CN109799503A - 建筑物损毁评估制图方法及系统 - Google Patents
建筑物损毁评估制图方法及系统 Download PDFInfo
- Publication number
- CN109799503A CN109799503A CN201910169696.3A CN201910169696A CN109799503A CN 109799503 A CN109799503 A CN 109799503A CN 201910169696 A CN201910169696 A CN 201910169696A CN 109799503 A CN109799503 A CN 109799503A
- Authority
- CN
- China
- Prior art keywords
- calamity
- building
- damage
- degree
- touzi
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是有关于一种建筑物损毁评估制图方法及系统。该方法包括：对灾前及灾后全极化合成孔径雷达SAR数据进行Touzi分解；利用灾前灾后全极化SAR数据提取得到的Touzi分解分量，分析训练样本区内所述Touzi分解αs1分量灾后与灾前的变化，进而确定表征建筑物损毁程度的评价指标；在所述评价指标与建筑物真实损毁程度之间建立定量关系模型；以及根据所述定量关系模型计算得到整个图像内不同建筑物区域的损毁程度评估图。本发明建筑物损毁评估制图方法及系统可以在灾害发生后快速获得建筑物损毁程度的空间分布，为灾后应急监测和救援提供更准确的信息。
Description
技术领域
本发明涉及雷达遥感数据处理技术领域，特别是涉及一种建筑物损毁评估制图方法及系统。
背景技术
近年来，全球极端天气事件增多、自然灾害频发，严重影响了人民生命财产安全和国民经济发展，灾害发生后建筑物区域通常是应急监测和救援重点关注的区域。重特大自然灾害通常伴随着恶劣天气，极大地限制了光学遥感的应用，因此，具有全天时、全天候对地观测能力的雷达遥感在灾害监测与评估中发挥着不可替代的作用。雷达回波对地物目标的几何结构和介电特性敏感，完好和损毁建筑物的几何结构不同，其散射机制及雷达遥感图像特征具有明显区别，因此利用雷达遥感技术可以检测建筑物受损毁区域及受损毁程度，是建筑物损毁快速监测和灾情评估的一种重要手段。
根据灾害前后建筑物雷达散射特征的差异，可以利用变化检测技术进行建筑物损毁评估，快速识别出发生变化的区域，并确定其损毁程度。随着一系列新型雷达遥感卫星的发射，雷达遥感数据的空间分辨率得到显著提高，极化信息更为丰富。极化SAR数据所包含了更丰富的地物目标信息，可以用来准确地刻画目标的散射机理。建筑物损毁后其散射机制会发生变化，因此，可以利用全极化数据借助目标极化分解技术定量描述建筑物散射机制的变化，进而确定发生损毁的建筑物区域及其程度，实现建筑物损毁的快速评估和制图。
Chen等通过分析灾害前后的全极化ALOS PALSAR图像，发现建筑物损毁后，其对应的二面角散射分量、极化方位角等都会发生变化，因此提出了基于这些分量的损毁评估方法。该方法分别对灾害前后的极化SAR数据进行Yamaguchi分解提取二次散射分量和极化方位角，分析这些分量的变化与建筑物损毁程度的关系，进而建立建筑物损毁评估模型，该方法的流程为：
第一步：对灾前灾后极化SAR数据进行Yamaguchi分解，提取各极化参量并分析不同损毁程度区域极化参量的变化情况；
第二步：利用灾后灾前二次散射分量的占比和极化方位角的标准差来表征建筑物的损毁程度，利用二次散射分量提取的建筑物损毁指标为：
其中，i表示区域编号，Dn/Dm是一对多时相。
利用极化方位角提取的建筑物损毁指标为：
其中，是表示对极化方位角的降序序列，std(.)表示标准差，|.|表示求绝对值。
第三步：在利用二次散射分量占比得到的损毁指标和建筑物损毁程度之间建立定量关系模型：
其中，DL表示建筑物损毁程度，代表建筑物损毁指标，即第二步中的
第四步：利用上述定量关系模型对整景图像进行建筑物损毁程度评估制图。
上述方法的不足在于，基于Yamaguchi分解的建筑物损毁指标和关系模型的建立，需要分别对灾后灾前SAR数据进行Yamaguchi分解提取二次散射、面散射和体散射分量，然后再计算灾后灾前的二次散射分量的占比，因此计算复杂繁琐，时效性低，无法满足灾后建筑物损毁快速评估与制图的应用需求。
发明内容
本发明要解决的技术问题是提供一种建筑物损毁评估制图方法及系统，可以在灾害发生后快速获得建筑物损毁程度的空间分布，为灾后应急监测和救援提供更准确的信息。
为解决上述技术问题，本发明提供了一种建筑物损毁评估制图方法，所述方法包括：对灾前及灾后全极化合成孔径雷达SAR数据进行Touzi分解；利用灾前灾后全极化SAR数据提取得到的Touzi分解分量，分析训练样本区内所述Touzi分解αs1分量灾后与灾前的变化，进而确定表征建筑物损毁程度的评价指标；在所述评价指标与建筑物真实损毁程度之间建立定量关系模型；以及根据所述定量关系模型计算得到整个图像内不同建筑物区域的损毁程度评估图，其中，所述损毁程度评估图用于对建筑物的损毁程度进行评估。
作为本发明技术方案的一种改进，还包括：对灾前及灾后全极化SAR数据进行预处理。
作为本发明技术方案的一种改进，对灾前及灾后全极化SAR数据进行预处理，包括：对灾前及灾后全极化SAR数据进行几何校正、地理编码、配准以及多视处理。
作为本发明技术方案的一种改进，利用灾前灾后全极化SAR数据提取得到的Touzi分解分量，分析训练样本区内所述Touzi分解αs1分量灾后与灾前的变化，进而确定表征建筑物损毁程度的评价指标，包括：根据如下指标确定公式确定表征建筑物损毁程度的评价指标
其中，i∈[1,m]，表示第i个训练样本区，表示第i个训练样本区的灾害后αs1分量的大小，表示第i个训练样本区的灾害前αs1分量的大小。
作为本发明技术方案的一种改进，根据如下指标确定公式确定表征建筑物损毁程度的评价指标包括：设置确定像元大小的移动窗口，利用灾前灾后得到的Touzi分解αs1分量图，按照所述指标确定公式计算得到建筑物区域损毁指标图。
作为本发明技术方案的一种改进，在所述评价指标与建筑物真实损毁程度之间建立定量关系模型，包括：利用选取的m个不同损毁程度的训练样本区，绘制地面真实损毁程度与损毁指标的散点分布图；以及利用线性关系模型模拟建立建筑物损毁程度Damage_level与损毁指标间的定量关系模型。
作为本发明技术方案的一种改进，所述建筑物损毁程度与损毁指标间的定量关系模型如下：
其中，Damage_level为建筑物损毁程度，为建筑物损毁指标。
作为本发明技术方案的一种改进，还包括：在对灾前及灾后全极化合成孔径雷达SAR数据进行Touzi分解之前，获取基础地理信息资料及高分辨率光学数据，所述基础地理信息资料及所述高分辨率光学数据用于建筑物区域提取。
作为本发明技术方案的一种改进，还包括：通过地面调查，获取建筑物损毁程度真实信息，所述建筑物损毁程度真实信息用于建立能表征建筑物损毁程度的评估模型。
此外，本发明还提供了一种建筑物损毁评估制图系统，所述系统包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如前文所述的建筑物损毁评估制图方法。
采用这样的设计后，本发明至少具有以下优点：
(1)传统进行建筑物损毁评估的方法主要基于变化检测，利用目视解译实现建筑物损毁程度的定性评估。本发明提出了利用灾前和灾后全极化SAR数据对建筑物损毁程度进行定量评估制图的方法，可以在灾害发生后快速获取建筑物损毁程度的空间分布图，为灾后应急监测和救援提供定量信息。
(2)现有方法需要计算三个极化分量，并通过计算二次散射分量的占比评估建筑物损毁程度，因此计算复杂，耗时长，不能有效满足灾后快速评估损毁程度和伤亡情况的需求。本发明利用Touzi分解提取的αs1分量计算建筑物损毁指标，整个计算过程中只涉及αs1这一种极化参量，因此计算过程简单并且容易实现，可以在灾害发生后实现建筑物损毁的快速评估，为灾害应急响应与救援提供信息支持。
附图说明
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明一种实施方式下建筑物损毁评估制图方法的流程图；
图2是本发明另一种实施方式下建筑物损毁评估制图方法的流程图；
图3是本发明建筑物损毁评估制图装置的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
参见图1，本发明提供一种建筑物损毁评估制图方法。该建筑物损毁评估制图方法包括如下步骤：
S11，对灾前及灾后全极化合成孔径雷达SAR数据进行Touzi分解。
首先对灾后、灾前全极化SAR数据进行预处理，包括几何校正、地理编码，然后以灾前SAR图像作为参考图像对灾后SAR图像进行几何校正实现灾后灾前SAR图像的空间配准。然后对极化SAR数据进行多视处理，并对灾后灾前极化SAR数据分别进行Touzi分解，得到各极化分量，包括αs1分量、分量、τ1分量等。
利用基础地理信息资料提取建筑物区域范围，或者借助分类或分割算法从灾前全极化SAR数据、高分辨率光学遥感数据上提取建筑物区域范围，使得后续的建筑物损毁评估都在限定在建筑物所在的区域范围内；同时，借助地面调查，获得建筑物损毁的真实情况，如果没有可用的地面资料，可以利用灾害前后的高分辨率光学遥感数据获得建筑物的真实损毁情况，假设共有m个不同损毁程度的区域作为训练样本区，分别记为 共计n个不同损毁程度的区域作为验证样本区，记为
S12，利用灾前灾后全极化SAR数据提取得到的Touzi分解分量，分析训练样本区内所述Touzi分解αs1分量灾后与灾前的变化，进而确定表征建筑物损毁程度的评价指标。
利用灾前灾后全极化SAR数据提取得到的Touzi分解分量，分析m个训练样本区内αs1、τ1分量灾后与灾前的变化，重点分析αs1分量变化与真实损毁情况的定性关系，进而确定最能表征建筑物损毁程度的评价指标即灾后αs1分量与灾前αs1分量的比值：
其中，i∈[1,m]表示第i个训练样本区，表示第i个训练样本区的灾害后αs1分量的大小，表示第i个训练样本区的灾害前αs1分量的大小。
S13，在所述评价指标与建筑物真实损毁程度之间建立定量关系模型。
在建立的损毁指标与建筑物真实损毁程度之间建立定量关系模型，具体过程如下：
1、设置15×15像元大小的移动窗口，利用灾前灾后得到的Touzi分解αs1分量图，按照公式(4)计算得到建筑物区域损毁指标图；
2、利用选取的m个不同损毁程度的训练样本区，绘制地面真实损毁程度与损毁指标的散点分布图，并利用线性关系模型模拟建立建筑物损毁程度Damage_level与损毁指标间的定量关系模型：
其中，Damage_level为建筑物损毁程度，为建筑物损毁指标。
S14，根据所述定量关系模型计算得到整个图像内不同建筑物区域的损毁程度评估图。
利用公式(5)计算得到整个图像内不同建筑物区域的损毁程度评估图。然后，选取n个不同损毁程度的验证样本区，对建筑物损毁程度评估图进行验证和评价，分析时间差和周边地物的影响，进一步优化评估模型的适用范围，得到更优的损毁评估结果。
本发明针对灾害发生后建筑物损毁快速评估的迫切需求，根据完好与损毁建筑物散射机制的差异，提出了一种利用Touzi极化分解提取αs1分量进而对建筑物的损毁程度进行定量评估和制图的方法。以2011年3月11日发生在日本东北部海岸的海啸以及引发的大地震为案例，获取了灾害前后共计3个时相(2009年4月2日，2010年11月21日，2011年4月8日)的ALOS PALSAR全极化数据，利用上述方法对石卷市建筑物损毁情况进行了评估制图。结果表明，利用Touzi分解得到的αs1分量对于建筑物损毁非常敏感，灾后与灾前分量的比值能较好地反映建筑物的损毁程度，利用上述方法得到的灾后建筑物损毁级别评估结果的均方根误差RMSE＝0.0048，表明该方法具有较高的精度；利用Intel(R)Core(TM)i7-3770CPU,3.40GHz,4.00GB内存，Windows 10操作系统,MATLAB R2016b编程平台对整景ALOS PALSAR图像的处理时间为332s，因此，该方法可以实现建筑物损毁的快速评估。
图2示出了本发明建筑物损毁评估制图方法的另一种实施方式。参见图2，建筑物损毁评估制图方法包括：
S200，获取基础地理信息资料。
S201，获取高分辨率光学数据。
S202，获取灾害前极化SAR数据。
S203，获取灾害后极化SAR数据。
S204，根据基础地理信息资料、高分辨率光学数据及灾害前极化SAR数据，提取建筑物区域。
S205，对灾害前及灾害后极化SAR数据进行几何校正、配准。
S206，对经过几何校正、配准的灾害前极化SAR数据进行多视处理。
S207，对经过几何校正、配准的灾害后极化SAR数据进行多视处理。
S208，对灾害前极化SAR数据进行Touzi分解。
S209，对灾害后极化SAR数据进行Touzi分解。
S210，获取对灾害前极化SAR数据进行Touzi分解所得到的αs1分量。
S211，获取对灾害后极化SAR数据进行Touzi分解所得到的αs1分量。
S212，通过地面调查，或利用其他手段获取的建筑物损毁程度真实信息。
S213，基于灾害前后的αs1分量，建立建筑物损毁指标。
S214，建立损毁程度评估模型。
S215，进行建筑物损毁程度评估制图。
图3是本发明建筑物损毁评估制图装置的结构图。参见图3，建筑物损毁评估制图装置包括：中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)中的程序或者从存储部分308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM303中，还存储有系统操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。
特别的，根据本发明实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU)301执行时，执行本发明的方法中限定的上述功能。需要说明的是，本发明的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意结合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何恰当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，该模块、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，两个接连的表示的方框实际上可以基本并行的执行，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操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。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。
Claims (10)
1.一种建筑物损毁评估制图方法，其特征在于，包括：
对灾前及灾后全极化合成孔径雷达SAR数据进行Touzi分解；
利用灾前灾后全极化SAR数据提取得到的Touzi分解分量，分析训练样本区内所述Touzi分解αs1分量灾后与灾前的变化，进而确定表征建筑物损毁程度的评价指标；
在所述评价指标与建筑物真实损毁程度之间建立定量关系模型；以及
根据所述定量关系模型计算得到整个图像内不同建筑物区域的损毁程度评估图，其中，所述损毁程度评估图用于对建筑物的损毁程度进行评估。
2.根据权利要求1所述的建筑物损毁评估制图方法，其特征在于，还包括：
对灾前及灾后全极化SAR数据进行预处理。
3.根据权利要求1所述的建筑物损毁评估制图方法，其特征在于，对灾前及灾后全极化SAR数据进行预处理，包括：
对灾前及灾后全极化SAR数据进行几何校正、地理编码、配准以及多视处理。
4.根据权利要求1所述的建筑物损毁评估制图方法，其特征在于，利用灾前灾后全极化SAR数据提取得到的Touzi分解分量，分析训练样本区内所述Touzi分解αs1分量灾后与灾前的变化，进而确定表征建筑物损毁程度的评价指标，包括：
根据如下指标确定公式确定表征建筑物损毁程度的评价指标
其中，i∈[1,m]，表示第i个训练样本区，表示第i个训练样本区的灾害后αs1分量的大小，表示第i个训练样本区的灾害前αs1分量的大小。
5.根据权利要求4所述的建筑物损毁评估制图方法，其特征在于，根据如下指标确定公式确定表征建筑物损毁程度的评价指标包括：
设置确定像元大小的移动窗口，利用灾前灾后得到的Touzi分解αs1分量图，按照所述指标确定公式计算得到建筑物区域损毁指标图。
6.根据权利要求1所述的建筑物损毁评估制图方法，其特征在于，在所述评价指标与建筑物真实损毁程度之间建立定量关系模型，包括：
利用选取的m个不同损毁程度的训练样本区，绘制地面真实损毁程度与损毁指标的散点分布图；以及
利用线性关系模型模拟建立建筑物损毁程度Damage_level与损毁指标间的定量关系模型。
7.根据权利要求1所述的建筑物损毁评估制图方法，其特征在于，所述建筑物损毁程度与损毁指标间的定量关系模型如下：
其中，Damage_level为建筑物损毁程度，为建筑物损毁指标。
8.根据权利要求1所述的建筑物损毁评估制图方法，其特征在于，还包括：
在对灾前及灾后全极化合成孔径雷达SAR数据进行Touzi分解之前，获取基础地理信息资料及高分辨率光学数据，所述基础地理信息资料及所述高分辨率光学数据用于建筑物区域提取。
9.根据权利要求1所述的建筑物损毁评估制图方法，其特征在于，还包括：
通过地面调查，获取建筑物损毁程度真实信息，所述建筑物损毁程度真实信息用于建立能表征建筑物损毁程度的评估模型。
10.一种建筑物损毁评估制图系统，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据权利要求1至9任意一项所述的建筑物损毁评估制图方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910169696.3A CN109799503A (zh) | 2019-03-06 | 2019-03-06 | 建筑物损毁评估制图方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910169696.3A CN109799503A (zh) | 2019-03-06 | 2019-03-06 | 建筑物损毁评估制图方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109799503A true CN109799503A (zh) | 2019-05-24 |
Family
ID=66562551
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910169696.3A Pending CN109799503A (zh) | 2019-03-06 | 2019-03-06 | 建筑物损毁评估制图方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109799503A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111581865A (zh) * | 2020-05-08 | 2020-08-25 | 成都山地环安防灾减灾技术有限公司 | 一种工程结构损伤远程监测预警方法及系统 |
| CN112347913A (zh) * | 2020-11-05 | 2021-02-09 | 中国科学院国家空间科学中心 | 基于快速Huynen-Euler分解的受灾建筑物损坏等级估计方法及系统 |
| CN114782826A (zh) * | 2022-06-20 | 2022-07-22 | 绵阳天仪空间科技有限公司 | 一种灾后建筑物的安全监测系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102004915A (zh) * | 2010-10-19 | 2011-04-06 | 中国科学院遥感应用研究所 | 基于纹理特征空间的震损建筑遥感快速提取技术 |
| CN103886329A (zh) * | 2014-03-21 | 2014-06-25 | 西安电子科技大学 | 基于张量分解降维的极化图像分类方法 |
| CN105551049A (zh) * | 2015-12-28 | 2016-05-04 | 清华大学 | 基于港区水域提取的极化sar图像大型港口检测方法 |
| CN106338775A (zh) * | 2016-09-07 | 2017-01-18 | 民政部国家减灾中心（民政部卫星减灾应用中心） | 基于干涉合成孔径雷达数据的建筑物倒损程度评估方法 |
| CN107564055A (zh) * | 2017-08-28 | 2018-01-09 | 中国科学院遥感与数字地球研究所 | 一种基于遥感的滑坡体体积估计方法 |
-
2019
- 2019-03-06 CN CN201910169696.3A patent/CN109799503A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102004915A (zh) * | 2010-10-19 | 2011-04-06 | 中国科学院遥感应用研究所 | 基于纹理特征空间的震损建筑遥感快速提取技术 |
| CN103886329A (zh) * | 2014-03-21 | 2014-06-25 | 西安电子科技大学 | 基于张量分解降维的极化图像分类方法 |
| CN105551049A (zh) * | 2015-12-28 | 2016-05-04 | 清华大学 | 基于港区水域提取的极化sar图像大型港口检测方法 |
| CN106338775A (zh) * | 2016-09-07 | 2017-01-18 | 民政部国家减灾中心（民政部卫星减灾应用中心） | 基于干涉合成孔径雷达数据的建筑物倒损程度评估方法 |
| CN107564055A (zh) * | 2017-08-28 | 2018-01-09 | 中国科学院遥感与数字地球研究所 | 一种基于遥感的滑坡体体积估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邵芸: ""雷达卫星防灾减灾应用现状与展望"", 《城市与减灾》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111581865A (zh) * | 2020-05-08 | 2020-08-25 | 成都山地环安防灾减灾技术有限公司 | 一种工程结构损伤远程监测预警方法及系统 |
| CN111581865B (zh) * | 2020-05-08 | 2023-09-05 | 成都山地环安科技有限公司 | 一种工程结构损伤远程监测预警方法及系统 |
| CN112347913A (zh) * | 2020-11-05 | 2021-02-09 | 中国科学院国家空间科学中心 | 基于快速Huynen-Euler分解的受灾建筑物损坏等级估计方法及系统 |
| CN112347913B (zh) * | 2020-11-05 | 2024-03-29 | 中国科学院国家空间科学中心 | 基于快速Huynen-Euler分解的受灾建筑物损坏等级估计方法及系统 |
| CN114782826A (zh) * | 2022-06-20 | 2022-07-22 | 绵阳天仪空间科技有限公司 | 一种灾后建筑物的安全监测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109799503A (zh) | 建筑物损毁评估制图方法及系统 | |
| CN108154196B (zh) | 用于输出图像的方法和装置 | |
| CN108304835A (zh) | 文字检测方法和装置 | |
| Baddeley | Analysing spatial point patterns in R | |
| CN108510472A (zh) | 用于处理图像的方法和装置 | |
| CN110008854A (zh) | 基于预训练dcnn的无人机影像公路地质灾害识别方法 | |
| CN108596518A (zh) | 一种公路地质灾害危险性评估方法 | |
| Zhao et al. | Mapping 3D visibility in an urban street environment from mobile LiDAR point clouds | |
| US10984518B2 (en) | Methods and systems for assessing the quality of geospatial data | |
| Nduwayezu et al. | Modeling urban growth in Kigali city Rwanda | |
| CN110245645A (zh) | 人脸活体识别方法、装置、设备及存储介质 | |
| CN111931047A (zh) | 基于人工智能的黑产账号检测方法及相关装置 | |
| Zhao et al. | Illuminated border: Spatiotemporal analysis of COVID-19 pressure in the Sino-Burma border from the perspective of nighttime light | |
| CN109740678A (zh) | 基于多级不均匀空间抽样的遥感影像分类精度检验方法 | |
| CN117474330A (zh) | 考虑用户画像的多灾害差异化预警信息生成方法及设备 | |
| WO2020101241A1 (ko) | 원전사고시 비상대응 인구분석 및 오염도 추정 방법 | |
| Cui et al. | Research on the driving forces of urban hot spots based on exploratory analysis and binary logistic regression model | |
| CN107084728B (zh) | 用于检测数字地图的方法和装置 | |
| CN115328320A (zh) | 一种水利工程在线学习方法及系统 | |
| CN115223157A (zh) | 一种基于循环神经网络的电网设备铭牌光学字符识别方法 | |
| CN115879594A (zh) | 一种基于地理探测器的城市定居人口分布趋势预测方法 | |
| CN109686077A (zh) | 车辆行驶状况监控方法和装置 | |
| Sidiq et al. | Built-Up Development Prediction Based on Cellular Automata Modelling Around New Yogyakarta International Airport | |
| Maneriker et al. | A Pipeline for Disaster Response and Relief Coordination | |
| CN113326410B (zh) | 基于时空关联的关系人行为轨迹分析方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190524 |