CN110427914B - 一种基于卫星遥感的输电走廊植被威胁预警方法 - Google Patents

一种基于卫星遥感的输电走廊植被威胁预警方法 Download PDF

Info

Publication number
CN110427914B
CN110427914B CN201910746915.XA CN201910746915A CN110427914B CN 110427914 B CN110427914 B CN 110427914B CN 201910746915 A CN201910746915 A CN 201910746915A CN 110427914 B CN110427914 B CN 110427914B
Authority
CN
China
Prior art keywords
remote sensing
vegetation
power transmission
sensing image
ground
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
CN201910746915.XA
Other languages
English (en)
Other versions
CN110427914A (zh
Inventor
张血琴
高润明
郭裕钧
刘凯
吴广宁
高国强
魏文赋
杨泽锋
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201910746915.XA priority Critical patent/CN110427914B/zh
Publication of CN110427914A publication Critical patent/CN110427914A/zh
Application granted granted Critical
Publication of CN110427914B publication Critical patent/CN110427914B/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
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation

Abstract

本发明公开了一种基于卫星遥感的输电走廊植被威胁预警方法，利用预处理后的卫星遥感数据，对影像进行加权灰度变换，基于低分辨率多光谱影像采用二值化算法以及Canny边缘检测算法成功提取到了杆塔和输电线路，基于高分辨率融合光谱影像采用监督分类算法，建立波谱库并对植被进行种类识别，最后计算地面植被覆盖指数，重构输电走廊，依据地面在植被和线路交叉区域的植被覆盖指数实现了植被威胁预警。本发明利用较高精度的卫星遥感数据成功提取到输电走廊的信息，解决了人工巡检难度大，植被危害监测困难等问题，给输电线路植被威胁的广域大范围的快速巡检提供了新方法。

Description

一种基于卫星遥感的输电走廊植被威胁预警方法
技术领域
本发明属于输电走廊植被生长检测技术领域，具体涉及一种基于卫星遥感的输电走廊植被威胁预警方法。
背景技术
电力作为国民生活保证的一种重要能源，其重要性不言而喻。输电线路的建设是保障电力正常供应的重要一环，由于输电工程的特殊性，一些远距离输电工程常常建设在山区，称之为“输电走廊”。山区地势复杂，植被茂密，随着植被生长，线路可能遭受山火、树障以及鸟害等危害，影响电能传输。由植被过度生长引起的线路安全问题时有发生，已经造成巨大经济损失。因此，输电走廊植被生长威胁是当前相关电力部门面临的重大问题之一。
我国特高压输电走廊的架设面积广、监测难度大，加上我国植被多样性特点突出，要实现输电走廊植被生长威胁的预测是一个难点。随着国内遥感技术的发展，越来越多的行业利用卫星遥感进行地面识别和目标监测。但目前在电力领域，鲜有针对输电走廊识别和监测的研究。无论是树木与线路安全距离的监测，还是山火威胁预警，实现输电走廊经过植被区域的识别和预警都是重要的前提条件，如何利用卫星影像实现这一目标变得十分重要。
发明内容
针对现有技术中的上述不足，本发明提供的基于遥感卫星的输电走廊植被威胁预警方法解决了现有的输电走廊中植被威胁监测不及时、不准确及人工巡检难度大的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于遥感卫星的输电走廊植被威胁预警方法，包括以下步骤：
S1获取输电走廊的卫星遥感数据，并对其进行预处理；
所述输电走廊的卫星遥感数据包括低分辨率的多光谱遥感影像和高分辨率的多光谱遥感影像；
S2、基于预处理后的低分辨率的多光谱遥感影像提取输电走廊中的输电杆塔和输电线路；
S3、基于预处理后的高分辨率的多光谱遥感影像对输电走廊中的地物类别进行识别，并确定地面植被覆盖指数；
S4、根据提取出的输电杆塔和输电线路重构输电走廊，在重构后的输电走廊的对应位置处的叠加相应的地物类别信息，并根据其对应的植被覆盖指数确定是否发出植被威胁预警。
进一步地，所述步骤S1中：
对低分辨率的多光谱遥感影像进行预处理包括：
对其依次进行正射校正和大气校正；
对高分辨率的多光谱遥感影像进行预处理包括：
对其依次进行正射校正、大气校正、影像配准以及影像融合。
进一步地，所述步骤S1中，低分辨率的多光谱遥感影像的空间分辨率取值范围为0-1m；
高分辨率的低分辨率的多光谱遥感影像的空间分辨率取值范围为0-5m。
进一步地，所述步骤S2中，提取输电走廊中的输电杆塔的方法具体为：
A1、对预处理后的低分辨率的多光谱遥感影像进行灰度变换；
A2、利用Canny边缘检测算法，提取出灰度变换后的多光谱遥感图像中的输电杆塔；
提取输电走廊中的输电线路的方法具体为：
B1、对预处理后的低分辨率的多光谱遥感影像进行灰度变换；
B2、通过设置阈值，对灰度变换后的多光谱遥感图像进行二值化，得到二值化图像；
B3、对二值化图像进行影像形态学闭操作，提取出输电走廊中的输电线路。
进一步地，对预处理后的低分辨率的多光谱遥感影像进行灰度变换的方法具体为：
提取多光谱遥感影像中的地物反射波谱，对与其对应的原始波段反射率设置不同的权重后进行归一化计算，实现多光谱影像的灰度变换；
每种地物对应的原始波段反射率的权重计算公式为：
Figure BDA0002165863190000031
式中，wn为第n原始波段反射率对应的权重，其取值范围为0-1；
en为原始波段的线性误差均值；
E为所有原始波段线性误差和。
进一步地，所述步骤S3中，对输电走廊中的地物类别进行识别的方法具体为：
C1、根据预处理后的高分辨率的多光谱遥感影像，建立地面地物波谱库；
其中，地面地物波谱库中的地物种类包括裸土、植被、水域和建筑；
C2、利用波谱角算法，依次确定多光谱遥感影像中待分类样本与标准波谱库中各类波谱谱线角度之间的差异值，将最小差异值对应的波谱线类别作为最相似类别；
C3、当该最相似类别对应的差异值在设定的阈值范围时，将其对应的地物归类到标准波谱库中对应的类别中，并为其分配类别标签，实现地物类别的识别。
进一步地，所述步骤C2中，多光谱遥感影像中待分类样本与标准波谱库中各类波谱谱线角度之间的差异值的计算公式为：
Figure BDA0002165863190000041
式中，Ck为多光谱遥感影像中待分类样本与标准波谱库中第k类地物波谱谱线角度的差异值；
Lki为多光谱遥感影像中第i波段的待分类样本的波谱角；
gi为多光谱遥感影像中第i波段的待分类样本对应在标准波谱库中的地物波谱角；i＝1,2,3,...,n，n为波段总数。
进一步地，所述步骤S3中计算地面植被覆盖指数的方法具体为：
根据类别标签作出地物分布示意图，利用窗口统计原理，确定地物分布图中的地面植被覆盖指数；
其中，地面植被覆盖指数m的计算公式为：
Figure BDA0002165863190000042
式中，t为地物分布示意图中规定窗口中植被像元个数；
T为地物分布示意图中规定窗口内的像元总数。
进一步地，所述步骤S4确定是否发出植被威胁预警的方法具体为：
D1、根据植被覆盖指数将植被覆盖等级分为低密度覆盖、中密度覆盖和高密度覆盖；
D2、当输电走廊经过处对应的植被覆盖等级为高密度覆盖等级时，则发出植被威胁预警。
本发明提供的基于卫星遥感的输电走廊植被威胁预警方法，用预处理后的卫星遥感数据，对影像进行加权灰度变换，基于低分辨率多光谱影像采用二值化算法以及Canny边缘检测算法成功提取到了杆塔和输电线路，基于高分辨率融合光谱影像采用监督分类算法，建立波谱库并对植被进行种类识别，最后计算地面植被覆盖指数，重构输电走廊，依据地面在植被和线路交叉区域的植被覆盖指数实现了植被威胁预警。本发明利用较高精度的卫星遥感数据成功提取到输电走廊的信息，解决了人工巡检难度大，植被危害监测困难等问题，给输电线路植被威胁的广域大范围的快速巡检提供了新方法。
附图说明
图1为本发明提供的基于卫星遥感的输电走廊植被威胁预警方法流程图。
图2为本发明实施例中提供的重构出的输电走廊示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于遥感卫星的输电走廊植被威胁预警方法，其特征在于，包括以下步骤：
S1获取输电走廊的卫星遥感数据，并对其进行预处理；
上述输电走廊的卫星遥感数据包括低分辨率的多光谱遥感影像和高分辨率的多光谱遥感影像；低分辨率的多光谱遥感影像的空间分辨率取值范围为0-1m，高分辨率的低分辨率的多光谱遥感影像的空间分辨率取值范围为0-5m；
上述对低分辨率的多光谱遥感影像进行预处理包括：
对其依次进行正射校正和大气校正；
对高分辨率的多光谱遥感影像进行预处理包括：
对其依次进行正射校正、大气校正、影像配准以及影像融合。
S2、基于预处理后的低分辨率的多光谱遥感影像提取输电走廊中的输电杆塔和输电线路；
S3、基于预处理后的高分辨率的多光谱遥感影像对输电走廊中的地物类别进行识别，并确定地面植被覆盖指数；
S4、根据提取出的输电杆塔和输电线路重构输电走廊，在重构后的输电走廊的对应位置处的叠加相应的地物类别信息，并根据其对应的植被覆盖指数确定是否发出植被威胁预警。
上述所述步骤S2中，提取输电走廊中的输电杆塔的方法具体为：
A1、对预处理后的低分辨率的多光谱遥感影像进行灰度变换；
A2、利用Canny边缘检测算法，提取出灰度变换后的多光谱遥感图像中的输电杆塔；该过程主要步骤包括映像平滑、梯度计算、抑制杂散响应和孤立弱边缘；
提取输电走廊中的输电线路的方法具体为：
B1、对预处理后的低分辨率的多光谱遥感影像进行灰度变换；
B2、通过设置阈值，对灰度变换后的多光谱遥感图像进行二值化，得到二值化图像；
B3、对二值化图像进行影像形态学闭操作，提取出输电走廊中的输电线路。
其中，对预处理后的低分辨率的多光谱遥感影像进行灰度变换的方法具体为：提取多光谱遥感影像中的地物反射波谱，对与其对应的原始波段反射率设置不同的权重后进行归一化计算，实现多光谱影像的灰度变换；
每种地物对应的原始波段反射率的权重计算公式为：
Figure BDA0002165863190000061
式中，wn为第n原始波段反射率对应的权重，其取值范围为0-1，且w1+w2+…+wn＝1；
en为原始波段的线性误差均值；
E为所有原始波段线性误差和；
上述步骤S3中，对输电走廊中的地物类别进行识别的方法具体为：
C1、根据预处理后的高分辨率的多光谱遥感影像，建立地面地物波谱库；
其中，地面地物波谱库中的地物种类包括裸土、植被、水域和建筑；
C2、利用波谱角算法，依次确定多光谱遥感影像中待分类样本与标准波谱库中各类波谱谱线角度之间的差异值，将最小差异值对应的波谱线类别作为最相似类别；
多光谱遥感影像中待分类样本与标准波谱库中各类波谱谱线角度之间的差异值的计算公式为：
Figure BDA0002165863190000071
式中，Ck为多光谱遥感影像中待分类样本与标准波谱库中第k类地物波谱谱线角度的差异值；
Lki为多光谱遥感影像中第i波段的待分类样本的波谱角；
gi为多光谱遥感影像中第i波段的待分类样本对应在标准波谱库中的地物波谱角；i＝1,2,3,...,n，n为波段总数。
C3、当该最相似类别对应的差异值在设定的阈值范围时，将其对应的地物归类到标准波谱库中对应的类别中，并为其分配类别标签，实现地物类别的识别。
上述步骤S3计算地面植被覆盖指数的方法具体为：
根据类别标签作出地物分布示意图，利用窗口统计原理，确定地物分布图中的地面植被覆盖指数；
其中，地面植被覆盖指数m的计算公式为：
Figure BDA0002165863190000081
式中，t为地物分布示意图中规定窗口中植被像元个数；
T为地物分布示意图中规定窗口内的像元总数。
上述步骤S4确定是否发出植被威胁预警的方法具体为：
D1、根据植被覆盖指数将植被覆盖等级分为低密度覆盖、中密度覆盖和高密度覆盖；
其中，植被覆盖指数为0％-20％时覆盖等级为低密度覆盖，覆盖指数为20％-50％时的覆盖等级为中密度覆盖，覆盖指数为50％以上时的覆盖等级为高密度覆盖。
D2、当输电走廊经过处对应的植被覆盖等级为高密度覆盖等级时，则发出植被威胁预警。
在使用上述方法进行植被威胁预警时，当存在高密度覆盖等级发出威胁预警的同时，可以记录下当前低密度和中密度植被状态，并根据其植被生成情况推测当前的低密度覆盖和中密度覆盖植被何时会生长成高密度覆盖植被，为下一轮获取遥感卫星数据，进行植被威胁预警提供数据参考。
在本发明的一个实施例中，提供了通过本发明方法对输电走廊进行植被预警的示例：
获取某研究区域的高分二号卫星影像数据，选取2018年4月获取的影像为数据源；通过上述提取输电杆塔方法，最终提取出5座杆塔，利用高清卫星影像进行验证时，识别准确率达100％，结合输电线路和输电杆塔重构出的输电走廊如图2所示，通过上述地物类别识别方法进行地物类别识别，并计算植被覆盖指数，将地物信息叠加在输电走廊的相应位置上，根据植被覆盖等级，确定出该输电走廊经过的地方存在3个高密度植被覆盖区域，结合卫星遥感图像验证，该3个区域确实存在植被覆盖茂密的问题。其中，在确定不同地物反射率权重取值时，取裸土对应的原始波段的反射率的权重为0.4；植被对应的原始波段的反射率的权重为0.4；水域对应的原始波段的反射率的权重为0.1；建筑对应的原始波段的反射率的权重为-0.1。
本发明的有益效果为：
本发明提供的基于卫星遥感的输电走廊植被威胁预警方法，用预处理后的卫星遥感数据，对影像进行加权灰度变换，基于低分辨率多光谱影像采用二值化算法以及Canny边缘检测算法成功提取到了杆塔和输电线路，基于高分辨率融合光谱影像采用监督分类算法，建立波谱库并对植被进行种类识别，最后计算地面植被覆盖指数，重构输电走廊，依据地面在植被和线路交叉区域的植被覆盖指数实现了植被威胁预警。本发明利用较高精度的卫星遥感数据成功提取到输电走廊的信息，解决了人工巡检难度大，植被危害监测困难等问题，给输电线路植被威胁的广域大范围的快速巡检提供了新方法。

Claims (4)

1.一种基于遥感卫星的输电走廊植被威胁预警方法，其特征在于，包括以下步骤：
S1获取输电走廊的卫星遥感数据，并对其进行预处理；
所述输电走廊的卫星遥感数据包括低分辨率的多光谱遥感影像和高分辨率的多光谱遥感影像；
S2、基于预处理后的低分辨率的多光谱遥感影像提取输电走廊中的输电杆塔和输电线路；
S3、基于预处理后的高分辨率的多光谱遥感影像对输电走廊中的地物类别进行识别，并确定地面植被覆盖指数；
S4、根据提取出的输电杆塔和输电线路重构输电走廊，在重构后的输电走廊的对应位置处叠加相应的地物类别信息，并根据其对应的植被覆盖指数确定是否发出植被威胁预警；
所述步骤S2中，提取输电走廊中的输电杆塔的方法具体为：
A1、对预处理后的低分辨率的多光谱遥感影像进行灰度变换；
A2、利用Canny边缘检测算法，提取出灰度变换后的多光谱遥感图像中的输电杆塔；
提取输电走廊中的输电线路的方法具体为：
B1、对预处理后的低分辨率的多光谱遥感影像进行灰度变换；
B2、通过设置阈值，对灰度变换后的多光谱遥感图像进行二值化，得到二值化图像；
B3、对二值化图像进行影像形态学闭操作，提取出输电走廊中的输电线路；
对预处理后的低分辨率的多光谱遥感影像进行灰度变换的方法具体为：
提取多光谱遥感影像中的地物反射波谱，对与其对应的原始波段反射率设置不同的权重后进行归一化计算，实现多光谱影像的灰度变换；
每种地物对应的原始波段反射率的权重计算公式为：
Figure FDA0003115926160000021
式中，wn为第n原始波段反射率对应的权重，其取值范围为0-1；
en为原始波段的线性误差均值；
E为所有原始波段线性误差和；
所述步骤S3中，对输电走廊中的地物类别进行识别的方法具体为：
C1、根据预处理后的高分辨率的多光谱遥感影像，建立地面地物波谱库；
其中，地面地物波谱库中的地物种类包括裸土、植被、水域和建筑；
C2、利用波谱角算法，依次确定多光谱遥感影像中待分类样本与标准波谱库中各类波谱谱线角度之间的差异值，将最小差异值对应的波谱线类别作为最相似类别；
C3、当该最相似类别对应的差异值在设定的阈值范围时，将其对应的地物归类到标准波谱库中对应的类别中，并为其分配类别标签，实现地物类别的识别；
所述步骤C2中，多光谱遥感影像中待分类样本与标准波谱库中各类波谱谱线角度之间的差异值的计算公式为：
Figure FDA0003115926160000022
式中，Ck为多光谱遥感影像中待分类样本与标准波谱库中第k类地物波谱谱线角度的差异值；
Lki为多光谱遥感影像中第i波段的待分类样本的波谱角；
gi为多光谱遥感影像中第i波段的待分类样本对应在标准波谱库中的地物波谱角；i＝1,2,3,...,n，n为波段总数；
所述步骤S3中计算地面植被覆盖指数的方法具体为：
根据类别标签作出地物分布示意图，利用窗口统计原理，确定地物分布图中的地面植被覆盖指数；
其中，地面植被覆盖指数m的计算公式为：
Figure FDA0003115926160000031
式中，t为地物分布示意图中规定窗口中植被像元个数；
T为地物分布示意图中规定窗口内的像元总数。
2.根据权利要求1所述的基于遥感卫星的输电走廊植被威胁预警方法，其特征在于，所述步骤S1中，对低分辨率的多光谱遥感影像进行预处理包括：
对其依次进行正射校正和大气校正；
对高分辨率的多光谱遥感影像进行预处理包括：
对其依次进行正射校正、大气校正、影像配准以及影像融合。
3.根据权利要求1所述的基于遥感卫星的输电走廊植被威胁预警方法，其特征在于，所述步骤S1中：
低分辨率的多光谱遥感影像的空间分辨率取值范围为0-1m；
高分辨率的低分辨率的多光谱遥感影像的空间分辨率取值范围为0-5m。
4.根据权利要求1所述的基于遥感卫星的输电走廊植被威胁预警方法，其特征在于，所述步骤S4确定是否发出植被威胁预警的方法具体为：
D1、根据植被覆盖指数将植被覆盖等级分为低密度覆盖、中密度覆盖和高密度覆盖；
D2、当输电走廊经过处对应的植被覆盖等级为高密度覆盖等级时，则发出植被威胁预警。
CN201910746915.XA 2019-08-14 2019-08-14 一种基于卫星遥感的输电走廊植被威胁预警方法 Active CN110427914B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910746915.XA CN110427914B (zh) 2019-08-14 2019-08-14 一种基于卫星遥感的输电走廊植被威胁预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910746915.XA CN110427914B (zh) 2019-08-14 2019-08-14 一种基于卫星遥感的输电走廊植被威胁预警方法

Publications (2)

Publication Number Publication Date
CN110427914A CN110427914A (zh) 2019-11-08
CN110427914B true CN110427914B (zh) 2021-09-28

Family

ID=68416138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910746915.XA Active CN110427914B (zh) 2019-08-14 2019-08-14 一种基于卫星遥感的输电走廊植被威胁预警方法

Country Status (1)

Country Link
CN (1) CN110427914B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110986889A (zh) * 2019-12-24 2020-04-10 国网河南省电力公司检修公司 一种基于遥感图像技术的高压变电站全景态监测方法
CN111461918B (zh) * 2020-02-19 2023-07-04 北京天和本安电力科技有限公司 基于卫星光学影像的输电线路树闪隐患监测方法
CN111582181B (zh) * 2020-05-11 2023-06-09 北华航天工业学院 一种区域尺度大棚内有无作物种植的检测方法
CN113064177A (zh) * 2021-03-16 2021-07-02 国网湖南省电力有限公司 输电线路与沿线树木空间距离测算方法
CN113269056B (zh) * 2021-05-06 2023-11-07 四川省亚通工程咨询有限公司 基于卫星影像的公路勘察设计方法
CN114155447B (zh) * 2021-12-02 2022-06-24 北京中科智易科技有限公司 人工智能大数据采集系统
CN114441456B (zh) * 2022-04-08 2022-12-09 中国测绘科学研究院 多源遥感数据结合地理分区数据的植被覆盖度反演方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7340099B2 (en) * 2003-01-17 2008-03-04 University Of New Brunswick System and method for image fusion
US8965698B2 (en) * 2010-12-29 2015-02-24 Nexans Real time thermal line ratings for overhead transmission line
CN105469195A (zh) * 2015-11-18 2016-04-06 国家电网公司 一种输电线路走廊环境火险等级评估方法
CN105550709A (zh) * 2015-12-14 2016-05-04 武汉大学 一种遥感影像输电线路走廊森林区域提取方法
CN105608473A (zh) * 2015-12-31 2016-05-25 中国资源卫星应用中心 一种基于高分辨率卫星影像的高精度土地覆盖分类方法
CN106485254A (zh) * 2016-09-28 2017-03-08 国家电网公司 一种输电线路通道地表特征变化自动提取方法
CN107609526A (zh) * 2017-09-21 2018-01-19 吉林大学 基于规则的精细尺度城市不透水面快速提取方法
CN107688818A (zh) * 2016-08-05 2018-02-13 中国电力科学研究院 一种基于卫星遥感影像特征分析的路径智能选择方法及系统
CN107767389A (zh) * 2017-10-27 2018-03-06 云南电网有限责任公司电力科学研究院 一种基于机载激光点云数据的输电线自动提取方法
CN108875659A (zh) * 2018-06-26 2018-11-23 上海海事大学 一种基于多光谱遥感影像的海图养殖区识别方法
CN109657569A (zh) * 2018-11-30 2019-04-19 贵州电网有限责任公司 基于点云分析的多植被地区输电走廊隐患点快速提取方法
CN109961073A (zh) * 2019-03-29 2019-07-02 云南电网有限责任公司电力科学研究院 一种输电线路及杆塔信息的获取方法及装置
CN110009146A (zh) * 2019-03-29 2019-07-12 西南交通大学 一种基于高光谱遥感技术的输电线路树障砍伐规划方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9502900B2 (en) * 2013-05-20 2016-11-22 Quanta Tachnology, LLC Monitoring voltage stability of a transmission corridor
US10096154B2 (en) * 2016-04-04 2018-10-09 University Of Cincinnati Localized contour tree method for deriving geometric and topological properties of complex surface depressions based on high resolution topographical data

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7340099B2 (en) * 2003-01-17 2008-03-04 University Of New Brunswick System and method for image fusion
US8965698B2 (en) * 2010-12-29 2015-02-24 Nexans Real time thermal line ratings for overhead transmission line
CN105469195A (zh) * 2015-11-18 2016-04-06 国家电网公司 一种输电线路走廊环境火险等级评估方法
CN105550709A (zh) * 2015-12-14 2016-05-04 武汉大学 一种遥感影像输电线路走廊森林区域提取方法
CN105608473A (zh) * 2015-12-31 2016-05-25 中国资源卫星应用中心 一种基于高分辨率卫星影像的高精度土地覆盖分类方法
CN107688818A (zh) * 2016-08-05 2018-02-13 中国电力科学研究院 一种基于卫星遥感影像特征分析的路径智能选择方法及系统
CN106485254A (zh) * 2016-09-28 2017-03-08 国家电网公司 一种输电线路通道地表特征变化自动提取方法
CN107609526A (zh) * 2017-09-21 2018-01-19 吉林大学 基于规则的精细尺度城市不透水面快速提取方法
CN107767389A (zh) * 2017-10-27 2018-03-06 云南电网有限责任公司电力科学研究院 一种基于机载激光点云数据的输电线自动提取方法
CN108875659A (zh) * 2018-06-26 2018-11-23 上海海事大学 一种基于多光谱遥感影像的海图养殖区识别方法
CN109657569A (zh) * 2018-11-30 2019-04-19 贵州电网有限责任公司 基于点云分析的多植被地区输电走廊隐患点快速提取方法
CN109961073A (zh) * 2019-03-29 2019-07-02 云南电网有限责任公司电力科学研究院 一种输电线路及杆塔信息的获取方法及装置
CN110009146A (zh) * 2019-03-29 2019-07-12 西南交通大学 一种基于高光谱遥感技术的输电线路树障砍伐规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Evaluation of Aerial Remote Sensing Techniques for Vegetation Management in Power-Line Corridors;Steven J. Mills等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20100930;第48卷(第9期);第3379-3390页 *
基于面向对象层次分类法的输电线路走廊地表覆盖分类;第1期;《测绘与空间地理信息》;20170131;第40卷;第143-150页 *

Also Published As

Publication number Publication date
CN110427914A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN110427914B (zh) 一种基于卫星遥感的输电走廊植被威胁预警方法
Zhou et al. Forecasting different types of convective weather: A deep learning approach
Gautam et al. Assessment of surface water Dynamicsin Bangalore using WRI, NDWI, MNDWI, supervised classification and KT transformation
Kim et al. Point-based classification of power line corridor scene using random forests
Walker et al. An enhanced geostationary satellite–based convective initiation algorithm for 0–2-h nowcasting with object tracking
Alvarez et al. Comparison of different wind products and buoy wind data with seasonality and interannual climate variability in the southern Bay of Biscay (2000–2009)
Sieglaff et al. A satellite-based convective cloud object tracking and multipurpose data fusion tool with application to developing convection
CN111832506B (zh) 一种基于长时序植被指数的重建植被遥感判别方法
CN112270291B (zh) 一种基于多源光学遥感图像的违法建设用地开发自动检测方法
Wang et al. Predicting wind-caused floater intrusion risk for overhead contact lines based on Bayesian neural network with spatiotemporal correlation analysis
CN111310640A (zh) Landsat8影像绿潮自适应阈值分区智能检测方法
Chunyang et al. Sea fog detection using U-Net deep learning model based on MODIS data
Sheng et al. Ognet: Towards a global oil and gas infrastructure database using deep learning on remotely sensed imagery
Wang et al. Separation of convective and stratiform precipitation using polarimetric radar data with a support vector machine method
Simmons et al. Summer aerosol measurements over the East Antarctic seasonal ice zone
Fu et al. Evaluation of LAI estimation of mangrove communities using DLR and ELR algorithms with UAV, hyperspectral, and SAR images
Guo et al. Correction of sea surface wind speed based on SAR rainfall grade classification using convolutional neural network
Zhao et al. An automatic SAR-based change detection method for generating large-scale flood data records: the UK as a test case
Manavalan et al. DEM and SAR image based flood feature extraction techniques to map the deep and shallow flood inundated regions of known as well as remote disaster regions
Trier et al. Semi-automatic detection of burial mounds in forested areas
Ackermann et al. Radar and environment-based hail damage estimates using machine learning
Torma et al. Change detection using spatial data problems and challenges
Beh et al. Temporal change monitoring of mangrove distribution in Penang Island from 2002-2010 by remote sensing approach
Yu et al. Image segmentation for dust detection using semi-supervised machine learning
Lee et al. Classification of halophytes from airborne hyperspectral imagery in Ganghwa Island, Korea using multilayer perceptron artificial neural network

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