CN117218551A - 一种基于误差分析的估测算法优化方法及装置 - Google Patents
一种基于误差分析的估测算法优化方法及装置 Download PDFInfo
- Publication number
- CN117218551A CN117218551A CN202310981248.XA CN202310981248A CN117218551A CN 117218551 A CN117218551 A CN 117218551A CN 202310981248 A CN202310981248 A CN 202310981248A CN 117218551 A CN117218551 A CN 117218551A
- Authority
- CN
- China
- Prior art keywords
- error
- watertight
- analysis
- classification
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 108
- 238000001228 spectrum Methods 0.000 claims abstract description 43
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 22
- 238000002310 reflectometry Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 14
- 238000007635 classification algorithm Methods 0.000 claims description 11
- 239000002689 soil Substances 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于误差分析的估测算法优化方法及装置,该方法包括:获取目标估测地表区域的训练样本影像和高分辨率影像;确定所述训练样本影像对应的不透水密度参数;将所述训练样本影像和对应的不透水密度参数作为训练数据集,训练用于估测不透水密度的分类与回归树模型;根据线性光谱混合分析方法,对所述训练样本影像进行分析,以得到光谱分析结果;对所述分类与回归树模型的预测结果,以及所述光谱分析结果进行误差分析,以得到误差来源结果;根据所述误差来源结果,确定误差调整规则。可见,本发明能够有效避免单一算法的误差对估测精度的影响,实现集成式的估测模型的误差分析,显著优化不透水面估测精度。
Description
技术领域
本发明涉及遥感数据处理技术领域,尤其涉及一种基于误差分析的估测算法优化方法及装置。
背景技术
遥感技术由于其巨大的空间覆盖度、高时间分辨率和普遍适用性,被广泛应用于人造地表的提取。然而,在城市地区,中分辨率图像中的大多数像元是混合的,由多种土地利用类型组成。为了评估每个像元的人造地表在其中所占比例,近年来利用亚像元不透水面估测模型方法估测不透水面方法得到了发展。
不透水表面是指水不能渗入土壤的人工区域,包括道路、车道、人行道、停车场、屋顶等。不透水面是理解许多环境问题的关键指标,例如城市韧性、城市热岛、城市内涝和水质恶化等。有效地提取不透水面是人造地表提取的基础,现有的算法技术包括线性光谱混合分析和分类与回归树,但这两种常用方法均难以应对城市地表的高度异质性所带来的挑战。线性光谱混合分析方法的准确性仍然受制于以下问题:首先,光谱特征的可变性会导致低反照率不透水表面与水和阴影混淆,高反照率不透水表面与沙质裸土混淆。其次,在不透水表面分布复杂的区域,可能会出现误估。这些问题可能会影响线性光谱分析方法的准确性。而分类与回归树的总体精度往往比线性模型更高,但同样也受制于自身系统误差,高密度不透水表面往往被低估,而低密度不透水表面被高估
现有技术在应用这些技术时一方面没有充分考虑到利用误差分析进行误差校正,另一方面也没有综合考虑对两种方法进行集成。可见,现有技术存在缺陷,亟需解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于误差分析的估测算法优化方法及装置,能够有效避免单一算法的误差对估测精度的影响,实现集成式的估测模型的误差分析,显著优化不透水面估测精度。
为了解决上述技术问题,本发明第一方面公开了一种基于误差分析的估测算法优化方法,所述方法包括:
获取目标估测地表区域的训练样本影像和高分辨率影像;
基于所述高分辨率影像和面对对象分类算法,确定所述训练样本影像对应的不透水密度参数;
将所述训练样本影像和对应的不透水密度参数作为训练数据集,训练用于估测不透水密度的分类与回归树模型;
根据线性光谱混合分析方法,对所述训练样本影像进行分析,以得到光谱分析结果;
对所述分类与回归树模型的预测结果,以及所述光谱分析结果进行误差分析,以得到误差来源结果;
根据所述误差来源结果,确定所述分类与回归树模型和所述线性光谱混合分析方法的误差调整规则;所述误差调整规则用于在后续利用所述分类与回归树模型和所述线性光谱混合分析进行不透水密度参数的估测时对估测结果进行调整。
作为一个可选的实施方式,在本发明第一方面中,所述基于所述高分辨率影像和面对对象分类算法,确定所述训练样本影像对应的不透水密度参数,包括:
基于面向对象分类从所述高分辨率影像中提取不透水表面影像;
将所述不透水表面影像中的错误分类结果,基于人工检查和视觉解释进行修改;所述错误分类结果包括阴影影像、水影像和植被影像中的一种或多种;
对所述不透水表面影像进行合并,以分别生成不透水与非不透水的二值栅格图像;
将不透水与非不透水的二值栅格图像与所述高分辨率影像对应的网格叠加,以计算所述高分辨率影像中每个像元中不透水面所占的比例,得到所述训练样本影像对应的不透水密度参数。
作为一个可选的实施方式,在本发明第一方面中,所述将所述训练样本影像和对应的不透水密度参数作为训练数据集,训练用于估测不透水密度的分类与回归树模型,包括:
将所述训练样本影像中每个波段的反射率作为变量,将所述不透水密度参数作为自变量,通过Cubist工具建立并训练用于估测不透水密度的分类与回归树模型。
作为一个可选的实施方式,在本发明第一方面中,所述根据线性光谱混合分析方法,对所述训练样本影像进行分析,以得到光谱分析结果,包括:
排除所述训练样本影像中由纯像素组成的水体影像;
基于最小噪声分离变换算法,对所述训练样本影像进行处理,得到多个压缩组分影像;
计算所述多个压缩组分影像对应的像素纯度指数,选择包括不透水面在内的端元;
基于以下公式计算所述训练样本影像中植被、不透水层以及土壤的纯净像元端元fk所占的比例,得到光谱分析结果:
式中,Ri为第i波段反射率,k为端元种类,fk为端元k在像元中所占比例,即待求解的丰度,Rik为端元k在波段i的反射率,为已知的参数,ERi为误差;在求解fk时,还需要满足以下约束条件:
式中,fk大于0。
作为一个可选的实施方式,在本发明第一方面中,所述对所述分类与回归树模型的预测结果,以及所述光谱分析结果进行误差分析,以得到误差来源结果,包括:
基于多种误差计算方法,以及预设的验证数据集,分别对所述分类与回归树模型的预测结果,以及所述光谱分析结果进行误差分析,以得到所述分类与回归树模型对应的误差来源结果,和所述线性光谱混合分析方法的误差来源结果。
作为一个可选的实施方式,在本发明第一方面中,所述误差计算方法包括交叉验证散点图计算方法、残差计算方法、均方根误差计算方法、平均绝对误差计算方法中的一种或多种;所述误差来源结果包括区域地表类型、地表参数和对应的误差参数。
作为一个可选的实施方式,在本发明第一方面中,所述方法还包括:
获取待预测地表区域的预测影像信息;
根据所述分类与回归树模型和对应的误差调整规则,对所述预测影像信息进行估测,以得到第一估测结果;
根据所述线性光谱混合分析方法和对应的误差调整规则,对所述预测影像信息进行估测,以得到第二估测结果;
根据所述第一估测结果和所述第二估测结果,确定所述待预测地表区域对应的不透水密度估测结果。
作为一个可选的实施方式,在本发明第一方面中,所述根据所述第一估测结果和所述第二估测结果,确定所述待预测地表区域对应的不透水密度估测结果,包括:
计算与所述分类与回归树模型对应的历史误差分析结果中的误差程度成正比的参数,以得到所述第一估测结果对应的权重;
计算与所述线性光谱混合分析方法对应的历史误差分析结果中的误差程度成正比的参数,以得到所述第二估测结果对应的权重;
计算所述第一估测结果和所述第二估测结果的加权求和平均值,以得到所述待预测地表区域对应的不透水密度估测结果;其中,当所述分类与回归树模型的训练预测准确率大于第一阈值时,所述第一估测结果的权重大于所述第二估测结果的权重,否则所述第一估测结果的权重小于所述第二估测结果的权重。
本发明第二方面公开了一种基于误差分析的估测算法优化装置,所述装置包括:
获取模块,用于获取目标估测地表区域的训练样本影像和高分辨率影像;
第一确定模块,用于基于所述高分辨率影像和面对对象分类算法,确定所述训练样本影像对应的不透水密度参数;
训练模块,用于将所述训练样本影像和对应的不透水密度参数作为训练数据集,训练用于估测不透水密度的分类与回归树模型;
第一分析模块,用于根据线性光谱混合分析方法,对所述训练样本影像进行分析,以得到光谱分析结果;
第二分析模块,用于对所述分类与回归树模型的预测结果,以及所述光谱分析结果进行误差分析,以得到误差来源结果;
第二确定模块,用于根据所述误差来源结果,确定所述分类与回归树模型和所述线性光谱混合分析方法的误差调整规则;所述误差调整规则用于在后续利用所述分类与回归树模型和所述线性光谱混合分析进行不透水密度参数的估测时对估测结果进行调整。
作为一个可选的实施方式,在本发明第二方面中,所述第一确定模块基于所述高分辨率影像和面对对象分类算法,确定所述训练样本影像对应的不透水密度参数的具体方式,包括:
基于面向对象分类从所述高分辨率影像中提取不透水表面影像;
将所述不透水表面影像中的错误分类结果,基于人工检查和视觉解释进行修改;所述错误分类结果包括阴影影像、水影像和植被影像中的一种或多种;
对所述不透水表面影像进行合并,以分别生成不透水与非不透水的二值栅格图像;
将不透水与非不透水的二值栅格图像与所述高分辨率影像对应的网格叠加,以计算所述高分辨率影像中每个像元中不透水面所占的比例,得到所述训练样本影像对应的不透水密度参数。
作为一个可选的实施方式,在本发明第二方面中,所述训练模块将所述训练样本影像和对应的不透水密度参数作为训练数据集,训练用于估测不透水密度的分类与回归树模型的具体方式,包括:
将所述训练样本影像中每个波段的反射率作为变量,将所述不透水密度参数作为自变量,通过Cubist工具建立并训练用于估测不透水密度的分类与回归树模型。
作为一个可选的实施方式,在本发明第二方面中,所述第一分析模块根据线性光谱混合分析方法,对所述训练样本影像进行分析,以得到光谱分析结果的具体方式,包括:
排除所述训练样本影像中由纯像素组成的水体影像;
基于最小噪声分离变换算法,对所述训练样本影像进行处理,得到多个压缩组分影像;
计算所述多个压缩组分影像对应的像素纯度指数,选择包括不透水面在内的端元;
基于以下公式计算所述训练样本影像中植被、不透水层以及土壤的纯净像元端元fk所占的比例,得到光谱分析结果:
式中,Ri为第i波段反射率,k为端元种类,fk为端元k在像元中所占比例,即待求解的丰度,Rik为端元k在波段i的反射率,为已知的参数,ERi为误差;在求解fk时,还需要满足以下约束条件:
式中,fk大于0。
作为一个可选的实施方式,在本发明第二方面中,所述第二分析模块对所述分类与回归树模型的预测结果,以及所述光谱分析结果进行误差分析,以得到误差来源结果的具体方式,包括:
基于多种误差计算方法,以及预设的验证数据集,分别对所述分类与回归树模型的预测结果,以及所述光谱分析结果进行误差分析,以得到所述分类与回归树模型对应的误差来源结果,和所述线性光谱混合分析方法的误差来源结果。
作为一个可选的实施方式,在本发明第二方面中,所述误差计算方法包括交叉验证散点图计算方法、残差计算方法、均方根误差计算方法、平均绝对误差计算方法中的一种或多种;所述误差来源结果包括区域地表类型、地表参数和对应的误差参数。
作为一个可选的实施方式,在本发明第二方面中,所述装置还包括预测模块,用于执行以下步骤:
获取待预测地表区域的预测影像信息;
根据所述分类与回归树模型和对应的误差调整规则,对所述预测影像信息进行估测,以得到第一估测结果;
根据所述线性光谱混合分析方法和对应的误差调整规则,对所述预测影像信息进行估测,以得到第二估测结果;
根据所述第一估测结果和所述第二估测结果,确定所述待预测地表区域对应的不透水密度估测结果。
作为一个可选的实施方式,在本发明第二方面中,所述预测模块根据所述第一估测结果和所述第二估测结果,确定所述待预测地表区域对应的不透水密度估测结果的具体方式,包括:
计算与所述分类与回归树模型对应的历史误差分析结果中的误差程度成正比的参数,以得到所述第一估测结果对应的权重;
计算与所述线性光谱混合分析方法对应的历史误差分析结果中的误差程度成正比的参数,以得到所述第二估测结果对应的权重;
计算所述第一估测结果和所述第二估测结果的加权求和平均值,以得到所述待预测地表区域对应的不透水密度估测结果;其中,当所述分类与回归树模型的训练预测准确率大于第一阈值时,所述第一估测结果的权重大于所述第二估测结果的权重,否则所述第一估测结果的权重小于所述第二估测结果的权重。
本发明第三方面公开了另一种基于误差分析的估测算法优化装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于误差分析的估测算法优化方法中的部分或全部步骤。
本发明第四方面公开了一种用于海关分货的便携式终端,包括图形码扫描装置和数据处理装置,其中,所述数据处理装置用于执行本发明第一方面公开的基于误差分析的估测算法优化方法中的部分或全部步骤。
与现有技术相比,本发明具有以下有益效果:
可见,本发明实施例能够同时对线性光谱混护分析方法和分类与回归树模型两种估测算法模型的误差进行分析,以用于后续的估测优化,从而能够有效避免单一算法的误差对估测精度的影响,实现集成式的估测模型的误差分析,显著优化不透水面估测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于误差分析的估测算法优化方法的流程示意图。
图2是本发明实施例公开的一种基于误差分析的估测算法优化装置的结构示意图。
图3是本发明实施例公开的另一种基于误差分析的估测算法优化装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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作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。
本发明的说明书和权利要求书及上述附图中的术语“第二”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于误差分析的估测算法优化方法及装置,能够同时对线性光谱混护分析方法和分类与回归树模型两种估测算法模型的误差进行分析,以用于后续的估测优化,从而能够有效避免单一算法的误差对估测精度的影响,实现集成式的估测模型的误差分析,显著优化不透水面估测精度。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于误差分析的估测算法优化方法的流程示意图。其中,图1所描述的基于误差分析的估测算法优化方法应用于数据处理芯片、处理终端或处理服务器(其中,该处理服务器可以为本地服务器或云服务器)中。如图1所示,该基于误差分析的估测算法优化方法可以包括以下操作:
101、获取目标估测地表区域的训练样本影像和高分辨率影像。
102、基于高分辨率影像和面对对象分类算法,确定训练样本影像对应的不透水密度参数。
103、将训练样本影像和对应的不透水密度参数作为训练数据集,训练用于估测不透水密度的分类与回归树模型。
104、根据线性光谱混合分析方法,对训练样本影像进行分析,以得到光谱分析结果。
105、对分类与回归树模型的预测结果,以及光谱分析结果进行误差分析,以得到误差来源结果。
106、根据误差来源结果,确定分类与回归树模型和线性光谱混合分析方法的误差调整规则。
具体的,误差调整规则用于在后续利用分类与回归树模型和线性光谱混合分析进行不透水密度参数的估测时对估测结果进行调整。
可见,上述发明实施例能够同时对线性光谱混护分析方法和分类与回归树模型两种估测算法模型的误差进行分析,以用于后续的估测优化,从而能够有效避免单一算法的误差对估测精度的影响,实现集成式的估测模型的误差分析,显著优化不透水面估测精度。
作为一个可选的实施例,上述步骤中的,基于高分辨率影像和面对对象分类算法,确定训练样本影像对应的不透水密度参数,包括:
基于面向对象分类从高分辨率影像中提取不透水表面影像;
将不透水表面影像中的错误分类结果,基于人工检查和视觉解释进行修改;错误分类结果包括阴影影像、水影像和植被影像中的一种或多种;
对不透水表面影像进行合并,以分别生成不透水与非不透水的二值栅格图像;
将不透水与非不透水的二值栅格图像与高分辨率影像对应的网格叠加,以计算高分辨率影像中每个像元中不透水面所占的比例,得到训练样本影像对应的不透水密度参数。
具体的,可以在研究区中随机选取训练样本,约覆盖研究区5%左右的面积或大于等于5000个影像像元。然后利用谷歌地球、天地图或商业卫星服务商获取训练样本的高分辨率影像,使用面向对象分类从高分辨率影像中提取不透水表面,由阴影、水或小块植被引起的错误分类经过人工检查并通过视觉解释进行修改。然后将分类结果合并,生成不透水与非不透水的二值栅格图像。将分类结果与从中分辨率影像中提取的网格叠加,从而计算样本中每个像元中不透水面所占的比例。
作为一个可选的实施例,上述步骤中的,将训练样本影像和对应的不透水密度参数作为训练数据集,训练用于估测不透水密度的分类与回归树模型,包括:
将训练样本影像中每个波段的反射率作为变量,将不透水密度参数作为自变量,通过Cubist工具建立并训练用于估测不透水密度的分类与回归树模型。
具体的,将训练样本中分辨率影像各个波段反射率作为变量,将不透水密度作为自变量,即可通过开源的Cubist工具建立分类与回归树模型用于估测整个研究区域的不透水密度。
作为一个可选的实施例,上述步骤中的,根据线性光谱混合分析方法,对训练样本影像进行分析,以得到光谱分析结果,包括:
排除训练样本影像中由纯像素组成的水体影像;
基于最小噪声分离变换算法,对训练样本影像进行处理,得到多个压缩组分影像;
计算多个压缩组分影像对应的像素纯度指数,选择包括不透水面在内的端元;
基于以下公式计算训练样本影像中植被、不透水层以及土壤的纯净像元端元fk所占的比例,得到光谱分析结果:
式中,Ri为第i波段反射率,k为端元种类,fk为端元k在像元中所占比例,即待求解的丰度,Rik为端元k在波段i的反射率,为已知的参数,ERi为误差;在求解fk时,还需要满足以下约束条件:
式中,fk大于0。
具体的,在城市区域的中分辨率遥感影像中,混合像元广泛存在。这些混合像元可以被视为纯净像元(端元)的线性组合,而线性光谱混合分析方法主要通过上述步骤得到混合像元中植被、不透水层以及土壤的纯净像元端元所占的比例。
作为一个可选的实施例,上述步骤中的,对分类与回归树模型的预测结果,以及光谱分析结果进行误差分析,以得到误差来源结果,包括:
基于多种误差计算方法,以及预设的验证数据集,分别对分类与回归树模型的预测结果,以及光谱分析结果进行误差分析,以得到分类与回归树模型对应的误差来源结果,和线性光谱混合分析方法的误差来源结果。
可选的,误差计算方法包括交叉验证散点图计算方法、残差计算方法、均方根误差计算方法、平均绝对误差计算方法中的一种或多种。
可选的,误差来源结果包括区域地表类型、地表参数和对应的误差参数。
具体的,通过研究区中随机选取的验证点详细分析分类与回归树模型的误差来源,可以发现尽管分类与回归树模型准确地估测了中低密度不透水面的分布,但倾向于高估透水地表且低估高密度不透水面。这种误差分布特征已被大量现有研究证实,属于系统误差而非偶然误差。
具体的,为准确追溯分类与回归树模型的误差来源,需要参考验证点对估测结果进行量化分析。首先逐个求残差并进行箱线图统计,进而利用统计对的上下边缘值精确定位异常估测值,由此初步确定分类与回归树模型的误差来源。然后对异常估测值进行统计分析,结果显示绝大多数被异常估测的点的真实不透水密度大于0.99,而估测值显著偏低。此外,估测值为中低密度不透水面的异常点也比较多,且主要是对透水地表的高估。通过以上分析,即可精准定位分类与回归树模型的误差来源。
具体的,在一个实施方案中,基于验证数据集采用交叉验证散点图、残差、均方根误差、平均绝对误差等方法进行精度验证。交叉验证散点图由平面直角坐标系构成,x轴为不透水面真实值,y轴为预测值。这种直观的精度验证方式,被广泛应用于验证不透水面估测结果的精度。此外,通过散点图生成的拟合方程式与相关系数也为精度验证提供了定量的测度。本方案中,残差RE被用于测量不透水密度的估测值与真实值的差值,由下式得出:
式中,和/>分别为估测值与真实值。均方根误差和平均绝对误差均基于残差得出。在环境科学相关研究中,均方根误差是最广泛使用的误差测定指数之一。但已有研究认为,均方根误差在一定程度上受变量绝对值大小的影响,而平均绝对误差只统计误差本身的大小(Wu&Murray,2003),因此平均绝对误差是一种更加自然清晰的误差测定指数(Chai&Draxler,2014)。为了全面准确地测度传统不透水面方法的误差,本方案兼用二者,通过以下公式得出:
式中,n为验证点数量,和/>分别为估测值与真实值。
作为一个可选的实施例,该方法还包括:
获取待预测地表区域的预测影像信息;
根据分类与回归树模型和对应的误差调整规则,对预测影像信息进行估测,以得到第一估测结果;
根据线性光谱混合分析方法和对应的误差调整规则,对预测影像信息进行估测,以得到第二估测结果;
根据第一估测结果和第二估测结果,确定待预测地表区域对应的不透水密度估测结果。
通过上述实施例,能够实现综合根据两个方法模型和对应的误差调整规则来分别估测,并结合估测结果来综合确定待预测地表区域对应的不透水密度,从而能够提高估算精度。
作为一个可选的实施例,上述步骤中的,根据第一估测结果和第二估测结果,确定待预测地表区域对应的不透水密度估测结果,包括:
计算与分类与回归树模型对应的历史误差分析结果中的误差程度成正比的参数,以得到第一估测结果对应的权重;
计算与线性光谱混合分析方法对应的历史误差分析结果中的误差程度成正比的参数,以得到第二估测结果对应的权重;
计算第一估测结果和第二估测结果的加权求和平均值,以得到待预测地表区域对应的不透水密度估测结果。
其中,当分类与回归树模型的训练预测准确率大于第一阈值时,第一估测结果的权重大于第二估测结果的权重,否则第一估测结果的权重小于第二估测结果的权重。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于误差分析的估测算法优化装置的结构示意图。其中,图2所描述的基于误差分析的估测算法优化装置应用于数据处理芯片、处理终端或处理服务器(其中,该处理服务器可以为本地服务器或云服务器)中。如图2所示,该基于误差分析的估测算法优化装置可以包括:
获取模块201,用于获取目标估测地表区域的训练样本影像和高分辨率影像;
第一确定模块202,用于基于高分辨率影像和面对对象分类算法,确定训练样本影像对应的不透水密度参数;
训练模块203,用于将训练样本影像和对应的不透水密度参数作为训练数据集,训练用于估测不透水密度的分类与回归树模型;
第一分析模块204,用于根据线性光谱混合分析方法,对训练样本影像进行分析,以得到光谱分析结果;
第二分析模块205,用于对分类与回归树模型的预测结果,以及光谱分析结果进行误差分析,以得到误差来源结果;
第二确定模块206,用于根据误差来源结果,确定分类与回归树模型和线性光谱混合分析方法的误差调整规则;误差调整规则用于在后续利用分类与回归树模型和线性光谱混合分析进行不透水密度参数的估测时对估测结果进行调整。
作为一个可选的实施例,第一确定模块202基于高分辨率影像和面对对象分类算法,确定训练样本影像对应的不透水密度参数的具体方式,包括:
基于面向对象分类从高分辨率影像中提取不透水表面影像;
将不透水表面影像中的错误分类结果,基于人工检查和视觉解释进行修改;错误分类结果包括阴影影像、水影像和植被影像中的一种或多种;
对不透水表面影像进行合并,以分别生成不透水与非不透水的二值栅格图像;
将不透水与非不透水的二值栅格图像与高分辨率影像对应的网格叠加,以计算高分辨率影像中每个像元中不透水面所占的比例,得到训练样本影像对应的不透水密度参数。
作为一个可选的实施例,训练模块203将训练样本影像和对应的不透水密度参数作为训练数据集,训练用于估测不透水密度的分类与回归树模型的具体方式,包括:
将训练样本影像中每个波段的反射率作为变量,将不透水密度参数作为自变量,通过Cubist工具建立并训练用于估测不透水密度的分类与回归树模型。
作为一个可选的实施例,第一分析模块204根据线性光谱混合分析方法,对训练样本影像进行分析,以得到光谱分析结果的具体方式,包括:
排除训练样本影像中由纯像素组成的水体影像;
基于最小噪声分离变换算法,对训练样本影像进行处理,得到多个压缩组分影像;
计算多个压缩组分影像对应的像素纯度指数,选择包括不透水面在内的端元;
基于以下公式计算训练样本影像中植被、不透水层以及土壤的纯净像元端元fk所占的比例,得到光谱分析结果:
式中,Ri为第i波段反射率,k为端元种类,fk为端元k在像元中所占比例,即待求解的丰度,Rik为端元k在波段i的反射率,为已知的参数,ERi为误差;在求解fk时,还需要满足以下约束条件:
式中,fk大于0。
作为一个可选的实施例,第二分析模块205对分类与回归树模型的预测结果,以及光谱分析结果进行误差分析,以得到误差来源结果的具体方式,包括:
基于多种误差计算方法,以及预设的验证数据集,分别对分类与回归树模型的预测结果,以及光谱分析结果进行误差分析,以得到分类与回归树模型对应的误差来源结果,和线性光谱混合分析方法的误差来源结果。
作为一个可选的实施例,误差计算方法包括交叉验证散点图计算方法、残差计算方法、均方根误差计算方法、平均绝对误差计算方法中的一种或多种;误差来源结果包括区域地表类型、地表参数和对应的误差参数。
作为一个可选的实施例,装置还包括预测模块,用于执行以下步骤:
获取待预测地表区域的预测影像信息;
根据分类与回归树模型和对应的误差调整规则,对预测影像信息进行估测,以得到第一估测结果;
根据线性光谱混合分析方法和对应的误差调整规则,对预测影像信息进行估测,以得到第二估测结果;
根据第一估测结果和第二估测结果,确定待预测地表区域对应的不透水密度估测结果。
作为一个可选的实施例,预测模块根据第一估测结果和第二估测结果,确定待预测地表区域对应的不透水密度估测结果的具体方式,包括:
计算与分类与回归树模型对应的历史误差分析结果中的误差程度成正比的参数,以得到第一估测结果对应的权重;
计算与线性光谱混合分析方法对应的历史误差分析结果中的误差程度成正比的参数,以得到第二估测结果对应的权重;
计算第一估测结果和第二估测结果的加权求和平均值,以得到待预测地表区域对应的不透水密度估测结果;其中,当分类与回归树模型的训练预测准确率大于第一阈值时,第一估测结果的权重大于第二估测结果的权重,否则第一估测结果的权重小于第二估测结果的权重。
实施例三
请参阅图3,图3是本发明实施例公开的又一种基于误差分析的估测算法优化装置。图3所描述的基于误差分析的估测算法优化装置应用于数据处理芯片、处理终端或处理服务器(其中,该处理服务器可以为本地服务器或云服务器)中。如图3所示,该基于误差分析的估测算法优化装置可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
其中,处理器302调用存储器301中存储的可执行程序代码,用于执行实施例一所描述的基于误差分析的估测算法优化方法的步骤。
实施例四
本发明实施例公开了一种计算机读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一所描述的基于误差分析的估测算法优化方法的步骤。
实施例五
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一所描述的基于误差分析的估测算法优化方法的步骤。
上述对本说明书特定实施例进行了描述,其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的,因此,装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera HardwareDescriptionLanguage)、Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后应说明的是:本发明实施例公开的一种基于误差分析的估测算法优化方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于误差分析的估测算法优化方法,其特征在于,所述方法包括:
获取目标估测地表区域的训练样本影像和高分辨率影像;
基于所述高分辨率影像和面对对象分类算法,确定所述训练样本影像对应的不透水密度参数;
将所述训练样本影像和对应的不透水密度参数作为训练数据集,训练用于估测不透水密度的分类与回归树模型;
根据线性光谱混合分析方法,对所述训练样本影像进行分析,以得到光谱分析结果;
对所述分类与回归树模型的预测结果,以及所述光谱分析结果进行误差分析,以得到误差来源结果;
根据所述误差来源结果,确定所述分类与回归树模型和所述线性光谱混合分析方法的误差调整规则;所述误差调整规则用于在后续利用所述分类与回归树模型和所述线性光谱混合分析进行不透水密度参数的估测时对估测结果进行调整。
2.根据权利要求1所述的基于误差分析的估测算法优化方法,其特征在于,所述基于所述高分辨率影像和面对对象分类算法,确定所述训练样本影像对应的不透水密度参数,包括:
基于面向对象分类从所述高分辨率影像中提取不透水表面影像;
将所述不透水表面影像中的错误分类结果,基于人工检查和视觉解释进行修改;所述错误分类结果包括阴影影像、水影像和植被影像中的一种或多种;
对所述不透水表面影像进行合并,以分别生成不透水与非不透水的二值栅格图像;
将不透水与非不透水的二值栅格图像与所述高分辨率影像对应的网格叠加,以计算所述高分辨率影像中每个像元中不透水面所占的比例,得到所述训练样本影像对应的不透水密度参数。
3.根据权利要求1所述的基于误差分析的估测算法优化方法,其特征在于,所述将所述训练样本影像和对应的不透水密度参数作为训练数据集,训练用于估测不透水密度的分类与回归树模型,包括:
将所述训练样本影像中每个波段的反射率作为变量,将所述不透水密度参数作为自变量,通过Cubist工具建立并训练用于估测不透水密度的分类与回归树模型。
4.根据权利要求3所述的基于误差分析的估测算法优化方法,其特征在于,所述根据线性光谱混合分析方法,对所述训练样本影像进行分析,以得到光谱分析结果,包括:
排除所述训练样本影像中由纯像素组成的水体影像;
基于最小噪声分离变换算法,对所述训练样本影像进行处理,得到多个压缩组分影像;
计算所述多个压缩组分影像对应的像素纯度指数,选择包括不透水面在内的端元;
基于以下公式计算所述训练样本影像中植被、不透水层以及土壤的纯净像元端元fk所占的比例,得到光谱分析结果:
式中,Ri为第i波段反射率,k为端元种类,fk为端元k在像元中所占比例,即待求解的丰度,Rik为端元k在波段i的反射率,为已知的参数,ERi为误差;在求解fk时,还需要满足以下约束条件:
式中,fk大于0。
5.根据权利要求1所述的基于误差分析的估测算法优化方法,其特征在于,所述对所述分类与回归树模型的预测结果,以及所述光谱分析结果进行误差分析,以得到误差来源结果,包括:
基于多种误差计算方法,以及预设的验证数据集,分别对所述分类与回归树模型的预测结果,以及所述光谱分析结果进行误差分析,以得到所述分类与回归树模型对应的误差来源结果,和所述线性光谱混合分析方法的误差来源结果。
6.根据权利要求5所述的基于误差分析的估测算法优化方法,其特征在于,所述误差计算方法包括交叉验证散点图计算方法、残差计算方法、均方根误差计算方法、平均绝对误差计算方法中的一种或多种;所述误差来源结果包括区域地表类型、地表参数和对应的误差参数。
7.根据权利要求5所述的基于误差分析的估测算法优化方法,其特征在于,所述方法还包括:
获取待预测地表区域的预测影像信息;
根据所述分类与回归树模型和对应的误差调整规则,对所述预测影像信息进行估测,以得到第一估测结果;
根据所述线性光谱混合分析方法和对应的误差调整规则,对所述预测影像信息进行估测,以得到第二估测结果;
根据所述第一估测结果和所述第二估测结果,确定所述待预测地表区域对应的不透水密度估测结果。
8.根据权利要求7所述的基于误差分析的估测算法优化方法,其特征在于,所述根据所述第一估测结果和所述第二估测结果,确定所述待预测地表区域对应的不透水密度估测结果,包括:
计算与所述分类与回归树模型对应的历史误差分析结果中的误差程度成正比的参数,以得到所述第一估测结果对应的权重;
计算与所述线性光谱混合分析方法对应的历史误差分析结果中的误差程度成正比的参数,以得到所述第二估测结果对应的权重;
计算所述第一估测结果和所述第二估测结果的加权求和平均值,以得到所述待预测地表区域对应的不透水密度估测结果;其中,当所述分类与回归树模型的训练预测准确率大于第一阈值时,所述第一估测结果的权重大于所述第二估测结果的权重,否则所述第一估测结果的权重小于所述第二估测结果的权重。
9.一种基于误差分析的估测算法优化装置,其特征在于,所述装置包括:
获取模块,用于获取目标估测地表区域的训练样本影像和高分辨率影像;
第一确定模块,用于基于所述高分辨率影像和面对对象分类算法,确定所述训练样本影像对应的不透水密度参数;
训练模块,用于将所述训练样本影像和对应的不透水密度参数作为训练数据集,训练用于估测不透水密度的分类与回归树模型;
第一分析模块,用于根据线性光谱混合分析方法,对所述训练样本影像进行分析,以得到光谱分析结果;
第二分析模块,用于对所述分类与回归树模型的预测结果,以及所述光谱分析结果进行误差分析,以得到误差来源结果;
第二确定模块,用于根据所述误差来源结果,确定所述分类与回归树模型和所述线性光谱混合分析方法的误差调整规则;所述误差调整规则用于在后续利用所述分类与回归树模型和所述线性光谱混合分析进行不透水密度参数的估测时对估测结果进行调整。
10.一种基于误差分析的估测算法优化装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-8任一项所述的基于误差分析的估测算法优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310981248.XA CN117218551B (zh) | 2023-08-04 | 2023-08-04 | 一种基于误差分析的估测算法优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310981248.XA CN117218551B (zh) | 2023-08-04 | 2023-08-04 | 一种基于误差分析的估测算法优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117218551A true CN117218551A (zh) | 2023-12-12 |
CN117218551B CN117218551B (zh) | 2024-04-09 |
Family
ID=89046973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310981248.XA Active CN117218551B (zh) | 2023-08-04 | 2023-08-04 | 一种基于误差分析的估测算法优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117218551B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118038289A (zh) * | 2024-02-20 | 2024-05-14 | 华南师范大学 | 人造地表集成估测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909000A (zh) * | 2017-06-28 | 2018-04-13 | 中国科学院遥感与数字地球研究所 | 基于特征优选和支持向量机的不透水面覆盖度估算方法 |
CN109635309A (zh) * | 2018-10-17 | 2019-04-16 | 广州地理研究所 | 一种地表温度空间降尺度方法 |
CN111199185A (zh) * | 2019-11-26 | 2020-05-26 | 广州地理研究所 | 基于XGBoost学习算法的地表温度降尺度方法、系统及设备 |
CN114780904A (zh) * | 2022-06-17 | 2022-07-22 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种端元自适应的山地植被覆盖度遥感反演方法 |
CN114996327A (zh) * | 2022-05-19 | 2022-09-02 | 云南电网有限责任公司电力科学研究院 | 污秽分布情况的监测方法、模型训练方法、设备和介质 |
WO2022252799A1 (zh) * | 2021-06-04 | 2022-12-08 | 成都数之联科技股份有限公司 | 模型训练方法及林地变化检测方法及系统及装置及介质 |
US20230196099A1 (en) * | 2021-12-20 | 2023-06-22 | Tata Consultancy Services Limited | Method and system for estimating urban metabolism |
-
2023
- 2023-08-04 CN CN202310981248.XA patent/CN117218551B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909000A (zh) * | 2017-06-28 | 2018-04-13 | 中国科学院遥感与数字地球研究所 | 基于特征优选和支持向量机的不透水面覆盖度估算方法 |
CN109635309A (zh) * | 2018-10-17 | 2019-04-16 | 广州地理研究所 | 一种地表温度空间降尺度方法 |
CN111199185A (zh) * | 2019-11-26 | 2020-05-26 | 广州地理研究所 | 基于XGBoost学习算法的地表温度降尺度方法、系统及设备 |
WO2022252799A1 (zh) * | 2021-06-04 | 2022-12-08 | 成都数之联科技股份有限公司 | 模型训练方法及林地变化检测方法及系统及装置及介质 |
US20230196099A1 (en) * | 2021-12-20 | 2023-06-22 | Tata Consultancy Services Limited | Method and system for estimating urban metabolism |
CN114996327A (zh) * | 2022-05-19 | 2022-09-02 | 云南电网有限责任公司电力科学研究院 | 污秽分布情况的监测方法、模型训练方法、设备和介质 |
CN114780904A (zh) * | 2022-06-17 | 2022-07-22 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种端元自适应的山地植被覆盖度遥感反演方法 |
Non-Patent Citations (4)
Title |
---|
JIN WANG 等: "Improving impervious surface estimation: an integrated method of classification and regression trees (CART) and linear spectral mixture analysis (LSMA) based on error analysis", 《GISCIENCE & REMOTE SENSING》, vol. 55, no. 4, pages 586 * |
JIN WANG 等: "Improving LSMA for impervious surface estimation in an urban area", 《EUROPEAN JOURNAL OF REMOTE SENSING》, vol. 55, no. 1, pages 37 - 51 * |
戴舒;付迎春;赵耀龙;: "基于Cubist模型树的城市不透水面百分比遥感估算模型", 《地球信息科学学报》, vol. 18, no. 10, pages 1399 - 1409 * |
杨朝斌;何兴元;张树文;唐俊梅;卜坤;于灵雪;颜凤芹;: "基于线性光谱模型的城市不透水面遥感估算", 《地球环境学报》, vol. 7, no. 01, pages 77 - 86 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118038289A (zh) * | 2024-02-20 | 2024-05-14 | 华南师范大学 | 人造地表集成估测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117218551B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598174B (zh) | 基于半监督对抗学习的模型训练方法及图像变化分析方法 | |
CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
Matzarakis et al. | Sky view factor as a parameter in applied climatology-rapid estimation by the SkyHelios model | |
Castillo et al. | The normalized topographic method: an automated procedure for gully mapping using GIS | |
CN117218551B (zh) | 一种基于误差分析的估测算法优化方法及装置 | |
CN111539428A (zh) | 基于多尺度特征整合和注意力机制的旋转目标检测方法 | |
Chen et al. | A mathematical morphology-based multi-level filter of LiDAR data for generating DTMs | |
Briegel et al. | Modelling long-term thermal comfort conditions in urban environments using a deep convolutional encoder-decoder as a computational shortcut | |
CN114612315A (zh) | 一种基于多任务学习的高分辨率影像缺失区域重建方法 | |
Hesami et al. | Range segmentation of large building exteriors: A hierarchical robust approach | |
CN112686830A (zh) | 基于图像分解的单一深度图的超分辨率方法 | |
Han et al. | A deep learning technique-based automatic monitoring method for experimental urban road inundation | |
Li et al. | Learning to holistically detect bridges from large-size vhr remote sensing imagery | |
Salimi Kouchi et al. | Fractional vegetation cover estimation in urban environments | |
CN116012483A (zh) | 一种图像渲染的方法、装置、存储介质及电子设备 | |
CN117218552B (zh) | 一种基于像元变化检测的估测算法优化方法及装置 | |
CN114187404A (zh) | 一种用于近海域高分辨率的三维重建方法和系统 | |
Zhang et al. | Multi-channel satellite cloud image fusion in the tetrolet transform domain | |
Bati et al. | Performance assessment of interpolation techniques for optimal areal rainfall–temperature estimation: the case of two contrasting river catchments, Akaki and Mille, in Ethiopia | |
CN117765172B (zh) | 一种遥感图像三维重建的方法及装置 | |
Zhang et al. | Annual urban built-up change area online extraction using landsat time series data | |
Ma et al. | Generative Adversarial Differential Analysis for Infrared Small Target Detection | |
CN118038289A (zh) | 人造地表集成估测方法及装置 | |
NO20200616A1 (en) | Gridding global data into a minimally distorted global raster | |
Nanda | Estimating and Modeling Structural Characteristics of Trees Within Aerial LiDar Data |
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 |