CN113240093A - 一种基于物联网的洪涝灾害监测方法 - Google Patents
一种基于物联网的洪涝灾害监测方法 Download PDFInfo
- Publication number
- CN113240093A CN113240093A CN202110610304.XA CN202110610304A CN113240093A CN 113240093 A CN113240093 A CN 113240093A CN 202110610304 A CN202110610304 A CN 202110610304A CN 113240093 A CN113240093 A CN 113240093A
- Authority
- CN
- China
- Prior art keywords
- internet
- features
- modal
- data
- dimension
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- 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)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及洪涝灾害监测方法,具体涉及一种基于物联网的洪涝灾害监测方法,基于物联网获取多模态监测数据,通过多模态深度神经网络对处于不同模态的监测数据进行多重映射变换,并抽取得到同模态的同构特征,通过结构化稀疏分类选择模型计算每个维度特征的优化权值,并基于优化权值筛选维度特征构成多维度特征,利用多维度特征对洪涝灾害属性与状态进行定量分析与描述;本发明提供的技术方案能够有效克服现有技术所存在的不能从多模态监测数据中有效提取出多维度特征的缺陷。
Description
技术领域
本发明涉及洪涝灾害监测方法,具体涉及一种基于物联网的洪涝灾害监测方法。
背景技术
随着全球气候变暖,洪涝灾害愈加频繁,灾害风险监测预警评估作为防灾减灾的重要手段成为当前灾害学研究的核心内容之一。洪涝灾害是世界上发生最为频繁、危害非常严重的自然灾害之一。近年来,中国洪涝灾害的发生越来越频繁,强度越来越大,对人类社会、经济、生态环境造成的影响和破坏也越来越严重。由于对洪涝灾害的发生缺乏思想和物质准备,而导致灾害损失加重的事件屡见不鲜。因而加强洪涝灾害风险监测预警评估,进行科学地灾害风险管理,具有非常重要的现实意义。
洪涝灾害风险监测预警评估是一项在洪涝危险性、承灾体脆弱性及相关不确定性研究的基础上进行的多因子综合分析工作,主要包括对洪涝风险统计特征的辨识、实时险情的监测和预报、损失的评估及警报发布范围与时机的判断等。洪涝灾害风险监测预警评估是洪涝灾害风险管理的重要基础,重视对洪涝危险性、承灾体脆弱性的监测,加强灾害预测和评估系统的建设,加强防灾减灾设施的建设是当前防灾工作和灾害研究的当务之急。
现有的洪涝灾害风险监测手段大致包括三类:基于卫星遥感的洪涝灾害监测、基于无人机平台的洪涝监测和基于物联网的洪涝灾害监测。随着物联网、4G以及5G通信技术的快速发展,与物联网相结合的洪涝灾害预警系统随即开发,使得方便、安全、实时地获取洪涝灾害预警信息成为现实,并已经广泛应用于洪涝灾害预警。物联网应用系统一般由无线传感网络、现代通信技术、嵌入式数据处理终端等设备组成一个无线、实时的信息采集、传输、处理的信息系统,将物联网技术应用于洪涝灾害预警领域,将大大提高洪灾预警的实时性、准确性,便于及时做出预案,减少灾害损失。
基于物联网技术获取的洪涝灾害监测数据,主要来源于监控视频、地下仪器、智能测量机器人、地面倾斜仪、声呐雷达、气象监测仪、水位和流量自动记录仪、光谱和微波传感器等物理设备,是典型的多模态数据,具有高度稀疏、不完全、非平衡和小样本的特性。因此,研究多模态监测数据的多维度稀疏特征表达方法是实现对洪涝灾害属性与状态进行定量分析与描述的前提。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种基于物联网的洪涝灾害监测方法,能够有效克服现有技术所存在的不能从多模态监测数据中有效提取出多维度特征的缺陷。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于物联网的洪涝灾害监测方法,包括以下步骤:
S1、基于物联网获取多模态监测数据;
S2、通过多模态深度神经网络对处于不同模态的监测数据进行多重映射变换,并抽取得到同模态的同构特征;
S3、通过结构化稀疏分类选择模型计算每个维度特征的优化权值,并基于优化权值筛选维度特征构成多维度特征;
S4、利用多维度特征对洪涝灾害属性与状态进行定量分析与描述。
优选地,S2中通过多模态深度神经网络对处于不同模态的监测数据进行多重映射变换之前,包括:
构建训练数据集与目标数据集,从训练数据集与目标数据集提取各样本数据的低层特征、高层特征,基于低层特征、高层特征计算各样本数据对应的总损失,并更新多模态深度神经网络的参数。
优选地,所述基于低层特征、高层特征计算各样本数据对应的总损失,并更新多模态深度神经网络的参数,包括:
基于训练数据集与目标数据集中各样本数据的高层特征和对应的模态标签,通过相应的损失函数计算第一损失;
基于训练数据集与目标数据集中各样本数据的低层特征和对应的模态标签,通过相应的损失函数计算第二损失;
根据第一损失、第二损失计算各样本数据对应的总损失,并基于总损失更新多模态深度神经网络的参数。
优选地,所述第一损失的梯度经过梯度反向传播,以扩大第一损失。
优选地,所述多模态深度神经网络包括结构不同的多重分支网络,每个独立模态的监测数据分配一个独立的分支网络。
优选地,S3中通过结构化稀疏分类选择模型计算每个维度特征的优化权值之前,包括:
收集用于模型训练的多模态监测数据和对应的模态标签,利用训练好的多模态深度神经网络从多模态监测数据中抽取同模态的同构特征,并对所有维度特征及其对应的线性核函数进行分组,构成多个数据特征组,利用数据特征组对结构化稀疏分类选择模型进行参数优化。
优选地,所述对所有维度特征及其对应的线性核函数进行分组,构成多个数据特征组,包括:
对同构特征进行归一化,并为每个维度特征构建一个独立的线性核函数,根据监测数据的模态,对相应的维度特征及其对应的线性核函数进行分组,构成多个数据特征组。
优选地,S3中基于优化权值筛选维度特征构成多维度特征,包括:
利用训练好的结构化稀疏分类选择模型计算每个维度特征的优化权值,并筛选出具有较大优化权值维度特征构成多维度特征。
优选地,所述多模态监测数据的来源包括:
监控视频、地下仪器、智能测量机器人、地面倾斜仪、声呐雷达、气象监测仪、水位和流量自动记录仪、光谱和微波传感器。
(三)有益效果
与现有技术相比,本发明所提供的一种基于物联网的洪涝灾害监测方法,具有以下优点:
(1)通过多模态深度神经网络对处于不同模态的监测数据进行多重映射变换,并抽取得到同模态的同构特征,能够从多模态监测数据中提取到同模态的同构特征,有效解决了不同模态监测数据之间存在结构异构的问题;
(2)通过结构化稀疏分类选择模型计算每个维度特征的优化权值,并基于优化权值筛选维度特征构成多维度特征,实现了对各模态中维度特征对于当前任务重要程度的有效评价,并且能够筛选出对于当前任务最重要的维度特征,从而能够利用多维度特征对洪涝灾害属性与状态进行定量分析与描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,对于本领域普通技术人员来讲,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为本发明的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于物联网的洪涝灾害监测方法,如图1所示,包括以下步骤:
S1、基于物联网获取多模态监测数据;
S2、通过多模态深度神经网络对处于不同模态的监测数据进行多重映射变换,并抽取得到同模态的同构特征;
S3、通过结构化稀疏分类选择模型计算每个维度特征的优化权值,并基于优化权值筛选维度特征构成多维度特征;
S4、利用多维度特征对洪涝灾害属性与状态进行定量分析与描述。
本申请技术方案中,多模态监测数据的来源包括:
监控视频、地下仪器、智能测量机器人、地面倾斜仪、声呐雷达、气象监测仪、水位和流量自动记录仪、光谱和微波传感器。
S2中通过多模态深度神经网络对处于不同模态的监测数据进行多重映射变换之前,包括:
构建训练数据集与目标数据集,从训练数据集与目标数据集提取各样本数据的低层特征、高层特征,基于低层特征、高层特征计算各样本数据对应的总损失,并更新多模态深度神经网络的参数。
基于低层特征、高层特征计算各样本数据对应的总损失,并更新多模态深度神经网络的参数,包括:
基于训练数据集与目标数据集中各样本数据的高层特征和对应的模态标签,通过相应的损失函数计算第一损失,第一损失的梯度经过梯度反向传播,以扩大第一损失;
基于训练数据集与目标数据集中各样本数据的低层特征和对应的模态标签,通过相应的损失函数计算第二损失;
根据第一损失、第二损失计算各样本数据对应的总损失,并基于总损失更新多模态深度神经网络的参数。
多模态深度神经网络包括结构不同的多重分支网络,每个独立模态的监测数据分配一个独立的分支网络。
本申请技术方案中,多模态深度神经网络位于整个框架的底部,也是整个算法模型框架的核心部分,多模态深度神经网络负责对原始处于不同模态的成组监测数据进行多重映射变换,最终抽取得到同模态的同构特征。在下层的多模态深度神经网络中又包括了多重的分支网络,每个独立模态的监测数据分配一个独立的分支网络。鉴于不同模态监测数据内部结构的分布复杂程度、分布类型都不同,因而每个分支网络的结构也是不同的。
S3中通过结构化稀疏分类选择模型计算每个维度特征的优化权值之前,包括:
收集用于模型训练的多模态监测数据和对应的模态标签,利用训练好的多模态深度神经网络从多模态监测数据中抽取同模态的同构特征,并对所有维度特征及其对应的线性核函数进行分组,构成多个数据特征组,利用数据特征组对结构化稀疏分类选择模型进行参数优化。
对所有维度特征及其对应的线性核函数进行分组,构成多个数据特征组,包括:
对同构特征进行归一化,并为每个维度特征构建一个独立的线性核函数,根据监测数据的模态,对相应的维度特征及其对应的线性核函数进行分组,构成多个数据特征组。
S3中基于优化权值筛选维度特征构成多维度特征,包括:
利用训练好的结构化稀疏分类选择模型计算每个维度特征的优化权值,并筛选出具有较大优化权值维度特征构成多维度特征。
本申请技术方案中,算法模型框架的上层是基于结构化稀疏的特征选择,在这一部分通过解决采用了结构化稀疏约束的优化问题,从而计算得到每个维度特征的优化权值。其中,具有较小权值的维度特征与当前任务之间的相关性较低,因而被过滤掉,而那些具有较高权值的维度特征最终被选择出来,成为最终筛选得到的多维度特征,利用这些多维度特征可以对洪涝灾害属性与状态进行定量分析与描述。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例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,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于物联网的洪涝灾害监测方法,其特征在于:包括以下步骤:
S1、基于物联网获取多模态监测数据;
S2、通过多模态深度神经网络对处于不同模态的监测数据进行多重映射变换,并抽取得到同模态的同构特征;
S3、通过结构化稀疏分类选择模型计算每个维度特征的优化权值,并基于优化权值筛选维度特征构成多维度特征;
S4、利用多维度特征对洪涝灾害属性与状态进行定量分析与描述。
2.根据权利要求1所述的基于物联网的洪涝灾害监测方法,其特征在于:S2中通过多模态深度神经网络对处于不同模态的监测数据进行多重映射变换之前,包括:
构建训练数据集与目标数据集,从训练数据集与目标数据集提取各样本数据的低层特征、高层特征,基于低层特征、高层特征计算各样本数据对应的总损失,并更新多模态深度神经网络的参数。
3.根据权利要求2所述的基于物联网的洪涝灾害监测方法,其特征在于:所述基于低层特征、高层特征计算各样本数据对应的总损失,并更新多模态深度神经网络的参数,包括:
基于训练数据集与目标数据集中各样本数据的高层特征和对应的模态标签,通过相应的损失函数计算第一损失;
基于训练数据集与目标数据集中各样本数据的低层特征和对应的模态标签,通过相应的损失函数计算第二损失;
根据第一损失、第二损失计算各样本数据对应的总损失,并基于总损失更新多模态深度神经网络的参数。
4.根据权利要求3所述的基于物联网的洪涝灾害监测方法,其特征在于:所述第一损失的梯度经过梯度反向传播,以扩大第一损失。
5.根据权利要求1所述的基于物联网的洪涝灾害监测方法,其特征在于:所述多模态深度神经网络包括结构不同的多重分支网络,每个独立模态的监测数据分配一个独立的分支网络。
6.根据权利要求2所述的基于物联网的洪涝灾害监测方法,其特征在于:S3中通过结构化稀疏分类选择模型计算每个维度特征的优化权值之前,包括:
收集用于模型训练的多模态监测数据和对应的模态标签,利用训练好的多模态深度神经网络从多模态监测数据中抽取同模态的同构特征,并对所有维度特征及其对应的线性核函数进行分组,构成多个数据特征组,利用数据特征组对结构化稀疏分类选择模型进行参数优化。
7.根据权利要求6所述的基于物联网的洪涝灾害监测方法,其特征在于:所述对所有维度特征及其对应的线性核函数进行分组,构成多个数据特征组,包括:
对同构特征进行归一化,并为每个维度特征构建一个独立的线性核函数,根据监测数据的模态,对相应的维度特征及其对应的线性核函数进行分组,构成多个数据特征组。
8.根据权利要求6所述的基于物联网的洪涝灾害监测方法,其特征在于:S3中基于优化权值筛选维度特征构成多维度特征,包括:
利用训练好的结构化稀疏分类选择模型计算每个维度特征的优化权值,并筛选出具有较大优化权值维度特征构成多维度特征。
9.根据权利要求1-8中任意一项所述的基于物联网的洪涝灾害监测方法,其特征在于:所述多模态监测数据的来源包括:
监控视频、地下仪器、智能测量机器人、地面倾斜仪、声呐雷达、气象监测仪、水位和流量自动记录仪、光谱和微波传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110610304.XA CN113240093A (zh) | 2021-06-01 | 2021-06-01 | 一种基于物联网的洪涝灾害监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110610304.XA CN113240093A (zh) | 2021-06-01 | 2021-06-01 | 一种基于物联网的洪涝灾害监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113240093A true CN113240093A (zh) | 2021-08-10 |
Family
ID=77136251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110610304.XA Pending CN113240093A (zh) | 2021-06-01 | 2021-06-01 | 一种基于物联网的洪涝灾害监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240093A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250914A (zh) * | 2016-07-22 | 2016-12-21 | 华侨大学 | 基于结构稀疏多核学习的多模态数据特征筛选和分类方法 |
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 |
CN112327698A (zh) * | 2020-11-05 | 2021-02-05 | 叶远 | 一种基于物联网的洪水灾害预警系统及方法 |
CN112433264A (zh) * | 2020-12-08 | 2021-03-02 | 温州大学瓯江学院 | 复杂台风气象环境下洪涝灾害风险综合评估方法及预警信息平台 |
-
2021
- 2021-06-01 CN CN202110610304.XA patent/CN113240093A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250914A (zh) * | 2016-07-22 | 2016-12-21 | 华侨大学 | 基于结构稀疏多核学习的多模态数据特征筛选和分类方法 |
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 |
CN112327698A (zh) * | 2020-11-05 | 2021-02-05 | 叶远 | 一种基于物联网的洪水灾害预警系统及方法 |
CN112433264A (zh) * | 2020-12-08 | 2021-03-02 | 温州大学瓯江学院 | 复杂台风气象环境下洪涝灾害风险综合评估方法及预警信息平台 |
Non-Patent Citations (1)
Title |
---|
赵磊: "基于深度学习的多模态数据特征提取与选择方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363327B (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
CN113240688A (zh) | 一种一体化洪涝灾害精准监测预警方法 | |
CN111666656A (zh) | 基于微波雨衰的降雨估算方法及降雨监测系统 | |
Mohammadi et al. | Possibility investigation of tree diversity mapping using Landsat ETM+ data in the Hyrcanian forests of Iran | |
John et al. | Prediction of land use/cover change in the Bharathapuzha river basin, India using geospatial techniques | |
CN110929946A (zh) | 基于地表水文过程的农业洪涝灾害监测预报系统及方法 | |
Wan et al. | A novel data mining technique of analysis and classification for landslide problems | |
Lee et al. | Applying machine learning methods to detect convection using Geostationary Operational Environmental Satellite-16 (GOES-16) advanced baseline imager (ABI) data | |
Xue et al. | A spatiotemporal mining framework for abnormal association patterns in marine environments with a time series of remote sensing images | |
Salman Aal-shamkhi et al. | Extraction and modeling of urban sprawl development in Karbala City using VHR satellite imagery | |
Balti et al. | Big data based architecture for drought forecasting using LSTM, ARIMA, and Prophet: Case study of the Jiangsu Province, China | |
Lu et al. | An integrated damage modeling and assessment framework for overhead power distribution systems considering tree-failure risks | |
CN112967286B (zh) | 一种新增建设用地检测方法及装置 | |
Li et al. | Assimilating process context information of cellular automata into change detection for monitoring land use changes | |
CN111766641B (zh) | 一种基于深度神经网络的强对流天气识别方法 | |
Liu et al. | Prediction of trees diameter at breast height based on unmanned aerial vehicle image analysis | |
CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
Xu et al. | Digital Technology Empowers Grain Supply Chain Optimization Simulation | |
CN113240093A (zh) | 一种基于物联网的洪涝灾害监测方法 | |
Maleki et al. | Wetland restoration prioritization using artificial neural networks | |
CN111579565A (zh) | 农业干旱监测方法、系统及存储介质 | |
CN114283344A (zh) | 一种森林生态水文过程自动实时监测方法及系统 | |
CN114019503A (zh) | 基于fod检测系统的机场跑道异物检测方法、设备、存储介质 | |
Zhang et al. | Vegetation ecological benefits index (VEBI): a 3D spatial model for evaluating the ecological benefits of vegetation | |
CN116106856B (zh) | 雷暴大风的识别模型建立方法、识别方法及计算设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210810 |