CN112507823B - 森林火灾特殊危险地形识别方法及装置 - Google Patents

森林火灾特殊危险地形识别方法及装置 Download PDF

Info

Publication number
CN112507823B
CN112507823B CN202011360129.5A CN202011360129A CN112507823B CN 112507823 B CN112507823 B CN 112507823B CN 202011360129 A CN202011360129 A CN 202011360129A CN 112507823 B CN112507823 B CN 112507823B
Authority
CN
China
Prior art keywords
dem data
original dem
original
terrain
target area
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
CN202011360129.5A
Other languages
English (en)
Other versions
CN112507823A (zh
Inventor
陈涛
苏国锋
孙占辉
张立凡
冯智莉
刘鑫
李志鹏
李政
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.)
Tsinghua University
Beijing Global Safety Technology Co Ltd
Original Assignee
Tsinghua University
Beijing Global Safety Technology Co Ltd
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 Tsinghua University, Beijing Global Safety Technology Co Ltd filed Critical Tsinghua University
Priority to CN202011360129.5A priority Critical patent/CN112507823B/zh
Publication of CN112507823A publication Critical patent/CN112507823A/zh
Priority to US18/254,564 priority patent/US20230342962A1/en
Priority to PCT/CN2021/113333 priority patent/WO2022110920A1/zh
Application granted granted Critical
Publication of CN112507823B publication Critical patent/CN112507823B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/564—Depth or shape recovery from multiple images from contours
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
    • G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Multimedia (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Remote Sensing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Emergency Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Astronomy & Astrophysics (AREA)
  • Agronomy & Crop Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Alarm Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种森林火灾特殊危险地形识别方法及装置，其中，方法包括：获取目标区域中山谷的原始DEM数据和山脊的反原始DEM数据；根据原始DEM数据和/或反原始DEM数据提取目标区域的预设范围内的高程差与轮廓线的一阶导数；基于高程差与轮廓线的一阶导数计算目标区域的危险程度值，其中，在危险程度值大于预设阈值时，判定目标区域为两山夹一谷或者窄山脊的危险地形。本申请实施例可以准确识别两山夹一谷或者窄山脊的危险地形，提高危险地形识别的可靠性和准确性，使得扑救人员可以有效规避危险地形，提高安全系数，保证人生安全。

Description

森林火灾特殊危险地形识别方法及装置
技术领域
本申请涉及数字地形分析技术领域，特别涉及一种森林火灾特殊危险地形识别方法及装置。
背景技术
相关技术中，利用数字地形分析的技术对地形地貌进行研究，从而综合分析地形对林火行为的影响以及对林火扑救人员人身安全的威胁，确定危险地形，使得发生森林火灾后，使得扑救人员可以规避危险地形，提高安全系数，保证人生安全。
然而，山形地貌本身不具备危险性，有的地形只有在发生森林火灾后，且扑救深入山林进行火灾扑救工作后，才会存在一些特殊地形影响人身安全，尤其是中间又穿插涉及到热力学的内容，导致相关技术中针对森林火灾场景下的人文地理研究极少，危险地形识别的可靠性和准确性均较低，无法有效保证扑救人员的人生安全。
申请内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一目的在于提出一种森林火灾特殊危险地形识别方法，该方法提高危险地形识别的可靠性和准确性，使得扑救人员可以有效规避危险地形，提高安全系数，保证人生安全。
本发明的第二个目的在于提出一种森林火灾特殊危险地形识别装置。
本发明的第三个目的在于提出一种电子设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
为达到上述目的，本申请第一方面实施例提供一种森林火灾特殊危险地形识别方法，包括以下步骤：获取目标区域中山谷的原始DEM(Digital Elevation Model，数字高程模型)数据和山脊的反原始DEM数据；根据所述原始DEM数据和/或反原始DEM数据提取所述目标区域的预设范围内的高程差与轮廓线的一阶导数；基于所述高程差与轮廓线的一阶导数计算所述目标区域的危险程度值，其中，在所述危险程度值大于预设阈值时，判定所述目标区域为两山夹一谷或者窄山脊的危险地形。
根据本申请实施例的森林火灾特殊危险地形识别方法，通过目标区域的一定范围内的高程差与轮廓线的一阶导数计算目标区域的危险程度值，从而根据危险程度值识别出两山夹一谷或者窄山脊的危险地形，达到准确识别危险地形的目的，提高危险地形识别的可靠性和准确性，使得扑救人员可以有效规避危险地形，提高安全系数，保证人生安全。
另外，根据本发明上述实施例的森林火灾特殊危险地形识别方法还可以具有以下附加的技术特征：
可选地，在本申请的一个实施例中，所述获取目标区域中山谷的原始DEM数据和山脊的反原始DEM数据，进一步包括：基于预设半径进行搜索，得到所述原始DEM数据；和/或对所述原始DEM数据进行反地形处理，得到所述反原始DEM数据。
可选地，在本申请的一个实施例中，所述根据所述原始DEM数据和/或反原始DEM数据提取所述目标区域的预设范围内的高程差与轮廓线的一阶导数，包括：读取所述原始DEM数据和/或反原始DEM数据，并建立平面直角坐标系，以确定每个栅格的位置；基于预所述预设范围，从原始DEM数据和/或反原始DEM数据中提取正方形计算区域，提取任一栅格的多条高程数据，得到所述高程差；对所述多条高程数据进行线性拟合，提取多个轮廓特征，根据所述多个轮廓特征计算截面曲线的一阶导数。
可选地，在本申请的一个实施例中，所述每个栅格的危险程度值的计算公式为：
Figure BDA0002803727030000021
其中，Dnorm为无量纲危险程度，D为栅格原始危险程度值，Dmin为所有栅格中的危险程度最小值，Dmax为所有栅格中的危险程度最大值。
为达到上述目的，本申请第二方面实施例提供一种森林火灾特殊危险地形识别装置，包括：获取模块，用于获取目标区域中山谷的原始DEM数据和山脊的反原始DEM数据；提取模块，用于根据所述原始DEM数据和/或反原始DEM数据提取所述目标区域的预设范围内的高程差与轮廓线的一阶导数；识别模块，用于基于所述高程差与轮廓线的一阶导数计算所述目标区域的危险程度值，其中，在所述危险程度值大于预设阈值时，判定所述目标区域为两山夹一谷或者窄山脊的危险地形。
根据本申请实施例的森林火灾特殊危险地形识别装置，通过目标区域的一定范围内的高程差与轮廓线的一阶导数计算目标区域的危险程度值，从而根据危险程度值识别出两山夹一谷或者窄山脊的危险地形，达到准确识别危险地形的目的，提高危险地形识别的可靠性和准确性，使得扑救人员可以有效规避危险地形，提高安全系数，保证人生安全。
另外，根据本发明上述实施例的森林火灾特殊危险地形识别装置还可以具有以下附加的技术特征：
可选地，在本申请的一个实施例中，所述获取模块进一步用于基于预设半径进行搜索，得到所述原始DEM数据，和/或对所述原始DEM数据进行反地形处理，得到所述反原始DEM数据。
可选地，在本申请的一个实施例中，所述提取模块包括：获取单元，用于读取所述原始DEM数据和/或反原始DEM数据，并建立平面直角坐标系，以确定每个栅格的位置；第一计算单元，用于基于预所述预设范围，从原始DEM数据和/或反原始DEM数据中提取正方形计算区域，提取任一栅格的多条高程数据，得到所述高程差；第二计算单元，用于对所述多条高程数据进行线性拟合，提取多个轮廓特征，根据所述多个轮廓特征计算截面曲线的一阶导数。
可选地，在本申请的一个实施例中，所述每个栅格的危险程度值的计算公式为：
Figure BDA0002803727030000031
其中，Dnorm为无量纲危险程度，D为栅格原始危险程度值，Dmin为所有栅格中的危险程度最小值，Dmax为所有栅格中的危险程度最大值。
为达到上述目的，本申请第三方面实施例提供一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行如上述实施例所述的森林火灾特殊危险地形识别方法。
为达到上述目的，本申请第四方面实施例提供一种非临时性计算机可读存储介质，所述非临时性计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例所述的森林火灾特殊危险地形识别方法。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种森林火灾特殊危险地形识别方法的流程图；
图2为根据本申请一个具体实施例的森林火灾特殊危险地形识别方法的流程图；
图3为根据本申请一个实施例的截面高程数据提取示意图；
图4为根据本申请一个实施例的截面轮廓拟合的结果示意图；
图5为根据本申请一个实施例的山谷深度H(90°截面)的示意图；
图6为根据相关技术中分析出的山谷线示意图；
图7为根据本申请一个实施例的两山夹一谷识别前后对比示意图；
图8为根据本申请一个实施例的山脊示意图；
图9为根据相关技术中分析的山脊示意图；
图10为根据本申请一个实施例的窄山脊识别的效果示意图；
图11为根据本申请实施例提供的一种森林火灾特殊危险地形识别装置的方框示意图；
图12为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参照附图描述根据本发明实施例提出的森林火灾特殊危险地形识别方法及装置，首先将参照附图描述根据本发明实施例提出的森林火灾特殊危险地形识别方法。
具体而言，图1为本申请实施例所提供的一种森林火灾特殊危险地形识别方法的流程示意图。
如图1所示，该森林火灾特殊危险地形识别方法包括以下步骤：
在步骤S101中，获取目标区域中山谷的原始DEM数据和山脊的反原始DEM数据。
可以理解的是，本申请实施例首先根据原始地形高程数据计算与原地形完全相反的反地形高程变化图，其中，原始DEM用于两山夹一谷的危险地形的识别，反DEM用于窄山脊的危险地形的识别，下面会进行举例说明。
可选地，在本申请的一个实施例中，获取目标区域中山谷的原始DEM数据和山脊的反原始DEM数据，进一步包括：基于预设半径进行搜索，得到原始DEM数据；和/或对原始DEM数据进行反地形处理，得到反原始DEM数据。
本领域技术人员应该理解到的是，两山夹一谷容易造成伤亡在地形上的本质原因是两山距离近且陡峭，在火灾的影响下山谷内风向容易发生突变，使救灾人员无法判断火灾蔓延趋势，而窄山脊的识别与两山夹一谷类似，将原始DEM进行反地形处理后，原地形中的窄山脊识别即可转换为反地形中两山夹一谷的识别，因此识别窄山脊时只需要将反地形带入模型进行计算即可。因此，为方便说明，在后续实施例中，以两山夹一谷的危险地形进行具体举例说明。
在步骤S102中，根据原始DEM数据和/或反原始DEM数据提取目标区域的预设范围内的高程差与轮廓线的一阶导数。
作为一种可能实现的方式，本申请实施例可以用山谷两侧一定范围内的高程差以及山谷轮廓线的一阶导数来衡量该段山谷是否被陡峭且近距离的山峰相夹，并用危险程度值加以量化，越陡峭且越窄的山谷，其危险程度值越高。
可选地，在本申请的一个实施例中，根据原始DEM数据和/或反原始DEM数据提取目标区域的预设范围内的高程差与轮廓线的一阶导数，包括：读取原始DEM数据和/或反原始DEM数据，并建立平面直角坐标系，以确定每个栅格的位置；基于预预设范围，从原始DEM数据和/或反原始DEM数据中提取正方形计算区域，提取任一栅格的多条高程数据，得到高程差；对多条高程数据进行线性拟合，提取多个轮廓特征，根据多个轮廓特征计算截面曲线的一阶导数。
在实际执行过程中，如图2所示，本申请实施例包括：
步骤S1：读取DEM数据，建立平面直角坐标系，用坐标(x,y)表示每一个栅格在DEM中的位置；
步骤S2：选取DEM中的一个栅格作为待计算栅格，本申请实施例中以栅格(a,b)为例说明计算步骤；
步骤S3：选取合适的搜索半径R，其中R表示向四周搜索的栅格数量，以栅格(a,b)为中心，从DEM中提取一个边长为2R+1的正方形计算区域，后续步骤均基于该区域内的数据进行计算，如以R＝10为例；
步骤S4：在正方形计算区域中，提取过栅格(a,b)且与水平方向分别成0°,45°,90°和135°的四条高程数据，如图3所示，用以储存栅格(a,b)在实际地形中四个截面上的高程数据；
步骤S5：选择具有一维自然边界条件的三次样条函数分别对上一步提取的四条高程数据进行拟合，获得栅格(a,b)四个截面的函数表达式，绘制出函数图像即可直观反映四个截面的轮廓，其中x＝0对应栅格(a,b)，如图4所示；
步骤S6：函数中x＝0对应的点即为栅格(a,b)，将其记为O点，分别寻找O点左右两侧的最大值，记为A、B，并取其中最小值作为栅格(a,b)的山谷深度H，若最小值为负数，则将其设置为0，以90°截面对应的函数为例说明计算过程，如图5所示，该截面H＝△HAO；
步骤S7：计算函数在AB段之间一阶导数的均值S，用于反映O点处的陡峭程度，由于O点左侧处于上坡时函数的一阶导数为负，因此在计算时AO段的导数需要取相反数，计算公式如式1所示：
Figure BDA0002803727030000051
在步骤S103中，基于高程差与轮廓线的一阶导数计算目标区域的危险程度值，其中，在危险程度值大于预设阈值时，判定目标区域为两山夹一谷或者窄山脊的危险地形。
可选地，在本申请的一个实施例中，每个栅格的危险程度值的计算公式为：
Figure BDA0002803727030000061
其中，Dnorm为无量纲危险程度，D为栅格原始危险程度值，Dmin为所有栅格中的危险程度最小值，Dmax为所有栅格中的危险程度最大值。
基于其他相关实施例的说明可以理解到的是，本申请实施例还包括：
步骤S8：根据四个截面的山谷深度H和一阶导数均值S，分别计算栅格(a,b)四个截面的危险程度D，计算公式如式2所示：
D＝H·S， (式2)
由式2计算出四个截面的危险程度值后，取其中最大值作为栅格(a,b)的危险程度值；
步骤S9：重复步骤S4～步骤S8，计算出区域内所有栅格的危险程度值；
步骤S10：将区域内所有栅格的危险程度值无量纲化，并将其大小缩放到[0,1000]范围内，计算公式如式3所示：
Figure BDA0002803727030000062
式中：Dnorm表示无量纲危险程度；D表示栅格原始危险程度值；Dmin表示所有栅格中的危险程度最小值；Dmax表示所有栅格中的危险程度最大值。
综上，本申请实施例为能实现自动识别森林火灾危险地形的效果，首先将危险地形明确为：两山夹一谷和窄山脊这两种危险地形，其次以栅格分析法为基本方法，结合DEM(数字高程模型)，并通过提取山谷截面轮廓、轮廓曲线拟合、函数最值分析和一阶导数分析等综合分析山谷形态特征达到自动识别上述危险地形的效果。
具体而言，本申请实施例通过对大量历史林火扑救案例进行复盘以及相关经验学习，分析研究出人员伤亡的高发地带，并通过从热辐射热传播等角度深入剖析林火在相应地形中存在危险性的原理，综合分析出影响人身安全的地形，与传统的数字地形分析在地貌学的应用相区别。
(一)两山夹一谷
两山夹一谷这种特殊地形甚少在林火扑救以外的场合中提及。其危险性主要在于风在穿越两山之间时风速会增加，且两侧风速变化易产生乱流；其次，沟谷通常可燃物蓄积量大，两侧山坡在坡度影响下水分流失更容易形成危险的上山火。上山火蔓延速度极快，且一侧山坡着火后会炙烤对面山坡，使得对面山坡更加易燃。在这样的条件下，两山夹一谷的环境下极易发生“爆燃”、“轰燃”、“飞火”等现象，且特殊环境下人员逃生路线单一又容易发生堵塞，是十分危险的林火扑救地段。因此识别两山夹一谷地带不仅仅需要识别山谷两侧是否有山脊相夹，还需要判断两侧山脊距离是否足够近和足够陡。
目前鲜有对“两山夹一谷”地形识别的技术，大多数地形识别的方法主要针对山谷线和山脊线，从DEM中尽可能准确地提取出所有山脊和山谷，如图6所示。
从图6可以得出，相关技术的地形提取方法获得的结果与实际地形基本相似，能够较为准确地识别区域内的山谷线。但是在林火扑救过程中，并非所有山谷都具有危险性，通过传统的地形识别方法得到的山谷线较多，并且识别出的大部分山谷在实际救灾过程中危险性不高，因此仅依靠传统地形识别方法不能很好地为救灾人员提供直观准确地危险区域预警信息。
当山谷两侧山坡的坡度较大、距离较近时，其在森林火灾中的危险性也较大。因此，本申请实施例对历史林火扑救案例进行大量复盘研究后，提出了自动识别“两山夹一谷”这种危险地带的技术方案，能够利用区域DEM数据准确计算出各个区域的危险程度，从而筛选出危险程度较高的山谷。
根据搜索半径从DEM中获得以待计算栅格为中心的正方形计算区域，在该区域中提取待计算栅格四个方向上的截面高程数据，通过曲线拟合、函数极值分析和函数一阶导数分析等数学方法得到待计算栅格的危险程度值，将危险程度值以不同颜色表示，直观反映出区域内两山夹一谷区域的危险程度。该方法的识别效果如图7-(b)所示，其中颜色较深区域表示危险程度较高的地点，颜色较浅区域表示相对安全的地点，对比图7-(a)和图7-(b)可以看出，DEM中狭窄且两侧山坡陡峭的山谷被识别为颜色较重的危险区域，符合两山夹一谷的判断要求。
另外，从图7-(a)中可以看出，山谷区比较凌乱，其中有的山谷比较宽阔，有的则是山谷的两侧的山坡比较缓，在林火发生后不太容易出现一山着火后炙烤相邻山坡的情况，这样的谷段均不属于“两山夹一谷”这种危险谷段。图7-(b)中颜色较重区域是经过分析后自动提取出的危险谷段，与7-(a)相比基本已经排除了宽阔山谷和两侧山坡较为平缓的山谷。
(二)窄山脊
窄山脊的危险性主要有两点：一是因为窄山脊是山脉走势种的凸棱部分，容易产生热传导和热辐射，热量蓄积导致温度高，且山脊处风向变化导致林火瞬息万变且难以预测，导致此处极易发生人员伤亡；二是因为人员翻越山脊以及林火蔓延特性的原因，当山体坡度较缓时，即使山脊宽度相对较窄，坡对林火蔓延的影响小，这样的山脊对人员的威胁性也较小。如图8所示，其中图8-(a)和图8-(b)所示的两种山脊是危险程度值较低的山脊，具体原因可见上面的分析。
常见的山脊分析方法有基于地表表面形态的方法、基于图像处理的方法、基于三角网格的方法和基于水流分析的方法。上述方法虽然可以分析出山脊线，但是无法直接用于林火扑救的工作中。例如，当山脊的宽度较宽时，风会相对平滑的越过山脊，在一定程度上会带走热量，且风向相对固定，这样的宽阔山脊不会造成人员伤亡；当山体坡度小时，山体对风速风向影响不大，产生涡流的可能性较小，扑救人员翻越山脊也相对容易，这样的山脊不属于林火扑救中的危险地形。因此上述方法中分析出的有的是没有宽度的山脊线，有的虽然分析出的山脊有宽度，但最终结果是山脊全集，如图9所示。
因此，本申请实施例针对这种特定场景下的窄山脊识别，分析了识别出的山脊高差以及山脊两侧的坡度变化，筛选出在林火扑救过程中容易造成人员伤亡的危险窄山脊，该方法的基本原理与山谷提取类似，区别在于计算之前需要对原DEM进行反地形处理，其识别效果如图10所示。
根据本申请实施例的森林火灾特殊危险地形识别方法，通过目标区域的一定范围内的高程差与轮廓线的一阶导数计算目标区域的危险程度值，从而根据危险程度值识别出两山夹一谷或者窄山脊的危险地形，达到准确识别危险地形的目的，提高危险地形识别的可靠性和准确性，使得扑救人员可以有效规避危险地形，提高安全系数，保证人生安全。
其次参照附图描述根据本申请实施例提出的森林火灾特殊危险地形识别装置。
图11是本申请实施例的森林火灾特殊危险地形识别装置的方框示意图。
如图11所示，该森林火灾特殊危险地形识别装置10包括：获取模块100、提取模块200和识别模块300。
具体地，获取模块100，用于获取目标区域中山谷的原始DEM数据和山脊的反原始DEM数据。
提取模块200，用于根据原始DEM数据和/或反原始DEM数据提取目标区域的预设范围内的高程差与轮廓线的一阶导数。
识别模块300，用于基于高程差与轮廓线的一阶导数计算目标区域的危险程度值，其中，在危险程度值大于预设阈值时，判定目标区域为两山夹一谷或者窄山脊的危险地形。
可选地，在本申请的一个实施例中，获取模块100进一步用于基于预设半径进行搜索，得到原始DEM数据，和/或对原始DEM数据进行反地形处理，得到反原始DEM数据。
可选地，在本申请的一个实施例中，提取模块200包括：获取单元、第一计算单元和第二计算单元。
其中，获取单元，用于读取原始DEM数据和/或反原始DEM数据，并建立平面直角坐标系，以确定每个栅格的位置。
第一计算单元，用于基于预预设范围，从原始DEM数据和/或反原始DEM数据中提取正方形计算区域，提取任一栅格的多条高程数据，得到高程差。
第二计算单元，用于对多条高程数据进行线性拟合，提取多个轮廓特征，根据多个轮廓特征计算截面曲线的一阶导数。
可选地，在本申请的一个实施例中，每个栅格的危险程度值的计算公式为：
Figure BDA0002803727030000091
其中，Dnorm为无量纲危险程度，D为栅格原始危险程度值，Dmin为所有栅格中的危险程度最小值，Dmax为所有栅格中的危险程度最大值。
需要说明的是，前述对森林火灾特殊危险地形识别方法实施例的解释说明也适用于该实施例的森林火灾特殊危险地形识别装置，此处不再赘述。
根据本申请实施例的森林火灾特殊危险地形识别装置，通过目标区域的一定范围内的高程差与轮廓线的一阶导数计算目标区域的危险程度值，从而根据危险程度值识别出两山夹一谷或者窄山脊的危险地形，达到准确识别危险地形的目的，提高危险地形识别的可靠性和准确性，使得扑救人员可以有效规避危险地形，提高安全系数，保证人生安全。
图12为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器1201、处理器1202及存储在存储器1201上并可在处理器1202上运行的计算机程序。
处理器1202执行程序时实现上述实施例中提供的森林火灾特殊危险地形识别方法。
进一步地，电子设备还包括：
通信接口1203，用于存储器1201和处理器1202之间的通信。
存储器1201，用于存放可在处理器1202上运行的计算机程序。
存储器1201可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器1201、处理器1202和通信接口1203独立实现，则通信接口1203、存储器1201和处理器1202可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图12中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器1201、处理器1202及通信接口1203，集成在一块芯片上实现，则存储器1201、处理器1202及通信接口1203可以通过内部接口完成相互间的通信。
处理器1202可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上的森林火灾特殊危险地形识别方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种森林火灾特殊危险地形识别方法，其特征在于，包括以下步骤：
获取目标区域中山谷的原始DEM数据和山脊的反原始DEM数据；
根据所述原始DEM数据和/或反原始DEM数据提取所述目标区域的预设范围内的高程差与轮廓线的一阶导数；以及
基于所述高程差与轮廓线的一阶导数计算所述目标区域的危险程度值，其中，在所述危险程度值大于预设阈值时，判定所述目标区域为两山夹一谷或者窄山脊的危险地形；
所述根据所述原始DEM数据和/或反原始DEM数据提取所述目标区域的预设范围内的高程差与轮廓线的一阶导数，包括：
读取所述原始DEM数据和/或反原始DEM数据，并建立平面直角坐标系，以确定每个栅格的位置；
基于预所述预设范围，从原始DEM数据和/或反原始DEM数据中提取正方形计算区域，提取任一栅格的多条高程数据，得到所述高程差；
对所述多条高程数据进行线性拟合，提取多个轮廓特征，根据所述多个轮廓特征计算截面曲线的一阶导数；
所述每个栅格的危险程度值的计算公式为：
Figure FDA0003694380560000011
其中，Dnorm为无量纲危险程度，D为栅格原始危险程度值，Dmin为所有栅格中的危险程度最小值，Dmax为所有栅格中的危险程度最大值。
2.根据权利要求1所述的方法，其特征在于，所述获取目标区域中山谷的原始DEM数据和山脊的反原始DEM数据，进一步包括：
基于预设半径进行搜索，得到所述原始DEM数据；和/或
对所述原始DEM数据进行反地形处理，得到所述反原始DEM数据。
3.一种森林火灾特殊危险地形识别装置，其特征在于，包括：
获取模块，用于获取目标区域中山谷的原始DEM数据和山脊的反原始DEM数据；
提取模块，用于根据所述原始DEM数据和/或反原始DEM数据提取所述目标区域的预设范围内的高程差与轮廓线的一阶导数；以及
识别模块，用于基于所述高程差与轮廓线的一阶导数计算所述目标区域的危险程度值，其中，在所述危险程度值大于预设阈值时，判定所述目标区域为两山夹一谷或者窄山脊的危险地形；
所述提取模块包括：
获取单元，用于读取所述原始DEM数据和/或反原始DEM数据，并建立平面直角坐标系，以确定每个栅格的位置；
第一计算单元，用于基于预所述预设范围，从原始DEM数据和/或反原始DEM数据中提取正方形计算区域，提取任一栅格的多条高程数据，得到所述高程差；
第二计算单元，用于对所述多条高程数据进行线性拟合，提取多个轮廓特征，根据所述多个轮廓特征计算截面曲线的一阶导数；
所述每个栅格的危险程度值的计算公式为：
Figure FDA0003694380560000021
其中，Dnorm为无量纲危险程度，D为栅格原始危险程度值，Dmin为所有栅格中的危险程度最小值，Dmax为所有栅格中的危险程度最大值。
4.根据权利要求3所述的装置，其特征在于，所述获取模块进一步用于基于预设半径进行搜索，得到所述原始DEM数据，和/或对所述原始DEM数据进行反地形处理，得到所述反原始DEM数据。
5.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-2任一项所述的森林火灾特殊危险地形识别方法。
6.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-2任一项所述的森林火灾特殊危险地形识别方法。
CN202011360129.5A 2020-11-27 2020-11-27 森林火灾特殊危险地形识别方法及装置 Active CN112507823B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011360129.5A CN112507823B (zh) 2020-11-27 2020-11-27 森林火灾特殊危险地形识别方法及装置
US18/254,564 US20230342962A1 (en) 2020-11-27 2021-08-18 Special dangerous terrain recognition method and apparatus for forest fire
PCT/CN2021/113333 WO2022110920A1 (zh) 2020-11-27 2021-08-18 森林火灾特殊危险地形识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011360129.5A CN112507823B (zh) 2020-11-27 2020-11-27 森林火灾特殊危险地形识别方法及装置

Publications (2)

Publication Number Publication Date
CN112507823A CN112507823A (zh) 2021-03-16
CN112507823B true CN112507823B (zh) 2022-08-02

Family

ID=74967319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011360129.5A Active CN112507823B (zh) 2020-11-27 2020-11-27 森林火灾特殊危险地形识别方法及装置

Country Status (3)

Country Link
US (1) US20230342962A1 (zh)
CN (1) CN112507823B (zh)
WO (1) WO2022110920A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507823B (zh) * 2020-11-27 2022-08-02 清华大学 森林火灾特殊危险地形识别方法及装置
CN113592022B (zh) * 2021-08-11 2022-07-05 中国科学院空天信息创新研究院 一种考虑植被类型的森林火灾危险地形识别方法
CN114037723B (zh) * 2022-01-07 2022-03-29 成都国星宇航科技有限公司 基于dem数据提取山顶点的方法、装置及存储介质
CN115439753B (zh) * 2022-10-12 2023-06-06 重庆市地理信息和遥感应用中心 一种基于dem的陡峭河岸识别方法及系统
CN117671168A (zh) * 2023-10-20 2024-03-08 湖南防灾科技有限公司 一种地形聚合方法、装置、设备及存储介质
CN117764317A (zh) * 2023-11-23 2024-03-26 南京南瑞水利水电科技有限公司 一种考虑环境灾害的水电站安全运行预测方法及系统
CN117291915B (zh) * 2023-11-24 2024-05-10 云南大学 一种大尺度复杂地形山系范围的确定方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177258A (zh) * 2013-03-29 2013-06-26 河南理工大学 一种根据矢量等高线数据自动提取地性线的方法
US8655595B1 (en) * 2006-10-17 2014-02-18 Corelogic Solutions, Llc Systems and methods for quantifying flood risk

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US1959702A (en) * 1930-04-22 1934-05-22 George A Barker Apparatus for detecting forest fires
US7596242B2 (en) * 1995-06-07 2009-09-29 Automotive Technologies International, Inc. Image processing for vehicular applications
US7738678B2 (en) * 1995-06-07 2010-06-15 Automotive Technologies International, Inc. Light modulation techniques for imaging objects in or around a vehicle
US6281970B1 (en) * 1998-03-12 2001-08-28 Synergistix Llc Airborne IR fire surveillance system providing firespot geopositioning
US7239990B2 (en) * 2003-02-20 2007-07-03 Robert Struijs Method for the numerical simulation of a physical phenomenon with a preferential direction
US20150134564A1 (en) * 2013-11-12 2015-05-14 Bank Of America Corporation Predicting economic conditions
JP2016001170A (ja) * 2014-05-19 2016-01-07 株式会社リコー 処理装置、処理プログラム、及び、処理方法
CN109840447A (zh) * 2017-11-24 2019-06-04 中国人民解放军装备学院 一种基于双tpi参数的地形特征点提取方法
CN111340012B (zh) * 2020-05-19 2020-09-15 北京数字绿土科技有限公司 一种地质灾害解译方法、装置、终端设备
CN111932567B (zh) * 2020-07-30 2022-09-06 中国科学院空天信息创新研究院 基于卫星影像的冰湖轮廓自动提取方法
CN112507823B (zh) * 2020-11-27 2022-08-02 清华大学 森林火灾特殊危险地形识别方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8655595B1 (en) * 2006-10-17 2014-02-18 Corelogic Solutions, Llc Systems and methods for quantifying flood risk
CN103177258A (zh) * 2013-03-29 2013-06-26 河南理工大学 一种根据矢量等高线数据自动提取地性线的方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Analysis on the Coupling Experimental Environment of Rain and Snow Disaster;Chen Tao et al.;《 2020 5th International Conference on Smart Grid and Electrical Automation》;20200614;全文 *
Research on emergency decision-making information mining based on existing "obstacle" between geographic entities in spatial topological relations;Haiguo Zhu et al.;《The 2nd International Conference on Information Science and Engineering》;20101206;全文 *
Study on fire-rescue command system and key technology of ultra high-rise building;Jianguo Chen et al.;《2012 5th International Congress on Image and Signal Processing》;20121018;全文 *
基于DEM的山洪灾害风险区划分研究;许小华等;《中国农村水利水电》;20151015(第10期);全文 *
数字高程模型(DEM)建模的分辨率对浅层滑坡灾害及土壤再分布的影响;张平伟;《中小企业管理与科技(下旬刊)》;20130425(第04期);全文 *
斜坡单元支持下区域泥石流危险性AHP-RBF评价模型;黄启乐等;《浙江大学学报(工学版)》;20180906(第09期);全文 *
林火扑救危险地带自动识别与提取方法研究;连人豪等;《林业与环境科学》;20171020(第05期);全文 *

Also Published As

Publication number Publication date
CN112507823A (zh) 2021-03-16
WO2022110920A1 (zh) 2022-06-02
US20230342962A1 (en) 2023-10-26

Similar Documents

Publication Publication Date Title
CN112507823B (zh) 森林火灾特殊危险地形识别方法及装置
Koreň et al. Accuracy of tree diameter estimation from terrestrial laser scanning by circle-fitting methods
Hamraz et al. A robust approach for tree segmentation in deciduous forests using small-footprint airborne LiDAR data
Reid et al. A semi-automated methodology for discontinuity trace detection in digital images of rock mass exposures
EP2207010B1 (en) House change judgment method and house change judgment program
EP2759981A1 (en) Wrinkle detection method, wrinkle detection device and wrinkle detection program, as well as wrinkle evaluation method, wrinkle evaluation device and wrinkle evaluation program
Xu et al. Individual tree crown detection from high spatial resolution imagery using a revised local maximum filtering
US9443129B2 (en) Methods and apparatus for image analysis using threshold compactness features
Xi et al. Evaluation of dimensionality reduction methods for individual tree crown delineation using instance segmentation network and UAV multispectral imagery in urban forest
CN104867139B (zh) 一种基于辐射场的遥感图像云及阴影检测方法
Maillard et al. Detection and counting of orchard trees from vhr images using a geometrical-optical model and marked template matching
JP5212212B2 (ja) 通路検出プログラム、通路検出装置及び方法
Fazelpour et al. Infrared image analysis for estimation of ice load on structures
Collumeau et al. Fire scene segmentations for forest fire characterization: A comparative study
JP6544763B2 (ja) 対象物検出装置及びプログラム
JP7126316B2 (ja) 家屋異動推定装置及びプログラム
JP6516384B2 (ja) 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム
Masinde et al. Estimation of the degree of surface sealing with Sentinel 2 data using building indices
Furtună et al. Change detection in the Cluj Forest District using remote sensing and GIS application.
EP2776974B1 (en) Methods and apparatus for image analysis using threshold compactness features
JP6207967B2 (ja) 林相解析装置、林相解析方法及びプログラム
KR101032581B1 (ko) 유해영상 자동 판별 방법
JP6618438B2 (ja) 前景領域抽出装置、方法、及びプログラム
Schwalbe et al. Profile based sub-pixel-classification of hemispherical images for solar radiation analysis in forest ecosystems
Brovkina et al. Estimating average tree crown size using high-resolution airborne data

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