CN112991373A - 一种水灾损失评估方法及系统 - Google Patents
一种水灾损失评估方法及系统 Download PDFInfo
- Publication number
- CN112991373A CN112991373A CN202110215712.5A CN202110215712A CN112991373A CN 112991373 A CN112991373 A CN 112991373A CN 202110215712 A CN202110215712 A CN 202110215712A CN 112991373 A CN112991373 A CN 112991373A
- Authority
- CN
- China
- Prior art keywords
- probability
- acquiring
- water body
- elevation
- synthetic aperture
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种水灾损失评估方法及系统,其中,方法包括以下步骤:通过卫星获取保险标地的先进合成孔径雷达数据图像;获取所述先进合成孔径雷达数据图像中的水体与建筑物的分界阈值,并根据所述分界阈值对所述合成孔径雷达数据图像的水体进行提取;读取所述水体淹没所述建筑物的边界线高程数据,获得水淹面高程H;获取所述保险标地的高程h,并根据所述高程h和所述水淹面高程H,获取所述保险标地的水淹高度。本发明的目的在于提供一种水灾损失评估方法及系统,通过获取实际的淹没区域与淹没高度,可以增加被淹区域的准确性,降低理赔资金。
Description
技术领域
本发明涉及保险理赔技术领域,尤其涉及一种水灾损失评估方法及系统。
背景技术
随着全球气候的变暖,暴雨洪涝、干旱、暴雪、低温冷害等自然灾害日益频繁,造成了国民经济和人民生命财产的巨大损失。在这些重大的气象灾害事件中,强降水致灾的影响极为突出,直接影响了我国国民经济正常平稳的运行。
现有的技术中多通过运用DEM进行流域水文分析和淹没面积分析,可以对洪水淹没范围模拟和洪水灾害评估,但现有技术只考虑了水淹范围、水淹区域,未对实际水淹深度以及相对水淹深度进行识别,从而存在对洪水淹没范围评估不准确的情况。
发明内容
本发明的目的在于提供一种水灾损失评估方法及系统,通过获取实际的淹没区域与淹没高度,可以提高被淹区域的准确性,有效降低理赔资金。
本发明通过下述技术方案实现:
一种水灾损失评估方法,包括以下步骤:
S1:通过卫星获取保险标地的先进合成孔径雷达数据图像;
S2:获取所述先进合成孔径雷达数据图像中的水体与建筑物的分界阈值,并根据所述分界阈值对所述合成孔径雷达数据图像的水体进行提取;
S3:读取所述水体淹没所述建筑物的边界线高程数据,获得水淹面高程H;
S4:获取所述保险标地的高程h,并根据所述高程h和所述水淹面高程H,获取所述保险标地的水淹高度。
优选地,所述S2包括以下子步骤:
S21:获取所述先进合成孔径雷达数据图像的灰度值;并根据所述灰度值获取所述水体与所述建筑物的初始分界阈值;
S22:根据所述初始分界阈值获取所述水体的概率P0(t)以及所述建筑物的概率P1(t);
S23:根据所述概率P0(t)获取所述水体的概率均值u0(t),根据所述概率P1(t)获取所述建筑物的概率均值u1(t);
S24:根据所述概率P0(t)、所述概率P1(t)、所述概率均值u0(t)以及所述概率均值u1(t)获取所述分界阈值;
S25:根据所述分界阈值对所述合成孔径雷达数据图像的水体进行提取。
优选地,所述分界阈值为:
σ2(t)=P0(t)[u0(t)-u]2+P1(t)[u1(t)-u]2;
优选地,所述S3包括以下子步骤:
S31:将所述先进合成孔径雷达数据图像导入数字高程模型中;
S32:采用目视解译法获得所述水淹面高程H。
优选地,所述水淹高度由下式获取:
L=H-h;
其中,L表示水淹高度。
一种水灾损失评估系统,包括获取模块、提取模块、读取模块以及计算模块;
所述获取模块,用于获取保险标地的先进合成孔径雷达数据图像,以及所述保险标地的高程h;
所述提取模块,用于从所述先进合成孔径雷达数据图像中提取水体;
所述读取模块,用于读取所述水体淹没建筑物的边界线高程数据,获得水淹面高程H;
所述计算模块,用于根据所述高程h和所述水淹面高程H,获取所述保险标地的水淹高度。
优选地,所述提取模块包括获取单元、计算单元以及提取单元;
所述获取单元,用于获取所述先进合成孔径雷达数据图像的灰度值;并根据所述灰度值获取所述水体与所述建筑物的初始分界阈值;
所述计算单元,用于根据所述初始分界阈值获取所述水体的概率P0(t)以及所述建筑物的概率P1(t),并根据所述概率P0(t)获取所述水体的概率均值u0(t),根据所述概率P1(t)获取所述建筑物的概率均值u1(t);还用于根据所述概率P0(t)、所述概率P1(t)、所述概率均值u0(t)以及所述概率均值u1(t)获取所述分界阈值;
所述提取单元,用于根据所述分界阈值对所述合成孔径雷达数据图像的水体进行提取。
优选地,所述分界阈值为:
σ2(t)=P0(t)[u0(t)-u]2+P1(t)[u1(t)-u]2;
优选地,所述读取模块为数字高程模型。
优选地,所述水淹高度由下式获取
L=H-h;
其中,L表示水淹高度。
本发明与现有技术相比,具有如下的优点和有益效果:
通过对获取的雷达图像进行处理,并将雷达图像与数字高程模型结合起来,可以获得准确的水淹面积和水淹高度(或相对水淹高度),有效的降低了保险公司的理赔资金。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例
一种水灾损失评估方法,如图1所示,包括以下步骤:
S1:通过卫星获取保险标地的先进合成孔径雷达数据图像;
S2:获取先进合成孔径雷达数据图像中的水体与建筑物的分界阈值,并根据分界阈值对合成孔径雷达数据图像的水体进行提取;
由于水体对应的灰度值与建筑物对应的灰度值不相同,因此,通过对保险标地的先进合成孔径雷达数据图像进行灰度处理,根据灰度值的分布获取一个大致的初始分界阈值,该初始分界阈值之前的灰度值数据表示水体,该初始分界阈值之后的灰度值数据表示建筑物。但是由于光线或角度的影响,通过此种方法获取的初始分界阈值可能并不是十分准确,因此,在本申请中,通过对初始分界阈值进行优化,以获得准确的分界阈值,从而提高提取出来的水体的准确率。
首先选取初始分界阈值t,将其划分为两类C0和C1,即C0={0、1、……t},C1={t+1、t+2、……l-1},其中C0和C1各自出现的概率为:
式中,P0(t)为C0的概率,P1(t)为C1的概率;
P0(t)和P1(t)的均值分别为:
式中,u0(t)为P0(t)的均值,u1(t)为P1(t)的均值;
则,先进合成孔径雷达数据图像的总体灰度均值为:
σ2(t)=P0(t)[u0(t)-u]2+P1(t)[u1(t)-u]2;
式中,σ2(t)为先进合成孔径雷达数据图像的总体灰度均值,u为图像的总体灰度均值。
以类间方差作为衡量不同阈值下的类别分离性能的测量准则,极大化σ2(t)的过程就是优化分界阈值的过程。最终,分界阈值为:
然后根据该分界阈值对合成孔径雷达数据图像的水体进行提取。
S3:读取水体淹没建筑物的边界线高程数据,获得水淹面高程H;
具体地,在本实施例中,将先进合成孔径雷达数据图像导入5m分辨率或者12m分辨率的数字高程模型中,并对识别后的水淹范围边界线高层进行目视解译读取,初步获得水淹面高层程。
S4:获取保险标地的高程h,并根据高程h和水淹面高程H,获取保险标地的水淹高度。
根据保险标地的坐标信息,提取保险标地的高程h,并根据下式获取实际的水淹高度:
L=H-h;
其中,L表示水淹高度。
在保险理赔行业,当一块保险标地遭受损失时,保险公司需要赔付的理赔资金少则几万,多则几十万,甚至上百万,因此,获取保险标地的实际受损情况十分重要。而现有技术中,当发生暴雨洪涝等自然灾害时,大多采用DEM进行流域水文分析和淹没面积分析,在这一过程中,只考虑了水淹范围和水淹区域,并没有对实际的水淹程度进行识别,因此,获取的保险标地的受损情况并不准确,例如存在高程差时,位于水淹范围内的保险标地并没有被洪水覆盖,从而会造成误判,从而白白损失巨额理赔款。基于此,本申请通过对获取的雷达数据图像进行处理,并将雷达数据图像与数字高程模型结合起来,可以获得准确的水淹面积和水淹高度(或相对水淹高度),有效的降低了保险公司的理赔资金。同时,为了更加准确的获得受损情况,还可以通过保险公司提供的部分标地的真实水淹情况以及社会新闻报道对水淹面积或水淹高度进行局部地区修正。
一种水灾损失评估系统,包括获取模块、提取模块、读取模块以及计算模块;
获取模块,用于获取保险标地的先进合成孔径雷达数据图像,以及保险标地的高程h;
提取模块,用于从先进合成孔径雷达数据图像中提取水体;
读取模块,用于读取水体淹没建筑物的边界线高程数据,获得水淹面高程H;
计算模块,用于根据高程h和水淹面高程H,获取保险标地的水淹高度,其中,水淹高度为:L=H-h;L表示水淹高度。
进一步地,在本实施例中,提取模块包括获取单元、计算单元以及提取单元;
获取单元,用于获取先进合成孔径雷达数据图像的灰度值;并根据灰度值获取水体与建筑物的初始分界阈值;
计算单元,用于根据初始分界阈值获取水体的概率P0(t)以及建筑物的概率P1(t),并根据概率P0(t)获取水体的概率均值u0(t),根据概率P1(t)获取建筑物的概率均值u1(t);还用于根据概率P0(t)、概率P1(t)、概率均值u0(t)以及概率均值u1(t)获取分界阈值;其中,分界阈值为:
σ2(t)=P0(t)[u0(t)-u]2+P1(t)[u1(t)-u]2;
提取单元,用于根据分界阈值对合成孔径雷达数据图像的水体进行提取。
其中,在本实施例中,读取模块为数字高程模型。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种水灾损失评估方法,其特征在于,包括以下步骤:
S1:通过卫星获取保险标地的先进合成孔径雷达数据图像;
S2:获取所述先进合成孔径雷达数据图像中的水体与建筑物的分界阈值,并根据所述分界阈值对所述合成孔径雷达数据图像的水体进行提取;
S3:读取所述水体淹没所述建筑物的边界线高程数据,获得水淹面高程H;
S4:获取所述保险标地的高程h,并根据所述高程h和所述水淹面高程H,获取所述保险标地的水淹高度。
2.根据权利要求1所述的一种水灾损失评估方法,其特征在于,所述S2包括以下子步骤:
S21:获取所述先进合成孔径雷达数据图像的灰度值;并根据所述灰度值获取所述水体与所述建筑物的初始分界阈值;
S22:根据所述初始分界阈值获取所述水体的概率P0(t)以及所述建筑物的概率P1(t);
S23:根据所述概率P0(t)获取所述水体的概率均值u0(t),根据所述概率P1(t)获取所述建筑物的概率均值u1(t);
S24:根据所述概率P0(t)、所述概率P1(t)、所述概率均值u0(t)以及所述概率均值u1(t)获取所述分界阈值;
S25:根据所述分界阈值对所述合成孔径雷达数据图像的水体进行提取。
4.根据权利要求1-3中任意一项所述的一种水灾损失评估方法,其特征在于,所述S3包括以下子步骤:
S31:将所述先进合成孔径雷达数据图像导入数字高程模型中;
S32:采用目视解译法获得所述水淹面高程H。
5.根据权利要求1-3中任意一项所述的一种水灾损失评估方法,其特征在于,所述水淹高度由下式获取:
L=H-h;
其中,L表示水淹高度。
6.一种水灾损失评估系统,其特征在于,包括获取模块、提取模块、读取模块以及计算模块;
所述获取模块,用于获取保险标地的先进合成孔径雷达数据图像,以及所述保险标地的高程h;
所述提取模块,用于从所述先进合成孔径雷达数据图像中提取水体;
所述读取模块,用于读取所述水体淹没建筑物的边界线高程数据,获得水淹面高程H;
所述计算模块,用于根据所述高程h和所述水淹面高程H,获取所述保险标地的水淹高度。
7.根据权利要求6所述的一种水灾损失评估系统,其特征在于,所述提取模块包括获取单元、计算单元以及提取单元;
所述获取单元,用于获取所述先进合成孔径雷达数据图像的灰度值;并根据所述灰度值获取所述水体与所述建筑物的初始分界阈值;
所述计算单元,用于根据所述初始分界阈值获取所述水体的概率P0(t)以及所述建筑物的概率P1(t),并根据所述概率P0(t)获取所述水体的概率均值u0(t),根据所述概率P1(t)获取所述建筑物的概率均值u1(t);还用于根据所述概率P0(t)、所述概率P1(t)、所述概率均值u0(t)以及所述概率均值u1(t)获取所述分界阈值;
所述提取单元,用于根据所述分界阈值对所述合成孔径雷达数据图像的水体进行提取。
9.根据权利要求6-8中任意一项所述的一种水灾损失评估系统,其特征在于,所述读取模块为数字高程模型。
10.根据权利要求6-8中任意一项所述的一种水灾损失评估系统,其特征在于,所述水淹高度由下式获取
L=H-h;
其中,L表示水淹高度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110215712.5A CN112991373A (zh) | 2021-02-26 | 2021-02-26 | 一种水灾损失评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110215712.5A CN112991373A (zh) | 2021-02-26 | 2021-02-26 | 一种水灾损失评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112991373A true CN112991373A (zh) | 2021-06-18 |
Family
ID=76350936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110215712.5A Pending CN112991373A (zh) | 2021-02-26 | 2021-02-26 | 一种水灾损失评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991373A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070291994A1 (en) * | 2002-05-03 | 2007-12-20 | Imagetree Corp. | Remote sensing and probabilistic sampling based forest inventory method |
EP2146315A1 (en) * | 2008-07-16 | 2010-01-20 | Galileian Plus s.r.l. | Method of filtering SAR images from speckle noise and related device. |
JP2010156672A (ja) * | 2008-12-05 | 2010-07-15 | Sumitomo Osaka Cement Co Ltd | 構造物における水の検知方法及び構造物用部材並びに構造物における水の検知装置 |
CN104898183A (zh) * | 2015-05-29 | 2015-09-09 | 杭州辰青和业科技有限公司 | 暴雨城市内涝建模评估方法 |
CN105046706A (zh) * | 2015-07-13 | 2015-11-11 | 北京化工大学 | 基于有理多项式函数拟合海杂波的sar图像船只检测方法 |
CN105243367A (zh) * | 2015-10-12 | 2016-01-13 | 水利部水利信息中心 | 一种基于卫星遥感数据的水体范围监测方法和装置 |
CN106846341A (zh) * | 2017-02-20 | 2017-06-13 | 广东工业大学 | 一种船体复杂外板点云区域生长阈值确定方法及装置 |
CN107230214A (zh) * | 2017-05-27 | 2017-10-03 | 西安电子科技大学 | 基于递归otsu算法的sar图像水域自动检测方法 |
US20180165616A1 (en) * | 2016-12-13 | 2018-06-14 | John Sun | System and Method for Producing and Distributing Information Relevant to Water Events |
CN109801208A (zh) * | 2019-01-24 | 2019-05-24 | 西安电子科技大学 | 基于多gpu任务优化的sar图像变化检测方法 |
CN110009158A (zh) * | 2019-04-11 | 2019-07-12 | 中国水利水电科学研究院 | 台风暴雨洪水灾害全生命周期监测方法及系统 |
US20190318440A1 (en) * | 2018-04-17 | 2019-10-17 | One Concern, Inc | Flood risk analysis and mapping |
JP2020094893A (ja) * | 2018-12-12 | 2020-06-18 | 株式会社ニコン | データ処理方法、データ処理装置、およびデータ処理プログラム |
CN111709609A (zh) * | 2020-05-21 | 2020-09-25 | 成都正和德能风险管理咨询有限公司 | 一种地质灾害易发性评价方法 |
-
2021
- 2021-02-26 CN CN202110215712.5A patent/CN112991373A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070291994A1 (en) * | 2002-05-03 | 2007-12-20 | Imagetree Corp. | Remote sensing and probabilistic sampling based forest inventory method |
EP2146315A1 (en) * | 2008-07-16 | 2010-01-20 | Galileian Plus s.r.l. | Method of filtering SAR images from speckle noise and related device. |
JP2010156672A (ja) * | 2008-12-05 | 2010-07-15 | Sumitomo Osaka Cement Co Ltd | 構造物における水の検知方法及び構造物用部材並びに構造物における水の検知装置 |
CN104898183A (zh) * | 2015-05-29 | 2015-09-09 | 杭州辰青和业科技有限公司 | 暴雨城市内涝建模评估方法 |
CN105046706A (zh) * | 2015-07-13 | 2015-11-11 | 北京化工大学 | 基于有理多项式函数拟合海杂波的sar图像船只检测方法 |
CN105243367A (zh) * | 2015-10-12 | 2016-01-13 | 水利部水利信息中心 | 一种基于卫星遥感数据的水体范围监测方法和装置 |
US20180165616A1 (en) * | 2016-12-13 | 2018-06-14 | John Sun | System and Method for Producing and Distributing Information Relevant to Water Events |
CN106846341A (zh) * | 2017-02-20 | 2017-06-13 | 广东工业大学 | 一种船体复杂外板点云区域生长阈值确定方法及装置 |
CN107230214A (zh) * | 2017-05-27 | 2017-10-03 | 西安电子科技大学 | 基于递归otsu算法的sar图像水域自动检测方法 |
US20190318440A1 (en) * | 2018-04-17 | 2019-10-17 | One Concern, Inc | Flood risk analysis and mapping |
JP2020094893A (ja) * | 2018-12-12 | 2020-06-18 | 株式会社ニコン | データ処理方法、データ処理装置、およびデータ処理プログラム |
CN109801208A (zh) * | 2019-01-24 | 2019-05-24 | 西安电子科技大学 | 基于多gpu任务优化的sar图像变化检测方法 |
CN110009158A (zh) * | 2019-04-11 | 2019-07-12 | 中国水利水电科学研究院 | 台风暴雨洪水灾害全生命周期监测方法及系统 |
CN111709609A (zh) * | 2020-05-21 | 2020-09-25 | 成都正和德能风险管理咨询有限公司 | 一种地质灾害易发性评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mason et al. | Automatic near real-time selection of flood water levels from high resolution Synthetic Aperture Radar images for assimilation into hydraulic models: A case study | |
Camus et al. | Regional analysis of multivariate compound coastal flooding potential around Europe and environs: sensitivity analysis and spatial patterns | |
KR102399089B1 (ko) | 인공위성 영상정보를 이용한 홍수 피해 탐지 시스템 및 그 방법 | |
CN109186706A (zh) | 一种用于城市雨洪淹没区预警的方法 | |
CN108846402A (zh) | 基于多源数据的梯田田坎自动化提取方法 | |
Wang et al. | Automatic detection and update of landslide inventory before and after impoundments at the Lianghekou reservoir using Sentinel-1 InSAR | |
CN115984778A (zh) | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 | |
Nair et al. | Flood water depth estimation—A survey | |
Mararakanye et al. | Gully features extraction using remote sensing techniques | |
Berezowski et al. | Flooding extent mapping for synthetic aperture radar time series using river gauge observations | |
CN114494695A (zh) | 一种智慧水利城乡积涝水位监测预警方法及装置 | |
Kiesel et al. | A new modelling framework for regional assessment of extreme sea levels and associated coastal flooding along the German Baltic Sea coast | |
Leonard et al. | Measuring channel planform change from image time series: A generalizable, spatially distributed, probabilistic method for quantifying uncertainty | |
CN111308468B (zh) | 一种基于InSAR技术的形变风险区域自动识别的方法 | |
CN115578695B (zh) | 一种自由拍摄视角的水尺水位机器视觉检测方法及装置 | |
CN112991373A (zh) | 一种水灾损失评估方法及系统 | |
Wang et al. | An automatic thresholding method for water body detection from SAR image | |
CN116029162A (zh) | 利用星载gnss-r数据的洪涝灾害淹没范围监测方法和系统 | |
Sutikno | Integrated remote sensing and GIS for calculating shoreline change in rokan estuary | |
CN114219800A (zh) | 一种基于sar图像的洪涝检测方法 | |
OVERBECK et al. | Enhancing evaluation of post-storm morphologic response using aerial orthoimagery from Hurricane Sandy | |
CN114114332A (zh) | 一种有效探测gnss基准站坐标时间序列不连续点的方法 | |
CN113591714A (zh) | 一种基于卫星遥感图像洪涝检测方法 | |
Han et al. | Water distribution based on SAR and optical data to improve hazard mapping | |
Gorjizade et al. | Evaluation and Comparison of High Spatial Resolution Gridded Precipitation by TRMM, ERA5, and PERSIANN-CCS Datasets on the Upstream of the Maroon Basin, Iran |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |
|
RJ01 | Rejection of invention patent application after publication |