CN112836590A - 洪涝灾害监测方法、装置、电子设备及存储介质 - Google Patents

洪涝灾害监测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112836590A
CN112836590A CN202110043983.7A CN202110043983A CN112836590A CN 112836590 A CN112836590 A CN 112836590A CN 202110043983 A CN202110043983 A CN 202110043983A CN 112836590 A CN112836590 A CN 112836590A
Authority
CN
China
Prior art keywords
area
dynamic information
target
disaster
water body
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
Application number
CN202110043983.7A
Other languages
English (en)
Other versions
CN112836590B (zh
Inventor
王二丽
朱文忠
刘小芳
候亚妮
陈文龙
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.)
Sichuan University of Science and Engineering
Original Assignee
Sichuan University of Science and Engineering
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 Sichuan University of Science and Engineering filed Critical Sichuan University of Science and Engineering
Priority to CN202110043983.7A priority Critical patent/CN112836590B/zh
Publication of CN112836590A publication Critical patent/CN112836590A/zh
Application granted granted Critical
Publication of CN112836590B publication Critical patent/CN112836590B/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
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Alarm Systems (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本申请公开了一种洪涝灾害监测方法、装置、电子设备及存储介质，涉及遥感影像处理技术领域。其中，该方法包括：获取目标区域在第二遥感图像相对于第一遥感图像新增水体的分布区域；获取网络平台中与目标区域的洪涝灾害相关的目标动态信息；根据所述目标动态信息相关的坐标位置，确定所述目标区域中水体的补充区域；结合所述水体的补充区域以及新增水体的分布区域，生成所述目标区域的洪涝灾害分布图，所述洪涝灾害分布图中包括洪涝灾害的受灾区域。

Description

洪涝灾害监测方法、装置、电子设备及存储介质
技术领域
本申请涉及遥感影像处理技术领域，更具体地，涉及一种洪涝灾害监测方法、装置、电子设备及存储介质。
背景技术
洪涝灾害严重影响人们生活、生产，卫星遥感监测覆盖范围广、时效性强，在洪涝灾害监测过程中发挥了重要作用。但是，通过遥感图像监测洪涝灾害，受限于遥感数据源，可能导致监测精度不够，无法充分获得要监测区域内的洪涝灾害影响程度。
发明内容
鉴于上述问题，本申请提出了一种洪涝灾害监测方法、装置、电子设备及存储介质，以改善上述问题。
第一方面，本申请实施例提供了一种洪涝灾害监测方法，所述方法包括：根据水体的波谱特征，获取目标区域在第二遥感图像相对于第一遥感图像新增水体的分布区域，所述第二遥感图像为第二时间拍摄的包括目标区域的遥感图像，所述第一遥感图像为第一时间拍摄的包括目标区域的遥感图像，所述第二时间在所述第一时间之后；获取网络平台中与目标区域的洪涝灾害相关的目标动态信息，所述目标动态信息在第一时间之后以及第二时间之前发布；根据所述目标动态信息相关的坐标位置，确定所述目标区域中水体的补充区域；结合所述水体的补充区域以及新增水体的分布区域，生成所述目标区域的洪涝灾害分布图，所述洪涝灾害分布图中包括洪涝灾害的受灾区域。
第二方面，本申请实施例提供了一种洪涝灾害监测装置，所述装置包括：第一分布区域获取模块，用于根据水体的波谱特征，获取目标区域在第二遥感图像相对于第一遥感图像新增水体的分布区域，所述第二遥感图像为第二时间拍摄的包括目标区域的遥感图像，所述第一遥感图像为第一时间拍摄的包括目标区域的遥感图像，所述第二时间在所述第一时间之后；动态信息获取模块，用于获取网络平台中与目标区域的洪涝灾害相关的目标动态信息，所述目标动态信息在第一时间之后以及第二时间之前发布；第二分布区域获取模块，用于根据所述目标动态信息相关的坐标位置，确定所述目标区域中水体的补充区域；受灾区域确定模块，用于结合所述水体的补充区域以及新增水体的分布区域，生成所述目标区域的洪涝灾害分布图，所述洪涝灾害分布图中包括洪涝灾害的受灾区域。
第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储器；一个或多个程序，其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序被所述处理器执行用于执行上述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序代码，所述程序代码可被处理器调用执行上述的方法。
本申请实施例提供的洪涝灾害监测方法、装置、电子设备及存储介质，根据水体的波谱特征，获取第二时间相对于第一时间新增水体的分布区域，再基于网络平台中关于目标区域内洪涝灾害的目标动态信息的相关坐标位置，确定水体的补充区域，用于在新增水体的基础上进行补充。从而根据水体的补充区域以及新增水体的分布区域，可以确定更完整的洪涝灾害分布图，更充分地展示目标区域内的洪涝灾害情况。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请一实施例提供的洪涝灾害监测方法的流程图。
图2示出了本申请实施例提供的洪涝灾害监测方法的部分步骤的流程图。
图3示出了本申请另一实施例提供的洪涝灾害监测方法的流程图。
图4示出了本申请实施例提供的洪涝灾害监测装置的功能模块图。
图5示出了本申请实施例提供的电子设备的结构框图。
图6是本申请实施例的用于保存或者携带实现根据本申请实施例的方法的程序代码的存储单元。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
洪涝灾害严重影响人们生活、生产，卫星遥感监测覆盖范围广、时效性强，在洪涝灾害评估过程中发挥了重要作用。基于遥感等技术，通过遥感图像监测洪涝灾害的方式受限于遥感数据源。遥感数据源的空间分辨率越高，获得的遥感图像的精确度越高，遥感图像中可以越精确地表现水体的存在，从而可以越精确地监测洪涝灾害。但是，部分光学遥感数据影像尽管空间分辨率高，但价格昂贵、光谱信息少，且对于多云雾的地区，如四川盆地数据采集存在一定的难度，重访周期长动态监测存在一定困难。而对于中、低分辨率的遥感数据，监测精度较低，只能在大范围区域发挥优势，难于满足特定区域的精度要求。
发明人通过研究发现，面对洪涝灾害，普通人在各类社交平台上发布与洪涝灾害相关的动态，如在微博、知乎、豆瓣等网络社交平台发布动态，表达自己对发生洪涝灾害之地的灾害的观点，对洪涝灾害的关注度更高。因此，网络社交平台中的各种动态信息形成的网络舆情数据(如微博数据)中，包含了大量的洪涝灾害信息，且比气象或其他监测结果更为直观真实，据此可以辅助遥感监测结果，进一步提高对灾害的评估精度。
因此，发明人提出了本申请实施例提供的洪涝灾害监测方法、装置、电子设备及存储介质，在遥感图像确定的受灾区域的基础上，可以充分结合网络舆情数据，更为精细地刻画洪涝灾害的分布。对于分辨率较低的遥感数据，可以有效弥补精度不高的问题。
下面将通过具体实施例对本申请实施例提供的洪涝灾害监测方法、装置、电子设备及存储介质进行详细说明。
请参阅图1，示出了本申请实施例提供的洪涝灾害监测方法。该方法可以用于电子设备，该电子设备可以是手机、电脑、平板电脑等智能设备，也可以是服务器等云端设备。该电子设备可以是单个设备，也可以是多个设备共同作用。具体的，该方法可以包括如下步骤。
步骤S110：根据水体的波谱特征，获取目标区域在第二遥感图像相对于第一遥感图像新增水体的分布区域，所述第二遥感图像为第二时间拍摄的包括目标区域的遥感图像，所述第一遥感图像为第一时间拍摄的包括目标区域的遥感图像，所述第二时间在所述第一时间之后。
本申请实施例中，目标区域可以是需要获取洪涝灾害情况的目标城市，也可以是目标城市中选定的区域，或者是其他任意选择的区域范围。
实际应用中，可以通过遥感技术获取目标区域的遥感图像，其中，遥感技术是从远距离感知目标反射或自身辐射的电磁波、可见光、红外线，对目标进行探测和识别的技术，可以通过人造卫星、飞机或其他飞行器上收集地物目标的电磁辐射信息，判认地球环境和资源的技术；遥感图像是指记录各种地物电磁波大小的胶片或照片，遥感图像可以包括航空像片和卫星相片，本实施例中，可以通过人造卫星获取目标区域的遥感图像。
在拍摄地面形成的遥感图像中，地面的各种物体分别对应有相应的波谱特征，从而可以根据波谱特征分辨出遥感图像中的各种物体。对应的，可以根据遥感图像中水体的特征分辨出遥感图像中哪些物体是水体，确定遥感图像中水体分布区域。
在具体的实施方式中，目标区域的遥感图像中包括了不同波段，波谱特征可以包括蓝波段、绿波段、红波段、近红外波段及其他波段等，水体与其他地物在遥感图像中的波谱特征不同，即，可以根据水体与其他地物的波谱特征的差异来确定水体在目标区域的遥感图像中的分布区域。
可选地，根据遥感图像确定目标区域水体的分布区域可以通过多尺度分割的方法对遥感图像进行面向对象的分类，根据光谱、形状及紧致度标准，将影像分割为不同尺度的对象，分割过程中需要确定以下因子，分割尺度、波段权重、均质性因子，如色彩、紧致度、光滑度。通过计算每个层次上对象标准差的均值来确定最佳分割尺度，并且依据最佳分割尺度对影像进行分割。由于水体在近红外波段反射率较小，因此将近红外波段权重值设置较大，即需要根据需要分类的物体的实际情况调整紧致度、光滑度因子的权重值。在进行多尺度分割完成后，针对样本构建特征空间，通过最邻近分类法对影像进行分类，分类中可以包括水体、道路、建筑物及植被等，即，通过对遥感图像进行多尺度分割和面向对象分类确定了目标区域中水体的分布区域。
遥感图像中表示水体的子图像在遥感图像中表示的分布位置，即为遥感图像中水体的分布区域。
另外，由于在实际分类确定遥感图像中的水体时，由于遥感图像中阴影的图像特征与水体的图像特征相似，从而容易将阴影也确定为水体，导致水体位置的标注不准确。因此，可选的，在本申请实施例中，可以从根据水体的图像特征确定的子图像中，去除阴影对应的子图像，作为水体在该遥感图像中对应的子图像。
发明人通过研究发现，城市中容易被误判为水体的阴影，主要是建筑物阴影，因此，在本申请实施例中，可以从根据水体的波谱特征确定的子图像中，去除建筑物对应的阴影后，获得的子图像对应分别区域，作为遥感图像中水体的分布区域。具体的，如图2所示，可以包括如下步骤：
步骤S111，将所述遥感图像中分割为多个子图像，其中同一子图像内的各个部分之间的相似度在预设相似度范围内，所述多个子图像包括表示水体的一个或多个第一子图像以及表示建筑物的一个或多个第二子图像。
实际应用中，可以通过多尺度分割对遥感图像进行分割，得到多个图斑，并对多个图斑进行聚类。在聚类时，将每个图斑视为一个待分类样本，在特征空间中计算各个待分类样本与各类训练样本之间的距离，将待分类样本归属到最近的训练样本对象所在的类别。
其中，训练样本中包括具有水体的特征的样本以及具有建筑物的特征的样本，从而聚类后可以确定哪些图斑是具有水体的特征的图斑，将这些图斑确定为水体的图斑，水体的图斑中相连通的图斑作为一个表示水体的子图像；聚类后可以确定哪些图斑是具有建筑物的特征的图斑，将这些图斑确定为建筑物的图斑，建筑物的图斑中相连通的图斑作为一个表示建筑物的子图像。从而实现根据水体的图像特征以及建筑物的特征，确定聚类后获得的子图像中表示水体的第一子图像以及表示建筑物的第二子图像。其中，第一子图像以及第二子图像的数量并不限定，由实际聚类结果确定。在目标区域中，聚类得到的表示水体的第一子图像可能有多个，也可能是一个；聚类得到的表示建筑物的第二子图像可能有多个，也可能是一个。另外，聚类得到的各个子图像的形状也并不限定，由实际聚类结果确定。
步骤S112，对于每一第一子图像，若相邻的所有子图像中，有大于或等于一半数量的子图像为第二子图像，确定该第一子图像不是水体。
步骤S113，若相邻的所有子图像中，有小于一半数量的子图像为第二子图像，确定该第一子图像是水体。
可选地，由于水体的图像特征和建筑物阴影的图像特征比较接近，所以导致一些建筑物阴影被划分至水体分类里，为了避免建筑物阴影被划分至水体分类里，可以通过表示水体的第一子图像相邻的所有子图像为建筑物的个数来判断该第一子图像是否为水体，即，若该第一子图像相邻的子图像中表示建筑物的第二子图像的数量小于相邻的所有子图像数量的一半，则该第一子图像为水体。实际应用中，还可以通过判断表示水体的每一第一子图像周围相邻的所有子图像中为表示建筑物的第二子图像的比例来确定第一子图像是否为水体，对应地，可以通过如下公式对第一子图像是否为水体进行判断：
Figure RE-GDA0003008687810000071
Figure RE-GDA0003008687810000072
上述公式中的i表示第i个第一子图像，j表示第i个第一子图像相邻的所有子图像中的第j个，Aij包括1和0两种取值，当Aij的值为1时，代表第i个第一子图像的第j个相邻对象是建筑物，当Aij的值为0时，代表第i个第一子图像的第j个相邻对象不是建筑物。上述公式中的n表示需要判断的水体的第一子图像周围所有的子图像有n个，Si为需要判断的水体的第一子图像周围所有的子图像的 Aij值的平均值，当Si的值大于0.5时，则确定该需要判定的水体的第一子图像是阴影；当Si的值小于或等于0.5时，则确定该需要判定的水体的第一子图像是水体。可以理解的，在本申请实施例中，0.5仅为示意，具体Si的值可以根据需要设置。
可以理解，可以对目标区域中的遥感图像中所有水体都进行多尺度分割，对分割的水体的每个第一子图像都是用上述公式计算Si的值，并根据计算出的Si的值逐一排除出被误分进水体分类的建筑物阴影，提高对水体分布位置判断的准确性。
基于此，若要确定目标区域中的洪涝灾害情况，可以确定洪涝灾害发生后相对于洪涝灾害发生前，目标区域在遥感图像中增加的水体，即洪涝灾害发生后相对于洪涝灾害发生前新增的水体，确定为洪涝灾害分布的区域。
具体的，在本申请实施例中，定义需要监测洪涝灾害的时间为第二时间，第二时间为洪涝灾害已经发生后的时间，或者正在发生中的时间；定义该洪涝灾害发生前的时间为第一时间。第一时间可以是和第二时间较为接近的时间，且可以是距离洪涝灾害发生前的最近时间，或者是能获得的洪涝灾害发生前距离第二时间最近的遥感图像对应的时间。定义第一时间拍摄的包括目标区域的遥感图像为第一遥感图像，定义第二时间拍摄的包括目标区域的遥感图像为第二遥感图像。例如2020年8月11日目标区域降大雨，需要监测目标区域在8月12日目标区域的洪涝灾害发生情况，可以获取8月10日获得的目标区域的遥感图像作为第一遥感图像，获取8月13日获得的目标区域的遥感图像作为第二遥感图像。
在本申请实施例中，获取新增水体的分布区域的方式可以是，根据水体的波谱特征，从第一遥感图像获取目标区域中水体的第一分布区域，从第二遥感图像获取目前区域中水体的第二分布区域；将第二分布区域相对于第一分布区域新增的区域，作为所述新增水体的分布区域。
也就说，根据水体的波谱特征，可以确定第一遥感图像中哪些部分是水体，从而确定在第一遥感图像中目标区域内水体的分布区域，定义为第一分布区域；对应的，根据水体的波谱特征，可以确定第二遥感图像中哪些部分是水体，从而确定在第二遥感图像中目标区域内水体的分布区域，定义为第二分布区域。第二分布区域比第一分布区域多的区域，可以确定为第二遥感图像相对于第一遥感图像新增的水体的分布区域。该新增水体的分布区域可以确定为基于遥感图像本身分辨率获得的洪涝灾害分布区域，或者说发生洪涝灾害的区域，或者说洪涝灾害的受灾区域。
可以理解的是，洪涝发生后，会卷入泥沙等物质，导致洪水过后水体的波谱特征发生变化，区别于未发生前的水体特征，根据洪涝灾害发生后变化的波谱特征，可以确定洪涝灾害发生后水体的分布区域。即，不论在洪涝灾害发生前还是发生后，可以根据拍摄遥感图像时水体的波谱特征，确定遥感图像中哪些区域是水体。
可选的，在本申请实施例中，可以根据水体波谱特征发生变化，确定发生洪涝灾害，从而进行洪涝灾害分布图的获取。
步骤S120：获取网络平台中与目标区域的洪涝灾害相关的目标动态信息，所述目标动态信息在第一时间之后以及第二时间之前发布。
从网络平台中获取发布的关于目标区域的洪涝灾害的信息，并根据信息相关的洪涝灾害的发生位置，可以对第二遥感图像中未体现出的水体位置进行补充，也可以对洪涝灾害的严重程度进行区分。
具体的，可以从一个或多个网络平台中获取在第一时间之后以及第二时间之前发布的用户的动态信息，再对动态信息进行分析，如进行语义识别，确定其中与洪涝灾害有关的信息，定义为目标动态信息。如获取用户发布在第一时间之后以及第二时间之前发布的微博，对微博进行语义识别，确定其中洪涝灾害的微博文字内容。哪些内容确定为与洪涝灾害相关的词语，在本申请实施例中并不限定，可以根据洪涝灾害的描述特点进行设置。
对动态信息进行语义识别的方式在本申请实施例中并不限定，如对获得的动态信息进行分词，获取包括有洪涝灾害相关词语的动态信息，作为所述目标动态信息。可以理解的，哪些信息为动态信息在本申请实施例中并不限定，可以是可以从网络中获取的满足时间条件的各种信息。
另外，可选的，在本申请实施例中，动态信息还可以是图片信息，可以通过对图片的识别或者分类，确定图片是否表现的为洪涝灾害的情况，如果是，可以将该图片确定为与洪涝灾害相关的目标动态信息。
例如，以关键词组进行搜索，获取与关键词相关的舆情数量作为获取到的动态信息，选取用户原创微博，调用公开发布的API+网络爬虫，提取网络在特定时间段内关于洪涝灾害舆情数据(如微博、豆瓣等用户ID、位置信息、发表内容等)。
关键词组可以是地理位置加洪涝灾害相关词语。
另外，在本申请实施例中，可以对数据进行清洗，构建洪涝灾害信息提取关键字词组，基于此利用分词工具对提取的内容进行分词和过滤停用词，统一提取的数据格式，剔除与洪涝灾害无关的数据，通过人工核验，最终得到有意义的数据，并进行词频、地理位置统计。
步骤S130：根据所述目标动态信息相关的坐标位置，确定所述目标区域中水体的补充区域。
在本申请实施例中，目标动态信息表示发生了洪涝灾害，因此，可以通过目标动态信息表示的位置，确定发生洪涝灾害的位置。在本申请实施例中，可以根据目标动态信息发布时的定位位置或目标动态信息中包括的位置词语确定所述目标动态信息相关的坐标位置，该目标动态信息相关的目标位置，表示目标动态信息表示的洪涝灾害的发生位置。
在本申请实施例中，若目标动态信息包括定位位置或位置词语中的一种，则可以根据可确定的定位位置或位置词语，获得洪涝灾害的发生位置。
若对于同一目标动态信息，若同时包括定位位置以及位置词语，可选的，对应不同的平台，可以设置以目标动态信息发布时的定位位置作为目标信息相关的坐标位置，还是以目标动态信息中包括的位置词语作为目标信息相关的坐标位置；或者直接以目标动态信息发布时的定位位置作为目标信息；或者直接以目标动态信息中包括的位置词语作为目标信息相关的坐标位置；或者，定位位置以及位置词语中哪个表示的位置离已经确定的水体位置最近，以哪个确定洪涝灾害的发生位置；或者，若目标动态信息包括图片或者对应有包括洪涝灾害内容的图片，且该图片的拍摄时间与动态信息的发布时间小于预设时长，则可以以定位位置确定洪涝灾害的发生位置。
可选的，在本申请实施例中，若目标动态信息包括图片，还可以对图片进行分析，确定图片中所表示的目标区域中的地理位置，或者进一步确定图片中水体在目标区域中的地理位置，作为目标动态信息相关的坐标位置。
在本申请实施例中，可以各条目标动态信息确定相关坐标位置，根据确定的坐标位置，将第一遥感图像以及第二遥感图像中未确定为水体的水体区域确定为水体的补充区域。即，若确定的坐标位置标示的区域中，有区域没有通过波谱特征确定为水体，则定义该区域为水体的补充区域。
步骤S140：结合所述水体的补充区域以及新增水体的分布区域，生成所述目标区域的洪涝灾害分布图，所述洪涝灾害分布图中包括洪涝灾害的受灾区域。
前述确定的补充区域以及新增水体的分布区域，为在洪涝灾害发生后相对于发生前增加的水体区域，因此，可以绘制目标区域内包括该新增水体分布区域以及补充区域的地图，作为洪涝灾害分布图。
在本申请实施例中，可以在第二遥感图像或者第一遥感图像的基础上将新增水体的分布区域以及水体的补充区域进行标注，如高亮显示，作为洪涝灾害分布图；也可以在其他包括目标区域的遥感图像或者地图中标注水体的补充区域以及新增水体的分布区域，获得洪涝灾害分布图。
在本申请实施例中，可以通过洪涝灾害发生后的遥感图像相对于洪涝灾害发生前的遥感图像中，增加的水体区域，确定新增水体的分布区域；再结合网络平台中对洪涝灾害进行讨论的相关动态信息，确定目标区域中产生洪涝灾害的区域，从而进一步确定从遥感图像中未分析出的水体区域，作为水体的补充区域。新增水体的区域以及水体的补充区域都表示了洪涝灾害产生的区域，可以在地图中进行绘制，获得洪涝灾害分布图。
本申请还提供了一实施例，可以对洪涝灾害的严重程度进行标注。具体的，在该实施例中，如图3所示，可以包括：
步骤S210：根据水体的波谱特征，获取目标区域在第二遥感图像相对于第一遥感图像新增水体的分布区域，所述第二遥感图像为第二时间拍摄的包括目标区域的遥感图像，所述第一遥感图像为第一时间拍摄的包括目标区域的遥感图像，所述第二时间在所述第一时间之后；
步骤S220：获取网络平台中与目标区域的洪涝灾害相关的目标动态信息，所述目标动态信息在第一时间之后以及第二时间之前发布；
步骤S230：根据所述目标动态信息相关的坐标位置，确定所述目标区域中水体的补充区域；
步骤S240：结合所述水体的补充区域以及新增水体的分布区域，生成所述目标区域的洪涝灾害分布图，所述洪涝灾害分布图中包括洪涝灾害的受灾区域。
步骤S210至步骤S240的具体执行可以参见前述步骤的相应描述，在此不再赘述。
步骤S250：根据多条目标动态信息相关的坐标位置在目标区域中的分布，在所述洪涝灾害分布图中标注各个受灾区域的受灾程度。
在本申请实施例中，目标动态信息可以包括多条，通过对每条目标动态信息的分析，可以获得每条动态信息对应表示的洪涝灾害的受灾程度，并在洪涝灾害分布图中进行标注。
具体的，在本申请实施例中，可以将目标区域划分为多个子区域，每条动态信息表示的受灾程度可以通过分值表示，分值越高受灾程度越严重，以坐标位置在目标区域内的各条目标动态信息的分值之和，表示目标区域的受灾程度。例如，在ArcGIS中利用渔网工具，对目标区域生成1000m×1000m的格网，统计落在每个格网的分值或者动态信息条数，以分值或者动态信息条数确定区域的受害影响程度。
在一种实施方式中，可以将目标动态信息分为不同的类别，不同类别对应不同的分值，每个目标动态信息对应相应的类别。根据多条目标动态信息相关的坐标位置在目标区域中的分布，在所述洪涝灾害分布图中标注各个受灾区域的受灾程度，可以是，根据各条目标动态信息对应的类别以及不同类别对应的分值，确定每条目标动态信息对应的分值，作为目标动态信息相关的坐标位置对应的分值；将目标区域内每个子区域内各个坐标位置对应的分值相加，作为子区域内的总分值。
可选的，在申请实施例中，可以直接以总分值作为子区域内的受灾程度。
可选的，也可以设置有受灾等级，每个受灾等级对应有分值区域，可以根据分值与受灾等级之间的对应关系，确定各个子区域对应的受灾等级，在与受灾区域重合的各个子区域标注受灾等级。即，确定各个子区域内总分值对应的受灾等级，并且，与受灾区域重合的子区域为受灾的子区域，可以在与受灾区域重合的各个子区域对受灾等级进行标注。
在该实施方式中，目标动态信息的类别，可以是目标动态信息的发布形式，如所述类别可以包括新闻报导类以及公众发布类，新闻报导类可以是由新闻媒体发布的新闻报导信息，公众发布类可以是由社会公众发布的信息，由于公众发布类对应的信息位置通常更为准确，公众发布类别对应的分值可以设置为大于所述新闻报导类别对应的分值。可选的，可以根据子区域内目标动态信息的类别，计算子区域内的分值。
可选的，在获取分值时，也可以对所述新闻报导类别的目标动态信息进行分词，获取位置相关的词语；若所述位置相关的词语表示的位置精度大于或等于预设精度，以所述位置相关的词语对应的位置作为所述目标动态信息相关的坐标位置，确定所述动态信息对应的分值为第一分值；若所述位置相关的词语表示的位置精度小于预设精度，以所述动态信息发布时的定位位置作为所述目标动态信息相关的坐标位置，确定所述动态信息对应的分值为第二分值。获取公众发布类别的目标动态信息发布时的定位位置，作为所述目标动态信息对应的坐标位置，确定所述动态信息对应的分值为第三分值。其中，由于大于或等于预设精度的位置以及发布时的位置的坐标通常更精确，可以设置所述第一分值以及所述第三分值可以大于所述第二分值。另外，通常洪涝灾害较为严重时才会引起新闻报导，故可以设置第三分值小于第一分值。
在该实施方式中，具体分为哪些类别并不限定，如，可以分为分值依次升高的灾情基本情况及影响相关类别、公众感受类别、关于政府营救消防救援等报道类别、灾害的评论思考类别。其中，灾情基本情况及影响可以是，发布的介绍暴雨基本情况(如降水量、水位线上涨等)，由于可能针对是全市等较大区域进行统一的报道，对于精细分析城市受灾情况时，此类信息应赋予较小的分值，如分值为1。对于公众感受，暴雨城市内涝必然会造成市区内道路积水、车辆被淹等情况，大众出行不方便，日常生活受到影响，也会增加舆情数量(包括正向或负向的)，针对此类信息可以赋予较大的分值，如权重为2。关于政府营救消防救援等报道，反映该区域受害较为严重，应抽取典型区域名字，如地铁站等信息，信息赋予较大的分值，如分值为3。对于灾害的评论思考，对灾害的评论思考对区分城市内涝灾害程度贡献值不大，有些用户可能发布一些祈祷家乡的祝福语，根据发布的经纬度信息，对未在研究区域的用户进行剔除。此类信息可以赋予较小分值，如分值为1。
在另一种实施方式中，可以预先训练神经网络模型，该神经网络模型可以将不同的目标动态信息分为不同的分值。因此，可以将各目标动态信息输入神经网络模型，根据神经网络模型输出的分值，确定各子区域的受灾等级。
另外，在本申请实施例中，还可以训练用于识别受灾等级的神经网络模型，该神经网络模型可以根据输入的目标动态信息的内容以及条数，输出受灾等级，从而可以子区域内的目标动态信息输入该神经网络模型，获得该神经网络模型输出的该子区域的受灾等级。
在本申请实施例中，可以根据网络平台中目标动态信息，确定受灾区域内的受灾程度，并且将受灾程度在洪涝灾害分布图中进行标注，从而可以清晰地展现洪涝灾害分布情况以及严重程度。
在本申请实施例中，量化后的动态信息等舆情数据可以直观反映大众对灾害的认知程度，侧面也是区域的受害程度，通过结合用户坐标数据，可以形成散点图，利用ArcGIS中的反距离加权插值，将获取到的离散点转换为空间面数据，与遥感监测所获取的灾害分布图进行叠加分析，最终形成区域的受害程度分布图。
在本申请实施例中，还可以叠加城市DEM图，高程较低的区域认为被淹没可能性较大，设置对应的受灾等级；可以叠加城市水系图，河流沿线如500m范围内认为发生灾害可能性较大，设置对应的受灾等级。
本申请实施例还提供了一种涝灾害监测装置300。如图4所示，该装置300可以包括：第一分布区域获取模块310，用于根据水体的波谱特征，获取目标区域在第二遥感图像相对于第一遥感图像新增水体的分布区域，所述第二遥感图像为第二时间拍摄的包括目标区域的遥感图像，所述第一遥感图像为第一时间拍摄的包括目标区域的遥感图像，所述第二时间在所述第一时间之后；动态信息获取模块320，用于获取网络平台中与目标区域的洪涝灾害相关的目标动态信息，所述目标动态信息在第一时间之后以及第二时间之前发布；第二分布区域获取模块330，用于根据所述目标动态信息相关的坐标位置，确定所述目标区域中水体的补充区域；受灾区域确定模块340，用于结合所述水体的补充区域以及新增水体的分布区域，生成所述目标区域的洪涝灾害分布图，所述洪涝灾害分布图中包括洪涝灾害的受灾区域。
可选的，第一分布区域获取模块310可以用于根据水体的波谱特征，从第一遥感图像获取目标区域中水体的第一分布区域，从第二遥感图像获取目前区域中水体的第二分布区域；将第二分布区域相对于第一分布区域新增的区域，作为所述新增水体的分布区域。
可选的，动态信息获取模块320可以用于从多个网络平台中获取在第一时间之后以及第二时间之前发布的用户的动态信息；对获得的动态信息进行分词，获取包括有洪涝灾害相关词语的动态信息，作为所述目标动态信息。
可选的，第二分布区域获取模块330可以用于根据目标动态信息发布时的定位位置或目标动态信息中包括的位置词语确定所述目标动态信息相关的坐标位置；根据确定的坐标位置，将第一遥感图像以及第二遥感图像中未确定为水体的水体区域确定为水体的补充区域。
可选的，所述目标动态信息包括多条，该装置还可以包括受灾程度标注模块，用于根据多条目标动态信息相关的坐标位置在目标区域中的分布，在所述洪涝灾害分布图中标注各个受灾区域的受灾程度。
可选的，所述目标区域划分为多个子区域，每个目标动态信息对应相应的类别，不同类别对应不同的分值，该受灾程度标注模块可以根据各条目标动态信息对应的类别以及不同类别对应的分值，确定每条目标动态信息对应的分值，作为目标动态信息相关的坐标位置对应的分值；将所述目标区域内每个子区域内各个坐标位置对应的分值相加，作为子区域内的总分值；根据分值与受灾等级之间的对应关系，确定各个子区域对应的受灾等级；在与受灾区域重合的各个子区域标注受灾等级。
可选的，所述类别包括新闻报导类以及公众发布类，所述公众发布类别对应的分值大于所述新闻报导类别对应的分值，第二分布区域获取模块330可以对所述新闻报导类别的目标动态信息进行分词，获取位置相关的词语；若所述位置相关的词语表示的位置精度大于或等于预设精度，以所述位置相关的词语对应的位置作为所述目标动态信息相关的坐标位置；受灾程度标注模块可以确定所述动态信息对应的分值为第一分值。第二分布区域获取模块330可以若所述位置相关的词语表示的位置精度小于预设精度，以所述动态信息发布时的定位位置作为所述目标动态信息相关的坐标位置，受灾程度标注模块可以确定所述动态信息对应的分值为第二分值。第二分布区域获取模块330 可以获取公众发布类别的目标动态信息发布时的定位位置，作为所述目标动态信息对应的坐标位置，受灾程度标注模块可以确定所述动态信息对应的分值为第三分值，所述第一分值以及所述第三分值大于所述第二分值。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述的各个方法实施例之间可以相互参照；上述描述装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，模块相互之间的耦合可以是电性，机械或其它形式的耦合。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。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。各个模块可以配置在不同的电子设备中，也可以配置在相同的电子设备中，本申请实施例并不限定。
请参考图5，其示出了本申请实施例提供的一种电子设备500 的结构框图。该电子设备可以包括一个或多个处理器510(图中仅示出一个)，存储器520以及一个或多个程序。其中，所述一个或多个程序被存储在所述存储器520中，并被配置为由所述一个或多个处理器510执行。所述一个或多个程序被处理器执行用于执行前述实施例所描述的方法。
处理器510可以包括一个或者多个处理核。处理器510利用各种接口和线路连接整个电子设备500内的各个部分，通过运行或执行存储在存储器520内的指令、程序、代码集或指令集，以及调用存储在存储器520内的数据，执行电子设备500的各种功能和处理数据。可选地，处理器510可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器510可集成中央处理器(CentralProcessing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU 主要处理操作系统、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器510中，单独通过一块通信芯片进行实现。
存储器520可以包括随机存储器(Random Access Memory， RAM)，也可以包括只读存储器(Read-Only Memory)。存储器 520可用于存储指令、程序、代码、代码集或指令集。存储器520 可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令、用于实现上述各个方法实施例的指令等。存储数据区还可以电子设备在使用中所创建的数据等。
请参考图6，其示出了本申请实施例提供的一种计算机可读存储介质的结构框图。该计算机可读存储介质600中存储有程序代码，所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质600可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地，计算机可读存储介质600包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质600具有执行上述方法中的任何方法步骤的程序代码610的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码610可以例如以适当形式进行压缩。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种洪涝灾害监测方法，其特征在于，所述方法包括：
根据水体的波谱特征，获取目标区域在第二遥感图像相对于第一遥感图像新增水体的分布区域，所述第二遥感图像为第二时间拍摄的包括目标区域的遥感图像，所述第一遥感图像为第一时间拍摄的包括目标区域的遥感图像，所述第二时间在所述第一时间之后；
获取网络平台中与目标区域的洪涝灾害相关的目标动态信息，所述目标动态信息在第一时间之后以及第二时间之前发布；
根据所述目标动态信息相关的坐标位置，确定所述目标区域中水体的补充区域；
结合所述水体的补充区域以及新增水体的分布区域，生成所述目标区域的洪涝灾害分布图，所述洪涝灾害分布图中包括洪涝灾害的受灾区域。
2.根据权利要求1所述的方法，其特征在于，所述根据水体的波谱特征，获取目标区域在第二遥感图像相对于第一遥感图像新增水体的分布区域，包括：
根据水体的波谱特征，从第一遥感图像获取目标区域中水体的第一分布区域，从第二遥感图像获取目前区域中水体的第二分布区域；
将第二分布区域相对于第一分布区域新增的区域，作为所述新增水体的分布区域。
3.根据权利要求1所述的方法，其特征在于，所述获取网络平台中与目标区域的洪涝灾害相关的目标动态信息，包括：
从多个网络平台中获取在第一时间之后以及第二时间之前发布的用户的动态信息；
对获得的动态信息进行分词，获取包括有洪涝灾害相关词语的动态信息，作为所述目标动态信息。
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标动态信息相关的坐标位置，确定所述目标区域中洪涝灾害的补充区域，包括：
根据目标动态信息发布时的定位位置或目标动态信息中包括的位置词语确定所述目标动态信息相关的坐标位置；
根据确定的坐标位置，将第一遥感图像以及第二遥感图像中未确定为水体的水体区域确定为水体的补充区域。
5.根据权利要求1所述的方法，其特征在于，所述目标动态信息包括多条，所述方法还包括：
根据多条目标动态信息相关的坐标位置在目标区域中的分布，在所述洪涝灾害分布图中标注各个受灾区域的受灾程度。
6.根据权利要求5所述的方法，其特征在于，所述目标区域划分为多个子区域，每个目标动态信息对应相应的类别，不同类别对应不同的分值，所述根据多条目标动态信息相关的坐标位置在目标区域中的分布，在所述洪涝灾害分布图中标注各个受灾区域的受灾程度，包括：
根据各条目标动态信息对应的类别以及不同类别对应的分值，确定每条目标动态信息对应的分值，作为目标动态信息相关的坐标位置对应的分值；
将所述目标区域内每个子区域内各个坐标位置对应的分值相加，作为子区域内的总分值；
根据分值与受灾等级之间的对应关系，确定各个子区域对应的受灾等级；
在与受灾区域重合的各个子区域标注受灾等级。
7.根据权利要求6所述的方法，其特征在于，所述类别包括新闻报导类以及公众发布类，所述公众发布类别对应的分值大于所述新闻报导类别对应的分值，所述方法还包括：
对所述新闻报导类别的目标动态信息进行分词，获取位置相关的词语；
若所述位置相关的词语表示的位置精度大于或等于预设精度，以所述位置相关的词语对应的位置作为所述目标动态信息相关的坐标位置，确定所述动态信息对应的分值为第一分值；若所述位置相关的词语表示的位置精度小于预设精度，以所述动态信息发布时的定位位置作为所述目标动态信息相关的坐标位置，确定所述动态信息对应的分值为第二分值；
获取公众发布类别的目标动态信息发布时的定位位置，作为所述目标动态信息对应的坐标位置，确定所述动态信息对应的分值为第三分值，所述第一分值以及所述第三分值大于所述第二分值。
8.一种洪涝灾害监测装置，其特征在于，所述装置包括：
第一分布区域获取模块，用于根据水体的波谱特征，获取目标区域在第二遥感图像相对于第一遥感图像新增水体的分布区域，所述第二遥感图像为第二时间拍摄的包括目标区域的遥感图像，所述第一遥感图像为第一时间拍摄的包括目标区域的遥感图像，所述第二时间在所述第一时间之后；
动态信息获取模块，用于获取网络平台中与目标区域的洪涝灾害相关的目标动态信息，所述目标动态信息在第一时间之后以及第二时间之前发布；
第二分布区域获取模块，用于根据所述目标动态信息相关的坐标位置，确定所述目标区域中水体的补充区域；
受灾区域确定模块，用于结合所述水体的补充区域以及新增水体的分布区域，生成所述目标区域的洪涝灾害分布图，所述洪涝灾害分布图中包括洪涝灾害的受灾区域。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序被所述处理器执行用于执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1-7任一项所述的方法。
CN202110043983.7A 2021-01-13 2021-01-13 洪涝灾害监测方法、装置、电子设备及存储介质 Active CN112836590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110043983.7A CN112836590B (zh) 2021-01-13 2021-01-13 洪涝灾害监测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110043983.7A CN112836590B (zh) 2021-01-13 2021-01-13 洪涝灾害监测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112836590A true CN112836590A (zh) 2021-05-25
CN112836590B CN112836590B (zh) 2022-07-08

Family

ID=75927973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110043983.7A Active CN112836590B (zh) 2021-01-13 2021-01-13 洪涝灾害监测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112836590B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361403A (zh) * 2021-06-03 2021-09-07 中国地质大学（武汉） 改进的基于ndfi洪水提取方法、系统、终端及应用
CN115439329A (zh) * 2022-11-10 2022-12-06 四川轻化工大学 人脸图像超分辨率重建方法及计算机可读取的存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014062147A1 (en) * 2012-10-19 2014-04-24 Echostar Ukraine L.L.C. Disaster warning system
CN103927359A (zh) * 2013-10-16 2014-07-16 中国科学院对地观测与数字地球科学中心 一种基于多源遥感数据的自动化洪水监测系统
CN104915757A (zh) * 2015-05-22 2015-09-16 同济大学 基于波段运算的洪涝灾害淹没评估信息处理方法
US20160125338A1 (en) * 2014-10-31 2016-05-05 Mona Serageldin Planning System Using Spatial-Based Visualization Aids
CN107463901A (zh) * 2017-08-07 2017-12-12 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
US20180165616A1 (en) * 2016-12-13 2018-06-14 John Sun System and Method for Producing and Distributing Information Relevant to Water Events
CN109886146A (zh) * 2019-01-29 2019-06-14 湖北大学 基于机器视觉检测的洪灾信息遥感智能采集方法及设备
CN110348324A (zh) * 2019-06-20 2019-10-18 武汉大学 一种基于遥感大数据的洪涝实时淹没分析方法及系统
CN110929946A (zh) * 2019-11-29 2020-03-27 中国农业科学院农业资源与农业区划研究所 基于地表水文过程的农业洪涝灾害监测预报系统及方法
CN111142399A (zh) * 2020-01-09 2020-05-12 四川轻化工大学 一种基于计算机的嵌入式智能家居自动化控制测试系统
WO2020166972A1 (ko) * 2019-02-13 2020-08-20 제주대학교 산학협력단 Sar 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법 및 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체
CN111583587A (zh) * 2020-04-20 2020-08-25 成都万江港利科技股份有限公司 一种小流域预测预报系统
CN211906479U (zh) * 2020-02-27 2020-11-10 广西九宇蓝科技有限公司 山洪灾害监测预警系统
CN112069378A (zh) * 2020-09-14 2020-12-11 郑州大学 一种基于idf曲线的城市致灾降水分类判定方法
CN112113544A (zh) * 2019-06-20 2020-12-22 四川轻化工大学 一种基于无人机影像的遥感数据处理方法及系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014062147A1 (en) * 2012-10-19 2014-04-24 Echostar Ukraine L.L.C. Disaster warning system
CN103927359A (zh) * 2013-10-16 2014-07-16 中国科学院对地观测与数字地球科学中心 一种基于多源遥感数据的自动化洪水监测系统
US20160125338A1 (en) * 2014-10-31 2016-05-05 Mona Serageldin Planning System Using Spatial-Based Visualization Aids
CN104915757A (zh) * 2015-05-22 2015-09-16 同济大学 基于波段运算的洪涝灾害淹没评估信息处理方法
US20180165616A1 (en) * 2016-12-13 2018-06-14 John Sun System and Method for Producing and Distributing Information Relevant to Water Events
CN107463901A (zh) * 2017-08-07 2017-12-12 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
CN109886146A (zh) * 2019-01-29 2019-06-14 湖北大学 基于机器视觉检测的洪灾信息遥感智能采集方法及设备
WO2020166972A1 (ko) * 2019-02-13 2020-08-20 제주대학교 산학협력단 Sar 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법 및 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체
CN110348324A (zh) * 2019-06-20 2019-10-18 武汉大学 一种基于遥感大数据的洪涝实时淹没分析方法及系统
CN112113544A (zh) * 2019-06-20 2020-12-22 四川轻化工大学 一种基于无人机影像的遥感数据处理方法及系统
CN110929946A (zh) * 2019-11-29 2020-03-27 中国农业科学院农业资源与农业区划研究所 基于地表水文过程的农业洪涝灾害监测预报系统及方法
CN111142399A (zh) * 2020-01-09 2020-05-12 四川轻化工大学 一种基于计算机的嵌入式智能家居自动化控制测试系统
CN211906479U (zh) * 2020-02-27 2020-11-10 广西九宇蓝科技有限公司 山洪灾害监测预警系统
CN111583587A (zh) * 2020-04-20 2020-08-25 成都万江港利科技股份有限公司 一种小流域预测预报系统
CN112069378A (zh) * 2020-09-14 2020-12-11 郑州大学 一种基于idf曲线的城市致灾降水分类判定方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361403A (zh) * 2021-06-03 2021-09-07 中国地质大学（武汉） 改进的基于ndfi洪水提取方法、系统、终端及应用
CN115439329A (zh) * 2022-11-10 2022-12-06 四川轻化工大学 人脸图像超分辨率重建方法及计算机可读取的存储介质

Also Published As

Publication number Publication date
CN112836590B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN110136170B (zh) 一种基于卷积神经网络的遥感影像建筑物变化检测方法
Hung et al. Methods for assessing the credibility of volunteered geographic information in flood response: A case study in Brisbane, Australia
Shirowzhan et al. Data mining for recognition of spatial distribution patterns of building heights using airborne lidar data
CN112836590B (zh) 洪涝灾害监测方法、装置、电子设备及存储介质
CN112668375B (zh) 景区内游客分布分析系统及方法
CN116343103B (zh) 一种基于三维gis场景与视频融合的自然资源监管方法
CN111414878B (zh) 一种关于地块的社会属性分析、图像处理方法及装置
CN113255580A (zh) 抛洒物识别、车辆抛洒滴漏识别方法和装置
CN116595121A (zh) 一种基于遥感技术数据显示监测系统
CN107578003A (zh) 一种基于地理标记图像的遥感图像迁移学习方法
Chandra et al. Human cognition based framework for detecting roads from remote sensing images
Aahlaad et al. An object-based image analysis of worldview-3 image for urban flood vulnerability assessment and dissemination through ESRI story maps
Ma et al. Individual structure mapping over six million trees for New York City USA
CN113378642A (zh) 一种对农村违法占地建筑物进行检测的方法
CN116384844B (zh) 基于地理信息云平台的决策方法及装置
San Blas et al. A platform for swimming pool detection and legal verification using a multi-agent system and remote image sensing
CN117079148A (zh) 城市功能区的识别方法、装置、设备和介质
CN110765900A (zh) 一种基于dssd的自动检测违章建筑方法及系统
WO2018217193A1 (en) Bayesian methodology for geospatial object/characteristic detection
Abraham et al. Classification and detection of natural disasters using machine learning and deep learning techniques: A review
CN112015937B (zh) 一种图片地理定位方法及系统
CN114298229A (zh) 作物类别确定方法、装置、电子设备及存储介质
CN113033608A (zh) 遥感影像道路提取方法及装置
Wang et al. Combining SAR images with land cover products for rapid urban flood mapping
CN114898203B (zh) 一种基于深度学习的轨道交通周边危险源变化检测方法

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