CN105608697A - 基于遥感气溶胶和萤火虫群算法的空气污染源识别方法 - Google Patents
基于遥感气溶胶和萤火虫群算法的空气污染源识别方法 Download PDFInfo
- Publication number
- CN105608697A CN105608697A CN201510982201.0A CN201510982201A CN105608697A CN 105608697 A CN105608697 A CN 105608697A CN 201510982201 A CN201510982201 A CN 201510982201A CN 105608697 A CN105608697 A CN 105608697A
- Authority
- CN
- China
- Prior art keywords
- firefly
- enterprise
- represent
- remote sensing
- aerosol
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0073—Control unit therefor
- G01N33/0075—Control unit therefor for multiple spatially distributed sensors, e.g. for environmental monitoring
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P13/00—Indicating or recording presence, absence, or direction, of movement
- G01P13/02—Indicating direction only, e.g. by weather vane
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30184—Infrastructure
-
- 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
- G06T2207/30192—Weather; Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Combustion & Propulsion (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于遥感气溶胶和萤火虫群算法的空气污染源识别方法,根据卫星光谱遥感图像反演得到气溶胶光学厚度值,并得到对应区域的风速矢量,对卫星光谱遥感图像和对应的区域数字地图网格化,得到每个图像块的气溶胶光学厚度平均值和企业对应的图像块坐标;将每个图像块的坐标作为GSO算法中萤火虫的初始位置,气溶胶厚度平均值作为萤火虫的属性,每次更新萤火虫位置时,引入由属性值得到的萤火虫相似性修正因子和风速矢量得到的风速风向修正因子,多次迭代后得到萤火虫的源头位置;计算企业的污染覆盖范围半径,将企业作为其污染覆盖范围内的萤火虫所对应的污染物的产生企业,实现污染源识别。本发明可以高效准确地实现空气污染源的识别。
Description
技术领域
本发明属于空气污染源识别技术领域,更为具体地讲,涉及一种基于遥感气溶胶和萤火虫群算法的空气污染源识别方法。
背景技术
大气污染是我国目前面临的严重环境污染问题,包括PM2.5在内的大气污染物不仅降低空气能见度,影响出行,同时有研究表明PM2.5能直接进入人体下呼吸道,与呼吸道疾病和心脏疾病有密切联系,呼吸道疾病目前在我国呈日益上升趋势,因而日益受到人们的关注。
防止大气污染在于源头控制,找到大气污染物的排放源,摸清其排放量是进行下一步管理的必要条件,对于决策者具有重要的意义。
目前,常用的大气污染物溯源的方法有两类:一类是基于地面采样的下推法,其原理是通过地面实地采样和实验室化学组分分析的方法,通过污染物化学成分特征分析污染物来源。这类方法中,最具代表性的是受体模型,也是目前最广泛采用的污染物溯源方法;另一类是基于排放清单和扩散模型的上推法,其原理是根据获取的排放清单,代入扩散模型中进行污染物运动模拟,其最大的特点是能进行污染预测。这两类方法各有其优点,也存在明显的不足。对于上推法,由于需要进行大量的实地采样和实验室化验分析,工作量很大、成本昂贵,除了在一些重点区域间断性采用外,既难以大范围使用,也难以持续进行;对于下推法,排放清单的建立是关键,但目前为止,我国还没有完整的排放清单。另外,由于排放源分类不明确,缺少排放因子数据库等因素,使得构建排放清单在某些情况下几乎不可能。
随着航天技术的快速发展,地表空间信息获取能力和水平大大提升。卫星遥感数据在时间分辨率、空间分辨率和光谱分辨率上都有了极大的提升,利用卫星遥感影像定量化获取地表或大气物理化学性质已被证明是可行的,随着研究的深入和算法的改进,定量反演的精度不断提升。已有大量的研究利用遥感影像估算大气污染物浓度以及分析大气污染物分布情况。如何利用成本相对低廉、空间覆盖范围大、周期性获取的卫星遥感影像解决污染物溯源的问题是现有技术需要解决的问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于遥感气溶胶和萤火虫群算法的空气污染源识别方法,采用萤火虫群算法对卫星光谱遥感图像反演得到的气溶胶厚度值进行污染溯源,高效准确地实现空气污染源的识别。
为实现上述发明目的,本发明基于遥感气溶胶和萤火虫群算法的空气污染源识别方法包括以下步骤:
S1:获取卫星光谱遥感图像和对应的区域数字地图;
S2:获取卫星光谱遥感图像对应区域的风向和风速,得到风速矢量
S3:对卫星光谱遥感图像进行气溶胶光学厚度反演,得到卫星光谱遥感图像中每个像元的气溶胶光学厚度值;
S4:对卫星光谱遥感图像进行网格化,网格边长根据实际情况设置,将卫星光谱遥感图像划分为M×N个图像块,计算每个图像块中所包含像元的气溶胶光学厚度平均值;同时对卫星光谱遥感图像对应的区域数字地图进行网格化,划分为M×N个图像块,根据企业坐标得到企业k所对应的图像块坐标Ek,k=1,2,…,K,K表示企业数量;
S5:采用基于GSO的污染溯源方法进行污染物溯源,其具体步骤包括:
S5.1:设置每只萤火虫的初始荧光素值Li(0)相同,将各像素块的坐标作为萤火虫的初始位置xi(0),将像素块所对应的气溶胶光学厚度平均值作为萤火虫的属性值Ai,设置各萤火虫邻域初始值i=1,2,…,Q,Q=M×N;
S5.2:令迭代次数t=1;
S5.3:根据以下公式计算第t代萤火虫的荧光素:
Li(t)=(1-ρ)Li(t-1)+γF(xi(t))
其中,t表示迭代次数,i表示萤火虫序号,Li(t)表示第t代萤火虫i的荧光素,Li(t-1)表示第t-1代萤火虫i的荧光素,ρ表示荧光素的衰减率,ρ∈(0,1),γ表示荧光素更新率,F(xi(t))表示萤火虫i在当前位置xi(t)的目标函数值,目标函数的计算公式为:
其中,dik(t)表示萤火虫i在当前位置xi(t)与企业k坐标Ek的距离;
S5.4:对于每只萤火虫i,分别计算向其邻域Ni(t)内另一只萤火虫j的移动概率pij(t);采用轮盘赌规则选择本次萤火虫i所要向其运动的萤火虫j,将其序号记为j′,然后根据下式更新萤火虫i的位置:
其中,xj′(t)表示第t代萤火虫j′的位置,s表示移动步长,||||表示求欧几里德范数;
Δattibute表示萤火虫相似性修正因子,其计算方法为:首先在萤火虫i的邻域Ni(t)内,搜索与萤火虫i的属性值Ai最接近的萤火虫j*,然后计算Δattibute:
其中,sa表示预设的步长,xj*(t)是第t代萤火虫j*的位置;
Δwind表示风速风向修正因子,其计算公式为:其中sw表示缩放因子;
S5.5:如果迭代次数t=T,T表示预设的最大迭代次数,将每只萤火虫的当前位置作为其源头位置停止迭代;否则进入步骤S5.6;
S5.6:更新每只萤火虫的邻域半径然后令t=t+1,返回步骤S5.3:
S6:根据企业所对应的图像块坐标Ek,得到企业污染覆盖范围的半径Rk;
S7:根据污染覆盖范围的半径Rk与各只萤火虫的源头位置将企业k作为其污染覆盖范围内的萤火虫所对应的污染物的产生企业,统计其污染覆盖范围内的萤火虫所对应的气溶胶厚度值水平,作为企业k的污染指标。
本发明基于遥感气溶胶和萤火虫群算法的空气污染源识别方法,首先根据卫星光谱遥感图像反演得到气溶胶光学厚度值,得到对应区域的风速矢量,对卫星光谱遥感图像和对应的区域数字地图网格化,得到每个图像块的气溶胶光学厚度平均值和企业对应的图像块坐标;将每个图像块的坐标作为GSO算法中萤火虫的初始位置,气溶胶厚度平均值作为萤火虫的属性,然后迭代,在每次更新萤火虫位置时,引入由属性值计算得到的萤火虫相似性修正因子和风速矢量计算得到的风速风向修正因子,多次迭代后得到萤火虫的源头位置;然后计算企业的污染覆盖范围半径,将企业作为其污染覆盖范围内的萤火虫所对应的污染物的产生企业,实现污染源识别。
本发明具有以下有益效果:
(1)采用萤火虫群算法,准确高效地迭代得到污染物的源头位置;
(2)萤火虫群算法中更新萤火虫位置时,引入由属性值计算得到的萤火虫相似性修正因子和风速矢量计算得到的风速风向修正因子,可以使萤火虫群算法适应本发明应用环境的实际情况,使其迭代结果更符合实际,提高污染源识别的准确度;
(3)本发明只需要远程光谱遥感信息以及企业的地理信息***去量化每个企业的污染情况,而不需要像以往那样通过极为昂贵的样本检测和低效的排放物清单方法,从而高效准确、低成本地实现空气污染源识别。
附图说明
图1是本发明基于遥感气溶胶和萤火虫群算法的空气污染源识别方法的具体实施方式流程图;
图2是本发明中基于GSO的污染溯源方法的流程图;
图3是成都市区域图;
图4是都江堰区域的气溶胶光学厚度值网格化图像;
图5是新津区域的气溶胶光学厚度值网格化图像;
图6是都江堰区域的污染溯源图像;
图7是新津区域的污染溯源图像。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明基于遥感气溶胶和萤火虫群算法的空气污染源识别方法的具体实施方式流程图。如图1所示,本发明基于遥感气溶胶和萤火虫群算法的空气污染源识别方法包括以下步骤:
S101:获取图像:
首先获取卫星光谱遥感图像和对应的区域数字地图。光谱遥感图像一般采用多光谱和高光谱遥感图像。区域数字地图中包含需要监测的各个企业的位置信息。
S102:获取风速矢量:
获取卫星光谱遥感图像对应区域的风向和风速,得到风速矢量本发明中风速矢量的指向方向为风的来向。
S103:气溶胶光学厚度反演:
对卫星光谱遥感图像进行气溶胶光学厚度反演,得到卫星光谱遥感图像中每个像元的气溶胶光学厚度值。本发明中将气溶胶光学厚度值作为大气污染物的量化参照物。目前气溶胶光学厚度反演算法有暗目标法、结构函数法、多角度偏振法等,可以根据实际需要来进行选择,其具体反演过程在此不再赘述。一般来说,在反演后的卫星光谱遥感图像中还存在空白区域,采用插值方法即可得到空白区域的气溶胶光学厚度值。
S104:图像网格化:
对卫星光谱遥感图像进行网格化,网格边长根据实际情况设置,将卫星光谱遥感图像划分为M×N个图像块,计算每个图像块中所包含像元的气溶胶光学厚度平均值,记为A(m,n),其中m=1,2,…,M,n=1,2,…,N。因为原始卫星光谱遥感图像所包含的像元数量较多,网格化的目的主要是为了减少计算量。
同时对卫星光谱遥感图像对应的区域数字地图也进行网格化,同样地,将区域数字地图也划分为M×N个图像块,根据企业坐标得到企业k所对应的图像块坐标Ek,k=1,2,…,K,K表示企业数量。
S105:基于GSO的污染溯源:
GSO即萤火虫群优化算法(GlowwormSwarmOptimization)是由krishnanand和Ghose提出来的一种新颖的自然启发式优化算法,GSO是第一个使用目标函数值相等或不等的多模态函数优化算法。在GSO中,每只萤火虫被视为解空间的一个解,每只人工萤火虫携带了一定量的荧光素,发出一定量的荧光并拥有各自的视野,即决策域。荧光素的大小和自己所在位置的目标函数有关,越亮的萤火虫表示它所在的位置越好,所对应的目标函数值也更优。每只萤火虫向邻域内较亮的萤火虫移动,最终,使得萤火虫聚集在较优的位置上,找到多个极值点,从而达到种群寻优的目的。GSO算法是目前一种常用的寻优算法,其具体流程在此不再赘述。
在原始的GSO算法,一只萤火虫的运动取决于荧光素,而荧光素由目标函数值和萤火虫位置决定,原始算法没有考虑每只萤火虫的属性。然而在本发明的具体应用中,将每个图像块的气溶胶厚度值A(m,n)作为萤火虫的属性,该属性是影响萤火虫运动的一个重要因素,因为有着相同气溶胶水平的点更有可能来自同一个污染源。此外,风也是一个重要因素。这是因为风影响了污染物的扩散,那么在进行污染溯源的时候,就需要考虑风力的影响。基于这两方面的考虑,本发明在传统GSO算法的基础上提出了一种基于GSO的污染溯源方法。
图2是本发明中基于GSO的污染溯源方法的流程图。如图2所示,基于GSO的污染溯源方法具体步骤包括:
S201:初始化萤火虫:
与传统GSO算法中随机初始化萤火虫不同,本发明将每个像素块作为一只萤火虫,设置每只萤火虫的初始荧光素值Li(0)相同,将各像素块的坐标(m,n)作为萤火虫的初始位置xi(0),将像素块所对应的气溶胶光学厚度平均值A(m,n)作为萤火虫的属性值Ai。此外,还要设置各萤火虫邻域初始值以及其他GSO算法需要的参数。显然本发明中萤火虫的数量Q=M×N,i=1,2,…,Q。
S202:令迭代次数t=1;
S203:荧光素更新:
根据以下公式计算第t代萤火虫的荧光素:
Li(t)=(1-ρ)Li(t-1)+γF(xi(t))
其中,t表示迭代次数,i表示萤火虫序号,Li(t)表示第t代萤火虫i的荧光素,Li(t-1)表示第t-1代萤火虫i的荧光素,ρ表示荧光素的衰减率,ρ∈(0,1),γ表示荧光素更新率,F(xi(t))表示萤火虫i在当前位置xi(t)的目标函数值,目标函数的计算公式为:
其中,dik(t)表示萤火虫i在当前位置xi(t)与企业k坐标Ek的距离,可以表示为dik(t)=||xi(t)-Ek||。
S204:萤火虫移动:
对于每只萤火虫i,分别计算向其邻域Ni(t)内另一只萤火虫j的移动概率pij(t):
其中,邻域集 dij(t)表示第t代萤火虫i与萤火虫j当前位置的距离,表示第t代萤火虫i的邻域半径,rs表示萤火虫的感知半径,Lj(t)表示第t代萤火虫j的荧光素。
采用轮盘赌规则选择本次萤火虫i所要向其运动的萤火虫j,将其序号记为j′,然后根据下式更新萤火虫i的位置:
其中,xj′(t)表示第t代萤火虫j′的位置,s表示移动步长,||||表示求欧几里德范数。
Δattibute是本发明中考虑萤火虫属性所引入的萤火虫相似性修正因子,代表了由两只萤火虫相似属性决定的位移,其计算方法为:首先在萤火虫i的邻域Ni(t)内,搜索与萤火虫i的属性值Ai最接近的萤火虫j*,即j*={j:minAj-Ai|},然后计算萤火虫相似性修正因子:
其中,sa表示预设的步长,xj*(t)是第t代萤火虫j*的位置。
Δwind是本发明中考虑风力影响所引入的风速风向修正因子,代表由风导致的移动距离,其计算公式为:
其中,sw表示缩放因子,即风速单位与网格化光谱遥感图像分辨率的比率。例如当网格化后光谱遥感图像的分辨率为5km,即每个网格的边长为5km,风速单位为m,则缩放因子sw=0.0002。
S205:判断是否迭代次数t=T,T表示预设的最大迭代次数,如果是,进入步骤S206,否则进入步骤S207。
S206:得到萤火虫源头位置:
将每只萤火虫的当前位置作为其源头位置停止迭代。
S207:更新邻域半径:
在GSO中,每只萤火虫的邻域半径不是恒定的,在每次迭代都会更新。其更新公式为:
其中,β是常量参数,用于控制更新邻域的速度,nt表示领域数量控制参数,|Ni(t)|表示邻域集中萤火虫的数量。
S208:令t=t+1,返回步骤S203。
根据基于GSO的污染溯源方法可以看出,本发明考虑了气溶胶厚度值的相似度以及风力作用,借助于GSO算法,使代表污染物的萤火虫逐步向其源头移动,从而实现对污染溯源。
S106:计算企业污染覆盖范围:
根据企业所对应的图像块坐标Ek,得到企业污染覆盖范围的半径Rk。本实施例中所采用的计算方法为:对于企业k,首先搜索与其距离最近的企业k′,计算这两个企业之间距离Dkk′,Rk=0.5Dkk′。
S107:判定污染物产生企业:
根据污染覆盖范围的半径Rk与每只萤火虫的源头位置将企业k作为其污染覆盖范围内的萤火虫所对应的污染物的产生企业,统计其污染覆盖范围内的萤火虫所对应的气溶胶厚度值水平,作为企业k的污染指标。根据污染指标,就可以对该企业的污染情况进行评价。本实施例中所采用的污染指标有三种:污染总量、污染强度和面积归一化污染。
污染总量表示污染源企业周围的污染点的气溶胶厚度值总和。企业k所对应的污染总量PGk的计算公式为:
其中,Wk表示企业k污染覆盖范围内的萤火虫数量,表示企业k污染覆盖范围内萤火虫w的气溶胶厚度值。
污染强度表示污染源企业周围的污染点的气溶胶厚度值平均值。企业k所对应的污染强度PIk的计算公式为:
考虑到企业的分布是不均匀的,有些企业是独立的,有些是聚集的。有时孤立的企业有可能吸引污染点。为了避免这种影响,提出了面积归一化污染指标。企业k所对应的面积归一化污染ANPk的计算公式为:
其中,areak表示企业k污染覆盖范围的面积,即
为了说明本发明的技术效果,选择成都市对本发明进行了实验验证。由于其显著的气候特征(多云多雾,日照时间短,空气湿度高)和封闭式的地理环境(位于四川盆地的中间),空气污染物不能快速地散开,很容易聚集在城市和郊区。图3是成都市区域图。如图3所示,本次实验验证中选择了成都都江堰(图3(b))和新津(图3(c))两个城市作为实验区域。根据GIS数据的更新日期,获取2009.3.17、基于6MODISL1B产品(mod021km)、h04/V30的遥感数据作为实验数据。研究区域的企业的GIS信息采用2009年的信息。
首先采用常规的气溶胶反演算法DDV算法来反演得到气溶胶光学厚度值,检索气溶胶的分辨率为1km,然后进行网格化。企业的位置可以由GIS矢量点转换为TIF格式的栅格点后得到。图4是都江堰区域的气溶胶光学厚度值网格化图像。图5是新津区域的气溶胶光学厚度值网格化图像。如图4和图5所示,每个小圆点表示了一个气溶胶光学厚度值,每个小方格代表了一个企业。
然后采用GSO算法进行污染溯源。GSO算法参数设置如下:各萤火虫的荧光素初始值均为Li(0)=2,感知范围rs=2,自适应决策域初始值邻域阈值nt=2,参数β=0.08,移动步长s=sa=0.03,荧光素衰减率ρ=0.2,荧光素更新率γ=0.6,最大迭代次数T=200。
然后计算各个企业的污染覆盖范围,然后得到其污染覆盖范围内的萤火虫所对应的污染物,作为其源头。
图6是都江堰区域的污染溯源图像。图7是新津区域的污染溯源图像。如图6和图7所示,经过基于GSO的污染溯源,污染物向各个企业进行了集中,从而可以很容易对污染物的源头进行判断。
然后统计其污染覆盖范围内的萤火虫所对应的气溶胶厚度值水平,计算各个企业的污染指标。表1是都江堰区域11家企业的污染指标。
企业 | 污染总量 | 污染强度 | 面积归一化污染 |
A1 | 36.31 | 2.24 | 1.28 |
A2 | 38.83 | 2.30 | 0.49 |
A3 | 42.12 | 2.32 | 13.41 |
A4 | 9.39 | 2.34 | 2.99 |
A5 | 42.71 | 2.39 | 3.40 |
A6 | 62.74 | 2.50 | 19.97 |
A7 | 9.48 | 2.23 | 3.02 |
A8 | 0 | 0 | 0 |
A9 | 0 | 0 | 0 |
A10 | 0 | 0 | 0 |
A11 | 65.78 | 2.51 | 20.94 |
表1
表2是新津区域11家企业的污染指标。
企业 | 污染总量 | 污染强度 | 面积归一化污染 |
B1 | 0 | 0 | 0 |
B2 | 0 | 0 | 0 |
B3 | 10.63 | 0.72 | 3.38 |
B4 | 6.27 | 1.01 | 2.00 |
B5 | 13.63 | 2.02 | 4.34 |
B6 | 40.80 | 2.24 | 0.52 |
B7 | 41.40 | 2.41 | 13.18 |
B8 | 4.07 | 2.04 | 1.30 |
B9 | 40.86 | 2.52 | 0.52 |
B10 | 57.21 | 2.66 | 18.21 |
B11 | 9.17 | 2.51 | 2.92 |
表2
如表1和表2可知,都江堰区域的企业A11的污染程度最高,其污染总量、污染强度最高和面积归一化污染都是最高的,新津区域的企业B10的污染程度最高。可见,设置三种污染指标的阈值,根据本发明计算得到的各企业对应的污染指标,可以很容易地对各个企业的污染程度进行判别,筛选出重点污染企业。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (7)
1.一种基于遥感气溶胶和萤火虫群算法的空气污染源识别方法,其特征在于,包括以下步骤:
S1:获取卫星光谱遥感图像和对应的区域数字地图;
S2:获取卫星光谱遥感图像对应区域的风向和风速,得到风速矢量
S3:对卫星光谱遥感图像进行气溶胶光学厚度反演,得到卫星光谱遥感图像中每个像元的气溶胶光学厚度值;
S4:对卫星光谱遥感图像进行网格化,网格边长根据实际情况设置,将卫星光谱遥感图像划分为M×N个图像块,计算每个图像块中所包含像元的气溶胶光学厚度平均值;同时对卫星光谱遥感图像对应的区域数字地图进行网格化,划分为M×N个图像块,根据企业坐标得到企业k所对应的图像块坐标Ek,k=1,2,…,K,K表示企业数量;
S5:采用基于GSO的污染溯源方法进行污染物溯源,其具体步骤包括:
S5.1:设置每只萤火虫的初始荧光素值Li(0)相同,将各像素块的坐标作为萤火虫的初始位置xi(0),将像素块所对应的气溶胶光学厚度平均值作为萤火虫的属性值Ai,设置各萤火虫邻域初始值,i=1,2,…,Q,Q=M×N;
S5.2:令迭代次数t=1;
S5.3:根据以下公式计算第t代萤火虫的荧光素:
Li(t)=(1-ρ)Li(t-1)+γF(xi(t))
其中,t表示迭代次数,i表示萤火虫序号,Li(t)表示第t代萤火虫i的荧光素,Li(t-1)表示第t-1代萤火虫i的荧光素,ρ表示荧光素的衰减率,ρ∈(0,1),γ表示荧光素更新率,F(xi(t))表示萤火虫i在当前位置xi(t)的目标函数值,目标函数的计算公式为:
其中,dik(t)表示萤火虫i在当前位置xi(t)与企业k坐标Ek的距离;
S5.4:对于每只萤火虫i,分别计算向其邻域Ni(t)内另一只萤火虫j的移动概率pij(t);采用轮盘赌规则选择本次萤火虫i所要向其运动的萤火虫j,将其序号记为j′,然后根据下式更新萤火虫i的位置:
其中,xj′(t)表示第t代萤火虫j′的位置,s表示移动步长,||||表示求欧几里德范数;
Δattibute表示萤火虫相似性修正因子,其计算方法为:首先在萤火虫i的邻域Ni(t)内,搜索与萤火虫i的属性值Ai最接近的萤火虫j*,然后计算Δattibute:
其中,sa表示预设的步长,是第t代萤火虫j*的位置;
Δwind表示风速风向修正因子,其计算公式为:其中sw表示缩放因子;
S5.5:如果迭代次数t=T,T表示预设的最大迭代次数,将每只萤火虫的当前位置作为其源头位置停止迭代;否则进入步骤S5.6;
S5.6:更新每只萤火虫的邻域半径然后令t=t+1,返回步骤S5.3:
S6:根据企业所对应的图像块坐标Ek,得到企业污染覆盖范围的半径Rk;
S7:根据污染覆盖范围的半径Rk与各只萤火虫的源头位置将企业k作为其污染覆盖范围内的萤火虫所对应的污染物的产生企业,统计其污染覆盖范围内的萤火虫所对应的气溶胶厚度值水平,作为企业k的污染指标。
2.根据权利要求1所述的空气污染源识别方法,其特征在于,所述步骤S5.4中,移动概率pij(t)的计算公式为:
其中,邻域集 dij(t)表示萤火虫i与萤火虫j当前位置的距离,表示第t代萤火虫i的邻域半径,rs表示萤火虫的感知半径,Lj(t)表示第t代萤火虫j的荧光素。
3.根据权利要求1所述的空气污染源识别方法,其特征在于,所述步骤S5.6中,邻域半径的计算公式为:
其中,β是常量参数,nt表示领域数量控制参数。
4.根据权利要求1所述的空气污染源识别方法,其特征在于,所述步骤S6中半径Rk的计算方法为:对于企业k,首先搜索与其距离最近的企业k′,计算这两个企业之间距离Dkk′,Rk=0.5Dkk′。
5.根据权利要求1所述的空气污染源识别方法,其特征在于,所述污染指标为污染总量PGk,其计算公式为:
其中,Wk表示企业k污染覆盖范围内的萤火虫数量,表示企业k污染覆盖范围内萤火虫w的气溶胶厚度值。
6.根据权利要求1所述的空气污染源识别方法,其特征在于,所述污染指标为污染强度PIk,其计算公式为:
7.根据权利要求1所述的空气污染源识别方法,其特征在于,所述污染指标为面积归一化污染ANPk,其计算公式为:
其中,areak表示企业k污染覆盖范围的面积。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510982201.0A CN105608697B (zh) | 2015-12-24 | 2015-12-24 | 基于遥感气溶胶和萤火虫群算法的空气污染源识别方法 |
US15/358,828 US10168141B2 (en) | 2015-12-24 | 2016-11-22 | Method for identifying air pollution sources based on aerosol retrieval and glowworm swarm algorithm |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510982201.0A CN105608697B (zh) | 2015-12-24 | 2015-12-24 | 基于遥感气溶胶和萤火虫群算法的空气污染源识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105608697A true CN105608697A (zh) | 2016-05-25 |
CN105608697B CN105608697B (zh) | 2018-04-13 |
Family
ID=55988613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510982201.0A Active CN105608697B (zh) | 2015-12-24 | 2015-12-24 | 基于遥感气溶胶和萤火虫群算法的空气污染源识别方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10168141B2 (zh) |
CN (1) | CN105608697B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106324204A (zh) * | 2016-11-02 | 2017-01-11 | 扬州大学 | 城市大气pm2.5主要污染源的确定方法 |
CN106404616A (zh) * | 2016-08-31 | 2017-02-15 | 孙扬 | 一种大气细颗粒物(pm2.5)排放源解析定位的方法 |
CN106454241A (zh) * | 2016-10-13 | 2017-02-22 | 北京师范大学 | 一种基于监控视频与社交网络数据的灰霾扩散路径绘制与来源确定方法 |
CN108392926A (zh) * | 2018-03-01 | 2018-08-14 | 深圳市创艺工业技术有限公司 | 一种空气污染防治*** |
CN109213839A (zh) * | 2018-09-12 | 2019-01-15 | 北京英视睿达科技有限公司 | 基于网格化特征深度学习的热点网格污染物数据获取方法 |
CN109357979A (zh) * | 2018-10-31 | 2019-02-19 | 国网湖南省电力有限公司 | 一种基于卫星监测的雾霾移动分析方法及*** |
CN109490477A (zh) * | 2018-11-19 | 2019-03-19 | 北京英视睿达科技有限公司 | 基于卫星遥感数据确定大气污染热点网格的方法及装置 |
CN109543592A (zh) * | 2018-11-19 | 2019-03-29 | 北京英视睿达科技有限公司 | 基于遥感地物确定大气污染热点网格的方法及装置 |
CN109886830A (zh) * | 2019-01-02 | 2019-06-14 | 同济大学 | 一种基于用户投诉信息的供水管网污染源追踪定位方法 |
US10746714B2 (en) | 2017-06-16 | 2020-08-18 | International Business Machines Corporation | Air pollution source recognition based on dynamic pairing and comparison |
CN111859688A (zh) * | 2020-07-27 | 2020-10-30 | 浙江量大智能科技有限公司 | 一种基于压抑心理函数的多飞行器协同追溯气味源方法 |
CN117708617A (zh) * | 2024-02-05 | 2024-03-15 | 四川国蓝中天环境科技集团有限公司 | 基于多源大数据及污染特征时空匹配的大气污染溯源方法 |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108828140A (zh) * | 2018-04-26 | 2018-11-16 | 中国计量大学 | 一种基于粒子群算法的多无人机协同恶臭溯源方法 |
TWI700593B (zh) * | 2018-10-15 | 2020-08-01 | 碁曄科技股份有限公司 | 應用飛行載具之汙染源搜尋系統及其方法 |
CN109582910A (zh) * | 2018-12-11 | 2019-04-05 | 国网湖南省电力有限公司 | 基于空气混合高度的地面pm2.5的计算方法及*** |
CN109814549B (zh) * | 2018-12-29 | 2023-11-10 | 北京英视睿达科技股份有限公司 | 一种确定污染源位置的方法、装置和*** |
EP3921956B1 (en) * | 2019-02-11 | 2023-04-05 | Viasat, Inc. | Delta coding for remote sensing |
US11538204B2 (en) * | 2019-02-27 | 2022-12-27 | Daikin Industries, Ltd. | Information providing system |
CN110659846A (zh) * | 2019-10-12 | 2020-01-07 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于modis的aod数据的电力污秽等级评估方法 |
CN110729026B (zh) * | 2019-10-28 | 2024-07-12 | 中国科学院生态环境研究中心 | 一种基于混合清单构建和空间多介质模型模拟相结合的多氯联苯时空定量溯源的方法 |
CN110779500B (zh) * | 2019-11-14 | 2021-11-30 | 中国人民解放军国防科技大学 | 一种增量部署传感器的中尺度涡探测方法 |
CN111191380B (zh) * | 2020-01-08 | 2020-11-20 | 北京大学 | 一种基于地基光谱仪测量数据的大气气溶胶光学厚度估算方法和装置 |
CN111426609B (zh) * | 2020-04-03 | 2022-09-30 | 交通运输部天津水运工程科学研究所 | 一种散货港口粉尘全域网格化监测方法 |
CN111521754B (zh) * | 2020-04-22 | 2021-04-13 | 中国科学院地理科学与资源研究所 | 一种在产焦化企业场地土壤污染初步调查布点方法 |
CN111650128B (zh) * | 2020-06-08 | 2021-07-13 | 电子科技大学 | 一种基于地表反射率库的高分辨率大气气溶胶反演方法 |
CN111860235B (zh) * | 2020-07-06 | 2021-08-06 | 中国科学院空天信息创新研究院 | 高低层特征融合的注意力遥感图像描述的生成方法及*** |
CN112214877B (zh) * | 2020-09-15 | 2024-02-13 | 南通大学 | 一种基于量化指标的pm2.5反演方法 |
CN112241844B (zh) * | 2020-10-21 | 2021-07-13 | 生态环境部卫星环境应用中心 | 饮用水水源地环境风险源本底清单确定及更新方法和装置 |
CN112231983B (zh) * | 2020-10-23 | 2024-02-02 | 河南大学 | 面向遥感时空大数据的污染前体物排放源的类脑跨模态识别及并行处理方法 |
CN112364588B (zh) * | 2020-11-12 | 2023-03-24 | 河北农业大学 | 一种fprm逻辑电路面积优化方法 |
KR102273539B1 (ko) * | 2020-12-28 | 2021-07-06 | (주)컨텍 | 발사체-위성-지상국-si를 활용한 플랫폼 제공 장치 |
CN113869640A (zh) * | 2021-08-26 | 2021-12-31 | 中国环境科学研究院 | 企业筛选方法、装置、电子设备及存储介质 |
CN114217014B (zh) * | 2021-11-18 | 2023-07-14 | 广州杰赛科技股份有限公司 | 一种大气污染物的污染源定位方法、装置、介质及设备 |
CN114414446B (zh) * | 2021-12-29 | 2023-10-20 | 中国科学院空天信息创新研究院 | 基于卫星遥感的近地面颗粒物浓度估算方法、装置和设备 |
CN115420854B (zh) * | 2022-08-22 | 2023-12-15 | 北京工业大学 | 一种基于正后向模型结合的大气污染物溯源方法 |
KR102500371B1 (ko) * | 2022-11-03 | 2023-02-16 | 대한민국(관리부서: 환경부 국립환경과학원장) | 환경위성을 통한 에어로졸의 이동량 표출 시스템과 그 방법 |
KR102492322B1 (ko) * | 2022-11-03 | 2023-01-27 | 대한민국(관리부서: 환경부 국립환경과학원장) | 환경위성을 통한 에어로졸의 영향 유형 분류 시스템 및 그 방법 |
CN115752590A (zh) * | 2022-11-30 | 2023-03-07 | 国网福建省电力有限公司 | 基于电力数据的企业污染物排放监测方法 |
CN116699072B (zh) * | 2023-06-08 | 2024-01-26 | 东莞市华复实业有限公司 | 基于侦测巡航的环境预警方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102539336A (zh) * | 2011-02-01 | 2012-07-04 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的可吸入颗粒物估算方法及*** |
KR20130088586A (ko) * | 2012-01-31 | 2013-08-08 | 목포대학교산학협력단 | 풍력단지의 입지선정 방법 |
CN104103005A (zh) * | 2014-08-05 | 2014-10-15 | 环境保护部华南环境科学研究所 | 一种有限条件下突发性水环境事件污染源的溯源方法 |
CN104615906A (zh) * | 2015-03-03 | 2015-05-13 | 中科宇图天下科技有限公司 | 一种基于单线河流快速逆流溯源的方法 |
CN105158431A (zh) * | 2015-09-22 | 2015-12-16 | 浙江大学 | 一种无人污染物溯源***及其溯源方法 |
-
2015
- 2015-12-24 CN CN201510982201.0A patent/CN105608697B/zh active Active
-
2016
- 2016-11-22 US US15/358,828 patent/US10168141B2/en not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102539336A (zh) * | 2011-02-01 | 2012-07-04 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的可吸入颗粒物估算方法及*** |
KR20130088586A (ko) * | 2012-01-31 | 2013-08-08 | 목포대학교산학협력단 | 풍력단지의 입지선정 방법 |
CN104103005A (zh) * | 2014-08-05 | 2014-10-15 | 环境保护部华南环境科学研究所 | 一种有限条件下突发性水环境事件污染源的溯源方法 |
CN104615906A (zh) * | 2015-03-03 | 2015-05-13 | 中科宇图天下科技有限公司 | 一种基于单线河流快速逆流溯源的方法 |
CN105158431A (zh) * | 2015-09-22 | 2015-12-16 | 浙江大学 | 一种无人污染物溯源***及其溯源方法 |
Non-Patent Citations (3)
Title |
---|
K. N. KRISHNANAND: "Glowworm swarm optimisation: a new method for optimising multi-modal functions", 《INTERNATIONAL JOURNAL OF COMPUTATIONAL INTELLIGENCE STUDIES》 * |
K. N. KRISHNANAND等: "《Soft Computing Applications in Industry》", 31 December 2008 * |
易柯欣 等: "基于粒子群算法的混合尘溯源解析技术改进", 《中国环境科学》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106404616A (zh) * | 2016-08-31 | 2017-02-15 | 孙扬 | 一种大气细颗粒物(pm2.5)排放源解析定位的方法 |
CN106404616B (zh) * | 2016-08-31 | 2018-12-25 | 孙扬 | 一种大气细颗粒物(pm2.5)排放源解析定位的方法 |
CN106454241B (zh) * | 2016-10-13 | 2020-02-21 | 北京师范大学 | 一种基于监控视频与社交网络数据的灰霾来源确定方法 |
CN106454241A (zh) * | 2016-10-13 | 2017-02-22 | 北京师范大学 | 一种基于监控视频与社交网络数据的灰霾扩散路径绘制与来源确定方法 |
CN106324204B (zh) * | 2016-11-02 | 2018-09-28 | 扬州大学 | 城市大气pm2.5主要污染源的确定方法 |
CN106324204A (zh) * | 2016-11-02 | 2017-01-11 | 扬州大学 | 城市大气pm2.5主要污染源的确定方法 |
US10746714B2 (en) | 2017-06-16 | 2020-08-18 | International Business Machines Corporation | Air pollution source recognition based on dynamic pairing and comparison |
CN108392926B (zh) * | 2018-03-01 | 2020-06-19 | 浙江东宏智能环境科技有限公司 | 一种空气污染防治*** |
CN108392926A (zh) * | 2018-03-01 | 2018-08-14 | 深圳市创艺工业技术有限公司 | 一种空气污染防治*** |
CN109213839A (zh) * | 2018-09-12 | 2019-01-15 | 北京英视睿达科技有限公司 | 基于网格化特征深度学习的热点网格污染物数据获取方法 |
CN109357979A (zh) * | 2018-10-31 | 2019-02-19 | 国网湖南省电力有限公司 | 一种基于卫星监测的雾霾移动分析方法及*** |
CN109357979B (zh) * | 2018-10-31 | 2021-05-18 | 国网湖南省电力有限公司 | 一种基于卫星监测的雾霾移动分析方法及*** |
CN109490477A (zh) * | 2018-11-19 | 2019-03-19 | 北京英视睿达科技有限公司 | 基于卫星遥感数据确定大气污染热点网格的方法及装置 |
CN109543592A (zh) * | 2018-11-19 | 2019-03-29 | 北京英视睿达科技有限公司 | 基于遥感地物确定大气污染热点网格的方法及装置 |
CN109886830A (zh) * | 2019-01-02 | 2019-06-14 | 同济大学 | 一种基于用户投诉信息的供水管网污染源追踪定位方法 |
CN109886830B (zh) * | 2019-01-02 | 2023-07-04 | 同济大学 | 一种基于用户投诉信息的供水管网污染源追踪定位方法 |
CN111859688A (zh) * | 2020-07-27 | 2020-10-30 | 浙江量大智能科技有限公司 | 一种基于压抑心理函数的多飞行器协同追溯气味源方法 |
CN117708617A (zh) * | 2024-02-05 | 2024-03-15 | 四川国蓝中天环境科技集团有限公司 | 基于多源大数据及污染特征时空匹配的大气污染溯源方法 |
CN117708617B (zh) * | 2024-02-05 | 2024-04-30 | 四川国蓝中天环境科技集团有限公司 | 基于多源大数据及污染特征时空匹配的大气污染溯源方法 |
Also Published As
Publication number | Publication date |
---|---|
US10168141B2 (en) | 2019-01-01 |
CN105608697B (zh) | 2018-04-13 |
US20170184393A1 (en) | 2017-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608697A (zh) | 基于遥感气溶胶和萤火虫群算法的空气污染源识别方法 | |
Hu et al. | Modeling the impact of 2D/3D urban indicators on the urban heat island over different seasons: A boosted regression tree approach | |
Wu et al. | Roofpedia: Automatic mapping of green and solar roofs for an open roofscape registry and evaluation of urban sustainability | |
Xu et al. | Urban morphology detection and computation for urban climate research | |
Wei et al. | Measuring urban agglomeration using a city-scale dasymetric population map: A study in the Pearl River Delta, China | |
Gill et al. | Characterising the urban environment of UK cities and towns: A template for landscape planning | |
Asadi et al. | Simulation of green roofs and their potential mitigating effects on the urban heat island using an artificial neural network: A case study in Austin, Texas | |
Lu et al. | Population estimation based on multi-sensor data fusion | |
Cimburova et al. | The potential of geospatial analysis and Bayesian networks to enable i-Tree Eco assessment of existing tree inventories | |
Alahmadi et al. | A comparison of small-area population estimation techniques using built-area and height data, Riyadh, Saudi Arabia | |
Khayyal et al. | Creation and spatial analysis of 3D city modeling based on GIS data | |
Sabri et al. | A multi-dimensional analytics platform to support planning and design for liveable and sustainable urban environment | |
Bohrer et al. | Optimizing wind power generation while minimizing wildlife impacts in an urban area | |
Wang et al. | Correlation analysis between UBD and LST in Hefei, China, using Luojia1-01 night-time light imagery | |
Rajasekar et al. | Application of association rule mining for exploring the relationship between urban land surface temperature and biophysical/social parameters | |
Qiu et al. | Incorporating road and parcel data for object-based classification of detailed urban land covers from NAIP images | |
Ma et al. | Individual structure mapping over six million trees for New York City USA | |
Graf et al. | The impact of the parameterisation of physiographic features of urbanised catchment areas on the spatial distribution of components of the water balance using the WetSpass model | |
Almeida et al. | Multilevel object-oriented classification of quickbird images for urban population estimates | |
Lu et al. | Remote sensing-based house value estimation using an optimized regional regression model | |
Shirowzhan et al. | Developing metrics for quantifying buildings’ 3D compactness and visualizing point cloud data on a web-based app and dashboard | |
Choi et al. | Feasibility of green network in a highly-dense urbanized area by introducing urban gardens | |
Xu et al. | A framework for the evaluation of roof greening priority | |
Mahajan | greenR: An open-source framework for quantifying urban greenness | |
Sun et al. | High-Precision Dynamic Traffic Noise Mapping Based on Road Surveillance Video |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |