CN113920338B - 一种基于矢量引导的洪灾灾情评估方法 - Google Patents

一种基于矢量引导的洪灾灾情评估方法 Download PDF

Info

Publication number
CN113920338B
CN113920338B CN202111397072.0A CN202111397072A CN113920338B CN 113920338 B CN113920338 B CN 113920338B CN 202111397072 A CN202111397072 A CN 202111397072A CN 113920338 B CN113920338 B CN 113920338B
Authority
CN
China
Prior art keywords
flood
disaster
vector
image
loss
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
CN202111397072.0A
Other languages
English (en)
Other versions
CN113920338A (zh
Inventor
孙艺琳
柳锦宝
梁芳
陶星宇
王志强
阿多
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.)
National Disaster Reduction Center Of Emergency Management Department
Chengdu University of Information Technology
Original Assignee
National Disaster Reduction Center Of Emergency Management Department
Chengdu University of Information Technology
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 National Disaster Reduction Center Of Emergency Management Department, Chengdu University of Information Technology filed Critical National Disaster Reduction Center Of Emergency Management Department
Priority to CN202111397072.0A priority Critical patent/CN113920338B/zh
Publication of CN113920338A publication Critical patent/CN113920338A/zh
Application granted granted Critical
Publication of CN113920338B publication Critical patent/CN113920338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Alarm Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于矢量引导的洪灾灾情评估方法，水体提取、矢量引导、确定洪水淹没范围和估算洪灾损失；本发明通过洪水期遥感影像得到水体范围，然后与地理矢量数据进行匹配可以快速定位至洪灾发生地，即可进行灾损评估得到灾损信息，在克服处理资源受限的条件下，实现灾害信息的快速提取，实施简单快捷，所需成本低，利用地理矢量信息的辅助功能，充分深挖不同数据内部和数据之间的协调能力，实现洪涝灾害评估，评估过程所需数据较少，分析较为简便，相比现有的评估方法效率更高，更为精确，基于0级或者1级数据进行处理，可以为减灾救灾服务提供快速的决策支持。

Description

一种基于矢量引导的洪灾灾情评估方法
技术领域
本发明涉及灾情评估技术领域，尤其涉及一种基于矢量引导的洪灾灾情评估方法。
背景技术
洪水灾害是我国面临的重大突发性自然灾害之一，将现代信息技术尤其是以“3S”为核心的空间信息技术运用于洪水灾害的动态监测、灾情评估、救灾决策支持等领域具有重大的意义，如何利用现代空间信息技术为洪水灾害监测、救援、评估等提供更科学、快速的辅助决策支持一直是急需解决的重大问题，加强对洪水灾害损失评估的研究，不仅能够及时的了解洪涝灾害发生的几率，而且也对洪涝灾害引起的损失加以预测，为防洪减灾部门救灾、抗灾计划的制定提供数据支持；
至今为止，还没有一套完善的传感器或系统能够从遥感影像稳定地、全自动地提取目标地物并做出评估，现有的一些洪灾灾情评估方法大都存在实施较为耗时，时效性不高的问题，且评估过程中所需数据众多，分析较为复杂，分析难度较高，另外现有的方法在评估精度上也有所不足，为减灾救灾服务提供更加快速和准确的决策支持，因此，本发明提出一种基于矢量引导的洪灾灾情评估方法以解决现有技术中存在的问题。
发明内容
针对上述问题，本发明的目的在于提出一种基于矢量引导的洪灾灾情评估方法，该方法通过洪水期遥感影像得到水体范围，然后与地理矢量数据进行匹配可以快速定位至洪灾发生地，即可进行灾损评估得到灾损信息，在克服处理资源受限的条件下，实现灾害信息的快速提取，实施简单快捷，所需成本低，利用地理矢量信息的辅助功能，充分深挖不同数据内部和数据之间的协调能力，实现洪涝灾害评估。
为了实现本发明的目的，本发明通过以下技术方案实现：一种基于矢量引导的洪灾灾情评估方法，包括以下步骤：
步骤一：水体提取
基于待评估区域的遥感卫星遥感影像，利用归一化差异水体指数NDWI对待评估区域进行水体提取，其中NDWI定义如下：
步骤二：矢量引导
根据步骤一，先将基于NDVI提取的水体转为矢量然后导出成图片，然后将待评估区域的水体矢量数据导出成图片，其中待评估区域的水体矢量数据图片作为被匹配模板；
步骤三：确定洪水淹没范围
根据步骤二，先对基于NDVI提取的水体矢量图片进行模板匹配，确定具体的灾害发生地，再将提取的水体与灾害发生地灾害发生前的卫星遥感影像进行叠加，确定洪水淹没区域信息；
步骤四：估算洪灾损失
根据步骤三，根据洪水淹没区域信息对洪灾发生地的洪灾损失进行计算评估，得到灾损信息，公式如下：
其中，S为灾害发生地的直接经济损失，Pab是a种淹没范围内第b类财产值，Tab是第a种淹没级别下的第b类财产损失率，m为财产类型的总数，n是洪水淹没级别。
进一步改进在于：所述步骤一中，所述水体的提取方法还包括基于阈值的多波段谱间关系法和阴影水体指数法，其中基于阈值的多波段谱间关系法主要利用影像多波段的综合优势进行水体信息的提取，包括谱间关系法与比值法，阴影水体指数法是在现有的多波段谱间关系法基础上，根据水体的光谱特性进行构建。
进一步改进在于：所述步骤三中，所述洪水淹没区域信息包括洪水淹没范围和淹没区域土地利用类型，所述灾害发生地灾害发生前的影像为从全国地理信息资源目录服务上下载的待评估区域的土地利用数据影像。
进一步改进在于：所述步骤三中，所述模板匹配具体为在一副大图像中搜寻目标，已知该图中存在要找的目标，且该目标同模板有相同的尺寸、方向和图像元素，通过SSDA算法在图中找到目标，确定其坐标位置，模板图像记为t，待搜索图像记为f，计算图像f(x,y)在像素(u,v)的非相似度m(u,v)为：
以m(u,v)作为匹配尺度，式中(u,v)表示模板与图像重合部分的左上角像素坐标，模板的大小为：n×m。
进一步改进在于：所述步骤四中，所述洪灾损失包括农作物损失、畜牧业损失和居民财产损失，所述居民财产损失包括房屋建筑损失和其他固定资产损失。
进一步改进在于：所述农作物损失的估算公式如下：
其中，R农为洪灾农作物经济损失，ηij为第j级淹没水深下的第i类农作物洪灾损失率，Wij为第j级淹没水深下的第i类农作物正常年产值，n为农作物种类数，m为淹没水深等级数，R存为被洪水冲走的农作物或因受淹霉变造成的损失。
进一步改进在于：所述畜牧业损失的估算公式如下：
其中，NA为牲畜死亡的种类数，GT为死亡牲畜的活体重量，VT为死亡牲畜的批发价格。
进一步改进在于：所述房屋建筑损失的估算公式如下：
L建筑＝A淹×C×V×R
其中，L建筑为房屋损失价值，A淹为对应的农村居民点或城镇淹没面积，C为农村居民点或城镇土地利用面积系数，V为单位面积上的房屋价值，R为损失率。
进一步改进在于：所述其他固定资产损失的计算公式如下：
L固资＝(A淹/H)×C×V固×R
其中，L固资为其他固定资产损失，A淹为对应的农村居民点或城镇淹没面积，H为每户家庭房屋面积，C为农村居民点或城镇土地利用面积系数，V固为每户家庭的其他固定资产价值，R为损失率。
本发明的有益效果为：本发明通过洪水期遥感影像得到水体范围，然后与地理矢量数据进行匹配可以快速定位至洪灾发生地，即可进行灾损评估得到灾损信息，在克服处理资源受限的条件下，实现灾害信息的快速提取，实施简单快捷，所需成本低，利用地理矢量信息的辅助功能，充分深挖不同数据内部和数据之间的协调能力，实现洪涝灾害评估，评估过程所需数据较少，分析较为简便，相比现有的评估方法效率更高，更为精确，基于0级或者1级数据进行处理，可以为减灾救灾服务提供快速的决策支持。
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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的方法流程图；
图2是本发明实施例二中的研究区遥感影像图；
图3是本发明实施例二中基于NDWI的水体提取图；
图4是本发明实施例二中的待匹配提取水体图；
图5是本发明实施例二中的水体匹配模板图；
图6是本发明实施例二中的提取水体与遥感影像叠加图。
具体实施方式
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，所描述的实施例仅仅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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”、“第四”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例一
参见图1，本实施例提供了一种基于矢量引导的洪灾灾情评估方法，包括以下步骤：
步骤一：水体提取
基于待评估区域的遥感卫星遥感影像，利用归一化差异水体指数NDWI对待评估区域进行水体提取，其中NDWI定义如下：
水体的提取方法还包括基于阈值的多波段谱间关系法和阴影水体指数法，其中基于阈值的多波段谱间关系法主要利用影像多波段的综合优势进行水体信息的提取，包括谱间关系法与比值法，阴影水体指数法是在现有的多波段谱间关系法基础上，根据水体的光谱特性进行构建，能较好区分水体和阴影，能削弱积雪和山体裸地的影响，定义为：
SWI＝蓝波段+绿波段-近红外波段≥C(水体)
SWI＝蓝波段+绿波段-近红外波段＜C(阴影)
式中C为经验性阈值；
步骤二：矢量引导
根据步骤一，先将基于NDVI提取的水体转为矢量然后导出成图片，然后将待评估区域的水体矢量数据导出成图片，其中待评估区域的水体矢量数据图片作为被匹配模板；
步骤三：确定洪水淹没范围
根据步骤二，先对基于NDVI提取的水体矢量图片进行模板匹配，确定具体的灾害发生地，模板匹配具体为在一副大图像中搜寻目标，已知该图中存在要找的目标，且该目标同模板有相同的尺寸、方向和图像元素，通过SSDA算法在图中找到目标，确定其坐标位置，模板图像记为t，待搜索图像记为f，计算图像f(x,y)在像素(u,v)的非相似度m(u,v)为：
以m(u,v)作为匹配尺度，式中(u,v)表示的不是模板与图像重合部分的中心坐标，而是重合部分左上角像素坐标，模板的大小为：n×m；再将提取的水体与灾害发生地灾害发生前的卫星遥感影像进行叠加，确定洪水淹没区域信息，其中洪水淹没区域信息包括洪水淹没范围和淹没区域土地利用类型，所述灾害发生地灾害发生前的影像为从全国地理信息资源目录服务上下载的待评估区域的土地利用数据影像；
步骤四：估算洪灾损失
根据步骤三，根据洪水淹没区域信息对洪灾发生地的洪灾损失进行计算评估，得到灾损信息，公式如下：
其中，S为灾害发生地的直接经济损失，Pab是a种淹没范围内第b类财产值，Tab是第a种淹没级别下的第b类财产损失率，m为财产类型的总数，n是洪水淹没级别，其中洪灾损失包括农作物损失、畜牧业损失和居民财产损失，居民财产损失包括房屋建筑损失和其他固定资产损失，所述农作物损失的估算公式如下：
其中，R农为洪灾农作物经济损失，ηij为第j级淹没水深下的第i类农作物洪灾损失率，Wij为第j级淹没水深下的第i类农作物正常年产值，n为农作物种类数，m为淹没水深等级数，R存为被洪水冲走的农作物或因受淹霉变造成的损失；
畜牧业损失的估算公式如下：
其中，NA为牲畜死亡的种类数，GT为死亡牲畜的活体重量，VT为死亡牲畜的批发价格；
房屋建筑损失的估算公式如下：
L建筑＝A淹×C×V×R
其中，L建筑为房屋损失价值，A淹为对应的农村居民点或城镇淹没面积，C为农村居民点或城镇土地利用面积系数，V为单位面积上的房屋价值，R为损失率；
其他固定资产损失的计算公式如下：
L固资＝(A淹/H)×C×V固×R
其中，L固资为其他固定资产损失，A淹为对应的农村居民点或城镇淹没面积，H为每户家庭房屋面积，C为农村居民点或城镇土地利用面积系数，V固为每户家庭的其他固定资产价值，R为损失率。
实施例二
以洪涝灾害频发的四川省乐山市市中区作为研究对象，基于乐山市的GF1号的遥感影像，如图2所示，利用归一化差异水体指数NDWI进行水体提取，如图3所示；
将基于NDVI提取的水体转为矢量然后导出成图片，如图4所示，然后将乐山市的水体矢量数据导出成图片，如图5所示，然后对其进行模板匹配；
经过基于矢量数据引导的模板匹配后，可以确定灾害发生地为乐山市市中区，将提取的水体与发生灾害前的影像叠加，如图6所示；
将提取的水体与从全国地理信息资源目录服务上下载的乐山市土地利用数据叠加，然后得到洪水淹没范围的信息；
通过对水体淹没区域的土地利用类型以及灾损区域定位进行分析，可以得到灾害地点、淹没区域土地类型、淹没范围以及损毁价值等灾损信息，如下表1所示：
表1灾损信息表
以示范应用为例统计各个阶段的运行时间，如表2所示，对于研究区乐山市中区进行重点区域洪水快速提取大约需要22分钟，可以为减灾救灾服务提供快速的决策支持。
表2系统运行效率
基于矢量数据引导的洪水淹没检测方法还有其它实现方法，如利用基于正切空间的面状矢量要素形状相似性度量模型进行矢量匹配也可得到灾害发生地。
(1)基于Douglas-Peucker的复杂面要素形状简化
定义:设简化距离阈值为T；C为实平面上的闭合多边形，P0，P1，…，Pn为该闭合多边形上顶点，并沿顺时针方向分布，计算出与P0距离最长的顶点Pk(如有几个最长值取k值最小的Pk)，连接P0与Pk，利用直线P0Pk分别对两段复合线P0－Pk和Pk－Pn上的节点计算到直线P0Pk的距离Di，选取其中距离最大的点Pj，如果Di大于限差阈值，则保留点，反之剔除该点，利用保留的最大距离点Pj将原复合线分为两段，并用同样的方法对位于它们之间的节点进行检测，重复此操作，直至节点到两端点连线的距离最大值小于限差阈值为止。
(2)面要素形状描述方法
假设多边形的某一顶点作为参考点P0，θ1表示起始边P0P1的方位角，φ1表示从起始边P0P1到P1P2的转角，φk表示沿着Pk－1Pk到PkPk-1的转角，多边形的正切空间形状描述函数为θ(l)，x轴代表从起点P0沿着多边形周边到多边形上各点Pk的归一化距离y轴代表各点沿着周边的转角(以顺时针为正方向)的累加θk＝θk－1+φk+1(k＝3，4，…，n)，由于不同起始点、不同的方向所得到的面实体正切空间函数不同，在源匹配多边形中，定义P0(x0，y0)为起始点，其中x0＝max{x|(xi，yi)∈A}，y0＝min{y|x＝x0，(xi，yi)∈A}。从起始点P0沿着多边形顺时针旋转方向为正方向，P0P1为起始方向线。以P0为原点、距离阈值T为半径搜索包含在圆内的目标多边形B的节点集合Q，选取与P0P1的方位角θ1差异最小的结点为目标匹配多边形的起始点P0'。
(3)面要素形状匹配方法
通过以上的形状描述方法对多边形A、B要素进行形状描述，将其形状化为正切空间表达式，分别为θA(l)和θB(l)，其s为x轴坐标，θ为y轴坐标。通过计算两个矢量要素之间的形状匹配距离来确定它们的相似性，进而判断两要素是否匹配。定义其匹配距离为
其中DAB的值越趋近于1，表示多边形A和B的形状越相似，匹配的程度越好。
以上所述仅为本发明的较佳实施例而已，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 (9)

1.一种基于矢量引导的洪灾灾情评估方法，其特征在于：包括以下步骤：
步骤一：水体提取
基于待评估区域的遥感卫星遥感影像，利用归一化差异水体指数NDWI对待评估区域进行水体提取，其中NDWI定义如下：
步骤二：矢量引导
根据步骤一，先将基于NDVI提取的水体转为矢量然后导出成图片，然后将待评估区域的水体矢量数据导出成图片，其中待评估区域的水体矢量数据图片作为被匹配模板；
步骤三：确定洪水淹没范围
根据步骤二，先对基于NDVI提取的水体矢量图片进行模板匹配，确定具体的灾害发生地，再将提取的水体与灾害发生地灾害发生前的卫星遥感影像进行叠加，确定洪水淹没区域信息；
步骤四：估算洪灾损失
根据步骤三，根据洪水淹没区域信息对洪灾发生地的洪灾损失进行计算评估，得到灾损信息，公式如下：
其中，S为灾害发生地的直接经济损失，Pab是a种淹没范围内第b类财产值，Tab是第a种淹没级别下的第b类财产损失率，m为财产类型的总数，n是洪水淹没级别。
2.根据权利要求1所述的一种基于矢量引导的洪灾灾情评估方法，其特征在于：所述步骤一中，所述水体的提取方法还包括基于阈值的多波段谱间关系法和阴影水体指数法，其中基于阈值的多波段谱间关系法利用影像多波段的综合优势进行水体信息的提取，包括谱间关系法与比值法，阴影水体指数法是在现有的多波段谱间关系法基础上，根据水体的光谱特性进行构建。
3.根据权利要求1所述的一种基于矢量引导的洪灾灾情评估方法，其特征在于：所述步骤三中，所述洪水淹没区域信息包括洪水淹没范围和淹没区域土地利用类型，所述灾害发生地灾害发生前的影像为从全国地理信息资源目录服务上下载的待评估区域的土地利用数据影像。
4.根据权利要求1所述的一种基于矢量引导的洪灾灾情评估方法，其特征在于：所述步骤三中，所述模板匹配具体为在一副大图像中搜寻目标，已知该图中存在要找的目标，且该目标同模板有相同的尺寸、方向和图像元素，通过SSDA算法在图中找到目标，确定其坐标位置，模板图像记为t，待搜索图像记为f，计算图像f(x,y)在像素(u,v)的非相似度m(u,v)为：
以m(u,v)作为匹配尺度，式中(u,v)表示模板与图像重合部分的左上角像素坐标，模板的大小为：n×m。
5.根据权利要求1所述的一种基于矢量引导的洪灾灾情评估方法，其特征在于：所述步骤四中，所述洪灾损失包括农作物损失、畜牧业损失和居民财产损失，所述居民财产损失包括房屋建筑损失和其他固定资产损失。
6.根据权利要求5所述的一种基于矢量引导的洪灾灾情评估方法，其特征在于：所述农作物损失的估算公式如下：
其中，R农为洪灾农作物经济损失，ηij为第j级淹没水深下的第i类农作物洪灾损失率，Wij为第j级淹没水深下的第i类农作物正常年产值，n为农作物种类数，m为淹没水深等级数，R存为被洪水冲走的农作物或因受淹霉变造成的损失。
7.根据权利要求5所述的一种基于矢量引导的洪灾灾情评估方法，其特征在于：所述畜牧业损失的估算公式如下：
其中，NA为牲畜死亡的种类数，GT为死亡牲畜的活体重量，VT为死亡牲畜的批发价格。
8.根据权利要求5所述的一种基于矢量引导的洪灾灾情评估方法，其特征在于：所述房屋建筑损失的估算公式如下：
L建筑＝A淹×C×V×R
其中，L建筑为房屋损失价值，A淹为对应的农村居民点或城镇淹没面积，C为农村居民点或城镇土地利用面积系数，V为单位面积上的房屋价值，R为损失率。
9.根据权利要求5所述的一种基于矢量引导的洪灾灾情评估方法，其特征在于：所述其他固定资产损失的计算公式如下：
L固资＝(A淹/H)×C×V固×R
其中，L固资为其他固定资产损失，A淹为对应的农村居民点或城镇淹没面积，H为每户家庭房屋面积，C为农村居民点或城镇土地利用面积系数，V固为每户家庭的其他固定资产价值，R为损失率。
CN202111397072.0A 2021-11-23 2021-11-23 一种基于矢量引导的洪灾灾情评估方法 Active CN113920338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111397072.0A CN113920338B (zh) 2021-11-23 2021-11-23 一种基于矢量引导的洪灾灾情评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111397072.0A CN113920338B (zh) 2021-11-23 2021-11-23 一种基于矢量引导的洪灾灾情评估方法

Publications (2)

Publication Number Publication Date
CN113920338A CN113920338A (zh) 2022-01-11
CN113920338B true CN113920338B (zh) 2024-06-21

Family

ID=79247695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111397072.0A Active CN113920338B (zh) 2021-11-23 2021-11-23 一种基于矢量引导的洪灾灾情评估方法

Country Status (1)

Country Link
CN (1) CN113920338B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389559A (zh) * 2015-11-12 2016-03-09 中国科学院遥感与数字地球研究所 基于高分辨率遥感影像的农业灾害范围识别系统及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10002339B2 (en) * 2013-07-11 2018-06-19 Fluor Technologies Corporation Post-disaster assessment systems and methods
CN109376996A (zh) * 2018-09-18 2019-02-22 中国水利水电科学研究院 基于统计年鉴及地理信息的洪水损失评估方法和系统
KR102526630B1 (ko) * 2019-05-07 2023-04-26 박해경 랜덤 포레스트 알고리즘에 기반하는 인공위성 이미지와 지형 데이터를 이용한 심한 가뭄 지역 예측 방법
CN110956412B (zh) * 2019-12-16 2020-11-13 珠江水利委员会珠江水利科学研究院 基于实景模型的洪灾动态评估方法、装置、介质和设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389559A (zh) * 2015-11-12 2016-03-09 中国科学院遥感与数字地球研究所 基于高分辨率遥感影像的农业灾害范围识别系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种结合NDVI与图像变换的林地变化检测方法;赵荣俊等;《江苏科技信息》;20200510;全文 *

Also Published As

Publication number Publication date
CN113920338A (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
US8594375B1 (en) Advanced cloud cover assessment
Yang et al. Automated extraction of building outlines from airborne laser scanning point clouds
Liu et al. Population density and image texture
CN103796305B (zh) 一种基于Wi‑Fi位置指纹的室内定位方法
CN113325868B (zh) 一种基于无人机的农作物实时识别系统及方法
CN107833280A (zh) 一种基于地理网格与图像识别相结合的户外移动增强现实方法
CN116665081B (zh) 一种滨海植被地上生物量的估算方法、计算机设备及介质
CN107085851A (zh) 一种提取水域岸线的方法及装置
Yan et al. Estimation of urban-scale photovoltaic potential: A deep learning-based approach for constructing three-dimensional building models from optical remote sensing imagery
CN116561509A (zh) 顾及植被类型的城市植被地上生物量精确反演方法及系统
CN109801304A (zh) 一种抑制裸地的建筑指数构建及建筑区域快速提取方法
CN113902792A (zh) 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备
Xu et al. Individual stem detection in residential environments with MLS data
CN115854895A (zh) 一种基于目标立木形态的非接触式立木胸径测量方法
Li et al. A new method for surface water extraction using multi-temporal Landsat 8 images based on maximum entropy model
CN111105124B (zh) 一种基于距离约束的多地标影响力的计算方法
CN113920338B (zh) 一种基于矢量引导的洪灾灾情评估方法
CN117765083A (zh) 一种设备定位方法、装置、电子设备及存储介质
Gong et al. Roof-cut guided localization for building change detection from imagery and footprint map
Peng et al. Building change detection by combining lidar data and ortho image
CN116704345B (zh) 植被提取方法、装置、电子设备及存储介质
CN105806269A (zh) 一种便携式非接触的树木参数测量装置与测量方法
Qiao et al. Spatial relationship-assisted classification from high-resolution remote sensing imagery
EP3580690A1 (en) Bayesian methodology for geospatial object/characteristic detection
CN110929739A (zh) 一种自动化的不透水面范围遥感迭代提取方法

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