CN108510097A - 基于卫星遥感的输电线路走廊积雪灾害监测方法及系统 - Google Patents
基于卫星遥感的输电线路走廊积雪灾害监测方法及系统 Download PDFInfo
- Publication number
- CN108510097A CN108510097A CN201710107805.XA CN201710107805A CN108510097A CN 108510097 A CN108510097 A CN 108510097A CN 201710107805 A CN201710107805 A CN 201710107805A CN 108510097 A CN108510097 A CN 108510097A
- Authority
- CN
- China
- Prior art keywords
- snow
- transmission line
- power transmission
- line corridor
- model
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 19
- 238000013145 classification model Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 241000257303 Hymenoptera Species 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于卫星遥感的输电线路走廊积雪灾害监测方法及系统,涉及电力系统技术领域。所述方法:通过遥感卫星获取任意一个输电线路走廊的地表数据,并进行预处理和校正;建立输电线路走廊的积雪雪深反演模型;在输电线路走廊的积雪深度实测数据的基础上,将目标区的地址位置数据带入积雪雪深反演模型,输出目标区的积雪深度反演参数值,完成输电线路走廊积雪灾害的监测。本发明采用改进后的蜂群算法优化神经网络阈值和权值,提高反演模型精度。
Description
技术领域
本发明涉及电力系统技术领域,尤其涉及一种基于卫星遥感的输电线路走廊积雪灾害监测方法及系统。
背景技术
积雪是地球表面最为活跃的气象要素之一,影响着全球能量和水汽平衡,同时也影响天气、工农业和生活用水资源、环境、寒区工程等一系列与人类活动有关的要素积。在电力系统运行过程中,积雪过多会给野外输电线路造成巨大的影响。例如2008年元月,中国南方地区严重的雪冻灾害使得电网瘫痪,给部分地区的生产生活带来巨大影响。因此,积雪深度作为输电线路区域评估的重要环境参数受到重视,人们对于积雪的研究越来越多。至今为止,利用MODIS的相关波段数据与NDSI和NDVI相结合的方法。
现有利用上述经验数据建立积雪分布反演模型基本上能满足大尺度气候和水文模式的精度要求,但,依旧存在很多问题,譬如说算法的区域性较强,为保证精度,积雪分布反演模型系数需经常更新,同时,现有技术中并不存在一个能够满足多种条件的积雪分布反演模型。
发明内容
本发明的目的在于提供一种基于卫星遥感的输电线路走廊积雪灾害监测方法及系统,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明所述基于卫星遥感的输电线路走廊积雪灾害监测方法,所述方法包括:
S1,通过遥感卫星获取任意一个输电线路走廊的地表数据,并进行预处理和校正;
S2,建立输电线路走廊的积雪雪深反演模型;
S3,在输电线路走廊的积雪深度实测数据的基础上,将目标区的地址位置数据带入积雪雪深反演模型,输出目标区的积雪深度反演参数值,完成输电线路走廊积雪灾害的监测。
优选地,步骤S2,建立输电线路走廊的积雪雪深反演模型,具体按照下述步骤实现:
S21,建立初始模型库
在经过预处理和校正后的输电线路走廊的地表数据的基础上,利用NDSI和NDVI算法,模拟多种不同厚度的雪深,提取形成任意一种厚度的信息参数,建立每种厚度的地表初始子模型,多个地表初始子模型组成初始模型库;
S22,以初始模型库为训练集,建立基于神经网络的分类模型,然后在基于神经网络的分类模型的基础上对基于径向基函数的神经网络分类器的权系数和阈值进行优化,得到最优值;
S23,将最优值带入基于径向基函数的神经网络分类器中,以初始模型库为训练集,训练基于径向基函数的神经网络分类器,得到积雪雪深反演模型。
更优选地,步骤S21中子模型采用公式(1)描述:
其中,X(xj,j=1,2,...,N)为输入信息参数;y(X)∈RN,y(X)为在输入信息参数X的作用下积雪雪深反演模型的输出结果;mi为反演参数,所述反演参数包括:雪颗粒的平均直径,积雪厚度和温度;n为反演参数数量;为调度变量;ρi为基函数,是反演参数mi对应的归一化后的隶属度值,ρi的表达式为公式(2):
λi是高斯函数。
更优选地,所述高斯函数λi计算获得任意一个地表初始子模型的隶属度,所述高斯函数λi为公式(3):
ci是高斯函数的中心变量,Si用以确定高斯函数的宽度,通过先验知识测定。
优选地,步骤S23,采用人工蜂群算法进行优化。
优选地,在步骤S3之后,还包括以下步骤:判断目标区的积雪深度反演参数值与目标区的实测值之间的差值是否在预设范围内,如果是,则继续判断下一个;如果否,则发出预警。
本发明实现所述基于卫星遥感的输电线路走廊积雪灾害监测方法的监测系统,所述检测系统包括:
数据采集和处理单元:负责通过遥感卫星获取任意一个输电线路走廊的地表数据,并进行预处理和校正;
反演模型建立单元:用于建立输电线路走廊的积雪雪深反演模型;
监测单元:用于在输电线路走廊的积雪深度实测数据的基础上,将目标区的地址位置数据带入积雪雪深反演模型,输出目标区的积雪深度反演参数值,完成输电线路走廊积雪灾害的监测。
优选地,所述反演模型建立单元包括:
初始模型库构建模块:在经过预处理和校正后的输电线路走廊的地表数据的基础上,利用NDSI和NDVI算法,模拟多种不同厚度的雪深,提取形成任意一种厚度的信息参数,建立每种厚度的地表初始子模型,多个地表初始子模型组成初始模型库;
优化计算模块:以初始模型库为训练集,建立基于神经网络的分类模型,然后在基于神经网络的分类模型的基础上对基于径向基函数的神经网络分类器的权系数和阈值进行优化,得到最优值;
积雪雪深反演模型建立模块:将最优值带入基于径向基函数的神经网络分类器中,以初始模型库为训练集,训练基于径向基函数的的神经网络分类器,得到积雪雪深反演模型。
本发明的有益效果是:
本发明所述方法采用人工智能算法,以经验数据建立积雪初始模型库,作为训练样本,利用神经网络反演积雪模型地表参数,所述地表参数包括平均颗粒的体积、积雪密度和积雪温度,建立地表积雪反演模型,根据遥感影像上对应的位置数据,进行相关性分析得到反演关系式,并将实际遥感数据入到反演关系式,计算得到最终的积雪厚度覆盖图,并用不同颜色显示不同厚度。同时,本发明提高神经网络反演模型的精度,采用改进后的蜂群算法优化神经网络阈值和权值,提高反演模型精度。
附图说明
图1是基于卫星遥感的输电线路走廊积雪灾害监测方法的流程示意图;
图2是人工蜂群算法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
实施例
本实施例所述基于卫星遥感的输电线路走廊积雪灾害监测方法,包括:
步骤1:数据预处理。通过遥感卫星获取任意一个输电线路走廊的地表数据,并进行预处理和校正;
步骤2:建立输电线路走廊的积雪雪深反演模型。
步骤a:在经过预处理和校正后的输电线路走廊的地表数据的基础上,利用NDSI和NDVI算法,模拟多种不同厚度的雪深,提取形成任意一种厚度的信息参数,模拟得到2.7—5.3μm的水平、垂直极化亮温与积雪深度的关系,并建立多个不同厚度的地表初始子模型形成模型库。模型库中所包含积雪深度范围为5cm—300cm。所述信息参数是以气象卫星为遥感平台,资源卫星和航拍为辅助平台监测到的多组图像和数据信息。
步骤b:以所述初始模型库为训练集,建立基于神经网络的分类模型。为了提高神经网络的分类效果,提高收敛速度降低训练时间,然后在基于神经网络的分类模型的基础上对基于径向基函数的神经网络分类器的权系数和阈值进行优化,得到最优值。
进行优化运算时,采用改进后的人工蜂群算法(即ABC算法)对基于径向基函数的神经网络分类器进行优化。
其中,改进后的ABC算法实现步骤如下:
1.设置蜂群种群数量为m=100,最大迭代步数为max=1000,循环次数L=100;
2.初始化当前迭代次数m=1,初始化蜂群中当前对应食物源的侦查蜂数量为k=1,初始化当前未被选中的训练样本比例为c=100%;
3.按照上述算法步骤,进行优化,得到基于径向基函数的神经网络分类器的权系数和阈值的最优解,将最优解带入基于径向基函数的神经网络分类器。
步骤c:以初始模型库为训练集,训练基于径向基函数的神经网络分类器,得到积雪雪深反演模型。
步骤3:积雪深度反演模型与精度检验。
1.参考CLPX(The Cold Land Processes Field Experiment)实验的积雪深度实测数据,将相应的地理位置的数据(如山西省)以及2.7—5.3μm的水平、垂直极化亮温数据带入训练后的反演模型中,输出积雪深度反演参数值。
2.将基于蜂群算法的神经网络积雪深度反演结果与CLPX实验的实测结果进行对比,其对比情况如表1所示,经过计算,算法的平均反演精度为91.8%。
表1本实施例得到的积雪深度反演结果与CLPX实验的实测结果对比
参照图2,本发明中人工蜂群算法具体按照下述步骤实现:
步骤A:BP神经网络初始化。确定输入层、输出层和隐含层的神经元个数。
步骤B:将所有的权值和阈值的可能解作为采蜜蜂和观察蜂的个数为N(采蜜蜂和观察蜂的个数与蜜源个数相等),设定控制参数和最大循环次数,初始化种群,在D维解空间内随机产生初始解Xi(i=1,2,...N),计算每个初始解的适应度值;
步骤C:在每个初始解位置开始循环(循环次数小于最大循环次数);
步骤D:侦查蜂在初始解的邻域按照公式4搜索新解Vi并计算新解的适应度值:
Vij=Xij+φij(Xij-Xkj) (4);
其中,且k≠j,φij为[-1,1]之间的随机数;
步骤E:根据贪婪选择机制,按照公式5选择具有更高适应度值的解保留给下一代种群:
即如果Vi的适应度值优于Xi,则用Vi替换Xi;并将Vi作为当前最优解,否则保留Xi不变;
步骤F:根据公式(6),计算食物源的概率Pi:
步骤G:观察蜂依据概率Pi选择侦查蜂对应的食物源,按照搜索新解的公式产生新解Vi,并计算其适应度值;
步骤H:重复步骤E,当某只侦查蜂在其食物源邻域搜索次数d达到控制参数时,仍然没有找到适应度值更高的新解,即放弃该食物源;
步骤I:记录当前最优解,当循环次数达到最大循环时,停止循环,输出最优解。
步骤J:在侦查蜂放弃初始食物源时,利用变异概率公式(4)对侦查蜂个体进行均匀变异,更改侦查蜂个体的搜索位置空间,重新在其食物源邻域搜索新解;
重复步骤E至步骤I,直到当前迭代次数等于最大迭代次数停止寻优,输出最优解。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明所述方法采用人工智能算法,以经验数据建立积雪初始模型库,作为训练样本,利用神经网络反演积雪模型地表参数,所述地表参数包括平均颗粒的体积、积雪密度和积雪温度,建立地表积雪反演模型,根据遥感影像上对应的位置数据,进行相关性分析得到反演关系式,并将实际遥感数据入到反演关系式,计算得到最终的积雪厚度覆盖图,并用不同颜色显示不同厚度。同时,本发明为提高神经网络反演模型的精度,采用改进后的蜂群算法优化神经网络阈值和权值,提高反演模型精度。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (8)
1.一种基于卫星遥感的输电线路走廊积雪灾害监测方法,其特征在于,所述方法包括:
S1,通过遥感卫星获取任意一个输电线路走廊的地表数据,并进行预处理和校正;
S2,建立输电线路走廊的积雪雪深反演模型;
S3,在输电线路走廊的积雪深度实测数据的基础上,将目标区的地址位置数据带入积雪雪深反演模型,输出目标区的积雪深度反演参数值,完成输电线路走廊积雪灾害的监测。
2.根据权利要求1所述基于卫星遥感的输电线路走廊积雪灾害监测方法,其特征在于,步骤S2,建立输电线路走廊的积雪雪深反演模型,具体按照下述步骤实现:
S21,建立初始模型库
在经过预处理和校正后的输电线路走廊的地表数据的基础上,利用NDSI和NDVI算法,模拟多种不同厚度的雪深,提取形成任意一种厚度的信息参数,建立每种厚度的地表初始子模型,多个地表初始子模型组成初始模型库;
S22,以初始模型库为训练集,建立基于神经网络的分类模型,然后在基于神经网络的分类模型的基础上对基于径向基函数的神经网络分类器的权系数和阈值进行优化,得到最优值;
S23,将最优值带入基于径向基函数的神经网络分类器中,以初始模型库为训练集,训练基于径向基函数的神经网络分类器,得到积雪雪深反演模型。
3.根据权利要求2所述基于卫星遥感的输电线路走廊积雪灾害监测方法,其特征在于,步骤S21中子模型采用公式(1)描述:
其中,X(xj,j=1,2,...,N)为输入信息参数;y(X)∈RN,y(X)为在输入信息参数X的作用下积雪雪深反演模型的输出结果;mi为反演参数,所述反演参数包括:雪颗粒的平均直径,积雪厚度和温度;n为反演参数数量;为调度变量;ρi为基函数,是反演参数mi对应的归一化后的隶属度值,ρi的表达式为公式(2):
λi是高斯函数。
4.根据权利要求3所述基于卫星遥感的输电线路走廊积雪灾害监测方法,其特征在于,所述高斯函数λi计算获得任意一个地表初始子模型的隶属度,所述高斯函数λi为公式(3):
ci是高斯函数的中心变量,Si用以确定高斯函数的宽度,通过先验知识测定。
5.根据权利要求3所述基于卫星遥感的输电线路走廊积雪灾害监测方法,其特征在于,步骤S23,采用人工蜂群算法进行优化。
6.根据权利要求1所述基于卫星遥感的输电线路走廊积雪灾害监测方法,其特征在于,在步骤S3之后,还包括以下步骤:判断目标区的积雪深度反演参数值与目标区的实测值之间的差值是否在预设范围内,如果是,则继续判断下一个;如果否,则发出预警。
7.一种实现如权利要求1-6任意一项所述基于卫星遥感的输电线路走廊积雪灾害监测方法的监测系统,其特征在于,所述检测系统包括:
数据采集和处理单元:负责通过遥感卫星获取任意一个输电线路走廊的地表数据,并进行预处理和校正;
反演模型建立单元:用于建立输电线路走廊的积雪雪深反演模型;
监测单元:用于在输电线路走廊的积雪深度实测数据的基础上,将目标区的地址位置数据带入积雪雪深反演模型,输出目标区的积雪深度反演参数值,完成输电线路走廊积雪灾害的监测。
8.根据权利要求7所述基于卫星遥感的输电线路走廊积雪灾害监测系统,其特征在于,所述反演模型建立单元包括:
初始模型库构建模块:在经过预处理和校正后的输电线路走廊的地表数据的基础上,利用NDSI和NDVI算法,模拟多种不同厚度的雪深,提取形成任意一种厚度的信息参数,建立每种厚度的地表初始子模型,多个地表初始子模型组成初始模型库;
优化计算模块:以初始模型库为训练集,建立基于神经网络的分类模型,然后在基于神经网络的分类模型的基础上对基于径向基函数的神经网络分类器的权系数和阈值进行优化,得到最优值;
积雪雪深反演模型建立模块:将最优值带入基于径向基函数的神经网络分类器中,以初始模型库为训练集,训练基于径向基函数的的神经网络分类器,得到积雪雪深反演模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710107805.XA CN108510097B (zh) | 2017-02-27 | 2017-02-27 | 基于卫星遥感的输电线路走廊积雪灾害监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710107805.XA CN108510097B (zh) | 2017-02-27 | 2017-02-27 | 基于卫星遥感的输电线路走廊积雪灾害监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108510097A true CN108510097A (zh) | 2018-09-07 |
CN108510097B CN108510097B (zh) | 2021-06-25 |
Family
ID=63373519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710107805.XA Expired - Fee Related CN108510097B (zh) | 2017-02-27 | 2017-02-27 | 基于卫星遥感的输电线路走廊积雪灾害监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108510097B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417682A (zh) * | 2021-12-15 | 2022-04-29 | 上海海洋大学 | 一种综合校正北极海冰厚度反演的方法 |
CN114821361A (zh) * | 2022-06-24 | 2022-07-29 | 成都信息工程大学 | 积雪深度的计算方法、装置、计算机设备及可读存储介质 |
CN117237873A (zh) * | 2023-09-27 | 2023-12-15 | 华大天元(北京)科技股份有限公司 | 基于机器视觉的电网工程监理方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738620A (zh) * | 2008-11-19 | 2010-06-16 | 中国农业科学院农业资源与农业区划研究所 | 从被动微波遥感数据amsr-e反演地表温度的方法 |
CN101799561A (zh) * | 2010-02-05 | 2010-08-11 | 民政部国家减灾中心 | 一种基于减灾小卫星的雪灾遥感监测模拟评估方法 |
JP2014045610A (ja) * | 2012-08-28 | 2014-03-13 | Chugoku Electric Power Co Inc:The | 送電線着氷雪監視システム及び送電線着氷雪監視装置 |
CN103854055A (zh) * | 2014-03-31 | 2014-06-11 | 南京工程学院 | 基于神经网络及模糊逻辑算法的输电线路覆冰预测模型 |
CN103984862A (zh) * | 2014-05-15 | 2014-08-13 | 中国科学院遥感与数字地球研究所 | 一种多元遥感信息协同的积雪参数反演方法 |
CN105930817A (zh) * | 2016-05-05 | 2016-09-07 | 中国科学院寒区旱区环境与工程研究所 | 一种基于多源遥感数据的公路积雪灾害监测与预警方法 |
-
2017
- 2017-02-27 CN CN201710107805.XA patent/CN108510097B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738620A (zh) * | 2008-11-19 | 2010-06-16 | 中国农业科学院农业资源与农业区划研究所 | 从被动微波遥感数据amsr-e反演地表温度的方法 |
CN101799561A (zh) * | 2010-02-05 | 2010-08-11 | 民政部国家减灾中心 | 一种基于减灾小卫星的雪灾遥感监测模拟评估方法 |
JP2014045610A (ja) * | 2012-08-28 | 2014-03-13 | Chugoku Electric Power Co Inc:The | 送電線着氷雪監視システム及び送電線着氷雪監視装置 |
CN103854055A (zh) * | 2014-03-31 | 2014-06-11 | 南京工程学院 | 基于神经网络及模糊逻辑算法的输电线路覆冰预测模型 |
CN103984862A (zh) * | 2014-05-15 | 2014-08-13 | 中国科学院遥感与数字地球研究所 | 一种多元遥感信息协同的积雪参数反演方法 |
CN105930817A (zh) * | 2016-05-05 | 2016-09-07 | 中国科学院寒区旱区环境与工程研究所 | 一种基于多源遥感数据的公路积雪灾害监测与预警方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417682A (zh) * | 2021-12-15 | 2022-04-29 | 上海海洋大学 | 一种综合校正北极海冰厚度反演的方法 |
CN114417682B (zh) * | 2021-12-15 | 2024-04-12 | 上海海洋大学 | 一种综合校正北极海冰厚度反演的方法 |
CN114821361A (zh) * | 2022-06-24 | 2022-07-29 | 成都信息工程大学 | 积雪深度的计算方法、装置、计算机设备及可读存储介质 |
CN117237873A (zh) * | 2023-09-27 | 2023-12-15 | 华大天元(北京)科技股份有限公司 | 基于机器视觉的电网工程监理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108510097B (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
Wang et al. | Temperature error correction based on BP neural network in meteorological wireless sensor network | |
CN106453293B (zh) | 一种基于改进bpnn的网络安全态势预测方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN113762603B (zh) | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 | |
Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
CN108510097B (zh) | 基于卫星遥感的输电线路走廊积雪灾害监测方法及系统 | |
CN105787501A (zh) | 输电线路走廊区域自动选择特征的植被分类方法 | |
CN112287294A (zh) | 一种基于深度学习的时空双向土壤含水量插值方法 | |
CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN113095437A (zh) | 一种Himawari-8遥感数据的火点检测方法 | |
CN110110025A (zh) | 基于特征向量空间滤值的区域人口密度模拟方法 | |
Cui et al. | A secondary modal decomposition ensemble deep learning model for groundwater level prediction using multi-data | |
CN111027436A (zh) | 一种基于深度学习的东北黑木耳病虫害图像识别系统 | |
CN114357877A (zh) | 一种基于模糊评价与改进支持向量机的鱼塘水质评价预测系统及方法 | |
Nie et al. | Spatial prediction of soil moisture content in winter wheat based on machine learning model | |
CN106447072A (zh) | 基于显式遗传算法和奇异谱分析的气象水文要素预报方法 | |
Devi et al. | AI‐Based Weather Forecasting System for Smart Agriculture System Using a Recurrent Neural Networks (RNN) Algorithm | |
CN110969609B (zh) | 一种微波遥感亮温图像云检测方法 | |
CN116934125A (zh) | 一种面向能源开发片区的生态承载力评价方法 | |
Balamurugan et al. | Artificial Intelligence Based Smart Farming and Data Collection Using Deep Learning | |
Krapivin et al. | An Expert Systems for the Aquatic Systems Investigation | |
CN114169227A (zh) | 基于粒子群优化算法的高空间覆盖度塔基监控摄像头布设方法 | |
Correa et al. | PowerScour: tracking electrified settlements using satellite data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210625 |