CN115984778A - 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 - Google Patents
一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 Download PDFInfo
- Publication number
- CN115984778A CN115984778A CN202310026551.4A CN202310026551A CN115984778A CN 115984778 A CN115984778 A CN 115984778A CN 202310026551 A CN202310026551 A CN 202310026551A CN 115984778 A CN115984778 A CN 115984778A
- Authority
- CN
- China
- Prior art keywords
- water body
- disaster
- features
- image
- formula
- 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
-
- 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
- Image Processing (AREA)
Abstract
本发明涉及遥感影像技术领域,公开了一种基于多特征优化的Sentinel‑1数据快速动态洪灾监测方法,首先对Sentinel‑1A数据进行RefineLee滤波、转dB影像等处理,获取灾前、灾中和灾后SAR影像;然后,通过人工解译方法构建洪灾样本库,包括训练样本和验证样本;针对复杂地表环境下水田和山体阴影对水体提取结果的影响,研究水体和非水体在纹理特征、指数特征、地形特征上的差异性;再选用SEaTH算法对上述特征进行特征优化,进而构建随机森林水体提取模型,实现高精度灾前、灾中、灾后水体提取;最后通过叠加分析与地理统计,分析受灾情况。本发明能够高精度、快速地实现大范围复杂环境的洪灾信息采集,对汛情预警、快速响应和风险防控具有重要意义。
Description
技术领域
本发明涉及遥感影像技术领域,具体为一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法。
背景技术
洪涝灾害是世界上发生频率最高、分布最广、造成损失最严重的自然灾害之一。它波及区域广、突发性强、发生频繁,且破坏性大,损失严重,对人民群众的生命财产安全和灾区经济发展构成了极大的威胁。因此,高精度、快速地获取洪灾信息是洪灾监测领域的重要研究内容。
卫星遥感观测技术由于观测范围广、周期性重访、空间连续覆盖等优势,已在洪灾监测中得到了广泛应用。由于洪灾期间恶劣的天气影响、云层覆盖干扰等因素,光学传感器无法有效获取地面信息,因此光学遥感在洪灾实时监测方面存在一定的局限性。而星载合成孔径雷达(Synthetic Aperture Radar,SAR)遥感具有全天候、全天时数据获取能力,不受极端天气条件的影响,能穿透云层,覆盖面积广,尤其适用于突发性灾害研究,并且在SAR影像上,水体的镜面反射在影像上呈现为暗色调,水体信息易被识别。
当前,SAR影像洪灾监测方法主要分为差异特征分析和分类结果比较两种方法。前者通过构建差异图,再对差异图进行分类,提取洪水淹没范围。该方法受到SAR影像相干噪声影响,提取精度有限。后者先解译SAR影像提取水体范围,再比较分析洪水淹没区。分类后比较方法的精度与水体提取精度相关,目前SAR影像水体提取方法主要有:目视解译、灰度阈值分割法、监督分类法和图像分割法等。其中,灰度阈值法简单快速,应用广泛,其常用方法包括双峰法、OTSU自动阈值法、最大熵值阈值法和最小误差阈值法。但该方法不适用于复杂影像的水体提取,易受到影像各处信息不均匀和相干斑噪声影响。监督分类法是利用人工选择训练样本和参数构建水体提取模型,其提取精度受到训练样本和分类算法的影响。虽然国内外学者针对SAR影像已经提出许多水体提取模型,但在复杂、大范围环境中,这些方法提取精度普遍不高,无法解决SAR影像上山体阴影和水田泥地等地物与水体误分的问题。
针对复杂地表环境下洪灾信息提取慢、精度差的问题,本发明基于时序Sentinel-1A数据,研究水体和非水体在纹理特征、指数特征、地形特征上的差异性,再采用SEaTH算法进行特征优化,构建随机森林水体提取模型,可快速实现洪灾信息的有效采集,对汛情预警、快速响应、风险防控具有重要意义。传统水体提取方法多采用灰度阈值法、监督分类法等,但在复杂、大范围的地表环境中,上述方法提取精度普遍不高,无法解决SAR影像上山体阴影、水田泥地等地物与水体误分的问题。
本发明正是基于上述研究背景下提出,旨在提高洪灾监测的准确性和可靠性。
发明内容
本发明的目的在于提供一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法,本发明能够高精度、快速地提取大范围复杂环境洪灾信息,对汛情预警、快速响应、风险防控具有重要意义。
本发明是这样实现的:本发明提供一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法,具体按以下步骤执行:
S1:进行Sentinel-1A数据处理,首先设定筛选条件,具体包括观测覆盖研究区范围、成像监测时间和双极化数据处理方式;
采用3×3窗口对筛选数据进行Refine Lee滤波,以减小SAR影像相干斑点噪声产生的误差,然后对数据进行dB值转换,得到后向散射系数,计算公式如式(1);
σdB 0=10·log10σ0 式(1)
其中,σ0为影像滤波等处理后的像元值,σdB 0为后向散射系数,通过镶嵌、裁剪得到灾前、灾中和灾后SAR影像;
S2:进行样本选取,将研究区分为水体、非水体2类,选取样本点,再结合同期高清影像对样点的正确性进行检查,并将样本划分为70%的模型训练样本和30%的独立验证样本;
S3:进行特征提取,从纹理特征、指数特征、地形特征3个维度,构建11个特征变量,实现高精度、大尺度、复杂环境的洪水监测;
其中纹理特征包括在VV极化方式下,选取VV影像计算纹理特征,实现高精度水体提取;
选取角二阶矩、对比度、相关性、逆差距、熵、方差6种纹理特征区分水体和非水体,同时选用VV影像和VH影像作为纹理特征参与运算;
指数特征包括光学影像的归一化差异水体指数,将VV和VH极化影像相乘,并乘以10,扩大水体与其它地物之间的差异,再以自然对数作为函数式,构建SDWI指数,当自然对数自变量大于1时,曲线的斜率会逐渐减小,即更易区分水体和非水体;如式(4);
KSDWI=ln(10·VV·VH) 式(4)
其中,KSDWI为水体提取指数,VV和VH分别为VV和VH后向散射系数;
地形特征选取坡度和山体阴影区分水体和非水体。
选用VV影像和VH影像作为纹理特征参与运算时,灰度共生矩阵是基于像素点对间的灰度关系统计影像的纹理深浅、亮度变化等纹理信息,如式(5),
p(i,j,δ,θ)={[(x,y),(x+dx,y+dy)]|f(x,y)=i,f(x+dx,y+dy)=j} 式(5)
其中,f(x,y)表示二维影像;(x,y)为影像中任意一点;(x+dx,y+dy)为影像中偏离(x,y)的另一个点;i和j分别为这一像素点对的灰度值;δ和θ分别表示像素点对的距离(步距)和方向;P(i,j,δ,θ)为GLCM矩阵,表示在δ步距、θ方向的条件下,i和j像素点对出现的几率。在指数特征中,计算水体C1和非水体C2在上述11个特征下的J距离,并选用J值位于所有特征的前两位且大于1的特征,进一步压缩特征数量,且J值大于1的特征能使水体和非水体之间的可分性最大。
S4:进行特征优化,使用SEaTH算法衡量类间可分性;如式(2)-式(3);
J=2(1-e-B) 式(2)
其中,B为巴氏距离,mi和σi2(i=1,2)分别代表水体C1和非水体C2某个特征的均值和方差,J的取值范围是[0,2],0表示2个类别在某一特征上完全混淆,2表示2个类别在某一特征上能够完全分开;
S5:进行随机森林水体提取模型,随机森林算法利用分类与回归树算法构建森林中独立分布的二叉树,每颗二叉树对样本分类时都会进行预测并投票,得票最多的预测结果将作为最终结果输出,根据水体提取结果的准确性调整决策树数量,生成最佳的水体提取模型;
S6:进行提取精度评价,定量评价水体提取精度,将水体提取结果与验证样本进行对比,生成混淆矩阵,进而根据混淆矩阵计算总体分类精度、Kappa系数,评价水体提取结果;
将水体提取结果与验证样本进行对比,生成混淆矩阵,根据混淆矩阵计算总体分类精度、Kappa系数作为指标评价水体提取结果,总体分类精度是被正确分类的像素数除以总像素数,Kappa系数在考虑了被正确分类的像素外,考虑对角线以外的各种漏分和错分像素,如式(14);
其中,N1为验证样本的总像素数;n1为分类类别数;ai'i'为混淆矩阵中第i'行第i'列的像素数;ai'+为第i'行的总像素数,a+i'为第i'列的总像素数。
S7:灾情分析,在灾前水体、灾中水体和灾后水体结果的基础上,分别利用灾前水体与灾中水体、灾中水体和灾后水体进行叠加分析,以获取扩张水体空间分布情况、消退水体空间分布情况。
进一步,选用VV影像和VH影像作为纹理特征参与运算,选取较为常见的角二阶矩、对比度、相关性、逆差距、熵、方差6种纹理特征区分水体和非水体,具体如式(6)-式(13);
其中,其中,k为灰度级数,μ为均值,σ2为方差。
进一步,本发明提供一种计算机存储介质,在所述存储介质上存储有计算机程序,当计算机程序被执行时,实现如上述任一所述的方法。
与现有技术相比,本发明的有益效果是:
1.针对复杂地表环境下洪灾信息提取慢、精度不高的问题,本发明研究水体和非水体在纹理特征、指数特征、地形特征上的差异性,再采用SEaTH算法进行特征优化,构建随机森林水体提取模型,可实现洪灾信息的有效采集。因此,本发明能够高精度、快速地提取大范围复杂环境洪灾信息,对汛情预警、快速响应、风险防控具有重要意义。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明的实施方法流程图;
图2是本发明的灰度共生矩阵示意图;
图3是本发明的特征变量信息图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
请参阅图1-3,一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法;
具体按以下步骤执行:
S1:进行Sentinel-1A数据处理,首先设定筛选条件,具体包括观测覆盖研究区范围、成像监测时间和双极化数据处理方式;
采用3×3窗口对筛选数据进行Refine Lee滤波,以减小SAR影像相干斑点噪声产生的误差,然后对数据进行dB值转换,得到后向散射系数,计算公式如式(1);
σdB 0=10·log10σ0 式(1)
其中,σ0为影像滤波等处理后的像元值,σdB 0为后向散射系数,通过镶嵌、裁剪得到灾前、灾中和灾后SAR影像;
其中,Sentinel-1A数据基本参数如表1;
表1 Sentinel-1A数据基本参数
参数 | 基本设置 |
工作模式 | 干涉宽幅模式(IW) |
极化方式 | 双极化(VV,VH) |
数据类型 | 地距多视(GRD) |
重访周期/d | 12 |
地距分辨率/m | 20×22 |
像元大小/m | 10×10 |
S2:进行样本选取,将研究区分为水体、非水体2类,选取样本点,再结合同期高清影像对样点的正确性进行检查,并将样本划分为70%的模型训练样本和30%的独立验证样本;
S3:进行特征提取,从纹理特征、指数特征、地形特征3个维度,构建11个特征变量,实现高精度、大尺度、复杂环境的洪水监测;
其中纹理特征包括在VV极化方式下,选取VV影像计算纹理特征,实现高精度水体提取;
选取角二阶矩、对比度、相关性、逆差距、熵、方差6种纹理特征区分水体和非水体,同时选用VV影像和VH影像作为纹理特征参与运算;
指数特征包括光学影像的归一化差异水体指数,将VV和VH极化影像相乘,并乘以10,扩大水体与其它地物之间的差异,再以自然对数作为函数式,构建SDWI指数,当自然对数自变量大于1时,曲线的斜率会逐渐减小,即更易区分水体和非水体;如式(4);
KSDWI=ln(10·VV·VH) 式(4)
其中,KSDWI为水体提取指数,VV和VH分别为VV和VH后向散射系数;
地形特征选取坡度和山体阴影区分水体和非水体。
选用VV影像和VH影像作为纹理特征参与运算时,灰度共生矩阵是基于像素点对间的灰度关系统计影像的纹理深浅、亮度变化等纹理信息,如式(5),
p(i,j,δ,θ)={[(x,y),(x+dx,y+dy)]|f(x,y)=i,f(x+dx,y+dy)=j} 式(5)
其中,f(x,y)表示二维影像;(x,y)为影像中任意一点;(x+dx,y+dy)为影像中偏离(x,y)的另一个点;i和j分别为这一像素点对的灰度值;δ和θ分别表示像素点对的距离(步距)和方向;P(i,j,δ,θ)为GLCM矩阵,表示在δ步距、θ方向的条件下,i和j像素点对出现的几率。在指数特征中,计算水体C1和非水体C2在上述11个特征下的J距离,并选用J值位于所有特征的前两位且大于1的特征,进一步压缩特征数量,且J值大于1的特征能使水体和非水体之间的可分性最大。
S4:进行特征优化,使用SEaTH算法衡量类间可分性;如式(2)-式(3);
J=2(1-e-B) 式(2)
其中,B为巴氏距离,mi和σi2(i=1,2)分别代表水体C1和非水体C2某个特征的均值和方差,J的取值范围是[0,2],0表示2个类别在某一特征上完全混淆,2表示2个类别在某一特征上能够完全分开;特征变量信息如表2。
表2特征变量信息表
S5:进行随机森林水体提取模型,随机森林算法利用分类与回归树算法构建森林中独立分布的二叉树,每颗二叉树对样本分类时都会进行预测并投票,得票最多的预测结果将作为最终结果输出,根据水体提取结果的准确性调整决策树数量,生成最佳的水体提取模型;
S6:进行提取精度评价,定量评价水体提取精度,将水体提取结果与验证样本进行对比,生成混淆矩阵,进而根据混淆矩阵计算总体分类精度、Kappa系数,评价水体提取结果;
将水体提取结果与验证样本进行对比,生成混淆矩阵,根据混淆矩阵计算总体分类精度、Kappa系数作为指标评价水体提取结果,总体分类精度是被正确分类的像素数除以总像素数,Kappa系数在考虑了被正确分类的像素外,考虑对角线以外的各种漏分和错分像素,如式(14);
其中,N1为验证样本的总像素数;n1为分类类别数;ai'i'为混淆矩阵中第i'行第i'列的像素数;ai'+为第i'行的总像素数,a+i'为第i'列的总像素数。
S7:灾情分析,在灾前水体、灾中水体和灾后水体结果的基础上,分别利用灾前水体与灾中水体、灾中水体和灾后水体进行叠加分析,以获取扩张水体空间分布情况、消退水体空间分布情况。
本实施例中,选用VV影像和VH影像作为纹理特征参与运算,选取较为常见的角二阶矩、对比度、相关性、逆差距、熵、方差6种纹理特征区分水体和非水体,具体如式(6)-式(13);
其中,其中,k为灰度级数,μ为均值,σ2为方差。
本实施例中,本发明提供一种计算机存储介质,在所述存储介质上存储有计算机程序,当计算机程序被执行时,实现如上述任一所述的方法。
以上所述仅为本发明的优选实施方式而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (7)
1.一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法,其特征在于:具体按以下步骤执行:
S1:进行Sentinel-1A数据处理,首先设定筛选条件,具体包括观测覆盖研究区范围、成像监测时间和双极化数据处理方式;
采用3×3窗口对筛选数据进行Refine Lee滤波,以减小SAR影像相干斑点噪声产生的误差,然后对数据进行dB值转换,得到后向散射系数,计算公式如式(1);
σdB 0=10·log10σ0 式(1)
其中,σ0为影像滤波等处理后的像元值,σdB 0为后向散射系数,通过镶嵌、裁剪得到灾前、灾中和灾后SAR影像;
S2:进行样本选取,将研究区分为水体、非水体2类,选取样本点,再结合同期高清影像对样点的正确性进行检查,并将样本划分为70%的模型训练样本和30%的独立验证样本;
S3:进行特征提取,从纹理特征、指数特征、地形特征3个维度,构建11个特征变量,实现高精度、大尺度、复杂环境的洪水监测;
S4:进行特征优化,使用SEaTH算法衡量类间可分性;如式(2)-式(3);
J=2(1-e-B) 式(2)
其中,B为巴氏距离,mi和σi2(i=1,2)分别代表水体C1和非水体C2某个特征的均值和方差,J的取值范围是[0,2],0表示2个类别在某一特征上完全混淆,2表示2个类别在某一特征上能够完全分开;
S5:进行随机森林水体提取模型,随机森林算法利用分类与回归树算法构建森林中独立分布的二叉树,每颗二叉树对样本分类时都会进行预测并投票,得票最多的预测结果将作为最终结果输出,根据水体提取结果的准确性调整决策树数量,生成最佳的水体提取模型;
S6:进行提取精度评价,定量评价水体提取精度,将水体提取结果与验证样本进行对比,生成混淆矩阵,进而根据混淆矩阵计算总体分类精度、Kappa系数,评价水体提取结果;
S7:灾情分析,在灾前水体、灾中水体和灾后水体结果的基础上,分别利用灾前水体与灾中水体、灾中水体和灾后水体进行叠加分析,以获取扩张水体空间分布情况、消退水体空间分布情况。
2.根据权利要求1所述的一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法,其特征在于,其中纹理特征包括在VV极化方式下,选取VV影像计算纹理特征,实现高精度水体提取;
选取角二阶矩、对比度、相关性、逆差距、熵、方差6种纹理特征区分水体和非水体,同时选用VV影像和VH影像作为纹理特征参与运算;
指数特征包括光学影像的归一化差异水体指数,将VV和VH极化影像相乘,并乘以10,扩大水体与其它地物之间的差异,再以自然对数作为函数式,构建SDWI指数,当自然对数自变量大于1时,曲线的斜率会逐渐减小,即更易区分水体和非水体;如式(4);
KSDWI=ln(10·VV·VH) 式(4)
其中,KSDWI为水体提取指数,VV和VH分别为VV和VH后向散射系数;
地形特征选取坡度和山体阴影区分水体和非水体。
3.根据权利要求2所述的一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法,其特征在于,选用VV影像和VH影像作为纹理特征参与运算时,灰度共生矩阵是基于像素点对间的灰度关系统计影像的纹理深浅、亮度变化等纹理信息,如式(5),
p(i,j,δ,θ)={[(x,y),(x+dx,y+dy)]|f(x,y)=i,f(x+dx,y+dy)=j} 式(5)
其中,f(x,y)表示二维影像;(x,y)为影像中任意一点;(x+dx,y+dy)为影像中偏离(x,y)的另一个点;i和j分别为这一像素点对的灰度值;δ和θ分别表示像素点对的距离(步距)和方向;P(i,j,δ,θ)为GLCM矩阵,表示在δ步距、θ方向的条件下,i和j像素点对出现的几率。
5.根据权利要求4所述的一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法,其特征在于,在指数特征中,计算水体C1和非水体C2在上述11个特征下的J距离,并选用J值位于所有特征的前两位且大于1的特征,进一步压缩特征数量,且J值大于1的特征能使水体和非水体之间的可分性最大。
7.一种计算机存储介质,其特征在于,在所述存储介质上存储有计算机程序,当计算机程序被执行时,实现如上述权利要求1-6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310026551.4A CN115984778A (zh) | 2023-01-09 | 2023-01-09 | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310026551.4A CN115984778A (zh) | 2023-01-09 | 2023-01-09 | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115984778A true CN115984778A (zh) | 2023-04-18 |
Family
ID=85974026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310026551.4A Pending CN115984778A (zh) | 2023-01-09 | 2023-01-09 | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984778A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274821A (zh) * | 2023-11-20 | 2023-12-22 | 中国石油大学(华东) | 顾及降雨影响的多极化sar农田洪涝检测方法与系统 |
CN117310705A (zh) * | 2023-11-28 | 2023-12-29 | 中国石油大学(华东) | 一种基于双极化sar影像的洪涝灾害快速检测方法 |
CN117805109A (zh) * | 2023-12-29 | 2024-04-02 | 江苏腾丰环保科技有限公司 | 一种基于纹理特征识别的水质检测方法、系统 |
CN118175186A (zh) * | 2024-05-11 | 2024-06-11 | 成都昊锐佳科技有限责任公司 | 用于ai感知哨兵终端的边缘网关控制方法、系统及装置 |
-
2023
- 2023-01-09 CN CN202310026551.4A patent/CN115984778A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274821A (zh) * | 2023-11-20 | 2023-12-22 | 中国石油大学(华东) | 顾及降雨影响的多极化sar农田洪涝检测方法与系统 |
CN117274821B (zh) * | 2023-11-20 | 2024-02-02 | 中国石油大学(华东) | 顾及降雨影响的多极化sar农田洪涝检测方法与系统 |
CN117310705A (zh) * | 2023-11-28 | 2023-12-29 | 中国石油大学(华东) | 一种基于双极化sar影像的洪涝灾害快速检测方法 |
CN117310705B (zh) * | 2023-11-28 | 2024-02-09 | 中国石油大学(华东) | 一种基于双极化sar影像的洪涝灾害快速检测方法 |
CN117805109A (zh) * | 2023-12-29 | 2024-04-02 | 江苏腾丰环保科技有限公司 | 一种基于纹理特征识别的水质检测方法、系统 |
CN118175186A (zh) * | 2024-05-11 | 2024-06-11 | 成都昊锐佳科技有限责任公司 | 用于ai感知哨兵终端的边缘网关控制方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115984778A (zh) | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 | |
CN109001780B (zh) | 一种自适应的sar卫星海面舰船目标在轨检测方法 | |
CN103236063B (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
Ulaby et al. | Textural infornation in SAR images | |
CN101799921B (zh) | 一种光学遥感图像云检测方法 | |
KR20190133442A (ko) | 인공위성 sar 영상기반 인공신경망을 이용한 오일 유출 탐지 방법 | |
KR102399089B1 (ko) | 인공위성 영상정보를 이용한 홍수 피해 탐지 시스템 및 그 방법 | |
CN106646469B (zh) | 基于变异系数法的sar船只检测优化方法 | |
Lê et al. | Multiscale framework for rapid change analysis from SAR image time series: Case study of flood monitoring in the central coast regions of Vietnam | |
Song et al. | Efficient water area classification using Radarsat-1 SAR imagery in a high relief mountainous environment | |
Mahrooghy et al. | A machine learning framework for detecting landslides on earthen levees using spaceborne SAR imagery | |
CN114494282A (zh) | 融合极化信息的复杂背景下滑坡识别方法及装置 | |
CN113870224A (zh) | 一种洪水监测方法、系统、设备和介质 | |
CN112989940A (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
Mei et al. | Estimating early-winter Antarctic sea ice thickness from deformed ice morphology | |
CN114545410B (zh) | 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法 | |
Haddad et al. | Identification and filtering of rainfall and ground radar echoes using textural features | |
Pelliza et al. | Optimal Canny’s parameters regressions for coastal line detection in satellite-based SAR images | |
CN111929680B (zh) | 一种基于sar图像的洪水淹没程度快速评价方法 | |
Sohn et al. | Detecting water area during flood event from SAR image | |
Arvelyna et al. | Auto segmentation of oil slick in RADARSAT SAR image data around Rupat Island, Malacca Strait | |
CN117557584B (zh) | 水体提取方法、装置、电子设备及存储介质 | |
CN114708514B (zh) | 一种基于深度学习的森林砍伐变化的检测方法及装置 | |
Park et al. | Mapping of Peatland Drainage Canals in Indonesia Using Polarization Data of ALOS-2 PALSAR-2 | |
Pegram et al. | Daily mapping of 24 hr rainfall at pixel scale over South Africa using satellite, radar and raingauge data |
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 |