CN110596017A - 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 - Google Patents
一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 Download PDFInfo
- Publication number
- CN110596017A CN110596017A CN201910861877.2A CN201910861877A CN110596017A CN 110596017 A CN110596017 A CN 110596017A CN 201910861877 A CN201910861877 A CN 201910861877A CN 110596017 A CN110596017 A CN 110596017A
- Authority
- CN
- China
- Prior art keywords
- heavy metal
- metal concentration
- hyperspectral image
- variational self
- coding
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明属于土壤环境监测与评估领域,具体涉及一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法。本发明首先针对高光谱影像中的每个像元建立空间权重约束,在所述空间权重约束基础上通过变分自编码方法实现土壤重金属浓度建模的特征数据提取,进而在土壤重金属浓度和经过变分自编码压缩的特征之间建立模型,最终得到未知像元处的土壤重金属浓度评估值。本方法具有非接触性、大范围连续地理空间、强泛化能力进行土壤重金属浓度评估的特点。
Description
技术领域
本发明涉及土壤环境监测与评估领域,具体涉及一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法。
背景技术
近年来,我国环境污染问题持续严重,为了更加高效的对土壤中重金属浓度进行监测评估,通过新技术新方法对土壤重金属浓度进行监测很有必要。传统土壤重金属浓度监测方法为野外土壤采样进行实验室化验测定,这种方法过于耗时耗力,而且获取的土壤重金属为点状信息,即使通过地理学空间插值方法也无法得到可信度较高的面状信息,不能对区域内连续地理空间进行分析判断。
针对区域内连续地理空间的重金属预测分析方法,现有技术中公开了相关的申请案,如中国专利申请号201710900422.8,申请日为2017年9月28日的申请案公开了基于无人机高光谱反演土壤中重金属污染监测方法,其监测方法的具体步骤如下:现场采样;样本预处理;使用X射线荧光分析仪采集样本的重金属污染源的主要研究元素的含量;利用地物光谱仪采集样本的实验室高光谱反射率;对原始光谱反射率数据分别进行数据处理;对使用偏最小二乘回归(PLS)算法分别将已经测得的主要研究元素的含量分别与实验室高光谱原始反射率数据、倒数、对数、一阶微分以及二阶微分数据进行相关性分析并对模型进行验证优化,获得最优的变换方法,使用搭载高光谱成像光谱仪的无人机采集研究区高光谱反射率数据作为待测数据,大面积反演重金属含量。
上述申请案的方法虽然能够在一定程度上形成土壤重金属空间分布制图,但由于重金属的特征波段之间存在非线性空间关系,传统的PLS在对土壤重金属浓度估算时,过度依赖模式学习,更多关注建立模型的数值分析,忽视地理学中地物属性自相关的特性,不能克服大范围研究区域预测时的空间异质性问题,导致模型迁移泛化能力低的问题。
因此针对于大范围研究区域的高光谱土壤重金属浓度评估,为了克服模型迁移泛化能力低的问题,需要建立可以进行深度学习的模型。
近几年自动编码器(Auto-Encoder,简称AE)得到了快速的发展,其是一种著名的深度学习模型,其主要包括编码阶段和解码阶段,且结构是对称的,即如果有多个隐层时,编码阶段的隐层数量与解码阶段相同。解码器能够重构出经过编码器编码后的数据。所以训练得到的自编码器,提取编码器得到的隐层数据就可以作为一种降维特征。变分自编码(VariationalAuto-Encoder,简称VAE)模型由Kingma在2014年提出的一种基于自编码器的改进模型,它是一种生成模型,该模型通过增加了对隐含层的概率分布约束和干扰约束,因此训练得到的模型能重构输入数据,使得隐含层数据足以表示输入数据。而高光谱影像的光谱波段从20到1000以上,通过VAE技术,理论上高效实现高光谱影像特征的特征压缩(即降维),同时还能得到高光谱影像所蕴含有效信息的概率空间分布;因此,将VAE技术引入航空高光谱影像进行特征压缩是一种前沿探索,目前将VAE技术引入航空高光谱影像进行特征压缩的方法未有文献报道。
发明内容
1.要解决的问题
针对现有高光谱遥感影像探测技术在对土壤重金属浓度估算时,过度依赖模式学习、更多关注建立模型的数值分析,忽视地理学中地物属性自相关的特性,不能克服大范围研究区域预测时的空间异质性问题,导致模型迁移泛化能力低的问题。本发明通过在样本的学习空间中引入土壤重金属浓度的空间权重矩阵作为约束特征,然后利用变分自编码方法建立模型建立所需的特征数据,将特征数据输入模型中实现土壤重金属浓度评估,进而能够同时实现有标签数据信息与无标签数据信息的综合利用,具有非接触性、大范围连续地理空间、快速高效进行土壤重金属浓度评估的特点。
2.技术方案
为了解决上述问题,本发明所采用的技术方案如下:
本发明提供了一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法,所述方法首先针对高光谱影像中的每个像元建立空间权重约束,在所述空间权重约束基础上通过变分自编码方法实现土壤重金属浓度建模的特征数据提取,最后在土壤重金属浓度和经过变分自编码压缩的特征之间建立模型,进而得到未知像元处的土壤重金属浓度评估值;所述的经过变分自编码压缩的特征具体为:将重金属空间特征与高光谱影像光谱特征组合后经变分自编码压缩。
作为本发明更进一步的改进,所述评估方法包括以下步骤:
a)采集土壤样本,获取土壤样本的重金属浓度值,同时获取研究区的成像高光谱影像数据,将重金属浓度值、采样点对应的成像高光谱影像数据及对应的地理坐标数据组合,形成有标签数据集;
b)建立新数据集:通过采样点的空间位置关系建立空间权重矩阵,再结合步骤a)中测定的土壤重金属浓度值形成重金属空间约束矩阵,将所述重金属空间约束矩阵与高光谱影像数据组合形成新数据集;
c)变分自编码训练:将所述新数据集输入至变分自编码器中进行训练,得到训练好的变分自编码模型;
d)提取最终特征数据集:将所述有标签数据集的样本标签和对应样本的重金属空间约束矩阵的对应信息组合后,输入至步骤c)中训练好的变分自编码模型,生成最终特征数据集;
e)建立模型:将所述的最终特征数据集与土壤重金属浓度值组合后输入重金属浓度评估模型,经训练模型参数、精度检验后,建立最终模型;
f)将b)中得到的新数据集输入至d)中训练好的变分自编码模型,得到新数据集对应的压缩编码特征(即预测数据集的最终特征数据集),将压缩编码特征输入e)中建立好的最终模型,经模型预测最终得到整个高光谱影像覆盖范围研究区中的土壤重金属浓度评估值。
作为本发明更进一步的改进,所述步骤c)中进行的训练为高光谱影像数据的压缩编码的隐变量参数训练,所述步骤d)的最终特征数据集是通过变分自编码模型中的隐变量参数训练映射而获得。
作为本发明更进一步的改进,所述步骤b)中是将重金属空间特征的权重约束矩阵重采样至影像空间分辨率中,再将重采样后的重金属空间特征权重约束矩阵与高光谱影像数据组合成新数据集。
作为本发明更进一步的改进,所述步骤e)中的重金属浓度评估模型包括RF和SVM模型的任意一种。
作为本发明更进一步的改进,所述步骤a)的成像高光谱影像数据为经过预处理的成像反射率数据。
作为本发明更进一步的改进,所述步骤d)进行的隐变量参数训练中的隐含层数量分别设置5、10、20共3个梯度。隐含层的特征压缩没有固定的数量要求,过少则有些信息会损失掉,过多则仍然有部分冗余,设置不同的隐含层数量梯度是为了探寻更合适的压缩编码维度,以更加合理高效的编码输入数据信息。
作为本发明更进一步的改进,所述重金属包括As。
3.有益效果
相比于现有技术,本发明的有益效果为:
(1)本发明的基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法,将空间权重矩阵与VAE技术结合应用于高光谱影像土壤重金属浓度评估,通过空间权重矩阵则能够提取到重金属浓度的空间分布特征,将重金属空间分布特征与高光谱影像所蕴含的信息通过VAE压缩,得到具有空间权重约束的压缩信息,本发明的方法将冗杂的高光谱信息和重金属空间特征信息所蕴含的有效信息转化成为简要的具有空间权重约束的压缩信息,通过简要的压缩信息建模,实现针对大范围研究领域土壤重金属浓度的更加高效准确的评估。
(2)本发明的基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法,通过在样本的学习空间中引入土壤重金属浓度的空间权重矩阵作为约束特征,然后利用变分自编码方法建立模型所需的特征数据,将特征数据输入模型中实现土壤重金属浓度估算,能够同时实现有标签数据信息与无标签数据信息的综合利用,是一种深度学习模型,具有非接触性、大范围连续地理空间、强泛化能力进行土壤重金属浓度评估的特点。
(3)本发明的基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法,在重金属的高光谱特征提取方面,融合了土壤重金属地理空间异质性的特征约束与高光谱影像在概率空间压缩特征,实现了重金属浓度模型预测的输入数据的高效降维提取,针对于大范围研究区域的高光谱土壤重金属浓度评估可以有效克服现有模型迁移泛化能力低的问题,可以实现高光谱土壤重金属浓度更加精准的评估。
附图说明
图1为实施例中基于VAE-RF预测的吉林伊通研究区土壤重金属As浓度评估图。
具体实施方式
实施例
下面结合具体实施例对本发明进一步进行描述。
本实施例以吉林省伊通县研究区为例进行详细描述基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法的应用,分别采用下述方法进行研究区土壤重金属As的浓度测定。
1)研究区土壤样本采集:研究区选择我国东北重工业地区的黑土地区域,在研究区内按棋盘式方法均匀布设采样点,每个采样点位置的确定需要结合影像空间分辨率与采样点处的地形地貌综合考虑,应尽量选择地表属性比较单一的区域确定土壤采样点位置,这样便于后期准确获取影像中采样点处对应的光谱;具体采样包括:依据研究区地形地貌以及地面土壤属性保持一致的面积大于3*3个影像空间分辨率单位的区域内确定采样点位置;每处采样点按照梅花桩式方法采集4~6个地表2cm厚度的土壤样本;研究区共采集样本95个;每个采样点处坐标记录通过实时动态差分定位方法(RTK)精密确定,实际操作中通过华测RTK基准站-移动站方式实现,基准站架设在研究区海拔最高处山顶,且山顶无遮挡物。
2)土壤样本中重金属浓度及有机质等要素实验室化学测定:通过电感耦合等离子体质谱(ICP-MS)方法及国标要求操作对土壤重金属As浓度进行化验测定;
3)利用航空机载平台及成像光谱仪获取研究区成像光谱数据:通过镜头焦距、行高设置、航线规划等,调整成像光谱仪***所获取数据空间分辨率,成像光谱数据分析空间分辨率太低则混合像元问题严重,不利于后期建模分析,通过调整镜头焦距及机载平台的飞行航高确定本发明使用数据空间分辨率为4.5m;成像光谱飞行数据获取在当日10:30至14:00期间进行,以保证成像数据光谱辐射质量满足分析要求,飞行条带按30%旁向重叠设置,最终获取研究区成像光谱8个条带数据;
航空高光谱数据预处理,包括几何校正、辐射定标、大气校正和条带拼接等;航空机载平台获取的数据无地理空间坐标,通过机载定向定位***将成像空间坐标系依次转换至地理空间坐标系完成几何校正,使得每一个影像像元具有地理空间坐标;在几何校正的基础上将成像光谱仪获取的数字信号,根据辐射定标参数转换为入瞳处光谱辐射强度,使得影像数据具有光谱物理意义;再通过前期获取的气象相关数据,通过Mondtran大气辐射传输模型完成大气校正;通过预处理之后,原始数据转换为研究区成像反射率数据;
4)重金属浓度值估算步骤,该步骤具体为:
a)将重金属浓度数据与采样点对应的成像高光谱影像数据及对应的地理坐标数据组合,形成有标签数据集;
b)生成空间权重矩阵:根据步骤2)中测定土壤重金属浓度数据,依据每种土壤重金属在采样点位置处的浓度建立空间权重矩阵,该矩阵空间分辨率与航空高光谱影像数据相同;
c)建立新数据集:通过土壤重金属采样点的空间位置关系,建立空间权重矩阵;在空间权重基础上,结合土壤重金属浓度值(As)生成重金属空间特征的权重约束矩阵,并将其重采样至影像空间分辨率;将重采样后的重金属空间特征权重约束矩阵与高光谱影像数据组合成新的数据集;
d)特征提取:将步骤c)中建立的新数据集,输入至变分自编码器中进行高光谱影像数据的压缩编码的隐变量参数训练,通过变分自编码(VAE)的压缩训练得到具有概率参数描述的高光谱影像特征的概率空间分布,所述该步骤进行的隐变量参数训练中的隐含层数量分别设置5、10、20共3个梯度。
e)提取最终特征数据集:将步骤a)中有标签数据集的样本标签和步骤c)中对应样本的重金属空间特征的权重约束矩阵的对应信息组合后,输入至步骤d)中训练好的变分自编码模型,通过已经训练好的隐变量参数映射生成最终特征数据集;
f)建立模型:将步骤e)中得到最终新特征数据集与步骤b)对应的样本标签值组合后输入重金属浓度评估模型,模型训练方法可有多种选择,本实施例中选择RF,经训练模型参数,精度检验后,建立最终模型,本实施例建立的模型精度检验的统计结果如表1所示;
g)将步骤c)中得到的新数据集输入至步骤e)中训练好的变分自编码模型,得到新数据集对应的压缩编码特征(即预测数据集的最终特征数据集),将压缩编码特征输入步骤f)中建立好的重金属评估模型,经模型预测最终得到整个高光谱影像覆盖范围研究区中的土壤重金属浓度评估值,本实施例得到的重金属As空间重金属浓度分布图如图1所示。
对比例1
本对比例基本与对比例1相同,不同之处在于:在步骤4)中未采用空间约束和变分自编码的特征提取,而直接采用支持向量机(SVM)方法进行土壤重金属浓度光谱建模。建立的模型精度统计结果如表1所示。
对比例2
本对比例基本与实施例相同,不同之处在于:在步骤4)中未采用空间约束和变分自编码的特征提取,而直接采用随机森林(RF)方法进行土壤重金属浓度光谱建模。建立的模型精度统计结果如表1所示。
表1不同模型的高光谱影像土壤重金属估算模型精度评价
采用R2和RMSE作为模型精度评价指标,值介于0~1之间,越接近于1则说明模型拟合精度越高,其中达到0.5以上则说明模型拟合精度较高且有一定的可信性;达到0.6以上则说明可信性强。RMSEP越低则越好,此值是相对值,无量纲范围。根据精度综合评价结果可知,本发明的方法(实施例的VAE-RF)在重金属浓度拟合的精确性方面RMSEP为35.7527,优于现有技术的方法(对比例1和对比例2);在拟合的准确性方面为0.7643,也是优于其他方面。为0.91,综合来看可以有效克服现有模型迁移泛化能力低的问题,可以实现高光谱土壤重金属浓度更加精准的评估。
Claims (8)
1.一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法,其特征在于:所述方法首先针对高光谱影像中的每个像元建立空间权重约束,在所述空间权重约束基础上通过变分自编码方法实现土壤重金属浓度建模的特征数据提取,最后在土壤重金属浓度和经过变分自编码压缩的特征之间建立模型,进而得到未知像元处的土壤重金属浓度评估值;所述的经过变分自编码压缩的特征具体为:将重金属空间特征与高光谱影像光谱特征组合后经变分自编码压缩。
2.根据权利要求1所述的基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法,其特征在于:具体包括以下步骤:
a)采集土壤样本,获取土壤样本的重金属浓度值,同时获取研究区的成像高光谱影像数据,将重金属浓度值、采样点对应的成像高光谱影像数据及对应的地理坐标数据组合,形成有标签数据集;
b)建立新数据集:通过采样点的空间位置关系建立空间权重矩阵,再结合步骤a)中测定的土壤重金属浓度值形成重金属空间约束矩阵,将所述重金属空间约束矩阵与高光谱影像数据组合形成新数据集;
c)变分自编码训练:将所述新数据集输入至变分自编码器中进行训练,得到训练好的变分自编码模型;
d)提取最终特征数据集:将所述有标签数据集的样本标签和对应样本的重金属空间约束矩阵的对应信息组合后,输入至步骤c)中训练好的变分自编码模型,生成最终特征数据集;
e)建立模型:将所述的最终特征数据集与土壤重金属浓度值组合后输入重金属浓度评估模型,经训练模型参数、精度检验后,建立最终模型;
f)将步骤b)中得到的新数据集输入至步骤d)中训练好的变分自编码模型,得到新数据集对应的压缩编码特征,将压缩编码特征输入步骤e)中建立好的最终模型,经模型预测得到整个高光谱影像覆盖范围研究区中的土壤重金属浓度评估值。
3.根据权利要求2所述的基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法,其特征在于:所述步骤c)中进行的训练为高光谱影像数据的压缩编码的隐变量参数训练,所述步骤d)的最终特征数据集是通过变分自编码模型中的隐变量参数训练映射而获得。
4.根据权利要求2或3所述的基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法,其特征在于:所述步骤b)中是将重金属空间特征的权重约束矩阵重采样至影像空间分辨率中,再将重采样后的重金属空间特征权重约束矩阵与高光谱影像数据组合成新数据集。
5.根据权利要求4所述的基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法,其特征在于:所述步骤e)中的重金属浓度评估模型包括RF和SVM模型的任意一种。
6.根据权利要求5所述的基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法,其特征在于:所述步骤a)的成像高光谱影像数据为经过预处理的成像反射率数据。
7.根据权利要求6所述的基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法,其特征在于:所述步骤d)进行的隐变量参数训练中的隐含层数量分别设置5、10、20共3个梯度。
8.根据权利要求2或3所述的基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法其特征在于:所述重金属包括As。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910861877.2A CN110596017B (zh) | 2019-09-12 | 2019-09-12 | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910861877.2A CN110596017B (zh) | 2019-09-12 | 2019-09-12 | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110596017A true CN110596017A (zh) | 2019-12-20 |
CN110596017B CN110596017B (zh) | 2022-03-08 |
Family
ID=68859062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910861877.2A Active CN110596017B (zh) | 2019-09-12 | 2019-09-12 | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110596017B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052271A (zh) * | 2021-05-14 | 2021-06-29 | 江南大学 | 基于深度神经网络的生物发酵数据预测方法 |
CN113324922A (zh) * | 2021-05-31 | 2021-08-31 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的小麦条锈病监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2535065A1 (en) * | 2006-01-24 | 2007-07-24 | A.U.G. Signals Ltd. | High resolution high snr hyperspectral sensors |
RU2455658C1 (ru) * | 2011-02-17 | 2012-07-10 | Федеральное государственное военное образовательное учреждение высшего профессионального образования "Военный авиационный инженерный университет" (г. Воронеж) Министерства обороны Российской Федерации | Способ адаптивной пространственной компенсации помех при моноимпульсном амплитудном суммарно-разностном пеленговании |
CN104112263A (zh) * | 2014-06-28 | 2014-10-22 | 南京理工大学 | 基于深度神经网络的全色图像与多光谱图像融合的方法 |
CN105163121A (zh) * | 2015-08-24 | 2015-12-16 | 西安电子科技大学 | 基于深度自编码网络的大压缩比卫星遥感图像压缩方法 |
CN107949052A (zh) * | 2017-10-09 | 2018-04-20 | 北京航空航天大学 | 基于空间特征分区和前点约束的wknn室内定位方法 |
CN109492593A (zh) * | 2018-11-16 | 2019-03-19 | 西安电子科技大学 | 基于主成分分析网络和空间坐标的高光谱图像分类方法 |
CN110186851A (zh) * | 2019-05-27 | 2019-08-30 | 生态环境部南京环境科学研究所 | 一种基于半监督自编码分析的高光谱影像土壤重金属浓度评估方法 |
CN113066142A (zh) * | 2021-02-24 | 2021-07-02 | 西安电子科技大学 | 一种结合空间正则化与半盲光谱解混的光学功能成像方法 |
-
2019
- 2019-09-12 CN CN201910861877.2A patent/CN110596017B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2535065A1 (en) * | 2006-01-24 | 2007-07-24 | A.U.G. Signals Ltd. | High resolution high snr hyperspectral sensors |
RU2455658C1 (ru) * | 2011-02-17 | 2012-07-10 | Федеральное государственное военное образовательное учреждение высшего профессионального образования "Военный авиационный инженерный университет" (г. Воронеж) Министерства обороны Российской Федерации | Способ адаптивной пространственной компенсации помех при моноимпульсном амплитудном суммарно-разностном пеленговании |
CN104112263A (zh) * | 2014-06-28 | 2014-10-22 | 南京理工大学 | 基于深度神经网络的全色图像与多光谱图像融合的方法 |
CN105163121A (zh) * | 2015-08-24 | 2015-12-16 | 西安电子科技大学 | 基于深度自编码网络的大压缩比卫星遥感图像压缩方法 |
CN107949052A (zh) * | 2017-10-09 | 2018-04-20 | 北京航空航天大学 | 基于空间特征分区和前点约束的wknn室内定位方法 |
CN109492593A (zh) * | 2018-11-16 | 2019-03-19 | 西安电子科技大学 | 基于主成分分析网络和空间坐标的高光谱图像分类方法 |
CN110186851A (zh) * | 2019-05-27 | 2019-08-30 | 生态环境部南京环境科学研究所 | 一种基于半监督自编码分析的高光谱影像土壤重金属浓度评估方法 |
CN113066142A (zh) * | 2021-02-24 | 2021-07-02 | 西安电子科技大学 | 一种结合空间正则化与半盲光谱解混的光学功能成像方法 |
Non-Patent Citations (3)
Title |
---|
JINGKE SIMA: "Toxicity characteristic leaching procedure over- or under-estimates leachability of lead in phosphate-amended contaminated soils", 《CHEMOSPHERE》 * |
王园园: "石墨富集结合空间约束水体重金属LIBS检测方法研究", 《光谱学与光谱分析》 * |
马伟波: "定位定向***数据的航空高光谱影像几何校正", 《测绘科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052271A (zh) * | 2021-05-14 | 2021-06-29 | 江南大学 | 基于深度神经网络的生物发酵数据预测方法 |
CN113324922A (zh) * | 2021-05-31 | 2021-08-31 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的小麦条锈病监测方法 |
CN113324922B (zh) * | 2021-05-31 | 2022-08-23 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的小麦条锈病监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110596017B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
CN110865040A (zh) | 天空地一体化高光谱水质监测分析方法 | |
CN112051222A (zh) | 一种基于高分卫星影像的河湖水质监测方法 | |
CN111666656A (zh) | 基于微波雨衰的降雨估算方法及降雨监测*** | |
CN106124454B (zh) | 一种基于遥感影像的沥青路面老化状况监测方法 | |
CN112749627A (zh) | 一种基于多源遥感影像的烟草动态监测的方法和装置 | |
CN114966692B (zh) | 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置 | |
CN114384031A (zh) | 星-空-地高光谱遥感水体重金属污染立体监测方法 | |
CN115561181B (zh) | 一种基于无人机多光谱数据的水质反演方法 | |
CN113466143B (zh) | 土壤养分反演方法、装置、设备及介质 | |
CN103226826B (zh) | 基于局部熵视觉注意模型的遥感图像变化检测方法 | |
CN110596017B (zh) | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 | |
CN110186851A (zh) | 一种基于半监督自编码分析的高光谱影像土壤重金属浓度评估方法 | |
CN113408111B (zh) | 大气可降水量反演方法及***、电子设备和存储介质 | |
CN111210483A (zh) | 基于生成对抗网络和数值模式产品的仿真卫星云图生成方法 | |
CN112329265A (zh) | 卫星遥感降水精细化空间估算方法及*** | |
CN116148188A (zh) | 空天地一体化湖泊水质溯源方法、***、设备及存储介质 | |
CN114819737B (zh) | 公路路域植被的碳储量估算方法、***及存储介质 | |
CN115494007A (zh) | 基于随机森林的土壤有机质高精度快速检测方法及装置 | |
Zhang et al. | Reconstruction of GF-1 soil moisture observation based on satellite and in situ sensor collaboration under full cloud contamination | |
CN116127327A (zh) | 森林地上生物量反演方法、装置、设备以及存储介质 | |
CN110321528B (zh) | 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法 | |
CN117371316A (zh) | 基于深度学习的静止卫星太阳短波辐射反演方法及可读存储介质 | |
CN116399813A (zh) | 基于深度置信网络的多波段aod反演方法及*** |
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 |