CN109410329B - 一种雪崩信息提取方法、装置、电子设备及存储介质 - Google Patents
一种雪崩信息提取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109410329B CN109410329B CN201811298038.6A CN201811298038A CN109410329B CN 109410329 B CN109410329 B CN 109410329B CN 201811298038 A CN201811298038 A CN 201811298038A CN 109410329 B CN109410329 B CN 109410329B
- Authority
- CN
- China
- Prior art keywords
- avalanche
- region
- detected
- area
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Graphics (AREA)
- Theoretical Computer Science (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明实施例提供了一种雪崩信息提取方法、装置、电子设备及存储介质,方法包括:先获取待测区域的卫星遥感影像数据和无人机激光雷达点云数据,再利用预先构建的区域最佳雪崩模拟模型,获取待测区域潜在雪崩模拟值。之后,根据潜在雪崩模拟值对待测区域的雪崩形成区概率进行划分,得到待测区域的雪崩灾害级别信息。装置用于执行上述方法。本发明实施例通过使用卫星和无人机来获取待测区域的信息,再利用预先建立的区域最佳雪崩模拟模型,得到与待测区域对应的潜在雪崩模拟值,提取待测区域的雪崩灾害级别信息,如:潜在雪崩区和雪崩运动路径。由于卫星遥感与无人机获得的信息会更加全面,也提高了雪崩信息的精确度,可以更加全面进行雪崩防治。
Description
技术领域
本发明涉及信息提取领域,具体而言,涉及一种雪崩信息提取方法、装置、电子设备及存储介质。
背景技术
雪崩,是寒冷且多雪地区具有的一种自然环境,当山坡积雪达到稳定值以后,在地形坡度、下垫面类型、降雪量和雪层结构等共同作用下,大量雪体向下滑动的自然现象。
雪崩具有突然性、运动速度快、破坏力大等特点,其过程可分为形成、运动、堆积三个阶段。它能摧毁大片森林,损毁房舍、交通线路、通讯设施和车辆,堵塞河道,同时,它还能引起山体滑坡、山崩和泥石流等自然现象。因此,雪崩被人们列为是积雪山区的一种严重自然灾害。而对于这种灾害,传统的雪崩调查主要是依靠人工进行野外踏勘完成。由于雪崩灾害主要发生于人迹难至且积雪严重的高山地区,地形地貌十分复杂,现场调查工作不仅难以开展,并且要冒着极大的生命危险,导致雪崩灾害状况难以全面调查清楚。
发明内容
有鉴于此,本发明实施例的目的在于提供一种雪崩信息提取方法、装置、电子设备及存储介质,以解决上述技术问题。
第一方面,本发明实施例提供了一种雪崩信息提取方法,所述方法包括:获取待测区域对应的卫星遥感影像数据和无人机激光雷达点云数据;基于所述卫星遥感影像数据和所述无人机激光雷达点云数据,利用预先构建的区域最佳雪崩模拟模型,获得所述待测区域对应的潜在雪崩模拟值;根据所述潜在雪崩模拟值对所述待测区域的雪崩形成区概率进行划分,根据划分结果获得所述待测区域的雪崩灾害级别信息。
进一步地,所述方法还包括:根据所述无人机激光雷达点云数据,获得流向以及汇流累积量;根据所述潜在雪崩模拟值获得对应的潜在雪崩区,对所述潜在雪崩区、所述流向以及所述汇流累积量进行处理,获得雪崩运动路径。
进一步地,所述方法还包括:根据所述卫星遥感影像数据获得所述待测区域的地表覆盖类型;基于所述无人机激光雷达点云数据生成数字高程模型;根据所述数字高程模型获得所述待测区域的地形数据,所述地形数据包括坡度、坡向和平面曲率。
进一步地,所述方法还包括:获取待测区域的历年雪崩调查资料;根据所述历年雪崩调查资料,结合所述数字高程模型、所述坡度、所述坡向、所述平面曲率和所述地表覆盖类型,构建所述区域最佳雪崩模拟模型。
进一步地,利用预先构建的区域最佳雪崩模拟模型,获得所述待测区域对应的潜在雪崩模拟值,包括:所述区域最佳雪崩模拟模型为:X=f(H,A,S,F,Rg);
其中,X为所述潜在雪崩计算值,H为所述待测区域的海拔,所述海拔是从所述无人机激光雷达点云数据中获得的,A为所述待测区域的坡向,S为所述待测区域的坡度,F为所述待测区域的平面曲率,Rg为所述待测区域的所述地表覆盖类型。
进一步地,所述根据所述潜在雪崩模拟值获得对应的潜在雪崩区,包括:将所述潜在雪崩模拟值大于预设值的区域作为所述潜在雪崩区。
进一步地,所述根据所述无人机激光雷达点云数据,获得流向以及汇流累积量,包括:基于所述数字高程模型,利用预先构建的水文分析模块,获得所述流向以及所述汇流累积量。
第二方面,本发明实施例提供了一种雪崩信息提取装置,包括:
获取模块,用于获取待测区域对应的卫星遥感影像数据和无人机激光雷达点云数据;
处理模块,用于基于所述卫星遥感影像数据和所述无人机激光雷达点云数据,利用预先构建的区域最佳雪崩模拟模型,获得所述待测区域对应的潜在雪崩模拟值;
划分模块,用于根据所述潜在雪崩模拟值对所述待测区域的雪崩形成区概率进行划分,根据划分结果获得所述待测区域的雪崩灾害级别信息。
第三方面,本发明实施例提供了一种电子设备,包括:处理器、存储器和总线,其中,所述处理器和所述存储器通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述的方法。
第四方面,本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述的方法。
本发明实施例提供了一种雪崩信息提取方法、装置、电子设备及存储介质,所述方法包括:先获取待测区域的卫星遥感影像数据和无人机激光雷达点云数据,再利用预先构建的区域最佳雪崩模拟模型,可以获取与待测区域对应的潜在雪崩模拟值。之后,根据潜在雪崩模拟值对待测区域的雪崩形成区概率进行划分,得到待测区域的雪崩灾害级别信息。所述装置用于执行上述方法。本发明实施例通过使用卫星和无人机来获取待测区域的信息,再利用预先构建的区域最佳雪崩模拟模型,得到与待测区域对应的潜在雪崩模拟值,再提取出待测区域的雪崩信息,如:潜在雪崩区和雪崩运动路径。由于卫星遥感与无人机激光雷达获得的信息会更加全面、精准,也提高了提取的雪崩信息的精确度,可以更加全面的根据提取的雪崩信息进行防治。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种电子设备结构框图;
图2为本发明实施例提供的一种雪崩信息提取方法流程示意图;
图3为本发明实施例提供的一种构建潜在雪崩模拟模型的流程示意图;
图4为本发明实施例提供的一种应用雪崩信息提取方法的装置结构示意图。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1示出了一种可应用于本申请实施例中的电子设备10的结构框图。电子设备10可以包括雪崩信息提取装置100、存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、音频单元106、显示单元107。
所述存储器101、存储控制器102、处理器103、外设接口104、输入输出单元105、音频单元106、显示单元107各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述雪崩信息提取装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器101中或固化在雪崩信息提取装置100的操作系统(operating system,OS)中的软件功能模块。所述处理器103用于执行存储器101中存储的可执行模块,例如所述雪崩信息提取装置100包括的软件功能模块或计算机程序。
其中,存储器101可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器101用于存储程序,所述处理器103在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器103中,或者由处理器103实现。
处理器103可以是一种集成电路芯片,具有信号的处理能力。上述的处理器103可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器103也可以是任何常规的处理器等。
所述外设接口104将各种输入/输出装置耦合至处理器103以及存储器101。在一些实施例中,外设接口104,处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
输入输出单元105用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元105可以是,但不限于,鼠标和键盘等。
音频单元106向用户提供音频接口,其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元107在所述电子设备10与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元107可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器103进行计算和处理。
所述外设接口104将各种输入/输入装置耦合至处理器103以及存储器101。在一些实施例中,外设接口104,处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
输入输出单元105用于提供给用户输入数据实现用户与处理终端的交互。所述输入输出单元105可以是,但不限于,鼠标和键盘等。
可以理解,图1所示的结构仅为示意,所述电子设备10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
图2为本发明实施例提供的一种雪崩信息提取方法流程示意图,如图2所示,本发明实施例提供了一种雪崩信息提取方法,所述方法包括:
步骤210:获取待测区域对应的卫星遥感影像数据和无人机激光雷达点云数据;
具体地,雪崩信息提取装置获取待测区域的高分辨率卫星遥感影像。卫星遥感影像可以为高分二号卫星遥感影像。高分二号卫星为我国自主研制的首颗空间分辨率优于1m的民用光学遥感卫星,高分二号卫星获取多光谱影像和高分辨率全色影像,而其传送的多光谱影像的分辨率为4m,全色影像的分辨率为1m。待测区域的多光谱影像和全色影像还需要通过预处理如:辐射定标、大气校正、正射校正、影像融合、影像镶嵌等,形成待测区域的高分辨率正射影像数据,即待测区域对应的卫星遥感影像数据。这样对初次获取的多光谱影像和全色影像进行预处理,可以纠正原始图像的几何和辐射变形等,让卫星遥感影像数据更加精确。
另外,雪崩信息提取装置还获取通过无人机的激光雷达系统采集的高精度点云数据,即为无人机激光雷达点云数据。无人机激光雷达点云数据是指扫描待测区域的资料以点的形式记录,每一个点包含有三维坐标。无人机激光雷达采集的点云数据的精度更高,并且无人机相较于传统的人工探查会更加方便、省时省力。
值得说明的是,获取卫星遥感影像的遥感卫星可以不仅限于高分二号卫星,也可以为高分一号以及其他光学遥感卫星。
步骤220:基于所述卫星遥感影像数据和所述无人机激光雷达点云数据,利用预先构建的区域最佳雪崩模拟模型,获得所述待测区域对应的潜在雪崩模拟值;
具体地,卫星遥感影像数据和无人机激光雷达点云数据包括很多对雪崩有较大影响力的信息,因此基于这些数据,再利用根据历年雪崩调查资料构建雪崩模拟模型,可以获得待测区域对应的潜在雪崩模拟值,潜在雪崩模拟值代表了该地区雪崩发生的概率,潜在雪崩模拟值越大,表示该地区雪崩发生的概率越大。
步骤230:根据所述潜在雪崩模拟值对所述待测区域的雪崩形成区概率进行划分,根据划分结果获得所述待测区域的雪崩灾害级别信息。
具体地,基于潜在雪崩模拟值,每个潜在雪崩模拟值与预先设定的分级标准进行比较,根据比较结果来对潜在雪崩模拟值对应的待测区域进划分雪崩形成区概率,获得待测区域的雪崩灾害级别信息。
举例来说,雪崩形成区概率的分级标准包括低、较低、中、较高和高。每个潜在雪崩模拟值与雪崩形成区概率的分级标准比较,确定所述区域雪崩灾害等级信息。
值得说明的是,获取到待测区域的雪崩信息,不仅限于待测区域对应的潜在模拟值和雪崩灾害级别,还包括潜在雪崩区和雪崩运动路径。并且,可以通过卫星遥感影像数据确定待测区的范围,如:雪崩发生时对修建中的公路有影响的缓冲区等。
并且,在获取到待测区域的雪崩信息后,会进行野外实地调查,验证获取到的雪崩信息,并根据相关经验对雪崩类型进行判定,如:坡面雪崩、跳跃雪崩、沟槽雪崩。再根据雪崩类型和获取的雪崩信息提出合理的治理措施。
本发明实施例通过使用卫星遥感和无人机激光雷达来获取待测区域的信息,再利用预先构建的雪崩模拟模型,得到与待测区域对应的潜在雪崩模拟值,再提取出待测区域的雪崩信息,如:潜在雪崩区和雪崩运动路径。由于卫星遥感与无人机获得的信息会更加全面、精准,也提高了提取的雪崩信息的精确度,可以更加全面的根据提取的雪崩信息进行防治。
在上述实施例的基础上,所述方法还包括:根据所述无人机激光雷达点云数据,获得流向以及汇流累积量;根据所述潜在雪崩模拟值获得对应的潜在雪崩区,对所述潜在雪崩区、所述流向以及所述汇流累积量进行处理,获得雪崩运动路径。
具体地,根据无人机激光雷达采集的高精度的无人机激光雷达点云数据,通过特征点构建TIN、内插数字高程模型、数字高程模型编辑等生成高精度数字高程模型,再基于高精度数字高程模型通过预先设定的水文分析模块处理可以得出待测区域对应的流向以及汇流累积量。通过潜在雪崩模拟值与雪崩形成区概率的分级标准进行比较可以对待测区域的雪崩灾害级别划分,并根据雪崩灾害级别确定潜在雪崩区。对流向以及汇流累积量和潜在雪崩区进行处理,就可以算出雪崩运动路径。若可以提前得知雪崩运动路径,就可以对需要进行防护的地方做好防范措施,避免过大损失。
举例来说,在公路建设中,若提取出雪崩运动路径,可以基于公路路线和雪崩运动路径通过叠置分析得到雪崩运动路径与公路里程的位置关系。可以提前在对应的公路里程中,做好对雪崩的防治工作,在之后的运营中也可以保证公路的安全。
图3为本发明实施例提供的一种构建潜在雪崩模拟模型的流程示意图,如图3所示,所述方法还包括:
步骤310:根据所述卫星遥感影像数据获得所述待测区域的地表覆盖类型;
步骤320:基于所述无人机激光雷达点云数据生成数字高程模型;
步骤330:根据所述数字高程模型获得所述待测区域的地形数据,所述地形数据包括坡度、坡向和平面曲率。
具体地,通过卫星遥感影像可以获得待测区域的遥感解译标志,选择卫星遥感影像的最佳分割尺度,通过卫星遥感影像数据获取的解译标志和选择的最佳分割尺度卫星遥感影像数据,综合考虑影像自定义特征(归一化植被指数、植被覆盖度等)、光谱特征(波段均值、标准差、亮度等)、几何特征(面积、长度、形状指数、长宽比、紧致度等)、纹理特征(灰度共生矩阵、熵值等),基于面向对象的自动分类方法可以对待测区域进行分类,得到待测区域的地表覆盖类型。
基于无人机激光雷达点云数据处理可以生成数字高程模型,再根据数字高程模型通过ArcGIS软件带有的地形分析模块,可以生成待测区域的地形数据。而地形数据又包括:待测区域的坡度、坡向和平面曲率。通过卫星遥感影像和无人机激光雷达获得的上述数据,都为雪崩的主要诱导因子,帮助更加精确的提取待测区域的雪崩信息。
值得说明的是,地表覆盖类型是反映土地利用系统及土地利用要素的状态、特征、动态变化、分布特点,以及人类对土地的开发利用、治理改造、管理保护和土地利用规划等数据资料。数字高程模型是通过有限的地形高程数据实现对地面地形的数字化模拟,即地形表面形态的数字化表达,它是用一组有序数值阵列形式表示地面高程的一种实体地面模型。基于数字高程模型生成待测区域的地形数据可以通过ArcGIS软件带有的地形分析模块,也可以通过其他软件带有的地形分析模块来进行处理,这里仅仅是提供的一种最优实施例方案。
在上述实施例的基础上,所述方法还包括:
步骤340:获取待测区域的历年雪崩调查资料;
步骤350:根据所述历年雪崩调查资料,结合所述数字高程模型、所述坡度、所述坡向、所述平面曲率和所述地表覆盖类型,构建所述区域最佳雪崩模拟模型。
具体的,可以通过查阅文献或是收集业务部门调查的待测区域的历年雪崩调查资料,雪崩调查资料可以包括待测区域历年的雪深、雪崩发生时间、雪崩发生地点、雪崩规模、雪崩类型、雪崩影响程度等。由于数字高程模型、坡度、坡向、平面曲率和地表覆盖类型对于雪崩都是影响力较大的因子。因此基于多元回归模型通过雪崩调查资料与数字高程模型、坡度、坡向、平面曲率和地表覆盖类型等主要影响因子构建区域最佳潜在雪崩模拟模型,对待测区域的潜在雪崩模拟值进行计算。
值得说明的是,雪崩资料包括的数据不限于待测区域历年的雪深、雪崩发生时间、雪崩发生地点、雪崩规模、雪崩类型、雪崩影响程度,还可以根据实际影响雪崩较大的数据进行增减。并且,在多元回归模型中为每个数据设定权重。
在上述实施例的基础上,利用预先构建的区域最佳雪崩模拟模型,获得所述待测区域对应的潜在雪崩模拟值,包括:所述区域最佳雪崩模拟模型为:X=f(H,A,S,F,Rg);
其中,X为所述潜在雪崩计算值,H为所述待测区域的海拔,所述海拔是从所述无人机激光雷达点云数据中获得的,A为所述待测区域的坡向,S为所述待测区域的坡度,F为所述待测区域的平面曲率,Rg为所述待测区域的所述地表覆盖类型。
具体地,需要先从卫星遥感影像中获取地表覆盖类型和从无人机激光雷达点云数据中获取数字高程模型,再把待测区域中每个计算栅格的海拔、待测区域中每个计算栅格的坡向、待测区域中每个计算栅格的坡度、待测区域中每个计算栅格的平面曲率和待测区域中每个计算栅格的地表覆盖类型带入上述建立的潜在雪崩模拟模型,计算即可得出对应每个计算栅格的潜在雪崩计算值,每个计算栅格潜在雪崩计算值可以反映对应待测区域的雪崩灾害级别。根据雪崩灾害级别,可以判断对应的待测区域发生雪崩的可能性会有多少。
在上述实施例的基础上,所述根据所述潜在雪崩模拟值获得对应的潜在雪崩区,包括:将所述潜在雪崩模拟值大于预设值的区域作为所述潜在雪崩模拟区。
具体地,若基于卫星遥感影像数据和无人机激光雷达点云数据利用潜在雪崩模拟模型,获得的潜在雪崩模拟值与雪崩形成区概率的预设值进行比较,若雪崩模拟值大于雪崩形成区概率预设值,则雪崩模拟值对应的待测区域为潜在雪崩发生的概率较大。
在上述实施例的基础上,所述根据所述无人机激光雷达点云数据,获得流向以及汇流累积量,包括:基于所述数字高程模型,利用预先构建的水文分析模块,获得所述流向以及所述汇流累积量。
具体地,在获得了数字高程模型的基础上,利用ArcGIS软件带有的水文分析模块,通过填洼等步骤,计算待测区域的流向以及汇流累积量。汇流累积量是基于区域地形,按照一个单位的自然水流从高处流向低处,每个栅格单元流过的水量数值。汇流累积量是影响雪崩运动路径的主要因子,控制着雪崩的运动路径。
值得说明的是,利用的水文分析模块可以不限于是ArcGIS软件自带的模块,也可以为其他软件的水文分析模块。
图4为本发明实施例提供的一种应用雪崩信息提取方法的装置结构示意图,如图4所示,本发明实施例还提供了一种雪崩信息提取装置,包括:
获取模块410,用于获取待测区域对应的卫星遥感影像数据和无人机激光雷达点云数据。
处理模块420,用于基于所述卫星遥感影像数据和所述无人机激光雷达点云数据,利用预先构建的区域最佳雪崩模拟模型,获得所述待测区域对应的潜在雪崩模拟值;
划分模块430,用于根据所述潜在雪崩模拟值对所述待测区域的雪崩形成区概率进行划分,根据划分结果获得所述待测区域的雪崩灾害级别信息。
在上述实施例的基础上,所述装置还包括:
第一处理模块,用于根据所述无人机激光雷达点云数据,获得流向以及汇流累积量;
第二处理模块,用于根据所述潜在雪崩模拟值获得对应的潜在雪崩区,对所述潜在雪崩区、所述流向以及所述汇流累积量进行处理,获得雪崩运动路径。
在上述实施例的基础上,所述装置还包括:
第三处理模块,用于根据所述卫星遥感影像数据获得所述待测区域的地表覆盖类型;
生成模块,用于基于所述无人机激光雷达点云数据生成数字高程模型;
第四处理模块,用于根据所述数字高程模型获得所述待测区域的地形数据,所述地形数据包括坡度、坡向和平面曲率。
在上述实施例的基础上,所述装置还包括:
第一获取模块,用于获取待测区域的历年雪崩调查资料;
建模模块,用于根据所述历年雪崩调查资料,结合所述数字高程模型、所述坡度、所述坡向、所述平面曲率和所述地表覆盖类型,构建所述区域最佳雪崩模拟模型。
在上述实施例的基础上,所述建模模块包括:所述区域最佳雪崩模拟模型为:X=f(H,A,S,F,Rg);
其中,X为所述潜在雪崩计算值,H为所述待测区域的海拔,所述海拔是从所述无人机激光雷达点云数据中获得的,A为所述待测区域的坡向,S为所述待测区域的坡度,F为所述待测区域的平面曲率,Rg为所述待测区域的所述地表覆盖类型。
在上述实施例的基础上,所述第二处理模块包括:将所述潜在雪崩模拟值大于预设值的区域作为所述潜在雪崩区。
在上述实施例的基础上,所述第二处理模块包括:基于所述数字高程模型,利用预先构建的水文分析模块,获得所述流向以及所述汇流累积量。
本发明实施例提供的装置用于执行上述方法,其具体的实施方式与方法的实施方式一致,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
本发明实施例通过使用卫星遥感和无人机激光雷达来获取待测区域的信息,再利用预先构建的区域最佳雪崩模拟模型,得到与待测区域对应的潜在雪崩模拟值,再提取出待测区域的雪崩信息,如:潜在雪崩区和雪崩运动路径。由于卫星遥感与无人机激光雷达获得的信息会更加全面、精准,也提高了提取的雪崩信息的精确度,可以更加全面的根据提取的雪崩信息进行防治。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (8)
1.一种雪崩信息提取方法,其特征在于,所述方法包括:
获取待测区域对应的卫星遥感影像数据和无人机激光雷达点云数据;
基于所述卫星遥感影像数据和所述无人机激光雷达点云数据,利用预先构建的区域最佳雪崩模拟模型,获得所述待测区域对应的潜在雪崩模拟值;
根据所述潜在雪崩模拟值对所述待测区域的雪崩形成区概率进行划分,根据划分结果获得所述待测区域的雪崩灾害级别信息;
其中,所述方法还包括:根据所述无人机激光雷达点云数据,获得流向以及汇流累积量;根据所述潜在雪崩模拟值获得对应的潜在雪崩区,对所述潜在雪崩区、所述流向以及所述汇流累积量进行处理,获得雪崩运动路径;
所述利用预先构建的区域最佳雪崩模拟模型,获得所述待测区域对应的潜在雪崩模拟值,包括:所述区域最佳雪崩模拟模型为:X=f(H,A,S,F,Rg);其中,X为所述潜在雪崩模拟值,H为所述待测区域的海拔,所述海拔是从所述无人机激光雷达点云数据中获得的,A为所述待测区域的坡向,S为所述待测区域的坡度,F为所述待测区域的平面曲率,Rg为所述待测区域的地表覆盖类型。
2.根据权利要求1所述的雪崩信息提取方法,其特征在于,所述方法还包括:
根据所述卫星遥感影像数据获得所述待测区域的地表覆盖类型;
基于所述无人机激光雷达点云数据生成数字高程模型;
根据所述数字高程模型获得所述待测区域的地形数据,所述地形数据包括坡度、坡向和平面曲率。
3.根据权利要求2所述的雪崩信息提取方法,其特征在于,所述方法还包括:
获取待测区域的历年雪崩调查资料;
根据所述历年雪崩调查资料,结合所述数字高程模型、所述坡度、所述坡向、所述平面曲率和所述地表覆盖类型,构建所述区域最佳雪崩模拟模型。
4.根据权利要求1所述的雪崩信息提取方法,其特征在于,所述根据所述潜在雪崩模拟值获得对应的潜在雪崩区,包括:
将所述潜在雪崩模拟值大于预设值的区域作为所述潜在雪崩区。
5.根据权利要求2所述的雪崩信息提取方法,其特征在于,所述根据所述无人机激光雷达点云数据,获得流向以及汇流累积量,包括:
基于所述数字高程模型,利用预先构建的水文分析模块,获得所述流向以及所述汇流累积量。
6.一种雪崩信息提取装置,其特征在于,包括:
获取模块,用于获取待测区域对应的卫星遥感影像数据和无人机激光雷达点云数据;
处理模块,用于基于所述卫星遥感影像数据和所述无人机激光雷达点云数据,利用预先构建的区域最佳雪崩模拟模型,获得所述待测区域对应的潜在雪崩模拟值;
划分模块,用于根据所述潜在雪崩模拟值对所述待测区域的雪崩形成区概率进行划分,根据划分结果获得所述待测区域的雪崩灾害级别信息;
所述处理模块还用于:根据所述无人机激光雷达点云数据,获得流向以及汇流累积量;根据所述潜在雪崩模拟值获得对应的潜在雪崩区,对所述潜在雪崩区、所述流向以及所述汇流累积量进行处理,获得雪崩运动路径;
所述利用预先构建的区域最佳雪崩模拟模型,获得所述待测区域对应的潜在雪崩模拟值,包括:所述区域最佳雪崩模拟模型为:X=f(H,A,S,F,Rg);其中,X为所述潜在雪崩模拟值,H为所述待测区域的海拔,所述海拔是从所述无人机激光雷达点云数据中获得的,A为所述待测区域的坡向,S为所述待测区域的坡度,F为所述待测区域的平面曲率,Rg为所述待测区域的地表覆盖类型。
7.一种电子设备,其特征在于,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1-5任一项所述的方法。
8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811298038.6A CN109410329B (zh) | 2018-11-01 | 2018-11-01 | 一种雪崩信息提取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811298038.6A CN109410329B (zh) | 2018-11-01 | 2018-11-01 | 一种雪崩信息提取方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109410329A CN109410329A (zh) | 2019-03-01 |
CN109410329B true CN109410329B (zh) | 2021-08-06 |
Family
ID=65471317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811298038.6A Active CN109410329B (zh) | 2018-11-01 | 2018-11-01 | 一种雪崩信息提取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410329B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189018A (zh) * | 2019-05-28 | 2019-08-30 | 中国科学院地理科学与资源研究所 | 边坡稳定性评测方法及装置 |
CN111914674A (zh) * | 2020-07-09 | 2020-11-10 | 中国科学院地理科学与资源研究所 | 基于对象-像元的冰雪自动提取方法、装置和电子设备 |
CN112819753B (zh) * | 2021-01-12 | 2021-11-30 | 香港理工大学深圳研究院 | 一种建筑物变化检测方法、装置、智能终端及存储介质 |
CN113902259A (zh) * | 2021-09-14 | 2022-01-07 | 中铁第一勘察设计院集团有限公司 | 湿雪崩灾害风险评估方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107066774A (zh) * | 2017-06-22 | 2017-08-18 | 武汉市陆刻科技有限公司 | 倾斜摄影测量预测滚石运动轨迹模拟系统及其预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI353561B (en) * | 2007-12-21 | 2011-12-01 | Ind Tech Res Inst | 3d image detecting, editing and rebuilding system |
CN101221246B (zh) * | 2008-01-22 | 2012-09-05 | 中交第二公路勘察设计研究院有限公司 | 雪崩的遥感量化勘察方法 |
US9830509B2 (en) * | 2015-06-29 | 2017-11-28 | Nokia Technologies Oy | Method and apparatus for constructing a digital elevation model utilizing ground points captured by ground-based LiDAR |
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 |
CN107677239B (zh) * | 2017-10-12 | 2020-10-30 | 中煤航测遥感集团有限公司 | 静止水域处理方法及装置 |
CN108459318A (zh) * | 2018-02-02 | 2018-08-28 | 中国铁路设计集团有限公司 | 基于遥感技术的潜在滑坡早期识别方法 |
-
2018
- 2018-11-01 CN CN201811298038.6A patent/CN109410329B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107066774A (zh) * | 2017-06-22 | 2017-08-18 | 武汉市陆刻科技有限公司 | 倾斜摄影测量预测滚石运动轨迹模拟系统及其预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109410329A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410329B (zh) | 一种雪崩信息提取方法、装置、电子设备及存储介质 | |
Vozinaki et al. | Comparing 1D and combined 1D/2D hydraulic simulations using high-resolution topographic data: A case study of the Koiliaris basin, Greece | |
Jain et al. | Vertical accuracy evaluation of SRTM-GL1, GDEM-V2, AW3D30 and CartoDEM-V3. 1 of 30-m resolution with dual frequency GNSS for lower Tapi Basin India | |
Chen et al. | The influence of DEM spatial resolution on landslide susceptibility mapping in the Baxie River basin, NW China | |
Zachry et al. | A national view of storm surge risk and inundation | |
Nichol et al. | Application of high-resolution stereo satellite images to detailed landslide hazard assessment | |
Kachouri et al. | Soil erosion hazard mapping using Analytic Hierarchy Process and logistic regression: a case study of Haffouz watershed, central Tunisia | |
Oh et al. | Extraction of landslide-related factors from ASTER imagery and its application to landslide susceptibility mapping | |
Barbarella et al. | Assessment of DEM derived from very high-resolution stereo satellite imagery for geomorphometric analysis | |
Mallick et al. | Landscape dynamic characteristics using satellite data for a mountainous watershed of Abha, Kingdom of Saudi Arabia | |
Park et al. | Comparison between point cloud and mesh models using images from an unmanned aerial vehicle | |
Zandbergen | Characterizing the error distribution of lidar elevation data for North Carolina | |
Conlin et al. | A quantitative comparison of low-cost structure from motion (SfM) data collection platforms on beaches and dunes | |
Ioannidis et al. | Assessment of the global digital elevation models ASTER and SRTM in Greece | |
Zhang et al. | Understanding geographical conditions monitoring: A perspective from China | |
Wang et al. | Mapping snow cover variations using a MODIS daily cloud-free snow cover product in northeast China | |
Rau et al. | Semi-automatic shallow landslide detection by the integration of airborne imagery and laser scanning data | |
Dong et al. | Gapless-REMA100: A gapless 100-m reference elevation model of Antarctica with voids filled by multi-source DEMs | |
Rusli et al. | Digital Elevation Model (DEM) Extraction from Google Earth: a Study in Sungai Muar Watershed | |
Deshpande et al. | A semi-automated method to create a lidar-based hydro-flattened DEM | |
Singh et al. | Effect of sensor modelling methods on computation of 3-D coordinates from Cartosat-1 stereo data | |
Tiwari et al. | Automatic urban road extraction using airborne laser scanning/altimetry and high resolution satellite data | |
Mashimbye et al. | Assessing the influence of DEM source on derived streamline and catchment boundary accuracy | |
Walsh et al. | A reservoir siting tool for North Carolina: System design & operations for screening and evaluation | |
Rose et al. | Challenges and lessons from a wetland LiDAR project: a case study of the Okefenokee Swamp, Georgia, USA |
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 |
Effective date of registration: 20210715 Address after: 730000 No.318 Donggang West Road, Chengguan District, Lanzhou City, Gansu Province Applicant after: NORTHWEST INSTITUTE OF ECO-ENVIRONMENT AND RESOURCES, CAS Address before: Chengguan District of Gansu city of Lanzhou province Donggang West Road 730000 No. 260 Applicant before: Institute of environment and Engineering in cold and dry areas, Chinese Academy of Sciences |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |