CN116720984B - 一种基于卫星地图技术的智慧电力审计方法 - Google Patents
一种基于卫星地图技术的智慧电力审计方法 Download PDFInfo
- Publication number
- CN116720984B CN116720984B CN202311007455.1A CN202311007455A CN116720984B CN 116720984 B CN116720984 B CN 116720984B CN 202311007455 A CN202311007455 A CN 202311007455A CN 116720984 B CN116720984 B CN 116720984B
- Authority
- CN
- China
- Prior art keywords
- power consumption
- image
- ground object
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005516 engineering process Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 230000010354 integration Effects 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000007704 transition Effects 0.000 claims description 53
- 230000000007 visual effect Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000003064 k means clustering Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000007635 classification algorithm Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012732 spatial analysis Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 abstract description 2
- 238000012550 audit Methods 0.000 description 14
- 230000005611 electricity Effects 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
- G06V10/85—Markov-related models; Markov random fields
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Astronomy & Astrophysics (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于卫星地图技术的智慧电力审计方法，涉及通信和数据处理技术领域，该方法包括以下步骤：获取待审计区域的卫星地图图像及历史电力消耗数据；对待审计区域的卫星地图图像进行地物识别分类，得到地物的属性信息；将识别出的地物属性信息与历史电力消耗数据进行空间整合处理；进行电力消耗预测；将预设未来阶段的电力消耗预测与实际电力消耗数据进行差异分析，并确定异常电力消耗情况。本发明可以对待审计区域的电力消耗进行精确的量化和分析，可以自动进行地物识别分类和电力消耗数据的空间整合处理，有助于提前发现可能的异常电力消耗情况，可以实时监控电力消耗情况，及时发现并处理异常，保障电力系统的稳定运行。
Description
技术领域
本发明涉及通信和数据处理技术领域，具体来说，特别涉及一种基于卫星地图技术的智慧电力审计方法。
背景技术
随着互联网的普及，计算机技术在电力审计领域中也发挥了重要的作用。通过利用计算机技术，电力企业能够实现电力审计信息的传播和扩大化，使得审计结果能够更广泛地为相关方所了解和应用。同时，借助计算机技术和互联网，电力企业能够获取更多的市场信息和数据，进而提升自身在电力审计领域的专业形象和声誉。
卫星地图技术是一种利用卫星对地球表面进行高分辨率拍摄和测量的技术。该技术通过卫星搭载的遥感传感器，获取地球表面的图像和数据，并将其以地图的形式展示出来。卫星地图技术的主要特点包括：高分辨率：卫星地图技术能够提供高分辨率的地球表面图像，使得用户可以清晰地看到地面上的细节，如建筑物、道路、河流等；广覆盖范围：卫星地图技术能够覆盖全球范围，可以获取任何地点的地图信息。这使得卫星地图技术成为导航、地理信息系统等领域的重要工具。实时更新：卫星地图可以进行频繁的更新，以捕捉地球表面的变化。这使得用户能够获取最新的地理信息，如新建筑物、道路变化等。卫星地图技术通过高分辨率的地球表面图像和数据，为用户提供了全球范围的地理信息，具有广泛的应用前景和重要的价值。
电力审计是对电力使用情况进行评估和分析的过程，旨在发现和解决能源浪费问题，提高能源利用效率。而对于电力消耗来说，由于季节气候不同的原因，电力消耗量会出现间断式的变化，而这种间断性的电力消耗使得预测非常困难，而用一般的连续性预测方法进行预测，存在预测精度低的情况，因此，很难发现电力使用异常的情况，对电力的审计带来不便。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
有鉴于此，针对相关技术中的问题，本发明提供提出一种基于卫星地图技术的智慧电力审计方法，以解决上述提及的间断性的电力消耗使得预测非常困难，而用一般的连续性预测方法进行预测，存在预测精度低的情况。
为了解决上述问题为此，本发明采用的具体技术方案如下：
一种基于卫星地图技术的智慧电力审计方法，该方法包括以下步骤：
S1、通过卫星地图技术获取待审计区域的卫星地图图像及历史电力消耗数据；
S2、基于k-means聚类词袋模型分类算法对待审计区域的卫星地图图像进行地物识别分类，得到地物的属性信息；
S3、利用GIS技术将识别出的地物属性信息与历史电力消耗数据进行空间整合处理，得到不同类型地物的电力消耗量；
S4、基于马尔可夫链与蒙特卡罗仿真结合算法对待审计区域的预设未来阶段进行电力消耗预测；
S5、将预设未来阶段的电力消耗预测与实际电力消耗数据进行差异分析，并确定异常电力消耗情况。
作为本文的一个实施例，所述基于k-means聚类词袋模型分类算法对待审计区域的卫星地图图像进行地物识别分类，得到地物的属性信息包括以下步骤：
S21、收集地物图像的样本数据集以及地物的标注数据并进行预处理，所述地物的标注数据包括地物的类型、面积及高度，所述预处理包括图像增强、颜色空间转换；
S22、基于角点提取和图论的方法对地物图像进行区域分割，确定地物图像中的目标区域，得到目标区域图像；
S23、对得到的目标区域图像进行SIFT特征提取，并构建SIFT特征点的训练样本图像集；
S24、通过k-means聚类方法对训练样本图像集中的特征进行聚类并构建视觉词典，得到视觉词袋；
S25、基于得到的视觉词袋，获取视觉词典在每一幅训练图像中出现的次数，并构建对应的图像特征直方图向量；
S26、通过径向基核函数的SVM对训练样本集中的图像特征直方图向量进行训练分类，并利用交叉验证的方法进行验证处理，得到最优的地物分类器；
S27、将待审计区域的卫星地图图像作为输入，并输入至地物分类器中进行地物分类，得到地物的属性信息，所述地物的属性信息包括地物的位置、类型、面积、高度及形状。
作为本文的一个实施例，所述基于角点提取和图论的方法对地物图像进行区域分割，确定地物图像中的目标区域，得到目标区域图像包括以下步骤：
S221、对样本数据集中每一幅地物图像进行角点定位，并记录每一幅地物图像的角点位置信息，将整幅地物图像作为初始目标区域，定义目标区域的边界点；
S222、根据记录的角点位置信息并通过无向图构建公式对角点的无向图进行构建，得到地物图像中各角点的关联图；
S223、根据地物图像中各角点的关联图将关联度小于预设阈值的角点滤除掉，并得到关键角点集合V；
S224、根据得到关键角点集合V，对目标区域的边界点进行更新，得到地物图像的最终目标区域。
作为本文的一个实施例，所述无向图构建公式为：
式中，/>表示角点的无向图；
表示角点之间的距离；
A表示预设的距离阈值。
作为本文的一个实施例，所述通过k-means聚类方法对训练样本图像集中的特征进行聚类并构建视觉词典，得到视觉词袋包括以下步骤：
S241、在训练样本图像集的特征中随机选择K个对象，K表示聚类的数量，并作为初始聚类中心；
S242、计算每个样本特征点到初始聚类中心的距离，并将样本特征点分配至距离最近的中心点所在的类中；
S243、通过均值法对每个类的均值进行计算，并更新聚类中心点；
S244、对于所有的聚类中心，重复执行步骤S242-S243，直至达到预设迭代次数，停止更新，得到最终聚类结果；
S245、将更新后的聚类中心作为视觉词，每个视觉词表示一个特征，并构建视觉词典，得到视觉词袋。
作为本文的一个实施例，所述利用GIS技术将识别出的地物属性信息与历史电力消耗数据进行空间整合处理包括以下步骤：
S31、将地物属性信息和历史电力消耗数据转换为相同的地理坐标系统，并进行地理投影；
S32、利用GIS技术将地物的位置信息和电力数据的地理位置进行空间关联和连接操作，并进行空间分析和统计，得到不同类型地物的电力消耗量。
作为本文的一个实施例，所述基于马尔可夫链与蒙特卡罗仿真结合算法对待审计区域的预设未来阶段进行电力消耗预测包括步骤：
S41、对得到的不同类型地物的电力消耗量进行时间序列分析，得到不同月的电力消耗量；
S42、将电力消耗划分为不同的状态，计算不同状态之间的转移概率，并构建马尔可夫链预测模型；
S43、基于马尔可夫链预测模型和转移概率进行蒙特卡罗仿真，得到未来预设阶段的电力消耗序列。
作为本文的一个实施例，所述将电力消耗划分为不同的状态，计算不同状态之间的转移概率，并构建马尔可夫链预测模型包括以下步骤：
S421、将每个月的电力消耗量转化为不同的状态，所述不同的状态包括高、中及低三种状态；
S422、基于马尔可夫链的原理，计算不同状态之间的转移概率，并统计每个状态之间的转移次数，并将转移次数归一化，得到转移概率矩阵；
S423、根据得到的转移概率矩阵，构建马尔可夫链预测模型。
作为本文的一个实施例，所述马尔可夫链预测模型的表达式为：
式中，/>表示未来k个月电力消耗量的预测值；
C表示系数矩阵；
表示由电力消耗量进行k步转移后的转移概率矩阵。
作为本文的一个实施例，所述将预设未来阶段的电力消耗预测与实际电力消耗数据进行差异分析，并确定异常电力消耗情况包括以下步骤：
S51、通过智能电表获取带待审计区域的实际电力消耗数据；
S52、将预设未来阶段的电力消耗预测数据与待审计区域的实际电力消耗数据进行差异比较；
S53，若差异结果超过预设的阈值，则判断该区域的电力消耗存在异常。
与现有技术相比，本发明提供了基于卫星地图技术的智慧电力审计方法，具备以下有益效果：
（1）本发明结合卫星地图技术和历史电力消耗数据，可以对待审计区域的电力消耗进行精确的量化和分析，通过使用K-means聚类词袋模型分类算法和GIS技术，可以自动进行地物识别分类和电力消耗数据的空间整合处理，减少了人工参与，提高了审计效率，通过使用马尔可夫链与蒙特卡罗仿真结合算法，可以对未来阶段的电力消耗进行有效的预测，有助于提前发现可能的异常电力消耗情况，通过对预设未来阶段的电力消耗预测与实际电力消耗数据进行差异分析，可以实时监控电力消耗情况，及时发现并处理异常，保障电力系统的稳定运行。
（2）本发明通过角点提取和图论方法，可以准确地分割地物图像，确定目标区域，且分割后的目标区域较小，可以减少后续特征提取和计算的复杂度，提高算法效率，采用k-means聚类和SVM分类器等算法，能够对大量的地物图像进行高效的分类处理，并得到准确的地物属性信息，将地物属性信息与历史电力消耗数据进行空间整合处理，可以对不同类型地物的电力消耗量进行分析，帮助揭示电力消耗的分布情况和特征，从而能够自动对卫星地图图像中的地物进行分类，避免了人工耗时和主观性带来的不确定性。
（3）本发明通过对不同类型地物的历史电力消耗量进行时间序列分析，可以掌握电力消耗的季节性和趋势性规律，从而为未来的预测提供可靠的基础，通过将电力消耗划分为不同的状态并计算状态之间的转移概率，可以捕捉电力消耗的状态变化规律，提高预测的准确性和可靠性，通过构建马尔可夫链预测模型，可以利用历史数据的状态转移信息，推断未来的电力消耗状态，并进行预测，通过马尔可夫链与蒙特卡罗仿真的结合算法具有较强的灵活性，可以根据不同的审计区域和数据特点进行调整和优化，适应不同的电力消耗预测需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。在附图中：
图1是根据本发明实施例的基于卫星地图技术的智慧电力审计方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，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，都应当属于本申请保护的范围。
根据本发明的实施例，提供了一种基于卫星地图技术的智慧电力审计方法。
现结合附图和具体实施方式对本发明进一步说明，如图1-所示，根据本发明实施例的基于卫星地图技术的智慧电力审计方法，该方法包括以下步骤：
S1、通过卫星地图技术获取待审计区域的卫星地图图像及历史电力消耗数据；
需要说明的是，卫星地图技术是利用卫星遥感技术获取地球表面的影像和地理信息数据。它基于卫星在太空中运行并携带相应的传感器设备，通过接收、记录和传输数据来获取地球表面的图像和其他地理信息。对于待审计区域的卫星地图图像可以通过卫星传感器拍摄的图像或通过卫星影像数据库获取。
对于待审计区域的历史电力消耗数据包括一年内待审计区域的各个月的历史电力消耗数据，可以包括各地点或建筑物的电力消耗记录，例如电力计量仪表数据或历史用电账单等，具体的，可通过获取建筑物的电力计量仪表数据，或者通过智能电网技术，获取建筑物的电力消耗数据。
对于电力计量仪表数据，建筑物通常会安装电力计量仪表来记录和监测电力消耗情况，这些电力计量仪表可以记录建筑物的用电量、功率、电压等相关信息。获取电力计量仪表数据包括每个月或每个月的电力消耗数据，或者更细粒度的数据，如每天或每小时的电力消耗数据。
S2、基于k-means聚类词袋模型分类算法对待审计区域的卫星地图图像进行地物识别分类，得到地物的属性信息；
需要说明的是，k-means聚类词袋模型分类算法是一种图像分类算法，用于将图像分成不同的类别。它结合了k-means聚类算法和词袋模型的思想，能够在大规模图像数据集上进行高效的分类，它能够捕捉图像的局部特征和全局分布，并通过视觉词袋模型对图像进行描述和分类。
作为优选实施方式，所述基于k-means聚类词袋模型分类算法对待审计区域的卫星地图图像进行地物识别分类，得到地物的属性信息包括以下步骤：
S21、收集地物图像的样本数据集以及地物的标注数据并进行预处理，所述地物的标注数据包括地物的类型、面积及高度，所述预处理包括图像增强、颜色空间转换；
需要说明的是，上述地物图像的样本数据集包含不同地物类型的地物图像样本数据集。这些图像应涵盖待识别的各种地物类别，如建筑物、水体、道路、植被等。上述地物的标注数据可以通过专业的遥感图像解译人员进行标注，或者使用相关软件工具进行手工标注。
图像增强是指通过图像增强技术，可以改善图像的质量、对比度和细节，常用的图像增强方法包括直方图均衡化、对比度增强、锐化等，这些方法可以提高图像的清晰度和可视化效果，有助于后续特征提取和分类过程。
颜色空间转换是指根据具体的需求，将图像从RGB颜色空间转换到其他颜色空间，如灰度空间、HSV空间等，颜色空间转换可以更好地表现图像的某些特征，如颜色分布和亮度。
S22、基于角点提取和图论的方法对地物图像进行区域分割，确定地物图像中的目标区域，得到目标区域图像；
作为优选实施方式，所述基于角点提取和图论的方法对地物图像进行区域分割，确定地物图像中的目标区域，得到目标区域图像包括以下步骤：
S221、对样本数据集中每一幅地物图像进行角点定位，并记录每一幅地物图像的角点位置信息，将整幅地物图像作为初始目标区域，定义目标区域的边界点；
具体的，对于每一幅地物图像，可以使用角点检测算法进行角点定位。常用的角点检测算法包括Shi-Tomasi角点检测等，这些算法能够检测出图像中的角点，并记录其位置信息。
S222、根据记录的角点位置信息并通过无向图构建公式对角点的无向图进行构建，得到地物图像中各角点的关联图；
需要说明的是，无向图中的节点表示角点，边表示角点之间的关联关系。
具体的，所述无向图构建公式为：
式中，/>表示角点的无向图；
表示角点之间的距离；
A表示预设的距离阈值。
S223、根据地物图像中各角点的关联图将关联度小于预设阈值的角点滤除掉，并得到关键角点集合V；
需要说明的是，对于每一对角点，可以计算它们之间的关联度。关联度可以根据角点之间的距离、角度等信息来确定。
S224、根据得到关键角点集合V，对目标区域的边界点进行更新，得到地物图像的最终目标区域。
S23、对得到的目标区域图像进行SIFT特征提取，并构建SIFT特征点的训练样本图像集；
具体的，SIFT算法可以提取出具有尺度不变性和旋转不变性的特征点，这些特征点可以用于后续的图像匹配和分类任务，在SIFT特征提取过程中，可以计算每个特征点的关键属性，如位置、尺度、方向和描述子等。
对于提取到的每个SIFT特征点，可以根据其位置信息在目标区域图像中提取相应的局部图像块作为训练样本，选择固定大小的正方形或矩形区域作为局部图像块，并根据特征点的位置和尺度来裁剪相应的图像区域。将这些局部图像块作为训练样本图像集，每个图像块都与相应的特征点相关联。
S24、通过k-means聚类方法对训练样本图像集中的特征进行聚类并构建视觉词典，得到视觉词袋；
具体的，使用k-means聚类方法对训练样本图像集中的特征进行聚类，并构建视觉词典，视觉词典中的每个视觉词代表了一类特征，而将每个视觉词的频率作为元素，构建一个向量，即视觉词袋。
作为优选实施方式，所述通过k-means聚类方法对训练样本图像集中的特征进行聚类并构建视觉词典，得到视觉词袋包括以下步骤：
S241、在训练样本图像集的特征中随机选择K个对象，K表示聚类的数量，并作为初始聚类中心；
S242、计算每个样本特征点到初始聚类中心的距离，并将样本特征点分配至距离最近的中心点所在的类中；
具体的，可通过欧式距离计算法计算每个样本特征点到初始聚类中心的距离，可以使用最小距离规则，将样本特征点分配给距离最近的聚类中心所在的类。
S243、通过均值法对每个类的均值进行计算，并更新聚类中心点；
S244、对于所有的聚类中心，重复执行步骤S242-S243，直至达到预设迭代次数，停止更新，得到最终聚类结果；
S245、将更新后的聚类中心作为视觉词，每个视觉词表示一个特征，并构建视觉词典，得到视觉词袋。
具体的，每个聚类中心代表一个特征，可以将其视为一个视觉词，将所有的聚类中心组成的集合作为视觉词典，用于表示地物图像中的特征信息。通过统计图像中每个视觉词的频率，形成一个向量，即视觉词袋。
S25、基于得到的视觉词袋，获取视觉词典在每一幅训练图像中出现的次数，并构建对应的图像特征直方图向量；
S26、通过径向基核函数的SVM对训练样本集中的图像特征直方图向量进行训练分类，并利用交叉验证的方法进行验证处理，得到最优的地物分类器；
具体的，将训练样本集中的图像特征直方图向量作为输入数据，对应的地物类别作为标签；
将准备好的训练数据集划分为若干份，一部分作为训练集用于训练分类器，另一部分作为验证集用于评估分类器性能；
选择SVM中的参数，其中包括径向基核函数的参数和惩罚项的参数，使用训练集中的数据对分类器进行训练；
使用验证集对分类器进行评估，计算分类器在验证集上的性能指标（如准确率、精确率、召回率等），以此来衡量分类器的泛化能力，并通过交叉验证调整SVM的参数，再次训练和验证，不断迭代直至获得最优的分类器性能。
S27、将待审计区域的卫星地图图像作为输入，并输入至地物分类器中进行地物分类，得到地物的属性信息，所述地物的属性信息包括地物的位置、类型、面积、高度及形状。
S3、利用GIS技术将识别出的地物属性信息与历史电力消耗数据进行空间整合处理，得到不同类型地物的电力消耗量；
具体的，GIS（地理信息系统）技术是一种用于捕捉、存储、管理、分析和展示地理空间数据的技术。它结合了地理学、地图学、数据库技术和计算机科学，可以处理地理空间数据和非空间数据，并进行空间分析和可视化展示。
作为优选实施方式，所述利用GIS技术将识别出的地物属性信息与历史电力消耗数据进行空间整合处理包括以下步骤：
S31、将地物属性信息和历史电力消耗数据转换为相同的地理坐标系统，并进行地理投影；
S32、利用GIS技术将地物的位置信息和电力数据的地理位置进行空间关联和连接操作，并进行空间分析和统计，得到不同类型地物的电力消耗量。
具体的，通过使用GIS软件中的空间关联操作，将地物的位置信息和电力数据的地理位置进行连接。这可以通过空间连接（如点对点、点对线、点对面等）或空间缓冲区操作来实现，以确保地物和电力数据的位置关联。基于连接后的数据，进行空间分析和统计以获取不同类型地物的电力消耗量。
S4、基于马尔可夫链与蒙特卡罗仿真结合算法对待审计区域的预设未来阶段进行电力消耗预测；
作为优选实施方式，所述基于马尔可夫链与蒙特卡罗仿真结合算法对待审计区域的预设未来阶段进行电力消耗预测包括步骤：
S41、对得到的不同类型地物的电力消耗量进行时间序列分析，得到不同月的电力消耗量；
S42、将电力消耗划分为不同的状态，计算不同状态之间的转移概率，并构建马尔可夫链预测模型；
作为优选实施方式，所述将电力消耗划分为不同的状态，计算不同状态之间的转移概率，并构建马尔可夫链预测模型包括以下步骤：
S421、将每个月的电力消耗量转化为不同的状态，所述不同的状态包括高、中及低三种状态；
需要说明的是，可以根据历史数据或经验设置高、中、低三个阈值，根据所设置的阈值，将每个月的电力消耗量与阈值进行比较，并确定其所属的状态。通常，如果消耗量大于高阈值，则为高状态；如果消耗量介于高阈值和低阈值之间，则为中状态；如果消耗量小于低阈值，则为低状态。
S422、基于马尔可夫链的原理，计算不同状态之间的转移概率，并统计每个状态之间的转移次数，并将转移次数归一化，得到转移概率矩阵；
具体的，通过遍历时间序列中的每个状态，记录每个状态与其后续状态的转移次数。例如，如果一个状态从低转移到中的次数为3次，从低转移到高的次数为2次，从中转移到低的次数为1次，以此类推；将每个状态之间的转移次数除以该状态的总转移次数，得到转移概率；同时，为了确保转移概率矩阵的每一行之和为1，对转移概率矩阵进行归一化处理。将每一行的转移概率值除以该行所有转移概率值的总和，以确保每一行的概率之和为1。
S423、根据得到的转移概率矩阵，构建马尔可夫链预测模型。
作为优选实施方式，所述马尔可夫链预测模型的表达式为：
式中，/>表示未来k个月电力消耗量的预测值；
C表示系数矩阵；表示由电力消耗量进行k步转移后的转移概率矩阵。
S43、基于马尔可夫链预测模型和转移概率进行蒙特卡罗仿真，得到未来预设阶段的电力消耗序列。
需要说明的是，基于马尔可夫链和转移概率进行蒙特卡罗仿真的包括以下步骤：
从已有的电力消耗序列中选择一个起始状态；
根据转移概率矩阵，选择当前状态下的下一个状态，可以使用随机数生成器来确定状态转移的结果；
通过重复进行状态转移，生成一系列未来可能的状态序列。可以根据需要生成多个状态序列；
将每个状态映射到对应的电力消耗量，得到一系列未来预设阶段的电力消耗序列。
S5、将预设未来阶段的电力消耗预测与实际电力消耗数据进行差异分析，并确定异常电力消耗情况。
具体的，通过进行差异分析并确定异常电力消耗情况，可以帮助识别潜在的问题或异常情况，从而采取适当的措施进行调整和改进。这有助于优化电力消耗管理和提高能源利用效率。
作为优选实施方式，所述将预设未来阶段的电力消耗预测与实际电力消耗数据进行差异分析，并确定异常电力消耗情况包括以下步骤：
S51、通过智能电表获取带待审计区域的实际电力消耗数据；
S52、将预设未来阶段的电力消耗预测数据与待审计区域的实际电力消耗数据进行差异比较；
S53，若差异结果超过预设的阈值，则判断该区域的电力消耗存在异常。
综上所述，借助于本发明的上述技术方案，本发明结合卫星地图技术和历史电力消耗数据，可以对待审计区域的电力消耗进行精确的量化和分析，通过使用K-means聚类词袋模型分类算法和GIS技术，可以自动进行地物识别分类和电力消耗数据的空间整合处理，减少了人工参与，提高了审计效率，通过使用马尔可夫链与蒙特卡罗仿真结合算法，可以对未来阶段的电力消耗进行有效的预测，有助于提前发现可能的异常电力消耗情况，通过对预设未来阶段的电力消耗预测与实际电力消耗数据进行差异分析，可以实时监控电力消耗情况，及时发现并处理异常，保障电力系统的稳定运行；本发明通过角点提取和图论方法，可以准确地分割地物图像，确定目标区域，且分割后的目标区域较小，可以减少后续特征提取和计算的复杂度，提高算法效率，采用k-means聚类和SVM分类器等算法，能够对大量的地物图像进行高效的分类处理，并得到准确的地物属性信息，将地物属性信息与历史电力消耗数据进行空间整合处理，可以对不同类型地物的电力消耗量进行分析，帮助揭示电力消耗的分布情况和特征，从而能够自动对卫星地图图像中的地物进行分类，避免了人工耗时和主观性带来的不确定性；本发明通过对不同类型地物的历史电力消耗量进行时间序列分析，可以掌握电力消耗的季节性和趋势性规律，从而为未来的预测提供可靠的基础，通过将电力消耗划分为不同的状态并计算状态之间的转移概率，可以捕捉电力消耗的状态变化规律，提高预测的准确性和可靠性，通过构建马尔可夫链预测模型，可以利用历史数据的状态转移信息，推断未来的电力消耗状态，并进行预测，通过马尔可夫链与蒙特卡罗仿真的结合算法具有较强的灵活性，可以根据不同的审计区域和数据特点进行调整和优化，适应不同的电力消耗预测需求。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于卫星地图技术的智慧电力审计方法，其特征在于，该方法包括以下步骤：
S1、通过卫星地图技术获取待审计区域的卫星地图图像及历史电力消耗数据；
S2、基于k-means聚类词袋模型分类算法对待审计区域的卫星地图图像进行地物识别分类，得到地物的属性信息；
S3、利用GIS技术将识别出的地物属性信息与历史电力消耗数据进行空间整合处理，得到不同类型地物的电力消耗量；
S4、基于马尔可夫链与蒙特卡罗仿真结合算法对待审计区域的预设未来阶段进行电力消耗预测；
S5、将预设未来阶段的电力消耗预测与实际电力消耗数据进行差异分析，并确定异常电力消耗情况；
所述基于k-means聚类词袋模型分类算法对待审计区域的卫星地图图像进行地物识别分类，得到地物的属性信息包括以下步骤：
S21、收集地物图像的样本数据集以及地物的标注数据并进行预处理，所述地物的标注数据包括地物的类型、面积及高度，所述预处理包括图像增强、颜色空间转换；
S22、基于角点提取和图论的方法对地物图像进行区域分割，确定地物图像中的目标区域，得到目标区域图像；
S23、对得到的目标区域图像进行SIFT特征提取，并构建SIFT特征点的训练样本图像集；
S24、通过k-means聚类方法对训练样本图像集中的特征进行聚类并构建视觉词典，得到视觉词袋；
S25、基于得到的视觉词袋，获取视觉词典在每一幅训练图像中出现的次数，并构建对应的图像特征直方图向量；
S26、通过径向基核函数的SVM对训练样本集中的图像特征直方图向量进行训练分类，并利用交叉验证的方法进行验证处理，得到最优的地物分类器；
S27、将待审计区域的卫星地图图像作为输入，并输入至地物分类器中进行地物分类，得到地物的属性信息，所述地物的属性信息包括地物的位置、类型、面积、高度及形状；
所述利用GIS技术将识别出的地物属性信息与历史电力消耗数据进行空间整合处理包括以下步骤：
S31、将地物属性信息和历史电力消耗数据转换为相同的地理坐标系统，并进行地理投影；
S32、利用GIS技术将地物的位置信息和电力数据的地理位置进行空间关联和连接操作，并进行空间分析和统计，得到不同类型地物的电力消耗量；
所述基于马尔可夫链与蒙特卡罗仿真结合算法对待审计区域的预设未来阶段进行电力消耗预测包括步骤：
S41、对得到的不同类型地物的电力消耗量进行时间序列分析，得到不同月的电力消耗量；
S42、将电力消耗划分为不同的状态，计算不同状态之间的转移概率，并构建马尔可夫链预测模型；
S43、基于马尔可夫链预测模型和转移概率进行蒙特卡罗仿真，得到未来预设阶段的电力消耗序列；
所述基于角点提取和图论的方法对地物图像进行区域分割，确定地物图像中的目标区域，得到目标区域图像包括以下步骤：
S221、对样本数据集中每一幅地物图像进行角点定位，并记录每一幅地物图像的角点位置信息，将整幅地物图像作为初始目标区域，定义目标区域的边界点；
S222、根据记录的角点位置信息并通过无向图构建公式对角点的无向图进行构建，得到地物图像中各角点的关联图；
S223、根据地物图像中各角点的关联图将关联度小于预设阈值的角点滤除掉，并得到关键角点集合V；
S224、根据得到关键角点集合V，对目标区域的边界点进行更新，得到地物图像的最终目标区域；
所述无向图构建公式为：
式中，/>表示角点的无向图；
表示角点之间的距离；
A表示预设的距离阈值；
所述通过k-means聚类方法对训练样本图像集中的特征进行聚类并构建视觉词典，得到视觉词袋包括以下步骤：
S241、在训练样本图像集的特征中随机选择K个对象，K表示聚类的数量，并作为初始聚类中心；
S242、计算每个样本特征点到初始聚类中心的距离，并将样本特征点分配至距离最近的中心点所在的类中；
S243、通过均值法对每个类的均值进行计算，并更新聚类中心点；
S244、对于所有的聚类中心，重复执行步骤S242-S243，直至达到预设迭代次数，停止更新，得到最终聚类结果；
S245、将更新后的聚类中心作为视觉词，每个视觉词表示一个特征，并构建视觉词典，得到视觉词袋；
所述将电力消耗划分为不同的状态，计算不同状态之间的转移概率，并构建马尔可夫链预测模型包括以下步骤：
S421、将每个月的电力消耗量转化为不同的状态，所述不同的状态包括高、中及低三种状态；
S422、基于马尔可夫链的原理，计算不同状态之间的转移概率，并统计每个状态之间的转移次数，并将转移次数归一化，得到转移概率矩阵；
S423、根据得到的转移概率矩阵，构建马尔可夫链预测模型；
所述马尔可夫链预测模型的表达式为：
式中，/>表示未来k个月电力消耗量的预测值；
C表示系数矩阵；
表示由电力消耗量进行k步转移后的转移概率矩阵；
所述基于马尔可夫链预测模型和转移概率进行蒙特卡罗仿真包括以下步骤：
从已有的电力消耗序列中选择一个起始状态；
根据转移概率矩阵，选择当前状态下的下一个状态，使用随机数生成器来确定状态转移的结果；
通过重复进行状态转移，生成一系列未来可能的状态序列。
2.根据权利要求1所述的一种基于卫星地图技术的智慧电力审计方法，其特征在于，所述将预设未来阶段的电力消耗预测与实际电力消耗数据进行差异分析，并确定异常电力消耗情况包括以下步骤：
S51、通过智能电表获取带待审计区域的实际电力消耗数据；
S52、将预设未来阶段的电力消耗预测数据与待审计区域的实际电力消耗数据进行差异比较；
S53，若差异结果超过预设的阈值，则判断该区域的电力消耗存在异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311007455.1A CN116720984B (zh) | 2023-08-11 | 2023-08-11 | 一种基于卫星地图技术的智慧电力审计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311007455.1A CN116720984B (zh) | 2023-08-11 | 2023-08-11 | 一种基于卫星地图技术的智慧电力审计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116720984A CN116720984A (zh) | 2023-09-08 |
| CN116720984B true CN116720984B (zh) | 2023-12-01 |
Family
ID=87873837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311007455.1A Active CN116720984B (zh) | 2023-08-11 | 2023-08-11 | 一种基于卫星地图技术的智慧电力审计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116720984B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117350485B (zh) * | 2023-09-27 | 2024-06-25 | 广东电网有限责任公司 | 基于数据挖掘模型的电力市场管控方法和系统 |
| CN117746259B (zh) * | 2024-02-19 | 2024-05-03 | 湖南省第二测绘院 | 一种基于地图引擎的耕地监管方法及系统 |
| CN117977814B (zh) * | 2024-03-28 | 2024-06-21 | 北京智芯微电子科技有限公司 | 智慧开关控制方法、智慧开关和智慧开关边端协同系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5631970A (en) * | 1993-05-21 | 1997-05-20 | Hsu; Shin-Yi | Process for identifying simple and complex objects from fused images and map data |
| CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
| WO2017032210A1 (zh) * | 2015-08-24 | 2017-03-02 | 国家电网公司 | 一种基于聚类分析的输电线路山火风险区域划分方法 |
| CN109214578A (zh) * | 2018-09-19 | 2019-01-15 | 平安科技（深圳）有限公司 | 电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质 |
| CN111311435A (zh) * | 2020-02-18 | 2020-06-19 | 国网河北省电力有限公司 | 一种基于卫星地图技术的智慧电力审计方法 |
| CN111401755A (zh) * | 2020-03-19 | 2020-07-10 | 国电南瑞科技股份有限公司 | 基于马尔科夫链的多新能源出力场景生成方法、装置及系统 |
| CN112364730A (zh) * | 2020-10-29 | 2021-02-12 | 济南大学 | 基于稀疏子空间聚类的高光谱地物自动分类方法及系统 |
| CN112598155A (zh) * | 2020-11-23 | 2021-04-02 | 国网浙江海宁市供电有限公司 | 一种变电站的负荷增减预估方法及系统 |
| CN114841395A (zh) * | 2022-03-15 | 2022-08-02 | 国网山东省电力公司聊城供电公司 | 一种基于区域建筑类型的实时电力预测系统及方法 |
| CN115376018A (zh) * | 2022-08-26 | 2022-11-22 | 中国工商银行股份有限公司 | 建筑物高度及占地面积计算方法、装置、设备及存储介质 |
| WO2022245582A1 (en) * | 2021-05-19 | 2022-11-24 | X Development Llc | Electric grid connection mapping |
| CN116151465A (zh) * | 2023-03-06 | 2023-05-23 | 国网河北省电力有限公司保定供电分公司 | 一种县域分布式光伏超短期预测方法 |
-
2023
- 2023-08-11 CN CN202311007455.1A patent/CN116720984B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5631970A (en) * | 1993-05-21 | 1997-05-20 | Hsu; Shin-Yi | Process for identifying simple and complex objects from fused images and map data |
| CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
| WO2017032210A1 (zh) * | 2015-08-24 | 2017-03-02 | 国家电网公司 | 一种基于聚类分析的输电线路山火风险区域划分方法 |
| CN109214578A (zh) * | 2018-09-19 | 2019-01-15 | 平安科技（深圳）有限公司 | 电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质 |
| CN111311435A (zh) * | 2020-02-18 | 2020-06-19 | 国网河北省电力有限公司 | 一种基于卫星地图技术的智慧电力审计方法 |
| CN111401755A (zh) * | 2020-03-19 | 2020-07-10 | 国电南瑞科技股份有限公司 | 基于马尔科夫链的多新能源出力场景生成方法、装置及系统 |
| CN112364730A (zh) * | 2020-10-29 | 2021-02-12 | 济南大学 | 基于稀疏子空间聚类的高光谱地物自动分类方法及系统 |
| CN112598155A (zh) * | 2020-11-23 | 2021-04-02 | 国网浙江海宁市供电有限公司 | 一种变电站的负荷增减预估方法及系统 |
| WO2022245582A1 (en) * | 2021-05-19 | 2022-11-24 | X Development Llc | Electric grid connection mapping |
| CN114841395A (zh) * | 2022-03-15 | 2022-08-02 | 国网山东省电力公司聊城供电公司 | 一种基于区域建筑类型的实时电力预测系统及方法 |
| CN115376018A (zh) * | 2022-08-26 | 2022-11-22 | 中国工商银行股份有限公司 | 建筑物高度及占地面积计算方法、装置、设备及存储介质 |
| CN116151465A (zh) * | 2023-03-06 | 2023-05-23 | 国网河北省电力有限公司保定供电分公司 | 一种县域分布式光伏超短期预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 词袋模型在高分遥感影像地物分类中的应用研究;王小芹等;《现代电子技术》;第43卷(第17期);第57页第1栏第2段至第59页第2栏第2段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116720984A (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116720984B (zh) | 一种基于卫星地图技术的智慧电力审计方法 | |
| Streltsov et al. | Estimating residential building energy consumption using overhead imagery | |
| Graesser et al. | Image based characterization of formal and informal neighborhoods in an urban landscape | |
| Lloyd | Spatial data analysis: an introduction for GIS users | |
| Mayer et al. | 3D-PV-Locator: Large-scale detection of rooftop-mounted photovoltaic systems in 3D | |
| Ehrlich et al. | Extracting building stock information from optical satellite imagery for mapping earthquake exposure and its vulnerability | |
| Tucci et al. | Positional accuracy, positional uncertainty, and feature change detection in historical maps: Results of an experiment | |
| Hecht et al. | Automatic derivation of urban structure types from topographic maps by means of image analysis and machine learning | |
| Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
| Wu et al. | SALT: A multifeature ensemble learning framework for mapping urban functional zones from VGI data and VHR images | |
| Gervasoni et al. | Convolutional neural networks for disaggregated population mapping using open data | |
| Zhang et al. | Using street view images to identify road noise barriers with ensemble classification model and geospatial analysis | |
| Alahmadi et al. | A comparison of small-area population estimation techniques using built-area and height data, Riyadh, Saudi Arabia | |
| Pradhan et al. | Data mining-aided automatic landslide detection using airborne laser scanning data in densely forested tropical areas | |
| CN110826689A (zh) | 一种基于深度学习的预测县级单位时序gdp的方法 | |
| CN113837134A (zh) | 一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法 | |
| Chen et al. | UVLens: Urban village boundary identification and population estimation leveraging open government data | |
| Li et al. | Identification of undocumented buildings in cadastral data using remote sensing: Construction period, morphology, and landscape | |
| Zhou | Data Mining for Co-location Patterns: Principles and Applications | |
| CN102609721B (zh) | 遥感影像的聚类方法 | |
| He et al. | Modeling multi-type urban landscape dynamics along the horizontal and vertical dimensions | |
| Long et al. | Mapping parcel-level urban areas for a large geographical area | |
| Engstrom et al. | Evaluating the Relationship between Contextual Features Derived from Very High Spatial Resolution Imagery and Urban Attributes: A Case Study in Sri Lanka | |
| CN115147726A (zh) | 城市形态图的生成方法、装置、电子设备和可读存储介质 | |
| Kong et al. | A graph-based neural network approach to integrate multi-source data for urban building function classification |
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 | ||
| GR01 | Patent grant |