CN113128845B - 一种基于遥感影像和多源数据的屋顶绿化优先级计算方法 - Google Patents

一种基于遥感影像和多源数据的屋顶绿化优先级计算方法 Download PDF

Info

Publication number
CN113128845B
CN113128845B CN202110332365.4A CN202110332365A CN113128845B CN 113128845 B CN113128845 B CN 113128845B CN 202110332365 A CN202110332365 A CN 202110332365A CN 113128845 B CN113128845 B CN 113128845B
Authority
CN
China
Prior art keywords
building
formula
priority
roof greening
roof
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
CN202110332365.4A
Other languages
English (en)
Other versions
CN113128845A (zh
Inventor
吴送良
郭明强
黄颖
徐永洋
谢忠
吴亮
曹威
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.)
Hubei Dixin Technology Group Co ltd
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202110332365.4A priority Critical patent/CN113128845B/zh
Publication of CN113128845A publication Critical patent/CN113128845A/zh
Application granted granted Critical
Publication of CN113128845B publication Critical patent/CN113128845B/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
    • 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
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于遥感影像和多源数据的屋顶绿化优先级计算方法，包括：获取遥感影像，通过遥感影像采用深度卷积神经网络检测获取计算区域；计算区域即为：需要进行建筑物屋顶绿化优先级判断的区域；基于多源数据对计算区域进行空间叠加，定量计算屋顶绿化的优先级；所述多源数据包括：年均温度、年降雨量、建筑物到公园绿地距离和建筑物交通拥堵程度。本发明从定性与定量角度分析实施屋顶绿化的建筑物，评价每个建筑屋顶的绿化优先级。从建筑属性和绿化需求两个方面构建屋顶绿化指标体系，然后，结合多源数据，给出屋顶绿化指标的定量计算方法，最后进行屋顶绿化优先级评价，结合建筑物的实际情况，定性和定量分析屋顶绿化实施的优先级方案。

Description

一种基于遥感影像和多源数据的屋顶绿化优先级计算方法
技术领域
本发明涉及屋顶绿化领域，尤其涉及一种基于遥感影像和多源数据的屋顶绿化优先级计算方法。
背景技术
城市化是人口趋势的全球化问题，对环境具有重要影响。尽管城市仅占世界表面的一小部分，但城市地区是人类活动的核心领域，占全球人口的50％以上，占经济活动的7％～90％。由于城市扩张速度加快，大量人造建筑物和不透水表面代替了农田、草地等天然表面，对当地区域气候产生了深远的影响。城市热岛效应就是最明显的影响之一，指的是由于人类活动的影响导致城市中气温明显高于周围郊区的现象。目前，屋顶绿化被认为是缓解城市热岛效应现象，改善城市生态环境的有效途径之一。然而当前，对于屋顶绿化方案的相关研究比较匮乏。
发明内容
有鉴于此，针对以上技术问题，本发明提供了一种基于遥感影像和多源数据的屋顶绿化优先级计算方法。本发明基于遥感影像和多源数据，从定性与定量角度分析实施屋顶绿化的建筑物，评价每个建筑屋顶的绿化优先级。从建筑属性和绿化需求两个方面构建屋顶绿化指标体系，然后，结合多源数据，给出屋顶绿化指标的定量计算方法，最后进行屋顶绿化优先级评价，结合建筑物的实际情况，定性和定量分析屋顶绿化实施的优先级方案。
本发明提供的一种基于遥感影像和多源数据的屋顶绿化优先级计算方法，具体包括以下步骤：
S101：获取遥感影像，通过遥感影像采用深度卷积神经网络检测获取计算区域；所述计算区域即为：需要进行建筑物屋顶绿化优先级判断的区域；
S102：基于多源数据对计算区域进行空间叠加，定量计算屋顶绿化的优先级；所述多源数据包括：年均温度、年降雨量、建筑物到公园绿地距离和建筑物交通拥堵程度。
进一步地，步骤S101具体为：
采用深度卷积神经网络从遥感影像中初步提取适宜绿化的屋顶目标，将检测到的目标分割成b个预测区域，通过计算获取每个预测区域的得分Sconfi
预测区域得分计算公式如式1：
Sconfi＝P(Oobject)×I(truth,pred) 1
式1中，P(Oobject)表示适宜绿化的屋顶目标位于预测区域的概率，I(truth,pred)为预测区域与真实区域的交并比。
使用公式2对得分最高的预测区域以外的其他区域进行遍历，如果其他区域与得分最高的区域的交并比大于预设的阈值，则去除该区域，即得分赋予0值，从而去除目标物体上的重复预测框，筛选完毕后的预测区域即为建筑物屋顶绿化优先级的计算区域；
式2具体公式如下：
Figure GDA0003585232900000021
式2中，M为得分最高的预测区域，N为被比较的其它预测区域，I(M,bi)为M与N的交并比，Nt为预设的阈值参数。
进一步地，步骤S102中，所述年均温度和年降雨量数据通过全国的气象站点观测获得，并采用式3对计算区域的年均温度和年降水量数据进行处理，获得空间分布均匀的年均温度和年降水量数据：
Figure GDA0003585232900000031
式3中，λi为权重系数，整个计算区域为A，变量是年降水量或年均温度，变量满足{Z(x)∈A}，它在空间已知点xi(i＝1，2，…，n)处的值为Z(xi)(i＝1，2，…，n)，在空间未知点x0处的估计值Z(x0)是n个已知数据点属性值的加权和。
权重系数λi通过方程组4求解：
Figure GDA0003585232900000032
式4中μ为拉格朗日乘子，Cov(xi，xj)表示xi，xj的协方差。
进一步地，步骤S102中，建筑物到公园绿地距离Gi的计算公式如式5：
Figure GDA0003585232900000033
式5中，dij为建筑物yi(i＝1，2，…，n)到公园绿地j的距离，m为公园绿地总数，R为建筑物yi(i＝1，2，…，n)的缓冲区半径。
进一步地，步骤S102中，建筑物交通拥堵程度Ti的计算公式如式6：
Figure GDA0003585232900000034
式6中，dig为建筑物yi到道路g的距离，h为道路总数，kg为道路g的等级，cg为道路g的拥堵程度。
步骤S102中，定量计算屋顶绿化优先级如下：
对年均温度、年降雨量、建筑物到公园绿地距离和建筑物交通拥堵程度使用min-max法进行数据归一化处理，得到归一化后的年均温度NCe、归一化后的年降水量NPe、归一化后的建筑物到公园绿地距离NGe、归一化后的建筑物交通拥堵程度NTe；
采用式7计算屋顶绿化的优先级：
PLe＝0.25*NCe+0.25*NPe+0.25*NGe+0.25*NTe 7
式7中PLe为屋顶e最终计算的优先级；e为屋顶编号。本发明提供的有益效果是：从定性与定量角度分析实施屋顶绿化的建筑物，评价每个建筑屋顶的绿化优先级。从建筑属性和绿化需求两个方面构建屋顶绿化指标体系，然后，结合多源数据，给出屋顶绿化指标的定量计算方法，最后进行屋顶绿化优先级评价，结合建筑物的实际情况，定性和定量分析屋顶绿化实施的优先级方案。
附图说明
图1是本发明一种基于遥感影像和多源数据的屋顶绿化优先级计算方法的流程图。
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，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，一种基于遥感影像和多源数据的屋顶绿化优先级计算方法，包括以下：
S101：获取遥感影像，通过遥感影像采用深度卷积神经网络检测获取计算区域；所述计算区域即为：需要进行建筑物屋顶绿化优先级判断的区域；
S102：基于多源数据对计算区域进行空间叠加，定量计算屋顶绿化的优先级；所述多源数据包括：年均温度、年降雨量、建筑物到公园绿地距离和建筑物交通拥堵程度。
步骤S101具体为：
采用深度卷积神经网络从遥感影像中初步提取适宜绿化的屋顶目标，将检测到的目标分割成b个预测区域，通过计算获取每个预测区域的得分Sconfi
预测区域得分计算公式如式1：
Sconfi＝P(Oobject)×I(truth,pred)1式1中，P(Oobject)表示适宜绿化的屋顶目标位于预测区域的概率，I(truth,pred)为预测区域与真实区域的交并比。
使用公式2对得分最高的预测区域以外的其他区域进行遍历，如果其他区域与得分最高的区域的交并比大于预设的阈值，则去除该区域，即得分赋予0值，从而去除目标物体上的重复预测框，筛选完毕后的预测区域即为建筑物屋顶绿化优先级的计算区域；
式2具体公式如下：
Figure GDA0003585232900000051
式2中，M为得分最高的预测区域，N为被比较的其它预测区域，I(M,bi)为M与N的交并比，Nt为预设的阈值参数。
以上部分采用函数调用完成；依次为:
调用torch.nn的Darknet类建立模型:
model＝Darknet(cfg,imgsz)
cfg是模型配置文件路径，imgsz是输入图像的像素高宽；深度卷积神经网络的模型采用Darknet-53网络；
调用torch.load函数加载权重，代码如下:
torch.load(weights,map_location＝device)
weights是模型权重文件路径，device表示使用cpu或GPU编号；
调用torch.utils.Dataset类的LoadImages函数加载数据集，代码如下:
dataset＝LoadImages(source,img_size＝imgsz)
source是数据集路径，imgsz是数据集图像的像素高宽；
使用模型model进行预测
pred＝model(img)[0]
img为前面定义的dataset中的每个图像；
调用torchvision.ops库的nms函数，具体代码如下:
torchvision.ops.nms(boxes,scores,iou_thres)
boxes是图像的检测框，scores是检测框的得分，iou_thres是交并比阈值。
3、步骤S102中，所述年均温度和年降雨量数据通过全国的气象站点观测获得，并采用式3对计算区域的年均温度和年降水量数据进行处理，获得空间分布均匀的年均温度和年降水量数据：
Figure GDA0003585232900000061
式3中，λi为权重系数，整个计算区域为A，变量是年降水量或年均温度，变量满足{Z(x)∈A}，它在空间已知点xi(i＝1，2，…，n)处的值为Z(xi)(i＝1，2，…，n)，在空间未知点x0处的估计值Z(x0)是n个已知数据点属性值的加权和。
权重系数λi通过方程组4求解：
Figure GDA0003585232900000062
式4中μ为拉格朗日乘子，Cov(xi，xj)表示xi，xj的协方差。
以上部分调用arcpy.sa类的Kriging函数进行计算；
Kriging(in_point_features,z_field,model,cell_size,radius)
in_point_features是输入的点要素，z_field是每个点进行计算的字段，model为使用的模型，cell_size为输出栅格的像元大小，radius为邻近点的范围半径参数。
步骤S102中，建筑物到公园绿地距离Gi的计算公式如式5：
Figure GDA0003585232900000071
式5中，dij为建筑物yi(i＝1，2，…，n)到公园绿地j的距离，m为公园绿地总数，R为建筑物yi(i＝1，2，…，n)的缓冲区半径。
调用arcpy的GenerateNearTable_analysis函数计算建筑物到每个公园的距离；
GenerateNearTable_analysis(in_features,near_features,out_table,search_radius,closest)
in_features是输入要素，near_features是邻近要素，out_table为输出结果表，search_radius为搜索邻近要素的半径，closest是返回要素个数。
若建筑物yi在缓冲区内有m条道路，则交通拥堵程度Ti由建筑物周围一定范围R内的道路对其产生的影响决定，道路数量越多，道路等级越高、道路拥堵程度越高、建筑物距离道路越近，建筑物周围空气质量越差，屋顶绿化优先级越高；步骤S102中，建筑物交通拥堵程度Ti的计算公式如式6：
Figure GDA0003585232900000072
式6中，dig为建筑物yi到道路g的距离，h为道路总数，kg为道路g的等级，cg为道路g的拥堵程度。
调用arcpy的GenerateNearTable_analysis函数计算建筑物到每条道路的距离，具体调用方法与建筑物到公园绿地距离计算方法相同；
对年均温度、年降雨量、建筑物到公园绿地距离和建筑物交通拥堵程度使用min-max法进行数据归一化处理，得到归一化后的年均温度NCe、归一化后的年降水量NPe、归一化后的建筑物到公园绿地距离NGe、归一化后的建筑物交通拥堵程度NTe；
采用式7计算屋顶绿化的优先级：
PLe＝0.25*NCe+0.25*NPe+0.25*NGe+0.25*NTe 7
式7中PLe为屋顶e最终计算的优先级；e为屋顶编号。本发明的有益效果是：从定性与定量角度分析实施屋顶绿化的建筑物，评价每个建筑屋顶的绿化优先级。从建筑属性和绿化需求两个方面构建屋顶绿化指标体系，然后，结合多源数据，给出屋顶绿化指标的定量计算方法，最后进行屋顶绿化优先级评价，结合建筑物的实际情况，定性和定量分析屋顶绿化实施的优先级方案。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于遥感影像和多源数据的屋顶绿化优先级计算方法，其特征在于：包括：以下步骤：
S101：获取遥感影像，通过遥感影像采用深度卷积神经网络检测获取计算区域；所述计算区域即为：需要进行建筑物屋顶绿化优先级判断的区域；
S102：基于多源数据对计算区域进行空间叠加，定量计算屋顶绿化的优先级；所述多源数据包括：年均温度、年降雨量、建筑物到公园绿地距离和建筑物交通拥堵程度；
步骤S101具体为：
采用深度卷积神经网络从遥感影像中初步提取适宜绿化的屋顶目标，将检测到的目标分割成b个预测区域，通过计算获取每个预测区域的得分Sconfi
预测区域得分计算公式如式1：
Sconfi＝P(Oobject)×I(truth,pred) (1)
式(1)中，P(Oobject)表示适宜绿化的屋顶目标位于预测区域的概率，I(truth,pred)为预测区域与真实区域的交并比，
使用公式(2)对得分最高的预测区域以外的其他区域进行遍历，如果其他区域与得分最高的区域的交并比大于预设的阈值，则去除该区域，即得分赋予0值，从而去除目标物体上的重复预测框，筛选完毕后的预测区域即为建筑物屋顶绿化优先级的计算区域；
式(2)具体公式如下：
Figure FDA0003585232890000011
式(2)中，M为得分最高的预测区域，N为被比较的其它预测区域，I(M,N )为M与N的交并比，Nt为预设的阈值参数；
步骤S102中，所述年均温度和年降雨量数据通过全国的气象站点观测获得，并采用式(3)对计算区域的年均温度和年降水量数据进行处理，获得空间分布均匀的年均温度和年降水量数据：
Figure FDA0003585232890000021
式(3)中，λi为权重系数，整个计算区域为A，变量是年降水量或年均温度，变量满足{Z(x)∈A}，它在空间已知点xi处的值为Z(xi)，在空间未知点x0处的估计值Z(x0)是n个已知数据点属性值的加权和；
权重系数λi通过方程组(4)求解：
Figure FDA0003585232890000022
式(4)中μ为拉格朗日乘子，Cov(xi，xj)表示xi，xj的协方差；
步骤S102中，建筑物到公园绿地距离Gi的计算公式如式5：
Figure FDA0003585232890000023
式(5)中，dij为建筑物yi到公园绿地j的距离，m为公园绿地总数，R为建筑物yi的缓冲区半径；
步骤S102中，建筑物交通拥堵程度Ti的计算公式如式6：
Figure FDA0003585232890000024
式(6)中，dig为建筑物yi到道路g的距离，h为道路总数，kg为道路g的等级，cg为道路g的拥堵程度；
步骤S102中，定量计算屋顶绿化优先级如下：
对年均温度、年降雨量、建筑物到公园绿地距离和建筑物交通拥堵程度使用min-max法进行数据归一化处理，得到归一化后的年均温度NCe、归一化后的年降水量NPe、归一化后的建筑物到公园绿地距离NGe、归一化后的建筑物交通拥堵程度NTe；
采用式(7)计算屋顶绿化的优先级：
PLe＝0.25*NCe+0.25*NPe+0.25*NGe+0.25*NTe (7)
式(7)中PLe为屋顶e最终计算的优先级；e为屋顶编号。
CN202110332365.4A 2021-03-29 2021-03-29 一种基于遥感影像和多源数据的屋顶绿化优先级计算方法 Active CN113128845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110332365.4A CN113128845B (zh) 2021-03-29 2021-03-29 一种基于遥感影像和多源数据的屋顶绿化优先级计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110332365.4A CN113128845B (zh) 2021-03-29 2021-03-29 一种基于遥感影像和多源数据的屋顶绿化优先级计算方法

Publications (2)

Publication Number Publication Date
CN113128845A CN113128845A (zh) 2021-07-16
CN113128845B true CN113128845B (zh) 2022-06-24

Family

ID=76774227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110332365.4A Active CN113128845B (zh) 2021-03-29 2021-03-29 一种基于遥感影像和多源数据的屋顶绿化优先级计算方法

Country Status (1)

Country Link
CN (1) CN113128845B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266984B (zh) * 2021-12-07 2024-04-26 北京工业大学 一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007236379A (ja) * 2006-03-10 2007-09-20 Masaki Kai 小規模商業施設の屋上緑化工法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699903B (zh) * 2013-12-24 2017-02-15 中国科学院深圳先进技术研究院 基于图像识别的城市屋顶绿化面积计算方法及系统
WO2015108974A1 (en) * 2014-01-15 2015-07-23 Wildlife Conservation Society Systems, methods and computer program products for developing and sharing an ecological vision for a geographical location
CN110220598A (zh) * 2019-06-06 2019-09-10 青岛理工大学 一种基于红外检测的城市建筑群室外热环境数据采集方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007236379A (ja) * 2006-03-10 2007-09-20 Masaki Kai 小規模商業施設の屋上緑化工法

Also Published As

Publication number Publication date
CN113128845A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN112561146A (zh) 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法
US8995988B2 (en) Communication characteristic analyzing system, communication characteristic analyzing method, and communication characteristic analyzing program
CN107133686A (zh) 基于时空数据模型的城市级pm2.5浓度预测方法
CN113128845B (zh) 一种基于遥感影像和多源数据的屋顶绿化优先级计算方法
CN104517024A (zh) 一种基于建筑物尺度的城市绿度空间评价建模方法
CN113012771A (zh) 土壤重金属空间插值方法、装置及计算机可读存储介质
CN113591256A (zh) 一种山区输电线路杆塔雷击概率结果评估方法
CN104463971A (zh) 一种用于评价城市绿化三维布局的绿度空间配置曲线构建方法
CN116246169A (zh) 基于SAH-Unet的高分辨率遥感影像不透水面提取方法
CN115578227A (zh) 一种基于多源数据确定大气颗粒物污染重点区域的方法
Palazzolo et al. Using principal component analysis to incorporate multi-layer soil moisture information in hydrometeorological thresholds for landslide prediction: an investigation based on ERA5-Land reanalysis data
Evans et al. Broad-scale spatial prediction of areas at risk from dryland salinity
Parent et al. Simulating future forest fragmentation in a Connecticut region undergoing suburbanization
CN115718983B (zh) 一种基于城市尺度和风向通道的污染热点区域识别方法
KR102526361B1 (ko) 지역단위의 폭염 및 한파에 대한 지표면효과 분석 시스템 및 방법
CN111914896A (zh) 一种基于多源数据的城市局部气候区分类方法
Sun et al. Study on safe evacuation routes based on crowd density map of shopping mall
CN110837911B (zh) 一种大尺度地表节肢动物空间分布模拟方法
CN113254554A (zh) 基于地图抓取与聚类学习的城市街区热岛建模方法及系统
CN106529778A (zh) 基于智能手机的公共汽车乘车舒适性指标构建方法
CN112464417A (zh) 一种风景道廊道的鲁棒性评估方法
CN118097433B (zh) 基于深度学习的遥感图像处理方法及系统
CN117332357B (zh) 一种多指标融合的异常排放点位识别方法
CN116205771B (zh) 基于噪声监测与预测校准的声环境信息系统及其构建方法
CN117574329B (zh) 基于集成学习的二氧化氮精细化空间分布方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230103

Address after: 7th Floor, Beidou Building, No. 980, Gaoxin Avenue, Wuhan East Lake New Technology Development Zone, Wuhan, Hubei 430056

Patentee after: HUBEI DIXIN TECHNOLOGY GROUP CO.,LTD.

Address before: 430000 Lu Mill Road, Hongshan District, Wuhan, Hubei Province, No. 388

Patentee before: CHINA University OF GEOSCIENCES (WUHAN CITY)