CN112966657B - 一种大尺度水体覆盖的遥感自动分类方法 - Google Patents
一种大尺度水体覆盖的遥感自动分类方法 Download PDFInfo
- Publication number
- CN112966657B CN112966657B CN202110339000.4A CN202110339000A CN112966657B CN 112966657 B CN112966657 B CN 112966657B CN 202110339000 A CN202110339000 A CN 202110339000A CN 112966657 B CN112966657 B CN 112966657B
- Authority
- CN
- China
- Prior art keywords
- water
- coverage
- water body
- shape
- types
- 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
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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种大尺度水体覆盖类型的自动分类方法,包括如下步骤:步骤1、对时间序列的SAR数据进行数据预处理,获取水体覆盖范围和频率以及水体的形状特征;步骤2、基于多种分类器对预处理后的形状特征进行分类;所述多种分类器包括:基于形状特征的分类器和基于物候特征的分类器;基于形状特征的分类器,其分类依赖于水体覆盖类型的几何特征;基于物候特征的分类器,其依赖于水体覆盖类型的物候特征;步骤3、对分类结果进行精度评估。本发明的方法可以实现不同水体类型的自动分类,大大提高了水体遥感分类的效率和精度,将原来只能在小尺度上开展的水体划分可以扩展到更大的空间尺度上。
Description
技术领域
本发明涉及遥感和地理信息领域,尤其是一种大尺度水体覆盖的遥感自动分类方法。
背景技术
水文输入和输出影响土壤生物化学,洪水特征(如持续时间,空间范围以及高低水位的时间)驱动植物发芽,从而形成各种与水有关的土地覆盖和生态系统。联合国土地覆盖分类系统(LCCS)和Xu等人定义由水决定其形成、土壤发育或表层植物群落类型的土地覆盖类型为“水生土地覆盖”(Jansen和Gregorio,2000;Xu等,2020)。本发明遵循上述研究中水体覆盖类型的定义,并将“水体覆盖”定义为除冰和雪以外的所有由水驱动土地覆盖类型。
在过去的几十年中,为了获得快速的经济增长,人类将大量的自然水域转变为水产养殖或水库等。同时,全球气候变化也引起了中国水体的分布和利用等发生了巨大的转变。这些变化都不可避免地对经济,生态和环境产生了重大的影响,例如水库的增长、围湖造田、自然湿地的消失、以及自然湖泊的萎缩等。对于不同水体覆盖类型信息的及时和准确地获取无论是对于生态环境保护还是国民经济的发展乃至社会可持续发展都至关重要。
为了研究人类社会经济活动对用地表水资源的影响,迫切需要一种可以在大尺度可行地、自动地、快速地绘制所有水体覆盖类型的分类方法。遥感技术可以对地表进行大规模的快速,频繁的监测,使其广泛用于土地覆盖制图。当使用卫星数据进行水体覆盖制图时,最大的问题是获取用于训练分类器的样本。训练数据的收集通常是大规模分类中最耗费人力物力的步骤。使用现有数据生成潜在的训练数据是一个很好的解决方案。由于现有数据的本身的错误和混合像素的存在,使得这些采样点与真实的水体覆盖有偏差。基于谷歌地球的高分辨率图像的目视验证是克服这种误差的一种方法(Li等,2020)。然而,对于水田、季节性湿地等季节性变化大的水体覆盖类型,人工的目视解译难以确定其可靠性。已有研究基于水稻的物候信息,建立归一化植被指数时间曲线来获得可靠的训练样本(Masseyet al.,2017;Xie et al.,2019)。但是随着研究范围的扩大,这种方法将增加难度。另一方面,目前大多数的水覆盖分类方法是基于地表物体的光谱、纹理和物候特征,几乎没有遥感分类方法充分利用地表物体的几何特征。
综上,现有关于水体分类的技术可以分为2种,一种是基于样本的遥感机器分类方法。但这种方法的缺点是分类精度低,且需要依靠样本。第二种是人工目视判别的方法。这种方法虽然精度高,但是需要耗费大量的人力物力,难以及时更新。并且无法开展大规模的信息的快速获取。
发明内容
为了解决上述现有技术的不足和对水体覆盖信息的快速获取的科研和管理的需要,本发明的目的是提供一种可以在流域/区域、国家、或者全球尺度上能快速绘制水体覆盖类型的自动化遥感分类方法。
本发明的技术方案为:一种大尺度水体覆盖类型的自动分类方法,包括如下步骤:
步骤1、对时间序列的SAR数据进行数据预处理,获取水体覆盖范围和频率以及水体的形状特征;
步骤2、基于多种分类器对预处理后的形状特征进行分类;所述多种分类器包括:基于形状特征的分类器和基于物候特征的分类器;
步骤3、对分类结果进行精度评估。
进一步的,所述步骤1具体包括:
步骤1.1、获取SAR影像,按预定时间长度进行合成,采用阈值法获取每年的淹水频率图和4-9月份的淹水频率;
步骤1.2、对淹水频率做最大值合成处理,然后二值化,得到年度最大水体面积,上传至云计算平台;
步骤1.3、对二值化后的最大水体面积进行形状特征的计算,分别计算每个图斑的18个形状特征,形成相应的图层,上传至云计算平台。
进一步的,所述步骤2具体包括:
步骤2.1、将地表水体覆盖类型分为河流、湖泊、水库、人工养殖场、沼泽湿地和水稻田6种类型;依据样本确定上述不同水体覆盖类型的特征指数;
步骤2.2、依据年度的淹水频率,确定不同水体类型的物候特征;
步骤2.3、依据形状特征变量和物候指数,对水体覆盖进一步分为不同的水体类型。
进一步的,所述步骤2中所述多种分类器包括:
基于形状特征的分类器,其分类依赖于水体覆盖类型的几何特征;
基于物候特征的分类器,其依赖于水体覆盖类型的物候特征。
所述基于形状特征的分类器将水淹频率不为0的所有像素定义为水体像素,以获得年度最大水面,使用这个最大水面来获取所有水覆盖类型的形状特性。
所述基于物候的分类器主要依据水体覆盖类型的水淹频率信息,将水淹频率图中表征季节性水体的像元选择出来单独作为一个图层。
进一步的,所述步骤3具体包括:
独立进行上述不同水体类型样本的获取,对分类结果进行精度的评估,包括制图精度和用户精度以及Kappa系数。
进一步的,所述步骤1中的形状特征包括:面积、边界长度、长宽比、宽度、长度、区间占空比、边界指数、景观指数、周长面积比、分形维数、形状指数、圆度、非对称性、紧凑度、密度。
有益效果:
现有对于水体的自动遥感分类仅仅局限于对地表水体的识别,无法提供水体类型的进一步的精准划分。对水体进一步的分类是依靠人工目视解译进行,不仅费时费力,成本高,而且效率低。本发明的技术可以实现不同水体类型的自动分类,大大提高了水体遥感分类的效率和精度,将原来只能在小尺度上开展的水体划分可以扩展到更大的空间尺度上。不同的地表水体类型不仅显示了自然界水循环的格局、也表达了人类社会和经济活动对水体的利用和干预水平。本发明对水体覆盖类型的自动化高精度的分类,对于认识自然界水体的演化特征和人类活动对水体的利用提供了基础性的数据和技术方法。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅为本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明的一种基于形状和物候特征的大尺度水体覆盖类型的自动分类方法。这种分类方法不需要季节性水体覆盖类型(例如水稻田和季节性湿地)的训练样本,并且可以基于任何现有水体数据集生成国家/全球规模的长期水体覆盖类型图。
如图1所示,为本发明的一种大尺度水体覆盖类型的自动分类方法流程图,包括如下步骤:
步骤1、对时间序列的SAR数据进行数据预处理,获取水体覆盖范围和频率以及水体的形状特征等;具体包括:
步骤1.1、获取SAR(Sentinel-1)影像,按15天时间长度进行合成,采用阈值法获取每年的淹水频率图和4-9月份的淹水频率;
步骤1.2、对淹水频率做最大值合成处理,然后二值化,得到年度最大水体面积,上传至云计算平台(如亚马逊、谷歌、阿里、腾讯、百度等等);
步骤1.3、对二值化后得到的最大水体进行形状特征的计算,分别计算每个图斑的18个形状特征,形成相应的图层,上传至云计算平台(如谷歌引擎Asset等);
步骤2、基于多种分类器对预处理后的特征变量进行分类,具体包括:
步骤2.1、将地表水体覆盖类型分为河流、湖泊、水库、人工养殖场、沼泽湿地和水稻田6种类型;依据样本确定前不同上述不同水体类型的特征指数;
步骤2.2、依据年度的淹水频率,确定不同水体类型的物候特征;
步骤2.3、依据形状特征变量和物候指数,利用多种分类器对水体覆盖进一步分为不同的水体类型。
步骤3、对分类结果进行精度评估,具体包括:独立进行上述不同水体类型样本的获取,对分类结果进行精度的评估,包括制图精度和用户精度以及Kappa系数。根据了本发明的实施例,本发明定义了一个两层的遥感水体覆盖分类系统(参见表1)(Xu et al.,2020)。第一层主要区分人工水覆盖和自然水体覆盖类型。其定义为:自然水体覆盖类型(此覆盖类型与其生物群落的非生物和生物力保持平衡,并且不由人类维护);人工水体覆盖类型(这种水体覆盖类型是人工栽培或管理的,需要人类活动才能长期保持);
第二层主要区分永久水体覆盖类型和季节性水体覆盖类型。分类的依据为:被永久淹没的水体覆盖类型(这种水体覆盖类型被水淹没很长一段时间。对于开放水域,每年水被水体淹没的时间超过9个月);季节性被水体淹没的水体覆盖类型(这种水体类型会周期性或临时性地被水体淹没);
这两个层不是包含关系,它们是最终类型定义的辅助关系。最后,本发明将水体覆盖类型分为六类:湖泊、河流、水库、人工养殖场、沼泽湿地和水稻田。
表1遥感水体覆盖分类系统
训练样本和验证样本的获取具体如下:
本发明设计了一个两层分类器,该两层分类器进一步包括两个分类器,第一个分类器依赖于水体覆盖类型的几何特征,称为基于形状特征的分类器,第二个分类器依赖于水体覆盖类型的物候特征,称为基于物候特征的分类器。稻田和农业池塘的形状高度一致,潜在的池塘的训练样本比水稻田样本更容易获得。因此,本发明设计的方法只需要4种水体覆盖类型(河流,湖泊,水库和人工养殖场)的训练样本。湖泊、河流、水库和人工养殖场的样本是从现有数据集中随机生成的(Lehner and Grill,2013;Ren et al.,2019;Zhang etal.,2019)。这些随机点在基于Google Earth的高分辨率图像进行人工的目视核对后确定为最终的训练样本,每种样本的三分之二用作训练样本,三分之一用作验证样本。水稻田和季节性湿地只需要验证样本点。本发明叠加相关的数据集,并选择所有被识别为稻田/季节性湿地的像素。基于这些像素,本发明直接随机生成采样点作为水田和季节性湿地的验证数据。。
根据本发明的一个实施例,基于形状特征的分类器设计如下:
将4-9月的水淹频率图二值化,并将水淹频率不为0的所有像素定义为水体像素,以获得年度最大水面。使用这个最大水面来获取所有水覆盖类型的形状特性。最终,选择了18个形状特征,例如分形维数和不对称性等。表2列出了这些特征的描述和计算方法。指标的计算的批处理代码主要基于两个开源的空间数据处理库(GDAL和OpenCV)编写。使用训练样本训练随机森林分类器,将已经计算好的18个形状特征图层作为输入数据,进行特征优选,选择出对于分类最有用的形状特征。湖泊具有较大的面积和自然地边界特征、河流的形状是典型的长条状、水库的边缘是自然形成的锯齿状,或者在某一面是大坝、农用池塘基本为规则的人工多边形状,这四种水体覆盖类型具有各自独特的形状特征。使得基于形状特征的分类器能将这四者很好的区别开来。
表2本方法使用到的形状特征及其计算方法
根据本发明的一个实施例,基于物候特征的分类器,具体设计如下:
基于物候的分类器主要依据水体覆盖类型的水淹频率信息。将水淹频率图中表征季节性水体的像元(像元值大于0、小于0.9的像元)选择出来单独作为一个图层(季节性水体图层)。人工养殖场在一年之中多数时间都被水体覆盖,但是水稻田一般只在蓄水期和插秧期被水体覆盖,根据这两种水体覆盖类型不同的物候特征,可以将两者区别开。将物候特征的分类结果中的农用池塘与季节性水体图层叠加,两者都含有的像元认定为水稻田。季节性湿地一般出现在自然水域的边缘,与湖泊、河流等自然水体的区别是:湖泊、河流等常年被水体覆盖,而季节性湿地只在一年中的洪水期被淹没。基于此,将物候特征分类结果的湖泊和河流单独选择出来作为一个自然水域的图层,将这个自然水体图层和季节性水体图层叠加,两者都含有的像元认定为季节性湿地。
根据本发明的实施例,分类精度评估具体如下:
经过几何特征分类和物候特征分类产生出最终的分类结果,分类结果中包含湖泊、河流、水库、人工养殖场、水稻田、沼泽湿地6种水体覆盖类型。基于分类图,使用中的验证样本构建混淆矩阵,对分类结果进行评估。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,且应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种大尺度水体覆盖类型的自动分类方法,其特征在于,包括如下步骤:
步骤1、对时间序列的SAR数据进行数据预处理,获取水体覆盖范围和频率以及水体的形状特征;所述步骤1中的形状特征包括:面积、边界长度、长宽比、宽度、长度、区间占空比、边界指数、景观指数、周长面积比、分形维数、形状指数、圆度、非对称性、紧凑度、密度;
步骤2、基于多种分类器对预处理后的形状特征进行分类;所述多种分类器包括:基于形状特征的分类器和基于物候特征的分类器;所述步骤2具体包括:
步骤2.1、将地表水体覆盖类型分为河流、湖泊、水库、人工养殖场、沼泽湿地和水稻田6种类型;依据样本确定上述不同水体覆盖类型的特征指数;
步骤2.2、依据年度的淹水频率,确定不同水体类型的物候特征;
步骤2.3、依据形状特征变量和物候指数,利用上述多种分类器对水体覆盖进一步分为不同的水体类型;
所述步骤2中所述多种分类器包括:
基于形状特征的分类器,其分类依赖于水体覆盖类型的几何特征;
基于物候特征的分类器,其依赖于水体覆盖类型的物候特征;
所述基于形状特征的分类器将水淹频率不为0的所有像素定义为水体像素,以获得年度最大水面,使用这个最大水面来获取所有水覆盖类型的形状特性;
所述基于物候的分类器主要依据水体覆盖类型的水淹频率信息,将水淹频率图中表征季节性水体的像元选择出来单独作为一个图层;
步骤3、对分类结果进行精度评估。
2.根据权利要求1所述的一种大尺度水体覆盖类型的自动分类方法,其特征在于,所述步骤1具体包括:
步骤1.1、获取SAR影像,按预定时间长度进行合成,采用阈值法获取每年的淹水频率图和4-9月份的淹水频率;
步骤1.2、对淹水频率做最大值合成处理,然后二值化,得到年度最大水体面积,上传至云计算平台;
步骤1.3、对二值化后的最大水体面积进行形状特征的计算,分别计算每个图斑的形状特征,形成相应的图层,上传至云计算平台。
3.根据权利要求1所述的一种大尺度水体覆盖类型的自动分类方法,其特征在于,所述步骤3具体包括:
独立进行上述不同水体类型样本的获取,对分类结果进行精度的评估,包括制图精度和用户精度以及Kappa系数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110318109X | 2021-03-25 | ||
CN202110318109 | 2021-03-25 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112966657A CN112966657A (zh) | 2021-06-15 |
CN112966657B true CN112966657B (zh) | 2023-07-25 |
Family
ID=76279565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110339000.4A Active CN112966657B (zh) | 2021-03-25 | 2021-03-30 | 一种大尺度水体覆盖的遥感自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966657B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197673A (zh) * | 2023-09-20 | 2023-12-08 | 北京师范大学 | 城市湿地精细类型逐级遥感提取方法、系统、设备及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8958603B2 (en) * | 2013-01-25 | 2015-02-17 | Regents Of The University Of Minnesota | Automated mapping of land cover using sequences of aerial imagery |
CN109657616A (zh) * | 2018-12-19 | 2019-04-19 | 四川立维空间信息技术有限公司 | 一种遥感影像土地覆盖自动分类方法 |
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 |
CN111738144B (zh) * | 2020-06-19 | 2021-08-31 | 中国水利水电科学研究院 | 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统 |
-
2021
- 2021-03-30 CN CN202110339000.4A patent/CN112966657B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112966657A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Duan et al. | Mapping national-scale aquaculture ponds based on the Google Earth Engine in the Chinese coastal zone | |
Duru | Shoreline change assessment using multi-temporal satellite images: a case study of Lake Sapanca, NW Turkey | |
Ottinger et al. | Monitoring land cover dynamics in the Yellow River Delta from 1995 to 2010 based on Landsat 5 TM | |
Ren et al. | Remote monitoring of expansion of aquaculture ponds along coastal region of the Yellow River Delta from 1983 to 2015 | |
Xing et al. | Monitoring monthly surface water dynamics of Dongting Lake using Sentinel-1 data at 10 m | |
Jiang et al. | Vulnerability of Siberian crane habitat to water level in Poyang Lake wetland, China | |
Bie et al. | Small water bodies mapped from Sentinel-2 MSI (MultiSpectral Imager) imagery with higher accuracy | |
Alphan et al. | Monitoring environmental changes in the Mediterranean coastal landscape: the case of Cukurova, Turkey | |
Huiping et al. | Landscape and water quality change detection in urban wetland: A post-classification comparison method with IKONOS data | |
Ding et al. | Shoreline movement monitoring based on SAR images in Shanghai, China | |
Hebb et al. | Modeling wetland vegetation community response to water-level change at Long Point, Ontario | |
Chen et al. | Mapping three-dimensional morphological characteristics of tidal salt-marsh channels using UAV structure-from-motion photogrammetry | |
CN112966657B (zh) | 一种大尺度水体覆盖的遥感自动分类方法 | |
El Kafrawy et al. | Monitoring and protection of Egyptian northern lakes using remote sensing technology | |
Sun et al. | Mapping China’s coastal aquaculture ponds expansion with sentinel-2 images during 2017–2021 | |
Peng et al. | Detailed wetland-type classification using Landsat-8 time-series images: a pixel-and object-based algorithm with knowledge (POK) | |
Zheng et al. | Spatial distribution of soil organic matter related to microtopography and NDVI changes in Poyang Lake, China | |
Gao et al. | China’s coastal-wetland change analysis based on high-resolution remote sensing | |
Zheng et al. | Spatio-temporal distribution of vegetation index and its influencing factors—a case study of the Jiaozhou Bay, China | |
Sağlam et al. | Similarity analysis of soils formed on limestone/marl-alluvial parent material and different topography using some physical and chemical properties via cluster and multidimensional scaling methods | |
Jia et al. | Spatio-temporal evolution of coastlines of sand-barrier lagoons over 26 years through historic Landsat imagery in Lingshui County, Hainan Province, China | |
BOUDIBI | Modeling the impact of irrigation water quality on soil salinization in an arid region, case of Biskra | |
Zhe et al. | Dynamics of coastal aquaculture ponds in Vietnam from 1990 to 2015 using Landsat data | |
Dehghani et al. | Monitoring land-use changes using remote sensing, ENVI and ArcGIS software in Hamoun Wetlands | |
Njoku et al. | Geospatial assessment of site suitability for tilapia cage culture in Cross River State, Nigeria. |
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 |