CN116018602A - 植被管理系统和植被管理方法 - Google Patents

植被管理系统和植被管理方法 Download PDF

Info

Publication number
CN116018602A
CN116018602A CN202180048175.8A CN202180048175A CN116018602A CN 116018602 A CN116018602 A CN 116018602A CN 202180048175 A CN202180048175 A CN 202180048175A CN 116018602 A CN116018602 A CN 116018602A
Authority
CN
China
Prior art keywords
vegetation
data
unit
growth
risk
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
Application number
CN202180048175.8A
Other languages
English (en)
Inventor
赵昱
山本知史
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.)
Hitachi Energy Co ltd
Original Assignee
Hitachi Energy Switzerland AG
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 Hitachi Energy Switzerland AG filed Critical Hitachi Energy Switzerland AG
Publication of CN116018602A publication Critical patent/CN116018602A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/40—Maintenance of things
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
    • H02G1/00—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines
    • H02G1/02—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines for overhead lines or cables
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Hydroponics (AREA)
  • Transplanting Machines (AREA)

Abstract

植被管理系统1包括：数据获取单元11，该数据获取单元获取输入数据，该输入数据包括通过遥感拍摄待分析的设施和植被而获得的遥感数据；植被分类单元13，该植被分类单元对遥感数据中拍摄的植被进行分类；广域生长预测单元14，该广域生长预测单元预测在遥感数据中拍摄的植被的生长范围的时间序列变化；植被量模拟单元15，该植被量模拟单元通过模拟来预测每个植被的生长量的波动；三维构建单元16，该三维构建单元构建表达设施和植被的三维模型；以及风险确定单元17，该风险确定单元确定指示设施和植被之间的接触可能性的接触风险。

Description

植被管理系统和植被管理方法
技术领域
本发明涉及植被管理系统和植被管理方法，并且适于应用于利用遥感测量信息支持电力设施涉及与植被接触的维护工作的植被管理系统和植被管理方法。
背景技术
在相关技术的电力设施维护工作中，定期人工检查其中设置有电力设施(诸如配电线路和输电线路)的路线，并在例如可能发生树木与电力设施接触的问题的地点进行清除树枝、使用除草剂等工作。同时，近年来，由于劳动力短缺等，正在努力使检查工作自动化。
在使检查工作自动化的这些努力中，鉴于许多电力设施(诸如配电线路和输电线路)安装在人们难以进入的地点(诸如山区)的事实，可以远程监控电力设施和树木(植被)的遥感技术正受到关注。作为遥感技术的代表性手段，使用人造卫星、飞行器、无人机等。作为确定植被和设施之间的接触的方法，正在进行利用光探测和测距(LiDAR)传感器通过三维测量进行的植被接触确定的研究和开发。
例如，在PTL 1中，公开了基于通过遥感技术拍摄的遥感图像分析植被的生长的系统。
引用列表
专利文献
PTL 1：日本专利公开号2016-123369
发明内容
技术问题
然而，在相关技术中存在这样的问题，当利用遥感数据分析设施和植被之间的接触时，需要执行利用遥感传感器(诸如LiDAR传感器)通过三维测量进行的植被接触确定，并且当拍摄范围变广或拍摄周期变频繁以进行精确确定时，其成本变得非常高。为了支持用户的操作的直观性和可视化，使设施和植被是三维的是必要的过程，并且因此在时间序列中需要大量异构地理信息也是成本增加的原因。
本发明鉴于上述观点提出了一种能够抑制成本增加并准确分析植被和设施相互接触的风险的植被管理系统和植被管理方法。
问题的解决方案
为了解决上述问题，在本发明中，提供了以下植被管理系统，该植被管理系统使用通过遥感拍摄待分析的设施和植被而获得的遥感数据来分析植被相对于设施的接触。该植被管理系统包括：数据获取单元，该数据获取单元获取输入数据，该输入数据至少包括遥感数据、设施的地理数据和与植被的生长相关的环境数据；植被分类单元，该植被分类单元对在遥感数据中拍摄的植被进行分类；广域生长预测单元，该广域生长预测单元预测在遥感数据中拍摄的植被的生长范围的时间序列变化；植被量模拟单元，该植被量模拟单元通过模拟来预测由植被分类单元分类的每个植被的生长量的波动；三维构建单元，该三维构建单元基于遥感数据和地理数据构建表达设施和植被的三维模型；以及风险确定单元，该风险确定单元基于通过广域生长预测单元、植被量模拟单元和三维构建单元获得的处理结果，确定指示设施和植被之间的接触可能性的接触风险。
为了解决以上的问题，在本发明中，提供了以下由植被管理系统执行的植被管理方法，该植被管理系统使用通过遥感拍摄待分析的设施和植被而获得的遥感数据来分析植被相对于设施的接触。该植被管理方法包括：获取输入数据的数据获取步骤，该输入数据至少包括遥感数据、设施的地理数据和与植被的生长相关的环境数据；对在遥感数据中拍摄的植被进行分类的植被分类步骤；预测在遥感数据中拍摄的植被的生长范围的时间序列变化的广域生长预测步骤；通过模拟来预测由植被分类单元分类的每个植被的生长量的波动的植被量模拟步骤；基于遥感数据和地理数据构建表达设施和植被的三维模型的三维构建步骤；以及基于在广域生长预测步骤、植被量模拟步骤和三维构建步骤中获得的处理结果确定指示设施和植被之间的接触可能性的接触风险的风险确定步骤。
本发明的有益效果
根据本发明，可以抑制成本增加并准确分析植被和设施相互接触的风险。
附图说明
图1是根据本发明的一个实施例的植被管理系统1的配置示例的框图。
图2是示出植被管理系统1的硬件配置示例的框图。
图3是示出植被管理系统1中的全部处理的处理过程的流程图。
图4是描述存储在数据库20中的数据图像的视图。
图5是示出植被分类处理的处理过程示例的流程图。
图6是描述植被分类图的一个示例的视图。
图7是示出广域生长预测处理的处理过程示例的流程图。
图8是描述预测广域植被生长的处理的图像的视图。
图9是示出植被量预测处理的处理过程示例的流程图。
图10是描述植被生长模拟的图像的视图。
图11是示出三维模型构建处理的处理过程示例的流程图。
图12是示出三维模型的一个示例的视图。
图13是示出风险确定处理的处理过程示例的流程图。
图14是示出风险确定模型的一个示例的视图。
图15是示出二维可视化处理的处理过程示例的流程图。
图16是描述二维可视化的图像的视图。
图17是示出三维可视化处理的处理过程示例的流程图。
图18是描述三维可视化的图像的视图。
图19是示出维护指令处理的处理过程示例的流程图。
图20是示出维护指令的显示输出示例的视图。
具体实施方式
参考附图，下文详细描述本发明的一个实施例。
图1是根据本发明的一个实施例的植被管理系统1的配置示例的框图。根据这个实施例的植被管理系统1是使用由用户指定的待分析区域(目标区域)的遥感数据来分析植被和电力设施之间的接触风险的系统。如图1所示，植被管理系统1是输入多条异构输入数据10(具体地，遥感图像数据10a、光谱库数据10b、地理信息数据10c、环境信息数据10d和管理信息数据10e)的系统。植被管理系统1包括数据获取单元11(分别地，遥感图像数据获取单元11a、地理信息数据获取单元11b、环境信息数据获取单元11c和管理信息数据获取单元11d)、数据库生成单元12、植被分类单元13、广域生长预测单元14、植被量模拟单元15、三维构建单元16、风险确定单元17、可视化单元18、维护指令单元19和数据库20。在以下描述中适当地描述每个单元的细节。在图1中，数据的移动和处理的转换通过方向性实线指示。然而，数据库20基本上可以从所有配置中访问，并且因此省略了箭头的指示。
描述配置输入数据10的各个数据。
遥感图像数据10a是通过遥感传感器观测地表获得的时间序列中的图像数据，具体地，是卫星照片或航空照片(例如由RapidEye、LANDSAT、Sentinel等获得)。作为遥感图像数据10a，例如可以使用时间序列中的低分辨率遥感图像和高分辨率遥感图像。然而，在这个实施例中，遥感图像数据10a的数据类型不限于以上内容，并且例如，可以使用相同遥感图像中的时间序列图像。在本说明书中，分辨率是高还是低不是基于绝对标准，而是基于相对比较。
光谱库数据10b是通过光学传感器(特别地，通过来自物体(本示例中是植被)的光而获得信息的无源传感器)观测植被而获得的光谱库的数据。无源传感器基本上具有与眼睛(肉眼)的结构和功能类似的结构和功能。详细地，在无源传感器中，诸如透镜的光学系统(相当于眼睛的晶状体)收集来自物体的光，在检测系统(相当于眼睛的视网膜)上形成图像，并获得光谱和空间信息(例如，颜色和形状)。特别地，关于光谱(颜色)，尽管眼睛仅捕捉可见光线，但是光学传感器可以检测从可见光线到红外线的宽的波长范围，并且因此可以获得不能由眼睛读取的许多有益信息，诸如矿物、岩石和植被的标识、地表温度、土地使用情况、海洋、湖泊和沼泽的水资源和浮游生物资源等。光学传感器还可以获得如上所述的有益信息作为跨广域的二维图像。
地理信息数据10c是从地理信息系统(GIS)提供的地理信息数据，并且包括与电力设施(配电线路、输电线路等)和植被相关的位置和形状(例如，多边形)的信息。地理信息数据10c是当在植被管理系统1中共享现场获取的数据和从卫星、飞行器等获取的数据时所必需的数据。
环境信息数据10d是与现场环境相关的数据，并且是例如与待分析区域中的土壤、生态圈、气温、天气等相关的数据。特定天气数据的示例包括AMeDAS的数据、中分辨率成像光谱仪(MODIS)的地表温度数据和气象局数据。
管理信息数据10e是由维护指令单元19指定维护指令的内容所需的数据，并且例如可以包括维护工作的历史(维护历史)、已执行维护工作的地点(维护地点)以及维护工作所需的人员和装备(人员/装备)。当在稍后描述的维护指令处理中指定维护指令内容时提及的办公室和装备存储的位置、关于人员和装备的信息等也包括在管理信息数据10e中。管理信息数据10e的提供者例如是电力公司，并且可以使用诸如操作维护备忘录、日志和历史的操作数据。
图2是示出植被管理系统1的硬件配置示例的框图。在图2中，示出了其中从遥感观测装置2提供的遥感图像数据10a输入到植被管理系统1的状态。
在图2中，遥感观测装置2是观测卫星、飞行器等，包括遥感传感器(LiDAR等)，并且其类型不受限制。遥感观测装置2定期提供遥感图像数据10a作为由遥感传感器获得的观测结果。植被管理系统1获取遥感图像数据10a作为输入数据10的一条。
植被管理系统1可以由具有运算功能的通用计算机系统(PC)实现，并且例如包括中央处理单元(CPU)1a、随机存取存储器(RAM)1b、存储装置1c等，如图2所示。例如，植被管理系统1的配置可以不同于图2中示出的配置，并且可以理解为包括诸如显示器的输出装置作为维护指令的输出目的地。
在植被管理系统1中，图1中示出的功能单元(数据获取单元11、数据库生成单元12、植被分类单元13、广域生长预测单元14、植被量模拟单元15、三维构建单元16、风险确定单元17、可视化单元18和维护指令单元19)各自执行运算处理，并且因此被实施为按作用划分的CPU 1a和RAM 1b的多个组合。这些功能单元中的每个可以通过访问存储装置1c来执行数据的读取/写入。图1中示出的植被管理系统1的数据库20由存储装置1c实施。具体地，例如，存储装置1c不仅可以包括内置在PC中的诸如硬盘驱动器(HDD)和固态驱动器(SSD)的存储介质，还可以包括诸如外部连接到PC的通用串行总线(USB)存储器的存储介质。诸如可以通过网络进行通信的连接到PC的数据库的存储装置也可以包括在存储装置1c的一个示例中。
图3是示出植被管理系统1中的全部处理的处理过程的流程图。在图3中示出的处理的开始之前，由用户在植被管理系统1中指定要分析的区域(目标区域)。
首先，在步骤S1中，输入数据10由数据获取单元11输入至植被管理系统1。在描述数据获取单元11的各个配置时，遥感图像数据获取单元11a获取遥感图像数据10a和光谱库数据10b，地理信息数据获取单元11b获取地理信息数据10c，环境信息数据获取单元11c获取环境信息数据10d，管理信息数据获取单元11d获取管理信息数据10e。由数据获取单元11在步骤S1中获取的输入数据10传输到数据库生成单元12。
在下一步骤S2中，数据库生成单元12将步骤S1中从数据获取单元11传输的输入数据10存储在数据库20中，执行预定的数据生成处理，并将经处理的数据存储在数据库20中。
数据生成处理主要是用于准备由稍后描述的每个单元执行处理所需的中间数据的处理。具体而言，执行如下处理。在数据生成处理中，首先，数据库生成单元12使用地理信息数据10c中包括的关于位置和形状的信息来对过去的时间序列中的遥感图像数据10a(例如，卫星图像)中由用户指定的目标区域进行掩蔽。数据库生成单元12通过组合通过从遥感图像数据10a中提取作为掩蔽部分的目标区域而获得的“遥感数据”和通过从地理信息数据10c中提取与目标区域相关的信息而获得的“地理数据”，来生成目标区域的“绘制数据”。数据库生成单元12还对光谱库数据10b和环境信息数据10d中的目标区域进行掩蔽，并生成通过提取与目标区域相关的信息而获得的“光谱库”和“环境数据”。数据库生成单元12还可以对管理信息数据10e中的目标区域进行掩蔽，并提取通过提取与目标区域相关的信息而获得的“管理数据”。然后，数据库生成单元12将所生成的遥感数据、地理数据、绘制数据、光谱库、环境数据和管理数据存储在数据库20中。
在下一步骤S3中，植被分类单元13基于在步骤S2中生成的遥感数据和地理数据(或通过组合遥感数据和地理数据获得的绘制数据)以及光谱库辨别植被的类型，生成“植被分类图”，其中所辨别的植被类型反映在绘制数据中，并将“植被分类图”存储在数据库20中(植被分类处理)。稍后参照图5等描述植被分类处理的细节。
在下一步骤S4中，广域生长预测单元14使用步骤S3中生成的植被分类图和数据库20中存储的过去的时间序列中的遥感数据来预测步骤S3中分类的植被的时间序列中的广域范围波动(广域植被生长)，并将预测结果存储在数据库20中(广域生长预测处理)。稍后参照图7等描述广域生长预测处理的细节。
在下一步骤S5中，植被量模拟单元15使用存储在数据库20中的植被分类图、环境数据和所分类的植被的生物生长模型(生长模型)针对每种植被模拟相应植被的植被量的波动，并将模拟结果存储在数据库20中(植被量预测处理)。植被的生长模型预先存储在数据库20中。稍后参照图9等描述植被量预测处理的细节。
在下一步骤S6中，三维构建单元16生成包括电力设施(配电线路、输电线路等)和植被的三维模型，并将所生成的三维模型存储在数据库20中(三维模型构建处理)。稍后参照图11等描述三维模型构建处理的细节。
在下一步骤S7中，风险确定单元17基于存储在数据库20中的由广域生长预测单元14获得的广域植被生长的预测结果、由植被量模拟单元15获得的植被量预测处理的预测结果等，在考虑广域范围内植被的时间序列波动以及植被和电力设施之间的位置关系的情况下，确定(计算)植被和电力设施之间的接触风险，并且将确定结果(风险确定结果)存储在数据库20中(风险确定处理)。稍后参照图13等描述风险确定处理的细节。
在下一步骤S8中，可视化单元18根据特定时间(或由用户指定的时间)的时间间隔基于存储在数据库20中的由广域生长预测单元14获得的广域植被生长的预测结果、由植被量模拟单元15获得的植被量预测处理的预测结果、由风险确定单元17获得的风险确定处理的确定结果等执行二维或三维可视化(可视化处理)。可视化处理被划分为二维可视化处理和三维可视化处理，并且稍后将参照图15至图18描述这些处理的细节。
在最后的步骤S9中，维护指令单元19基于由风险确定单元17获得的风险确定处理的确定结果和存储在数据库20中的管理信息数据10e(或管理数据)选择必要的维护工作，并通过输出选择结果向用户呈现维护指令(维护指令处理)。在由维护指令单元19进行的维护工作的选择中，例如，除了维护地点的标识之外，还执行人员派遣计划、车辆分配计划和装备的运输路线的指定等。稍后参照图19等描述维护指令处理的细节。
通过执行上述步骤S1至S9的处理，在植被管理系统1中，对于用户指定的目标区域，即使目标区域是广域的，也可以使用遥感数据以低成本准确分析电力设施和植被之间的接触风险，并且可以基于分析结果向用户给出准确的维护工作的指令。在植被管理系统1中，在上述一系列分析中输入或生成的各种数据(输入数据、中间数据和输出数据)被存储在数据库20中，并且因此这些数据可以用于当时的分析以及之后的分析或用于不同的分析。
图4是描述存储在数据库20中的数据图像的视图。在图4中，作为用作中间数据的一个示例数据，可视地示出了遥感数据201、光谱库202、地理数据203、环境数据204和管理数据205的图像。
如上文在步骤S2中所述，遥感数据201是通过由数据库生成单元12提取目标区域而获得的时间序列中的遥感图像数据10a的一个示例。类似地，光谱库202是通过提取与目标区域相关的信息获得的光谱库数据10b的一个示例，地理数据203是通过提取与目标区域相关的信息获得的地理信息数据10c的一个示例，环境数据204是通过提取与目标区域相关的信息获得的环境信息数据10d的一个示例，以及管理数据205是通过提取与目标区域相关的信息获得的管理信息数据10e的一个示例。然而，在图4中，为了简单起见，省略了每条信息内容的详细说明。
图5是示出植被分类处理的处理过程示例的流程图。如上所述，植被分类处理等同于图3中的步骤S3的处理，并且由植被分类单元13执行。
根据图5，首先，植被分类单元13获取通过由数据库生成单元12在图3的步骤S2中组合遥感数据和地理数据而生成的目标区域的绘制数据(步骤S11)。然后，植被分类单元13获取在图3的步骤S2中生成的光谱库(步骤S12)。
在步骤S11和步骤S12中，植被分类单元13可以直接从数据库生成单元12获取目标数据、或者可以获取存储在数据库20中的目标数据。这是因为，在根据本实施例的植被管理系统1中，包括中间数据的所有数据基本上存储在数据库20中。类似地，在由稍后描述的其它功能单元进行的处理中，可以从用作生成器的功能单元获取期望的数据，或者可以从数据库20获取期望的数据。
然后，植被分类单元13使用在步骤S11至S12中获取的绘制数据和光谱库来辨别绘制数据(换言之，绘制范围内的遥感图像数据10a)中的植被的类型(步骤S13)。作为辨别植被的类型的“植被分类”的具体方法，例如，可以使用机器学习的方法。在这种情况下，植被分类单元13可以通过学习光谱库而根据植被的光谱特征量来估计植被的类型。植被分类的方法不限于以上描述的示例，并且可以使用其它公知的方法。
然后，植被分类单元13通过记录在步骤S13中分类的每种植被类型的地理数据生成植被分类图，并将植被分类图提供给数据库20(步骤S14)。
可以针对时间序列中的过去的绘制数据重复执行步骤S11至S14的处理。因此，植被分类单元13可以生成时间序列中的过去的植被分类图。
图6是描述植被分类图的一个示例的视图。在图6(A)中，预分类图图像211被示为在执行图5中的步骤S13中的植被分类之前的绘制数据的一个示例。在图6(B)中，植被分类图图像212被示为在图5的步骤S14中生成的植被分类之后的绘制数据(植被分类图)的一个示例。如图6(A)所示，预分类图图像211是正常的卫星图像。同时，图6(B)中示出的植被分类图图像212由通过植被分类对每种类型的植被的预分类图图像211进行着色而获得的绘制图像生成。在植被分类图图像212中，在植被分类之前，还可以对绘制数据中包括的地理信息执行范围和形状的颜色编码。
图7是示出广域生长预测处理的处理过程示例的流程图。如上所述，广域生长预测处理等效于图3中的步骤S4的处理，并且由广域生长预测单元14执行。
根据图7，首先，广域生长预测单元14获取存储在数据库20中的过去的时间序列中的遥感数据(本示例中为卫星图像)(步骤S21)。在步骤S21中获取的遥感数据是通过从过去的时间序列中的遥感图像数据10a(卫星图像)中提取目标区域而获得的卫星图像。
然后，广域生长预测单元14获取在图5中的植被分类处理中生成的时间序列中的过去的植被分类图(步骤S22)。
然后，广域生长预测单元14基于在步骤S21、S22中获取的数据，针对在植被分类处理中分类的植被预测广域范围内的植被生长(广域植被生长)的时间序列波动(步骤S23)。广域植被生长的预测方法的示例例如包括使用递归神经网络(RNN)来预测时间序列波动的方法，但是可以使用除了该方法之外的其它方法。然后，广域生长预测单元14将广域植被生长的预测结果存储在数据库20中。
图8是描述预测广域植被生长的处理的图像的视图。在图8中，示出了在过去的时间t1、t2和未来的时间t3中的每个时间的二维图220，并且在二维图220中的每个中示出了植被范围221作为广域植被范围的图像。从每个时间的遥感数据(例如，卫星图像)和植被分类图获得过去的时间t1、t2的植被范围221，并且从过去的时间t1、t2的植被范围221的时间序列波动预测未来的时间t3的植被范围221。在图8的情况下，预测到植被范围221从过去的时间t1、t2扩展到未来的时间t3。
图9是示出植被量预测处理的处理过程示例的流程图。如上所述，植被量预测处理等同于图3中的步骤S5的处理，并且由植被量模拟单元15执行。在植被量预测处理中模拟的植被量例如具体包括树冠的大小、叶子的重量、树干的长度、树枝的数量和生物量。
根据图9，首先，植被量模拟单元15通过图5中的植被分类处理获取植被分类的结果(植被分类图)(步骤S31)。
然后，植被量模拟单元15针对在步骤S31中获取的植被分类图上示出的植被，从数据库20中获取相应植被的生长模型(步骤S32)。对于每种植被，植被的生长模型预先存储在数据库20中。
对植被的生长模型给出了补充描述。在林业和农业领域，已经进行了关于植物生长模型的研究。在许多研究中，以下描述的(1)到(4)被指出是影响树木生长的因素。
(1)环境因素。具体而言，示例包括光(例如，在具有强光的方向上生长的向日性)、风的情况、纬度/经度、温度、地质条件、水、区域和位置。例如，即使树种相同，寒冷地区和温暖地区生长速度也不同。
(2)遗传因素。作为遗传因素，主要存在由于树种导致的生长的不同。例如，根据树种存在各种分枝模式(二叉分枝、合轴分枝和单轴分枝)，并且即使树种相同，也存在形成称为长分枝和短分枝的两种类型的分枝的树。设想长分枝具有朝向新空间生长的伸展定向，而短分枝具有增加当前位置接收的光的叶面积扩展定向。
(3)相邻个体的影响。上述环境因素和遗传因素影响每个个体的生长程度。然而，当多个树聚集在一起时，树之间的相互作用也影响生长。因此，在构建生长模型时，相邻个体的情况也是需要考虑的因素。
(4)时间因素。具体来说，示例包括季节和树龄。存在影响树木生长的各种因素。例如，树在一年中有生长活跃的时段和生长不活跃的时段，并且生长速度和树高根据树龄而不同。
通过计算机模拟对树木生长进行建模的研究是在考虑上述各种因素的情况下进行的。
例如，关于分枝模型，存在这样一些分枝模型，其相对于母分枝的轴生成具有Y状形状(日语片假名中的倒置“to”形)伸展定向的小分枝，并在母分枝的最大倾斜平面上生成具有Y形叶面积扩展定向的小分枝。关于光环境模型，存在这样的模型，其近似由称为叶球的球在分枝的尖端上形成枝叶。通过光环境模型，可以计算由叶球获得的光接收和其中光平均到达最多的方向(光矢量)，并且通过在光接收矢量的定向上旋转分枝的尖端可以实现向日性。
关于树龄和树高之间的关系，广泛使用指数模型。在指数模型中，树高H可以由下面的表达式1表示，例如，使用树龄t和取决于树的类型和大小的系数k。
[数学式1]
H＝Hm(1-kt)···(表达式1)
其中，Hm表示表达式1中的最大树高。
树高H可以由通过扩展表达式1获得的以下表达式2表示。
[数学式2]
H＝a-b×ct···(表达式2)
其中，a、b和c表示表达式2中的常数。
还执行了通过以下表达式3中表示的Mitscherlich等式进行的关于森林的生长预测的研究。
[数学式3]
dY/dN＝ε(Ymax-Y)···(表达式3)
其中，Y表示发育量(生长程度)，N表示给定的营养量，ε表示Mitscherlich的影响因子(常数)，以及Ymax表示表达式3中的假定最大发育量(常数)。
上文已详细描述了几种植被生长模型，但可用于根据本实施例的植被量预测处理的生长模型不限于上述模型。
描述返回到图9的描述。植被量模拟单元15从数据库20获取与在步骤S32中获取的生长模型相对应的环境数据(步骤S33)，并使用生长模型执行植被生长的模拟(步骤S34)。
图10是描述植被生长模拟图像的视图。在图10中，示出了表示在过去的时间t1、t2和未来的时间t3中的每个时间的树冠的生长图像的树冠231。图10中示出的时间t1到t3对应于图8中示出的时间t1到t3。植被量模拟单元15执行树冠的植被生长模拟。因此，如图10所示，可以预测在时间t1到t3中的每个时间的树冠231的大小的波动。
在图10中，给出了树冠的大小的波动的预测作为植被生长模拟的一个示例，但可以设想在图9中的步骤S34中的植被生长模拟中对其它植被量进行类似模拟。
描述返回到图9的描述。在步骤S34中执行植被生长模拟之后，植被量模拟单元15以时间序列方式生成植被量的波动曲线(时间序列植被量)作为模拟结果，并将波动曲线存储在数据库20中(步骤S35)。
图11是示出三维模型构建处理的处理过程示例的流程图。如上所述，三维模型构建处理等同于图3中的步骤S6的处理，并且由三维构建单元16执行。
根据图11，首先，三维构建单元16获取在指定时间拍摄的多条遥感数据(步骤S41)。例如，指定时间仅需要是上述的时间t1或时间t2。多条遥感数据是从生成三维模型所需的多个视点拍摄的遥感数据，并且拍摄实体可以是相同类型的遥感传感器或不同类型的遥感传感器。
然后，三维构建单元16使用在步骤S41中获取的遥感数据执行三维重建，并在指定时间生成目标区域的三维模型(步骤S42)。然后，三维构建单元16将所生成的三维模型存储在数据库20中。
步骤S42中在指定时间生成指定对象(目标区域)的三维模型的方法的示例包括根据由安装在无人机(遥感观测装置2的一个示例)上的LiDAR(遥感传感器的一个示例)拍摄的电力设施和植被的拍摄数据(LiDAR数据)进行三维重建的方法。作为三维重建，各种方法是公知的。例如，除了上述方法之外，还可以使用多个图像通过运动恢复结构(SFM)来生成三维模型。
图12示出三维模型的一个示例。根据图12中例示的三维模型240，示出了在目标区域中电力设施(在本示例中为输电线241)存在于植被242附近。
图13是示出风险确定处理的处理过程示例的流程图。如上所述，风险确定处理等同于图3中的步骤S7的处理，并且由风险确定单元17执行。在图13中，步骤S51至S53的一系列处理和步骤S54至S56的一系列处理的执行顺序可以改变或者可以彼此并行执行。
首先，描述图13中步骤S51至S53的处理。
在步骤S51中，风险确定单元17获取与电力设施相关的地理数据和在图5中的植被分类处理中生成的植被分类图，并将地理数据和植被分类图输入到风险确定单元17中。例如，与电力设施相关的地理数据只需要是包括目标区域中的配电线路或输电线路的地理信息的数据，并且可以替换为具有关于电力设施的位置和形状的信息的其它数据。然后，在步骤S52中，风险确定单元17获取通过图7中的广域生长预测处理获得的广域植被生长的预测结果，并将该预测结果输入到风险确定单元17中。
然后，在步骤S53中，风险确定单元17例如基于在步骤S51、S52中输入的数据，将广域植被生长的预测结果绘制到具有关于电力设施的信息的遥感数据(二维绘制数据)上，从而计算在指定特定时间(例如，时间t3)特定植被分布的范围。然后，风险确定单元17将计算结果(特定时间的广域植被分布)存储在数据库20中。
然后，描述图13中步骤S54至S56的处理。
在步骤S54中，风险确定单元17获取图11中的三维模型构建处理中生成的电力设施和植被的三维模型，并将三维模型输入到风险确定单元17中。然后，在步骤S55中，风险确定单元17获取图9中的植被量预测处理中生成的植被量(时间序列植被量)的模拟结果，并将模拟结果输入到风险确定单元17中。
然后，在步骤S56中，风险确定单元17基于步骤S54、S55中输入的数据，估计目标区域中在指定特定时间(例如，时间t3)的三维模型中的植被量如何变化，并将估计结果(特定时间的植被量估计三维模型)存储在数据库20中。
在上述步骤S51至S53和步骤S54至S56的处理结束后，在步骤S57中，风险确定单元17构建用于确定与电力设施(例如，输电线路或配电线路)的接触风险的模型(风险确定模型)。具体而言，例如，风险确定单元17构建用于“广域判断”的风险确定模型，其使用在步骤S53中计算的特定时间的广域植被分布确定广域范围内电力设施和植被之间的接触风险，并且构建用于“详细判断”的风险确定模型，其使用在步骤S56中估计的特定时间的植被量三维估计模型确定电力设施和植被之间的详细接触风险。作为风险确定模型的模型构建方法，可以采用各种方法。在稍后描述的图14中，示出了风险确定模型的图像示例。
然后，在步骤S58中，风险确定单元17使用在步骤S57中构建的风险确定模型计算特定时间的植被和电力设施之间的接触风险，并将确定结果(风险确定结果)存储在数据库20中。在步骤S58中，首先，风险确定单元17使用用于广域判断的风险确定模型在广域范围内执行接触风险确定，并且使用用于详细判断的风险确定模型对其中通过确定估计植被和电力设施彼此接触的可能性高的地点(风险点)执行更详细的接触风险确定(参见图14)。如上所述，通过采用广域判断和详细判断的估计结果，风险确定单元17可以以高精度确定(计算)植被和电力设施之间的接触风险。
图14是示出风险确定模型的一个示例的视图。图14(A)中示出了用于广域判断的风险确定模型250，图14(B)中示出了用于详细判断的风险确定模型260。
图14(A)中用于广域判断的风险确定模型250基于在步骤S53中计算的特定时间的广域植被分布构建，并且具体地具有基于广域植被生长的预测结果的植被范围251(参见图8)以及基于包括在遥感数据(绘制数据)中的电力设施的地理信息的输电线路252。在广域判断的接触风险确定时，风险确定单元17使用以上描述的风险确定模型250估计植被和电力设施彼此接触的可能性高的地点(风险点253)。
图14(B)中的用于详细判断的风险确定模型260基于在步骤S56中计算的特定时间的植被量估计三维模型构建，并且具体地具有电力设施261和基于通过所估计的三维模型中包括的植被生长模拟获得的时间序列植被量的植被262。在图14(B)中，作为基于时间序列植被量的植被262，反映了树冠的模拟结果(参见图10)。然而，其它元素(例如，树的高度、风速和倒伏(lodging))可以反映在风险确定模型260中。风险确定单元17使用与其中在执行详细判断的接触风险确定时通过广域判断估计接触风险高的风险点253的地点对应的风险确定模型260详细估计在风险点253中植被和电力设施可能彼此接触的情况。例如，在图14(B)的情况下，可以估计存在由于植被的倒伏导致的与电线杆接触的可能性，或者由于风影响导致的与配电线路接触的可能性。接触风险确定的确定方法不限于上述示例，并且可以使用其它公知的方法。
图15是示出二维可视化处理的处理过程示例的流程图。如上所述，二维可视化处理是图3中的步骤S8的可视化处理中的一个，并且主要由可视化单元18执行。然而，如下文通过对每条处理的描述，可视化单元18不必要执行所有的处理，并且可以适当地使用其它功能单元进行处理。这同样适用于图17中描述的三维可视化处理。
根据图15，首先，可视化单元18从数据库20获取包括电力设施的地理信息的绘制数据、植被分类图和广域植被生长预测结果，并将绘制数据、植被分类图和预测结果输入到可视化单元18中(步骤S61)。
然后，可视化单元18使用在步骤S61中获取的广域植被生长的预测结果生成指定时间(或指定时间间隔内)的广域植被分布(步骤S62)。
然后，可视化单元18执行基于在步骤S62中生成的广域植被分布在指定时间(或指定时间间隔内)估计目标区域中植被和电力设施之间的接触风险的接触风险确定，并生成风险确定结果(步骤S63)。在步骤S61至S63的处理中，可以使风险确定单元17在给定指定时间之后执行在特定时间的广域植被分布的计算和广域判断的接触风险确定，并且可视化单元18可以获取确定结果。
最后，可视化单元18将步骤S63中获得的风险确定结果显示在表示指定时间的目标区域的二维图上(步骤S64)。更具体地，例如，在二维图上显示接触情况和其中植被和电力设施可能在指定时间彼此接触的接触点(风险点)的突出显示。当由用户指定时间间隔作为指定时间时，通过动态图像显示其中接触情况和风险点在指定时间间隔内随着时间的流逝而波动的状态。
图16是描述二维可视化图像的视图。在图16中，例示了当由用户指定的特定时间(指定时间)是时间t1、t2、t3时由二维可视化处理显示的每个时间的二维图270。在每个二维图270中，在每个指定时间表示植被范围271和输电线路272(电力设施的一个示例)。以上，在时间t3，通过显示风险点273以容易理解的方式指示接触情况和接触地点，作为其中由接触风险确定判定存在植被范围271和输电线路272彼此接触的可能性的情况的示例。当由用户指定从t1到t3的时间间隔时，仅需要显示指示在指定时间间隔(时间分辨率)内接触情况和风险点的波动的动态图像。
通过执行如上的二维可视化处理，可视化单元18可以以易于理解的方式向用户显示指定时间的广域判断的接触风险确定的确定结果。
图17是示出三维可视化处理的处理过程示例的流程图。如上所述，三维可视化处理是图3中的步骤S8的可视化处理中的一个，并且主要由可视化单元18执行。
根据图15，首先可视化单元18从数据库20中获取电力设施和植被的三维模型，并且将三维模型输入到可视化单元18中(步骤S71)。
然后，可视化单元18使用作为由植被量预测处理得到的植被量的模拟结果的时间序列植被量估计指定时间(或在指定时间间隔内)的目标区域中在步骤S71中获取的三维模型中植被量如何变化(步骤S72)。通过步骤S72中的处理，生成特定时间的植被量估计三维模型。
然后，可视化单元18执行基于步骤S72中生成的三维模型估计指定时间(或指定时间间隔内)的植被和电力设施之间的接触风险的接触风险确定，并生成风险确定结果(步骤S73)。在步骤S71至S63的处理中，可以使风险确定单元17在给定指定时间之后执行特定时间的植被量估计三维模型的估计和详细判断的接触风险确定，并且可视化单元18可以获取确定结果。
最后，可视化单元18通过表示指定时间的目标区域的三维模型显示在步骤S73中获得的风险确定结果(步骤S74)。更具体地，例如，在三维模型上显示接触情况和其中植被和电力设施可能在指定时间彼此接触的接触点(风险点)的突出显示。当由用户指定时间间隔作为指定时间时，通过动态图像显示接触情况和风险点在指定时间间隔内随着时间的流逝而波动的状态。
图18是描述三维可视化图像的视图。在图18中，当由用户指定的特定时间(指定时间)是时间t1、t2、t3时，由三维可视化处理显示的每个时间的三维模型280被一起例示。具体而言，在三维模型280中，树冠281被表示为每个指定时间的植被的模拟结果的一个示例，并且输电线282和电线杆283被表示为电力设施的一个示例。以上，在时间t3，风险点284被显示为其中通过接触风险确定判定存在树冠281和输电线282彼此接触的可能性的情况的示例。因此，以容易理解的方式指示接触情况和接触地点。当由用户指定从t1到t3的时间间隔时，仅需要显示指示在指定时间间隔(时间分辨率)内接触情况和风险点的波动的动态图像。
通过执行如上的三维可视化处理，可视化单元18可以向用户以易于理解的方式显示指定时间的详细判断的接触风险确定的确定结果。作为本实施例中的衍生示例，也可以通过图17中的三维可视化处理而不是通过图15中的二维可视化处理来执行指定时间的广域判断的接触风险确定的确定结果的显示。然而，当处理三维模型时，与处理二维图的情况相比，处理负荷增加。因此，分析成本增加。
图19是示出维护指令处理的处理过程示例的流程图。如上所述，维护指令处理等同于图3中的步骤S9的处理，并且由维护指令单元19执行。
根据图19，首先，维护指令单元19从数据库20获取遥感数据，并将遥感数据输入到维护指令单元19中(步骤S81)。在步骤S81中获取的遥感数据的示例可以包括卫星图像、无人机图像和车载相机图像，但是遥感数据可以是其它数据。
然后，维护指令单元19使用在步骤S81中获取的遥感数据检查接触风险确定的确定结果(步骤S82、S83)。
具体地，在步骤S82中，维护指令单元19检查广域接触风险。具体地，维护指令单元19检查通过风险确定处理(参见图13)中的广域判断的接触风险确定计算的广域风险点(例如，图14(A)中的风险点253)以及通过二维可视化处理(参见图15)可视化的广域风险情况(例如，在图16中时间t3的风险点273周围的地点的情况)，并选择其中预测电力设施和植被之间的广域接触风险的感兴趣区域。仅需要基于风险值的量化使用阈值来选择感兴趣区域，但是可以使用除了该方法之外的方法。
然后，在步骤S83中，维护指令单元19检查在步骤S82中选择的感兴趣区域的详细接触风险。具体地，维护指令单元19检查在风险确定处理(参见图13)中的详细判断的接触风险确定中计算的详细风险点(例如，由于图14(B)中的倒伏导致的相对于电线杆的接触点)以及通过三维可视化处理(参见图17)可视化的详细风险情况(例如，在图18中时间t3的风险点284周围的地点的情况)，并标识其中预测电力设施和植被之间的接触风险的详细区域。详细区域的标识仅需要基于风险值的量化使用阈值来执行指定，但是可以使用除了该方法之外的方法。
然后，在步骤S82、S83的处理之后，维护指令单元19基于步骤S82、S83中检查的风险确定结果和步骤S83中标识的详细区域，从数据库20中获取与风险确定结果和详细区域对应的管理数据，并指定所需的维护工作的指令内容(步骤S84)。在步骤S84中指定的维护工作的指令内容中，可以包括例如维护地点的标识、车辆分配的优化、员工的出差计划以及装备的运输。指定维护工作的指令内容的方法不限于特定方法，而是例如仅需要列出所标识的风险地点(详细区域)，并根据来自列表的登记内容的维护工作来优化人员派遣和装备运输的路线和时间。在步骤S84中，维护指令单元19将维护工作的指定的指令内容输出到预定的输出装置(例如，液晶显示器或打印机)。维护工作指令的具体图像例示在图20中。
图20是示出维护指令的显示输出示例的视图。图20中示出的维护指令屏幕290是图19中的步骤S84中输出的维护工作的指令内容的输出示例，并且是显示在植被管理系统1的显示装置(未示出)上的显示屏幕。
在图20中的维护指令屏幕290中，指示了办公室、两个设备存储处(设备存储处1和2)和四个风险地点(风险地点1至4)。当指定维护工作的指令内容时，维护指令单元19通过使用办公室和设备存储处相对于每个风险地点的位置作为参考来搜索人员派遣和装备运输的最佳路线(图19中的步骤S84)。维护指令单元19通过执行考虑行进时间和维护工作时间的计算来估计每个风险地点的维护时间，并将维护时间与用于路线和时间的指示一起显示在维护指令屏幕290上。具体地，在图20中的维护指令屏幕290的情况下，行进到每个风险地点并执行维护工作的计划预计在4月12日或4月13日执行，并且方向线指示了人员派遣和装备运输的路线。如上的维护工作的指令内容根据风险地点的数量和位置、办公室和存储处的位置等的不同而不同。
在维护工作的指令内容的输出中，可以使用二维可视化处理或三维可视化处理的处理结果执行风险点和每个风险点的接触情况的可视化显示。
如参考以上各图所述，依据根据本实施例的植被管理系统1，植被的类型的辨别(植被分类)、广域范围内植被的生长预测(广域植被生长预测)、通过生长模拟对每种植被的植被生长的时间序列波动的预测(时间序列植被量预测)、植被和设施的三维模型的生成(三维模型构建)等可以通过利用其中可以远程拍摄广域的遥感数据来执行，并且可以基于这些执行结果来确定植被和设施(例如，电力设施)彼此接触的风险。因此，即使当设施安装在人们难以进入的地点(诸如山区)时，也可以以低成本准确地获得实现对广域范围的接触风险的分析的效果。特别地，当生成植被量的三维模型时，与使用其中实际拍摄植被的遥感数据生成三维模型的情况相比，通过执行生长模拟来执行预测可以预期显著的抑制成本的效果。
依据根据本实施例的植被管理系统1，在确定植被和设施之间的接触风险时，在通过广域判断标识风险点之后，对广域风险点进行详细判断。因此，可以对其中存在接触风险的地点及其接触状况进行更准确的估计。广域判断可以通过使用成本相对较低的二维模型(二维图)而不使用成本相对较高的三维模型来抑制整体成本。
依据根据本实施例的植被管理系统1，通过广域判断和详细判断获得的接触风险的确定结果可以以二维或三维方式可视化。因此，可以以容易的方式直观地判断具有接触风险的地点的接触情况。
依据根据本实施例的植被管理系统1，可以基于通过广域判断和详细判断获得的接触风险的确定结果来指定所需要的维护工作的工作内容，并且可以输出维护工作的指令。因此，可以以低成本实现维护工作的准确指令。当指定了维护工作的工作内容时，收集与多个风险地点相关的信息，并执行综合判断。因此，可以优化用于引入人员和装备的路线，并且可以实现维护工作的更有效的指令。
本发明不限于以上描述的示例，并且包括各种修改。例如，以上描述的示例详细描述了本发明，以便以容易理解的方式描述本发明，并且不必限于包括全部所描述的配置。一个示例的配置的一部分可以被另一示例的配置替换。一个示例的配置可以添加到另一示例的配置。在示例的配置的一部分中，可以执行另一配置的添加、删除、替换。
在以上描述的配置、功能、处理单元、处理装置等中的每个中，以上内容的一些或全部可以例如由硬件通过使用集成电路设计以上内容实现。以上描述的配置、功能等中的每个可以由软件通过由处理器解释和执行用于实现功能中的每个的程序来实现。用于实现功能中的每个的诸如程序、列表、文件等的信息可以被放置在诸如存储器、硬盘驱动器和固态驱动器(SSD)的记录装置或诸如集成电路(IC)卡、SD卡和数字多功能盘(DVD)的记录介质中。
在附图中，示出了在描述方面被认为是必要的控制线路和信息线路，并且在产品方面并非所有控制线路和信息线路必须示出。实际上，可以设想几乎所有的配置是互连的。
附图标记列表
1 植被管理系统
1aCPU
1bRAM
1c存储装置
2 遥感观测装置
10 输入数据
10a 遥感图像数据
10b 光谱库数据
10c 地理信息数据
10d 环境信息数据
10e 管理信息数据
11 数据获取单元
11a 遥感图像数据获取单元
11b 地理信息数据获取单元
11c 环境信息数据获取单元
11d 管理信息数据获取单元
12 数据库生成单元
13 植被分类单元
14 广域生长预测单元
15 植被量模拟单元
16 三维构建单元
17 风险确定单元
18 可视化单元
19 维护指令单元
20 数据库
201 遥感数据
202 光谱库
203 地理数据
204 环境数据
205 管理数据
211 预分类图图像
212 植被分类图图像
220、270二维图
221、251、271植被范围
231、281树冠
240、280三维模型
241、252、272、282输电线路
242、262 植被
250、260 风险确定模型
253、273、284风险点
261 电力设施
283 电线杆
290 维护指令屏幕

Claims (14)

1.一种植被管理系统，所述植被管理系统使用通过遥感拍摄待分析的设施和植被而获得的遥感数据分析所述植被相对于所述设施的接触，所述植被管理系统包括：
数据获取单元，所述数据获取单元获取输入数据，所述输入数据至少包括所述遥感数据、所述设施的地理数据和与所述植被的生长相关的环境数据；
植被分类单元，所述植被分类单元对在所述遥感数据中拍摄的所述植被进行分类；
广域生长预测单元，所述广域生长预测单元预测在所述遥感数据中拍摄的所述植被的生长范围的时间序列变化；
植被量模拟单元，所述植被量模拟单元通过模拟来预测由所述植被分类单元分类的每个植被的生长量的波动；
三维构建单元，所述三维构建单元基于所述遥感数据和所述地理数据构建表达所述设施和所述植被的三维模型；以及
风险确定单元，所述风险确定单元基于由所述广域生长预测单元、所述植被量模拟单元和所述三维构建单元获得的处理结果，确定指示所述设施和所述植被之间的接触可能性的接触风险。
2.根据权利要求1所述的植被管理系统，还包括：
可视化单元，所述可视化单元生成可视化模型，所述可视化模型可视化所述设施和所述植被之间的位置关系和接触风险；以及
维护指令单元，所述维护指令单元基于由所述风险确定单元获得的所述接触风险的确定结果和由所述可视化单元生成的所述可视化模型来指定消除所述接触风险所需的维护工作，并输出所指定的维护工作的内容。
3.根据权利要求1所述的植被管理系统，其中，所述风险确定单元逐步执行：
广域判断，所述广域判断使用由所述广域生长预测单元获得的所述植被的生长范围的时间序列变化的预测结果估计相对广域范围中的所述设施和所述植被之间的接触风险；以及
详细判断，所述详细判断使用由所述植被量模拟单元获得的每个植被的生长量的波动的预测结果估计在其中所述广域判断中被估计存在所述接触风险的地点中所述设施和所述植被之间的接触风险。
4.根据权利要求3所述的植被管理系统，其中，所述广域判断使用二维风险确定模型，在所述二维风险确定模型中，由所述广域生长预测单元获得的所述植被的生长范围的时间序列变化的预测结果反映在通过将所述设施的地理数据导入到所述遥感数据中而获得的二维图中。
5.根据权利要求3所述的植被管理系统，其中，所述详细判断使用三维风险确定模型，在所述三维风险确定模型中，由所述植被量模拟单元获得的每个植被的生长量的波动的预测结果反映在由所述三维构建单元构建的所述三维模型中。
6.根据权利要求1所述的植被管理系统，其中，所述植被量模拟单元使用所述环境数据、预先保存的每个植被的生长模型以及由所述植被分类单元获得的所述植被的分类结果模拟每个植被的生长量的波动。
7.根据权利要求2所述的植被管理系统，还包括数据库，所述数据库在其中存储在所述植被管理系统中输入或生成的各种输入数据、中间数据和输出数据。
8.一种由植被管理系统执行的植被管理方法，所述植被管理系统使用通过遥感拍摄待分析的设施和植被而获得的遥感数据分析所述植被相对于所述设施的接触，所述植被管理方法包括：
获取输入数据的数据获取步骤，所述输入数据至少包括所述遥感数据、所述设施的地理数据和与所述植被的生长相关的环境数据；
对在所述遥感数据中拍摄的所述植被进行分类的植被分类步骤；
预测在所述遥感数据中拍摄的所述植被的生长范围的时间序列变化的广域生长预测步骤；
通过模拟来预测由所述植被分类单元分类的每个植被的生长量的波动的植被量模拟步骤；
基于所述遥感数据和所述地理数据构建表达所述设施和所述植被的三维模型的三维构建步骤；以及
基于在所述广域生长预测步骤、所述植被量模拟步骤和所述三维构建步骤中获得的处理结果确定指示所述设施和所述植被之间的接触可能性的接触风险的风险确定步骤。
9.根据权利要求8所述的植被管理方法，还包括：
生成可视化模型的可视化步骤，所述可视化模型可视化所述设施和所述植被之间的位置关系和接触风险；以及
基于在所述风险确定步骤中获得的所述接触风险的确定结果和在所述可视化步骤中生成的所述可视化模型来指定消除所述接触风险所需的维护工作，并输出所指定的维护工作的内容的维护指令步骤。
10.根据权利要求8所述的植被管理方法，其中，所述风险确定步骤包括逐步执行：
广域判断，所述广域判断使用在所述广域生长预测步骤中获得的所述植被的生长范围的时间序列变化的预测结果估计相对广域范围中的所述设施和所述植被之间的接触风险；以及
详细判断，所述详细判断使用在所述植被量模拟步骤中获得的每个植被的生长量的波动的预测结果估计在其中所述广域判断中被估计存在所述接触风险的地点中所述设施和所述植被之间的接触风险。
11.根据权利要求10所述的植被管理方法，其中，所述广域判断使用二维风险确定模型，在所述二维风险确定模型中，在所述广域生长预测步骤中获得的所述植被的生长范围的时间序列变化的预测结果反映在通过将所述设施的地理数据导入到所述遥感数据中而获得的二维图中。
12.根据权利要求10所述的植被管理方法，其中，所述详细判断使用三维风险确定模型，在所述三维风险确定模型中，在所述植被量模拟步骤中获得的每个植被的生长量的波动的预测结果反映在所述三维构建步骤中构建的所述三维模型中。
13.根据权利要求8所述的植被管理方法，其中，所述植被量模拟步骤使用所述环境数据、预先保存的每个植被的生长模型以及在所述植被分类步骤中获得的所述植被的分类结果模拟每个植被的生长量的波动。
14.根据权利要求9所述的植被管理方法，还包括将在所述植被管理系统中输入或生成的各种输入数据、中间数据和输出数据存储在所述植被管理系统的数据库中的存储步骤。
CN202180048175.8A 2020-07-06 2021-06-29 植被管理系统和植被管理方法 Pending CN116018602A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020116326A JP2022014139A (ja) 2020-07-06 2020-07-06 植生管理システム及び植生管理方法
JP2020-116326 2020-07-06
PCT/JP2021/024597 WO2022009739A1 (ja) 2020-07-06 2021-06-29 植生管理システム及び植生管理方法

Publications (1)

Publication Number Publication Date
CN116018602A true CN116018602A (zh) 2023-04-25

Family

ID=79553092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180048175.8A Pending CN116018602A (zh) 2020-07-06 2021-06-29 植被管理系统和植被管理方法

Country Status (7)

Country Link
US (1) US20230274197A1 (zh)
EP (1) EP4177803A4 (zh)
JP (1) JP2022014139A (zh)
CN (1) CN116018602A (zh)
AU (1) AU2021306034A1 (zh)
CA (1) CA3187862A1 (zh)
WO (1) WO2022009739A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117741077A (zh) * 2023-11-18 2024-03-22 西藏自治区农牧科学院水产科学研究所 一种基于水生植物收割的水生态环境保护的方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220148305A1 (en) * 2020-09-17 2022-05-12 Edward R. Adams Geospatial vegetation correlation system and method
KR102568657B1 (ko) * 2022-06-14 2023-08-22 충남대학교산학협력단 개체목의 생리 활력도 평가 방법 및 장치
WO2024002930A1 (en) * 2022-06-29 2024-01-04 Hitachi Energy Ltd Vegetation management system and vegetation management method
CN117014584B (zh) * 2023-09-28 2023-12-29 中国科学院空天信息创新研究院 植被遥感产品获取系统及方法
CN118097069B (zh) * 2024-04-29 2024-07-09 中铁四局集团有限公司 山区地形网格模型的植被过滤方法、装置及计算机设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5332949B2 (ja) * 2009-06-26 2013-11-06 東京電力株式会社 送電線下地物の除去地物選定装置
US8352410B2 (en) * 2009-12-17 2013-01-08 Utility Risk Management Corporation, Llc Method and system for estimating vegetation growth relative to an object of interest
JP5673823B2 (ja) * 2011-06-29 2015-02-18 富士通株式会社 植物種識別装置、方法およびプログラム
GB2530104A (en) * 2014-09-15 2016-03-16 Point4Uk Ltd Vegetation catergorisation
JP6285875B2 (ja) 2015-01-06 2018-02-28 株式会社日立製作所 植物成長分析システム、及び植物成長分析方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117741077A (zh) * 2023-11-18 2024-03-22 西藏自治区农牧科学院水产科学研究所 一种基于水生植物收割的水生态环境保护的方法

Also Published As

Publication number Publication date
CA3187862A1 (en) 2022-01-13
EP4177803A4 (en) 2024-08-07
WO2022009739A1 (ja) 2022-01-13
AU2021306034A1 (en) 2023-03-02
EP4177803A1 (en) 2023-05-10
JP2022014139A (ja) 2022-01-19
US20230274197A1 (en) 2023-08-31

Similar Documents

Publication Publication Date Title
EP4177803A1 (en) Vegetation management system and vegetation management method
Xiong et al. Earthnets: Empowering ai in earth observation
Iizuka et al. Advantages of unmanned aerial vehicle (UAV) photogrammetry for landscape analysis compared with satellite data: A case study of postmining sites in Indonesia
McRoberts et al. Using remotely sensed data to construct and assess forest attribute maps and related spatial products
Möller et al. The comparison index: A tool for assessing the accuracy of image segmentation
Stojanova et al. Estimating vegetation height and canopy cover from remotely sensed data with machine learning
Hamedianfar et al. Deep learning for forest inventory and planning: a critical review on the remote sensing approaches so far and prospects for further applications
Meng et al. Modeling alpine grassland above ground biomass based on remote sensing data and machine learning algorithm: A case study in east of the Tibetan Plateau, China
Gazzea et al. Automated power lines vegetation monitoring using high-resolution satellite imagery
WO2023021769A1 (ja) 植生管理システム及び植生管理方法
Gamba Image and data fusion in remote sensing of urban areas: status issues and research trends
CN111738175A (zh) 一种基于遥感影像和卷积神经网络的农业干旱监测系统
Zhang et al. Detection of sea ice in sediment laden water using MODIS in the Bohai Sea: A CART decision tree method
CN113378785A (zh) 森林类型识别方法及装置
Tiwari et al. UAV remote sensing for campus monitoring: a comparative evaluation of nearest neighbor and rule-based classification
Yu et al. Multi-temporal remote sensing of land cover change and urban sprawl in the coastal city of Yantai, China
Tormos et al. Object-based image analysis for operational fine-scale regional mapping of land cover within river corridors from multispectral imagery and thematic data
Karl et al. A technique for estimating rangeland canopy-gap size distributions from high-resolution digital imagery
Lopes Bento et al. Overlap influence in images obtained by an unmanned aerial vehicle on a digital terrain model of altimetric precision
Zeng et al. The utility of fusing multi-sensor data spatio-temporally in estimating grassland aboveground biomass in the three-river headwaters region of China
Wu et al. Geoparcel-based spatial prediction method for grassland fractional vegetation cover mapping
Chen et al. An integrated GIS tool for automatic forest inventory estimates of Pinus radiata from LiDAR data
Teggi A technique for spatial sharpening of thermal imagery of coastal waters and of watercourses
Sitokonstantinou et al. A Sentinel based agriculture monitoring scheme for the control of the CAP and food security
Kala et al. Role of geospatial technologies in natural resource management

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
TA01 Transfer of patent application right

Effective date of registration: 20240115

Address after: Zurich, SUI

Applicant after: Hitachi Energy Co.,Ltd.

Address before: Swiss Baden

Applicant before: Hitachi energy Switzerland AG

TA01 Transfer of patent application right