CN111667187A - 基于多源遥感数据的公路滑坡危险性评价方法 - Google Patents
基于多源遥感数据的公路滑坡危险性评价方法 Download PDFInfo
- Publication number
- CN111667187A CN111667187A CN202010523000.5A CN202010523000A CN111667187A CN 111667187 A CN111667187 A CN 111667187A CN 202010523000 A CN202010523000 A CN 202010523000A CN 111667187 A CN111667187 A CN 111667187A
- Authority
- CN
- China
- Prior art keywords
- landslide
- factor
- remote sensing
- hazard
- risk
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 35
- 238000013210 evaluation model Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 30
- 238000003066 decision tree Methods 0.000 claims description 26
- 238000010276 construction Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000011081 inoculation Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000003702 image correction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013316 zoning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明公开了一种基于多源遥感数据的公路滑坡危险性评价方法,包括以下步骤:对获取的多光谱遥感影像与高分辨率遥感影像进行图像处理;利用遥感影像及DEM数据提取滑坡灾害因子,构建滑坡灾害因子图;利用XGBoost模型评价各个滑坡灾害因子的贡献度,选择贡献度高的滑坡灾害因子;利用训练好的XGBoost模型重新计算各个滑坡灾害因子的贡献度并归一化为权重,然后进行线性加权构建滑坡危险性评价模型;利用构建好的滑坡危险性评价模型计算滑坡发生的危险性程度。本发明综合利用多源遥感数据得到滑坡灾害因子数据,客观选择并分析滑坡因子权重来构建滑坡危险性评价模型,使得滑坡危险性评价更加客观准确,为后续道路选线提供重要的参考资料。
Description
技术领域
本发明涉及遥感技术领域,具体涉及一种基于多源遥感数据的公路滑坡危险性评价方法。
背景技术
随着我国公路建设事业的发展,建设重点正逐步由东部向中西部地区、由平原微丘区向困难复杂的重丘山岭区转移,快速准确对山区公路路线走廊区域进行滑坡危险性评价,可为后续道路的选线提供重要的参考资料,但该区域的地形、地质等基础资料严重匮乏,且气候条件复杂,地面数据获取困难,野外作业风险高。
遥感技术的快速发展,为复杂地区的滑坡危险性评价提供了新的技术手段。当前遥感技术已广泛应用于区域性滑坡危险性评价中。
如Nichol J E,Shaker A,Wong M S.Application of high-resolution stereosatellite images to detailed landslide hazard assessment.Geomorphology,2006,76(1–2):68-75,Nichol等将高分影像应用到大区域滑坡评价,并证明该方法经济有效。
如Schulz W H.Landslide susceptibility revealed by LiDAR imagery andhistorical records,Seattle,Washington[J].Engineering Geology,2007,89(1):67-87.,Schulz等将LiDAR技术应用到滑坡识别中,通过综合分析多个滑坡分布特征,对滑坡进行危险性评价。
如王治华,数字滑坡技术及其在天台乡滑坡调查中的应用,岩土工程学报,2006,28(04):516-520,王治华将多时相遥感影像应用到滑坡区域动态监测,并取得较好效果。
如马小计、杨自安、邹林等,抚顺市市区地质灾害遥感调查研究,中国地质,2006,33(05):1167-1173,马小利等通过分析获取滑坡区域的遥感影像,得到滑坡孕灾环境特征。
如陶舒、胡德勇、赵文吉等,基于信息量与逻辑回归模型的次生滑坡灾害敏感性评价——以汶川县北部为例,地理研究,2010,29(09):1594-1605,陶舒等利用多源卫星遥感影像提取滑坡灾害因子,并结合地质条件采用逻辑回归模型对滑坡灾害进行危险性评价。由上可知,遥感技术可快速获取区域性、大范围的滑坡孕灾环境,可为后续复杂艰险山区滑坡危险性评价提供有效的数据支撑。
滑坡危险性评价模型涉及到地形地貌、地表覆盖、地质条件等多种因素的综合利用,常见的滑坡危险性评价模型有模糊评价模型、加权线性模型、层次分析法等。
模糊评价模型可参见:陈晓利、祁生文、叶洪等,基于GIS的地震滑坡危险性的模糊综合评价研究,北京大学学报(自然科学版),2008,44(3):434-438。
加权线性模型可参见:Avtar R,Singh C K,Singh G,et al.Landslidesusceptibility zonation study using remote sensing and GIS technology in theKen-Betwa River Link area,India.Bulletin of Engineering Geology and theEnvironment,2011,70(4):595-606。
层次分析法可参见:郭继发、崔铁军、崔伟宏,适宜尺度区间上的多尺度区域泥石流危险性评价,吉林大学学报(地球科学版),2012,42(1):150-160。
滑坡灾害因子的选取与权重的确定是构建上述危险性评价模型的关键,但常采用的主观权重法及综合权重法易受评价人主观因素影响,而滑坡的发生是多种因素综合影响的客观结果(参见Lai C,Chen X,Chen X,et al.A fuzzy comprehensive evaluationmodel for flood risk based on the combination weight of game theory].NaturalHazards,2015,77(2):1243-1259.)。基于此,应基于滑坡孕灾环境的各种数据,综合利用滑坡灾害因子数据,客观选择并分析滑坡因子权重来构建滑坡危险性评价模型。
发明内容
本发明的目的在于,提供一种基于多源遥感数据的公路滑坡危险性评价方法,综合利用基于多源遥感数据得到滑坡灾害因子数据,客观选择并分析滑坡因子权重来构建滑坡危险性评价模型对滑坡危险性进行评价。
为实现上述目的,本发明所设计的基于多源遥感数据的公路滑坡危险性评价方法,包括以下步骤:
步骤S1),预处理多源遥感影像,对获取的多光谱遥感影像与高分辨率遥感影像进行图像处理;
步骤S2),利用所述步骤S1)处理后的遥感影像及DEM数据提取滑坡灾害因子,构建滑坡灾害因子图;
步骤S3),利用构建的滑坡灾害因子图,选择滑坡和非滑坡样本,利用XGBoost模型评价各个滑坡灾害因子的贡献度,选择贡献度高于预设值的滑坡灾害因子;
步骤S4),基于选择后的滑坡灾害因子重新构建滑坡灾害因子图,并生成滑坡与非滑坡样本,利用训练好的XGBoost模型重新计算出各个滑坡灾害因子的贡献度,并归一化为各个滑坡灾害因子的权重,然后对各滑坡灾害因子归一化后进行线性加权构建滑坡危险性评价模型;
步骤S5),利用构建好的滑坡危险性评价模型计算滑坡发生的危险性程度,依据确定的滑坡危险性等级区段,生成公路滑坡危险性评价分区图。
作为优选实施方式,所述步骤S2)中,基于处理后的遥感影像进行地质遥感解译,提取地质条件相关滑坡灾害因子;基于处理后的遥感影像进行波段运算及分类操作,提取地表覆盖相关滑坡灾害因子;利用DEM数据进行GIS空间分析,提取坡度、坡向、与沟谷距离相关地形及水文相关滑坡灾害因子。
作为优选实施方式,所述步骤S3)进一步包括:
步骤S3.1),对高分辨率遥感影像进行遥感解译,获取滑坡分布图,基于遥感解译的滑坡分布图,在遥感影像上选取多个滑坡样本点与非滑坡样本点;
步骤S3.2),在所述步骤S2)中生成的滑坡灾害因子图上,利用步骤3.1)的样本点数据,提取出各个样本的滑坡灾害因子数据,并作为XGBoost模型的训练样本;
步骤S3.3),输入生成的训练样本,采用增量训练的方式逐个训练优化每个决策树,直到所有的决策树全部优化,此时XGBoost模型的目标优化函数达到最优;
步骤S3.4),在模型训练优化完成后,计算出各个滑坡灾害因子的平均增益值,并将其作为该滑坡灾害因子的贡献度的评价指标;
步骤S3.5),根据步骤3.4)计算的各个滑坡灾害因子的贡献度,对各个滑坡灾害因子进行排序,选择贡献度占比超过预设值的滑坡灾害因子集参与后续滑坡危险性评价模型的构建。
作为优选实施方式,在所述步骤S3.3)中,最终决策模型表示为:
其中:xi是输入样本向量的第i个滑坡灾害因子,K为决策树的个数,fk为第K个决策树,F为所有决策树集合;
所述目标优化函数达式为:
作为优选实施方式,在所述步骤S3.4)中,所述平均增益值计算式为:
其中,Gainx为叶子节点在分裂时的增益值,N为参与该滑坡灾害因子增益计算时的叶子节点数目。
作为优选实施方式,所述步骤S4)进一步包括:
步骤S4.1),基于选择后的滑坡灾害因子集重新生成滑坡灾害因子图,然后利用所述步骤3.1)选取的滑坡点与非滑坡样本点,重新提取样本点的滑坡灾害因子数据,并作为XGBoost模型的训练样本;
步骤S4.2),输入重新生成的训练样本,采用增量训练的方式逐个训练优化每个决策树,直到所有的决策树全部优化,并按照步骤3.4)中的方法重新计算各个滑坡灾害因子的平均增益值;
步骤S4.3),归一化重新计算后的各滑坡灾害因子的平均增益值,并将该值作为各因子的权重;
步骤S4.4),对参与构建评价模型的滑坡灾害因子进行归一化;
步骤S4.5),基于归一化后的滑坡灾害因子及XGBoost模型得到的各因子权重,通过线性加权的方式构建滑坡危险性评价模型。
作为优选实施方式,在所述步骤S4.3)中,各滑坡灾害因子的权重的表达式如下:
其中,AGi为第i个滑坡灾害因子的平均增益,M为因子选择后的滑坡灾害因子数目。
作为优选实施方式,在所述步骤S4.4)中,对于非连续性的滑坡灾害因子结合实际情况给定;对于连续性的滑坡灾害因子,采取如下方式归一化:
作为优选实施方式,在所述步骤S4.5)中,所述滑坡危险性评价模型表达式如下:
作为优选实施方式,所述步骤S5)进一步包括:
步骤S5.1),输入归一化后的滑坡灾害因子影像,利用上述构建的滑坡危险性评价模型,输出单波段的滑坡危险性概率影像;
步骤S5.2),依据上一步得到的滑坡危险性概率影像与滑坡分布图,统计滑坡灾害区域内的滑坡危险性概率值,并绘制滑坡区域概率值的统计分布图,确定图上频率分布出现突变处的概率值,若在此值之上的区间包括足够多的已知滑坡灾害单元,则将该突变概率值作为滑坡灾害的临界值P0;
步骤S5.3),在临界值P0之上的,利用Fisher准则下的二组判别分析确定危险区区段和高危险区段的临界值为P1;在临界值P0之下的,采用同样的方法确定出安全区段和较安全区段的临界值P-1;
步骤S5.4),根据以上步骤中所确定的各临界值,按照P<P-1,P-1≤P<P0,P0≤P<P1,P≥P1,将计算的危险性概率图依次划分为安全区、较安全区、危险性区及高危险区,得到滑坡危险性分区图。
本发明的有益效果是:本发明的基于多源遥感数据的公路滑坡危险性评价方法以高分辨率遥感影像、多光谱遥感影像及DEM数据为数据源提取滑坡灾害因子,构建高维滑坡灾害因子图;基于此选取滑坡灾害点及非滑坡灾害点作为训练样本,并利用XGBoost模型定量评价各滑坡灾害因子的贡献度,从而选择出贡献度高的滑坡灾害因子参与构建滑坡灾害危险性评价模型;然后,基于选择后的滑坡灾害因子,重新利用XGBoost模型计算各因子的贡献度,并归一化各因子的权重,进而通过线性加权的方式构建滑坡灾害危险性评价模型;最后,利用构建的模型计算滑坡危险性程度,并依据确定危险性分级标准,得到公路滑坡危险性评价分区图。本发明的基于多源遥感数据的公路滑坡危险性评价方法有效克服复杂艰险山区基础地质数据缺乏的现状,综合利用高分辨率遥感影像、多光谱遥感影像及DEM数据,充分提取出滑坡孕育环境因子信息,为区域滑坡危险性快速评价提供有效的数据支撑;利用XGBoost算法选择出贡献度高的滑坡灾害因子参与评价模型构建,并计算出各滑坡灾害因子的权重,使得通过线性加权构建的滑坡危险性评价模型更加客观准确,为后续的道路选线提供重要的参考资料。
附图说明
图1为本发明优选实施例的基于多源遥感数据的公路滑坡危险性评价方法的流程图。
图2为图1中选择基于XGBoost模型的滑坡灾害因子步骤的子流程图。
图3为图1中构建基于XGBoos权重的滑坡危险性评价模型步骤的子流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明。
多源遥感数据地学解译是指将包含同一目标或场景的、时-空-谱互补的多源遥感数据按照一定规则进行运算处理,获得比任何单一数据更精确、完整、有效的信息,然后通过一定的手段和技术方法,完成地物信息的传递并起到解译遥感影像内容的作用,取得地物各组成部分和存在于其他地物的内涵信息,以达到对目标和场景的综合、完整描述。随着遥感数据获取手段的日益丰富,多源遥感数据地学解译在地质、城市、农业、生态等领域得到了广泛应用。
如前文所述,滑坡灾害因子的选取与权重的确定是构建滑坡灾害危险性评价模型的关键,需要基于滑坡孕灾环境的各种数据,综合利用滑坡灾害因子数据,客观选择并分析滑坡因子权重来构建滑坡危险性评价模型。XGBoost算法是一种由多个弱分类器加权组合构建的组合分类模型,具有分类表现优异、人工干预少和运算速度快等优点,且面对高维特征,能客观评价各特征的贡献度。
为此,本发明采用一种基于多源遥感数据的公路滑坡危险性评价方法,该方法先利用XGBoost算法对多源遥感影像提取的滑坡灾害因子进行特征选择,然后利用XGBoost算法计算选择后的各滑坡灾害因子权重,并线性加权构建滑坡危险性评价模型,从而得到客观有效的滑坡危险性评价分区图,为后续道路的选线提供参考资料。
本发明涉及利用多源遥感数据的公路滑坡危险性评价方法,利用多源遥感数据提取滑坡灾害因子,利用XGBoost模型进行滑坡灾害因子选择及权重计算,进而基于XGBoost算法构建滑坡危险性评价模型,从而获取公路滑坡危险性评价分级图。请参阅图1,本发明优选实施例的基于多源遥感数据的公路滑坡危险性评价方法,包含如下步骤:
步骤S1),预处理多源遥感影像。对待处理的多光谱遥感影像与高分辨率遥感影像进行图像校正、影像融合、图像增强及数字镶嵌等一系列图像处理。
步骤S2),提取基于多源遥感数据的滑坡灾害因子。基于处理后的遥感影像进行地质遥感解译,提取地质条件等相关滑坡灾害因子;基于处理后的遥感影像进行波段运算及分类操作,提取地表覆盖等相关滑坡灾害因子;利用DEM数据进行GIS空间分析,提取坡度、坡向、与沟谷距离等相关地形及水文因子。
步骤S3),选择基于XGBoost模型的滑坡灾害因子。利用构建的滑坡灾害因子图,选择滑坡和非滑坡样本,并利用XGBoost模型评价各个滑坡灾害因子的贡献度,并剔除贡献度低的滑坡灾害因子。
步骤S4),构建基于XGBoost权重的滑坡危险性评价模型。基于选择后的滑坡灾害因子重新构建滑坡灾害因子图,并生成滑坡与非滑坡样本,利用训练好的XGBoost模型重新计算出各个因子的贡献度,并归一化为各滑坡灾害因子的权重,然后对各滑坡灾害因子归一化后进行线性加权构建滑坡危险性评价模型。
步骤S5),生成滑坡危险性评价分区图。利用构建好的评价模型计算滑坡发生的危险性程度,依据确定的滑坡危险性等级区段,生成公路滑坡危险性评价分区图。
下面将结合附图对上述每一步骤作进一步更加详细的描述。
关于步骤S1),预处理多源遥感影像。
遥感影像的质量对提取滑坡孕育环境信息十分重要,针对获取的多光谱遥感影像及高分辨率遥感影像需经过一系列图像处理操作,具体步骤如下:
步骤S1.1),辐射校正。辐射校正是开展地质解译的基础工作,采用专业遥感软件根据所用卫星传感器类型、成像时间、地理经纬度进行校正。
步骤S1.2),几何纠正。根据收集到地形图等资料,通过选取几何控制点,对研究区域内的高分辨率遥感影像、多光谱遥感影像进行几何校正。采集几何控制点的技术要求包括:①在地形图上选取特征明显、易于判读的河流、道路拐弯或交叉的点作为几何控制点;②几何控制点需平均分布;③每幅地形图的几何控制点7个~9个;④误差较大的点要分析原因;⑤最后单幅影像纠正的中误差在2个像元以内。
步骤S1.3),图像融合。采用的高分率遥感影像的全色数据具有较高的空间分辨率,通过多光谱数据与高分辨率遥感数据进行融合处理,减少数据的冗余度,增强图像的清晰度,依据获取卫星数据特点,采取IHS的融合方法使数据的优势能够达到最大限度的发挥。
步骤S1.4),图像镶嵌。公路路线走廊范围广,需要多幅卫星图像数据才能覆盖,为便于对整个区域进行更好地统一处理、解译、分析和研究,需要将多景遥感卫星图像数据进行数字镶嵌,从而把多幅图像镶嵌成一个在几何形态上和色调分布上协调一致的新图像。数字镶嵌图按照下列程序完成:①对所有待镶嵌的遥感影像进行S1.1)辐射校正与S1.2)几何校正的图像预处理工作。②对需要镶嵌的遥感影像进行色调调整。③利用遥感软件对相关图像进行图像镶嵌。
关于步骤S2),提取基于多源遥感数据的滑坡灾害因子。
滑坡灾害孕灾环境复杂,致灾因素众多,为进行滑坡灾害的遥感量化分析,并实现滑坡灾害危险区段的划分与危险性评价,充分提取滑坡孕灾环境信息至关重要。考虑到路线走廊地区范围广,资料数据获取困难,为快速准确建立该区域的滑坡危险性评价模型,利用步骤S1)处理后的遥感影像及DEM(Digital Elevation Model,数字高程模型)数据提取公路滑坡灾害因子。其中,基于遥感影像的滑坡灾害因子提取,主要是通过遥感影像自动处理和目视解译相结合,通过相关地质现象、地质体、地物的遥感解译标志,对区域地质条件、地形地貌条件、工程地质条件及生态景观环境信息进行遥感解译识别。所提取的滑坡灾害因子包括地层岩性、地质构造、地形地貌、河流水系、生态景观类型等;基于DEM数据进行GIS分析获取的滑坡灾害因子,主要有坡度、坡向、坡长、水流流向、水流累积量等。
由于DEM数据和遥感影像的分辨率不同,致使基于二者所提取的滑坡灾害因子尺度不同,考虑到可免费获取的DEM影像的分辨率为30m×30m,本方法采用为30m×30m的栅格单元作为滑坡危险性评价单元,基于此提取滑坡灾害因子,构建滑坡灾害因子图。本发明所提取的滑坡因子包括地质条件、水文条件、地形地貌及地表覆盖共四大类因子,各大类滑坡因子如表1中所示:
表1滑坡灾害因子及其定义
关于步骤S3),选择基于XGBoost模型的滑坡灾害因子。
由上可知,基于遥感影像和DEM数据提取的滑坡灾害因子众多,但并非所有的因子都会对研究区的滑坡灾害的孕育、发生及发展造成决定性影响,有必要确定影响滑坡灾害的主要因子,为滑坡灾害危险性评价提供基础指标,因此滑坡灾害因子的选择是建立滑坡危险性评价模型的关键。考虑到XGBoost算法具有训练速度快、受特征间相互关系影响较小等方面的优势,本发明采用基于XGBoost模型的滑坡灾害因子选择,以确定构建滑坡危险性评价模型的基础指标。
XGBoost模型是一个由一系列决策树分类器组成的集成分类器,该模型是通过梯度提升算法不断降低之前生成的决策树的损失来迭代构建最终的决策模型,以确保生成的模型的可靠性。XGBoost的最终决策模型可表示为:
其中:xi是输入样本向量的第i个滑坡灾害因子,K为决策树的个数,fk为第K个决策树,F为所有决策树集合。
XGBoost模型的目标优化函数为损失函数和正则项之和,具体表达式为:
利用样本数据,通过对目标函数的不断优化,可得到最终的XGBoost模型。如图2所示,基于XGBoost模型的滑坡灾害因子的选择具体步骤如下:
步骤S3.1),对高分辨率遥感影像进行遥感解译,获取滑坡分布图,基于遥感解译的滑坡分布图,在遥感影像上选取多个滑坡样本点与非滑坡样本点,样本点位置分布均匀,滑坡样本点与非滑坡样本点数目的比例为1:1。
步骤S3.2),在步骤S2)中生成的滑坡灾害因子图上,利用步骤3.1)的样本点数据,提取出各个样本的滑坡灾害因子数据,并作为XGBoost模型的训练样本。
步骤S3.3),输入生成的训练样本,采用增量训练的方式逐个训练优化每个决策树,直到所有的决策树全部优化,此时目标函数式(2)达到最优。
步骤S3.4),在模型训练优化完成后,计算出各个滑坡灾害因子的平均增益值,并将其作为该滑坡灾害因子的贡献度评价指标AG,计算式如下:
其中,Gainx为叶子节点在分裂时的增益值,N为参与该滑坡灾害因子增益计算时的叶子节点数目。
步骤S3.5),根据步骤3.4)计算的各个滑坡灾害因子的贡献度,对各个因子进行排序,选择贡献度占比为较高(如贡献度占比90%以上)的滑坡灾害因子集参与后续滑坡危险性评价模型的构建。
关于步骤S4),构建基于XGBoost权重的滑坡危险性评价模型。
线性加权法计算简单、易于理解,且效果良好,被广泛应用,其关键在于滑坡灾害因子的选择和权重的计算,为客观准确的评价所选择的滑坡灾害因子的贡献度,采用XGBoost算法评估各滑坡灾害因子的贡献度,从而线性加权构建滑坡危险性评价模型。如图3中所示,基于XGBoost权重的滑坡危险性评价模型构建具体步骤如下:
步骤S4.1),基于选择后的滑坡灾害因子集重新生成滑坡灾害因子图,然后利用之前步骤S3.1)选取的滑坡点与非滑坡样本点,重新提取样本点的滑坡灾害因子数据,并作为XGBoost模型的训练样本。
步骤S4.2),输入重新生成的训练样本,采用增量训练的方式逐个训练优化每个决策树,直到所有的决策树全部优化,并按照步骤S3.4)中的方法重新计算各个滑坡灾害因子的平均增益值。
步骤S4.3),归一化重新计算后的各滑坡灾害因子的平均增益值,并将该值作为各滑坡灾害因子的权重wi,表达式如下所示:
其中,AGi为第i个滑坡灾害因子的平均增益,M为因子选择后的滑坡灾害因子数目。
步骤S4.4),对参与构建评价模型的滑坡灾害因子进行归一化,以消除各滑坡灾害因子的数据范围及量纲均不同所造成的影响,其中非连续性的滑坡灾害因子结合研究区实际情况给定;对于连续性的滑坡灾害因子fi,采取如下方式:
步骤S4.5),基于归一化后的滑坡灾害因子及XGBoost模型得到的各滑坡灾害因子的权重,通过线性加权的方式构建滑坡危险性评价模型y,表达式如下:
关于步骤S5),生成滑坡危险性评价分区图。
利用上述的滑坡灾害危险性评估模型,可实现滑坡灾害的危险性的量化表达,从而生成滑坡危险性分区图,但分区图的生成需确定滑坡灾害危险性临界值及不同等级危险性区段的划分。本发明采用统计分布图确定滑坡危险性临界值,然后基于Fisher准则划分不同等级区段。具体步骤如下:
步骤S5.1),输入归一化后的滑坡因子影像,利用已经构建的滑坡危险性评价模型,输出单波段的滑坡危险性概率影像。
步骤S5.2),依据步骤S5.1)中得到的滑坡危险性概率影像与滑坡分布图,统计滑坡灾害区域内的滑坡危险性概率值,并绘制滑坡灾害区域概率值的统计分布图,确定图上频率分布出现突变处的概率值,若在此值之上的区间包括足够多的已知滑坡灾害单元,则将该突变概率值作为滑坡灾害的临界值P0。
步骤S5.3),在临界值P0之上的,利用Fisher准则下的二组判别分析确定危险区区段和高危险区段的临界值为P1;在临界值P0之下的,采用同样的方法确定出安全区段和较安全区段的临界值P-1。
步骤S5.4),根据以上步骤中所确定的各临界值,按照P<P-1,P-1≤P<P0,P0≤P<P1,P≥P1,将计算的危险性概率图依次划分为安全区、较安全区、危险性区及高危险区,然后利用GIS软件的制图功能,对危险性概率影像进行专题图制作,最终得到滑坡危险性分区图。
综上所述,针对复杂艰险山区地质条件复杂、地质资料匮乏的现状,本发明公开了一种基于多源遥感数据的公路滑坡危险性评价方法。该方法先以高分辨率遥感影像、多光谱遥感影像及DEM数据为数据源,提取出地质条件、水文条件、地形地貌及地表覆盖四大类滑坡灾害因子,构建高维滑坡灾害因子图。基于此,选取滑坡灾害点及非滑坡灾害点作为训练样本,并利用XGBoost模型定量评价各滑坡灾害因子的贡献度,从而选择出贡献度高的滑坡灾害因子参与构建滑坡灾害危险性评价模型;然后,基于选择后的滑坡灾害因子,重新利用XGBoost模型计算各因子的贡献度,并归一化各因子的权重,进而通过线性加权的方式构建滑坡灾害危险性评价模型。最后,利用构建的模型计算滑坡危险性程度,并依据确定危险性分级标准,得到公路滑坡危险性评价分区图。
与现有的技术相比,本发明的基于多源遥感数据的公路滑坡危险性评价方法具有以下优点:
(1)有效克服复杂艰险山区基础地质数据缺乏的现状,综合利用高分辨率遥感影像、多光谱遥感影像及DEM数据,充分提取出滑坡孕育环境因子信息,为区域滑坡危险性快速评价提供有效的数据支撑。
(2)利用XGBoost算法选择出贡献度高的滑坡灾害因子参与评价模型构建,并计算出各滑坡灾害因子的权重,使得通过线性加权构建的滑坡危险性评价模型更加客观准确,为后续的道路选线提供重要的参考资料。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于多源遥感数据的公路滑坡危险性评价方法,包括以下步骤:
步骤S1),预处理多源遥感影像,对获取的多光谱遥感影像与高分辨率遥感影像进行图像处理;
步骤S2),利用所述步骤S1)处理后的遥感影像及DEM数据提取滑坡灾害因子,构建滑坡灾害因子图;
步骤S3),利用构建的滑坡灾害因子图,选择滑坡和非滑坡样本,利用XGBoost模型评价各个滑坡灾害因子的贡献度,选择贡献度高于预设值的滑坡灾害因子;
步骤S4),基于选择后的滑坡灾害因子重新构建滑坡灾害因子图,并生成滑坡与非滑坡样本,利用训练好的XGBoost模型重新计算出各个滑坡灾害因子的贡献度,并归一化为各个滑坡灾害因子的权重,然后对各滑坡灾害因子归一化后进行线性加权构建滑坡危险性评价模型;
步骤S5),利用构建好的滑坡危险性评价模型计算滑坡发生的危险性程度,依据确定的滑坡危险性等级区段,生成公路滑坡危险性评价分区图。
2.根据权利要求1所述的基于多源遥感数据的公路滑坡危险性评价方法,其特征在于:所述步骤S2)中,基于处理后的遥感影像进行地质遥感解译,提取地质条件相关滑坡灾害因子;基于处理后的遥感影像进行波段运算及分类操作,提取地表覆盖相关滑坡灾害因子;利用DEM数据进行GIS空间分析,提取坡度、坡向、与沟谷距离相关地形及水文相关滑坡灾害因子。
3.根据权利要求1所述的基于多源遥感数据的公路滑坡危险性评价方法,其特征在于,所述步骤S3)进一步包括:
步骤S3.1),对高分辨率遥感影像进行遥感解译,获取滑坡分布图,基于遥感解译的滑坡分布图,在遥感影像上选取多个滑坡样本点与非滑坡样本点;
步骤S3.2),在所述步骤S2)中生成的滑坡灾害因子图上,利用步骤3.1)的样本点数据,提取出各个样本的滑坡灾害因子数据,并作为XGBoost模型的训练样本;
步骤S3.3),输入生成的训练样本,采用增量训练的方式逐个训练优化每个决策树,直到所有的决策树全部优化,此时XGBoost模型的目标优化函数达到最优;
步骤S3.4),在模型训练优化完成后,计算出各个滑坡灾害因子的平均增益值,并将其作为该滑坡灾害因子的贡献度的评价指标;
步骤S3.5),根据步骤3.4)计算的各个滑坡灾害因子的贡献度,对各个因子进行排序,选择贡献度占比超过预设值的滑坡灾害因子集参与后续滑坡危险性评价模型的构建。
6.根据权利要求3所述的基于多源遥感数据的公路滑坡危险性评价方法,其特征在于,所述步骤S4)进一步包括:
步骤S4.1),基于选择后的滑坡灾害因子集重新生成滑坡灾害因子图,然后利用所述步骤3.1)选取的滑坡点与非滑坡样本点,重新提取样本点的滑坡灾害因子数据,并作为XGBoost模型的训练样本;
步骤S4.2),输入重新生成的训练样本,采用增量训练的方式逐个训练优化每个决策树,直到所有的决策树全部优化,并按照步骤3.4)中的方法重新计算各个滑坡灾害因子的平均增益值;
步骤S4.3),归一化重新计算后的各滑坡灾害因子的平均增益值,并将该值作为各因子的权重;
步骤S4.4),对参与构建评价模型的滑坡灾害因子进行归一化;
步骤S4.5),基于归一化后的滑坡灾害因子及XGBoost模型得到的各因子权重,通过线性加权的方式构建滑坡危险性评价模型。
10.根据权利要求6所述的基于多源遥感数据的公路滑坡危险性评价方法,其特征在于,所述步骤S5)进一步包括:
步骤S5.1),输入归一化后的滑坡灾害因子影像,利用上述构建的滑坡危险性评价模型,输出单波段的滑坡危险性概率影像;
步骤S5.2),依据滑坡危险性概率影像与滑坡分布图,统计滑坡灾害区域内的滑坡危险性概率值,并绘制滑坡区域概率值的统计分布图,确定图上频率分布出现突变处的概率值,若在此值之上的区间包括足够多的已知滑坡灾害单元,则将该突变概率值作为滑坡灾害的临界值P0;
步骤S5.3),在临界值P0之上的,利用Fisher准则下的二组判别分析确定危险区区段和高危险区段的临界值为P1;在临界值P0之下的,采用同样的方法确定出安全区段和较安全区段的临界值P-1;
步骤S5.4),根据以上步骤中所确定的各临界值,按照P<P-1,P-1≤P<P0,P0≤P<P1,P≥P1,将计算的危险性概率图依次划分为安全区、较安全区、危险性区及高危险区,得到滑坡危险性分区图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010523000.5A CN111667187B (zh) | 2020-06-10 | 2020-06-10 | 基于多源遥感数据的公路滑坡危险性评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010523000.5A CN111667187B (zh) | 2020-06-10 | 2020-06-10 | 基于多源遥感数据的公路滑坡危险性评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667187A true CN111667187A (zh) | 2020-09-15 |
CN111667187B CN111667187B (zh) | 2023-09-15 |
Family
ID=72386470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010523000.5A Active CN111667187B (zh) | 2020-06-10 | 2020-06-10 | 基于多源遥感数据的公路滑坡危险性评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667187B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343563A (zh) * | 2021-05-27 | 2021-09-03 | 中交第二公路勘察设计研究院有限公司 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
CN113449790A (zh) * | 2021-06-25 | 2021-09-28 | 贵州省都匀公路管理局 | 基于svm的山区干线公路高危路段辨识方法 |
CN114049565A (zh) * | 2021-11-08 | 2022-02-15 | 中国公路工程咨询集团有限公司 | 基于遥感影像和dem数据的地质灾害判识方法和装置 |
CN114066165A (zh) * | 2021-10-20 | 2022-02-18 | 国网黑龙江省电力有限公司电力科学研究院 | 一种改进的输电线路高位滑坡危险性评价系统及方法 |
CN115019476A (zh) * | 2022-06-09 | 2022-09-06 | 贵州大学 | 一种基于多源信息融合的滑坡时空信息监测预警方法 |
CN115204547A (zh) * | 2022-01-17 | 2022-10-18 | 农业农村部南京农业机械化研究所 | 基于高分辨率遥感影像的丘陵山区耕地宜机化确定方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010271877A (ja) * | 2009-05-21 | 2010-12-02 | Yamaguchi Univ | 災害発生確率評価システムとそのプログラム |
CN106529178A (zh) * | 2016-11-14 | 2017-03-22 | 东北电力大学 | 一种滑坡灾害风险评价方法 |
CN107704966A (zh) * | 2017-10-17 | 2018-02-16 | 华南理工大学 | 一种基于天气大数据的能源负荷预测系统及方法 |
CN108596518A (zh) * | 2018-05-14 | 2018-09-28 | 中国路桥工程有限责任公司 | 一种公路地质灾害危险性评估方法 |
CN110353694A (zh) * | 2019-07-18 | 2019-10-22 | 哈尔滨工业大学 | 一种基于特征选取的运动识别方法 |
CN110472817A (zh) * | 2019-07-03 | 2019-11-19 | 西北大学 | 一种结合深度神经网络的XGBoost集成信用评价系统及其方法 |
CN110852475A (zh) * | 2019-09-24 | 2020-02-28 | 广州地理研究所 | 基于极端梯度提升算法的植被指数预测方法、系统及设备 |
US20200104725A1 (en) * | 2018-09-30 | 2020-04-02 | XL Catlin | Systems and methods for generating blended variable importance measures corresponding to specific targets |
CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
-
2020
- 2020-06-10 CN CN202010523000.5A patent/CN111667187B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010271877A (ja) * | 2009-05-21 | 2010-12-02 | Yamaguchi Univ | 災害発生確率評価システムとそのプログラム |
CN106529178A (zh) * | 2016-11-14 | 2017-03-22 | 东北电力大学 | 一种滑坡灾害风险评价方法 |
CN107704966A (zh) * | 2017-10-17 | 2018-02-16 | 华南理工大学 | 一种基于天气大数据的能源负荷预测系统及方法 |
CN108596518A (zh) * | 2018-05-14 | 2018-09-28 | 中国路桥工程有限责任公司 | 一种公路地质灾害危险性评估方法 |
US20200104725A1 (en) * | 2018-09-30 | 2020-04-02 | XL Catlin | Systems and methods for generating blended variable importance measures corresponding to specific targets |
CN110472817A (zh) * | 2019-07-03 | 2019-11-19 | 西北大学 | 一种结合深度神经网络的XGBoost集成信用评价系统及其方法 |
CN110353694A (zh) * | 2019-07-18 | 2019-10-22 | 哈尔滨工业大学 | 一种基于特征选取的运动识别方法 |
CN110852475A (zh) * | 2019-09-24 | 2020-02-28 | 广州地理研究所 | 基于极端梯度提升算法的植被指数预测方法、系统及设备 |
CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343563A (zh) * | 2021-05-27 | 2021-09-03 | 中交第二公路勘察设计研究院有限公司 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
CN113343563B (zh) * | 2021-05-27 | 2022-05-03 | 中交第二公路勘察设计研究院有限公司 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
CN113449790A (zh) * | 2021-06-25 | 2021-09-28 | 贵州省都匀公路管理局 | 基于svm的山区干线公路高危路段辨识方法 |
CN114066165A (zh) * | 2021-10-20 | 2022-02-18 | 国网黑龙江省电力有限公司电力科学研究院 | 一种改进的输电线路高位滑坡危险性评价系统及方法 |
CN114049565A (zh) * | 2021-11-08 | 2022-02-15 | 中国公路工程咨询集团有限公司 | 基于遥感影像和dem数据的地质灾害判识方法和装置 |
CN115204547A (zh) * | 2022-01-17 | 2022-10-18 | 农业农村部南京农业机械化研究所 | 基于高分辨率遥感影像的丘陵山区耕地宜机化确定方法 |
CN115204547B (zh) * | 2022-01-17 | 2023-09-26 | 农业农村部南京农业机械化研究所 | 基于高分辨率遥感影像的丘陵山区耕地宜机化确定方法 |
CN115019476A (zh) * | 2022-06-09 | 2022-09-06 | 贵州大学 | 一种基于多源信息融合的滑坡时空信息监测预警方法 |
CN115019476B (zh) * | 2022-06-09 | 2023-10-10 | 贵州大学 | 一种基于多源信息融合的滑坡时空信息监测预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111667187B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111667187A (zh) | 基于多源遥感数据的公路滑坡危险性评价方法 | |
Ghorbanian et al. | Improved land cover map of Iran using Sentinel imagery within Google Earth Engine and a novel automatic workflow for land cover classification using migrated training samples | |
Foody et al. | Detection of partial land cover change associated with the migration of inter-class transitional zones | |
Gupta et al. | Analysis of impervious land-cover expansion using remote sensing and GIS: A case study of Sylhet sadar upazila | |
CN112465332A (zh) | 一种城市人工湿地公园生态地质环境稳定性的评价方法 | |
CN106485254A (zh) | 一种输电线路通道地表特征变化自动提取方法 | |
CN109657866A (zh) | 基于最大熵模型的地质灾害生态安全评价模型的构建方法 | |
CN115907574B (zh) | 一种流域性暴雨洪涝承灾体重置成本遥感模拟方法 | |
Khoshnoodmotlagh et al. | Urban morphology detection and it's linking with land surface temperature: A case study for Tehran Metropolis, Iran | |
Timilsina et al. | Distribution probability of large-scale landslides in central Nepal | |
Diep et al. | Assessment on controlling factors of urbanization possibility in a newly developing city of the Vietnamese Mekong delta using logistic regression analysis | |
Morakinyo et al. | Mapping of land cover and estimation of their emissivity values for gas flaring sites in the Niger Delta | |
Rahman | A study on determining land use/land cover changes in dhaka over the last 20 years and observing the impact of population growth on land use/land cover using remote sensing | |
Anchan et al. | Land use and land cover change detection through spatial approach: A case study of Mangaluru Taluk, Karnataka | |
Imam et al. | Remote sensing efficiency for urban analysis of Mecca and surrounds | |
CN110287915B (zh) | 一种基于Landsat遥感影像的城市不透水层提取方法 | |
CN113537793A (zh) | 一种流域生态水文分区的方法 | |
Chimi et al. | Assessment of Land Use/Cover Change and Urban Expansion Using Remote Sensing and GIS: A Case Study in Phuentsholing Municipality, Chukha, Bhutan | |
Mitra et al. | Monitoring urban expansion and land use/land cover changes of Agartala City, Tripura, India | |
Teerarojanarat | Remotely-Sensed Derived Built-up Area as an Alternative Indicator in the Study of Thailand's Regional Development. | |
Subhashini et al. | Artificial intelligence–based intelligent geospatial analysis in disaster management | |
Ahmad et al. | Evaluating changes in land use land cover using remote sensing satellite data and GIS (a case study in Patna municipal corporation area) Patna, Bihar | |
Li et al. | Gully erosion susceptibility maps and influence factor analysis in the Lhasa River Basin on the Tibetan Plateau, based on machine learning algorithms | |
Fauzi et al. | The Effect Of Land Cover Changes On Landslides In Grindulu Watershed, Pacitan Regency, East Java | |
DEMİR et al. | Analysis Temporal Land Use/Land Cover Change Based on Landscape Pattern and Dynamic Metrics in Protected Mary Valley, Trabzon from 1987 to 2015 |
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 |