CN109543583B - 一种峡谷地貌实体的自动化识别方法 - Google Patents

一种峡谷地貌实体的自动化识别方法 Download PDF

Info

Publication number
CN109543583B
CN109543583B CN201811361911.1A CN201811361911A CN109543583B CN 109543583 B CN109543583 B CN 109543583B CN 201811361911 A CN201811361911 A CN 201811361911A CN 109543583 B CN109543583 B CN 109543583B
Authority
CN
China
Prior art keywords
peak
canyon
water system
sequence
nearest
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
Application number
CN201811361911.1A
Other languages
English (en)
Other versions
CN109543583A (zh
Inventor
李安波
徐诗宇
董甜甜
闾国年
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.)
Nanjing Fanzai Geographic Information Industry Research Institute Co ltd
Nanjing Normal University
Original Assignee
Nanjing Fanzai Geographic Information Industry Research Institute Co ltd
Nanjing Normal University
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 Nanjing Fanzai Geographic Information Industry Research Institute Co ltd, Nanjing Normal University filed Critical Nanjing Fanzai Geographic Information Industry Research Institute Co ltd
Priority to CN201811361911.1A priority Critical patent/CN109543583B/zh
Publication of CN109543583A publication Critical patent/CN109543583A/zh
Application granted granted Critical
Publication of CN109543583B publication Critical patent/CN109543583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/13Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种峡谷地貌实体的自动化识别方法,包括:(1)从水系图层中读取一水系要素,创建缓冲区,并提取缓冲区在水系要素两侧的边界线leftline、rightline;(2)分别采用边界线leftline、rightline对DEM作堆栈剖面,从而得到边界线所经过的格网单元的高程序列LE、RE;(3)分别提取高程序列LE、RE的波峰集合LP、RP;(4)对于波峰集合LP、RP中的波峰进行配对,并基于配对的两个波峰所确定区域,生成一个外包络矩形,所述外包络矩形即为识别出的一个峡谷所在区域;(5)返回循环执行步骤(1)到(4),直至水系图层中每一水系要素都被处理;(6)将所生成的外包络矩形集合,生成峡谷实体专题图层。本发明可以自动识别出峡谷地貌。

Description

一种峡谷地貌实体的自动化识别方法
技术领域
本发明涉及地理信息技术应用领域,尤其涉及一种峡谷地貌实体的自动化识别方法。
背景技术
地貌作为生态与环境复杂物质体系中的一项最基本要素,明显控制着地球表层水分与热量的地域再分配,并间接影响着土壤、植被,以及物质迁移和生态系统的演替与发展。自20世纪60年代以来,遥感、地理信息系统和全球定位系统的迅速发展,为地貌科学研究提供了丰富的数据源和研究方法,国内外学者也尝试开展了一定的地貌自动化提取方法研究。
峡谷是指谷坡陡峻、深度大于宽度的山谷。它通常发育在构造运动抬升和谷坡由坚硬岩石组成的地段。当地面抬升速度与下切作用协调时,最易形成峡谷。峡谷作为一种典型的地貌类型,是修建水库大坝的理想部位,并在地球表面形成了众多独特的自然景观。开展峡谷地貌实体的自动识别方法研究,在地貌学研究、地貌景观资源开发与利用、水资源开发与利用等诸多方面,具有一定的研究意义和实用价值。
目前,峡谷地貌的识别,主要是地貌专家结合野外勘测数据对地质遥感影像进行目视解译,但其解译速度慢、自动化程度低,不能满足大范围峡谷地貌快速识别的要求。
发明内容
发明目的:本发明针对现有技术存在的问题,提供一种峡谷地貌实体的自动化识别方法。
技术方案:本发明所述的峡谷地貌实体的自动化识别方法包括:
(1)从水系图层中读取一水系要素,创建缓冲区,并提取缓冲区在水系要素两侧的边界线leftline、rightline;
(2)分别采用边界线leftline、rightline对DEM作堆栈剖面,从而得到边界线所经过的格网单元的高程序列LE、RE;
(3)分别提取高程序列LE、RE的波峰集合LP、RP;
(4)对于波峰集合LP、RP中的波峰进行配对,并将配对的两个波峰所确定区域,生成一个外包络矩形,所述外包络矩形即为识别出的一个峡谷所在区域;
(5)返回循环执行步骤(1)到(4),直至水系图层中每一水系要素都被处理;
(6)将所生成的外包络矩形集合,生成峡谷实体专题图层。
进一步的,所述步骤(1)具体包括:
(1-1)从水系图层中读取一水系要素wk,其中,k∈{1,2,…,N},N为水系图层中水系线要素的个数;
(1-2)创建一距离为d的缓冲区buffer;
(1-3)提取buffer在水系要素wk两侧的边界线,分别记为leftline、rightline。
进一步的,步骤(2)具体包括:
(2-1)采用边界线leftline对DEM作堆栈剖面,从而得到高程序列LE={li|i=1,2,…,LN},其中,li为边界线leftline所经过的第i个格网单元的高程值,LN为序列LE元素的个数;
(2-2)采用边界线rightline对DEM作堆栈剖面,从而得到高程序列RE={rj|j=1,2,…,RN},其中,rj为边界线rightline所经过的第j个格网单元的高程值,RN为序列RE元素的个数。
进一步的,步骤(3)具体包括:
(3-1)分别计算序列LE、RE的包络线序列LEV={levi|i=1,2,…,LN}、REV={revj|j=1,2,…,RN};
(3-2)根据以下公式计算LE的累计均值线序列LA={lai|i=1,2,…,LN},以及RE的累计均值线序列RA={raj|j=1,2,…,RN}:
Figure GDA0002961417140000021
Figure GDA0002961417140000022
式中,li和rj分别为序列LE、RE的元素;
(3-3)获取包络线序列LEV在累计均值线序列LA上方的序列LEV’={lev’i|i=1,2,…,LN},以及包络线序列REV在累计均值线序列RA上方的序列REV’={rev’j|j=1,2,…,RN};其中:
Figure GDA0002961417140000023
Figure GDA0002961417140000024
(3-4)分别提取出序列LEV’、REV’中波峰高度大于设定阈值PT的波峰,并分别加入波峰的三元组集合LP=({lpu|u=1,2,…,LM}、RP={rpv|v=1,2,…,RM}中;其中,波峰lpu=(lpu(start),lpu(peak),lpu(end)),波峰rpv=(rpv(start),rpv(peak),rpv(end)),start为对应波峰左侧平衡位置、peak为对应波峰位置、end为对应波峰右侧的平衡位置,LM、RM分别为序列LEV’、REV’中波峰高度大于PT的波峰的个数;
进一步的,步骤(4)具体包括:
(4-1)若集合LP或RP均非空,执行步骤(4-2);否则,执行步骤(5);
(4-2)在集合RP中,查找与元素lpu配对的波峰rpnearest
(4-3)针对lpu的三个元素lpu(start)、lpu(peak)、lpu(end)和其配对波峰rpnearest的三个元素rpnearest(start)、rpnearest(peak)、rpnearest(end),在每个元素所对应网格单元的中心位置创建一个点;
(4-4)生成6个点的外包络矩形,所述外包络矩形即为识别出的一个峡谷所在区域;
(4-5)返回循环执行步骤(4-2)至(4-4),直至集合LP中所有元素都被配对处理。
进一步的,步骤(4)具体包括:步骤(4-2)具体包括:
(4-2-1)计算lpu(peak)与rpv(peak)的差值nearv,并存入集合Near={nearv|v=1,2,…,RM};
(4-2-2)获取集合Near中的最小值nearnearest,若nearnearest小于设定阈值NT,则判定波峰rpnearest与lpu配对,即rpnearest与lpu位于同一峡谷两侧,并从集合RP中剔除rpnearest,执行步骤(4-3);否则,执行步骤(4-5)。
有益效果:本发明与现有技术相比,其显著优点是:本发明以DEM和水系数据为数据源,通过构建水系要素缓冲区、获取缓冲区边界线堆栈剖面的高程序列、高程序列的波峰提取、基于波峰配对的结果外包络矩形以及峡谷实体的专题图生成等环节,实现峡谷实体的自动化识别。
附图说明
图1为本发明一种峡谷实体自动化识别方法的流程图;
图2为本实施例中采用的实验数据图;
图3为水系要素的缓冲区边界线的示意图;
图4是堆栈剖面的高程序列曲线示意图;
图5是包络线和累计均线的示意图;
图6是基于配对波峰创建点集的示意图;
图7为波峰位置的外包络矩形的示意图;
图8为本实施例生成的峡谷实体的专题图。
具体实施方式
本实施例提供了一种峡谷地貌实体的自动化识别方法,如图1所示。该实施例采用的实验数据是30M分辨率的三峡区域DEM数据以及相应的水系数据,具体如图2所示。本实施例包括以下步骤:
(1)从水系图层中读取一水系要素,创建缓冲区,并提取缓冲区在水系要素两侧的边界线leftline、rightline。具体包括:
(1-1)从水系图层中读取一水系要素wk,其中,k∈{1,2,…,N},N为水系图层中水系线要素的个数;在本实施例中,N=12;
(1-2)创建一距离为d的缓冲区buffer;在本实施例中,d=1650;
(1-3)提取buffer在水系要素wk两侧的边界线,分别记为leftline、rightline,边界线如图3所示。
(2)分别采用边界线leftline、rightline对DEM作堆栈剖面,从而得到边界线所经过的格网单元的高程序列LE、RE。
该步骤具体包括:
(2-1)采用边界线leftline对DEM作堆栈剖面,从而得到高程序列LE={li|i=1,2,…,LN},其中,li为边界线leftline所经过的第i个格网单元的高程值,LN为序列LE元素的个数;
(2-2)采用边界线rightline对DEM作堆栈剖面,从而得到高程序列RE={rj|j=1,2,…,RN},其中,rj为边界线rightline所经过的第j个格网单元的高程值,RN为序列RE元素的个数。高程序列如图4所示,在本实施例中,对于水系要素w1,LN=2131,RN=2281,LE={172.34,174.38,176.87,…},RE={256.59,258.00,259.41,…}。
(3)分别提取高程序列LE、RE的波峰集合LP、RP。
该步骤具体包括:
(3-1)分别计算序列LE、RE的包络线序列LEV={levi|i=1,2,…,LN}、REV={revj|j=1,2,…,RN};在本实施例中,对于水系要素w1,LEV={250.49,274.44,258.76,…},REV={286.97,250.52,272.49,…};包络线计算方法见文件(夏志林,薛亦渝,赵利,张幼陵.2003.基于包络线法的薄膜光学常数分析.武汉理工大学学报,25(5):73-76.)中。
(3-2)根据以下公式计算LE的累计均值线序列LA={lai|i=1,2,…,LN},以及RE的累计均值线序列RA={raj|j=1,2,…,RN}:
Figure GDA0002961417140000041
Figure GDA0002961417140000042
式中,li和rj分别为序列LE、RE的元素;在本实施例中,对于水系要素w1,LA={250.49,262.47,262.23,…};RA={286.97,268.75,269.99,…};
(3-3)获取包络线序列LEV在累计均值线序列LA上方的序列LEV’={lev’i|i=1,2,…,LN},以及包络线序列REV在累计均值线序列RA上方的序列REV’={rev’j|j=1,2,…,RN};其中:
Figure GDA0002961417140000051
Figure GDA0002961417140000052
在本实施例中,对于水系要素w1,LEV’={250.47,274.44,0,…},REV’={286.97,0,272.49,…},高程序列、包络线序列、累计均值线序列的对比如图5所示。
(3-4)分别提取出序列LEV’、REV’中波峰高度大于设定阈值PT的波峰,并分别加入波峰的三元组集合LP=({lpu|u=1,2,…,LM}、RP={rpv|v=1,2,…,RM}中;其中,波峰lpu=(lpu(start),lpu(peak),lpu(end)),波峰rpv=(rpv(start),rpv(peak),rpv(end)),start为对应波峰左侧平衡位置、peak为对应波峰位置、end为对应波峰右侧的平衡位置,LM、RM分别为序列LEV’、REV’中波峰高度大于PT的波峰的个数。在本实施例中,PT=50,LM=4,LP={(172,189,204),(450,507,532),…},RM=5,RP={(446,499,531),(695,733,818),…}。
(4)对于波峰集合LP、RP中的波峰进行配对,并将配对的两个波峰所确定区域,生成一个外包络矩形,所述外包络矩形即为识别出的一个峡谷所在区域。
步骤(4)具体包括:
(4-1)若集合LP或RP均非空,执行步骤(4-2);否则,执行步骤(5);
(4-2)在集合RP中,查找与元素lpu配对的波峰rpnearest;进行配对的过程具体包括:(4-2-1)计算lpu(peak)与rpv(peak)的差值nearv,并存入集合Near={nearv|v=1,2,…,RM};例如在本实施例中,当u=2时,lp2(peak)=507,Near={8,226,263,928,1336};(4-2-2)获取集合Near中的最小值nearnearest,若nearnearest小于设定阈值NT,则判定波峰rpnearest与lpu配对,即rpnearest与lpu位于同一峡谷两侧,并从集合RP中剔除rpnearest,执行步骤(4-3);否则,执行步骤(4-5)。例如在本实施例中,NT=100;nearest=1,nearnearest=8小于100,从集合RP中剔除rp1
(4-3)分别在lpu的三元组lpu(peak)、lpu(end)、lpu(start)和其配对波峰rpnearest的三元组rpnearest(start)、rpnearest(peak)、rpnearest(end)所在网格单元的中心位置创建一个点;在本实施例中,对于配对波峰lp2、rp1,分别在l450、l507、l532、r446、r499、r531所经过的格网单元的中心位置创建一个点,为点p1-p6,如图6所示;
(4-4)生成6个点的外包络矩形,如图7所示,所述外包络矩形即为识别出的一个峡谷所在区域;
(4-5)返回循环执行步骤(4-2)至(4-4),直至集合LP中所有元素都被配对处理。
(5)返回循环执行步骤(1)到(4),直至水系图层中每一水系要素都被处理。
(6)将所生成的外包络矩形集合,生成峡谷实体专题图层,如图8所示。
最后识别结果显示,本实施例识别出的18个峡谷实体中,共有1处漏判,1处虚判,虚警概率和误警概率均为5.8%。实验表明,本识别方法自动化程度高,识别效果较好,能够满足峡谷地貌实体自动化识别的工作需要。
以上所揭露的仅为本发明一种较佳实施例而已,不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。

Claims (4)

1.一种峡谷地貌实体的自动化识别方法,其特征在于该方法包括:
(1)从水系图层中读取一水系要素,创建缓冲区,并提取缓冲区在水系要素两侧的边界线leftline、rightline;
(2)分别采用边界线leftline、rightline对DEM作堆栈剖面,从而得到边界线所经过的格网单元的高程序列LE、RE;
(3)分别提取高程序列LE、RE的波峰集合LP、RP;具体包括:
(3-1)分别计算序列LE、RE的包络线序列LEV={levi|i=1,2,…,LN}、REV={revj|j=1,2,…,RN},LN、RN分别为序列LE、RE元素的个数;
(3-2)根据以下公式计算LE的累计均值线序列LA={lai|i=1,2,…,LN},以及RE的累计均值线序列RA={raj|j=1,2,…,RN}:
Figure FDA0002961417130000011
Figure FDA0002961417130000012
式中,li和rj分别为序列LE、RE的元素;
(3-3)获取包络线序列LEV在累计均值线序列LA上方的序列LEV’={lev’i|i=1,2,…,LN},以及包络线序列REV在累计均值线序列RA上方的序列REV’={rev’j|j=1,2,…,RN};其中:
Figure FDA0002961417130000013
Figure FDA0002961417130000014
(3-4)分别提取出序列LEV’、REV’中波峰高度大于设定阈值PT的波峰,并分别加入波峰的三元组集合LP=({lpu|u=1,2,…,LM}、RP={rpv|v=1,2,…,RM}中;其中,波峰lpu=(lpu(start),lpu(peak),lpu(end)),波峰rpv=(rpv(start),rpv(peak),rpv(end)),start为对应波峰左侧平衡位置、peak为对应波峰位置、end为对应波峰右侧的平衡位置,LM、RM分别为序列LEV’、REV’中波峰高度大于PT的波峰的个数;
(4)对于波峰集合LP、RP中的波峰进行配对,并基于配对的两个波峰所确定区域,生成一个外包络矩形,所述外包络矩形即为识别出的一个峡谷所在区域;具体包括:
(4-1)若集合LP或RP均非空,执行步骤(4-2);否则,执行步骤(5);
(4-2)在集合RP中,查找与元素lpu配对的波峰rpnearest
(4-3)针对lpu的三个元素lpu(start)、lpu(peak)、lpu(end)和其配对波峰rpnearest的三个元素rpnearest(start)、rpnearest(peak)、rpnearest(end),在每个元素所对应网格单元的中心位置创建一个点;
(4-4)生成6个点的外包络矩形,所述外包络矩形即为识别出的一个峡谷所在区域;
(4-5)返回循环执行步骤(4-2)至(4-4),直至集合LP中所有元素都被配对处理;
(5)返回循环执行步骤(1)到(4),直至水系图层中每一水系要素都被处理;
(6)基于所生成的外包络矩形集合,生成峡谷实体专题图层。
2.根据权利要求1所述的峡谷地貌实体的自动化识别方法,其特征在于:所述步骤(1)具体包括:
(1-1)从水系图层中读取一水系要素wk,其中,k∈{1,2,…,N},N为水系图层中水系线要素的个数;
(1-2)创建一距离为d的缓冲区buffer;
(1-3)提取buffer在水系要素wk两侧的边界线,分别记为leftline、rightline。
3.根据权利要求1所述的峡谷地貌实体的自动化识别方法,其特征在于:步骤(2)具体包括:
(2-1)采用边界线leftline对DEM作堆栈剖面,从而得到高程序列LE={li|i=1,2,…,LN},其中,li为边界线leftline所经过的第i个格网单元的高程值,LN为序列LE元素的个数;
(2-2)采用边界线rightline对DEM作堆栈剖面,从而得到高程序列RE={rj|j=1,2,…,RN},其中,rj为边界线rightline所经过的第j个格网单元的高程值,RN为序列RE元素的个数。
4.根据权利要求1所述的峡谷地貌实体的自动化识别方法,其特征在于:步骤(4)具体包括:步骤(4-2)具体包括:
(4-2-1)计算lpu(peak)与rpv(peak)的差值nearv,并存入集合Near={nearv|v=1,2,…,RM};
(4-2-2)获取集合Near中的最小值nearnearest,若nearnearest小于设定阈值NT,则判定波峰rpnearest与lpu配对,即rpnearest与lpu位于同一峡谷两侧,并从集合RP中剔除rpnearest,执行步骤(4-3);否则,执行步骤(4-5)。
CN201811361911.1A 2018-11-15 2018-11-15 一种峡谷地貌实体的自动化识别方法 Active CN109543583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811361911.1A CN109543583B (zh) 2018-11-15 2018-11-15 一种峡谷地貌实体的自动化识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811361911.1A CN109543583B (zh) 2018-11-15 2018-11-15 一种峡谷地貌实体的自动化识别方法

Publications (2)

Publication Number Publication Date
CN109543583A CN109543583A (zh) 2019-03-29
CN109543583B true CN109543583B (zh) 2021-04-27

Family

ID=65847840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811361911.1A Active CN109543583B (zh) 2018-11-15 2018-11-15 一种峡谷地貌实体的自动化识别方法

Country Status (1)

Country Link
CN (1) CN109543583B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103236086A (zh) * 2013-04-24 2013-08-07 武汉大学 一种顾及地表水文上下文的多尺度dem建模方法
CN103940407A (zh) * 2014-02-13 2014-07-23 鲁东大学 一种基于地形和遥感影像融合技术提取冲沟方法
CN106067030A (zh) * 2016-05-26 2016-11-02 广西师范学院 一种河流特征分类数据的处理方法
CN108021878A (zh) * 2017-11-30 2018-05-11 长江空间信息技术工程有限公司(武汉) 一种等高线负向地貌智能识别方法
CN108389255A (zh) * 2018-02-12 2018-08-10 西安电子科技大学 基于分层高程云图的地形几何参数提取方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2013317709B2 (en) * 2012-09-21 2018-07-05 Anditi Pty Ltd On-ground or near-ground discrete object detection method and system
GB2537922B (en) * 2015-04-30 2019-01-16 Univ Cape Town Systems and methods for synthesising a terrain

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103236086A (zh) * 2013-04-24 2013-08-07 武汉大学 一种顾及地表水文上下文的多尺度dem建模方法
CN103940407A (zh) * 2014-02-13 2014-07-23 鲁东大学 一种基于地形和遥感影像融合技术提取冲沟方法
CN106067030A (zh) * 2016-05-26 2016-11-02 广西师范学院 一种河流特征分类数据的处理方法
CN108021878A (zh) * 2017-11-30 2018-05-11 长江空间信息技术工程有限公司(武汉) 一种等高线负向地貌智能识别方法
CN108389255A (zh) * 2018-02-12 2018-08-10 西安电子科技大学 基于分层高程云图的地形几何参数提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Application of Remote Sensing in the Identification of the Geological Terrain Features in Cameron Highlands, Malaysia;Mohammad Firuz Ramli 等;《https://www.researchgate.net/publication/288674400_Application_of_Remote_Sensing_in_the_Identification_of_the_Geolo gical_Terrain_Features_in_Cameron_Highlands_Malaysia》;20160815;第1-11页 *
基于GIS的典型黄土小流域边界线分形特征研究;胡最 等;《华中师范大学学报(自然科学版)》;20140228;第48卷(第1期);第117-123页 *
基于规则格网DEM地形特征提取研究;刘淑琼;《中国优秀硕士学位论文全文数据库 基础科学辑》;20160715(第7期);A008-31 *

Also Published As

Publication number Publication date
CN109543583A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
Jia et al. Spectral matching based on discrete particle swarm optimization: A new method for terrestrial water body extraction using multi-temporal Landsat 8 images
Wise et al. Topographic lineament swarms: clues to their origin from domain analysis of Italy
Zhu et al. Derivation of soil properties using a soil land inference model (SoLIM)
Zhang et al. Tectonic geomorphology of the Qilian Shan in the northeastern Tibetan Plateau: Insights into the plateau formation processes
CN102938066B (zh) 一种基于多元数据重建建筑物外轮廓多边形的方法
CN104392486B (zh) 一种点云场景重建方法
CN103234920B (zh) 基于遥感信息的地下水富集性评估方法
CN110685747B (zh) 一种高潜水位采煤沉陷水体遥感提取方法
Wang et al. Drained thaw lake basin recovery on the western Arctic Coastal Plain of Alaska using high-resolution digital elevation models and remote sensing imagery
KR100963651B1 (ko) 항공라이다자료를 이용한 건물외곽선 자동 추출 방법
El Bastawesy et al. Detection and assessment of the waterlogging in the dryland drainage basins using remote sensing and GIS techniques
Guida et al. Using object-based geomorphometry for hydro-geomorphological analysis in a Mediterranean research catchment
CN109543583B (zh) 一种峡谷地貌实体的自动化识别方法
Meng et al. Monitoring human-induced surface water disturbance around Taihu Lake since 1984 by time series Landsat images
Mulligan Modelling catchment hydrology
Xiong et al. Landform-derived placement of electrical resistivity prospecting for paleotopography reconstruction in the loess landforms of China
Mitchell et al. Little tools, big job: The periglacial conveyor system in cryoplanated uplands
Campana Ikonos-2 multispectral satellite imagery to the study of archaeological landscapes: An integrated multi-sensor approach in combination with “traditional” methods
Abdullah et al. The extraction of lineaments using slope image derived from digital elevation model: case study: Sungai Lembing-Maran Area, Malaysia
CN104063614B (zh) 一种基于odp的海底沙波特征自动识别方法
Li et al. A sliding window method for detecting corners of openings from terrestrial LiDAr data
Grenier et al. Assessment of Holocene surface hydrological connections for the Ounianga lake catchment zone (Chad)
Bernardes et al. Mitigation banks and other conservation lands at risk from preferential groundwater flow and hydroperiod alterations by existing and proposed Northeast Florida mines
Queen Large-scale mapping and geomorphometry of upland periglacial landscapes in Eastern Beringia
Campana High resolution satellite imagery: a new source of information to the archaeological study of Italian landscapes? Case study of Tuscany

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