数据集(库)目录

出版期刊|区域分类

2021年第12期
2019年第02期
数据详情

应用GF-6遥感数据识别道路材质方法实验数据集


崔玉萍
中国公路工程咨询集团有限公司,北京100097

DOI:10.3974/geodb.2022.08.10.V1

出版时间:2022年8月

网页浏览次数:4749       数据下载次数:140      
数据下载量:65499.90 MB      数据DOI引用次数:

关键词:

道路材质,机器学习,GF-6,廊坊试验区

摘要:

利用GF-6遥感数据可以识别道路材质,重要环节是数据识别模型的建立和道路不同材质的识别指标。作者以河北省廊坊部分地域作为实验区,采用计算光谱特征指数——差值指数、比值指数、方差指数和归一化指数,对不同道路材质的光谱特性进行分析;然后基于Google Earth影像和百度街景数据收集道路材质类型样本,利用机器学习技术,研发出应用GF-6遥感数据识别道路材质方法实验数据集。本次实验结果道路材质识别精度达到80.07%,Kappa系数为0.70。该实验数据集由3部分组成:(1)光谱特征指数数据;(2)道路材质样本数据;(3)道路材质识别结果数据。数据集存储为.dat、.shp.和.xlsx格式,由16个数据文件组成,数据量为3.69 GB(压缩为4个文件,1.62 GB)。数据论文

基金项目:

GF-6应用(07-Y30B03-9001-19/21,87-Y50G28-9001-22/23);

数据引用方式:

崔玉萍. 应用GF-6遥感数据识别道路材质方法实验数据集[J/DB/OL]. 全球变化数据仓储电子杂志(中英文), 2022. https://doi.org/10.3974/geodb.2022.08.10.V1.

崔玉萍. 廊坊地区 GF-6 遥感数据识别道路材质数据集的方法与结果[J]. 全球变化数据学报(中英文), 2022, 6(4): 607-618.

参考文献:

[1] 张轮. 现代交通信息网络与通信技术[M]. 上海: 同济大学出版社, 2007.
     [2] Manzo, C., Mei, A., Salvatori, R., et al. Spectral modelling used to identify the aggregates index of asphalted surfaces and sensitivity analysis [J]. Construction & Building Materials, 2014, 61: 147-155.
     [3] 付超. 大数据时代公路勘测设计面临的机遇和挑战[D]. 西安: 长安大学, 2016.
     [4] Estes, J. E., Thorley, G. A. Manual of Remote Sensing-Volume II: Interpretation and Applications [M]. Virginia: American Society of Photogrammetry, 1983: 1955-2109.
     [5] Gardner, M., Roberts, D. A., Funk, C., et al. Road extraction from AVIRIS using spectral mixture and Q-tree filter techniques [C]. Technical Report, May 2001. University of California, Santa Barbara, National Consortium on Remote Sensing and Transportation: Infrastructure, 2001.
     [6] Grote, A., Heipke, C. Road extraction for update of road databases in suburban areas [J]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2008, 37(B3b): 563-568.
     [7] Suchandt, S., Runge, H., Breit, H., et al. Automatic extraction of traffic flows using TerraSAR-X along-track interferometry [J]. IEEE Transactions on Geoscience & Remote Sensing, 2010, 48(2): 807-819.
     [8] Buslaev, A., Seferbekov, S., Iglovikov, V., et al. Fully Convolutional Network for Automatic Road Extraction from Satellite Imagery [C]. Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). IEEE, 2018.
     [9] 佘宇晨, 林辉, 孙华. 主要道路路面材料高光谱特征分析[J]. 中南林业科技大学学报, 2014, 34(11): 120-139.
     [10] 金续, 张显峰, 罗伦等. 公路路面光谱特征分析与沥青路面老化遥感监测方法初探[J]. 地球信息科学学报, 2017, 19(5): 672-681.
     [11] 高利鹏. 基于机载LiDAR和高分辨率遥感影像的道路提取研究[D]. 徐州: 中国矿业大学, 2014.
     [12] 张映雪, 徐威, 王勇等. 基于光谱特征的路面材料区分度分析[J]. 长沙理工大学学报(自然科学版), 2017, 14(4): 1-9.
     [13] 陆频频, 戴激光, 施先忠. 基于高光谱遥感的四种典型道路光谱特征分析[J]. 测绘与空间地理信息, 2019, 42(5): 141-144.
     [14] 张晓冰, 程日盛, 汪丽娟. 我国高速公路沥青路面厚度现状调查分析[J]. 河南交通科技, 1999(1): 3-5.
     [15] 李小鹏. 补齐短板建好“四好农村路”[J]. 中国公路, 2017(17): 20-25.
     

数据下载:

序号 数据名 数据大小 操作
0Datapaper_GF_RoadMaterial.pdf18522.00kb下载
1 1_SpectralCharacteristicIndex_SDI_SVI.rar 210870.80KB
2 1_SpectralCharacteristicIndex_SNI.rar 757602.06KB
3 1_SpectralCharacteristicIndex_SRI.rar 730480.19KB
4 2&3_SampleData_RoadMaterial.rar 1705.59KB
主管单位