CN110287811B - 一种探测地表采动裂缝的方法 - Google Patents

一种探测地表采动裂缝的方法 Download PDF

Info

Publication number
CN110287811B
CN110287811B CN201910481221.8A CN201910481221A CN110287811B CN 110287811 B CN110287811 B CN 110287811B CN 201910481221 A CN201910481221 A CN 201910481221A CN 110287811 B CN110287811 B CN 110287811B
Authority
CN
China
Prior art keywords
surface mining
image
crack
avg
area
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
CN201910481221.8A
Other languages
English (en)
Other versions
CN110287811A (zh
Inventor
朱笑笑
杨永均
侯湖平
张绍良
张晋纶
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN201910481221.8A priority Critical patent/CN110287811B/zh
Publication of CN110287811A publication Critical patent/CN110287811A/zh
Application granted granted Critical
Publication of CN110287811B publication Critical patent/CN110287811B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种探测地表采动裂缝的方法，包括以下步骤：首先，建立地表采动裂缝的解译标志；然后，获取研究区的遥感影像与采空区矢量图，对遥感影像进行预处理及分类，得到矿井口位置，作为佐证采空区和工作面的逻辑信息；将遥感影像、采空区矢量图与工作面矢量图叠加，生成缓冲区图，划定地表采动裂缝存在范围并通过裁剪提取该区域；根据解译标志对该区域进行高通滤波和方向滤波，弱化非地表采动裂缝；再利用区域生长法得到疑似地表采动裂缝，对其进行概率分级，获取最终地表采动裂缝，采集其坐标位置。该方法可精准识别地表采动裂缝，为土地复垦、生态修复提供重要基础数据，也可为损害赔偿、裂缝治理提供科学依据和技术支撑。

Description

一种探测地表采动裂缝的方法
技术领域
本发明涉及矿山生态环境监测的技术领域，尤其是涉及一种探测地表采动裂缝的方法。
背景技术
地表采动裂缝是地裂缝中一类较为特殊的类型，其形成主要是由地下采矿引起，易诱发次生地质灾害，改变微地形微地貌，扰动生态系统，不但制约了煤炭工业与经济的发展，而且对矿区建设和人民生命财产以及生态环境也造成了严重的危害。对煤自燃区域生态环境进行监测及修复，需对矿区的地表采动裂缝进行探测。
目前，对于地裂缝的监测主要是利用地裂缝监测装置对其进行实地直接测量。如，《一种井工开采地表裂缝动态监测设备及方法》，发明公开专利号为CN109084726A；《一种SAA监测地裂缝的方法及系统》，发明公开专利号为CN109059827A；《一种采动裂缝监测装置》，发明公开专利号为CN204188107U；《一种探测浅层地裂缝的方法》，发明公开专利号为CN106507971B；《一种智能拉线裂缝监测仪》，发明公开专利号为CN109373855A。这些发明适合小范围地裂缝监测，对于大范围监测适用性有限。针对因采矿引起的地表采动裂缝的大范围精准监测，目前仍缺乏有效解决办法。
发明内容
针对上述问题，本发明提供了一种探测地表采动裂缝的方法，利用遥感技术具有覆盖范围广、获取便捷且成本较低的特点，将其应用于地表采动裂缝的探测方面，为满足上述需求提供了一种可行性方案，对保证矿区建设和人民生命财产、修复矿区生态环境提供了有力的技术支撑。
本发明采用的技术方案是一种探测地表采动裂缝的方法，包括以下步骤：
步骤1：建立地表采动裂缝影像解译标志；
(1)裂缝发育方向基本与工作面方向平行；
(2)裂缝呈现直线型，且分叉较少；
(3)裂缝长宽比数值在30至60之间；
(4)地缝对整块地物产生切割效果；
步骤2：获取研究区的遥感影像、采空区与工作面矢量图，对影像进行预处理，得到预处理后影像；利用支持向量机的方法对预处理后影像进行分类，得到分类后影像，再对分类后影像进行矢量化；利用采空区与工作面矢量图生成缓冲区范围图，将分类后影像与缓冲区范围图叠加，重合区域即为地表采动裂缝存在区域,提取其重合区域图像，记为f。其过程主要包括步骤2-1至步骤2-3。
步骤2-1：对遥感影像进行预处理，其过程主要包括坐标变换、辐射标定和影像融合；
步骤2-2：利用支持向量机方法对预处理后遥感影像进行分类，分为矿井厂房、阴影、裸土、积雪四类训练样本，对分类后影像进行矢量化，得到矿井厂房信息，以确保采空区与工作面位置正确；
步骤2-3：利用采空区与工作面矢量图作为面图层，缓冲区范围设为100米，生成缓冲区范围图，叠加分类后遥感影像与缓冲区范围图，重合部分即为地表采动裂缝存在区域，通过裁剪提取该区域影像，记为f；
步骤3：对地表采动裂缝存在区域影像f进行高通滤波和方向滤波处理；首先，通过高通滤波器实现对线状地物的提取，再通过方向滤波弱化非地表采动裂缝，得到滤波后影像，该影像记为g，相关公式如下：
Figure GDA0003623524340000021
RH为高通滤波结果，R为原始影像，GH为高通滤波器，RD为方向滤波别结果，GD为方向滤波器；
步骤4：分别对滤波后影像g中的非线状地物区域和线状地物区域进行区域生长，两者求差获取疑似地表采动裂缝Rc，主要步骤及相关公式如下：
步骤4-1：获取像素点的颜色特征和纹理特征作为区域生长的种子点特征信息，假设彩色图像为f(x,y)，x＝1，2，…，M；y＝1，2，…，N，Pxy为该图像像素点；
Figure GDA0003623524340000022
Figure GDA0003623524340000023
其中Col(i,j)、HH(i,j)分别为像素点(i,j)颜色特征和纹理强度信息；H(i,j)、S(i,j)、V(i,j)依次表示图像中(i,j)像素归一化处理后的H(色调)、S(饱和度)、V(明度)三个分量值；w1、w2、w3表示三个权重的系数；
步骤4-2：求取像素(i,j)和某一个区域颜色和纹理均值的距离；
DCol(i,j；avg)＝[w1[H(i,j)-Havg]2+w2[S(i,j)-Savg]2+w3[V(i,j)-Vavg]2]1/2(公式4)
DGra(i,j；avg)＝HH(i,j)-HHavg (公式5)
上式中，DCol(i,j；avg)、DGra(i,j；avg)分别为像素(i,j)和某一个区域颜色和纹理均值的距离；HHavg、Savg、Vavg分别为已加入到生长区域中像素点的H、S、V均值；HHavg表示已经加入到生长区域中像素点的纹理强度信息均值；
步骤4-3：获取区域分割阈值条件，
DF(i,j；avg)<T (公式6)
T表示区域分割的阈值条件。
步骤4-4：获取疑似地表采动裂缝结果Rc，
Rc＝|RG1-RG2| (公式7)
RG1是第一次非线状地物区域生长的结果，RG2是第二次线状地物区域生长结果，RC是两次区域生长求差结果，即疑似地表采动裂缝；
步骤5：将疑似地表采动裂缝Rc进行概率等级划分，根据地表采动裂缝解译标志，将结果Rc分成四个等级，即地表采动裂缝的存在概率等级；符合其中一个条件划分为Ⅳ级地表采动裂缝，符合两个条件划分为Ⅲ级地表采动裂缝，符合三个条件划分为Ⅱ级地表采动裂缝，四个判断条件全部满足则划分为Ⅰ级地表采动裂缝，本发明取Ⅰ级地表采动裂缝为最终地表采动裂缝识别结果；
步骤6：进行地表采动裂缝地理坐标采集，识别出来的地表采动裂缝为不规则曲线，采集3个或3个以上坐标点作为其地理坐标。
本发明的技术效果在于：
(1)利用地表采动裂缝特征及其与开采工作面、采空区位置相对应关系，实现了对地表采动裂缝的精准探测，降低了地表裂隙、人工陡坎及雨水裂缝等易错分地物对探测结果的影响，保证了地表采动裂缝探测结果的可靠性。
(2)利用遥感影像进行地表采动裂缝的精准探测，可实现地表采动裂缝的大范围精准监测，并且提高了工作效率，降低了生产成本。
(3)本发明最终提供地表采动裂缝探测的地图，可以为煤炭工业与经济的发展，对地表采动裂缝区域生态环境的监测及精准修复提供有力依据。
附图说明
图1为本发明的技术流程图。
图2为矿井厂房矢量化图。
图3为实施例缓冲区范围图。
图4为实施例的地表采动裂缝探测结果图。
图5为实施例的地表采动裂缝与真彩色影像叠加图。
图6为实施例的地表采动裂缝上点位坐标获取图。
具体实施方式
以下结合具体实施例对本发明作进一步详细描述。在本实施例中，采用高空间分辨率WorldView-2卫星数据作为探测数据源，并结合图1进行详细描述，具体步骤如下：
步骤1：建立地表采动裂缝影像解译标志。
(1)裂缝发育方向基本与工作面方向平行；
(2)裂缝呈现直线型，且分叉较少；
(3)裂缝长宽比数值在30至60之间；
(4)裂缝对整块地物产生切割效果。
步骤2：选取山西省忻州市保德县康家塔村、贾家梁村、路家沟村所在的保德矿区作为研究区域，获取研究区的遥感影像、采空区与工作面矢量图，对影像进行预处理，得到预处理后影像。利用支持向量机的方法对预处理后影像进行分类，得到分类后影像，再对分类后影像进行矢量化，图2为矿井厂房矢量图。利用采空区与工作面矢量图生成缓冲区范围图，本实施例中，研究区缓冲区范围图如图3所示，再将分类后影像与缓冲区范围图叠加，重合区域即为地表采动裂缝存在区域,提取其重合区域图像，记为f。其过程主要包括步骤2-1至步骤2-3。
步骤2-1：对遥感影像进行预处理，其过程主要包括坐标变换、辐射标定和影像融合。
本实施例中利用ENVI软件建立自定义坐标系，将遥感影像的WGS84转换为采空区、工作面矢量图的北京54坐标系。再通过解析IMD文件，实现辐射标定过程，并通过MODTRAN4+模型进行大气校正，得到地物的实际反射率，单位为μW/(cm2·nm·sr)。最后采用PanSharpening算法融合，将Pan和多光谱8个波段进行融合，完成影像预处理过程。
步骤2-2：利用支持向量机方法对预处理后遥感影像进行分类，分为矿井厂房(蓝色)、阴影(黑色)、裸土(黄色)、积雪(白色)四类训练样本，对分类后影像进行矢量化，得到矿井厂房信息，如图2所示，以确保采空区与工作面位置正确。
步骤2-3：利用采空区与工作面矢量图作为面图层，缓冲区范围设为100米，生成缓冲区范围图，叠加分类后遥感影像与缓冲区范围图，重合部分即为地表采动裂缝存在区域，通过裁剪提取该区域影像，记为f。
步骤3：影像f进行高通滤波和方向滤波处理。首先，通过高通滤波器实现对线状地物的提取，再通过方向滤波弱化非地表采动裂缝，得到滤波后影像，该影像记为g。相关公式如下：
Figure GDA0003623524340000041
RH为高通滤波结果，R为原始影像，GH为高通滤波器，RD为方向识别结果，GD为方向滤波器。
本实施例中将影像f中Pan波段单独提出记作R，选取高通滤波器和方向滤波器如下：
Figure GDA0003623524340000051
Figure GDA0003623524340000052
根据公式1进行计算，得到滤波后影像g。
步骤4：分别对影像g中的非线状地物区域和线状地物区域进行区域生长，生成区域生长图，两者求差获取疑似地表采动裂缝Rc。主要步骤及相关公式如下：
步骤4-1：获取像素点的颜色特征和纹理特征作为区域生长的种子点特征信息。
假设彩色图像为f(x,y)，x＝1，2，…，M；y＝1，2，…，N，Pxy为该图像像素点。
Figure GDA0003623524340000053
Figure GDA0003623524340000054
其中Col(i,j)、HH(i,j)分别为像素点(i,j)颜色特征和纹理强度信息；H(i,j)、S(i,j)、V(i,j)依次表示图像中(i,j)像素归一化处理后的H(色调)、S(饱和度)、V(明度)三个分量值；w1、w2、w3表示三个权重的系数；
步骤4-2：求取像素(i,j)和某一个区域颜色和纹理均值的距离。
DCol(i,j；avg)＝[w1[H(i,j)-Havg]2+w2[S(i,j)-Savg]2+w3[V(i,j)-Vavg]2]1/2(公式4)
DGra(i,j；avg)＝HH(i,j)-HHavg (公式5)
上式中，DCol(i,j；avg)、DGra(i,j；avg)分别为像素(i,j)和某一个区域颜色和纹理均值的距离；HHavg、Savg、Vavg分别为已加入到生长区域中像素点的H、S、V均值；HHavg表示已经加入到生长区域中像素点的纹理强度信息均值；
步骤4-3：获取区域分割阈值条件。
DF(i,j；avg)<T (公式6)
T表示区域分割的阈值条件；
步骤4-4：获取疑似地表采动裂缝结果Rc。
Rc＝|RG1-RG2| (公式7)
RG1是第一次非线状地物区域生长的结果，RG2是第二次线状地物区域生长结果，Rc是两次区域生长求差结果，即疑似地表采动裂缝。
步骤5：将疑似地表采动裂缝Rc进行概率等级划分。根据4条地表采动裂缝解译标志，将结果Rc分成四个等级，即地表采动裂缝的存在概率等级。判断标准包括与工作面方向一致、基本呈直线型、长宽比在30-60之间和切割地物四个条件。符合其中一条划分为Ⅳ级地表采动裂缝，两条划分为Ⅲ级地表采动裂缝，三条划分为Ⅱ级地表采动裂缝，四个判断条件全部满足划分为Ⅰ级地表采动裂缝。本发明取Ⅰ级地表采动裂缝为最终地表采动裂缝识别结果。图4中方框内为本实施例探测到的一条Ⅰ级裂缝，图5为地表采动裂缝与真彩色影像叠加图。
步骤6：进行地表采动裂缝地理坐标采集。识别出来的地表采动裂缝为不规则曲线，采集3个或3个以上坐标点作为其地理坐标。本实施例对图5方框内的裂缝标记三个坐标点，标记结果如图6所示，三个坐标点分别编号#1、#2、#3，从真彩色影像坐标信息中读取三个坐标点的坐标，结果如表1所示。
表1实施例的地表采动裂缝坐标点图
点位编号 经纬度
#1 38°9′46.05″N，111°0′59.08″E
#2 38°9′45.96″N，111°0′59.11″E
#3 38°9′45.85″N，111°0′59.13″E

Claims (3)

1.一种探测地表采动裂缝的方法，其特征在于，包括以下步骤：
步骤1：建立地表采动裂缝影像解译标志；
步骤2：获取研究区的遥感影像、采空区与工作面矢量图，对影像进行预处理，得到预处理后影像；利用支持向量机的方法对预处理后影像进行分类，得到分类后影像，再对分类后影像进行矢量化；利用采空区与工作面矢量图生成缓冲区范围图，将分类后影像与缓冲区范围图叠加，重合区域即为地表采动裂缝存在区域,提取其重合区域图像，记为f；
步骤3：对地表采动裂缝存在区域影像f进行高通滤波和方向滤波处理；首先，通过高通滤波器实现对线状地物的提取，再通过方向滤波弱化非地表采动裂缝，得到滤波后影像，该影像记为g，相关公式如下：
Figure FDA0003623524330000011
RH为高通滤波结果，R为原始影像，GH为高通滤波器，RD为方向滤波结果，GD为方向滤波器；
步骤4：分别对滤波后影像g中的非线状地物区域和线状地物区域进行区域生长，两者求差获取疑似地表采动裂缝Rc，主要步骤及相关公式如下：
步骤4-1：获取像素点的颜色特征和纹理特征作为区域生长的种子点特征信息，假设彩色图像为f(x,y)，x＝1，2，…，M；y＝1，2，…，N，Pxy为该图像像素点；
Figure FDA0003623524330000012
Figure FDA0003623524330000013
其中Col(i,j)、HH(i,j)分别为像素点(i,j)颜色特征和纹理强度信息；H(i,j)、S(i,j)、V(i,j)依次表示图像中(i,j)像素归一化处理后的H(色调)、S(饱和度)、V(明度)三个分量值；w1、w2、w3表示三个权重的系数；
步骤4-2：求取像素(i,j)和某一个区域颜色和纹理均值的距离；
DCol(i,j；avg)＝[w1[H(i,j)-Havg]2+w2[S(i,j)-Savg]2+w3[V(i,j)-Vavg]2]1/2 (公式4)
DGra(i,j；avg)＝HH(i,j)-HHavg (公式5)
上式中，DCol(i,j；avg)、DGra(i,j；avg)分别为像素(i,j)和某一个区域颜色和纹理均值的距离；HHavg、Savg、Vavg分别为已加入到生长区域中像素点的H、S、V均值；HHavg表示已经加入到生长区域中像素点的纹理强度信息均值；
步骤4-3：获取区域分割阈值条件，
DF(i,j；avg)<T (公式6)
T表示区域分割的阈值条件；
步骤4-4：获取疑似地表采动裂缝结果Rc，
Rc＝|RG1-RG2| (公式7)
RG1是第一次非线状地物区域生长的结果，RG2是第二次线状地物区域生长结果，Rc是两次区域生长求差结果，即疑似地表采动裂缝；
步骤5：将疑似地表采动裂缝Rc进行概率等级划分，根据地表采动裂缝解译标志，将结果Rc分成四个等级，符合其中一个条件划分为Ⅳ级地表采动裂缝，符合两个条件划分为Ⅲ级地表采动裂缝，符合三个条件划分为Ⅱ级地表采动裂缝，四个判断条件全部满足则划分为Ⅰ级地表采动裂缝，取Ⅰ级地表采动裂缝为最终地表采动裂缝识别结果；
步骤6：进行地表采动裂缝地理坐标采集，识别出来的地表采动裂缝为不规则曲线，采集3个或3个以上坐标点作为其地理坐标。
2.根据权利要求1所述的一种探测地表采动裂缝的方法，其特征在于，地表采动裂缝影像解译标志包括：
(1)裂缝发育方向基本与工作面方向平行；
(2)裂缝呈现直线型，且分叉较少；
(3)裂缝长宽比数值在30至60之间；
(4)地缝对整块地物产生切割效果。
3.根据权利要求1所述的一种探测地表采动裂缝的方法，其特征在于，步骤2的具体步骤包括：
步骤2-1：对遥感影像进行预处理，其过程包括坐标变换、辐射标定和影像融合；
步骤2-2：利用支持向量机方法对预处理后遥感影像进行分类，分为矿井厂房、阴影、裸土、积雪四类训练样本，对分类后影像进行矢量化，得到矿井厂房信息，以确保采空区与工作面位置正确；
步骤2-3：利用采空区与工作面矢量图作为面图层，缓冲区范围设为100米，生成缓冲区范围图，叠加分类后遥感影像与缓冲区范围图，重合部分即为地表采动裂缝存在区域，通过裁剪提取该区域影像，记为f。
CN201910481221.8A 2019-06-04 2019-06-04 一种探测地表采动裂缝的方法 Active CN110287811B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910481221.8A CN110287811B (zh) 2019-06-04 2019-06-04 一种探测地表采动裂缝的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910481221.8A CN110287811B (zh) 2019-06-04 2019-06-04 一种探测地表采动裂缝的方法

Publications (2)

Publication Number Publication Date
CN110287811A CN110287811A (zh) 2019-09-27
CN110287811B true CN110287811B (zh) 2022-06-28

Family

ID=68003248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910481221.8A Active CN110287811B (zh) 2019-06-04 2019-06-04 一种探测地表采动裂缝的方法

Country Status (1)

Country Link
CN (1) CN110287811B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592977B (zh) * 2021-07-26 2023-08-22 湖南省国土资源规划院 城区范围划定中线状地物处理方法、系统、存储器及装置
CN113838078B (zh) * 2021-09-06 2023-06-30 中国矿业大学(北京) 采煤塌陷地裂缝的识别与提取方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218747A (zh) * 2013-02-08 2013-07-24 中国地质科学院矿产资源研究所 离子吸附型稀土矿非法开采监测与预警系统和方法
CN106507971B (zh) * 2009-11-20 2013-11-13 核工业北京地质研究院 一种探测浅层地裂缝的方法
CN103745469A (zh) * 2014-01-07 2014-04-23 中国神华能源股份有限公司 地表裂隙信息的提取方法和装置
CN106651872A (zh) * 2016-11-23 2017-05-10 北京理工大学 基于Prewitt算子的路面裂缝识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106507971B (zh) * 2009-11-20 2013-11-13 核工业北京地质研究院 一种探测浅层地裂缝的方法
CN103218747A (zh) * 2013-02-08 2013-07-24 中国地质科学院矿产资源研究所 离子吸附型稀土矿非法开采监测与预警系统和方法
CN103745469A (zh) * 2014-01-07 2014-04-23 中国神华能源股份有限公司 地表裂隙信息的提取方法和装置
CN106651872A (zh) * 2016-11-23 2017-05-10 北京理工大学 基于Prewitt算子的路面裂缝识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄土高原煤矿区地表采动裂缝扰动范围预计方法研究;张晋纶等;《中国煤炭》;20130315;全文 *

Also Published As

Publication number Publication date
CN110287811A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
Carranza et al. Mineral imaging with Landsat Thematic Mapper data for hydrothermal alteration mapping in heavily vegetated terrane
Masoud et al. Mapping soil salinity using spectral mixture analysis of landsat 8 OLI images to identify factors influencing salinization in an arid region
CN102622738B (zh) 一种Landsat TM/ETM+图像中山体阴影区的光谱信息恢复方法
CN110287811B (zh) 一种探测地表采动裂缝的方法
CN111932591B (zh) 典型地质灾害遥感智能提取的方法与系统
Magaia et al. Identifying groundwater potential in crystalline basement rocks using remote sensing and electromagnetic sounding techniques in central western Mozambique
Ferrier et al. The application of imaging spectrometry data to mapping alteration zones associated with gold mineralization in southern Spain
CN109598202A (zh) 一种基于对象的卫星图像多指标建成区自动提取方法
Alonso-Contes Lineament mapping for groundwater exploration using remotely sensed imagery in a karst terrain: Rio Tanama and Rio de Arecibo basins in the northern karst of Puerto Rico
Ni et al. Semi-automatic extraction and mapping of dyke swarms based on multi-resolution remote sensing images: Applied to the dykes in the Kuluketage region in the northeastern Tarim Block
Zhang et al. Detecting decadal land cover changes in mining regions based on satellite remotely sensed imagery: A case study of the stone mining area in Luoyuan county, SE China
Magliulo et al. Detection of permanently eroded landsurfaces through multitemporal analysis of Landsat data: a case study from an agricultural area in southern Italy
MH Yossif Change detection of land cover and salt affected soils at Siwa Oasis, Egypt
Wang et al. Relationship between remotely sensed vegetation change and fracture zones induced by the 2008 Wenchuan earthquake, China
Thannoun et al. Structural control evaluation of hydrocarbon seepage in Northern Iraq using remote sensing techniques
CN109916839B (zh) 一种基于高分遥感影像的露头残煤燃烧中心精准探测方法
Majumdar Assessment and detection of land cover changes in the southern fringe of Kolkata using remotely sensed data
Martins et al. Satellite remote sensing for mineral deposit assessment of clay in Mubi Local Government Area of Adamawa State, Nigeria
Odundun et al. Identification of Groundwater Potential Zones Using Lineament Analysis in Parts of Ilesa Metropolis, Southwestern Nigeria
Chen et al. Sulfate mineral mapping with hyperspectral imagery, a case study of the rodalquilar area, se spain
El-Horiny Mapping and monitoring of soil salinization using remote sensing and regression techniques: A case study in the Bahariya depression, Western Desert, Egypt
CN117593477B (zh) 融合无人机三维模型和地质填图的三维地质图填绘方法
CN117475314B (zh) 一种地质灾害隐患立体识别方法、系统及介质
Saadi et al. Lineaments extraction and analysis in Eljufra area, Libya
Tcherkezova et al. Applying UAV Photogrammetry Data for High-Resolution Geomorphological Mapping of a Part of the Lom River Valley Near the Village of Vasilovtsi (Bulgaria)

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