CN117710758B - 一种遥感图像岩土解译方法、介质及设备 - Google Patents

一种遥感图像岩土解译方法、介质及设备 Download PDF

Info

Publication number
CN117710758B
CN117710758B CN202410160792.2A CN202410160792A CN117710758B CN 117710758 B CN117710758 B CN 117710758B CN 202410160792 A CN202410160792 A CN 202410160792A CN 117710758 B CN117710758 B CN 117710758B
Authority
CN
China
Prior art keywords
soil
rock
remote sensing
sensing image
clustering
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410160792.2A
Other languages
English (en)
Other versions
CN117710758A (zh
Inventor
董玉森
蔡宇杰
贺康
吴祥中
郭登科
王旭东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN202410160792.2A priority Critical patent/CN117710758B/zh
Publication of CN117710758A publication Critical patent/CN117710758A/zh
Application granted granted Critical
Publication of CN117710758B publication Critical patent/CN117710758B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/042Knowledge-based neural networks; Logical representations of neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/0464Convolutional networks [CNN, ConvNet]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761Proximity, similarity or dissimilarity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种遥感图像岩土解译方法、介质及设备,涉及遥感图像岩土解译领域,本发明根据研究区域的遥感图像和基础地质图,获取岩土组群信息、岩性和土性信息并构建相关岩土特征库,利用聚类算法对遥感图像进行聚类,得到岩土类别聚类效果图,并利用K近邻算法对其进行相似度计算,得到遥感图像岩土解译效果图。实施本发明提供的遥感图像岩土解译方法,能够能提升岩土解译速度和精度。

Description

一种遥感图像岩土解译方法、介质及设备
技术领域
本发明涉及遥感图像岩土解译领域,更具体地说,涉及一种遥感图像岩土解译方法、介质及设备。
背景技术
遥感影像解译是遥感成像过程的逆过程,遥感影像地物属性的分类是遥感影像解译的基石。遥感影像地物分类是从遥感影像中获取地表特征,针对目标类别进行识别。遥感影像分类的主流任务有自然资源监测和环境灾害监测等,主要针对的目标类别有水资源提取、土地覆被、岩土体分类、滑坡检测等。利用遥感影像进行岩土要素分类是现行的主流方法。其结果在城市规划、交通道路、地质调查、自然灾害预警和应急抢险等领域都发挥着重要的作用。随着应用研究推广和深入,遥感技术已经与地质学深度融合,遥感影像数据也呈现出类型丰富、数据量大等特点。
目前针对岩土地质要素的解译工作仍以传统的人工目视解译为主,人工解译方法是通过目视判读能综合利用地物影像特征知识,结合地质学、地理学归纳总结的专家知识及其它非遥感数据资料进行综合分析和逻辑推理,从而能达到较高的专题信息提取的精度。然而,人工解译工作存在着很大的局限性。传统的人工目视解译方法要求进行解译的工作人员具备各种丰富的专业知识,费事费力,工作效率较低,并且主观因素作用大,容易产生误判,不能完全实现定量描述,很难适应当前自然资源全要素、全流程、全覆盖一体化调查监测的新要求和自然资源自动化、智能化、精细化、实时化管理的需求。
传统的机器学习方法难以应对岩土解译中的复杂场景。随着计算机性能的高速发展。以深度学习为代表人工智能方法,已成为当前遥感影像解译的主流技术。然而岩土要素易被植被等地理环境覆盖且易遭受地质构造的改造,前者导致卫星遥感数据观测性极差(如地物对抗性)、地质要素特征“隐形”,后者导致地物特征分布复杂(结构细碎)、地质要素空间异变性强等问题。具体而言,受地形、地貌和气象等诸多自然环境及成像差异的影响导致地物要素空间分布存在随机性和空间差异性且不同土体类别具有高度的类间相似性和类内相异性;相比于一般自然图像分类,岩土要素特征显现较为“隐形”不易区分。因此利用深度学习方法对遥感图像进行岩土解译的精度往往达不到预期。如何使用智能化的解译方法提高精度以满足实际应用生产需求,仍然面临着巨大的挑战。
发明内容
本发明的目的在于,提供一种遥感图像岩土解译方法、介质及设备,能够提升岩土解译的速度和精度。
本发明解决其技术问题所采用的技术方案是提供一种遥感图像岩土解译方法,包括以下步骤:
S1:获取研究区域的遥感数据和基础地质图,对研究区域的遥感数据进行预处理,得到研究区域的遥感图像;
S2:根据研究区域的基础地质图,利用地理信息系统软件ArcGIS,构建岩土特征库;
S3:对遥感图像进行聚类,得到岩土类别聚类效果图;
S4:根据岩土特征库,利用K近邻算法KNN对岩土类别聚类效果图进行相似度计算,得到遥感图像岩土解译效果图。
进一步地,上述的遥感图像岩土解译方法的步骤S1包括:
S11:从陆地卫星Landsat影像数据官网,根据研究区域的地理位置和时间,下载研究区域的陆地卫星八号Landsat8遥感数据;
S12:使用地理信息系统软件ArcGIS,对研究区域的陆地卫星八号Landsat8遥感数据进行预处理,得到研究区域的遥感图像,遥感图像包含研究区域的岩土的纹理特征、敏感特征;
S13:获取研究区域的基础地质图,基础地质图包括研究区域的岩土组群信息。
进一步地,上述的遥感图像岩土解译方法的对研究区域的陆地卫星八号Landsat8遥感数据进行预处理,包含几何校正、均匀化、色彩增强。
进一步地,上述的遥感图像岩土解译方法的步骤S2包括:
S21:根据研究区域的基础地质图,提取岩土组群信息,获取岩性和土性信息,将研究区域划分为预设数量的分区;
S22:根据基础地质图,对岩性和土性信息进行整理、筛选和过滤,得到研究区域的岩土类别信息;
S23:在地理信息系统软件ArcGIS中新建一个矢量图形格式文件Shapefile,要素类型选择为面,选择面作为构造工具,以基础地质图为参照物,以岩土组群信息为分类标准,在遥感图像中勾画预设数量的面,预设数量的面包括属性表,预设数量的面与预设数量的分区一一对应;
S24:利用地理信息系统软件ArcGIS给预设数量的面的属性表新增第一列字段和第二列字段,第一列字段对应每个面的岩土组群信息,第二列字段对应每个面的岩性和土性信息,得到处理好的矢量图形格式文件Shapefile;
S25:将处理好的矢量图形格式文件Shapefile导出为单通道的标记图像文件格式.GIF文件;将预设数量的面的属性表的第一列字段和第二列字段导出,得到Excel电子表格,Excel电子表格包括岩土组群信息字段、岩性和土性字段;
S26:在Excel电子表格中新增第一列、第二列,第一列统计与岩土组群信息字段存在相同的岩性或土性的岩土组群;第二列存储相同的岩性或土性信息,得到岩土特征库。
进一步地,上述的遥感图像岩土解译方法的分区对应一类岩土组群,每一类岩土组群包含至少一种岩土类别。
进一步地,上述的遥感图像岩土解译方法的步骤S3包括:
S31:将研究区域的遥感图像依照单通道的标记图像文件格式.GIF文件中划分的预设数量的分区进行裁剪,形成预设数量的遥感图像分区;
S32:将预设数量的遥感图像分区依次使用聚类方法进行聚类,得到预设数量的遥感图像分区的岩土类别聚类效果图,聚类的类数为当前分区的岩性和土性字段中岩性和土性的数量。
进一步地,上述的遥感图像岩土解译方法的步骤S32包括:
S321:将预设数量的遥感图像分区转换为相近邻接矩阵;
S322:构建聚类网络,聚类网络包括特征提取模块、图神经模块和双头迭代模块;特征提取模块包括8个处理层,8个处理层按顺序依次串联连接,处理层用于提取遥感图像分区的岩土特征;图神经模块包括8个图卷积网络层和1个归一化多分类层,8个图卷积网络层按顺序依次串联连接,每个图卷积网络层的输入端同时与特征提取模块对应的处理层的输出端逐层连接,归一化多分类层与第8图卷积网络层串接;双头迭代模块用于计算聚类网络的聚类损失;
S323:利用特征提取模块提取遥感图像分区的岩土特征;构建特征提取损失函数,将其反向传播给特征提取模块,如公式:
其中,L ft为特征提取模块损失函数,N为遥感图像分区的样本个数,F为遥感图像分区,为遥感图像分区的共轭;
利用图神经模块各图卷积网络层对相近邻接矩阵进行聚类,利用归一化多分类层,对图神经模块最后一层图卷积网络层的输出进行归一化,得到图神经模块的聚类矩阵,如公式:
其中,为第l图卷积网络层的聚类矩阵,/>为当前层的邻接矩阵,A为相近邻接矩阵,I n为相近邻接矩阵的单位对角矩阵;/>为度矩阵,W (l)为第l图卷积网络层的权重,H (l)为第l层图卷积网络层的输入,σ为非线性激活函数,H为图神经模块的聚类矩阵,softmax为归一化指数函数;
S324:利用双头迭代模块计算聚类网络的聚类损失,用于提升聚类网络的聚类性能,如公式:
其中,q ij为遥感图像分区的第i个样本为第j类岩土类别的预测概率,为图神经模块最后一层图卷积网络层的第i行,μ j为特征提取模块学习到的岩土特征的均值初始化值,t为t分布-随机邻近嵌入的自由度;p ij为遥感图像分区的第i个样本为第j类岩土类别的真实概率,f j为软簇频率,/>为遥感图像分区的第i个样本为第j类岩土类别的概率;L ft为特征提取模块损失函数,L all为聚类网络的聚类损失;
S325:根据图神经模块的聚类矩阵,利用归一化指数函数得到遥感图像分区的每个样本所属的岩土类别,如公式:
其中,r i为遥感图像分区的第i个样本所属的岩土类别,argmax j为归一化指数函数,为遥感图像分区的第i个样本为第j类岩土类别的概率;
将遥感图像分区的每个样本所属的岩土类别进行组合,得到预设数量的遥感图像分区的岩土类别聚类效果图。
进一步地,上述的遥感图像岩土解译方法的步骤S4包括:
S41:采用机器学习中的K近邻算法KNN,将预设数量的遥感图像分区的岩土类别聚类效果图和岩土特征库中的岩性和土性特征进行相似度比较,确定预设数量的遥感图像分区内每个岩土类别所对应的具体的岩性和土性特征,得到各个遥感图像分区的岩土解译效果图;
S42:利用软件方法将预设数量的遥感图像分区的岩土解译效果图进行拼接,得到研究区域完整的岩土解译效果图。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的遥感图像岩土解译方法的步骤。
本发明还提供一种计算机设备,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上述的遥感图像岩土解译方法的步骤。
实施本发明提供的遥感图像岩土解译方法、介质及设备,具有以下有益效果:
本发明在研究区域的遥感影像基础上,引入研究区域的基础地质图作为数据支撑,提高了遥感图像岩土解译的可靠性;利用聚类算法对遥感图像进行聚类,有效提升了岩土解译的速度;同时利用K近邻算法KNN对研究区域的各分区进行相似度比较,进一步提升了岩土解译的精度。
附图说明
图1是本发明提供的遥感图像岩土解译方法流程图;
图2是本发明提供的计算机设备框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
图1示出了本实施例的遥感图像岩土解译方法的一个实施方式的示意图。下面,将对本实施例的遥感图像岩土解译方法进行简要说明:
本实施例提供的一种遥感图像岩土解译方法,包括以下步骤:
S1:获取研究区域的遥感数据和基础地质图,对研究区域的遥感数据进行预处理,得到研究区域的遥感图像;
S2:根据研究区域的基础地质图,利用地理信息系统软件ArcGIS,构建岩土特征库;
S3:对遥感图像进行聚类,得到岩土类别聚类效果图;
S4:根据岩土特征库,利用K近邻算法KNN对岩土类别聚类效果图进行相似度计算,得到遥感图像岩土解译效果图。
具体地,上述的遥感图像岩土解译方法的步骤S1包括:
S11:从陆地卫星Landsat影像数据官网,根据研究区域的地理位置和时间,下载研究区域的陆地卫星八号Landsat8遥感数据;
S12:使用地理信息系统软件ArcGIS,对研究区域的陆地卫星八号Landsat8遥感数据进行预处理,得到研究区域的遥感图像,遥感图像包含研究区域的岩土的纹理特征、敏感特征;
S13:获取研究区域的基础地质图,基础地质图包括研究区域的岩土组群信息。
具体地,上述的遥感图像岩土解译方法的对研究区域的陆地卫星八号Landsat8遥感数据进行预处理,包含几何校正、均匀化、色彩增强。
具体地,上述的遥感图像岩土解译方法的步骤S2包括:
S21:根据研究区域的基础地质图,提取岩土组群信息,获取岩性和土性信息,将研究区域划分为预设数量的分区;
S22:根据基础地质图,对岩性和土性信息进行整理、筛选和过滤,得到研究区域的岩土类别信息;
S23:在地理信息系统软件ArcGIS中新建一个矢量图形格式文件Shapefile,要素类型选择为面,选择面作为构造工具,以基础地质图为参照物,以岩土组群信息为分类标准,在遥感图像中勾画预设数量的面,预设数量的面包括属性表,预设数量的面与预设数量的分区一一对应;
S24:利用地理信息系统软件ArcGIS给预设数量的面的属性表新增第一列字段和第二列字段,第一列字段对应每个面的岩土组群信息,第二列字段对应每个面的岩性和土性信息,得到处理好的矢量图形格式文件Shapefile;
S25:将处理好的矢量图形格式文件Shapefile导出为单通道的标记图像文件格式.GIF文件;将预设数量的面的属性表的第一列字段和第二列字段导出,得到Excel电子表格,Excel电子表格包括岩土组群信息字段、岩性和土性字段;
S26:在Excel电子表格中新增第一列、第二列,第一列统计与岩土组群信息字段存在相同的岩性或土性的岩土组群;第二列存储相同的岩性或土性信息,得到岩土特征库。
具体地,上述的遥感图像岩土解译方法的分区对应一类岩土组群,每一类岩土组群包含至少一种岩土类别。
具体地,上述的遥感图像岩土解译方法的步骤S3包括:
S31:将研究区域的遥感图像依照单通道的标记图像文件格式.GIF文件中划分的预设数量的分区进行裁剪,形成预设数量的遥感图像分区;
S32:将预设数量的遥感图像分区依次使用聚类方法进行聚类,得到预设数量的遥感图像分区的岩土类别聚类效果图,聚类的类数为当前分区的岩性和土性字段中岩性和土性的数量。
具体地,上述的遥感图像岩土解译方法的步骤S32包括:
S321:将预设数量的遥感图像分区转换为相近邻接矩阵;
S322:构建聚类网络,聚类网络包括特征提取模块、图神经模块和双头迭代模块;特征提取模块包括8个处理层,8个处理层按顺序依次串联连接,处理层用于提取遥感图像分区的岩土特征;图神经模块包括8个图卷积网络层和1个归一化多分类层,8个图卷积网络层按顺序依次串联连接,每个图卷积网络层的输入端同时与特征提取模块对应的处理层的输出端逐层连接,归一化多分类层与第8图卷积网络层串接;双头迭代模块用于计算聚类网络的聚类损失;
S323:利用特征提取模块提取遥感图像分区的岩土特征;构建特征提取损失函数,将其反向传播给特征提取模块,如公式:
其中,L ft为特征提取模块损失函数,N为遥感图像分区的样本个数,F为遥感图像分区,为遥感图像分区的共轭;
利用图神经模块各图卷积网络层对相近邻接矩阵进行聚类,利用归一化多分类层,对图神经模块最后一层图卷积网络层的输出进行归一化,得到图神经模块的聚类矩阵,如公式:
其中,为第l图卷积网络层的聚类矩阵,/>为当前层的邻接矩阵,A为相近邻接矩阵,I n为相近邻接矩阵的单位对角矩阵;/>为度矩阵,W (l)为第l图卷积网络层的权重,H (l)为第l层图卷积网络层的输入,σ为非线性激活函数,H为图神经模块的聚类矩阵,softmax为归一化指数函数;
S324:利用双头迭代模块计算聚类网络的聚类损失,用于提升聚类网络的聚类性能,如公式:
其中,q ij为遥感图像分区的第i个样本为第j类岩土类别的预测概率,为图神经模块最后一层图卷积网络层的第i行,μ j为特征提取模块学习到的岩土特征的均值初始化值,t为t分布-随机邻近嵌入的自由度;p ij为遥感图像分区的第i个样本为第j类岩土类别的真实概率,f j为软簇频率,/>为遥感图像分区的第i个样本为第j类岩土类别的概率;L ft为特征提取模块损失函数,L all为聚类网络的聚类损失;
S325:根据图神经模块的聚类矩阵,利用归一化指数函数得到遥感图像分区的每个样本所属的岩土类别,如公式:
其中,r i为遥感图像分区的第i个样本所属的岩土类别,argmax j为归一化指数函数,为遥感图像分区的第i个样本为第j类岩土类别的概率;
将遥感图像分区的每个样本所属的岩土类别进行组合,得到预设数量的遥感图像分区的岩土类别聚类效果图。
具体地,上述的遥感图像岩土解译方法的步骤S4包括:
S41:采用机器学习中的K近邻算法KNN,将预设数量的遥感图像分区的岩土类别聚类效果图和岩土特征库中的岩性和土性特征进行相似度比较,确定预设数量的遥感图像分区内每个岩土类别所对应的具体的岩性和土性特征,得到各个遥感图像分区的岩土解译效果图;
S42:利用软件方法将预设数量的遥感图像分区的岩土解译效果图进行拼接,得到研究区域完整的岩土解译效果图。
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的遥感图像岩土解译方法的步骤。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
本实施例提供一种计算机设备,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,该处理器执行该程序时实现上述的遥感图像岩土解译方法的步骤。
如图2所示,该计算机设备可以包括:至少一个处理器121,例如CPU(CentralProcessing Unit,中央处理器),至少一个通信接口123,存储器124,至少一个通信总线122。其中,通信总线122用于实现这些组件之间的连接通信。其中,通信接口123可以包括显示屏(Display)、键盘(Keyboard),可选通信接口123还可以包括标准的有线接口、无线接口。存储器124可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器124可选的还可以是至少一个位于远离前述处理器121的存储装置。其中,存储器124中存储应用程序,且处理器121调用存储器124中存储的程序代码,以用于执行上述任一方法步骤。其中,通信总线122可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。通信总线122可以分为地址总线、数据总线、控制总线等。为便于表示,图2中仅用一条线表示,但并不表示仅有一根总线或一种类型的总线。其中,存储器124可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard disk drive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器124还可以包括上述种类的存储器的组合。其中,处理器121可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。其中,处理器121还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integratedcircuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logicdevice,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic array logic, 缩写:GAL)或其任意组合。
可选地,存储器124还用于存储程序指令。处理器121可以调用程序指令,实现如本实施例的遥感图像岩土解译方法。
在一些实施例中,上述遥感图像岩土解译方法,可以采用以下方式实现。
本实施例的遥感图像岩土解译方法,主要包括以下步骤:
S01,获取研究区域的遥感图像和基础地质图,为本发明岩土解译方法提供数据支撑;
S02,通过岩土解译要求,根据研究区域的基础地质图,提取基础地质图中的岩土组群信息并且构建相关岩土特征库;
S03,根据构建的岩土组群信息、岩土特征库,对遥感图像进行聚类,得到岩土类别聚类效果图;
S04,根据岩土特征库,利用K近邻算法KNN对岩土类别聚类效果图进行相似度计算,得到遥感图像岩土解译效果图。
具体地,本实施例的遥感图像岩土解译方法的步骤S01包括:
S011:从陆地卫星Landsat影像数据官网,确定研究区域的地理位置和时间,下载研究区域的陆地卫星八号Landsat8遥感数据;
S012:使用ArcGIS等地理信息系统软件对研究区域的陆地卫星八号Landsat8数据进行预处理。处理方法包含几何校正、均匀化、色彩增强等;使用ArcGIS等地理信息系统软件制作研究区域遥感影像的岩土解译标签;
S013:获取研究区域的基础地质图。
具体地,本实施例的遥感图像岩土解译方法的步骤S02包括:
S021:研究区基础地质图以当前区域所属地质岩土组群为分类标准,将研究区分为N个区域;其中,每个区域都是一类岩土组群,每个岩土组群中都包含一类的岩性或者土性;
S022:根据岩土组群信息确定研究区要分类的岩土种类为23种,分别为砂岩、砾岩、泥岩、灰岩、石膏岩、页岩、白云岩、大理岩、石英岩、片麻岩、安山岩、玄武岩、凝灰岩、花岗岩、闪长岩、辉长岩、洪积、冲洪积、湖积、风积、冰碛和冰水堆积;
S023:根据要解译的岩土种类,制作对应的岩土特征库;其中,岩土特征库中保存着对应岩土的相应特征。
具体地,本实施例的遥感图像岩土解译方法的步骤S03包括:
S031:对研究区域的基础地质图中的地质岩土组群信息进行提取转化为矢量数据;
具体做法为:在地理信息系统软件ArcGIS中新建一个新的矢量图形格式文件Shapefile,要素类型选择为面,选择面作为构造工具,以基础地质图为参照物,以岩土组群为分类标准,在陆地卫星八号Landsat8原始遥感影像中勾画出这N个不规则的面,来对应基础地质图上这N个区域;
S032:利用地理信息系统软件ArcGIS给这N个面的属性表新增两列字段,一列记录对应岩土组群的信息,一列记录当前面对应岩土组群含有的岩性和土性;
S033:将处理好的面矢量图形格式文件Shapefile导出为单通道的标记图像文件格式.GIF;将每个面新增的地质岩土组群信息字段和对应的地质岩土组群中含有的岩性和土性字段导出作为后续聚类的依据;
S034:将研究区域的遥感影像依照单通道标记图像文件格式.GIF文件中划分的这N各个区域进行裁剪,形成N个分区;
S035:将这N个分区依次使用机器学习中的K均值聚类算法K-means进行聚类,得到这N个分区的岩土类别聚类效果图;其中,这N个分区聚类的类数以当前区域所属岩土组群中含有岩性和土性的种类数量为依据。
具体地,本实施例的遥感图像岩土解译方法的步骤S04包括:
S041:采用机器学习中的K近邻算法KNN,将这N个分区的岩土类别聚类效果图和之前构建的岩土特征库中的岩土特征进行相似度比较,确认这N个分区内每个类别分别对应哪一种岩性或者土性;
S042:生成各个分区的岩土解译效果图;
S043:利用地理信息系统软件ArcGIS或者“蟒蛇”计算机程序设计语言Python脚本等方法将这N个分区的岩土解译效果图进行拼接,得到研究区域完整的岩土解译效果图。
在一些实施例中,上述遥感图像岩土解译方法,也可以采用以下方式实现。
在本实施例中,遥感图像岩土解译方法主要包括以下步骤:
S001,获取研究区域的遥感图像和基础地质图,为本发明岩土解译方法提供数据支撑;
S002,通过岩土解译要求,根据研究区域的基础地质图,提取基础地质图中的岩土组群信息并且构建相关岩土特征库;
S003,根据构建的岩土组群库的信息,对遥感图像进行聚类,得到岩土类别聚类效果图;
S004,根据岩土特征库,利用K近邻算法KNN对岩土类别聚类效果图进行相似度计算,得到遥感图像岩土解译效果图。
具体地,本实施例的遥感图像岩土解译方法的步骤S001包括以下步骤:
S0011:从陆地卫星Landsat影像数据官网,确定研究区域的地理位置和时间,下载研究区域的陆地卫星八号Landsat8遥感数据;陆地卫星八号Landsat8遥感数据各波段表达含义如表1所示;
表1 陆地卫星八号Landsat8遥感数据各波段表达含义
S0012:使用ArcGIS等地理信息系统软件对研究区域的陆地卫星八号Landsat8数据进行预处理;预处理方法包含几何校正、均匀化、色彩增强等;使用ArcGIS等地理信息系统软件制作研究区域遥感影像的岩土解译标签;
S0013:获取研究区域的基础地质图。
具体地,本实施例的遥感图像岩土解译方法的步骤S002包括以下步骤:
S0021:研究区基础地质图以当前区域所属地质岩土组群为分类标准,将研究区分为N个区域;其中,每个区域都是一类岩土组群,每个岩土组群中包含至少一类的岩性或者土性;
S0022:通过对基础地质图中这N个区域的岩土组群中包含的岩性和土性进行整理、筛选和过滤,得到研究区域的岩土种类共23种,分别为砂岩、砾岩、泥岩、灰岩、石膏岩、页岩、白云岩、大理岩、石英岩、片麻岩、安山岩、玄武岩、凝灰岩、花岗岩、闪长岩、辉长岩、洪积、冲洪积、湖积、风积、冰碛和冰水堆积;举例说明,假设某一区域属于康苏组J1K地质岩土组群,那么根据地质方面的知识可以得出该区域内的岩土成分为:下部岩屑长石石英砂岩夹岩、粉砂岩上部长石石英砂岩与粉砂岩互层夹煤层线,含植物;那么对其岩土成分进行整理、筛选和过滤,则认为该区域的岩土类别为砂岩和石英岩;
S0023:对研究区域的基础地质图中的地质岩土组群信息进行提取转化为矢量数据;具体做法为:在地理信息系统软件ArcGIS中新建一个新的矢量图形格式文件Shapefile,要素类型选择为面,选择面作为构造工具,以基础地质图为参照物,以岩土组群为分类标准,在陆地卫星八号Landsat8原始遥感影像中勾画出这N个不规则的面,来对应基础地质图上这N个区域;
S0024:利用地理信息系统软件ArcGIS给这N个面的属性表新增两列字段,一列记录对应岩土组群的信息,一列记录当前面对应岩土组群含有的岩性和土性;
S0025:将处理好的面矢量图形格式文件Shapefile导出为单通道的标记图像文件格式.GIF;将每个面新增的地质岩土组群信息字段和对应的地质岩土组群中含有的岩性和土性字段导出作为后续聚类的依据;
S0026:制作对应的岩土特征库;其中,岩土特征库中保存着对应岩土类别的相应特征;岩土特征库制作流程如下:将S0025中导出的字段信息生成为表格的格式,使用“蟒蛇”计算机程序设计语言Python 代码将与当前地质岩土组群存在相同的岩性的地质岩土组群统计出来制作成表格中的一列;将相同的岩性统计出来制作成表格的一列。
具体地,本实施例的遥感图像岩土解译方法的步骤S003包括以下步骤:
S0031:将研究区域的遥感影像依照单通道标记图像文件格式.GIF文件中划分的这N各个区域进行裁剪,形成N个分区;
S0032:将这N个分区依次使用机器学习中的K均值聚类算法K-means中进行聚类,得到这N个分区的岩土类别聚类效果图;其中,这N个分区聚类的类数以当前区域所属岩土组群中含有岩性和土性的种类数量为依据;K均值聚类算法K-means主要用于将数据通过某一种指标分成K个不同的类别;在本实施例中是利用陆地卫星八号Landsat8遥感数据中含有的研究区中不同岩性和土性之前不同的光谱特征、纹理特征等一系列特征,使用K均值聚类算法K-means对其进行聚类;K为人为设定的值;K均值聚类算法K-means通过迭代的方式将数据集中的样本划分到K个聚类中心(簇)中;K均值聚类算法K-means伪代码如表2所示;
表2 K均值聚类算法K-means伪代码
K均值聚类算法K-means的目标是最小化数据点到其所属聚类中心的距离之和(即误差平方和);通过迭代更新聚类中心,可以逐步优化聚类结果,使得每个数据点都被分配到与其最近的聚类中心;K均值聚类算法K-means的优点是简单、快速,但影响其聚类效果的往往的K值得选定;若在不知道某一区域内岩性和土性的种类的情况下,K值得设定只能根据人为想象,多次调试,那么其聚类结果必将实际岩土分布差距较大;而本实施例中K值是根据地质岩土组群中含有的岩性和土性的种类设定的;也就是说,在进行聚类时我们已经从地质图中的岩土组群信息中获知了当前区域中的岩土种类,正确的K值导致使用K均值聚类算法K-means进行岩土聚类时兼具了速度和极高的准确性。
具体地,本实施例的遥感图像岩土解译方法的步骤S004包括以下步骤:
S0041:采用机器学习中的K近邻算法KNN,将这N个分区的岩土类别聚类效果图和之前构建的岩土特征库中对应的岩土特征进行相似度比较,确认这N个分区内每个类别分别对应哪一种岩性或者土性;其中,K近邻算法KNN中,相似度度量是一个重要的概念,用于数据之间的相似程度来判定数据的类别;K近邻算法KNN的基本思想是计算当前等待分类的数据点和所有数据点之间的相似度;根据相似度进行排序,找到前K个相似度最高的点;对这K个点的属性进行判别,将待分类数据点判定为这K个点中属性值相等数最多的点;
在K近邻算法KNN中,计算相似度通常采用欧氏距离、曼哈顿距离、闵可夫斯基距离等公式,具体公式如下:
欧氏距离:
曼哈顿距离:
闵可夫斯基距离:
其中,x和y分别表示两个数据点的特征向量,||.||表示范数,p表示范数的指数(通常取 1、2、无穷大等),i表示特征向量的第i维;在本实施例中,这N个分区的内部类别已经由K均值聚类算法K-means分类完成,但是其内部类别真正对应哪一类岩性或者土性无法确定,K近邻算法KNN的引入就是让这N个分区的内部类别准确归类到哪一个岩性或者土性下;
S42:生成这N个分区的岩土解译效果图;
S43:利用地理信息系统软件ArcGIS或者“蟒蛇”计算机程序设计语言Python脚本将这N个分区的岩土解译效果图进行拼接,得到研究区域完整的岩土解译效果图。
在一些实施例中,上述的步骤S0032可以由以下方式实现:
将这N个分区依次使用聚类网络SDNet进行聚类,聚类网络SDNet主要由三个模块组成,分别为特征提取模块FT,图神经模块PCN和双头迭代模块DR;
步骤一:利用原始遥感数据生成相近邻接矩阵A;如:遥感图像F有N个样本,维数为D,对其中每一个样本都去搜索出它的前K的相近值最高的样本,并将该样本和这K个最相近样本进行连接生成相近邻接矩阵;其中,相近连接矩阵A的尺寸为N×N;
步骤二:将遥感数据F据传入特征提取模块,特征提取模块有8个处理层,每一层都由一个多尺度特征子模块和双注意力子模块组成,且每一层的输入即为上一层的输出;每一层都能从遥感数据学习到不同的特征,记为;多尺度特征子模块采用四个平行分支的机构,由一个1×1的卷积核和3×3的膨胀卷积层组成,这四个分支据具有不同的感受野,能获取遥感图像中岩土的上下文信息;遥感数据F通过这四个分支得到的输出,依照通道方向进行拼接,传入双注意力子模块;双注意力子模块,包含一个基于多层感知器MLP的通道注意力子模块和一个空间注意力子模块,能帮助模型更好地聚焦于重要的岩土特征信息上;遥感数据F通过所述8层处理后,依次通过2个3×3的卷积层、一个dropout函数和上采样操作,得到重构数据/>;重构数据/>和输入的遥感数据F具有相同的维度,其值也应当尽可能类似;重构数据/>不作为本模型的聚类结果,它的作用是通过损失函数进行反向传播优化特征提取模块中的参数,帮助特征提取模块能够更好地提取到遥感图像中岩土的特征;其损失函数为:
为特征提取模块损失函数,N为所述分区的个数,F为遥感图像分区,/>为所述遥感图像分区的共轭;
步骤三:利用图神经模块对相近邻接矩阵A进行处理:图神经模块有8个图卷积网络(GCN)层,与特征提取网络的8层进行逐层连接;图神经模块可以将特征提取模块中每一层学习到的不同特征集成进来,即图神经模块可以学习到遥感数据本身以及遥感数据中样本之间的关联性;图卷积网络(GCN)层可以用下式表示:
其中,是每个样本的邻接矩阵,相近邻接矩阵A,/>是A的单位对角矩阵;/>是度矩阵,/>是第/>层权重,/>是图卷积网络(GCN)层在第/>层的输入,/>为非线性激活函数,本实例为高斯误差线性单元(GELU);假设图神经模块的第/>层能学习到的特征为/>,则/>是由第/>层学习到的特征/>和相应的特征提取模块的处理层学习到的特征/>依照一定比例融合后通过一系列计算得到的,其中,融合比例可以人为设定;具体公式如下:
其中,为/>和特征提取模块得到/>依照一定比例融合后得到的结果;这样,特征提取模块每一层提取到的特征表示就被很好地融合到了每一层图神经网络中;图神经模块的最后一层是一个归一化多分类层,分类的类数以当前区域所属岩土组群中含有岩性和土性的种类数量为依据,其输出即为岩土类别聚类效果图,如公式:
步骤四:双头迭代模块,其主要作用是统一了特征提取模块和图神经模块的优化目标,能够使特征提取模块和图神经模块训练迭代优化效果趋于一致;对于遥感图像中第i个样本和第j个类别,使用t分布-随机邻近嵌入t-SNE来得到样本i和类别j之间的相似性;将样本i属于类别j的概率记作,其公式为:
其中,是第8图卷积网络层的第i行,/>为所述特征提取模块学习到的岩土特征的均值初始化值,t为t分布-随机邻近嵌入的自由度;/>是样本i为岩土类别j的预测概率,=[/>]是所述遥感图像分区的所有样本属于岩土类别j的预测概率集合,记为Q;对Q中的每一个数据表示使用softmax函数将数据映射到(0,1)区间,这样Q中的数据更加靠近聚类中心点;对/>通过真实分布公式得到其真实分布,记为/>,其公式为:
=[/>]
是样本i为岩土类别j的真实概率,P为所有样本属于岩土类别j的真实概率集合,/>是软簇频率,用于归一化每个质心的损失贡献,以防止大簇扭曲隐藏的特征空间;所有/>的集合记为真实分布P;真实分布P是由分布Q计算的,而P分布反过来监督分布Q的更新;也就说,在利用损失函数将Q和P中之间的差值降至最小的训练过程中,真实分布P能帮助特征提取模块更好地学习到岩土的特征;其损失函数为:
其中,KL为KL散度损失;对于图神经模块,它最后生成了聚类效果图,记为H;利用损失函数最小化所述P和H之间的损失,帮助图神经模块能够学习到更准确的聚类表示,其公式为:
那么,整个模型的损失函数为:
步骤五:将图神经模块的输出结果作为最终的聚类结果,即为岩土类别聚类效果图;其公式如下:
其中,r i为遥感图像分区的第i个样本所属的岩土类别,argmax j为归一化指数函数,为遥感图像分区的第i个样本为第j类岩土类别的概率;将遥感图像分区的每个样本所属的岩土类别进行组合,得到遥感图像分区的岩土类别聚类效果图。
在上述的实施例中,遥感图像含有岩土的纹理特征、敏感特征等信息。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。

Claims (7)

1.一种遥感图像岩土解译方法,其特征在于,包括以下步骤:
S1:获取研究区域的遥感数据和基础地质图,对所述研究区域的遥感数据进行预处理,得到研究区域的遥感图像;
S2:根据所述研究区域的基础地质图,利用地理信息系统软件ArcGIS,构建岩土特征库;具体包括以下步骤:
S21:根据所述研究区域的基础地质图,提取岩土组群信息,获取岩性和土性信息,将所述研究区域划分为预设数量的分区;
S22:根据所述基础地质图,对所述岩性和土性信息进行整理、筛选和过滤,得到所述研究区域的岩土类别信息;
S23:在地理信息系统软件ArcGIS中新建一个矢量图形格式文件Shapefile,要素类型选择为面,选择面作为构造工具,以所述基础地质图为参照物,以所述岩土组群信息为分类标准,在所述遥感图像中勾画预设数量的面,所述预设数量的面包括属性表,所述预设数量的面与所述预设数量的分区一一对应;
S24:利用地理信息系统软件ArcGIS给所述预设数量的面的属性表新增第一列字段和第二列字段,所述第一列字段对应每个面的岩土组群信息,所述第二列字段对应每个面的岩性和土性信息,得到处理好的矢量图形格式文件Shapefile;
S25:将所述处理好的矢量图形格式文件Shapefile导出为单通道的标记图像文件格式.GIF文件;将所述预设数量的面的属性表的第一列字段和第二列字段导出,得到Excel电子表格,所述Excel电子表格包括岩土组群信息字段、岩性和土性字段;
S26:在所述Excel电子表格中新增第一列、第二列,所述第一列统计与所述岩土组群信息字段存在相同的岩性或土性的岩土组群;所述第二列存储所述相同的岩性或土性信息,得到岩土特征库;
S3:对所述遥感图像进行聚类,得到岩土类别聚类效果图;具体包括以下步骤:
S31:将所述研究区域的遥感图像依照所述单通道的标记图像文件格式.GIF文件中划分的预设数量的分区进行裁剪,形成预设数量的遥感图像分区;
S32:将所述预设数量的遥感图像分区依次使用聚类方法进行聚类,得到预设数量的遥感图像分区的岩土类别聚类效果图,所述聚类的类数为当前分区的岩性和土性字段中岩性和土性的数量;具体包括:
S321:将所述预设数量的遥感图像分区转换为相近邻接矩阵;
S322:构建聚类网络,所述聚类网络包括特征提取模块、图神经模块和双头迭代模块;所述特征提取模块包括8个处理层,所述8个处理层按顺序依次串联连接,所述处理层用于提取所述遥感图像分区的岩土特征;所述图神经模块包括8个图卷积网络层和1个归一化多分类层,所述8个图卷积网络层按顺序依次串联连接,每个图卷积网络层的输入端同时与所述特征提取模块对应的处理层的输出端逐层连接,所述归一化多分类层与第8图卷积网络层串接;所述双头迭代模块用于计算所述聚类网络的聚类损失;
S323:利用所述特征提取模块提取所述遥感图像分区的岩土特征;构建特征提取损失函数,将其反向传播给所述特征提取模块,如公式:
其中,L ft为特征提取模块损失函数,N为所述遥感图像分区的样本个数,F为所述遥感图像分区,为所述遥感图像分区的共轭;
利用所述图神经模块各图卷积网络层对所述相近邻接矩阵进行聚类,利用所述归一化多分类层,对所述图神经模块最后一层图卷积网络层的输出进行归一化,得到所述图神经模块的聚类矩阵,如公式:
其中,为第l图卷积网络层的聚类矩阵,/>为当前层的邻接矩阵,A为所述相近邻接矩阵,I n为所述相近邻接矩阵的单位对角矩阵;/>为度矩阵,W (l)为第l图卷积网络层的权重,H (l)为第l层图卷积网络层的输入,σ为非线性激活函数,H为所述图神经模块的聚类矩阵,softmax为归一化指数函数;
S324:利用所述双头迭代模块计算所述聚类网络的聚类损失,用于提升所述聚类网络的聚类性能,如公式:
其中,q ij为所述遥感图像分区的第i个样本为第j类岩土类别的预测概率,为所述图神经模块最后一层图卷积网络层的第i行,μ j为所述特征提取模块学习到的岩土特征的均值初始化值,t为t分布-随机邻近嵌入的自由度;p ij为所述遥感图像分区的第i个样本为第j类岩土类别的真实概率,f j为软簇频率,/>为所述遥感图像分区的第i个样本为第j类岩土类别的概率;L ft为特征提取模块损失函数,L all为所述聚类网络的聚类损失;
S325:根据所述图神经模块的聚类矩阵,利用归一化指数函数得到所述遥感图像分区的每个样本所属的岩土类别,如公式:
其中,r i为所述遥感图像分区的第i个样本所属的岩土类别,argmax j为归一化指数函数,为所述遥感图像分区的第i个样本为第j类岩土类别的概率;
将所述遥感图像分区的每个样本所属的岩土类别进行组合,得到所述预设数量的遥感图像分区的岩土类别聚类效果图;
S4:根据所述岩土特征库,利用K近邻算法KNN对所述岩土类别聚类效果图进行相似度计算,得到遥感图像岩土解译效果图。
2.根据权利要求1所述的遥感图像岩土解译方法,其特征在于,步骤S1包括:
S11:从陆地卫星Landsat影像数据官网,根据所述研究区域的地理位置和时间,下载所述研究区域的陆地卫星八号Landsat8遥感数据;
S12:使用地理信息系统软件ArcGIS,对所述研究区域的陆地卫星八号Landsat8遥感数据进行预处理,得到所述研究区域的遥感图像,所述遥感图像包含所述研究区域的岩土的纹理特征、敏感特征;
S13:获取所述研究区域的基础地质图,所述基础地质图包括所述研究区域的岩土组群信息。
3.根据权利要求2所述的遥感图像岩土解译方法,其特征在于,对所述研究区域的陆地卫星八号Landsat8遥感数据进行预处理,包含几何校正、均匀化、色彩增强。
4.根据权利要求3所述的遥感图像岩土解译方法,其特征在于,所述分区对应一类岩土组群,每一类岩土组群包含至少一种岩土类别。
5.根据权利要求4所述的遥感图像岩土解译方法,其特征在于,步骤S4包括:
S41:采用机器学习中的K近邻算法KNN,将所述预设数量的遥感图像分区的岩土类别聚类效果图和所述岩土特征库中的岩性和土性特征进行相似度比较,确定所述预设数量的遥感图像分区内每个岩土类别所对应的具体的岩性和土性特征,得到各个遥感图像分区的岩土解译效果图;
S42:利用软件方法将所述预设数量的遥感图像分区的岩土解译效果图进行拼接,得到所述研究区域完整的岩土解译效果图。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的遥感图像岩土解译方法的步骤。
7.一种计算机设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一项所述的遥感图像岩土解译方法的步骤。
CN202410160792.2A 2024-02-05 2024-02-05 一种遥感图像岩土解译方法、介质及设备 Active CN117710758B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410160792.2A CN117710758B (zh) 2024-02-05 2024-02-05 一种遥感图像岩土解译方法、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410160792.2A CN117710758B (zh) 2024-02-05 2024-02-05 一种遥感图像岩土解译方法、介质及设备

Publications (2)

Publication Number Publication Date
CN117710758A CN117710758A (zh) 2024-03-15
CN117710758B true CN117710758B (zh) 2024-05-10

Family

ID=90153816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410160792.2A Active CN117710758B (zh) 2024-02-05 2024-02-05 一种遥感图像岩土解译方法、介质及设备

Country Status (1)

Country Link
CN (1) CN117710758B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101728137B1 (ko) * 2016-02-04 2017-04-19 (주)한라지리정보 위성 영상과 gis를 사용한 토지피복 항목별 영상분류 방법
CN115588138A (zh) * 2022-11-01 2023-01-10 中国科学院地理科学与资源研究所 利用中分辨多源遥感数据进行滑坡检测的语义分割方法
CN115712119A (zh) * 2022-11-25 2023-02-24 中国水利水电科学研究院 一种基于InSAR技术和图像识别的边坡表面变形快速监测方法
CN116168295A (zh) * 2023-02-24 2023-05-26 中国地质大学(武汉) 一种岩性遥感智能解译模型建立方法及解译方法
CN116563672A (zh) * 2023-07-05 2023-08-08 中国地质大学(武汉) 一种岩土体分类模型构建方法及岩土体分类方法
CN116994155A (zh) * 2023-09-26 2023-11-03 中国地质大学(武汉) 一种地质岩性的解译方法、装置及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016099835A (ja) * 2014-11-21 2016-05-30 キヤノン株式会社 画像処理装置、画像処理方法、及びプログラム
CA3159144A1 (en) * 2019-12-02 2021-06-10 Plotlogic Pty Ltd Real time mine monitoring system and method
AU2021254725B2 (en) * 2020-04-13 2024-02-29 X Development Llc Subsurface lithological model with machine learning

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101728137B1 (ko) * 2016-02-04 2017-04-19 (주)한라지리정보 위성 영상과 gis를 사용한 토지피복 항목별 영상분류 방법
CN115588138A (zh) * 2022-11-01 2023-01-10 中国科学院地理科学与资源研究所 利用中分辨多源遥感数据进行滑坡检测的语义分割方法
CN115712119A (zh) * 2022-11-25 2023-02-24 中国水利水电科学研究院 一种基于InSAR技术和图像识别的边坡表面变形快速监测方法
CN116168295A (zh) * 2023-02-24 2023-05-26 中国地质大学(武汉) 一种岩性遥感智能解译模型建立方法及解译方法
CN116563672A (zh) * 2023-07-05 2023-08-08 中国地质大学(武汉) 一种岩土体分类模型构建方法及岩土体分类方法
CN116994155A (zh) * 2023-09-26 2023-11-03 中国地质大学(武汉) 一种地质岩性的解译方法、装置及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Landslide Identification and Gradation Method Based on Statistical Analysis and Spatial Cluster Analysis;Huayan Dai et al.;《Remote Sensing》;20220909;1-22 *
Remote-Sensing Interpretation for Soil Elements Using Adaptive Feature Fusion Net work;Yue Lu et al.;《IEEE Transactions on Geoscience and Remote Sensing》;20230823;1-15 *
基于多源遥感的白龙江流域地质灾害监测与易发性动态评价;毛佳睿;《中国博士学位论文全文数据库 基础科学辑》;20220615;A011-7 *
基岩裸露区基于多光谱遥感影像的快速地质解译――以甘肃北山黑山地区为例;朱彦虎;黄增保;;甘肃科技纵横;20160925(09);16-19 *

Also Published As

Publication number Publication date
CN117710758A (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
Mohan et al. Review on remote sensing methods for landslide detection using machine and deep learning
CN106909924B (zh) 一种基于深度显著性的遥感影像快速检索方法
CN110929577A (zh) 一种基于YOLOv3的轻量级框架改进的目标识别方法
Pi et al. Detection and semantic segmentation of disaster damage in UAV footage
CN112668494A (zh) 基于多尺度特征提取的小样本变化检测方法
CN108764063A (zh) 一种基于特征金字塔的遥感影像时敏目标识别系统及方法
CN110490100A (zh) 基于深度学习的岩土自动识别定名方法及系统
CN113705580B (zh) 基于深度迁移学习的高光谱图像分类方法
CN114842208B (zh) 一种基于深度学习的电网危害鸟种目标检测方法
Yuan et al. Fine-grained classification of urban functional zones and landscape pattern analysis using hyperspectral satellite imagery: A case study of Wuhan
CN111986193B (zh) 一种遥感影像变化检测方法、电子设备及存储介质
CN110555841A (zh) 基于自注意图像融合和dec的sar图像变化检测方法
CN113344050A (zh) 一种基于深度学习的岩性智能化识别方法及系统
CN115859094B (zh) 耦合卷积和熵重要性图神经网络的同震滑坡自动识别方法
CN112580453A (zh) 一种基于遥感影像和深度学习的土地利用分类方法及系统
CN116363526B (zh) MROCNet模型构建与多源遥感影像变化检测方法及系统
CN114821340A (zh) 一种土地利用分类方法及系统
Lin et al. An unsupervised transformer-based multivariate alteration detection approach for change detection in VHR remote sensing images
CN112199886A (zh) 一种prb数据深度学习地质图预测模型的处理方法
CN117710758B (zh) 一种遥感图像岩土解译方法、介质及设备
CN115965867A (zh) 基于伪标签和类别词典学习的遥感图像地表覆盖分类方法
CN113032372B (zh) 一种基于ClickHouse数据库的空间大数据管理方法
Barnes Image-driven data mining for image content segmentation, classification, and attribution
Ritchie et al. Assessment of accuracy: systematic reduction of training points for maximum likelihood classification and mixture discriminant analysis (Gaussian and t-distribution)
CN109635738A (zh) 一种图像特征提取方法及系统

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