CN117611978A - 一种土地资源测绘数据库的构建方法及系统 - Google Patents
一种土地资源测绘数据库的构建方法及系统 Download PDFInfo
- Publication number
- CN117611978A CN117611978A CN202410089354.1A CN202410089354A CN117611978A CN 117611978 A CN117611978 A CN 117611978A CN 202410089354 A CN202410089354 A CN 202410089354A CN 117611978 A CN117611978 A CN 117611978A
- Authority
- CN
- China
- Prior art keywords
- data
- generate
- image data
- carrying
- ground object
- 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
- 238000013507 mapping Methods 0.000 title claims abstract description 159
- 238000010276 construction Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 132
- 238000012937 correction Methods 0.000 claims abstract description 68
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000013461 design Methods 0.000 claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000002864 sequence alignment Methods 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims description 102
- 230000003595 spectral effect Effects 0.000 claims description 72
- 230000002123 temporal effect Effects 0.000 claims description 67
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000012876 topography Methods 0.000 claims description 29
- 238000010521 absorption reaction Methods 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 24
- 230000003287 optical effect Effects 0.000 claims description 23
- 230000005855 radiation Effects 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 18
- 239000000203 mixture Substances 0.000 claims description 17
- 238000013475 authorization Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 15
- 238000009472 formulation Methods 0.000 claims description 15
- 238000002310 reflectometry Methods 0.000 claims description 13
- 238000000547 structure data Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 5
- 230000009022 nonlinear effect Effects 0.000 claims description 4
- 238000007726 management method Methods 0.000 description 23
- 230000008859 change Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 238000005286 illumination Methods 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000013523 data management Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 230000001502 supplementing effect Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000470 constituent Substances 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及地理信息技术领域,尤其涉及一种土地资源测绘数据库的构建方法及系统。所述方法包括以下步骤:获取绘测区域范围数据;根据绘测区域范围数据进行多光谱图像采集,生成绘测多光谱图像数据;对绘测多光谱图像数据进行时序对齐叠加处理,得到多时相图像数据;对多时相图像数据进行图像亮度校正处理以及数字栅格建模,生成点云地貌模型;根据点云地貌模型进行地物对象分割,生成地物对象数据;对地物对象数据进行三维遮挡检测以及遮挡区域智能填充,得到完整地物对象数据;根据完整地物对象数据构建时空测绘数据库;将时空测绘数据库部署至云端,得到测绘云管理平台数据。本发明通过时空索引设计实现时空测绘数据库构建。
Description
技术领域
本发明涉及地理信息技术领域,尤其涉及一种土地资源测绘数据库的构建方法及系统。
背景技术
随着城市化和农业现代化的发展,土地资源的高效管理和规划成为了一项重要的任务。为了满足这一任务,需要对土地资源信息进行准确和及时的获取和分析,构建土地资源测绘数据库是实现这一目标的有效途径。然而,传统的土地资源测绘数据库的构建方法通常依赖于实地测量和人工采集数据,这使得数据更新速度较慢,不能及时反映土地资源的变化;同时存在使用常规数据库进行测绘数据存储,难以深入挖掘地理信息中的空间关联和趋势。
发明内容
基于此,本发明提供一种土地资源测绘数据库的构建方法及系统,以解决至少一个上述技术问题。
为实现上述目的,一种土地资源测绘数据库的构建方法,包括以下步骤:
步骤S1:获取绘测区域范围数据;根据绘测区域范围数据进行绘测光谱波段制定,生成修正光谱波段数据;通过修正光谱波段数据对绘测区域范围数据进行多光谱图像采集,生成绘测多光谱图像数据;
步骤S2:对绘测多光谱图像数据进行地理坐标匹配,生成坐标多光谱图像数据;根据坐标多光谱图像数据进行时序对齐叠加处理,从而得到多时相图像数据;对多时相图像数据进行图像亮度校正处理,生成亮度校正图像数据;通过数字高程模型对亮度校正图像数据进行数字栅格建模,生成点云地貌模型;
步骤S3:根据点云地貌模型进行残差重建处理,生成重建地貌模型;对重建地貌模型进行地物对象分割,生成地物对象数据;对地物对象数据进行三维遮挡检测,生成对象遮挡区域数据;根据对象遮挡区域数据进行遮挡区域智能填充,从而得到完整地物对象数据;将完整地物对象数据进行对象要素划分,分别得到土地要素对象数据以及地形要素对象数据;
步骤S4:根据土地要素对象数据以及地形要素对象数据进行时态对象处理,得到测绘时态对象数据;对测绘时态对象数据进行时空索引设计以及时空测绘数据库构建,生成时空测绘数据库;将时空测绘数据库部署至云端,从而得到测绘云管理平台数据。
本发明获取绘测区域范围数据,可以得到有准确的地理位置和空间范围信息,通过精准的区域范围数据,可以避免不必要的数据采集,并确保所获得的光谱图像与实际绘测区域相匹配。通过在绘测区域内选择特定的光谱波段,可以更好地捕捉到目标物体的光谱特征,可以提高光谱数据的质量和相关性,确保所选择的波段能够有效地反映目标的特征。通过对选择的光谱波段进行修正,可以消除或减弱一些干扰因素,提高光谱数据的准确性和可靠性。修正后的光谱波段数据有助于减少噪音,提升图像质量,从而更精确地反映绘测区域的特征。利用修正后的光谱波段数据进行多光谱图像采集,可以获得更为清晰、准确的图像,有效地捕捉目标物体在不同波段下的光谱信息。将多光谱图像数据与地理坐标进行匹配,实现图像的地理定位。通过对坐标多光谱图像数据进行时序对齐和叠加处理,可以整合不同时间点的图像信息,生成多时相的图像数据。通过对多时相图像进行亮度校正,可以消除不同时间点图像之间的亮度差异,确保数据的一致性。对亮度校正后的图像数据进行三维建模,从而提供了地表的立体信息,可用于地形分析、地貌特征提取以及环境变化的监测。通过对点云地貌模型进行残差重建处理,可以修复可能存在的数据缺失、噪音或误差,生成更为精确和完整的地貌模型。利用重建后的地貌模型进行地物对象分割,将地表上的不同物体分离出来,实现地物对象的精细提取。通过分析地物对象数据的三维信息,进行遮挡检测,识别出地物之间可能存在的遮挡关系。对遮挡区域进行填充,补充被遮挡的地物部分,使地物对象数据更加完整。通过对土地要素和地形要素对象数据进行时态处理,捕捉地表变化随时间的演变。在时态对象数据的基础上,设计时空索引以优化数据查询和检索效率,并构建时空测绘数据库,可以提高数据管理和检索的效率,为用户快速获取所需时态地理信息数据提供便捷途径。将时空测绘数据库迁移到云端平台,实现对测绘数据的云端管理。这有助于提高数据的可访问性、可扩展性和安全性,同时便于多用户共享、协作以及远程访问。通过部署至云端,还能够利用云计算资源处理大规模的测绘数据。因此,本发明的一种土地资源测绘数据库的构建方法通过无人机对目标区域进行多光谱图像采集,得到多光谱图像数据,考虑实时太阳光照影响,将多光谱图像数据进行像元级亮度校正,同时对遮挡区域进行智能修复处理,将修复的多光谱图像数据进行时态对象识别,同时对数据库进行时空索引设计,以构建时空测绘数据库。
优选地,步骤S1包括以下步骤:
步骤S11:获取绘测区域范围数据;
步骤S12:根据绘测区域范围数据进行区域采集授权处理,生成资源绘测授权数据;
步骤S13:通过资源绘测授权数据对土地绘测区域数据进行无人机航线制定,从而得到绘测采集航线数据;
步骤S14:根据绘测采集航线数据进行绘测光谱波段制定,生成修正光谱波段数据;
步骤S15:基于修正光谱波段数据以及绘测采集航线数据利用无人机搭载预设的多光谱传感器对绘测区域范围数据进行多光谱图像采集,生成绘测多光谱图像数据。
本发明获取绘测区域范围数据,可以确定绘测的目标区域和范围,避免无效的绘测工作,节省时间和资源,提高绘测的效率和质量。对绘测区域范围数据进行区域采集授权处理,可以保证绘测的合法性和合规性,避免绘测过程中的法律风险和纠纷。利用无人机的优势,实现绘测的自动化和智能化,减少人工干预和误差,提高绘测的精度和速度。根据绘测区域的特征和需求,选择合适的光谱波段,优化绘测的光谱分辨率和信噪比,提高绘测的光谱信息的质量和可用性。利用多光谱传感器的高灵敏度和高动态范围,捕捉绘测区域的多维度和多尺度的光谱特征,生成高清晰度和高精度的多光谱图像。
优选地,步骤S14包括以下步骤:
步骤S141:对绘测采集航线数据进行大气成分分析,生成测绘大气成分数据;
步骤S142:根据测绘大气成分数据进行大气吸收窗口标定,从而得到大气吸收区域数据;
步骤S143:利用HITRAN数据库对大气吸收区域数据进行大气光学深度分析,从而得到小光学深度波段数据;
步骤S144:通过小光学深度波段数据对绘测采集航线数据进行优势波段组合处理,生成优势光谱波段数据;
步骤S145:获取地理国情普查数据;利用地理国情普查数据对绘测区域范围数据进行地形特征提取,生成地形特征数据;
步骤S146:利用地形特征数据对优势光谱波段数据进行地物光谱响应处理,生成地物光谱响应数据;
步骤S147:通过地物光谱响应数据对优势光谱波段数据进行光谱波段修正处理,生成修正光谱波段数据。
本发明通过大气成分分析,可以确定大气层中的各种成分含量,如氧气、水蒸气、二氧化碳等。大气吸收窗口是指大气对光谱信号的吸收作用较强的特定波段范围。通过大气吸收窗口标定,可以确定光谱数据中受大气吸收影响的波段范围。通过识别和标定大气吸收窗口,可以更好地分离出目标特征信号与大气吸收干扰的影响,从而减小大气干扰对绘测数据的影响。通过HITRAN数据库中的大气光学参数,可以对光谱数据中的大气吸收进行定量分析,获得不同波段的光学深度信息。这有助于理解光谱信号在各个波段上的衰减情况。通过对光学深度波段的分析,可以确定在大气吸收影响较小的波段范围内,信号质量较好的优势波段。通过得到的小光学深度波段数据,可以减小大气吸收对光谱数据的影响,使得目标特征信号更加突出,从而提高光谱数据的解译能力。通过选择性地组合优势波段,可以提高目标特征在光谱数据中的辨识能力,使得目标的识别和分析更加准确和可靠。地理国情普查数据提供了包括地势、地貌、水体分布、植被覆盖等在内的丰富地理特征信息。地形特征对光谱数据具有一定影响,例如地表的高程、坡度、朝向等,会对目标和背景之间的相互作用产生影响。通过地形特征提取,可以更准确地理解和解释绘测数据中的光谱变化。地理特征和光谱响应之间存在一定的关联性,通过地物光谱响应处理,可以将地物信号与地形特征更好地结合起来,提高地物信号与地形特征的关联性,使光谱数据更具详细和准确性。地物光谱响应数据反映了地物在各个光谱波段上的光谱响应情况。通过光谱波段修正处理,可以优化光谱波段,使其与地物光谱响应更好地匹配,提高光谱数据的解释和分类准确性。
优选地,步骤S2包括以下步骤:
步骤S21:对绘测多光谱图像数据进行地理坐标匹配,并进行地理坐标关联处理,生成坐标多光谱图像数据;
步骤S22:根据坐标多光谱图像数据进行图像几何异常识别,生成异常几何图像数据;
步骤S23:通过地形特征数据对异常几何图像数据进行非线性效应处理,生成增强光谱图像数据;
步骤S24:将增强光谱图像数据进行时序对齐叠加处理,从而得到多时相图像数据;
步骤S25:对多时相图像数据进行图像亮度校正处理,生成亮度校正图像数据;
步骤S26:利用激光雷达设备对绘测区域范围数据进行地貌高程测量,生成地貌高程数据;
步骤S27:通过数字高程模型对地貌高程数据以及亮度校正图像数据进行数字栅格建模,生成点云地貌模型。
本发明通过对绘测多光谱图像数据进行地理坐标匹配,确保图像数据与真实地理位置的准确对应。进行地理坐标关联处理有助于消除由于拍摄设备误差或大气扰动等因素引起的位置偏差,从而生成更为精确、地理参考完整的坐标多光谱图像数据。通过对坐标多光谱图像数据进行图像几何异常识别,可以检测出图像中可能存在的几何变形、畸变或异常情况。利用地形特征数据对异常几何图像数据进行非线性效应处理,可以校正由地形引起的光谱形变,提高图像的几何精度。通过时序对齐和叠加处理,整合不同时间点的增强光谱图像数据,得到多时相图像数据,提供了具有时序信息的图像序列,使得地表变化、季节性变化等现象能够更清晰地呈现。通过对多时相图像进行亮度校正,消除不同时间点图像之间的亮度差异。生成的亮度校正图像数据有助于提高图像的一致性,减少由于光照条件变化引起的影响,为图像解译和分析提供更可靠的基础。利用激光雷达进行地貌高程测量,获取地表上各点的高程信息。利用激光雷达测量得到的地貌高程数据和亮度校正后的图像数据进行数字高程模型构建,生成点云地貌模型,提供具有高度信息的三维地貌模型,为地形分析、地貌特征提取以及环境监测等应用提供了详细的地表信息。
优选地,步骤S25包括以下步骤:
步骤S251:根据地形特征数据进行实时地物光谱测量,生成地物光谱反射率;
步骤S252:对地物光谱反射率进行大气透明度估算,得到大气透明度数据;
步骤S253:根据大气透明度数据进行实际辐射亮度模拟,生成实际辐射亮度数据;
步骤S254:根据多时相图像数据进行像元提取,生成多时相像元数据;
步骤S255:对多时相像元数据进行太阳位置计算,分别生成像元太阳天顶角数据以及像元太阳方位角数据;
步骤S256:将像元太阳天顶角数据以及像元太阳方位角数据与多时相图像数据进行像元数据融合,生成融合图像数据;
步骤S257:基于图像亮度校正算法利用实际辐射亮度数据对融合图像数据进行图像亮度校正,生成亮度校正图像数据。
本发明通过实时地物光谱测量,获取不同地物的光谱特征,生成的地物光谱反射率数据反映了地表的光谱特性。通过对地物光谱反射率进行大气透明度估算,获取大气透明度的信息,提供了大气影响的估算值,有助于更准确地校正地物光谱反射率,使其更贴近地表真实情况。利用大气透明度数据进行实际辐射亮度的模拟,考虑了大气效应的影响。生成的实际辐射亮度数据更为真实地反映了地表的辐射情况。通过对多时相图像数据进行像元提取,获取每个像元的光谱信息。生成的多时相像元数据提供了不同时间点的光谱特征,有助于分析地表的时空变化,例如植被生长、土地利用变化等。通过太阳位置计算,获取每个像元在不同时间点的太阳天顶角和太阳方位角信息。生成的像元太阳天顶角和太阳方位角数据有助于考虑太阳照射角度对图像的影响。将太阳几何信息与多时相像元数据融合,得到融合图像数据。融合后的图像数据不仅考虑了多时相的光谱信息,还综合了太阳几何效应,更为准确地反映了地表的辐射状况。利用实际辐射亮度数据进行图像亮度校正,考虑了太阳照射角度和大气透明度的影响,这有助于提高图像的视觉效果,减少光照条件变化引起的误差,使图像更符合实际地物的光谱特征。
优选地,步骤S3包括以下步骤:
步骤S31:对点云地貌模型进行多尺度检查,从而得到多尺度地貌模型;
步骤S32:利用生成对抗网络对多尺度地貌模型进行残差重建处理,生成重建地貌模型;
步骤S33:对重建地貌模型进行地物对象分割,生成地物对象数据;
步骤S34:根据地物对象数据进行空间上下文识别,生成地物空间识别数据;
步骤S35:利用遮挡检测算法对地物空间识别数据进行三维遮挡检测,生成对象遮挡区域数据;
步骤S36:基于预设的图神经网络模型构建地物填充模型;将对象遮挡区域数据传输至地物填充模型进行遮挡区域智能填充,从而得到地物遮挡填充数据;
步骤S37:通过地物遮挡填充数据对地物对象数据进行数据完善处理,生成完整地物对象数据;
步骤S38:将完整地物对象数据进行对象要素划分,分别得到土地要素对象数据以及地形要素对象数据。
本发明通过多尺度检查,对点云地貌模型进行不同尺度的分析和验证。这有助于在不同空间分辨率下获取地貌模型的详细信息,提高地貌模型的准确性和精度。用生成对抗网络(GAN)技术对多尺度地貌模型进行残差重建处理,通过学习和补偿模型中的残差信息,提高地貌模型的细节表达和准确性,增强地貌模型的真实感和细节,从而更好地反映地表特征。通过对重建地貌模型进行地物对象分割,将地表上的不同物体分离出来。利用地物对象数据进行空间上下文识别,识别地物之间的关系和空间分布规律。生成的地物空间识别数据提供了更综合的地物信息,有助于理解地物之间的相互影响和空间布局。运用遮挡检测算法,对地物空间识别数据进行三维遮挡检测,识别出地物之间可能存在的遮挡关系。利用图神经网络模型构建地物填充模型,将对象遮挡区域数据传入模型进行遮挡区域的填充。利用地物遮挡填充数据,对原始地物对象数据进行数据完善处理,填充并修正原始数据中存在的遮挡缺失。生成的完整地物对象数据更全面地反映了地物的形状和位置,为地物分类、土地利用规划应用提供更精确的地理信息。将完整的地物对象数据按照其特征进行划分,分别得到土地要素对象数据和地形要素对象数据,提供了更细致的地物分类结果,使土地要素和地形要素能够分别进行详细的分析。这为土地资源管理、城市规划和环境监测提供了精细化的地理信息数据。
优选地,步骤S4包括以下步骤:
步骤S41:对土地要素对象数据以及地形要素对象数据进行属性编码规范处理,生成地理元属性数据;
步骤S42:利用点云地貌模型对地理元属性数据进行时态对象处理,并进行空间维度关联处理,得到测绘时态对象数据;
步骤S43:获取用户需求属性数据;通过用户需求属性数据对地理元属性数据进行属性反馈处理,生成目标测绘属性数据;
步骤S44:对目标测绘属性数据进行层次结构设计,生成地理层次结构数据;
步骤S45:基于预设的数据库设计规则利用四叉树索引原理对测绘时态对象数据进行时空索引设计,并根据地理层次结构数据进行时空测绘数据库构建,生成时空测绘数据库;
步骤S46:将时空测绘数据库部署至云端,从而得到测绘云管理平台数据。
本发明通过属性编码规范处理,对土地要素和地形要素的属性进行标准化编码。生成的地理元属性数据具有一致的属性编码,便于数据的管理、查询和分析。利用点云地貌模型进行时态对象处理,考虑地理元属性数据的时序变化。通过时态对象处理和空间维度关联处理,生成测绘时态对象数据,使地理元属性数据能够更好地反映地表的时空演变。根据用户需求获取相关属性数据,通过用户需求属性数据进行反馈处理,对地理元属性数据进行调整和修正。生成的目标测绘属性数据更贴近用户需求,满足特定应用场景的属性要求。通过层次结构设计,对目标测绘属性数据进行组织和分类,形成地理层次结构数据。生成的层次结构数据有助于更有效地管理和组织地理数据,使其具有层次化和结构化的特征。利用四叉树索引原理,基于预设的数据库设计规则,对测绘时态对象数据进行时空索引设计。根据地理层次结构数据构建时空测绘数据库,实现了对时态地理信息的高效存储和检索。时空测绘数据库的建立提供了快速、准确的数据访问方式,有助于支持复杂时空查询和分析。将时空测绘数据库部署至云端,实现对测绘数据的云端存储和管理,提高了数据的可访问性和共享性,使得用户可以通过云端平台实时获取和管理地理信息数据。
本发明还提供一种土地资源测绘数据库的构建系统,执行如上所述的土地资源测绘数据库的构建方法,该土地资源测绘数据库的构建系统包括:
绘测图像采集模块,用于获取绘测区域范围数据;根据绘测区域范围数据进行绘测光谱波段制定,生成修正光谱波段数据;通过修正光谱波段数据对绘测区域范围数据进行多光谱图像采集,生成绘测多光谱图像数据;
地貌建模模块,用于对绘测多光谱图像数据进行地理坐标匹配,生成坐标多光谱图像数据;根据坐标多光谱图像数据进行时序对齐叠加处理,从而得到多时相图像数据;对多时相图像数据进行图像亮度校正处理,生成亮度校正图像数据;通过数字高程模型对亮度校正图像数据进行数字栅格建模,生成点云地貌模型;
智能地貌重建模块,用于根据点云地貌模型进行残差重建处理,生成重建地貌模型;对重建地貌模型进行地物对象分割,生成地物对象数据;对地物对象数据进行三维遮挡检测,生成对象遮挡区域数据;根据对象遮挡区域数据进行遮挡区域智能填充,从而得到完整地物对象数据;将完整地物对象数据进行对象要素划分,分别得到土地要素对象数据以及地形要素对象数据;
绘测数据库构建模块,用于根据土地要素对象数据以及地形要素对象数据进行时态对象处理,得到测绘时态对象数据;对测绘时态对象数据进行时空索引设计以及时空测绘数据库构建,生成时空测绘数据库;将时空测绘数据库部署至云端,从而得到测绘云管理平台数据。
附图说明
图1为本发明一种土地资源测绘数据库的构建方法的步骤流程示意图。
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图1中步骤S4的详细实施步骤流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图3,本发明提供一种土地资源测绘数据库的构建方法,包括以下步骤:
步骤S1:获取绘测区域范围数据;根据绘测区域范围数据进行绘测光谱波段制定,生成修正光谱波段数据;通过修正光谱波段数据对绘测区域范围数据进行多光谱图像采集,生成绘测多光谱图像数据;
步骤S2:对绘测多光谱图像数据进行地理坐标匹配,生成坐标多光谱图像数据;根据坐标多光谱图像数据进行时序对齐叠加处理,从而得到多时相图像数据;对多时相图像数据进行图像亮度校正处理,生成亮度校正图像数据;通过数字高程模型对亮度校正图像数据进行数字栅格建模,生成点云地貌模型;
步骤S3:根据点云地貌模型进行残差重建处理,生成重建地貌模型;对重建地貌模型进行地物对象分割,生成地物对象数据;对地物对象数据进行三维遮挡检测,生成对象遮挡区域数据;根据对象遮挡区域数据进行遮挡区域智能填充,从而得到完整地物对象数据;将完整地物对象数据进行对象要素划分,分别得到土地要素对象数据以及地形要素对象数据;
步骤S4:根据土地要素对象数据以及地形要素对象数据进行时态对象处理,得到测绘时态对象数据;对测绘时态对象数据进行时空索引设计以及时空测绘数据库构建,生成时空测绘数据库;将时空测绘数据库部署至云端,从而得到测绘云管理平台数据。
本发明获取绘测区域范围数据,可以得到有准确的地理位置和空间范围信息,通过精准的区域范围数据,可以避免不必要的数据采集,并确保所获得的光谱图像与实际绘测区域相匹配。通过在绘测区域内选择特定的光谱波段,可以更好地捕捉到目标物体的光谱特征,可以提高光谱数据的质量和相关性,确保所选择的波段能够有效地反映目标的特征。通过对选择的光谱波段进行修正,可以消除或减弱一些干扰因素,提高光谱数据的准确性和可靠性。修正后的光谱波段数据有助于减少噪音,提升图像质量,从而更精确地反映绘测区域的特征。利用修正后的光谱波段数据进行多光谱图像采集,可以获得更为清晰、准确的图像,有效地捕捉目标物体在不同波段下的光谱信息。将多光谱图像数据与地理坐标进行匹配,实现图像的地理定位。通过对坐标多光谱图像数据进行时序对齐和叠加处理,可以整合不同时间点的图像信息,生成多时相的图像数据。通过对多时相图像进行亮度校正,可以消除不同时间点图像之间的亮度差异,确保数据的一致性。对亮度校正后的图像数据进行三维建模,从而提供了地表的立体信息,可用于地形分析、地貌特征提取以及环境变化的监测。通过对点云地貌模型进行残差重建处理,可以修复可能存在的数据缺失、噪音或误差,生成更为精确和完整的地貌模型。利用重建后的地貌模型进行地物对象分割,将地表上的不同物体分离出来,实现地物对象的精细提取。通过分析地物对象数据的三维信息,进行遮挡检测,识别出地物之间可能存在的遮挡关系。对遮挡区域进行填充,补充被遮挡的地物部分,使地物对象数据更加完整。通过对土地要素和地形要素对象数据进行时态处理,捕捉地表变化随时间的演变。在时态对象数据的基础上,设计时空索引以优化数据查询和检索效率,并构建时空测绘数据库,可以提高数据管理和检索的效率,为用户快速获取所需时态地理信息数据提供便捷途径。将时空测绘数据库迁移到云端平台,实现对测绘数据的云端管理。这有助于提高数据的可访问性、可扩展性和安全性,同时便于多用户共享、协作以及远程访问。通过部署至云端,还能够利用云计算资源处理大规模的测绘数据。因此,本发明的一种土地资源测绘数据库的构建方法通过无人机对目标区域进行多光谱图像采集,得到多光谱图像数据,考虑实时太阳光照影响,将多光谱图像数据进行像元级亮度校正,同时对遮挡区域进行智能修复处理,将修复的多光谱图像数据进行时态对象识别,同时对数据库进行时空索引设计,以构建时空测绘数据库。
本发明实施例中,参考图1所述,为本发明一种土地资源测绘数据库的构建方法的步骤流程示意图,在本实施例中,所述的一种土地资源测绘数据库的构建方法包括以下步骤:
步骤S1:获取绘测区域范围数据;根据绘测区域范围数据进行绘测光谱波段制定,生成修正光谱波段数据;通过修正光谱波段数据对绘测区域范围数据进行多光谱图像采集,生成绘测多光谱图像数据;
本发明实施例中,确定所需测量的绘测区域,并获取相应的地理范围数据。这包括地理坐标、边界坐标或其他区域描述信息。确定绘测区域的特征和研究目的,如植被类型、土壤组成、水质,制定适当的光谱波段。这可以涉及到选择特定波长范围,以捕捉绘测区域内感兴趣的光谱特征。例如,如果研究目的是监测植被健康,可能会选择与植被生理活动相关的光谱波段,选择合适的光谱波段用于测量目标特征。这涉及到植被反射光谱、土壤光谱、水体光谱。通过对选择的光谱波段进行修正,考虑大气影响、仪器响应因素,生成最终用于采集的修正光谱波段数据。根据修正的光谱波段数据配置多光谱图像采集仪器,确保仪器能够准确测量所选波段的光谱信息。在绘测区域内进行多光谱图像的实地采集。在无人机上安装相应的传感器,以获取绘测区域的多光谱图像数据。
步骤S2:对绘测多光谱图像数据进行地理坐标匹配,生成坐标多光谱图像数据;根据坐标多光谱图像数据进行时序对齐叠加处理,从而得到多时相图像数据;对多时相图像数据进行图像亮度校正处理,生成亮度校正图像数据;通过数字高程模型对亮度校正图像数据进行数字栅格建模,生成点云地貌模型;
本发明实施例中,从卫星、GPS或其他位置定位系统中获取绘测多光谱图像数据的地理坐标信息,包括经度、纬度、高程等。利用获取的地理坐标信息对绘测多光谱图像数据进行地理坐标匹配,确保图像像素与实际地理位置的准确对应。将地理坐标匹配后的绘测多光谱图像数据重新保存,生成坐标多光谱图像数据,其中每个像素点都与实际地理位置相对应。对坐标多光谱图像数据进行时序对齐,确保不同时间点的图像具有相同的地理坐标。将时序对齐后的坐标多光谱图像数据进行叠加处理,得到多时相图像数据。这可以通过图像融合算法、遥感影像堆栈处理等方法实现。考虑不同光照条件下的图像亮度变化,以确保多时相图像数据在亮度上具有一致性。应用选定的亮度校正算法对多时相图像数据进行处理,使其亮度在整个时间序列上保持一致,生成亮度校正图像数据。获取绘测区域的数字高程模型(DEM),该模型包含地表的高程信息。将亮度校正图像数据与数字高程模型进行对齐,以确保图像和地表高程的一致性。这可以基于光学立体匹配利用对齐后的亮度校正图像数据和数字高程模型进行数字栅格建模,生成点云地貌模型。
步骤S3:根据点云地貌模型进行残差重建处理,生成重建地貌模型;对重建地貌模型进行地物对象分割,生成地物对象数据;对地物对象数据进行三维遮挡检测,生成对象遮挡区域数据;根据对象遮挡区域数据进行遮挡区域智能填充,从而得到完整地物对象数据;将完整地物对象数据进行对象要素划分,分别得到土地要素对象数据以及地形要素对象数据;
本发明实施例中,通过比较点云地貌模型和实际地形的高程数据,计算残差(模型与实际数据之间的差异)。利用残差信息对点云地貌模型进行重建处理,调整模型的高程信息,使残差最小化。根据残差重建处理后的地貌模型,生成重建后的地貌模型数据。考虑地形的坡度、曲率、高程等特征,以及点云数据的密度和分布。对重建地貌模型进行地物对象分割处理,将地貌模型划分为不同的地物对象,如树木、建筑物、水体等。根据地物对象分割结果,生成地物对象数据,其中每个对象都包含其地理位置和相关属性信息。选择合适的三维遮挡检测算法,考虑点云数据的密度、角度、相邻对象关系等因素,应用选择的算法对地物对象数据进行三维遮挡检测,识别可能存在的遮挡区域。通过机器学习模型对象遮挡区域数据进行遮挡区域智能填充,将遮挡区域内缺失的地物对象信息进行补充。根据地物对象的属性和特征将完整地物对象数据划分为不同的要素,即土地要素和地形要素。
步骤S4:根据土地要素对象数据以及地形要素对象数据进行时态对象处理,得到测绘时态对象数据;对测绘时态对象数据进行时空索引设计以及时空测绘数据库构建,生成时空测绘数据库;将时空测绘数据库部署至云端,从而得到测绘云管理平台数据。
本发明实施例中,确定时态对象的属性和特征,考虑土地要素和地形要素在时间上的变化。例如,土地要素可能包括不同季节的土地覆盖类型,地形要素可能包括不同时间点的地表高程数据。根据时态对象的定义,对土地要素对象数据和地形要素对象数据进行建模,使其能够包含时间维度的信息。这涉及到添加时间戳、时间段等属性。对土地要素对象数据和地形要素对象数据进行时态处理,得到包含时序信息的测绘时态对象数据。选择合适的时空索引结构,考虑时态对象数据的时间和空间关系,采用时空栅格索引、时空立方体索引等方式,将时态对象数据按照设计的时空索引结构导入到时空测绘数据库中。确保数据存储方式能够有效支持时空查询和分析。搭建时空测绘数据库,建立与时态对象数据相匹配的数据表结构,这包括创建时间维度、空间维度、属性维度等数据库表字段。根据设计的时空索引结构,在数据库中建立相应的时空索引,以提高数据查询和检索的效率。选择云服务提供商,配置相应的云服务器和存储资源,确保能够满足时空测绘数据库的存储和计算需求。将时空测绘数据库部署至云端,包括迁移时态对象数据、建立数据库表结构和索引等操作。搭建测绘云管理平台的服务,包括时空数据查询、可视化展示、分析处理等功能。设置云端数据的安全策略,包括访问权限控制、数据加密、定期备份等,以确保数据的安全性和可靠性。
优选地,步骤S1包括以下步骤:
步骤S11:获取绘测区域范围数据;
步骤S12:根据绘测区域范围数据进行区域采集授权处理,生成资源绘测授权数据;
步骤S13:通过资源绘测授权数据对土地绘测区域数据进行无人机航线制定,从而得到绘测采集航线数据;
步骤S14:根据绘测采集航线数据进行绘测光谱波段制定,生成修正光谱波段数据;
步骤S15:基于修正光谱波段数据以及绘测采集航线数据利用无人机搭载预设的多光谱传感器对绘测区域范围数据进行多光谱图像采集,生成绘测多光谱图像数据。
本发明获取绘测区域范围数据,可以确定绘测的目标区域和范围,避免无效的绘测工作,节省时间和资源,提高绘测的效率和质量。对绘测区域范围数据进行区域采集授权处理,可以保证绘测的合法性和合规性,避免绘测过程中的法律风险和纠纷。利用无人机的优势,实现绘测的自动化和智能化,减少人工干预和误差,提高绘测的精度和速度。根据绘测区域的特征和需求,选择合适的光谱波段,优化绘测的光谱分辨率和信噪比,提高绘测的光谱信息的质量和可用性。利用多光谱传感器的高灵敏度和高动态范围,捕捉绘测区域的多维度和多尺度的光谱特征,生成高清晰度和高精度的多光谱图像。
作为本发明的一个实例,参考图2所示,为图1中步骤S1的详细实施步骤流程示意图,在本实例中所述步骤S1包括:
步骤S11:获取绘测区域范围数据;
本发明实施例中,收集目标测区的控制点成果、坐标系统和高程基准参数、已有的地形图成果与地名资料等,以便制定无人机航飞技术方案并申请空域。例如,如果要对某个城市区域进行绘测区域采集,可以先收集该区域的道路网、建筑物、水系等控制点数据,并确定其坐标系和高程基准;然后收集该区域已有的地形图数据,并与控制点数据进行对比和校核;最后收集该区域的地名资料,并编制绘测区域范围数据文件。
步骤S12:根据绘测区域范围数据进行区域采集授权处理,生成资源绘测授权数据;
本发明实施例中,根据绘测区域范围数据文件,向空管部门申请无人机航飞许可,并提交相关材料,如技术方案、飞行计划、飞行安全保障措施等。例如,如果要对某个城市进行绘测区域采集,可以先向当地空管部门提交申请表格和相关材料,并说明采集目的、方法、时间、航线等信息;然后等待空管部门审核通过后,领取无人机航飞许可证,并按照许可证规定执行飞行任务。
步骤S13:通过资源绘测授权数据对土地绘测区域数据进行无人机航线制定,从而得到绘测采集航线数据;
本发明实施例中,根据资源绘测授权数据文件和已有的地形图成果与地名资料文件,利用专业软件或工具对土地绘测区域进行分析和处理。例如,如果要对某个城市进行绘测区域采集,可以先利用专业软件或工具对土地上的道路网、建筑物、水系等特征点进行识别和标注,并生成相应的坐标信息;然后利用专业软件或工具根据坐标信息和已有的地形图成果与地名资料文件,生成土地上各个特征点之间的相对位置关系,并确定其在三维空间中的位置;最后利用专业软件或工具根据相对位置关系和目标精度要求,在三维空间中规划出合适的无人机航线,并生成相应的航线参数。
步骤S14:根据绘测采集航线数据进行绘测光谱波段制定,生成修正光谱波段数据;
本发明实施例中,根据绘测任务的需求和目标,制定绘测光谱波段方案。根据绘测对象、研究目的和传感器性能,选择合适的光谱波段进行数据采集。例如,在红外波段下使用红外滤镜可以提取土壤温度信息,在近红外波段下使用近红外滤镜可以提取植被水分信息,在在绿色波段下使用绿色滤镜可以提取植被叶面反射率信息。将制定好的光谱波段方案应用于绘测采集航线,确定每个航线点上应采集的光谱数据。生成修正光谱波段数据,即调整或筛选已选定的光谱波段,以期更好地适应绘测任务的需求和分析目的。
步骤S15:基于修正光谱波段数据以及绘测采集航线数据利用无人机搭载预设的多光谱传感器对绘测区域范围数据进行多光谱图像采集,生成绘测多光谱图像数据。
本发明实施例中,准备无人机和搭载的多光谱传感器,并根据无人机操控指南设置相关参数,例如飞行高度、拍摄间隔和传感器的工作模式。根据绘测采集航线数据,利用无人机沿着预设的航线飞行并搭载的多光谱传感器进行数据采集。在每个航线点上,多光谱传感器将采集到相应的修正光谱波段数据,例如红光波段、近红外波段和短波红外波段。同时,传感器还记录每个航线点的位置、时间和其他相关信息。结合修正光谱波段数据和航线采集数据,生成绘测多光谱图像数据。这些数据可以是多光谱图像文件,其中包含每个航线点上的光谱像素值,也可以是数据集或图像栅格数据,其中包含完整的绘测区域的光谱信息。
优选地,步骤S14包括以下步骤:
步骤S141:对绘测采集航线数据进行大气成分分析,生成测绘大气成分数据;
步骤S142:根据测绘大气成分数据进行大气吸收窗口标定,从而得到大气吸收区域数据;
步骤S143:利用HITRAN数据库对大气吸收区域数据进行大气光学深度分析,从而得到小光学深度波段数据;
步骤S144:通过小光学深度波段数据对绘测采集航线数据进行优势波段组合处理,生成优势光谱波段数据;
步骤S145:获取地理国情普查数据;利用地理国情普查数据对绘测区域范围数据进行地形特征提取,生成地形特征数据;
步骤S146:利用地形特征数据对优势光谱波段数据进行地物光谱响应处理,生成地物光谱响应数据;
步骤S147:通过地物光谱响应数据对优势光谱波段数据进行光谱波段修正处理,生成修正光谱波段数据。
本发明实施例中,通过载具携带的大气探测仪或气象站等设备,对航线上的大气数据进行采集。例如,可以采集温度、湿度、气压等大气参数数据。在绘测的航线上,使用大气成分分析仪器进行采样和测量。仪器应该能够在不同高度和位置采集数据,以获取空间上的大气成分变化。将采集到的大气成分数据进行处理,包括去除噪声、校正仪器响应等,以得到准确可靠的大气成分数据。根据测绘大气成分数据中的大气成分浓度信息,选择与这些成分相关的光谱波段。这些波段通常位于特定的吸收窗口,可用于大气吸收区域的标定。利用选择的光谱波段,对测绘大气成分数据进行大气吸收窗口标定。这可能涉及到寻找吸收线的位置、确定吸收线的强度等操作。选择合适的HITRAN数据库,该数据库包含了大气分子的光学参数,如光谱线位置、强度等。将测绘大气吸收区域数据中的吸收窗口信息与HITRAN数据库中的数据进行匹配,找到对应的光学参数。利用匹配到的光学参数,计算各吸收窗口的大气光学深度。这可以通过Beer-Lambert定律等光学原理进行计算。通过对小光学深度波段数据进行分析,选择具有优势信息的波段,这些波段对目标特征具有较强的区分度和敏感性。将选定的优势波段进行组合,形成新的优势光谱波段数据,以减少数据的维度,同时保留目标信息。从相关部门或数据库中获取地理国情普查数据,包括地形、土地利用、水体分布等信息。从地理国情普查数据中提取与地形相关的特征,如地势高程、坡度、坡向等。这可能需要应用地理信息系统(GIS)工具进行空间分析。考虑地形特征和光谱波段数据之间的关系。常用的分析算法包括最小二乘法、多元回归等。将地形特征数据与优势光谱波段数据进行匹配,确保数据在地理位置上的一致性。对优势光谱波段数据进行修正处理,考虑地物光谱响应的影响,使数据更符合实际地物特征。
优选地,步骤S2包括以下步骤:
步骤S21:对绘测多光谱图像数据进行地理坐标匹配,并进行地理坐标关联处理,生成坐标多光谱图像数据;
步骤S22:根据坐标多光谱图像数据进行图像几何异常识别,生成异常几何图像数据;
步骤S23:通过地形特征数据对异常几何图像数据进行非线性效应处理,生成增强光谱图像数据;
步骤S24:将增强光谱图像数据进行时序对齐叠加处理,从而得到多时相图像数据;
步骤S25:对多时相图像数据进行图像亮度校正处理,生成亮度校正图像数据;
步骤S26:利用激光雷达设备对绘测区域范围数据进行地貌高程测量,生成地貌高程数据;
步骤S27:通过数字高程模型对地貌高程数据以及亮度校正图像数据进行数字栅格建模,生成点云地貌模型。
本发明实施例中,从卫星、GPS或其他位置定位系统中获取绘测多光谱图像数据的地理坐标信息,包括经度、纬度、高程等。利用获取的地理坐标信息对绘测多光谱图像数据进行地理坐标匹配,确保图像像素与实际地理位置的准确对应。将匹配后的地理坐标与多光谱图像数据进行关联处理,建立地理坐标与像素之间的映射关系。这可以通过插值等方法实现,确保在图像中每个像素点都有准确的地理坐标。对坐标多光谱图像数据进行几何校正,包括去除图像的扭曲、旋转和投影变换等,以确保图像在几何上的准确性。利用坐标多光谱图像数据,使用图像处理和计算机视觉技术,识别图像中的几何异常。这包括缺失区域、形状异常或其他图像几何特征。将地形特征数据与异常几何图像数据整合,确保它们在相同的坐标系统和分辨率下。利用地形特征数据,通过适当的非线性处理方法对异常几何图像数据进行处理。这包括使用地形高程信息进行放大或缩小,以更好地适应实际地形。结合非线性处理后的异常几何图像数据,生成最终的增强光谱图像数据。这将反映了图像中的几何异常,并经过了地形特征的调整。对每个时相的图像数据提取特征点,通常选择具有明显特征的地物点或区域,如建筑物的角点、道路的交叉口等。将不同时相的图像数据中提取的特征点进行匹配,建立特征点之间的对应关系,利用特征点的对应关系,对不同时相的图像数据进行时序对齐,使它们在时序上保持一致,如基于特征点匹配的配准方法。对多时相图像数据进行亮度校正处理,调整图像中的亮度分布,使其在整个时序上保持一致。在绘测区域范围内使用激光雷达设备进行高程测量,获取地表的点云数据。激光雷达通过测量激光脉冲的回波时间和角度,可以获取地表的三维坐标信息。对采集到的激光雷达数据进行处理,包括去除噪声点、进行地面提取、对点云进行过滤等操作,以得到地貌高程数据。利用地貌高程数据,采用数字高程模型生成算法,生成数字高程模型,以描述地表的高程变化。将亮度校正图像数据与生成的数字高程模型进行融合,可以通过重采样等方法,将图像信息与高程信息相匹配,形成融合的数据。将融合后的数据进行数字栅格建模,生成点云地貌模型。这个模型可以用于描述地貌的三维形状、高程特征等。
优选地,步骤S25包括以下步骤:
步骤S251:根据地形特征数据进行实时地物光谱测量,生成地物光谱反射率;
步骤S252:对地物光谱反射率进行大气透明度估算,得到大气透明度数据;
步骤S253:根据大气透明度数据进行实际辐射亮度模拟,生成实际辐射亮度数据;
步骤S254:根据多时相图像数据进行像元提取,生成多时相像元数据;
步骤S255:对多时相像元数据进行太阳位置计算,分别生成像元太阳天顶角数据以及像元太阳方位角数据;
步骤S256:将像元太阳天顶角数据以及像元太阳方位角数据与多时相图像数据进行像元数据融合,生成融合图像数据;
步骤S257:基于图像亮度校正算法利用实际辐射亮度数据对融合图像数据进行图像亮度校正,生成亮度校正图像数据。
本发明实施例中,在绘测区域进行实时地物光谱测量,通过光谱仪或传感器获取地物的光谱反射率。这可以通过将光谱仪放置于地面或搭载在飞行器上等方式实现。对光谱测量得到的原始数据进行处理,包括噪声去除、波段校正等,以得到准确的地物光谱反射率数据。将处理后的光谱数据与地形特征数据关联,生成实时地物光谱反射率,其中包括不同波段上的地物光谱信息。基于地物光谱反射率数据来估算大气中的透明度。常见的算法包括基于波段比值法、模型反演法等。对地物光谱反射率数据进行大气透明度的估算处理,得到透明度数据。选择适当的辐射亮度模拟算法,考虑大气透明度、地物光谱和地形特征的综合影响。常见的算法包括辐射传输模型、大气校正模型等。利用大气透明度数据、地物光谱反射率数据和地形特征数据,进行实际辐射亮度的模拟处理。采用聚类方法、像元分解法或者特征提取方法,以提取每个像元的光谱信息。对多时相图像数据进行像元提取处理,将每个像元的光谱信息提取出来。这可以通过聚类分析将相似光谱的像元归类,或者采用线性变换法进行像元的分解。选择适当的太阳位置计算算法,如SPA算法等,以计算每个时刻太阳在地球上的位置。利用选择的太阳位置计算算法,根据地理信息和时间信息,计算每个像元在不同时刻的太阳天顶角。太阳天顶角表示太阳光线与垂直于地表的线之间的夹角。在同一时刻,根据太阳位置计算算法,计算每个像元的太阳方位角。太阳方位角表示太阳光线在水平面上的投影方向。将像元太阳天顶角数据和像元太阳方位角数据与多时相图像数据进行融合处理。这可以通过像元级别的插值或加权平均等方式实现。利用图像亮度校正算法将实际辐射亮度数据与融合图像数据进行亮度校正处理。这涉及到对每个像素的亮度值进行缩放、变换或调整,该算法可以根据实际辐射亮度数据来调整图像的亮度分布,确保图像反映地表真实的辐射特征。
优选地,步骤S257中图像亮度校正算法公式如下所示:
;
式中,表示为亮度校正图像数据的平均亮度,表示为图像的像元总数,表示为
图像像元序号值,表示为多时相图像数据中第个像元的亮度,表示为实际辐射亮度数
据的平均值,表示为多时相图像数据的平均亮度,表示为第个像元的太阳天顶角,表
示为第个像元的太阳方位角,表示为多时相图像数据的平均太阳天顶角,表示为多时
相图像数据的平均太阳方位角,表示为亮度适应性因子。
本发明利用一种图像亮度校正算法,该算法公式充分考虑了图像的像元总数、
图像像元序号值、多时相图像数据中第个像元的亮度、实际辐射亮度数据的平均值、
多时相图像数据的平均亮度、第个像元的太阳天顶角、第个像元的太阳方位角、多
时相图像数据的平均太阳天顶角、多时相图像数据的平均太阳方位角、亮度适应性因
子以及函数之间的相互作用关系,以形成函数关系式:
即,,通过对
于每个像元计算其太阳天顶角和太阳方位角,这两个角度可以反映每个像元所处位置
在地球上太阳位置变化过程中的角度差异。太阳天顶角越小,太阳方位角越接近正南或正
北,表示每个像元所受到的太阳光照越强;反之,表示每个像元所受到的太阳光照越弱。然
后,计算多时相图像数据的平均太阳天顶角和平均太阳方位角,这两个角度可以反映
整个多时相模式下所有位置在地球上太阳位置变化过程中的平均角度差异。平均太阳天顶
角越小,平均太阳方位角越接近正南或正北,表示整个多时相模式下所有位置所受到的太
阳光照越强;反之,表示整个多时相模式下所有位置所受到的太阳光照越弱。计算实际辐射
亮度数据的平均值和多时相图像数据的平均亮度,这两个值可以反映整个多时相模式
下所有像元发出的总光光照强度的差异。实际辐射亮度数据的平均值越大,表示实际辐射
亮度越高;反之,表示实际辐射亮度越低。多时相图像数据的平均亮度越大,表示多时相图
像数据越亮;反之,表示多时相图像数据越暗。式子项是为了使每个像元的亮度与实
际辐射亮度数据的平均值成比例;式子项使每个像元的亮度根据其太阳天
顶角和太阳方位角进行调整,使其与多时相图像数据的平均太阳天顶角和平均太阳方位角
相匹配;式子项使每个像元的亮度进行对数变换,使其更符合人眼
的感知。是一个可调节的参数,用于控制亮度适应性的强度。越大,亮度适应性越强,图
像的对比度越高;越小,亮度适应性越弱,图像的对比度越低。最终通过这样的计算,每个
像元的亮度都会得到适当的校正,从而使整个图像的亮度更接近实际辐射亮度数据,从而
提高图像的质量和可视性。
优选地,步骤S3包括以下步骤:
步骤S31:对点云地貌模型进行多尺度检查,从而得到多尺度地貌模型;
步骤S32:利用生成对抗网络对多尺度地貌模型进行残差重建处理,生成重建地貌模型;
步骤S33:对重建地貌模型进行地物对象分割,生成地物对象数据;
步骤S34:根据地物对象数据进行空间上下文识别,生成地物空间识别数据;
步骤S35:利用遮挡检测算法对地物空间识别数据进行三维遮挡检测,生成对象遮挡区域数据;
步骤S36:基于预设的图神经网络模型构建地物填充模型;将对象遮挡区域数据传输至地物填充模型进行遮挡区域智能填充,从而得到地物遮挡填充数据;
步骤S37:通过地物遮挡填充数据对地物对象数据进行数据完善处理,生成完整地物对象数据;
步骤S38:将完整地物对象数据进行对象要素划分,分别得到土地要素对象数据以及地形要素对象数据。
本发明实施例中,多尺度检查可通过不同的窗口或滤波器来分析地貌特征,如基于尺度空间的方法或小波变换等,用于检测不同尺度下的地貌特征。应用选择的算法对点云地貌模型进行多尺度检查处理,以识别并提取不同尺度下的地貌特征。这可以包括地表纹理、地形起伏等信息。根据多尺度检查的结果,对点云地貌模型进行分割或提取,生成多尺度地貌模型。每个尺度的模型都反映了地貌的不同层次和特征。配置生成对抗网络结构,包括生成器和判别器。生成器用于生成重建地貌模型,判别器用于评估生成模型的真实性。准备用于训练的多尺度地貌模型数据,这些数据包括原始地貌模型和相应的残差信息。残差信息可通过将原始地貌模型与多尺度地貌模型相减得到。使用准备好的训练数据,训练生成对抗网络,训练完成后,使用生成对抗网络中的生成器,对多尺度地貌模型进行残差重建处理。这将生成一系列的残差信息,用于修正原始地貌模型,提高地貌模型的精度。将原始地貌模型与生成的残差信息相加,生成重建地貌模型。这个模型将包含更精细的地貌特征,经过残差修正,更符合实际地貌的细节。对重建地貌模型进行地物对象分割处理,识别并提取出地貌模型中的不同地物对象,如建筑物、植被、水体等。利用三维可视化工具对象数据进行空间上下文识别处理,识别不同地物对象之间的关联关系,如邻近、相交、包含等。利用遮挡检测算法对地物空间识别数据进行遮挡检测处理,识别出存在遮挡关系的地物对象之间的区域,遮挡检测算法可以高效率识别出遮遗失的像元点,也可以通过图像识别工具或者人为检测遮挡区域,但是效果不如本公式便捷、有效。根据预设的图神经网络模型,构建地物填充模型。这可以包括图神经网络的结构、参数配置等。将对象遮挡区域数据作为输入,通过图神经网络模型进行遮挡区域的填充。使用训练数据,训练预设的图神经网络模型,以使其能够有效地学习地物遮挡区域的填充模式。将对象遮挡区域数据传输至训练好的地物填充模型中,进行遮挡区域的填充处理。模型将自动学习如何根据周围地物的上下文信息填充遮挡区域。对地物对象数据进行数据完善处理,通过融合地物遮挡填充数据,补充原始数据中缺失的地物信息,以得到更完整的地物对象数据。根据地物对象的属性信息,将完整地物对象数据划分为不同的要素类别,如土地要素和地形要素。
优选地,步骤S35中的遮挡检测算法公式如下所示:
;
式中,表示为第个检测点的遮挡程度,表示为高程区间的长度,表示为第
个检测点的高度值,表示为三维点云数据中点的数量,表示为三维点云数据中点的序号,表示为第个检测点的横坐标值,表示为三维点云中第点的横坐标值,表示为第
个检测点的纵坐标值,表示为三维点云中第点的纵坐标值,表示为监测点的半径值,表示为狄拉克函数,表示为平面的高度变量,表示为三维点云中第
点的竖坐标值。
本发明利用一种遮挡检测算法,该算法公式充分考虑了高程区间的长度、第个
检测点的高度值、三维点云数据中点的数量、三维点云数据中点的序号、第个检测点
的横坐标值、三维点云中第点的横坐标值、第个检测点的纵坐标值、三维点云中
第点的纵坐标值、监测点的半径值、狄拉克函数、平面的高度变量
、三维点云中第点的竖坐标值以及函数之间的相互作用关系,以形成函数关系式:
即,
,通过确定一个检测点的位置和高度,用表示,以及一个高程区间的长度,用于限
定遮挡检测的范围。这个高程区间可以理解为一个垂直于平面的矩形柱体,它的
底面是平面,它的高度是ϵ,它的中心是检测点。然后,遍历三维点云数据中的所有
点,用表示,计算它们与检测点的水平距离和垂直距离。水平距离用表示,垂直距离用(-)表示。如果一个点的水平距离小于
检测点的半径,且垂直距离在高程区间内,那么这个点就有可能为遮挡检测点。这个可能
性用表示,它是一个介于0和1之间的值,当水平距离越小,或者
反射率越大时,这个值越接近1,表示遮挡的可能性越大。接着,对于每一个高程区间内的
点,用狄拉克函数来判断它是否在检测点的正上方,也就是它的垂直距离是否等
于0。如果是,那么这个点就完全遮挡了检测点,狄拉克函数的值为1;如果不是,那么这个点
就没有完全遮挡检测点,狄拉克函数的值为0。然后,将所有高程区间内的点的遮挡可能性
和狄拉克函数的值相乘,得到一个表示遮挡程度的值,用表示。这个值越大,表示遮挡程度越高。最
后,对于高程区间内的每一个高度值z,计算1+遮挡程度的值,然后取对数,得到一个表示遮
挡信息的值,用表示。这个值
越大,表示遮挡信息越多。然后,对这个值在高程区间内进行积分,得到一个表示遮挡信息
的总量的值,用表示。这个值
越大,表示遮挡信息的总量越多。最后,将这个值除以高程区间的长度,得到一个表示检测
点的遮挡程度的值,用表示。这个值越大,表示检测点的遮挡程度越高。
优选地,步骤S4包括以下步骤:
步骤S41:对土地要素对象数据以及地形要素对象数据进行属性编码规范处理,生成地理元属性数据;
步骤S42:利用点云地貌模型对地理元属性数据进行时态对象处理,并进行空间维度关联处理,得到测绘时态对象数据;
步骤S43:获取用户需求属性数据;通过用户需求属性数据对地理元属性数据进行属性反馈处理,生成目标测绘属性数据;
步骤S44:对目标测绘属性数据进行层次结构设计,生成地理层次结构数据;
步骤S45:基于预设的数据库设计规则利用四叉树索引原理对测绘时态对象数据进行时空索引设计,并根据地理层次结构数据进行时空测绘数据库构建,生成时空测绘数据库;
步骤S46:将时空测绘数据库部署至云端,从而得到测绘云管理平台数据。
本发明通过属性编码规范处理,对土地要素和地形要素的属性进行标准化编码。生成的地理元属性数据具有一致的属性编码,便于数据的管理、查询和分析。利用点云地貌模型进行时态对象处理,考虑地理元属性数据的时序变化。通过时态对象处理和空间维度关联处理,生成测绘时态对象数据,使地理元属性数据能够更好地反映地表的时空演变。根据用户需求获取相关属性数据,通过用户需求属性数据进行反馈处理,对地理元属性数据进行调整和修正。生成的目标测绘属性数据更贴近用户需求,满足特定应用场景的属性要求。通过层次结构设计,对目标测绘属性数据进行组织和分类,形成地理层次结构数据。生成的层次结构数据有助于更有效地管理和组织地理数据,使其具有层次化和结构化的特征。利用四叉树索引原理,基于预设的数据库设计规则,对测绘时态对象数据进行时空索引设计。根据地理层次结构数据构建时空测绘数据库,实现了对时态地理信息的高效存储和检索。时空测绘数据库的建立提供了快速、准确的数据访问方式,有助于支持复杂时空查询和分析。将时空测绘数据库部署至云端,实现对测绘数据的云端存储和管理,提高了数据的可访问性和共享性,使得用户可以通过云端平台实时获取和管理地理信息数据。
作为本发明的一个实例,参考图3所示,为图1中步骤S4的详细实施步骤流程示意图,在本实例中所述步骤S4包括:
步骤S41:对土地要素对象数据以及地形要素对象数据进行属性编码规范处理,生成地理元属性数据;
本发明实施例中,选择适当的属性编码规范,该规范可以定义土地要素和地形要素对象的属性编码方式,以确保编码的一致性和规范性。对土地要素对象数据和地形要素对象数据进行属性编码处理。这可以包括将属性值映射为规范化的编码、统一单位等。
步骤S42:利用点云地貌模型对地理元属性数据进行时态对象处理,并进行空间维度关联处理,得到测绘时态对象数据;
本发明实施例中,对于地形的演变,考虑地形高程的变化。根据土地利用分类和属性编码规范,分析对象属性在不同时间点的变化,模拟土地利用的演变过程。这可以包括城市扩张、农田变化等。通过分析点云地貌模型在不同时间点的高程数据,可以模拟地形的演变过程。在时空维度上对地貌和土地利用进行一致的模拟,考虑它们在不同时间点上的相互影响。确定模拟的时间点,建立时间序列。这可能包括过去几年或几十年的时间跨度,以捕捉地貌和土地利用的长期演变过程。将点云地貌模型和地理元属性数据的时态特征整合,生成包含地形演变和土地利用变化信息的时态对象数据。在时态对象处理的基础上,进行空间维度关联处理。这包括考虑时态对象在空间上的关联关系,如对象的移动、扩展等。
步骤S43:获取用户需求属性数据;通过用户需求属性数据对地理元属性数据进行属性反馈处理,生成目标测绘属性数据;
本发明实施例中,根据用户需求属性数据,对已有的地理元属性数据进行反馈处理,使得生成的目标测绘属性数据更符合用户的需求,这包括属性值的调整、属性的插值、缺失值的填充等,以确保生成的目标测绘属性数据满足用户的需求。
步骤S44:对目标测绘属性数据进行层次结构设计,生成地理层次结构数据;
本发明实施例中,根据目标测绘属性数据,对属性进行层次结构化设计,以便更好地组织和管理信息。这包括属性的分类、分级、组织方式等,以建立一个清晰的地理信息层次结构。例如,用户需求属性数据包括对城市建筑的高度和用途进行详细描述。通过属性反馈处理,可以调整原始地理元属性数据中建筑高度和用途的属性,使其更准确地符合用户需求。随后,通过地理层次结构设计,将建筑属性按照用途和高度等特征进行分类和组织,形成一个清晰的地理层次结构,使用户能够方便地获取所需信息。
步骤S45:基于预设的数据库设计规则利用四叉树索引原理对测绘时态对象数据进行时空索引设计,并根据地理层次结构数据进行时空测绘数据库构建,生成时空测绘数据库;
本发明实施例中,根据准备好的数据库设计规则,应用四叉树索引原理对测绘时态对象数据进行时空索引设计。将时态对象数据按照时空维度进行划分和索引,以支持高效的时空查询。将地理层次结构数据与时态对象数据进行关联。根据层次结构的组织方式,将时态对象数据按照地理层次结构的分类、分级进行存储,以方便后续查询和管理。根据时空索引设计和地理层次结构与数据库的关联,进行时空测绘数据库的构建。将索引和数据存储结构整合,形成一个具有时态特征和地理层次结构的综合性数据库。
步骤S46:将时空测绘数据库部署至云端,从而得到测绘云管理平台数据。
本发明实施例中,将构建好的时空测绘数据库上传至云端。这可以通过数据迁移工具、数据库备份和还原等方式进行,确保时态对象数据和相关索引结构都被完整地迁移到云端。在云端环境中部署时空测绘数据库,并进行必要的配置。包括数据库引擎的选择、性能优化、备份策略等。设计并配置云端服务接口,以提供对时空测绘数据库的访问和查询功能。这可能包括RESTful API、GraphQL接口等。构建测绘云管理平台,该平台可以通过云端服务接口与时空测绘数据库进行交互。管理平台可能包括用户权限管理、数据可视化、任务调度等功能。
本发明还提供一种土地资源测绘数据库的构建系统,执行如上所述的土地资源测绘数据库的构建方法,该土地资源测绘数据库的构建系统包括:
绘测图像采集模块,用于获取绘测区域范围数据;根据绘测区域范围数据进行绘测光谱波段制定,生成修正光谱波段数据;通过修正光谱波段数据对绘测区域范围数据进行多光谱图像采集,生成绘测多光谱图像数据;
地貌建模模块,用于对绘测多光谱图像数据进行地理坐标匹配,生成坐标多光谱图像数据;根据坐标多光谱图像数据进行时序对齐叠加处理,从而得到多时相图像数据;对多时相图像数据进行图像亮度校正处理,生成亮度校正图像数据;通过数字高程模型对亮度校正图像数据进行数字栅格建模,生成点云地貌模型;
智能地貌重建模块,用于根据点云地貌模型进行残差重建处理,生成重建地貌模型;对重建地貌模型进行地物对象分割,生成地物对象数据;对地物对象数据进行三维遮挡检测,生成对象遮挡区域数据;根据对象遮挡区域数据进行遮挡区域智能填充,从而得到完整地物对象数据;将完整地物对象数据进行对象要素划分,分别得到土地要素对象数据以及地形要素对象数据;
绘测数据库构建模块,用于根据土地要素对象数据以及地形要素对象数据进行时态对象处理,得到测绘时态对象数据;对测绘时态对象数据进行时空索引设计以及时空测绘数据库构建,生成时空测绘数据库;将时空测绘数据库部署至云端,从而得到测绘云管理平台数据。
本申请有益效果在于,确定测量区域并获取地理范围数据,包括地理坐标或边界坐标。明确测量区域特征和研究目的,如植被、土壤、水质,确定适当的光谱波段。选择与目标特征相关的波段,考虑大气和仪器响应等因素,生成修正的光谱波段数据。配置多光谱图像仪器确保准确测量所选波段。在区域内采集多光谱图像,使用无人机传感器获取数据。获取地理坐标信息,确保图像与实际位置对应。对坐标多光谱图像进行时序对齐,生成多时相图像数据。考虑不同光照条件,进行亮度校正处理。获取数字高程模型,并将亮度校正图像与其对齐,生成点云地貌模型。通过残差分析和调整处理生成重建后的地貌模型数据。利用地物对象分割和三维遮挡检测,智能填充遮挡区域。根据属性和特征划分完整地物对象数据为土地要素和地形要素。对土地要素和地形要素对象数据进行时态建模,添加时间信息。选择合适的时空索引结构,将时态对象数据导入时空测绘数据库中,搭建数据库并配置云服务器资源。设置安全策略确保数据安全,建立测绘云管理平台提供查询、可视化、分析等功能。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种土地资源测绘数据库的构建方法,其特征在于,包括以下步骤:
步骤S1:获取绘测区域范围数据;根据绘测区域范围数据进行绘测光谱波段制定,生成修正光谱波段数据;通过修正光谱波段数据对绘测区域范围数据进行多光谱图像采集,生成绘测多光谱图像数据;
步骤S2:对绘测多光谱图像数据进行地理坐标匹配,生成坐标多光谱图像数据;根据坐标多光谱图像数据进行时序对齐叠加处理,从而得到多时相图像数据;对多时相图像数据进行图像亮度校正处理,生成亮度校正图像数据;通过数字高程模型对亮度校正图像数据进行数字栅格建模,生成点云地貌模型;
步骤S3:根据点云地貌模型进行残差重建处理,生成重建地貌模型;对重建地貌模型进行地物对象分割,生成地物对象数据;对地物对象数据进行三维遮挡检测,生成对象遮挡区域数据;根据对象遮挡区域数据进行遮挡区域智能填充,从而得到完整地物对象数据;将完整地物对象数据进行对象要素划分,分别得到土地要素对象数据以及地形要素对象数据;
步骤S4:根据土地要素对象数据以及地形要素对象数据进行时态对象处理,得到测绘时态对象数据;对测绘时态对象数据进行时空索引设计以及时空测绘数据库构建,生成时空测绘数据库;将时空测绘数据库部署至云端,从而得到测绘云管理平台数据。
2.根据权利要求1所述的土地资源测绘数据库的构建方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取绘测区域范围数据;
步骤S12:根据绘测区域范围数据进行区域采集授权处理,生成资源绘测授权数据;
步骤S13:通过资源绘测授权数据对土地绘测区域数据进行无人机航线制定,从而得到绘测采集航线数据;
步骤S14:根据绘测采集航线数据进行绘测光谱波段制定,生成修正光谱波段数据;
步骤S15:基于修正光谱波段数据以及绘测采集航线数据利用无人机搭载预设的多光谱传感器对绘测区域范围数据进行多光谱图像采集,生成绘测多光谱图像数据。
3.根据权利要求2所述的土地资源测绘数据库的构建方法,其特征在于,步骤S14包括以下步骤:
步骤S141:对绘测采集航线数据进行大气成分分析,生成测绘大气成分数据;
步骤S142:根据测绘大气成分数据进行大气吸收窗口标定,从而得到大气吸收区域数据;
步骤S143:利用HITRAN数据库对大气吸收区域数据进行大气光学深度分析,从而得到小光学深度波段数据;
步骤S144:通过小光学深度波段数据对绘测采集航线数据进行优势波段组合处理,生成优势光谱波段数据;
步骤S145:获取地理国情普查数据;利用地理国情普查数据对绘测区域范围数据进行地形特征提取,生成地形特征数据;
步骤S146:利用地形特征数据对优势光谱波段数据进行地物光谱响应处理,生成地物光谱响应数据;
步骤S147:通过地物光谱响应数据对优势光谱波段数据进行光谱波段修正处理,生成修正光谱波段数据。
4.根据权利要求2所述的土地资源测绘数据库的构建方法,其特征在于,步骤S2包括以下步骤:
步骤S21:对绘测多光谱图像数据进行地理坐标匹配,并进行地理坐标关联处理,生成坐标多光谱图像数据;
步骤S22:根据坐标多光谱图像数据进行图像几何异常识别,生成异常几何图像数据;
步骤S23:通过地形特征数据对异常几何图像数据进行非线性效应处理,生成增强光谱图像数据;
步骤S24:将增强光谱图像数据进行时序对齐叠加处理,从而得到多时相图像数据;
步骤S25:对多时相图像数据进行图像亮度校正处理,生成亮度校正图像数据;
步骤S26:利用激光雷达设备对绘测区域范围数据进行地貌高程测量,生成地貌高程数据;
步骤S27:通过数字高程模型对地貌高程数据以及亮度校正图像数据进行数字栅格建模,生成点云地貌模型。
5.根据权利要求4所述的土地资源测绘数据库的构建方法,其特征在于,步骤S25包括以下步骤:
步骤S251:根据地形特征数据进行实时地物光谱测量,生成地物光谱反射率;
步骤S252:对地物光谱反射率进行大气透明度估算,得到大气透明度数据;
步骤S253:根据大气透明度数据进行实际辐射亮度模拟,生成实际辐射亮度数据;
步骤S254:根据多时相图像数据进行像元提取,生成多时相像元数据;
步骤S255:对多时相像元数据进行太阳位置计算,分别生成像元太阳天顶角数据以及像元太阳方位角数据;
步骤S256:将像元太阳天顶角数据以及像元太阳方位角数据与多时相图像数据进行像元数据融合,生成融合图像数据;
步骤S257:基于图像亮度校正算法利用实际辐射亮度数据对融合图像数据进行图像亮度校正,生成亮度校正图像数据。
6.根据权利要求5所述的土地资源测绘数据库的构建方法,其特征在于,步骤S257中图像亮度校正算法公式如下所示:
;
式中,表示为亮度校正图像数据的平均亮度,/>表示为图像的像元总数,/>表示为图像像元序号值,/>表示为多时相图像数据中第/>个像元的亮度,/>表示为实际辐射亮度数据的平均值,/>表示为多时相图像数据的平均亮度,/>表示为第/>个像元的太阳天顶角,/>表示为第/>个像元的太阳方位角,/>表示为多时相图像数据的平均太阳天顶角,/>表示为多时相图像数据的平均太阳方位角,/>表示为亮度适应性因子。
7.根据权利要求4所述的土地资源测绘数据库的构建方法,其特征在于,步骤S3包括以下步骤:
步骤S31:对点云地貌模型进行多尺度检查,从而得到多尺度地貌模型;
步骤S32:利用生成对抗网络对多尺度地貌模型进行残差重建处理,生成重建地貌模型;
步骤S33:对重建地貌模型进行地物对象分割,生成地物对象数据;
步骤S34:根据地物对象数据进行空间上下文识别,生成地物空间识别数据;
步骤S35:利用遮挡检测算法对地物空间识别数据进行三维遮挡检测,生成对象遮挡区域数据;
步骤S36:基于预设的图神经网络模型构建地物填充模型;将对象遮挡区域数据传输至地物填充模型进行遮挡区域智能填充,从而得到地物遮挡填充数据;
步骤S37:通过地物遮挡填充数据对地物对象数据进行数据完善处理,生成完整地物对象数据;
步骤S38:将完整地物对象数据进行对象要素划分,分别得到土地要素对象数据以及地形要素对象数据。
8.根据权利要求7所述的土地资源测绘数据库的构建方法,其特征在于,步骤S35中遮挡检测算法公式如下所示:
;
式中,表示为第/>个检测点的遮挡程度,/>表示为高程区间的长度,/>表示为第/>个检测点的高度值,/>表示为三维点云数据中点的数量,/>表示为三维点云数据中点的序号,/>表示为第/>个检测点的横坐标值,/>表示为三维点云中第/>点的横坐标值,/>表示为第/>个检测点的纵坐标值,/>表示为三维点云中第/>点的纵坐标值,/>表示为监测点的半径值,表示为狄拉克函数,/>表示为平面/>的高度变量,/>表示为三维点云中第/>点的竖坐标值。
9.根据权利要求7所述的土地资源测绘数据库的构建方法,其特征在于,步骤S4包括以下步骤:
步骤S41:对土地要素对象数据以及地形要素对象数据进行属性编码规范处理,生成地理元属性数据;
步骤S42:利用点云地貌模型对地理元属性数据进行时态对象处理,并进行空间维度关联处理,得到测绘时态对象数据;
步骤S43:获取用户需求属性数据;通过用户需求属性数据对地理元属性数据进行属性反馈处理,生成目标测绘属性数据;
步骤S44:对目标测绘属性数据进行层次结构设计,生成地理层次结构数据;
步骤S45:基于预设的数据库设计规则利用四叉树索引原理对测绘时态对象数据进行时空索引设计,并根据地理层次结构数据进行时空测绘数据库构建,生成时空测绘数据库;
步骤S46:将时空测绘数据库部署至云端,从而得到测绘云管理平台数据。
10.一种土地资源测绘数据库的构建系统,其特征在于,用于执行如权利要求1所述的土地资源测绘数据库的构建方法,该土地资源测绘数据库的构建系统包括:
绘测图像采集模块,用于获取绘测区域范围数据;根据绘测区域范围数据进行绘测光谱波段制定,生成修正光谱波段数据;通过修正光谱波段数据对绘测区域范围数据进行多光谱图像采集,生成绘测多光谱图像数据;
地貌建模模块,用于对绘测多光谱图像数据进行地理坐标匹配,生成坐标多光谱图像数据;根据坐标多光谱图像数据进行时序对齐叠加处理,从而得到多时相图像数据;对多时相图像数据进行图像亮度校正处理,生成亮度校正图像数据;通过数字高程模型对亮度校正图像数据进行数字栅格建模,生成点云地貌模型;
智能地貌重建模块,用于根据点云地貌模型进行残差重建处理,生成重建地貌模型;对重建地貌模型进行地物对象分割,生成地物对象数据;对地物对象数据进行三维遮挡检测,生成对象遮挡区域数据;根据对象遮挡区域数据进行遮挡区域智能填充,从而得到完整地物对象数据;将完整地物对象数据进行对象要素划分,分别得到土地要素对象数据以及地形要素对象数据;
绘测数据库构建模块,用于根据土地要素对象数据以及地形要素对象数据进行时态对象处理,得到测绘时态对象数据;对测绘时态对象数据进行时空索引设计以及时空测绘数据库构建,生成时空测绘数据库;将时空测绘数据库部署至云端,从而得到测绘云管理平台数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410089354.1A CN117611978B (zh) | 2024-01-23 | 2024-01-23 | 一种土地资源测绘数据库的构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410089354.1A CN117611978B (zh) | 2024-01-23 | 2024-01-23 | 一种土地资源测绘数据库的构建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117611978A true CN117611978A (zh) | 2024-02-27 |
CN117611978B CN117611978B (zh) | 2024-05-03 |
Family
ID=89958245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410089354.1A Active CN117611978B (zh) | 2024-01-23 | 2024-01-23 | 一种土地资源测绘数据库的构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611978B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118093673A (zh) * | 2024-03-04 | 2024-05-28 | 北京徕达泰科科技有限公司 | 一种测绘数据处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010099036A1 (en) * | 2009-02-25 | 2010-09-02 | Dimensional Photonics International, Inc. | Intensity and color display for a three-dimensional metrology system |
CN107679498A (zh) * | 2017-10-11 | 2018-02-09 | 防灾科技学院 | 一种机载激光点云城区道路识别方法 |
CN113324656A (zh) * | 2021-05-28 | 2021-08-31 | 中国地质科学院 | 无人机搭载红外遥感的地表热异常探测方法及系统 |
CN114998536A (zh) * | 2022-05-31 | 2022-09-02 | 广州市城市规划勘测设计研究院 | 基于新型基础测绘的模型生成方法、装置及存储介质 |
CN116189021A (zh) * | 2023-02-27 | 2023-05-30 | 中国人民解放军国防科技大学 | 多分支互交叉注意力增强的无人机多光谱目标检测方法 |
CN117268350A (zh) * | 2023-09-18 | 2023-12-22 | 广东省核工业地质局测绘院 | 一种基于点云数据融合的移动式智能测绘系统 |
-
2024
- 2024-01-23 CN CN202410089354.1A patent/CN117611978B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010099036A1 (en) * | 2009-02-25 | 2010-09-02 | Dimensional Photonics International, Inc. | Intensity and color display for a three-dimensional metrology system |
CN107679498A (zh) * | 2017-10-11 | 2018-02-09 | 防灾科技学院 | 一种机载激光点云城区道路识别方法 |
CN113324656A (zh) * | 2021-05-28 | 2021-08-31 | 中国地质科学院 | 无人机搭载红外遥感的地表热异常探测方法及系统 |
CN114998536A (zh) * | 2022-05-31 | 2022-09-02 | 广州市城市规划勘测设计研究院 | 基于新型基础测绘的模型生成方法、装置及存储介质 |
CN116189021A (zh) * | 2023-02-27 | 2023-05-30 | 中国人民解放军国防科技大学 | 多分支互交叉注意力增强的无人机多光谱目标检测方法 |
CN117268350A (zh) * | 2023-09-18 | 2023-12-22 | 广东省核工业地质局测绘院 | 一种基于点云数据融合的移动式智能测绘系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118093673A (zh) * | 2024-03-04 | 2024-05-28 | 北京徕达泰科科技有限公司 | 一种测绘数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117611978B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3853807B1 (en) | Generation of synthetic high-elevation digital images from temporal sequences of high-elevation digital images | |
CN114037911B (zh) | 一种顾及生态分区的大尺度森林高度遥感反演方法 | |
US10095995B2 (en) | Apparatus for and method of forest-inventory management | |
Berger et al. | Multi-modal and multi-temporal data fusion: Outcome of the 2012 GRSS data fusion contest | |
CN105893972B (zh) | 基于影像进行的违章建筑物自动监测方法及其实现系统 | |
CN116504032B (zh) | 一种基于实景三维的滑坡危险性监测预警方法及系统 | |
Hecht et al. | Estimation of urban green volume based on single-pulse LiDAR data | |
CN117611978B (zh) | 一种土地资源测绘数据库的构建方法及系统 | |
Rieg et al. | Data infrastructure for multitemporal airborne LiDAR point cloud analysis–Examples from physical geography in high mountain environments | |
Zhou | Urban High-Resolution Remote Sensing: Algorithms and Modeling | |
US20240312206A1 (en) | Accurate inversion method and system for aboveground biomass of urban vegetations considering vegetation type | |
CN117272191B (zh) | 一种城市地下空间智能测绘方法及系统 | |
Zhao et al. | Combining ICESat-2 photons and Google Earth Satellite images for building height extraction | |
Zietara | Creating Digital Elevation Model (DEM) based on ground points extracted from classified aerial images obtained from Unmanned Aerial Vehicle (UAV) | |
Sillero et al. | Free GIS for herpetologists: free data sources on Internet and comparison analysis of proprietary and free/open source software | |
CN117115683A (zh) | 一种植被覆盖下危岩落石遥感提取方法及系统 | |
Yin et al. | Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges | |
Niederheiser et al. | Dense image matching of terrestrial imagery for deriving high-resolution topographic properties of vegetation locations in alpine terrain | |
Rocchini | Resolution problems in calculating landscape metrics | |
CN112686988B (zh) | 三维建模方法、装置、电子设备及存储介质 | |
Carlisle | Digital elevation model quality and uncertainty in DEM-based spatial modelling | |
Park et al. | Estimation of forest canopy height using orthoimage-refined digital elevation models | |
Wittke et al. | Extracting urban morphology for atmospheric modeling from multispectral and sar satellite imagery | |
Crutchley | Shedding light on the past: Using airborne LIDAR to understand ancient landscapes | |
GALIATZATOS | 4.1 EXPLORING ARCHAEOLOGICAL LANDSCAPES WITH SATELLITE IMAGERY |
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 |