欢迎来到北京揽宇方圆信息技术有限公司!

热线电话:010-83509252 4006-019-091 18610332567

手机版

当前位置: 网站首页 > 新闻资讯 > 行业动态 > 遥感卫星影像信息提取

行业动态

遥感卫星影像信息提取

来源:本站   发布时间: 2022-05-27 16:29:49   浏览:961次  字号: [大] [中] [小]
遥感信息提取经历了3个主要发展阶段。第一阶段(20世纪60年代至80年代)主要采用数字信号处理方法完成遥感数据分析任务。Swain P H等人运用统计模型从遥感数据中提取信息,并在此基础上研究了各种数据采集系统,为开发应用于遥感数据分析的统计建模技术奠定了基础。常用的信息提取模型有模糊聚类、目视解译、决策树分类等。然而,由于各地区地形特征不同,统计方法很难应用于不同的区域和环境。1990年,随着“定量遥感时代”的来临,遥感信息提取技术步入了第二阶段。此时,美国EOS(Earth Observation System)卫星开始通过中分辨率成像光谱仪(middle resolution imaging spectrometer,MODIS)提供全球定量遥感产品,使得研究人员可以利用这些产品开发物理模型。与统计模型相比,物理模型可以解决更多不同的应用问题,但物理模型通常基于复杂的非线性方程式,并且需要许多输入参数和先验知识。由于遥感大数据体量巨大、种类繁多、动态多变、冗余模糊,统计模型和物理模型需耗费大量人力资源,且处理效率低。到了21世纪初期,遥感信息提取技术步入第三阶段,包括人工神经网络、支持向量机(support vector machine,SVM)在内的浅层学习方法已被广泛运用于遥感信息提取任务。但是,浅层学习方法中使用的样本数据较小,其建模得到的模型参数的数量也非常有限。因此,这些模型的泛化能力较弱,从而限制了模型的通用性。为了解决上述问题,已有许多学者将深度学习方法应用于遥感数据,如高空间分辨率图像分割、高光谱图像分类、遥感图像变化检测等。深度学习方法侧重于从数据本身提取特征和信息,而不是依靠专家的先验知识,因此可以降低传统遥感信息处理方法对先验知识的依赖性。虽然深度学习方法可以显著提高模型的准确性,但其仍然面临着诸多挑战,如遥感数据体量巨大,存储、读取和分析如此大量的遥感数据非常困难;在实际应用中,接近实时的遥感大数据处理和信息提取非常具有挑战性;遥感图像质量易受到大气影响、环境干扰、传感器抖动等因素的影响,使获取的数据存在不确定性,从而难以从数据中获取有价值的信息。
 

<返回列表

相关链接

  • 010-83509252
    18610332567
    18610332561
    (微信同步)
    4006-019-091
    About Us   News   Product   Contact
    关于我们   新闻资讯   产品服务   联系方式

    公司简介

    领先优势

    资质荣誉

    公司新闻

    行业动态

    国外卫星

    国内卫星

    历史数据

    数据处理

    信息反馈

    人才招聘

    付款方式

     
    WeChat
    关注我们

    北京揽宇方圆信息技术有限公司 www.kosmos-imagemall.com Copyright © 2007-2021 备案号:京ICP备14058426号-2