CN106124454B - 一种基于遥感影像的沥青路面老化状况监测方法 - Google Patents
一种基于遥感影像的沥青路面老化状况监测方法 Download PDFInfo
- Publication number
- CN106124454B CN106124454B CN201610510646.3A CN201610510646A CN106124454B CN 106124454 B CN106124454 B CN 106124454B CN 201610510646 A CN201610510646 A CN 201610510646A CN 106124454 B CN106124454 B CN 106124454B
- Authority
- CN
- China
- Prior art keywords
- end member
- bituminous paving
- pixel
- image
- sensing image
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N2021/4735—Solid samples, e.g. paper, glass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
- G01N2021/4764—Special kinds of physical applications
- G01N2021/4771—Matte surfaces with reflecting particles
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公布了一种基于遥感影像的沥青路面老化状况监测方法,利用多谱段卫星遥感影像,基于多端元混合像元分解模型进行反演,提取得到不同老化状况路面的沥青丰度分布图,由此获得沥青路面老化的监测信息;包括:选取包含沥青老化特征光谱波段的多谱段卫星遥感影像、将遥感影像中的端元进行分类,建立初始端元光谱库、优化每个地物类别的端元光谱、运行多端元线性混合像元分解模型得到各类型端元的像元丰度值。本发明能够快速便捷地提取沥青路面老化信息评估路面健康状况,可有效地提高沥青路面老化状况监测的精度和适用性,能够应用于高速公路或其他等级公路路面的养护调查与规划。
Description
技术领域
本发明涉及路面检测技术,尤其涉及一种基于遥感影像技术的沥青路面老化状况监测与评估方法。
背景技术
公路作为一种现代化的运输通道在当今社会经济中正在发挥着越来越重要的作用,对沿线的物流、资源开发、招商引资、产业结构的调整、横向经济联合起到积极的促进作用。其中,沥青道路因为具有舒适度高、耐用性强、建设成本低以及可重复利用等优点被大量使用,尤其高速公路路面以沥青材质的路面居多。然而,在实际运营过程中,温度、水分、风化以及荷载等因素均会对整个路面结构、道路表面产生不利影响,使其产生各种各样的道路病害,如裂缝、龟裂、车辙等。道路病害的产生极大地降低了路面的使用性能,同时也带来巨大的经济损失。因此,随之而来的将是任务繁重的公路养护和管理,而路面状况的调查又是路面养护的基础和前提。据《2014年交通运输行业发展统计公报》统计,2014年我国公路养护里程高达435.38万公里,占公路总里程的97.5%。所以,公路路面状况的快速调查和检测是养护工作的一项重要内容,也是道路管理系统开展数据采集的重要组成部分。
目前路面状况调查方法主要包括传统人工调查法和路面监测管理系统。传统人工调查主要依靠具有丰富道路养护经验的从业人员利用人工地面仪器测量对路面状况评价技术指标进行估算,例如:利用自动或落锤式弯沉仪测量公路路面强度,利用连续式平整度仪或三米直尺检测路面平整度,利用横向摆式仪测定抗滑能力等。目前存在的路面状况评价技术指标主要有路面状况指数(Pavement Condition Index,PCI)、路面平整度指数(Pavement Structure Index,PSI)、行驶质量指数(Riding Quality Index,RQI)、路面破损率(Distress Rate,DR)等。随着科学技术的发展,公路路面监测与管理系统(PavementManagement System,PMS)作为近年来公路管理方面的新兴领域,综合运用计算机技术、道路工程理论、工程经济分析、系统工程技术等对现有公路路面进行养护管理。该系统配有地理信息系统(GIS),全球定位系统(GPS)、激光测量器(LS)、图像采集系统(CCD)、里程计、探地雷达(GPR)等先进传感器和设备,通过对路面的有关数据如:路线名称、技术等级、里程、宽度、基层类型、修建年月等基本数据以及交通量、路面破损、弯沉、平整度、抗滑指数等路面现状数据的采集,能即时对现有路面健康状况进行评价分析。
然而,这些基于实地测量的监测方法大多需要大型的车载仪器,虽然方法相对较成熟,但其缺点也比较明显,如:妨碍交通、花费高、耗时、耗力等,而且对于路线长度较长的公路段只能进行抽样调查无法快速、周期性获得全路段的路面健康状况信息。遥感技术作为一种新兴的空间数据采集手段,具有图像覆盖范围大、时效性强、信息客观现实、可重复使用、便于计算机分析等优势,为解决大范围的路面管理问题提供了强有力的工具支持。利用遥感技术可以获取路面材质的光谱和空间信息,不同健康状况的路面在遥感影像(如:可见光遥感、红外遥感、微波遥感、激光雷达遥感等)所获取的影像信息不尽相同。例如,沥青路面老化阶段大致可分为初期、中期和后期三个阶段。通过野外实地光谱测量发现,不同老化阶段的沥青路面光谱存在不同的反射光谱特征,所以利用多谱段卫星遥感影像,通过构建有效、合理的算法与模型可对沥青路面老化状况进行空间遥感监测和定量评价。但是,由于遥感传感器、大气传输效应以及影像空间分辨率的影响,同时受到道路几何宽度和长度的限制,道路路面混合像元现象在遥感影像中表现为纯净的路面像元较少,周围地物(绿化带植被、人行道、交通线、阴影等)的光谱信号增加了路面光谱信号的异质性,并增加了路面老化状况遥感监测的复杂性和不确定性,这也使得遥感技术在沥青路面老化监测应用中存在着一定的局限性。
综上所述,现有路面状况调查方法方式大多存在可能妨碍交通、无法进行大范围全路段调查的不足;现有采用遥感影像进行路面状况监测的方法,也存在由于空间分辨率限制而产生大量路面混合像元的问题,监测复杂性和不确定性较高,具有较大的局限性。
发明内容
为了克服上述现有技术的不足,本发明提供一种基于多端元混合像元分解遥感技术的沥青路面老化状况快速监测与评估方法,利用多谱段卫星遥感影像,基于多端元混合像元分解模型快速便捷地提取沥青路面的老化信息并对路面健康状况进行评估,可有效地提高遥感技术在沥青路面老化状况监测应用中的精度和适用性,可应用于高速公路或其他等级公路路面的养护调查与规划。
本发明的原理是:利用多谱段卫星遥感影像定义三种地物端元(包括:非路面端元、路面端元和阴影端元)和两种混合像元模型(分别为:二端元模型、三端元模型),融合二端元模型和三端元模型共同反演得到不同老化状况沥青路面丰度分布图(丰度是指混合像元中某一种地物所占面积占混合像元总面积的比例)。根据不同老化状况路面的丰度分布图,并结合遥感影像空间分辨率进而可以统计得到不同老化状况路面的面积及比例来对各路段的状况进行评价。本发明方法经过精度评价证明可以用来有效地解决路面混合像元的问题。
本发明提供的技术方案是:
一种基于遥感影像的沥青路面老化状况监测方法,利用多谱段卫星遥感影像,基于多端元混合像元分解模型进行反演,提取得到不同老化状况路面的沥青丰度分布图,由此获得沥青路面老化的监测信息;包括如下步骤:
1)对多谱段卫星遥感影像进行预处理,得到地表的反射率影像,选取包含沥青老化特征光谱波段的多谱段卫星遥感影像;
2)将遥感影像中的端元进行分类,分为路面端元、非路面端元和阴影端元,获取不同类型的端元光谱,建立初始端元光谱库,再对初始端元光谱进行优化确定每个地物类别的端元光谱;
3)通过运行多端元线性混合像元分解模型,得到各类型端元的像元丰度值分布图,即为监测结果。
针对上述基于遥感影像的沥青路面老化状况监测方法,进一步地,步骤1)所述包含沥青老化特征光谱波段的多谱段卫星遥感影像,具体为至少满足具有以下1a)~1d)光谱特征波段中的一种特征的卫星遥感影像:
1a)在可见光至短波红外波段区间,随老化阶段由初期、中期到后期,沥青路面的反射率逐渐升高;
1b)在可见光至近红外波段区间,随老化阶段由初期、中期到后期,沥青路面的反射率曲线斜率逐渐升高;
1c)在2.3um波段,随老化阶段由初期、中期到后期,沥青路面的光谱吸收特征逐渐减弱;
1d)在0.52μm、0.76μm和0.87μm处,沥青路面光谱出现新的吸收特征。
针对上述基于遥感影像的沥青路面老化状况监测方法,进一步地,步骤1)所述预处理,包括对卫星遥感影像进行辐射纠正处理、大气纠正处理、几何配准处理中的一种或多种。
针对上述基于遥感影像的沥青路面老化状况监测方法,进一步地,步骤2)所述不同类型的端元光谱信息包括路面端元光谱信息、非路面端元光谱信息和阴影端元光谱信息;所述路面端元光谱信息包括不同老化阶段的沥青路面端元光谱信息;所述非路面端元光谱信息包括除路面以外的其他地物端元光谱信息;所述阴影端元光谱信息为由于地物遮挡形成的阴影像元。所述非路面端元包括植被、裸土、水泥人行道和交通标线。
针对上述基于遥感影像的沥青路面老化状况监测方法,进一步地,步骤2)所述获取不同类型地物端元的端元光谱,具体包括如下过程:根据实地测量的GPS坐标点获取遥感影像中的感兴趣区;将GPS坐标点与遥感影像进行空间匹配,获取GPS坐标点对应像素点的光谱信息;将该像素点的光谱信息与地面光谱仪测量的光谱信息进行光谱角匹配,当匹配成功时,该像素点的光谱作为初选端元光谱;依次循环提取得到所有地物端元类型的像素点光谱。
针对上述基于遥感影像的沥青路面老化状况监测方法,进一步地,步骤2)具体根据Endmember Average RMSE指数对所述初始端元光谱进行优化,得到每个地物类别的端元光谱。
针对上述基于遥感影像的沥青路面老化状况监测方法,进一步地,步骤3)所述通过运行多端元线性混合像元分解模型,得到各类型端元的像元丰度值分布图,具体包括如下步骤:
31)根据多端元线性混合像元分解模型定义两种混合像元分解模型,包括二端元模型和三端元模型;
32)对每一类地物选取多个端元光谱参与混合像元分解,对同一个像元运行步骤31)所述二端元模型和三端元模型;
33)设定误差阈值σ,当所述二端元模型的预测标准误差与所述三端元模型的预测标准误差的差大于等于所述误差阈值σ时,选择三端元模型运算结果作为该类型端元的像元丰度值;当所述二端元模型的预测标准误差与所述三端元模型的预测标准误差的差小于所述误差阈值σ时,选择二端元模型运算结果作为该类型端元的像元丰度值;最终合并得到各端元类型的丰度值分布图。
进一步地,所述二端元模型中,每个混合像元的光谱来自非阴影端元和阴影端元的光谱的线性组合;所述非阴影端元包括路面端元和非路面端元;所述三端元模型中,每个混合像元光谱为三种端元光谱的线性组合,所述三种端元包括路面端元、非路面端元和阴影端元。
针对上述基于遥感影像的沥青路面老化状况监测方法,进一步地,根据不同老化状况路面丰度值的大小获取路面老化状况分布图;当混合像元中某一类端元的丰度大于所设定的丰度阈值时,将所述混合像元归为该类,从而得到不同阶段路面老化状况分布图。
针对上述基于遥感影像的沥青路面老化状况监测方法,进一步地,通过使用全色波段和多光谱波段融合后的高空间分辨率影像作为参考影像,对所述得到的原始多光谱影像各端元类型的丰度值进行评价;步骤如下:
1)根据原始影像的端元类型,对参考影像进行面向对象的分类,分成与监测的端元类型相同的类型;
2)根据参考影像和原始多光谱影像的像元大小比例关系n,在参考影像中,以n×n为计算单位,计算每个单位里各个端元类别出现的个数mi,i为类别;每种端元在参考影像的一个单位的比例为将参考影像退化成与多光谱影像分辨率相同、波段数为端元个数的一组丰度值图像;
3)针对每一种端元,从参考影像中随机选择一定数量的参考点,对这些位置的分解图像的丰度值和参考丰度值进行线性拟合分析,通过比较相关系数R2和预测标准误差RMSE来得到混合像元分解的精度。
与现有技术相比,本发明的有益效果是:
本发明提供了一种基于遥感技术的沥青路面老化状况监测与评估方法,有效的解决了现有路面状况调查技术中危害交通、无法进行大范围全路段调查的问题,不必到达现场即可对道路的健康状况进行评价,可快速掌握公路全路网的路面状况信息,为进一步的路面养护维修决策提供有效技术支持,进一步提高公路路面管理养护的水平和效率。同时,为了解决由于影像空间分辨率限制存在大量路面混合像元的问题,本实验使用了多端元混合像元分解模型,并定义了三种地物端元(非路面端元、路面端元和阴影端元)和两种混合像元模型(二端元模型、三端元模型),提出了融合二端元模型和三端元模型共同反演得到不同老化状况路面丰度分布图的新方法,最后经过精度评价证明该方法可以有效的解决路面混合像元的问题。根据不同老化状况路面的丰度分布图,并结合遥感影像空间分辨率可以统计得到不同老化状况路面的面积及比例来对各路段的状况进行评价,有效的提高了遥感技术在沥青路面老化状况监测应用中的精度和适用性。
附图说明
图1为处于不同老化阶段的沥青路面状况图;
其中,(a)为新沥青路面,(b)为处于老化初期的沥青路面,沥青油膜开始消失,(c)为处于老化中期的路面,骨料开始暴露出路面,(d)为处于老化后期的路面,暴露出路面的骨料变细,(e)为处于病害阶段的路面,其中1为线性裂缝,2为龟裂,3为坑槽。
图2为处于不同老化阶段沥青路面的光谱曲线和数码照片;
其中,(a)、(b)、(c)为初期老化阶段沥青路面,对应的Munsell灰度色卡号分别为0.75、2.5、3.75;(d)、(e)、(f)为中期老化阶段沥青路面,对应的Munsell灰度色卡号分别为4.5、5.25、6.25;(g)、(h)、(i)为后期老化阶段沥青路面,对应的灰度Munsell色卡号分别为7.0、7.25、7.75;(j)为处于不同老化阶段沥青路面的光谱曲线。
图3为本发明提供的基于遥感影像的沥青路面老化状况监测方法的流程框图。
图4为本发明实施例中的实验区;
其中,(a)为实验区的WorldView-2影像图;图中标记1~5分别是实验区中五条沥青道路名称;其中1为白杨东路;2为阳光南大街;3为良乡东区16号路;4为良乡东区14号路;5为东环路;(b)方框所示为实验区的地理位置图。
图5为本发明实施例中选择的端元光谱;
其中,(a)为老化沥青路面(初期、中期和后期)的端元光谱,每类路面端元包括五条光谱;(b)为非路面端元和阴影的光谱,非路面端元包括植被、水泥人行道、交通标线、裸土,每类非路面端元包括三条光谱,阴影只有1条光谱。
图6为本发明实施例提供的老化初期沥青路面的丰度图。
图7为本发明实施例提供的老化中期沥青路面的丰度图。
图8为本发明实施例提供的老化后期沥青路面的丰度图。
图9为本发明实施例提供的非路面端元的丰度图。
图10为本发明实施例提供的阴影端元的丰度图。
图11为本发明实施例提供的不同地物类别参考丰度值与输出丰度值线性拟合分析结果图;
其中,(A)为老化初期沥青路面;(B)为老化中期沥青路面;(C)为老化后期沥青路面;(D)为非路面地物;(E)为阴影。
图12为本发明实施例提供的各路段不同老化阶段沥青路面的分类图;
其中,区域A为良乡东区14号路的实景数码照片;区域B为白杨东路和东环路十字路口的实景数码照片;区域C为阳光南大街的实景数码照片;区域D为白杨东路西段的实景数码照片。
图13为本发明实施例所建立的分类结果精度评价混淆矩阵;
其中,PA指老化初期沥青路面;MA为老化中期沥青路面;HA为老化后期沥青路面;NP为非路面地物;SD为阴影。
图14为本发明实施例提供的不同路段不同老化状况路面的比例分布图。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
本发明提供一种基于多端元混合像元分解遥感技术的沥青路面老化状况快速监测与评估方法,利用多谱段卫星遥感影像,基于多端元混合像元分解模型快速便捷地提取沥青路面的老化信息并对路面健康状况进行评估,可有效地提高遥感技术在沥青路面老化状况监测应用中的精度和适用性,能够运用于高速公路或其他等级公路路面的养护调查与规划。
图3为本发明提供的基于遥感影像多端元混合像元分解的沥青路面老化状况监测方法的流程框图,包括如下步骤:
步骤1):选取包含沥青老化特征光谱波段的多谱段卫星遥感影像
根据对不同老化阶段的沥青道路路面进行光谱测量发现,随着沥青路面的老化,路面的组成成分和路面结构发生变化,致使路面光谱也存在着一定规律的变化。图2列出了不同老化阶段沥青路面的光谱曲线及其对应的数码照片。图2中所示沥青路面从左至右,从上至下,老化状况逐渐加重。其中,(j)为处于不同老化阶段沥青路面的光谱曲线。(a),(b),(c)为老化初期的沥青路面((a)为新的沥青混合材料,(b)和(c)为有轻度老化的沥青路面),该阶段中的沥青路面光谱反射率在0.35-2.5um谱段内普遍较低(小于10%),而且在1.72um和2.3um处存在2个由沥青材料引起的碳氢化合物光谱吸收特征。老化初期阶段中,沥青路面中的沥青材料含量会由于挥发、氧化、吸收和光化学反应的影响逐渐减少,导致沥青路面逐渐变脆(图1);(d),(e),(f)为中期老化路面,该阶段中的沥青路面沥青含量继续减少,导致在1.72um和2.3um处的碳氢化合物光谱吸收特征基本消失,同时又受到载荷的摩擦损害,沥青混合材料中的砂石骨料逐渐暴露处路面(图1),使得光谱反射率逐渐升高,并且在2.33um处出现了明显的矿物吸收特征。而且可以发现,在可见光和近红外区间沥青路面光谱曲线斜率也逐渐升高;(g),(h),(i)为老化后期的沥青路面,该阶段中在老化中期暴露出的砂石骨料进一步经过载荷的摩擦搌压,颗粒逐渐变细,从宏观上看表面比较光滑的路面(图1),使得该阶段的沥青路面光谱反射率达到最大值(大于20%)。在可见光和近红外区间沥青路面光谱曲线斜率也逐渐进一步升高,并且在0.52μm、0.76μm和0.87μm处出现了铁氧化物的吸收特征,在2.33um处出现了明显的矿物吸收特征。经过三个老化阶段,沥青路面的变形能力和结构强度逐渐降低,最终会出现一系列的路面病害现象,例如裂缝,车辙,坑槽等(如图1所示)。
经过以上光谱分析可以发现,随着沥青路面老化过程的推进,沥青路面光谱在不同老化阶段存在不同的光谱特征,可概括如下:
1a)在可见光至短波红外波段区间,沥青路面的反射率随老化阶段由初期、中期到后期逐渐升高;
1b)在可见光至近红外波段区间,沥青路面的反射率曲线斜率逐渐升高;
1c)在2.3um波段,沥青路面的光谱吸收特征逐渐减弱;
1d)在0.52μm、0.76μm和0.87μm处,沥青路面光谱出现铁氧化物的吸收特征。
沥青路面光谱特征的变化是利用多谱段卫星遥感影像进行沥青路面老化状况监测的基础。所以在选择遥感影像时,应选择具有上述光谱特征波段(至少满足一种特征)的影像,否则无法对路面老化状况进行反演。而且,实验前还需要对影像进行一些基本的预处理,包括辐射纠正、大气纠正、几何配准等,最后得到地表的反射率影像才能用于路面老化状况的监测。
步骤2):端元选取与优化;
遥感影像中的端元是指光谱上相对纯净、只包含一种地物光谱信息的像元;其相对应的概念就是混合像元。选择合适的端元是混合像元分解成功的关键。结合实际应用,同时考虑到阴影在遥感影像中普遍存在,本发明定义了三种类型的地物端元,分别为:
a)路面端元:包括不同老化状况(初期、中期、后期)的沥青路面端元光谱信息。
b)非路面端元:包括除路面以外的其他地物端元光谱,如植被、裸土、水泥人行道、交通标线等。
c)阴影端元:由于地物遮挡形成的阴影像元。
一般来讲,端元光谱可以从遥感图像获取,也可以实地或实验室测量获取。但是由于遥感图像经过辐射纠正和大气纠正、尺度响应等原因,通常图像光谱和光谱库中的光谱并不一致。所以从图像选取端元光谱相对容易,且与图像的尺度一致。本发明根据实地测量的GPS坐标点获取遥感影像中的感兴趣区,然后提取每一个地物类别的初始端元光谱库。具体做法为首先将GPS点与影像进行空间匹配,获取GPS点对应像素点的光谱信息,然后将该像素点的光谱信息与地面光谱仪测量的光谱信息进行光谱角匹配,如果光谱角小于0.1,则选择该像素点的光谱作为初选端元光谱,依次循环选择所有地物类的像素点光谱建立初始端元光谱库,最后根据EAR(Endmember Average RMSE)指数对初始端元光谱进行优化最终确定每个地物类别的端元光谱。
对端元进行优化可简化运算和降低误差。由于端元也存在光谱差异,一类端元往往对应很多条光谱,EAR指数可用于解决如何从多条光谱中选择最具代表性的光谱问题。EAR计算某一类端元内用某一条端元光谱来分解其他端元光谱所产生的误差。显然EAR指数越低表明这条光谱的代表性越好,如果很高则证明这条光谱可能是离群点,没有代表性。EAR的计算公式如下:
式中,A是指某类端元,n是指A类端元中的光谱个数,Ai是用于分解其他光谱的端元光谱。根据实际情况,针对每一个地物类别选择合适的端元个数,如图5所示。
步骤3)运行多端元线性混合像元分解模型,得到各端元的丰度影像
为了解决遥感影像上公路路面混合像元的问题,本发明引入了多端元线性混合像元分解模型,该模型认为一个混合像元的光谱通常是由两种或两种以上的不同地物成分的光谱以线性方式组合而成的。其基本假定包括:
1)地表包含几种不同的地物,每种地物的光谱与其他地物的光谱具有明显的区别;
2)一个像元的光谱信息与像元内的端元的比例呈线性相关。
多端元混合像元分解模型公式如下:
式2中,ρ′λ为混合像元在波段λ的反射率,ρiλ为端元i在波段λ的反射率,fi为端元i在混合像元中所占的面积比例,N为端元数量,ελ为分解残差。为了使模型结果具有物理意义和约束分解误差,一般需要加两个约束条件于像元内各端元的分量,即各端元分量之和等于1和各端元分量非负。
模型的精度可根据预测标准误差RMSE的大小进行评价。
式中,M是多谱段卫星遥感影像的波段数;ελ为分解残差;λ为波段。
多端元线性混合光谱分解模型允许对每一类地物可以选取多个端元光谱参与混合像元分解,而且端元的类型和数量可随像元的不同而变化,即同一个像元可以运行不同的端元组合模型。然后根据一定的选择准则(如丰度约束、均方根误差约束、残差约束),选择最适合每个像元的端元组合。
因为在高空间分辨影像中,路面中间存在的混合像元较少,而靠近路边的路面由于影像分辨率的限制经常与周围的植被、裸土、水泥人行道、阴影、交通标线等非路面地物形成大量的混合像元。根据反复实验,本发明定义了两种混合像元分解模型:
1)二端元模型:即每个混合像元的光谱默认为来自两种端元光谱的线性组合,第一个端元类为非阴影端元(包括路面端元和非路面端元),第二个端元类为阴影端元,路面端元可以是处于不同老化阶段的沥青路面。
2)三端元模型:即每个混合像元光谱默认为三种端元光谱的线性组合,第一端元类为路面端元,第二端元类为非路面端元,第三端元类为阴影端元。
经实验发现,二端元模型比较适合道路中间的路面像元,模型误差较小,而在靠近路边或与交通标线混合的路面像元模型误差较大,有的像元甚至无法成功分解。三端元模型比较适合靠近路边或与交通标线混合的路面像元,模型误差较小,但也发现对于道路中间的路面像元,三端元模型对误差的改善不大,所以,本发明提出了融合二端元模型和三端元模型共同参与混合像元分解的新方法(图3)。即当二端元模型的分解误差与三端元模型的分解误差相比,大于设定阈值则选择运行三端元模型;反之,则运行二端元模型。最后综合得到三种地物端元类型的像元丰度值(即为该端元在该像元内的面积比例)分布图,为本发明监测方法的结果。
可通过以下步骤对上述监测方法的精度和沥青路面状况进行评价。
步骤4):混合像元分解结果的评价
定量的评价混合像元分解的精度,需要观测地表的真实地物类别。然而,实地观测的人力成本和时间成本过高。本发明选择使用全色波段和多光谱波段融合后的高空间分辨率影像作为参考影像对混合像元分解结果进行评价,步骤如下:
1)根据混合像元分解中选取的端元类别,对参考影像进行面向对象的分类,分成相同的类别。
2)根据参考影像和原始多光谱影像的像元大小比例关系n,在参考影像中,以n×n为计算单位,计算每个单位里各个端元类别出现的个数mi(i为类别),就是每种端元在参考影像的一个单位的比例,然后将参考影像退化成与多光谱影像分辨率相同、波段数为端元个数的一组丰度值图像。
3)针对每一种端元,从参考影像中随机选择一定数量的参考点,对这些位置的分解图像的丰度值和参考丰度值进行线性拟合分析,通过比较相关系数(R2)和预测标准误差RMSE来评判混合像元分解的精度。其中,相关系数越高意味着线性拟合效果越好,也就是混合像元分解的结果越接近地面真实值。
步骤5):沥青路面老化状况的真实性评价
通过混合像元分解结果的精度评价之后,根据不同老化状况路面丰度值的大小可获取路面老化状况分布图。具体从路面端元丰度结果中分别提取所有包含不同老化状况端元的模型中提取得到某一老化端元的丰度,然后根据设定的丰度阈值进行分类。分类方法如下:
当混合像元中某一类端元的丰度大于所设定的丰度阈值(可设为0.5)时,将所述混合像元归为该类;例如,如果某一类端元的丰度大于0.5则将该混合像元归为该类端元。最后得到路面老化状况(初期,中期,后期)分布图。
然后需要对分类结果进行评价,混淆矩阵是用来评价遥感影像分类精度的最常用的形式,它通过将每个地表真实像元位置的类别与分类结果中相应位置的类别相比较进行统计计算。误差矩阵是n行n列的矩阵,其中n代表类别的数量,矩阵对角线上是被正确分类的像元个数,非对角线上的项是被错误分类的像元个数。总体分类精度(OverallAccuracy,OA)是所有正确分类的像元百分比数,可以从整体上反映分类的好坏,公式如下:
式中,Pk为类别K正确分类的像元数,P为参考样本的像元总数。另外,Kappa系数也是一种经常用于分类精度评价的指标。公式如下:
式中,r是总的类别数,xii是误差矩阵中第i行、第i列的像元数量(即正确分类的数目);xi+和x+i分别是第i行和第i列的总像元数量,N是总的用于精度评估的像元数量。
步骤6):不同老化状况沥青路面面积统计及评价
根据路面老化状况(初期,中期,后期)的丰度图,并结合影像的空间分辨率,统计各个路段不同老化阶段的路面面积及其比例对路面老化状况进行评价。
式中,SA为某一老化阶段路面的统计面积,单位为m2,fi为该老化阶段路面的丰度值,m为含有该老化阶段路面的像元数,R为影像空间分辨率,单位为m。
根据一条道路上不同老化阶段的沥青路面的面积大小,结合道路维护的相关规范,可以判断该条道路是否需要进行重铺或修补。
以下以北京市房山区东南部5条沥青公路为实例来说明本发明的实施方式与步骤。该实验区包括2条东西向沥青公路分别为:良乡东区16号路和白杨东路;3条南北向沥青公路分别为阳光南大街、良乡东区14号路和东环路(图4)。
(1)数据准备
2015年4月至7月,研究人员对实验区进行了实地考查,对各个路段的状况进行了评估并获取了实验区不同地物(老化初期沥青路面、老化中期沥青路面、老化后期沥青路面,植被、裸土、水泥人行道、交通标线)的光谱数据和属性数据。光谱数据使用ASD光谱仪FieldSpec-FRTM采集,属性数据包括样点的GPS位置、地物类型描述、数码照片,Munsell色卡值等。为了定量描述不同老化状况的沥青路面,本实例使用了Munsell灰度色卡所标定的色卡值作为沥青路面老化阶段的定量描述参照。Munsell灰度色卡按照ISCC-NBS国际标准将纯黑到纯白分为37个等级,每个等级都有对应的色卡值:一个无量纲的数字。通过实地比较和目视判别不同老化程度沥青路面的颜色与匹配的色卡颜色得到相应沥青路面的色卡号。沥青路面的老化状况可以根据灰度色卡值的变化分为三类(表1):老化初期沥青路面([N0.5/-N4.25/]);老化中期沥青路面((N4.25-N6.75/]);老化后期沥青路面((N6.75/,N8.75/])。其中,(N8.75/,N9.5/]区段的色卡值表示接近白色,因为不存在一种沥青路面的颜色与该区段对应的色卡颜色相匹配,所以被忽略不用。
表1 Munsell色卡颜色名、色卡值、反射率及其对应的沥青路面老化状况
通过实地考查可知,良乡东区14号路为近几年刚翻修的沥青路面,大部分路面处于老化初期阶段。阳光南大街和良乡东区16号路相比良乡东区14号路较长,而且之后也没有进行翻修,大部分路面处于老化后期阶段。东环路和白杨东路大部分路面处于老化中期阶段,但是由于不同车道使用的频率不同,所以其中也有部分路面处于老化初期和老化后期阶段(图4)。
本实例以覆盖实验区的WorldView-2遥感影像进行多端元混合像元分解实验,该影像获取时间为2013年9月21日,其中多光谱影像包含8个波段,空间分辨为2m,与之配套的全色影像包含1个波段,空间分辨率为0.5m。实验之前,首先对WorldView-2影像进行基本的预处理操作,包括辐射纠正、大气纠正,影像配准,最后得到地表的反射率影像。其中辐射纠正使用了WorldView-2影像自带的的IMD文件得到地表的辐射亮度值,然后使用FLAASH大气纠正模型将辐射亮度值转化为地表真实反射率。同时,为了使实测样点与遥感影像地理位置匹配,实验中使用了实地测量GPS点作为参考对影像进行了匹配处理。
(2)实验步骤
基于多端元混合像元分解的沥青路面老化状况监测与评估的步骤如图3所示。
第一步,根据实测GPS坐标点和光谱信息获得每一个地物类别的感兴趣区,根据感兴趣区获得每一个地物类别的初始端元集,每一种类别获得的初始端元集数量如表2所列。然后针对每一个类别,计算每个端元光谱的EAR指数,根据EAR指数从小到大依次排序选择EAR指数较小的端元光谱。为了减小多端元混合像元分解模型的计算复杂度和合理性,本实例最终分别选取了15条路面端元光谱,其中每个子类型有5条端元光谱;12条非路面端元光谱,其中每个子类型有3条端元光谱;针对阴影端元选取了EAR指数较小的前3条光谱经平均得到了1条阴影端元光谱(表2)。
表2端元集类型及个数
第二步,设定多端元混合像元分解模型参数,本实例约束最小丰度值为-0.05,最大丰度值为1.05,阴影最大丰度值为0.8,RMSE最大误差为0.025,最大残差为0.025。然后将第二步中选取的路面端元和非路面端元光谱(27条)与阴影端元光谱(1条)组成二端元混合像元模型,总计27个二端元模型输入多端元混合像元分解模型(MESMA)运行得到地物的丰度图和误差图(RMSE-EM2)。同时,将选取的路面端元光谱(15条),非路面端元光谱(12条)与阴影端元光谱(1条)组成三端元模型,总计180个三端元模型输入多端元混合像元分解模型(MESMA)运行得到地物的丰度图和误差图(RMSE-EM3)。然后选取合适阈值σ,本实例设置σ=0.01,当二端元模型的RMSE误差(RMSE-EM2)减去三端元模型的RMSE误差(RMSE-EM3)大于0.01则选择三端元模型运算结果,反之,则选择二端元模型运算结果。最终合并得到各端元类型的丰度值分布图(图6-图10)。
第三步,为了检验上述混合像元分解结果的精度,本实验将WorldView-2的全色波段和多光谱波段融合后的影像作为参考影像(空间分辨率为0.5m),然后对参考影像进行面向对象的分类,选择支持向量机作为分类器,将参考影像分为老化初期路面,老化中期路面,老化后期路面,非路面地物,阴影5大类,然后对分类后的影像进行退化,影像中每4*4像元计算每个类别所占的比例,得到2米分辨率的丰度值参考影像,对每个类别选择20个样本点进行线性回归检验,通过分析比较每个类别输出丰度和参考丰度的相关系数来评价混合像元分解结果的精度。由图11可以看出,每个类别的相关系数在0.7以上,RMSE均在0.1左右,相关性较高,误差较小,结果可靠。
第四步,根据第二步得到的丰度图,按照如果某一类端元的丰度大于0.5则将该混合像元归为该类的规则对丰度图进行分类,得到路面老化状况(初期,中期,后期)分布图(图12),通过与现场实景数码照片比较,可知分类得出的路面老化状况类型与实际路面老化状况吻合,例如良乡东区14号路路段A为今年刚翻修的新沥青路面被分类为老化初期沥青路面;阳光南大街路段C为年代已久的沥青路面被分类为老化后期沥青路面;白杨东路和东环路路段B和D通过实景可以发现各个车道由于使用频率不同表现为不同的老化状况,也被成功识别分类。为了对分类结果进行定量评价,本实例选取了246个已知类别的参考样本点建立混淆矩阵对分类结果进行评价,其中165个路面参考点的色卡值作为老化初期中期后期的标准(图13)。利用式(5)和式(6)分别计算得到了总体分类精度为78.05%,Kappa系数为0.72,表明分类结果与地表实际类别基本一致,结果可靠。
第六步,根据路面老化状况(初期,中期,后期)的丰度图,并结合式(7),统计各个路段不同老化阶段的路面面积(表3)及其比例(图14)对路面老化状况进行评价。由表3和图14可知良乡东区14号路大部分路面都处于老化初期(44.88%)和老化中期(36.07%)。相比之下,阳光南大街和良乡东区16号路大部分路面处于老化后期,分别为87.72%和83.69%,表明该路面急需进行翻修和养护。东环路有45%和54%的路面被标识为老化中期和老化后期,路面状况基本良好。
表3不同道路不同老化阶段路面面积统计表
道路名称 | 老化初期(m2) | 老化中期(m2) | 老化后期(m2) |
良乡东区14号路 | 5663.76 | 4552.45 | 2402.23 |
白杨东路 | 6135.85 | 17493.22 | 13970.17 |
东环路 | 452.99 | 9896.03 | 12165.20 |
良乡东区16号路 | 139.58 | 883.58 | 5249.56 |
阳光南大街 | 898.43 | 1392.29 | 16369.18 |
本实例利用WordView-2多光谱影像,以北京市房山区东南部5条沥青公路为研究对象,基于所建立的多端元混合像元分解模型对各路段的老化状况进行了监测与评估,经目视比较和定量评价验证了本发明在沥青路面老化状况监测与评价中的有效性。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (10)
1.一种基于遥感影像的沥青路面老化状况监测方法,利用多谱段卫星遥感影像,基于多端元混合像元分解模型进行反演,提取得到不同老化状况路面的沥青丰度分布图,由此获得沥青路面老化的监测信息;包括如下步骤:
1)对多谱段卫星遥感影像进行预处理,得到地表的反射率影像,选取包含沥青老化特征光谱波段的多谱段卫星遥感影像;
2)将遥感影像中的端元进行分类,分为路面端元、非路面端元和阴影端元,获取不同类型的端元光谱,建立初始端元光谱库,再对初始端元光谱进行优化确定每个地物类别的端元光谱;
3)通过运行多端元线性混合像元分解模型,得到各类型端元的像元丰度值分布图,即为监测结果;包括如下步骤:
31)根据多端元线性混合像元分解模型定义两种混合像元分解模型,包括二端元模型和三端元模型;
32)对每一类地物选取多个端元光谱参与混合像元分解,对同一个像元运行步骤31)所述二端元模型和三端元模型;
33)设定误差阈值σ,当所述二端元模型的预测标准误差与所述三端元模型的预测标准误差的差大于等于所述误差阈值σ时,选择三端元模型运算结果作为该类型端元的像元丰度值;当所述二端元模型的预测标准误差与所述三端元模型的预测标准误差的差小于所述误差阈值σ时,选择二端元模型运算结果作为该类型端元的像元丰度值;最终合并得到各端元类型的丰度值分布图。
2.如权利要求1所述基于遥感影像的沥青路面老化状况监测方法,其特征是,步骤1)所述包含沥青老化特征光谱波段的多谱段卫星遥感影像,具体为至少满足具有以下1a)~1d)光谱特征波段中的一种特征的卫星遥感影像:
1a)在可见光至短波红外波段区间,随老化阶段由初期、中期到后期,沥青路面的反射率逐渐升高;
1b)在可见光至近红外波段区间,随老化阶段由初期、中期到后期,沥青路面的反射率曲线斜率逐渐升高;
1c)在2.3um波段,随老化阶段由初期、中期到后期,沥青路面的光谱吸收特征逐渐减弱;
1d)在0.52μm、0.76μm和0.87μm处,沥青路面光谱出现铁氧化物的吸收特征。
3.如权利要求1所述基于遥感影像的沥青路面老化状况监测方法,其特征是,步骤1)所述预处理,包括对卫星遥感影像进行辐射纠正处理、大气纠正处理、几何配准处理中的一种或多种。
4.如权利要求1所述基于遥感影像的沥青路面老化状况监测方法,其特征是,步骤2)所述不同类型的端元光谱信息包括路面端元光谱信息、非路面端元光谱信息和阴影端元光谱信息;所述路面端元光谱信息包括不同老化阶段的沥青路面端元光谱信息;所述非路面端元光谱信息包括除路面以外的其他地物端元光谱信息;所述阴影端元光谱信息为由于地物遮挡形成的阴影像元。
5.如权利要求4所述基于遥感影像的沥青路面老化状况监测方法,其特征是,所述非路面端元包括植被、裸土、水泥人行道和交通标线。
6.如权利要求1所述基于遥感影像的沥青路面老化状况监测方法,其特征是,步骤2)所述获取不同类型地物端元的端元光谱,具体包括如下过程:
根据实地测量的GPS坐标点获取遥感影像中的感兴趣区;
将GPS坐标点与遥感影像进行空间匹配,获取GPS坐标点对应像素点的光谱信息;
将该像素点的光谱信息与地面光谱仪测量的光谱信息进行光谱角匹配,当匹配成功时,该像素点的光谱作为初选端元光谱;
依次循环提取得到所有地物端元类型的像素点光谱。
7.如权利要求1所述基于遥感影像的沥青路面老化状况监测方法,其特征是,步骤2)具体根据Endmember Average RMSE指数对所述初始端元光谱进行优化,得到每个地物类别的端元光谱。
8.如权利要求1所述基于遥感影像的沥青路面老化状况监测方法,其特征是,所述二端元模型中,每个混合像元的光谱来自非阴影端元和阴影端元的光谱的线性组合;所述非阴影端元包括路面端元和非路面端元;所述三端元模型中,每个混合像元光谱为三种端元光谱的线性组合,所述三种端元包括路面端元、非路面端元和阴影端元。
9.如权利要求1所述基于遥感影像的沥青路面老化状况监测方法,其特征是,根据不同老化状况路面丰度值的大小获取路面老化状况分布图:当混合像元中某一类端元的丰度大于所设定的丰度阈值时,将所述混合像元归为该类端元,从而得到不同阶段路面老化状况分布图。
10.如权利要求1所述基于遥感影像的沥青路面老化状况监测方法,其特征是,通过使用全色波段和多光谱波段融合后的高空间分辨率影像作为参考影像,对所述得到的原始多光谱影像各端元类型的丰度值进行评价;步骤如下:
1)根据原始影像的端元类型,对参考影像进行面向对象的分类,分成与监测的端元类型相同的类型;
2)根据参考影像和原始多光谱影像的像元大小比例关系n,在参考影像中,以n×n为计算单位,计算每个单位里各个端元类别出现的个数mi,i为类别;每种端元在参考影像的一个单位的比例为将参考影像退化成与多光谱影像分辨率相同、波段数为端元个数的一组丰度值图像;
3)针对每一种端元,从参考影像中随机选择一定数量的参考点,对这些位置的分解图像的丰度值和参考丰度值进行线性拟合分析,通过比较相关系数R2和预测标准误差RMSE来得到混合像元分解的精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610510646.3A CN106124454B (zh) | 2016-06-30 | 2016-06-30 | 一种基于遥感影像的沥青路面老化状况监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610510646.3A CN106124454B (zh) | 2016-06-30 | 2016-06-30 | 一种基于遥感影像的沥青路面老化状况监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106124454A CN106124454A (zh) | 2016-11-16 |
CN106124454B true CN106124454B (zh) | 2018-10-16 |
Family
ID=57467977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610510646.3A Active CN106124454B (zh) | 2016-06-30 | 2016-06-30 | 一种基于遥感影像的沥青路面老化状况监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106124454B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106842193B (zh) * | 2017-02-17 | 2020-03-27 | 北京国电经纬工程技术有限公司 | 道路检测信息的处理方法、装置和系统 |
CN107966210B (zh) * | 2017-11-03 | 2019-12-20 | 深圳市环境监测中心站 | 基于高光谱图像的热红外融合重构方法 |
CN108073895B (zh) * | 2017-11-22 | 2021-12-14 | 杭州电子科技大学 | 一种基于解混预处理的高光谱目标检测方法 |
CN108961341A (zh) * | 2018-07-12 | 2018-12-07 | 南京工程学院 | 一种基于行方差的自动定位gpr信号病害位置方法 |
CN110596018B (zh) * | 2019-10-18 | 2024-01-26 | 福州大学 | 一种沥青老化程度检测装置及其工作方法 |
CN110631999A (zh) * | 2019-11-01 | 2019-12-31 | 北京物资学院 | 一种色散型光谱仪软件系统 |
CN111157524B (zh) * | 2020-01-09 | 2022-09-27 | 北京观澜智图科技有限公司 | 基于高分影像的道路材质识别方法及装置和电子设备 |
CN111783686A (zh) * | 2020-07-03 | 2020-10-16 | 中国交通通信信息中心 | 一种沥青路面健康状态监测系统和方法 |
CN113158726A (zh) * | 2020-12-30 | 2021-07-23 | 交通运输部科学研究院 | 一种基于遥感影像识别农村公路路面类型的方法 |
CN113310904B (zh) * | 2021-06-15 | 2023-04-07 | 东南大学 | 一种植被覆盖下的土壤光谱还原的图像处理方法 |
CN114780904B (zh) * | 2022-06-17 | 2022-09-27 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种端元自适应的山地植被覆盖度遥感反演方法 |
CN117635582B (zh) * | 2023-12-06 | 2024-06-07 | 淮安市博彦土木工程科学研究院有限公司 | 一种基于图像分析的沥青类预防性养护剂裹覆率评价方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708354A (zh) * | 2011-12-31 | 2012-10-03 | 中国科学院遥感应用研究所 | 一种高尔夫球场的识别方法 |
CN105046648A (zh) * | 2015-06-25 | 2015-11-11 | 北京师范大学 | 一种构建高时空遥感数据的方法 |
CN105184302A (zh) * | 2015-10-09 | 2015-12-23 | 北京航空航天大学 | 一种高光谱图像端元自动提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008100308A1 (en) * | 2006-12-19 | 2008-08-21 | Weil Gary J | Remote sensing of subsurface artifacts by use of visual and thermal imagery |
-
2016
- 2016-06-30 CN CN201610510646.3A patent/CN106124454B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708354A (zh) * | 2011-12-31 | 2012-10-03 | 中国科学院遥感应用研究所 | 一种高尔夫球场的识别方法 |
CN105046648A (zh) * | 2015-06-25 | 2015-11-11 | 北京师范大学 | 一种构建高时空遥感数据的方法 |
CN105184302A (zh) * | 2015-10-09 | 2015-12-23 | 北京航空航天大学 | 一种高光谱图像端元自动提取方法 |
Non-Patent Citations (2)
Title |
---|
Hierarchical Multiple Endmember Spectral Mixture Analysis(MESMA) of hyperspectral imagery for urban environments;Franke Jonas et al;《Remote Sensing of Environment》;20090831;第113卷(第8期);第1712-1723页 * |
Mapping chaparral in the Santa Monica Mountains Using Multiple Endmember Spectral Mixture Models;Roberts,D.A. et al;《Remote Sensing of Environment》;19980930;第65卷(第3期);第267-279页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106124454A (zh) | 2016-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106124454B (zh) | 一种基于遥感影像的沥青路面老化状况监测方法 | |
Liang et al. | Multi-factor modeling of above-ground biomass in alpine grassland: A case study in the Three-River Headwaters Region, China | |
Wang et al. | Characterizing the spatial dynamics of land surface temperature–impervious surface fraction relationship | |
Braswell et al. | A multivariable approach for mapping sub-pixel land cover distributions using MISR and MODIS: Application in the Brazilian Amazon region | |
Li et al. | Effects of spatial resolution of remotely sensed data on estimating urban impervious surfaces | |
CN107862255B (zh) | 一种基于微波遥感和光学遥感技术的湿地信息提取与生态敏感性评价的方法 | |
Wang et al. | Landscape-level vegetation classification and fractional woody and herbaceous vegetation cover estimation over the dryland ecosystems by unmanned aerial vehicle platform | |
CN115761038B (zh) | 一种基于图像光谱技术的隧道掌子面地质素描方法及系统 | |
CN108345897A (zh) | 一种景观破碎度指数的评价方法 | |
CN105913443A (zh) | 模拟人眼识别技术检测沥青路面纹理的方法 | |
Hartoyo et al. | Carbon stock assessment using forest canopy density mapper in agroforestry land in Berau, East Kalimantan, Indonesia | |
Pan et al. | Road pavement condition mapping and assessment using remote sensing data based on MESMA | |
Zhang et al. | Surface urban heat island in Shanghai, China: Examining the relationship between land surface temperature and impervious surface fractions derived from Landsat ETM+ imagery | |
CN113469127B (zh) | 河流敏感性等级划分方法、装置、设备及存储介质 | |
Zhang et al. | Extracting pavement surface distress conditions based on high spatial resolution multispectral digital aerial photography | |
CN110596017B (zh) | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 | |
CN112597936A (zh) | 基于面向对象分层分割的建筑垃圾分离方法及相关产品 | |
Jiang | A crack detection and diagnosis methodology for automated pavement condition evaluation | |
CN115937643A (zh) | 一种目标检测方法及系统 | |
Gonçalves et al. | Assessment of the state of conservation of buildings through roof mapping using very high spatial resolution images | |
Yue et al. | A brightness–darkness–greenness model for monitoring urban landscape evolution in a developing country–A case study of Shanghai | |
CN114140703A (zh) | 一种森林松材线虫病害智能识别方法及系统 | |
Chetverikov et al. | Methodology for determining deforestation areas in Lviv region using remote sensing data | |
Demarchi et al. | Mapping sealed surfaces from CHRIS/Proba data: a multiple endmember unmixing approach | |
CN105930769A (zh) | 一种基于生物生态特征的病虫害发生等级精度验证方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20180516 Address after: 100016 2 floor, 6 Building 6, Fang Yuan Nan Li 9, Chaoyang District, Beijing. Applicant after: Guo Jiao space information technology (Beijing) Co., Ltd. Applicant after: China Transport Telecommunications & Information Center Address before: 100011 rear body of Chaoyang District foreign and foreign embassy in Beijing City, No. 1 Applicant before: China Transport Telecommunications & Information Center |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |