海量遥感影像解译样本数据管理系统的设计与实现
使用测绘技术进行无人机航测和遥感影像解译的步骤
使用测绘技术进行无人机航测和遥感影像解译的步骤无人机航测和遥感影像解译是现代测绘领域中的重要技术手段。
通过无人机航测可以获取高精度、高分辨率的地面影像数据，而遥感影像解译则可以对这些数据进行分析和应用。
本文将分别介绍无人机航测和遥感影像解译的步骤，并探讨其在实际应用中的意义和挑战。
一、无人机航测的步骤无人机航测是利用无人驾驶飞机进行测量和数据采集的技术。
它比传统的人工测量更高效、稳定和安全。
无人机航测的步骤包括航线规划、飞行任务执行和数据处理。
首先，航线规划是无人机航测的重要一步。
根据实际需求，确定航线的起点、终点和航线方向，并设置相应的航高和航速。
航线规划需要考虑地形、障碍物、飞行安全等因素，以确保航测的准确性和安全性。
其次，飞行任务执行是无人机航测的核心环节。
根据航线规划，将无人机定位于起点，并启动相机设备。
无人机执行航线任务时，需保持稳定飞行，并实时获取影像数据。
飞行过程中，需要监控无人机的飞行状态，及时调整航向和高度，以适应不同地形和环境。
最后，数据处理是无人机航测结束后的必要步骤。
将获取的影像数据传输至地面设备，并进行数据处理和分析。
数据处理包括图像校正、地物提取、地形重建等过程。
利用测量软件和算法，对影像数据进行校正和修正，以提高测量精度和准确性。
同时，通过图像处理技术，实现地面目标的识别、分类和测量。
二、遥感影像解译的步骤遥感影像解译是利用遥感技术进行图像分析和解释的过程。
通过对遥感影像的解译，可以了解和识别地面的特征、属性和变化。
遥感影像解译的步骤包括图像预处理、目标解译和信息提取。
首先，图像预处理是遥感影像解译的基础。
对遥感影像进行校正、增强和滤波等预处理，可以消除图像的噪声和畸变，提高影像的质量和准确性。
图像预处理还包括影像配准和融合，以实现不同波段或不同时相影像的组合和比较。
其次，目标解译是遥感影像解译的核心环节。
通过目视和计算机辅助解译，对影像中的地物和目标进行解译和识别。
详解测绘技术中的遥感影像解译技术
详解测绘技术中的遥感影像解译技术遥感影像解译技术是现代测绘技术中的重要组成部分，它在国土资源调查、环境监测、灾害防治等领域起着不可替代的作用。
本文将详细探讨遥感影像解译技术的原理、应用以及未来发展方向。
一、遥感影像解译技术的原理遥感影像解译技术是通过获取并分析地球表面的遥感影像数据，提取出有用的地物信息。
它基于遥感技术，通过感知地球表面的辐射能量反射、发射和传输情况，利用光谱、空间和时间特征来解读地物的属性、分布和变化。
1. 光谱解译技术：利用遥感影像中不同波段的反射率或发射率差异，分析物体的光谱特性，判断其类型和性质。
例如，在红外波段中，不同植被的反射率差异较大，可以通过光谱解译技术来识别不同植被类型。
2. 空间解译技术：通过观察和分析遥感影像中地物的空间分布模式，判断其形状、大小和相互关系。
例如，在城市遥感影像中，通过分析建筑物的空间分布，可以推测出城市的发展规模和方向。
3. 时间解译技术：利用多时相的遥感影像数据，观察和分析地物的动态变化。
例如，通过对不同季节的植被遥感影像进行比对，可以监测植被的生长和衰退状况。
二、遥感影像解译技术的应用遥感影像解译技术在各个领域都有广泛的应用，以下列举几个典型的例子。
1. 土地利用/覆盖分类：利用遥感影像解译技术，可以实现对土地利用/覆盖类型的快速分类和监测。
通过分析遥感影像中不同地物的光谱特征和空间分布，可以判断土地的植被类型、建筑物分布、水体分布等信息，为城市规划、农业管理、生态保护等提供可靠的数据支持。
2. 灾害监测与评估：遥感影像解译技术可以帮助监测和评估各类自然灾害，例如地震、洪水、森林火灾等。
通过对遥感影像中灾害相关地物的分析，可以获得灾害范围、破坏程度等信息，为灾害应急和恢复提供科学依据。
3. 环境监测与评估：借助遥感影像解译技术，可以实现对环境资源的监测和评估，例如水体污染、土壤退化、大气污染等。
通过分析遥感影像中各种污染指标的反映，可以监测环境质量的变化，并提供决策支持。
遥感影像解译技术的使用方法
遥感影像解译技术的使用方法引言：遥感影像解译技术是近年来发展迅猛的领域之一，它通过获取、处理和分析遥感影像数据，提供了广泛的应用价值。
本文将介绍遥感影像解译技术的基本原理和常见的使用方法，以帮助读者更好地了解和应用该技术。
一、遥感影像解译技术的基本原理遥感影像解译技术的基本原理是基于遥感获取的各种数据来源，如航空摄影、卫星图像等。
遥感影像是通过传感器获取的地面物体及其特征的影像数据，它包含了丰富的地理信息，包括地貌、植被、土地利用等。
而遥感影像解译技术的目标则是通过对这些影像数据的分析和解释，从中提取出地物类型、空间分布、数量和特征，并将其转化为我们可以理解和使用的地理信息。
二、遥感影像解译技术的使用方法1. 数据获取与预处理在使用遥感影像解译技术之前，必须先获取高质量的遥感影像数据。
这可以通过购买、下载或与相关机构合作来实现。
在获取到数据后，还需要进行一系列的预处理工作，如校正图像几何畸变、去除云层、辐射校正等，以确保数据的准确性和可用性。
2. 影像分类与分类方法影像分类是遥感影像解译技术的核心内容之一。
基于遥感数据的特征，可以使用不同的分类方法进行影像分类，如监督分类、非监督分类、半监督分类等。
监督分类是一种常用的分类方法，它依赖于已知样本的地物类别信息，并通过建立分类模型来对未知样本进行分类。
非监督分类则是根据像元间的相似性进行分类，不需要先验地物类型信息。
3. 特征提取与特征分析特征提取是遥感影像解译技术的关键环节之一。
它包括通过算法和人工操作等手段，从遥感影像中提取出与地物类型相关的特征，如颜色、纹理、形状、空间分布等。
在提取特征后，还需要对其进行分析和统计，以获取地物的更多信息。
4. 地物识别与解译地物识别与解译是遥感影像解译技术的最终目标。
在完成影像分类和特征提取后，可以根据地物的特征和上下文进行地物的识别和解译。
这一过程通常需要结合地理数据库、地理信息系统和领域专家的知识来进行判断和决策，以确保解译结果的准确性和可用性。
如何进行红外遥感影像分析与解译
如何进行红外遥感影像分析与解译红外遥感影像分析与解译是现代遥感技术的重要应用之一，被广泛应用于农业、环境监测、城市规划等领域。
本文将介绍红外遥感影像分析与解译的基础知识、常用方法和实际应用案例。
一、红外遥感影像分析与解译的基础知识红外遥感影像是利用红外传感器获取的地球表面物体的红外辐射信息，与可见光影像相比，红外遥感影像能够提供更多的地物信息。
红外辐射的不同波段对应不同的地物特征，如热红外波段可以用于火灾监测，近红外波段可以用于植被状况监测等。
在进行红外遥感影像分析与解译之前，首先要对红外图像的预处理进行必要的操作。
这包括：辐射校正、大气校正、几何校正等。
预处理过程可以提高红外图像的质量，为后续的分析与解译提供准确的数据基础。
二、红外遥感影像分析与解译的常用方法1. 目视解译法目视解译法是最常用的红外遥感影像分析与解译方法之一。
通过人眼观察红外图像，根据地物的红外反射特征进行解译。
例如，在农业领域，我们可以通过观察植被红外反射的变化来判断植被的生长状态，提供农作物的生长信息。
2. 数字图像处理方法数字图像处理方法是利用计算机对红外遥感影像进行分析与解译的方法。
常用的数字图像处理方法包括图像增强、特征提取、分类等。
其中，图像增强可以提高红外图像的对比度和细节，使地物的边界更加清晰；特征提取可以识别地物的形状、颜色等特征，对其进行定量化的描述；而分类是将图像上的像元划分到不同的类别中，实现对地物的自动识别与分类。
三、实际应用案例以环境监测为例，红外遥感影像分析与解译在环境监测中起到了重要的作用。
通过红外遥感技术，我们可以监测到地表温度的分布情况，进而了解城市热岛效应的形成与演变。
根据红外遥感影像的数据，我们可以制作城市表面温度等级图，为城市规划和环境改善提供科学依据。
同时，红外遥感影像还可用于监测水体污染。
通过红外图像的处理与分析，我们可以观察到水体表面的温度变化，进而判断出水体中的污染源。
通过定期监测，我们可以追踪污染源的变化情况，并及时采取措施进行治理。
遥感影像解译技术在水库监测与管理中的应用指南
遥感影像解译技术在水库监测与管理中的应用指南引言：水是人类生活必不可少的资源之一，而水库作为储存和调配水源的重要工程，其监测与管理工作显得尤为重要。
随着科技的发展，遥感影像解译技术已经逐渐成为水库监测与管理的重要手段之一。
本文将详细介绍遥感影像解译技术在水库监测与管理中的应用指南。
一、水库影像数据获取获取高质量的遥感影像数据是进行水库监测与管理的基础。
目前，常用的获取水库影像数据的方法主要有两种：航空遥感和卫星遥感。
航空遥感是通过航空器进行影像拍摄，具有较高的空间分辨率和光谱分辨率，适用于小范围、高精度的水库监测。
而卫星遥感则是利用遥感卫星对地球表面进行观测，具有覆盖范围广、周期性观测等特点，适用于大范围、长期监测。
选择合适的遥感影像数据获取方法，对于水库的监测与管理具有重要意义。
二、遥感影像解译技术在水库面积监测中的应用水库的面积是其水量储存和调配的基本指标之一。
遥感影像解译技术可以通过对水库影像的处理和分析，实现水库面积的精确监测。
常用的解译方法主要有目视解译、计算机自动解译和混合解译等。
其中，目视解译是通过观察遥感影像中水库的边界线条、颜色等特征，进行手动标定并计算面积。
计算机自动解译则是利用图像处理算法和计算机视觉技术，自动提取水库的边界，并进行面积计算。
混合解译则是结合了目视解译和计算机自动解译的方法，能够提高精度和效率。
选择合适的解译方法，并结合实际情况进行验证，能够准确监测水库的面积变化，为水资源的管理提供科学依据。
三、遥感影像解译技术在水库水位监测中的应用水库的水位是对水库水量变化的直接反映，因此对水库水位的监测也显得尤为重要。
遥感影像解译技术可以通过对水库影像的处理和分析，实现水库水位的精确监测。
常用的解译方法主要有多光谱遥感和雷达遥感等。
多光谱遥感是通过观测不同波段的光谱特征，判断水库水位的高低。
而雷达遥感则是利用雷达波束与水面的反射特征，进行水位监测。
两种方法各有优缺点，选择合适的方法取决于实际应用需求和资源条件。
遥感影像的解译与分类方法和技巧
遥感影像的解译与分类方法和技巧遥感技术是通过获取地球表面的电磁辐射信息来获取地表信息的一种重要技术手段。
随着遥感技术的发展和应用范围的不断扩大，遥感影像的解译与分类方法和技巧也愈发成为研究的热点。
本文将探讨遥感影像解译与分类的方法和技巧。
一、遥感影像解译方法1. 目视解译法目视解译法是通过人工直接观察遥感影像的色彩、纹理、形状及其在空间分布上的特征，判断地物类型的一种解译方法。
它主要适用于图像上地物边缘清晰、大尺度地物的解译，如城市、河流等。
这种方法在短时间内可以获取较好的解译结果，但主观性较强，解译效率较低。
2. 图像数字化解译图像数字化解译是将遥感影像转化为数字图像，利用计算机和数字图像处理软件进行解译分析的方法。
数字化解译可以提高解译的客观性和准确性，可以利用像元的灰度、光谱特征等进行解译。
这种方法适用于在细节解译方面精确度要求较高的场景。
3. 分割解译分割解译是将遥感影像划分为若干个不同的区域或对象，并对这些区域或对象进行分类和解译。
这种方法可以充分利用图像中地物的空间信息，有利于对图像进行更细致的解译和分析。
分割解译在城市、森林等复杂地物类型的解译中具有一定的优势。
二、遥感影像分类技巧1. 特征提取特征提取是对遥感影像中各类地物的特征进行提取和分析的过程。
常见的地物特征包括光谱特征、纹理特征、形态特征等。
不同地物类别的特征往往具有较大的差异，因此提取和利用这些特征可以有效地区分不同的地物类别。
2. 分类算法分类算法是指将遥感影像根据像素的光谱、空间等特征进行自动分类的一种方法。
常见的分类算法包括最大似然分类、支持向量机分类、决策树分类等。
选择适合的分类算法对于提高分类准确性和效率非常重要，常需要根据具体问题的特点来选择合适的算法。
3. 数据融合数据融合是指将不同传感器或不同分辨率的遥感数据进行融合，提高遥感影像解译和分类的准确性和精度。
融合可以通过像元级、特征级和决策级等多种方式进行。
基于深度学习的遥感解译地物样本库建设研究
2023/ 10 27基于深度学习的遥感解译地物样本库建设研究李莹 化涛（河南丰图测绘服务有限公司，河南 郑州 45000）摘 要：针对遥感解译样本库存在分类体系混乱、共享共用难等问题，结合自然资源调查监测工作的业务需求，探讨自然资源遥感智能解译样本库的建设研究。
主要研究内容包括样本分类体系构建、采集与清洗、建库，形成分布均匀、种类齐全、涵盖不同地物类型及观测尺度的遥感解译样本库，提升了国产高分辨率卫星遥感信息提取与变化检测自动化、智能化业务能力，服务自然资源监测监管及相关行业应用。
关键词：样本库；自然资源；深度学习；服务应用1 背景近年来，随着对地观测技术的发展，遥感影像数据以几何级数的速度快速增长。
这些时效性强、覆盖范围广、多类型、多分辨率的海量遥感数据在地表信息提取、资源与生态环境变化监测等诸多领域发挥了巨大作用[1-3]。
遥感影像数据量的快速增长和数据类型的不断丰富，对数据快速精准解译方法与技术提出了更高要求。
随着大数据、云计算、人工智能等技术的不断进步，深度学习技术在图像识别方面取得重大进展。
深度学习技术也支持场景理解、地物目标检测与土地覆盖分类等任务。
人们通过构建大量样本数据训练深度学习网络，提高遥感影像特征提取成效[4]。
遥感影像解译包括场景识别、目标检测、地物分类、变化检测等不同层次的任务，每种任务都可基于多种影像资源来实现，面向智能解译的样本库必须充分体现这种多源特性，才能保证解译精度。
当前已有不少遥感解译样本数据集，总体来看，这些样本集存在分类体系不统一、解译样本量小、多样性不足、样本影像来源单一、样本尺寸固定等问题，已经严重影响大范围多源异构遥感影像解译效率与质量[5]。
现有遥感影像智能解译样本集大多针对具体应用场景和解译对象来建设，不同样本集采用了不同的分类体系，开放性与可扩展性不足，难以支持样本集的共享与综合利用。
现有样本采集工具标注内容不全面，样本标签格式不统一，样本标注效率和质量存在缺陷，样本空间分布不均匀、数量少、类型简单，亟须研究顾及地貌景观类别的样本分布策略，并研发专用遥感影像样本采集工具，以提升采集质量与效率[6,7]。
遥感影像的遥感模型和解译算法
遥感影像的遥感模型和解译算法遥感技术作为一种通过获取远距离的地球表面信息的手段，已经成为现代科学和技术领域中的重要工具。
遥感影像作为一种获得遥感信息的主要数据源，对于地质、农业、环境等领域的研究和应用具有重要意义。
而遥感模型和解译算法则是将遥感影像转化为可用信息的关键步骤。
在遥感模型和解译算法中，最常用的模型是图像分类模型。
这种模型基于图片的特征和统计学方法，将遥感影像分为不同的类别，如水体、建筑物、植被等。
为了得到准确的分类结果，遥感影像的预处理非常关键。
常见的预处理方法包括辐射校正、几何校正和图像增强。
辐射校正能够消除传感器对地物辐射值的测量误差，从而提高影像的空间一致性和准确性。
几何校正则是通过对影像进行几何变换，将其与地理坐标系统对齐，使得影像像素与地面上的物理位置相对应。
图像增强则通过增强影像的亮度、对比度和细节等方面的特征，改善影像的视觉效果和可解译性。
在经过预处理后，遥感影像可以应用各种分类算法进行解译。
常用的分类算法包括最大似然分类、支持向量机、随机森林等。
最大似然分类算法基于统计学方法，利用像元的统计特征和先验信息对像元进行分类。
支持向量机则利用训练样本和决策边界的最大间隔，对影像进行分类。
随机森林则是一种基于决策树结构的集成学习方法，通过多个决策树的集成来提高分类的准确性和稳定性。
此外，还有基于神经网络的深度学习模型，如卷积神经网络，也被应用于遥感影像的分类和解译中。
除了图像分类模型外，遥感影像的解译还可以应用其他模型，如目标检测模型和变化检测模型。
目标检测模型用于在遥感影像中检测和定位特定的目标物体，如车辆、建筑物等。
变化检测模型则用于检测同一地区在不同时期的遥感影像中的地物变化情况，如城市扩张、冰川退缩等。
这些模型的应用可以帮助人们更好地理解地球表面的动态变化和人类活动的影响。
在实际应用中，遥感模型和解译算法还需要面临一些挑战和问题。
首先，由于遥感影像的分辨率和数据量巨大，模型的效率和计算复杂度成为制约因素。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
李峰（山西省测绘工程院，山西太原030002）摘要在地理国情普查与监测工作中，对大量的高质量遥感影像解译样本数据，如何对其进行有效管理，更好地服务于遥感影像的内业解译，有着非常重要意义。
本文通过对遥感影像解译样本数据的特征和栅格数据存储方式的分析，设计并开发了遥感影像解译样本数据管理系统，实现了对遥感影像解译样本数据的统一管理，在巨大的数据源中可以快速查询和显示感兴趣的样本数据，并对样本数据进行统计分析，从而提高遥感影像解译工作效率，为实现遥感影像解译自动化提供数据基础。
关键词地理国情监测；遥感影像解译样本；管理系统；Oracle数据库中图分类号P208文献标识码A文章编号2095-7319（2019）02-0057-04海量遥感影像解译样本数据管理系统的设计与实现0.引言遥感影像解译样本数据包含两类，一类是地面照片；一类是遥感影像实例数据。
两类数据分别从不同的侧面反映地物影像形态特征，起到相互印证的作用，可帮助解译人员更高效地认知遥感影像所蕴含的信息[1]。
随着全国地理国情普查任务的完成以及地理国情监测任务的逐年开展，会采集到大量的高质量遥感影像解译样本数据，如果对这类数据能够进行有效管理，一方面可以辅助内业遥感影像解译；另一方面可以对各个区域样本数据类型进行统计分析，进而能够快速地了解某一地区的国情信息。
因此，实现对遥感影像解译样本数据的管理对于地理国情常态化监测有重要意义。
本文通过对遥感影像解译样本数据特征进行分析，研究了适合样本数据管理的存储方式，并进行软件研制，实现海量数据的有序、规范存储和管理，提高数据的查询和使用效率，提高数据的安全性和保密性。
在巨大的数据源中快速查询和显示感兴趣的样本数据，使其更方便地服务于内业解译、应用分析和辅助决策支持服务等，更好地服务于今后常态化地理国情监测工作。
1.遥感影像解译样本数据特征分析遥感影像解译样本数据不同于一般的数据文件，有如下特性：（1）地面照片与遥感影像实例均以独立的文件形式存在，且相互之间存在依赖对照关系，主要有“一对一”、“一对多”、“多对一”及“多对多”四种对应关系，通常根据地物特征，选择其中一种方式建立地面照片与遥感影像实例之间的对应关系。
每一组地面照片和相对应的遥感影像实例代表一个样本点[1]。
（2）单个遥感影像实例和地面照片文件较小，但数量巨大，随着地理国情常态化监测的进行，数据文件会逐年增加。
（3）遥感影像实例文件带有空间参考信息，其坐标系统为CGCS2000坐标系。
以上为遥感影像解译样本数据所具有的基本特征信息，根据其特征设计遥感影像解译样本数据的存储方式。
2.栅格数据存储方式分析根据遥感影像解译样本数据的特征，利用传统的人工跟数据库相结合的方式很难对其进行有效管理。
存储此类数据既要满足其存储海量栅格数据的特性，又要有快速空间查询功能。
国内外众多学者对此也进行了大量的研究工作，目前针对遥感影像的存储方式主要有如下几类[2-10]：（1）以文件形式存储，即影像数据与属性数据均以文件的形式表达。
用此种方式存储、管理影像数据，安全性、可维护性较差，不利于数据的调度、检索与管理等。
（2）以数据库形式存储。
用数据库方式存储、管理影像数据是一种比较有效的手段，有诸多优点，如安全性好、易于维护、具有数据恢复机制、支持存储复杂多样的数据类型等，因此在很多领域也得到了应用，但也存在较为明显的缺点。
以数据库形式存储影像数据目前主要有关系型数据库和非关系型数据库两种。
用关系型数据库存储主要有两种：一种是用Oracle Spatial存储影像数据，此种存储方式需要自己分块创第2期李峰：海量遥感影像解译样本数据管理系统的设计与实现2019年4月2019年4月经纬天地第2期建金字塔，并要求测试其性能，开发周期较长，技术要求也较高；另一种是利用ESRI公司的ArcSDE配合传统的关系数据库SQL Server、Oracle、DB2等来存储影像数据，此种存储方式能够实现对海量空间数据的有效组织和管理，比较常见的各省市1∶10000数字正射影像数据库就是用Arc SDE和Oracle来存储影像数据。
对于非关系型数据库，应用较多的是利用MongoDB数据库存储影像数据。
MongoDB数据库是一种面向文档的数据库，其功能强大、灵活，可存储多种类型的数据。
MongoDB的GridFSB机制可以使得MongoDB脱离独立文件存储架构进行大二进制文件的存储，非常适合存储本系统中照片和样本影像等海量小文件数据，但MongoDB数据库没有空间分析和查询功能。
（3）文件和数据库混合存储管理，即影像数据以文件方式进行管理，属性数据则通过数据库进行管理。
此种存储管理方式，属性数据较易实现数据的存储与检索，比较可靠有效，但对影像数据的存储管理功能较弱，特别是在数据的安全性、完整性、并发控制方面等比商用数据库逊色不少。
（4）基于对象存储影像数据，此种存储方式可以实现影像数据与属性数据的一体化管理，数据结构比较复杂，通常还受软硬件的限制，实现较困难。
在充分分析各数据库性能、功能，以及开发成本和难易程度，本文最终选用关系型数据库Oracle来存储地面照片和遥感影像实例数据，配合功能强大的空间数据引擎ArcSDE来完成数据的存储和统一管理工作。
3.系统总体设计与实现3.1.系统总体设计遥感影像解译样本数据管理系统基于Client/Server模式，采用三层体系结构设计，即数据服务层、中间业务层和用户表示层[11-17]。
（如图1所示）为遥感影像解译样本数据管理系统的总体设计框架图。
3.1.1用户表示层主要是为客户端提供终端图形操作界面。
用户通过终端界面访问和使用系统所提供的空间信息服务。
对遥感影像实例数据进行操作，包括影像数据浏览（包括图像数据的放大、缩小、漫游、属性查询等空间操作）、遥感影像实例与地面照片对照显示、样本分布图等功能。
通过不同的权限对数据库数据进行管理和维护[2]。
3.1.2中间业务层实现对数据服务层的事务处理，响应用户表示层的功能请求、处理请求，并将结果传回用户表示层。
3.1.3数据服务层实现对系统数据的统一管理。
将遥感影像解译样本数据自动或手动批量入库到空间数据库中，空间数据库选用大型关系数据库Oracle，可以实现海量遥感影像解译样本数据的一体化存储，为中间业务层提供透明的数据服务。
3.2系统实现系统的搭建平台选用Windows操作系统，Oracle 数据库版本选用Oracle11g，系统开发采用C#语言，与后台数据库的通讯方式采用Oracle数据库底层函数库，克服了ODBC传输速度慢的缺陷，大大提高对后台数据库的访问速度。
3.2.1数据库设计对于遥感影像解译样本数据可分为图形数据和属性数据两类。
属性数据表及其字段的设计与原有遥感解译样本数据成果中的数据结构保持一致，数据表和字段的定义（如图2所示）；图形数据包括地面照片和图1系统总体设计框架图图2数据结构设计参考文献：【1】GQJC 06-2017遥感影像解译样本数据技术规定[S].国家测绘地理信息局,2017(5).【2】黄杰,刘仁义,刘南,等.海量遥感影像管理与可视化系统的研究与实现[J].浙江大学学报(理学版),2008,35(6):701-706.【3】刘义,陈荦,景宁,等.利用MapReduce 进行批量遥感影像瓦片金字塔构建[J].武汉大学学报(信息科学版),2013(3):70-72.【4】秦强,王晏民,黄明.基于MongoDB 的海量遥感影像大数据存储[J].北京建筑大学学报,2015,31(1):62-66.【5】张永华,肖文名,何婉文,等.基于ArcEngine 的影像数据管理系统研制[J].测绘与空间地理信息,2009,32(5):115-117,120.遥感影像实例，分别存储在相应的字段中。
图形数据与属性数据的连接用其唯一的字段标识连接。
3.2.2系统功能模块设计各模块功能如下：（1）数据入库与维护模块提供遥感影像实例、地面照片及相应数据属性信息的单个文件和批量导入。
（2）遥感影像实例浏览模块实现对遥感影像数据的放大、缩小、漫游、等空间操作。
（3）样本查询模块可以根据多种方式对遥感影像解译样本数据进行查询，如通过地物类别CC 码进行查询、根据行政区域范围进行查询，也可进行组合查询。
（4）统计分析通过查询结果，对某一区域的样本类型、样本数进行统计，得到某一区域样本分布图。
遥感影像解译样本数据管理系统的运行界面（如图3所示），对某一区域的样本类型进行查询和显示。
4.结束语本文设计的基于Oracle 数据库的海量遥感影像解译样本数据管理系统实现了在大型数据库中高效的存储管理海量栅格数据，并实现对样本数据的简单查询和统计分析功能。
同时验证了本文提出的影像数据管理方案的正确性、可行性和实用性。
实践证明本系统可以较好地满足应用需求，辅助完成地理国情常态化监测的遥感影像内业解译工作。
图3遥感影像解译样本数据管理系统（下转第69页）第2期李峰：海量遥感影像解译样本数据管理系统的设计与实现2019年4月（上接第59页）【6】简剑锋,尹忠海,周利华,等.大型遥感影像数据库中的海量数据管理技术[J].测绘科学与工程,2006,26(4):5-8.【7】程滔.地理国情普查样本数据入库质量检查方法研究[J].测绘通报,2015(10):103-106.【8】李宗华,彭明军.基于关系数据库技术的遥感影像数据库建库研究[J].武汉大学学报(信息科学版),2005,30(2):166-169.【9】王华斌,唐新明,李黔湘.海量遥感影像数据存储管理技术研究与实现[J].测绘科学,2008,33(6):156-157,153.【10】李盛阳,于海军,韩洁,黑保琴.基于三维地球的海量遥感影像高效可视化管理系统的设计与实现[J].遥感技术与应用,2016,31(1):170-176.【11】樊小泊,陈红.海量影像数据库管理系统关键技术研究[J].计算机工程与应用,2006(30):10-13,37.【12】严荣华,廖安平,陈利军,欧阳宏斌,赵有松.基于ArcSDE 的国家基础数字正射影像数据库研究与实践[J].地理信息世界,2006(5):29-33.【13】刘云峰,李发红,曹广强.Hadoop 框架下海量影像数据库管理系统的研究与实现[J].测绘通报,2016(12)74-76,89.【14】吕喜军,陈中林,龚建辉,蒙印.海量影像管理与服务技术研究及实现[J].地理空间信息,2017,15(2):33-35.【15】王履华,孙在宏,曾微波,高权忠.省级国土资源海量遥感影像数据管理技术研究[J].中国土地科学,2013,27（7）:69-73.【16】邓雪清,张永生,李波,巩丹超.基于Oracle9iSpatial 的海量空间影像数据管理[J].测绘学院学报,2003(2):110-112,116.【17】袁帅,宋晓宇,王永会,孙世祥.GIS 海量影像数据管理系统的设计与实现[J].沈阳建筑工程学院学报(自然科学版),2003(3):236-239.作者简介：李峰（1968—），男，高级工程师。