激活层，所述知识蒸馏网络模型的输出端设置有1×1卷积层以及Softmax激活函数层。
S5、利用所述样本数据集中的数据训练所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型，得到训练好的所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型；
具体地，利用所述样本数据集中的数据训练所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型，得到训练好的所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型，包括如下步骤：
S501、将所述样本数据集分割为样本训练数据集、样本评估数据集以及样本测试数据集；其中，所述样本训练数据集中的数据量占所述样本数据集中的数据量的70％，所述样本评估数据集中的数据量占所述样本数据集中的数据量的20％，所述样本测试数据集中数据量占所述样本数据集中的数据量的10％；
S502、利用所述样本训练数据集分别对所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型进行训练，得到训练好的所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型；其中，在训练所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型过程中，将所述样本评估数据集作为所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型的评价数据集，并采用二值交叉熵来评价所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型的分类精度，当误差下降并趋于平稳后代表模型训练完成；
将所述样本数据集中的数据代入训练好的所述多尺度深度卷积神经网络模型进行测试，得到预测概率数据集具体为，
将所述样本测试数据集中的数据代入训练好的所述多尺度深度卷积神经网络模型进行测试，得到预测概率数据集。
S6、将所述样本数据集中的数据代入训练好的所述多尺度深度卷积神经网络模型进行测试，得到预测概率数据集；
具体地，利用经过训练的MCN网络模型对切片样本集D2中所有9波段数据组合进行预测，得到预测概率集，其中，切片样本集D2表示上述样本训练数据集，具体公式如下：
P’＝Smax(gmcn(Di)),Di∈D2m×6N-1×w×h
式中P’表示预测概率集中的预测值，P’∈D6m×6N-1×w×h Smax表示softmax激活函数，gmcn表示MCN模型的推理过程，Di表示切片样本集D2中任意一个具有9波段数据的切片数据。9波段数据分别为归一化后的所述地形阴影数据、归一化后的所述改进的归一化差异水体指数数据、归一化后的所述水体提取指数数据、归一化后的波谱红色数据、归一化后的波谱绿色数据、归一化后的波谱蓝色数据、归一化后的波谱近红外数据、归一化后的波谱短波红外1数据以及归一化后的波谱短波红外2数据。
S7、将所述预测概率数据集与所述样本数据集进行数据整合，得到知识蒸馏训练样本数据集。
S8、利用所述知识蒸馏训练样本数据集中的数据对训练好的所述知识蒸馏网络模型进行迁移学习，得到最终知识蒸馏网络模型；
具体地，对上一步训练好的KDSN模型进行迁移学习，该过程中首先导入KDSN模型参数，以较小的学习率，如0.0001，下利用D7数据集对KDSN模型进行迁移学习，训练中损失函数为均方根误差，当训练精度趋于平稳后完成训练，迁移学习后得到的KDSN模型相较于MCN具有更少量的参数，相近的性能和更快的推理速度，这样就完成了从较大的MCN网络到较小的KDSN网络的知识蒸馏，其中D7数据集表示上述知识蒸馏训练样本数据集。
S9、将所述最终知识蒸馏网络模型的模型参数导入GEE平台，并让所述GEE平台利用所述最终知识蒸馏网络模型的模型参数重构所述最终知识蒸馏网络模型，得到高原湖泊边界预测模型；
S10、将所述目标高原湖泊区域的待预测的反射率数据、SAR数据以及地形数据，进行数据预处理之后，得到待预测数据集；
S11、将所述待预测数据集中的数据输入所述GEE平台上的所述高原湖泊边界预测模型进行处理，提取所述目标高原湖泊区域的高原湖泊边界。
本发明实施例结合GEE云计算平台和深度学习技术的高原湖泊实时在线提取方法，提出广域多源遥感湖泊时序样本快速采集方法，设计多尺度深度卷积神经网络实现对湖泊目标空谱信息的有效提取，通过迁移学习和知识蒸馏技术实现对模型的压缩，结合GEE平台实现对青藏高原全域的湖泊在线实时提取。本发明提出的方法结合了当下先进的人工智能和云计算技术首次实现将大型神经网络模型应用GEE平台进行在线推理应用，为大区域水体信息高精度提取和遥感实时动态监测应用提供了可行的解决方案。由于GEE平台对于算力有一定限制，具有千百万参数量的模型无法在GEE上使用，本发明通过知识蒸馏将模型进行压缩得到的KDSN网络具有更小的参数量且依然保持良好的性能，可以满足区域应用需求。
实施例2
如图4所示，基于实施例1，本实施例提供基于GEE和深度学习的高原湖泊边界在线提取系统，包括数据采集模块、数据处理模块、模型建立模块、模型训练模块、模型重构模块以及边界提取模块；
所述数据采集模块用于，获取目标高原湖泊区域的历史地形数据、哨兵2号卫星的历史地表反射率数据、哨兵1号卫星的历史SAR数据以及所述哨兵2号卫星的历史光谱影像数据，得到原始数据集；
所述数据处理模块用于，将所述原始数据集中的数据进行数据预处理，得到预处理数据集；并将所述预处理数据集中的数据进行数据增强，得到样本数据集；
所述模型建立模块用于，建立多尺度深度卷积神经网络模型以及知识蒸馏网络模型；
所述模型训练模块用于，利用所述样本数据集中的数据训练所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型，得到训练好的所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型；并将所述样本数据集中的数据代入训练好的所述多尺度深度卷积神经网络模型进行测试，得到预测概率数据集；
所述数据处理模块还用于，将所述预测概率数据集与所述样本数据集进行数据整合，得到知识蒸馏训练样本数据集；
所述模型训练模块还用于，利用所述知识蒸馏训练样本数据集中的数据对训练好的所述知识蒸馏网络模型进行迁移学习，得到最终知识蒸馏网络模型；
所述模型重构模块用于，将所述最终知识蒸馏网络模型的模型参数导入GEE平台，并让所述GEE平台利用所述最终知识蒸馏网络模型的模型参数重构所述最终知识蒸馏网络模型，得到高原湖泊边界预测模型；
所述数据处理模块还用于，将所述目标高原湖泊区域的实时反射率数据、实时SAR数据以及实时地形数据，进行数据预处理之后，得到待预测数据集；
边界提取模块用于，将所述待预测数据集中的数据输入所述GEE平台上的所述高原湖泊边界预测模型进行处理，提取所述目标高原湖泊区域的高原湖泊边界。
本实施例提出一种基于GEE和深度学习的高原湖泊边界在线提取系统，可用于高原湖泊的边界进行在线提取，通过提出广域多源遥感湖泊时序样本快速采集方法，设计多尺度深度卷积神经网络实现对湖泊目标空谱信息的有效提取，提出通过迁移学习和知识蒸馏技术实现对模型的压缩，结合GEE平台实现对青藏高原全域的湖泊在线实时提取。本发明提出的方法结合了当下先进的人工智能和云计算技术首次实现将大型神经网络模型应用GEE平台进行在线推理应用，为大区域水体信息高精度提取和遥感实时动态监测应用提供了可行的解决方案。
实施例3
基于实施例1，本实施例提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被计算机处理器执行时实现如权利要求1至6任一项所述的基于GEE和深度学习的高原湖泊边界在线提取方法的步骤。
所述存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元或者存储装置，例如硬盘、内存、移动硬盘等。所述存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡、SD卡、闪存卡等。进一步，所述存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
实施例4
基于实施例1，本实施例提供基于实施例1，本实施提供一种计算机，包括存储器以及一个或多个处理器，所述存储器中存储有可执行代码，一个或多个所述处理器执行所述可执行代码时，实现实施例1中的基于GEE和深度学习的高原湖泊边界在线提取方法的步骤。
所述存储器可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述存储器也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡、SD卡、闪存卡等。进一步，所述存储器还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的构思和原则之内，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 (9)

1.基于GEE和深度学习的高原湖泊边界在线提取方法，其特征在于：包括如下步骤：
获取目标高原湖泊区域的历史地形数据、哨兵2号卫星的历史地表反射率数据、哨兵1号卫星的历史SAR数据以及所述哨兵2号卫星的历史光谱影像数据，得到原始数据集；
将所述原始数据集中的数据进行数据预处理，得到预处理数据集；
将所述预处理数据集中的数据进行数据增强，得到样本数据集；
建立多尺度深度卷积神经网络模型以及知识蒸馏网络模型；
利用所述样本数据集中的数据训练所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型，得到训练好的所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型；
将所述样本数据集中的数据代入训练好的所述多尺度深度卷积神经网络模型进行测试，得到预测概率数据集；
将所述预测概率数据集与所述样本数据集进行数据整合，得到知识蒸馏训练样本数据集；
利用所述知识蒸馏训练样本数据集中的数据对训练好的所述知识蒸馏网络模型进行迁移学习，得到最终知识蒸馏网络模型；
将所述最终知识蒸馏网络模型的模型参数导入GEE平台，并让所述GEE平台利用所述最终知识蒸馏网络模型的模型参数重构所述最终知识蒸馏网络模型，得到高原湖泊边界预测模型；
将所述目标高原湖泊区域的实时反射率数据、实时SAR数据以及实时地形数据，进行数据预处理之后，得到待预测数据集；
将所述待预测数据集中的数据输入所述GEE平台上的所述高原湖泊边界预测模型进行处理，提取所述目标高原湖泊区域的高原湖泊边界。
2.根据权利要求1所述的基于GEE和深度学习的高原湖泊边界在线提取方法，其特征在于：将所述原始数据集中的数据进行数据预处理，得到预处理数据集，包括如下步骤：
利用所述GEE平台将所述原始数据集中的所述历史地形数据转换为地形阴影数据；
利用所述GEE平台将所述历史地表反射率数据转换为改进的归一化差异水体指数数据；
利用所述GEE平台将所述历史SAR数据分别转换为水体提取指数数据；
将所述地形阴影数据、所述改进的归一化差异水体指数数据、所述水体提取指数数据以及所述历史光谱影像数据进行归一化处理后并整合，得到所述预处理数据集；其中，所述历史光谱影像数据包括波谱红色数据、波谱绿色数据、波谱蓝色数据、波谱近红外数据、波谱短波红外1数据以及波谱短波红外2数据。
3.根据权利要求2所述的基于GEE和深度学习的高原湖泊边界在线提取方法，其特征在于：将所述预处理数据集中的数据进行数据增强，得到样本数据集，包括如下步骤：
分别从所述GEE平台中的三个不同陆地覆盖数据产品中提取所述目标高原湖泊区域的水体像元，分别得到第一水体像元、第二水体像元以及第三水体像元；
取所述第一水体像元、所述第二水体像元以及所述第三水体像元的交集，得到样本水体区域；
在所述样本水体区域多次设置一个随机坐标点，并在每次设置的一个随机坐标点处生成一个矩形的随机数据裁剪框；
利用生成的多个所述随机数据裁剪框裁剪所述预处理数据集中的数据得到多个数据立方体；其中，所述数据立方体的长和宽分别为所述随机数据裁剪框的长和宽，所述数据立方体的高为H，所述H表示归一化处理后的所述地形阴影数据、所述改进的归一化差异水体指数数据、所述水体提取指数数据、所述波谱红色数据、所述波谱绿色数据、所述波谱蓝色数据、所述波谱近红外数据、所述波谱短波红外1数据、所述波谱短波红外2数据以及所述样本水体区域的标签数据的集合；
对每个所述数据立方体均进行水平以及垂直切片，得到四个大小相等的切片数据；
分别对每个所述数据立方体对应的四个所述切片数据均进行90度或180度随机翻转以及2％或5％的随机线性拉伸处理，得到所述样本数据集。
4.根据权利要求3所述的基于GEE和深度学习的高原湖泊边界在线提取方法，其特征在于：三个不同陆地覆盖数据产品分别为Globcover数据产品、DynamicWorld数据产品以及JRC数据产品。
5.根据权利要求1所述的基于GEE和深度学习的高原湖泊边界在线提取方法，其特征在于：建立多尺度深度卷积神经网络模型以及知识蒸馏网络模型，包括如下步骤：
在TensorFlow环境下搭建多尺度深度卷积神经网络模型；其中，所述多尺度深度卷积神经网络模型包括编码器以及解码器；所述编码器是用于从所述样本数据集中的数据中提取特征，并将所提取的特征压缩到固定大小；所述解码器用于将所述编码器提取的特征进行上采样，并将特征恢复到原始输入大小；且所述解码器引入了注意力机制；
在所述TensorFlow环境下搭建知识蒸馏网络模型；其中，所述知识蒸馏网络模型包括三组CBR卷积单元，每组所述CBR卷积单元均包括一个卷积层、一个批处理层以及一个ReLU激活层，所述知识蒸馏网络模型的输出端设置有1×1卷积层以及Softmax激活函数层。
6.根据权利要求1所述的基于GEE和深度学习的高原湖泊边界在线提取方法，其特征在于：利用所述样本数据集中的数据训练所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型，得到训练好的所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型具体为，
将所述样本数据集分割为样本训练数据集、样本评估数据集以及样本测试数据集；其中，所述样本训练数据集中的数据量占所述样本数据集中的数据量的70％，所述样本评估数据集中的数据量占所述样本数据集中的数据量的20％，所述样本测试数据集中数据量占所述样本数据集中的数据量的10％；
利用所述样本训练数据集分别对所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型进行训练，得到训练好的所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型；其中，在训练所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型过程中，将所述样本评估数据集作为所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型的评价数据集，并采用二值交叉熵来评价所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型的分类精度；
将所述样本数据集中的数据代入训练好的所述多尺度深度卷积神经网络模型进行测试，得到预测概率数据集具体为，
将所述样本测试数据集中的数据代入训练好的所述多尺度深度卷积神经网络模型进行测试，得到预测概率数据集。
7.基于GEE和深度学习的高原湖泊边界在线提取系统，其特征在于：包括数据采集模块、数据处理模块、模型建立模块、模型训练模块、模型重构模块以及边界提取模块；
所述数据采集模块用于，获取目标高原湖泊区域的历史地形数据、哨兵2号卫星的历史地表反射率数据、哨兵1号卫星的历史SAR数据以及所述哨兵2号卫星的历史光谱影像数据，得到原始数据集；
所述数据处理模块用于，将所述原始数据集中的数据进行数据预处理，得到预处理数据集；并将所述预处理数据集中的数据进行数据增强，得到样本数据集；
所述模型建立模块用于，建立多尺度深度卷积神经网络模型以及知识蒸馏网络模型；
所述模型训练模块用于，利用所述样本数据集中的数据训练所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型，得到训练好的所述多尺度深度卷积神经网络模型以及所述知识蒸馏网络模型；并将所述样本数据集中的数据代入训练好的所述多尺度深度卷积神经网络模型进行测试，得到预测概率数据集；
所述数据处理模块还用于，将所述预测概率数据集与所述样本数据集进行数据整合，得到知识蒸馏训练样本数据集；
所述模型训练模块还用于，利用所述知识蒸馏训练样本数据集中的数据对训练好的所述知识蒸馏网络模型进行迁移学习，得到最终知识蒸馏网络模型；
所述模型重构模块用于，将所述最终知识蒸馏网络模型的模型参数导入GEE平台，并让所述GEE平台利用所述最终知识蒸馏网络模型的模型参数重构所述最终知识蒸馏网络模型，得到高原湖泊边界预测模型；
所述数据处理模块还用于，将所述目标高原湖泊区域的实时反射率数据、实时SAR数据以及实时地形数据，进行数据预处理之后，得到待预测数据集；
边界提取模块用于，将所述待预测数据集中的数据输入所述GEE平台上的所述高原湖泊边界预测模型进行处理，提取所述目标高原湖泊区域的高原湖泊边界。
8.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被计算机处理器执行时实现如权利要求1至6任一项所述的基于GEE和深度学习的高原湖泊边界在线提取方法的步骤。
9.一种计算机，其特征在于，包括存储器以及一个或多个处理器，所述存储器中存储有可执行代码，一个或多个所述处理器执行所述可执行代码时，实现如权利要求1至6任一项所述的基于GEE和深度学习的高原湖泊边界在线提取方法的步骤。
CN202310393339.1A 2023-04-13 2023-04-13 基于gee和深度学习的高原湖泊边界在线提取方法及系统 Pending CN116630818A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310393339.1A CN116630818A (zh) 2023-04-13 2023-04-13 基于gee和深度学习的高原湖泊边界在线提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310393339.1A CN116630818A (zh) 2023-04-13 2023-04-13 基于gee和深度学习的高原湖泊边界在线提取方法及系统

Publications (1)

Publication Number Publication Date
CN116630818A true CN116630818A (zh) 2023-08-22

Family

ID=87620150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310393339.1A Pending CN116630818A (zh) 2023-04-13 2023-04-13 基于gee和深度学习的高原湖泊边界在线提取方法及系统

Country Status (1)

Country Link
CN (1) CN116630818A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117495632A (zh) * 2023-10-30 2024-02-02 中国自然资源航空物探遥感中心 一种闭流流域尾闾湖泊的萎缩预测方法及系统
CN117650834A (zh) * 2024-01-29 2024-03-05 南京理工大学 基于知识蒸馏的天地一体化网络时空流量预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117495632A (zh) * 2023-10-30 2024-02-02 中国自然资源航空物探遥感中心 一种闭流流域尾闾湖泊的萎缩预测方法及系统
CN117495632B (zh) * 2023-10-30 2024-04-26 中国自然资源航空物探遥感中心 一种闭流流域尾闾湖泊的萎缩预测方法及系统
CN117650834A (zh) * 2024-01-29 2024-03-05 南京理工大学 基于知识蒸馏的天地一体化网络时空流量预测方法
CN117650834B (zh) * 2024-01-29 2024-04-12 南京理工大学 基于知识蒸馏的天地一体化网络时空流量预测方法

Similar Documents

Publication Publication Date Title
Zhu et al. Deep learning meets SAR: Concepts, models, pitfalls, and perspectives
US11521379B1 (en) Method for flood disaster monitoring and disaster analysis based on vision transformer
Zhang et al. Remote sensing image spatiotemporal fusion using a generative adversarial network
Bai et al. A framework of rapid regional tsunami damage recognition from post-event TerraSAR-X imagery using deep neural networks
CN113128134B (zh) 一种矿区生态环境演变驱动因子权重量化分析方法
Chen et al. Multiscale feature learning by transformer for building extraction from satellite images
CN112288647B (zh) 一种基于门控卷积的遥感影像云和阴影修复的方法
CN116630818A (zh) 基于gee和深度学习的高原湖泊边界在线提取方法及系统
Stucker et al. ResDepth: A deep residual prior for 3D reconstruction from high-resolution satellite images
CN116258976A (zh) 一种分层次Transformer的高分辨率遥感图像语义分割方法及系统
Wan et al. Multi-scale spectral-spatial remote sensing classification of coral reef habitats using CNN-SVM
Oehmcke et al. Creating cloud-free satellite imagery from image time series with deep learning
Akshay et al. Satellite image classification for detecting unused landscape using CNN
Zhao et al. Seeing through clouds in satellite images
Liu et al. Thick cloud removal under land cover changes using multisource satellite imagery and a spatiotemporal attention network
CN115457396A (zh) 一种基于遥感影像的地表目标地物检测方法
Guo et al. Mozambique flood (2019) caused by tropical cyclone idai monitored from sentinel-1 and sentinel-2 images
Zhao et al. Seeing through clouds in satellite images
Feng et al. Super-Resolution-Aided Sea Ice Concentration Estimation From AMSR2 Images by Encoder–Decoder Networks With Atrous Convolution
Kumar et al. Multi-sensor multi-resolution image fusion for improved vegetation and urban area classification
Guo et al. A flexible object-level processing strategy to enhance the weight function-based spatiotemporal fusion method
CN115984714B (zh) 一种基于双分支网络模型的云检测方法
Huang et al. Research on crop planting area classification from remote sensing image based on deep learning
Wang et al. A New Remote Sensing Change Detection Data Augmentation Method based on Mosaic Simulation and Haze Image Simulation
Andreev et al. Cloud detection from the Himawari-8 satellite data using a convolutional neural network

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