CN113378766B - 一种基于合成孔径雷达的海上大规模风力发电站监测系统 - Google Patents
一种基于合成孔径雷达的海上大规模风力发电站监测系统 Download PDFInfo
- Publication number
- CN113378766B CN113378766B CN202110715698.5A CN202110715698A CN113378766B CN 113378766 B CN113378766 B CN 113378766B CN 202110715698 A CN202110715698 A CN 202110715698A CN 113378766 B CN113378766 B CN 113378766B
- Authority
- CN
- China
- Prior art keywords
- wind power
- power station
- offshore wind
- data
- machine learning
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明公开了一种基于合成孔径雷达的海上大规模风力发电站监测系统,通过监测系统实现了自动检测和提取全球范围内的海上风力发电站网分布,并实现了海上风力发电站的设备的动态监测,首先进行了海上风力发电站的雷达数据样本选取,训练了分类器,其次通过混淆矩阵和目视检查两种方法进行训练精度测试及验证;基于分类结果,进而提出了时间差分形态学处理的方法,检测了海上风力发电站逐年的动态变化;通过大量的系统运行结果表明,该发明的系统具有监测范围大、动态持续、高效、高可靠性及高精度等优点,可为我国乃至全球的海上风力电网的可持续健康运行监测服务。
Description
技术领域
本发明涉及雷达遥感图像处理和空间信息机器学习技术,是一种基于合成孔径雷达的海上大规模风力发电站监测系统。
背景技术
风力发电机作为一种可持续的、重要的清洁能源。风力发电分为陆上风电和海上风电两种。与陆地上的风力发电相比,海上风电资源更丰富持久。从21世纪开始,海上风力发电站迅速增长,从地区来看,欧洲的海上风电产业仍处于全球领先地位,但是我国已经成为了世界第一海上风力发电大国。然而,因海上风力发电站建在海上,高盐分高湿度的运行环境,并易受到海上大型锋面天气过程、海陆不稳定天气过程、台风等灾害性天气过程的影响,海上风力发电站设备易发生故障甚至烧毁整个风塔。因此大规模布点后,如何实现风能发电设备的动态评估和监测成为制约发挥海上风力发电效能的挑战之一。
近年来,人们通过遥感对海上基础设施的研究有所增加,其中包括大型太阳能装置以及海上风力发电机等,研究通常使用高分辨率的图像,但是这只能分析一小部分区域,同时,也有团队利用SAR图像研究了风电场对邻近集群的阴影效应等相关问题,但是也只研究了一小部分地区。另一方面,广泛的学术研究都是在大型数据集上使用卷积神经网络(CNN)进行分析,而没有使用云计算的能力。也有团队使用无人机技术来检测海上风力发电机,但这项技术仍处于开发的早期阶段,需要进行进一步的研究,以确定关键的技术差距以及该技术在硬件、软件和数据方面的未来需求。
综上可知,现有的技术发明对海上风力发电站监测存在监测范围小、监测时段短、无法实现动态监测评估等问题。因此,亟待提出新的技术发明方法。
发明内容
有鉴于此,本发明的主要目的在于提出基于合成孔径雷达的海上大规模风力发电站监测系统,使用合成孔径雷达和谷歌地球引擎实现了自动检测和提取全球范围内的海上风力发电机平台,并监测了海上风机设备站点的逐年动态变化。首先使用2020年中国南通如东的海上发电风场海域进行合成孔径雷达数据样本的选取,训练分类器,其次通过混淆矩阵和目视检查两种方法进行精度测试,从像元的角度来看,交叉验证的结果表明,我们的随机森林模型识别海上基础设施的检测总体准确率为99.992%,kappa系数为0.877。其次,基于分类结果,进而提出了时间差分形态学处理的方法,检测了海上风力发电站逐年的动态变化。通过大量的系统运行结果表明,该发明的系统具有监测范围大、动态持续、高效、高可靠性及高精度等优点,大大减少了卫星遥感数据的运算量并且提高了信息提取效率,可为我国乃至全球的海上风力电网的可持续健康运行监测服务,使得本发明具有很强的创新及竞争力。
为达到上述目的,本发明的技术方案是这样实现的:
基于合成孔径雷达的海上大规模风力发电站监测系统,包括系统运行平台、海上风力发电站检测单元以及海上风力发电站逐年动态变化监测单元,系统运行平台是海上风力发电站检测单元以及海上风力发电站逐年动态变化监测单元能够有效运行的基础,海上风力发电站检测单元为海上风力发电站逐年动态变化监测单元提供了训练后随机森林分类器,海上风力发电站逐年动态变化监测单元是海上风力发电站检测单元扩展应用,
系统运行平台为海上风力发电站检测单元和海上风力发电站逐年动态变化监测单元提供哨兵一号卫星上的合成孔径雷达数据以及强大的运算处理能力;
所述海上风力发电站检测单元包括雷达数据预处理模块及机器学习训练模块,通过雷达数据预处理模块对系统运行平台提供的合成孔径雷达数据进行处理,通过机器学习训练模块对处理后的数据进行训练;
所述海上风力发电站逐年动态变化监测单元包括导入机器学习分类器数据模块及时间序列差分图像形态学处理模块;所述导入机器学习分类器数据模块为时间序列差分图像形态学处理模块节省了分类的过程,所述合成孔径雷达数据为SAR卫星图像以及样本区域。
进一步的,所述海上风力发电站检测单元中的雷达数据预处理模块的预处理步骤包括加载数据、模式选择、日期筛选、时间序列均值滤波以及Lee滤波;机器学习训练模块选取预处理后数据中的感兴趣区域,通过机器学习训练模块中的随机森林分类器算法对感兴趣区域中的数据进行训练,随机森林分类器算法将数据分为两类,分别是海水和海上风力发电站。
进一步的,所述海上风力发电站逐年动态变化监测单元中的导入机器学习分类器数据模块能导入外部训练数据,为了在其他海域不需要重新训练,只需要画出区域范围既识别海上风力发电站,海上风力发电站逐年动态变化监测单元中的形态学处理模块对图像差分,膨胀,腐蚀处理。
进一步的,其工作方法包括如下步骤:
步骤一、训练分离器
将多年卫星采集的合成孔径雷达数据导入系统运行平台中,雷达数据预处理模块对导入的合成孔径雷达数据进行预处理,系统运行平台再选取感兴趣区域作为样本,利用海上风力发电站检测单元中的机器学习方法对样本进行风力发电站的检测训练,得到随机森林分类器;
步骤二、验证
利用混淆矩阵以及目视检查的方法对机器学习方法得到的结果进行精度评估,若精度较高,就直接将随机森林分类器导入海上风力发电站逐年动态变化监测单元中,否则重复步骤一、二直至精度达到要求为止;
步骤三、应用
通过将随机森林分类器导入到海上风力发电站逐年动态变化监测单元中,从而进行更大范围的评估,为了对近年来海上风力发电站的变化情况进行检测,通过海上风力发电站逐年动态变化监测单元导入机器学习分类器数据模块中得到的随机森林分类器对全部预处理后的合成孔径雷达数据进行分类,再通过时间序列差分图像形态学处理模块中的时间序列差分图像形态学方法进行处理,最后进行输出显示。
进一步的,工作方法中的过程都是在系统运行平台上进行的。
进一步的,所述步骤一中的机器学习方法是由一系列分类树通过投票表决产生的随机森林分类器,分类结果是由每一个分类树采取投票形式,遵从少数服从多数原则得出,在遥感影像分类和变化监测领域均获得较好成果,随机森林分类器的最终分类结果可以表达为:
式中H(x)是随机森林分离器的最终分类结果;hi(x)是单一决策树模型分类结果;Y是输出变量(目标变量);I(·)是示性函数。
本发明提供一种基于合成孔径雷达的海上大规模风力发电站监测系统,能对海上大范围的风力发电站平台进行准确、稳定的检测,并能够检测出其年变化情况。通过大量的系统运行结果表明,该发明的系统具有监测范围大、动态持续、高效、高可靠性及高精度等优点,大大减少了卫星遥感数据的运算量并且提高了信息提取效率,可为我国乃至全球的海上风力电网的可持续健康运行监测服务。
附图说明
图1为本发明的实施例中基于合成孔径雷达的海上大规模风力发电站监测系统的工作流程示意图;
图2为本发明的实施例中基于合成孔径雷达的海上大规模风力发电站监测系统的雷达后向散射原理示意图;
图3为本发明的实施例中基于合成孔径雷达的海上大规模风力发电站监测系统的年变化检测逻辑结构流程图;
图4为本发明的实施例中利用机器学习检测情况;
图5为年变化检测效果图。
具体实施方式
下面结合附图及实施例对本发明再作进一步详细的说明。
基于合成孔径雷达的海上大规模风力发电站监测系统,基于这样的事实:SAR卫星数据是提取海上风力发电机的首选数据,因为无论天气状况如何,它们都能昼夜捕捉图像。如图2所示,主动传感器发送信号并接收来自不同表面特征的后向散射特性,雷达后向散射的强度取决于多个因素,特别是物体的表面粗糙度和介电常数特性。光滑的开放水面作为雷达脉冲的镜面反射器,将雷达能量从传感器散射出去,导致返回到卫星的信号最小。因此,与风力发电机相比,雷达数据中的海面显得较暗。这使得风力发电机像素在雷达数据中的区分和检测变得容易。通过选取样本数据,利用随机森林分类器对预处理后的遥感图像进行风力发电站的检测,其次对该分类器进行精度评估,若精度较高,则可以将该分类器用于更大范围的检测。为了检测海上风力发电站每年的变化情况,我们首先将预先训练好的分类器运用在2015年到2021年的年均值遥感图像中,通过逐年图像差分的方法来检测其变化,最后利用腐蚀的方法过滤边缘干扰,再进行图像输出。
所述系统运行平台是GEE,它是一个基于云的行星尺度地理空间分析平台,其强大的计算能力可以用于各种社会与环境变化问题,比如森林砍伐、干旱、疾病、粮食安全、水资源管理、气候监测与环境保护。作为一个集成平台,它在该领域是独一无二的,为传统的遥感科学家大大节省了时间和精力,因为系统处理并隐藏了管理计算的几乎所有方面,包括资源分配、并行性、数据分布和重试,所以用户几乎完全不需要了解在并行处理环境中工作的细节而快速的获取运行结果。
基于合成孔径雷达的海上大规模风力发电站监测系统,包括系统运行平台、海上风力发电站检测单元以及海上风力发电站逐年动态变化监测单元,系统运行平台是海上风力发电站检测单元以及海上风力发电站逐年动态变化监测单元能够有效运行的基础,海上风力发电站检测单元为海上风力发电站逐年动态变化监测单元提供了训练后随机森林分类器,海上风力发电站逐年动态变化监测单元是海上风力发电站检测单元扩展应用,
系统运行平台为海上风力发电站检测单元和海上风力发电站逐年动态变化监测单元提供哨兵一号卫星上的合成孔径雷达数据以及强大的运算处理能力;所述海上风力发电站检测单元包括雷达数据预处理模块及机器学习训练模块,通过雷达数据预处理模块对系统运行平台提供的合成孔径雷达数据进行处理,通过机器学习训练模块对处理后的数据进行训练,海上风力发电站检测单元首先对哨兵一号卫星的合成孔径雷达数据进行预处理;不同的属性因素下的成像结果会有所差异,例如不同的极化方式所返回的信息也会有所不同,同极化方式下返回的信号较交叉极化方式返回的信号强成像上也相对更加明亮。这些数据具有不同的几何形状和强散斑图像;
所述海上风力发电站逐年动态变化监测单元包括导入机器学习分类器数据模块及时间序列差分图像形态学处理模块;所述导入机器学习分类器数据模块为时间序列差分图像形态学处理模块节省了分类的过程,所述合成孔径雷达数据为SAR卫星图像以及样本区域。
进一步的,所述海上风力发电站检测单元中的雷达数据预处理模块的预处理步骤包括加载数据、模式选择、日期筛选、时间序列均值滤波以及Lee滤波;机器学习训练模块选取预处理后数据中的感兴趣区域,通过机器学习训练模块中的随机森林分类器算法对感兴趣区域中的数据进行训练,随机森林分类器算法将数据分为两类,分别是海水和海上风力发电站。
进一步的,所述海上风力发电站逐年动态变化监测单元中的导入机器学习分类器数据模块能导入外部训练数据,为了在其他海域不需要重新训练,只需要画出区域范围既识别海上风力发电站,海上风力发电站逐年动态变化监测单元中的形态学处理模块对图像差分,膨胀,腐蚀处理。
不同的属性因素下的成像结果会有所差异,例如不同的极化方式所返回的信息也会有所不同,同极化方式下返回的信号较交叉极化方式返回的信号强成像上也相对更加明亮。这些数据具有不同的几何形状和强散斑图像。
如图1所述,其工作方法包括如下步骤:
步骤一、训练分离器
将多年卫星采集的合成孔径雷达数据导入系统运行平台中,雷达数据预处理模块对导入的合成孔径雷达数据进行预处理,系统运行平台再选取感兴趣区域作为样本,利用海上风力发电站检测单元中的机器学习方法对样本进行风力发电站的检测训练,得到随机森林分类器;
步骤二、验证
利用混淆矩阵以及目视检查的方法对机器学习方法得到的结果进行精度评估,若精度较高,就直接将随机森林分类器导入海上风力发电站逐年动态变化监测单元中,否则重复步骤一、二直至精度高为止;
步骤三、应用
通过将随机森林分类器导入到海上风力发电站逐年动态变化监测单元中,从而进行更大范围的评估,为了对近年来海上风力发电站的变化情况进行检测,通过海上风力发电站逐年动态变化监测单元导入机器学习分类器数据模块中得到的随机森林分类器对全部预处理后的合成孔径雷达数据进行分类,再通过时间序列差分图像形态学处理模块中的时间序列差分图像形态学方法进行处理,最后进行输出显示。
其中,工作方法中的过程都是在系统运行平台上进行的。
其中,步骤一中的机器学习方法是由一系列分类树通过投票表决产生的随机森林分类器,分类结果是由每一个分类树采取投票形式,遵从少数服从多数原则得出,在遥感影像分类和变化监测领域均获得较好成果,随机森林分类器的最终分类结果可以表达为:
式中H(x)是随机森林分离器的最终分类结果;hi(x)是单一决策树模型分类结果;Y是输出变量(目标变量);I(·)是示性函数。
基于合成孔径雷达的海上大规模风力发电站监测系统的年变化检测逻辑结构流程图如图3所示,首先在导入机器学习分类器数据模块对SAR图像进行预处理,将经过预处理之后的SAR图像通过事先训练好的分类器进行分类,其次在时间序列差分图像形态学处理模块将分类结果进行膨胀,并将相邻两年的分类后图像进行图像差分的操作,最后对图像进行腐蚀操作从而过滤掉边缘干扰,最终进行结果输出显示。
图4是本发明的系统利用随机森林分类器对SAR图像进行的检测输出图。从像元的角度来看,交叉验证的结果表明,我们的随机森林模型识别海上基础设施的检测总体准确率为99.992%,kappa系数为0.877。从风机的角度来来进行统计评估,统计评估是通过掩膜筛选海上分离发电机目标,并且矢量化剩余像素,认为每个连接的像素簇属于同一结构,矢量化允许检查每个像素簇的质心,使用八邻域连接像素从而减少错误,这些中心点代表了每个风机的最终检测输出,从而对所有矢量对象进行简单的计数,最后发现原始图像和分类图像的海上风机平台都是166个,说明了检测的可靠性。
图5是本发明的系统年变化检测效果图,和SAR图像进行比较发现检测结果没有错误。
以上所述是本发明的实施方式和效果展示,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
本发明的基于合成孔径雷达的海上大规模风力发电站监测系统的工作方法,如图1所示,首先根据遥感卫星图像以及样本区域进行随机森林分类器的训练,其次,利用混淆矩阵以及目视检查的方法对该分类器进行精度评估,若精度较好,将该分类器数据导入到其他文件中,从而进行更大范围的评估,为了对近年来海上风力发电站的变化情况进行检测,我们利用时间序列差分图像形态学的方法进行处理,最后进行输出显示。
具体的,所述随机森林最终分类结果可以表达为:
式中H(x)是随机森林最终分类结果;hi(x)是单一决策树模型分类结果;Y是输出变量(目标变量);I(·)是示性函数。
本发明的基于合成孔径雷达的海上大规模风力发电站监测系统的年变化检测逻辑结构流程图如图3所示,首先对SAR图像进行预处理,将经过预处理之后的SAR图像通过事先训练好的分类器进行分类,其次,将分类结果进行膨胀,接着,将相邻两年的分类后图像进行图像差分的操作,最后对图像进行腐蚀操作从而过滤掉边缘干扰,最终进行结果输出显示。
图4是本发明的系统利用随机森林分类器对SAR图像进行的检测输出图。从像元的角度来看,交叉验证的结果表明,我们的随机森林模型识别海上基础设施的检测总体准确率为99.992%,kappa系数为0.877。从风机的角度来来进行统计评估,统计评估是通过掩膜筛选海上分离发电机目标,并且矢量化剩余像素,认为每个连接的像素簇属于同一结构,矢量化允许检查每个像素簇的质心,使用八邻域连接像素从而减少错误,这些中心点代表了每个风机的最终检测输出,从而对所有矢量对象进行简单的计数,最后发现原始图像和分类图像的海上风机平台都是166个,说明了检测的可靠性。
图5是本发明的系统年变化检测效果图,和SAR图像进行比较发现检测结果没有错误。
以上所述是本发明的实施方式和效果展示,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种基于合成孔径雷达的海上大规模风力发电站监测系统,其特征在于,包括系统运行平台、海上风力发电站检测单元以及海上风力发电站逐年动态变化监测单元,系统运行平台是海上风力发电站检测单元以及海上风力发电站逐年动态变化监测单元能够有效运行的基础,海上风力发电站检测单元为海上风力发电站逐年动态变化监测单元提供了训练后随机森林分类结果,海上风力发电站逐年动态变化监测单元是海上风力发电站检测单元扩展应用,
系统运行平台为海上风力发电站检测单元和海上风力发电站逐年动态变化监测单元提供哨兵一号卫星上的合成孔径雷达数据以及强大的运算处理能力;
所述海上风力发电站检测单元包括雷达数据预处理模块及机器学习训练模块,通过雷达数据预处理模块对系统运行平台提供的合成孔径雷达数据进行处理,通过机器学习训练模块对处理后的数据进行训练;
所述海上风力发电站逐年动态变化监测单元包括导入机器学习分类器数据模块及时间序列差分图像形态学处理模块;所述导入机器学习分类器数据模块为时间序列差分图像形态学处理模块节省了分类的过程,所述合成孔径雷达数据为SAR卫星图像以及样本区域;
所述海上风力发电站检测单元中的雷达数据预处理模块的预处理步骤包括加载数据、模式选择、日期筛选、时间序列相关累加均值滤波以及相干斑Lee滤波;机器学习训练模块选取预处理后数据中的感兴趣区域,通过机器学习训练模块中的随机森林分类器算法对感兴趣区域中的数据进行训练,随机森林分类器算法将数据分为两类,分别是海水和海上风力发电站;
所述海上风力发电站逐年动态变化监测单元中的导入机器学习分类器数据模块能导入外部训练数据,为了在其他海域不需要重新训练,只需要画出区域范围既识别海上风力发电站,海上风力发电站逐年动态变化监测单元中的形态学处理模块对图像差分,膨胀,腐蚀处理;
其工作方法包括如下步骤:
步骤一、训练分离器
将多年卫星采集的合成孔径雷达数据导入系统运行平台中,雷达数据预处理模块对导入的海上风力发电站的雷达数据进行预处理,系统运行平台再选取感兴趣区域作为样本,利用海上风力发电站检测单元中的机器学习方法对样本进行风力发电站的检测训练,得到随机森林分类器;
步骤二、验证
利用混淆矩阵以及目视检查的方法对机器学习方法得到的结果进行精度评估,若精度较高,就直接将随机森林分类器导入海上风力发电站逐年动态变化监测单元中,否则重复步骤一、二直至精度高为止;
步骤三、应用
通过将随机森林分类器导入到海上风力发电站逐年动态变化监测单元中,从而进行更大范围的评估,为了对近年来海上风力发电站的变化情况进行检测,
通过海上风力发电站逐年动态变化监测单元导入机器学习分类器数据模块中得到的随机森林分类器对全部预处理后的合成孔径雷达数据进行分类,再通过时间序列差分图像形态学处理模块中的时间序列差分图像形态学方法进行处理,最后进行输出显示。
2.根据权利要求1所述的一种基于合成孔径雷达的海上大规模风力发电站监测系统,其特征在于:工作方法中的过程都是在系统运行平台上进行的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110715698.5A CN113378766B (zh) | 2021-06-25 | 2021-06-25 | 一种基于合成孔径雷达的海上大规模风力发电站监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110715698.5A CN113378766B (zh) | 2021-06-25 | 2021-06-25 | 一种基于合成孔径雷达的海上大规模风力发电站监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378766A CN113378766A (zh) | 2021-09-10 |
CN113378766B true CN113378766B (zh) | 2022-04-05 |
Family
ID=77579346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110715698.5A Active CN113378766B (zh) | 2021-06-25 | 2021-06-25 | 一种基于合成孔径雷达的海上大规模风力发电站监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378766B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102955157A (zh) * | 2011-08-26 | 2013-03-06 | 中国科学院空间科学与应用研究中心 | 一种用于干涉合成孔径雷达图像精配准的快速相干系数法 |
CN105866775A (zh) * | 2016-03-28 | 2016-08-17 | 南京信息工程大学 | 一种基于全极化合成孔径雷达图像的海面溢油检测方法 |
CN110929592A (zh) * | 2019-11-06 | 2020-03-27 | 北京恒达时讯科技股份有限公司 | 一种用于海上养殖区外边界的提取方法及系统 |
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 |
CN112801381A (zh) * | 2021-02-02 | 2021-05-14 | 徐粱钰 | 一种水母灾害早期预警方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2617119A1 (en) * | 2008-01-08 | 2009-07-08 | Pci Geomatics Enterprises Inc. | Service oriented architecture for earth observation image processing |
US8422738B1 (en) * | 2008-08-25 | 2013-04-16 | The United States Of America As Represented By The Secretary Of The Navy | Adaptive automated synthetic aperture radar vessel detection method with false alarm mitigation |
CN103941087B (zh) * | 2014-04-09 | 2016-08-10 | 天津大学 | 欠采样速率下的高频余弦信号的频率测量方法及其装置 |
CN106321368B (zh) * | 2016-08-12 | 2019-02-15 | 峰能斯格尔(北京)可再生能源科技有限公司 | 基于运营风机scada数据的海上风电场尾流损失测量方法 |
US10302769B2 (en) * | 2017-01-17 | 2019-05-28 | Harris Corporation | System for monitoring marine vessels using fractal processing of aerial imagery and related methods |
CN107679476B (zh) * | 2017-09-26 | 2020-10-09 | 南京大学 | 一种海冰类型遥感分类方法 |
CN109977801B (zh) * | 2019-03-08 | 2020-12-01 | 中国水利水电科学研究院 | 一种联合光学和雷达的区域水体快速动态提取方法及系统 |
CN110223311A (zh) * | 2019-05-24 | 2019-09-10 | 杭州世平信息科技有限公司 | 基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法 |
CN110532918B (zh) * | 2019-08-21 | 2022-02-25 | 南京大学 | 基于时间序列遥感影像的离岸风电场时空属性确定方法 |
CN111259784B (zh) * | 2020-01-14 | 2023-02-07 | 西安理工大学 | 基于迁移学习和主动学习的sar图像变化检测方法 |
CN112380994A (zh) * | 2020-11-13 | 2021-02-19 | 南京林业大学 | 一种基于时序分类与空间分析的人工林空间模式识别方法 |
CN112836725A (zh) * | 2021-01-11 | 2021-05-25 | 中国农业科学院农业信息研究所 | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 |
CN112946643B (zh) * | 2021-01-28 | 2022-07-12 | 华东师范大学 | 基于时序雷达遥感的海上风电提取方法及系统 |
-
2021
- 2021-06-25 CN CN202110715698.5A patent/CN113378766B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102955157A (zh) * | 2011-08-26 | 2013-03-06 | 中国科学院空间科学与应用研究中心 | 一种用于干涉合成孔径雷达图像精配准的快速相干系数法 |
CN105866775A (zh) * | 2016-03-28 | 2016-08-17 | 南京信息工程大学 | 一种基于全极化合成孔径雷达图像的海面溢油检测方法 |
CN110929592A (zh) * | 2019-11-06 | 2020-03-27 | 北京恒达时讯科技股份有限公司 | 一种用于海上养殖区外边界的提取方法及系统 |
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 |
CN112801381A (zh) * | 2021-02-02 | 2021-05-14 | 徐粱钰 | 一种水母灾害早期预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113378766A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666918B (zh) | 一种基于多因素的海岸线变化识别方法 | |
CN109886217B (zh) | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 | |
CN109117858B (zh) | 监测风力发电机叶片结冰的方法及装置 | |
Tilinina et al. | Comparing cyclone life cycle characteristics and their interannual variability in different reanalyses | |
CN111274918B (zh) | 基于多源遥感影像的河流干涸断流监测方法和装置 | |
CN104865269A (zh) | 风力机叶片故障诊断方法 | |
Lam | Methodologies for mapping land cover/land use and its change | |
Chen et al. | Rain-contaminated region segmentation of X-band marine radar images with an ensemble of SegNets | |
CN109726649A (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN110532918A (zh) | 基于时间序列遥感影像的离岸风电场时空属性确定方法 | |
CN115452759A (zh) | 一种基于卫星遥感数据的河湖健康指标评价方法及系统 | |
CN110569733B (zh) | 基于遥感大数据平台的湖泊长时序连续水域变化重建方法 | |
Xu et al. | Dynamic detection of offshore wind turbines by spatial machine learning from spaceborne synthetic aperture radar imagery | |
CN116168240A (zh) | 基于注意力增强的任意方向密集舰船目标检测方法 | |
Ren et al. | Detection of SST fronts from a high-resolution model and its preliminary results in the south China sea | |
CN112946643B (zh) | 基于时序雷达遥感的海上风电提取方法及系统 | |
Xia et al. | Submesoscale oceanic eddy detection in SAR images using context and edge association network | |
Tu et al. | A 30 m annual cropland dataset of China from 1986 to 2021 | |
CN113378766B (zh) | 一种基于合成孔径雷达的海上大规模风力发电站监测系统 | |
CN112966656A (zh) | 数据处理方法及装置 | |
CN103605988A (zh) | 一种基于空间金字塔随机映射的地基云图分类方法 | |
CN115423810B (zh) | 一种风力发电机组叶片覆冰形态分析方法 | |
CN112907567B (zh) | 基于空间推理方法的sar图像有序人造构筑物提取方法 | |
Shimada et al. | A machine-learning based scheme for solar pv detection using medium-resolution satellite images in vietnam | |
Özer et al. | An approach based on deep learning methods to detect the condition of solar panels in solar power plants |
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 |