CN116129287A - 基于遥感的流域水生态风险预警和判别方法、装置及介质 - Google Patents
基于遥感的流域水生态风险预警和判别方法、装置及介质 Download PDFInfo
- Publication number
- CN116129287A CN116129287A CN202310178500.3A CN202310178500A CN116129287A CN 116129287 A CN116129287 A CN 116129287A CN 202310178500 A CN202310178500 A CN 202310178500A CN 116129287 A CN116129287 A CN 116129287A
- Authority
- CN
- China
- Prior art keywords
- risk
- image
- early warning
- marking
- area
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于遥感的流域水生态风险预警和判别方法、装置及介质,预警方法包括:获取流域卫星遥感图像;对所述流域卫星遥感图像进行灰度处理,得到灰度图像;将灰度图像拆分成若干个像素点,比对相邻且接触的两个像素点的灰度值的差异;当两个像素点的灰度值的差异大于预设的第一阈值时,将两个像素点的接触点作为标记点;将所有标记点连线形成的区域标记为风险预警区域。本发明基于流域的卫星遥感图像,对图像进行灰度处理,并将图像细分为像素点,根据相邻且接触的两个像素点的灰度值的差异来确定标记点,根据各个标记点进行连线以准确根据颜色变化来标记风险预警区域。
Description
技术领域
本发明涉及遥感生态监测技术领域,尤其涉及一种基于遥感的流域水生态风险预警和判别方法、装置及介质。
背景技术
卫星遥感,根据不同地物的光谱响应特征不同,在近红外波段,洁净水体的反射率远比土壤和植被的反射率低,所以在卫星图像上可以很容易地区分水体和非水体的界限。像黄河这样泥沙含量较高的水体,其反射率的最大值移向可见光波段,但仍比土壤和植被为低。这样,在卫星图像上就能够将发生凌汛的地点及其区域判读出来,进而可以根据像元数估算淹没范围和面积。此次对黄河凌汛先后进行了4次监测,都是利用白天下午两点的美国的极轨气象卫星的数据。这些数据分别属于可见光、近红外、热红外三个波段。利用计算机对这些数据进行处理,按照红、绿、蓝通道制成三通道假彩色合成图像。
卫星遥感技术常应用于流域的参数监测,例如CN201410520624.6,公开了一种基于遥感的流域水生态风险预警和判别方法,涉及水生态安全领域。包括如下步骤:利用流域水生态遥感数据和所述遥感数据对应的水生态安全指标反演参数,建立水生态安全遥感评价模型和水生态风险评价模型;根据所述水生态安全遥感评价模型识别流域水生态潜在风险区;在所述潜在风险区中,利用水生态风险评价模型识别流域风险预警区;在所述风险预警区判别主导风险指标。该发明的技术方案,考虑了流域水生态的综合安全指标及其实时变化,因此,可以准确而有效的找到水生态风险预警区和主导风险因子,准确而有效的评价水生态系统的风险,从而适应我国复杂的流域水生态系统的改善和生态恢复的管理需求。
目前,现有技术中,如何快速地发现生态流域水生态风险区域的技术鲜有报道。
发明内容
提供了本发明以解决现有技术中存在的上述问题。因此,需要一种基于遥感的流域水生态风险预警和判别方法、装置及介质,以发现并判别生态风险。
根据本发明的第一方案,提供了一种基于遥感的流域水生态风险预警方法,所述预警方法包括:
获取流域卫星遥感图像;
对所述流域卫星遥感图像进行灰度处理,得到灰度图像;
将灰度图像拆分成若干个像素点,比对相邻且接触的两个像素点的灰度值的差异;
当两个像素点的灰度值的差异大于预设的第一阈值时,将两个像素点的接触点作为标记点;
将所有标记点连线形成的区域标记为风险预警区域。
进一步地,所述将所有标记点连线形成的区域标记为风险预警区域,具体包括:
选择任意一个标记点,计算该标记点到其他标记点的距离,将与该标记点距离最近的一个标记点进行连线,以此循环,直至所有标记点都连线完成,形成所述风险预警区域。
进一步地,在将灰度图像拆分成若干个像素点,比对相邻且接触的两个像素点的灰度值的差异,之后所述预警方法还包括:
当两个像素点的灰度值的差异小于等于预设的阈值时,则表示所述流域卫星遥感图像涵盖的流域不存在风险。
根据本发明的第二技术方案,提供一种基于遥感的流域水生态风险判别方法,基于如上所述的预警方法,所述判别方法包括:
根据所述风险预警区域,在所述灰度图像中划出一个包含有该风险预警区域的感兴趣区域,所述感兴趣区域包括风险预警区域以及处于风险预警区域外侧的比对区域;
将所述感兴趣区域还原成彩色图像;
根据所述彩色图像中的比对区域与所述风险预警区域的色差来判断流域水生态风险类别。
进一步地,所述根据所述彩色图像中的比对区域与所述风险预警区域的色差来判断流域水生态风险类别,具体包括:
计算比对区域的RGB值和风险预警区域的RGB值;
若所述比对区域的RGB值中的G值与所述风险预警区域的RGB值中的G值差处于预设的第二阈值范围内,则判断流域水生态风险类别为藻华。
根据本发明的第三技术方案,提供一种基于遥感的流域水生态风险预警装置,所述预警装置包括:
图像获取单元,被配置为获取流域卫星遥感图像;
灰度处理单元,被配置为对所述流域卫星遥感图像进行灰度处理,得到灰度图像;
比对单元,被配置为将灰度图像拆分成若干个像素点,比对相邻且接触的两个像素点的灰度值的差异;
标记点确定单元,被配置为当两个像素点的灰度值的差异大于预设的第一阈值时,将两个像素点的接触点作为标记点;
连线单元,被配置为将所有标记点连线形成的区域标记为风险预警区域。
进一步地,所述连线单元被进一步配置为:
选择任意一个标记点,计算该标记点到其他标记点的距离,将与该标记点距离最近的一个标记点进行连线,以此循环,直至所有标记点都连线完成,形成所述风险预警区域。
进一步地,所述预警装置还包括评估单元,所述评估单元被配置为当两个像素点的灰度值的差异小于等于预设的阈值时,则表示所述流域卫星遥感图像涵盖的流域不存在风险。
根据本发明的第四方案,提供一种基于遥感的流域水生态风险判别装置,包括如上所述的预警装置,所述判别装置还包括:
感兴趣区域确定单元,被配置为根据所述风险预警区域,在所述灰度图像中划出一个包含有该风险预警区域的感兴趣区域,所述感兴趣区域包括风险预警区域以及处于风险预警区域外侧的比对区域;
图像还原单元,被配置为将所述感兴趣区域还原成彩色图像;
判别单元,被配置为根据所述彩色图像中的比对区域与所述风险预警区域的色差来判断流域水生态风险类别。
进一步地,所述判别单元被进一步配置为:
计算比对区域的RGB值和风险预警区域的RGB值;
若所述比对区域的RGB值中的G值与所述风险预警区域的RGB值中的G值差处于预设的第二阈值范围内,则判断流域水生态风险类别为藻华。
根据本发明的第三方案,提供了一种存储有指令的非暂时性计算机可读存储介质,当所述指令由处理器执行时,执行根据本发明各个实施例所述的预警方法或判别方法。
根据本发明各个方案的基于遥感的流域水生态风险预警和判别方法,其至少具有以下技术效果:
本发明基于流域的卫星遥感图像,对图像进行灰度处理,并将图像细分为像素点,根据相邻且接触的两个像素点的灰度值的差异来确定标记点,根据各个标记点进行连线以准确根据颜色变化来标记风险预警区域。
本发明基于标记后的风险预警区域,根据风险预警区域与其外侧的对比区域的色差比对,来准确判别该风险预警区域的类别,为流域水生态提供一种智能自动化地判别方法,为建立良好的流域水生态提供更便捷且方便的技术渠道。
附图说明
在不一定按比例绘制的附图中,相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例,并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候,在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的,而并非旨在作为本装置或方法的穷尽或排他实施例。
图1示出了根据本发明实施例的一种基于遥感的流域水生态风险预警方法的流程图。
图2示出了根据本发明实施例的一种基于遥感的流域水生态风险判别方法的流程图。
图3示出了根据本发明实施例的感兴趣区域示意图。
图4示出了根据本发明实施例的一种基于遥感的流域水生态风险判别方法的部分流程图。
图5示出了根据本发明实施例的一种基于遥感的流域水生态风险预警装置的结构图。
图6示出了根据本发明实施例的一种基于遥感的流域水生态风险判别装置的结构图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案,下面结合附图和具体实施方式对本发明作详细说明。下面结合附图和具体实施例对本发明的实施例作进一步详细描述,但不作为对本发明的限定。本文中所描述的各个步骤,如果彼此之间没有前后关系的必要性,则本文中作为示例对其进行描述的次序不应视为限制,本领域技术人员应知道可以对其进行顺序调整,只要不破坏其彼此之间的逻辑性导致整个流程无法实现即可。
本发明实施例提供一种基于遥感的流域水生态风险预警方法,如图1所示,所述预警方法包括:
步骤S101,获取流域卫星遥感图像。
需要说明的是,流域卫星遥感图像具体是通过遥感技术获得的流域图像。
步骤S102,对所述流域卫星遥感图像进行灰度处理,得到灰度图像。
步骤S103,将灰度图像拆分成若干个像素点,比对相邻且接触的两个像素点的灰度值的差异。
步骤S104,当两个像素点的灰度值的差异大于预设的第一阈值时,将两个像素点的接触点作为标记点。
步骤S105,将所有标记点连线形成的区域标记为风险预警区域。
本实施例中的方法主要通过颜色变化来快速发现风险预警区域,为了更精准且快速地确定风险预警区域,先对流域卫星遥感图像进行灰度处理,以提高对图片的处理效率,灰度图像同样可以反映出流域图像中的颜色变化。以像素点为单位是为了更精确地确定标记点,其中两个像素点的灰度值的差异可以为两个像素点的灰度值的差的绝对值,预设的第一阈值可以设置为5,当然也可以设置为3或者6或者10等等,本实施例此处不对第一阈值的具体数值进行限定。当两个像素点的灰度值的差异大于预设的第一阈值时,则表明此处存在比较明显的颜色变化,该处存在风险。出现颜色变化的原因一般可以是污染水排入、地下污染、藻华现象等等。通过该方法确定的标记点连线后即可得到一个相对完整的风险预警区域,很好地给出风险预警。
本实施例处理效率高,可以适用于在时域上连续的卫星遥感图像的批量化处理,能够实时快速地基于待测流域的卫星遥感图像进行检测,及时地给出风险预警,为生态保护提出有效地指示。
在一些实施例中,所述将所有标记点连线形成的区域标记为风险预警区域,具体包括:选择任意一个标记点,计算该标记点到其他标记点的距离,将与该标记点距离最近的一个标记点进行连线,以此循环,直至所有标记点都连线完成,形成所述风险预警区域。
需要注意,同一个标记点可以连接多个其他标记点,两个标记点之间不重复连线。
在一些实施例中,在将灰度图像拆分成若干个像素点,比对相邻且接触的两个像素点的灰度值的差异,之后所述预警方法还包括:当两个像素点的灰度值的差异小于等于预设的阈值时,则表示所述流域卫星遥感图像涵盖的流域不存在风险。
本发明实施例还提供一种基于遥感的流域水生态风险判别方法,基于如上所述的预警方法,如图2所示,所述判别方法包括:
步骤S201,根据所述风险预警区域,在所述灰度图像中划出一个包含有该风险预警区域的感兴趣区域,所述感兴趣区域包括风险预警区域以及处于风险预警区域外侧的比对区域。
其中,感兴趣区域的示意图如图3所示。
步骤S202,将所述感兴趣区域还原成彩色图像。
需要说明的是,还原方法为现有方法,本实施例此处不详细阐述。
步骤S203,根据所述彩色图像中的比对区域与所述风险预警区域的色差来判断流域水生态风险类别。
在一些实施例中,如图4所示,所述根据所述彩色图像中的比对区域与所述风险预警区域的色差来判断流域水生态风险类别,具体包括:
步骤S2031,计算比对区域的RGB值和风险预警区域的RGB值;
步骤S2032,若所述比对区域的RGB值中的G值与所述风险预警区域的RGB值中的G值差处于预设的第二阈值范围内,则判断流域水生态风险类别为藻华。
G值的高低主要体现为绿色的程度,而流域水中绿色突变一般是叶绿素过高,所以可以通过G值的变化来判断是否有藻华的发生。
当然,本实施例还可以判断其他情况,例如通过RGB值的比较,若比较差值显示偏向于黄色,则判断有尘泥污染,若比较差值显示偏向于黑色,则判断有重金属污染等等。
根据本实施例提供的判别方法,任意有颜色变化的生态风险类别均可以判别出来,包括但不限于如上所列举的情况。
本发明实施例还提供一种基于遥感的流域水生态风险预警装置,如图5所示,所述预警装置500包括:
图像获取单元501,被配置为获取流域卫星遥感图像;
灰度处理单元502,被配置为对所述流域卫星遥感图像进行灰度处理,得到灰度图像;
比对单元503,被配置为将灰度图像拆分成若干个像素点,比对相邻且接触的两个像素点的灰度值的差异;
标记点确定单元504,被配置为当两个像素点的灰度值的差异大于预设的第一阈值时,将两个像素点的接触点作为标记点;
连线单元505,被配置为将所有标记点连线形成的区域标记为风险预警区域。
在一些实施例中,所述连线单元505被进一步配置为:
选择任意一个标记点,计算该标记点到其他标记点的距离,将与该标记点距离最近的一个标记点进行连线,以此循环,直至所有标记点都连线完成,形成所述风险预警区域。
本发明实施例还提供一种基于遥感的流域水生态风险判别装置,如图6所示,包括如上所述的预警装置,所述判别装置600还包括:
感兴趣区域确定单元601,被配置为根据所述风险预警区域,在所述灰度图像中划出一个包含有该风险预警区域的感兴趣区域,所述感兴趣区域包括风险预警区域以及处于风险预警区域外侧的比对区域;
图像还原单元602,被配置为将所述感兴趣区域还原成彩色图像;
判别单元603,被配置为根据所述彩色图像中的比对区域与所述风险预警区域的色差来判断流域水生态风险类别。
在一些实施例中,所述判别单元603被进一步配置为:
计算比对区域的RGB值和风险预警区域的RGB值;
若所述比对区域的RGB值中的G值与所述风险预警区域的RGB值中的G值差处于预设的第二阈值范围内,则判断流域水生态风险类别为藻华。
需要注意,本发明实施例所提供的装置与在先提供的方法属于同一技术思路,其具有相同的技术原理并能起到同样的技术效果,此处不赘述。
本发明实施例还一种存储有指令的非暂时性计算机可读存储介质,当所述指令由处理器执行时,执行根据本发明各个实施例所述的方法。
此外,尽管已经在本文中描述了示例性实施例,其范围包括任何和所有基于本发明的具有等同元件、修改、省略、组合(例如,各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释,并不限于在本说明书中或本申请的实施期间所描述的示例,其示例将被解释为非排他性的。因此,本说明书和示例旨在仅被认为是示例,真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如,上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外,在上述具体实施方式中,各种特征可以被分组在一起以简单化本发明。这不应解释为一种不要求保护的发明的特征对于任一权利要求是必要的意图。相反,本发明的主题可以少于特定的发明的实施例的全部特征。从而,以下权利要求书作为示例或实施例在此并入具体实施方式中,其中每个权利要求独立地作为单独的实施例,并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
Claims (10)
1.一种基于遥感的流域水生态风险预警方法,其特征在于,所述预警方法包括:
获取流域卫星遥感图像;
对所述流域卫星遥感图像进行灰度处理,得到灰度图像;
将灰度图像拆分成若干个像素点,比对相邻且接触的两个像素点的灰度值的差异;
当两个像素点的灰度值的差异大于预设的第一阈值时,将两个像素点的接触点作为标记点;
将所有标记点连线形成的区域标记为风险预警区域。
2.根据权利要求1所述的预警方法,其特征在于,所述将所有标记点连线形成的区域标记为风险预警区域,具体包括:
选择任意一个标记点,计算该标记点到其他标记点的距离,将与该标记点距离最近的一个标记点进行连线,以此循环,直至所有标记点都连线完成,形成所述风险预警区域。
3.根据权利要求2所述的预警方法,其特征在于,在将灰度图像拆分成若干个像素点,比对相邻且接触的两个像素点的灰度值的差异,之后所述预警方法还包括:
当两个像素点的灰度值的差异小于等于预设的阈值时,则表示所述流域卫星遥感图像涵盖的流域不存在风险。
4.一种基于遥感的流域水生态风险判别方法,其特征在于,基于如权利要求1至3中任一项所述的预警方法,所述判别方法包括:
根据所述风险预警区域,在所述灰度图像中划出一个包含有该风险预警区域的感兴趣区域,所述感兴趣区域包括风险预警区域以及处于风险预警区域外侧的比对区域;
将所述感兴趣区域还原成彩色图像;
根据所述彩色图像中的比对区域与所述风险预警区域的色差来判断流域水生态风险类别。
5.根据权利要求1所述的方法,其特征在于,所述根据所述彩色图像中的比对区域与所述风险预警区域的色差来判断流域水生态风险类别,具体包括:
计算比对区域的RGB值和风险预警区域的RGB值;
若所述比对区域的RGB值中的G值与所述风险预警区域的RGB值中的G值差处于预设的第二阈值范围内,则判断流域水生态风险类别为藻华。
6.一种基于遥感的流域水生态风险预警装置,其特征在于,所述预警装置包括:
图像获取单元,被配置为获取流域卫星遥感图像;
灰度处理单元,被配置为对所述流域卫星遥感图像进行灰度处理,得到灰度图像;
比对单元,被配置为将灰度图像拆分成若干个像素点,比对相邻且接触的两个像素点的灰度值的差异;
标记点确定单元,被配置为当两个像素点的灰度值的差异大于预设的第一阈值时,将两个像素点的接触点作为标记点;
连线单元,被配置为将所有标记点连线形成的区域标记为风险预警区域。
7.根据权利要求6所述的预警装置,其特征在于,所述连线单元被进一步配置为:
选择任意一个标记点,计算该标记点到其他标记点的距离,将与该标记点距离最近的一个标记点进行连线,以此循环,直至所有标记点都连线完成,形成所述风险预警区域。
8.一种基于遥感的流域水生态风险判别装置,其特征在于,包括如权利要求6-7任一项所述的预警装置,所述判别装置还包括:
感兴趣区域确定单元,被配置为根据所述风险预警区域,在所述灰度图像中划出一个包含有该风险预警区域的感兴趣区域,所述感兴趣区域包括风险预警区域以及处于风险预警区域外侧的比对区域;
图像还原单元,被配置为将所述感兴趣区域还原成彩色图像;
判别单元,被配置为根据所述彩色图像中的比对区域与所述风险预警区域的色差来判断流域水生态风险类别。
9.根据权利要求8所述的判别装置,其特征在于,所述判别单元被进一步配置为:
计算比对区域的RGB值和风险预警区域的RGB值;
若所述比对区域的RGB值中的G值与所述风险预警区域的RGB值中的G值差处于预设的第二阈值范围内,则判断流域水生态风险类别为藻华。
10.一种存储有指令的非暂时性计算机可读存储介质,当所述指令由处理器执行时,执行根据权利要求1至3中任一项所述的预警方法或4至5中任一项所述的判别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310178500.3A CN116129287A (zh) | 2023-02-28 | 2023-02-28 | 基于遥感的流域水生态风险预警和判别方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310178500.3A CN116129287A (zh) | 2023-02-28 | 2023-02-28 | 基于遥感的流域水生态风险预警和判别方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116129287A true CN116129287A (zh) | 2023-05-16 |
Family
ID=86311745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310178500.3A Pending CN116129287A (zh) | 2023-02-28 | 2023-02-28 | 基于遥感的流域水生态风险预警和判别方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116129287A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116399418A (zh) * | 2023-05-29 | 2023-07-07 | 陕西省水利电力勘测设计研究院 | 一种基于固定摄像头的水位识别方法及系统 |
-
2023
- 2023-02-28 CN CN202310178500.3A patent/CN116129287A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116399418A (zh) * | 2023-05-29 | 2023-07-07 | 陕西省水利电力勘测设计研究院 | 一种基于固定摄像头的水位识别方法及系统 |
CN116399418B (zh) * | 2023-05-29 | 2023-10-27 | 陕西省水利电力勘测设计研究院 | 一种基于固定摄像头的水位识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102067242B1 (ko) | 인공위성 sar 영상기반 인공신경망을 이용한 오일 유출 탐지 방법 | |
CN111223183A (zh) | 一种基于深度神经网络的滑坡地形检测方法 | |
Ngoc et al. | Coastal and inland water pixels extraction algorithm (WiPE) from spectral shape analysis and HSV transformation applied to Landsat 8 OLI and Sentinel-2 MSI | |
CN114627316B (zh) | 基于人工智能的液压系统漏油检测方法 | |
CN108764132B (zh) | 一种湖泊湿地遥感图像误差检测方法 | |
CN110929592A (zh) | 一种用于海上养殖区外边界的提取方法及系统 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN116129287A (zh) | 基于遥感的流域水生态风险预警和判别方法、装置及介质 | |
CN108009556B (zh) | 一种基于定点图像分析的河道漂浮物检测方法 | |
CN110334750A (zh) | 输电线路铁塔螺栓锈蚀程度图像分类识别方法 | |
CN106290389B (zh) | 一种富营养化湖泊modis影像的藻华和非藻华条件分类方法 | |
CN107563263A (zh) | 基于仪表的视频图像识别方法及系统 | |
CN111007013B (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
CN111862143A (zh) | 一种河堤坍塌自动监测方法 | |
CN115689533B (zh) | 一种用于废气监测及处理的智慧运维系统数据管理方法 | |
CN111060455B (zh) | 面向东北冷凉区的遥感图像作物标记方法和装置 | |
CN113887324A (zh) | 基于卫星遥感数据的火点检测方法 | |
CN110728212B (zh) | 一种基于计算机视觉的道路井盖监控装置及监控方法 | |
CN110796113B (zh) | 一种基于WorldView-2影像的城市蓝色地物检测方法 | |
CN105445233B (zh) | 华南沿海赤潮灾害应急监测与预警方法 | |
CN111862117B (zh) | 基于像素优化的海冰冰块分水岭分割方法 | |
CN117058559A (zh) | 一种基于卫星遥感的森林火灾态势分析方法、设备及介质 | |
CN116309447A (zh) | 一种基于深度学习的水坝斜坡裂缝检测方法 | |
CN110610474A (zh) | 一种基于红外图像的太阳能板缺陷实时检测方法 | |
CN118038291B (zh) | 一种基于面向对象的河口海湾水体自动提取方法 |
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 |