CN107066927A - 一种确定输电线路在洪涝灾害中的损毁程度的方法和系统 - Google Patents
一种确定输电线路在洪涝灾害中的损毁程度的方法和系统 Download PDFInfo
- Publication number
- CN107066927A CN107066927A CN201710004402.2A CN201710004402A CN107066927A CN 107066927 A CN107066927 A CN 107066927A CN 201710004402 A CN201710004402 A CN 201710004402A CN 107066927 A CN107066927 A CN 107066927A
- Authority
- CN
- China
- Prior art keywords
- data
- transmission line
- electricity
- flood
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Alarm Systems (AREA)
- Image Processing (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明涉及一种确定输电线路在洪涝灾害中的损毁程度的方法和系统,所述方法包括:利用遥感技术获取输电线路洪涝灾害淹没区的遥感影像数据并对所述数据进行数据预处理;结合高程信息和控制点信息、数值计算模型和栅格运算工具对预处理后的遥感数据进行融合分析,以提取输电线路洪涝灾害范围,并基于所述范围提取结果,结合输电线路洪涝灾害淹没区的输电线路数据进行空间叠加分析,提取受灾区域的输电线路数据;基于受灾区域水体的历史数据和DEM的高程信息,采用阈值法对水体和除水体以外的地物进行阈值区分,以提取受损范围数据;基于提取的受损范围数据,利用受灾评估模型和态势预警分析模型确定输电线路在洪涝灾害中的损毁程度。
Description
技术领域
本发明涉及输电技术领域,并且更具体地,涉及一种确定输电线路在洪涝灾害中的损毁程度的方法和系统。
背景技术
我国国土辽阔,自然条件复杂,伴随全球气候变暖的温室效应,洪涝、冰冻、干旱等自然灾害频繁发生,电力系统因自然灾害所引发的事故逐年递增,现也已成为我国社会经济持续发展中重要的制约因素之一。在洪涝灾害的影响下,输电线路的故障概率明显增加,并使输电线路发生多重相关或不相关故障的可能性急剧增大。
由于洪涝灾害本身具有的时空复杂性、再加上用于灾害损失研究的基础资料太薄弱,我国的确定输电线路在洪涝灾害中的损毁程度的研究仍处于比较初步的阶段,目前还没有一种有效的确定输电线路在洪涝灾害中的损毁程度的方法被普遍采用和推广。
发明内容
为了解决背景技术存在的上述问题,本发明提供一种确定输电线路在洪涝灾害中的损毁程度的方法,所述方法包括:
利用遥感技术获取输电线路洪涝灾害淹没区的遥感影像数据。由于水体对0.4-2.5μm范围内的电磁波的吸收率较高,明显高于其它绝大多数地物,最显著的特征是在1.00-1.06μm处有一个强烈的吸收峰,在0.8μm和0.9μm处有两个较弱的吸收峰,在0.54-0.7μm段的反射率最高,并随着波长的增加光谱反射率呈下降趋势。因此,水体的反射率远低于其它地物,在彩色遥感影像上表现为均匀的暗色调;在可见光波段,水体的反射率随泥沙含量的增加,其反射率呈整体上升趋势,图像上水体的色调也逐渐由深变浅,但其反射曲线基本相似,反射峰亦随之向长波移动。洪水在电磁波谱上的基本光谱特征,是利用卫星遥感技术进行洪水水体识别和提取,确定输电线路洪涝灾害范围的基础。
针对所获取的遥感影像数据进行数据预处理,其中所述预处理包括辐射校正和几何配准,所述辐射校正是通过遥感卫星的辐射定标参数进行辐射定标,并利用卫星类型的大气校正模型进行大气校正,所述几何配准是结合受灾区域本底影像数据对获取的遥感影像数据进行配准,总体精度均方差在1个像素以内。
结合高程数据模型DEM的高程信息和控制点信息GCP、数值计算模型和栅格运算工具对预处理后的遥感数据进行融合分析,以提取输电线路洪涝灾害范围。
基于输电线路洪涝灾害范围提取结果,结合输电线路洪涝灾害淹没区的输电线路数据进行空间叠加分析,提取受灾区域的输电线路数据。其中,所述输电线路数据包括杆塔地理位置、杆塔属性信息和变电站属性信息。
基于受灾区域水体的历史数据和DEM的高程信息,采用阈值法对水体和除水体以外的地物进行阈值区分,以提取受损范围数据。
基于提取的受损范围数据,利用受灾评估模型和态势预警分析模型确定输电线路在洪涝灾害中的损毁程度。
进一步地,根据本发明的另一方面,本发明提供一种确定输电线路在洪涝灾害中的损毁程度的系统,所述系统包括:
洪涝灾害数据采集单元,其用于利用遥感技术获取输电线路洪涝灾害淹没区的遥感影像数据;
洪涝灾害数据预处理单元,其用于针对所获取的遥感影像数据进行数据预处理,其中所述预处理包括辐射校正和几何配准;
洪涝灾害范围提取单元,其用于结合高程数据模型DEM的高程信息和控制点信息GCP、数值计算模型和栅格运算工具对预处理后的遥感数据进行融合分析,以提取输电线路洪涝灾害范围;
受灾区域输电线路数据提取单元,基于输电线路洪涝灾害范围提取结果,结合输电线路洪涝灾害淹没区的输电线路数据进行空间叠加分析,提取受灾区域的输电线路数据;
受损范围提取单元,其基于受灾区域水体的历史数据和DEM的高程信息,采用阈值法对水体和除水体以外的地物进行阈值区分,以提取受损范围数据;以及
洪涝灾害损毁程度确定单元,基于提取的受损范围数据,利用受灾评估模型和态势预警分析模型确定输电线路在洪涝灾害中的损毁程度。
进一步地,洪涝灾害数据预处理单元中的辐射校正是通过遥感卫星的辐射定标参数进行辐射定标,并利用卫星类型的大气校正模型进行大气校正。
进一步地,洪涝灾害数据预处理单元中的几何配准是结合受灾区域本底影像数据对获取的遥感影像数据进行配准,总体精度均方差在1个像素以内。
进一步地,受灾区域输电线路数据提取单元中的输电线路数据包括杆塔地理位置、杆塔属性信息和变电站属性信息。
本发明提供的确定输电线路在洪涝灾害中的损毁程度的方法和系统,利用卫星遥感技术,基于多源数据整合手段,分析水体特征和空间位置,快速识别并提取洪涝灾害影响范围内的输电线路,有效解决确定洪涝灾害中输电线路的损毁程度的问题,为抢险、防汛、救灾提供重要的决策依据,同时对发生灾害后基层上报的资料进行灾核,科学指导救灾方向,进行防洪减灾手段、电力系统故障概率预测、输电设备的损毁的评估工作,为救灾决策和应急抗灾措施的制定提供数据支撑和科学保障。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1是本发明实施方式的确定输电线路在洪涝灾害中的损毁程度的方法的流程图;以及
图2是本发明实施方式的确定输电线路在洪涝灾害中的损毁程度的系统的结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1是本发明实施方式的确定输电线路在洪涝灾害中的损毁程度的方法的流程图。如图1所示,确定输电线路在洪涝灾害中的损毁程度的方法100从步骤S101开始。
在步骤S101,利用遥感技术获取输电线路洪涝灾害淹没区的遥感影像数据。由于水体对0.4-2.5μm范围内的电磁波的吸收率较高,明显高于其它绝大多数地物,最显著的特征是在1.00-1.06μm处有一个强烈的吸收峰,在0.8μm和0.9μm处有两个较弱的吸收峰,在0.54-0.7μm段的反射率最高,并随着波长的增加光谱反射率呈下降趋势。因此,水体的反射率远低于其它地物,在彩色遥感影像上表现为均匀的暗色调;在可见光波段,水体的反射率随泥沙含量的增加,其反射率呈整体上升趋势,图像上水体的色调也逐渐由深变浅,但其反射曲线基本相似,反射峰亦随之向长波移动。洪水在电磁波谱上的基本光谱特征,是利用卫星遥感技术进行洪水水体识别和提取,确定输电线路洪涝灾害范围的基础。
在步骤S102,针对所获取的遥感影像数据进行数据预处理,其中所述预处理包括辐射校正和几何配准,优选地,所述辐射校正是通过遥感卫星的辐射定标参数进行辐射定标,并利用卫星类型的大气校正模型进行大气校正,所述几何配准是结合受灾区域本底影像数据对获取的遥感影像数据进行配准,总体精度均方差在1个像素以内。
在步骤S103,结合高程数据模型DEM的高程信息和控制点信息GCP、数值计算模型和栅格运算工具对预处理后的遥感数据进行融合分析,以提取输电线路洪涝灾害范围。
在步骤S104,基于输电线路洪涝灾害范围提取结果,结合输电线路洪涝灾害淹没区的输电线路数据进行空间叠加分析,提取受灾区域的输电线路数据。优选地,所述输电线路数据包括杆塔地理位置、杆塔属性信息和变电站属性信息。
在步骤S105,基于受灾区域水体的历史数据和DEM的高程信息,采用阈值法对水体和除水体以外的地物进行阈值区分,以提取受损范围数据。
在步骤S106,基于提取的受损范围数据,利用受灾评估模型和态势预警分析模型确定输电线路在洪涝灾害中的损毁程度。
图2是本发明实施方式的确定输电线路在洪涝灾害中的损毁程度的系统的结构图。如图2所示,确定输电线路在洪涝灾害中的损毁程度的系统200包括:
洪涝灾害数据采集单元201,其用于利用遥感技术获取输电线路洪涝灾害淹没区的遥感影像数据;
洪涝灾害数据预处理单元202,其用于针对所获取的遥感影像数据进行数据预处理,其中所述预处理包括辐射校正和几何配准;
洪涝灾害范围提取单元203,其用于结合高程数据模型DEM的高程信息和控制点信息GCP、数值计算模型和栅格运算工具对预处理后的遥感数据进行融合分析,以提取输电线路洪涝灾害范围;
受灾区域输电线路数据提取单元204,基于输电线路洪涝灾害范围提取结果,结合输电线路洪涝灾害淹没区的输电线路数据进行空间叠加分析,提取受灾区域的输电线路数据;
受损范围提取单元205,其基于受灾区域水体的历史数据和DEM的高程信息,采用阈值法对水体和除水体以外的地物进行阈值区分,以提取受损范围数据;
洪涝灾害损毁程度确定单元206,基于提取的受损范围数据,利用受灾评估模型和态势预警分析模型确定输电线路在洪涝灾害中的损毁程度。
优选地,洪涝灾害数据预处理单元202中的辐射校正是通过遥感卫星的辐射定标参数进行辐射定标,并利用卫星类型的大气校正模型进行大气校正。
优选地,洪涝灾害数据预处理单元202中的几何配准是结合受灾区域本底影像数据对获取的遥感影像数据进行配准,总体精度均方差在1个像素以内。
优选地,受灾区域输电线路数据提取单元204中的输电线路数据包括杆塔地理位置、杆塔属性信息和变电站属性信息。
已经通过上述实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该【系统、组件等】”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (8)
1.一种确定输电线路在洪涝灾害中的损毁程度的方法,其特征在于,所述方法包括:
利用遥感技术获取输电线路洪涝灾害淹没区的遥感影像数据;
针对所获取的遥感影像数据进行数据预处理,其中所述预处理包括辐射校正和几何配准;
结合高程数据模型DEM的高程信息和控制点信息GCP、数值计算模型和栅格运算工具对预处理后的遥感数据进行融合分析,以提取输电线路洪涝灾害范围;
基于输电线路洪涝灾害范围提取结果,结合输电线路洪涝灾害淹没区的输电线路数据进行空间叠加分析,提取受灾区域的输电线路数据;
基于受灾区域水体的历史数据和DEM的高程信息,采用阈值法对水体和除水体以外的地物进行阈值区分,以提取受损范围数据;
基于提取的受损范围数据,利用受灾评估模型和态势预警分析模型确定输电线路在洪涝灾害中的损毁程度。
2.根据权利要求1所述的方法,其特征在于,所述辐射校正是通过遥感卫星的辐射定标参数进行辐射定标,并利用卫星类型的大气校正模型进行大气校正。
3.根据权利要求1所述的方法,其特征在于,所述几何配准是结合受灾区域本底影像数据对获取的遥感影像数据进行配准,总体精度均方差在1个像素以内。
4.根据权利要求1所述的方法,其特征在于,所述输电线路数据包括杆塔地理位置、杆塔属性信息和变电站属性信息。
5.一种确定输电线路在洪涝灾害中的损毁程度的系统,其特征在于,所述系统包括:
洪涝灾害数据采集单元,其用于利用遥感技术获取输电线路洪涝灾害淹没区的遥感影像数据;
洪涝灾害数据预处理单元,其用于针对所获取的遥感影像数据进行数据预处理,其中所述预处理包括辐射校正和几何配准;
洪涝灾害范围提取单元,其用于结合高程数据模型DEM的高程信息和控制点信息GCP、数值计算模型和栅格运算工具对预处理后的遥感数据进行融合分析,以提取输电线路洪涝灾害范围;
受灾区域输电线路数据提取单元,基于输电线路洪涝灾害范围提取结果,结合输电线路洪涝灾害淹没区的输电线路数据进行空间叠加分析,提取受灾区域的输电线路数据;
受损范围提取单元,其基于受灾区域水体的历史数据和DEM的高程信息,采用阈值法对水体和除水体以外的地物进行阈值区分,以提取受损范围数据;以及
洪涝灾害损毁程度确定单元,基于提取的受损范围数据,利用受灾评估模型和态势预警分析模型确定输电线路在洪涝灾害中的损毁程度。
6.根据权利要求5所述的系统,其特征在于,洪涝灾害数据预处理单元中的辐射校正是通过遥感卫星的辐射定标参数进行辐射定标,并利用卫星类型的大气校正模型进行大气校正。
7.根据权利要求5所述的系统,其特征在于,洪涝灾害数据预处理单元中的几何配准是结合受灾区域本底影像数据对获取的遥感影像数据进行配准,总体精度均方差在1个像素以内。
8.根据权利要求5所述的系统,其特征在于,受灾区域输电线路数据提取单元中的输电线路数据包括杆塔地理位置、杆塔属性信息和变电站属性信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710004402.2A CN107066927A (zh) | 2017-01-04 | 2017-01-04 | 一种确定输电线路在洪涝灾害中的损毁程度的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710004402.2A CN107066927A (zh) | 2017-01-04 | 2017-01-04 | 一种确定输电线路在洪涝灾害中的损毁程度的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107066927A true CN107066927A (zh) | 2017-08-18 |
Family
ID=59623251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710004402.2A Pending CN107066927A (zh) | 2017-01-04 | 2017-01-04 | 一种确定输电线路在洪涝灾害中的损毁程度的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107066927A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109405809A (zh) * | 2018-10-24 | 2019-03-01 | 中国电力科学研究院有限公司 | 一种变电站洪水水深检测方法与系统 |
CN110246119A (zh) * | 2019-05-09 | 2019-09-17 | 华北电力大学 | 基于sar影像的输电杆塔水灾故障隐患的识别方法 |
CN110427857A (zh) * | 2019-07-26 | 2019-11-08 | 国网湖北省电力有限公司检修公司 | 一种基于遥感数据融合的输电线路地质灾害分析方法 |
CN111368716A (zh) * | 2020-02-28 | 2020-07-03 | 重庆市规划和自然资源调查监测院 | 一种基于多源时空数据的地质灾害灾毁耕地提取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455708A (zh) * | 2013-07-24 | 2013-12-18 | 安徽省电力科学研究院 | 基于卫星及气象信息的输电线路灾害监测与风险评估平台 |
CN104778517A (zh) * | 2015-04-30 | 2015-07-15 | 国家电网公司 | 基于微气象与卫星遥感数据的微气象灾害预警方法及系统 |
CN104952213A (zh) * | 2015-05-20 | 2015-09-30 | 中国电力科学研究院 | 一种用于输电线路的降雨型滑坡灾害预警系统和方法 |
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
CN106126920A (zh) * | 2016-06-23 | 2016-11-16 | 北京农业信息技术研究中心 | 农作物雹灾受灾面积遥感评估方法 |
-
2017
- 2017-01-04 CN CN201710004402.2A patent/CN107066927A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455708A (zh) * | 2013-07-24 | 2013-12-18 | 安徽省电力科学研究院 | 基于卫星及气象信息的输电线路灾害监测与风险评估平台 |
CN104778517A (zh) * | 2015-04-30 | 2015-07-15 | 国家电网公司 | 基于微气象与卫星遥感数据的微气象灾害预警方法及系统 |
CN104952213A (zh) * | 2015-05-20 | 2015-09-30 | 中国电力科学研究院 | 一种用于输电线路的降雨型滑坡灾害预警系统和方法 |
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
CN106126920A (zh) * | 2016-06-23 | 2016-11-16 | 北京农业信息技术研究中心 | 农作物雹灾受灾面积遥感评估方法 |
Non-Patent Citations (1)
Title |
---|
龚浩: "基于遥感和地理信息系统的电网防灾减灾运行体系研究", 《2013年中国电机工程学会年会论文》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109405809A (zh) * | 2018-10-24 | 2019-03-01 | 中国电力科学研究院有限公司 | 一种变电站洪水水深检测方法与系统 |
CN109405809B (zh) * | 2018-10-24 | 2022-07-12 | 中国电力科学研究院有限公司 | 一种变电站洪水水深检测方法与系统 |
CN110246119A (zh) * | 2019-05-09 | 2019-09-17 | 华北电力大学 | 基于sar影像的输电杆塔水灾故障隐患的识别方法 |
CN110246119B (zh) * | 2019-05-09 | 2021-06-08 | 华北电力大学 | 基于sar影像的输电杆塔水灾故障隐患的识别方法 |
CN110427857A (zh) * | 2019-07-26 | 2019-11-08 | 国网湖北省电力有限公司检修公司 | 一种基于遥感数据融合的输电线路地质灾害分析方法 |
CN111368716A (zh) * | 2020-02-28 | 2020-07-03 | 重庆市规划和自然资源调查监测院 | 一种基于多源时空数据的地质灾害灾毁耕地提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107066927A (zh) | 一种确定输电线路在洪涝灾害中的损毁程度的方法和系统 | |
CN104615848A (zh) | 一种集森林火险预报和地面火点监测于一体的综合应用方法 | |
US7898458B2 (en) | Disaster countermeasure support method | |
Beaton et al. | Identifying historic river ice breakup timing using MODIS and Google Earth Engine in support of operational flood monitoring in Northern Ontario | |
Zhang et al. | Global summer monsoon rainy seasons | |
CN107655457A (zh) | 一种基于遥感卫星图像的泥石流地质灾害识别方法 | |
Proud et al. | Rapid response flood detection using the MSG geostationary satellite | |
CN102298147B (zh) | 一种超/特高压输电线路雷达遥感监测方法 | |
López et al. | Spatio-temporal dimension of lightning flashes based on three-dimensional Lightning Mapping Array | |
Lopez et al. | Thunderstorm warning alarms methodology using electric field mills and lightning location networks in mountainous regions | |
Burlando et al. | Analysis of wind vertical profiles of thunderstorm events in the Mediterranean | |
CN108241182B (zh) | 一种泥石流监测系统 | |
Zheng et al. | Gust front statistical characteristics and automatic identification algorithm for CINRAD | |
Xu et al. | Dynamic detection of offshore wind turbines by spatial machine learning from spaceborne synthetic aperture radar imagery | |
Yuan et al. | Flood disaster monitoring based on Sentinel-1 data: A case study of Sihu Basin and Huaibei Plain, China | |
PC et al. | Flood inundation mapping of the Hitachi region in the Kuji River Basin, Japan, during the October 11–13, 2019 extreme rain event | |
Cunjian et al. | Extracting the flood extent from satellite SAR image with the support of topographic data | |
Sun et al. | The extraordinarily large vortex structure of Typhoon In-fa (2021), observed by spaceborne microwave radiometer and synthetic aperture radar | |
Yang et al. | A MODIS time series data based algorithm for mapping forest fire burned area | |
Saito et al. | Numerical simulation of Myanmar cyclone Nargis and the associated storm surge part II: ensemble prediction | |
Jun et al. | Fog detection over China’s adjacent sea area by using the MTSAT geostationary satellite data | |
Pierdicca et al. | Dealing with flood mapping using SAR data in the presence of wind or heavy precipitation | |
Deng et al. | Detection of daytime fog in South China Sea using MODIS data | |
Twele et al. | The effect of stratified topographic correction on land cover classification in tropical mountainous regions | |
Kang et al. | Wind resource assessment and potential development of wind farms along the entire coast of South Korea using public data from the Korea meteorological administration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170818 |
|
RJ01 | Rejection of invention patent application after publication |