CN113989637A - 滑坡识别知识库建立方法、装置、电子设备及存储介质 - Google Patents
滑坡识别知识库建立方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113989637A CN113989637A CN202111130813.9A CN202111130813A CN113989637A CN 113989637 A CN113989637 A CN 113989637A CN 202111130813 A CN202111130813 A CN 202111130813A CN 113989637 A CN113989637 A CN 113989637A
- Authority
- CN
- China
- Prior art keywords
- landslide
- target area
- deformation
- points
- knowledge base
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明涉及滑坡识别知识库建立方法、装置、电子设备及存储介质,该方法包括:采用InSAR技术对各目标区域的SAR影像数据集进行分析,确定各目标区域的时序形变图和累积形变量图;基于目标区域的坡度图和坡向图,联合应用热点聚类技术和空间聚类分析技术,对目标区域的时序形变图中的形变点进行分析,确定目标区域的滑坡边界;基于预先设定的解译标志,对目标区域的光学影像数据集、时序形变图、累积形变量图和滑坡边界进行遥感目视解译,确定目标区域的滑坡属性信息。本发明考虑了坡向和坡度对滑坡识别的影响,提高了获取的滑坡属性信息的准确度,进而提升了滑坡识别知识库的数据精度,为后续的AI自动识别奠定了良好的基础。
Description
技术领域
本发明涉及滑坡遥感图像识别技术领域,尤其涉及滑坡识别知识库建立方法、装置、电子设备及存储介质。
背景技术
滑坡灾害是一种突发性强、破坏力大的自然灾害;出于安全防护的目的,需要对易发生滑坡的区域进行风险调查、隐患排查、早期识别与预警处理,以达到减少或避免区域滑坡灾害发生的效果。受滑坡的人工解译需要耗费大量的人力和时间的限制,一般采用自动化识别方式识别滑坡,而滑坡的自动识别需要有大量的滑坡样本数据作为支撑,因此构建滑坡样本库对滑坡的自动化识别具有重要的研究意义。
目前,卫星遥感技术因其探测面积大、时间序列丰富、多分辨率以及价格实惠等特点被广泛应用于识别潜在滑坡体上,其通过对光学遥感影像进行解译以达到识别滑坡体的目的,但是在进行光学遥感影像解译时,存在过度依赖影像的色彩、纹理等要素信息特点,致使在所获取的原始影像质量低的情况下,滑坡体的识别精度也低;合成孔径雷达(SAR)由于具有全天时、全天候、穿透植被覆盖层能力强以及对地表变形的测量精度可达毫米级的特点,逐渐被应用于潜在滑坡体的识别;其通常采用D-InSAR、MAI、PSI等解译技术对雷达影像进行解译以提高滑坡体的识别精度;但是由于滑坡体通常在运动过程中会对基底松软的碎屑物质的侵蚀,导致滑坡的体积增大进而引起超远距离运动,在这种情况下,受时间失相干、地形影响和大气延迟的影响采用上述解译技术可能仅能发现滑坡体表面局部形变,不能对滑坡边界进行精准判定,进而可能造成伪滑坡的出现,增加判定结果冗余度;因此,直接利用标注滑坡信息的光学遥感影像或者标注滑坡信息的雷达影像建立滑坡样本库,会致使滑坡样本库的性能达不到预期要求。
发明内容
针对现有技术存在的问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的滑坡识别知识库建立方法、装置、电子设备及存储介质。
第一个方面,本发明实施例提供一种滑坡识别知识库建立方法,包括:
采用InSAR技术对各目标区域的SAR影像数据集进行分析,确定各目标区域的时序形变图和累积形变量图;其中,所述InSAR技术分析的相干测量点包括永久散射体点和分布式散射体点;所述数据集中不同SAR影像之间存在探测时相、探测波段和/或探测视角的差异;
基于目标区域的坡度图和坡向图,联合应用热点聚类技术和空间聚类分析技术,对目标区域的时序形变图中的形变点进行分析,确定目标区域的滑坡边界;
基于预先设定的解译标志,对目标区域的光学影像数据集、时序形变图、累积形变量图和滑坡边界进行遥感目视解译,确定目标区域的滑坡属性信息;
利用标记工具将目标区域的滑坡属性信息标记在目标区域的SAR影像上,并基于标记后的目标区域的SAR影像生成滑坡识别知识库。
根据本发明提供的一种滑坡识别知识库,所述基于目标区域的坡度图和坡向图,联合应用热点聚类技术和空间聚类分析技术,对目标区域的时序形变图中的形变点进行分析,确定目标区域的滑坡边界,具体为:采用热点聚类技术对目标区域的时序形变图中的形变点进行热点分析,得到目标区域的滑坡隐患点;
基于目标区域的滑坡隐患点各自对应的P值、Z分值和形变速率,对目标区域的滑坡隐患点进行初步筛选;其中,所述目标区域的滑坡隐患点对应的P值和Z分值是在采用热点聚类技术对目标区域的时序形变图中的形变点进行热点分析过程中确定的;所述目标区域的滑坡隐患点对应的形变速率是在采用InSAR技术对各目标区域的SAR影像数据集进行分析过程中确定的;
基于目标区域的坡度图和坡向图,采用空间聚类分析技术,对初步筛选后目标区域对应的滑坡隐患点进行再次筛选,并基于再次筛选后目标区域对应的滑坡隐患点确定目标区域的滑坡边界。
根据本发明提供的一种滑坡识别知识库,所述基于目标区域的滑坡隐患点各自对应的P值、Z分值和形变速率,对目标区域的滑坡隐患点进行初步筛选,具体为:
将不满足年形变速率的绝对值大于2mm,P值小于0.01,Z分值的绝对值大于2.58中任一项的滑坡隐患点剔除。
根据本发明提供的一种滑坡识别知识库,所述基于目标区域的坡度图和坡向图,采用空间聚类分析技术,对初步筛选后目标区域对应的滑坡隐患点进行再次筛选,具体为:
基于目标区域的坡度图和坡向图,对初步筛选后目标区域对应的滑坡隐患点进行权重赋值;
利用目标区域对应的滑坡隐患点的权重,对目标区域对应的滑坡隐患点的Z分值进行加权;
采用空间聚类分析技术,对加权后目标区域对应的滑坡隐患点的Z分值进行分析,并将分析结果中不构成滑坡的滑坡隐患点剔除。
根据本发明提供的一种滑坡识别知识库,所述基于目标区域的坡度图和坡向图,对初步筛选后目标区域对应的滑坡隐患点进行权重赋值,需要同时满足下述条件:
在滑坡隐患点的坡度小于15°、坡度大于65°或滑坡隐患点的坡向与整体滑坡趋势的坡向不一致的情况下,滑坡隐患点的权重赋值为0;
其余情况下,滑坡隐患点的权重赋值与滑坡隐患点坡度的大小成正比。
根据本发明提供的一种滑坡识别知识库,所述探测波段,包括:C波段和L波段;
所述滑坡属性信息,包括:滑坡详细信息和雷达数据信息;其中,所述滑坡详细信息,包括:滑坡名称、滑坡类型、滑坡位置、滑坡中心经纬度、滑坡滑动方向、滑坡的影响范围、最大滑动速度、滑坡的位移特征和滑坡边界;所述雷达数据信息,包括:SAR影像的数据来源、波段信息、分辨率、轨道方向、入射角和极化方式;
所述光学影像数据集,包括:目标区域的地形地貌图、区域纲要图、地质灾害点分布图、水文因子图、地质图和高分辨光学遥感数据;
所述预先设定的解译标志包括:直接解译标志和间接解译标志;其中,所述直接解译标志包括:植被特征、水文特征和地形地貌;所述间接解译标志包括:形状特征、色调特征和纹理特征。
根据本发明提供的一种滑坡识别知识库,所述标记工具,包括:CVAT标注工具。
第二方面,本发明还提供一种滑坡识别知识库建立装置,包括:
SAR影像数据集分析模块,用于采用InSAR技术对各目标区域的SAR影像数据集进行分析,确定各目标区域的时序形变图和累积形变量图;其中,所述InSAR技术分析的相干测量点包括永久散射体点和分布式散射体点;所述数据集中不同SAR影像之间存在探测时相、探测波段和/或探测视角的差异;
滑坡边界确定模块,用于基于目标区域的坡度图和坡向图,联合应用热点聚类技术和空间聚类分析技术,对目标区域的时序形变图中的形变点进行分析,确定目标区域的滑坡边界;
遥感目视解译模块,用于基于预先设定的解译标志,对目标区域的光学影像数据集、时序形变图、累积形变量图和滑坡边界进行遥感目视解译,确定目标区域的滑坡属性信息;
标记及生成模块,用于利用标记工具将目标区域的滑坡属性信息标记在目标区域的SAR影像上,并基于标记后的目标区域的SAR影像生成滑坡识别知识库。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述滑坡识别知识库建立方法的步骤。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述滑坡识别知识库建立方法的步骤。
本发明提供的滑坡识别知识库建立方法、装置、电子设备及存储介质,考虑了坡向和坡度对滑坡识别的影像,提高了获取的滑坡属性信息的准确度,进而提升了滑坡识别知识库的数据精度,为后续的AI自动识别奠定了良好的基础。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的滑坡识别知识库建立方法的流程示意图;
图2是本发明提供的多时相、多视角和多波段协同的微波遥感数据处理流程图;
图3是本发明提供的XXX滑坡的滑坡边界示意图;
图4是本发明提供的滑坡识别知识库建立装置的结构示意图;
图5是本发明提供的实现滑坡识别知识库建立方法的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。
下面结合图1-图5描述本发明提供的滑坡识别知识库建立方法、装置、电子设备及存储介质。
第一方面,如图1所示,本发明提供的一种滑坡识别知识库建立方法,包括:
S11、采用InSAR技术对各目标区域的SAR影像数据集进行分析,确定各目标区域的时序形变图和累积形变量图;其中,所述InSAR技术分析的相干测量点包括永久散射体点和分布式散射体点;所述数据集中不同SAR影像之间存在探测时相、探测波段和/或探测视角的差异;
需要了解的是,目前在轨运行的SAR卫星有X、C、L共3个波段,L波段波长为23.5cm,C波段波长为5.6cm,X波段波长为3.1cm。滑坡长发生于一些地势起伏大、植被覆盖茂密、多云、多雨的地域,这些地域由于大气层中水汽含量较大,雷达电磁波在大气层传播过程中会出现路径延迟现象,两次观测中的大气延迟差异会影响形变监测的精度,考虑到大气延迟与雷达波长成反比,即波长越长则受到大气延迟影响越小,故而X波段数据受大气延迟影响最严重,C波段数据其次,L波段受到的大气延迟影响要相对小很多。同时,由于这些地域植被覆盖茂密,雷达波长越长对植被的穿透能力也就越强,L波段数据的回波主要来自于植被的茎杆层,而X、C波段的回波主要来自于植被的叶片层,因为叶片层相对于茎杆层更加容易随时间发生变化,所以L波段的数据在植被覆盖茂密的区域能够在较长时间保持较高的相干性,C波段其次,X波段最弱。因此,L波段和C波段数据比X波段数据具有更高的相干性,适宜于长期地表形变监测,因此本发明选用L波段和C波段协同监测的方式。
另外,微波与地表表面的相互作用是非常复杂的,不同的角度区域会产生不同的反射。低入射角通常返回较强的信号,随着入射角增加,返回信号逐渐减弱。根据雷达距离地表高度的情况,入射角会随着近距离到远距离的改变而改变,依次影响成像几何。合成孔径雷达按波束扫描方式不同,可以选择合适的入射角来调整雷达天线,以获取不同的成像宽幅。雷达反射回来的强度也会随着入射角的增大而减小。雷达影像的后向散射系数也会受到入射角的影响,入射角也叫视角,是雷达波束与垂直表面直线之间的夹角。通过调整入射角,可以调整图像的后向散射系数,选择合适的入射角,可以更好提取地表信息来监测滑坡。
在本发明技术领域内,不同卫星传感器波长不同,具有不同的抗失相干能力,将多源传感器数据进行联合解算以便增加观测数,同时提高时间分辨率是实现低相干区域InSAR形变监测的主流方法。图2示例了多时相、多视角和多波段协同的微波遥感数据处理流程图,如图2所示,本发明对目标地区进行多时相、多波段、多视角的协同监测,以提高时间相干性,进而提高目标地区滑坡识别的准确性。
还需要了解的是,在地形复杂多变、植被覆盖茂密的山区利用时序InSAR技术开展滑坡体变形监测,多视处理容易导致像元混叠,产生相干性估计偏差。需要有针对性地对目标区域进行长时间序列形变分析;
PS-InSAR的核心思想是通过覆盖同一区域的多景雷达影像获取不受时间、空间失相干影响的稳定点目标,即永久散射体点(PS点)。PS点通常选在房屋、道路、桥梁、岩石等相对稳定的地物上,但是在地形复杂以及植被覆盖茂密的地域,时空失相干严重,导致可选取的PS点数目较少,会给相位解缠和形变解算带来一定的困难,导致观测结果不能客观反映研究区域的整体变化。
基于分布式散射体点的解算模型能够获得非人工地表区域的高密度的点信息,分布式散射体点对应于SAR图像中分布在一组像素上的均匀区域(例如牧场、灌木和裸地)。与传统PS-InSAR技术相比,DS-InSAR技术显著增加了点目标密度,特别是在植被稀疏的地区中,克服了永久散射体点数量少的不足,观测点的数量大大增加。
本发明将DS-InSAR技术与PS-InSAR技术相结合,同时使用了永久散射体点(PS点)和分布式散射体点(DS点),大大增加了研究区相干点的数量,为地形复杂地域的滑坡监测提供了有效的监测手段。以某地形复杂以及植被覆盖茂密的地区为例,单独使用幅度离散度选取的永久散射体点有856514个,主要分布在城区的建筑物上,单独使用KS检验选取的DS点有6774263个,均匀的分布在研究区,是PS点数量的8倍,由此可知,仅仅使用基于传统的PS-InSAR技术使用幅度离散度选取的永久散射体点,已经满足不了该区域InSAR滑坡形变监测的实际需求,需要更多的高相干点来解算地表的形变信息。结合了幅度离散度选取的永久散射体点和KS检验选取的DS点,可以使高相干点的数量大大增加。
需要注意的是,当目标地区为地势起伏大、植被覆盖茂密、多云、多雨的地域时,在形变分析时,常会受到时间失相干、地形影响和大气延迟的干扰,导致不能准确识别滑坡体的变形,因此,在采用InSAR技术应恰当的进行干扰消除,保证形变分析结果的准确度。
其中,失相干是影响InSAR干涉图和形变监测质量的主要误差源,决定了应用时序InSAR相关技术来监测滑坡体变形的能力。时间失相干和空间失相干对于InSAR技术而言是很重要的失相干源,其中SAR卫星在重复轨道飞行时产生的空间位置差异,导致的失相干现象称为空间失相干;而在卫星的重访周期内由于地表物体的散射特性发生了变化,导致的失相干现象称为时间失相干;可以从提高参数反演质量的角度入手去提高InSAR干涉相位的质量,进而解决时间失相干问题;
地形复杂且地势起伏大的区域给时序InSAR的滑坡监测带来两个方面的问题:一方面是增加了SAR达成像过程中的叠掩、阴影效应,使得处于叠掩、阴影区的坡体上的变形无法被观测到,另一方面在地形起伏大的区域,输入的DEM(数字高程模型数据)误差会相对较大;可以从消除用于初始DEM的误差上着手,提升滑坡体形变的估计准确性;
多云、多雨的地域受大气环流及地形等因素的影响,使得星载雷达系统发射的微波信号在穿过大气层到达地面目标的过程中,非均匀的大气会对雷达信号的传播产生影响,这种影响表现为大气相位延迟,大气延迟是影响干涉相位精度的最重要的因素之一,因此在滑坡变形参数估算的过程中,必须要考虑对大气延迟相位进行有效估算和抑制。大气相位可以根据其在时间域的高通和空间域的低通特性,在每个散射体点上使用三角窗滤波器对时间域进行滤波,提取时间域的高频成份,在每个干涉对上对空间域进行滤波,提取空间域的低频成份,得到散射体点上的大气扰动相位,从而估算所有干涉对上所有的像素点上的大气扰动相位,并将计算出来的大气相位从差分干涉相位图中移除,大气效应得到有效抑制。
本发明InSAR技术利用图像配准、重采样、差分涉条纹图生成等基础处理算法构成了形变参数反演的核心算法;对利用永久散射体点(PS点)和分布式散射体点(DS点)进行干涉测量,进而为滑坡体进行长时间序列形变分析提供了重要依据。
S12、基于目标区域的坡度图和坡向图,联合应用热点聚类技术和空间聚类分析技术,对目标区域的时序形变图中的形变点进行分析,确定目标区域的滑坡边界;
在本技术领域内,时序形变图可以很明显的反映出发生形变的区域,将该区域内中所有的像元都作为形变点。
另外,可以理解的是,空间聚类分析可以识别有形变信息的空间集群,本发明考虑到滑坡体处于不同坡度、坡向上时其发生滑坡的几率也不一样(例如,在不同坡向将不构成同一滑坡体),一定坡度阈值范围外将不会产生滑坡等因素的影响,将坡度、坡向等地形要素作为辅助探测滑坡边界的一个要素,提高滑坡体边界识别的精度。
S13、基于预先设定的解译标志,对目标区域的光学影像数据集、时序形变图、累积形变量图和滑坡边界进行遥感目视解译,确定目标区域的滑坡属性信息;
在本发明技术领域内,自然界的滑坡由于受到的外界作用力、所处的地形地貌、岩性构造和气候环境等千差万别,所以产生的滑坡形态也是各种各样,这为滑坡灾害的解译添加了不小的难度。为了更好的识别滑坡这一地质灾害,地质学者认为一个发育完全的滑坡应该包含以下要素:滑坡体、滑坡床、滑坡面、滑坡壁、滑坡舌、滑坡台阶、滑坡洼地等,表1给出了滑坡要素的具体解释;但实际上并非所有滑坡均具有这些要素,但是滑坡体、滑坡面和滑坡壁是都具备的。
表1
其中,滑坡体、滑坡壁和滑坡边界是用遥感影像进行解译的重要要素,如果影像的分辨率相当高,还可以看到滑坡的滑坡台阶分割线和滑坡洼地等要素。
本发明利用预先设定的解译标志,从目标区域的雷达数据信息(时序形变图、累积形变量图和滑坡边界)和光学数据信息(光学影像数据集)进行滑坡属性信息的综合、深入挖掘,以提高目标区域的滑坡属性信息的识别准确度,进而达到提升滑坡识别知识库数据精度的效果。
S14、利用标记工具将目标区域的滑坡属性信息标记在目标区域的SAR影像上,并基于标记后的目标区域的SAR影像生成滑坡识别知识库。
本发明采用Computer Vision Annotation Tool(CVAT)标注工具进行标注,CVAT标注工具是用于计算机视觉的免费、在线以及交互式的图像注释工具,可以用于模型训练数据的标注;对比其他注释软件,CVAT更加适合多人协作,能够用于几乎所有的计算机视觉(CV)相关的标注任务,并且一直在更新优化;基本涵盖了图像方面基本的标注方式如框,点,多边形,语义分割等,并且包含了插值标注;整合了基于tensorflow的半自动标注模型,可以预处理一部分数据,开源环境较好。
利用CVAT标注工具对SAR影像进行标注处理,建立滑坡识别知识库,可以按下述步骤操作:
第一步:创建滑坡识别知识库,创建任务,设置属性;
第二步:滑坡库标注;
第三步:添加详细的雷达数据信息和滑坡信息等属性信息。
第四步:导出滑坡识别知识库。
将所有的长时间序列SAR影像在CVAT软件中进行标注,并将任务导出,以压缩包的方式提供,如需修改和查看可导入CVAT软件。导出的CVAT for images 1.1压缩包中包括了images和annotations两个文件,images中是注释的图像,annotations是xml的该图像的注释文档,可以用记事本打开查看,主要是记录了注释的任务名称,创建任务的时间和更改的时间以及属性信息。
本发明提供的滑坡识别知识库建立方法,考虑了坡向和坡度对滑坡识别的影像,提高了获取的滑坡属性信息的准确度,进而提升了滑坡识别知识库的数据精度,从而为后续的AI自动识别奠定了良好的基础。
在上述各实施例的基础上,作为一种可选的实施例,所述基于目标区域的坡度图和坡向图,联合应用热点聚类技术和空间聚类分析技术,对目标区域的时序形变图中的形变点进行分析,确定目标区域的滑坡边界,具体为:
采用热点聚类技术对目标区域的时序形变图中的形变点进行热点分析,得到目标区域的滑坡隐患点;
对形变点进行热点分析即对滑坡边界进行初识别,这里提到的滑坡隐患点就是包含在这个初识别的滑坡边界之内的像元。
基于目标区域的滑坡隐患点各自对应的P值、Z分值和形变速率,对目标区域的滑坡隐患点进行初步筛选;
其中,所述目标区域的滑坡隐患点对应的P值和Z分值是在采用热点聚类技术对目标区域的时序形变图中的形变点进行热点分析过程中确定的;
所述目标区域的滑坡隐患点对应的形变速率是在采用InSAR技术对各目标区域的SAR影像数据集进行分析过程中确定的;
本发明对滑坡隐患点进行初步筛选实际上相当于对滑坡边界的进一步修正,对滑坡隐患点进行初步筛选的目的是尽可能减少误差值影响和数据冗余度,以提高滑坡边界识别准确度。
基于目标区域的坡度图和坡向图,采用空间聚类分析技术,对初步筛选后目标区域对应的滑坡隐患点进行再次筛选,并基于再次筛选后目标区域对应的滑坡隐患点确定目标区域的滑坡边界。
本发明充分考虑了滑坡体处于不同坡度、坡向时对滑坡识别的影像,以此为基础对之前的滑坡边界识别结果进行进一步的修正,提高滑坡边界的识别准确度。
在上述各实施例的基础上,作为一种可选的实施例,所述基于目标区域的滑坡隐患点各自对应的P值、Z分值和形变速率,对目标区域的滑坡隐患点进行初步筛选,具体为:
将不满足年形变速率的绝对值大于2mm,P值小于0.01,Z分值的绝对值大于2.58中任一项的滑坡隐患点剔除。
本实施例基于人工经验给出了一种可行的筛选以及数值选择方式,目的是减少识别错误率以及数据冗余度。
在上述各实施例的基础上,作为一种可选的实施例,所述基于目标区域的坡度图和坡向图,采用空间聚类分析技术,对初步筛选后目标区域对应的滑坡隐患点进行再次筛选,具体为:
基于目标区域的坡度图和坡向图,对初步筛选后目标区域对应的滑坡隐患点进行权重赋值;
利用目标区域对应的滑坡隐患点的权重,对目标区域对应的滑坡隐患点的Z分值进行加权;
采用空间聚类分析技术,对加权后目标区域对应的滑坡隐患点的Z分值进行分析,并将分析结果中不构成滑坡的滑坡隐患点剔除。
可以理解的是,空间聚类分析可以识别有形变信息的空间集群,不构成滑坡的滑坡隐患点即明显不处于空间集群的点。
本发明根据不同的地形要素情况给予滑坡体上每个像元不同权重,并结合热点分析得到的z分值(形成滑坡体的概率)进行空间聚类分析,最后确定滑坡体最终边界范围,这一过程中能去除异常值,同时将坡度、坡向等地形要素作为辅助探测滑坡边界的一个要素,提高滑坡体边界识别的精度。
在上述各实施例的基础上,作为一种可选的实施例,所述基于目标区域的坡度图和坡向图,对初步筛选后目标区域对应的滑坡隐患点进行权重赋值,需要同时满足下述条件:
在滑坡隐患点的坡度小于15°、坡度大于65°或滑坡隐患点的坡向与整体滑坡趋势的坡向不一致的情况下,滑坡隐患点的权重赋值为0;
其余情况下,滑坡隐患点的权重赋值与滑坡隐患点坡度的大小成正比。
本实施例给出了一种可行的权重赋值方式,通过实验验证以这种方式进行赋值后在提高滑坡边界识别上有着显著效果。
在上述各实施例的基础上,作为一种可选的实施例,所述探测波段,包括:C波段和L波段;
在上述各实施例的基础上,作为一种可选的实施例,所述探测波段,包括:C波段和L波段;
本发明通过Sentinel-1、RADARSAT-2和ALOS-2进行影像数据的获取,其中Sentinel-1工作在C波段、RADARSAT-2工作在C波段、ALOS-2工作在L波段。
所述滑坡属性信息,包括:滑坡详细信息和雷达数据信息;
其中,所述滑坡详细信息,包括:滑坡名称、滑坡类型、滑坡位置、滑坡中心经纬度、滑坡滑动方向、滑坡的影响范围、最大滑动速度、滑坡的位移特征和滑坡边界;
所述雷达数据信息,包括:SAR影像的数据来源、波段信息、分辨率、轨道方向、入射角和极化方式;
为对滑坡属性信息有更详细的了解,本实施例以XXX滑坡为例进行说明;
其中,表2为XXX滑坡的滑坡属性信息表;图3示例了XXX滑坡的滑坡边界示意图。
表2
本发明滑坡属性信息从各个角度对滑坡进行了限定,利用标记了滑坡属性信息的SAR影像构建滑坡识别知识库,有利于提高滑坡识别知识库的数据丰富度,进而提高滑坡识别的准确度。
所述光学影像数据集,包括:目标区域的地形地貌图、区域纲要图、地质灾害点分布图、水文因子图、地质图和高分辨光学遥感数据;
所述预先设定的解译标志包括:直接解译标志和间接解译标志;其中,所述直接解译标志包括:植被特征、水文特征和地形地貌;所述间接解译标志包括:形状特征、色调特征和纹理特征。
本实施例中,直接解译标志:主要关注的是滑坡本身在遥感影像上的一些特征信息,如平面形状、色调、纹理等特征。
其中,形状特征:由于滑坡体的下滑,导致滑坡体的左右后三个方向的地势略高,整体看起来就像马蹄形、圈椅形、牛角形和舌形等类似形态,后壁开口方向朝向坡底。
色调特征:新发生的滑坡由于表面植被被毁、地表破碎,因此整体呈灰白色或青白色等浅色调,且色调分布不均。滑坡壁由于光谱反射能力较强,因此呈浅色调,而滑坡洼地处由于有时会有积水,因此呈深色调。对于发生时间较早的老滑坡,由于地表植被的恢复致使这些颜色特征不够明显,但仍可与周边色调进行区分。
纹理特征:由于原有的地层整体性被破坏,植被翻倒土壤裸露,地表破碎,纹理较为粗糙且常有斑块影纹出现。
间接解译标志:主要关注的是滑坡周围的环境因素,如植被分布、地形地貌、地质构造、水文信息和生态景观等。
其中,植被特征:对于缓慢发生的滑坡或者老滑坡来说,由于滑坡体的不断下移和树木向上生长的特性,使得滑坡体上出现较多“马刀树”和“醉汉林”现象,在高分辨率的航摄影像上尤为明显。
水文特征:滑坡体上水系分布格局杂乱、坡底的河流流向突然变道、河道突然变窄等现象都可以从侧面推断出滑坡的存在。
地形地貌:地貌连续性较差,时常会出现独特的“陡坡+缓坡”的坡体形态,坡体下方也会因为滑坡体的挤压而出现高低不平的地势。除此之外,还可以用不同时相的遥感影像进行对比描述,来预测滑坡的发展趋势。
利用解译标志进行解译,可以提高取得的滑坡属性信息的准确度。
在上述各实施例的基础上,作为一种可选的实施例,所述标记工具,包括:CVAT标注工具。
对比其他注释软件,CVAT标注工具更加适合多人协作,能够用于几乎所有的计算机视觉(CV)相关的标注任务,并且一直在更新优化;基本涵盖了图像方面基本的标注方式如框,点,多边形,语义分割等,并且包含了插值标注;整合了基于tensorflow的半自动标注模型,可以预处理一部分数据,开源环境较好;利用CVAT标记工具可以提升数据的标记准确度。
第二方面,对本发明提供的滑坡识别知识库建立装置进行描述,下文描述的滑坡识别知识库建立装置与上文描述的滑坡识别知识库建立方法可相互对应参照。图4示例了一种滑坡识别知识库建立装置的结构示意图,如图4所示,该装置包括:SAR影像数据集分析模块21、滑坡边界确定模块22、遥感目视解译模块23和标记及生成模块24;
其中,SAR影像数据集分析模块21,用于采用InSAR技术对各目标区域的SAR影像数据集进行分析,确定各目标区域的时序形变图和累积形变量图;其中,所述InSAR技术分析的相干测量点包括永久散射体点和分布式散射体点;所述数据集中不同SAR影像之间存在探测时相、探测波段和/或探测视角的差异;滑坡边界确定模块22,用于基于目标区域的坡度图和坡向图,联合应用热点聚类技术和空间聚类分析技术,对目标区域的时序形变图中的形变点进行分析,确定目标区域的滑坡边界;遥感目视解译模块23,用于基于预先设定的解译标志,对目标区域的光学影像数据集、时序形变图、累积形变量图和滑坡边界进行遥感目视解译,确定目标区域的滑坡属性信息;标记及生成模块24,用于利用标记工具将目标区域的滑坡属性信息标记在目标区域的SAR影像上,并基于标记后的目标区域的SAR影像生成滑坡识别知识库。
本发明实施例提供的滑坡识别知识库建立装置,具体执行上述各滑坡识别知识库建立方法实施例流程,具体请详见上述各滑坡识别知识库建立实施例的内容,在此不再赘述。本发明实施例提供的滑坡识别知识库建立装置,考虑了坡向和坡度对滑坡识别的影像,提高了获取的滑坡属性信息的准确度,进而提升了滑坡识别知识库的数据精度,为后续的AI自动识别奠定了良好的基础。
第三方面,图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行滑坡识别知识库建立方法,该方法包括:采用InSAR技术对各目标区域的SAR影像数据集进行分析,确定各目标区域的时序形变图和累积形变量图;其中,所述InSAR技术分析的相干测量点包括永久散射体点和分布式散射体点;所述数据集中不同SAR影像之间存在探测时相、探测波段和/或探测视角的差异;基于目标区域的坡度图和坡向图,联合应用热点聚类技术和空间聚类分析技术,对目标区域的时序形变图中的形变点进行分析,确定目标区域的滑坡边界;基于预先设定的解译标志,对目标区域的光学影像数据集、时序形变图、累积形变量图和滑坡边界进行遥感目视解译,确定目标区域的滑坡属性信息;利用标记工具将目标区域的滑坡属性信息标记在目标区域的SAR影像上,并基于标记后的目标区域的SAR影像生成滑坡识别知识库。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的滑坡识别知识库建立方法,该方法包括:采用InSAR技术对各目标区域的SAR影像数据集进行分析,确定各目标区域的时序形变图和累积形变量图;其中,所述InSAR技术分析的相干测量点包括永久散射体点和分布式散射体点;所述数据集中不同SAR影像之间存在探测时相、探测波段和/或探测视角的差异;基于目标区域的坡度图和坡向图,联合应用热点聚类技术和空间聚类分析技术,对目标区域的时序形变图中的形变点进行分析,确定目标区域的滑坡边界;基于预先设定的解译标志,对目标区域的光学影像数据集、时序形变图、累积形变量图和滑坡边界进行遥感目视解译,确定目标区域的滑坡属性信息;利用标记工具将目标区域的滑坡属性信息标记在目标区域的SAR影像上,并基于标记后的目标区域的SAR影像生成滑坡识别知识库。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的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计算机可读存储介质中,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是: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 (10)
1.一种滑坡识别知识库建立方法,其特征在于,包括:
采用InSAR技术对各目标区域的SAR影像数据集进行分析,确定各目标区域的时序形变图和累积形变量图;其中,所述InSAR技术分析的相干测量点包括永久散射体点和分布式散射体点;所述数据集中不同SAR影像之间存在探测时相、探测波段和/或探测视角的差异;
基于目标区域的坡度图和坡向图,联合应用热点聚类技术和空间聚类分析技术,对目标区域的时序形变图中的形变点进行分析,确定目标区域的滑坡边界;
基于预先设定的解译标志,对目标区域的光学影像数据集、时序形变图、累积形变量图和滑坡边界进行遥感目视解译,确定目标区域的滑坡属性信息;
利用标记工具将目标区域的滑坡属性信息标记在目标区域的SAR影像上,并基于标记后的目标区域的SAR影像生成滑坡识别知识库。
2.根据权利要求1所述的滑坡识别知识库,其特征在于,所述基于目标区域的坡度图和坡向图,联合应用热点聚类技术和空间聚类分析技术,对目标区域的时序形变图中的形变点进行分析,确定目标区域的滑坡边界,具体为:
采用热点聚类技术对目标区域的时序形变图中的形变点进行热点分析,得到目标区域的滑坡隐患点;
基于目标区域的滑坡隐患点各自对应的P值、Z分值和形变速率,对目标区域的滑坡隐患点进行初步筛选;其中,所述目标区域的滑坡隐患点对应的P值和Z分值是在采用热点聚类技术对目标区域的时序形变图中的形变点进行热点分析过程中确定的;所述目标区域的滑坡隐患点对应的形变速率是在采用InSAR技术对各目标区域的SAR影像数据集进行分析过程中确定的;
基于目标区域的坡度图和坡向图,采用空间聚类分析技术,对初步筛选后目标区域对应的滑坡隐患点进行再次筛选,并基于再次筛选后目标区域对应的滑坡隐患点确定目标区域的滑坡边界。
3.根据权利要求2所述的滑坡识别知识库,其特征在于,所述基于目标区域的滑坡隐患点各自对应的P值、Z分值和形变速率,对目标区域的滑坡隐患点进行初步筛选,具体为:
将不满足年形变速率的绝对值大于2mm,P值小于0.01,Z分值的绝对值大于2.58中任一项的滑坡隐患点剔除。
4.根据权利要求2所述的滑坡识别知识库,其特征在于,所述基于目标区域的坡度图和坡向图,采用空间聚类分析技术,对初步筛选后目标区域对应的滑坡隐患点进行再次筛选,具体为:
基于目标区域的坡度图和坡向图,对初步筛选后目标区域对应的滑坡隐患点进行权重赋值;
利用目标区域对应的滑坡隐患点的权重,对目标区域对应的滑坡隐患点的Z分值进行加权;
采用空间聚类分析技术,对加权后目标区域对应的滑坡隐患点的Z分值进行分析,并将分析结果中不构成滑坡的滑坡隐患点剔除。
5.根据权利要求4所述的滑坡识别知识库,其特征在于,所述基于目标区域的坡度图和坡向图,对初步筛选后目标区域对应的滑坡隐患点进行权重赋值,需要同时满足下述条件:
在滑坡隐患点的坡度小于15°、坡度大于65°或滑坡隐患点的坡向与整体滑坡趋势的坡向不一致的情况下,滑坡隐患点的权重赋值为0;
其余情况下,滑坡隐患点的权重赋值与滑坡隐患点坡度的大小成正比。
6.根据权利要求1所述的滑坡识别知识库,其特征在于,所述探测波段,包括:C波段和L波段;
所述滑坡属性信息,包括:滑坡详细信息和雷达数据信息;其中,所述滑坡详细信息,包括:滑坡名称、滑坡类型、滑坡位置、滑坡中心经纬度、滑坡滑动方向、滑坡的影响范围、最大滑动速度、滑坡的位移特征和滑坡边界;所述雷达数据信息,包括:SAR影像的数据来源、波段信息、分辨率、轨道方向、入射角和极化方式;
所述光学影像数据集,包括:目标区域的地形地貌图、区域纲要图、地质灾害点分布图、水文因子图、地质图和高分辨光学遥感数据;
所述预先设定的解译标志包括:直接解译标志和间接解译标志;其中,所述直接解译标志包括:植被特征、水文特征和地形地貌;所述间接解译标志包括:形状特征、色调特征和纹理特征。
7.根据权利要求1所述的滑坡识别知识库,其特征在于,所述标记工具,包括:CVAT标注工具。
8.一种滑坡识别知识库建立装置,其特征在于,包括:SAR影像数据集分析模块,用于采用InSAR技术对各目标区域的SAR影像数据集进行分析,确定各目标区域的时序形变图和累积形变量图;其中,所述InSAR技术分析的相干测量点包括永久散射体点和分布式散射体点;所述数据集中不同SAR影像之间存在探测时相、探测波段和/或探测视角的差异;
滑坡边界确定模块,用于基于目标区域的坡度图和坡向图,联合应用热点聚类技术和空间聚类分析技术,对目标区域的时序形变图中的形变点进行分析,确定目标区域的滑坡边界;
遥感目视解译模块,用于基于预先设定的解译标志,对目标区域的光学影像数据集、时序形变图、累积形变量图和滑坡边界进行遥感目视解译,确定目标区域的滑坡属性信息;
标记及生成模块,用于利用标记工具将目标区域的滑坡属性信息标记在目标区域的SAR影像上,并基于标记后的目标区域的SAR影像生成滑坡识别知识库。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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至7任一项所述滑坡识别知识库建立方法的步骤。
10.一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,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述滑坡识别知识库建立方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111130813.9A CN113989637A (zh) | 2021-09-26 | 2021-09-26 | 滑坡识别知识库建立方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111130813.9A CN113989637A (zh) | 2021-09-26 | 2021-09-26 | 滑坡识别知识库建立方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989637A true CN113989637A (zh) | 2022-01-28 |
Family
ID=79736764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111130813.9A Pending CN113989637A (zh) | 2021-09-26 | 2021-09-26 | 滑坡识别知识库建立方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989637A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236655A (zh) * | 2022-09-01 | 2022-10-25 | 成都理工大学 | 基于全极化sar的滑坡识别方法、系统、设备及介质 |
CN115356732A (zh) * | 2022-10-24 | 2022-11-18 | 中国科学院空天信息创新研究院 | 面向InSAR形变结果的潜在滑坡风险区域识别方法 |
CN115410342A (zh) * | 2022-08-26 | 2022-11-29 | 安徽省地质矿产勘查局332地质队 | 一种基于裂缝计实时监测的滑坡灾害智能预警方法 |
US11708676B1 (en) * | 2023-02-27 | 2023-07-25 | Southwest Jiaotong University | Bottom hole type mudslide blocking dam and dam height calculation method |
CN116611546A (zh) * | 2023-04-14 | 2023-08-18 | 中国科学院空天信息创新研究院 | 基于知识图谱的目标研究区域滑坡预测方法及系统 |
CN116994156A (zh) * | 2023-09-27 | 2023-11-03 | 自然资源部第三地理信息制图院 | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 |
CN117031425A (zh) * | 2023-06-26 | 2023-11-10 | 昆明理工大学 | 基于星载sar的大梯度滑坡失稳时间预测方法及系统 |
-
2021
- 2021-09-26 CN CN202111130813.9A patent/CN113989637A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410342A (zh) * | 2022-08-26 | 2022-11-29 | 安徽省地质矿产勘查局332地质队 | 一种基于裂缝计实时监测的滑坡灾害智能预警方法 |
CN115410342B (zh) * | 2022-08-26 | 2023-08-11 | 安徽省地质矿产勘查局332地质队 | 一种基于裂缝计实时监测的滑坡灾害智能预警方法 |
CN115236655A (zh) * | 2022-09-01 | 2022-10-25 | 成都理工大学 | 基于全极化sar的滑坡识别方法、系统、设备及介质 |
CN115356732A (zh) * | 2022-10-24 | 2022-11-18 | 中国科学院空天信息创新研究院 | 面向InSAR形变结果的潜在滑坡风险区域识别方法 |
US11708676B1 (en) * | 2023-02-27 | 2023-07-25 | Southwest Jiaotong University | Bottom hole type mudslide blocking dam and dam height calculation method |
CN116611546A (zh) * | 2023-04-14 | 2023-08-18 | 中国科学院空天信息创新研究院 | 基于知识图谱的目标研究区域滑坡预测方法及系统 |
CN116611546B (zh) * | 2023-04-14 | 2023-11-10 | 中国科学院空天信息创新研究院 | 基于知识图谱的目标研究区域滑坡预测方法及系统 |
CN117031425A (zh) * | 2023-06-26 | 2023-11-10 | 昆明理工大学 | 基于星载sar的大梯度滑坡失稳时间预测方法及系统 |
CN117031425B (zh) * | 2023-06-26 | 2024-06-07 | 昆明理工大学 | 基于星载sar的大梯度滑坡失稳时间预测方法及系统 |
CN116994156A (zh) * | 2023-09-27 | 2023-11-03 | 自然资源部第三地理信息制图院 | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 |
CN116994156B (zh) * | 2023-09-27 | 2023-12-08 | 自然资源部第三地理信息制图院 | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113989637A (zh) | 滑坡识别知识库建立方法、装置、电子设备及存储介质 | |
Grohmann | Evaluation of TanDEM-X DEMs on selected Brazilian sites: Comparison with SRTM, ASTER GDEM and ALOS AW3D30 | |
Pacheco et al. | Retrieval of nearshore bathymetry from Landsat 8 images: A tool for coastal monitoring in shallow waters | |
Ben-Arie et al. | Development of a pit filling algorithm for LiDAR canopy height models | |
Ludwig et al. | Validation of digital elevation models from SRTM X-SAR for applications in hydrologic modeling | |
Pour et al. | Application of Landsat-8 and ALOS-2 data for structural and landslide hazard mapping in Kelantan, Malaysia | |
Mashimbye et al. | An evaluation of digital elevation models (DEMs) for delineating land components | |
Karkee et al. | Improving quality of public domain digital elevation models through data fusion | |
Martinis | Automatic near real-time flood detection in high resolution X-band synthetic aperture radar satellite data using context-based classification on irregular graphs | |
Kumar | Urban objects detection from C-band synthetic aperture radar (SAR) satellite images through simulating filter properties | |
Zhang et al. | Subsidence monitoring in coal area using time-series InSAR combining persistent scatterers and distributed scatterers | |
Luscombe et al. | What does airborne LiDAR really measure in upland ecosystems? | |
Redpath et al. | Accuracy assessment for mapping glacier flow velocity and detecting flow dynamics from ASTER satellite imagery: Tasman Glacier, New Zealand | |
Uemoto et al. | Landslide detection based on height and amplitude differences using pre-and post-event airborne X-band SAR data | |
Santangelo et al. | Exploring event landslide mapping using Sentinel-1 SAR backscatter products | |
WO2010053735A2 (en) | Water tables mapping | |
Gaber et al. | Near-surface imaging of a buried foundation in the Western Desert, Egypt, using space-borne and ground penetrating radar | |
Wang et al. | A noise removal algorithm based on adaptive elevation difference thresholding for ICESat-2 photon-counting data | |
Vajedian et al. | Extracting sinkhole features from time-series of TerraSAR-X/TanDEM-X data | |
Vasile et al. | High-resolution SAR interferometry: Estimation of local frequencies in the context of Alpine glaciers | |
Middleton et al. | Pattern recognition of LiDAR data and sediment anisotropy advocate a polygenetic subglacial mass-flow origin for the Kemijärvi hummocky moraine field in northern Finland | |
Fayad et al. | Hy-TeC: a hybrid vision transformer model for high-resolution and large-scale mapping of canopy height | |
Chen et al. | Structure tensor-based interpolation for the derivation of accurate digital elevation models | |
Mallet et al. | Digital terrain models derived from airborne lidar data | |
CN116109931B (zh) | 一种城市地面沉降自动识别和分类方法 |
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 |