CN111626269B - 一种实用的大空间范围滑坡提取方法 - Google Patents
一种实用的大空间范围滑坡提取方法 Download PDFInfo
- Publication number
- CN111626269B CN111626269B CN202010646183.XA CN202010646183A CN111626269B CN 111626269 B CN111626269 B CN 111626269B CN 202010646183 A CN202010646183 A CN 202010646183A CN 111626269 B CN111626269 B CN 111626269B
- Authority
- CN
- China
- Prior art keywords
- landslide
- extraction
- potential
- image
- band
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- 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
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种实用的大空间范围滑坡提取方法,包括以下步骤:影像合成、冰雪提取、非滑坡潜在区去除、潜在滑坡区提取、特征计算、构建滑坡提取模型和精度验证;本发明通过对合成影像的滑坡进行提取,避免了影像的辐射校正和异常值,为方案的实用性提供保障。首先对影像的潜在滑坡进行提取,可以避免构建模型时背景地物与滑坡的样本量不平衡问题。然后结合像元在相邻时相影像的光谱特征、纹理特征和二者的差异构建随机森林模型对滑坡进行精确提取。充分考虑了地物在不同时相数据的变化,为高效滑坡提取奠定了基础。该模型是针对大空间范围内滑坡自动提取方法中相对可靠,而且实用性比较强的滑坡提取模型。
Description
技术领域
本发明涉及遥感图像处理、机器学习技术领域,尤其涉及一种实用的大空间范围滑坡提取方法。
背景技术
目前遥感滑坡提取方法,依数据种类的不同而有所差异。基于光学影像山体滑坡提取,多考虑光谱、纹理、形状以及形态学等特征,其方法主要分为两类:(1)基于像素的提取方法;(2)面向对象的提取方法。其中,基于像素的方法以每个像素为研究对象,统计图像中各像素的光谱和纹理特征,通过阈值判别,对滑坡进行提取。但此方法仅考虑单个像元的特征,没有统计像元所属地物的空间属性,因此像元间的属性信息缺少必要关联。面向对象的方法以区域为计算对象,通过设置的区域增长规则对具有相似特征的相邻像素进行合并以形成区域,并通过统计图像中各区域的光谱和纹理特征进行区域合并对滑坡进行提取。该提取方法受增长后得到的各个区域对目标地物分割效果影响较大,一旦合并的区域中包含很多背景地物像元,或者缺失很多目标地物像元,会直接影响后续的提取精度。
上述两类方法都涉及阈值设定工作,目前共发展了三种策略来设定阈值:第一种人工设置阈值,耗时耗力大,且构建的规则往往鲁棒性不强,难以对大范围遥感影像中的多起滑坡事件进行提取。第二种策略通过机器学习模型设置阈值,为每个训练样本构建多维特征,包括光谱、纹理和几何特征,通过训练样本学习确定各维特征的阈值。机器学习模型虽然可以通过学习人为设定好的训练样本的特征,模拟出滑坡提取需要的阈值。但大多数机器学习算法对数据量平衡性有较高的要求,即不同类型地物的样本量要尽量一致。而滑坡由于其灾害属性,其样本量在大范围空间内相对于背景地物要少得多。因此遥感滑坡提取多基于小尺度、少量(几个事件到几十个事件)滑坡,且影像中的滑坡与背景地物之间呈现比较大的光谱或者纹理差异。第三种策略深度学习已经广泛用于图像领域中的目标检测、识别和分割等任务,从训练样本中学习可以表达目标地物的局部和全局特征,并确定阈值。但是基于深度学习的方法需要大量的训练样本,而且模型调参过程比较复杂,很难实用化。因此,本发明提出一种实用的大空间范围滑坡提取方法以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明的目的在于提出一种实用的大空间范围滑坡提取方法,该实用的大空间范围滑坡提取方法对Google earth engine合成的2015-2018年度Landsat 8数据做变化检测,首先提取潜在滑坡,再基于潜在滑坡像元计算其光谱特征和纹理特征构建随机森林模型对滑坡精确提取,进而提高滑坡提取精度,提高模型的实用性。
为实现本发明的目的,本发明通过以下技术方案实现:一种实用的大空间范围滑坡提取方法,其特征在于,包括以下步骤:
步骤一:影像合成
采用50%最大NDVI策略基于Google earth engine对2015年到2018年A地区全境范围内的Landsat 8影像分别进行年度合成,生成年度合成影像,选取Landsat 8影像的蓝波段、绿波段、红波段、近红外波段、短波近红外波段1和短波近红外波段2,分别标记为b1,b2,b3,b4,b5和b6;
步骤二:冰雪提取
基于年度合成Landsat 8数据的蓝波段图像采用阈值法进行冰雪提取,即将反射率大于0.2的像元认为是冰雪;
步骤三:非滑坡潜在区去除
基于研究区的STRM DEM数字高程数据计算坡度,并将坡度大于71°和小于10°的区域定为非滑坡潜在区,将非滑坡潜在区去除;
步骤四:潜在滑坡区提取
基于相邻年份的年度合成Landsat 8数据,分别按照式子(1)计算归一化水体指数NDWI,并根据式子(2)-(8)确定潜在滑坡区,并将其归一化到0-255整数范围内,得到潜在滑坡区提取结果;
步骤五:特征计算
基于步骤四得到的潜在滑坡区提取结果计算每个潜在滑坡区像元的光谱特征和纹理特征,具体包括T和T+1年份的六个波段反射率,并按照式子(9)-(15)分别计算两个相邻年份的归一化植被指数NDVI及其其他两种改进版本NDVI_m1和NDVI_m2,归一化燃烧指数NBR,归一化差异湿度指数NDMI,归一化差异雪指数NDSI和归一化水体指数NDWI;
此外,对相邻时相合成影像近红外波段和蓝色波段做主成分分析,将主成分图作为滑坡提取的特征,同时,计算各个像元在T和T+1年份的合成影像中b1-b6的反射率之差和各个指数之差以及每个潜在滑坡区像元在以其为中心的5x5邻域范围内的b1-b6各个波段反射率平均值和方差作为滑坡精确提取的特征;
步骤六:构建滑坡提取模型
基于以上特征和滑坡潜在区提取结果,结合2016-2018年度合成影像的滑坡目视解译真实值,构建滑坡精确提取模型;
步骤七:精度验证
基于构建的模型在2015年度合成影像的潜在滑坡区对滑坡精确提取,得到提取结果,结合2015年度影像的滑坡目视解译真值图,计算滑坡提取的错分率和漏分率。
进一步改进在于:所述步骤一中,影像合成的具体策略如下:(1)分别搜集年份y(y=2015,2016,2017,2018)中覆盖A地区全境范围的所有Landsat 8数据;(2)分别计算研究区中每个像元在年份y(y=2015,2016,2017,2018)中所有Landsat 8影像中的NDVI值,并进行排序,将值为50%最大NDVI的像元各个波段的反射率作为合成影像中对应像元的反射率;(3)各个年度合成影像的波段信息选取Landsat 8影像的蓝波段、绿波段、红波段、近红外波段、短波近红外波段1和短波近红外波段2,分别标记为b1,b2,b3,b4,b5和b6。
进一步改进在于:所述步骤四中,具体式子如下:
NDWI=b2/b4 (1)
NDWI(b1<=0.03)=0 (2)
NDWI((b4-b3)>0.2)=0 (3)
NDWI(b2<=0.04)=0 (4)
NDWI(NDWI<0.4)=0 (5)
NDWI_DIFF=NDWIy+1-NDWIy (6)
NDWI_DIFF(NDWI_DIFF<=0.1)=0 (7)
POTENTIAL_LANDSLIDE=BYTSCL(NDWI_DIFF) (8)
其中,BYTSCL是对NDWI_DIFF图像像素值归一化成0-255,y代表某一年,y+1代表下一年。
进一步改进在于:所述步骤五中,具体式子如下:
NDVI=(b4-b3)/(b4+b3) (9)
NDVI_m1=2.5x(b4-b3)/(b4+6xb3-7.5xb1+1.0) (10)
NDVI_m2=(b4-b3)/(b4+b3+0.5)x1.5 (11)
NBR=(b4-b6)/(b4+b6) (12)
NDMI=(b4-b5)/(b4+b5) (13)
NDSI=(b2-b5)/(b2+b5) (14)
NDWI=(b2-b3)/(b2+b3) (15)
这里b4是近红外波段,b3是红波段,b2是绿波段,b1是蓝波段,b5是短波近红外,波长范围是1.57-1.65(μm),b6也是短波近红外波段,波长范围是2.11-2.29(μm)。
进一步改进在于:所述步骤六中,具体构建模型步骤如下:(1)基于2016-2018年度合成影像的滑坡目视解译结果随机选取5000个滑坡样本点,同时在2016-2018年度合成影像的潜在滑坡区中非滑坡像元随机选取50000个滑坡样本点;(2)计算随机选取的样本点的特征;(3)基于随机森林结构构建滑坡提取模型,这里树木个数为500,每个决策树节点随机选取的特征维数为31。
进一步改进在于:所述步骤七中,漏分率是指被错误的分为背景地物的滑坡像元占真实的滑坡像元的百分率,错分率是指被分为滑坡的像元中背景地物像元所占的百分率。
本发明的有益效果为:本发明通过对合成影像的滑坡进行提取,避免了影像的辐射校正和异常值,为方案的实用性提供保障。首先对影像的潜在滑坡进行提取,可以避免构建模型时背景地物与滑坡的样本量不平衡问题。然后结合像元在相邻时相影像的光谱特征、纹理特征和二者的差异构建随机森林模型对滑坡进行精确提取。充分考虑了地物在不同时相数据的变化,为高效滑坡提取奠定了基础。该模型是针对大空间范围内滑坡自动提取方法中相对可靠,而且实用性比较强的滑坡提取模型。
附图说明
图1为本发明的滑坡提取流程图;
图2为本发明的2015年尼泊尔冰雪覆盖结果图;
图3为本发明的2015年尼泊尔潜在滑坡区提取结果图;
图4为本发明的2015年尼泊尔滑坡提取结果图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
根据图1、2、3、4所示,本实施例提供了一种实用的大空间范围滑坡提取方法,包括以下步骤:
步骤一:影像合成
采用50%最大NDVI策略基于Google earth engine对2015年到2018年A地区(尼泊尔)全境范围内的Landsat 8影像分别进行年度合成,生成年度合成影像,其中,影像合成的具体策略如下:
(1)分别搜集年份y(y=2015,2016,2017,2018)中覆盖A地区(尼泊尔)全境范围的所有Landsat 8数据;
(2)分别计算研究区中每个像元在年份y(y=2015,2016,2017,2018)中所有Landsat 8影像中的NDVI值,并进行排序,将值为50%最大NDVI的像元各个波段的反射率作为合成影像中对应像元的反射率;
(3)每个年度合成影像的波段信息选取Landsat 8影像的蓝波段、绿波段、红波段、近红外波段、短波近红外波段1和短波近红外波段2,分别标记为b1,b2,b3,b4,b5和b6;
步骤二:冰雪提取
基于年度合成Landsat 8数据的蓝波段图像采用阈值法进行冰雪提取,即将反射率大于0.2的像元认为是冰雪,如图2;
步骤三:非滑坡潜在区去除
基于研究区的STRM DEM数字高程数据计算坡度,并将坡度大于71°和小于10°的区域定为非滑坡潜在区,将非滑坡潜在区去除;
步骤四:潜在滑坡区提取
基于相邻年份的年度合成Landsat 8数据,分别按照式子(1)计算归一化水体指数NDWI,并根据式子(2)-(8)确定潜在滑坡区,并将其归一化到0-255整数范围内,得到潜在滑坡区提取结果,如图3,具体式子如下:
NDWI=b2/b4 (1)
NDWI(b1<=0.03)=0 (2)
NDWI((b4-b3)>0.2)=0 (3)
NDWI(b2<=0.04)=0 (4)
NDWI(NDWI<0.4)=0 (5)
NDWI_DIFF=NDWIy+1-NDWIy (6)
NDWI_DIFF(NDWI_DIFF <=0.1)=0 (7)
POTENTIAL_LANDSLIDE=BYTSCL(NDWI_DIFF) (8)
其中,BYTSCL是对NDWI_DIFF图像像素值归一化成0-255,y代表某一年,y+1代表下一年;
步骤五:特征计算
基于步骤四得到的潜在滑坡区提取结果计算每个潜在滑坡区像元的光谱特征和纹理特征,具体包括T和T+1年份的六个波段反射率,并按照式子(9)-(15)分别计算两个相邻年份的归一化植被指数NDVI及其其他两种改进版本NDVI_m1和NDVI_m2,归一化燃烧指数NBR,归一化差异湿度指数NDMI,归一化差异雪指数NDSI和归一化水体指数NDWI,具体式子如下:
NDVI=(b4-b3)/(b4+b3) (9)
NDVI_m1=2.5x(b4-b3)/(b4+6xb3-7.5xb1+1.0) (10)
NDVI_m2=(b4-b3)/(b4+b3+0.5)x1.5 (11)
NBR=(b4-b6)/(b4+b6) (12)
NDMI=(b4-b5)/(b4+b5) (13)
NDSI=(b2-b5)/(b2+b5) (14)
NDWI=(b2-b3)/(b2+b3) (15)
这里b4是近红外波段,b3是红波段,b2是绿波段,b1是蓝波段,b5是短波近红外,波长范围是1.57-1.65(μm),b6也是短波近红外波段,波长范围是2.11-2.29(μm);
此外,对相邻时相合成影像近红外波段和蓝色波段做主成分分析,将主成分图作为滑坡提取的特征,同时,计算各个像元在T和T+1年份的合成影像中b1-b6的反射率之差和各个指数之差以及每个潜在滑坡区像元在以其为中心的5x5邻域范围内的b1-b6各个波段反射率平均值和方差作为滑坡精确提取的特征;
步骤六:构建滑坡提取模型
基于以上特征和滑坡潜在区提取结果,结合2016-2018年度合成影像的滑坡目视解译真实值,构建滑坡精确提取模型,具体构建模型步骤如下:
(1)基于2016-2018年度合成影像的滑坡目视解译结果随机选取5000个滑坡样本点,同时在2016-2018年度合成影像的潜在滑坡区中非滑坡像元随机选取50000个滑坡样本点;
(2)计算随机选取的样本点的特征;
(3)基于随机森林结构构建滑坡提取模型,这里树木个数为500,每个决策树节点随机选取的特征维数为31;
步骤七:精度验证
基于构建的模型在2015年度合成影像的潜在滑坡区对滑坡精确提取,得到提取结果,如图4。结合2015年度影像的滑坡目视解译真值图,计算滑坡提取的错分率和漏风率(如表1所示)。其中,漏分率是指被错误的分为背景地物的滑坡像元占真实的滑坡像元的百分率,错分率是指被分为滑坡的像元中背景地物像元所占的百分率。
表1滑坡提取精度评价
该实用的大空间范围滑坡提取方法通过对合成影像的滑坡进行提取,避免了影像的辐射校正和异常值,为方案的实用性提供保障。首先对影像的潜在滑坡进行提取,可以避免构建模型时背景地物与滑坡的样本量不平衡问题。然后结合像元在相邻时相影像的光谱特征、纹理特征和二者的差异构建随机森林模型对滑坡进行精确提取。充分考虑了地物在不同时相数据的变化,为高效滑坡提取奠定了基础。该模型是针对大空间范围内滑坡自动提取方法中相对可靠,而且实用性比较强的滑坡提取模型。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种实用的大空间范围滑坡提取方法,其特征在于,包括以下步骤:
步骤一:影像合成
采用50%最大NDVI策略基于Google earth engine对2015年到2018年A地区全境范围内的Landsat8影像分别进行年度合成,生成年度合成影像,选取Landsat8影像的蓝波段、绿波段、红波段、近红外波段、短波近红外波段1和短波近红外波段2,分别标记为b1,b2,b3,b4,b5和b6;
步骤二:冰雪提取
基于年度合成Landsat8数据的蓝波段图像采用阈值法进行冰雪提取,即将反射率大于0.2的像元认为是冰雪;
步骤三:非滑坡潜在区去除
基于研究区的STRM DEM数字高程数据计算坡度,并将坡度大于71°和小于10°的区域定为非滑坡潜在区,将非滑坡潜在区去除;
步骤四:潜在滑坡区提取
基于相邻年份的年度合成Landsat8数据,分别按照式子1计算归一化水体指数NDWI,并根据式子2-8确定潜在滑坡区,并将其归一化到0-255整数范围内,得到潜在滑坡区提取结果;具体式子如下:
其中,BYTSCL是对NDWI_DIFF图像像素值归一化成0-255,y代表某一年,y+1代表下一年;
步骤五:特征计算
基于步骤四得到的潜在滑坡区提取结果计算每个潜在滑坡区像元的光谱特征和纹理特征,所述光谱特征具体包括T和T+1年份的六个波段反射率,并按照式子9-15分别计算两个相邻年份的归一化植被指数NDVI以及其他两种改进版本的第一改进归一化植被指数NDVI_m1和第二改进归一化植被指数NDVI_m2,归一化燃烧指数NBR,归一化差异湿度指数NDMI,归一化差异雪指数NDSI和归一化水体指数NDWI;具体式子如下:
其中,b4是近红外波段,b3是红波段,b2是绿波段,b1是蓝波段,b5是短波近红外,波长范围是1.57-1.65μm,b6也是短波近红外波段,波长范围是2.11-2.29μm;
此外,对相邻时相合成影像近红外波段和蓝色波段做主成分分析,将主成分图作为滑坡提取的所述纹理特征,同时,计算各个像元在T和T+1年份的合成影像中b1-b6的反射率之差和各个指数之差以及每个潜在滑坡区像元在以其为中心的5x5邻域范围内的b1-b6各个波段反射率平均值和方差作为滑坡精确提取的所述纹理特征;
步骤六:构建滑坡提取模型
基于步骤五中获得的所述光谱特征和所述纹理特征以及步骤四中获得的潜在滑坡区提取结果,结合2016-2018年度合成影像的滑坡目视解译真实值,构建滑坡精确提取模型;
步骤七:精度验证
基于构建的模型在2015年度合成影像的潜在滑坡区对滑坡精确提取,得到提取结果,结合2015年度影像的滑坡目视解译真值图,计算滑坡提取的错分率和漏分率。
2.根据权利要求1所述的一种实用的大空间范围滑坡提取方法,其特征在于:所述步骤一中,影像合成的具体策略如下:①分别搜集年份y中覆盖A地区全境范围的所有Landsat8数据;②分别计算研究区中每个像元在所述年份y中所有Landsat8影像中的NDVI值,并进行排序,将值为50%最大NDVI的像元各个波段的反射率作为合成影像中对应像元的反射率;③各个年度合成影像的波段信息选取Landsat8影像的蓝波段、绿波段、红波段、近红外波段、短波近红外波段1和短波近红外波段2,分别标记为b1,b2,b3,b4,b5和b6;其中y=2015,2016,2017,2018。
3.根据权利要求1所述的一种实用的大空间范围滑坡提取方法,其特征在于:所述步骤六中,具体构建模型步骤如下:①基于2016-2018年度合成影像的滑坡目视解译结果随机选取5000个滑坡样本点,同时在2016-2018年度合成影像的潜在滑坡区中非滑坡像元随机选取50000个滑坡样本点;②计算随机选取的样本点的特征;③基于随机森林结构构建滑坡提取模型,其中树木个数为500,每个决策树节点随机选取的特征维数为31。
4.根据权利要求1所述的一种实用的大空间范围滑坡提取方法,其特征在于:所述步骤七中,漏分率是指被错误的分为背景地物的滑坡像元占真实的滑坡像元的百分率,错分率是指被分为滑坡的像元中背景地物像元所占的百分率。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010646183.XA CN111626269B (zh) | 2020-07-07 | 2020-07-07 | 一种实用的大空间范围滑坡提取方法 |
US17/070,702 US11574464B2 (en) | 2020-07-07 | 2020-10-14 | Practical method for landslide detection in large space |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010646183.XA CN111626269B (zh) | 2020-07-07 | 2020-07-07 | 一种实用的大空间范围滑坡提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626269A CN111626269A (zh) | 2020-09-04 |
CN111626269B true CN111626269B (zh) | 2021-08-27 |
Family
ID=72260440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010646183.XA Active CN111626269B (zh) | 2020-07-07 | 2020-07-07 | 一种实用的大空间范围滑坡提取方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11574464B2 (zh) |
CN (1) | CN111626269B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712535B (zh) * | 2021-01-18 | 2024-03-22 | 长安大学 | 基于模拟困难样本的Mask-RCNN滑坡分割方法 |
CN114330168B (zh) * | 2021-12-30 | 2022-06-21 | 中国科学院力学研究所 | 一种动态评价边坡安全性的方法 |
CN114821361A (zh) * | 2022-06-24 | 2022-07-29 | 成都信息工程大学 | 积雪深度的计算方法、装置、计算机设备及可读存储介质 |
CN115588134B (zh) * | 2022-09-08 | 2023-05-02 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 一种基于滑坡特征要素和空间结构的滑坡识别方法及系统 |
CN115356732B (zh) * | 2022-10-24 | 2023-01-13 | 中国科学院空天信息创新研究院 | 面向InSAR形变结果的潜在滑坡风险区域识别方法 |
CN115410095B (zh) * | 2022-10-31 | 2023-01-31 | 天津市地质工程勘测设计院有限公司 | 灾害信息获取方法、装置、电子设备和计算机可读介质 |
CN115731361B (zh) * | 2022-11-22 | 2024-05-03 | 广东佛山地质工程勘察院 | 一种基于激光LiDAR数据的地质灾害增强显示方法 |
CN116108758B (zh) * | 2023-04-10 | 2023-06-27 | 中南大学 | 滑坡易发性评价方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
CN106600574A (zh) * | 2016-08-25 | 2017-04-26 | 中国科学院遥感与数字地球研究所 | 一种基于遥感影像与高程数据的滑坡提取方法 |
CN107255516A (zh) * | 2017-05-27 | 2017-10-17 | 北京师范大学 | 一种遥感影像滑坡单体划分方法 |
CN108288059A (zh) * | 2017-12-29 | 2018-07-17 | 中国电子科技集团公司第二十七研究所 | 一种基于高分辨率遥感技术的建筑垃圾监测方法 |
CN108459318A (zh) * | 2018-02-02 | 2018-08-28 | 中国铁路设计集团有限公司 | 基于遥感技术的潜在滑坡早期识别方法 |
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 |
CN109613513A (zh) * | 2018-12-20 | 2019-04-12 | 长安大学 | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 |
CN109767409A (zh) * | 2018-11-28 | 2019-05-17 | 中国科学院遥感与数字地球研究所 | 基于遥感影像的滑坡变化检测方法、存储介质和电子设备 |
CN110060273A (zh) * | 2019-04-16 | 2019-07-26 | 湖北省水利水电科学研究院 | 基于深度神经网络的遥感影像滑坡测图方法 |
CN110852262A (zh) * | 2019-11-11 | 2020-02-28 | 南京大学 | 基于时间序列高分一号遥感影像的农业用地提取方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9207318B2 (en) * | 2011-06-20 | 2015-12-08 | California Institute Of Technology | Damage proxy map from interferometric synthetic aperture radar coherence |
CN103728604B (zh) * | 2013-11-19 | 2016-01-13 | 中国国土资源航空物探遥感中心 | 一种宽带合成孔径雷达子带干涉数据处理方法 |
CN105469058B (zh) * | 2015-11-30 | 2018-12-14 | 成都理工大学 | 一种基于序列光谱曲面特征的滑坡识别方法 |
-
2020
- 2020-07-07 CN CN202010646183.XA patent/CN111626269B/zh active Active
- 2020-10-14 US US17/070,702 patent/US11574464B2/en active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500344A (zh) * | 2013-09-02 | 2014-01-08 | 中国测绘科学研究院 | 一种遥感影像信息提取与解译方法及其模块 |
CN106600574A (zh) * | 2016-08-25 | 2017-04-26 | 中国科学院遥感与数字地球研究所 | 一种基于遥感影像与高程数据的滑坡提取方法 |
CN107255516A (zh) * | 2017-05-27 | 2017-10-17 | 北京师范大学 | 一种遥感影像滑坡单体划分方法 |
CN108288059A (zh) * | 2017-12-29 | 2018-07-17 | 中国电子科技集团公司第二十七研究所 | 一种基于高分辨率遥感技术的建筑垃圾监测方法 |
CN108459318A (zh) * | 2018-02-02 | 2018-08-28 | 中国铁路设计集团有限公司 | 基于遥感技术的潜在滑坡早期识别方法 |
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 |
CN109767409A (zh) * | 2018-11-28 | 2019-05-17 | 中国科学院遥感与数字地球研究所 | 基于遥感影像的滑坡变化检测方法、存储介质和电子设备 |
CN109613513A (zh) * | 2018-12-20 | 2019-04-12 | 长安大学 | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 |
CN110060273A (zh) * | 2019-04-16 | 2019-07-26 | 湖北省水利水电科学研究院 | 基于深度神经网络的遥感影像滑坡测图方法 |
CN110852262A (zh) * | 2019-11-11 | 2020-02-28 | 南京大学 | 基于时间序列高分一号遥感影像的农业用地提取方法 |
Non-Patent Citations (5)
Title |
---|
Automated extraction of landslide traces using a digital terrain model and IKONOS high-resolution satellite images;Verónica Ochoa-Tejeda 等;《Revista Mexicana de Ciencias Geológicas》;20071231;第24卷(第3期);第354-367页 * |
Geomorphic features extraction from high-resolution topography: landslide crowns and bank erosion;Paolo Tarolli 等;《Natural Hazards》;20121231;第61卷(第1期);第65-83页 * |
基于形态学开运算的面向对象滑坡提取方法研究;王宁 等;《遥感技术与应用》;20180630;第33卷(第3期);第520-529页 * |
基于航空影像和LiDAR数据的海地地震滑坡识别研究;沈永林 等;《地理与地理信息科学》;20110131;第27卷(第1期);第16-20页 * |
基于遥感图像分割和形态学的黄土滑坡后壁自动提取方法;李政国 等;《地质通报》;20151130;第34卷(第11期);第2132-2137页 * |
Also Published As
Publication number | Publication date |
---|---|
US20220012460A1 (en) | 2022-01-13 |
US11574464B2 (en) | 2023-02-07 |
CN111626269A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626269B (zh) | 一种实用的大空间范围滑坡提取方法 | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
González-Yebra et al. | Methodological proposal to assess plastic greenhouses land cover change from the combination of archival aerial orthoimages and Landsat data | |
CN111340826A (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
CN102842044B (zh) | 高分辨率可见光遥感图像变化检测方法 | |
CN108830876A (zh) | 一种水域轮廓提取及面积检测方法 | |
CN103077515A (zh) | 一种多光谱图像建筑物变化检测方法 | |
Qian et al. | Mapping regional cropping patterns by using GF-1 WFV sensor data | |
CN110310246A (zh) | 一种基于三线阵影像的甘蔗种植区遥感信息提取方法 | |
Li et al. | Integrating multiple textural features for remote sensing image change detection | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN107121681B (zh) | 基于高分卫星遥感数据的居民地提取系统 | |
Lefebvre et al. | Monitoring the morphological transformation of Beijing old city using remote sensing texture analysis | |
CN107194857B (zh) | 基于高分卫星遥感数据的可利用土地资源分析系统 | |
CN115861629A (zh) | 一种高分耕地影像提取方法 | |
CN107657246B (zh) | 一种基于多尺度滤波建筑指数的遥感影像建筑物检测方法 | |
Tong et al. | A two-phase classification of urban vegetation using airborne LiDAR data and aerial photography | |
Ding et al. | Study on building extraction from high-resolution images using Mbi | |
Zhu et al. | Research on deep learning individual tree segmentation method coupling RetinaNet and point cloud clustering | |
CN116310864A (zh) | 一种作物倒伏自动识别方法、系统、电子设备及介质 | |
CN115953685A (zh) | 多层多尺度分割的农用大棚类型信息提取方法及系统 | |
Dehkordi et al. | Performance Evaluation of Temporal and Spatial-Temporal Convolutional Neural Networks for Land-Cover Classification (A Case Study in Shahrekord, Iran) | |
Liu et al. | Automated extraction of urban roadside trees from mobile laser scanning point clouds based on a voxel growing method | |
Neves et al. | Hierarchical classification of Brazilian savanna physiognomies using very high spatial resolution image, superpixel and Geobia |
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 |