CN113049606A - 一种大面积高精度绝缘子污秽分布评估方法 - Google Patents
一种大面积高精度绝缘子污秽分布评估方法 Download PDFInfo
- Publication number
- CN113049606A CN113049606A CN202110263874.6A CN202110263874A CN113049606A CN 113049606 A CN113049606 A CN 113049606A CN 202110263874 A CN202110263874 A CN 202110263874A CN 113049606 A CN113049606 A CN 113049606A
- Authority
- CN
- China
- Prior art keywords
- data
- pollution
- precision
- evaluation
- insulator
- 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
- 239000012212 insulator Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 50
- 238000012706 support-vector machine Methods 0.000 claims abstract description 16
- 238000000513 principal component analysis Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000011109 contamination Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims 1
- 238000011160 research Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 8
- 239000000523 sample Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009422 external insulation Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种大面积高精度绝缘子污秽分布评估方法,通过获取遥感影像数据,气象数据以及污染源数据,筛选符合要求所述遥感影像、气象图以及污染源数据的面状数据,根据处理后的所述面状数据进行主成分分析以及粗糙集评定,提取污秽相关关键因子,根据所述污秽相关关键因子进行时空分辨率配准,得到配准图像,根据所述配准图像进行支持向量机分类,得到绝缘子污秽等级评估图,根据预置评定等级数据,对所述绝缘子污秽等级评估图进行精度评价,得到大面积高精度绝缘子污秽分布评估以及空间分布特征图,实现对大面积区域进行高精度的绝缘子污秽等级分布评估。
Description
技术领域
本申请涉及遥感技术领域,尤其涉及一种大面积高精度绝缘子污秽分布评估方法。
背景技术
随着经济的发展,环境问题显得尤为突出,很多地方大气污染较为严重,非周期性区域大气污染的加剧,为输变电设备外绝缘污秽事故的预警与预防带来了全新的挑战。虽然传统的ESDD在线监测技术面对绝缘子污秽有了较为不错的监测,但是仅仅能在监测点取得较好的效果。但是面对大面积区域进行污秽等级评估,对传统监测手段来说是一个非常大的工作量,而且在较偏远的地区,由于地形复杂等因素,数据获取困难,野外作业风险相对高。
发明内容
本申请提供了一种大面积高精度绝缘子污秽分布评估方法,通过支持向量机监督分类方法对大面积区域进行高精度的绝缘子污秽等级分布评估。
一种大面积高精度绝缘子污秽分布评估方法,包括:
获取遥感影像数据,气象数据以及污染源数据,筛选符合要求所述遥感影像、气象图以及污染源数据的面状数据;
根据处理后的所述面状数据进行主成分分析以及粗糙集评定,提取污秽相关关键因子;
根据所述污秽相关关键因子进行时空分辨率配准,得到配准图像;
根据所述配准图像进行支持向量机分类,得到绝缘子污秽等级评估图;
根据预置评定等级数据,对所述绝缘子污秽等级评估图进行精度评价,得到大面积高精度绝缘子污秽分布评估以及空间分布特征图。
可选地,所述遥感影像数据包括:AOD数据,NDVI数据,DEM数据以及土地利用类型数据。
可选地,所述气象数据包括:温度数据,湿度数据,风速数据以及降雨数据。
可选地,所述污染源数据为ESDD在线监测数据。
可选地,所述粗糙集评定公式为:
其中,
可选地,所述时空分析配准的方法包括:
选取所述污秽相关关键因子的相同时间尺度以及相同地理尺度的图像,并使所述时间尺度与地理尺度保持一致。
可选地,所述精度评估包括:选取所述预置评定等级数据,混淆矩阵计算出总体的精度。
由以上技术方案可知,本申请提供一种大面积高精度绝缘子污秽分布评估方法,通过获取遥感影像数据,气象数据以及污染源数据,筛选符合要求所述遥感影像、气象图以及污染源数据的面状数据,根据处理后的所述面状数据进行主成分分析以及粗糙集评定,提取污秽相关关键因子,根据所述污秽相关关键因子进行时空分辨率配准,得到配准图像,根据所述配准图像进行支持向量机分类,得到绝缘子污秽等级评估图,根据预置评定等级数据,对所述绝缘子污秽等级评估图进行精度评价,得到大面积高精度绝缘子污秽分布评估以及空间分布特征图,实现对大面积区域进行高精度的绝缘子污秽等级分布评估。
附图说明
为了更清楚地说明本申请的技术方案,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,对于本领域普通技术人员而言,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。
图1为一种大面积高精度绝缘子污秽分布评估方法的流程示意图;
图2为一种大面积高精度绝缘子污秽分布评估方法工作原理示意图。
具体实施方式
下面将详细地对实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的***和方法的示例。
多源遥感数据地学解译是指将包含同一目标或场景的、时-空-谱互补的多源遥感数据按照一定规则进行运算处理,获得比任何单一数据更精确、完整、有效的信息。
从多源遥感数据、气象数据和污染面状图中确定污秽相关关键因子是进行后续支持向量机分类的关键,监督分类的方法相比于非监督分类具有精度高,分类种类确定的优点。非监督分类法具有一定的盲目性,无法确定分类数,而且无法确定分类后的结果到底属于哪个等级,只是把不同的等级分开而已,具体的等级确定仍然需要人工的参与。
本发明涉及利用多源遥感数据和支持向量机分类方法的大面积高精度绝缘子污秽分布评估方法,利用多源遥感数据、气象数据和污染源面状数据确定污秽相关关键因子,将污秽相关关键因子进行时空分辨率配准,然后使用支持向量机的监督分类方法对配准后的影像进行分类,最后使用实地观测数据对得到的污秽等级评估图进行精度评估。
下面结合图1与图2对本申请具体实施方式做进一步说明。
本申请提供的技术方案中,一种大面积高精度绝缘子污秽分布评估方法流程图,由图可知一种大面积高精度绝缘子污秽分布评估方法,步骤为:
S1:获取遥感影像数据,气象数据以及污染源数据,筛选符合要求所述遥感影像、气象图以及污染源数据的面状数据。
进一步地,所述遥感影像数据包括:AOD数据,NDVI数据,DEM数据以及土地利用类型数据。
获取AOD数据的具体方法如下:
在NASA官网获取AOD数据(MOD04)。如果研究区跨越在不同的AOD影像上,则需要利用ArcGIS将影像进行拼接和裁剪,首先将下载的hdf格式数据转化成需要的tiff格式数据,再将MODIS数据产品采用的正弦曲线投影转换到地理坐标系WGS84中来,最后利用ArcGIS的镶嵌和裁剪工具得到研究区的AOD数据影像。
获取NDVI数据的具体方法如下:
在NASA官网获取MOD13A2产品,选择需要的合适的时间范围和地理范围可直接下载。
获取DEM产品的具体方法如下:
在LSV官网可以直接下载SRTM90m的DEM数据,利用研究区的shapefi le文件裁剪相对应的DEM数据影像。
获取土地利用类型数据的具体方法如下:
在地理空间数据云网站下载Landsat 8卫星数据,选择对应的遥感图像。
进行假彩色合成。
将全色波段与得到的中得到的假彩色合成影像融合,使处理后的遥感图像既提高了空间分辨率,同时又保留了图像原本的多光谱特征,从而达到图像增强的目的,增强判读的准确性。
选取研究区部分进行裁剪,使用tiff格式保存。
进行监督分类:选择训练样本-计算样本的可分离性-利用最大似然估计进行分类-分类后处理。
进一步地,所述气象数据包括:温度数据,湿度数据,风速数据以及降雨数据。
所述的气象站温度、湿度、风速和降雨数据选择有一定的要求,数据要求完整准确,并且具有一定的代表性,选择中国气象局的数据,获取需要的月均和年均气象数据分布图。
进一步地,所述污染源数据为ESDD在线监测数据。
所述的ESDD在线监测数据来自于不同的在线监测站点,这些站点较均匀的分布在研究区内,研究区内的站点使用同样型号的在线监测设备和一致的反演算法,可以使结果在时空上具有很高的一致性,其测量偏差和误差都相对一致。上述提到的反演算法是反距离加权插值算法,通过该算法可以用点状污染数据得到污染源面状产品,起到“以面代点”的作用,便于进行后续的影像处理。反距离加权插值(Inverse Distance Weighted,IDW)也称为距离倒数乘方法,对于一个较大的方次,较近的数据点被给定一个较高的权重份额,对于一个较小的方次,权重比较均匀地分配给各数据点。IDW插值方法假定每个输入点都有着局部影响,这种影响随着距离的增加而减弱。
其步骤如下:
计算未知点到所有点的距离。
计算每个点的权重,权重是距离的倒数的函数,公式由下式给出:
其中,Wi代表权重,p是一个任意正实数,通常p=2;hi是离散点到插值点的距离,由下式表示:
上式中,(x,y)为插值点坐标,(xi,yi)为离散点坐标。
计算结果,计算公式由下式给出:
其中,Z(X,Y)表示未知点的值,Z(Xi,Yi)表示已知点的值。
遥感影像的质量对最终的结果有非常主要的影响,因此选择数据一定要科学合理,具有普适性和代表性,多源遥感数据产品和气象数据产品都是从相关官网直接下载,具体方法已经在上述发明内容中阐述;污染数据选取的是长时间序列的观测数据,最少都是6个月,观测站点也基本可以覆盖研究区全部地方,利用反距离加权插值法能够较好的实现从点到面的覆盖。
S2:根据处理后的所述面状数据进行主成分分析以及粗糙集评定,提取污秽相关关键因子。
污秽相关关键因子众多,为了选取具有代表性的因子,需要进行主成分分析和粗糙集评定,主成分分析法是利用降维的思想,在损失很少信息的前提下,把多个指标转化为几个综合指标,把转化生成的综合指标称为主成分,其中每个主成分都是原始变量的线性组合,且各个主成分之间互不相关,使得主成分比原始变量具有某些更优越的性能。在本发明中,发现AOD数据、DEM数据、降雨数据和风速数据对绝缘子污秽等级影响比较大。
其中,
POSC(D)是D在C上的正域,其代表D表达C的能力:如果这个值愈大,则D表达C的能力愈强;如果POSC(D)=POSC(C),那么D可以完全表达C所包含的信息,因此可以用属性集D来取代属性集C从而达到属性约简的目的。简单的说粗糙集能够在大量输入变量中,挑选出部分变量,而这些变量所包含的信息量与全部输入变量所含的信息量是相同的。在这些被选出的部分变量中如果再去除任何一个变量,都会导致包含信息量的下降,而信息量下降的程度便反映了该变量对模型的重要性。
S3:根据所述污秽相关关键因子进行时空分辨率配准,得到配准图像。
进一步地,所述时空分析配准的方法包括:
选取所述污秽相关关键因子的相同时间尺度以及相同地理尺度的图像,并使所述时间尺度与地理尺度保持一致。进行时空分辨率配准,就是选取各个影像在相同时间尺度内和相同空间范围内的数据,以便后续的影像分类。
S4:根据所述配准图像进行支持向量机分类,得到绝缘子污秽等级评估图。
支持向量机分类的理论基础在于统计学习,以寻找完成最优分类的决策边界位置为目的,其核心思想是风险最小化原则,它是一种监督式学习的方法。具体操作如下:首先在ENVI中打开多波段影像,然后在影像上利用专业知识和调查结果选取各个污染等级的训练样本,样本选择要尽可能的准确和具有代表性,选择的训练区要纯净,避免跨越多个等级。每一个等级最起码选择五个以上样本,所有的样本最好均匀的分布在研究区内,避免出现训练样本扎堆和大面积研究区无样本的现象,当然在选取样本之前,可以将影像进行一次非监督分类,得到的结果可以做一个大致的参考,最后选择ENVI中监督分类的支持向量机分类方法得到最终的图像。
使用ENVI进行支持向量机的分类,步骤如下:
首先打开需要进行监督分类的影像数据,选择不同的波段进行彩色合成,波段选择可以通过计算不同波段之间的相关系数来分析其相关。
确定需要分的类别数,可以提前使用非监督分类来进行大致的确定。
根据自己的分类定义相应的训练区,训练区尽可能的选择较为纯净的区域,另外每一类也要在不同地区多选择几个训练样区。
选择ENVI中的支持向量机分类,得到绝缘子污秽等级评估图。
S5:根据预置评定等级数据,对所述绝缘子污秽等级评估图进行精度评价,得到大面积高精度绝缘子污秽分布评估以及空间分布特征图。
使用混淆矩阵进行绝缘子污秽等级评估的精度评价,混淆矩阵的行数据表示支持向量机分类的等级评估在实际污区图中占的比例,混淆矩阵的列数据表示实际污区图的等级评估在支持向量机分类中占有的比例,经过计算可以计算出支持向量机分类法的总体精度以及各个等级的分类精度。如果出现某一等级精度偏低或者某个站点等级评估差距较大,那么可以尝试利用实地调查的结果作出准确的评定,并且对出现这种误差的现象做出解释,从而更加完善的完成对大面积高精度绝缘子污秽等级的评估。
使用混淆矩阵,以点代面,选择实地调查点的等级评估和分类得到图像的等级评估。选取的点尽可能的多且具有一定的代表性,调查点尽可能的囊括研究区所有的地方,也要包括所有的等级。利用混淆矩阵计算出总体的精度,和每一种等级的精度,并且尝试解释出现这样误差的原因,以及出现评估等级差距较大的站点的原因。同时分析绝缘子污秽等级在研究区分布的空间特点以及成因。
与现有的技术相比,本发明能够有效的克服复杂艰险山区数据采集困难的现状,综合利用多源遥感数据、气象数据和点状污秽数据进行由点到面的反演;遥感数据和气象数据等获取时间周期较短,可以及时的利用此方法进行大面积高精度的绝缘子污秽等级评估。
本发明以高分辨率遥感影像、多光谱遥感影像、DEM数据、气象数据以及污染源数据通过主成分分析和粗糙集评定确定污秽相关关键因子,将得到的污秽相关关键因子进行时空分辨率匹配,然后根据先验知识选取训练样本,利用支持向量机的监督分类方法进行分类;最后利用实地探查数据的污秽等级和得到的污秽图建立混淆矩阵,讨论绝缘子污秽分布等级评估图的精度,并且对评估等级差别较大的站点和地区作出解释。该方法克服了传统ESDD在线测量的局限性,能够对大面积区域进行成片的评估,也能够比较轻松的通过遥感影像对比较偏僻、人难以到达的区域进行绝缘子污秽等级评估。遥感影像和气象数据的时间分辨率都比较短,因此通过本发明可以实时的对某区域进行绝缘子污秽等级进行评估。
本申请提供的实施例之间的相似部分相互参见即可,以上提供的具体实施方式只是本申请总的构思下的几个示例,并不构成本申请保护范围的限定。对于本领域的技术人员而言,在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。
Claims (7)
1.一种大面积高精度绝缘子污秽分布评估方法,其特征在于,包括:
获取遥感影像数据,气象数据以及污染源数据,筛选符合要求所述遥感影像、气象图以及污染源数据的面状数据;
根据处理后的所述面状数据进行主成分分析以及粗糙集评定,提取污秽相关关键因子;
根据所述污秽相关关键因子进行时空分辨率配准,得到配准图像;
根据所述配准图像进行支持向量机分类,得到绝缘子污秽等级评估图;
根据预置评定等级数据,对所述绝缘子污秽等级评估图进行精度评价,得到大面积高精度绝缘子污秽分布评估以及空间分布特征图。
2.根据权利要求1所述的一种大面积高精度绝缘子污秽分布评估方法,其特征在于,所述遥感影像数据包括:AOD数据,NDVI数据,DEM数据以及土地利用类型数据。
3.根据权利要求1所述的一种大面积高精度绝缘子污秽分布评估方法,其特征在于,所述气象数据包括:温度数据,湿度数据,风速数据以及降雨数据。
4.根据权利要求1所述的一种大面积高精度绝缘子污秽分布评估方法,其特征在于,所述污染源数据为ESDD在线监测数据。
6.根据权利要求1所述的一种大面积高精度绝缘子污秽分布评估方法,其特征在于,所述时空分析配准的方法包括:
选取所述污秽相关关键因子的相同时间尺度以及相同地理尺度的图像,并使所述时间尺度与地理尺度保持一致。
7.根据权利要求1所述的一种大面积高精度绝缘子污秽分布评估方法,其特征在于,所述精度评估包括:选取所述预置评定等级数据,混淆矩阵计算出总体的精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110263874.6A CN113049606A (zh) | 2021-03-11 | 2021-03-11 | 一种大面积高精度绝缘子污秽分布评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110263874.6A CN113049606A (zh) | 2021-03-11 | 2021-03-11 | 一种大面积高精度绝缘子污秽分布评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113049606A true CN113049606A (zh) | 2021-06-29 |
Family
ID=76511520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110263874.6A Pending CN113049606A (zh) | 2021-03-11 | 2021-03-11 | 一种大面积高精度绝缘子污秽分布评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113049606A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780401A (zh) * | 2021-09-06 | 2021-12-10 | 国网山东省电力公司电力科学研究院 | 基于主成分分析法的复合绝缘子故障检测方法及*** |
CN115656202A (zh) * | 2022-10-25 | 2023-01-31 | 西安交通大学 | 用于绝缘子表面状态的多波段光学检测装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984919A (zh) * | 2014-04-24 | 2014-08-13 | 上海优思通信科技有限公司 | 基于粗糙集与混合特征的人脸表情识别方法 |
-
2021
- 2021-03-11 CN CN202110263874.6A patent/CN113049606A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984919A (zh) * | 2014-04-24 | 2014-08-13 | 上海优思通信科技有限公司 | 基于粗糙集与混合特征的人脸表情识别方法 |
Non-Patent Citations (7)
Title |
---|
方刚: "遥感原理与应用实验教程", vol. 2, 30 November 2020, 合肥工业大学出版社, pages: 150 - 152 * |
毛颖科等: "基于泄漏电流脉冲主成分分析的外绝缘污秽状态评估方法", 电工技术学报, vol. 24, no. 8, pages 39 - 45 * |
焦尚彬等: "支持向量机在高压绝缘子污秽程度评定中的应用", 西北农林科技大学学报(自然科学版), vol. 34, no. 1, pages 142 - 146 * |
熊宇等: "卫星AOD数据驱动的区域电力污秽等级评估方法", 测绘通报, no. 8, pages 39 - 42 * |
王峰等: "基于主成分和小波神经网络的绝缘子污秽放电发展阶段识别", 绝缘材料, vol. 48, no. 4, pages 52 - 56 * |
陆佳政等: "基于粗糙集和主成分分析法的电网融冰决策方法", 电力科学与技术学报, vol. 28, no. 3, pages 90 - 95 * |
黄海军等: "山东省海岛开发活动的环境效应评价", 31 December 2012, 中国海洋大学出版社, pages: 17 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780401A (zh) * | 2021-09-06 | 2021-12-10 | 国网山东省电力公司电力科学研究院 | 基于主成分分析法的复合绝缘子故障检测方法及*** |
CN115656202A (zh) * | 2022-10-25 | 2023-01-31 | 西安交通大学 | 用于绝缘子表面状态的多波段光学检测装置 |
CN115656202B (zh) * | 2022-10-25 | 2024-06-04 | 西安交通大学 | 用于绝缘子表面状态的多波段光学检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
Saint-Drenan et al. | Analysis of the uncertainty in the estimates of regional PV power generation evaluated with the upscaling method | |
Lhermitte et al. | Hierarchical image segmentation based on similarity of NDVI time series | |
Mohammadi et al. | Possibility investigation of tree diversity mapping using Landsat ETM+ data in the Hyrcanian forests of Iran | |
Falahatkar et al. | Integration of remote sensing data and GIS for prediction of land cover map | |
CN111625993A (zh) | 一种基于山区地形及降雨特征预测的小流域面雨量插值方法 | |
CN111337434A (zh) | 一种矿区复垦植被生物量估算方法及*** | |
Li et al. | Combining kriging interpolation to improve the accuracy of forest aboveground biomass estimation using remote sensing data | |
CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
CN113049606A (zh) | 一种大面积高精度绝缘子污秽分布评估方法 | |
Propastin et al. | Reducing uncertainty in modeling the NDVI-precipitation relationship: a comparative study using global and local regression techniques | |
Yang et al. | Mapping the human footprint from satellite measurements in Japan | |
CN111191673A (zh) | 一种地表温度降尺度方法及*** | |
Pouliot et al. | Evaluation of annual forest disturbance monitoring using a static decision tree approach and 250 m MODIS data | |
Dungan | Toward a comprehensive view of uncertainty in remote sensing analysis | |
CN112668615B (zh) | 一种基于深度跨尺度外推融合的卫星云图预测方法 | |
Wu et al. | Spatial scaling transformation modeling based on fractal theory for the leaf area index retrieved from remote sensing imagery | |
Zheng et al. | On the potential of commercial microwave link networks for high spatial resolution rainfall monitoring in urban areas | |
CN117830381A (zh) | 湖泊面积变化空间分析模型、构建与面积变化预测方法及装置 | |
Berkovic | Wind regimes and their relation to synoptic variables using self-organizing maps | |
CN111507514A (zh) | 大气气溶胶数据预测方法 | |
Sakieh et al. | An integrated spectral-textural approach for environmental change monitoring and assessment: analyzing the dynamics of green covers in a highly developing region | |
CN116091939A (zh) | 基于多尺度地理加权回归的森林地上生物量降尺度方法 | |
CN113779863B (zh) | 一种基于数据挖掘的地表温度降尺度方法 | |
Nolè et al. | Using spatial autocorrelation techniques and multi-temporal satellite data for analyzing urban sprawl |
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 |