CN113780175A - 高植被覆盖区台风暴雨型滑坡的遥感识别方法 - Google Patents
高植被覆盖区台风暴雨型滑坡的遥感识别方法 Download PDFInfo
- Publication number
- CN113780175A CN113780175A CN202111063778.3A CN202111063778A CN113780175A CN 113780175 A CN113780175 A CN 113780175A CN 202111063778 A CN202111063778 A CN 202111063778A CN 113780175 A CN113780175 A CN 113780175A
- Authority
- CN
- China
- Prior art keywords
- landslide
- data
- typhoon
- remote sensing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000011160 research Methods 0.000 claims abstract description 82
- 238000012216 screening Methods 0.000 claims abstract description 40
- 230000003287 optical effect Effects 0.000 claims abstract description 24
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 238000007418 data mining Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000013179 statistical model Methods 0.000 claims description 6
- 238000013499 data model Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 14
- 238000011161 development Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000011835 investigation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012732 spatial analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 235000019646 color tone Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005211 surface analysis Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q50/265—Personal security, identity or safety
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种高植被覆盖区台风暴雨型滑坡的遥感识别方法,通过建立台风暴雨型滑坡大数据模型,基于统计学研究得出导致滑坡发生的降雨阈值;通过阈值缩小滑坡识别的区域范围;获取研究区多时相高精度光学遥感数据,利用ENVI中的支持向量机工具对不同时间的遥感影像进行滑坡初步识别,获得初步识别滑坡的位置、规模及发生时间;设置坡度筛选集筛除滑坡初步识别集中的其他相似地物;设置合适的NDVI筛选集,使其对初步识别的滑坡范围进行矫正,实现细化滑坡周界。本发明所述的技术方案,实现了更加高效的提取高植被覆盖区台风暴雨型滑坡的位置、规模及发生时间,提升了滑坡遥感识别的精度。
Description
技术领域
本发明属于遥感技术、机器学习和灾害防治工程等技术领域,尤其涉及一种高植被覆盖区台风暴雨型滑坡的遥感识别方法。
背景技术
高植被覆盖区在台风暴雨条件下同样易产生滑坡、泥石流等地质灾害,比如闽台两地滑坡灾害的地质载体多属于植被发育斜坡。距不完全统计,闽台两地超过80%以上的滑坡灾害发生在每年5-9月份的雨季,而台风诱发的暴雨型滑坡则占总滑坡灾害的90%以上,并表现为群发性、规模小、即雨即滑且爆发性强的特点。台风暴雨过后,滑坡多呈星点状点缀于高植被覆盖斜坡上。
台风暴雨型滑坡的频繁发生及其造成的危害早已引起世界政府部门、国际组织及工程界的高度重视,并相继开展了台风暴雨型滑坡的调查评价、监测预警与示范点建设以及防治应急等工作。但高植被覆盖区台风暴雨型滑坡是地质-植被-气象多要素共同作用的结果,其孕灾环境与成灾机制复杂,在监测预警、应急响应方面仍缺乏实用、先进的技术支撑。与此同时,在全球气候变暖的大背景下,台风频次和强度有增加增强趋势,可以预见,未来台风暴雨诱发的高植被覆盖区的滑坡灾害无论在数量和规模上都有扩大化的态势。如何合理高效的应对地质-植被-气象强耦合所触发的滑坡灾害已成为地灾防治科技人员面临的重大难题。
而治理与研究高植被覆盖区台风暴雨型滑坡的首要条件正是及时的发现滑坡,而目前遥感识别滑坡技术大部分仍依靠人机交互识别,即研究人员使用目视解译的方法进行灾害信息的提取工作,该方法需要研究人员拥有丰富的经验知识储备,依靠工作人员的专业知识对滑坡区域的地物信息,如形状、纹理、阴影、位置等进行系统的分析研究,结合周围地形以及灾害区域地质类型最终确定滑坡受灾区域。且存在面对大尺度区域时识别效率低,历时长,针对性不强,容易缺漏等诸多缺点。
发明内容
介于现有技术存在的以下缺陷和不足:
(1)现有方法对于高植被覆盖区台风暴雨型滑坡的识别效率较低。
(2)目前针对高植被覆盖区台风暴雨型滑坡的识别精度较低,特别是大尺度和地形破碎区域。
(3)目前缺乏一种结合多时相多源数据的高植被覆盖区台风暴雨型滑坡识别方法。
本发明的目的在于提供一种高植被覆盖区台风暴雨型滑坡的遥感识别方法,其通过建立台风暴雨型滑坡大数据统计模型研究得出导致滑坡发生的降雨阈值;通过阈值缩小滑坡识别的区域范围;获取研究区多时相高精度光学遥感数据,利用ENVI中的支持向量机工具对不同时间的遥感影像进行滑坡初步识别,获得初步识别滑坡的位置、规模及发生时间;设置坡度筛选集筛除滑坡初步识别集中的其他相似地物;设置合适的NDVI筛选集,使其对初步识别的滑坡范围进行矫正,实现细化滑坡周界。本发明所述的技术方案,实现了更加高效的提取高植被覆盖区台风暴雨型滑坡的位置、规模及发生时间,提升了滑坡遥感识别的精度。
本发明具体采用以下技术方案:
一种高植被覆盖区台风暴雨型滑坡的遥感识别方法,其特征在于,包括以下步骤:
步骤S1:对气象信息和滑坡灾害信息进行数据挖掘,获得高植被覆盖区台风暴雨型滑坡发生与降雨量的关系,得出滑坡发生的降雨阈值;
步骤S2:通过步骤S1获得的阈值缩小滑坡识别的区域范围;
步骤S3:获取研究区台风暴雨预报-过境-离境全过程的多时相高精度光学遥感数据,利用ENVI中的支持向量机工具对不同时间的遥感影像进行滑坡初步识别,获取初步识别滑坡的位置、规模及发生时间;
步骤S4:获取研究区的数字高程模型DEM数据,通过GIS平台计算出研究区的坡度区划,获得滑坡发生概率最大的坡度区间,并以此坡度区间设置坡度筛选集筛除滑坡初步识别集中的其他相似地物;
步骤S5:获取研究区域归一化植被指数NDVI数据;根据研究区植被特征与台风暴雨型滑坡时空分布规律获得滑坡发生与归一化植被指数的关系,从而设置NDVI筛选集,使其对初步识别的滑坡范围进行矫正,以细化滑坡周界。
进一步地,步骤S1具体为:收集和整理研究区气象监测信息,获取历年台风全路径的台风暴雨演变过程与完整的动态监测数据,获取台风过境后研究区的多时相气象数据与动态监测数据和研究区历史滑坡灾害的发生时间、位置、规模、变形演化时序特征的详查数据,基于统计学方法对气象信息和滑坡灾害信息进行数据挖掘,建立气象信息和滑坡灾害信息的大数据统计模型,依托GIS平台绘制基于台风暴雨路径的滑坡时空分布图,从而构建高植被覆盖区台风暴雨型滑坡易发性与降雨量的关系,从而得到导致滑坡发生的降雨阈值。
进一步地,步骤S2具体为:依托GIS平台将研究区整体地块通过收集的台风暴雨预报-过境-离境全过程气象降雨数据分割成数个区域地块,将每个地块的实际降雨值与矫正得到的降雨阈值作对比,筛除实际降雨值小于降雨阈值的地块,保留实际降雨值大于降雨阈值的地块,从而实现缩小滑坡识别的区域范围。
进一步地,步骤S3具体为:利用ENVI中的SVM分类工具进行滑坡自动识别,获得初步识别滑坡的位置、规模及发生时间,包括以下步骤:
步骤S31:将卫星遥感光学影像数据导入ENVI Classic,进行影像镶嵌及坐标配准;
步骤S34:对分类后的区划图进行精度验证;
步骤S35:将进行SVM分类后的数据转存为TIFF格式,由ArcGIS软件打开可观察到识别滑坡的位置与规模;
步骤S36:通过对研究区台风暴雨预报-过境-离境全过程的多时相高精度光学遥感数据重复进行步骤S31-步骤S35的操作,得到多时相的滑坡点位图,通过对比滑坡点位图确定滑坡发生的时间范围。
进一步地,在步骤S4中,设置坡度筛选集筛除滑坡初步识别集中的其他相似地物,具体包括以下步骤:
步骤S41:将研究区坡度图分为小于坡度区间和大于坡度区间两个集合;
步骤S42:将分类完毕的坡度栅格图像转为矢量图像;
步骤S43:将大于坡度区间的矢量集合提取出来,并设为一个新图层;
步骤S44:在ENVI中将滑坡初步识别结果保存为栅格数据;
步骤S45:通过ArcMap打开滑坡初步分类数据,并将其转变为矢量数据;
步骤S46:将道路、村庄及滑坡区域提取出来并设为一个新图层;
步骤S47:剔除道路和村庄,提取出滑坡;使用裁剪工具,将道路、村庄及滑坡区域设置为底图,将坡度大于坡度区间的地块矢量图层设置为掩膜,执行裁剪操作;
步骤S48:在ArcMap中加载裁剪后的滑坡区域图层和高精度光学遥感影像,进行精度验证。
进一步地,在步骤S5中,设置NDVI筛选集,使其对初步识别的滑坡范围进行矫正,以细化滑坡周界,具体包括以下步骤:
步骤S51:使用ArcGIS打开研究区NDVI栅格图像;
步骤S52:将研究区NDVI栅格数据按研究所得筛选集进行分类;
步骤S53:加载步骤S62分析得到的数据,将分类后的地块由栅格数据转为矢量数据;
步骤S54:将符合筛选集的NDVI矢量数据单独提取并设为一个新图层;
步骤S55:使用ArcGIS打开经坡度筛选后的滑坡矢量数据;
步骤S56:以滑坡矢量数据作为底图,以NDVI数据作为掩膜,执行裁剪操作,得到修正周界后的滑坡矢量数据,实现细化滑坡周界。
进一步地,在步骤S3中,利用ENVI中的支持向量机工具对不同时间的遥感影像进行滑坡初步识别的识别似然度的阈值设置为0,即研究区所有栅格参与分类。
以及,一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如上所述的高植被覆盖区台风暴雨型滑坡的遥感识别方法的步骤。
以及,一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如上所述的高植被覆盖区台风暴雨型滑坡的遥感识别方法的步骤。
与现有技术相比,本发明及其优选方案具有以下优势:
(1)通过建立高植被覆盖区台风暴雨型滑坡的大数据统计模型,基于统计学方法对气象信息和滑坡灾害信息进行数据挖掘,得到滑坡降雨阈值,通过降雨阈值减小识别区域面积,大大减小了识别工作量。
(2)结合滑坡典型性特征进行图像分类,实现自动识别滑坡,提高了滑坡识别的效率。
(3)通过结合多时相多源遥感数据,设置多源筛选集,进而提升了台风暴雨型滑坡的识别精度。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1为本发明实施例滑坡识别方法的总体流程示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,作详细说明如下:
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本发明实施例提供的高植被覆盖区台风暴雨型滑坡的遥感自动识别方法,系统收集和整理研究区气象监测信息和研究区历史滑坡灾害的地理特征,基于统计学方法对气象信息和滑坡灾害信息进行数据挖掘,总结高植被覆盖区台风暴雨型滑坡发生与降雨量的关系,得出导致滑坡发生的降雨阈值;通过阈值缩小滑坡识别的区域范围;获取研究区台风暴雨预报-过境-离境全过程的多时相高精度光学遥感数据,利用ENVI中的支持向量机工具对不同时间的遥感影像进行滑坡初步识别,识别似然度的阈值设置为0,即研究区所有栅格参与分类;获得初步识别滑坡的位置、规模及发生时间;获取研究区的数字高程模型(DEM)数据,通过GIS平台计算出研究区的坡度区划;总结研究区域地质背景与台风暴雨滑坡发育特征规律;设置坡度筛选集筛除滑坡初步识别集中的其他相似地物;获取研究区域归一化植被指数(NDVI)数据;研究了解研究区植被特征与台风暴雨型滑坡时空分布规律;设置合适的NDVI筛选集,使其对初步识别的滑坡范围进行矫正,实现细化滑坡周界。本实施例的技术方案,实现了更加高效的提取高植被覆盖区台风暴雨型滑坡的位置、规模及发生时间,提升了滑坡遥感识别的精度。
具体地,本实施例系统收集和整理研究区气象监测信息,获取历年台风全路径的台风暴雨演变过程与完整的动态监测数据,获取台风过境后研究区的多时相气象数据与动态监测数据和研究区历史滑坡灾害的发生时间、位置、规模、变形演化时序特征等详查数据,基于统计学方法对气象信息和滑坡灾害信息进行数据挖掘,建立气象信息和滑坡灾害信息的大数据统计模型,依托GIS平台绘制基于台风暴雨路径的滑坡时空分布图,总结高植被覆盖区台风暴雨型滑坡易发性与降雨量的关系,从而得到导致滑坡发生的降雨阈值。
建立地质-植被-台风暴雨相互作用下植被发育斜坡水文动态响应机制,植被发育斜坡对台风暴雨的响应过程复杂,与其斜坡所处地质背景、植被特征以及气象条件密切相关,通过大数据模型研究地质-植被-台风暴雨相互作用下植被发育斜坡水文动态响应揭示了高植被覆盖区台风暴雨型滑坡的降雨诱滑机制并得出了一个合理的滑坡降雨阈值,依托GIS平台将研究区整体地块通过收集的台风暴雨预报-过境-离境全过程气象降雨数据分割成数个区域地块,将每个地块的实际降雨值与矫正得到的降雨阈值作对比,筛除实际降雨值小于降雨阈值的地块,保留实际降雨值大于降雨阈值的地块,从而实现缩小滑坡识别的区域范围。
利用ENVI中的SVM分类工具进行滑坡自动识别,获得初步识别滑坡的位置、规模及发生时间,包括以下步骤:步骤(1)将卫星遥感光学影像数据导入ENVI Classic,进行影像镶嵌及坐标配准;步骤(2)在ENVI中对分类内容水体,植被,滑坡-村庄-道路绘制ROI;步骤(3)运行SVM分类工具,对给定的水体,植被,滑坡-村庄-道路,进行自动识别分类;步骤(4)对分类后的区划图进行精度验证;步骤(5)将进行SVM分类后的数据转存为TIFF格式,由ArcGIS软件打开可观察到识别滑坡的位置与规模;步骤(6)通过对研究区台风暴雨预报-过境-离境全过程的多时相高精度光学遥感数据重复进行上述操作,可得到多时相的滑坡点位图,对比这些图可确定滑坡发生的大致时间。
综合运用资料调查、遥感解译及地质大数据分析等手段查明典型高植被覆盖区的地质背景孕灾环境及其与台风暴雨型滑坡发育规律的关联特征,构建研究区植被发育斜坡的典型地质概化模型;基于统计学方法对地质背景与已有滑坡灾害信息进行数据挖掘,总结地质背景与台风暴雨滑坡发育特征规律,得到高植被覆盖区台风暴雨型滑坡常发生在坡度大于25°的斜坡地形上;可通过设置坡度筛选集排除道路和村庄对滑坡初步识别的影响。
设置坡度筛选集筛除滑坡初步识别集中的其他相似地物,其步骤包括:步骤(1)根据坡度对台风暴雨型滑坡的影响研究,将研究区坡度图分为小于25°和大于25°两个集合。步骤(2)将分类完毕的坡度栅格图像转为矢量图像。步骤(3)将大于25°的矢量集合提取出来,并设为一个新图层。步骤(4)在ENVI中将滑坡初步识别结果保存为栅格数据。步骤(5)通过ArcMap打开滑坡初步分类数据,并将其转变为矢量数据。步骤(6)将道路、村庄及滑坡区域提取出来并设为一个新图层。步骤(7)剔除道路和村庄,提取出滑坡。使用裁剪工具,将道路、村庄及滑坡区域设置为底图,将坡度大于25°的地块矢量图层设置为掩膜,执行裁剪操作。步骤(8)在ArcMap中加载裁剪后的滑坡区域图层和高精度光学遥感影像,进行精度验证。
本实施例通过进行现场植被特征调查,查明台风暴雨型滑坡易发区的植被覆盖度时空分布图与滑坡密度图进行叠加分析,揭示出台风暴雨型滑坡体上植被情况为稀疏植被或近裸土地表;则在进行对研究区滑坡初步识别后,可根据获取研究区的归一化植被指数(NDVI),通过设置合适的筛选集如(-0.1~0.1)对初步识别的滑坡周界进行更精确的勾画。
设置合适的NDVI筛选集,使其对初步识别的滑坡范围进行矫正,实现细化滑坡周界,包括以下步骤:步骤(1)使用ArcGIS打开研究区NDVI栅格图像;步骤(2)将研究区NDVI栅格数据按研究所得筛选集进行分类;步骤(3)加载上一步分析得到的数据,将分类后的地块由栅格数据转为矢量数据;步骤(4)将符合筛选集的NDVI矢量数据单独提取并设为一个新图层;步骤(5)使用ArcGIS打开经坡度筛选后的滑坡矢量数据;步骤(6)以滑坡矢量数据作为底图,以NDVI数据作为掩膜,执行裁剪操作,得到修正周界后的滑坡矢量数据,实现细化滑坡周界。
实施以上方案的一般性数学基础要求为:(1)平面坐标系采用2000国家大地坐标系;(2)投影采用高斯-克吕格投影,按3°分带;(3)深度基准采用理论深度基准面;(4)高程基准采用1985国家高程基准;(5)计量单位要求为面积单位采用km2,保留4位小数;面积统计汇总单位采用km2,保留4位小数。
遥感数据要求为:(1)数据类型:卫星遥感光学影像数据或航空遥感影像数据;(2)时相:选取台风暴雨预报-过境-离境全过程的多时相的研究区遥感光学影像;(3)空间分辨率:卫星遥感影像数据空间分辨率应优于2m,和地物应优于1m,针对无法准确识别的生态系统,宜结合使用空间分辨率更高的航空遥感影像数据;(4)定位精度:影像定位中误差优于10米;(5)质量:区域云覆盖率不应大于5%,影像重叠度不小于5%,选用层次丰富、图像清晰的遥感影像;(6)格式:TIF格式。
获取研究区的高精度数字高程模型(DEM)数据要求为:(1)数据质量:应选择数据质量较好,能精确反应真实地面高程的DEM数据;(2)空间分辨率:所获取的DEM数据栅格大小值应尽量与遥感影像分辨率相同,或DEM数据栅格大小值为遥感影像分辨率的倍数值,倍数值最大不超过10。(3)定位精度:DEM数据坐标定位中误差优于10米;(4)格式:TIF格式。
获取研究区的归一化植被指数(NDVI)数据要求为:(1)表达式:(2)数据 质量:应选取经过遥感矫正,区域云覆盖率不应大于5%,影像重叠度不小于5%,选用层 次丰富、图像清晰的近红外和红光谱遥感影像;(3)时相:选取时效性较高的研究区近红外 和红光谱遥感影像;(4)定位精度:影像定位中误差优于10米;(5)空间分辨率:应与权利1 所述遥感影像一致;(6)格式:TIF格式。
下面以福建省安溪县为例,对本发明专利作进一步的说明,但并不因此将本发明专利限制在所述的实施例范围之中。
1.系统收集和整理研究区气象监测信息和研究区历史滑坡灾害的地理特征,基于统计学方法对气象信息和滑坡灾害信息进行数据挖掘,总结高植被覆盖区台风暴雨型滑坡发生与降雨量的关系得到一个合适的降雨阈值,通过该降雨阈值缩小研究区域识别面积;
1.1系统收集和整理研究区气象监测信息,获取历年台风全路径的台风暴雨演变过程与完整的动态监测数据;
1.2获取台风过境后研究区的多时相气象数据与动态监测数据和研究区历史滑坡灾害的发生时间、位置、规模、变形演化时序特征等详查数据,;
1.3基于统计学方法对气象信息和滑坡灾害信息进行数据挖掘;
1.4建立气象信息和滑坡灾害信息的大数据统计模型;
1.5依托GIS平台绘制基于台风暴雨路径的滑坡时空分布图;
1.6总结高植被覆盖区台风暴雨型滑坡易发性与降雨量的关系得到一个合适的降雨阈值;
1.7通过降雨阈值缩小研究区域识别面积。
2.获取研究区台风暴雨预报-过境-离境全过程的多时相高精度光学遥感数据;
具体地,(1)数据类型:卫星遥感光学影像数据或航空遥感影像数据;(2)时相:选取台风暴雨预报-过境-离境全过程的多时相的研究区遥感光学影像;(3)空间分辨率:卫星遥感影像数据空间分辨率应优于2m,和地物应优于1m,针对无法准确识别的生态系统,宜结合使用空间分辨率更高的航空遥感影像数据;(4)定位精度:影像定位中误差优于10米;(5)质量:区域云覆盖率不应大于5%,影像重叠度不小于5%,选用层次丰富、图像清晰的遥感影像;(6)格式:TIF格式。
3.利用ENVI中的支持向量机工具对不同时间的遥感影像进行滑坡初步识别,得到滑坡初步识别的位置、区域范围和发生时间;
3.1打开ENVI classic软件,将获取的高精度光学遥感影像显示在Display中,在主图像窗口,点击【Overlay】>【Region of Interest】,在弹出的【ROI Tool】对话框,【Window】选项中选择【Zoom】,表示在Zoom窗口下选择ROI。点击【ROI_Type】,在下拉菜单中选择【Rectangle】,表示以矩形绘制ROI;
3.2绘制水体和植被ROI。在遥感影像中选择特征性强的水体在Zoom窗口中使用矩形圈起来,在【ROI Tool】对话框中修改ROI名称和颜色。用同样的方法绘制植被ROI;
3.3因为在遥感影像上道路、滑坡和村庄三类地物表现为相似色调,因此将此三类作为一类同以5.2方法绘制ROI;
3.4在【ROI Tool】对话框中,点击【File】>【Save ROIs】,在弹出的对话框中点击【Select All Items】,设置存储路径,点击【OK】,保存ROI文件;
3.5在ENVI主菜单中,点击【Classification】>【Supervised】>【Support VectorMachine】,在文件输入对话框中选择遥感图像,点击【OK】,弹出【Support Vector MachineClassification Parameters】参数设置对话框,其中Kernel Type(核函数类型)下拉列表里选项有Linear(线性函数)、Polynomial(多项式核函数)、Radial Basis Function(径向基函数),以及Sigmoid(Sigmoid函数)。Radial Basis Function核函数是识别效果最好、性能也最稳定的核函数,而且样本的大小对它分类性能的影响不大,是比较理想的分类函数。因此本方法选择使用Radial Basis Function核函数作为SVM模型的核函数进行分类;
3.6点击【Select All Items】,设置分类结果和规则图像的储存路径,点击【OK】执行分类;
3.7在ENVI主菜单点击【Classification】>【Post Classification】>【ConfusionMatrix】>【Using Ground Truth ROIs】>,选择遥感分类图像,在弹出的【Match ClassesParameters】窗口点击【OK】,得到分类精度评价表;
3.8将进行SVM分类后的数据转存为TIFF格式,由ArcGIS软件打开可观察到识别滑坡的位置与规模;
3.9通过对研究区台风暴雨预报-过境-离境全过程的多时相高精度光学遥感数据重复进行上述操作,可得到多时相的滑坡点位图,对比这些图可确定滑坡发生的大致时间;
4.获取研究区的数字高程模型(DEM)数据得到研究区的地形坡度;
4.1打开ArcGIS软件加载DEM数据,对DEM数据进行地理配准;
4.2使用ArcGIS工具箱中的【Spatial Analyst工具】>【表面分析】>【坡度】;
4.3将研究区的DEM数据设为输入栅格,并设置一输出栅格;
4.4【坡度】选项中输出测量单位选择‘DEGREE’,Z因子选择‘1’;
4.5运行工具,得到研究区的坡度栅格数据。
5.总结研究区域地质背景与台风暴雨滑坡发育特征规律;
5.1综合运用资料调查、遥感解译及地质大数据分析等手段查明典型高植被覆盖区的地质背景孕灾环境及其与台风暴雨型滑坡发育规律的关联特征;
5.2构建研究区植被发育斜坡的典型地质概化模型;
5.3基于统计学方法对地质背景与已有滑坡灾害信息进行数据挖掘;
5.4总结地质背景与台风暴雨滑坡发育特征规律,得到高植被覆盖区台风暴雨型滑坡常发生在坡度大于25°的斜坡地形上;
6.设置坡度筛选集筛除滑坡初步识别集中的其他相似地物;
6.1使用ArcGIS打开研究区坡度栅格图像;
6.2 在【ArcToolbox】中点击【Spatial Analyst】>【Map Algebra】>【RasterCalculator】,根据上一步对地质背景与台风暴雨滑坡发育特征规律的研究,得到高植被覆盖区台风暴雨型滑坡常发生在坡度大于25°的斜坡地形上,在【Raster Calculator】对话框输入表达式:“Slope”>=25,即筛选出坡度大于25°的区域。设置输出路径,点击【OK】,执行分析;
6.3加载上一步分析得到的数据,该栅格影像包含两个值“0”和“1”,“0”表示坡度小于25°,“1”表示坡度大于25°。在 【ArcToolbox】中点击【Conversion Tools】>【FromRaster】>【Raster to Polygon】,在【Raster to Polygon】对话框中选择输入文件,设置输出路径,点击【OK】,将分类后的地块由栅格数据转为矢量数据;
6.4将坡度大于25°的区域在图像上高亮显示。加载上一步得到的矢量数据,右击图层,点击【Open Attribute Table】>【Select by Attributes】,在【Select byAttributes】对话框中双击【GRIDCODE】,再点击【Get Unique Values】,选择值1,点击【Apply】;
6.5将筛选出的区域生成新的图层,点击【Selection】>【Create Layer FromSelected Features】,生成新的图层;
6.6在ENVI【Available Bands List】中右击选取SVM分类后的结果,点击【EditHeader】,打开头文件,在【File Type】下拉菜单中选择【TIFF】,点击【OK】;
6.7在ENVI主菜单点击【File】>【Save File As】>【TIFF /GeoTIFF】,在弹出的对话框中选择SVM分类后的结果,点击【OK】,在接下来的窗口中设置输出路径及文件名,点击【OK】;
6.8打开ArcMap,在【ArcToolbox】中点击【Conversion Tools】>【From Raster】>【Raster to Polygon】,在【Raster to Polygon】对话框中选择转为TIFF格式后的分类结果,设置输出路径及文件名,点击【OK】,将分类结构由栅格数据转为矢量数据并创建为一个新图层;
6.9 将道路、村庄及滑坡区域在图像上高亮显示。在【Layer】数据框中右击上一步得到的新图层,点击【Open Attribute Table】>【Select by Attributes】,在【Select byAttributes】对话框中双击【GRIDCODE】,再点击【Get Unique Values】,选择值3(3代表道路、村庄和滑坡区域),点击【Apply】;
6.10 将高亮的区域生成新的图层,点击【Selection】>【Create Layer FromSelected Features】,生成新的图层,修改图层的颜色,凸显出道路、村庄和滑坡区域;
6.11剔除道路和村庄,提取出滑坡。在【ArcToolbox】中点击【Analysis Tools】>【Extract】>【Clip】,在【Clip】对话框中,【Input Features】选择道路、村庄和滑坡提取矢量图层,【Clip Features】选择坡度大于25°的地块矢量图层,设置输出路径及文件名,点击【OK】;
6.12在ArcMap中加载裁剪后的滑坡区域图层和高精度光学遥感影像,进行精度验证。
7.获取研究区的归一化植被指数(NDVI)数据;
7.1打开ENVI软件,点击【File】>【Open Image File】,选择图像并以近红外和红色光谱图像合成RGB显示在Display中。
7.2在ENVI主菜单中,点击【Basic Tools】>【Band Math】,打开【Band Math】对话框。在【Band Math】对话框中的输入栏中输入:(float(b1)-float(b2))/(float(b1)+float(b2)),点击【Add to List】,点击【OK】
7.3在弹出的【Variables to Bands Pairings】对话框中,为b1和b2赋值,b1选择近红外光谱影像、b2选择红色光谱影像,设置存储路径,即得到研究区的NDVI栅格数据。
8.研究了解研究区植被特征与台风暴雨型滑坡时空分布规律,设置合适的NDVI筛选集;
8.1进行现场植被特征调查,查明台风暴雨型滑坡易发区的植被覆盖度时空分布图;
8.2使植被覆盖度时空分布图与滑坡密度图进行叠加分析,揭示出台风暴雨型滑坡体上植被情况为稀疏植被或近裸土地表;
8.3则在进行对研究区滑坡初步识别后,我们可根据获取研究区的归一化植被指数(NDVI),通过设置合适的筛选集如(-0.1,0.1)对初步识别的滑坡周界进行更精确的勾画。
9.设置合适的NDVI筛选集,使其对初步识别的滑坡范围进行矫正,实现细化滑坡周界;
9.1使用ArcGIS打开研究区NDVI栅格数据图像;
9.2 在【ArcToolbox】中点击【Spatial Analyst】>【Map Algebra】>【RasterCalculator】,根据上一步研究了解研究区植被特征与台风暴雨型滑坡时空分布规律得到的NDVI筛选集,在【Raster Calculator】对话框输入表达式:-0.1<=“NDVI”>=0.1,即筛选出NDVI∈(-0.1~0.1)的区域。设置输出路径,点击【OK】,执行分析;
9.3加载上一步分析得到的数据,该栅格影像包含三个值“0”和“1”,“0”表示NDVI∈(-1,0.1)∪(0.1,1),“1”表示NDVI∈(-0.1,0.1)。在 【ArcToolbox】中点击【ConversionTools】>【From Raster】>【Raster to Polygon】,在【Raster to Polygon】对话框中选择输入文件,设置输出路径,点击【OK】,将分类后的地块由栅格数据转为矢量数据;
9.4将NDVI∈(-0.1,0.1)的区域在图像上高亮显示。加载上一步得到的矢量数据,右击图层,点击【Open Attribute Table】>【Select by Attributes】,在【Select byAttributes】对话框中双击【GRIDCODE】,再点击【Get Unique Values】,选择值1,点击【Apply】;
9.5将筛选出的区域生成新的图层,点击【Selection】>【Create Layer FromSelected Features】,生成新的图层;
9.6通过NDVI筛选集对滑坡周界进行细化。在【ArcToolbox】中点击【AnalysisTools】>【Extract】>【Clip】,在【Clip】对话框中,【Input Features】选择上一步筛选后的滑坡识别矢量图层,【Clip Features】选择NDVI∈(-0.1,0.1)的地块矢量图层,设置输出路径及文件名,点击【OK】;
9.7在ArcMap中加载裁剪后的滑坡区域图层和高精度光学遥感影像,进行精度验证。
本实施例提供的以上系统及方法可以代码化的形式存储在计算机可读取存储介质中,并以计算机程序的方式进行实现,并通过计算机硬件输入计算所需的基本参数信息,并输出计算结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的高植被覆盖区台风暴雨型滑坡的遥感识别方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (9)
1.一种高植被覆盖区台风暴雨型滑坡的遥感识别方法,其特征在于,包括以下步骤:
步骤S1:对气象信息和滑坡灾害信息进行数据挖掘,获得高植被覆盖区台风暴雨型滑坡发生与降雨量的关系,得出滑坡发生的降雨阈值;
步骤S2:通过步骤S1获得的阈值缩小滑坡识别的区域范围;
步骤S3:获取研究区台风暴雨预报-过境-离境全过程的多时相高精度光学遥感数据,利用ENVI中的支持向量机工具对不同时间的遥感影像进行滑坡初步识别,获取初步识别滑坡的位置、规模及发生时间;
步骤S4:获取研究区的数字高程模型DEM数据,通过GIS平台计算出研究区的坡度区划,获得滑坡发生概率最大的坡度区间,并以此坡度区间设置坡度筛选集筛除滑坡初步识别集中的其他相似地物;
步骤S5:获取研究区域归一化植被指数NDVI数据;根据研究区植被特征与台风暴雨型滑坡时空分布规律获得滑坡发生与归一化植被指数的关系,从而设置NDVI筛选集,使其对初步识别的滑坡范围进行矫正,以细化滑坡周界。
2.根据权利要求1所述的高植被覆盖区台风暴雨型滑坡的遥感识别方法,其特征在于:步骤S1具体为:收集和整理研究区气象监测信息,获取历年台风全路径的台风暴雨演变过程与完整的动态监测数据,获取台风过境后研究区的多时相气象数据与动态监测数据和研究区历史滑坡灾害的发生时间、位置、规模、变形演化时序特征的详查数据,基于统计学方法对气象信息和滑坡灾害信息进行数据挖掘,建立气象信息和滑坡灾害信息的大数据统计模型,依托GIS平台绘制基于台风暴雨路径的滑坡时空分布图,从而构建高植被覆盖区台风暴雨型滑坡易发性与降雨量的关系,得到滑坡发生的降雨阈值。
3.根据权利要求1所述的高植被覆盖区台风暴雨型滑坡的遥感识别方法,其特征在于:步骤S2具体为:依托GIS平台将研究区整体地块通过收集的台风暴雨预报-过境-离境全过程气象降雨数据分割成数个区域地块,将每个地块的实际降雨值与基于大数据统计模型得到的降雨阈值作对比,筛除实际降雨值小于降雨阈值的地块,保留实际降雨值大于降雨阈值的地块,从而实现缩小滑坡识别的区域范围。
4.根据权利要求1所述的高植被覆盖区台风暴雨型滑坡的遥感识别方法,其特征在于:步骤S3具体为:利用ENVI中的SVM分类工具进行滑坡自动识别,获得初步识别滑坡的位置、规模及发生时间,包括以下步骤:
步骤S31:将卫星遥感光学影像数据导入ENVI Classic,进行影像镶嵌及坐标配准;
步骤S34:对分类后的区划图进行精度验证;
步骤S35:将进行SVM分类后的数据转存为TIFF格式,由ArcGIS软件打开可观察到识别滑坡的位置与规模;
步骤S36:通过对研究区台风暴雨预报-过境-离境全过程的多时相高精度光学遥感数据重复进行步骤S31-步骤S35的操作,得到多时相的滑坡点位图,通过对比滑坡点位图确定滑坡发生的时间范围。
5.根据权利要求1所述的高植被覆盖区台风暴雨型滑坡的遥感识别方法,其特征在于:在步骤S4中,设置坡度筛选集筛除滑坡初步识别集中的其他相似地物,具体包括以下步骤:
步骤S41:将研究区坡度图分为小于坡度区间和大于坡度区间两个集合;
步骤S42:将分类完毕的坡度栅格图像转为矢量图像;
步骤S43:将大于坡度区间的矢量集合提取出来,并设为一个新图层;
步骤S44:在ENVI中将滑坡初步识别结果保存为栅格数据;
步骤S45:通过ArcMap打开滑坡初步分类数据,并将其转变为矢量数据;
步骤S46:将道路、村庄及滑坡区域提取出来并设为一个新图层;
步骤S47:剔除道路和村庄,提取出滑坡;使用裁剪工具,将道路、村庄及滑坡区域设置为底图,将坡度大于坡度区间的地块矢量图层设置为掩膜,执行裁剪操作;
步骤S48:在ArcMap中加载裁剪后的滑坡区域图层和高精度光学遥感影像,进行精度验证。
6.根据权利要求1所述的高植被覆盖区台风暴雨型滑坡的遥感识别方法,其特征在于:在步骤S5中,设置NDVI筛选集,使其对初步识别的滑坡范围进行矫正,以细化滑坡周界,具体包括以下步骤:
步骤S51:使用ArcGIS打开研究区NDVI栅格图像;
步骤S52:将研究区NDVI栅格数据按研究所得筛选集进行分类;
步骤S53:加载步骤S52分析得到的数据,将分类后的地块由栅格数据转为矢量数据;
步骤S54:将符合筛选集的NDVI矢量数据单独提取并设为一个新图层;
步骤S55:使用ArcGIS打开经坡度筛选后的滑坡矢量数据;
步骤S56:以滑坡矢量数据作为底图,以NDVI数据作为掩膜,执行裁剪操作,得到修正周界后的滑坡矢量数据,实现细化滑坡周界。
7.根据权利要求1所述的高植被覆盖区台风暴雨型滑坡的遥感识别方法,其特征在于:在步骤S3中,利用ENVI中的支持向量机工具对不同时间的遥感影像进行滑坡初步识别的识别似然度的阈值设置为0,即研究区所有栅格参与分类。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7其中任一所述的高植被覆盖区台风暴雨型滑坡的遥感识别方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7其中任一所述的高植被覆盖区台风暴雨型滑坡的遥感识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111063778.3A CN113780175B (zh) | 2021-09-10 | 2021-09-10 | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111063778.3A CN113780175B (zh) | 2021-09-10 | 2021-09-10 | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780175A true CN113780175A (zh) | 2021-12-10 |
CN113780175B CN113780175B (zh) | 2023-08-15 |
Family
ID=78842604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111063778.3A Active CN113780175B (zh) | 2021-09-10 | 2021-09-10 | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780175B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743096A (zh) * | 2022-03-21 | 2022-07-12 | 东华理工大学 | 一种区域滑坡识别方法、装置及系统 |
CN117590397A (zh) * | 2024-01-18 | 2024-02-23 | 北京香田智能科技有限公司 | 基于sar影像的海岸带变化检测方法和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106226779A (zh) * | 2016-07-11 | 2016-12-14 | 铁道第三勘察设计院集团有限公司 | 基于遥感技术的易发滑坡预测方法 |
CN108459318A (zh) * | 2018-02-02 | 2018-08-28 | 中国铁路设计集团有限公司 | 基于遥感技术的潜在滑坡早期识别方法 |
CN109740570A (zh) * | 2019-01-18 | 2019-05-10 | 中国水利水电科学研究院 | 一种基于地形指数和物候差异的梯田遥感识别方法 |
CN109767409A (zh) * | 2018-11-28 | 2019-05-17 | 中国科学院遥感与数字地球研究所 | 基于遥感影像的滑坡变化检测方法、存储介质和电子设备 |
US20210201024A1 (en) * | 2019-12-26 | 2021-07-01 | Ping An Technology (Shenzhen) Co., Ltd. | Crop identification method and computing device |
-
2021
- 2021-09-10 CN CN202111063778.3A patent/CN113780175B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106226779A (zh) * | 2016-07-11 | 2016-12-14 | 铁道第三勘察设计院集团有限公司 | 基于遥感技术的易发滑坡预测方法 |
CN108459318A (zh) * | 2018-02-02 | 2018-08-28 | 中国铁路设计集团有限公司 | 基于遥感技术的潜在滑坡早期识别方法 |
CN109767409A (zh) * | 2018-11-28 | 2019-05-17 | 中国科学院遥感与数字地球研究所 | 基于遥感影像的滑坡变化检测方法、存储介质和电子设备 |
CN109740570A (zh) * | 2019-01-18 | 2019-05-10 | 中国水利水电科学研究院 | 一种基于地形指数和物候差异的梯田遥感识别方法 |
US20210201024A1 (en) * | 2019-12-26 | 2021-07-01 | Ping An Technology (Shenzhen) Co., Ltd. | Crop identification method and computing device |
Non-Patent Citations (1)
Title |
---|
彭令等: "地震滑坡高分辨率遥感影像识别", 遥感学报, vol. 21, no. 4, pages 509 - 518 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743096A (zh) * | 2022-03-21 | 2022-07-12 | 东华理工大学 | 一种区域滑坡识别方法、装置及系统 |
CN117590397A (zh) * | 2024-01-18 | 2024-02-23 | 北京香田智能科技有限公司 | 基于sar影像的海岸带变化检测方法和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113780175B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113780174B (zh) | 结合随机森林算法的高植被台风暴雨型滑坡识别方法 | |
Goldblatt et al. | Utilizing publicly available satellite data for urban research: Mapping built-up land cover and land use in Ho Chi Minh City, Vietnam | |
US9430499B2 (en) | Automated feature extraction from imagery | |
CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
CN113780175B (zh) | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 | |
CN113239736B (zh) | 一种基于多源遥感数据的土地覆盖分类标注图获取方法 | |
Ball et al. | Accurate delineation of individual tree crowns in tropical forests from aerial RGB imagery using Mask R‐CNN | |
Albrecht et al. | Autogeolabel: Automated label generation for geospatial machine learning | |
CN117409168B (zh) | 实时动态渲染的洪水预报及洪灾模拟方法和系统 | |
CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
Alvarez et al. | Multitemporal land-cover classification of Mexico using Landsat MSS imagery | |
Mellor et al. | Forest classification using random forests with multisource remote sensing and ancillary GIS data | |
van Geffen et al. | SiDroForest: A comprehensive forest inventory of Siberian boreal forest investigations including drone-based point clouds, individually labelled trees, synthetically generated tree crowns and Sentinel-2 labelled image patches | |
Kumar et al. | Constrained linear spectral unmixing technique for regional land cover mapping using MODIS data | |
Mõttus et al. | TAIGA: A novel dataset for multitask learning of continuous and categorical forest variables from hyperspectral imagery | |
Yang et al. | Automatic Identification Method of Construction and Demolition Waste Based on Deep Learning and GAOFEN-2 Data | |
Wang et al. | ABoVE: Landsat-derived Annual Dominant Land Cover Across ABoVE Core Domain, 1984-2014. ORNL DAAC, Oak Ridge, Tennessee, USA | |
Miyazaki et al. | Urban Growth Modeling using Historical Landsat Satellite Data Archive on Google Earth Engine | |
Awuah | Effects of spatial resolution, land-cover heterogeneity and different classification methods on accuracy of land-cover mapping | |
Mashagbah et al. | Spatial and temporal modeling of the urban growth and land cover changes using remote sensing, spatial indexes and GIS techniques in Irbid city, Jordan. | |
De Los Santos et al. | Gis-Based Rapid Earthquake Exposure and Vulnerability Mapping Using Lidar Dem and Machine Learning Algorithms: Case of Porac, Pampanga | |
Pendyala et al. | Comparative Study of Automatic Urban Building Extraction Methods from Remote Sensing Data | |
Capolupo et al. | Landsat 9 Satellite Images Potentiality in Extracting Land Cover Classes in GEE Environment Using an Index-Based Approach: The Case Study of Savona City | |
CN117541940B (zh) | 基于遥感数据的土地利用分类方法及系统 | |
CN116343071B (zh) | 基于深度学习算法的地表采动裂缝无人机影像识别方法 |
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 |