CN108846347A - 一种公路滑坡区域的快速提取方法 - Google Patents

一种公路滑坡区域的快速提取方法 Download PDF

Info

Publication number
CN108846347A
CN108846347A CN201810575890.7A CN201810575890A CN108846347A CN 108846347 A CN108846347 A CN 108846347A CN 201810575890 A CN201810575890 A CN 201810575890A CN 108846347 A CN108846347 A CN 108846347A
Authority
CN
China
Prior art keywords
landslide
highway
region
image
potential
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
Application number
CN201810575890.7A
Other languages
English (en)
Other versions
CN108846347B (zh
Inventor
赵银军
黄玉莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Teachers College
Original Assignee
Guangxi Teachers College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi Teachers College filed Critical Guangxi Teachers College
Priority to CN201810575890.7A priority Critical patent/CN108846347B/zh
Publication of CN108846347A publication Critical patent/CN108846347A/zh
Application granted granted Critical
Publication of CN108846347B publication Critical patent/CN108846347B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及山体滑坡研究技术领域，具体为一种公路滑坡区域的快速提取方法，包括获取公路滑坡样本和研究区域影像，采集滑坡样区光谱特征值，设计新遥感指数NDRLI，确定潜在公路诱发滑坡区域，设计光谱曲线形状指数SISC，剔除潜在公路诱发滑坡区域中的水体、耕地、裸地、阴影区域、建筑用地和坡度小于20°的地物，最终得到公路滑坡区域。本发明与现有常用方法相比，具有工作量小、耗费时间较短、效率高、数据易获取、分类精度较高等优点，为研究公路沿线的滑坡灾害分析提供科学依据，具有大规模推广应用的前景。

Description

一种公路滑坡区域的快速提取方法
技术领域
本发明涉及山体滑坡研究技术领域，具体为一种公路滑坡区域的快速提取方法。
背景技术
滑坡是世界上最严重的自然灾害之一，它可能会导致人类生命和财产损失，造成道路和河流阻塞，进而影响道路正常通行和引发洪水。当前道路施工过程中，通过爆破和挖掘嵌入或穿透陡峭的山坡，这种切割和填充施工的方式将形成较大的不稳定区域。道路斜坡的切割或填充下边坡用于道路的加宽和加固是有效地消除坡度粘聚力和强度的一个重要因素，更容易使坡面遭到破坏。建成道路的下坡侧是道路建设废弃物的常见堆放区。此外，道路施工会引起地表排水中断，沟渠涵洞堵塞，地下水流运动改变等，因建设公路而引起的森林砍伐进一步导致岩体的变化和加剧了水土流失，上述现象都是道路施工期间和施工之后滑坡形成的主要原因。
基于计算机和卫星技术的发展，遥感技术被广泛应用于滑坡的空间数据获取和分析中。尽管卫星图像提供了一种经济、快速的数据获取方式，常用于监测和绘制大型且难以进入的山区的山体滑坡，但当前关于道路引起山体滑坡的研究很少。对于公路滑坡区域最常用的提取方法还是通过航空像片解译和有限的实地调查来完成，这种方法工作量大、耗费时间长、效率低同时精度也不高，对于大型山区的山体滑坡调查人员只能进入局部地区，最终难以为公路沿线的滑坡灾害分析提供科学决策。
发明内容
本发明一种公路滑坡区域的快速提取方法，包括获取公路滑坡样本和研究区域影像，采集滑坡样区光谱特征值，设计新遥感指数 NDRLI，确定潜在公路诱发滑坡区域，设计光谱曲线形状指数SISC，剔除潜在公路诱发滑坡区域中的水体、耕地、裸地、阴影区域、建筑用地和坡度小于20°的地物，最终得到公路滑坡区域。其中最关键在于设计新遥感指数NDRLI和光谱曲线形状指数SISC，通过计算新遥感指数NDRLI，较大程度地剔除了滑坡样区的植被，通过计算光谱曲线形状指数SISC，较大程度地剔除了潜在公路诱发滑坡区域的裸地和耕地。本方法具有工作量小、耗费时间较短、效率高、数据易获取、分类精度较高等优点，为研究公路沿线的滑坡灾害分析提供科学依据，有效解决了技术背景中提到的问题。
本发明采用的技术方案：
一种公路滑坡区域的快速提取方法，其特征在于，包括以下步骤：
(1)在Google earth影像上建立公路诱发滑坡解译标志；
(2)依据公路诱发滑坡解译标志，通过目视解译Google earth影像公路两旁图像绘制出滑坡区域，得到公路滑坡样本；
(3)对Landsat8 OLI影像进行数据预处理得到Landsat8 OLI研究区域影像；
(4)将从Google earth影像上采集到的公路滑坡样本叠加在 Landsat8 OLI研究区域影像上，然后利用ENVI软件采集滑坡样本区域的光谱特征值；
(5)根据采集到的滑坡样区光谱特征值绘制光谱曲线，通过分析滑坡与其它地物的光谱特征差异，设计出新遥感指数其中SWIR1是第一短波红外波段Band6光谱值，BLUE是蓝光波段Band2光谱值；
如图4所示，滑坡滑坡在波段Band6有最大反射率值，在波段Band2反射率值较小，本设计的新遥感指数NDRLI是利用波段Band6 与波段Band2的比值运算来增强滑坡信息的亮度。
(6)在ENVI软件中，输入新遥感指数NDRLI计算公式，计算出Landsat8OLI研究区域影像上地物的NDRLI值，得到Landsat8OLI 研究区域影像的新遥感指数图，确定NDRLI数值在0-0.5之间的地物为潜在公路诱发滑坡区域；
如图3所示，NDRLI指数的范围在-1至+1之间，该指数旨在：通过使用SWIR1来最大化提高公路引起的滑坡和裸地的反射率，同时尽量减少水体对蓝光的低反射率，因此公路滑坡和裸地的亮度得到了增强，而水体为负值受到了抑制，较容易地把水体剔除，另外植被的亮度比公路引起的山体滑坡亮度增强得更高，经多次试验后确定 NDRLI值在0.7至1为植被，NDRLI值在0.4至0.7可能包含耕地和裸地，最终确定NDRLI值在0-0.5之间为潜在公路诱发滑坡区域，即把水体和植被剔除，潜在公路诱发滑坡区域可能包含有耕地和裸地，这与实地考察的因公路诱发山体滑坡的混合特征相符。
(7)绘制潜在公路诱发滑坡区域的地物光谱平均值曲线，通过分析地物光谱平均值曲线的特征差异，设计光谱曲线形状指数公式中TM3为绿光波段Band3的光谱值，TM4 为红光波段Band4的光谱值，TM5为近红外波段Band5的光谱值，所述地物包括裸地、耕地和滑坡；
在裸地、耕地和滑坡各自的光谱值中，将波段Band5和波段Band3 的光谱值之和的一半除以波段Band4的光谱值，所得的数值，耕地和裸地的都大于1，而滑坡的则小于或等于1，因此根据此原理设计的光谱曲线形状指数SISC是为了剔除潜在公路诱发滑坡区域的耕地和裸地，最终的计算结果如图6-图9所示，理论与实际结果基本相符。
由于采集的滑坡区域样本较多，因此同一波段就有多个光谱值，所以图5采用的是每一个波段内的光谱平均值，即将波段Band5和波段Band3的光谱平均值之和的一半除以波段Band4的光谱平均值，所得的数值，耕地和裸地的都大于1，而滑坡的则小于或等于1。
(8)计算滑坡、耕地和裸地的SISC数值，确定光谱曲线形状指数 SISC阈值为1.1，即潜在公路诱发滑坡区域中SISC数值大于1.1的地物为非滑坡部分，去除了潜在公路诱发滑坡区域中耕地和裸地的噪声值；
图6-图9是确定光谱曲线形状指数SISC阈值为1.1的依据，通过确定SISC阈值较大程度地剔除了潜在公路诱发滑坡区域中的耕地和裸地。
(9)剔除潜在公路诱发滑坡区域的耕地和裸地后，再利用基于面向对象分类方法剔除潜在公路诱发滑坡区域的阴影区域；
山区地形阴影分布广泛且难以消除，而且山区阴影处的地物难以进行分类，同一地物在太阳直射的地表和在山区阴影下会有不同的光谱反射率，因此需要去除阴影区域的影响。
(10)剔除耕地、裸地和阴影区域后，运用Arcgis软件对潜在公路诱发滑坡区域的DEM数据进行坡度分析，然后用重分类模块划分出含坡度20°～50°的坡度等级数据，将潜在公路诱发滑坡区域里坡度小于20°的区域剔除，最终得到公路滑坡区域。
对于潜在公路诱发滑坡区域还存在的部分耕地及建筑用地等因素，本方案利用坡度因子来清除其在公路滑坡中的影响。因为滑坡和坡度有着密切的关系，坡度是诱发滑坡的关键因素，也是诱发滑坡的内在条件。现有大量统计资料表明，滑坡容易发生在坡度20°-50°之间，而大多数耕地位于坡度小于15°的地方，在坡度＞15°的条件下，耕地正逐渐过渡到自然生态系统，若坡度大于25°则耕地必须退耕还林，因此可以利用坡度来提高分类精度，将坡度小于20°的区域剔除即剔除了滑坡中的耕地、建筑用地和部分异常水体。
进一步的，步骤(2)所述滑坡区域包括削山滑坡和填充滑坡。
进一步的，步骤(3)所述数据预处理包括四个步骤，依次为辐射定标、大气校正、图像镶嵌、图像裁剪。
Landsat8 OLI影像即地物原始影像图经上述的数据预处理后，得到Landsat8 OLI研究区域影像即地物光谱曲线影像图。
进一步的，步骤(9)所述阴影区域是指潜在公路诱发滑坡区域里的近红外波段且DN值在0～380之间的区域。
采集多个阴影区样本进行统计分析后，确定这个范围内提取到的阴影区域较为准确。
进一步的，所述光谱曲线和地物光谱平均值曲线均包含7个相同波段Band1-Band7，所述Band1为气溶胶且波长为0.433-0.453μm，所述蓝光波段Band2波长为0.45～0.515μm，所述绿光波段Band3 波长为0.525～0.6μm，所述红光波段Band4波长为0.63～0.68μm，所述近红外波段Band5波长为0.845～0.885μm，所述第一短波红外波段Band6波长为1.56～1.66μm，所述Band7为第二短波红外波段且波长为2.1-2.3μm。
整幅地物原始影像图上的每个像元都有很多个波段，本发明只采用了前面7个波段即Band1-Band7。
进一步的，所述Google earth影像为干旱时期的图像。
选择干旱时期的图像是为了减少水分对滑坡解译的影响。
综上所述，由于采用了上述技术方案，本发明的有益效果：
本发明一种公路滑坡区域的快速提取方法，与当前公路滑坡区域最常用的提取方法相比，具有工作量小、减少人力、耗费时间较短、效率高、数据易获取、分类精度较高等优点，为研究公路沿线的山区滑坡灾害分析提供科学依据，具有大规模推广应用的前景。
附图说明
为了更清楚地说明本发明的实例或现有技术中的技术方案，下面将对实施实例或现有技术描述中所需要的附图做简单地介绍，显然，下面描述中的附图仅仅是本发明的一些实例，对于本领域普通技术人员来说，在不付出创造性的前提下，还可以根据这些附图获得其他的附图。
图1一种公路滑坡区域的快速提取方法流程框图；
图2 Landsat8 OLI影像即地物原始影像图；
图3新遥感指数NDRLI计算结果图；
图4公路滑坡光谱曲线图；
图5五种地物光谱平均值连线图；
图6耕地SISC指数线性图；
图7裸地SISC指数线性图；
图8填充滑坡SISC指数线性图；
图9削山滑坡SISC指数线性图；
图10公路滑坡区域分布图。
具体实施方式
下面将结合本发明实例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
如图1所示，一种公路滑坡区域的快速提取方法，包括以下步骤：
(1)在Google earth影像上建立公路诱发滑坡解译标志，所述 Google earth影像为干旱时期的图像；
(2)依据公路诱发滑坡解译标志，通过目视解译Google earth影像公路两旁图像绘制出滑坡区域，得到公路滑坡样本，所述滑坡区域包括削山滑坡和填充滑坡；
(3)如图2所示，对Landsat8OLI影像进行数据预处理得到 Landsat8 OLI研究区域影像，所述数据预处理包括四个步骤，依次为辐射定标、大气校正、图像镶嵌、图像裁剪；
(4)将从Google earth影像上采集到的公路滑坡样本叠加在 Landsat8 OLI研究区域影像上，然后利用ENVI软件采集滑坡样本区域的光谱特征值；
(5)根据采集到的滑坡样区光谱特征值绘制光谱曲线，如图4所示，通过分析滑坡与其它地物的光谱特征差异，设计出新遥感指数其中SWIR1是第一短波红外波段Band6光谱值，BLUE是蓝光波段Band2光谱值；
(6)在ENVI软件中，输入新遥感指数NDRLI计算公式，计算出 Landsat8 OLI研究区域影像上地物的NDRLI值，得到Landsat8 OLI 研究区域影像的新遥感指数图，确定NDRLI数值在0-0.5之间的地物为潜在公路诱发滑坡区域；
(7)如图5所示，绘制潜在公路诱发滑坡区域的地物光谱平均值曲线，通过分析地物光谱平均值曲线的特征差异，设计光谱曲线形状指数公式中TM3为绿光波段Band3的光谱值， TM4为红光波段Band4的光谱值，TM5为近红外波段Band5的光谱值，所述地物包括裸地、耕地和滑坡；
(8)如图6-图9所示，计算滑坡、耕地和裸地的SISC数值，确定光谱曲线形状指数SISC阈值为1.1，即潜在公路诱发滑坡区域中 SISC数值大于1.1的地物为非滑坡部分，去除了潜在公路诱发滑坡区域中耕地和裸地的噪声值；
(9)剔除潜在公路诱发滑坡区域的耕地和裸地后，再利用基于面向对象分类方法剔除潜在公路诱发滑坡区域的阴影区域，所述阴影区域是指潜在公路诱发滑坡区域里的近红外波段且DN值在0～380之间的区域；
(10)剔除耕地、裸地和阴影区域后，运用Arcgis软件对潜在公路诱发滑坡区域的DEM数据进行坡度分析，然后用重分类模块划分出含坡度20°～50°的坡度等级数据，将潜在公路诱发滑坡区域里坡度小于20°的区域剔除，最终得到公路滑坡区域，如10所示。
所述光谱曲线和地物光谱平均值曲线均包含7个相同波段 Band1-Band7，所述Band1为气溶胶且波长为0.433-0.453μm，所述蓝光波段Band2波长为0.45～0.515μm，所述绿光波段Band3波长为0.525～0.6μm，所述红光波段Band4波长为0.63～0.68μm，所述近红外波段Band5波长为0.845～0.885μm，所述第一短波红外波段Band6波长为1.56～1.66μm，所述Band7为第二短波红外波段且波长为2.1-2.3μm。
本实施例中，公路引起的山体滑坡研究区位于中国西南地区云南省的横断山脉，该地区被称为中国最易发生滑坡的地区，位于澜沧江中游位置(25°27′-31°09′，97°12′-100°11′)，在迪庆藏族自治州德钦县省道233德维线上，尼农至巴东路段，全程约49公里，以该路段公路作为中心左右拓展2公里即得到研究区范围。本实施例的滑坡光谱采集样区也在德维线上，同时在尼农至巴东路段的上游位置选取了部分滑坡样区，地物原始影像图如图2所示。滑坡样区光谱特征曲线为194条，如图4所示。按照本发明的方法提取后，研究区内公路滑坡总面积为4.38km2，占研究区总面积的4.47％，总体分类精度达到93.69％，Kappa系数达到0.73。总体来看，整体分类精度比较高，Kappa系数较低，但按照Kappa系数的等级，两者达到较好的一致性，滑坡区域如图10所示。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在发明的保护范围之内。

Claims (6)

1.一种公路滑坡区域的快速提取方法，其特征在于，包括以下步骤：
(1)在Google earth影像上建立公路诱发滑坡解译标志；
(2)依据公路诱发滑坡解译标志，通过目视解译Google earth影像公路两旁图像绘制出滑坡区域，得到公路滑坡样本；
(3)对Landsat8 OLI影像进行数据预处理得到Landsat8 OLI研究区域影像；
(4)将从Google earth影像上采集到的公路滑坡样本叠加在Landsat8 OLI研究区域影像上，然后利用ENVI软件采集滑坡样本区域的光谱特征值；
(5)根据采集到的滑坡样区光谱特征值绘制光谱曲线，通过分析滑坡与其它地物的光谱特征差异，设计出新遥感指数其中SWIR1是第一短波红外波段Band6光谱值，BLUE是蓝光波段Band2光谱值；
(6)在ENVI软件中，输入新遥感指数NDRLI计算公式，计算出Landsat8 OLI研究区域影像上地物的NDRLI值，得到Landsat8 OLI研究区域影像的新遥感指数图，确定NDRLI数值在0-0.5之间的地物为潜在公路诱发滑坡区域；
(7)绘制潜在公路诱发滑坡区域的地物光谱平均值曲线，通过分析地物光谱平均值曲线的特征差异，设计光谱曲线形状指数公式中TM3为绿光波段Band3的光谱值，TM4为红光波段Band4的光谱值，TM5为近红外波段Band5的光谱值，所述地物包括裸地、耕地和滑坡；
(8)计算滑坡、耕地和裸地的SISC数值，确定光谱曲线形状指数SISC阈值为1.1，即潜在公路诱发滑坡区域中SISC数值大于1.1的地物为非滑坡部分，去除了潜在公路诱发滑坡区域中耕地和裸地的噪声值；
(9)剔除潜在公路诱发滑坡区域的耕地和裸地后，再利用基于面向对象分类方法剔除潜在公路诱发滑坡区域的阴影区域；
(10)剔除耕地、裸地和阴影区域后，运用Arcgis软件对潜在公路诱发滑坡区域的DEM数据进行坡度分析，然后用重分类模块划分出含坡度20°～50°的坡度等级数据，将潜在公路诱发滑坡区域里坡度小于20°的区域剔除，最终得到公路滑坡区域。
2.根据权利要求1所述的一种公路滑坡区域的快速提取方法，其特征在于：步骤（2）所述滑坡区域包括削山滑坡和填充滑坡。
3.根据权利要求1所述的一种公路滑坡区域的快速提取方法，其特征在于：步骤（3）所述数据预处理包括四个步骤，依次为辐射定标、大气校正、图像镶嵌、图像裁剪。
4.根据权利要求1所述的一种公路滑坡区域的快速提取方法，其特征在于，步骤（9）所述阴影区域是指潜在公路诱发滑坡区域里的近红外波段且DN值在0～380之间的区域。
5.根据权利要求1所述的一种公路滑坡区域的快速提取方法，其特征在于：所述光谱曲线和地物光谱平均值曲线均包含7个相同波段Band1- Band7，所述Band1为气溶胶且波长为0.433-0.453μm，所述蓝光波段Band2波长为0.45～0.515μm，所述绿光波段Band3波长为0.525～0.6μm，所述红光波段Band4波长为0.63～0.68μm，所述近红外波段Band5波长为0.845～0.885μm，所述第一短波红外波段Band6波长为1.56～1.66μm，所述Band7为第二短波红外波段且波长为2.1-2.3μm。
6.根据权利要求1所述的一种公路滑坡区域的快速提取方法，其特征在于：所述Googleearth影像为干旱时期的图像。
CN201810575890.7A 2018-06-06 2018-06-06 一种公路滑坡区域的快速提取方法 Active CN108846347B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810575890.7A CN108846347B (zh) 2018-06-06 2018-06-06 一种公路滑坡区域的快速提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810575890.7A CN108846347B (zh) 2018-06-06 2018-06-06 一种公路滑坡区域的快速提取方法

Publications (2)

Publication Number Publication Date
CN108846347A true CN108846347A (zh) 2018-11-20
CN108846347B CN108846347B (zh) 2021-06-08

Family

ID=64210501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810575890.7A Active CN108846347B (zh) 2018-06-06 2018-06-06 一种公路滑坡区域的快速提取方法

Country Status (1)

Country Link
CN (1) CN108846347B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801304A (zh) * 2019-01-11 2019-05-24 重庆邮电大学 一种抑制裸地的建筑指数构建及建筑区域快速提取方法
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
CN111626269A (zh) * 2020-07-07 2020-09-04 中国科学院空天信息创新研究院 一种实用的大空间范围滑坡提取方法
CN113326756A (zh) * 2021-05-25 2021-08-31 中国地质调查局武汉地质调查中心 一种基于岩体劣化特征的库岸潜在滑坡隐患识别方法
CN114494851A (zh) * 2021-12-23 2022-05-13 青岛星科瑞升信息科技有限公司 一种基于多时相遥感影像差异信息的滑坡提取方法
CN115690773A (zh) * 2022-12-26 2023-02-03 武汉天际航信息科技股份有限公司 Dem分区及重建方法、计算设备和存储介质
CN115795626A (zh) * 2022-12-26 2023-03-14 武汉天际航信息科技股份有限公司 数字道路模型分析方法、装置、计算设备以及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120183205A1 (en) * 2009-09-08 2012-07-19 Incorporated Administrative Agency Public Works Research Institute Method for displacement measurement, device for displacement measurement, and program for displacement measurement
CN105989322A (zh) * 2015-01-27 2016-10-05 同济大学 一种基于高分辨率遥感影像的多指标融合滑坡检测方法
CN106600574A (zh) * 2016-08-25 2017-04-26 中国科学院遥感与数字地球研究所 一种基于遥感影像与高程数据的滑坡提取方法
CN106874832A (zh) * 2016-12-23 2017-06-20 航天星图科技（北京）有限公司 一种遥感影像中泥石流突发地区的识别方法
CN107169467A (zh) * 2017-05-25 2017-09-15 江西理工大学 一种多源时序影像的稀土矿区土地毁损与恢复分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120183205A1 (en) * 2009-09-08 2012-07-19 Incorporated Administrative Agency Public Works Research Institute Method for displacement measurement, device for displacement measurement, and program for displacement measurement
CN105989322A (zh) * 2015-01-27 2016-10-05 同济大学 一种基于高分辨率遥感影像的多指标融合滑坡检测方法
CN106600574A (zh) * 2016-08-25 2017-04-26 中国科学院遥感与数字地球研究所 一种基于遥感影像与高程数据的滑坡提取方法
CN106874832A (zh) * 2016-12-23 2017-06-20 航天星图科技（北京）有限公司 一种遥感影像中泥石流突发地区的识别方法
CN107169467A (zh) * 2017-05-25 2017-09-15 江西理工大学 一种多源时序影像的稀土矿区土地毁损与恢复分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ARI J. POSNER 等: ""Normalized Landslide Index Method for susceptibility map development in El Salvador"", 《NATURAL HAZARDS VOLUME》 *
李树林 等: ""雅安芦山县地震崩塌滑坡信息提取与发育规律分析"", 《工程地质学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801304A (zh) * 2019-01-11 2019-05-24 重庆邮电大学 一种抑制裸地的建筑指数构建及建筑区域快速提取方法
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
CN111368716B (zh) * 2020-02-28 2023-04-28 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
CN111626269A (zh) * 2020-07-07 2020-09-04 中国科学院空天信息创新研究院 一种实用的大空间范围滑坡提取方法
CN111626269B (zh) * 2020-07-07 2021-08-27 中国科学院空天信息创新研究院 一种实用的大空间范围滑坡提取方法
CN113326756A (zh) * 2021-05-25 2021-08-31 中国地质调查局武汉地质调查中心 一种基于岩体劣化特征的库岸潜在滑坡隐患识别方法
CN114494851A (zh) * 2021-12-23 2022-05-13 青岛星科瑞升信息科技有限公司 一种基于多时相遥感影像差异信息的滑坡提取方法
CN115690773A (zh) * 2022-12-26 2023-02-03 武汉天际航信息科技股份有限公司 Dem分区及重建方法、计算设备和存储介质
CN115795626A (zh) * 2022-12-26 2023-03-14 武汉天际航信息科技股份有限公司 数字道路模型分析方法、装置、计算设备以及存储介质

Also Published As

Publication number Publication date
CN108846347B (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN108846347A (zh) 一种公路滑坡区域的快速提取方法
Guan et al. Monitoring long-term gully erosion and topographic thresholds in the marginal zone of the Chinese Loess Plateau
Sakals et al. A spatial and temporal model of root cohesion in forest soils
Wang et al. Magnitude of soil erosion in small catchments with different land use patterns under an extreme rainstorm event over the Northern Loess Plateau, China
Acharya et al. Application of water indices in surface water change detection using Landsat imagery in Nepal
CN108592888B (zh) 一种居民地提取方法
CN107862255A (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
Solikhin et al. High-spatial-resolution imagery helps map deposits of the large (VEI 4) 2010 Merapi Volcano eruption and their impact
CN106485254A (zh) 一种输电线路通道地表特征变化自动提取方法
Shukla et al. Assessment of sedimentation in Pong and Bhakra reservoirs in Himachal Pradesh, India, using geospatial technique
Imaizumi et al. Channel initiation by surface and subsurface flows in a steep catchment of the Akaishi Mountains, Japan
CN111666904A (zh) 一种输电线路高分辨率遥感影像地质灾害解译识别方法
Balabathina et al. Integrated remote sensing and GIS-based universal soil loss equation for soil erosion estimation in the Megech River Catchment, Tana Lake Sub-basin, Northwestern Ethiopia
Delile et al. Headwater valley response to climate and land use changes during the Little Ice Age in the Massif Central (Yzeron basin, France)
Yang et al. Soil erosion of unpaved loess roads subjected to an extreme rainstorm event: a case study of the Jiuyuangou watershed on the Loess Plateau, China
Wang et al. Sediment connectivity of small watershed affected by gully development and vegetation restoration on the loess plateau
Xiao et al. Effects of shrub on runoff and soil loss at loess slopes under simulated rainfall
Wagh et al. Assessment of reservoir sedimentation using satellite remote sensing technique (SRS)
Gillmore et al. Irrigation on the Tehran Plain, Iran: Tepe Pardis—The site of a possible Neolithic irrigation feature?
Ait El Haj et al. Monitoring land use and land cover changes using remote sensing techniques and the precipitation-vegetation indexes in Morocco
Bouzekri et al. Assessment of the spatial dynamics of sandy desertification using remote sensing in Nemamcha region (Algeria)
Abbas et al. An assessment of status and distribution of mangrove forest cover in Pakistan
Esmaeili Gholzom et al. Erosion risk assessment and identification of susceptibility lands using the ICONA model and RS and GIS techniques
Manić et al. Remote Sensing and Nuclear Techniques for Soil Erosion Research in Forest Areas: Case Study of the Crveni Potok Catchment
Budhathoki et al. Assessment of Imja Glacier Lake outburst flood (GLOF) risk in Dudh Koshi River Basin using remote sensing techniques

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