1、水资源管理与规划：水资源调查与确权登记 （精确掌握水体数量、分布、面积）；水资源公报 编制数据支撑；生态流量 保障监测；地下水超采区 地表水补给潜力评估。提供高时空分辨率的基础水情信息，支撑精细化、科学化的水资源管理决策与规划。知识产权确保数据在政府水利部门内部及跨部门共享、应用的合法性与规范性。2、洪涝灾害预警与应急响应：洪涝灾害发生时的快速淹没范围制图 与动态监测；灾情评估；抢险救灾 路径规划与资源调配；灾后恢复重建 规划。提供灾情第一手、直观、大范围的实时或准实时信息，是应急指挥决策的“眼睛”，极大提升响应速度与救援效率。知识产权是支撑政府应急部门快速调用、集成该关键数据资源的保障。3水环境保护与水生态治理： 河湖岸线保护与侵占监测；湿地生态功能区 划界与保护成效评估；排污口排查 与非法排污监控；蓝藻水华、赤潮 等生态灾害的早期发现、范围界定与演变跟踪；黑臭水体 识别与治理效果评估；水土流失 监测（结合岸线变化）。为水环境监管、生态保护修复提供高效、客观的空间监测手段，是实现精准治污、科学治水的重要数据基础。知识产权促进数据在环保督察、河湖长制考核、生态补偿等领域的合规应用。
1、数据采集：利用飞马v500无人机，利用自动拼图得到1cm-3cm分辨率的无人机正射影像数据，并设置CGCS2000 / 3°投影坐标系，影像分辨率以及影像坐标系等参数同步加入至影像数据中。 2、数据预处理以及数据标注：首先，选择适用于样本的影像，明确裁切区域并绘制范围矢量；利用矢量数据裁切影像，采用在线标记点位并添加作物属性的方式，以点位为中心点进行裁剪，生成指定尺寸（如256*256）的影像切片。 3、数据集设置以及模型选择：按照7:2:1的比例设置训练集、验证集和测试集。使用自行搭建的TransCNN-Vision模型进行训练。 5、训练设置：模型选择与初始化以vision_transformer的large模型为权重文件，初始化常规模型参数后，读取数据集文件夹个数确定模型分类数，最优学习率为0.001，同时冻结出head和pre_logits外的所有权重参数，batchsize，根据当前设备现存余量自动调整，默认值为16，根据样本分辨率动态调整patch_size用于提高不同分辨率下的特征捕获能力。最后利用自适应高精度模型保存策略，自动保存训练精度mDice（Mean Dice Coefficient）指标最高模型的模型作为最佳模型。mDice计算公式如下： mDice=2*|X∩Y|/(|X|+|Y|)。 训练mDice指数基于对测试集样本数据预测并计算获得，其中|X∩Y|为预测结果与真实标注的交集，| X |和| Y |分别为预测结果与真实标签的各自的数量之和。 5、模型精度评估：通过在真实影像中进行模型提取并人工校正，实现对模型在真实场景中的提取效果。利用提取错误率和提取遗漏率指标来评估被识别物模型的提取能力，提取错误率用于评估模型提取结果中不是合理的比例，提取遗漏率用于评估模型提取结果依然没有提取出被识别物的比例，提取遗漏率越接近4.2%，提取错误率越接近6.2%，表明当前提取结果准确率越高，能够降低的成本越高。提取错误率计算公式如下：（|X|-|X∩Y|）/|X|。 提取遗漏率计算公式如下：（|Y|-|X∩Y|）/|Y|。其中，|X∩Y|为正确识别为被识别物的数量，| X |和| Y |分别为预测和真实的被识别数量。考虑到真实场景的复杂性，提取错误率和提取遗漏率保持在10%以内即可视为结果具有较高的准确性。
| 字段名 | 类型 | 描述 |
|---|---|---|
图像ID |
-- | -- |
文件路径 |
-- | -- |
样本尺寸 |
-- | -- |
分辨率 |
-- | -- |
采集时间 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 图像ID | 00001.tif |
| 文件路径 | ych/Verification Sample Set / shuiti/Ima |
| 样本尺寸 | 1024*1024 |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/7255027