JP2023029184A - Rural non-regular garbage separation and risk identification method based on multi-source data - Google Patents
Rural non-regular garbage separation and risk identification method based on multi-source data Download PDFInfo
- Publication number
- JP2023029184A JP2023029184A JP2022001036A JP2022001036A JP2023029184A JP 2023029184 A JP2023029184 A JP 2023029184A JP 2022001036 A JP2022001036 A JP 2022001036A JP 2022001036 A JP2022001036 A JP 2022001036A JP 2023029184 A JP2023029184 A JP 2023029184A
- Authority
- JP
- Japan
- Prior art keywords
- rural
- garbage
- irregular
- resolution
- remote sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000000926 separation method Methods 0.000 title abstract 4
- 238000009826 distribution Methods 0.000 claims abstract description 47
- 230000001788 irregular Effects 0.000 claims description 126
- 230000010365 information processing Effects 0.000 claims description 29
- 239000002699 waste material Substances 0.000 claims description 27
- 238000012502 risk assessment Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000005065 mining Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000012271 agricultural production Methods 0.000 claims description 7
- 239000002920 hazardous waste Substances 0.000 claims description 7
- 239000002440 industrial waste Substances 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 7
- 239000002910 solid waste Substances 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 230000000007 visual effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000013210 evaluation model Methods 0.000 abstract 2
- 230000008569 process Effects 0.000 description 12
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000002893 slag Substances 0.000 description 6
- 238000012952 Resampling Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000009966 trimming Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 3
- 239000004568 cement Substances 0.000 description 3
- 239000003245 coal Substances 0.000 description 3
- 239000010883 coal ash Substances 0.000 description 3
- 239000002361 compost Substances 0.000 description 3
- 239000000383 hazardous chemical Substances 0.000 description 3
- 239000003864 humus Substances 0.000 description 3
- 239000003317 industrial substance Substances 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 244000144972 livestock Species 0.000 description 3
- 239000010871 livestock manure Substances 0.000 description 3
- 239000002362 mulch Substances 0.000 description 3
- 238000007670 refining Methods 0.000 description 3
- 238000009418 renovation Methods 0.000 description 3
- 239000010902 straw Substances 0.000 description 3
- 231100000331 toxic Toxicity 0.000 description 3
- 230000002588 toxic effect Effects 0.000 description 3
- 235000013311 vegetables Nutrition 0.000 description 3
- 239000000443 aerosol Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000010791 domestic waste Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L11/00—Measuring steady or quasi-steady pressure of a fluid or a fluent solid material by means not provided for in group G01L7/00 or G01L9/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L19/00—Details of, or accessories for, apparatus for measuring steady or quasi-steady pressure of a fluent medium insofar as such details or accessories are not special to particular types of pressure gauges
- G01L19/0007—Fluidic connecting means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L19/00—Details of, or accessories for, apparatus for measuring steady or quasi-steady pressure of a fluent medium insofar as such details or accessories are not special to particular types of pressure gauges
- G01L19/0092—Pressure sensor associated with other sensors, e.g. for measuring acceleration or temperature
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L19/00—Details of, or accessories for, apparatus for measuring steady or quasi-steady pressure of a fluent medium insofar as such details or accessories are not special to particular types of pressure gauges
- G01L19/06—Means for preventing overload or deleterious influence of the measured medium on the measuring device or vice versa
- G01L19/0627—Protection against aggressive medium in general
- G01L19/0654—Protection against aggressive medium in general against moisture or humidity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/58—Construction or demolition [C&D] waste
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Sampling And Sample Adjustment (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は、農村非正規ゴミ管理の技術分野に関し、具体的には、マルチソースデータに基
づく農村非正規ゴミ分類およびリスク識別方法に関する。
TECHNICAL FIELD The present invention relates to the technical field of rural informal garbage management, specifically to a method of rural informal garbage classification and risk identification based on multi-source data.
中国の社会経済の継続的な発展と急速な人口増加、そして農村地域の生活水準の大幅な改
善、同時に、農村住民の環境保護意識の低さやインフラの欠如により、家庭ごみはかつて
ないほどの割合で増加し、その結果、農村地域での非正規家庭ごみの問題が徐々に浮上し
、深刻な環境汚染を引き起こし、農村ゴミ管理は、開発途上国の政府が直面している大き
な課題となっている。
Due to the continuous development of China's socio-economy and rapid population growth, as well as the significant improvement in living standards in rural areas, at the same time, the rural residents' low environmental protection awareness and lack of infrastructure have led to an unprecedented proportion of household waste. As a result, the problem of irregular household waste in rural areas gradually emerged, causing serious environmental pollution, and rural waste management has become a major challenge facing governments in developing countries. there is
農村の非正規ゴミ管理の状況も非常に厳しく、全体として、大量かつ広い面積、散在する
分布、複雑な構成、有害成分増加、および大きな地域差などの特徴を示し、ごみ処理を整
然と進めるのは難しい。
The situation of irregular garbage management in rural areas is also very severe. Overall, it is characterized by a large amount of large areas, scattered distribution, complex composition, an increase in harmful substances, and large regional differences. difficult.
農村の非正規ゴミの分類およびリスク評価を実現する方法は、ゴミの管理に科学的ガイダ
ンスを効果的に提供することができる。
A method to realize the classification and risk assessment of irregular waste in rural areas can effectively provide scientific guidance to waste management.
本発明の目的は、マルチソースデータに基づく農村非正規ゴミ分類およびリスク識別方法
を提供することでる。
An object of the present invention is to provide a rural irregular garbage classification and risk identification method based on multi-source data.
本発明の技術的解決策として、マルチソースデータに基づく農村非正規ゴミ分類およびリ
スク識別方法は、以下のステップを含む。
Ｓ１：画像データの取得および予備処理
農村非正規ゴミ投棄場抽出調査地域内の高解像度衛星リモートセンシング画像データを取
得して、情報処理装置によって予備処理した後、処理されたデータを合成して高解像度の
マルチスペクトルリモートセンシング画像を取得する。
Ｓ２：農村非正規ゴミの高解像度リモートセンシング分類システムの確立
情報処理装置により、農村非正規ゴミの高解像度リモートセンシング分類システムを確立
し、前記高解像度リモートセンシング分類システムの分類には、生活ゴミ、建設ゴミ、農
業生産廃棄物、一般産業固形廃棄物、採掘産業廃棄原料および危険廃棄物が含まれる。
その内に、生活ゴミとは、石炭灰、腐植、野菜の残滓など、通常の生活では再利用できな
い、行政村や都市と農村の合流点の住宅地に不法に積み上げられた廃棄物を指す。
建設ゴミとは、セメント残留物、建設および改修中に発生するさまざまな廃棄物など、都
市部、農村部、村の建設過程で廃棄される使用できない廃棄物を指す。
農業生産廃棄物とは、マルチ、野焼きわら、堆肥、家畜および家畜糞尿などを指す。
一般産業固形廃棄物とは、産業製錬によって生成されたスラグ、産業精製プロセスで不完
全に製錬されたコンポーネント、および一時的に埋められたスラグを指す。
採掘産業廃棄原料とは、採炭、採石場、鉄鉱石などの鉱業や利用に価値のない廃棄物を指
す。
危険廃棄物とは、有毒で人、動物、環境に汚染を引き起こす可能性のある産業や化学物質
などの有害物質を指す。
Ｓ３：情報抽出および認証
ステップＳ２で確立された農村非正規ゴミの高解像度リモートセンシング分類システム、
および異なる農村非正規ゴミの高解像度の第２リモートセンシングサンプルポイントから
、専門家が高解像度の第２リモートセンシング画像上の異なる農村非正規ゴミ目標および
周辺画像の色相、形状、サイズ、テクスチャなどの空間混同法則特徴に基づいて、農村非
正規ゴミ分布点情報処理装置により情報を抽出および解釈し、現地調査の農村非正規分布
点と高解像度の第２の画像から解釈された農村非正規ゴミポイントに基づき、現地調査さ
れた実際の農村非正規ゴミ分布点の位置および分類と、高解像度の第２の画像から解釈さ
れた農村非正規ゴミポイントの位置および分類とを比較および認証し、高解像度の第２の
リモートセンシングから解釈された分類結果と現地調査の分類結果を同じ混同行列で表示
し、全体精度とＫａｐｐａ係数に基づいて農村非正規ゴミポイント分類精度を評価する。
Ｓ４：農村非正規ゴミ分布に影響を及ぼす要素データの選択
情報処理装置により、自然要素と社会経済的要素の両方から独立変数を選択し、農村非正
規ゴミ投棄場に影響を及ぼす主要な要因を分析して標準化された独立変数データに処理す
る。
Ｓ５：農村非正規ゴミ投棄場のリスク評価モデルの確立
情報処理装置により、地理的加重回帰法を使用して農村非正規ゴミ投棄場に影響を及ぼす
主要な要因の回帰係数を計算し、農村非正規ゴミ投棄場のリスク評価モデルを確立する。
Ｓ６：非正規ゴミ投棄場のリスクレベル分布の評価
情報処理装置により、ＡｒｃＧＩＳ中の自然セグメントポイント法を使用して、得られた
農村非正規ゴミ投棄リスク分布指数を、超低リスク、低リスク、中リスク、高リスク、超
高リスクの５種類に分類するステップと、を含む。
本発明の一側面として、Ｓ１では、前記高解像度衛星リモートセンシング画像データには
、マルチスペクトルリモートセンシング画像およびパンクロマティック画像が含まれる。
本発明の一側面として、Ｓ１は具体的に以下のことを含む。
As a technical solution of the present invention, a rural irregular garbage classification and risk identification method based on multi-source data includes the following steps.
S1: Image Data Acquisition and Preliminary Processing High-resolution satellite remote sensing image data of the rural irregular garbage dump site extraction survey area is acquired, preprocessed by an information processing device, and then the processed data is synthesized into a high-resolution image. Acquire resolution multispectral remote sensing images.
S2: Establishment of a high-resolution remote sensing classification system for rural irregular garbage Using information processing equipment to establish a high-resolution remote sensing classification system for rural irregular garbage, the classification of the high-resolution remote sensing classification system includes household garbage, Includes construction waste, agricultural production waste, general industrial solid waste, mining industrial waste materials and hazardous waste.
Among them, domestic garbage refers to garbage that is illegally piled up in administrative villages and residential areas at the junction of urban and rural areas, such as coal ash, humus, vegetable residue, etc., which cannot be reused in normal life.
Construction waste refers to unusable waste discarded during the construction process in urban, rural and village areas, such as cement residues, various waste generated during construction and renovation.
Agricultural production waste refers to mulch, burnt straw, compost, livestock and livestock manure, and the like.
General industrial solid waste refers to slag produced by industrial smelting, incompletely smelted components in industrial refining processes, and temporarily buried slag.
Mining industrial waste materials refer to wastes that are of no value for mining or use, such as coal mining, quarrying and iron ore.
Hazardous waste refers to hazardous substances such as industrial and chemical substances that are toxic and can cause pollution to people, animals and the environment.
S3: high-resolution remote sensing classification system for rural irregular garbage established in information extraction and authentication step S2;
and from the high-resolution second remote sensing sample points of different rural irregular litter, experts can determine the hue, shape, size, texture, etc. of different rural irregular litter targets and surrounding images on the high-resolution second remote sensing image. Based on the spatial confusion law features, the information is extracted and interpreted by the rural irregular garbage distribution point information processing device, and the rural irregular garbage points interpreted from the rural irregular distribution points of the field survey and the high-resolution second image. compare and authenticate the location and classification of the actual field-surveyed rural irregular garbage distribution points with the interpreted rural irregular garbage point locations and classifications from the high-resolution secondary image, based on the high-resolution The classification results interpreted from the second remote sensing and the field survey classification results are displayed in the same confusion matrix, and the rural irregular garbage point classification accuracy is evaluated based on the overall accuracy and the Kappa coefficient.
S4: Selection of factor data affecting the distribution of irregular rural garbage Using an information processing device, independent variables are selected from both natural and socioeconomic factors, and major factors affecting irregular rural garbage dumping sites are identified. Analyze and process standardized independent variable data.
S5: Establishment of a risk assessment model for rural irregular garbage dumping sites. Establish a risk assessment model for regular landfills.
S6: Evaluation of the risk level distribution of irregular garbage dumping sites By using the information processing device, using the natural segment point method in ArcGIS, the obtained rural irregular garbage dumping risk distribution index is classified into ultra-low risk, low risk, and C. classifying into five types: medium risk, high risk, and very high risk.
As an aspect of the present invention, in S1, the high resolution satellite remote sensing image data includes multispectral remote sensing images and panchromatic images.
As one aspect of the present invention, S1 specifically includes the following.
Ｓ１‐１：情報処理装置により、リソースサテライトセンターからマルチスペクトルリモ
ートセンシング画像データおよびパンクロマティック高解像度画像データをダウンロード
して取得する。その内に、マルチスペクトルとパンクロマティック高解像度画像の高解像
度データはリソースサテライトセンターからダウンロードして取得され、農村非正規ゴミ
投棄場抽出調査地域の高解像度リモートセンシングデータ、例えば１ｍ解像度パンクロマ
ティック／２ｍ解像度マルチスペクトルを含む高解像度の第２のデータをダウンロードす
ることができる。
Ｓ１‐２：式
、衛星負荷チャンネル観察値、つまりＤＮ値を衛星負荷等価見かけ放射輝度データに変換
し、式では、
Ｓ１‐３：ラジオメトリックキャリブレーションされたマルチスペクトルリモートセンシ
ング画像データを、ＦＬＡＡＳＨ大気補正アルゴリズムを使用して大気補正を行い、可視
性、エアロゾルタイプと大気水蒸気含有量などの大気に関連するパラメータを取得するこ
とで、大気放射透過方程式を解き反射率データを取得し、さらに補正過程中の残留ノイズ
を解消する。
Ｓ１‐４：有理多項式関数モデルに基づき、軌道間の地域ネットワーク調整数学モデルを
構築し、画像接続点と少数の制御点から調整に関与するすべての衛星画像方向パラメータ
を解き、サブピクセルレベルの補正結果を取得し、さらにオルソ補正後の高解像度衛星画
像を計算して取得する。
Ｓ１‐５：処理されたマルチスペクトルリモートセンシング画像データとパンクロマティ
ック高解像度画像データを合成して、高解像度のマルチスペクトルリモートセンシング画
像を取得する。
Ｓ１‐５は、具体的に情報処理装置により、低空間解像度のマルチスペクトルデータと高
空間解像度のパンクロマティック高解像度画像データを、ＨＳＶ変更アルゴリズムにより
合成して高解像度のマルチスペクトルリモートセンシング画像を生成することであり、具
体的には、ＲＧＢ画像をＨＳＶに変換し、高解像度画像を使用して色の明るさ値帯域を置
き換え、３次畳み込み技術を使用して色相と彩度を高解像度ピクセルまで再サンプリング
、画像をＲＧＢカラーに変換し、農村非正規ゴミ投棄場抽出調査地域をカバーする高解像
度リモートセンシング画像データを生成するために、マルチシーンの高解像度リモートセ
ンシングをモザイクしてすべての農村非正規ゴミ投棄場抽出調査地域をカバーする高解像
度リモートセンシング画像モザイク図を生成し（その内のマルチシーン高解像度リモート
センシングは、１シーンは１枚に相当し、マルチシーンは複数枚に相当し、調査地域はマ
ルチシーン画像を使用して被覆されるため、マルチシーン画像をモザイクして調査地域全
体を被覆する画像モザイク図を生成するからである）、農村非正規ゴミ投棄場抽出調査地
域のベクタ境界線を使用して、農村非正規ゴミ投棄場抽出調査地域の範囲を超えた画像を
トリミングして、農村非正規ゴミ投棄場抽出調査地域内の高解像度リモートセンシング画
像を生成する。
S1-1: The information processing device downloads and acquires multispectral remote sensing image data and panchromatic high-resolution image data from the resource satellite center. Among them, the high-resolution data of multispectral and panchromatic high-resolution images are downloaded from the resource satellite center, and the high-resolution remote sensing data of the rural irregular garbage dump extraction survey area, such as 1m resolution panchromatic/2m A high resolution second data containing resolution multispectral can be downloaded.
S1-2: Formula
S1-3: Radiometrically calibrated multispectral remote sensing image data are atmospherically corrected using the FLAASH atmospheric correction algorithm to obtain atmospheric related parameters such as visibility, aerosol type and atmospheric water vapor content. to solve the atmospheric radiative transmission equation to obtain the reflectance data and also to eliminate residual noise during the correction process.
S1-4: Based on the rational polynomial function model, build an inter-orbit regional network adjustment mathematical model, solve all satellite image orientation parameters involved in adjustment from the image connection points and a small number of control points, and perform sub-pixel level correction. Acquire the results and then compute and acquire orthorectified high-resolution satellite images.
S1-5: Combining the processed multispectral remote sensing image data and the panchromatic high resolution image data to obtain a high resolution multispectral remote sensing image.
S1-5 specifically uses an information processing device to synthesize low spatial resolution multispectral data and high spatial resolution panchromatic high resolution image data using an HSV modification algorithm to generate a high resolution multispectral remote sensing image. Specifically, the RGB image is converted to HSV, the high-resolution image is used to replace the color brightness value bands, and a cubic convolution technique is used to convert the hue and saturation to high-resolution pixels After resampling, the image is converted to RGB color, and the multi-scene high-resolution remote sensing is mosaicked to generate high-resolution remote sensing image data covering the rural irregular garbage dump extraction survey area and all rural areas. Generate a high-resolution remote sensing image mosaic map covering the irregular garbage dump extraction survey area (within the multi-scene high-resolution remote sensing, one scene corresponds to one image, and multiple scenes correspond to multiple images). , because the study area is covered using multi-scene images, and the multi-scene images are mosaicked to generate an image mosaic map that covers the entire study area); A vector border is used to crop the image beyond the extent of the rural irregular landfill sampling study area to produce a high-resolution remote sensing image within the rural irregular landfill sampling study area.
本発明の一側面として、Ｓ４では、具体的に、自然要素と社会経済的要素の両方から道路
ネットワーク密度、標高、人口、地域ＧＤＰ、植生被覆率、水ネットワーク密度、居住用
地面積、ＡＧＤＰを独立変数として選択し、農村非正規ゴミ投棄場に影響を及ぼす主要な
要因を分析し、上記の８つの独立変数データを投影変換、空間解像度再サンプリング、デ
ータトリミングの手順を通じて、標準化された独立変数データに処理する。
本発明の一側面として、Ｓ５は、具体的に、情報処理装置により、ＧＷＲ４．０ソフトウ
ェアを使用して、調査地域の農村非正規ゴミ投棄に影響を及ぼす独立変数の回帰係数およ
び駆動要素を計算してから、各独立変数の空間回帰係数から農村非正規ゴミ投棄場のリス
ク評価モデルを確立する。
As one aspect of the present invention, in S4, specifically, road network density, altitude, population, regional GDP, vegetation coverage, water network density, residential land area, AGDP are independent from both natural factors and socioeconomic factors. Selected as variables to analyze the main factors affecting rural irregular landfills, the above eight independent variable data were converted to standardized independent variable data through procedures of projection transformation, spatial resolution resampling and data trimming. to process.
As one aspect of the present invention, S5 specifically uses GWR4.0 software by the information processing device to calculate regression coefficients and driving factors of independent variables affecting rural irregular garbage dumping in the study area. Then, a risk assessment model for rural irregular landfills is established from the spatial regression coefficients of each independent variable.
本発明の一側面として、前記Ｓ５では、農村非正規ゴミ投棄場のリスク評価モデルを確立
するには農村非正規ゴミリスク指数を計算することは、具体的に、
Ｓ５‐１：式：
帰係数であり、
の値、誤差項であることと、
Ｓ５‐２：式：
Ｓ５‐３：ガウス関数を使用してモデル空間重みを決定し、式は
Ｓ５‐４：最適な帯域幅を得るために、ＡＩＣ基準をＧＷＲモデルの帯域幅選択に適用し
、ＡＩＣｃ値はＡＩＣ基準に基づいて計算され、ＡＩＣｃ値が最小のＧＷＲモデルに対応
する帯域幅を最適な帯域幅として、計算式は
含み、一般的に、同様のサンプルデータの場合、ＡＩＣｃ値が小さいほど、モデルフィッ
ティング効果が良くなり、そうでない場合モデルフィッティング効果が良くないことを示
す。
As one aspect of the present invention, in S5, calculating a rural irregular garbage risk index to establish a risk assessment model for a rural irregular garbage dumping site specifically includes:
S5-1: Formula:
S5-2: Formula:
S5-3: Determine the model space weights using the Gaussian function, the formula is
S5-4: Apply the AIC criterion for bandwidth selection of the GWR model to obtain the optimal bandwidth, the AICc value is calculated based on the AIC criterion, and select the bandwidth corresponding to the GWR model with the smallest AICc value. For optimal bandwidth, the formula is
従来技術と比較すると、本発明は以下の有益な効果を有する。本発明は、農村非正規ゴミ
の高解像度リモートセンシング分類システムを確立することにより、農村非正規ゴミの分
布位置および面積を効果的に識別および抽出することができ、自然地理、社会経済などの
データを組み合わせて、農村非正規ゴミリスク評価モデルを構築し、関連部門にゴミ改善
、インフラストラクチャーについての科学的ガイダンスを提供することができる。
Compared with the prior art, the present invention has the following beneficial effects. By establishing a high-definition remote sensing classification system for rural irregular garbage, the present invention can effectively identify and extract the distribution location and area of rural irregular garbage, and the data of natural geography, socio-economics, etc. can be combined to build a rural irregular garbage risk assessment model and provide scientific guidance to relevant departments on garbage improvement and infrastructure.
実施例：図１に示すように、マルチソースデータに基づく農村非正規ゴミ分類およびリス
ク識別方法は、以下のステップを含む。
Ｓ１：画像データの取得および予備処理
農村非正規ゴミ投棄場抽出調査地域内の高解像度衛星リモートセンシング画像データを取
得して、情報処理装置によって予備処理した後、処理されたデータを合成して高解像度の
マルチスペクトルリモートセンシング画像を取得し、その内に、高解像度衛星リモートセ
ンシング画像データには、マルチスペクトルリモートセンシング画像およびパンクロマテ
ィック画像が含まれ、具体的には、
Ｓ１‐１：情報処理装置により、リソースサテライトセンターからマルチスペクトルリモ
ートセンシング画像データおよびパンクロマティック高解像度画像データをダウンロード
して取得する。その内に、マルチスペクトルとパンクロマティック高解像度画像の高解像
度データはリソースサテライトセンターからダウンロードして取得され、農村非正規ゴミ
投棄場抽出調査地域の高解像度リモートセンシングデータ、例えば１ｍ解像度パンクロマ
ティック／２ｍ解像度マルチスペクトルを含む高解像度の第２のデータをダウンロードす
ることができる。
Ｓ１‐２：式
、衛星負荷チャンネル観察値、つまりＤＮ値を衛星負荷等価見かけ放射輝度データに変換
し、式では、
Ｓ１‐３：ラジオメトリックキャリブレーションされたマルチスペクトルリモートセンシ
ング画像データを、ＦＬＡＡＳＨ大気補正アルゴリズムを使用して大気補正を行い、可視
性、エアロゾルタイプと大気水蒸気含有量などの大気に関連するパラメータを取得するこ
とで、大気放射透過方程式を解き反射率データを取得し、さらに補正過程中の残留ノイズ
を解消する。
Ｓ１‐４：有理多項式関数モデルに基づき、軌道間の地域ネットワーク調整数学モデルを
構築し、画像接続点と少数の制御点から調整に関与するすべての衛星画像方向パラメータ
を解き、サブピクセルレベルの補正結果を取得し、さらにオルソ補正後の高解像度衛星画
像を計算して取得する。
Ｓ１‐５：処理されたマルチスペクトルリモートセンシング画像データとパンクロマティ
ック高解像度画像データを合成して、高解像度のマルチスペクトルリモートセンシング画
像を取得し、具体的には、低空間解像度のマルチスペクトルデータと高空間解像度のパン
クロマティック高解像度画像データを、ＨＳＶ変更アルゴリズムにより合成して高解像度
のマルチスペクトルリモートセンシング画像を生成し、具体的には、ＲＧＢ画像をＨＳＶ
に変換し、高解像度画像を使用して色の明るさ値帯域を置き換え、３次畳み込み技術を使
用して色相と彩度を高解像度ピクセルまで再サンプリング、画像をＲＧＢカラーに変換し
、農村非正規ゴミ投棄場抽出調査地域をカバーする高解像度リモートセンシング画像デー
タを生成するために、マルチシーンの高解像度リモートセンシングをモザイクしてすべて
の農村非正規ゴミ投棄場抽出調査地域をカバーする高解像度リモートセンシング画像モザ
イク図を生成し（その内のマルチシーン高解像度リモートセンシングは、１シーンは１枚
に相当し、マルチシーンは複数枚に相当し、調査地域はマルチシーン画像を使用して被覆
されるため、マルチシーン画像をモザイクして調査地域全体を被覆する画像モザイク図を
生成するからである）、農村非正規ゴミ投棄場抽出調査地域のベクタ境界線を使用して、
農村非正規ゴミ投棄場抽出調査地域の範囲を超えた画像をトリミングして、農村非正規ゴ
ミ投棄場抽出調査地域内の高解像度リモートセンシング画像を生成する。
Example: As shown in Figure 1, a rural irregular garbage classification and risk identification method based on multi-source data includes the following steps.
S1: Image Data Acquisition and Preliminary Processing High-resolution satellite remote sensing image data of the rural irregular garbage dump site extraction survey area is acquired, preprocessed by an information processing device, and then the processed data is synthesized into a high-resolution image. Acquiring resolution multispectral remote sensing imagery, in which the high-resolution satellite remote sensing imagery data includes multispectral remote sensing imagery and panchromatic imagery, specifically:
S1-1: The information processing device downloads and acquires multispectral remote sensing image data and panchromatic high-resolution image data from the resource satellite center. Among them, the high-resolution data of multispectral and panchromatic high-resolution images are downloaded from the resource satellite center, and the high-resolution remote sensing data of the rural irregular garbage dump extraction survey area, such as 1m resolution panchromatic/2m A high resolution second data containing resolution multispectral can be downloaded.
S1-2: Formula
S1-3: Radiometrically calibrated multispectral remote sensing image data are atmospherically corrected using the FLAASH atmospheric correction algorithm to obtain atmospheric related parameters such as visibility, aerosol type and atmospheric water vapor content. to solve the atmospheric radiative transmission equation to obtain the reflectance data and also to eliminate residual noise during the correction process.
S1-4: Based on the rational polynomial function model, build an inter-orbit regional network adjustment mathematical model, solve all satellite image orientation parameters involved in adjustment from the image connection points and a small number of control points, and perform sub-pixel level correction. Acquire the results and then compute and acquire orthorectified high-resolution satellite images.
S1-5: Combining the processed multispectral remote sensing image data with the panchromatic high-resolution image data to obtain a high-resolution multispectral remote sensing image, specifically with the low spatial resolution multispectral data; The high spatial resolution panchromatic high resolution image data is synthesized by an HSV modified algorithm to generate a high resolution multispectral remote sensing image.
, the high-resolution image is used to replace the color brightness value bands, a cubic convolution technique is used to resample the hue and saturation to high-resolution pixels, the image is converted to RGB colors, and the rural non Multi-scene high-resolution remote sensing is mosaicked to generate high-resolution remote sensing image data covering the regular landfill sampling survey area to cover all rural irregular landfill sampling survey areas. Generate a sensing image mosaic diagram (in which multi-scene high-resolution remote sensing, one scene corresponds to one image, multi-scene corresponds to multiple images, and the survey area is covered using multi-scene images (because multi-scene images are mosaicked to generate an image mosaic map that covers the entire study area), using the vector boundaries of the rural irregular garbage dump extraction study area,
Crop the image beyond the extent of the rural irregular garbage dump sampling study area to generate a high-resolution remote sensing image within the rural irregular garbage dump sampling study area.
Ｓ２：農村非正規ゴミの高解像度リモートセンシング分類システムの確立
情報処理装置により、農村非正規ゴミの高解像度リモートセンシング分類システムを確立
し、前記高解像度リモートセンシング分類システムの分類には、生活ゴミ、建設ゴミ、農
業生産廃棄物、一般産業固形廃棄物、採掘産業廃棄原料および危険廃棄物が含まれる。
その内に、生活ゴミとは、石炭灰、腐植、野菜の残滓など、通常の生活では再利用できな
い、行政村や都市と農村の合流点の住宅地に不法に積み上げられた廃棄物を指す。
建設ゴミとは、セメント残留物、建設および改修中に発生するさまざまな廃棄物など、都
市部、農村部、村の建設過程で廃棄される使用できない廃棄物を指す。
農業生産廃棄物とは、マルチ、野焼きわら、堆肥、家畜および家畜糞尿などを指す。
一般産業固形廃棄物とは、産業製錬によって生成されたスラグ、産業精製プロセスで不完
全に製錬されたコンポーネント、および一時的に埋められたスラグを指す。
採掘産業廃棄原料とは、採炭、採石場、鉄鉱石などの鉱業や利用に価値のない廃棄物を指
す。
危険廃棄物とは、有毒で人、動物、環境に汚染を引き起こす可能性のある産業や化学物質
などの有害物質を指す。
S2: Establishment of a high-resolution remote sensing classification system for rural irregular garbage Using information processing equipment to establish a high-resolution remote sensing classification system for rural irregular garbage, the classification of the high-resolution remote sensing classification system includes household garbage, Includes construction waste, agricultural production waste, general industrial solid waste, mining industrial waste materials and hazardous waste.
Among them, domestic garbage refers to garbage that is illegally piled up in administrative villages and residential areas at the junction of urban and rural areas, such as coal ash, humus, vegetable residue, etc., which cannot be reused in normal life.
Construction waste refers to unusable waste discarded during the construction process in urban, rural and village areas, such as cement residues, various waste generated during construction and renovation.
Agricultural production waste refers to mulch, burnt straw, compost, livestock and livestock manure, and the like.
General industrial solid waste refers to slag produced by industrial smelting, incompletely smelted components in industrial refining processes, and temporarily buried slag.
Mining industrial waste materials refer to wastes that are of no value for mining or use, such as coal mining, quarrying and iron ore.
Hazardous waste refers to hazardous substances such as industrial and chemical substances that are toxic and can cause pollution to people, animals and the environment.
Ｓ３：情報抽出および認証
ステップＳ２で確立された農村非正規ゴミの高解像度リモートセンシング分類システム、
および異なる農村非正規ゴミの高解像度の第２リモートセンシングサンプルポイントから
、専門家が高解像度の第２リモートセンシング画像上の異なる農村非正規ゴミ目標および
周辺画像の色相、形状、サイズ、テクスチャなどの空間混同法則特徴に基づいて、農村非
正規ゴミ分布点情報処理装置により情報を抽出および解釈し、現地調査の農村非正規分布
点と高解像度の第２の画像から解釈された農村非正規ゴミポイントに基づき、現地調査さ
れた実際の農村非正規ゴミ分布点の位置および分類と、高解像度の第２の画像から解釈さ
れた農村非正規ゴミポイントの位置および分類とを比較および認証し、高解像度の第２の
リモートセンシングから解釈された分類結果と現地調査の分類結果を同じ混同行列で表示
し、全体精度とＫａｐｐａ係数に基づいて農村非正規ゴミポイント分類精度を評価する。
S3: high-resolution remote sensing classification system for rural irregular garbage established in information extraction and authentication step S2;
and from the high-resolution second remote sensing sample points of different rural irregular litter, experts can determine the hue, shape, size, texture, etc. of different rural irregular litter targets and surrounding images on the high-resolution second remote sensing image. Based on the spatial confusion law features, the information is extracted and interpreted by the rural irregular garbage distribution point information processing device, and the rural irregular garbage points interpreted from the rural irregular distribution points of the field survey and the high-resolution second image. compare and authenticate the location and classification of the actual field-surveyed rural irregular garbage distribution points with the interpreted rural irregular garbage point locations and classifications from the high-resolution secondary image, based on the high-resolution The classification results interpreted from the second remote sensing and the field survey classification results are displayed in the same confusion matrix, and the rural irregular garbage point classification accuracy is evaluated based on the overall accuracy and the Kappa coefficient.
Ｓ４：農村非正規ゴミ分布に影響を及ぼす要素データの選択
情報処理装置により、自然要素と社会経済的要素の両方から独立変数を選択し、農村非正
規ゴミ投棄場に影響を及ぼす主要な要因を分析して標準化された独立変数データに処理し
、具体的に、自然要素と社会経済的要素の両方から道路ネットワーク密度、標高、人口、
地域ＧＤＰ、植生被覆率、水ネットワーク密度、居住用地面積、ＡＧＤＰを独立変数とし
て選択し、農村非正規ゴミ投棄場に影響を及ぼす主要な要因を分析し、上記の８つの独立
変数データを投影変換、空間解像度再サンプリング、データトリミングの手順を通じて、
標準化された独立変数データに処理する。
S4: Selection of factor data affecting the distribution of irregular rural garbage Using an information processing device, independent variables are selected from both natural and socioeconomic factors, and major factors affecting irregular rural garbage dumping sites are identified. Analyzed and processed into standardized independent variable data, specifically from both natural and socioeconomic factors road network density, elevation, population,
We selected regional GDP, vegetation coverage, water network density, residential land area, and AGDP as independent variables to analyze the main factors affecting rural irregular landfills, and project the above eight independent variable data. , through the steps of spatial resolution resampling and data trimming,
Process to standardized independent variable data.
Ｓ５：農村非正規ゴミ投棄場のリスク評価モデルの確立
情報処理装置により、地理的加重回帰法を使用して農村非正規ゴミ投棄場に影響を及ぼす
主要な要因の回帰係数を計算し、農村非正規ゴミ投棄場のリスク評価モデルを確立し、そ
の内に、ＧＷＲ４．０ソフトウェアを使用して、調査地域の農村非正規ゴミ投棄に影響を
及ぼす独立変数の回帰係数および駆動要素を計算してから、各独立変数の空間回帰係数か
ら農村非正規ゴミ投棄場のリスク評価モデルを確立する。具体的には、
Ｓ５‐１：式：
帰係数であり、
の値、誤差項である。
Ｓ５‐２：式：
Ｓ５‐３：ガウス関数を使用してモデル空間重みを決定し、式は
Ｓ５‐４：最適な帯域幅を得るために、ＡＩＣ基準をＧＷＲモデルの帯域幅選択に適用し
、ＡＩＣｃ値はＡＩＣ基準に基づいて計算され、ＡＩＣｃ値が最小のＧＷＲモデルに対応
する帯域幅を最適な帯域幅として、計算式は
S5-1: Formula:
S5-2: Formula:
S5-3: Determine the model space weights using the Gaussian function, the formula is
S5-4: Apply the AIC criterion for bandwidth selection of the GWR model to obtain the optimal bandwidth, the AICc value is calculated based on the AIC criterion, and select the bandwidth corresponding to the GWR model with the smallest AICc value. For optimal bandwidth, the formula is
Ｓ６：非正規ゴミ投棄場のリスクレベル分布の評価
情報処理装置により、ＡｒｃＧＩＳ中の自然セグメントポイント法を使用して、得られた
農村非正規ゴミ投棄リスク分布指数を、超低リスク、低リスク、中リスク、高リスク、超
高リスクの５種類に分類する。
S6: Evaluation of the risk level distribution of irregular garbage dumping sites By using the information processing device, using the natural segment point method in ArcGIS, the obtained rural irregular garbage dumping risk distribution index is classified into ultra-low risk, low risk, It is classified into five types: medium risk, high risk, and very high risk.
［解釈および説明］
審査官の理解のとおり、一般的に、本発明のような分析方法は、コンピューターや電子機
器に基づいて行われたものであり、人間の脳の思考段階にとどまらず、実際に操作され得
るものである。
前記の「情報処理装置」は、「プロセッサ」、およびこの「プロセッサ」に結合して接続
された「メモリ」を含む、従来技術において非常に一般的な電子デバイスであり、この「
メモリ」は「情報処理装置」の指令を記憶するために使用され、「情報処理装置」が動作
すると、「プロセッサ」は「メモリ」に記憶された「情報処理装置」の指令を実行して、
「情報処理装置」に前記の方法を実行させる。上記「情報処理装置」の指令とは、本発明
の前記の方法の操作指令を指す。
もちろん、本発明の方法は、コンピューター可読媒体によって行われ、このコンピュータ
ー可読記憶媒体はコンピュータープログラムを含み、当該コンピュータープログラムがコ
ンピューターで実行されると、前記の方法を実行することができる。
応用例：実施例の方法を使用して、甘粛省の農村非正規ゴミを分類およびリスク識別し、
具体的には以下のステップを含む。
[Interpretation and explanation]
As the examiner understands, in general, analytical methods such as those of the present invention are based on computers and electronic devices, and can be actually manipulated beyond the thinking stages of the human brain. is.
The "information processing apparatus" is a very common electronic device in the prior art that includes a "processor" and a "memory" coupled to the "processor";
The "memory" is used to store instructions of the "information processing device", and when the "information processing device" operates, the "processor" executes the instructions of the "information processing device" stored in the "memory",
The "information processing device" is caused to execute the above method. The instruction of the "information processing device" refers to the operation instruction of the method of the present invention.
Of course, the method of the present invention is carried out by a computer readable medium, which contains a computer program, which, when executed by a computer, is capable of carrying out the method.
Application example: using the method of the example to classify and risk identify rural irregular garbage in Gansu province,
Specifically, it includes the following steps.
Ｓ１：画像データの取得および予備処理
中国製の曇りない高品質高解像度の第２の画像を使用し、高い空間解像度（１ｍパンクロ
マティックと４ｍマルチスペクトル）を有し、農村非正規ゴミの分布を精度良く抽出する
ことができる。
まず、コンピューターでＧＦ‐２衛星リモートセンシング画像に対して、ラジオメトリッ
クキャリブレーション、大気補正、オルソ補正、イメージ合成、画像モザイク、画像トリ
ミングを含む予備処理を行い、農村非正規ゴミ投棄場抽出調査地域のオルソ画像の作業ベ
ースマップを生成し、農村非正規ゴミ投棄場抽出調査地域内の高解像度衛星リモートセン
シング画像データを予備処理して、高解像度のマルチスペクトルリモートセンシング画像
とパンクロマティック画像を取得し、次に処理されたデータを合成して高空間解像度のマ
ルチスペクトルリモートセンシング画像を取得する。
S1: Acquisition and preprocessing of image data Using high-definition high-definition secondary images made in China, with high spatial resolution (1m panchromatic and 4m multispectral), the distribution of rural irregular garbage It can be extracted with high accuracy.
First, the GF-2 satellite remote sensing image was preprocessed by computer, including radiometric calibration, atmospheric correction, orthocorrection, image synthesis, image mosaic, and image trimming. generated a working basemap of the orthoimagery of , and preprocessed the high-resolution satellite remote sensing image data within the rural irregular landfill sampling study area to obtain high-resolution multispectral remote sensing and panchromatic imagery. , and then synthesize the processed data to obtain multispectral remote sensing images with high spatial resolution.
Ｓ２：農村非正規ゴミの高解像度リモートセンシング分類システムの確立
農村非正規ゴミに対して高解像度リモートセンシング分類システムを確立し、前記高解像
度リモートセンシング分類システムの分類には、生活ゴミ、建設ゴミ、農業生産廃棄物、
一般産業固形廃棄物、採掘産業廃棄原料および危険廃棄物が含まれる。
その内に、生活ゴミとは、石炭灰、腐植、野菜の残滓など、通常の生活では再利用できな
い、行政村や都市と農村の合流点の住宅地に不法に積み上げられた廃棄物を指す。
建設ゴミとは、セメント残留物、建設および改修中に発生するさまざまな廃棄物など、都
市部、農村部、村の建設過程で廃棄される使用できない廃棄物を指す。
農業生産廃棄物とは、マルチ、野焼きわら、堆肥、家畜および家畜糞尿などを指す。
一般産業固形廃棄物とは、産業製錬によって生成されたスラグ、産業精製プロセスで不完
全に製錬されたコンポーネント、および一時的に埋められたスラグを指す。
採掘産業廃棄原料とは、採炭、採石場、鉄鉱石などの鉱業や利用に価値のない廃棄物を指
す。
危険廃棄物とは、有毒で人、動物、環境に汚染を引き起こす可能性のある産業や化学物質
などの有害物質を指す。
S2: Establishing a high-resolution remote sensing classification system for rural irregular garbage Establishing a high-resolution remote sensing classification system for rural irregular garbage, the classification of the high-resolution remote sensing classification system includes household garbage, construction garbage, agricultural production waste,
Includes general industrial solid waste, extractive industrial waste materials and hazardous waste.
Among them, domestic garbage refers to garbage that is illegally piled up in administrative villages and residential areas at the junction of urban and rural areas, such as coal ash, humus, vegetable residue, etc., which cannot be reused in normal life.
Construction waste refers to unusable waste discarded during the construction process in urban, rural and village areas, such as cement residues, various waste generated during construction and renovation.
Agricultural production waste refers to mulch, burnt straw, compost, livestock and livestock manure, and the like.
General industrial solid waste refers to slag produced by industrial smelting, incompletely smelted components in industrial refining processes, and temporarily buried slag.
Mining industrial waste materials refer to wastes that are of no value for mining or use, such as coal mining, quarrying and iron ore.
Hazardous waste refers to hazardous substances such as industrial and chemical substances that are toxic and can cause pollution to people, animals and the environment.
Ｓ３：情報抽出および認証
ステップＳ２で確立された農村非正規ゴミの高解像度リモートセンシング分類システム、
および異なる農村非正規ゴミの高解像度の第２リモートセンシングサンプルポイントから
、専門家が高解像度の第２リモートセンシング画像上の異なる農村非正規ゴミ目標および
周辺画像の色相、形状、サイズ、テクスチャなどの空間混同法則特徴に基づいて、農村非
正規ゴミ分布点情報処理装置により情報を抽出および解釈し、現地調査の農村非正規分布
点と高解像度の第２の画像から解釈された農村非正規ゴミポイントに基づき、現地調査さ
れた実際の農村非正規ゴミ分布点の位置および分類と、高解像度の第２の画像から解釈さ
れた農村非正規ゴミポイントの位置および分類とを比較および認証し、高解像度の第２の
リモートセンシングから解釈された分類結果と現地調査の分類結果を同じ混同行列で表示
し、全体精度とＫａｐｐａ係数に基づいて農村非正規ゴミポイント分類精度を評価して、
図２に示される高解像度の第２のリモートセンシング画像に基づいて解釈された甘粛省の
農村非正規ゴミポイントの分布図を得る。
S3: high-resolution remote sensing classification system for rural irregular garbage established in information extraction and authentication step S2;
and from the high-resolution second remote sensing sample points of different rural irregular litter, experts can determine the hue, shape, size, texture, etc. of different rural irregular litter targets and surrounding images on the high-resolution second remote sensing image. Based on the spatial confusion law features, the information is extracted and interpreted by the rural irregular garbage distribution point information processing device, and the rural irregular garbage points interpreted from the rural irregular distribution points of the field survey and the high-resolution second image. compare and authenticate the location and classification of the actual field-surveyed rural irregular garbage distribution points with the interpreted rural irregular garbage point locations and classifications from the high-resolution secondary image, based on the high-resolution Display the classification results interpreted from the second remote sensing and the classification results of the field survey in the same confusion matrix, and evaluate the rural irregular garbage point classification accuracy based on the overall accuracy and Kappa coefficient,
A distribution map of rural irregular garbage points in Gansu Province interpreted based on the high-resolution second remote sensing image shown in FIG. 2 is obtained.
Ｓ４：農村非正規ゴミ分布に影響を及ぼす要素データの選択
自然要素と社会経済的要素の両方から独立変数を選択し、農村非正規ゴミ投棄場に影響を
及ぼす主要な要因を分析して標準化された独立変数データに処理し、具体的に、自然要素
と社会経済的要素の両方から道路ネットワーク密度、標高、人口、地域ＧＤＰ、植生被覆
率、水ネットワーク密度、居住用地面積、ＡＧＤＰを独立変数
独立変数データを投影変換、空間解像度再サンプリング、データトリミングの手順を通じ
て、標準化された独立変数データに処理する。
S4: Selection of factor data affecting rural irregular garbage distribution Selecting independent variables from both natural and socioeconomic factors, the main factors affecting rural irregular garbage dumps were analyzed and standardized. Specifically, the road network density, elevation, population, regional GDP, vegetation coverage, water network density, residential land area, and AGDP from both natural and socioeconomic factors were treated as independent variables.
Ｓ５：農村非正規ゴミ投棄場のリスク評価モデルの確立
地理的加重回帰法を使用して農村非正規ゴミ投棄場に影響を及ぼす主要な要因の回帰係数
を計算し、農村非正規ゴミ投棄場のリスク評価モデルを確立する。
具体的に、ＧＷＲ４．０ソフトウェアを使用して、調査地域の農村非正規ゴミ投棄に影響
を及ぼす独立変数の回帰係数および駆動要素を計算して以下のことを得る。
甘粛省の農村非正規ゴミ投棄場と農村居住用地面積
。
甘粛省の農村非正規ゴミ投棄場と道路ネットワーク密度
ある。
甘粛省の農村非正規ゴミ投棄場と標高
る。
甘粛省の農村非正規ゴミ投棄場と人口
甘粛省の農村非正規ゴミ投棄場と地域ＧＤＰ
００４である。
最後に、各独立変数の空間回帰係数から、ＧＷＲ法を使用して農村非正規ゴミ投棄場のリ
スク評価モデルを確立し、図３～７の農村非正規ゴミ投棄場の各独立変数の回帰係数分布
図を得る。
S5: Establish a risk assessment model for rural irregular landfills Use the geographically weighted regression method to calculate the regression coefficients of the main factors affecting rural irregular landfills, and Establish a risk assessment model.
Specifically, using GWR 4.0 software, we calculate the regression coefficients and driving factors of the independent variables influencing rural irregular garbage dumping in the study area to obtain:
Gansu Rural Irregular Waste Dump and Rural Residential Land Area
Gansu Rural Irregular Garbage Dump and Road Network Density
Gansu Rural Irregular Garbage Dump and Elevation
Rural Irregular Garbage Dump and Population in Gansu Province
Gansu Rural Irregular Waste Dump and Regional GDP
004.
Finally, from the spatial regression coefficients of each independent variable, we used the GWR method to establish a risk assessment model for rural irregular garbage dumps, and the regression coefficients of each independent variable for rural irregular garbage dumps in Figures 3-7. Get a distribution map.
Ｓ６：非正規ゴミ投棄場のリスクレベル分布の評価
自然セグメントポイント法を使用して、甘粛省の異なる町区ユニットに対応する農村非正
規ゴミ投棄場のリスク分布指数を作成し、さらにリスクの空間分布特徴を評価して、図８
に示される甘粛省の農村非正規ゴミ投棄場のリスクレベル空間分布図を取得し、甘粛省の
農村非正規ゴミ投棄リスクは明らかな地域的特徴を有し、超高リスクと高リスクの地域は
総面積の１９．２２％を占め、小さなパッチで分布し、非正規ゴミ投棄リスクが高いのは
、密集した道路ネットワーク、大きな居住用地面積、および密集人口に関連する可能性が
あり、中リスクの地域は３８．４９％を占め、パッチで分布し、低リスクの地域は総面積
の２４．９５％を占め、散在しており、これらの地域は人口が比較的少なく、経済水準が
低く、居住用地面積が比較的小さく、道路ネットワークが未発達であり、超低リスクの地
域は総面積の１８．３４％を占め、主に国立公園、自然保護区などに分布し、これらの地
域の非正規ゴミ投棄リスクが低いのは、標高が高く、人口が少なく、経済水準が低く、未
発達の道路ネットワークに関連する可能性がある。
S6: Evaluate the risk level distribution of irregular landfills Using the natural segment point method to create the risk distribution index of rural irregular landfills corresponding to different township units in Gansu Province, and furthermore the risk space Evaluate the distribution features and
Obtained the risk level spatial distribution map of rural irregular garbage dumping sites in Gansu Province shown in , and the risk of rural irregular garbage dumping in Gansu Province has obvious regional characteristics. Occupying 19.22% of the total area, distributed in small patches, the high risk of irregular dumping may be associated with dense road networks, large residential land areas and dense populations, and moderate risk The regions accounted for 38.49% and were distributed in patches, low-risk regions accounted for 24.95% of the total area and were scattered, and these regions were relatively sparsely populated, had low economic levels, and were inhabited. The land area is relatively small, the road network is underdeveloped, and the ultra-low risk areas account for 18.34% of the total area, mainly distributed in national parks, nature reserves, etc., and the irregularities in these areas. Low litter risk may be associated with high altitude, low population, low economic level and underdeveloped road network.
Claims (7)
農村非正規ゴミ投棄場抽出調査地域内の高解像度衛星リモートセンシング画像データを取
得して、情報処理装置によって予備処理した後、処理されたデータを合成して高解像度の
マルチスペクトルリモートセンシング画像を取得するステップと、
Ｓ２：農村非正規ゴミの高解像度リモートセンシング分類システムの確立
情報処理装置により、農村非正規ゴミの高解像度リモートセンシング分類システムを確立
し、前記高解像度リモートセンシング分類システムの分類には、生活ゴミ、建設ゴミ、農
業生産廃棄物、一般産業固形廃棄物、採掘産業廃棄原料および危険廃棄物が含まれるステ
ップと、
Ｓ３：情報抽出および認証
Ｓ２で確立された高解像度リモートセンシング分類システムの空間混同法則の特徴に従っ
て、手動視覚的解釈によって予測の農村非正規ゴミ分布点を取得し、次に現地調査によっ
て得られた実際の農村非正規分布点と前記予測の農村非正規ゴミ分布点を情報処理装置に
より比較して計算し、分類結果の精度を混同行列で示し、全体精度とＫａｐｐａ係数に基
づいて農村非正規ゴミポイントの分類精度を評価するステップと、
Ｓ４：農村非正規ゴミ分布に影響を及ぼす要素データの選択
情報処理装置により、自然要素と社会経済的要素の両方から独立変数を選択し、農村非正
規ゴミ投棄場に影響を及ぼす主要な要因を分析して標準化された独立変数データに処理す
るステップと、
Ｓ５：農村非正規ゴミ投棄場のリスク評価モデルの確立
情報処理装置により、地理的加重回帰法を使用して農村非正規ゴミ投棄場に影響を及ぼす
主要な要因の回帰係数を計算し、農村非正規ゴミ投棄場のリスク評価モデルを確立するス
テップと、
Ｓ６：非正規ゴミ投棄場のリスクレベル分布の評価
情報処理装置により、ＡｒｃＧＩＳ中の自然セグメントポイント法を使用して、得られた
農村非正規ゴミ投棄リスク分布指数を、超低リスク、低リスク、中リスク、高リスク、超
高リスクの５種類に分類するステップと、を含む、
ことを特徴とするマルチソースデータに基づく農村非正規ゴミ分類およびリスク識別方法
。 S1: Image Data Acquisition and Preliminary Processing High-resolution satellite remote sensing image data of the rural irregular garbage dump site extraction survey area is acquired, preprocessed by an information processing device, and then the processed data is synthesized into a high-resolution image. acquiring a resolution multispectral remote sensing image;
S2: Establishment of a high-resolution remote sensing classification system for rural irregular garbage Using information processing equipment to establish a high-resolution remote sensing classification system for rural irregular garbage, the classification of the high-resolution remote sensing classification system includes household garbage, a step involving construction waste, agricultural production waste, general industrial solid waste, mining industrial waste materials and hazardous waste;
S3: Information extraction and authentication According to the spatial confusion law features of the high-resolution remote sensing classification system established in S2, the predicted rural non-normal litter distribution points were obtained by manual visual interpretation, and then obtained by field surveys The actual rural non-normal distribution points and the predicted rural non-normal garbage distribution points are compared and calculated by an information processing device, and the accuracy of the classification result is indicated by a confusion matrix. evaluating the classification accuracy of the points;
S4: Selection of factor data affecting the distribution of irregular rural garbage Using an information processing device, independent variables are selected from both natural and socioeconomic factors, and major factors affecting irregular rural garbage dumping sites are identified. analyzing and processing into standardized independent variable data;
S5: Establishment of a risk assessment model for rural irregular garbage dumping sites. establishing a risk assessment model for a regular landfill;
S6: Evaluation of the risk level distribution of irregular garbage dumping sites By using the information processing device, using the natural segment point method in ArcGIS, the obtained rural irregular garbage dumping risk distribution index is classified into ultra-low risk, low risk, classifying into five types of medium risk, high risk, and very high risk;
A rural irregular garbage classification and risk identification method based on multi-source data, characterized by:
ートセンシング画像およびパンクロマティック画像が含まれる、
ことを特徴とする請求項１に記載の方法。 In S1, the high resolution satellite remote sensing image data includes multispectral remote sensing imagery and panchromatic imagery;
2. The method of claim 1, wherein:
Ｓ１‐１：情報処理装置により、リソースサテライトセンターからマルチスペクトルリモ
ートセンシング画像データおよびパンクロマティック高解像度画像データをダウンロード
して取得することと、
Ｓ１‐２：式
、衛星負荷チャンネル観察値、つまりＤＮ値を衛星負荷等価見かけ放射輝度データに変換
し、式では、
Ｓ１‐３：ラジオメトリックキャリブレーションされたマルチスペクトルリモートセンシ
ング画像データを、ＦＬＡＡＳＨ大気補正アルゴリズムを使用して大気補正を行うことと
、
Ｓ１‐４：有理多項式関数モデルに基づき、軌道間の地域ネットワーク調整数学モデルを
構築し、画像接続点と少数の制御点から調整に関与するすべての衛星画像方向パラメータ
を解き、サブピクセルレベルの補正結果を取得し、さらにオルソ補正後の高解像度衛星画
像を計算して取得することと、
Ｓ１‐５：処理されたマルチスペクトルリモートセンシング画像データとパンクロマティ
ック高解像度画像データを合成して、高解像度のマルチスペクトルリモートセンシング画
像を取得することと、を含む、
ことを特徴とする請求項２に記載の方法。 S1 is
S1-1: Downloading and acquiring multispectral remote sensing image data and panchromatic high-resolution image data from a resource satellite center by an information processing device;
S1-2: Formula
S1-3: Atmospheric correction of the radiometrically calibrated multispectral remote sensing image data using the FLAASH atmospheric correction algorithm;
S1-4: Based on the rational polynomial function model, build an inter-orbit regional network adjustment mathematical model, solve all satellite image orientation parameters involved in adjustment from the image connection points and a small number of control points, and perform sub-pixel level correction. obtaining the results and further calculating and obtaining orthorectified high resolution satellite imagery;
S1-5: combining the processed multispectral remote sensing image data and the panchromatic high resolution image data to obtain a high resolution multispectral remote sensing image;
3. The method of claim 2, wherein:
度のパンクロマティック高解像度画像データを、ＨＳＶ変更アルゴリズムにより合成して
高解像度のマルチスペクトルリモートセンシング画像を生成することであり、ＲＧＢ画像
をＨＳＶに変換し、高解像度画像を使用して色の明るさ値帯域を置き換え、３次畳み込み
技術を使用して色相と彩度を高解像度ピクセルまで再サンプリング、画像をＲＧＢカラー
に変換し、農村非正規ゴミ投棄場抽出調査地域をカバーする高解像度リモートセンシング
画像データを生成するために、マルチシーンの高解像度リモートセンシングをモザイクし
てすべての農村非正規ゴミ投棄場抽出調査地域をカバーする高解像度リモートセンシング
画像モザイク図を生成し、農村非正規ゴミ投棄場抽出調査地域のベクタ境界線を使用して
、農村非正規ゴミ投棄場抽出調査地域の範囲を超えた画像をトリミングして、農村非正規
ゴミ投棄場抽出調査地域内の高解像度リモートセンシング画像を生成する、
ことを特徴とする請求項３に記載の方法。 S1-5 generates a high-resolution multispectral remote sensing image by synthesizing the low spatial resolution multispectral data and the high spatial resolution panchromatic high resolution image data with the HSV modification algorithm by the information processing device. Yes, convert the RGB image to HSV, use the high resolution image to replace the color brightness value bands, use a cubic convolution technique to resample the hue and saturation down to the high resolution pixels, convert the image to RGB color , and mosaic the multi-scene high-resolution remote sensing to generate the high-resolution remote sensing image data covering the rural irregular landfill sampling survey area for all rural irregular landfill sampling survey areas. We generated a high-resolution remote sensing image mosaic covering the , and cropped the imagery beyond the extent of the rural informal dump sampling study area using the vector boundaries of the rural informal dump sampling study area. to generate high-resolution remote sensing imagery within a sampling survey area of a rural irregular landfill,
4. The method of claim 3, wherein:
域ＧＤＰ、植生被覆率、水ネットワーク密度、居住用地面積、ＡＧＤＰを独立変数として
選択し、農村非正規ゴミ投棄場に影響を及ぼす主要な要因を分析し、上記の８つの独立変
数データを投影変換、空間解像度再サンプリング、データトリミングの手順を通じて、標
準化された独立変数データに処理する、
ことを特徴とする請求項１に記載の方法。 In S4, road network density, elevation, population, regional GDP, vegetation coverage, water network density, residential land area, and AGDP were selected as independent variables from both natural and socioeconomic factors. Analyzing the main factors affecting
2. The method of claim 1, wherein:
正規ゴミ投棄に影響を及ぼす独立変数の回帰係数および駆動要素を計算してから、各独立
変数の空間回帰係数から農村非正規ゴミ投棄場のリスク評価モデルを確立する、
ことを特徴とする請求項１に記載の方法。 S5, through the information processing device, using GWR4.0 software, to calculate the regression coefficients and driving factors of the independent variables affecting the rural irregular garbage dumping in the study area, and then the spatial regression coefficients of each independent variable To establish a risk assessment model for rural irregular garbage dumps from
2. The method of claim 1, wherein:
ク指数を計算することは、
Ｓ５‐１：式：
帰係数であり、
の値、誤差項であることと、
Ｓ５‐２：式：
Ｓ５‐３：ガウス関数を使用してモデル空間重みを決定し、式は
Ｓ５‐４：最適な帯域幅を得るために、ＡＩＣ基準をＧＷＲモデルの帯域幅選択に適用し
、ＡＩＣｃ値はＡＩＣ基準に基づいて計算され、ＡＩＣｃ値が最小のＧＷＲモデルに対応
する帯域幅を最適な帯域幅として、計算式は
含む、
ことを特徴とする請求項６に記載の方法。 In S5, to establish a risk assessment model for rural irregular garbage dumping sites, calculating a rural irregular garbage risk index includes:
S5-1: Formula:
S5-2: Formula:
S5-3: Determine the model space weights using the Gaussian function, the formula is
S5-4: Apply the AIC criterion for bandwidth selection of the GWR model to obtain the optimal bandwidth, the AICc value is calculated based on the AIC criterion, and select the bandwidth corresponding to the GWR model with the smallest AICc value. For optimal bandwidth, the formula is
7. The method of claim 6, wherein:
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110948400.5 | 2021-08-18 | ||
| CN202110948400.5A CN113739984B (en) | 2021-08-18 | 2021-08-18 | Device for measuring pore water pressure change of frozen soil |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP7075557B1 JP7075557B1 (en) | 2022-05-26 |
| JP2023029184A true JP2023029184A (en) | 2023-03-03 |
Family
ID=78731723
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021213555A Active JP7037024B1 (en) | 2021-08-18 | 2021-12-27 | Frozen soil pore water pressure change measuring device |
| JP2021215476A Pending JP2023029183A (en) | 2021-08-18 | 2021-12-30 | Mesh division method for entire monitoring of national park |
| JP2022001036A Active JP7075557B1 (en) | 2021-08-18 | 2022-01-06 | Rural non-regular waste classification and risk identification methods based on multi-source data |
Family Applications Before (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021213555A Active JP7037024B1 (en) | 2021-08-18 | 2021-12-27 | Frozen soil pore water pressure change measuring device |
| JP2021215476A Pending JP2023029183A (en) | 2021-08-18 | 2021-12-30 | Mesh division method for entire monitoring of national park |
Country Status (2)
| Country | Link |
|---|---|
| JP (3) | JP7037024B1 (en) |
| CN (1) | CN113739984B (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114544363A (en) * | 2022-01-26 | 2022-05-27 | 东北林业大学 | Pore water pressure measuring device suitable for frozen soil |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11203443A (en) * | 1998-01-19 | 1999-07-30 | Hitachi Ltd | Method and system for processing multispectral satellite image and hydrosphere evaluating method |
| JP2003279415A (en) * | 2002-03-20 | 2003-10-02 | Oyo Corp | Remote examination method for types and distribution of wastes |
| JP2005310053A (en) * | 2004-04-26 | 2005-11-04 | Ntt Data Corp | Illegal dumping spot detection device, method and program |
| JP2011002892A (en) * | 2009-06-16 | 2011-01-06 | Asahi Koyo Kk | Mosaic image generating method, device and program |
| CN107169653A (en) * | 2017-05-12 | 2017-09-15 | 江苏警官学院 | The method that land used for urban and rural construction projects extending space detail characteristic is analyzed based on GWR |
| CN112115198A (en) * | 2020-09-14 | 2020-12-22 | 宁波市测绘和遥感技术研究院 | Urban remote sensing intelligent service platform |
| CN112966925A (en) * | 2021-03-02 | 2021-06-15 | 哈尔滨工业大学 | Village and town rubbish increment risk analysis system based on remote sensing time sequence change analysis |
| CN113392788A (en) * | 2021-06-23 | 2021-09-14 | 中国科学院空天信息创新研究院 | Construction waste identification method and device |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4453401A (en) * | 1982-03-12 | 1984-06-12 | The United States Of America As Represented By The Secretary Of The Air Force | Pressure sensor and soil stress isolation filter arrangement in a pore pressure probe |
| JP5458380B2 (en) * | 2009-11-09 | 2014-04-02 | 国立大学法人岩手大学 | Image processing apparatus and method |
| JP5473760B2 (en) | 2010-04-30 | 2014-04-16 | 株式会社Ｐ・Ｖ・Ｃ | Pore water pressure measuring device, soft ground improvement method using it, ground dynamics grasping method for underground buried objects, and ground dynamics grasping method for embankment structures |
| CN202599591U (en) | 2012-04-18 | 2012-12-12 | 苏州筑邦测控科技有限公司 | Pore water pressure measuring device |
| CN103512699A (en) * | 2012-06-21 | 2014-01-15 | 中国科学院寒区旱区环境与工程研究所 | Device for measuring pore water pressure in frozen soil |
| CN102879148A (en) | 2012-10-10 | 2013-01-16 | 基康仪器(北京)有限公司 | Device and method for measuring frozen soil pore water pressure |
| JP6208076B2 (en) * | 2014-05-12 | 2017-10-04 | 株式会社日立製作所 | Image processing apparatus, image processing method, and recording medium recording program |
| JP6590368B2 (en) | 2015-12-01 | 2019-10-16 | 株式会社安藤・間 | Soil pressure and shear force measurement sensor |
| CN106841000B (en) * | 2017-01-12 | 2019-12-27 | 四川大学 | Sample assembly for radial permeability test of ultra-low permeability rock and test method thereof |
| CN107421679A (en) * | 2017-08-15 | 2017-12-01 | 中国科学院寒区旱区环境与工程研究所 | A kind of test probe for being used to monitor frozen soil Pore Pressure |
| CN110068415B (en) * | 2018-07-11 | 2024-04-02 | 内蒙古大学 | Device and method for measuring pore water pressure and ice pressure in normal frozen soil |
| CN110118628A (en) * | 2019-05-28 | 2019-08-13 | 中国科学院寒区旱区环境与工程研究所 | Frozen soil pore water pressure measurement device |
| CN110672497A (en) * | 2019-11-08 | 2020-01-10 | 宁夏大学 | Multifunctional infiltration piping tester |
| CN111062351B (en) * | 2019-12-24 | 2023-12-22 | 中国矿业大学 | Method for identifying site features of coal mining area by means of satellite/airborne image data fusion |
| AU2020104274A4 (en) * | 2020-12-23 | 2021-03-11 | Hebei University Of Engineering | An instrument for measuring soil permeability coefficient under the action of freeze-thaw cycle |
-
2021
- 2021-08-18 CN CN202110948400.5A patent/CN113739984B/en active Active
- 2021-12-27 JP JP2021213555A patent/JP7037024B1/en active Active
- 2021-12-30 JP JP2021215476A patent/JP2023029183A/en active Pending
-
2022
- 2022-01-06 JP JP2022001036A patent/JP7075557B1/en active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11203443A (en) * | 1998-01-19 | 1999-07-30 | Hitachi Ltd | Method and system for processing multispectral satellite image and hydrosphere evaluating method |
| JP2003279415A (en) * | 2002-03-20 | 2003-10-02 | Oyo Corp | Remote examination method for types and distribution of wastes |
| JP2005310053A (en) * | 2004-04-26 | 2005-11-04 | Ntt Data Corp | Illegal dumping spot detection device, method and program |
| JP2011002892A (en) * | 2009-06-16 | 2011-01-06 | Asahi Koyo Kk | Mosaic image generating method, device and program |
| CN107169653A (en) * | 2017-05-12 | 2017-09-15 | 江苏警官学院 | The method that land used for urban and rural construction projects extending space detail characteristic is analyzed based on GWR |
| CN112115198A (en) * | 2020-09-14 | 2020-12-22 | 宁波市测绘和遥感技术研究院 | Urban remote sensing intelligent service platform |
| CN112966925A (en) * | 2021-03-02 | 2021-06-15 | 哈尔滨工业大学 | Village and town rubbish increment risk analysis system based on remote sensing time sequence change analysis |
| CN113392788A (en) * | 2021-06-23 | 2021-09-14 | 中国科学院空天信息创新研究院 | Construction waste identification method and device |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7037024B1 (en) | 2022-03-16 |
| JP2023029183A (en) | 2023-03-03 |
| JP2023029180A (en) | 2023-03-03 |
| JP7075557B1 (en) | 2022-05-26 |
| CN113739984B (en) | 2023-06-02 |
| CN113739984A (en) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Prenzel | Remote sensing-based quantification of land-cover and land-use change for planning | |
| Lehnert et al. | Retrieval of grassland plant coverage on the Tibetan Plateau based on a multi-scale, multi-sensor and multi-method approach | |
| Yang et al. | Improving prediction of soil organic carbon content in croplands using phenological parameters extracted from NDVI time series data | |
| US8712148B2 (en) | Generating agricultural information products using remote sensing | |
| Fry et al. | Completion of the 2006 national land cover database for the conterminous United States. | |
| Voltersen et al. | Object-based land cover mapping and comprehensive feature calculation for an automated derivation of urban structure types at block level | |
| Gómez et al. | Characterizing the state and processes of change in a dynamic forest environment using hierarchical spatio-temporal segmentation | |
| Raši et al. | An automated approach for segmenting and classifying a large sample of multi-date Landsat imagery for pan-tropical forest monitoring | |
| KR102053582B1 (en) | Method of ground coverage classification by using image pattern learning based on deep learning | |
| Ellis et al. | Object-based delineation of urban tree canopy: Assessing change in Oklahoma City, 2006–2013 | |
| Yin et al. | Improving leaf area index retrieval over heterogeneous surface by integrating textural and contextual information: A case study in the Heihe River Basin | |
| Liu et al. | Estimating regional heavy metal concentrations in rice by scaling up a field-scale heavy metal assessment model | |
| Song et al. | Estimation and validation of 30 m fractional vegetation cover over China through integrated use of Landsat 8 and Gaofen 2 data | |
| JP2023029184A (en) | Rural non-regular garbage separation and risk identification method based on multi-source data | |
| Dimyati et al. | A Minimum Cloud Cover Mosaic Image Model of the Operational Land Imager Landsat-8 Multitemporal Data using Tile based | |
| Maurya et al. | Development of fusion approach for estimation of vegetation fraction cover with drone and sentinel-2 data | |
| Howard et al. | A maximum entropy model of the bearded capuchin monkey habitat incorporating topography and spectral unmixing analysis | |
| Hou et al. | Linking food production and environmental outcomes: An application of a modified relative risk model to prioritize land-management practices | |
| Santos et al. | Extracting buildings in the city of Lisbon using QuickBird images and LIDAR data | |
| Rocchini | Resolution problems in calculating landscape metrics | |
| Jurišić et al. | Methodology of development of purpose maps in GIS environment–resource management | |
| CN114863274A (en) | Surface green net thatch cover extraction method based on deep learning | |
| CN114359630A (en) | Green, blue and gray infrastructure classification method, apparatus, system and medium | |
| Karydas et al. | Fine scale mapping of agricultural landscape features to be used in environmental risk assessment in an olive cultivation area | |
| Colaninno et al. | Defining Densities for Urban Residential Texture, through Land use Classification, from Landsat TM Imagery: Case Study of Spanish Mediterranean Coast |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220106 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220106 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220128 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220208 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220214 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220408 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220411 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7075557 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |