CN113220894B - 一种基于感知计算的卫星遥感数据智能获取方法 - Google Patents

一种基于感知计算的卫星遥感数据智能获取方法 Download PDF

Info

Publication number
CN113220894B
CN113220894B CN202110167564.4A CN202110167564A CN113220894B CN 113220894 B CN113220894 B CN 113220894B CN 202110167564 A CN202110167564 A CN 202110167564A CN 113220894 B CN113220894 B CN 113220894B
Authority
CN
China
Prior art keywords
remote sensing
sensing data
satellite remote
satellite
knowledge graph
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
CN202110167564.4A
Other languages
English (en)
Other versions
CN113220894A (zh
Inventor
范存群
薛依琪
赵现纲
陆风
林曼筠
国鹏
谢利子
罗敬宁
卫兰
崔鹏
肖萌
张玺
张战云
张宇
常翔宇
陈素晶
吴强
陈伟
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.)
National Satellite Meteorological Center
Original Assignee
National Satellite Meteorological Center
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 National Satellite Meteorological Center filed Critical National Satellite Meteorological Center
Priority to CN202110167564.4A priority Critical patent/CN113220894B/zh
Publication of CN113220894A publication Critical patent/CN113220894A/zh
Application granted granted Critical
Publication of CN113220894B publication Critical patent/CN113220894B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于感知计算的卫星遥感数据智能获取方法，其特征在于，该方法包括：根据不同的卫星感知***对陆地和海洋进行监测，通过多通道扫描成像辐射计，采用双扫描镜结合三反射光学***、线列阵探测器获取卫星遥感数据；将收集到的卫星遥感数据存储在磁盘阵列RAID中，并上传到感知计算大脑，基于感知计算大脑构建知识图谱，卫星遥感数据收集过程中，不同的卫星数据源收集到的卫星遥感数据有重叠部分和非重叠部分，感知计算大脑通过协调八个卫星数据源收集到的卫星遥感数据进行综合判断，构建知识图谱；感知计算大脑根据用户查找的关键字，从知识图谱中搜索出关键词相关联的实体关系信息，生成结构化的卫星遥感数据，并发送给用户。

Description

一种基于感知计算的卫星遥感数据智能获取方法
技术领域
本发明涉及遥感数据获取技术领域，具体来说，涉及一种基于感知计算的卫星遥感数据智能获取方法。
背景技术
感知计算从狭义上来说是感知生物体信号，包括语言命令、肢体动作、面部识别等，进而形成信号输入计算体，感知技术包括射频识别技术，传感器技术和传感器网络技术，通过传感器采集、分析和识别不同肌肉群的肌肉电信号来识别手势、动作，射频识别技术通过无线电讯号识别特定目标并读写相关数据，来建立唯一的身份标示，传感器网络的每个传感器节点间通过通信网络组成传感器网络，共同协作来感知和采集环境或物体的准确信息。
知识图谱是一种带标记的有向属性图，知识图谱中每个结点都有若干个属性和属性值，实体与实体之间的边表示的是结点之间的关系，边的指向方向表示了关系的方向，而边上的标记表示了关系的类型，在构建知识图谱的过程中，非结构化数据的处理会涉及几个方面的自然语言处理技术，实体命名识别技术、关系抽取技术、实体统一技术和指代消解技术，实体命名识别从文本里提取出实体并对每个实体做分类，关系抽取技术把实体间的关系从文本中提取出来，实体统一技术减少实体的种类，降低知识图谱的稀疏性，指代消解技术指出代词到底指向哪个实体。
目前在获取卫星遥感数据时，用户的搜索需求比较模糊，所需要的数据范围较广，表达的搜索需求和搜索结果往往难以匹配，经常有“搜”非所问的情况，此外，卫星接收海量的遥感数据，搜索结果中地址，时间等内容编排无序，显示杂乱。
发明内容
针对相关技术中的上述技术问题，本发明提出一种基于感知计算的卫星遥感数据智能获取方法，通过关联到更多的实体，结合全***的信息，得到更加全面的综合数据，能够保证数据分类的条理性和层次性，减少冗余，提高用户的搜索效率。
为实现上述技术目的，本发明的技术方案是这样实现的：一种基于感知计算的卫星遥感数据智能获取方法，该方法包括以下步骤：
S1根据不同的卫星感知***对陆地和海洋进行监测，通过多通道扫描成像辐射计，采用双扫描镜结合三反射光学***、线列阵探测器获取卫星遥感数据，将收集到的卫星遥感数据存储在磁盘阵列 RAID中，并上传到感知计算大脑；
S2基于感知计算大脑构建知识图谱，卫星遥感数据收集过程中，不同的卫星数据源收集到的卫星遥感数据有重叠部分和非重叠部分，感知计算大脑通过协调八个卫星数据源收集到的卫星遥感数据进行综合判断，构建知识图谱；
S3感知计算大脑根据用户查找的关键字，从知识图谱中搜索出关键词相关联的实体关系信息，生成结构化的卫星遥感数据，并发送给用户。
根据本发明的另一方面，所述S1中卫星遥感数据的收集进一步包含：
S1.1采用双扫描镜结合三反射光学***,通过东西与南北方向的扫描镜分别进行线性扫描成像和步进扫描成像，将来自地球景物的辐射反射到三反射光学***，将入射辐射***成可见光波段、近红外波段和红外波段，进行波段成像；
S1.2通过干涉式大气垂直探测仪，以干涉成像的方式，探测垂直方向的大气温度湿度廓线，高频次获取观测地区的大气温湿度廓线和痕量气体含量，实现大气温度和湿度参数的垂直结构观测；
S1.3采用微波遥感，通过雷达向目标地物发射微波,获取云层、雨区、地下隐蔽的地点和海洋区域的卫星遥感数据。
根据本发明的另一方面，所述S2构建知识图谱进一步包含：
S2.1通过深度学习模型对获取的卫星遥感数据进行抽取；
S2.2进行实体关系的建立，实体关系分为两种，一种是属性、另一种关系；
S2.3基于深度学习模型对三元组进行融合。
根据本发明的另一方面，所述S2.1深度学习模型训练进一步包含：
S2.1.1读取卫星遥感数据的原始数据，选出训练样本数据集，给样本数据集加注标签，所述标签的类型包含：实体类、时间类、属性类、数字类；
S2.1.2使用TensorFlow框架的卷积神经网络模型进行训练，运用训练样本数据集进行深度学习，将待训练的样本数据集输入到卷积神经网络模型后，初始化参数经过前向传播得到卷积神经网络模型的输出值，计算输出值和实际标签的误差，根据误差求导计算梯度，通过反向传播更新网络，通过往复循环训练出优化的卷积神经网络模型；
S2.1.3最后将获取的卫星遥感数据输入到卷积神经网络模型得到分类结果，完成卫星遥感数据抽取。
根据本发明的另一方面，所述S2.2实体关系的建立进一步包含：
S2.2.1根据实体关系的综合数据构成三元组，即实体-关系- 实体或实体-属性-性值，将实体看作是结点，实体关系看作是一条线，由大量三元组的知识库形成一个庞大的知识图谱，将知识谱图存储在图数据库Neo4j中。
根据本发明的另一方面，所述S2.3融合三元组进一步包含：
S2.3.1计算实体相似度，综合不同的卫星数据源，判断知识图谱中的同名实体之间是否代表不同的含义，以及知识图谱中是否存在其他命名实体与之表示相同的含义，消除歧义和冗余，并处理错误卫星遥感数据。
根据本发明的另一方面，所述S3用户查找进一步包含：
S3.1感知计算大脑检索知识图谱，若知识图谱中用户查找为多个关键字，则感知计算大脑从知识图谱中检索到对应的地区、降水、云水的信息，感知计算大脑会提取出降雨的时间信息发送给用户；
S3.2若知识图谱中没有检索到用户查找的关键字，则感知计算大脑重新获取卫星数据源的信息，对感知计算大脑进行更新后，再次对用户的关键字进行检索。
本发明的有益效果：鉴于现有技术中存在的不足，本申请具有如下有益效果：
首先，构建一个连接不同卫星感知***的感知计算大脑，各卫星感知***之间处理的数据以信息的形式传递，感知计算大脑用于协调各卫星感知***，并对传递的信息进行综合判断，将不同卫星感知***所收集到的卫星遥感数据自动提取成知识，并建立知识图谱，当用户发起模糊的数据需求，不精确指定数据的时间地点与类型时，感知计算大脑能够通过知识图谱，能够具体分析出某地区天气情况，将相关的知识图谱进行组织，发送给用户，实现智能检索的综合业务。
其次，通过感知计算大脑，运用知识图谱进行智能搜索，优点是可以关联到更多实体，结合卫星感知***的信息，能够得到更加全面的综合数据，保证数据分类的条理性和层次性，减少冗余，提高用户的搜索效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的基于感知计算的卫星遥感数据智能获取方法流程框图；
图2是根据本发明实施例所述的基于感知计算的卫星遥感数据智能获取方法结构关系示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
如图1-2所示，根据本发明实施例所述的基于感知计算的卫星遥感数据智能获取方法，该方法包含以下步骤：
步骤一，根据不同的卫星感知***对陆地和海洋进行监测，通过多通道扫描成像辐射计，采用双扫描镜结合三反射光学***,通过东西与南北方向的扫描镜分别进行线性扫描成像和步进扫描成像，将来自地球景物的辐射反射到三反射光学***，将入射辐射***成可见光波段、近红外波段和红外波段，进行波段成像；通过干涉式大气垂直探测仪，以干涉成像的方式，探测垂直方向的大气温度湿度廓线，高频次获取观测地区的大气温湿度廓线和痕量气体含量，实现大气温度和湿度参数的垂直结构观测；采用微波遥感，通过雷达向目标地物发射微波,获取云层、雨区、地下隐蔽的地点和海洋区域的卫星遥感数据；将收集到的卫星遥感数据存储在磁盘阵列RAID中，并上传到感知计算大脑。
步骤二，基于感知计算大脑构建知识图谱，卫星遥感数据收集过程中，不同的卫星数据源收集到的卫星遥感数据有重叠部分和非重叠部分，感知计算大脑通过协调八个卫星数据源收集到的卫星遥感数据进行综合判断，构建知识图谱，进一步包含：
其一，通过深度学习模型对获取的卫星遥感数据进行抽取，读取卫星遥感数据的原始数据，选出训练样本数据集，给样本数据集加注标签，所述标签的类型包含：实体类、时间类、属性类、数字类；使用TensorFlow框架的卷积神经网络模型进行训练，运用训练样本数据集进行深度学习，将待训练的样本数据集输入到卷积神经网络模型后，初始化参数经过前向传播得到卷积神经网络模型的输出值，计算输出值和实际标签的误差，根据误差求导计算梯度，通过反向传播更新网络，通过往复循环训练出优化的卷积神经网络模型；最后将获取的卫星遥感数据输入到卷积神经网络模型得到分类结果，完成卫星遥感数据抽取；其中，所述卷积神经网络模型卷积层运算进一步包含：
在卷积层中，输入的卫星遥感数据采用多个学习的滤波器进行卷积，通过卷积层运算可以提取出遥感图像的特征，设输入的卫星遥感数据大小为m×n×d，其中m×n是空间大小，d是通道数，xi是第i个特征映射，假设在这个卷积层有k个滤波器，并且第j个滤波器用wj代表权重和bj代表偏置，则卷积层的第j 个输出表示为：
其中，*代表卷积运算符，f()是用于改善网络非线性的激活函数；
池化层减少卷积层创建的特征映射的大小，以获得更普遍和抽象的特征，S表示为p×p窗口大小的邻域，平均池化层操作表示为：
其中，z代表平均池化层操作，F是S中的元素个数，xij是对应于位置(i，j)的激活值，在池化层后，将前一层的特征映射展开并送到全连接层，全连接层表示为：
其中，X’,Y’分别代表全连接层的输入和输出，W表示权重,b是偏置；
其二，进行实体关系的建立，实体关系分为两种，一种是属性、另一种关系，根据实体关系的综合数据构成三元组，即实体- 关系-实体或实体-属性-性值，将实体看作是结点，实体关系看作是一条线，由大量三元组的知识库形成一个庞大的知识图谱，将知识谱图存储在图数据库Neo4j中。
其三，基于深度学习模型对三元组进行融合，计算实体相似度，综合不同的卫星数据源，判断知识图谱中的同名实体之间是否代表不同的含义，以及知识图谱中是否存在其他命名实体与之表示相同的含义，消除歧义和冗余，并处理错误卫星遥感数据；
步骤三，感知计算大脑根据用户查找的关键字，从知识图谱中搜索出关键词相关联的实体关系信息，生成结构化的卫星遥感数据，并发送给用户，感知计算大脑检索知识图谱，若知识图谱中用户查找为多个关键字，则感知计算大脑从知识图谱中检索到对应的地区、降水、云水的信息，感知计算大脑会提取出降雨的时间信息发送给用户，若知识图谱中没有检索到用户查找的关键字，则感知计算大脑重新获取卫星数据源的信息，对感知计算大脑进行更新后，再次对用户的关键字进行检索。
为了方便理解本发明的上述技术方案，以下通过具体使用方式上对本发明的上述技术方案进行详细说明。
在具体使用时，根据本发明所述的基于感知计算的卫星遥感数据智能获取方法，具体应用场景举例如下：
我国的气象卫星事业正在进行高速的发展，目前，利用气象卫星开展台风、暴雨、强对流、大雾、沙尘、霾等灾害性、高影响天气，以及洪涝水体、森林草原火灾、高温和干旱等地表环境的监测；
卫星生态遥感服务在生态文明建设中作用突出，遥感卫星能够给我们提供八类的数据，感知计算分为两层：感知层和计算层；
场景一：用户需要分析某地区的环境情况，可以不精确指定数据的时间与类型，发起模糊的数据需求，获得相关的知识图谱，从中获取所有时段的有关于地区环境的一系列卫星遥感数据；
场景二：用户需要某时段的环境情况，可以不精确指定数据的地区与类型，发起模糊的数据需求，获得相关的知识图谱，从中获取所有监控区域有关于此时段环境的一系列卫星遥感数据。
场景三：用户需要分析某类型的环境情况，可以不精确指定数据的地区与时间，发起模糊的数据需求，获得相关的知识图谱，从中获取陆表温度、森林植被指数等类型卫星遥感数据。
利用这些卫星遥感数据在后期进行生态气象要素监测、生态环境灾害监测、生态红线保护、生态质量综合评价等工作，能够广泛应用于海洋、农业、林业、环保、水利、交通、航空、电力等行业，产生良好的经济和社会效益
综上所述，借助于本发明的上述技术方案，通过感知计算大脑，运用知识图谱进行智能搜索，优点是可以关联到更多实体，结合卫星感知***的信息，能够得到更加全面的综合数据，保证数据分类的条理性和层次性，减少冗余，提高用户的搜索效率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于感知计算的卫星遥感数据智能获取方法，其特征在于，该方法包括以下步骤：
S1 根据不同的卫星感知***对陆地和海洋进行监测，通过多通道扫描成像辐射计，采用双扫描镜结合三反射光学***、线列阵探测器获取卫星遥感数据，将收集到的卫星遥感数据存储在磁盘阵列RAID中， 并上传到感知计算大脑；
所述S1中卫星遥感数据的收集进一步包含：
S1.1采用双扫描镜结合三反射光学***,通过东西与南北方向的扫描镜分别进行线性扫描成像和步进扫描成像，将来自地球景物的辐射反射到三反射光学***，将入射辐射***成可见光波段、近红外波段和红外波段，进行波段成像；
S1.2通过干涉式大气垂直探测仪，以干涉成像的方式，探测垂直方向的大气温度湿度廓线，高频次获取观测地区的大气温湿度廓线和痕量气体含量，实现大气温度和湿度参数的垂直结构观测；
S1.3采用微波遥感，通过雷达向目标地物发射微波,获取云层、雨区、地下隐蔽的地点和海洋区域的卫星遥感数据；
S2 基于感知计算大脑构建知识图谱，卫星遥感数据收集过程中，不同的卫星数据源收集到的卫星遥感数据有重叠部分和非重叠部分，感知计算大脑通过协调八个卫星数据源收集到的卫星遥感数据进行综合判断，构建知识图谱；
所述S2构建知识图谱进一步包含：
S2.1通过深度学习模型对获取的卫星遥感数据进行抽取；
S2.2 进行实体关系的建立，实体关系分为两种，一种是属性、另一种关系；
S2.3 基于深度学习模型对三元组进行融合；
S3 感知计算大脑根据用户查找的关键字，从知识图谱中搜索出关键词相关联的实体关系信息，生成结构化的卫星遥感数据，并发送给用户；
所述S3用户查找进一步包含：
S3.1 感知计算大脑检索知识图谱，若知识图谱中用户查找为多个关键字，则感知计算大脑从知识图谱中检索到对应的地区、降水、云水的信息，感知计算大脑会提取出降雨的时间信息发送给用户；
S3.2 若知识图谱中没有检索到用户查找的关键字，则感知计算大脑重新获取卫星数据源的信息，对感知计算大脑进行更新后，再次对用户的关键字进行检索。
2.根据权利要求1所述的基于感知计算的卫星遥感数据智能获取方法，其特征在于，所述S2.1深度学习模型训练进一步包含：
S2.1.1 读取卫星遥感数据的原始数据，选出训练样本数据集，给样本数据集加注标签，所述标签的类型包含：实体类、时间类、属性类、数字类；
S2.1.2 使用TensorFlow框架的卷积神经网络模型进行训练，运用训练样本数据集进行深度学习，将待训练的样本数据集输入到卷积神经网络模型后，初始化参数经过前向传播得到卷积神经网络模型的输出值，计算输出值和实际标签的误差，根据误差求导计算梯度，通过反向传播更新网络，通过往复循环训练出优化的卷积神经网络模型；
S2.1.3 最后将获取的卫星遥感数据输入到卷积神经网络模型得到分类结果，完成卫星遥感数据抽取。
3.根据权利要求1所述的基于感知计算的卫星遥感数据智能获取方法，其特征在于，所述S2.2实体关系的建立进一步包含：
S2.2.1 根据实体关系的综合数据构成三元组，即实体-关系-实体或实体-属性-性值，将实体看作是结点，实体关系看作是一条线，由大量三元组的知识库形成一个庞大的知识图谱，将知识谱图存储在图数据库Neo4j中。
4.根据权利要求1所述的基于感知计算的卫星遥感数据智能获取方法，其特征在于，所述S2.3融合三元组进一步包含：
S2.3.1 计算实体相似度，综合不同的卫星数据源，判断知识图谱中的同名实体之间是否代表不同的含义，以及知识图谱中是否存在其他命名实体与之表示相同的含义，消除歧义和冗余，并处理错误卫星遥感数据。
CN202110167564.4A 2021-02-07 2021-02-07 一种基于感知计算的卫星遥感数据智能获取方法 Active CN113220894B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110167564.4A CN113220894B (zh) 2021-02-07 2021-02-07 一种基于感知计算的卫星遥感数据智能获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110167564.4A CN113220894B (zh) 2021-02-07 2021-02-07 一种基于感知计算的卫星遥感数据智能获取方法

Publications (2)

Publication Number Publication Date
CN113220894A CN113220894A (zh) 2021-08-06
CN113220894B true CN113220894B (zh) 2023-08-18

Family

ID=77084661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110167564.4A Active CN113220894B (zh) 2021-02-07 2021-02-07 一种基于感知计算的卫星遥感数据智能获取方法

Country Status (1)

Country Link
CN (1) CN113220894B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779363B (zh) * 2021-09-14 2023-12-22 广州汇通国信科技有限公司 一种基于深度神经网络的搜索优化方法及装置
CN114239831B (zh) * 2021-12-21 2022-06-10 军事科学院***工程研究院网络信息研究所 基于跨实体属性关联的卫星频轨资源信息向量表示方法
CN115269751B (zh) * 2022-05-10 2023-05-30 泰瑞数创科技(北京)股份有限公司 地理实体时空知识图谱本体库构建方法
CN115640458A (zh) * 2022-09-30 2023-01-24 中国四维测绘技术有限公司 一种遥感卫星资讯推荐方法、***及设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104486520A (zh) * 2014-11-21 2015-04-01 安徽四创电子股份有限公司 一种基于北斗的火场感知实战指挥平台***
CN109241912A (zh) * 2018-09-08 2019-01-18 河南大学 面向无人自主***的基于类脑跨媒体智能的目标识别方法
CN109525304A (zh) * 2018-12-06 2019-03-26 中国科学技术大学 感知计算存储一体化的空间智能网络架构
CN109781635A (zh) * 2018-12-29 2019-05-21 长沙天仪空间科技研究院有限公司 一种分布式遥感卫星***
CN109800671A (zh) * 2018-12-28 2019-05-24 北京市遥感信息研究所 面向目标解译的多源遥感信息知识图谱构建方法和***
CN111024043A (zh) * 2019-12-24 2020-04-17 智时空科技(深圳)有限公司 基于传感器触发的卫星遥感方法
CN111431962A (zh) * 2020-02-20 2020-07-17 北京邮电大学 基于情景感知计算的跨域资源接入物联网服务发现方法
CN111478741A (zh) * 2020-03-19 2020-07-31 上海卫星工程研究所 一种基于遥感状态估计的卫星智能数传方法及***
CN111666313A (zh) * 2020-05-25 2020-09-15 中科星图股份有限公司 基于多源异构遥感数据关联构建及多用户数据匹配方法
CN112182131A (zh) * 2020-09-28 2021-01-05 中国电子科技集团公司第五十四研究所 一种基于多属性融合的遥感影像推荐方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104486520A (zh) * 2014-11-21 2015-04-01 安徽四创电子股份有限公司 一种基于北斗的火场感知实战指挥平台***
CN109241912A (zh) * 2018-09-08 2019-01-18 河南大学 面向无人自主***的基于类脑跨媒体智能的目标识别方法
CN109525304A (zh) * 2018-12-06 2019-03-26 中国科学技术大学 感知计算存储一体化的空间智能网络架构
CN109800671A (zh) * 2018-12-28 2019-05-24 北京市遥感信息研究所 面向目标解译的多源遥感信息知识图谱构建方法和***
CN109781635A (zh) * 2018-12-29 2019-05-21 长沙天仪空间科技研究院有限公司 一种分布式遥感卫星***
CN111024043A (zh) * 2019-12-24 2020-04-17 智时空科技(深圳)有限公司 基于传感器触发的卫星遥感方法
CN111431962A (zh) * 2020-02-20 2020-07-17 北京邮电大学 基于情景感知计算的跨域资源接入物联网服务发现方法
CN111478741A (zh) * 2020-03-19 2020-07-31 上海卫星工程研究所 一种基于遥感状态估计的卫星智能数传方法及***
CN111666313A (zh) * 2020-05-25 2020-09-15 中科星图股份有限公司 基于多源异构遥感数据关联构建及多用户数据匹配方法
CN112182131A (zh) * 2020-09-28 2021-01-05 中国电子科技集团公司第五十四研究所 一种基于多属性融合的遥感影像推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
穆军 等."基于CiteSpace的农作物遥感估产知识图谱分析".《现代农业装备》.2020,第41-48页. *

Also Published As

Publication number Publication date
CN113220894A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113220894B (zh) 一种基于感知计算的卫星遥感数据智能获取方法
CN113449680B (zh) 一种基于知识蒸馏的多模小目标检测方法
CN115934990B (zh) 基于内容理解的遥感影像推荐方法
Kavitha et al. Retracted article: content based satellite image retrieval system using fuzzy clustering
CN110717496B (zh) 基于神经网络的复杂场景树木检测方法
Zulfiqar et al. AI-ForestWatch: semantic segmentation based end-to-end framework for forest estimation and change detection using multi-spectral remote sensing imagery
Xia et al. Fast and robust detection of oil palm trees using high-resolution remote sensing images
Jang et al. Neural network application for cloud detection in SPOT VEGETATION images
Lee et al. Pre-trained feature aggregated deep learning-based monitoring of overshooting tops using multi-spectral channels of GeoKompsat-2A advanced meteorological imagery
CN117830788B (zh) 一种多源信息融合的图像目标检测方法
CN115457396A (zh) 一种基于遥感影像的地表目标地物检测方法
Ouchra et al. Machine learning for satellite image classification: A comprehensive review
Friedel et al. Mapping fractional landscape soils and vegetation components from Hyperion satellite imagery using an unsupervised machine-learning workflow
Rawat et al. Multisensor temporal approach for transplanted paddy fields mapping using fuzzy-based classifiers
CN111611921B (zh) 一种基于遥感大数据的太阳能板识别***
Accarino et al. An ensemble machine learning approach for tropical cyclone localization and tracking from ERA5 reanalysis data
Gao et al. Greenhouses detection in Guanzhong Plain, Shaanxi, China: evaluation of four classification methods in Google Earth engine
Yu et al. A 3D multi-threshold, region-growing algorithm for identifying dust storm features from model simulations
Xu et al. R-ProjNet: an optimal rotated-projection neural network for wood segmentation from point clouds
Datcu et al. Introduction to the special section on image information mining for earth observation data
Li et al. Automatic analysis and intelligent information extraction of remote sensing big data
Ramathilagam et al. TransCropNet: a multichannel transformer with feature-level fusion for crop classification in agricultural smallholdings using Sentinel images
Zhao et al. Land cover classification based on daily normalized difference vegetation index time series from multitemporal remotely sensed data
Rachmawan et al. A new approach to semantic computing with interval matrix decomposition for interpreting deforestation phenomenon
Nesbit Wildfire Risk Assessment Using Convolutional Neural Networks and Modis Climate Data

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