CN113095303A - 模型训练方法及林地变化检测方法及***及装置及介质 - Google Patents
模型训练方法及林地变化检测方法及***及装置及介质 Download PDFInfo
- Publication number
- CN113095303A CN113095303A CN202110621682.8A CN202110621682A CN113095303A CN 113095303 A CN113095303 A CN 113095303A CN 202110621682 A CN202110621682 A CN 202110621682A CN 113095303 A CN113095303 A CN 113095303A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- area
- forest land
- classification
- 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
Images
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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了模型训练方法及林地变化检测方法及***及装置及介质,涉及遥感影像处理领域,本方法包括获得目标区域的遥感影像;从所述遥感影像中提取出植被覆盖区域,将所述植被覆盖区域分割为林地区域和非林地区域,将所述林地区域和所述非林地区域进行分类标记,获得分类标签图;构建分类模型,所述分类模型的输入为预设区域的遥感影像,所述分类模型的输出为所述预设区域的遥感影像中的林地区域和非林地区域;从所述分类标签图中采集所述林地区域和所述非林地区域的若干特征数据,基于所述特征数据训练所述分类模型,通过本发明训练的分类模型可以快速且准确的获得遥感影像中的林地区域和非林地区域。
Description
技术领域
本发明涉及遥感影像处理领域,具体地,涉及模型训练方法及林地变化检测方法及***及装置及介质。
背景技术
森林资源变化检测技术是获取由于外界因素所造成的林地变化区域的技术。目前主要的技术是依靠人工目视解译高分辨率遥感影像,比对两期遥感影像,人工勾画出森林变化的区域,这种方法效率较低,且解译结果容易受主观意识影响,导致解译结果准确率不高,无法满足对于大范围的森林资源实行长期和高频率的变化检测的需求。
发明内容
为了解决上述问题,本发明提供了模型训练方法及林地变化检测方法及***及装置及介质,通过本发明训练的分类模型可以快速且准确的获得遥感影像中的林地区域和非林地区域。
为实现上述目的,本发明提供了模型训练方法,所述方法包括:
获得目标区域的遥感影像;
从所述遥感影像中提取出植被覆盖区域,将所述植被覆盖区域分割为林地区域和非林地区域,将所述林地区域和所述非林地区域进行分类标记,获得分类标签图;
构建分类模型,所述分类模型的输入为预设区域的遥感影像,所述分类模型的输出为所述预设区域的遥感影像中的林地区域和非林地区域;
从所述分类标签图中采集所述林地区域和所述非林地区域的若干特征数据,基于所述特征数据训练所述分类模型。
其中,本方法的原理为首先获得目标区域的遥感影像;然后从所述遥感影像中提取出植被覆盖区域,将所述植被覆盖区域分割为林地区域和非林地区域,将所述林地区域和所述非林地区域进行分类标记,获得分类标签图,标记后便于进行模型的训练,从所述分类标签图中采集所述林地区域和所述非林地区域的若干特征数据,基于所述特征数据训练所述分类模型,其中,分类标签图中具有很多种数据,本方法提取的是反映林地区域和非林地区域的特征数据,利用特征数据训练获得的分类模型在后续应用时能够准确的获得遥感影像中的林地区域和非林地区域,通过上述训练方法能够获得分类模型,而利用分类模型可以快速准确的输出遥感影像中的林地区域和非林地区域,进而可以代替传统的人工人工勾画出森林变化的区域,提高了效率和准确率。
其中,在本方法中,所述特征数据包括以下类型数据中的一种或几种:光谱特征数据、归一化植被指数NDVI数据、归一化水体指数NDWI数据和地形特征数据。
其中,光谱特征数据、归一化植被指数NDVI数据、归一化水体指数NDWI数据和地形特征数据中的任意一种数据均可以判断出遥感影像中的林地区域和非林地区域。
其中,所述特征数据为光谱特征数据。光谱特征数据是上述数据中最能够准确反映遥感影像中的林地区域和非林地区域,因此,当特征数据为光谱特征数据可以准确的反映遥感影像中的林地区域和非林地区域。
其中,仅仅依靠一种数据来判断遥感影像中的林地区域和非林地区域时容易存在误判的风险,因此,本方法也可以结合多种数据进行同时判断来提高判断遥感影像中的林地区域和非林地区域的准确性,如光谱特征数据、归一化植被指数NDVI数据、归一化水体指数NDWI数据和地形特征数据中的任意几种数据结合进行判断来提高整体判断的准确性。
优选的,在本方法中,本方法在步骤获得目标区域的遥感影像后,以及在步骤从所述遥感影像中提取出植被覆盖区域前,还包括步骤:对所述目标区域的遥感影像进行大气校正处理。本方法通过大气校正可以次凹处遥感影像中的辐射误差,提高训练方法的准确度。
优选的,本方法在步骤获得目标区域的遥感影像后,以及在步骤从所述遥感影像中提取出植被覆盖区域前,还包括步骤:去除所述目标区域的遥感影像中的云和云影。其中,当遥感影像中具有云和云影时会对林地和非林地区域造成遮挡,导致模型训练不准确,为了提高模型训练的准确度,本方法在获得遥感影像后去除所述目标区域的遥感影像中的云和云影。
优选的,本方法采用掩膜方式去除所述目标区域的遥感影像中的云和云影。其中,掩膜方式为首先获得云和云影的位置,然后获得相应的掩膜,然后利用掩膜将云和云影覆盖,然后利用历史无云和无云影的影像替换原始有云和云影的区域,进而获得了新的无云和无云影的影像。通过掩膜方式能够快速且准确的去除遥感影像中的云和云影,且最大程度保留遥感影像的本身数据。
优选的,本方法所述采用掩膜方式去除所述目标区域的遥感影像中的云和云影,具体包括:
对所述遥感影像进行云和云影检测,获得云和云影掩膜;
从所述目标区域对应的历史遥感影像数据中选取云和云影覆盖率最低的历史遥感影像作为底图;
使用与所述遥感影像同一时期内其他时相的标准遥感影像填充所述底图中所述云和云影掩膜所对应的云和云影区域,所述标准遥感影像为与所述遥感影像同一时期内其他时相的遥感影像中云和云影覆盖率最低的遥感影像。
优选的,本方法在填充所述底图前对与所述遥感影像同一时期内其他时相的遥感影像进行相对辐射校正处理,目的是以减少不同时相遥感影像之间的辐射差异。
优选的,所述方法包括:计算所述遥感影像的归一化植被指数NDVI,基于所述归一化植被指数NDVI确定阈值,基于所述阈值进行二值化处理获得植被掩膜,使用所述植被掩膜对所述遥感影像进行掩膜处理,获得所述植被覆盖区域。本方法通过计算遥感影像的归一化植被指数NDVI来获得植被掩膜,进而使用植被掩膜对遥感影像进行掩膜处理来获得植被覆盖区域。
优选的,所述遥感影像的归一化植被指数NDVI的计算方式为:
其中,NIR为近红外波段,RED为红波段。
优选的,所述方法包括:
将所述植被覆盖区域进行多尺度分割,获得分割图,将所述分割图转换为矢量,获得分割矢量;在所述分割矢量中新建分类字段,基于所述分割矢量选取林地和非林地图斑,并根据类别分别将林地图斑与非林地图斑赋予不同的值,根据所述分类字段将所述分割矢量转换为栅格图,获得分类标签图。
优选的,所述归一化水体指数NDWI的计算方式为:
其中,NIR为近红外波段,GREEN为绿波段。
优选的,所述方法包括:
所述目标区域的遥感影像包括第一时期内所述目标区域的第一遥感影像和所述第一时期之后的第二时期内所述目标区域的第二遥感影像;
基于所述第一遥感影像获得第一分类标签图;
基于所述第二遥感影像获得第二分类标签图;
构建第一分类模型和第二分类模型;
从所述第一分类标签图中采集林地区域和非林地区域的特征数据,获得第一训练样本;使用所述第一训练样本训练所述第一分类模型,获得第三分类模型;
从所述第二分类标签图中采集林地区域和非林地区域的特征数据,获得第二训练样本;使用所述第二训练样本训练所述第二分类模型,获得第四分类模型。
其中,本方法分别训练了2个模型,即第三分类模型和第四分类模型,第三分类模型用于处理第一时期对应的遥感影像,第四分类模型用于处理第二时期对应的遥感影像,这样设计的目的是预设区域在不同时期即林地变化前后的数据不同,对应的模型参数也不同,因此分别训练了2个模型,2个模型分别用于处理变化前后的遥感影像,即一个模型用于处理林地变化前的遥感图像,一个模型用于处理林地变化后的遥感图像,这样能够更加准确的获得遥感影像对应的林地区域和非林地区域。
优选的,所述方法包括:
采用所述的分类模型训练方法训练获得所述第三分类模型和所述第四分类模型;
获得待检测区域在A时期内的遥感影像x和所述待检测区域在B时期内的遥感影像y,其中,所述A时期在所述B时期之前;
将所述遥感影像x输入所述第三分类模型,输出所述遥感影像x中的林地区域K;
将所述遥感影像y输入所述第四分类模型,输出所述遥感影像y中的林地区域P;
基于所述林地区域K和所述林地区域P的差值获得所述待检测区域的林地变化检测结果图。
其中,本方法可以获得待检测区域不同时期遥感影像中的林地区域,通过林地区域的变化结果可以获得该区域在该段实际内的林地变化情况。
优选的,所述方法还包括:将所示林地变化检测结果图转为矢量,获得林地变化图斑。通过林地变化图斑能够更加直观和生动的展现林地的变化情况。
本发明还提供了一种模型训练***,所述***包括:
第一获得单元,用于获得目标区域的遥感影像;
分类标签图获得单元,用于从所述遥感影像中提取出植被覆盖区域,将所述植被覆盖区域分割为林地区域和非林地区域,将所述林地区域和所述非林地区域进行分类标记,获得分类标签图;
分类模型构建单元,用于构建分类模型,所述分类模型的输入为预设区域的输入遥感影像,所述分类模型的输出为所述输入遥感影像中的林地区域和非林地区域;
第一训练单元,用于从所述分类标签图中采集所述林地区域和所述非林地区域的光谱特征,基于所述光谱特征获得训练样本;使用所述训练样本训练所述分类模型。
本发明还提供了一种模型训练装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述模型训练方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述模型训练方法的步骤。
本发明还提供了林地变化检测***,所述***包括:
第二训练单元,用于采用所述的模型训练方法训练获得所述第三分类模型和所述第四分类模型;
第二获得单元,用于获得待检测区域在A时期内的遥感影像x和所述待检测区域在B时期内的遥感影像y,其中,所述A时期在所述B时期之前;
第一处理单元,用于将所述遥感影像x输入所述第三分类模型,输出所述遥感影像x中的林地区域K;
第二处理单元,用于将所述遥感影像y输入所述第四分类模型,输出所述遥感影像y中的林地区域P;
比较单元,用于基于所述林地区域K和所述林地区域P的差值获得所述待检测区域的林地变化检测结果图。
本发明还提供了一种林地变化检测装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述林地变化检测方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述林地变化检测方法的步骤。
本发明提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过本发明训练的分类模型可以快速且准确的获得遥感影像中的林地区域和非林地区域。
本发明通过对目标区域的两期遥感影像做预处理和提取林地区域,再自动提取林地变化区域,智能实现对于大范围森林资源长期的变化检测,解决人工目视解译效率低和准确度不高的问题,为林地监管决策提供支撑。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,并不构成对本发明实施例的限定;
图1为模型训练方法的流程示意图;
图2为模型训练***的组成示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
实施例一
请参考图1,图1为分类模型训练方法的流程示意图,本发明实施例一提供了模型训练方法,所述方法包括:
获得目标区域的遥感影像;
从所述遥感影像中提取出植被覆盖区域,将所述植被覆盖区域分割为林地区域和非林地区域,将所述林地区域和所述非林地区域进行分类标记,获得分类标签图;
构建分类模型,所述分类模型的输入为预设区域的遥感影像,所述分类模型的输出为所述预设区域的遥感影像中的林地区域和非林地区域;
从所述分类标签图中采集所述林地区域和所述非林地区域的若干特征数据,基于所述特征数据训练所述分类模型。
其中,目标区域可以为任意区域,如山地、平原、城市、乡村等等,本发明对目标区域的具体类型和位置不进行具体的限定。
其中,本实施例中的遥感影像获取途径可以为多种途径中的任意一种,如通过卫星***得到,或者通过网络获取,或者通过数据库获取等等,本实施例对遥感影像的获取途径不进行限定,如本方法的遥感图像可以通过哨兵二号得到,也可以通过其他方式得到。
其中,在本发明实施例一中,所述特征数据包括以下类型数据中的一种或几种:光谱特征数据、归一化植被指数NDVI数据、归一化水体指数NDWI数据和地形特征数据。
其中,地物光谱特征是自然界中任何地物都具有其自身的电磁辐射规律,如具有反射,吸收外来的紫外线、可见光、红外线和微波的某些波段的特性,它们又都具有发射某些红外线、微波的特性;少数地物还具有透射电磁波的特性,这种特性称为地物的光谱特性。
其中,归一化植被指数是反映农作物长势和营养信息的重要参数之一,NDVI的应用:检测植被生长状态、植被覆盖度和消除部分辐射误差等,本实施例利用其来检测植被覆盖情况。
其中,NDWI(Normalized Difference Water Index,归一化水指数),用遥感影像的特定波段进行归一化差值处理,以凸显影像中的水体信息,植被水分指数NDWI是基于中红外与近红外波段的归一化比值指数。
其中,地形特征数据包括地貌因子,如坡度、坡向、坡度变化率等。
其中,在本发明实施例中,本方法在步骤获得目标区域的遥感影像后,以及在步骤从所述遥感影像中提取出植被覆盖区域前,还包括步骤:对所述目标区域的遥感影像进行大气校正处理。大气校正是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映,其中包含了由大气吸收,尤其是散射作用造成的辐射量误差。大气校正就是消除这些由大气影响所造成的辐射误差,反演地物真实的表面反射率的过程。
其中,在本发明实施例中,使用sen2cor工具对两个时期内的哨兵二号遥感影像进行大气校正(若哨兵二号遥感影像处理级别为L2A则跳过此步骤);本方法也可以使用其他工具或方式对遥感影像做大气校正处理,本方法不进行具体的限定。
其中,在本发明实施例中,本方法在步骤获得目标区域的遥感影像后,以及在步骤从所述遥感影像中提取出植被覆盖区域前,还包括步骤:去除所述目标区域的遥感影像中的云和云影。
其中,在本发明实施例中,本方法采用掩膜方式去除所述目标区域的遥感影像中的云和云影。
其中,在本发明实施例中,所述采用掩膜方式去除所述目标区域的遥感影像中的云和云影,具体包括:
对所述遥感影像进行云和云影检测,获得云和云影掩膜;
从所述目标区域对应的历史遥感影像数据中选取云和云影覆盖率最低的历史遥感影像作为底图;
使用与所述遥感影像同一时期内其他时相的标准遥感影像填充所述底图中所述云和云影掩膜所对应的云和云影区域,所述标准遥感影像为与所述遥感影像同一时期内其他时相的遥感影像中云和云影覆盖率最低的遥感影像。
其中,在本发明实施例中,在填充所述底图前对与所述遥感影像同一时期内其他时相的遥感影像进行相对辐射校正处理。
本方法对获取的遥感图像做去云处理,去云处理采用多时相遥感影像进行相应区域替换的方法,首先对大气校正后的多时相影像使用fmask进行云和云影检测(云影为云遮蔽在地面产生的阴影),得到云和云影掩膜,然后选取各时期内云和云影覆盖率最少的遥感影像作为底图,使用同一时期内其他时相的遥感影像(按云覆盖率从小到排序)填充底图中掩膜所对应的云和云影区域,在填充底图前其他时相的遥感影像需要进行相对辐射校正,以减少不同时相遥感影像之间的辐射差异。
其中,在本发明实施例中,所述方法包括:计算所述遥感影像的归一化植被指数NDVI,基于所述归一化植被指数NDVI确定阈值,基于所述阈值进行二值化处理获得植被掩膜,使用所述植被掩膜对所述遥感影像进行掩膜处理,获得所述植被覆盖区域。
根据红波段(4波段)和近红外波段(8波段)计算两期遥感影像的归一化植被指数NDVI,确定阈值进行二值化得到植被掩膜,使用植被掩膜对两期影像进行掩膜处理,仅留存植被覆盖区域,非植被区域设置为无数据(nodata),所述遥感影像的归一化植被指数NDVI的计算方式为:
其中,NIR为近红外波段,RED为红波段。
其中,在本发明实施例中,所述方法包括:将所述植被覆盖区域进行多尺度分割,获得分割图,将所述分割图转换为矢量,获得分割矢量;在所述分割矢量中新建分类字段,基于所述分割矢量选取林地和非林地图斑,并根据类别分别将林地图斑与非林地图斑赋予不同的值,根据所述分类字段将所述分割矢量转换为栅格图,获得分类标签图。
其中,对于两期掩膜后的多光谱遥感影像进行多尺度分割,获得分割图,再将分割图转换为shp矢量,获得分割矢量;在分割矢量中新建分类字段,基于分割矢量选取均匀分布的林地和非林地图斑,并根据类别分别将林地与非林地赋值为1和2,选取完成后,根据分类字段再将矢量转换为栅格图,获得分类标签图。
其中,在本发明实施例中,所述归一化水体指数NDWI的计算方式为:
其中,NIR为近红外波段,GREEN为绿波段。
其中,在本发明实施例中,所述方法包括:
所述目标区域的遥感影像包括第一时期内所述目标区域的第一遥感影像和所述第一时期之后的第二时期内所述目标区域的第二遥感影像;
基于所述第一遥感影像获得第一分类标签图;
基于所述第二遥感影像获得第二分类标签图;
构建第一分类模型和第二分类模型;
从所述第一分类标签图中采集林地区域和非林地区域的特征数据,获得第一训练样本;使用所述第一训练样本训练所述第一分类模型,获得第三分类模型;
从所述第二分类标签图中采集林地区域和非林地区域的特征数据,获得第二训练样本;使用所述第二训练样本训练所述第二分类模型,获得第四分类模型。
使用两期的多光谱影像的绿波段(3波段)和近红外波段(8波段)分别计算归一化水体指数NDWI,将数字高程模型DEM分辨率采样至10m,方便采集地形特征,使用分类标签图采集林地和非林地的光谱特征、NDVI、NDWI、DEM地形特征构建样本集,然后基于样本集使用随机森林算法分别训练两期的分类模型。
其中,数字高程模型(Digital Elevation Model),简称DEM,是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达),它是用一组有序数值阵列形式表示地面高程的一种实体地面模型,是数字地形模型(Digital TerrainModel,简称DTM)的一个分支,其它各种地形特征值均可由此派生。一般认为,DTM是描述包括高程在内的各种地貌因子,如坡度、坡向、坡度变化率等因子在内的线性和非线性组合的空间分布,其中DEM是零阶单纯的单项数字地貌模型,其他如坡度、坡向及坡度变化率等地貌特性可在DEM的基础上派生。
实施例二
本发明实施例二提供了一种林地变化检测方法,所述方法包括:
采用实施例一中所述的分类模型训练方法训练获得所述第三分类模型和所述第四分类模型;
获得待检测区域在A时期内的遥感影像x和所述待检测区域在B时期内的遥感影像y,其中,所述A时期在所述B时期之前;
将所述遥感影像x输入所述第三分类模型,输出所述遥感影像x中的林地区域K;
将所述遥感影像y输入所述第四分类模型,输出所述遥感影像y中的林地区域P;
基于所述林地区域K和所述林地区域P的差值获得所述待检测区域的林地变化检测结果图。
其中,在本发明实施例二中,所述方法还包括:将所示林地变化检测结果图转为矢量,获得林地变化图斑。
使用训练后分类模型对两期多光谱影像进行分类预测,获得林地和非林地分类图;
使用上期分类图与下期分类图做差值获得林地变化检测结果图,正值为林地减少区域,负值为林地增加区域,将林地变化检测结果图转为矢量,获得林地变化图斑。
实施例三
请参考图2,图2为模型训练***的组成示意图,本发明实施例三提供了模型训练***,所述***包括:
第一获得单元,用于获得目标区域的遥感影像;
分类标签图获得单元,用于从所述遥感影像中提取出植被覆盖区域,将所述植被覆盖区域分割为林地区域和非林地区域,将所述林地区域和所述非林地区域进行分类标记,获得分类标签图;
分类模型构建单元,用于构建分类模型,所述分类模型的输入为预设区域的输入遥感影像,所述分类模型的输出为所述输入遥感影像中的林地区域和非林地区域;
第一训练单元,用于从所述分类标签图中采集所述林地区域和所述非林地区域的光谱特征,基于所述光谱特征获得训练样本;使用所述训练样本训练所述分类模型。
实施例四
本发明实施例四提供了一种模型训练装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述模型训练方法的步骤。
实施例五
本发明实施例五提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述模型训练方法的步骤。
实施例六
本发明实施例六提供了林地变化检测***,所述***包括:
第二训练单元,用于实施例一中所述的模型训练方法训练获得所述第三分类模型和所述第四分类模型;
第二获得单元,用于获得待检测区域在A时期内的遥感影像x和所述待检测区域在B时期内的遥感影像y,其中,所述A时期在所述B时期之前;
第一处理单元,用于将所述遥感影像x输入所述第三分类模型,输出所述遥感影像x中的林地区域K;
第二处理单元,用于将所述遥感影像y输入所述第四分类模型,输出所述遥感影像y中的林地区域P;
比较单元,用于基于所述林地区域K和所述林地区域P的差值获得所述待检测区域的林地变化检测结果图。
实施例七
本发明实施例七提供了一种林地变化检测装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例二中所述林地变化检测方法的步骤。
实施例八
本发明实施例八提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如实施例二所述林地变化检测方法的步骤。
其中,所述处理器可以是中央处理器(CPU,Central Processing Unit),还可以是其他通用处理器、数字信号处理器(digital signal processor)、专用集成电路(Application Specific Integrated Circuit)、现成可编程门阵列(Fieldprogrammablegate array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的数据,实现发明中林地变化检测装置或模型训练装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等。此外,存储器可以包括高速随机存取存储器、还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡,安全数字卡,闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述森林变化检测装置或模型训练装置如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序可存储于一计算机可读存介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码、对象代码形式、可执行文件或某些中间形式等。所述计算机可读取介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存储器、点载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
本发明已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (20)
1.模型训练方法,其特征在于,所述方法包括:
获得目标区域的遥感影像;
从所述遥感影像中提取出植被覆盖区域,将所述植被覆盖区域分割为林地区域和非林地区域,将所述林地区域和所述非林地区域进行分类标记,获得分类标签图;
构建分类模型,所述分类模型的输入为预设区域的遥感影像,所述分类模型的输出为所述预设区域的遥感影像中的林地区域和非林地区域;
从所述分类标签图中采集所述林地区域和所述非林地区域的若干特征数据,基于所述特征数据训练所述分类模型。
2.根据权利要求1所述的模型训练方法,其特征在于,所述特征数据包括以下类型数据中的一种或几种:光谱特征数据、归一化植被指数NDVI数据、归一化水体指数NDWI数据和地形特征数据。
3.根据权利要求1所述的模型训练方法,其特征在于,本方法在步骤获得目标区域的遥感影像后,以及在步骤从所述遥感影像中提取出植被覆盖区域前,还包括步骤:对所述目标区域的遥感影像进行大气校正处理。
4.根据权利要求1所述的模型训练方法,其特征在于,本方法在步骤获得目标区域的遥感影像后,以及在步骤从所述遥感影像中提取出植被覆盖区域前,还包括步骤:去除所述目标区域的遥感影像中的云和云影。
5.根据权利要求4所述的模型训练方法,其特征在于,本方法采用掩膜方式去除所述目标区域的遥感影像中的云和云影。
6.根据权利要求5所述的模型训练方法,其特征在于,所述采用掩膜方式去除所述目标区域的遥感影像中的云和云影,具体包括:
对所述遥感影像进行云和云影检测,获得云和云影掩膜;
从所述目标区域对应的历史遥感影像数据中选取云和云影覆盖率最低的历史遥感影像作为底图;
使用与所述遥感影像同一时期内其他时相的标准遥感影像填充所述底图中所述云和云影掩膜所对应的云和云影区域,所述标准遥感影像为与所述遥感影像同一时期内其他时相的遥感影像中云和云影覆盖率最低的遥感影像。
7.根据权利要求6所述的模型训练方法,其特征在于,在填充所述底图前对与所述遥感影像同一时期内其他时相的遥感影像进行相对辐射校正处理。
8.根据权利要求1所述的模型训练方法,其特征在于,所述方法包括:计算所述遥感影像的归一化植被指数NDVI,基于所述归一化植被指数NDVI确定阈值,基于所述阈值进行二值化处理获得植被掩膜,使用所述植被掩膜对所述遥感影像进行掩膜处理,获得所述植被覆盖区域。
10.根据权利要求1所述的模型训练方法,其特征在于,所述方法包括:
将所述植被覆盖区域进行多尺度分割,获得分割图,将所述分割图转换为矢量,获得分割矢量;在所述分割矢量中新建分类字段,基于所述分割矢量选取林地和非林地图斑,并根据类别分别将林地图斑与非林地图斑赋予不同的值,根据所述分类字段将所述分割矢量转换为栅格图,获得分类标签图。
12.根据权利要求1所述的模型训练方法,其特征在于,所述方法包括:
所述目标区域的遥感影像包括第一时期内所述目标区域的第一遥感影像和所述第一时期之后的第二时期内所述目标区域的第二遥感影像;
基于所述第一遥感影像获得第一分类标签图;
基于所述第二遥感影像获得第二分类标签图;
构建第一分类模型和第二分类模型;
从所述第一分类标签图中采集林地区域和非林地区域的特征数据,获得第一训练样本;使用所述第一训练样本训练所述第一分类模型,获得第三分类模型;
从所述第二分类标签图中采集林地区域和非林地区域的特征数据,获得第二训练样本;使用所述第二训练样本训练所述第二分类模型,获得第四分类模型。
13.林地变化检测方法,其特征在于,所述方法包括:
采用权利要求12所述的模型训练方法训练获得所述第三分类模型和所述第四分类模型;
获得待检测区域在A时期内的遥感影像x和所述待检测区域在B时期内的遥感影像y,其中,所述A时期在所述B时期之前;
将所述遥感影像x输入所述第三分类模型,输出所述遥感影像x中的林地区域K;
将所述遥感影像y输入所述第四分类模型,输出所述遥感影像y中的林地区域P;
基于所述林地区域K和所述林地区域P的差值获得所述待检测区域的林地变化检测结果图。
14.根据权利要求13所述的林地变化检测方法,其特征在于,所述方法还包括:将所示林地变化检测结果图转为矢量,获得林地变化图斑。
15.模型训练***,其特征在于,所述***包括:
第一获得单元,用于获得目标区域的遥感影像;
分类标签图获得单元,用于从所述遥感影像中提取出植被覆盖区域,将所述植被覆盖区域分割为林地区域和非林地区域,将所述林地区域和所述非林地区域进行分类标记,获得分类标签图;
分类模型构建单元,用于构建分类模型,所述分类模型的输入为预设区域的输入遥感影像,所述分类模型的输出为所述输入遥感影像中的林地区域和非林地区域;
第一训练单元,用于从所述分类标签图中采集所述林地区域和所述非林地区域的光谱特征,基于所述光谱特征获得训练样本;使用所述训练样本训练所述分类模型。
16.一种模型训练装置,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1-12中任意一个所述模型训练方法的步骤。
17.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-12中任意一个所述模型训练方法的步骤。
18.林地变化检测***,其特征在于,所述***包括:
第二训练单元,用于采用权利要求12所述的模型训练方法训练获得所述第三分类模型和所述第四分类模型;
第二获得单元,用于获得待检测区域在A时期内的遥感影像x和所述待检测区域在B时期内的遥感影像y,其中,所述A时期在所述B时期之前;
第一处理单元,用于将所述遥感影像x输入所述第三分类模型,输出所述遥感影像x中的林地区域K;
第二处理单元,用于将所述遥感影像y输入所述第四分类模型,输出所述遥感影像y中的林地区域P;
比较单元,用于基于所述林地区域K和所述林地区域P的差值获得所述待检测区域的林地变化检测结果图。
19.一种林地变化检测装置,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求13所述林地变化检测方法的步骤。
20.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求13所述林地变化检测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110621682.8A CN113095303B (zh) | 2021-06-04 | 2021-06-04 | 模型训练方法及林地变化检测方法及***及装置及介质 |
PCT/CN2022/084976 WO2022252799A1 (zh) | 2021-06-04 | 2022-04-02 | 模型训练方法及林地变化检测方法及***及装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110621682.8A CN113095303B (zh) | 2021-06-04 | 2021-06-04 | 模型训练方法及林地变化检测方法及***及装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095303A true CN113095303A (zh) | 2021-07-09 |
CN113095303B CN113095303B (zh) | 2021-09-28 |
Family
ID=76664560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110621682.8A Active CN113095303B (zh) | 2021-06-04 | 2021-06-04 | 模型训练方法及林地变化检测方法及***及装置及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113095303B (zh) |
WO (1) | WO2022252799A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688772A (zh) * | 2021-09-02 | 2021-11-23 | 浙江大学 | 一种边坡生态修复监测方法 |
CN113763455A (zh) * | 2021-09-14 | 2021-12-07 | 中科三清科技有限公司 | 一种温室气体排放的溯源方法、装置、计算机设备及介质 |
CN113989660A (zh) * | 2021-10-14 | 2022-01-28 | 浙江数维科技有限公司 | 一种不同时相影像变化的检测方法 |
CN114202691A (zh) * | 2021-12-09 | 2022-03-18 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻识别方法、装置以及设备 |
CN114419367A (zh) * | 2021-12-29 | 2022-04-29 | 中国农业大学 | 一种农作物高精度制图方法及*** |
WO2022252799A1 (zh) * | 2021-06-04 | 2022-12-08 | 成都数之联科技股份有限公司 | 模型训练方法及林地变化检测方法及***及装置及介质 |
CN116935238A (zh) * | 2023-07-07 | 2023-10-24 | 滁州学院 | 基于深度学习的森林扰动监测方法、***、设备及介质 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187663B (zh) * | 2022-12-20 | 2024-02-20 | 广州市城市规划勘测设计研究院 | 一种林地修复的空间布局方法、装置、设备及存储介质 |
CN116337146B (zh) * | 2022-12-27 | 2024-02-06 | 广东省科学院广州地理研究所 | 基于改进遥感生态指数的生态质量评价与分区方法及装置 |
CN116012334B (zh) * | 2023-01-04 | 2024-06-25 | 南京大学 | 一种领域知识约束的建设用地非监督变化检测方法 |
CN116229280B (zh) * | 2023-01-09 | 2024-06-04 | 广东省科学院广州地理研究所 | 崩岗识别方法、装置、电子设备以及存储介质 |
CN116051519B (zh) * | 2023-02-02 | 2023-08-22 | 广东国地规划科技股份有限公司 | 双时相影像建筑物变化检测方法、装置、设备及存储介质 |
CN116030352B (zh) * | 2023-03-29 | 2023-07-25 | 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 |
CN116012731B (zh) * | 2023-03-30 | 2023-06-09 | 成都国星宇航科技股份有限公司 | 一种星上在轨云检测的方法、***及设备 |
CN116403007B (zh) * | 2023-04-12 | 2023-12-19 | 北京卫星信息工程研究所 | 基于目标向量的遥感影像变化检测方法 |
CN116309670B (zh) * | 2023-05-06 | 2023-08-11 | 中国林业科学研究院资源信息研究所 | 一种基于无人机的灌丛覆盖度测量方法 |
CN116310187B (zh) * | 2023-05-17 | 2023-08-04 | 中国地质大学(武汉) | 一种小尺度短周期的滩涂精细建模方法 |
CN117218551B (zh) * | 2023-08-04 | 2024-04-09 | 华南师范大学 | 一种基于误差分析的估测算法优化方法及装置 |
CN117218535B (zh) * | 2023-09-12 | 2024-05-14 | 黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院) | 一种基于sfa的长期森林覆盖变化检测方法 |
CN117115666B (zh) * | 2023-10-17 | 2024-02-13 | 航天宏图信息技术股份有限公司 | 基于多源数据的高原湖泊提取方法、装置、设备及介质 |
CN117152621B (zh) * | 2023-10-30 | 2024-02-23 | 中国科学院空天信息创新研究院 | 建筑物变化检测方法、装置、电子设备及存储介质 |
CN117253155B (zh) * | 2023-11-17 | 2024-03-15 | 山东大学 | 一种基于深度学习的人类活动检测方法及*** |
CN118172291A (zh) * | 2024-05-14 | 2024-06-11 | 浙江国遥地理信息技术有限公司 | 一种遥感影像的图像去云方法、装置及电子设备 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101464161B1 (ko) * | 2014-08-20 | 2014-11-24 | 주식회사 지오스토리 | 항공촬영정보를 활용한 지아이에스(gis) 수치지도 갱신 시스템 |
US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
CN106599844A (zh) * | 2016-12-14 | 2017-04-26 | 中国科学院南京地理与湖泊研究所 | 一种基于modis传感器的水稻种植区自动提取方法 |
CN106709989A (zh) * | 2016-11-18 | 2017-05-24 | 武汉理工大学 | 基于面向对象影像特征的地理本体建模与语义推理方法 |
CN107220359A (zh) * | 2017-06-05 | 2017-09-29 | 山东师范大学 | 利用互联网地图数据进行地表覆盖变化检测的方法及*** |
CN107273797A (zh) * | 2017-05-10 | 2017-10-20 | 中山大学 | 基于水体指数变异系数的水稻亚像元识别方法 |
CN107451528A (zh) * | 2017-07-04 | 2017-12-08 | 山东师范大学 | 基于深度学习的地表覆盖图片自动识别方法及*** |
CN107798294A (zh) * | 2017-09-25 | 2018-03-13 | 中国科学院遥感与数字地球研究所 | 检测森林斑块变化的方法和装置 |
CN108761451A (zh) * | 2018-05-21 | 2018-11-06 | 中南大学 | 一种基于多时相遥感影像的土地利用变化智能理解方法 |
CN109543630A (zh) * | 2018-11-28 | 2019-03-29 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像林地提取方法及***、存储介质、电子设备 |
CN109635836A (zh) * | 2018-11-09 | 2019-04-16 | 广西壮族自治区遥感信息测绘院 | 基于稀疏dbn模型的遥感影像林地变化检测方法 |
CN110555343A (zh) * | 2018-06-01 | 2019-12-10 | 北京师范大学 | 典型资源要素中林、灌、草三要素提取方法和*** |
CN110598564A (zh) * | 2019-08-16 | 2019-12-20 | 浙江工业大学 | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 |
CN110879969A (zh) * | 2019-10-21 | 2020-03-13 | 北京中科锐景科技有限公司 | 一种基于遥感影像的林地变化检测方法 |
US20200218930A1 (en) * | 2015-12-07 | 2020-07-09 | The Climate Corporation | Cloud detection on remote sensing imagery |
CN111667030A (zh) * | 2020-07-13 | 2020-09-15 | 华东理工大学 | 基于深度神经网络实现遥感图像目标检测的方法、***及其存储介质 |
CN112101159A (zh) * | 2020-09-04 | 2020-12-18 | 国家林业和草原局中南调查规划设计院 | 多时相林业遥感影像变化监测方法 |
CN112434702A (zh) * | 2019-08-26 | 2021-03-02 | 阿里巴巴集团控股有限公司 | 图像处理方法、装置、计算机设备、存储介质 |
CN112487701A (zh) * | 2020-10-19 | 2021-03-12 | 电子科技大学 | 一种基于Landsat时间序列建模的森林地上生物量估算方法 |
CN112560733A (zh) * | 2020-12-23 | 2021-03-26 | 上海交通大学 | 面向两期遥感影像的多任务处理***及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4900356B2 (ja) * | 2008-09-30 | 2012-03-21 | 国立大学法人信州大学 | 樹種分類方法及び樹種分類システム、森林現況情報の作成方法及び森林現況情報の作成システム、間伐対象区域の選定方法及び間伐対象区域の選定システム |
CN109034189B (zh) * | 2018-06-15 | 2022-04-08 | 中南林业科技大学 | 基于高分遥感影像的森林类型识别方法 |
CN113095303B (zh) * | 2021-06-04 | 2021-09-28 | 成都数之联科技有限公司 | 模型训练方法及林地变化检测方法及***及装置及介质 |
-
2021
- 2021-06-04 CN CN202110621682.8A patent/CN113095303B/zh active Active
-
2022
- 2022-04-02 WO PCT/CN2022/084976 patent/WO2022252799A1/zh active Application Filing
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101464161B1 (ko) * | 2014-08-20 | 2014-11-24 | 주식회사 지오스토리 | 항공촬영정보를 활용한 지아이에스(gis) 수치지도 갱신 시스템 |
US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
US20200218930A1 (en) * | 2015-12-07 | 2020-07-09 | The Climate Corporation | Cloud detection on remote sensing imagery |
CN106709989A (zh) * | 2016-11-18 | 2017-05-24 | 武汉理工大学 | 基于面向对象影像特征的地理本体建模与语义推理方法 |
CN106599844A (zh) * | 2016-12-14 | 2017-04-26 | 中国科学院南京地理与湖泊研究所 | 一种基于modis传感器的水稻种植区自动提取方法 |
CN107273797A (zh) * | 2017-05-10 | 2017-10-20 | 中山大学 | 基于水体指数变异系数的水稻亚像元识别方法 |
CN107220359A (zh) * | 2017-06-05 | 2017-09-29 | 山东师范大学 | 利用互联网地图数据进行地表覆盖变化检测的方法及*** |
CN107451528A (zh) * | 2017-07-04 | 2017-12-08 | 山东师范大学 | 基于深度学习的地表覆盖图片自动识别方法及*** |
CN107798294A (zh) * | 2017-09-25 | 2018-03-13 | 中国科学院遥感与数字地球研究所 | 检测森林斑块变化的方法和装置 |
CN108761451A (zh) * | 2018-05-21 | 2018-11-06 | 中南大学 | 一种基于多时相遥感影像的土地利用变化智能理解方法 |
CN110555343A (zh) * | 2018-06-01 | 2019-12-10 | 北京师范大学 | 典型资源要素中林、灌、草三要素提取方法和*** |
CN109635836A (zh) * | 2018-11-09 | 2019-04-16 | 广西壮族自治区遥感信息测绘院 | 基于稀疏dbn模型的遥感影像林地变化检测方法 |
CN109543630A (zh) * | 2018-11-28 | 2019-03-29 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像林地提取方法及***、存储介质、电子设备 |
CN110598564A (zh) * | 2019-08-16 | 2019-12-20 | 浙江工业大学 | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 |
CN112434702A (zh) * | 2019-08-26 | 2021-03-02 | 阿里巴巴集团控股有限公司 | 图像处理方法、装置、计算机设备、存储介质 |
CN110879969A (zh) * | 2019-10-21 | 2020-03-13 | 北京中科锐景科技有限公司 | 一种基于遥感影像的林地变化检测方法 |
CN111667030A (zh) * | 2020-07-13 | 2020-09-15 | 华东理工大学 | 基于深度神经网络实现遥感图像目标检测的方法、***及其存储介质 |
CN112101159A (zh) * | 2020-09-04 | 2020-12-18 | 国家林业和草原局中南调查规划设计院 | 多时相林业遥感影像变化监测方法 |
CN112487701A (zh) * | 2020-10-19 | 2021-03-12 | 电子科技大学 | 一种基于Landsat时间序列建模的森林地上生物量估算方法 |
CN112560733A (zh) * | 2020-12-23 | 2021-03-26 | 上海交通大学 | 面向两期遥感影像的多任务处理***及方法 |
Non-Patent Citations (3)
Title |
---|
J. HU AND Y. ZHANG: ""Seasonal Change of Land-Use/Land-Cover (LULC) Detection Using MODIS Data in Rapid Urbanization Regions: A Case Study of the Pearl River Delta Region (China)"", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
张秀英 等: ""基于面向对象方法的IKONOS影像城市植被信息提取"", 《浙江大学学报(农业与生命科学版)》 * |
眭海刚 等: ""多时相遥感影像变化检测方法综述"", 《武汉大学学报(信息科学版)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022252799A1 (zh) * | 2021-06-04 | 2022-12-08 | 成都数之联科技股份有限公司 | 模型训练方法及林地变化检测方法及***及装置及介质 |
CN113688772A (zh) * | 2021-09-02 | 2021-11-23 | 浙江大学 | 一种边坡生态修复监测方法 |
CN113763455A (zh) * | 2021-09-14 | 2021-12-07 | 中科三清科技有限公司 | 一种温室气体排放的溯源方法、装置、计算机设备及介质 |
CN113989660A (zh) * | 2021-10-14 | 2022-01-28 | 浙江数维科技有限公司 | 一种不同时相影像变化的检测方法 |
CN114202691A (zh) * | 2021-12-09 | 2022-03-18 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻识别方法、装置以及设备 |
CN114202691B (zh) * | 2021-12-09 | 2022-10-04 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻识别方法、装置以及设备 |
CN114419367A (zh) * | 2021-12-29 | 2022-04-29 | 中国农业大学 | 一种农作物高精度制图方法及*** |
CN116935238A (zh) * | 2023-07-07 | 2023-10-24 | 滁州学院 | 基于深度学习的森林扰动监测方法、***、设备及介质 |
CN116935238B (zh) * | 2023-07-07 | 2024-02-23 | 滁州学院 | 基于深度学习的森林扰动监测方法、***、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022252799A1 (zh) | 2022-12-08 |
CN113095303B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095303B (zh) | 模型训练方法及林地变化检测方法及***及装置及介质 | |
US11615615B2 (en) | Method and apparatus for extracting mountain landscape buildings based on high-resolution remote sensing images | |
Huang et al. | Individual tree crown detection and delineation from very-high-resolution UAV images based on bias field and marker-controlled watershed segmentation algorithms | |
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
CN105574513B (zh) | 文字检测方法和装置 | |
CN109543630B (zh) | 基于深度学习的遥感影像林地提取方法及***、存储介质、电子设备 | |
CN111028255B (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
CN109389163B (zh) | 一种基于地形图的无人机影像分类***及方法 | |
CN110942013A (zh) | 一种基于深度神经网络的卫星影像特征提取方法及*** | |
Ozdarici-Ok | Automatic detection and delineation of citrus trees from VHR satellite imagery | |
CN115546630A (zh) | 基于遥感影像特征目标检测的工地提取方法和*** | |
CN111398176A (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
CN114898097B (zh) | 图像识别方法及*** | |
CN109165553B (zh) | 基于深度学习的石油设施遥感自动识别方法及装置 | |
CN116958503B (zh) | 一种基于图像处理的污泥干化等级识别方法及*** | |
CN112883987A (zh) | 基于遥感光谱特征的目标提取方法及***及装置及介质 | |
CN112580511A (zh) | 道路面积率的估算方法、装置、设备及存储介质 | |
CN115761463A (zh) | 一种浅海水深反演方法、***、设备及介质 | |
CN117197174A (zh) | 基于遥感数据的水体信息提取方法、装置、设备及介质 | |
Zheng et al. | Single shot multibox detector for urban plantation single tree detection and location with high-resolution remote sensing imagery | |
CN112858181A (zh) | 黑臭水体监测方法、装置及电子设备 | |
CN113807364A (zh) | 一种基于三光融合成像的电力设备缺陷检测方法及*** | |
CN110070550B (zh) | 林木的修整策略获取方法、装置与电子设备 | |
Tian et al. | Graph-Based Leaf–Wood Separation Method for Individual Trees Using Terrestrial Lidar Point Clouds |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 610042 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan Patentee after: Chengdu shuzhilian Technology Co.,Ltd. Address before: No.2, floor 4, building 1, Jule road crossing, Section 1, West 1st ring road, Wuhou District, Chengdu City, Sichuan Province 610041 Patentee before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd. |