CN117788737A - 一种基于无人机高光谱遥感的测绘方法 - Google Patents
一种基于无人机高光谱遥感的测绘方法 Download PDFInfo
- Publication number
- CN117788737A CN117788737A CN202311827108.3A CN202311827108A CN117788737A CN 117788737 A CN117788737 A CN 117788737A CN 202311827108 A CN202311827108 A CN 202311827108A CN 117788737 A CN117788737 A CN 117788737A
- Authority
- CN
- China
- Prior art keywords
- data
- hyperspectral
- function
- processing
- unmanned aerial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000013507 mapping Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 114
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 238000010801 machine learning Methods 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000005516 engineering process Methods 0.000 claims abstract description 22
- 238000012795 verification Methods 0.000 claims abstract description 20
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 230000000052 comparative effect Effects 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 127
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000003908 quality control method Methods 0.000 claims description 7
- 230000004043 responsiveness Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 230000018109 developmental process Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000012010 growth Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000012732 spatial analysis Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000003909 pattern recognition Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 59
- 238000012544 monitoring process Methods 0.000 description 32
- 230000007613 environmental effect Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005791 algae growth Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Abstract
本发明涉及一种基于无人机高光谱遥感的测绘方法;包括以下步骤:首先,设计并整合轻量级、高效能的高光谱传感器模块与无人机搭载系统,确保传感器在各种无人机上能稳定运作;接着开发实时数据处理算法,并集成机器学习技术,用于提高从高光谱传感器收集到的数据的处理速度和分析精确度;然后建立地面验证系统,设计地面采样和验证方案,通过对比分析地面数据与无人机收集的高光谱数据,确保数据的一致性和准确性;利用收集的高光谱数据结合地理信息系统GIS技术构建三维地图,并开发可视化平台,使用户能够从不同角度和分辨率查看地图;最后针对不同的应用场景分析特定需求,并根据每个场景调整和优化高光谱测绘方法。
Description
技术领域
本发明涉及高光谱遥感的测绘方法,尤其涉及一种基于无人机高光谱遥感的测绘方法。
背景技术
目前技术在基于无人机高光谱遥感的测绘方法方面存在一些弊端和不足。首先,数据处理和存储的挑战十分显著。无人机收集的高光谱数据量通常非常大,这要求有高效的数据处理和存储能力。然而,在处理速度和存储容量方面,现有技术仍然存在局限,特别是在边缘计算设备上,这些限制可能导致数据处理瓶颈。其次是数据的准确性和质量问题。高光谱数据受到多种因素的影响,如天气条件、光照变化和设备稳定性等,这些都可能影响数据质量。而当前技术在消除这些干扰因素方面仍有待提高。此外,高光谱数据的解析和解释需要高度专业的知识,目前的自动化程度和智能化水平还不足以完全替代专业人员的分析。再者,成本和可访问性也是问题。高光谱遥感设备和无人机的成本相对较高,这限制了其在资源有限的情况下的普及和应用。同时,高光谱数据处理和分析通常需要专业软件和高性能计算资源,这些都增加了技术的使用成本。
最后,与传统的遥感技术相比,基于无人机的高光谱遥感技术在法规和隐私方面面临更多的挑战。无人机的使用受到严格的法律法规限制,包括飞行高度、飞行时间和飞行区域等,这些都可能影响测绘的灵活性和有效性。同时,无人机的使用也可能引发隐私和安全方面的担忧。
发明内容
本发明的目的是提供一种基于无人机高光谱遥感的测绘方法,从而解决背景技术中所指出的部分弊端和不足。
本发明解决其上述的技术问题所采用以下的技术方案:包括以下步骤:首先,设计并整合轻量级、高效能的高光谱传感器模块与无人机搭载系统,确保传感器在各种无人机上能稳定运作;接着开发实时数据处理算法,并集成机器学习技术,用于提高从高光谱传感器收集到的数据的处理速度和分析精确度;然后建立地面验证系统,设计地面采样和验证方案,通过对比分析地面数据与无人机收集的高光谱数据,确保数据的一致性和准确性;
进一步,利用收集的高光谱数据结合地理信息系统GIS技术构建三维地图,并开发可视化平台,使用户能够从不同角度和分辨率查看地图;最后针对不同的应用场景分析特定需求,并根据每个场景调整和优化高光谱测绘方法,以确保该测绘方法在各种实际应用中的有效性和适用性。
进一步地,所述的实时数据处理算法实现步骤:
S1、通过GPU编程开发并行处理算法,优化数据分割和调度策略,确保并行处理时的数据一致性和高效性;
S2、利用现代机器学习框架构建自适应机器学习模型,包括自动参数调整机制,并通过连续训练和验证循环实现模型的自动调整和优化;
S3、部署实时数据流处理平台,构建数据管道处理实时进入的高光谱数据流,设计高效的数据序列化和反序列化机制以快速传输数据;同时,开发深度学习模型来分析高光谱数据,并进行数据预处理和增强,以及调整网络结构以适应高光谱数据特性;
S4、构建混合云边计算框架,其中边缘设备负责初步数据处理和实时任务,云端负责大规模数据处理和存储,确保云端和边缘端之间高效的数据同步和任务协调,同时在边缘设备上部署轻量级机器学习模型。
进一步地,所述的GPU编程开发并行处理算法实现,通过数据分割函数 其中x和y分别代表数据块的索引和GPU核心数量,实现数据的有效分配;
接着引入负载均衡系数其中i是数据块编号,n是总数据块数,以确保每个GPU核心的负载平衡;同时,采用同步函数S(d,t)=e-dt,其中d和t分别代表数据块间的依赖度和处理时间,以保证数据处理过程中的一致性和同步;进一步,实现了动态调度策略,通过调度函数D(k,v)=log(kv+1),其中k和v分别代表当前数据块的处理状态和可用GPU核心数量,以动态优化数据块的分配;
最后,通过内存优化函数:
其中r和s分别代表数据读取频率和数据块大小,来优化GPU内存使用,减少数据传输。
进一步地,所述的自适应机器学习模型采用:包括TensorFlow或PyTorch,其中模型通过函数:
其中,m代表模型的层数,n代表每层的节点数;函数内部:i·ln(m+i)计算的是随着层数和节点数增加,模型复杂度的增长率;外层的表示对整个复杂度增长进行规范化,以便于不同模型间的比较;
随后,利用强化学习实现自动参数调整,通过参数调整函数:
P(θ,λ)=∫0 θsin(λ·x)dx
其中,θ代表当前参数值,λ代表学习率;该公式通过整合当前参数值和学习率来计算参数的最优更新量;
同时,模型通过连续优化函数:
指导训练和验证周期,其中k为迭代次数,α为调整强度;
最后,模型性能通过函数E(ω,τ)=log(ω)·e-τω评估,其中ω代表权重更新频率,τ代表训练时间。
进一步地,所述的用于处理高光谱数据的系统,包括实时数据流处理平台的部署,数据管道的构建,以及深度学习模型的开发和调整实现过程:
首先,系统使用现代数据流处理平台构建数据管道,应用数据吞吐量优化函数:
其中di表示数据块大小,v表示数据流速度,用于优化数据流的处理速度和吞吐量;接着,系统设计了专门针对高光谱数据的序列化和反序列化算法,使用序列化效率函数;
其中n为数据点数量,b为带宽,以提高数据传输的效率;
同时,系统开发了深度学习模型来分析高光谱数据,应用特征提取函数:
优化高光谱数据的特征提取过程;其中,x是输入数据向量,其中包含高光谱数据的不同特征;k是要提取的特征数量,y是模型层的深度;该公式通过结合数据特征的平方和对应模型层深度的对数来强化特征提取,适用于处理复杂的高光谱数据;
此外,系统执行了高光谱数据的预处理和增强,使用预处理效果函数:
确保数据质量;其中,r代表原始数据范围,s和t是预处理步骤中使用的参数;该公式通过使用正弦函数和积分,为数据预处理提供了量化的评估方法,确保数据质量和一致性;
最后系统调整了深度学习网络结构,采用网络适应度评估函数:
以适配高光谱数据特性;其中,l代表网络层数,w代表权重数量,h代表隐藏层节点数;该公式通过考虑层数、权重和隐藏层节点数的关系,帮助确定有效的网络结构来处理高光谱数据。
进一步地,所述的混合云边计算框架构成包括:
首先,框架利用计算效率函数:
其中c代表计算资源,d代表数据量,来评估不同计算资源下的处理效率,从而优化数据在云端和边缘设备间的分配和处理;
接着边缘设备上实施的数据预处理使用预处理函数:
以优化数据处理过程,减轻云端的负担;其中,ri表示原始数据的第i个特征;
s代表预处理的强度或参数;此公式计算每个数据特征经过预处理后的输出值,用以评估预处理步骤对原始数据的影响;
此外,云端的大规模数据处理和存储通过存储优化函数S(m,v)=ln(1+mv)进行增强,以提高云端的数据处理能力和存储效率;其中,m代表存储容量,v代表数据处理速度;
最后确保云端和边缘端之间的高效数据同步和任务协调,采用同步效率函数 其中a和b分别代表边缘设备和云端的处理能力。
进一步地,所述用于确保地面数据和无人机收集的高光谱数据一致性及准确性的地面验证系统,首先部署地面高光谱仪器,采用地面数据精确度函数
其中x表示地面采样点与无人机对应点的距离,以评估地面数据采集的精确度;
接着系统设计同步采样策略,并通过采样一致性函数
来量化地面采样的一致性和覆盖范围,其中n代表采样点数量,mi代表第i个点的采样密度;
此外,系统应用机器学习或统计分析方法进行高光谱数据对比分析,并采用数据相似度指标:
来量化地面和空中数据间的相似性,其中,n代表采样点的总数;mi表示第i个采样点的某个特定属性;是所有采样点mi的平均值;σ2是这些采样点的方差,用于衡量采样点间的变异性;此公式评估每个采样点与平均值之间的偏差,从而提供了量化的方式来评估采样的一致性;
最后,系统实施数据质量控制和验证流程,使用质量控制效率函数:Q(e,r)=ln(1+er-e)来评估数据校准和错误检测的效果,其中e代表错误率,r代表校准率。
进一步地,所述利用高光谱数据和GIS技术构建三维地图的方法,采用地表特征提取函数:
其中x,y,z分别表示地表在三维空间中的坐标,a表示高光谱数据的覆盖范围,来从高光谱数据中提取地表的详细特征,并将其转化为三维模型;接着,结合GIS技术,使用空间分析函数
其中u,v分别代表地理空间数据中的两个不同变量,来将高光谱数据融入地理空间框架中,构建三维地图;此外,该方法生成高分辨率的三维地图,利用地图细节增强函数M(d)=ln(1+d2),其中d表示地图中的细节密度,以展示比传统二维地图或低分辨率三维地图更精细的地表细节;最后,开发了一个交互式的可视化平台,应用视角转换函数V(θ,φ)=θcos(φ)+θsin(φ),其中θ和φ分别代表用户选择的视角和观察点,允许用户从不同角度和分辨率查看三维地图。
进一步地,所述针对不同应用场景优化高光谱测绘方法,首先,系统进行场景特定需求分析,应用需求分析函数:
其中s表示场景的特定参数,r表示需求响应度;该公式用于根据特定场景参数评估高光谱测绘的需求响应度;
接着系统根据分析结果调整高光谱测绘方法,采用优化调整函数:
其中,p表示测绘参数,q表示场景调整系数;此公式用于计算特定场景下测绘参数的最优化组合;
此外,系统通过有效性和适用性评估函数:
来确保调整后的方法的有效性,其中v和w分别代表模拟测试结果和实地测试结果;最后,系统根据每个场景的特定需求开发或调整数据处理和分析工具,应用定制化工具评估函数其中x和y分别代表数据处理复杂度和分析深度。
进一步地,所述针对不同应用场景优化高光谱测绘另一方法:
首先进行多源数据融合,应用融合效率函数其中di表示各种数据源的贡献度;然后利用机器学习算法进行数据分析,采用模式识别准确度函数/>以揭示数据中的复杂模式;其中,x表示特征变量,k和x0是调整参数;
针对不同场景的特定需求,该方法通过自适应波段选择函数来优化高光谱波段,其中s表示场景敏感度,α为调节系数;此函数通过调整s和α的值,确定对特定任务最有信息量的波段;
实时数据处理能力通过实时调整函数R(t)=γe-βt实现,以快速响应场景变化,其中t为时间变量,β和γ是调节参数。
本发明有益效果:
1.增强的数据处理和存储能力:通过高效的数据处理算法和优化的存储解决方案,显著提高了对大量高光谱数据的处理和存储能力。采用先进的数据压缩技术和云边计算框架,减轻了数据处理瓶颈,使得即使在计算能力有限的边缘设备上也能有效处理数据。
2.提高数据准确性和质量:通过集成高级的图像处理和数据校正技术,能够有效降低外界因素对高光谱数据质量的影响。结合机器学习和统计分析方法,提高了数据的解析精度,使得数据分析更加准确和可靠。
3.成本效益的提升:通过优化硬件利用和提高数据处理效率,降低了对高性能计算资源的需求,从而降低了整体成本。同时,通过智能化的数据处理和分析,减少了对专业人员的依赖,进一步降低了运营成本。
4.合规性和隐私保护:考虑到法律法规和隐私保护的需求,本发明在设计中遵循相关法规,确保无人机的运行符合当地的飞行规则和隐私保护标准。通过智能化的飞行路径规划,减少了对隐私的潜在影响。
5.灵活性和适用性:明提供了一种灵活的测绘方法,可适用于多种不同的应用场景。通过自适应波段选择和实时调整功能,可以根据具体的任务需求和环境条件灵活调整测绘策略。
附图说明
图1为本发明一种基于无人机高光谱遥感的测绘方法流程图。
图2为本发明的实时数据处理算法实现步骤流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做一个详细的说明。
本案首先设计并整合轻量级、高效能的高光谱传感器模块与无人机搭载系统。这一步骤涉及选择适合的传感器技术和确保它们能够在无人机上稳定运作,包括考虑传感器的重量、能耗以及与无人机系统的兼容性。确保传感器在各种无人机上能稳定运作对于收集高质量数据至关重要。接着开发实时数据处理算法,并集成机器学习技术。这包括开发能够快速处理大量高光谱数据的算法,以及利用机器学习模型来提高数据分析的精确度。通过这种方式,可以在数据收集后立即进行处理,大大提高了数据处理的速度和分析的精确度。然后建立地面验证系统,设计地面采样和验证方案。这一步骤包括在地面部署高光谱仪器来收集数据,并设计一套方案来对这些数据进行采样和验证。通过对比分析地面数据与无人机收集的高光谱数据,可以检测和校正可能的偏差,确保收集到的数据具有高度的一致性和准确性。
本案进一步涉及到使用收集的高光谱数据结合地理信息系统(GIS)技术构建三维地图,这一过程涵盖了从数据收集到处理再到可视化的全过程。首先,高光谱数据提供了地表的详细光谱信息,这些信息通过专门的算法和GIS技术被转化成精确的三维坐标和特征,构建出详细的三维地图。然后,为了使这些三维地图更加实用和用户友好,开发了一个可视化平台。这个平台允许用户从不同角度和分辨率查看地图,提供了丰富的交互功能,使用户能够根据自己的需要查看、分析和理解地图内容。
最后,为了确保这种测绘方法能够满足实际应用的多样化需求,进行了针对不同应用场景的特定需求分析。这包括理解每个场景的独特要求和挑战,然后根据这些需求调整和优化测绘方法。这可能涉及调整无人机的飞行路线、改变传感器设置、选择合适的数据处理算法等等。通过这种方式,确保了测绘方法不仅在技术上是先进的,而且在实际应用中也是有效和适用的,能够提供准确可靠的数据支持各种决策和分析。
实施例1:某个水利项目中,使用本发明的基于无人机高光谱遥感的测绘方法可以有效地监测和管理水资源。此项目旨在实时监控大型水库的水质和水位变化,以及周边植被的健康状况。以下是实时数据处理算法的实施步骤,以及如何在水利项目中应用这些步骤:
S1:并行处理算法开发
首先,通过GPU编程开发并行处理算法,优化数据分割和调度策略。在这个水利项目中,收集到的高光谱数据量巨大,需要快速有效地处理。例如,一次飞行可能收集1TB的数据。通过将数据分割成小块并在多个GPU核心上并行处理,可以显著提高数据处理速度。这一步确保在快速变化的水利环境中,所有数据都能及时准确地处理,支持即时决策。
S2:自适应机器学习模型构建
接着,利用现代机器学习框架如TensorFlow或PyTorch,构建自适应机器学习模型。在水利项目中,这些模型被训练识别特定的水质指标或植被健康状况,如通过水体的光谱反射率识别污染物或评估周围植被的生长状况。通过持续训练和验证,模型能自动调整参数,提高预测的准确性。
S3:实时数据流处理平台部署
然后,部署实时数据流处理平台,构建数据管道以处理实时进入的高光谱数据流。例如,无人机实时传输高光谱数据至处理平台,数据需要快速序列化和反序列化以确保及时传输。同时,开发的深度学习模型在此平台上运行,实时分析数据并进行预处理,比如去除大气影响或光照变化的影响。
S4:混合云边计算框架构建
最后,构建混合云边计算框架。在这个水利项目中,边缘设备(如地面站和无人机)负责执行实时任务,包括数据的初步处理和紧急响应。而云端则负责存储和进行更复杂的数据分析。例如,边缘设备可以实时监测水质突变并发出警报,而云端则进行长期水质和水位的趋势分析。通过这种方式,确保了数据处理的高效性和系统的响应能力。通过这些步骤,本发明的测绘方法能够提供一个强大的工具,帮助水利项目实现实时、准确的水资源监测和管理。
实施例2:某个水利项目中,利用本发明的基于无人机高光谱遥感的测绘方法进行水体监测和分析可以极大地提高水资源管理的效率和精度。该项目旨在实时监测一个大型水库的水质变化、水位波动以及周边生态环境的变化。以下是GPU编程开发并行处理算法实现的步骤,结合实际数据来说明步骤的可行性:
首先,通过数据分割函数实现数据的有效分配。在这个水利项目中,假设收集了1000个高光谱数据块,需要在有50个GPU核心的系统上进行处理。其中x代表数据块的索引,y代表GPU核心数量。例如,对于第100个数据块(x=100),在50个核心上(y=50)进行处理,我们可以计算每个数据块应该分配的资源量。
接着引入负载均衡系数确保每个GPU核心的负载平衡。例如,对于第100个数据块(i=100)在1000个数据块中(n=1000),这个系数帮助我们理解和平衡每个核心的负载,确保没有任何一个核心过载或空闲。采用同步函数S(d,t)=e-dt,其中d和t分别代表数据块间的依赖度和处理时间,以保证数据处理过程中的一致性和同步。在水库监测中,一些数据块之间可能存在依赖关系,如相邻区域的水质数据。假设依赖度d=0.5,处理时间t=2s,我们可以计算出同步所需的时间和资源。
实现了动态调度策略,通过调度函数D(k,v)=log(kv+1),其中k和v分别代表当前数据块的处理状态和可用GPU核心数量。例如,如果一个数据块正在处理(k=1)并且有25个可用的GPU核心(v=25),调度函数帮助动态优化数据块的分配。
最后,通过内存优化函数:
其中r和s分别代表数据读取频率和数据块大小,优化GPU内存使用,减少数据传输。在处理来自水库的大量高光谱数据时,例如,如果数据读取频率r=5次/秒,一个数据块大小s=200MB,这个函数帮助减轻内存压力,加快数据处理速度。
实施例3:某个水利项目中,本发明的基于无人机高光谱遥感的测绘方法可以被应用于监测水库的水质、水位、以及周边植被状况等。使用自适应机器学习模型能够帮助精确分析和解释收集到的大量高光谱数据。以下是实施这一技术的具体步骤及其可行性分析:
首先,采用TensorFlow或PyTorch构建自适应机器学习模型。模型复杂度由函数:
计算,其中m代表模型的层数,n代表每层的节点数。例如,在水质监测的应用中,假设模型有3层(m=3)每层有100个节点(n=100),该函数帮助我们评估随着层数和节点数增加,模型复杂度的增长率,并对整个复杂度增长进行规范化,以便于不同模型间的比较。
随后,利用强化学习实现自动参数调整。通过参数调整函数:
P(θ,λ)=∫0 θsin(λ·x)dx
其中θ代表当前参数值,λ代表学习率。例如,如果模型在初次迭代中学习率设为0.01(λ=0.01)并且需要调整的参数值为0.5(θ=0.5),该公式计算参数的最优更新量,以便模型更好地拟合高光谱数据。
模型通过连续优化函数;
指导训练和验证周期,其中k为迭代次数,α为调整强度。在水利项目中,假设在第10次迭代(k=10)时,调整强度设为0.5(α=0.5),这个函数帮助确定何时以及如何调整模型以适应水质数据的变化。
最后,模型性能通过函数E(ω,τ)=log(ω)·e-τω评估,其中ω代表权重更新频率,τ代表训练时间。在实际监测中,如果权重每迭代更新一次(\\omega=1\)并且训练了100次(τ=100),这个函数帮助评估模型在特定训练时间下的性能。
实施例4:某个水利项目中,本案可以被应用于监测大型水库的水质和水位变化。为了处理和分析这些高光谱数据,采用了一系列的数据处理和机器学习方法。以下是实施这些技术的步骤,结合实际数据来进一步阐释其可行性:
首先,系统使用现代数据流处理平台构建数据管道。应用数据吞吐量优化函数:
假设我们有100个高光谱数据块,每个大小约为1GB(即di=1),整体数据流速度为1GB/s(即v=1)。通过这个函数,我们可以优化数据流的处理速度和吞吐量,确保及时处理从水库收集的大量数据。
接着,系统设计了专门针对高光谱数据的序列化和反序列化算法。采用序列化效率函数:
假设我们处理的数据点数量为10,000(即n=10000),带宽为10Gbps(即b=10),这个函数帮助评估序列化和反序列化的效率,确保数据能被高效传输。
系统开发了深度学习模型来分析高光谱数据。使用特征提取函数:
在这个例子中,假设模型有3层(\y=3\)每层提取100个特征(\k=100\),该函数帮助提取水质和水位变化的关键特征,以便于进一步的分析。此外,系统执行了高光谱数据的预处理和增强。使用预处理效果函数:
假设原始数据范围为100(r=100),预处理参数为s=10和t=0.5,该函数帮助评估预处理对数据质量的影响。最后,系统调整了深度学习网络结构。采用网络适应度评估函数:
假设网络有5层(l=5),权重数量为1000(w=1000),隐藏层节点数为500(h=500),该函数帮助确定最佳的网络结构,以精确地处理和分析水库的高光谱数据。
实施例5:某个水利项目中,本案致力于实时监测水库水位和水质的变化,以及评估周边生态环境的健康状况。该项目采用混合云边计算框架,结合高效的数据处理算法和先进的机器学习技术,确保了数据的快速处理和高精度分析。以下是实施该框架及其组成部分的详细步骤:
项目的第一步是利用计算效率函数
来评估不同计算资源下的处理效率。在实际应用中,假设云端服务器的计算资源为200GFLOPS(c=200),需要处理的数据量为800GB(d=800)。通过计算这个函数,我们可以了解在当前的计算资源下,处理大量高光谱数据的效率,并据此做出调整,以优化数据在云端和边缘设备间的分配和处理。这一步确保了即使在数据量巨大时,系统也能保持高效运行,为水库的实时监测提供坚实的数据支持。
接下来,边缘设备上实施的数据预处理使用预处理函数:
其中ri表示原始数据的第i个特征,s代表预处理的强度或参数。在水库监测的实例中,假设每个高光谱数据块包含20个关键特征,每个特征的预处理强度设为10。该函数通过计算每个特征经过预处理后的输出值,帮助减少数据噪声,提高数据质量。这一步不仅减轻了云端的负担,也为后续的深度分析打下了坚实基础。
此外,云端的大规模数据处理和存储通过存储优化函数S(m,v)=ln(1+mv)进行增强。假设云端存储容量为500TB(m=500),数据处理速度为300GB/s(v=300)。该函数帮助评估和提高云端的数据处理和存储效率,确保大量收集到的高光谱数据能够被有效存储和快速处理。这对于实时监控水库的水质和水位变化至关重要,因为它直接影响到决策者对环境变化的响应速度和策略的调整。
最后,为了确保云端和边缘端之间的高效数据同步和任务协调,采用同步效率函数假设边缘设备的处理能力为100GFLOPS(a=100),云端的处理能力为200GFLOPS(b=200)。这个函数计算的结果帮助我们理解并优化两端的协调机制,确保数据处理任务能够在云端和边缘端之间高效、平衡地分配。
通过以上步骤的实施,本发明的测绘方法不仅优化了数据的处理和存储,提高了分析的精确度,还通过确保数据处理的实时性和同步性,极大地提高了水利项目管理的效率和响应能力。这对于及时发现并解决水库相关的问题,如污染事件或水位异常,提供了强有力的技术支持,确保了水资源的可持续管理和利用。
实施例6:某个涉及大型水库监测的水利项目中,本发明被用于监测水库的水质、水位以及周边植被的健康状况。该项目采用地面验证系统来确保无人机收集的高光谱数据与地面实际情况的一致性和准确性。以下是实施该系统及其组成部分的详细步骤:
首先,部署地面高光谱仪器以收集与无人机相对应点的地面数据。使用地面数据精确度函数:
来评估数据采集的精确度。例如,假设地面采样点与无人机对应点的平均距离为5米(x=5),通过计算这个函数,我们可以得到对地面数据采集精确度的评估,帮助调整设备位置和参数,以确保数据的准确性。
接着,系统设计同步采样策略。采用采样一致性函数:
来量化地面采样的一致性和覆盖范围。假设有100个采样点,每个点的采样密度\m_i根据地形和植被状况不同而有所不同。通过计算这个函数,可以得到一个量化的一致性指标,指导采样策略的优化,确保覆盖范围的全面性。
此外,系统应用机器学习或统计分析方法进行高光谱数据对比分析。采用数据相似度指标:
来量化地面和空中数据间的相似性。例如,假设对于100个采样点,每个点的某个特定属性mi与整体平均值及方差σ2的差异被计算出来。这个指标帮助评估数据之间的偏差,确保无人机收集的数据与地面实际情况相符。
最后,系统实施数据质量控制和验证流程。使用质量控制效率函数Q(e,r)=ln(1+er-e)来评估数据校准和错误检测的效果。假设在初步分析后,错误率e估计为5%,而校准率r设定为95%。通过这个函数,我们可以评估数据校准和错误检测流程的整体效率,从而进行必要的调整,以提高数据质量。
通过以上步骤的实施,本发明的方法不仅能够确保高光谱数据的一致性和准确性,还能通过优化采样策略、提高数据处理效率和执行严格的质量控制,极大地提高了水利项目管理的效率和响应能力。
实施例7:某大型水利工程项目中,监测水库及其周边地区的地形和水文条件对于确保水资源的可持续管理和有效规划至关重要。本发明结合地理信息系统(GIS)技术,为此目标提供了一种创新的三维地图构建方法。以下是实施该方法的详细步骤:
首先,项目使用地表特征提取函数:
其中x、y、z分别表示地表在三维空间中的坐标,a表示高光谱数据的覆盖范围。例如,假设水库及其周边区域的高光谱数据覆盖范围为1000米,该函数计算每个点的地表反射特性,提取地形细节,形成精确的三维地表特征模型。这些信息随后被用来构建一个详尽且准确的三维地形模型,为后续的分析和决策提供坚实基础。
接着,项目结合GIS技术,使用空间分析函数:
进一步处理和分析数据。在该水利项目中,u和v可能代表从高光谱数据中提取的特定地理空间数据,如地面高度和水位变化。该函数帮助将这些高光谱数据准确地映射到三维空间中的正确位置,提供了全面和细致的地形和水文情况视图,使得监测和管理工作更加准确和高效。
此外,为了生成高分辨率的三维地图,项目利用地图细节增强函数M(d)=ln(1+d2),其中d表示地图中的细节密度。在实际操作中,例如,通过分析得到某个区域的地表细节密度为150单位,这个函数能够帮助增强这些细节,使三维地图展示更精细的地形特征,比传统二维地图或低分辨率三维地图提供更丰富的信息,有助于更好地理解和分析水库及其周边地区的环境状况。
最后,为了增强用户体验和提升监测效率,项目开发了一个交互式的可视化平台。平台采用视角转换函数V(θ,φ)=θcos(φ)+θsin(φ),其中θ和φ分别代表用户选择的视角和观察点。例如,工程师需要从30度角度观察水库大坝的特定部分,设置θ=30,并根据大坝的具体位置调整φ值。这个函数让用户能够从不同角度和分辨率灵活地查看三维地图,大大提升了监测和分析的灵活性和效果。
通过以上步骤的实施,本发明的方法能够为水利工程项目提供一个高精度、高效率的监测工具。不仅提高了地表特征的识别和分析能力,还通过可视化平台提升了用户交互体验,使项目管理者和决策者能够更加准确、快速地做出决策。
实施例8:某个专注于水库水质和生态监测的水利项目中,本发明的基于无人机高光谱遥感的测绘方法被用来精确地收集和分析相关数据。该项目旨在通过实时监测和分析,有效管理水资源并预测潜在的环境变化。以下是实施该方法的详细步骤:
系统首先进行场景特定需求分析。采用需求分析函数
其中s代表场景的特定参数,r代表需求响应度。假设在春季监测周期内,由于水生植物生长旺盛,环境敏感度参数s设为6,需求响应度r设为3。通过计算这个函数,可以得到对当前环境下高光谱测绘需求响应度的量化评估,为后续调整测绘方法提供数据支持。
根据需求分析的结果,系统接着调整高光谱测绘方法。应用优化调整函数:
其中p表示测绘参数,q表示场景调整系数。假设在特定的监测任务中,测绘的角度和高度作为测绘参数pi\,每个分别设为10度和100米,而场景调整系数qi根据环境变化调整,设为2。通过计算这个函数,我们能够得到最优化的测绘参数组合,以适应当前环境和监测需求。
系统进一步通过有效性和适用性评估函数:
来确保调整后的方法的有效性,其中v和w分别代表模拟测试结果和实地测试结果。假设在一系列模拟测试中,模拟测试结果vi表示不同测绘参数下的数据准确度评分,设为0.8,而实地测试结果wi表示实际采集数据的准确度评分,设为0.9。这个函数帮助评估调整后的测绘方法在理论和实践中的有效性。
最后,系统根据每个场景的特定需求开发或调整数据处理和分析工具。应用定制化工具评估函数:
其中x和y分别代表数据处理复杂度和分析深度。假设对于一个需要特别关注藻类生长的监测区域,数据处理复杂度x设为15,分析深度y设为20。通过这个函数,我们可以评估定制化工具的综合性能,确保它们能够有效地处理和分析在该场景下收集的高光谱数据。通过以上步骤的实施和具体计算,本发明的方法不仅能够根据不同的环境和监测需求灵活调整,还能确保每次调整后的测绘方法都是有效和适用的。
实施例9:某个集中于水库及其周边生态系统的水利项目中,本发明基于无人机高光谱遥感的测绘方法被用于精准地收集和分析环境数据,以便进行有效的水资源管理和环境保护。该项目旨在通过实时监测和分析,响应不同的环境变化和监测需求。以下是实施该方法的详细步骤:
首先,进行多源数据融合,以提高监测的准确性和全面性。采用融合效率函数:
其中di表示各种数据源的贡献度。例如,假设有四种数据源,包括水质参数、水位变化、植被生长和土壤湿度,每种数据源的贡献度分别设为2、3、2.5和3.5。通过计算这个函数,我们可以得到一个量化的融合效率指标,指导如何更有效地结合这些数据源,以提供更全面的监测视图。
接着,利用机器学习算法进行数据分析。采用模式识别准确度函数:
其中x表示特征变量,k和x0是调整参数。例如,针对水质监测,特征变量x可能包括一系列水质指标,设定调整参数k=0.5和x0=1。这个函数帮助揭示水质数据中的复杂模式和趋势,提高监测的准确性和预测能力。
针对不同场景的特定需求,该方法通过自适应波段选择函数:
来优化高光谱波段,其中s表示场景敏感度,α为调节系数。例如,对于植被生长监测,场景敏感度s设为5,调节系数α设为1。通过调整这些参数,该函数能够确定哪些高光谱波段对于特定的监测任务最为重要,从而提高数据采集的针对性和效率。
最后,实时数据处理能力通过实时调整函数R(t)=γe-βt实现,以快速响应场景变化。例如,对于紧急的水质污染事件,设定时间变量t为从事件发生到数据处理开始的时间,调节参数β设为0.8,γ设为5。这个函数帮助调整数据处理流程的响应速度,确保在关键时刻能够迅速采集、处理和分析数据,及时响应环境变化和潜在的风险。
通过以上步骤的实施和具体计算,本发明的方法不仅能够根据不同的环境和监测需求灵活调整,还能确保每次调整后的测绘方法都是有效和适用的。这对于及时、准确地监测和管理水库及其周边环境至关重要,有助于预测和防范潜在的环境风险,确保水资源的可持续利用和保护。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于无人机高光谱遥感的测绘方法,其特征在于:包括以下步骤:首先,设计并整合轻量级、高效能的高光谱传感器模块与无人机搭载系统,确保传感器在各种无人机上能稳定运作;接着开发实时数据处理算法,并集成机器学习技术,用于提高从高光谱传感器收集到的数据的处理速度和分析精确度;然后建立地面验证系统,设计地面采样和验证方案,通过对比分析地面数据与无人机收集的高光谱数据,确保数据的一致性和准确性;
进一步,利用收集的高光谱数据结合地理信息系统GIS技术构建三维地图,并开发可视化平台,使用户能够从不同角度和分辨率查看地图;最后针对不同的应用场景分析特定需求,并根据每个场景调整和优化高光谱测绘方法,以确保该测绘方法在各种实际应用中的有效性和适用性。
2.根据权利要求1所述的一种基于无人机高光谱遥感的测绘方法,其特征在于所述的实时数据处理算法实现步骤:
S1、通过GPU编程开发并行处理算法,优化数据分割和调度策略,确保并行处理时的数据一致性和高效性;
S2、利用现代机器学习框架构建自适应机器学习模型,包括自动参数调整机制,并通过连续训练和验证循环实现模型的自动调整和优化;
S3、部署实时数据流处理平台,构建数据管道处理实时进入的高光谱数据流,设计高效的数据序列化和反序列化机制以快速传输数据;同时,开发深度学习模型来分析高光谱数据,并进行数据预处理和增强,以及调整网络结构以适应高光谱数据特性;
S4、构建混合云边计算框架,其中边缘设备负责初步数据处理和实时任务,云端负责大规模数据处理和存储,确保云端和边缘端之间高效的数据同步和任务协调,同时在边缘设备上部署轻量级机器学习模型。
3.根据权利要求2所述的一种基于无人机高光谱遥感的测绘方法,其特征在于所述的GPU编程开发并行处理算法实现,通过数据分割函数其中x和y分别代表数据块的索引和GPU核心数量,实现数据的有效分配;
接着引入负载均衡系数其中i是数据块编号,n是总数据块数,以确保每个GPU核心的负载平衡;同时,采用同步函数S(d,t)=e-dt,其中d和t分别代表数据块间的依赖度和处理时间,以保证数据处理过程中的一致性和同步;进一步,实现了动态调度策略,通过调度函数D(k,v)=log(kv+1),其中k和v分别代表当前数据块的处理状态和可用GPU核心数量,以动态优化数据块的分配;
最后,通过内存优化函数:
其中r和s分别代表数据读取频率和数据块大小,来优化GPU内存使用,减少数据传输。
4.根据权利要求2所述的一种基于无人机高光谱遥感的测绘方法,其特征在于所述的自适应机器学习模型采用:包括TensorFlow或PyTorch,其中模型通过函数:
其中,m代表模型的层数,n代表每层的节点数;函数内部:i·ln(m+i)计算的是随着层数和节点数增加,模型复杂度的增长率;外层的表示对整个复杂度增长进行规范化,以便于不同模型间的比较;
随后,利用强化学习实现自动参数调整,通过参数调整函数:
其中,θ代表当前参数值,λ代表学习率;该公式通过整合当前参数值和学习率来计算参数的最优更新量;
同时,模型通过连续优化函数:
指导训练和验证周期,其中k为迭代次数,α为调整强度;
最后,模型性能通过函数E(ω,τ)=log(ω)·e-τω评估,其中ω代表权重更新频率,τ代表训练时间。
5.根据权利要求2所述的一种基于无人机高光谱遥感的测绘方法,其特征在于所述的用于处理高光谱数据的系统,包括实时数据流处理平台的部署,数据管道的构建,以及深度学习模型的开发和调整实现过程:
首先,系统使用现代数据流处理平台构建数据管道,应用数据吞吐量优化函数:
其中di表示数据块大小,v表示数据流速度,用于优化数据流的处理速度和吞吐量;接着,系统设计了专门针对高光谱数据的序列化和反序列化算法,使用序列化效率函数;
其中n为数据点数量,b为带宽,以提高数据传输的效率;
同时,系统开发了深度学习模型来分析高光谱数据,应用特征提取函数:
优化高光谱数据的特征提取过程;其中,x是输入数据向量,其中包含高光谱数据的不同特征;k是要提取的特征数量,y是模型层的深度;该公式通过结合数据特征的平方和对应模型层深度的对数来强化特征提取,适用于处理复杂的高光谱数据;
此外,系统执行了高光谱数据的预处理和增强,使用预处理效果函数:
确保数据质量;其中,r代表原始数据范围,s和t是预处理步骤中使用的参数;该公式通过使用正弦函数和积分,为数据预处理提供了量化的评估方法,确保数据质量和一致性;
最后系统调整了深度学习网络结构,采用网络适应度评估函数:
以适配高光谱数据特性;其中,l代表网络层数,w代表权重数量,h代表隐藏层节点数;该公式通过考虑层数、权重和隐藏层节点数的关系,帮助确定有效的网络结构来处理高光谱数据。
6.根据权利要求2所述的一种基于无人机高光谱遥感的测绘方法,其特征在于所述的混合云边计算框架构成包括:
首先,框架利用计算效率函数:
其中c代表计算资源,d代表数据量,来评估不同计算资源下的处理效率,从而优化数据在云端和边缘设备间的分配和处理;
接着边缘设备上实施的数据预处理使用预处理函数:
以优化数据处理过程,减轻云端的负担;其中,ri表示原始数据的第i个特征;
s代表预处理的强度或参数;此公式计算每个数据特征经过预处理后的输出值,用以评估预处理步骤对原始数据的影响;
此外,云端的大规模数据处理和存储通过存储优化函数S(m,v)=ln(1+mv)进行增强,以提高云端的数据处理能力和存储效率;其中,m代表存储容量,v代表数据处理速度;
最后确保云端和边缘端之间的高效数据同步和任务协调,采用同步效率函数 其中a和b分别代表边缘设备和云端的处理能力。
7.根据权利要求1所述的一种基于无人机高光谱遥感的测绘方法,其特征在于所述用于确保地面数据和无人机收集的高光谱数据一致性及准确性的地面验证系统,首先部署地面高光谱仪器,采用地面数据精确度函数
其中x表示地面采样点与无人机对应点的距离,以评估地面数据采集的精确度;
接着系统设计同步采样策略,并通过采样一致性函数
来量化地面采样的一致性和覆盖范围,其中n代表采样点数量,mi代表第i个点的采样密度;
此外,系统应用机器学习或统计分析方法进行高光谱数据对比分析,并采用数据相似度指标:
来量化地面和空中数据间的相似性,其中,n代表采样点的总数;mi表示第i个采样点的某个特定属性;是所有采样点mi的平均值;σ2是这些采样点的方差,用于衡量采样点间的变异性;此公式评估每个采样点与平均值之间的偏差,从而提供了量化的方式来评估采样的一致性;
最后,系统实施数据质量控制和验证流程,使用质量控制效率函数:Q(e,r)=ln(1+er -e)来评估数据校准和错误检测的效果,其中e代表错误率,r代表校准率。
8.根据权利要求1所述的一种基于无人机高光谱遥感的测绘方法,其特征在于所述利用高光谱数据和GIS技术构建三维地图的方法,采用地表特征提取函数:
其中x,y,z分别表示地表在三维空间中的坐标,a表示高光谱数据的覆盖范围,来从高光谱数据中提取地表的详细特征,并将其转化为三维模型;接着,结合GIS技术,使用空间分析函数
其中u,v分别代表地理空间数据中的两个不同变量,来将高光谱数据融入地理空间框架中,构建三维地图;此外,该方法生成高分辨率的三维地图,利用地图细节增强函数M(d)=ln(1+d2),其中d表示地图中的细节密度,以展示比传统二维地图或低分辨率三维地图更精细的地表细节;最后,开发了一个交互式的可视化平台,应用视角转换函数V(θ,φ)=θcos(φ)+θsin(φ),其中θ和φ分别代表用户选择的视角和观察点,允许用户从不同角度和分辨率查看三维地图。
9.根据权利要求1所述的一种基于无人机高光谱遥感的测绘方法,其特征在于所述针对不同应用场景优化高光谱测绘方法,首先,系统进行场景特定需求分析,应用需求分析函数:
其中s表示场景的特定参数,r表示需求响应度;该公式用于根据特定场景参数评估高光谱测绘的需求响应度;
接着系统根据分析结果调整高光谱测绘方法,采用优化调整函数:
其中,p表示测绘参数,q表示场景调整系数;此公式用于计算特定场景下测绘参数的最优化组合;
此外,系统通过有效性和适用性评估函数:
来确保调整后的方法的有效性,其中v和w分别代表模拟测试结果和实地测试结果;最后,系统根据每个场景的特定需求开发或调整数据处理和分析工具,应用定制化工具评估函数其中x和y分别代表数据处理复杂度和分析深度。
10.根据权利要求9所述的一种基于无人机高光谱遥感的测绘方法,其特征在于所述针对不同应用场景优化高光谱测绘另一方法:
首先进行多源数据融合,应用融合效率函数其中di表示各种数据源的贡献度;然后利用机器学习算法进行数据分析,采用模式识别准确度函数/>以揭示数据中的复杂模式;其中,x表示特征变量,k和x0是调整参数;
针对不同场景的特定需求,该方法通过自适应波段选择函数来优化高光谱波段,其中s表示场景敏感度,α为调节系数;此函数通过调整s和α的值,确定对特定任务最有信息量的波段;
实时数据处理能力通过实时调整函数R(t)=γe-βt实现,以快速响应场景变化,其中t为时间变量,β和γ是调节参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311827108.3A CN117788737A (zh) | 2023-12-27 | 2023-12-27 | 一种基于无人机高光谱遥感的测绘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311827108.3A CN117788737A (zh) | 2023-12-27 | 2023-12-27 | 一种基于无人机高光谱遥感的测绘方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117788737A true CN117788737A (zh) | 2024-03-29 |
Family
ID=90383130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311827108.3A Pending CN117788737A (zh) | 2023-12-27 | 2023-12-27 | 一种基于无人机高光谱遥感的测绘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117788737A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150269438A1 (en) * | 2014-03-18 | 2015-09-24 | Sri International | Real-time system for multi-modal 3d geospatial mapping, object recognition, scene annotation and analytics |
CN111192267A (zh) * | 2019-12-31 | 2020-05-22 | 航天时代飞鸿技术有限公司 | 一种基于unet网络的多源感知融合遥感图像分割方法及应用 |
CN212459378U (zh) * | 2020-04-20 | 2021-02-02 | 中国科学院地理科学与资源研究所 | 一种基于无人机的地物高光谱仪遥感土地利用样本采集仪 |
WO2023020084A1 (zh) * | 2021-08-20 | 2023-02-23 | 中国华能集团清洁能源技术研究院有限公司 | 海上无人机巡检飞行路径生成方法、装置及无人机 |
-
2023
- 2023-12-27 CN CN202311827108.3A patent/CN117788737A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150269438A1 (en) * | 2014-03-18 | 2015-09-24 | Sri International | Real-time system for multi-modal 3d geospatial mapping, object recognition, scene annotation and analytics |
CN111192267A (zh) * | 2019-12-31 | 2020-05-22 | 航天时代飞鸿技术有限公司 | 一种基于unet网络的多源感知融合遥感图像分割方法及应用 |
CN212459378U (zh) * | 2020-04-20 | 2021-02-02 | 中国科学院地理科学与资源研究所 | 一种基于无人机的地物高光谱仪遥感土地利用样本采集仪 |
WO2023020084A1 (zh) * | 2021-08-20 | 2023-02-23 | 中国华能集团清洁能源技术研究院有限公司 | 海上无人机巡检飞行路径生成方法、装置及无人机 |
Non-Patent Citations (2)
Title |
---|
孙刚;黄文江;陈鹏飞;高帅;王秀;: "轻小型无人机多光谱遥感技术应用进展", 农业机械学报, no. 03, 25 March 2018 (2018-03-25) * |
庞治国;雷添杰;曲伟;付俊娥;路京选;: "基于无人机载激光雷达的库区高精度DEM生成", 电子测量技术, no. 09, 27 April 2018 (2018-04-27) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN109902885A (zh) | 基于深度学习混合cnn-lstm模型的台风预测方法 | |
Roodposhti et al. | Towards automatic calibration of neighbourhood influence in cellular automata land-use models | |
CN104361611B (zh) | 一种基于群稀疏鲁棒pca的运动目标检测方法 | |
CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
CN111666656A (zh) | 基于微波雨衰的降雨估算方法及降雨监测系统 | |
CN114092697B (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
CN109359166B (zh) | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 | |
GB2547816A (en) | Actually-measured marine environment data assimilation method based on sequence recursive spare filtering three-dimensional variation | |
CN106295613A (zh) | 一种无人机目标定位方法及系统 | |
CN110346654B (zh) | 基于普通克里金插值的电磁频谱地图构建方法 | |
CN102222313B (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
CN113779675A (zh) | 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 | |
CN113222316A (zh) | 一种基于flus模型和生物多样性模型的变化情景模拟方法 | |
CN112784493A (zh) | 基于自适应深度q网络的地理空间预测方法及系统 | |
CN115359366A (zh) | 基于参数优化的遥感图像目标检测方法 | |
CN115049841A (zh) | 基于深度无监督多步对抗域自适应的高分辨sar图像地物要素提取方法 | |
CN114037836A (zh) | 一种将人工智能识别技术应用于三维输变电工程测算的方法 | |
CN201716727U (zh) | 基于遥感与gis的地理模拟系统 | |
CN112949944A (zh) | 一种基于时空特征的地下水位智能预测方法及系统 | |
CN110260914A (zh) | 一种基于测点时空特征的工程安全监测系统区域划分方法 | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
CN117114176A (zh) | 基于数据分析和机器学习的土地利用变化预测方法及系统 | |
CN117788737A (zh) | 一种基于无人机高光谱遥感的测绘方法 |
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 |