CN110532918B - 基于时间序列遥感影像的离岸风电场时空属性确定方法 - Google Patents
基于时间序列遥感影像的离岸风电场时空属性确定方法 Download PDFInfo
- Publication number
- CN110532918B CN110532918B CN201910772316.5A CN201910772316A CN110532918B CN 110532918 B CN110532918 B CN 110532918B CN 201910772316 A CN201910772316 A CN 201910772316A CN 110532918 B CN110532918 B CN 110532918B
- Authority
- CN
- China
- Prior art keywords
- time
- value
- remote sensing
- image
- offshore wind
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Wind Motors (AREA)
- Image Processing (AREA)
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
Abstract
本发明涉及一种基于时间序列遥感影像的离岸风电场时空属性确定方法,该方法联合使用了海量的多源长时间序列光学遥感数据,较高的空间和时间分辨率增强了遥感图像检测的鲁棒性,大大提高了对海上目标的监测能力,可以快速自动识别大尺度海上风电场的时空属性。本方法执行步骤简单易行,在提取区域乃至全球离岸风电场的效果较好。本发明使用长时间、大空间覆盖范围的光学影像数据,利用一种优化的统计滤波和滑动窗口,实现了大空间尺度上的离岸风电场的准确提取。这项发明有助于编制一份详细的,可及时和有效更新的海上风电场时空属性清单,可补充官方数据库。同时这为今后海洋风能资源管理和评价开发区域对海洋生态系统的潜在影响提供科学参考。
Description
技术领域
本发明涉及一种基于长时间序列光学遥感影像的离岸风电场提取方法。属于遥感地学应用技术领域。
技术背景
如今,随着煤炭、石油、天然气等石能源日益枯竭,环境污染日益严重,开发清洁可再生能源已经迫在眉睫,为此,世界各国政府制定了增加清洁可再生能源生产的目标。风能是一种丰富的自然资源,由于其低成本、无污染、可再生等优点,在世界范围内得到了迅速的发展。然而陆地上风力涡轮机总数的增长趋于饱和,海上风能由于其风力更强、更稳定、风切变更低、与其他土地利用活动冲突更少的优点,得到了日益快速的发展。全球风能理事会(GWEC)发布的年度统计数据显示,截至2017年底,全球海上风电总装机容量达到18.81GW。中国政府也已经制定了到2020年将达到30GW装机容量的宏伟目标。鉴于海上风力发电在全世界范围的快速蓬勃发展,准确了解离岸风力发电场的空间和时间分布对于科学评估和有效管理风能开发而言是至关重要的,同时也有助于衡量风力发电场对海洋生态系统的影响。
卫星遥感的一个主要特点是探测能力强,使得能够相对容易并以较低的成本捕获大面积的地表信息。多源地球观测卫星定期对固定海面进行观测,不断更新增加和历史存档的卫星数据是海量的,这使得分布在广阔海域范围的风力涡轮机的提取和动态跟踪安装进度成为可能。虽然合成孔径雷达(SAR)具有穿透云层的能力,但由于其时空观测频次有限,对于广阔海域的监测能力非常有限,因此光学卫星影像在长时间和大范围海域内离岸风电场的扩张的监测上拥有很大的优势。具体来说,Landsat-5TM,Landsat-7ETM+,Landsat-8OLI和Sentinel-2MSI构成了长达几十年的时间序列影像数据,它们拥有10-30米的光谱分辨率和的较短的回访周期,为定期监测海面环境提供了机会。一个海上风力发电场通常由几个到数百个金属结构,尺寸从几十米到100米不等的风力涡轮机构成。在成像质量较好的光学影像中,由于风力涡轮机具有较高的反射率,其像元值要高于周围海水的像元值,因此可以通过一定的算法对其进行分割。然而,由于复杂的背景噪声(例如云、波、对水的反射和条带效应)有可能使得目标像元变得模糊。但基于涡轮发电机位置不变性原则,多源长时间序列传感器的联合使用可以克服云雨等天气限制。
发明内容
本发明要解决的技术问题是:克服现有的技术缺点,提出一种基于时间序列遥感影像的离岸风电场时空属性确定方法。该方法联合使用了海量的多源长时间序列光学遥感数据,较高的空间和时间分辨率增强了遥感图像检测的鲁棒性,大大提高了对海上目标的监测能力,可以快速自动识别大尺度海上风电场的时空属性。
为了解决上述技术问题,本发明提出的技术方案是:基于时间序列遥感影像的离岸风电场时空属性确定方法,包括以下步骤:
第一步、准备多源遥感光学影像,并构建时间序列波段数据集,所述多源遥感光学影像包括:Landsat-5TM和Landsat-7ETM+的波段4光学影像、Landsat-8OLI的波段5光学影像,和Sentinel-2MSI的波段8影像;
第二步、利用圆形顺序统计滤波器对多源遥感光学影像的每一景影像的像元进行遍历,以圆形窗口内排序为j的像元值作为圆形窗口的背景值,j的取值范围为80%-90%;
第三步、利用原始波段数据与经过圆形顺序统计滤波的背景值进行相减操作,如果相减之后的值大于或等于常数项,则对像元赋值1,否则对像元赋值0,得到二值化图像,对于Landsat影像,常数项ξ取值范围为65-75;对于Sentinel影像,常数项取值范围为90-110;
第四步、对所得的二值化图像进行时间序列上的累加,以固定阈值分割出累加图像上具有高频值的像元,并提取高频值像元的边界;
第五步、目视识别确定离岸风电场范围,若高频值像元的边界规则排列,则属于离岸风电场范围,提取离岸风电场范围内的高频值像元的边界,并删除边界外不规则排列的高频次像元;
第六步、针对第三步得到的每一幅二值化图像,提取位于离岸风电场内的二值化像元并转换为矢量多边形,计算该矢量多边形的质心,只保留位于高频值像元边界内的质心点;
第七步、计算位于同一高频像元边界内所有质心点的中值坐标,输出为离岸风力涡轮机的地理位置点;
第八步、针对第三步得到的每一幅二值化图像,以所述离岸风力涡轮机的地理位置点为圆心,作缓冲区,对缓冲区内的像元最大值按照对应影像的拍摄时间排序,得到每个离岸涡轮机的时间检测序列;
第九步、依次对每个离岸涡轮机的时间检测序列进行单像素的数学形态扩张;
第十步、采用滑动窗口依次对每个离岸涡轮机数学形态扩张后的时间检测序列进行滤波操作,当窗口内出现0值时,将时间检测序列中该0值之前1值赋值为0,窗口大小为8-10;
第十一步、统计所有每个离岸涡轮机的时间检测序列中第一次出现1值所对应影像的拍摄日期作为该离岸风力涡轮机的安装日期,离岸风力涡轮机的地理位置点和对应离岸风力涡轮机的安装日期进行空间链接得到整个研究区内离岸风电场状态的清单数据。
本发明采用的数据源来自多个传感器平台,多数据源集成使用于海上细小目标检测属于数据应用的创新。本发明构建了一个包含自适应统计滤波和滑动窗口为核心的批处理框架,可以自动准确地完成大尺度下海上风电场的识别和时空属性特征的确定,从而可以用于大尺度的海上风能利用评价,为后续海上可持续新能源的开发研究提供了较好的理论基础。
本发明相关数据提取和矢量转换过程均通过MATLAB编程和ArcGIS平台实现,减少了人工参与,提高了分类效率。
综上,本发明方法的执行步骤简单易行,在提取区域乃至全球离岸风电场的效果较好。目前关于离岸风电场详细位置和安装日期的资料很少,基于传统的实地调查方法获取信息十分有限并且成本高昂。本发明使用长时间、大空间覆盖范围的光学影像数据,利用一种优化的统计滤波和滑动窗口,实现了大空间尺度上的离岸风电场的准确提取。这项发明有助于编制一份详细的,可及时和有效更新的海上风电场时空属性清单,可补充官方数据库。同时这为今后海洋风能资源管理和评价开发区域对海洋生态系统的潜在影响提供科学参考。
附图说明
下面结合附图对本发明作进一步的说明。
图1是基于时间序列遥感影像的离岸风电场时空属性确定方法流程图。
图2是利用R-OSF从原始影像上切割离岸涡轮机示意图。
图3是利用本方法在欧洲北海提取的离岸涡轮机的空间分布图。
图4是时间检测序列数学形态扩张和窗口滤波的示意图。
图5是提取的离岸涡轮机的安装日期展示图。
具体实施方式
下面根据附图详细阐述本发明,使本发明的技术路线和操作步骤更加清晰。本发明实例采用的数据是覆盖欧洲北海地区的Landsat TM、ETM、OLI和Sentinel MSI数据。数据时间跨度为2008年6月-2018年6月。
图1为本发明基于时间序列遥感影像的离岸风电场时空属性确定方法的流程图,具体步骤如下:
第一步、准备多源遥感光学影像,构建时间序列波段数据集。具体包括如下几个方面的内容:
a.批量下载覆盖研究区海域范围的Landsat-5TM,Landsat-7ETM+,Landsat-8OLI和Sentinel-2MSI数据,Landsat和Sentinel的可见光波段的空间分辨率分别为30m和10m。
b.选取部分实地考察获取的部分离岸涡轮机位置作为样本点,在ArcGIS软件中利用分区统计工具对影像的波段值进行统计,计算样本点在各波段上与周围海面的像元的极差,获取最具视觉显著性的波段构建时间序列数据集,通过测试,选取TM和ETM+的波段4,OLI的波段5,MSI的波段8。
第二步、由于涡轮电机相对于周围的海水在遥感影像中具有较高的反射率,因此可以根据像元反差构建一种邻域分析方法,即在Matlab中对ordfilt2函数进行改进为半径为R的圆形顺序统计滤波器(R-OSF)对单时相波段的像元进行遍历统计,得到圆形窗口的背景值,假设在某个时刻ti某个特定位置(x,y)上的像元值为R(x,y,ti),则以圆形窗口内排序为j的像元值作为背景值,其计算式如下:
经过测试Landsat和Sentinel影像的圆形窗口半径分别为7个和12个像素大小,设置排序j为90%的像元大小作为背景可以抑制海面的大部分虚警,j的取值范围为80%-90%。
第三步、尽管大部分虚警被滤波窗口的背景值所覆盖,但依然有一些强烈的噪声会高过背景值,因此利用原始波段数据与经过R-OSF滤波后的背景值进行相减操作,同时引入一个常数项ξ以抑制过度的噪声,将相减之后的值大于或等于常数项ξ的像元赋值为1,小于常数项的像元赋值为0,其表达式如下:
这里的常数项经过实验给出,对于Landsat和Sentinel影像分别是70和100,二值化图像中的1值代表了离岸风力涡轮机的候选目标。如图2所示,为利用R-OSF从原始影像上切割离岸涡轮机示意图。
第四步、二值化图像的累加。由于图像切割过程相当于弱分类器,并不能保证完全的准确性,因此采取对所得的二值化图像进行时间序列上的累加的策略,然后在ArcGIS中先通过Con函数以固定阈值(>15)分割出时间序列累加图像上具有高频值的像元,这些像元代表了是准确的目标,通过Raster To Polygon工具可以提取高频像元的多边形边界。
第五步、通过高频像元的几何形态的整齐规则排列特征可以确定离岸风电场范围,在ArcGIS中可以利用Feature Envelope To Polygon工具自动生成边界,然后通过空间位置的选择删除边界外不规则排列的高频次像元。这是由于海上风电场通常将机组排成阵列,尽量减少相互间的尾流影响。
第六步、针对第三步得到的每一幅二值化图像,提取位于离岸风电场内的二值化像元并转换为矢量多边形。本步骤中,编写脚本语言依次利用ArcGIS中的Extract Value工具提取位于离岸风电场内的二值化数据并转换为矢量多边形,通过Calculate Geometry工具计算多边形的质心,然后利用选择和叠置只保留位于高频值像元边界内的质心点数据。
第七步、利用ArcGIS中的Mean Center工具计算位于同一高频像元边界内所有质心点中值坐标,计算公式如下:
xi和yi分别表示第i个质心的横坐标和纵坐标,n表示质心的个数。通过计算输出每台离岸风力涡轮机的地理坐标,并保存为点文件。如图3所示,为利用本方法在欧洲北海提取的离岸涡轮机的空间分布图。
第八步、针对第三步得到的每一幅二值化图像,以所述离岸风力涡轮机的地理位置点为圆心作半径为150米的圆形缓冲区,利用Zonal Statistics as Table工具遍历统计缓冲区所在的各二值化图像的最大值,通过合并TM、ETM+、OLI和MSI检测序列并按时间排序得到每个离岸涡轮机的时间的检测序列,某个日期上的1值或0值分别表示检测到和未检测到。
第九步、在Matlab中编写代码,利用strel函数和imdilate函数构造结构垂直的线型元素依次对第八步每台涡轮电机生成的检测序列进行单像素的数学形态扩张。如图4所示,原始检测序列为[0,1,0,0,0,0,1,0,0,0,0,1,0,1,1,1,0,1],扩张后的检测序列则为[1,1,1,0,0,1,1,1,0,0,1,1,1,1,1,1,1,1],这样就弥补了噪声而引起的遗漏检测。
第十步、在Matlab中,利用for循环和bwareaopen函数构建的滑动窗口依次对所有属性表进行消除滤波,滑动窗口大小为8,当窗口内出现0值时,将时间检测序列中该0值之前的1值赋值为0。
如图4所示,第九步扩张后的检测序列为[1,1,1,0,0,1,1,1,0,0,1,1,1,1,1,1,1,1],滑动窗口后则为[0,0,0,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1]。图中灰色区域为滑动窗口。
这样就过滤了离岸涡轮电机在安装之前的检测误报。
第十一步、统计所有每个离岸涡轮机的时间检测序列中第一次出现的日期得到各离岸风力涡轮机的安装日期保存为xls文件,然后在ArcGIS软件中利用Spatial Join工具将安装日期属性表和矢量点数据进行空间链接得到整个研究区内离岸风电场状态的清单数据。如图5所示,为涡轮发电机的安装日期展示图。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (7)
1.基于时间序列遥感影像的离岸风电场时空属性确定方法,包括以下步骤:
第一步、准备多源遥感光学影像,并构建时间序列波段数据集,所述多源遥感光学影像包括:Landsat-5TM和Landsat-7ETM+的波段4光学影像、Landsat-8OLI的波段5光学影像,和Sentinel-2MSI的波段8影像;
第二步、利用圆形顺序统计滤波器对多源遥感光学影像的每一景影像的像元进行遍历,以圆形窗口内排序为j的像元值作为圆形窗口的背景值,j的取值范围为80%-90%;
第三步、利用原始波段数据与经过圆形顺序统计滤波的背景值进行相减操作,如果相减之后的值大于或等于常数项,则对像元赋值1,否则对像元赋值0,得到二值化图像,对于Landsat影像,常数项取值范围为65-75;对于Sentinel影像,常数项取值范围为90-110;
第四步、对所得的二值化图像进行时间序列上的累加,以固定阈值分割出累加图像上具有高频值的像元,并提取高频值像元的边界;
第五步、目视识别确定离岸风电场范围,若高频值像元的边界规则排列,则属于离岸风电场范围,提取离岸风电场范围内的高频值像元的边界,并删除边界外不规则排列的高频次像元;
第六步、针对第三步得到的每一幅二值化图像,提取位于离岸风电场内的二值化像元并转换为矢量多边形,计算该矢量多边形的质心,只保留位于高频值像元边界内的质心点;
第七步、计算位于同一高频像元边界内所有质心点的中值坐标,输出为离岸风力涡轮机的地理位置点;
第八步、针对第三步得到的每一幅二值化图像,以所述离岸风力涡轮机的地理位置点为圆心,作缓冲区,对缓冲区内的像元最大值按照对应影像的拍摄时间排序,得到每个离岸涡轮机的时间检测序列;
第九步、依次对每个离岸涡轮机的时间检测序列进行单像素的数学形态扩张;
第十步、采用滑动窗口依次对每个离岸涡轮机数学形态扩张后的时间检测序列进行滤波操作,当窗口内出现0值时,将时间检测序列中该0值之前1值赋值为0,窗口大小为8-10;
第十一步、统计所有每个离岸涡轮机的时间检测序列中第一次出现1值所对应影像的拍摄日期作为该离岸风力涡轮机的安装日期,离岸风力涡轮机的地理位置点和对应离岸风力涡轮机的安装日期进行空间链接得到整个研究区内离岸风电场状态的清单数据。
2.根据权利要求1所述基于时间序列遥感影像的离岸风电场时空属性确定方法,其特征在于:第二步中,Landsat影像的圆形窗口半径为7,Sentinel影像的圆形窗口半径为12。
3.根据权利要求1所述基于时间序列遥感影像的离岸风电场时空属性确定方法,其特征在于:第二步中利用MATLAB软件在ordfilt2函数基础上进行改进,构建圆形顺序统计滤波器,计算排序在局部窗口90%位置的像元值作为窗口背景值。
4.根据权利要求1所述基于时间序列遥感影像的离岸风电场时空属性确定方法,其特征在于:所述第四步中的固定阈值为15,像元数值大于15则判定为高频值像元。
5.根据权利要求1所述基于时间序列遥感影像的离岸风电场时空属性确定方法,其特征在于:所述第六步,在ArcGIS软件中运用Raster To Polygon工具对每一幅二值化图像进行栅格转多边形操作并只保留属性值为1的多边形,并利用Calculate Geometry工具计算多边形质心。
6.根据权利要求1所述基于时间序列遥感影像的离岸风电场时空属性确定方法,其特征在于:所述第八步中,缓冲区半径为150米。
7.根据权利要求1所述基于时间序列遥感影像的离岸风电场时空属性确定方法,其特征在于:第八步利用工具ArcPy批量构建缓冲区并分区统计缓冲区内的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910772316.5A CN110532918B (zh) | 2019-08-21 | 2019-08-21 | 基于时间序列遥感影像的离岸风电场时空属性确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910772316.5A CN110532918B (zh) | 2019-08-21 | 2019-08-21 | 基于时间序列遥感影像的离岸风电场时空属性确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110532918A CN110532918A (zh) | 2019-12-03 |
CN110532918B true CN110532918B (zh) | 2022-02-25 |
Family
ID=68663861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910772316.5A Active CN110532918B (zh) | 2019-08-21 | 2019-08-21 | 基于时间序列遥感影像的离岸风电场时空属性确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532918B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112946643B (zh) * | 2021-01-28 | 2022-07-12 | 华东师范大学 | 基于时序雷达遥感的海上风电提取方法及系统 |
CN112986922B (zh) * | 2021-03-03 | 2022-09-16 | 哈尔滨工程大学 | 基于顺序统计滤波和二元检测的被动雷达信号检测方法 |
CN113378766B (zh) * | 2021-06-25 | 2022-04-05 | 南通大学 | 一种基于合成孔径雷达的海上大规模风力发电站监测系统 |
CN113484247B (zh) * | 2021-07-07 | 2022-03-25 | 南京大学 | 一种基于多源时间序列遥感影像的页岩油气燃烧提取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5708693A (en) * | 1995-06-23 | 1998-01-13 | U.S. Philips Corporation | Image processing for noise reduction |
WO2014018957A1 (en) * | 2012-07-27 | 2014-01-30 | Texas Tech University System | Apparatus and method for using radar to evaluate wind flow fields for wind energy applications |
CN104794697A (zh) * | 2015-05-05 | 2015-07-22 | 哈尔滨工程大学 | 一种基于暗原色先验的图像去雾方法 |
CN109034239A (zh) * | 2018-07-23 | 2018-12-18 | 北京金风科创风电设备有限公司 | 遥感影像分类方法、分布式风电场的选址方法和设备 |
CN109359350A (zh) * | 2018-09-27 | 2019-02-19 | 浙江中海达空间信息技术有限公司 | 一种优化精细施工成本的风电场道路智能设计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10800039B2 (en) * | 2018-01-23 | 2020-10-13 | General Electric Company | Controlling and commanding an unmanned robot using natural interfaces |
-
2019
- 2019-08-21 CN CN201910772316.5A patent/CN110532918B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5708693A (en) * | 1995-06-23 | 1998-01-13 | U.S. Philips Corporation | Image processing for noise reduction |
WO2014018957A1 (en) * | 2012-07-27 | 2014-01-30 | Texas Tech University System | Apparatus and method for using radar to evaluate wind flow fields for wind energy applications |
CN104794697A (zh) * | 2015-05-05 | 2015-07-22 | 哈尔滨工程大学 | 一种基于暗原色先验的图像去雾方法 |
CN109034239A (zh) * | 2018-07-23 | 2018-12-18 | 北京金风科创风电设备有限公司 | 遥感影像分类方法、分布式风电场的选址方法和设备 |
CN109359350A (zh) * | 2018-09-27 | 2019-02-19 | 浙江中海达空间信息技术有限公司 | 一种优化精细施工成本的风电场道路智能设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110532918A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532918B (zh) | 基于时间序列遥感影像的离岸风电场时空属性确定方法 | |
Ban et al. | Spaceborne SAR data for global urban mapping at 30 m resolution using a robust urban extractor | |
Shao et al. | Stacked sparse autoencoder modeling using the synergy of airborne LiDAR and satellite optical and SAR data to map forest above-ground biomass | |
Wang et al. | Urban impervious surface detection from remote sensing images: A review of the methods and challenges | |
Wei et al. | Normalization of time series DMSP-OLS nighttime light images for urban growth analysis with pseudo invariant features | |
CN109919875B (zh) | 一种高时频遥感图像特征辅助的居民地提取与分类方法 | |
Zhang et al. | Detecting horizontal and vertical urban growth from medium resolution imagery and its relationships with major socioeconomic factors | |
Bastani et al. | Satlaspretrain: A large-scale dataset for remote sensing image understanding | |
KR102540762B1 (ko) | 위성영상을 이용한 저수지 모니터링 방법 | |
CN104715474B (zh) | 基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法 | |
CN107239755A (zh) | 基于高分卫星遥感数据的海上油气平台提取系统 | |
CN111553204B (zh) | 一种基于遥感影像的输电杆塔检测方法 | |
CN103984945A (zh) | 一种光学遥感影像船只检测方法 | |
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 | |
CN101915910A (zh) | 利用航海雷达识别海上溢油目标的方法及系统 | |
CN115205709B (zh) | 一种基于卫星遥感的森林火点识别方法 | |
Lê et al. | Multiscale framework for rapid change analysis from SAR image time series: Case study of flood monitoring in the central coast regions of Vietnam | |
Xu et al. | Dynamic detection of offshore wind turbines by spatial machine learning from spaceborne synthetic aperture radar imagery | |
Mao et al. | Advances and prospects on estimating solar photovoltaic installation capacity and potential based on satellite and aerial images | |
CN112946643B (zh) | 基于时序雷达遥感的海上风电提取方法及系统 | |
Mandroux et al. | Wind turbine detection on sentinel-2 images | |
Mashagbah et al. | Spatial and temporal modeling of the urban growth and land cover changes using remote sensing, spatial indexes and GIS techniques in Irbid city, Jordan. | |
Wang et al. | Remote sensing unveils the explosive growth of global offshore wind turbines | |
Xu et al. | Computer and Information Sciences | |
Sun et al. | High-resolution and multitemporal impervious surface mapping in the Lancang-Mekong basin with Google Earth engine |
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 |