CN116883950A - 基于遥感卫星数据的乡村人居环境动态监测方法及装置 - Google Patents
基于遥感卫星数据的乡村人居环境动态监测方法及装置 Download PDFInfo
- Publication number
- CN116883950A CN116883950A CN202311031557.7A CN202311031557A CN116883950A CN 116883950 A CN116883950 A CN 116883950A CN 202311031557 A CN202311031557 A CN 202311031557A CN 116883950 A CN116883950 A CN 116883950A
- Authority
- CN
- China
- Prior art keywords
- task
- remote sensing
- sensing satellite
- satellite data
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 92
- 238000004806 packaging method and process Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims description 80
- 238000007689 inspection Methods 0.000 claims description 71
- 238000003062 neural network model Methods 0.000 claims description 23
- 230000003287 optical effect Effects 0.000 claims description 23
- 238000011161 development Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 7
- 238000011160 research Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 238000009270 solid waste treatment Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000012855 volatile organic compound Substances 0.000 description 1
- 239000002699 waste material Substances 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Image Processing (AREA)
Abstract
本公开提出了一种基于遥感卫星数据的乡村人居环境动态监测方法及装置，涉及数据处理技术领域，包括：获取目标乡村地区对应的遥感卫星数据，并对遥感卫星数据进行预处理；对遥感卫星数据进行分类和打包，以生成多个任务文件；响应于接收到用户发送的任务处理请求，从多个任务文件中获取目标文件；基于任务处理请求，对目标文件进行处理，以得到与任务处理请求对应的环境监测结果。由此，可以提取乡村地区的环境监测信息，为相关决策和研究提供有效依据。可以根据用户的任务处理请求为用户调用最适合的任务文件，从而解决用户对目标乡村地区的环境监测需求，精确度高，具有提供准确、高效的乡村环境监测能力，有助于改善决策和规划。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种基于遥感卫星数据的乡村人居环境动态监测方法及装置。
背景技术
乡村发展是时代关注的重点，乡村人居环境更是我们需要重视和关注的。乡村人居环境动态监测是通过技术手段来实时乡村地区的生态环境、生活条件、基础设施等各个方面的情况。相关技术中，可以利用各类传感器如空气质量传感器、水质传感器、温湿度传感器等可以实时监测环境参数，从而及时获取有关乡村人居环境的数据。但是数据量巨大，没有针对性，往往相关人员在对拿到传感器的监测数据来进行数据分析时需要花费大量的时间和精力来定位与目标任务相关的信息。
因而，如何帮助用户能够准确的得到有效可靠的乡村环境监测数据，并进行可靠的分析，实现对乡村环境各个方向的高效监测，是目前亟需解决的问题。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
本公开第一方面实施例提出了一种基于遥感卫星数据的乡村人居环境动态监测方法，包括：
获取目标乡村地区对应的遥感卫星数据，并对所述遥感卫星数据进行预处理，其中，所述遥感卫星数据包括光学影像、高光谱影像和雷达影像；
对所述遥感卫星数据进行分类和打包，以生成多个任务文件，其中，每个所述任务文件对应有环境监测指标、位置标签和任务标签信息；
响应于接收到用户发送的任务处理请求，从所述多个任务文件中获取目标文件，其中，所述任务处理请求中包含有待监测位置、待监测指标和任务类型；
基于所述任务处理请求，对所述目标文件进行处理，以得到与所述任务处理请求对应的环境监测结果。
本公开第二方面实施例提出了一种基于遥感卫星数据的乡村人居环境动态监测装置，包括：
获取模块，用于获取目标乡村地区对应的遥感卫星数据，并对所述遥感卫星数据进行预处理，其中，所述遥感卫星数据包括光学影像、高光谱影像和雷达影像；
生成模块，用于对所述遥感卫星数据进行分类和打包，以生成多个任务文件，其中，每个所述任务文件对应有环境监测指标、位置标签和任务标签信息；
接收模块，用于响应于接收到用户发送的任务处理请求，从所述多个任务文件中获取目标文件，其中，所述任务处理请求中包含有待监测位置、待监测指标和任务类型；
处理模块，用于基于所述任务处理请求，对所述目标文件进行处理，以得到与所述任务处理请求对应的环境监测结果。
本公开第三方面实施例提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本公开第一方面实施例提出的基于遥感卫星数据的乡村人居环境动态监测方法。
本公开第四方面实施例提出了一种非临时性计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如本公开第一方面实施例提出的基于遥感卫星数据的乡村人居环境动态监测方法。
本公开提供的基于遥感卫星数据的乡村人居环境动态监测方法及装置：
本公开实施例中，首先获取目标乡村地区对应的遥感卫星数据，并对遥感卫星数据进行预处理，其中，遥感卫星数据包括光学影像、高光谱影像和雷达影像，然后对遥感卫星数据进行分类和打包，以生成多个任务文件，其中，每个任务文件对应有环境监测指标、位置标签和任务标签信息，之后响应于接收到用户发送的任务处理请求，从多个任务文件中获取目标文件，其中，任务处理请求中包含有待监测位置、待监测指标和任务类型，最后基于任务处理请求，对目标文件进行处理，以得到与任务处理请求对应的环境监测结果。由此，通过获取目标乡村地区的遥感卫星数据，包括光学影像、高光谱影像和雷达影像以及预处理，可以减少噪音、增强图像质量，并提取特征用于后续分类和分析。之后可以进行数据分类和打包，通过对遥感卫星数据进行分类和打包，生成多个任务文件。每个任务文件包含标签和任务标签等信息，有助于组织和管理数据，并方便后续的任务处理。之后进行了任务请求响应，系统能够接收用户发送的任务处理目标文件，灵活性和响应够根据用户需求快速定位和获取相应数据进行环境监测结果生成，基于任务处理请求标文件进行处理，得到与请求相对应的环境监测结果。由此，可以提取乡村地区的环境监测信息，为相关决策和研究提供有效依据。可以根据用户的任务处理请求为用户调用最适合的任务文件，从而解决用户对目标乡村地区的环境监测需求，精确度高，具有提供准确、高效的乡村环境监测能力，有助于改善决策和规划。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本公开实施例所提供的一种基于遥感卫星数据的乡村人居环境动态监测方法的流程示意图；
图2为本公开实施例所提供的一种基于遥感卫星数据的乡村人居环境动态监测装置的结构框图；
图3为本公开实施例所提供的一种基于遥感卫星数据的乡村人居环境动态监测装置的计算机设备的结构框图。
具体实施方式
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
下面参考附图描述本公开实施例的基于遥感卫星数据的乡村人居环境动态监测方法、装置、计算机设备和存储介质。
需要说明的是，本公开实施例中的基于遥感卫星数据的乡村人居环境动态监测方法的执行主体为基于遥感卫星数据的乡村人居环境动态监测装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在任意电子设备中。
图1为本公开第一实施例所提供的基于遥感卫星数据的乡村人居环境动态监测方法的流程示意图。
如图1所示，该基于遥感卫星数据的乡村人居环境动态监测方法可以包括以下步骤：
步骤101，获取目标乡村地区对应的遥感卫星数据，并对遥感卫星数据进行预处理，其中，遥感卫星数据包括光学影像、高光谱影像和雷达影像。
作为一种可能实现的方式，获取目标乡村地区对应的遥感卫星数据，并对遥感卫星数据进行预处理可以通过以下方式：
国家遥感数据共享服务平台：该平台提供了全国范围内的卫星数据获取服务，可以通过该平台申请目标地区的遥感数据。
卫星数据销售商：目前国内外有不少卫星数据销售商，如卫星通信公司、航天科技集团等，可以通过这些销售商购买目标地区的遥感数据。
对于遥感卫星数据的预处理，主要包括以下几个方面：
数据格式转换：不同的遥感卫星数据格式不同，需要将其转换为统一的格式，如GeoTIFF格式。
大气校正：光学影像在大气层中传输时会受到大气吸收、散射等影响，需要进行大气校正，以消除大气对图像的影响。
几何校正：遥感卫星数据在采集和传输过程中会受到多种因素的影响，如地球自转、大气折射等，需要进行几何校正，以保证数据的准确性和可比性。
影像配准：对于多个遥感卫星数据，需要进行影像配准，以保证它们在空间上的一致性。
去噪和增强：对于光学影像和高光谱影像，需要进行去噪和增强处理，以提高图像的清晰度和对比度。
数据融合：对于多种遥感卫星数据，可以进行数据融合，以获得更为全面和准确的地面信息。数据融合的方式包括像素级融合、特征级融合和决策级融合。
作为另一种可能实现的方式，可以首先确定数据来源：选择需要的遥感卫星数据的数据源。常见的遥感卫星包括Landsat、MODIS、Sentinel等。这些遥感卫星提供多种类型的数据，如光学影像、高光谱影像和雷达影像。具体的，可以首先查询选定的遥感卫星数据相关的数据存储和访问方式。遥感数据可通过遥感数据分发平台或开放数据存储库获得，例如USGS EarthExplorer、NASA Earthdata、ESA Sentinel数据枢纽等。之后，可以确定乡村地区范围：确定所需乡村地区的边界范围，有助于缩小获取数据范围，以减少处理的数据量。进一步的，可以根据预设的经验参数，选择合适的数据集类型(光学影像、高光谱影像和雷达影像)以及时间范围。进一步的，可以对下载的遥感数据进行预处理，以提取目标信息。预处理方法根据具体的遥感数据类型而异，但通常包括以下步骤：
数据格式转换：将遥感换为适合分析的格式，如GeoTIFF。
校正和去噪：对光学影像进行大气校正、辐射定标等操作，并去除图像中的噪点和伪影。镶嵌和配准：将多个图像拼接在一起，以获得更大范围的覆盖，并确保不同时间或传感器采集的图像在空间上对齐。
提取和分析：在预处理后，可以使用适当的遥感图像处理软件或编程语言(如ENVI、ArcGIS、Python和R)从预处理的数据中提取特定的地理信息，进行分类、变化检测、特征提取等分析。
可选的，可以首先根据目标乡村地区对应的历史气象数据，以及历史气象数据对应的获取时间，确定参考气象特征和参考时间特征，然后可以基于参考气象特征和参考时间特征，对遥感卫星数据进行筛选，以得到目标遥感卫星数据。
其中，参考气象特征用于表征与目标乡村地区对应的适合观测的气象特征，比如晴天、温度、湿度、空气能见度，在此不做限定。也即是说，具有参考气象特征的遥感卫星数据的数据可靠度和利用率较高。同理，参考时间特征用于表征与目标乡村地区对应的适合观测的时间，比如特定的月份、特定的日期、特定的时辰，在此不进行限定。
可选的，可以首先获取目标乡村地区的历史气象数据，这些数据可以通过气象观测站、气象部门或其他可靠来源获取。然后可以确定历史气象数据对应的获取时间，以确保使用的数据与所需的参考时间段一致，以及选择的历史气象数据与遥感卫星数据采集的时间范围一致。进一步的，可以利用历史气象数据进行分析，常见的气象特征包括温度、降水量、风速等。根据乡村地区的要求，选择适当的气象特征。进一步的，可以根据参考时间特征，比如季节、月份、特定时间段等，结合历史气象数据进行筛选。其中，气象特征和时间特征应用于目标遥感卫星数据的筛选。遥感卫星数据通常包含大量的地球观测数据。
步骤102，对遥感卫星数据进行分类和打包，以生成多个任务文件，其中，每个任务文件对应有环境监测指标、位置标签和任务标签信息。
具体的，可以首先进行数据分类，比如对遥感卫星数据进行分类，根据预设的分类标准，将遥感卫星数据按照不同的类别进行划分。例如，可以将遥感卫星数据分为植被覆盖、水域区域、乡村建筑等。
之后，可以进行数据处理，也即可以针对每个分类的数据，进行必要的预处理和特征提取，具体可以通过遥感图像处理、图像解译、特征提取算法等技术手段，以获得所需的环境监测指标。进一步地，可以确定位置标签和任务标签，也即可以为每个数据样本添加位置标签和任务标签。位置标签表示遥感数据所处的地理位置，可以使用经纬度坐标或地理信息系统(GIS)数据来标记。任务标签表示该数据样本被用于的具体任务或应用，比如土地利用规划、灾害监测等。最后可以生成任务文件：根据已分类和标记的数据，逐个创建任务文件。每个任务文件应包含相应的环境监测指标、位置标签和任务。可以使用文本格式(如CSV)或专用的地理信息数据格式(如GeoJSON)来存储任务文件。最后可以将将遥感卫星数据分类、处理和标记，以生成多个任务文件，其中包含了环境监测指标、位置标签和任务标签信息，这些任务文件可以用于后续的分析、应用或共享。
可选的，可以首先获取指定历史时期的多个环境质检任务的信息，其中，环境质检任务的信息包括监测位置、任务标签和任务所用遥感数据，然后可以确定与目标乡村当前的发展战略相关的第一环境质检任务、必要环境质检任务和常规环境质检任务，之后确定多个环境质检任务的信息中与第一环境质检任务、必要环境质检任务和常规环境质检任务相关联的第一信息，最后基于第一信息，对遥感卫星数据进行分类和打包，以生成多个任务文件。
其中，监测位置可以为目标乡村地区的经纬度信息。
其中，第一环境质检任务可以为与目标乡村的发展战略相关的环境质检任务，可以为一个或者多个。
其中，必要环境质检任务可以为与重要的生态、环境或社区发展问题有关的环境质检任务。常规环境质检任务可以为常规性的环境质检任务，用于保持日常监测和评估。
其中，第一环境质检任务可以为根据目标乡村的发展战略和优先事项，选择第一个与该战略直接相关的环境质检任务。
与目标乡村当前的发展战略相关的第一环境质检任务可以包含：
水质检测任务：确保乡村地区的水源、饮用水和农田灌溉水的质量，检测水中的化学物质、微生物和重金属等有害物质的含量。
必要环境质检任务通常是针对具体的环境风险或关注的问题而设计的。以下是一些可能的必要环境质检任务的例子：
土壤污染检测任务：检测土壤中可能存在的污染物，如重金属、化学农药和工业废弃物等，以评估土壤的污染情况。空气质量监测任务：监测空气中的污染物含量，例如颗粒物(PM2.5和PM10)、二氧化硫、氮氧化物和挥发性有机化合物等。生物多样性调查和评估乡村地区的生物多样性，包括动植物种类、数量和生态系统健康状况等。常规环境质检任务是为了长期监测环境状况并进行管理和改进而执行的。一些常规环境质检任务可能包括：噪音监测：监测噪音水平，评估噪音对居民、野生动物和农作物的潜影响。废水排放检测：检测工业企业、农田排污口等的废水排放情况，确保符合相应的环境排放标准。固体废弃物管理：监督乡村地区的固体废弃物处理和回收情况，推动可持续废弃物管理做法的实施。
进一步的，可以确定各个环境质检任务与第一环境质检任务、必要环境质检任务和常规环境质检任务相关联的第一信息，根据指定历史时期的多个环境质检任务的监测位置、任务标签和任务所使用的遥感数据，分析它们与第一环境质检任务、必要环境质检任务和常规环境质检任务之间的关联。
具体的，可以确定各个与这些任务相关联的首要信息，可能涉及地理、环境指标、社会经济数据等方面。对遥感卫星数据进行分类和打包：根据第一信息的分析结果，对相应的遥感卫星数据进行分类，并将相关数据打包生成多个任务文件，以便日后使用和参考。
作为一种示例，可以将获取得到的遥感卫星数据打包生成多个任务文件。
其中，每个任务文件有对应的环境监测指标、位置标签和任务标签信息。需要说明的是，每个任务文件有对应的环境监测指标、位置标签和任务标签信息与第一信息关联。
举例来说，可以确定第一环境质检任务、必要环境质检任务和常规环境质检任务对应的各个监测位置、各个环境监测指标、任务标签，以及指定历史时期的多个环境质检任务对应的监测位置、环境监测指标、任务标签，进而通过比较各个环境质检任务和第一环境质检任务、必要环境质检任务和常规环境质检任务，从而确定指定历史时期各个环境质检任务和第一环境质检任务、必要环境质检任务和常规环境质检任务共同包含的监测位置、各个环境监测指标、任务标签，进而根据与每个监测位置、任务标签以及各个环境监测指标关联的各个任务文件，其中，任务文件中包含有任务所用遥感数据。需要说明的是，由此，能够根据第一环境质检任务、必要环境质检任务和常规环境质检任务生成对应的任务文件，以满足用户对各个维度的任务处理请求，从而能够提高任务处理效率和任务处理速度，使得用户在发送任务处理请求之后，可以直接获取到更有价值的遥感卫星数据。
步骤103，响应于接收到用户发送的任务处理请求，从多个任务文件中获取目标文件，其中，任务处理请求中包含有待监测位置、待监测指标和任务类型。
可选的，可以根据所述任务处理请求中包含的待监测位置和任务类型，以及每个所述任务文件对应的位置标签和任务标签信息，从所述多个任务文件中筛选出第一任务文件，之后可以响应与确定所述第一任务文件对应的至少一个环境监测指标包含所述任务处理请求中包含的待监测指标的情况下，确定所述第一任务文件为所述目标文件。
具体的，可以根据任务处理请求中的待监测位置和任务类型，以及每个任务文件的位置标签和任务标签信息，从多个任务文件中筛选出第一个任务文件。确定目标文件时，需确保至少有一个环境监测指标与任务处理请求中的待监测指标相匹配。
步骤104，基于任务处理请求，对目标文件进行处理，以得到与任务处理请求对应的环境监测结果。
可选的，可以首先基于任务类型，确定待选用的各个神经网络模型，以及每个神经网络模型对应的输入参数类型，然后可以从目标任务文件中获取与输入参数类型对应的输入数据，之后可以将每个输入数据输入至对应的神经网络模型中，以获取每个神经网络模型的输出结果，最后可以根据各个输出结果，生成环境监测结果，然后将环境监测结果发送给终端设备进行可视化展示。
举例来说，与任务类型A关联的待选用的各个神经网络模型用于进行具体环境监测任务，例如图像分类、目标检测、语音识别等，因而可以有对应的图像分类模型、目标检测模型，语音识别模型。
在选择神经网络模型时，可以根据任务类型选择合适的神经网络模型，例如卷积神经网络(Convolutional Neural Network,CNN)用于图像分类和目标检测，循环神经网络Recurrent Neural Network,RNN)用于语音识别等，可以使用已经训练好的模型或自行训练新模型。之后，可以根据所选神经网络模型的要求，确定每个模型所需的输入参数类型。例如，CNN通常接受图像数据作为输入，在图像分类任务中可能需要RGB图像数据，而RNN则需要逐个时间步的语音信号等，最后可以从目标任务文件中获取与所选神经网络模型对应的输入数据，为了确保数据格式符合模型的要求，可能需要进行预处理和转换操作。然后可以输入数据到模型，将每个输入数据输入到对应的神经网络模型中进行推理或预测，获得每个模型的输出结果。
进一步地，可以根据各个神经网络模型的输出结果，结合任务需求和业务逻辑，生成环境监测结果。例如，对于图像分类任务，可以通过解码预测标签来获得分类结果，对于目标检测任务，可以根据模型输出的边界框参数来确定检测到的对象及其位置等。
其中，环境监测结果可以是各个输出结果的集合，或者可以是按照具体的任务需求和业务逻辑所确定的环境监测结果。比如，根据多个输出结果可以确定目标乡村地区的生态环境状态，或者物种的流动状态，多样性，在此不进行限定。
最后，可以进行可视化展示，也即可以将生成的环境监测结果发送给终端设备，例如通过应用程序或网页进行可视化展示，以便用户或操作者进行实时监测和分析。
本公开实施例中，首先获取目标乡村地区对应的遥感卫星数据，并对遥感卫星数据进行预处理，其中，遥感卫星数据包括光学影像、高光谱影像和雷达影像，然后对遥感卫星数据进行分类和打包，以生成多个任务文件，其中，每个任务文件对应有环境监测指标、位置标签和任务标签信息，之后响应于接收到用户发送的任务处理请求，从多个任务文件中获取目标文件，其中，任务处理请求中包含有待监测位置、待监测指标和任务类型，最后基于任务处理请求，对目标文件进行处理，以得到与任务处理请求对应的环境监测结果。由此，通过获取目标乡村地区的遥感卫星数据，包括光学影像、高光谱影像和雷达影像以及预处理，可以减少噪音、增强图像质量，并提取特征用于后续分类和分析。之后可以进行数据分类和打包，通过对遥感卫星数据进行分类和打包，生成多个任务文件。每个任务文件包含标签和任务标签等信息，有助于组织和管理数据，并方便后续的任务处理。之后进行了任务请求响应，系统能够接收用户发送的任务处理目标文件，灵活性和响应够根据用户需求快速定位和获取相应数据进行环境监测结果生成，基于任务处理请求标文件进行处理，得到与请求相对应的环境监测结果。由此，可以提取乡村地区的环境监测信息，为相关决策和研究提供有效依据。可以根据用户的任务处理请求为用户调用最适合的任务文件，从而解决用户对目标乡村地区的环境监测需求，精确度高，具有提供准确、高效的乡村环境监测能力，有助于改善决策和规划。
为了实现上述实施例，本公开还提出一种基于遥感卫星数据的乡村人居环境动态监测装置。
图2为本公开第二实施例所提供的基于遥感卫星数据的乡村人居环境动态监测装置的结构框图。
如图2所示，该基于遥感卫星数据的乡村人居环境动态监测装置400可以包括：
获取模块210，用于获取目标乡村地区对应的遥感卫星数据，并对所述遥感卫星数据进行预处理，其中，所述遥感卫星数据包括光学影像、高光谱影像和雷达影像；
生成模块220，用于对所述遥感卫星数据进行分类和打包，以生成多个任务文件，其中，每个所述任务文件对应有环境监测指标、位置标签和任务标签信息；
接收模块230，用于响应于接收到用户发送的任务处理请求，从所述多个任务文件中获取目标文件，其中，所述任务处理请求中包含有待监测位置、待监测指标和任务类型；
处理模块240，用于基于所述任务处理请求，对所述目标文件进行处理，以得到与所述任务处理请求对应的环境监测结果。
可选的，所述生成模块，具体用于：
获取指定历史时期的多个环境质检任务的信息，其中，所述环境质检任务的信息包括监测位置、任务标签和任务所用遥感数据；
确定与所述目标乡村当前的发展战略相关的第一环境质检任务、必要环境质检任务和常规环境质检任务；
确定所述多个环境质检任务的信息中与所述第一环境质检任务、必要环境质检任务和常规环境质检任务相关联的第一信息；
基于所述第一信息，对所述遥感卫星数据进行分类和打包，以生成多个任务文件。
可选的，所述接收模块，具体用于：
根据所述任务处理请求中包含的待监测位置和任务类型，以及每个所述任务文件对应的位置标签和任务标签信息，从所述多个任务文件中筛选出第一任务文件；
响应与确定所述第一任务文件对应的至少一个环境监测指标包含所述任务处理请求中包含的待监测指标的情况下，确定所述第一任务文件为所述目标文件。
可选的，所述处理模块，具体用于：
基于所述任务类型，确定待选用的各个神经网络模型，以及每个所述神经网络模型对应的输入参数类型；
从所述目标任务文件中获取与所述输入参数类型对应的输入数据；
将每个所述输入数据输入至对应的所述神经网络模型中，以获取每个所述神经网络模型的输出结果；
根据各个所述输出结果，生成环境监测结果；
将所述环境监测结果发送给终端设备进行可视化展示。
可选的，所述获取模块，还用于：
根据所述目标乡村地区对应的历史气象数据，以及所述历史气象数据对应的获取时间，确定参考气象特征和参考时间特征；
基于所述参考气象特征和所述参考时间特征，对所述遥感卫星数据进行筛选，以得到目标遥感卫星数据。
本公开实施例中，首先获取目标乡村地区对应的遥感卫星数据，并对遥感卫星数据进行预处理，其中，遥感卫星数据包括光学影像、高光谱影像和雷达影像，然后对遥感卫星数据进行分类和打包，以生成多个任务文件，其中，每个任务文件对应有环境监测指标、位置标签和任务标签信息，之后响应于接收到用户发送的任务处理请求，从多个任务文件中获取目标文件，其中，任务处理请求中包含有待监测位置、待监测指标和任务类型，最后基于任务处理请求，对目标文件进行处理，以得到与任务处理请求对应的环境监测结果。由此，通过获取目标乡村地区的遥感卫星数据，包括光学影像、高光谱影像和雷达影像以及预处理，可以减少噪音、增强图像质量，并提取特征用于后续分类和分析。之后可以进行数据分类和打包，通过对遥感卫星数据进行分类和打包，生成多个任务文件。每个任务文件包含标签和任务标签等信息，有助于组织和管理数据，并方便后续的任务处理。之后进行了任务请求响应，系统能够接收用户发送的任务处理目标文件，灵活性和响应够根据用户需求快速定位和获取相应数据进行环境监测结果生成，基于任务处理请求标文件进行处理，得到与请求相对应的环境监测结果。由此，可以提取乡村地区的环境监测信息，为相关决策和研究提供有效依据。可以根据用户的任务处理请求为用户调用最适合的任务文件，从而解决用户对目标乡村地区的环境监测需求，精确度高，具有提供准确、高效的乡村环境监测能力，有助于改善决策和规划。
为了实现上述实施例，本公开还提出一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如本公开前述实施例提出的基于遥感卫星数据的乡村人居环境动态监测方法。
为了实现上述实施例，本公开还提出一种非临时性计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现如本公开前述实施例提出的基于遥感卫星数据的乡村人居环境动态监测方法。
为了实现上述实施例，本公开还提出一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行如本公开前述实施例提出的基于遥感卫星数据的乡村人居环境动态监测方法。
图3示出了适于用来实现本公开实施方式的示例性计算机设备的框图。图3显示的计算机设备12仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于遥感卫星数据的乡村人居环境动态监测方法，其特征在于，包括：
获取目标乡村地区对应的遥感卫星数据，并对所述遥感卫星数据进行预处理，其中，所述遥感卫星数据包括光学影像、高光谱影像和雷达影像；
对所述遥感卫星数据进行分类和打包，以生成多个任务文件，其中，每个所述任务文件对应有环境监测指标、位置标签和任务标签信息；
响应于接收到用户发送的任务处理请求，从所述多个任务文件中获取目标文件，其中，所述任务处理请求中包含有待监测位置、待监测指标和任务类型；
基于所述任务处理请求，对所述目标文件进行处理，以得到与所述任务处理请求对应的环境监测结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述遥感卫星数据进行分类和打包，以生成多个任务文件，其中，每个所述任务文件对应有环境监测指标、位置标签和任务标签信息，包括：
获取指定历史时期的多个环境质检任务的信息，其中，所述环境质检任务的信息包括监测位置、任务标签和任务所用遥感数据；
确定与所述目标乡村当前的发展战略相关的第一环境质检任务、必要环境质检任务和常规环境质检任务；
确定所述多个环境质检任务的信息中与所述第一环境质检任务、必要环境质检任务和常规环境质检任务相关联的第一信息；
基于所述第一信息，对所述遥感卫星数据进行分类和打包，以生成多个任务文件。
3.根据权利要要求1所述的方法，其特征在于，所述响应于接收到用户发送的任务处理请求，从所述多个任务文件中获取目标文件，其中，所述任务处理请求中包含有待监测位置、待监测指标和任务类型，包括：
根据所述任务处理请求中包含的待监测位置和任务类型，以及每个所述任务文件对应的位置标签和任务标签信息，从所述多个任务文件中筛选出第一任务文件；
响应与确定所述第一任务文件对应的至少一个环境监测指标包含所述任务处理请求中包含的待监测指标的情况下，确定所述第一任务文件为所述目标文件。
4.根据权利要求1所述的方法，其特征在于，所述基于所述任务处理请求，对所述目标文件进行处理，以得到与所述任务处理请求对应的环境监测结果，包括：
基于所述任务类型，确定待选用的各个神经网络模型，以及每个所述神经网络模型对应的输入参数类型；
从所述目标任务文件中获取与所述输入参数类型对应的输入数据；
将每个所述输入数据输入至对应的所述神经网络模型中，以获取每个所述神经网络模型的输出结果；
根据各个所述输出结果，生成环境监测结果；
将所述环境监测结果发送给终端设备进行可视化展示。
5.根据权利要求1所述的方法，其特征在于，在所述获取目标乡村地区对应的遥感卫星数据之后，还包括：
根据所述目标乡村地区对应的历史气象数据，以及所述历史气象数据对应的获取时间，确定参考气象特征和参考时间特征；
基于所述参考气象特征和所述参考时间特征，对所述遥感卫星数据进行筛选，以得到目标遥感卫星数据。
6.一种基于遥感卫星数据的乡村人居环境动态监测装置，其特征在于，包括：
获取模块，用于获取目标乡村地区对应的遥感卫星数据，并对所述遥感卫星数据进行预处理，其中，所述遥感卫星数据包括光学影像、高光谱影像和雷达影像；
生成模块，用于对所述遥感卫星数据进行分类和打包，以生成多个任务文件，其中，每个所述任务文件对应有环境监测指标、位置标签和任务标签信息；
接收模块，用于响应于接收到用户发送的任务处理请求，从所述多个任务文件中获取目标文件，其中，所述任务处理请求中包含有待监测位置、待监测指标和任务类型；
处理模块，用于基于所述任务处理请求，对所述目标文件进行处理，以得到与所述任务处理请求对应的环境监测结果。
7.根据权利要求6所述的装置，其特征在于，所述生成模块，具体用于：
获取指定历史时期的多个环境质检任务的信息，其中，所述环境质检任务的信息包括监测位置、任务标签和任务所用遥感数据；
确定与所述目标乡村当前的发展战略相关的第一环境质检任务、必要环境质检任务和常规环境质检任务；
确定所述多个环境质检任务的信息中与所述第一环境质检任务、必要环境质检任务和常规环境质检任务相关联的第一信息；
基于所述第一信息，对所述遥感卫星数据进行分类和打包，以生成多个任务文件。
8.根据权利要要求6所述的装置，其特征在于，所述接收模块，具体用于：
根据所述任务处理请求中包含的待监测位置和任务类型，以及每个所述任务文件对应的位置标签和任务标签信息，从所述多个任务文件中筛选出第一任务文件；
响应与确定所述第一任务文件对应的至少一个环境监测指标包含所述任务处理请求中包含的待监测指标的情况下，确定所述第一任务文件为所述目标文件。
9.根据权利要求6所述的装置，其特征在于，所述处理模块，具体用于：
基于所述任务类型，确定待选用的各个神经网络模型，以及每个所述神经网络模型对应的输入参数类型；
从所述目标任务文件中获取与所述输入参数类型对应的输入数据；
将每个所述输入数据输入至对应的所述神经网络模型中，以获取每个所述神经网络模型的输出结果；
根据各个所述输出结果，生成环境监测结果；
将所述环境监测结果发送给终端设备进行可视化展示。
10.根据权利要求6所述的装置，其特征在于，所述获取模块，还用于：
根据所述目标乡村地区对应的历史气象数据，以及所述历史气象数据对应的获取时间，确定参考气象特征和参考时间特征；
基于所述参考气象特征和所述参考时间特征，对所述遥感卫星数据进行筛选，以得到目标遥感卫星数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311031557.7A CN116883950A (zh) | 2023-08-15 | 2023-08-15 | 基于遥感卫星数据的乡村人居环境动态监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311031557.7A CN116883950A (zh) | 2023-08-15 | 2023-08-15 | 基于遥感卫星数据的乡村人居环境动态监测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116883950A true CN116883950A (zh) | 2023-10-13 |
Family
ID=88268271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311031557.7A Pending CN116883950A (zh) | 2023-08-15 | 2023-08-15 | 基于遥感卫星数据的乡村人居环境动态监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116883950A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117392557A (zh) * | 2023-11-27 | 2024-01-12 | 南京博地源空间信息科技集团有限公司 | 一种用于乡村振兴的公共空间数字化治理方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102169557A (zh) * | 2011-03-10 | 2011-08-31 | 王桥 | 环境遥感应用系统 |
| KR20160092672A (ko) * | 2015-01-28 | 2016-08-05 | 주식회사 솔탑 | 기상 환경 위성영상처리 장치 및 시스템, 및 이를 이용한 방법 |
| CN108959958A (zh) * | 2018-06-14 | 2018-12-07 | 中国人民解放军战略支援部队航天工程大学 | 一种关联大数据的隐私保护方法及系统 |
| US20190316908A1 (en) * | 2016-12-31 | 2019-10-17 | Huazhong University Of Science And Technology | Master control system for satellite image processing |
| CN110533239A (zh) * | 2019-08-23 | 2019-12-03 | 中南大学 | 一种智慧城市空气品质高精度测量方法 |
| CN110555551A (zh) * | 2019-08-23 | 2019-12-10 | 中南大学 | 一种智慧城市的空气质量大数据管理方法及系统 |
| CN111079515A (zh) * | 2019-10-29 | 2020-04-28 | 深圳先进技术研究院 | 基于遥感大数据的区域监测方法、装置、终端及存储介质 |
| CN111881966A (zh) * | 2020-07-20 | 2020-11-03 | 北京市商汤科技开发有限公司 | 神经网络训练方法、装置、设备和存储介质 |
| CN112836801A (zh) * | 2021-02-03 | 2021-05-25 | 上海商汤智能科技有限公司 | 深度学习网络确定方法、装置、电子设备及存储介质 |
| CN113407596A (zh) * | 2021-06-23 | 2021-09-17 | 北京华云星地通科技有限公司 | 基于交叉辐射定标的气象遥感数据精度检验分析系统 |
| CN113761012A (zh) * | 2020-06-05 | 2021-12-07 | 义乌市时空人工智能有限公司 | 遥感数据的分析可视化方法、服务器及存储介质 |
| CN114782836A (zh) * | 2022-05-06 | 2022-07-22 | 江西省天轴通讯有限公司 | 基于卫星遥感影像及图像智能分析的生态监管方法和系统 |
| WO2023279963A1 (zh) * | 2021-07-05 | 2023-01-12 | 上海商汤智能科技有限公司 | 一种神经网络训练方法、装置、计算机设备、存储介质及程序 |
| CN115687718A (zh) * | 2022-10-31 | 2023-02-03 | 云南电网有限责任公司电力科学研究院 | 卫星遥感数据获取方法、装置、电子设备及存储介质 |
| CN116384844A (zh) * | 2023-06-07 | 2023-07-04 | 广东省科学院广州地理研究所 | 基于地理信息云平台的决策方法及装置 |
-
2023
- 2023-08-15 CN CN202311031557.7A patent/CN116883950A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102169557A (zh) * | 2011-03-10 | 2011-08-31 | 王桥 | 环境遥感应用系统 |
| KR20160092672A (ko) * | 2015-01-28 | 2016-08-05 | 주식회사 솔탑 | 기상 환경 위성영상처리 장치 및 시스템, 및 이를 이용한 방법 |
| US20190316908A1 (en) * | 2016-12-31 | 2019-10-17 | Huazhong University Of Science And Technology | Master control system for satellite image processing |
| CN108959958A (zh) * | 2018-06-14 | 2018-12-07 | 中国人民解放军战略支援部队航天工程大学 | 一种关联大数据的隐私保护方法及系统 |
| CN110533239A (zh) * | 2019-08-23 | 2019-12-03 | 中南大学 | 一种智慧城市空气品质高精度测量方法 |
| CN110555551A (zh) * | 2019-08-23 | 2019-12-10 | 中南大学 | 一种智慧城市的空气质量大数据管理方法及系统 |
| CN111079515A (zh) * | 2019-10-29 | 2020-04-28 | 深圳先进技术研究院 | 基于遥感大数据的区域监测方法、装置、终端及存储介质 |
| CN113761012A (zh) * | 2020-06-05 | 2021-12-07 | 义乌市时空人工智能有限公司 | 遥感数据的分析可视化方法、服务器及存储介质 |
| CN111881966A (zh) * | 2020-07-20 | 2020-11-03 | 北京市商汤科技开发有限公司 | 神经网络训练方法、装置、设备和存储介质 |
| CN112836801A (zh) * | 2021-02-03 | 2021-05-25 | 上海商汤智能科技有限公司 | 深度学习网络确定方法、装置、电子设备及存储介质 |
| CN113407596A (zh) * | 2021-06-23 | 2021-09-17 | 北京华云星地通科技有限公司 | 基于交叉辐射定标的气象遥感数据精度检验分析系统 |
| WO2023279963A1 (zh) * | 2021-07-05 | 2023-01-12 | 上海商汤智能科技有限公司 | 一种神经网络训练方法、装置、计算机设备、存储介质及程序 |
| CN114782836A (zh) * | 2022-05-06 | 2022-07-22 | 江西省天轴通讯有限公司 | 基于卫星遥感影像及图像智能分析的生态监管方法和系统 |
| CN115687718A (zh) * | 2022-10-31 | 2023-02-03 | 云南电网有限责任公司电力科学研究院 | 卫星遥感数据获取方法、装置、电子设备及存储介质 |
| CN116384844A (zh) * | 2023-06-07 | 2023-07-04 | 广东省科学院广州地理研究所 | 基于地理信息云平台的决策方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 陈梅: "基于J2EE和工作流技术的工程项目财务管理系统的设计与实现", 中国优秀硕士学位论文全文数据库 信息科技辑, vol. 2016, no. 3, pages 138 - 3600 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117392557A (zh) * | 2023-11-27 | 2024-01-12 | 南京博地源空间信息科技集团有限公司 | 一种用于乡村振兴的公共空间数字化治理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Demuzere et al. | LCZ Generator: a web application to create Local Climate Zone maps | |
| Hollings et al. | How do you find the green sheep? A critical review of the use of remotely sensed imagery to detect and count animals | |
| Steger et al. | The influence of systematically incomplete shallow landslide inventories on statistical susceptibility models and suggestions for improvements | |
| Giri et al. | Understanding the relationship of land uses and water quality in Twenty First Century: A review | |
| CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
| Donager et al. | Adjudicating perspectives on forest structure: how do airborne, terrestrial, and mobile lidar-derived estimates compare? | |
| Niedballa et al. | Defining habitat covariates in camera-trap based occupancy studies | |
| Kusuma et al. | Pm2. 5 pollutant in asia—a comparison of metropolis cities in indonesia and taiwan | |
| CN116883950A (zh) | 基于遥感卫星数据的乡村人居环境动态监测方法及装置 | |
| Lenton et al. | A simple non-parametric GIS model for predicting species distribution: endemic birds in Bioko Island, West Africa | |
| Kimijima et al. | Characterizing time-series roving artisanal and small-scale gold mining activities in Indonesia using sentinel-1 data | |
| WO2023007398A1 (en) | System and method for natural capital measurement | |
| Paredes-Trejo et al. | Impact of drought on land productivity and degradation in the Brazilian semiarid region | |
| Wicks et al. | Polygon-based aggregation of remotely sensed data for regional ecological analyses | |
| Islam et al. | State-level multidimensional agricultural drought susceptibility and risk assessment for agriculturally prominent areas | |
| Bhatnagar et al. | Mapping wheel-ruts from timber harvesting operations using deep learning techniques in drone imagery | |
| Wang et al. | Patterns and trends in land-use land-cover change research explored using self-organizing map | |
| Groom et al. | Historical maps machine learning helps us over the map vectorisation crux | |
| Labrousse et al. | Quantifying the causes and consequences of variation in satellite‐derived population indices: a case study of emperor penguins | |
| Bartalev et al. | Investigation of ICESat-2 Data Capabilities for Forest-Height Estimation over Russia | |
| Kato | Integrating openstreetmap data in object based landcover and landuse classification for disaster recovery | |
| Petit et al. | A new Earth observation service based on sentinel-1 and sentinel-2 time series for the monitoring of redevelopment sites in wallonia, Belgium | |
| Ivanda et al. | An application of 1D convolution and deep learning to remote sensing modelling of Secchi depth in the northern Adriatic Sea | |
| Aune-Lundberg et al. | Spatial transferability of vegetation types in distribution models based on sample surveys from an Alpine region | |
| Mohr et al. | Marine oil pollution in an area of high economic use: Statistical analyses of SAR data from the Western Java Sea |
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 |