CN111368716B - 一种基于多源时空数据的地质灾害灾毁耕地提取方法 - Google Patents

一种基于多源时空数据的地质灾害灾毁耕地提取方法 Download PDF

Info

Publication number
CN111368716B
CN111368716B CN202010137417.8A CN202010137417A CN111368716B CN 111368716 B CN111368716 B CN 111368716B CN 202010137417 A CN202010137417 A CN 202010137417A CN 111368716 B CN111368716 B CN 111368716B
Authority
CN
China
Prior art keywords
images
target
disaster
time sequence
disaster damage
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
CN202010137417.8A
Other languages
English (en)
Other versions
CN111368716A (zh
Inventor
胡勇
邓琳
熊先才
黄健
朱慧
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.)
Chongqing Planning And Natural Resources Investigation And Monitoring Institute
Original Assignee
Chongqing Planning And Natural Resources Investigation And Monitoring Institute
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 Chongqing Planning And Natural Resources Investigation And Monitoring Institute filed Critical Chongqing Planning And Natural Resources Investigation And Monitoring Institute
Priority to CN202010137417.8A priority Critical patent/CN111368716B/zh
Publication of CN111368716A publication Critical patent/CN111368716A/zh
Application granted granted Critical
Publication of CN111368716B publication Critical patent/CN111368716B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G01N2021/1797—Remote sensing in landscape, e.g. crops

Landscapes

  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于多源时空数据的地质灾害灾毁耕地提取方法，具体步骤如下：筛选NDVI变化目标：以灾害灾毁前后的光学遥感影像为数据源，通过灾害灾毁前后差值指数变化为阈值筛选NDVI变化目标；确定时序非稳定目标：以灾毁发生时序上的SAR影像为基础，通过计算得到时序非稳定目标；确定地质灾害灾毁耕地信息：将步骤S1中得到的NDVI变化目标、步骤S2中时序非稳定目标与土地利用数据进行叠加分析，得到地质灾害灾毁耕地信息，本发明适用于地质灾害灾毁耕地信息的提取，该方法人工参与少、自动化程度高，提取结果准确性高，且可以快速准确的提取地质灾害灾毁耕地信息，为自然资源管理工作提取技术支撑。

Description

一种基于多源时空数据的地质灾害灾毁耕地提取方法
技术领域
本发明属于自然资源管理技术领域，具体是一种基于多源时空数据的地质灾害灾毁耕地提取方法。
背景技术
目前，地质灾害灾毁耕地的识别提取主要有外业实地调查方法和利用灾后遥感影像进行人工目视交互解译方法，这两种方法具有各自的不足：外业实地调查方法需要投入大量人力物力财力，且因灾后地形地貌改变，可能难以获取灾毁耕地的准确面积；利用灾后遥感影像进行人工目视交互解译的方法效率虽比外业调查高，但仍存在耗费时间长的问题，同时遥感解译结果的正确性依赖于解译人员的经验，存在一定主观性。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种基于多源时空数据的地质灾害灾毁耕地提取方法。
为实现上述目的，本发明采用了如下技术方案：
一种基于多源时空数据的地质灾害灾毁耕地提取方法，包括具体步骤如下：
S1、筛选NDVI变化目标：以灾害灾毁前后的光学遥感影像为数据源，通过灾害灾毁前后差值指数变化为阈值筛选NDVI变化目标；
S2、确定时序非稳定目标：以灾毁发生时序上的SAR影像为基础，通过计算相干系数方差得到时序非稳定目标；
S3、确定地质灾害灾毁耕地信息：将步骤S1中得到的NDVI变化目标、步骤S2中时序非稳定目标与土地利用数据进行叠加分析，得到地质灾害灾毁耕地信息。
优选的，所述步骤S1中筛选NDVI变化目标的具体步骤如下：
以灾害灾毁前后的光学遥感影像为数据源，经过相对辐射校正消除不同时相影像之间的辐射差异；
通过正射纠正得到带有统一地理坐标的影像；
将灾害灾毁前后监测区内的影像分别镶嵌，得到灾害灾毁前后的完整影像；
分别计算灾害灾毁前后的NDVI影像，两期影像相减，以灾害灾毁前后差值指数变化为阈值筛选NDVI变化目标。
优选的，所述步骤S2中确定时序非稳定目标的具体步骤如下：
以灾害灾毁发生时序上的SAR影像为基础，对SAR影像进行聚焦、滤波、配准等预处理；
将相邻SAR影像进行两两干涉，计算相干系数并进行地理编码；
以时序方差为阈值筛选初始相干系数变化目标；
通过小区域去除和数学形态学滤波，得到时序非稳定目标。
优选的，所述NDVI为归一化植被指数。
优选的，所述光学遥感影像是获取可见光到红外线这部分电磁波信息进行成像，得到的影像。
优选的，所述光学遥感影像是通过航天或航空成像方式，拍摄的地表的影像，是获取地面目标的反射、散射或辐射的电磁波信息。
本发明一种基于多源时空数据的地质灾害灾毁耕地提取方法，本发明采用时序SAR数据、多时相遥感影像、数字高程模型DEM和土地利用现状数据，建立了基于多源时空数据的地质灾害灾毁耕地自动提取方法，该方法在对地质灾害灾毁耕地提取时人工参与少、自动化程度高，提取结果准确性高，且可以快速准确的提取地质灾害灾毁耕地信息，为自然资源管理工作提取技术支撑。
附图说明
图1是本发明一种基于多源时空数据的地质灾害灾毁耕地提取方法的整体流程图。
具体实施方式
以下结合附图1，进一步说明本发明一种基于多源时空数据的地质灾害灾毁耕地提取方法的具体实施方式。本发明一种基于多源时空数据的地质灾害灾毁耕地提取方法不限于以下实施例的描述。
一种基于多源时空数据的地质灾害灾毁耕地提取方法，如图1所示，具体步骤如下：
S1、筛选NDVI变化目标：以灾害灾毁前后的光学遥感影像为数据源，通过灾害灾毁前后差值指数变化为阈值筛选NDVI变化目标；
S2、确定时序非稳定目标：以灾毁发生时序上的SAR影像为基础，通过计算得到时序非稳定目标；
S3、确定地质灾害灾毁耕地信息：将步骤S1中得到的NDVI变化目标、步骤S2中时序非稳定目标与土地利用数据进行叠加分析，得到地质灾害灾毁耕地信息。
所述步骤S1中筛选NDVI变化目标的具体步骤如下：
以灾害灾毁前后的光学遥感影像为数据源，经过相对辐射校正消除不同时相影像之间的辐射差异；
通过正射纠正得到带有统一地理坐标的影像；
将灾害灾毁前后监测区内的影像分别镶嵌，得到灾害灾毁前后的完整影像；
分别计算灾害灾毁前后的NDVI影像，两期影像相减，以灾害灾毁前后差值指数变化为阈值筛选NDVI变化目标。
所述步骤S2中确定时序非稳定目标的具体步骤如下：
以灾害灾毁发生时序上的SAR影像为基础，对SAR影像进行聚焦、滤波、配准等预处理；
将相邻SAR影像进行两两干涉，计算相干系数并进行地理编码；
以时序方差为阈值筛选初始相干系数变化目标；
通过小区域去除和数学形态学滤波，得到时序非稳定目标。
所述NDVI为归一化植被指数。
所述光学遥感影像是获取可见光到红外线这部分电磁波信息进行成像，得到的影像；所述光学遥感影像是通过航天或航空成像方式，拍摄的地表的影像，是获取地面目标的反射、散射或辐射的电磁波信息。
实施例1
参照图1，本实施例公开了一种基于多源时空数据的地质灾害灾毁耕地提取方法中灾害前后光学遥感影像的处理方法，包括相对辐射校正、正射纠正、影像镶嵌、NDVI指数计算、NDVI变化目标提取，其中：
相对辐射校正
相对辐射校正是以一幅清晰的影像为参考影像，利用其它时相影像(目标影像)和参考影像对应像素的灰度值之间的关系，建立各波段之间的校正模型，并将目标影像逐波段的归一化到参考影像，使目标影像和参考影像具有相同的辐射尺度，相对辐射校正能纠正因大气状况变化造成的差异，能减小传感器状态产生的噪声，
以不同时相的两景影像为例，波段数为N，向量X＝[X1…XN]，Y＝[Y1…YN]分别表示两幅影像的像素值，对X、Y分别做线性变换U＝aTX，V＝bTY，其中a＝[a1…aN]T，b＝[b1…bN]T，则两景影像之间的变化信息可以集中到差值影像D＝U-V中，不同的系数a和b得到不同的差值影像D，D的像素值表示变化的大小，要最大限度的突出变化，则D的方差应最大，如果对a和b乘上一个常数c，则方差会变c2倍，因此对a和b作出限制，令U和V具有单位方差，即在式(1)和式(2)的约束下，满足式(3)，
Var{aTX}＝Var{bTY}＝1 (1)
Cov(U,V)>0 (2)
Var{D}＝Var{aTX}+Var{bTY}-2Cov{aTX,bTY}＝2(1-Corr{aTX,bTY})→max (3)
根据典型相关理论，ρ＝Corr{U,V}是典型相关系数，假设向量
Figure BDA0002395745950000041
具有零均值，则Z的协方差矩阵可表示为
Figure BDA0002395745950000042
其中Var(U)＝aTΣ11a，Var(U)＝bTΣ22b和Cov(U,V)＝aTΣ12b，利用拉格朗日乘数法解算Cov(U,V)极值，即可求解满足约束条件的极值a和b，此时利用a和b即可获得典型变量U和V，则MAD变量及其方差为
Figure BDA0002395745950000043
Figure BDA0002395745950000044
式中i＝1…N，
Figure BDA0002395745950000045
令
Figure BDA0002395745950000046
Z表示任一像素的所有变化信息，对于未变化像素，MAD变量应近似为0，则Z近似服从N维自由度的卡方分布，由此可通过卡方分布检验获取未变化像素点(设置置信度大于0.95提取未变化像素点)，
根据目标影像和参考影像未变化像素点的值建立线性回归模型，即可实现参考影像的相对辐射处理，本发明采用正交回归分析建立回归方程，假设在二维平面有n个数据点Pi(xi,yi),i＝1…,n，线性正交回归通过寻找直线L：
y＝α+βx (6)
使得目标函数
Figure BDA0002395745950000051
最小，其中d(pi,L)是点Pi到L的几何距离，线性正交回归较最小二乘法而言，建立的回归方程考虑了x和y方向误差，使得解算结果更加可靠和稳定。
正射纠正
以监测区域内含坐标信息的遥感影像和DEM数据为基础，实现相对辐射校正后影像的倾斜改正和投影差改正，首先在基础底图和待纠正影像上选择均有的同名明显特征地物点，如道路交叉处、球场角、围墙角等位置，且全图均匀分布，然后根据纠正过程中控制点残差文件，检查正射纠正控制点点位精度，平地和丘陵地残差中误差1个像素以内，山地和高山地残差中误差2个像素以内，最后选择二次多项式重采样方法对影像进行正射纠正，并对结果进行目视对比检查。
影像镶嵌
以灾毁发生前后为时间节点，分别对影像进行镶嵌，首先，检查影像重叠区域内影像几何精度，点位误差不大于2个像素，然后在相邻影像重叠区勾绘镶嵌线，镶嵌线尽量沿着道路、河流、林地等地物走向勾绘，避免穿越房屋，最后按照镶嵌线裁切多余数据，并按灾毁前、灾毁后分别镶嵌监测区完整影像，灾毁前影像(记为I1)，灾毁后影像(记为I2)。
NDVI指数计算
由于植物叶片组织对蓝波段和红波段辐射有强烈吸收，但对近红外波段辐射反射强烈，而且近红外波段反射会随着植被覆盖的增加而增强，归一化植被指数(NormalizedDifference Vegetation Index，NDVI)通过数学变换增强红波段和近红外波段的差异，能够有效反映地面植被覆盖情况，可作为植被覆盖变化检测的指标，其定义如下：
Figure BDA0002395745950000061
NDVI的值域范围为[－1，1]，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示地表覆盖有岩石或裸土等；正值越大，表示植被覆盖度越好，NDVI变化目标提取
首先根据上一步骤公式7分别计算灾毁前后监测区域内的NDVI值，然后采用差值指数评价是否存在地表变化，差值指数计算见式(8)，最后以变化值小于－0.05为阈值提取变化目标，
ΔNDVI＝NDVII2-NDVII1 (8)
ΔNDVI的值域范围为[－2，2]，NDVII2表示灾毁后影像归一化植被指数，NDVII1表示灾毁前影像归一化植被指数，通常，当NDVI值大于0.1时，其代表的像素才被认为是植被像素，故这里仅选择NDVII1取值大于0.1的区域参与计算。
实施例2
参照图1，本实施例公开了一种基于多源时空数据的地质灾害灾毁耕地提取方法中时序SAR影像数据处理，包括数据预处理、相干系数计算、地理编码、初始变化目标提取和小区域和数学形态学滤波，其中：
数据预处理
本方案涉及SAR影像的预处理主要包括影像配准、影像多视、影像滤波等，首先将多期相同传感器影像按时间序列进行排列，选择日期最早或日期居中的影像作为主影像，并将其余影像与主影像进行配准，然后通过增强Lee滤波、Kuan滤波、自适应滤波等方法，消除相干电磁波所形成的斑点噪声影响，最后根据距离向分辨率、方位向分辨率和中心入射角设置SAR影像的多视比，使地距方位向和距离向分辨率一致，
相干系数计算
SAR影像相干系数是同时利用SAR影像对的幅度和相位信息形成的，能够直观反映两次SAR成像过程中目标稳定性的估计，其计算公式可见式(9)，
对于两景SAR复数影像S1和S2，其相干系数的定义公式如下：
Figure BDA0002395745950000071
式中，*表示共轭复数；S1和S2为经过预滤波的单视复数SAR影像，相干系数γ的值域为[0，1]，0为失相干，1为完全相干，
高相干性表示稳定的地表硬目标，低相干性则说明两次成像期间地表发生了变化，根据相干系数的变化这一重要特征，可进行地物变化情况评定。
地理编码
SAR影像的坐标系统为斜距/多普勒坐标系，为了消除SAR产品的扭曲和畸变，并方便与光学影像、灾毁地矢量等常规地学产品联合应用及对照分析，就必须将SAR相干系数结果转换到地图投影坐标系下，地理编码是借助轨道状态矢量、多普勒方程、椭球面方程和斜距方程来计算SAR影像像素对应的大地坐标，再以DEM数据投影参数为准，将其投影至地理参考系中，
初始变化目标提取
利用灾毁前后两景SAR影像计算相干系数，由于地表地物发生变化，必将导致相干系数与未发生灾毁之前、未发生灾毁地区的相干系数有所不同，根据这一特性，我们提出基于时序SAR数据的变化目标提取方法，若在监测时间段内地表地物发生了灾毁，则相干系数在时序上就会突然降低或升高，以时序上相干系数的方差为阈值，可实现自动提取地表突变的目标点，
假设有时序SAR影像
Figure BDA0002395745950000072
拍摄时间t1,…,tn，基于小基线集技术干涉理论，设置时间基线和垂直基线阈值，可生成多个干涉对
Figure BDA0002395745950000073
每个干涉对即可生成1个相干系数图
Figure BDA0002395745950000074
为消除不同时间跨度造成的相干系数差异，在时序相干系数变化探测之前，我们基于时间长度对相干系数进行归一化处理，如式(10)，
Figure BDA0002395745950000075
计算归一化后的时序相干系数
Figure BDA0002395745950000076
方差，并设置方差阈值，即可探测到时序上发生突变的变化目标点。
小区域和数学形态学滤波
依据方差阈值自动提取的变化目标在影像上存在小面积噪声区域和边界不连续的情况，为得到平滑的变化目标范围，先对小面积斑块进行去除，保留下大面积变化区域，然后利用数学形态学方法进行滤波，滤波方法为开运算，即对影像先腐蚀后膨胀，实现平滑边界，消除细小的尖刺，断开窄小的连接，使变化目标更加完整，最后根据变化目标范围情况，重复使用上述滤波方法，最终得到完整平滑的时序非稳定目标范围。
实施例3
参照图1，本实施例公开了一种基于多源时空数据的地质灾害灾毁耕地提取方法中地质灾害灾毁地耕地信息提取，具体方法如下：
将灾害前后光学遥感影像处理得到的NDVI变化目标、时序SAR影像数据处理得到的时序非稳定目标和当年土地利用数据中耕地数据均统一到相同坐标系下；
以时序非稳定目标为源数据，通过叠加分析提取与耕地数据有重叠的范围，并存储为耕地非稳定目标；
以耕地非稳定目标为源数据，叠加NDVI变化目标数据，有重叠范围的斑块即为地质灾害灾毁耕地范围。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (7)

1.一种基于多源时空数据的地质灾害灾毁耕地提取方法，其特征在于：具体步骤如下：
S1、筛选NDVI变化目标：以灾害灾毁前后的光学遥感影像为数据源，通过灾害灾毁前后差值指数变化为阈值筛选NDVI变化目标；
S2、确定时序非稳定目标：以灾毁发生时序上的SAR影像为基础，通过计算相干系数方差得到时序非稳定目标；
S3、确定地质灾害灾毁耕地信息：将步骤S1中得到的NDVI变化目标、步骤S2中时序非稳定目标与土地利用数据进行叠加分析，得到地质灾害灾毁耕地信息。
2.如权利要求1所述的一种基于多源时空数据的地质灾害灾毁耕地提取方法，其特征在于：所述步骤S1中筛选NDVI变化目标的具体步骤如下：
以灾害灾毁前后的光学遥感影像为数据源，经过相对辐射校正消除不同时相影像之间的辐射差异，得到辐射校正后的影像；
对辐射校正后的影像进行正射纠正，得到带有统一地理坐标的影像；
将灾害灾毁前后监测区内的影像进行影像镶嵌，得到灾害灾毁前后的完整影像；
分别计算灾害灾毁前后的NDVI影像，两期影像相减，以灾害灾毁前后差值指数变化为阈值筛选NDVI变化目标。
3.如权利要求1所述的一种基于多源时空数据的地质灾害灾毁耕地提取方法，其特征在于：所述步骤S2中确定时序非稳定目标的具体步骤如下：
以灾害灾毁发生时序上的SAR影像为基础，对SAR影像进行预处理；
将相邻SAR影像进行两两干涉，计算相干系数并进行地理编码；
以时序方差为阈值筛选初始相干系数变化目标；
通过小区域去除和数学形态学滤波，得到时序非稳定目标。
4.如权利要求2所述的一种基于多源时空数据的地质灾害灾毁耕地提取方法，其特征在于：所述NDVI为归一化植被指数。
5.如权利要求1所述的一种基于多源时空数据的地质灾害灾毁耕地提取方法，其特征在于：所述光学遥感影像是获取可见光到红外线这部分电磁波信息进行成像，得到的影像。
6.如权利要求5所述的一种基于多源时空数据的地质灾害灾毁耕地提取方法，其特征在于：所述光学遥感影像是通过航天或航空成像方式，拍摄的地表的影像，是获取地面目标的反射、散射或辐射的电磁波信息。
7.如权利要求3所述的一种基于多源时空数据的地质灾害灾毁耕地提取方法，其特征在于：对SAR影像进行预处理是采用聚焦、滤波、配准处理。
CN202010137417.8A 2020-02-28 2020-02-28 一种基于多源时空数据的地质灾害灾毁耕地提取方法 Active CN111368716B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010137417.8A CN111368716B (zh) 2020-02-28 2020-02-28 一种基于多源时空数据的地质灾害灾毁耕地提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010137417.8A CN111368716B (zh) 2020-02-28 2020-02-28 一种基于多源时空数据的地质灾害灾毁耕地提取方法

Publications (2)

Publication Number Publication Date
CN111368716A CN111368716A (zh) 2020-07-03
CN111368716B true CN111368716B (zh) 2023-04-28

Family

ID=71208358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010137417.8A Active CN111368716B (zh) 2020-02-28 2020-02-28 一种基于多源时空数据的地质灾害灾毁耕地提取方法

Country Status (1)

Country Link
CN (1) CN111368716B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113484245B (zh) * 2021-07-05 2022-11-22 重庆市规划和自然资源调查监测院 一种丘陵山区水田种植模式遥感快速监测方法、系统及计算机可读存储介质
CN113467511B (zh) * 2021-07-15 2022-12-27 广西壮族自治区自然资源调查监测院 无人机任务协同方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006266858A (ja) * 2005-03-24 2006-10-05 Railway Technical Res Inst 硬質堆積岩地域の災害発生危険度評価方法
CN104978743A (zh) * 2015-06-12 2015-10-14 中国电子科技集团公司第三十八研究所 一种多核并行sar图像变化信息实时提取方法及装置
CN105740759A (zh) * 2016-01-15 2016-07-06 武汉珈和科技有限公司 基于多时相数据中特征提取的中稻信息决策树分类方法
CN108827880A (zh) * 2018-04-23 2018-11-16 吉林大学 基于多光谱影像和ndvi时间序列的地表覆盖变化检测方法
CN108846347A (zh) * 2018-06-06 2018-11-20 广西师范学院 一种公路滑坡区域的快速提取方法
CN110443195A (zh) * 2019-08-02 2019-11-12 四创科技有限公司 一种结合超像素与深度学习的遥感影像火烧迹地分析方法
CN114491187A (zh) * 2022-01-20 2022-05-13 重庆市规划和自然资源调查监测院 一种自然资源智能监测集成系统

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8249302B2 (en) * 2009-06-30 2012-08-21 Mitsubishi Electric Research Laboratories, Inc. Method for determining a location from images acquired of an environment with an omni-directional camera
CN102073869A (zh) * 2010-12-27 2011-05-25 中国农业大学 基于点位数据和遥感影像数据的区域耕地质量监测方法
CN104504279B (zh) * 2014-12-31 2017-09-15 中国科学院深圳先进技术研究院 检测蝗灾的方法
CN105389559A (zh) * 2015-11-12 2016-03-09 中国科学院遥感与数字地球研究所 基于高分辨率遥感影像的农业灾害范围识别系统及方法
KR101751020B1 (ko) * 2015-12-08 2017-07-11 한국해양과학기술원 다중 위성 기반 위험유해물질 연속 탐지 방법 및 장치
CN106204539B (zh) * 2016-06-29 2019-01-11 南京大学 一种基于形态学梯度的反演城区建筑物沉降的方法
CN107610155B (zh) * 2016-07-12 2020-05-05 香港理工大学深圳研究院 Sar影像变化检测方法及装置
CN106780091B (zh) * 2016-12-30 2020-11-06 中国科学院东北地理与农业生态研究所 基于植被指数时空间统计特征的农业灾害信息遥感提取方法
CN107066927A (zh) * 2017-01-04 2017-08-18 中国电力科学研究院 一种确定输电线路在洪涝灾害中的损毁程度的方法和系统
CN107463901B (zh) * 2017-08-07 2021-05-14 中国科学院遥感与数字地球研究所 多尺度区域洪涝灾害危险性遥感评估方法和系统
KR102033752B1 (ko) * 2017-11-10 2019-10-17 한국해양과학기술원 해상 타깃 영역에서의 노이즈영역 검출방법
CN108052558A (zh) * 2017-11-30 2018-05-18 河南云保遥感科技有限公司 一种基于遥感技术的自然灾害提取解译方法
CN109360190B (zh) * 2018-09-21 2020-10-16 清华大学 基于图像超像素融合的建筑损毁检测方法及装置
CN109799503A (zh) * 2019-03-06 2019-05-24 中科卫星应用德清研究院 建筑物损毁评估制图方法及系统
CN110688923A (zh) * 2019-09-19 2020-01-14 中国电子科技集团公司第二十九研究所 一种基于哨兵1a sar数据的城市内涝风险区提取方法
CN110826404B (zh) * 2019-09-30 2023-07-21 深圳大学 基于遥感云平台的洪灾范围获取方法、终端及存储介质
CN110765934B (zh) * 2019-10-22 2021-02-19 成都理工大学 一种多源数据融合的地质灾害识别方法
CN110793921A (zh) * 2019-11-14 2020-02-14 山东省农业可持续发展研究所 一种抽雄授粉期玉米洪涝灾害遥感监测与评估方法与系统
CN113484245B (zh) * 2021-07-05 2022-11-22 重庆市规划和自然资源调查监测院 一种丘陵山区水田种植模式遥感快速监测方法、系统及计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006266858A (ja) * 2005-03-24 2006-10-05 Railway Technical Res Inst 硬質堆積岩地域の災害発生危険度評価方法
CN104978743A (zh) * 2015-06-12 2015-10-14 中国电子科技集团公司第三十八研究所 一种多核并行sar图像变化信息实时提取方法及装置
CN105740759A (zh) * 2016-01-15 2016-07-06 武汉珈和科技有限公司 基于多时相数据中特征提取的中稻信息决策树分类方法
CN108827880A (zh) * 2018-04-23 2018-11-16 吉林大学 基于多光谱影像和ndvi时间序列的地表覆盖变化检测方法
CN108846347A (zh) * 2018-06-06 2018-11-20 广西师范学院 一种公路滑坡区域的快速提取方法
CN110443195A (zh) * 2019-08-02 2019-11-12 四创科技有限公司 一种结合超像素与深度学习的遥感影像火烧迹地分析方法
CN114491187A (zh) * 2022-01-20 2022-05-13 重庆市规划和自然资源调查监测院 一种自然资源智能监测集成系统

Also Published As

Publication number Publication date
CN111368716A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
Nouwakpo et al. Assessing the performance of structure‐from‐motion photogrammetry and terrestrial LiDAR for reconstructing soil surface microtopography of naturally vegetated plots
Dehecq et al. Automated processing of declassified KH-9 Hexagon satellite images for global elevation change analysis since the 1970s
US20060210169A1 (en) Apparatus and method for simulated sensor imagery using fast geometric transformations
Sheng et al. Automated georeferencing and orthorectification of Amazon basin-wide SAR mosaics using SRTM DEM data
Giribabu et al. DEM generation using Cartosat-1 stereo data: issues and complexities in Himalayan terrain
CN111368716B (zh) 一种基于多源时空数据的地质灾害灾毁耕地提取方法
Kumari et al. Adjustment of systematic errors in ALS data through surface matching
Gonçalves et al. CHAIR: Automatic image registration based on correlation and Hough transform
Dong et al. Radargrammetric DSM generation in mountainous areas through adaptive-window least squares matching constrained by enhanced epipolar geometry
Khlopenkov et al. Achieving subpixel georeferencing accuracy in the Canadian AVHRR processing system
Douté et al. Small-scale topographical characterization of the Martian surface with in-orbit imagery
Rönnholm Registration quality-towards integration of laser scanning and photogrammetry
Miller et al. A robust surface matching technique for coastal geohazard assessment and management
Qiao et al. Assessment of geo-positioning capability of high resolution satellite imagery for densely populated high buildings in metropolitan areas
Ren et al. Automated SAR reference image preparation for navigation
Bolkas et al. Registration of multi-platform point clouds using edge detection for rockfall monitoring
Belfiore et al. Orthorectification and pan-sharpening of worldview-2 satellite imagery to produce high resolution coloured ortho-photos
CN116245757B (zh) 多模态数据的多场景通用性遥感影像云修复方法和系统
Wan et al. The P2L method of mismatch detection for push broom high-resolution satellite images
CN114545410B (zh) 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法
Jang et al. Topographic information extraction from KOMPSAT satellite stereo data using SGM
Nitti et al. Automatic GCP extraction with high resolution COSMO-SkyMed products
CN114494039A (zh) 一种水下高光谱推扫图像几何校正的方法
Baldwin et al. Higher resolution earth surface features from repeat moderate resolution satellite imagery
Sohn et al. Shadow-effect correction in aerial color imagery

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