CN115661675A - 多云地区地震滑坡遥感识别方法、系统、设备及存储介质 - Google Patents
多云地区地震滑坡遥感识别方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN115661675A CN115661675A CN202211167149.XA CN202211167149A CN115661675A CN 115661675 A CN115661675 A CN 115661675A CN 202211167149 A CN202211167149 A CN 202211167149A CN 115661675 A CN115661675 A CN 115661675A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- landslide
- cloud
- earthquake
- 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 64
- 230000011218 segmentation Effects 0.000 claims abstract description 47
- 238000011160 research Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 241000234295 Musa Species 0.000 description 2
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
- Image Processing (AREA)
Abstract
本发明提供多云地区地震滑坡遥感识别方法、系统、设备及存储介质，涉及图像识别领域。该多云地区地震滑坡遥感识别方法，包括获取研究区域的遥感影像和影像的云掩膜；对遥感影像和影像的云掩膜进行预处理得到去云影像；利用多尺度分割算法对去云影像进行对尺度分割处理；对进行多尺度分割处理后的去云影像进行特征信息提取，其中，所述特征信息包括归一化植被指数和均值影像；利用归一化植被指数和均值影像特征以及不同类别的空间邻近关系进行滑坡识别分类，并导出地震滑坡分类结果；解决了现有的识别方法在对地震灾区植被覆盖丰富且多云覆盖情况下进行识别时，很难去获取高质量遥感影像，对地震滑坡空间分布不能准确识别的问题。
Description
技术领域
本发明涉及图像识别技术领域，具体为多云地区地震滑坡遥感识别方法、 系统、设备及存储介质。
背景技术
光学遥感数据、SAR卫星数据、高精度地形数据等高分辨率数据源不断增 多，结合灾区现场线状或点状调查，利用航空、卫星遥感影像解译滑坡是获 取区域滑坡空间分布信息的主要手段。
地震导致大范围的裂缝和坡体形变，诱发大量滑坡等地质灾害，地震发 生后通常伴随降雨、多云等天气状况，不仅会诱发大量的群发型地质灾害， 还会影响地震灾区灾后遥感数据的质量，特别是可见光遥感数据，导致地震 灾后无法快速获取大范围的有效数据。针对某区域遥感影像云雾覆盖、数据 缺失等问题，一般利用长时间序列影像，或者其他传感器的遥感影像进行填 补，采用“抠图”方法使用没有云雾的区域替换有云区域进行镶嵌，针对异 常值或缺失值区域也采用相同方法进行处理。
但是现有的识别方法在对地震灾区植被覆盖丰富且多云覆盖情况下进行 识别时，很难去获取高质量遥感影像，对地震滑坡空间分布不能准确识别。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了多云地区地震滑坡遥感识别方法、 系统、设备及存储介质，解决了现有的识别方法在对地震灾区植被覆盖丰富 且多云覆盖情况下进行识别时，很难去获取高质量遥感影像，对地震滑坡空 间分布不能准确识别的问题。
(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：一种多云地区地 震滑坡遥感识别方法，包括：
获取研究区域的遥感影像和影像的云掩膜；
对遥感影像和影像的云掩膜进行预处理得到去云影像；
利用多尺度分割算法对去云影像进行对尺度分割处理；
对进行多尺度分割处理后的去云影像进行特征信息提取，其中，所述特 征信息包括归一化植被指数和均值影像；
利用归一化植被指数和均值影像特征以及不同类别的空间邻近关系进行 滑坡识别分类，并导出地震滑坡分类结果；
对地震滑坡分类结果进行精度评估。
优选的，所述多尺度分割算法包括分割尺度参数、形状参数和紧凑度参 数。
优选的，所述分割尺度参数控制分割对象允许的最大异质度，直观体现 是分割对象的大小，尺度值越大，分割对象越大，根据待分类地物的尺度大 小进行设置；
所述形状参数和紧凑度参数用于控制分割对象的同质性，取值区间在0-1 之间。
优选的，所述利用归一化植被指数和均值影像特征以及不同类别的空间 邻近关系进行滑坡识别分类，并导出地震滑坡分类结果具体包括：
依次提取出MI小于900的对象，分类为阴影；
MI≥2500并且NDVI＜0.2的对象分类为云；
Rel.border to“云”≥0.2的邻近对象分类为云；
NDVI≥0.46的对象分类为植被；
未分类对象中进行再分割，分割尺度为100，形状参数为0.1，紧凑度参 数是0.5，从中将NDVI＞0.45的分类为植被；
剩余的未分类对象再次进行精细分割，分割尺度为50，剔除NDVI＞0.5 的对象为植被类别；
最后对分割对象进行矢量优化、合并处理，导出为地震滑坡分类结果；
其中，NDVI表示为归一化植被指数，MI表示为均值影像特征，Rel.border to“云”表示为空间邻近关系。
优选的，所述归一化植被指数的计算公式为：
其中，NIR为遥感影像的近红外波段，Red是遥感影像的红波段。
优选的，所述均值影像特征的计算公式为：
均值影像(MI)＝(DNb1+DNb2+DNb3+DNb4)/4
其中，DNb1、DNb2、DNb3以及DNb4表示多光谱遥感影像所有波段的DN 值。
优选的，所述对地震滑坡分类结果进行精度评估具体包括：
采用召回率、精确率和F1指标，其中，召回率是指自动识别方法正确识 别的滑坡占目视解译真值结果的比例，精确率是指自动识别方法正确识别的 滑坡占识别滑坡总面积的比例，召回率和精确率利用F1指标均衡评价，取值 区间(0，1)，值越高，识别效果越好；
其中，TP指正确识别的滑坡，FN指被遗漏识别的真值滑坡，FP指被错 误识别为滑坡的部分。
再一方面，提供了一种多云地区地震滑坡遥感识别系统，所述系统包括：
获取模块，用于获取研究区域的遥感影像和影像的云掩膜；
预处理模块，用于对遥感影像和影像的云掩膜进行预处理得到去云影像；
分割模块，用于利用多尺度分割算法对去云影像进行对尺度分割处理；
特征提取模块，用于对进行多尺度分割处理后的去云影像进行特征信息 提取，其中，所述特征信息包括归一化植被指数和均值影像；
识别模块，用于利用归一化植被指数和均值影像特征以及不同类别的空 间邻近关系进行滑坡识别分类，并导出地震滑坡分类结果；
评估模块，用于对地震滑坡分类结果进行精度评估；
所述系统用于实现所述的一种多云地区地震滑坡遥感识别方法。
又一方面，提供了一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个 或多个处理器执行所述的多云地区地震滑坡遥感识别方法。
又一方面，提供了一种存储有计算机程序的计算机可读存储介质，其特 征在于，该程序被处理器执行时实现所述的多云地区地震滑坡遥感识别方法。
(三)有益效果
(1)本发明多云地区地震滑坡遥感识别方法、系统、设备及存储介质， 利用长时间序列高分辨遥感影像，进行云、噪声、缺失值的去除处理，然后 利用时空数据融合技术，融合处理预处理的高时空分辨率遥感影像，获取大 范围研究区低云量的镶嵌图像，为下一步的地震滑坡准确识别提供基础数据
(2)本发明多云地区地震滑坡遥感识别方法、系统、设备及存储介质， 利用以上遥感数据处理方法，采用Sentinel-2卫星遥感影像，对海地2021 年8月14日Mw7.2级地震事件开展了地震滑坡识别，针对遥感数据和地震滑 坡特点，提出面向对象的滑坡自动识别方法，验证区滑坡识别的面积精确率 为77.5％。研究区内地震滑坡主要分布在恩里几约-芭蕉园断裂带两侧，遭受 较强地震动影响，局域尺度上，滑坡密集分布于河流支流的河谷两侧，造成 了地震滑坡容易与河谷、沟谷区域混分、错分。
附图说明
图1为本发明方法流程示意图；
图2为本发明实施例中面向对象滑坡识别方法流程图；
图3为本发明实施例中地震发生后Sentinel-2真彩色影像图；
图4为本发明实施例中时空数据融合方法处理后的低云量真彩色镶嵌影 像图。
具体实施方式
下面将结合本发明的附图，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做出创造性 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。
如图1所示，本发明实施例提供一种多云地区地震滑坡遥感识别方法， 包括：
获取研究区域的遥感影像和影像的云掩膜；
对遥感影像和影像的云掩膜进行预处理得到去云影像；
利用多尺度分割算法对去云影像进行对尺度分割处理；
对进行多尺度分割处理后的去云影像进行特征信息提取，其中，所述特 征信息包括归一化植被指数和均值影像；
利用归一化植被指数和均值影像特征以及不同类别的空间邻近关系进行 滑坡识别分类，并导出地震滑坡分类结果；
对地震滑坡分类结果进行精度评估。
作为本发明的具体实施例，其中，数据源具体为：
Sentinel-2卫星是宽幅(290km)、高分辨率多光谱遥感卫星，包含2A 和2B两颗卫星，分别于2015年6月23日和2017年3月7日发射。Sentinel-2 卫星重访周期为5天左右，Sentinel-2任务旨在监测地球表面变化，包括植 被、土壤和水覆盖的变化，以及内陆水道和沿海地区的监测。
高质量无云影像的处理方法具体为：
高分辨率遥感卫星重访周期短，可以获取一个区域的时间序列影像，但 是高分辨率遥感卫星一般幅宽有限，大范围区域内需要镶嵌多幅不同时间拍 摄的遥感图像。同时，由于传感器误差、云层影像等造成的影像质量差，需 进行图像校正、云检测与去除等处理。进行去云处理后，会造成遥感图像数 据缺失。针对以上问题，可以利用高分辨率遥感卫星的长时间序列图像，首 先进行遥感图像云、噪声等去除处理，然后利用时空数据融合技术，获取没 有缺失值和噪声的高时空分辨率遥感镶嵌图像。该方法适合解决云覆盖度高 区域的遥感图像数据获取难题。本文选取的研究区位于低纬度地区，属海岛 国家，热带气候类型，岛内云覆盖量高，较难获取云量少的遥感影像。
本研究利用Google Earth Engine平台，筛选2021年8月14日到2022 年1月31日时间内共68幅Sentinel-2L2A产品的遥感图像，时间序列影像 数据利用Sentinel-2云概率数据产品进行云掩膜。Sentinel-2云概率数据产 品利用Sentinel-2云检测工具创建，空间分辨率10m。该云检测工具利用 LightGBM机器学习算法逐像元检测标记云概率值，值域区间为0-100％，高值 区表示为云或高反射率表面(例如屋顶或雪)。本研究中设置云量阈值20％， 掩膜去除高于阈值的区域，获取低云量时间序列影像，逐像元选取影像序列 的中位数，进行镶嵌处理，获取研究区低云量镶嵌图像。
为最大程度保留遥感图像信息，设置的云量阈值较低，研究区低云量镶 嵌图像中仍有少量薄云存在，在后续的滑坡识别分类过程中将进一步去除。
面向对象滑坡识别方法具体为：
遥感影像分类依赖特征信息，包括遥感光谱特征、纹理特征、空间几何 特征、光谱衍生产品(植被指数、水体指数等)，以及地形特征等。本文案 例中海地地震发生于2021年8月，研究区域植被覆盖丰富，同震滑坡区域植 被覆盖变化显著，具有显著的地表裸露特征。因此，本工作选取了归一化植 被指数(Normalized Difference Vegetation Index，NDVI))作为主要分类指标， NDVI指数根据公式1进行计算，研究区均值影像特征利用多光谱遥感影像所 有波段的DN值求算平均(公式2)。
均值影像(MI)＝(DNb1+DNb2+DNb3+DNb4)/4 (2)
其中，NIR为遥感影像的近红外波段，Red是遥感影像的红波段。DNb1、 DNb2、DNb3以及DNb4表示多光谱遥感影像所有波段的DN值。
本文利用灾后的遥感影像数据来分类地震滑坡，利用eCognitionTM软件实 施了面向对象的滑坡识别提取，具体识别方法流程如图2所示。多尺度分割 算法包括分割尺度、形状参数和紧凑度参数等。尺度参数控制分割对象允许 的最大异质度，直观体现是分割对象的大小，尺度值越大，分割对象越大， 一般根据待分类地物的尺度大小进行设置。形状参数和紧凑度参数用于控制 分割对象的同质性，取值区间在0-1之间。多光谱遥感影像各波段光谱信息 是最重要的遥感影像信息，在分割时可以设置不同光谱波段的权重。
本文主要利用归一化植被指数(NDVI)和均值影像特征，以及不同类别 的空间邻近关系进行滑坡识别分类。首先，采用多尺度分割方法对多光谱遥 感影像进行预分割，分割参数如图2中所示；然后进行逐层分类提取，依次 提取出均值影像值(MI)小于900的对象，分类为阴影，MI≥2500并且NDVI <0.2的对象分类为云，Rel.border to“云”≥0.2的邻近对象也分类为云，NDVI ≥0.46的对象分类为植被；未分类对象中进行再分割，分割尺度为100，形状 参数为0.1，紧凑度参数是0.5，从中将NDVI＞0.45的分类为植被；剩余的未 分类对象再次进行精细分割，分割尺度为50，剔除NDVI＞0.5的对象为植被 类别；最后对分割对象进行矢量优化、合并等处理，导出为地震滑坡分类结 果。
精度评估方法具体为：
地震滑坡识别精度评估方法采用召回率、精确率和F1指标，其中，召回 率是指自动识别方法正确识别的滑坡占目视解译真值结果的比例，精确率是 指自动识别方法正确识别的滑坡占识别滑坡总面积的比例，召回率和精确率 利用F1指标均衡评价，取值区间(0,1)，值越高，识别效果越好。
其中，TP指正确识别的滑坡，FN指被遗漏识别的真值滑坡，FP指被错 误识别为滑坡的部分。
遥感影像去云效果体现：
2021年8月14日，海地Mw7.2级地震发生后，Sentinel-2卫星过境拍摄 了遥感影像，地震滑坡密集区的遥感影像如图3所示，由图中可以发现地震 发生后，研究区上空云量覆盖度非常高，云覆盖度约29％，对震后滑坡分布 的识别工作影响较大。通过进一步搜集研究区震后Sentinel-2影像发现，在 2021年8月14日至2022年1月31日时段内，有超过68％的遥感影像的云覆 盖度大于10％，遥感可用数据区域有限。以长时间序列遥感影像为基础，利 用时空数据融合方法获取研究区的低云量镶嵌影像，如图4所示，由图可见 本文提出的方法去云效果较好，并且突出了地震滑坡区域，为下一步自动识 别地震滑坡空间分布提供了重要数据基础。
滑坡识别结果分析与验证：
利用本工作中提出的面向对象自动识别方法，识别低云量镶嵌影像中的 地震滑坡分布，本文方法共提取研究区内地震滑坡面积为27km2，滑坡主要分 布在主断裂带恩里基约-芭蕉园断裂带两侧，局部尺度上主要分布在河流支流 河谷的两侧，整体分布较为密集。
表1验证区的自动识别滑坡精度
为了检验滑坡自动识别精度，选取局部区域，利用高分辨率Planet遥感 影像(3m分辨率)目视解译震后滑坡数据。以滑坡目视解译结果为参照，采 用精度评估方法，对比分析了遥感自动识别结果，精度分析结果见图4和表1， 自动识别方法的面积精确率为77.5％，召回率为52.77％，F1指标为62.79％。
本发明方法利用长时间序列高分辨遥感影像，进行云、噪声、缺失值的 去除处理，然后利用时空数据融合技术，融合处理预处理的高时空分辨率遥 感影像，获取大范围研究区低云量的镶嵌图像，为下一步的地震滑坡准确识 别提供基础数据；
利用以上遥感数据处理方法，采用Sentinel-2卫星遥感影像，对海地2021 年8月14日Mw7.2级地震事件开展了地震滑坡识别，针对遥感数据和地震滑 坡特点，提出面向对象的滑坡自动识别方法，验证区滑坡识别的面积精确率 为77.5％。研究区内地震滑坡主要分布在恩里几约-芭蕉园断裂带两侧，遭受 较强地震动影响，局域尺度上，滑坡密集分布于河流支流的河谷两侧，造成 了地震滑坡容易与河谷、沟谷区域混分、错分。
再一方面，提供了一种多云地区地震滑坡遥感识别系统，所述系统包括：
获取模块，用于获取研究区域的遥感影像和影像的云掩膜；
预处理模块，用于对遥感影像和影像的云掩膜进行预处理得到去云影像；
分割模块，用于利用多尺度分割算法对去云影像进行对尺度分割处理；
特征提取模块，用于对进行多尺度分割处理后的去云影像进行特征信息 提取，其中，所述特征信息包括归一化植被指数和均值影像；
识别模块，用于利用归一化植被指数和均值影像特征以及不同类别的空 间邻近关系进行滑坡识别分类，并导出地震滑坡分类结果；
评估模块，用于对地震滑坡分类结果进行精度评估；
所述系统用于实现上述实施例中的一种多云地区地震滑坡遥感识别方法。
又一方面，提供了一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个 或多个处理器执行上述实施例中的一种多云地区地震滑坡遥感识别方法。
又一方面，提供了一种存储有计算机程序的计算机可读存储介质，其特 征在于，该程序被处理器执行时实现上述实施例中的一种多云地区地震滑坡 遥感识别方法。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来 将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示 这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、 “包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系 列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明 确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有 的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素， 并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同 要素。
Claims (10)
1.一种多云地区地震滑坡遥感识别方法，其特征在于，包括：
获取研究区域的遥感影像和影像的云掩膜；
对遥感影像和影像的云掩膜进行预处理得到去云影像；
利用多尺度分割算法对去云影像进行对尺度分割处理；
对进行多尺度分割处理后的去云影像进行特征信息提取，其中，所述特征信息包括归一化植被指数和均值影像；
利用归一化植被指数和均值影像特征以及不同类别的空间邻近关系进行滑坡识别分类，并导出地震滑坡分类结果；
对地震滑坡分类结果进行精度评估。
2.根据权利要求1所述的一种多云地区地震滑坡遥感识别方法，其特征在于：所述多尺度分割算法包括分割尺度参数、形状参数和紧凑度参数。
3.根据权利要求2所述的一种多云地区地震滑坡遥感识别方法，其特征在于：所述分割尺度参数控制分割对象允许的最大异质度，直观体现是分割对象的大小，尺度值越大，分割对象越大，根据待分类地物的尺度大小进行设置；
所述形状参数和紧凑度参数用于控制分割对象的同质性，取值区间在0-1之间。
4.根据权利要求1所述的一种多云地区地震滑坡遥感识别方法，其特征在于：所述利用归一化植被指数和均值影像特征以及不同类别的空间邻近关系进行滑坡识别分类，并导出地震滑坡分类结果具体包括：
依次提取出MI小于900的对象，分类为阴影；
MI≥2500并且NDVI＜0.2的对象分类为云；
Rel.border to“云”≥0.2的邻近对象分类为云；
NDVI≥0.46的对象分类为植被；
未分类对象中进行再分割，分割尺度为100，形状参数为0.1，紧凑度参数是0.5，从中将NDVI＞0.45的分类为植被；
剩余的未分类对象再次进行精细分割，分割尺度为50，剔除NDVI＞0.5的对象为植被类别；
最后对分割对象进行矢量优化、合并处理，导出为地震滑坡分类结果；
其中，NDVI表示为归一化植被指数，MI表示为均值影像特征，Rel.border to“云”表示为空间邻近关系。
5.根据权利要求4所述的一种多云地区地震滑坡遥感识别方法，其特征在于：所述归一化植被指数的计算公式为：
其中，NIR为遥感影像的近红外波段，Red是遥感影像的红波段。
6.根据权利要求4所述的一种多云地区地震滑坡遥感识别方法，其特征在于：所述均值影像特征的计算公式为：
均值影像(MI)＝(DNb1+DNb2+DNb3+DNb4)/4
其中，DNb1、DNb2、DNb3以及DNb4表示多光谱遥感影像所有波段的DN值。
7.根据权利要求1所述的一种多云地区地震滑坡遥感识别方法，其特征在于：所述对地震滑坡分类结果进行精度评估具体包括：
采用召回率、精确率和F1指标，其中，召回率是指自动识别方法正确识别的滑坡占目视解译真值结果的比例，精确率是指自动识别方法正确识别的滑坡占识别滑坡总面积的比例，召回率和精确率利用F1指标均衡评价，取值区间(0,1)，值越高，识别效果越好；
其中，TP指正确识别的滑坡，FN指被遗漏识别的真值滑坡，FP指被错误识别为滑坡的部分。
8.一种多云地区地震滑坡遥感识别系统，其特征在于，所述系统包括：
获取模块，用于获取研究区域的遥感影像和影像的云掩膜；
预处理模块，用于对遥感影像和影像的云掩膜进行预处理得到去云影像；
分割模块，用于利用多尺度分割算法对去云影像进行对尺度分割处理；
特征提取模块，用于对进行多尺度分割处理后的去云影像进行特征信息提取，其中，所述特征信息包括归一化植被指数和均值影像；
识别模块，用于利用归一化植被指数和均值影像特征以及不同类别的空间邻近关系进行滑坡识别分类，并导出地震滑坡分类结果；
评估模块，用于对地震滑坡分类结果进行精度评估；
所述系统用于实现如权利要求1-7任意一项所述的一种多云地区地震滑坡遥感识别方法。
9.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1-7中任意一项所述的多云地区地震滑坡遥感识别方法。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现如权利要求1-7中任意一项所述的多云地区地震滑坡遥感识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211167149.XA CN115661675B (zh) | 2022-09-23 | 2022-09-23 | 多云地区地震滑坡遥感识别方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211167149.XA CN115661675B (zh) | 2022-09-23 | 2022-09-23 | 多云地区地震滑坡遥感识别方法、系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115661675A true CN115661675A (zh) | 2023-01-31 |
| CN115661675B CN115661675B (zh) | 2024-10-18 |
Family
ID=84985017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211167149.XA Active CN115661675B (zh) | 2022-09-23 | 2022-09-23 | 多云地区地震滑坡遥感识别方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115661675B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116524374A (zh) * | 2023-07-03 | 2023-08-01 | 江苏省地质调查研究院 | 卫星影像实时处理与分发方法与系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598019A (zh) * | 2020-05-19 | 2020-08-28 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
| WO2020258899A1 (zh) * | 2019-06-25 | 2020-12-30 | 东南大学 | 一种基于高分遥感影像的山地景观建筑提取方法和设备 |
| CN113223040A (zh) * | 2021-05-17 | 2021-08-06 | 中国农业大学 | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 |
| CN113780174A (zh) * | 2021-09-10 | 2021-12-10 | 福州大学 | 结合随机森林算法的高植被台风暴雨型滑坡识别方法 |
| CN113780307A (zh) * | 2021-08-24 | 2021-12-10 | 河北省科学院地理科学研究所 | 一种区域年度最大蓝绿空间信息提取方法 |
-
2022
- 2022-09-23 CN CN202211167149.XA patent/CN115661675B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020258899A1 (zh) * | 2019-06-25 | 2020-12-30 | 东南大学 | 一种基于高分遥感影像的山地景观建筑提取方法和设备 |
| CN111598019A (zh) * | 2020-05-19 | 2020-08-28 | 华中农业大学 | 基于多源遥感数据的作物类型与种植模式识别方法 |
| CN113223040A (zh) * | 2021-05-17 | 2021-08-06 | 中国农业大学 | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 |
| CN113780307A (zh) * | 2021-08-24 | 2021-12-10 | 河北省科学院地理科学研究所 | 一种区域年度最大蓝绿空间信息提取方法 |
| CN113780174A (zh) * | 2021-09-10 | 2021-12-10 | 福州大学 | 结合随机森林算法的高植被台风暴雨型滑坡识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 彭令;徐素宁;梅军军;苏凤环;: "地震滑坡高分辨率遥感影像识别", 遥感学报, no. 04, 25 July 2017 (2017-07-25) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116524374A (zh) * | 2023-07-03 | 2023-08-01 | 江苏省地质调查研究院 | 卫星影像实时处理与分发方法与系统 |
| CN116524374B (zh) * | 2023-07-03 | 2023-09-26 | 江苏省地质调查研究院 | 卫星影像实时处理与分发方法与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115661675B (zh) | 2024-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wei et al. | Cloud detection for Landsat imagery by combining the random forest and superpixels extracted via energy-driven sampling segmentation approaches | |
| CN109613513B (zh) | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 | |
| CN111932567B (zh) | 基于卫星影像的冰湖轮廓自动提取方法 | |
| Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
| Rudy et al. | Identifying permafrost slope disturbance using multi-temporal optical satellite images and change detection techniques | |
| CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
| Szantoi et al. | A tool for rapid post-hurricane urban tree debris estimates using high resolution aerial imagery | |
| CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
| Nandi et al. | Automatic delineation of water bodies using multiple spectral indices | |
| CN111310771A (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
| CN114241333B (zh) | 一种基于多源时序遥感影像精准识别新生滑坡区域的方法 | |
| CN115661675A (zh) | 多云地区地震滑坡遥感识别方法、系统、设备及存储介质 | |
| Qi et al. | Uncertainties in MODIS-derived Ulva prolifera amounts in the Yellow Sea: A systematic evaluation using sentinel-2/MSI observations | |
| Ma et al. | Automatic geolocation and measuring of offshore energy infrastructure with multimodal satellite data | |
| Salman et al. | Detection of Spectral Reflective Changes for Temporal Resolution of Land Cover (LC) for Two Different Seasons in central Iraq | |
| CN113705441A (zh) | 协同多光谱和sar影像的高时空分辨率地表水体提取方法 | |
| Liu et al. | Water extraction on the hyperspectral images of gaofen-5 satellite using spectral indices | |
| CN113128523B (zh) | 一种基于时间序列遥感影像自动提取珊瑚礁的方法 | |
| Tamim et al. | Detection of Moroccan coastal upwelling fronts in SST images using the microcanonical multiscale formalism | |
| Kwok et al. | Deep learning approach for rock outcrops identification | |
| Gupta et al. | Deep learning based detection of water bodies using satellite images | |
| Carani et al. | Detection of Tornado damage in forested regions via convolutional neural networks and uncrewed aerial system photogrammetry | |
| Lemenkova | Robust vegetation detection using RGB colour composites and isoclust classification of the Landsat TM image | |
| Zhu et al. | Spatio-temporal changes of coastline in Jiaozhou Bay from 1987 to 2022 based on optical and SAR data | |
| Duan et al. | Burned area detection from a single satellite image using an adaptive thresholds algorithm |
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 |