CN117456378A - 基于卫星遥感的水利数字孪生底座要素实现方法和系统 - Google Patents
基于卫星遥感的水利数字孪生底座要素实现方法和系统 Download PDFInfo
- Publication number
- CN117456378A CN117456378A CN202311753557.8A CN202311753557A CN117456378A CN 117456378 A CN117456378 A CN 117456378A CN 202311753557 A CN202311753557 A CN 202311753557A CN 117456378 A CN117456378 A CN 117456378A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- water body
- water
- water conservancy
- digital twin
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000037237 body shape Effects 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 2
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims 3
- 230000000873 masking effect Effects 0.000 claims 1
- 239000012528 membrane Substances 0.000 claims 1
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000010276 construction Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于卫星遥感的水利数字孪生底座要素实现方法和系统，属于遥感技术领域。本发明利用GEE平台的超算能力，直接在平台上查找到需要的遥感影像并进行预处理操作，再构建能够提高地物分类准确度的植被指数特征值，然后使用ecognition软件将植被指数特征值与多尺度分割方法进行有机融合，对遥感影像进行地物分类，并对分类后的结果进行精度检验，再基于地物分类结果对水利要素进行判别，提出了利用水体形态的长宽比与面积指数来判别水体为河流、水库或是湖泊的方法。本发明大大提高了水利要素判别的效率，为数字孪生底座中数据底板的建设提供了强有力的支持。
Description
技术领域
本发明涉及一种基于卫星遥感的水利数字孪生底座要素实现方法和系统， 属于遥感技术领域。
背景技术
数字孪生，英文名叫Digital Twin(数字双胞胎)，也被称为数字映射、数字镜像。它是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。可以看出，将数字孪生技术应用于水利治理管理领域，基于河流湖泊的数字版克隆体，能够掌握河流湖泊的最新状态，进而进行实时监测和科学治理。随着卫星遥感技术的不断发展，遥感技术已成为水利行业的“千里眼”，在数字孪生建设中起着非常重要的作用。遥感技术可以提供多维、多时空分辨率、高时效性的数据，这些数据可以用于构建数字孪生底座的数据底板平台，包括江河湖泊、水利工程等地理实体的动态监测，特别是利用遥感技术可以对遥感影像上的水利要素进行实时监测与判别，能够提供全面的水利要素的位置信息与变化趋势。
传统的水利要素监测方法是通过下载卫星影像，然后进行地物类型提取，再根据提取出的地物类型区分水体要素和水利工程要素。这种方法不仅需要将卫星影像下载到本地，耗费大量时间和精力，效率低下，而且占用设备存储空间。随后对分类后的地物进行水体类别区分，这个过程同样需要大量人工参与，逐个排查，导致人力成本较高。
发明内容
本发明的目的是克服上述不足而提供一种基于卫星遥感的水利数字孪生底座要素实现方法，极大提高了遥感影像处理的效率。
本发明采取的技术方案为：
基于卫星遥感的水利数字孪生底座要素实现方法，包括步骤如下：
S1.在GEE平台获取所需的研究区的遥感影像并进行预处理；
S2.构建植被指数特征值，包括归一化植被指数NDVI、土壤调节植被指数SAVI和归一化差异水体指数NDWI；
S3. 使用ecognition软件将植被指数特征值与多尺度分割方法进行有机融合，对遥感影像进行地物分类；
S4. 对融合了植被特征指数的地物分类结果进行精度检验，分类结果良好的进行下一步；
S5. 基于地物分类结果对水利要素进行判别，包括水工建筑物、河流、水库、湖泊，利用水体形态的长宽比与面积指数来判别水体为河流、水库或是湖泊。
上述方法中，步骤S1所述的预处理为对图像进行正射校正和大气校正，再进行阴影去除和云掩膜操作，使用中值滤波法获取年际合成影像，从而将研究年份所有遥感图像合成为一个，得到能够清晰、完整显示研究区地表覆盖信息的遥感图像。
步骤S2所述的植被指数特征值的计算方法，具体如下：
，
，
，
其中，PNIR：近红外波段的反射率，
PRED：红外波段的反射率，
PGREEN：绿光波段的反射率，
L：土壤调整系数。
步骤S3中，多尺度分割方法主要将图像中的像素分为耕地、林地、草地、建筑物、水体、其他用地；通过设置特征值的阈值，重点区分出林地、水体和建筑物，其中将NDVI阈值设置为0.46，将林地与非林地区分出来，NDVI大于0.46的表示为林地；将NDWI设置为0.2，提取出水体，NDWI大于0.2的表示为水体，包括城市地区水体和河道浅水区；将SAVI设置为0.2，区分出建筑物和非建筑物，其中SAVI小于0.2的表示为建筑物。
步骤S4中，利用混淆矩阵精度检验方法，使用总体精度OA和Kappa系数来验证分类结果的精度，其中：
，
，
，
TP：预测为正，实际为正，
FN：预测为负，实际为正，
FP：预测为正，实际为负，
TN：预测为负，实际为负，
AA：平均准确率，
进行精度验证之后的Kappa系数大于0.6表明分类结果良好。
步骤S5中，对水工建筑物的判别方法为：将地物分类中的建筑物提取出来，若建筑物为规则矩形且在水库边，表明此建筑物为水库大坝；在河道中部有明显的隔断水体的建筑表示为拦河闸。进行水体判别时将不规则形状水体的最小包围矩形当做水体的边界，该矩形的长和宽看作水体的长和宽，其中当水体长宽比K1大于44时，表示水体为河流；当水体的长宽比K2大于2.5且面积S2大于0.37公顷，在水体周围有工程大坝建筑物的表示水体为水库；当水体的长宽比K3大于2且面积S3大于10.37公顷，在水体周围没有工程大坝建筑物的为湖泊。
基于卫星遥感的水利数字孪生底座要素实现系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的基于卫星遥感的水利数字孪生底座要素实现方法。
本发明的有益效果是：
本发明利用GEE平台强大的超算能力，直接在平台上对数据进行批量处理计算，彻底改变了传统的遥感数据下载至设备上再进行处理和分析的模式，极大提高了遥感影像处理的效率。另外，本发明研究出了一种新型的针对水利要素中河湖水库的判别方法，通过计算水体形态的长宽比和面积来判断水体是河流、水库或是湖泊。这种方法能够实现自动化计算，只需要在计算后进行人工筛查就能得到准确的河湖要素信息，大大提高了水利要素判别的效率，为数字孪生底座中数据底板的建设提供了强有力的支持。
附图说明
图1为本发明的方法流程图；
图2为本发明实施例获取的某河流域的遥感影像；
图3为本发明实施例河流、水库、湖泊长宽比示意图；（a）为河流，（b）为水库，（c）为湖泊；
图4为本发明实施例河湖水库的判别结果。
具体实施方式
下面结合具体实施例进一步说明本发明。
实施例1 基于卫星遥感的水利数字孪生底座要素实现方法，包括步骤（见图1）如下：
S1.在GEE平台获取所需的研究区的遥感影像并进行预处理：
在Google Earth Engine(GEE)平台筛选出符合要求的高分1号卫星影像，对研究区的遥感影像进行预处理，具体步骤为：在GEE平台（https://developers.google.cn/earth-engine/）选择相应时相的卫星遥感数据之后，对其进行正射校正和大气校正，再使用cloud mask工具进行阴影去除和云掩膜操作，使用中值滤波法获取年际合成影像，从而将研究年份所有遥感图像合成为一个，得到能够清晰、完整显示研究区地表覆盖信息的遥感图像。
本实施例获取山东省某河流域的遥感影像，如图2。
S2.构建植被指数特征值，包括归一化植被指数NDVI、土壤调节植被指数SAVI和归一化差异水体指数NDWI：
植被指数作为特征值运用到面向对象分类算法中可以有效弥补遥感影像本身光谱值的不足，并且可以放大特征值，达到对地物的准确提取。本发明中主要加入归一化植被指数（NDVI），土壤调节植被指数（SAVI）和归一化差异水体指数（NDWI）三个特征值来提高地物分类的准确性。具体如下：
，
，
，
PNIR：近红外波段的反射率，
PRED：红外波段的反射率，
PGREEN：绿光波段的反射率，
L：土壤调整系数，本发明中设为0.6。
S3. 使用ecognition软件将植被指数特征值与多尺度分割方法进行有机融合，对遥感影像进行地物分类：
ecognition 软件（易康软件）是一个面向对象的分类系统，是一种基于机器学习和深度学习算法的图像处理软件。其中的多尺度分割方法是一种自下而上的分割方法，在目标间平均异质性最小、内部像素间均匀度最大的前提下，通过对相邻像素或小分割对象的合并，实现基于区域融合技术的图像分割，本发明中主要将图像中的像素分为耕地、林地、草地、建筑物、水体、其他用地。具体步骤为：导入影像数据，在【Process Tree】对话框中写入分割进程，插入【Append New】，名称为“分割”，选择算法为多尺度分割【multiresolution segmentation】，设置分割参数【Scale parameter】为0.4，形状因子的参数（shape）为0.2，紧凑度的参数（compactness）为0.5，然后点击【Execute】执行操作。
在多尺度分割方法中融入植被指数特征值来提高地物分类的准确度，通过设置特征值的阈值，重点区分出林地、水体和建筑物。其中将NDVI阈值设置为0.46，可以明显将林地与非林地区分出来，NDVI大于0.46的表示为林地；将NDWI设置为0.2，可以更好地提取出水体，NDWI大于0.2的表示为水体，包括城市地区水体和河道浅水区；将SAVI设置为0.2，可以区分出建筑物和非建筑物，其中SAVI小于0.2的表示为建筑物。具体步骤为：在【ProcessTree】 对话框右键插入【Append New】，名字修改为【融合植被指数特征值】，然后按【ok】，再右键插入【Insert child】，选择【multiresolution segmentation】，在右边表格的【Activeclasses】里勾选要配置的类别，即勾选需要分类的类别为耕地、林地、草地、建筑物、水体、其他用地。然后在【Features】中选择【Object features】下的【Layer Values】，双击【Mean】和【Standard deviation】，再选择【Customized】下的【Create new ’ArithmeticFeature】，输入NDVI的算法公式，点击执行。对执行后的结果重复上述步骤直到输入算法公式修改为SAVI和NDWI的公式，输出的最终结果就是融合了植被特征指数的地物分类结果。再对分类结果进行精度检验。
S4. 对融合了植被特征指数的地物分类结果进行精度检验，分类结果良好的进行下一步：
对融合了植被特征指数的地物分类结果进行精度检验是证明分类结果可靠性的必要一步，本发明在研究区随机均匀地选择各种土地利用类型的样本点共100个，利用混淆矩阵精度检验方法，使用总体精度（Overall Accuracy，OA）和Kappa系数来验证分类结果的精度，其中：
，
，
，
TP：预测为正，实际为正，
FN：预测为负，实际为正，
FP：预测为正，实际为负，
TN：预测为负，实际为负，
AA：平均准确率（每个类别准确率的平均值），
进行精度验证之后的Kappa系数大于0.6表明分类结果良好，可以使用融合了植被特征指数的地物分类结果进行下一步的水利要素判别。
S5. 基于地物分类结果对水利要素进行判别，包括水工建筑物、河流、水库、湖泊，利用水体形态的长宽比与面积指数来判别水体为河流、水库或是湖泊：
根据融合了植被特征指数的地物分类结果对水体形态进行分析，进行水利要素的判别，主要包括水工建筑物、河流、水库、湖泊。对水工建筑物的判别方法为：将地物分类中的建筑物提取出来，若建筑物为规则矩形且在水库边，表明此建筑物为水库大坝；在河道中部有明显的隔断水体的建筑表示为拦河闸。进行水体判别时将不规则形状水体的最小包围矩形当做水体的边界，该矩形的长和宽看作水体的长和宽，其中当水体长宽比K1大于44时，表示水体为河流；当水体的长宽比K2大于2.5且面积S2大于0.37公顷，在水体周围有工程大坝建筑物的表示水体为水库；当水体的长宽比K3大于2且面积S3大于10.37公顷，在水体周围没有工程大坝建筑物的为湖泊。具体为
K1=L1/B1 ，
K2=L2/B2 ，
K3=L3/B3 ，
S2=L2B2 ，
S3=L3B3 ，
式中，K1：河流的长宽比，
K2：水库的长宽比，
K3：湖泊的长宽比，
S2：水库的面积（104m2），
S3：湖泊的面积（104m2），
L1：河流的长度（m），
L2：水库的长度（m），
L3：湖泊的长度（m），
B1：河流的宽度（m），
B2：水库的宽度（m），
B3：湖泊的宽度（m）。
本实施例河流、水库、湖泊长宽比示意图如图3，其中L1=594m，B1=11m，K1=54；L2=
106m，B2=39m，K2=2.71，S2=0.41104m2；L3=732m，B3=149m，K3=4.9，S3=10.9104m2。对地
物分类结果进行水利要素判别的结果如图4。
实施例2：基于卫星遥感的水利数字孪生底座要素实现系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上实施例1所述的基于卫星遥感的水利数字孪生底座要素实现方法。
以上是结合实施例对本发明的进一步描述，本发明的保护范围不限于此。
Claims (8)
1.基于卫星遥感的水利数字孪生底座要素实现方法，其特征是，包括步骤如下：
S1.在GEE平台获取所需的研究区的遥感影像并进行预处理；
S2.构建植被指数特征值，包括归一化植被指数NDVI、土壤调节植被指数SAVI和归一化差异水体指数NDWI；
S3. 使用ecognition软件将植被指数特征值与多尺度分割方法进行有机融合，对遥感影像进行地物分类；
S4. 对融合了植被特征指数的地物分类结果进行精度检验，分类结果良好的进行下一步；
S5. 基于地物分类结果对水利要素进行判别，包括水工建筑物、河流、水库、湖泊，利用水体形态的长宽比与面积指数来判别水体为河流、水库或是湖泊。
2.根据权利要求1所述的基于卫星遥感的水利数字孪生底座要素实现方法，其特征是，步骤S1所述的预处理为对图像进行正射校正和大气校正，再进行阴影去除和云掩膜操作，使用中值滤波法获取年际合成影像，从而将研究年份所有遥感图像合成为一个，得到能够清晰、完整显示研究区地表覆盖信息的遥感图像。
3.根据权利要求1所述的基于卫星遥感的水利数字孪生底座要素实现方法，其特征是，步骤S2所述的植被指数特征值的计算方法，具体如下：
，
，
，
其中，PNIR：近红外波段的反射率，
PRED：红外波段的反射率，
PGREEN：绿光波段的反射率，
L：土壤调整系数。
4.根据权利要求1所述的基于卫星遥感的水利数字孪生底座要素实现方法，其特征是，步骤S3中，多尺度分割方法主要将图像中的像素分为耕地、林地、草地、建筑物、水体、其他用地；通过设置特征值的阈值，重点区分出林地、水体和建筑物，其中将NDVI阈值设置为0.46，将林地与非林地区分出来，NDVI大于0.46的表示为林地；将NDWI设置为0.2，提取出水体，NDWI大于0.2的表示为水体，包括城市地区水体和河道浅水区；将SAVI设置为0.2，区分出建筑物和非建筑物，其中SAVI小于0.2的表示为建筑物。
5.根据权利要求1所述的基于卫星遥感的水利数字孪生底座要素实现方法，其特征是，步骤S4中，利用混淆矩阵精度检验方法，使用总体精度OA和Kappa系数来验证分类结果的精度，其中：
，
，
，
TP：预测为正，实际为正，
FN：预测为负，实际为正，
FP：预测为正，实际为负，
TN：预测为负，实际为负，
AA：平均准确率，
进行精度验证之后的Kappa系数大于0.6表明分类结果良好。
6. 根据权利要求1所述的基于卫星遥感的水利数字孪生底座要素实现方法，其特征是， 步骤S5中，对水工建筑物的判别方法为：将地物分类中的建筑物提取出来，若建筑物为规则矩形且在水库边，表明此建筑物为水库大坝；在河道中部有明显的隔断水体的建筑表示为拦河闸。
7.根据权利要求1所述的基于卫星遥感的水利数字孪生底座要素实现方法，其特征是，步骤S5中，进行水体判别时将不规则形状水体的最小包围矩形当做水体的边界，该矩形的长和宽看作水体的长和宽，其中当水体长宽比K1大于44时，表示水体为河流；当水体的长宽比K2大于2.5且面积S2大于0.37公顷，在水体周围有工程大坝建筑物的表示水体为水库；当水体的长宽比K3大于2且面积S3大于10.37公顷，在水体周围没有工程大坝建筑物的为湖泊。
8.基于卫星遥感的水利数字孪生底座要素实现系统，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，其特征是，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于卫星遥感的水利数字孪生底座要素实现方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311753557.8A CN117456378A (zh) | 2023-12-20 | 2023-12-20 | 基于卫星遥感的水利数字孪生底座要素实现方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311753557.8A CN117456378A (zh) | 2023-12-20 | 2023-12-20 | 基于卫星遥感的水利数字孪生底座要素实现方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117456378A true CN117456378A (zh) | 2024-01-26 |
Family
ID=89591245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311753557.8A Pending CN117456378A (zh) | 2023-12-20 | 2023-12-20 | 基于卫星遥感的水利数字孪生底座要素实现方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117456378A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118887190A (zh) * | 2024-07-23 | 2024-11-01 | 拓恒技术有限公司 | 一种基于数字孪生的河流生态检测方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303184A (zh) * | 2015-11-25 | 2016-02-03 | 中国矿业大学(北京) | 一种卫星遥感影像中地物精确识别方法 |
| CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
| CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
| CN112990657A (zh) * | 2021-02-06 | 2021-06-18 | 首都师范大学 | 一种通过长时序卫星遥感评价湿地退化的方法 |
| CN113724389A (zh) * | 2021-09-06 | 2021-11-30 | 中国科学院东北地理与农业生态研究所 | 基于面向对象分层决策树的湿地制图方法 |
| CN114359243A (zh) * | 2022-01-10 | 2022-04-15 | 首都师范大学 | 一种季节性小微湿地动态监测方法 |
| CN114724049A (zh) * | 2022-04-11 | 2022-07-08 | 中国科学院南京地理与湖泊研究所 | 基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法 |
| CN115205688A (zh) * | 2022-09-07 | 2022-10-18 | 浙江甲骨文超级码科技股份有限公司 | 茶树种植区域提取方法及系统 |
| CN116030352A (zh) * | 2023-03-29 | 2023-04-28 | 山东锋士信息技术有限公司 | 融合多尺度分割和超像素分割的长时序土地利用分类方法 |
| CN116129276A (zh) * | 2023-03-16 | 2023-05-16 | 重庆市气象科学研究所(重庆市生态气象和卫星遥感中心、重庆市农业气象中心) | 一种地形复杂地区主要粮食作物遥感精细分类方法 |
| CN117114371A (zh) * | 2023-10-24 | 2023-11-24 | 山东锋士信息技术有限公司 | 一种基于卫星遥感的现代水网防汛监测与调度方法及系统 |
-
2023
- 2023-12-20 CN CN202311753557.8A patent/CN117456378A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303184A (zh) * | 2015-11-25 | 2016-02-03 | 中国矿业大学(北京) | 一种卫星遥感影像中地物精确识别方法 |
| CN107609526A (zh) * | 2017-09-21 | 2018-01-19 | 吉林大学 | 基于规则的精细尺度城市不透水面快速提取方法 |
| CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
| CN112990657A (zh) * | 2021-02-06 | 2021-06-18 | 首都师范大学 | 一种通过长时序卫星遥感评价湿地退化的方法 |
| CN113724389A (zh) * | 2021-09-06 | 2021-11-30 | 中国科学院东北地理与农业生态研究所 | 基于面向对象分层决策树的湿地制图方法 |
| CN114359243A (zh) * | 2022-01-10 | 2022-04-15 | 首都师范大学 | 一种季节性小微湿地动态监测方法 |
| CN114724049A (zh) * | 2022-04-11 | 2022-07-08 | 中国科学院南京地理与湖泊研究所 | 基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法 |
| CN115205688A (zh) * | 2022-09-07 | 2022-10-18 | 浙江甲骨文超级码科技股份有限公司 | 茶树种植区域提取方法及系统 |
| CN116129276A (zh) * | 2023-03-16 | 2023-05-16 | 重庆市气象科学研究所(重庆市生态气象和卫星遥感中心、重庆市农业气象中心) | 一种地形复杂地区主要粮食作物遥感精细分类方法 |
| CN116030352A (zh) * | 2023-03-29 | 2023-04-28 | 山东锋士信息技术有限公司 | 融合多尺度分割和超像素分割的长时序土地利用分类方法 |
| CN117114371A (zh) * | 2023-10-24 | 2023-11-24 | 山东锋士信息技术有限公司 | 一种基于卫星遥感的现代水网防汛监测与调度方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118887190A (zh) * | 2024-07-23 | 2024-11-01 | 拓恒技术有限公司 | 一种基于数字孪生的河流生态检测方法及系统 |
| CN118887190B (zh) * | 2024-07-23 | 2025-03-11 | 拓恒技术有限公司 | 一种基于数字孪生的河流生态检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
| WO2022184088A1 (zh) | 一种基于集成学习的洪水敏感性风险评估方法 | |
| CN109446992B (zh) | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 | |
| CN110645961B (zh) | 基于遥感和ndvi的森林资源动态变化检测方法 | |
| CN106650812B (zh) | 一种卫星遥感影像的城市水体提取方法 | |
| CN107392133B (zh) | 利用面向对象多源信息融合的荒漠植物遥感识别方法 | |
| CN111598045A (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
| CN101832769A (zh) | 一种基于近景摄影估算矿区植被覆盖度的方法和系统 | |
| CN117541930A (zh) | 流域尺度高时空分辨率河流网络遥感信息提取方法及系统 | |
| CN111898681A (zh) | 一种基于遥感云平台与决策树的火烧迹地精细提取方法 | |
| CN115861629A (zh) | 一种高分耕地影像提取方法 | |
| CN116883853B (zh) | 基于迁移学习的作物时空信息遥感分类方法 | |
| CN116844053B (zh) | 一种小麦种植区域识别方法、系统、电子设备及存储介质 | |
| CN114140703A (zh) | 一种森林松材线虫病害智能识别方法及系统 | |
| CN116665070B (zh) | 融合跳跃网络与Mask R-CNN模型的梯田遥感识别方法 | |
| CN109584284A (zh) | 一种分层决策的滨海湿地地物样本提取方法 | |
| CN115561176A (zh) | 一种基于特征自适应运算和机器学习融合的水质反演方法 | |
| CN117456378A (zh) | 基于卫星遥感的水利数字孪生底座要素实现方法和系统 | |
| CN112529003A (zh) | 一种基于Faster-RCNN的仪表盘数字识别方法 | |
| CN114842356B (zh) | 一种高分辨率地表类型样本自动生成方法、系统及设备 | |
| CN118397481B (zh) | 一种基于时序遥感影像的碟形湖变化监测方法 | |
| CN115953685A (zh) | 多层多尺度分割的农用大棚类型信息提取方法及系统 | |
| CN113096114B (zh) | 结合形态与指数的高分辨率城市水体图斑遥感提取方法 | |
| CN118608977A (zh) | 一种基于遥感影像的耕地非粮化变化检测方法 | |
| CN117710824A (zh) | 一种基于改进Cascade Mask R-CNN模型的岩芯图像RQD智能分析方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20240126 |