CN109242195A - 一种指定区域失火发生情况预测方法 - Google Patents

一种指定区域失火发生情况预测方法 Download PDF

Info

Publication number
CN109242195A
CN109242195A CN201811114944.6A CN201811114944A CN109242195A CN 109242195 A CN109242195 A CN 109242195A CN 201811114944 A CN201811114944 A CN 201811114944A CN 109242195 A CN109242195 A CN 109242195A
Authority
CN
China
Prior art keywords
fire
cluster
specified region
situation arises
region
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
CN201811114944.6A
Other languages
English (en)
Other versions
CN109242195B (zh
Inventor
李琳
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.)
Hangzhou Canba Technology Co ltd
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201811114944.6A priority Critical patent/CN109242195B/zh
Publication of CN109242195A publication Critical patent/CN109242195A/zh
Application granted granted Critical
Publication of CN109242195B publication Critical patent/CN109242195B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

本发明提供一种指定区域失火发生情况预测方法，所述方法包括获取目标地区的AVHRR卫星数据图集，所述卫星数据图集中包括多张卫星数据图；对每个卫星数据图进行失火点分析，提取所述卫星数据图中的失火点；计算像元的失火点次数；按照像元的失火点次数进行聚类，得到M个聚类中心；根据聚类结果进行失火发生情况分析；根据分析结果预测指定区域失火发生情况。本发明通过独创性地提出了失火点提取算法、起火危险值获取算法，以聚类结果为导向的火灾危险性分析算法，从而得到了对于对于指定区域火灾危险性较为科学的预测结果。

Description

一种指定区域失火发生情况预测方法
技术领域
本发明涉及火灾防控领域，尤其涉及一种指定区域失火发生情况预测方法。
背景技术
火灾是指在时间或空间上失去控制的灾害性燃烧现象。在各种灾害中，火灾是最经常、最普遍地威胁公众安全和社会发展的主要灾害之一。人类能够对火进行利用和控制，是文明进步的一个重要标志。所以说人类使用火的历史与同火灾作斗争的历史是相伴相生的，人们在用火的同时，不断总结火灾发生的规律，尽可能地减少火灾及其对人类造成的危害。在遇到火灾时人们需要安全、尽快的逃生。
为了更好的对火灾进行防控，有必要进行火灾危险程度以及危险发生率的评估。
发明内容
为了解决上述技术问题，本发明提供一种指定区域失火发生情况预测方法。
本发明是以如下技术方案实现的：
一种指定区域失火发生情况预测方法，所述方法包括：
获取目标地区的AVHRR卫星数据图集，所述卫星数据图集中包括多张卫星数据图；
对每个卫星数据图进行失火点分析，提取所述卫星数据图中的失火点；
计算像元的失火点次数；
按照像元的失火点次数进行聚类，得到M个聚类中心；
根据聚类结果进行失火发生情况分析；
根据分析结果预测指定区域失火发生情况。
进一步地，所述根据聚类结果进行失火发生情况分析包括：
根据每个聚类中心Pi的位置信息，在所述目标地区中得到所述聚类中心Pi对应的聚类区域Di；在所述聚类区域中Di的任意一点O(x,y)与所述聚类中心Pi的距离比与其它聚类中心Pj(j≠i)(0≤j≤N-1)的距离都近；
统计聚类中心Pi对应的聚类区域Di中各个像元的失火点次数，得到聚类区域Di对应的起火危险值。
进一步地，所述根据分析结果预测指定区域失火发生情况包括：
所述获取与指定区域Y具有重合区域的聚类区域Dt，并计算指定区域Y与聚类区域Dt的重合区域Ct。
根据重合区域Ct和所述重合区域Ct对应的聚类区域Dt的起火危险值得到指定区域的起火危险值。
进一步地，所述根据重合区域Ct和所述重合区域Ct对应的聚类区域Dt的起火危险值得到指定区域的起火危险值包括：
获取重合区域Ct的权值重合区域Ct的面积St，指定区域的总面积为S；
基于加权法计算指定区域的起火危险值。
进一步地，根据公式Xi＝∑Wt*Qt计算指定区域的起火危险值，其中，Qt为重合区域Ct对应的聚类区域Dt的起火危险值。
在本发明创造的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明创造和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明创造的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明创造的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明创造中的具体含义。
本发明的有益效果是：
本发明中提供了供一种指定区域失火发生情况预测方法，通过独创性地提出了失火点提取算法、起火危险值获取算法，以聚类结果为导向的火灾危险性分析算法，从而得到了对于对于指定区域火灾危险性较为科学的预测结果。
附图说明
图1是本实施例提供的一种失火发生情况分析方法流程图；
图2是本实施例提供的提取失火点方法流程图；
图3是本实施例提供的根据聚类结果进行失火发生情况分析流程图；
图4是本实施例提供的基于起火危险值获取某个指定区域失火发生情况的方法流程图；
图5是本实施例提供的指定区域的起火危险值方法流程图；
图6是本实施例提供的一种失火发生情况分析装置框图；
图7是本实施例提供的失火点提取模块框图；
图8是本实施例提供的分析模块框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明作进一步地详细描述。
本发明实施例提供一种失火发生情况分析方法，如图1所示，包括：
S101.获取目标地区的AVHRR卫星数据图集，所述卫星数据图集中包括多张卫星数据图。
具体地，所述多张卫星数据图均具备相同的规格，即长宽和分辨率均相同，并且均对应同样的目标区域。本发明实施例中卫星数据图的数量不小于200张。
AVHRR，全称为Advanced Very High Resolution Radiometer，是NOAA系列气象卫星上搭载的传感器，从1979年TIROS-N卫星发射以来，NOAA系列卫星的AVHRR传感器就持续进行着对地观测任务。
AVHRR是一种多光谱通道的扫描辐射仪，星上探测器扫描角为±55.4°，相当于探测地面2800km宽的带状区域，两条轨道可以覆盖我国大部分国土，三条轨道可完全覆盖我国全部国土。
S102.对每个卫星数据图进行失火点分析，提取所述卫星数据图中的失火点。
S103.计算像元的失火点次数。
以像元点为单位，统计每个像元点与失火点位置重合的次数即为失火点次数。
以像元点为研究单位，统计光谱图像集的分析结果中所述像元点属于失火点的次数。
S104.按照像元的失火点次数进行聚类，得到M个聚类中心。
聚类算法使用现有技术即可，本发明实施例不做特别限定。
S105.根据聚类结果进行失火发生情况分析。
具体地，所述对每个卫星数据图进行失火点分析，提取所述卫星数据图中的失火点如图2所示，包括：
S1021.提取疑似目标像元和第一常规像元。
如果像元满足条件T1φ315K并且T1-T2φ9K，则像元被设定为疑似目标像元，否则，被设定为第一常规像元。其中T1是第3b通道亮温，T2是第4通道亮温。
S1022.提取第二常规像元。
如果像元满足条件ρ1φ0.22，并且T2π265K，或T2-T3φ4K，其中ρ1是第二通道的大气层顶的表观反射率，T3是第五通道亮温。
具体地，所述第一常规像元和第二常规像元构成常规像元。
S1023.以疑似目标像元为中心，建立正方形观察窗，统计所述正方形观察窗中常规像元的温度特性。
设常规像元第3b通道的亮温平均值为T3c，常规像元第3b通道的亮温标准差为σ3c，常规像元第3b通道和第4通道亮温差的平均值为常规像元第3b通道和第4通道亮温差的标准差为
S1024.根据统计结果判断疑似目标像元是否为失火点。
若满足公式T3f-T3c-2σ3c≥3K并且成立，则疑似目标像元为失火点。其中T3f为疑似目标像元的第3b通道亮温，T34f为疑似目标像元第3b通道亮温和第4通道亮温差。
具体地，所述根据聚类结果进行失火发生情况分析如图3所示，包括：
S1051.根据每个聚类中心Pi的位置信息，在所述目标地区中得到所述聚类中心Pi对应的聚类区域Di；在所述聚类区域中Di的任意一点O(x,y)与所述聚类中心Pi的距离比与其它聚类中心Pj(j≠i)(0≤j≤N-1)的距离都近。
S1052.统计聚类中心Pi对应的聚类区域Di中各个像元的失火点次数，得到聚类区域Di对应的起火危险值(失火点次数总和)。
进一步地，本发明还公开了基于起火危险值对某个指定区域失火发生情况预测的方法，如图4所示，包括：
S1.获取与指定区域Y具有重合区域的聚类区域Dt，并计算指定区域Y与聚类区域Dt的重合区域Ct。
S2.根据重合区域Ct和所述重合区域Ct对应的聚类区域Dt的起火危险值得到指定区域的起火危险值。
如图5所示，所述根据重合区域Ct和所述重合区域Ct对应的聚类区域Dt的起火危险值得到指定区域的起火危险值包括：
S21.获取重合区域Ct的权值重合区域Ct的面积St，指定区域的总面积为S。
S22.基于加权法计算指定区域的起火危险值。
根据公式Xi＝∑Wt*Qt计算指定区域的起火危险值，其中，Qt为重合区域Ct对应的聚类区域Dt的起火危险值。
本发明实施例一种失火发生情况分析装置，如图6所示，包括：
数据获取模块201，用于获取目标地区的AVHRR卫星数据图集，所述卫星数据图集中包括多张卫星数据图；
失火点提取模块202，用于对每个卫星数据图进行失火点分析，提取所述卫星数据图中的失火点；
统计模块203，用于计算像元的失火点次数；
聚类模块204，用于按照像元的失火点次数进行聚类，得到M个聚类中心。
分析模块205，用于根据聚类结果进行失火发生情况分析。
失火点提取模块202如图7所示，包括：
第一提取单元2021，用于提取疑似目标像元和第一常规像元。
第二提取单元2022，用于提取第二常规像元。
统计分析单元2023，用于以疑似目标像元为中心，建立正方形观察窗，统计所述正方形观察窗中常规像元的温度特性。
判断单元2024，根据统计结果判断疑似目标像元是否为失火点。
分析模块205如图8所示，包括：
划归单元2051，用于根据每个聚类中心Pi的位置信息，在所述目标地区中得到所述聚类中心Pi对应的聚类区域Di。
起火危险值获取单元2052，用于统计聚类中心Pi对应的聚类区域Di中各个像元的失火点次数，得到聚类区域Di对应的起火危险值。
进一步地，所述装置还包括：
重合区域计算模块，用于获取与指定区域Y具有重合区域的聚类区域Dt，并计算指定区域Y与聚类区域Dt的重合区域Ct。
起火危险值计算模块，用于根据重合区域Ct和所述重合区域Ct对应的聚类区域Dt的起火危险值得到指定区域的起火危险值。
起火危险值计算模块包括：
权值获取单元，用于获取重合区域Ct的权值重合区域Ct的面积St，指定区域的总面积为S。
加权单元，用于基于加权法计算指定区域的起火危险值。
根据公式Xi＝∑Wt*Qt计算待测点X的值，其中，Qt为重合区域Ct对应的聚类区域Dt的起火危险值。
本发明的装置实施例中与方法实施例基于同样地发明构思。
本发明的实施例还提供了一种存储介质，所述存储介质可用于保存用于实现实施例中需要用到的的程序代码。可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络设备中的至少一个网络设备。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
需要说明的是：上述本发明实施例的先后顺序仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，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，均应包含在本发明的保护范围之内。

Claims (5)

1.一种指定区域失火发生情况预测方法，其特征在于，所述方法包括：
获取目标地区的AVHRR卫星数据图集，所述卫星数据图集中包括多张卫星数据图；
对每个卫星数据图进行失火点分析，提取所述卫星数据图中的失火点；
计算像元的失火点次数；
按照像元的失火点次数进行聚类，得到M个聚类中心；
根据聚类结果进行失火发生情况分析；
根据分析结果预测指定区域失火发生情况。
2.根据权利要求1所述一种指定区域失火发生情况预测方法，其特征在于：
所述根据聚类结果进行失火发生情况分析包括：
根据每个聚类中心Pi的位置信息，在所述目标地区中得到所述聚类中心Pi对应的聚类区域Di；在所述聚类区域中Di的任意一点O(x,y)与所述聚类中心Pi的距离比与其它聚类中心Pj(j≠i)(0≤j≤N-1)的距离都近；
统计聚类中心Pi对应的聚类区域Di中各个像元的失火点次数，得到聚类区域Di对应的起火危险值。
3.根据权利要求1所述一种指定区域失火发生情况预测方法，其特征在于：
所述根据分析结果预测指定区域失火发生情况包括：
所述获取与指定区域Y具有重合区域的聚类区域Dt，并计算指定区域Y与聚类区域Dt的重合区域Ct。
根据重合区域Ct和所述重合区域Ct对应的聚类区域Dt的起火危险值得到指定区域的起火危险值。
4.根据权利要求1所述一种指定区域失火发生情况预测方法，其特征在于：
所述根据重合区域Ct和所述重合区域Ct对应的聚类区域Dt的起火危险值得到指定区域的起火危险值包括：
获取重合区域Ct的权值重合区域Ct的面积St，指定区域的总面积为S；
基于加权法计算指定区域的起火危险值。
5.根据权利要求4所述一种指定区域失火发生情况预测方法，其特征在于：
根据公式Xi＝∑Wt*Qt计算指定区域的起火危险值，其中，Qt为重合区域Ct对应的聚类区域Dt的起火危险值。
CN201811114944.6A 2018-09-25 2018-09-25 一种指定区域失火发生情况预测方法 Active CN109242195B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811114944.6A CN109242195B (zh) 2018-09-25 2018-09-25 一种指定区域失火发生情况预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811114944.6A CN109242195B (zh) 2018-09-25 2018-09-25 一种指定区域失火发生情况预测方法

Publications (2)

Publication Number Publication Date
CN109242195A true CN109242195A (zh) 2019-01-18
CN109242195B CN109242195B (zh) 2021-10-19

Family

ID=65056118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811114944.6A Active CN109242195B (zh) 2018-09-25 2018-09-25 一种指定区域失火发生情况预测方法

Country Status (1)

Country Link
CN (1) CN109242195B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101187999A (zh) * 2007-11-15 2008-05-28 重庆大学 建筑物火灾烟流特性预测系统和预测方法
CN102034330A (zh) * 2010-11-05 2011-04-27 电子科技大学 一种防火防入侵同步预警系统及其信号处理方法
CN102201146A (zh) * 2011-05-18 2011-09-28 中国科学技术大学 基于主动红外视频的零照度环境火灾烟雾识别方法
CN103325205A (zh) * 2013-07-01 2013-09-25 江南大学 基于径向基神经网络的室内火灾预测方法及系统
CN103366057A (zh) * 2013-07-05 2013-10-23 交通运输部天津水运工程科学研究所 一种石油化工码头储罐区液态化学品重大危险源动态分级的方法
CN104700095A (zh) * 2015-03-30 2015-06-10 北京市环境保护监测中心 秸秆焚烧火点卫星遥感监测方法及处理装置
CN108053594A (zh) * 2017-12-20 2018-05-18 江苏金鸽网络科技有限公司 一种定点区域单元的火灾预警方法
CN108242052A (zh) * 2016-12-23 2018-07-03 航天星图科技（北京）有限公司 一种应用于农田的火点确定方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101187999A (zh) * 2007-11-15 2008-05-28 重庆大学 建筑物火灾烟流特性预测系统和预测方法
CN102034330A (zh) * 2010-11-05 2011-04-27 电子科技大学 一种防火防入侵同步预警系统及其信号处理方法
CN102201146A (zh) * 2011-05-18 2011-09-28 中国科学技术大学 基于主动红外视频的零照度环境火灾烟雾识别方法
CN103325205A (zh) * 2013-07-01 2013-09-25 江南大学 基于径向基神经网络的室内火灾预测方法及系统
CN103366057A (zh) * 2013-07-05 2013-10-23 交通运输部天津水运工程科学研究所 一种石油化工码头储罐区液态化学品重大危险源动态分级的方法
CN104700095A (zh) * 2015-03-30 2015-06-10 北京市环境保护监测中心 秸秆焚烧火点卫星遥感监测方法及处理装置
CN108242052A (zh) * 2016-12-23 2018-07-03 航天星图科技（北京）有限公司 一种应用于农田的火点确定方法
CN108053594A (zh) * 2017-12-20 2018-05-18 江苏金鸽网络科技有限公司 一种定点区域单元的火灾预警方法

Also Published As

Publication number Publication date
CN109242195B (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
Hallau et al. Automated identification of sugar beet diseases using smartphones
Van Gennip et al. Community detection using spectral clustering on sparse geosocial data
CN109360369A (zh) 一种基于聚类结果进行火灾危险分析方法及装置
Walter et al. Multi-temporal analysis reveals that predictors of mountain pine beetle infestation change during outbreak cycles
CN108093406A (zh) 一种基于集成学习的无线传感网入侵检测方法
JP6159189B2 (ja) ハイパースペクトル画像のシグネチャーのマッチングの信頼度を評価する方法
D’andrea et al. Counting niches: Abundance‐by‐trait patterns reveal niche partitioning in a Neotropical forest
Cavusoglu et al. An analysis of the impact of passenger profiling for transportation security
Borghys et al. Hyperspectral anomaly detection: Comparative evaluation in scenes with diverse complexity
Wang et al. Detecting tents to estimate the displaced populations for post-disaster relief using high resolution satellite imagery
CN111931744B (zh) 一种遥感影像变化检测方法和装置
CN108363783B (zh) Mac地址与身份信息的绑定方法及装置
CN109284613A (zh) 标识检测及仿冒站点检测方法、装置、设备及存储介质
CN109377711A (zh) 火灾危险分级方法及装置
CN113868551A (zh) 一种基于轨迹的密切接触对象的筛选方法和装置
Schoepfer et al. Towards a multi-scale approach for an Earth observation-based assessment of natural resource exploitation in conflict regions
Debinski et al. Quantifying relationships between bird and butterfly community shifts and environmental change
US10419318B2 (en) Determining attributes using captured network probe data in a wireless communications system
CN109308409A (zh) 一种基于相似度计算的攻击路径重构方法
CN109242195A (zh) 一种指定区域失火发生情况预测方法
CN113780363A (zh) 一种对抗样本防御方法、系统、计算机及介质
CN109299691A (zh) 一种失火发生情况分析方法及装置
CN106022217A (zh) 无监督多级分类的民用机场跑道区域检测方法
Stow et al. Discrete classification approach to land cover and land use change identification based on Landsat image time sequences
CN110738229B (zh) 一种细粒度图像分类方法、装置及电子设备

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210928

Address after: Room 1403, 14th floor, 736 Jiangshu Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province 310000

Applicant after: Hangzhou canba Technology Co.,Ltd.

Address before: 11 fangzhuanchang Hutong, Dongcheng District, Beijing 102200

Applicant before: Li Lin

GR01 Patent grant
GR01 Patent grant