Статья 4 QGIS. Классификация типов земель на изображениях дистанционного зондирования
Статья 4 QGIS. Классификация типов земель на изображениях дистанционного зондирования

Что касается классификации типов земель, существуют разные стандарты классификации, основанные на характере, назначении и статусе использования.

1. В соответствии с национальными стандартами классификации земельной собственности, она обычно делится на пять категорий: коммерческая земля, комплексная земля, жилая земля, промышленная земля и другие земли.

2. Классификация земель по использованию: их можно разделить на земли сельскохозяйственного назначения, земли под застройку и неиспользуемые земли, среди которых

К сельскохозяйственным землям относятся земли, непосредственно используемые для сельскохозяйственного производства, включая возделываемые земли, лесные угодья, пастбища, сельскохозяйственные угодья, земли водопользования, водные поверхности для аквакультуры и т. д.;

К землям под застройку относятся земли, используемые для строительства зданий и сооружений, в том числе земли городских и сельских жилых и общественных объектов, земли промышленности и горнодобывающей промышленности, объектов транспорта и водного хозяйства, туристические земли, военные объекты и т. д.;

К неиспользованным землям относятся земли, отличные от сельскохозяйственных земель и земель под строительство.

3. В соответствии с действующей классификацией землепользования в национальном стандарте "Классификация текущего землепользования" принята двухуровневая система классификации первичного и вторичного уровней, которая разделена на 12 категорий первого уровня и 57 категорий второго уровня. К категориям первого уровня относятся: обрабатываемые земли, садовые земли, лесные земли, пастбища, коммерческие земли, земли промышленных и горнодобывающих предприятий, земли жилых домов, земли государственного управления и общественного обслуживания, земли специального назначения, земли транспорта, акватории и земли водохозяйственных объектов. и другие земли.

Классификация земель с использованием спутниковых изображений дистанционного зондирования является распространенным применением дистанционного зондирования, которое может помочь идентифицировать и классифицировать различные типы земельного покрова, такие как сельскохозяйственные угодья, леса, города, водоемы, здания и т. д.

Основные этапы классификации земель на основе изображений дистанционного зондирования следующие:

1. Выбор источника данных: выберите многоспектральные спутниковые изображения высокого разрешения, такие как Landsat, Sentinel и т. д., чтобы получить обширную информацию о поверхности. В настоящее время наборы данных изображений дистанционного зондирования с открытым исходным кодом относительно скудны, как на зарубежных веб-сайтах, так и на зарубежных сайтах. Разрешение недостаточно хорошее. Или это занимает больше времени, но это не отражает попытку классификации земель.

2. Сбор данных: получение разновременных изображений целевого города от поставщиков спутниковых данных, охватывающих различные сезоны и периоды времени. Это зависит от цели анализа. Для анализа изменений требуются данные за несколько периодов и сезонов.

3. Предварительная обработка данных. Выполните атмосферную коррекцию, радиационную коррекцию и другую предварительную обработку полученных изображений, чтобы обеспечить точность и согласованность данных.

4. Предварительная обработка изображений. Выполните геометрическую коррекцию и регистрацию изображений в разное время, чтобы гарантировать, что изображения сравниваются в одной и той же системе координат, что не рассматривается в этой статье.

5. Извлечение признаков. Используйте методы извлечения спектра, текстуры, формы и других признаков для преобразования изображений в векторы признаков, которые можно обрабатывать алгоритмами машинного обучения.

6. Классификация земельных объектов: используйте контролируемые или неконтролируемые алгоритмы классификации, такие как машины опорных векторов (SVM), случайные леса и т. д., для классификации векторов признаков и разделения поверхности на различные категории, такие как застроенные территории, зеленые насаждения, водные объекты. , и т. д.

Основными технологиями классификации земель на основе изображений дистанционного зондирования являются следующие:

1. Методы, основанные на машинном обучении, такие как контролируемое классификационное обучение и т. д. 1 и 2 обычно используются в комбинации.

2. Методы, основанные на сетях глубокого обучения, таких как сеть U-Net и т. д. 1 и 2, обычно используются в сочетании.

3. Методы, основанные на таком программном обеспечении, как QGIS и ENVI, обычно имеют встроенные алгоритмы 1 и 2, но программное обеспечение предоставляет более удобные методы обработки.

4. Метод на основе платформы GEE Sentinel, которая в настоящее время недоступна.

Если в будущем у нас будет время и силы, мы выделим типы земель по методам 1, 2 и 3 и сравним их.

boy illustration
Неразрушающее увеличение изображений одним щелчком мыши, чтобы сделать их более четкими артефактами искусственного интеллекта, включая руководства по установке и использованию.
boy illustration
Копикодер: этот инструмент отлично работает с Cursor, Bolt и V0! Предоставьте более качественные подсказки для разработки интерфейса (создание навигационного веб-сайта с использованием искусственного интеллекта).
boy illustration
Новый бесплатный RooCline превосходит Cline v3.1? ! Быстрее, умнее и лучше вилка Cline! (Независимое программирование AI, порог 0)
boy illustration
Разработав более 10 проектов с помощью Cursor, я собрал 10 примеров и 60 подсказок.
boy illustration
Я потратил 72 часа на изучение курсорных агентов, и вот неоспоримые факты, которыми я должен поделиться!
boy illustration
Идеальная интеграция Cursor и DeepSeek API
boy illustration
DeepSeek V3 снижает затраты на обучение больших моделей
boy illustration
Артефакт, увеличивающий количество очков: на основе улучшения характеристик препятствия малым целям Yolov8 (SEAM, MultiSEAM).
boy illustration
DeepSeek V3 раскручивался уже три дня. Сегодня я попробовал самопровозглашенную модель «ChatGPT».
boy illustration
Open Devin — инженер-программист искусственного интеллекта с открытым исходным кодом, который меньше программирует и больше создает.
boy illustration
Эксклюзивное оригинальное улучшение YOLOv8: собственная разработка SPPF | SPPF сочетается с воспринимаемой большой сверткой ядра UniRepLK, а свертка с большим ядром + без расширения улучшает восприимчивое поле
boy illustration
Популярное и подробное объяснение DeepSeek-V3: от его появления до преимуществ и сравнения с GPT-4o.
boy illustration
9 основных словесных инструкций по доработке академических работ с помощью ChatGPT, эффективных и практичных, которые стоит собрать
boy illustration
Вызовите deepseek в vscode для реализации программирования с помощью искусственного интеллекта.
boy illustration
Познакомьтесь с принципами сверточных нейронных сетей (CNN) в одной статье (суперподробно)
boy illustration
50,3 тыс. звезд! Immich: автономное решение для резервного копирования фотографий и видео, которое экономит деньги и избавляет от беспокойства.
boy illustration
Cloud Native|Практика: установка Dashbaord для K8s, графика неплохая
boy illustration
Краткий обзор статьи — использование синтетических данных при обучении больших моделей и оптимизации производительности
boy illustration
MiniPerplx: новая поисковая система искусственного интеллекта с открытым исходным кодом, спонсируемая xAI и Vercel.
boy illustration
Конструкция сервиса Synology Drive сочетает проникновение в интрасеть и синхронизацию папок заметок Obsidian в облаке.
boy illustration
Центр конфигурации————Накос
boy illustration
Начинаем с нуля при разработке в облаке Copilot: начать разработку с минимальным использованием кода стало проще
boy illustration
[Серия Docker] Docker создает мультиплатформенные образы: практика архитектуры Arm64
boy illustration
Обновление новых возможностей coze | Я использовал coze для создания апплета помощника по исправлению домашних заданий по математике
boy illustration
Советы по развертыванию Nginx: практическое создание статических веб-сайтов на облачных серверах
boy illustration
Feiniu fnos использует Docker для развертывания личного блокнота Notepad
boy illustration
Сверточная нейронная сеть VGG реализует классификацию изображений Cifar10 — практический опыт Pytorch
boy illustration
Начало работы с EdgeonePages — новым недорогим решением для хостинга веб-сайтов
boy illustration
[Зона легкого облачного игрового сервера] Управление игровыми архивами
boy illustration
Развертывание SpringCloud-проекта на базе Docker и Docker-Compose