CN110175638A - 一种扬尘源监测方法 - Google Patents
一种扬尘源监测方法 Download PDFInfo
- Publication number
- CN110175638A CN110175638A CN201910392872.XA CN201910392872A CN110175638A CN 110175638 A CN110175638 A CN 110175638A CN 201910392872 A CN201910392872 A CN 201910392872A CN 110175638 A CN110175638 A CN 110175638A
- Authority
- CN
- China
- Prior art keywords
- fugitive dust
- dust source
- support vector
- wave band
- algorithm
- 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
Links
- 239000000428 dust Substances 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000012706 support-vector machine Methods 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 241001269238 Data Species 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000011236 particulate material Substances 0.000 description 2
- 241000238876 Acari Species 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N15/075—Investigating concentration of particle suspensions by optical means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Dispersion Chemistry (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种扬尘源监测方法，包括：对监测区域的中分辨率卫星影像数据进行处理，获得空间分辨率为10米的多个波段数据产品；在所述多个波段建立空间分辨率为10米包含扬尘源卫星影像的样本集；以所述样本集作为特征向量输入支持向量机，确定支持向量机算法的参数；将所述多个波段数据产品输入所述支持向量机算法，输出各像元为扬尘源的置信度；选择置信度在阈值以上的全部像元。本申请可实现及时准确跟踪、高可靠度显示和监测扬尘源的变化情况。
Description
技术领域
本申请涉及遥感领域，尤其涉及一种扬尘源监测的方法。
背景技术
扬尘是指地表松散颗粒物质在自然力或人力作用下进入到环境空气中形成的一定粒径范围的空气颗粒物。扬尘源是指在自然力或人力作用下各种不经过排气筒、无组织、无规则排放地表松散颗粒物质的颗粒物排放源。扬尘源主要包括以下几类：土壤扬尘源，道路扬尘源，施工扬尘源，堆场扬尘源。城市范围内扬尘源中施工扬尘源和堆场扬尘源的分布最为广泛，也是扬尘管控的关键。
利用卫星数据进行扬尘源识别及监测，一方面应满足数据空间分辨率以及时间分辨率的要求，另一方面还应满足卫星数据的可获得性、经济性。
现有技术多采用高分辨率遥感卫星，结合人工目视解译提取城市范围内扬尘源的空间分布信息，其优点在于因为卫星影像数据精度高，目视解译结果准确度高，但由于数据时间分辨率低，无法以月、季度的频次进行提取，无法满足现有的环境监管需求，且目视解译耗时长，成本高，受人为主观因素的一定影响。中分辨率遥感卫星数据的时间分辨率可以满足月、季度频次的扬尘源提取工作，但基于中分辨率卫星数据的提取目前多以单一相关指数(如裸地指数)为基础，通过阈值判断提取扬尘源，这种方法虽然满足环境监管频次要求，但是准确率较低，误差较大,不具有普遍适用性。也就是说，扬尘源的变化周期很快，仅凭高分辨率卫星影像无法满足监管需求。而中分辨率卫星识别出的数据类别单一，只能给出有无扬尘源污染，缺乏带有置信度的高可靠性数据。
因此，对于扬尘源监测，需解决的问题是卫星数据及时准确跟踪扬尘源的变化，同时识别结果需带有置信度的数据，提升监测的准确性。
发明内容
本发明提出一种扬尘源监测方法，解决现有技术无法及时准确跟踪扬尘源变化，且对扬尘源污染缺乏置信度等定量评价的问题。
本申请实施例提供一种扬尘源监测方法，包括以下步骤：
对监测区域的中分辨率卫星影像数据进行处理，获得空间分辨率为10米的多个波段数据产品；
在所述多个波段建立空间分辨率为10米抱包含扬尘源卫星影像的样本集；
以所述样本集作为特征向量输入支持向量机，确定支持向量机算法的参数；
将所述多个波段数据产品输入所述支持向量机算法，输出各像元为扬尘源的置信度；
选择置信度在阈值以上的全部像元。
作为本申请进一步优化的实施例，还包括以下步骤：
将所述样本集分为训练集和测试集；
将所述训练集的数据输入支持向量机，确定支持向量机算法的参数；
用所述测试集的数据，通过混淆矩阵评价方法确定支持向量机算法的最佳参数。
作为本申请进一步优化的实施例，还包括以下步骤：对所述影像数据进行预处理，处理方式包括选取无云或少云区域的数据，以及几何校正、大气校正、裁剪、镶嵌中的至少一种。
优选地，所述样本集还包括植被、水面、裸地、建筑和道路的卫星影像中至少一种。
优选地，所述支持向量机算法是RBF核函数，所述参数是RBF核函数中的C参数和G参数。
优选地，采用GridSearch算法进行10-折交叉验证方法确定所述支持向量机算法的参数。
优选地，所述中分辨率卫星的时间分辨率小于或等于5天。
优选地，所述中分辨率卫星的空间分辨率为10米～60米。
优选地，所述多个波段是波长为0.490μm、0.560μm、0.665μm、0.705μm、0.740μm、0.783μm、0.842μm、0.865μm、1.610μm、2.190μm的波段。
优选地，还包括以下步骤，对波长为0.705μm、0.740μm、0.783μm、0.865μm、1.610μm、2.190μm的波段对应的所述影像数据进行重采样。
本申请的至少一个实施例具有以下有益效果：本申请提出基于中分辨率卫星的扬尘源提取方法，其空间分辨率大小满足扬尘源的识别要求，可以及时跟踪扬尘源的变化，提升监测的准确性。也就是说，在满足监管需求的频率要求的前提下，采用支持向量机模型自动分类提取扬尘源的方法，得到扬尘源的空间分布信息，准确度高于现有基于中分辨率卫星数据的其他扬尘源提取技术。当采用哨兵二号系列卫星数据时，该卫星具有高达5天的时间分辨率和10米的空间分辨率。作为数据源，以一月一次的监测频率，既可以保证去除大部分云层覆盖的干扰，也可以保证结果的全面准确性，且提取目标不具有移动性和时相变化，即使研究区域内一个月内无完整一景无云影像，多景合成的无云/少云影像也可以作为数据进行使用。
同时，如果仅用目视解译的方法对中分辨率数据进行解译，并不能够准确快速的提取扬尘源；本申请首次采用支持向量机的分类置信度输出作为扬尘源目视解译的主要判断依据，根据高置信度点群的分布密度情况，可以简单快速的定位扬尘源的分布范围，提取扬尘源的空间分布信息。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为扬尘源监测方法的实施例流程图；
图2为训练和校对支持向量机算法最优参数的实施例流程图；
图3为样本集中的多个波段数据产品组成情况示意图；
图4为对监测区域进行扬尘源识别的结果示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为扬尘源监测方法的实施例流程图。本申请提出的扬尘源监测方法，至少包括以下步骤：
步骤10：对监测区域的中分辨率卫星影像数据进行处理，获得空间分辨率为10米的多个波段数据产品
在步骤10中，对监测区域的中分辨率卫星影像数据进行处理，获得N个像元的多个波段数据产品，所述像元空间分辨率为10米。监测区域是以所述监测区域内全部大气国控站点周边指定距离缓冲区的最大覆盖范围集合确定的，再将所述区域转换为矢量文件。所述矢量文件为二维的矢量面，是由一系列相连的x，y坐标对定义的闭合形状。
例如，以监测区域内全部大气国控站点的周边5km做为缓冲区，所有站点周边5km缓冲区的覆盖范围叠加则为扬尘源监测区域。
优选地，所述中分辨率卫星的时间分辨率小于或等于5天。
优选地，所述中分辨率卫星的空间分辨率为10米～60米。
例如，所述中分辨率卫星是哨兵二号系列卫星，哨兵二号系列卫星可实现时间分辨率小于或等于5天且各波段空间分辨率分别为10m、20m或60m。
哨兵二号系列卫星共13个波段，其中：空间分辨率为10m的波段有4个，分别是0.490μm、0.560μm、0.665μm、0.842μm的波段；空间分辨率为20m的波段有6个，分别是0.705μm、0.740μm、0.783μm、0.865μm、1.610μm、2.190μm；空间分辨率为60m的波段有3个，分别是0.443μm、0.945μm、1.375μm。
表1、哨兵二号系列卫星波段表
需要说明的是，本申请不采纳空间分辨率为60m的波段数据，只采纳空间分辨率为10m和20m的10个波段数据。
在步骤10中，所述卫星影像数据包含空间分辨率为10m和20m的10个波段数据。其中，空间分辨率为10m的4个波段，即波长为0.490μm、0.560μm、0.665μm、0.842μm的波段；空间分辨率为20m的6个波段，分别是波长为0.705μm、0.740μm、0.783μm、0.865μm、1.610μm、2.190μm的波段。
优选地，对波长为0.705μm、0.740μm、0.783μm、0.865μm、1.610μm、2.190μm的波段对应的所述影像数据进行重采样处理，获得空间分辨率为10米的数据。
优选地，对所述影像数据进行预处理，处理方式包括选取无云或少云区域的数据，以及几何校正、大气校正、裁剪、镶嵌中的至少一种。
在步骤10中，对所述影像数据按照无云或少云区域进行选取，再按照所述矢量文件对所述影像数据剪裁或镶嵌，所述裁剪是按照矢量文件选取所述监测区域内的所述影像数据，所述镶嵌是将所述监测区域边缘穿过所述同一像元内部的所述影像数据拼接为一个像元。按照所述影像数据类型进行几何和大气校正处理。
例如，所述影像数据为经过几何校正和大气校正的哨兵2号卫星L2A级数据产品。如果L2A级数据暂时没有分发，则下载哨兵2号卫星L1C级数据产品，并使用Sen2Cor进行几何精校正和大气校正处理，得到哨兵2号卫星L2A级数据产品。
步骤20：在所述多个波段建立空间分辨率为10米包含扬尘源卫星影像的样本集；
例如，所述样本集是对指定地表类型进行高清影像采样，所述多个波段与步骤10中的多个波段相同，得到每个指定地表类型每个像元对应的多个波段数据。
优选地，在步骤20中，所述指定地表类别还包括分别植被、水面、裸地、建筑、道路中的至少一种。
步骤30：以所述样本集作为特征向量输入支持向量机，确定支持向量机算法的参数；
需要说明的是，支持向量机(Support Vector Machine)是一种结构风险最小的分类器，其基本原理是统计学习理论的VC维和结构风险最小化原理，依据有限的训练样本，寻求模型复杂度(训练样本的精度)和学习能力(新样本的识别能力)的这种方法通过把原始的特征向量映射到一个高维空间，在高维空间构建了最大边缘间隔的决策平面，也叫超平面，超平面两边有2个平行的边界平面，这2个平面式距离正负样本最近的平面，SVM要使得超平面和这2个边界平面的就最大化，距离越大，分类器的误差就越小，精度就越高。
需要说明的是，支持向量机的参数选择可以采用RBF,Linear,Poly,Sigmoid，precomputed或者自定义的核函数。
优选地，所述支持向量机算法是RBF核函数，所述参数是RBF核函数中的C参数和G参数。
本申请采用径向基函数(RBF)核函数算法作为所述支持向量机的核函数，该算法需要优化的参数有C参数和G参数；C参数为惩罚系数，C太小，容易发生过拟合，C太大，拟合的结果和实际结果相差太大；G(或gamma)参数是RBF函数的参数之一，G用于调整模型的复杂度，G值越小模型复杂度越低，反之模型复杂度越大。G的取值直接影响到能否找到一个能将多累数据分开的最优超平面
优选的，采用GridSearch算法进行10-折交叉验证方法确定所述支持向量机算法的最优参数。
例如，本申请通过使用GridSearch算法进行10-折交叉验证方法确定所述支持向量机算法即径向基函数(RBF)核函数算法的参数，即：输入样本集，调整C参数和G参数直到支持向量机算法输出的地表类别为扬尘源。
步骤40：将所述多个波段数据产品输入所述支持向量机算法，输出各像元为扬尘源的置信度；
在步骤40中，将所述多个波段数据产品输入所述支持向量机函数，输出结果为每个像元是否归属扬尘源及对应的置信度。
在步骤40中，置信度是指输出结果中，每个像元被分类为某一类地表类别的可能性。该像元对应某一类地表类别的置信度越高，说明该像元被分为这一类地表类别的可能性越大。支持向量机中的置信度，指的是所述数据产品每个像元到分割超平面的欧式距离。
将待分类的多波段影像数据集作为输入，使用训练好的支持向量机模型进行分类。因为支持向量机是一种软分类器，所以选择每个待分类像元在每一个类别的置信度作为输出，得到分类结果。
例如，所述支持向量机函数处理结果为所述检测区域内，每个空间分辨率为10米的像元是否为扬尘源及其对应的置信度分类图。每个像元的置信度从0到1以颜色逐渐变深显示。
步骤50：选择置信度在阈值以上的全部像元。
在步骤50中，选取所述支持向量机函数输出地表类别为扬尘源，且置信度在阈值以上的全部像元，勾出所述全部像元区域，即为扬尘源分布图。
例如，阈值设定为50％，则勾出所述区域中扬尘源置信度在50％以上的全部像元区域，即为扬尘源分布图。阈值设定为60％，则勾出所述区域中扬尘源置信度在60％以上的全部像元区域，即为扬尘源分布图。
图2为训练和校对支持向量机算法最优参数的实施例流程图。本申请提出的扬尘源监测方法，还包括以下步骤：
步骤31：将所述样本集分为训练集和测试集；
在步骤31中，按6:4的比例将所述样本集分为训练集和测试集。
优选的，在步骤31中，样本集除了扬尘源外，还覆盖植被、水面、裸地、建筑、道路中的至少一种地表类型。
例如，样本集覆盖扬尘源、植被、水面、裸地、建筑、道路这六种地表类型对应的卫星影像数据。
需要说明的是，所述样本集同样包括步骤10中的10个波段数据。
例如：样本集包含有六类不同地表类别的卫星影像数据集，每个样本点均包含对应的10个波段数据。将样本集按6:4分配为训练集和测试集，即随机挑选样本集中的每一类的60％作为训练集，用于训练分类模型；每一类的剩余40％留作测试集，用于测试模型精度。，每类地表类型对应的样本数量不少于1000个。
步骤32：将所述训练集的数据输入支持向量机，确定支持向量机算法的参数；
在步骤32中，将所述测试集作为支持向量机算法即径向基函数(RBF)核函数算法的输入，采用GridSearch算法进行10-折交叉验证方法确定所述支持向量机算法的参数即C和G，调整C和G直到支持向量机算法输出的地表类别结果与输入的指定地表类别一致。
步骤33：用所述测试集的数据，通过混淆矩阵评价方法确定支持向量机算法的最佳参数。
在步骤33中，将所述测试集输入步骤32的得到的所述径向基函数(RBF)核函数算法中，通过混淆矩阵评价方法确定最佳所述C和G参数。
例如，使用混淆矩阵分析所述径向基函数(RBF)的精度，设定模型分类精度不低于95％，如果分类模型精度低于95％，重新调整C和gamma的备选值，重复上一步，直到模型测试精度达到95％以上。
图3为样本集中的多个波段数据产品组成情况示意图。
所述样本集包括N个样本，每个样本对应一个像元，每个样本包括该像元所包含的特征向量以及所对应的类别标签。所述特征向量为每个像元对应的空间分辨率为10米的多个波段数据，所述多个波段与图1中所述的波段相同，优选为10个。所述类别标签为每个像元对应的已知所述地表类别，例如是否扬尘源。
例如，将监测区域100划分为空间分辨率为10米的M个像元，从M个像元中选取已知地表类别为扬尘源101的N个像元110，以及已知地表类别为非扬尘源120的M-N个像元102。所述非扬尘源可以进一步按照植被、水面、裸地、建筑、道路进行分类。
优选地，每类地表类别的像元数量不小于1000个。
与步骤10的多波段影像数据相对应，对20米空间分辨率的6个波段(波段5 6 7 1112和8a)和10米空间分辨率的4个波段(波段2 3 4 8)，用已知地表类别的10米分辨率的10个波段数据，每个像元均用10个波段的影像数据组成该像元的特征向量，如下表所示。
表2、样本数据集示例
| 像元序号 | 标签 | 特征1 | 特征2 | … | 特征10 |
| 1 | 扬尘源 | 0.1038 | 0.1104 | … | 0.1269 |
| 2 | 非扬尘源 | 0.0812 | 0.0996 | … | 0.0336 |
| 3 | 扬尘源 | 0.1084 | 0.114 | … | 0.141 |
| … | … | … | … | … | … |
图4为对监测区域进行扬尘源识别的结果示意图。
对所述监测区域进行扬尘源识别，选择输出结果地表类别为扬尘源、且标注对应置信度的全部像元区域。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种扬尘源监测方法，其特征在于，包括以下步骤：
对监测区域的中分辨率卫星影像数据进行处理，获得空间分辨率为10米的多个波段数据产品；
在所述多个波段建立空间分辨率为10米包含扬尘源卫星影像的样本集；
以所述样本集作为特征向量输入支持向量机，确定支持向量机算法的参数；
将所述多个波段数据产品输入所述支持向量机算法，输出各像元为扬尘源的置信度；
选择置信度在阈值以上的全部像元。
2.根据权利要求1所述的一种扬尘源监测方法，其特征在于，还包括以下步骤：
将所述样本集分为训练集和测试集；
将所述训练集的数据输入支持向量机，确定支持向量机算法的参数；
用所述测试集的数据，通过混淆矩阵评价方法确定支持向量机算法的最佳参数。
3.根据权利要求1所述的一种扬尘源监测方法，其特征在于，还包括以下步骤：对所述影像数据进行预处理，处理方式包括选取无云或少云区域的数据，以及几何校正、大气校正、裁剪、镶嵌中的至少一种。
4.根据权利要求1所述的一种扬尘源监测方法，其特征在于，所述样本集还包括植被、水面、裸地、建筑和道路的卫星影像中至少一种。
5.根据权利要求1或2所述的一种扬尘源监测方法，其特征在于，所述支持向量机算法是RBF核函数，所述参数是RBF核函数中的C参数和G参数。
6.根据权利要求1或2所述的一种扬尘源监测方法，其特征在于，采用GridSearch算法进行10-折交叉验证方法确定所述支持向量机算法的参数。
7.根据权利要求1所述的一种扬尘源监测方法，其特征在于，所述中分辨率卫星的时间分辨率小于或等于5天。
8.根据权利要求1所述的一种扬尘源监测方法，其特征在于，所述中分辨率卫星的空间分辨率为10米～60米。
9.根据权利要求1所述的一种扬尘源监测方法，其特征在于，所述多个波段是波长为0.490μm、0.560μm、0.665μm、0.705μm、0.740μm、0.783μm、0.842μm、0.865μm、1.610μm、2.190μm的波段。
10.根据权利要求1所述的一种扬尘源监测方法，其特征在于，还包括以下步骤，对波长为0.705μm、0.740μm、0.783μm、0.865μm、1.610μm、2.190μm的波段对应的所述影像数据进行重采样。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910392872.XA CN110175638B (zh) | 2019-05-13 | 2019-05-13 | 一种扬尘源监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910392872.XA CN110175638B (zh) | 2019-05-13 | 2019-05-13 | 一种扬尘源监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110175638A true CN110175638A (zh) | 2019-08-27 |
| CN110175638B CN110175638B (zh) | 2021-04-30 |
Family
ID=67691345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910392872.XA Active CN110175638B (zh) | 2019-05-13 | 2019-05-13 | 一种扬尘源监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110175638B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990024A (zh) * | 2021-03-18 | 2021-06-18 | 深圳博沃智慧科技有限公司 | 一种城市扬尘的监测方法 |
| CN117315460A (zh) * | 2023-09-15 | 2023-12-29 | 生态环境部卫星环境应用中心 | 一种基于FarSeg算法的城市建成区施工工地扬尘源提取方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101976361A (zh) * | 2010-11-23 | 2011-02-16 | 中国矿业大学 | 一种用于遥感影像的多核支持向量机分类方法 |
| CN103913750A (zh) * | 2014-04-24 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 一种基于卫星云参数产品确定灰霾分布的方法 |
| CN104331698A (zh) * | 2014-11-19 | 2015-02-04 | 中国农业科学院农业资源与农业区划研究所 | 一种遥感图像城区提取方法 |
| US9152881B2 (en) * | 2012-09-13 | 2015-10-06 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
| CN105426903A (zh) * | 2015-10-27 | 2016-03-23 | 航天恒星科技有限公司 | 一种遥感卫星图像的云判方法及系统 |
| CN105424598A (zh) * | 2014-11-29 | 2016-03-23 | 巫立斌 | 一种基于图像识别的机动车尾气检测方法 |
| CN107256407A (zh) * | 2017-04-21 | 2017-10-17 | 深圳大学 | 一种高光谱遥感图像分类方法及装置 |
| CN107610114A (zh) * | 2017-09-15 | 2018-01-19 | 武汉大学 | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 |
| CN108764097A (zh) * | 2018-05-21 | 2018-11-06 | 北京理工大学 | 一种基于分段稀疏表示的高光谱遥感图像目标识别方法 |
-
2019
- 2019-05-13 CN CN201910392872.XA patent/CN110175638B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101976361A (zh) * | 2010-11-23 | 2011-02-16 | 中国矿业大学 | 一种用于遥感影像的多核支持向量机分类方法 |
| US9152881B2 (en) * | 2012-09-13 | 2015-10-06 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
| CN103913750A (zh) * | 2014-04-24 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 一种基于卫星云参数产品确定灰霾分布的方法 |
| CN104331698A (zh) * | 2014-11-19 | 2015-02-04 | 中国农业科学院农业资源与农业区划研究所 | 一种遥感图像城区提取方法 |
| CN105424598A (zh) * | 2014-11-29 | 2016-03-23 | 巫立斌 | 一种基于图像识别的机动车尾气检测方法 |
| CN105426903A (zh) * | 2015-10-27 | 2016-03-23 | 航天恒星科技有限公司 | 一种遥感卫星图像的云判方法及系统 |
| CN107256407A (zh) * | 2017-04-21 | 2017-10-17 | 深圳大学 | 一种高光谱遥感图像分类方法及装置 |
| CN107610114A (zh) * | 2017-09-15 | 2018-01-19 | 武汉大学 | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 |
| CN108764097A (zh) * | 2018-05-21 | 2018-11-06 | 北京理工大学 | 一种基于分段稀疏表示的高光谱遥感图像目标识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| ALI MASJEDI 等: ""A novel contextual classifier based on SVM and MRF for remote sensing images"", 《2015 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
| 黄宇 等: ""武汉市扬尘源颗粒物排放清单及空间分布特征"", 《武汉大学学报（理学版）》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990024A (zh) * | 2021-03-18 | 2021-06-18 | 深圳博沃智慧科技有限公司 | 一种城市扬尘的监测方法 |
| CN112990024B (zh) * | 2021-03-18 | 2024-03-26 | 深圳博沃智慧科技有限公司 | 一种城市扬尘的监测方法 |
| CN117315460A (zh) * | 2023-09-15 | 2023-12-29 | 生态环境部卫星环境应用中心 | 一种基于FarSeg算法的城市建成区施工工地扬尘源提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110175638B (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hashemi-Beni et al. | Flood extent mapping: An integrated method using deep learning and region growing using UAV optical data | |
| Wan Mohd Jaafar et al. | Improving individual tree crown delineation and attributes estimation of tropical forests using airborne LiDAR data | |
| Hwang et al. | Automatic ship detection using the artificial neural network and support vector machine from X-band SAR satellite images | |
| CN108537102A (zh) | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 | |
| Prasomsup et al. | Extraction technic for built-up area classification in Landsat 8 imagery | |
| CN101738607A (zh) | 基于聚类的高阶累量交叉熵的sar图像变化检测方法 | |
| Ahmadpour et al. | Gully erosion susceptibility assessment in the Kondoran watershed using machine learning algorithms and the Boruta feature selection | |
| Shahi et al. | Road condition assessment by OBIA and feature selection techniques using very high-resolution WorldView-2 imagery | |
| Yue et al. | Texture extraction for object-oriented classification of high spatial resolution remotely sensed images using a semivariogram | |
| Kim et al. | Convolutional neural network-based land cover classification using 2-D spectral reflectance curve graphs with multitemporal satellite imagery | |
| CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
| CN102930275A (zh) | 基于Cramer’s V指数的遥感影像特征选择方法 | |
| CN110175638A (zh) | 一种扬尘源监测方法 | |
| Zhang et al. | Mapping freshwater marsh species in the wetlands of Lake Okeechobee using very high-resolution aerial photography and lidar data | |
| Lisita et al. | Identifying potential areas of Cannabis sativa plantations using object-based image analysis of SPOT-5 satellite data | |
| CN103839075B (zh) | 一种基于联合稀疏表示的sar图像分类方法 | |
| Kathuria et al. | Development of an automated individual tree detection model using point cloud LiDAR data for accurate tree counts in a Pinus radiata plantation | |
| Dash et al. | Combining airborne laser scanning and aerial imagery enhances echo classification for invasive conifer detection | |
| Vepakomma et al. | Influence of natural and anthropogenic linear canopy openings on forest structural patterns investigated using lidar | |
| CN112668613A (zh) | 基于气象预报和机器学习的卫星红外成像效果预测方法 | |
| Jombo et al. | Classification of urban tree species using LiDAR data and WorldView-2 satellite imagery in a heterogeneous environment | |
| Arundel et al. | Validating the use of object-based image analysis to map commonly recognized landform features in the United States | |
| Yuan et al. | Extraction of Yardang characteristics using object-based image analysis and canny edge detection methods | |
| Aslam et al. | Machine learning approach for classification of mangifera indica leaves using digital image analysis | |
| Clark et al. | Multiscale object-based classification and feature extraction along Arctic coasts |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 2nd floor, 15 building, community supporting commercial building, maker Town, Wenquan Town, Haidian District, Beijing 100095 Applicant after: BEIJING ZHONGKE RUIJING TECHNOLOGY Co.,Ltd. Address before: Room 1108, 11th floor, Haitai Building, 229 North Fourth Ring Road, Haidian District, Beijing Applicant before: BEIJING ZHONGKE RUIJING TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |