CN113192086B - 地质灾害隐患变形强度分布图的生成方法和存储介质 - Google Patents
地质灾害隐患变形强度分布图的生成方法和存储介质 Download PDFInfo
- Publication number
- CN113192086B CN113192086B CN202110525324.7A CN202110525324A CN113192086B CN 113192086 B CN113192086 B CN 113192086B CN 202110525324 A CN202110525324 A CN 202110525324A CN 113192086 B CN113192086 B CN 113192086B
- Authority
- CN
- China
- Prior art keywords
- data
- deformation
- vector
- layer
- 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
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
- G06T7/11—Region-based segmentation
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种地质灾害隐患变形强度分布图的生成方法和存储介质。根据本发明的实施例,利用改进的Mask RCNN实例分割方法对年平均形变相位图进行学习,初步确定疑似滑坡隐患点的位置和边界,再根据水文分析法实现特定条件约束的斜坡单元划分与修正,在斜坡单元基础上,进一步优化处理最终确定斜坡隐患点InSAR显著形变区边界矢量图,将边界矢量图和雷达视线方向上的年平均形变速率栅格图进行空间叠加分析后,获得广域尺度下滑坡灾害隐患InSAR显著性形变区的变形强度分布图。因此,采用本发明能够基于初始形变相位图自动识别和确定全国范围的滑坡地质灾害隐患InSAR形变的变形强度和活动状态,快速掌握大范围活动性滑坡分布,进而有效规避灾害风险。
Description
技术领域
本发明涉及地质灾害监测技术领域,更为具体而言,涉及一种地质灾害隐患形变区的变形强度分布图的生成方法和存储介质。
背景技术
滑坡灾害是山区主要的地质灾害之一,因发生时分布广、破坏大,给山区居民带来巨大的环境危害和经济损失,甚至威胁到生命安全。大量的研究案例发现滑坡在演化成灾前通常会产生表面变形现象,因此,开展以形变探测为主的滑坡隐患识别,尽早发现和识别滑坡隐患点,掌握广域灾害隐患形变活动状态和形变强度,可以进一步为灾害监测和预警提供有力的数据与技术支撑。
滑坡形变监测通常采用多种监测手段相结合的方法,例如基于地面的监测技术,这种监测方法只能获取离散点观测数据,对于局部的地质灾害隐患区的监测防范有效,但无法进行大范围高密度的形变监测。而我国地质灾害点多面广,从近年来发生的多起重大地质灾害分析发现,新生地质灾害具有高位、隐蔽性、远程运动等特点,仅靠前述方法无法全面识别和发现地质灾害中的滑坡隐患。
对此,遥感技术以其宏观、快速等优势弥补了上述方法的不足,被广泛地应用于滑坡灾害普查中,特别是干涉合成孔径雷达(InSAR)已被证明是监测区域滑坡地表变形的最独特、有效的手段,是传统地面监测方法、光学卫星遥感技术很好的补充。通过InSAR技术获得地表形变信息,大范围快速识别正在变形或者有变形迹象的滑坡隐患分布,从而确定疑似滑坡的位置、形变强度、活动状态,有效规避灾害风险。
目前对于滑坡隐患InSAR显著性形变区的识别主要有基于PS-InSAR(PersistentScatterer Interferometric Synthetic Aperture Radar,永久散射体合成孔径雷达干涉测量)、DS-InSAR(Distributed scatter InSAR,分布式目标雷达干涉)或者两种联合点时序分析方法获取形变信息,结合专家经验对相干目标的年平均形变速率图和时序数据进行目视解译,识别InSAR显著性形变区,这种方法依赖专业人员完成识别,受人为主观性影响较大,存在工作量大、效率低的缺点。除此之外,还可以通过对相干目标点形变速率设定阈值,进行空间聚类,识别InSAR显著性形变区,但是这种方法受区域阈值设定变化和数据噪声的影响,处于半人工半自动状态,存在一定的局限性。
根据前述可知,目前针对滑坡隐患InSAR显著性形变区的识别方法,存在广域尺度下滑坡隐患InSAR形变聚集区自动识别效率低的问题。在我国地形地貌、地质构造等自然条件复杂,加之行政区划等社会条件影响,全国尺度的滑坡地质灾害隐患斜坡变形强度分区各异性较大的情形下,掌握全国尺度滑坡灾害隐患变形强度分布有助于地质灾害监测预警,降低灾害发生风险。
发明内容
本发明实施方式提供了一种地质灾害隐患形变区的变形强度分布图的生成方法和存储介质,基于改进的Mask RCNN确定回归边界框和实现掩膜分割,从而确定初步的形变区边界面矢量图层,然后通过特定条件约束的斜坡单元划分生成斜坡单元矢量面图层,再对斜坡单元矢量面图层和初步的形变区边界面矢量图层进行地理信息系统空间分析,获得包括两个输入图层的第一属性信息、第二属性信息的新的形变区边界图层,并对所述新的形变区边界面矢量图层进行优化,最后将优化后的形变区边界面矢量图层和雷达视线方向上的年平均形变速率栅格图进行空间叠加分析,得到地质灾害隐患形变区的变形强度分布图。基于该变形强度分布图能够直观的确定我国斜坡隐患点InSAR显著形变区位置、边界、变形强度和活动状态,从而快速掌握大范围活动性滑坡分布,提高广域尺度下滑坡隐患InSAR显著性形变区普查识别能力。
根据本发明的第一方面,本发明实施方式提供了一种地质灾害隐患形变区的变形强度分布图的生成方法,该生成方法包括:获得年平均形变相位RGB色彩图像;基于所述年平均形变相位RGB图像提取不同深度的网络层次的多个原始特征数据;对原始特征数据进行卷积运算,以获取各网络层次的第二特征信息;将所述各网络层次的第二特征信息中深层的网络层次对应的第二特征信息与其他网络层次的第二特征信息连接,生成各网络层次的第三特征信息;对所述连接后的各网络层次对应的所述第三特征信息进行卷积运算,获得多层特征图;基于所述多层特征图确定候选框,将所述候选框映射到所述多层特征图的特征层中,生成相同空间大小的多个ROI待处理区域,并对每个ROI待处理区域的类别进行预测,确定回归边界框;对所述多个ROI待处理区域内的每个像素进行分类预测,实现像素级的掩膜分割;基于所述掩膜分割确定初步的形变区边界面矢量图层;根据预设条件对确定区域的数字高程数据进行斜坡单元划分,生成斜坡单元矢量面图层;对所述斜坡单元矢量面图层和初步的形变区边界面矢量图层进行地理信息系统空间分析,获得包括两个输入图层的第一属性信息、第二属性信息的新的形变区边界图层,并对所述新的形变区边界面矢量图层进行优化;将所述优化后的形变区边界面矢量图层和雷达视线方向上的年平均形变速率栅格图进行空间叠加分析,得到变形强度分布图。
本发明上述实施方式首先基于年平均形变相位RGB图像获取多层特征图,并基于多层特征图确定回归边界框和实现掩膜分割,从而确定初步的形变区边界面矢量图层,然后通过斜坡单元划分生成斜坡单元矢量面图层,再对斜坡单元矢量面图层和初步的形变区边界面矢量图层进行地理信息系统空间分析,获得包括两个输入图层的第一属性信息、第二属性信息的新的形变区边界图层,并对所述新的形变区边界面矢量图层进行优化,最后将优化后的形变区边界面矢量图层和雷达视线方向上的年平均形变速率栅格图进行空间叠加分析,得到地质灾害隐患形变区的变形强度分布图。基于该变形强度分布图能够直观的确定斜坡隐患点InSAR显著形变区位置、边界、变形强度和活动状态,从而快速掌握大范围活动性滑坡分布,提高广域尺度下滑坡隐患InSAR显著性形变区普查识别能力。
在本发明的一些实施方式中,通过Stacking-InSAR观测技术和预设参数处理存档数据,获得规定时间段内的年平均形变相位RGB图像。
在本发明的一些实施方式中,基于所述多层特征图确定候选框包括:利用区域生成网络生成多个目标区域;使用所述目标区域和真值框面积的交集和并集的比值计算出该目标区域的显著性形变区分数;将所述显著性形变区分数超过预定值的区域作为所述候选框。
在本发明的一些实施方式中,通过全卷积网络对所述多个ROI待处理区域内的每个像素进行分类预测。
在本发明的一些实施方式中,基于所述掩膜分割确定初步的形变区边界面矢量图层包括:针对所述年平均形变相位RGB图像赋予所述掩膜分割数据坐标系统,并对其进行栅格矢量转换,得到所述初步的形变区边界面矢量图层。
在本发明的一些实施方式中,根据预设条件对确定区域的数字高程数据进行斜坡单元划分,生成斜坡单元矢量面图层包括:将所述确定区域的数字高程数据进行镶嵌、裁剪处理,得到所述确定区域的高程栅格数据;根据所述高程栅格数据进行斜坡单元划分。
在本发明的一些实施方式中,根据预设条件对确定区域的数字高程数据进行斜坡单元划分,生成斜坡单元矢量面图层还包括:通过对正数字高程数据进行填洼生成第一无洼地数据,对填洼后的正数字高程数据提取第一水流方向;根据地形和所述第一水流方向计算第一汇流累积量;通过设置所述第一汇流累积量阈值生成第一河网图数据,结合所述第一水流方向数据,获得第一河流链接栅格数据,进而生成第一分水岭数据;对所述第一分水岭数据进行栅格矢量转换,获得正集水流域面矢量数据;通过所述正数字高程数据的最高高程减去原始数字高程数据得到反数字高程数据;对所述反数字高程数据进行填洼生成第二无洼地数据,对填挖后的反数字高程数据提取第二水流方向;根据地形和所述第二水流方向计算第二汇流累积量;通过设置所述第二汇流累积量阈值生成第二河网图数据,结合所述第二水流方向数据,获得第二河流链接栅格数据,进而生成第二分水岭数据;对所述第二分水岭数据进行栅格矢量转换,获得反集水流域面矢量数据;将正集水流域面矢量数据、反集水流域面矢量数据合并叠加生成所述斜坡单元矢量面图层。
在本发明的一些实施方式中,根据预设条件对确定区域的数字高程数据进行斜坡单元划分还包括:通过所述正数字高程数据生成坡度数据,并对所述坡度数据大于预定坡度数据的数字高程数据进行所述斜坡单元划分;对生成的所述斜坡单元矢量面图层进行面积计算和统计,设置面积尺度约束预定值,删除零碎的斜坡单元。
本发明上述实施方式通过对坡度数据大于预定坡度数据的数字高程数据进行斜坡单元划分,可以剔除坡度数据较低的数字高程数据,确定水平地表与倾斜地表界限,从而减少对于在水平地表处生成大量平行状河网的情况。以及,根据面积尺度约束预定值删除部分斜坡单元,能够避免斜坡单元过于零碎。
在本发明的一些实施方式中,对所述新的形变区边界面矢量图层进行优化包括:结合行政区划矢量图对所述新的形变区边界面矢量图层进行调整和分割。
本发明上述实施方式结合行政区划矢量图对新的形变区边界面矢量图层进行调整和分割,能够保障行政单元的完整性,自动生成符合地理划分标准的地质灾害隐患形变区的变形强度分布图,从而直接提供形变区的地理位置。
根据本发明的第二方面,本发明实施方式提供一种计算机可读存储介质,其上存储有计算机可读指令,所述计算机可读指令被处理器执行时,使得计算机执行如下操作:所述操作包括如上任意一种实施方式所述生成方法所包含的步骤。
综上所述,本发明实施方式提供的地质灾害隐患形变区的变形强度分布图的生成方法和存储介质,首先基于年平均形变相位RGB图像获取多层特征图,并基于多层特征图确定回归边界框和实现掩膜分割,从而确定初步的形变区边界面矢量图层,然后通过特定条件约束的斜坡单元划分生成斜坡单元矢量面图层,再对斜坡单元矢量面图层和初步的形变区边界面矢量图层进行地理信息系统空间分析,获得包括两个输入图层的第一属性信息、第二属性信息的新的形变区边界图层,并对新的形变区边界面矢量图层进行优化,最后将优化后的形变区边界面矢量图层和雷达视线方向上的年平均形变速率栅格图进行空间叠加分析,得到地质灾害隐患形变区的变形强度分布图。基于该变形强度分布图能够直观的确定斜坡隐患点InSAR显著形变区位置、边界、变形强度和活动状态,从而快速掌握大范围活动性滑坡分布,提高广域尺度下滑坡隐患InSAR显著性形变区普查识别能力。
附图说明
图1是根据本发明一种实施方式的地质灾害隐患形变区的变形强度分布图的生成方法的流程示意图;
图2是根据本发明另一种实施方式的地质灾害隐患形变区的变形强度分布图的生成方法的流程示意图。
具体实施方式
以下结合附图和具体实施方式对本发明的各个方面进行详细阐述。本领域技术人员应当理解,下述的各种实施方式只用于举例说明,而非用于限制本发明的保护范围,在不脱离本发明实质的情况下,还可以对本发明的各种实施方式进行各种不同的组合。
下面对本文中使用的术语进行简要说明。
Stacking-InSAR:Stacking interferograms,干涉图堆叠时序合成孔径雷达干涉测量。
InSAR:Interferometric Synthetic Aperture Radar,干涉合成孔径雷达,指采用干涉测量技术的合成孔径雷达。
PS-InSAR:Persistent Scatterer Interferometric Synthetic ApertureRadar,永久散射体合成孔径雷达干涉测量。
DS-InSAR:Distributed scatter InSAR,分布式目标雷达干涉。
Sentinel-1(S-1):欧空局(ESA)合成孔径雷达(SAR)数据服务专用星座,用于中等分辨率大面积重复轨道干涉测量,双星重访周期6d,其中宽幅模式(IW)和超宽幅模式(EW)可进行干涉测量。S-1采用TOPS成像技术,其优点是影像一致性好、噪声小。
RGB:RGB色彩模式是工业界的一种颜色标准,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色。
ResNet-50:一种神经网络模型,运用于各种特征提取应用中。
CNN:Convolutional Neural Networks,卷积神经网络。
FCN:Fully Convolutional Networks,全卷积网络。
FPN:Feature Pyramid Network,特征金字塔网络,一种利用常规CNN模型来高效提取图片中各维度特征的方法;FPN是一种自顶向下的特征融合方法,但是FPN是一种多尺度的目标检测算法,即不只有一个特征预测层。
Mask RCNN:一种实例分割(Instance segmentation)算法,通过增加不同的分支,可以完成目标分类、目标检测、语义分割、实例分割、人体姿势识别等多种任务,灵活而强大。Mask R-CNN是在Faster R-CNN的基础上添加了一个预测分割mask(掩膜)的分支。
RPN:RegionProposal Network,区域生成网络。RPN可以理解为一种全卷积网络,该网络可以进行end-to-end的训练,最终目的是为了推荐候选区域。
ROIAlign:一种区域特征聚集方式,能够很好地解决ROI Pooling(一种用于将所有的候选框转换成固定的尺寸的方法)操作中两次量化造成的区域不匹配(mis-alignment)的问题。实验显示,在检测任务中将ROI Pooling替换为ROI Align可以提升检测模型的准确性。
ROI(ROIs):region of interest,感兴趣的区域。在机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。
Arcgis平台:Arcgis是由ESRI出品的一个地理信息系统系列软件的总称。ArcGIS产品线为用户提供一个可伸缩的,全面的GIS平台。ArcObjects包含了许多的可编程组件,从细粒度的对象(例如单个的几何对象)到粗粒度的对象(例如与现有ArcMap文档交互的地图对象)涉及面极广,这些对象为开发者集成了全面的GIS(Geographic InformationSystem或Geo-Information system,地理信息系统)功能。
DEM:Digital Elevation Model,数字高程数据。
图1是根据本发明一种实施方式的地质灾害隐患形变区的变形强度分布图的生成方法的流程示意图。
如图1所示,在本发明的一种实施方式中,所述变形强度分布图的生成方法可包括:步骤S101、步骤S102、步骤S103、步骤S104、步骤S105、步骤S106、步骤S107、步骤S108、步骤S109、步骤S110和步骤S111,下面对上述步骤进行具体的描述。
在步骤S101中,获得年平均形变相位RGB色彩图像。在一种实施方式中,通过Stacking-InSAR观测技术和预设参数处理存档数据,获得规定时间段内的年平均形变相位RGB图像。例如,利用Stacking-InSAR技术处理全国2017年至2020年Sentinel-1TOPS存档数据,获得2017年-2020年四年的年平均形变相位RGB图像。其中,在相干性条件较好的地区时间基线的设置、滤波窗口的设置,与植被覆盖高的地区参数的设置不同。由此,可以通过年平均形变相位RGB图像中条纹形态识别灾害隐患,确定形变异常区。
可选的,用于获取年平均形变相位RGB色彩图像的规定时间段可以为任意年数、月数、天数等,对应获取年平均形变相位RGB色彩图像、月平均形变相位RGB色彩图像等。
在步骤S102中,基于所述年平均形变相位RGB图像提取不同深度的网络层次的多个原始特征数据。在一种实施方式中,将步骤S101中获得的每一景的年平均形变相位RGB图像作为输入图像,采用ResNet-50网络构建提取框架,对年平均形变相位RGB图像进行不同深度的网络层次的特征提取,并得到多个网络层次的多个原始特征数据。
在步骤S103中,对原始特征数据进行卷积运算,以获取各网络层次的第二特征信息。
在步骤S104中,将所述各网络层次的第二特征信息中深层的网络层次对应的第二特征信息与其他网络层次的第二特征信息连接,生成各网络层次的第三特征信息。其中,所述第三特征信息为将深层的网络层次对应的特征信息与其他网络层次的特征信息连接后得到的增强的特征层信息。
在步骤S105中,对所述连接后的各网络层次对应的所述第三特征信息进行卷积运算,获得多层特征图。
在步骤S106中,基于所述多层特征图确定候选框,将所述候选框映射到所述多层特征图的特征层中,生成相同空间大小的多个ROI待处理区域,并对每个ROI待处理区域的类别进行预测,确定回归边界框。
在一种实施方式中,基于所述多层特征图确定候选框可以包括如下步骤:
(1)利用区域生成网络RPN生成多个目标区域;
(2)使用所述目标区域和真值框面积的交集和并集的比值计算出该目标区域的显著性形变区分数;
(3)将所述显著性形变区分数超过预定值的目标区域作为所述候选框。
在本发明可选的实施方式中,在上述步骤(3)中,可以按照所述显著性形变区分数由高到低的顺序排列多个目标区域,并将排序在前K个的目标区域作为所述候选框。其中,K为自然数,可以为预设的固定值,也可以根据显著性形变区分数的值相应变化。
在步骤S107中,对所述多个ROI待处理区域内的每个像素进行分类预测,实现像素级的掩膜分割。在一种实施方式中,可以通过全卷积网络FCN对所述多个ROI待处理区域内的每个像素进行分类预测。
在步骤S108中,基于所述掩膜分割确定初步的形变区边界面矢量图层。在一种实施方式中,基于所述掩膜分割确定初步的形变区边界面矢量图层可以包括:针对所述年平均形变相位RGB图像赋予掩膜分割数据坐标系统,并对其进行栅格矢量转换,得到所述初步的形变区边界面矢量图层。
在步骤S109中,根据预设条件对确定区域的数字高程数据进行斜坡单元划分,生成斜坡单元矢量面图层。在一种实施方式中,根据预设条件对确定区域的数字高程数据进行斜坡单元划分,生成斜坡单元矢量面图层可以包括:将所述确定区域的数字高程数据进行镶嵌、裁剪处理,得到所述确定区域的高程栅格数据;根据所述高程栅格数据进行斜坡单元划分。其中,可以将空间分辨率为30m×30m的DEM数据进行镶嵌、裁剪处理,得到所述确定区域的高程栅格数据。
可选的,可以利用Arcgis平台通过下述具体步骤生成斜坡单元矢量面图层:
(1)通过对正DEM进行填洼生成第一无洼地数据,对填洼后的正DEM数据提取第一水流方向;
(2)根据地形和所述第一水流方向计算第一汇流累积量;
(3)通过设置所述第一汇流累积量阈值生成第一河网图数据,结合所述第一水流方向数据,获得第一河流链接栅格数据,进而生成第一分水岭数据;
(4)对所述第一分水岭数据进行栅格矢量转换,获得正集水流域面矢量数据;
(5)通过所述正DEM数据的最高高程减去原始DEM数据得到反DEM数据;
(6)对所述反DEM数据进行填洼生成第二无洼地数据,对填挖后的反DEM数据提取第二水流方向;
(7)根据地形和所述第二水流方向计算第二汇流累积量;
(8)通过设置所述第二汇流累积量阈值生成第二河网图数据,结合所述第二水流方向数据,获得第二河流链接栅格数据,进而生成第二分水岭数据;
(9)对所述第二分水岭数据进行栅格矢量转换,获得反集水流域面矢量数据;
(10)将正集水流域面矢量数据、反集水流域面矢量数据合并叠加生成所述斜坡单元矢量面图层。
在本发明的另一种实施方式中,可以通过正数字高程数据生成坡度数据,并对所述坡度数据大于预定坡度数据的数字高程数据进行前述的斜坡单元划分。通过剔除坡度数据较低的数字高程数据,确定水平地表与倾斜地表界限,可以减少对于在水平地表处生成大量平行状河网的情况。其中,所述预定坡度数据例如可以设为5,可选的,所述预定坡度数据可以根据地质灾害隐患形变区的历史变形特点及专家经验设定为其他数值。
在其他可选的实施方式中,还可以在斜坡单元划分过程中进行面积尺度约束,避免斜坡单元过于零碎。具体而言,通过对生成的斜坡单元矢量面图层进行面积计算和统计,设置面积尺度约束预定值,以删除零碎的斜坡单元。
在步骤S110中,对所述斜坡单元矢量面图层和初步的形变区边界面矢量图层进行地理信息系统空间分析,获得包括两个输入图层的第一属性信息、第二属性信息的新的形变区边界图层,并对所述新的形变区边界面矢量图层进行优化。在一种实施方式中,对所述新的形变区边界面矢量图层进行优化可以包括:结合行政区划矢量图对所述新的形变区边界面矢量图层进行调整和分割。由此,能够保障行政单元的完整性,自动生成符合地理划分标准的地质灾害隐患形变区的变形强度分布图,从而直接提供形变区的地理位置。
在步骤S111中,将所述优化后的形变区边界面矢量图层和雷达视线方向上的年平均形变速率栅格图进行空间叠加分析,得到变形强度分布图。
采用本发明实施方式的上述方法,基于改进的MaskRCNN确定回归边界框和实现掩膜分割,从而确定初步的形变区边界面矢量图层,然后通过斜坡单元划分生成斜坡单元矢量面图层,再对斜坡单元矢量面图层和初步的形变区边界面矢量图层进行地理信息系统空间分析,获得包括两个输入图层的第一属性信息、第二属性信息的新的形变区边界图层,并对新的形变区边界面矢量图层进行优化,最后将优化后的形变区边界面矢量图层和雷达视线方向上的年平均形变速率栅格图进行空间叠加分析,得到地质灾害隐患形变区的变形强度分布图。基于该变形强度分布图能够直观的确定斜坡隐患点InSAR显著形变区位置、边界、变形强度和活动状态,从而快速掌握大范围活动性滑坡分布,提高广域尺度下滑坡隐患InSAR显著性形变区普查识别能力。
图2是根据本发明另一种实施方式的地质灾害隐患形变区的变形强度分布图的生成方法的流程示意图。
如图2所示,所述生成方法包括:
第一步:利用Stacking-InSAR技术处理全国几年内的Sentinel-1TOPS存档数据,分幅获得每一景的年平均形变相位RGB图像。其中,在相干性条件较好的地区时间基线的设置、滤波窗口的设置,与植被覆盖高的地区参数的设置不同。由此,可以通过年平均形变相位RGB图像中条纹形态识别灾害隐患,确定形变异常区。
第二步:首先,将获得的每一景的年平均形变相位RGB图像作为输入图像,采用ResNet-50网络构建提取框架,对年平均形变相位RGB图像进行不同深度的网络层次的特征提取,获得五个阶段(五种不同尺度)的特征图B0、B1、B2、B3、B4;其次,利用原始的FPN将B4-B1层分别经过1x 1卷积获得S4-S1层,然后改进Mask RCNN中的FPN网络,通过一种串联的方式,将S4分别连接到S3、S2和S1,生成各个尺度(大小不同的)的增强的特征层信息,通过将深层的网络层次对应的特征信息与其他网络层次的特征信息连接,使得年平均形变相位RGB图像中所述增强的特征层既包含S3、S2、S1的浅层细节信息,又有深层S4所包含的强语义信息特征;最后对增强的特征层进行卷积运算,同时分别减少特征通道数量,最终形成新的特征图D4、D3、D2、D1。其中,D4、D3、D2、D1分别对应原先的特征B4、B3、B2、B1。
第三步:(1)通过下述步骤实现Mask-RCNN目标检测的一个分支:基于改进的FPN提取的多层特征图D4、D3、D2、D1,构建RPN网络提取候选区域:利用RPN生成候选区域,每个候选区域都含有一个属于改进的FPN特征图的滑坡隐患显著性形变区分数,该滑坡隐患显著性形变区分数通过候选区域和真值框面积的交集和并集的比值计算得出,将该滑坡隐患显著性形变区分数由高到低排列,并将排名前K的目标候选区域作为RPN输出的粗候选框;将获得的粗候选框,再次映射到改进FPN提取的多层次特征层中,并生成roi(roi指每个回归目标边界内的区域),利用ROIAlign生成相同空间大小的rois,使用两个全连接(FC)层,对每个roi的类别进行预测,并确定最终的回归边界框,以实现Mask-RCNN目标检测分支之一。
(2)通过下述步骤实现Mask-RCNN目标检测的另一个分支:使用全卷积网络(FCN)对前述多个roi区域内的每个像素进行分类预测,实现像素级的mask分割。
通过改进的FPN网络结构,能够使小的识别目标被映射到改进FPN的浅层,较大的目标被映射到改进FPN的中间层,不同大小的目标分别被映射到改进FPN的其他层,因此,改进的Mask RCNN实例分割框架极大地提高了相位图上条纹形状不规则、大小不一的目标识别精度,解决了在原始FPN网络下采样过程中形成的深层特征图中具有较强的语义信息,但是弱化了滑坡隐患显著性形变区的细节信息,导致低分辨率特征图中很难完成对这些小像素点的识别的问题。
(3)针对原始年平均形变相位RGB图像,赋予通过第二、三步获得每一景年平均形变相位RGB图像的InSAR显著性形变区的边界数据的坐标系统,得到初步的形变区边界面矢量图层。
第四步:利用Arcgis平台,根据空间分辨率为30m×30m的数字高程数据DEM对中国区域DEM数据进行镶嵌、裁剪处理,得到全国高程栅格数据,然后进行斜坡单元划分。
在一种实施方式中,第四步具体可以包括如下处理:
(1)对正DEM进行填洼,以生成无洼地数据,对填洼后的正DEM提取水流方向;
(2)根据地形和水流方向计算汇流累积量,通过设置流量阈值生成河网图数据,结合流向数据,获得河流链接栅格数据,进而生成分水岭数据;
(3)对分水岭数据进行栅格矢量转换,获得正集水流域面矢量数据;
(4)用每一景的正DEM数据的最高高程减去原DEM计算得到反DEM数据,重复正DEM生成分水岭的步骤,获得反集水流域面矢量数据;
(5)通过每一景DEM数据生成坡度数据,设置小于5度为平地数据,不参与斜坡单元划分;
(6)将正集水流域面矢量数据、反集水流域面矢量数据合并叠加生成斜坡单元矢量面图层。
第五步,将斜坡单元矢量面图层与边界面矢量图层进行地理信息系统空间分析,获得包括两个输入图层的第一属性信息(面积)、第二属性信息(ID)的新的形变区边界图层。结合行政区域数据,在斜坡单元跨不同的县级行政区域时,利用行政区划矢量图进行调整和分割,保障行政单元上的完整性,优化对斜坡滑坡地质灾害隐患形变区的分区。
第六步,利用上述形变区边界面矢量图层与雷达视线方向上的年平均形变速率栅格图进行空间叠加分析,将斜坡变形强度等级分为三级:无明显形变、明显形变和显著形变,最终确定全国范围的滑坡地质灾害隐患斜坡变形强度和活动状态。
采用本发明实施方式的上述方法,基于Stacking-InSAR技术获得年平均形变相位图,利用改进的Mask RCNN实例分割方法,对年平均形变相位图进行学习,初步确定疑似滑坡隐患点的位置和边界,再根据水文分析法实现特定条件约束的斜坡单元划分与修正,在以斜坡单元基础上,进一步优化处理最终确定斜坡隐患点InSAR显著形变区边界图,将边界矢量图和雷达视线方向上的年平均形变速率栅格图进行空间叠加分析后,获得广域尺度下滑坡灾害隐患InSAR显著性形变区分布,最后按照县级行政区划为基本单元,将斜坡变形强度等级分为三个等级,从而确定全国范围的滑坡地质灾害隐患InSAR形变变形强度和活动状态,能够实现快速掌握大范围活动性滑坡分布,进而有效规避灾害风险。
通过以上实施方式的描述,本领域的技术人员可以清楚地了解到本发明可借助软件结合硬件平台的方式来实现。基于这样的理解,本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施方式或者实施方式的某些部分所述的方法。
对应的,本发明实施方式还提供一种计算机可读存储介质,其上存储有计算机可读指令或程序,所述计算机可读指令或程序被处理器执行时,使得处理器执行如下操作:所述操作包括如上任意一种实施方式所述生成方法所包含的步骤,在此不再赘述。其中,所述存储介质可以包括:例如,光盘、硬盘、软盘、闪存、磁带等。本发明上述实施方式的部分或全部可以通过计算机设备实现,所述计算机设备包括上述存储介质和处理器,所述处理器执行所述存储介质中的计算机可读指令以执行上述任一实施方式所记载的步骤、操作、处理。
最后应说明的是:以上实施方式仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施方式对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施方式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,并不使相应技术方案的本质脱离本发明各实施方式技术方案的精神和范围。因此本发明的保护范围应以权利要求为准。
Claims (10)
1.一种地质灾害隐患形变区的变形强度分布图的生成方法,所述生成方法包括:
获得年平均形变相位RGB色彩图像;
基于所述年平均形变相位RGB图像提取不同深度的网络层次的多个原始特征数据;
对原始特征数据进行卷积运算,以获取各网络层次的第二特征信息;
将所述各网络层次的第二特征信息中最深层的网络层次对应的第二特征信息与其他网络层次的第二特征信息连接,生成各网络层次的第三特征信息;
对所述连接后的各网络层次对应的所述第三特征信息进行卷积运算,获得多层特征图;
基于所述多层特征图确定候选框,将所述候选框映射到所述多层特征图的特征层中,生成相同空间大小的多个ROI待处理区域,并对每个ROI待处理区域的类别进行预测,确定回归边界框;
对所述多个ROI待处理区域内的每个像素进行分类预测,实现像素级的掩膜分割;
基于所述掩膜分割确定初步的形变区边界面矢量图层;
根据预设条件对确定区域的数字高程数据进行斜坡单元划分,生成斜坡单元矢量面图层;
对所述斜坡单元矢量面图层和初步的形变区边界面矢量图层进行地理信息系统空间分析,获得包括所述斜坡单元矢量面图层和初步的形变区边界面矢量图层对应的第一属性信息、第二属性信息的新的形变区边界图层,所述第一属性信息为面积,所述第二属性信息为ID,并对所述新的形变区边界面矢量图层进行优化;
将所述优化后的形变区边界面矢量图层和雷达视线方向上的年平均形变速率栅格图进行空间叠加分析,得到变形强度分布图。
2.如权利要求1所述的生成方法,其特征在于,通过Stacking-InSAR观测技术和预设参数处理存档数据,获得规定时间段内的年平均形变相位RGB图像。
3.如权利要求1所述的生成方法,其特征在于,基于所述多层特征图确定候选框包括:
利用区域生成网络生成多个目标区域;
使用所述目标区域和真值框面积的交集和并集的比值计算出该目标区域的显著性形变区分数;
将所述显著性形变区分数超过预定值的目标区域作为所述候选框。
4.如权利要求1所述的生成方法,其特征在于,通过全卷积网络对所述多个ROI待处理区域内的每个像素进行分类预测。
5.如权利要求1所述的生成方法,其特征在于,基于所述掩膜分割确定初步的形变区边界面矢量图层包括:
针对所述年平均形变相位RGB图像赋予所述掩膜分割数据坐标系统,并对其进行栅格矢量转换,得到所述初步的形变区边界面矢量图层。
6.如权利要求1所述的生成方法,其特征在于,根据预设条件对确定区域的数字高程数据进行斜坡单元划分,生成斜坡单元矢量面图层,包括:
将所述确定区域的数字高程数据进行镶嵌、裁剪处理,得到所述确定区域的高程栅格数据;
根据所述高程栅格数据进行斜坡单元划分。
7.如权利要求6所述的生成方法,其特征在于,根据预设条件对确定区域的数字高程数据进行斜坡单元划分,生成斜坡单元矢量面图层,还包括:
通过对正数字高程数据进行填洼生成第一无洼地数据,对填洼后的正数字高程数据提取第一水流方向;
根据地形和所述第一水流方向计算第一汇流累积量;
通过设置所述第一汇流累积量阈值生成第一河网图数据,结合所述第一水流方向数据,获得第一河流链接栅格数据,进而生成第一分水岭数据;
对所述第一分水岭数据进行栅格矢量转换,获得正集水流域面矢量数据;
通过所述正数字高程数据的最高高程减去原始数字高程数据得到反数字高程数据;
对所述反数字高程数据进行填洼生成第二无洼地数据,对填挖后的反数字高程数据提取第二水流方向;
根据地形和所述第二水流方向计算第二汇流累积量;
通过设置所述第二汇流累积量阈值生成第二河网图数据,结合所述第二水流方向数据,获得第二河流链接栅格数据,进而生成第二分水岭数据;对所述第二分水岭数据进行栅格矢量转换,获得反集水流域面矢量数据;
将正集水流域面矢量数据、反集水流域面矢量数据合并叠加生成所述斜坡单元矢量面图层。
8.如权利要求7所述的生成方法,其特征在于,根据预设条件对确定区域的数字高程数据进行斜坡单元划分还包括:
通过所述正数字高程数据生成坡度数据,并对所述坡度数据大于预定坡度数据的数字高程数据进行所述斜坡单元划分;
对生成的所述斜坡单元矢量面图层进行面积计算和统计,设置面积尺度约束预定值,删除零碎的斜坡单元。
9.如权利要求1所述的生成方法,其特征在于,对所述新的形变区边界面矢量图层进行优化包括:
结合行政区划矢量图对所述新的形变区边界面矢量图层进行调整和分割。
10.一种计算机可读存储介质,所述计算机可读存储介质储存计算机软件指令,其特征在于,所述计算机软件指令由处理器执行以实现如权利要求1-9中任一项所述的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110525324.7A CN113192086B (zh) | 2021-05-11 | 2021-05-11 | 地质灾害隐患变形强度分布图的生成方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110525324.7A CN113192086B (zh) | 2021-05-11 | 2021-05-11 | 地质灾害隐患变形强度分布图的生成方法和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113192086A CN113192086A (zh) | 2021-07-30 |
CN113192086B true CN113192086B (zh) | 2022-01-28 |
Family
ID=76981866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110525324.7A Active CN113192086B (zh) | 2021-05-11 | 2021-05-11 | 地质灾害隐患变形强度分布图的生成方法和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113192086B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299402B (zh) * | 2022-03-07 | 2022-05-20 | 成都理工大学 | 隐患点自动识别方法、电子设备及计算机可读存储介质 |
CN115291864B (zh) * | 2022-06-30 | 2024-03-29 | 浙江大学 | 一种基于图神经网络的零碎图层检测方法及装置 |
CN116819521A (zh) * | 2023-02-22 | 2023-09-29 | 长安大学 | 一种基于Mask R-CNN模型的采矿沉陷区域的探测方法 |
CN115953453B (zh) * | 2023-03-03 | 2023-08-15 | 国网吉林省电力有限公司信息通信公司 | 基于图像错位分析和北斗卫星的变电站地质形变监测方法 |
CN116047518B (zh) * | 2023-03-29 | 2023-06-09 | 成都国星宇航科技股份有限公司 | 基于雷达卫星的潜在地质灾害识别方法及设备 |
CN116243269B (zh) * | 2023-05-06 | 2023-07-28 | 南京航天宏图信息技术有限公司 | 一种基于Insar数据的震后滑坡灾害监测方法和装置 |
CN117633139B (zh) * | 2024-01-23 | 2024-03-22 | 云南省气象台 | 基于气象数据的滑坡预测方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090102311A (ko) * | 2008-03-26 | 2009-09-30 | (주)성경기술공사 | 수치지도를 이용한 산사태 발생지 예측 시스템 |
CN103455711A (zh) * | 2013-08-15 | 2013-12-18 | 广州地理研究所 | 一种基于机理分析的小流域地区滑坡灾害风险区划方法 |
CN107132539A (zh) * | 2017-05-03 | 2017-09-05 | 中国地质科学院探矿工艺研究所 | 一种基于小基线集的时间序列InSAR的滑坡早期识别方法 |
CN109613513A (zh) * | 2018-12-20 | 2019-04-12 | 长安大学 | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 |
CN110120046A (zh) * | 2019-03-27 | 2019-08-13 | 长安大学 | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 |
CN111223183A (zh) * | 2019-11-14 | 2020-06-02 | 中国地质环境监测院 | 一种基于深度神经网络的滑坡地形检测方法 |
CN111929683A (zh) * | 2020-07-28 | 2020-11-13 | 中国自然资源航空物探遥感中心 | 滑坡形变聚集区预测模型生成方法和滑坡形变聚集区预测方法 |
CN111968230A (zh) * | 2020-07-16 | 2020-11-20 | 中国自然资源航空物探遥感中心 | 一种区域性活动滑坡识别与圈定方法、装置和设备 |
CN112418033A (zh) * | 2020-11-11 | 2021-02-26 | 广州数鹏通科技有限公司 | 基于mask rcnn神经网络的滑坡坡面分割识别方法 |
CN112712535A (zh) * | 2021-01-18 | 2021-04-27 | 长安大学 | 基于模拟困难样本的Mask-RCNN滑坡分割方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3881161A1 (en) * | 2018-11-14 | 2021-09-22 | Cape Analytics, Inc. | Systems, methods, and computer readable media for predictive analytics and change detection from remotely sensed imagery |
CN111257873A (zh) * | 2020-01-15 | 2020-06-09 | 兰州大学 | 一种基于合成孔径雷达干涉测量的滑坡灾害隐患识别方法 |
CN111932591B (zh) * | 2020-08-18 | 2022-10-21 | 中国科学院空天信息创新研究院 | 典型地质灾害遥感智能提取的方法与系统 |
-
2021
- 2021-05-11 CN CN202110525324.7A patent/CN113192086B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090102311A (ko) * | 2008-03-26 | 2009-09-30 | (주)성경기술공사 | 수치지도를 이용한 산사태 발생지 예측 시스템 |
CN103455711A (zh) * | 2013-08-15 | 2013-12-18 | 广州地理研究所 | 一种基于机理分析的小流域地区滑坡灾害风险区划方法 |
CN107132539A (zh) * | 2017-05-03 | 2017-09-05 | 中国地质科学院探矿工艺研究所 | 一种基于小基线集的时间序列InSAR的滑坡早期识别方法 |
CN109613513A (zh) * | 2018-12-20 | 2019-04-12 | 长安大学 | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 |
CN110120046A (zh) * | 2019-03-27 | 2019-08-13 | 长安大学 | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 |
CN111223183A (zh) * | 2019-11-14 | 2020-06-02 | 中国地质环境监测院 | 一种基于深度神经网络的滑坡地形检测方法 |
CN111968230A (zh) * | 2020-07-16 | 2020-11-20 | 中国自然资源航空物探遥感中心 | 一种区域性活动滑坡识别与圈定方法、装置和设备 |
CN111929683A (zh) * | 2020-07-28 | 2020-11-13 | 中国自然资源航空物探遥感中心 | 滑坡形变聚集区预测模型生成方法和滑坡形变聚集区预测方法 |
CN112418033A (zh) * | 2020-11-11 | 2021-02-26 | 广州数鹏通科技有限公司 | 基于mask rcnn神经网络的滑坡坡面分割识别方法 |
CN112712535A (zh) * | 2021-01-18 | 2021-04-27 | 长安大学 | 基于模拟困难样本的Mask-RCNN滑坡分割方法 |
Non-Patent Citations (5)
Title |
---|
A New Mask R-CNN Based Method for Improved Landslide Detection;Silvia Liberata Ullo 等;《Computer Vision and Pattern Recognition》;20201004;1-9 * |
使用深度学习方法实现黄土滑坡自动识别;巨袁臻 等;《武汉大学学报 信息科学版》;20201130;第45卷(第11期);1747-1755 * |
地基InSAR技术及其典型边坡监测应用;刘斌 等;《中国地质调查》;20180228;第5卷(第1期);73-81 * |
地基雷达干涉测量技术在滑坡灾后稳定性评估中的应用;刘斌 等;《大地测量与地球动力学》;20160831;第36卷(第8期);674-677,693 * |
改进FPN的Mask R-CNN工业表面缺陷检测;王海云 等;《制造业自动化》;20201231;第42卷(第12期);35-40,97 * |
Also Published As
Publication number | Publication date |
---|---|
CN113192086A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113192086B (zh) | 地质灾害隐患变形强度分布图的生成方法和存储介质 | |
Sirko et al. | Continental-scale building detection from high resolution satellite imagery | |
Gerke et al. | Automatic structural seismic damage assessment with airborne oblique Pictometry© imagery | |
US7983474B2 (en) | Geospatial modeling system and related method using multiple sources of geographic information | |
Xu et al. | Object‐based mapping of karst rocky desertification using a support vector machine | |
Getirana et al. | Improving hydrological information acquisition from DEM processing in floodplains | |
Fathizad et al. | Evaluating desertification using remote sensing technique and object-oriented classification algorithm in the Iranian central desert | |
US10115165B2 (en) | Management of tax information based on topographical information | |
Wang et al. | Construction and optimization method of the open-pit mine DEM based on the oblique photogrammetry generated DSM | |
Dong et al. | A shadow constrained conditional generative adversarial net for SRTM data restoration | |
Kabolizade et al. | Design and implementation of an algorithm for automatic 3D reconstruction of building models using genetic algorithm | |
Lu et al. | Using multi-level fusion of local features for land-use scene classification with high spatial resolution images in urban coastal zones | |
Schoepfer et al. | A" Green Index" incorporating remote sensing and citizen's perception of green space | |
JP7418281B2 (ja) | 地物の分類システム、分類方法及びそのプログラム | |
Putri et al. | Sentinel-1 and Sentinel-2 data fusion to distinguish building damage level of the 2018 Lombok Earthquake | |
Guo et al. | Mozambique flood (2019) caused by tropical cyclone idai monitored from sentinel-1 and sentinel-2 images | |
Pesaresi et al. | A methodology to quantify built-up structures from optical VHR imagery | |
Aahlaad et al. | An object-based image analysis of worldview-3 image for urban flood vulnerability assessment and dissemination through ESRI story maps | |
CN112767244B (zh) | 一种高分辨率地表要素无缝感知方法与系统 | |
Kim et al. | Tree and building detection in dense urban environments using automated processing of IKONOS image and LiDAR data | |
Zhang et al. | Building footprint and height information extraction from airborne LiDAR and aerial imagery | |
De la Cruz et al. | Near-realtime flood detection from multi-temporal sentinel radar images using artificial intelligence | |
Mahphood et al. | Virtual first and last pulse method for building detection from dense LiDAR point clouds | |
White et al. | Automated Land Cover Change Detection through Rapid UAS Updates of Digital Surface Models | |
Schneiderbauer et al. | Population density estimations for disaster management: Case study rural Zimbabwe |
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 |