CN113920438B - 联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法 - Google Patents
联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法 Download PDFInfo
- Publication number
- CN113920438B CN113920438B CN202111524259.2A CN202111524259A CN113920438B CN 113920438 B CN113920438 B CN 113920438B CN 202111524259 A CN202111524259 A CN 202111524259A CN 113920438 B CN113920438 B CN 113920438B
- Authority
- CN
- China
- Prior art keywords
- image
- jilin
- transmission line
- data
- power transmission
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012216 screening Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000013024 troubleshooting Methods 0.000 claims abstract description 14
- 230000003287 optical effect Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 14
- 238000003384 imaging method Methods 0.000 claims description 12
- 230000005855 radiation Effects 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000003908 quality control method Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 3
- 238000012892 rational function Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007689 inspection 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
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
-
- 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
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
- G01S17/894—3D imaging with simultaneous measurement of time-of-flight at a 2D array of receiver pixels, e.g. time-of-flight cameras or flash lidar
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种联合ICESat‑2和吉林一号影像的输电线附近树木隐患排查方法,方法包括:获取目标区域的ICESat‑2数据、吉林一号数据、辅助数据和输电线三维信息;对吉林一号影像进行预处理,生成第一影像;对ICESat‑2数据进行筛选获取高质量树高数据;联合第一影像、辅助数据和树高数据训练神经网络模型;利用神经网络模型生成目标区域密集覆盖树高分布图;根据密集覆盖树高分布图和输电线三维信息,计算树高与最近输电线的高差,生成危险隐患排查专题图。本发明能够提取ICESat‑2高质量树高数据,并联合高分辨率光学遥感影像建立反演模型,生成大范围密集覆盖的树高分布图,实现对输电线附近树高安全隐患的快速排查。
Description
技术领域
本发明属于定量遥感领域,联合ICESat-2激光雷达数据和吉林一号高分辨率多光谱遥感影像,设计一种树高反演及输电线附近危险隐患排查方法。
背景技术
高大的树木是威胁输电线路安全的重要隐患,因此对输电线附近森林冠层高度进行研究及制图是非常必要的。但是,如何获取区域性、高精度、密集覆盖的森林冠层高度分布依然是一大难题和挑战。
传统获得冠层树高的方法是野外实地测量,该方法能够得到高精度的树高数据,但数据范围有限,并且耗时、耗力、耗财。遥感技术具有大面积同步观测、长时间连续观测、信息丰富等特性,能够很好的应用于森林参数获取中。
光学遥感数据能够提供丰富的水平方向的森林信息,比如植被指数、植被覆盖度等,也较早的在林业研究中进行应用。然而,光学遥感数据的穿透性较差,电磁波在穿透冠层后能量大大减弱,在获取森林垂直结构参数方面有较大不足,而且在植被覆盖度较高的地区,其获取的信息比较容易饱和。激光雷达LiDAR(Light Detection and Ranging)是一种新型的主动遥感技术,具有精度高、分辨率高、受天气影响小、穿透性好等特点,能够穿透冠层获取树木的垂直结构信息。但是激光雷达是一系列不连续的离散点,无法获取区域性、密集覆盖的树高数据。
发明内容
针对现有技术中存在的问题,本发明提出了一种联合使用激光雷达数据、光学遥感影像和包括地形、气候等多种辅助数据反演输电线附近密集覆盖森林冠层高度的方法,并实现了根据树高反演结果自动排查输电设施附近存在的危险隐患。主要包括以下步骤:
步骤1,获取目标区域范围内的ICESat-2激光雷达数据、吉林一号影像数据、辅助数据和输电线三维信息数据;
步骤2,根据第一预处理方法对吉林一号影像JL-1进行图像预处理,生成第一影像;
步骤3,根据筛选规则对ICESat-2激光雷达数据进行筛选,获得高质量激光树高数据;
步骤4,使用第一影像、高质量激光树高数据和辅助数据,训练根据光学影像和辅助数据反演森林树高的神经网络模型;
步骤5,利用神经网络模型生成目标区域密集覆盖树高分布图;
步骤6,根据密集覆盖树高分布图和输电线三维信息,计算树高与最近输电线的高度差,生成危险隐患排查专题图。
进一步的,步骤1的具体实现方式是;
获取目标区域覆盖的经纬度范围;
获取覆盖目标区域的JL-1影像及影像成像时间;
获取目标区域经纬度范围内的、获取时间与获取的JL-1影像成像时间不超过指定阈值的ICESat-2激光雷达数据;
获取目标区域经纬度范围内的辅助数据,包括DEM、坡度、坡向、湿度、降水量、积温;
获取目标区域经纬度范围内的输电线的三维信息,包括输电线的经度、纬度和高度。
进一步的,步骤2的具体实施方式是;
对吉林一号影像进行辐射定标和几何校正;
若有多幅影像,则对多幅吉林一号影像进行相对辐射校正;
以ICESat-2数据尺度为标准,对吉林一号影像进行尺度标准化并进行影像拼接,得到第一影像。
进一步的,辐射定标的具体方法为:利用定标公式对吉林一号影像进行辐射定标,生成辐亮度图像,如下所示;
其中,L为辐亮度,gain和bias为吉林一号传感器的增益和偏移量,可从吉林一号影像文件获取,DN为影像像素值;
几何校正的具体方法为:收集待校正的吉林一号影像和能够覆盖整个待校正影像区域的数字高程模型影像,其中吉林一号影像中包含描述成像几何的有理多项式系数参数,数字高程模型影像的坐标系为WGS84坐标系,而后根据有理函数成像模型,如下公式所示,计算正射影像像素点与待校正吉林一号影像的像素间对应关系,最终通过像素重采样生成几何校正后的吉林一号正射影像;
其中,
进一步的,对多幅吉林一号影像进行相对辐射校正,其实施方式是:统计每幅影像每个波段的灰度直方图,以其中一幅影像作为参考底图,对于其他影像的每个波段以参考影像对应波段进行直方图匹配,实现影像间的相对辐射校正,以消除同一传感器因自身原因造成的辐亮度差异;
进一步的,对吉林一号影像进行尺度标准化并进行影像拼接,得到第一影像,其实施方式是:对吉林一号影像每个像素的5×5领域的像素计算平均值作为新像素的DN值,实现两种数据间的尺度统一,最后进行影像拼接,得到第一影像,并计算归一化植被指数NDVI值。
进一步的,根据筛选规则对ICESat-2激光雷达数据进行筛选,具体实施方式是:首先设置基于质量控制参数的精细化筛选条件如下:
光子数量大于140;
冠层光子百分比大于5%;
夜间标识为夜间;
城市标识不为城市;
地表覆盖类型为树木;
地理位置精度小于6.5 m;
冠层高度误差小于7 m;
之后将经过第一次筛选的激光树高数据,加载到第一影像上,检查影像中阴影、裸土地区并对异常点进行剔除,得到高质量激光树高数据。
进一步的,步骤4的具体实施方式是:在第一影像上计算比值植被指数RVI、增强型植被指数EVI、土壤调节植被指数SAVI,提取波段反射率参数,以及辅助数据,包括 高程、坡度、坡向、湿度、积温、降水量,计算植被指数、波段反射率参数、辅助数据与树高的相关性,根据相关性大小选择反演参数;将树高样本随机的分成80%和20%两部分,80%部分作为训练数据,20%部分作为验证数据,利用所选择的参数与树高作为神经网络模型的输入和输出参数,对神经网络模型进行训练、参数优化和验证。
进一步的,步骤5的具体实现方式是;
将目标区域内没有激光点覆盖区域的植被指数、波段反射率参数和辅助数据输入到神经网络模型中,输出目标区域内没有激光点覆盖区域的树高,生成目标区域密集覆盖树高分布图。
进一步的,步骤6的具体实施方式是;
将输电线三维信息导入目标区域密集覆盖树高分布图中,建立输电线缓冲区,计算输电线缓冲区内树高与最近输电线的高度差,其中高度差=树高 – 输电线高度,正值用红色表示,负值且绝对值小于3m用黄色表示,负值且绝对值大于3m用蓝色表示,并绘制危险隐患排查专题图,对于分布图中的红色、黄色区域进行重点排查,实现危险隐患排查。
与现有技术相比,本发明的优点和有益效果如下:
1、提出一种ICESat-2激光点数据的筛选规则,对存在质量问题的激光点数据进行剔除,提高了提取的ICESat-2激光雷达树高数据的精度;
2、提出一种高分辨率光学遥感影像处理方法,实现光学影像与激光雷达数据间的尺度统一,减小因尺度差异引起的误差;
3、综合利用光学遥感数据密集覆盖的优势和激光雷达高精度垂直信息的优势,提高了区域密集覆盖森林冠层高度估测的精确;
4、通过结合反演模型生成的目标区域的密集覆盖森林冠层高度与输电线三维信息,实现比传统的野外实地调查和无人机监测更加快速和高效的输电线附近树木安全隐患排查。
附图说明
图1为联合ICESat-2和JL-1影像的输电线附近树木隐患排查方法的整体流程图。
图2为树高反演神经网络模型的网络结构图。
具体实施方式
如图1所示,本发明提供一种联合ICESat-2和JL-1影像输电线附近树木隐患排查方法,包括如下步骤:
步骤(1),获取目标区域范围内的ICESat-2激光雷达数据、吉林一号影像数据、辅助数据和输电线三维信息数据;
步骤(2),根据第一预处理方法对吉林一号影像JL-1进行图像预处理,生成第一影像;
步骤(3),根据筛选规则对ICESat-2激光雷达数据进行筛选,获得高质量激光树高数据;
步骤(4),使用第一影像、高质量激光树高数据和辅助数据,训练根据光学影像和辅助数据反演森林树高的神经网络模型;
步骤(5),利用神经网络模型生成目标区域密集覆盖树高分布图;
步骤(6),根据密集覆盖树高分布图和输电线三维信息,计算树高与最近输电线的高差,生成危险隐患排查专题图。
下面结合实例对本发明进行详细说明,具体实施步骤如下:
(1)确定目标区域的经纬度范围,根据目标区域的经纬度范围选择吉林一号影像且影像需要完全覆盖目标区域,并获取吉林一号影像成像时间;根据目标区域的经纬度范围及数据获取时间与吉林一号影像成像时间不超过3个月来筛选ICESat-2激光雷达数据;获取目标区域经纬度范围内的辅助数据,包括 DEM、坡度、坡向、湿度、积温等;在目标区域采集输电线的三维信息,包括输电线的经度、纬度和高度;
美国国家宇航局于2018年9月发射的ICESat-2卫星上搭载的是小光斑激光雷达设备先进地形激光测高*** ATLAS(Advanced Topographic Laser Altimeter System),分辨率达到 17 m,可以与高分辨率的光学遥感数据吉林一号相结合,实现输电线附近森林高度反演和隐患排查。
(2)首先对吉林一号影像数据进行预处理,包括辐射定标、几何校正、相对辐射校正、尺度标准化计算和影像拼接。
其中辐射定标具体方法为:利用定标公式(如下所示)对吉林一号影像进行辐射定标,生成辐亮度图像。
其中,L为辐亮度,gain和bias为吉林一号传感器的增益和偏移量,可从吉林一号影像文件获取,DN为影像像素值。
几何校正的具体方法为:收集待校正的吉林一号影像和能够覆盖整个待校正影像区域的数字高程模型影像,其中吉林一号影像需要包含描述成像几何的有理多项式系数(RPC)参数,数字高程模型影像的坐标系为WGS84坐标系。而后根据有理函数成像模型(如下所示),计算正射影像像素点与待校正吉林一号影像的像素间对应关系。最终通过像素重采样生成几何校正后的吉林一号正射影像。
其中,
若目标区域有多幅影像,则需要统计每幅影像每个波段的灰度直方图,以其中一幅影像作为参考底图,对于其他影像的每个波段以参考影像对应波段进行直方图匹配,实现影像间的相对辐射校正(若研究区只有一幅影像,则不需要这一步处理)。
接下来,对吉林一号影像和ICESat-2激光雷达数据进行尺度统一计算,具体是:首先对吉林一号数据进行升尺度计算,将对吉林一号影每个像素的5×5领域的像素计算平均值作为新像素的DN值,生成分辨率为15m的中间影像,与ICESat-2激光雷达数据17m的空间分辨率保持近似一致;
最后,使用自动影像拼接方法,将所有中间影像拼接,生成第一影像,并计算每幅影像的归一化植被指数NDVI值,作为检查属性参数;
(3)根据质量控制筛选规则对ICESat-2激光雷达数据进行筛选,其中质量控制标准有:夜间观测、光子数及光子类型、地表覆盖类型、数据质量,对应的参数及筛选标准如下:
光子数量应大于140;
冠层光子百分比应大于5%;
夜间标识应为夜间;
城市标识应不为城市;
地表覆盖类型应为树木;
地理位置精度应小于6.5 m;
冠层高度误差应小于7 m。
之后将经过第一次筛选的激光树高数据,加载到第一影像上,检查影像中阴影、裸土地区是否有激光点,对其属性参数进行检查并剔除异常点,例如,在阴影地区的某一激光点位置对应的NDVI值很低,但树高很高,需要将其剔除,经过筛选、检查、剔除后得到高质量激光树高数据。
(4)从第一影像中计算比值植被指数RVI、增强型植被指数EVI、土壤调节植被指数SAVI等植被指数,提取各波段的反射率参数,以及辅助数据(包括 高程、坡度、坡向、湿度、积温、降水量等),计算植被指数、波段反射率参数、辅助数据与树高的相关系数,根据相关系数的大小进行排序,选择相关性最高的前n项作为神经网络反演模型的输入参数;
(5)将树高激光点数据随机分成2部分,80%作为训练数据,20%作为验证数据,再利用步骤(4)中选择的参数与树高作为神经网络模型的输入和输出参数(神经网络模型结构见图2,包括输入层,隐藏层和输出层),对网络模型进行训练、优化、评价和验证;
(6)利用步骤(5)建立的神经网络模型,将目标区域内没有激光点覆盖的区域的选中的反演参数输入到神经网络模型中,输出目标区域内没有激光点覆盖区域的树高,生成目标区域密集覆盖树高分布图;
(7)将输电线三维信息导入步骤(6)生成的目标区域密集覆盖树高分布图中,在输电线附近建立10m缓冲区,计算输电线缓冲区内树高与最近电力设施的高度差,其中高度差=树高 – 输电线高度,正值用红色表示,负值且绝对值小于3m用黄色表示,负值且绝对值大于3m用蓝色表示,并绘制危险隐患排查专题图,对于图中的红色、黄色区域进行重点排查,以实现危险隐患排查。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.一种联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法,包括以下步骤:
步骤1,获取目标区域范围内的ICESat-2激光雷达数据、吉林一号影像数据、辅助数据和输电线三维信息数据;
步骤2,根据第一预处理方法对吉林一号影像JL-1进行图像预处理,生成第一影像;
步骤3,根据筛选规则对ICESat-2激光雷达数据进行筛选,获得高质量激光树高数据;
根据筛选规则对ICESat-2激光雷达数据进行筛选,具体实施方式是:首先设置基于质量控制参数的精细化筛选条件如下:
光子数量大于140;
冠层光子百分比大于5%;
夜间标识为夜间;
城市标识不为城市;
地表覆盖类型为树木;
地理位置精度小于6.5m;
冠层高度误差小于7m;
之后将经过第一次筛选的激光树高数据,加载到第一影像上,检查影像中阴影、裸土地区并对异常点进行剔除,得到高质量激光树高数据;
步骤4,使用第一影像、高质量激光树高数据和辅助数据,训练根据光学影像和辅助数据反演森林树高的神经网络模型;
步骤5,利用神经网络模型生成目标区域密集覆盖树高分布图;
步骤6,根据密集覆盖树高分布图和输电线三维信息,计算树高与最近输电线的高度差,生成危险隐患排查专题图。
2.如权利要求1所述一种联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法,其特征在于:步骤1的具体实现方式是;
获取目标区域覆盖的经纬度范围;
获取覆盖目标区域的JL-1影像及影像成像时间;
获取目标区域经纬度范围内的、获取时间与获取的JL-1影像成像时间不超过指定阈值的ICESat-2激光雷达数据;
获取目标区域经纬度范围内的辅助数据,包括DEM、坡度、坡向、湿度、降水量、积温;
获取目标区域经纬度范围内的输电线的三维信息,包括输电线的经度、纬度和高度。
3.如权利要求1所述一种联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法,其特征在于:步骤2的具体实施方式是;
对吉林一号影像进行辐射定标和几何校正;
若有多幅影像,则对多幅吉林一号影像进行相对辐射校正;
以ICESat-2数据尺度为标准,对吉林一号影像进行尺度标准化并进行影像拼接,得到第一影像。
4.如权利要求3所述一种联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法,其特征在于:辐射定标的具体方法为:利用定标公式对吉林一号影像进行辐射定标,生成辐亮度图像,如下所示;
L=gain×DN+bias
其中,L为辐亮度,gain和bias为吉林一号传感器的增益和偏移量,可从吉林一号影像文件获取,DN为影像像素值;
几何校正的具体方法为:收集待校正的吉林一号影像和能够覆盖整个待校正影像区域的数字高程模型影像,其中吉林一号影像中包含描述成像几何的有理多项式系数参数,数字高程模型影像的坐标系为WGS84坐标系,而后根据有理函数成像模型,如下公式所示,计算正射影像像素点与待校正吉林一号影像的像素间对应关系,最终通过像素重采样生成几何校正后的吉林一号正射影像;
其中,
Num1(P,L,H)=a1+a2L+a3P+a4H+a5LP+a6LH+a7PH+a8L2+a9P2+a10H2+a11PLH+a12L3+a13LP2+a14LH2+a15L2P+a16P3+a17PH2+a18L2H+a19P2H+a20H3,
Den1(P,L,H)=b1+b2L+b3P+b4H+b5LP+b6LH+b7PH+b8L2+b9P2+b10H2+b11PLH+b12L3+b13LP2+b14LH2+b15L2P+b16P3+b17PH2+b18L2H+b19P2H+b20H3,
Num2(P,L,H)=c1+c2L+c3P+c4H+c5LP+c6LH+c7PH+c8L2+c9P2+c10H2+
c11PLH+c12L3+c13LP2+c14LH2+c15L2P+c16P3+c17PH2+c18L2H+c19P2H+c20H3,
Den2(P,L,H)=d1+d2L+d3P+d4H+d5LP+d6LH+d7PH+d8L2+d9P2+d10H2+d11PLH+d12L3+d13LP2+d14LH2+d15L2P+d16P3+d17PH2+d18L2H+d19P2H+d20H3,
(X,Y)为正则化像点坐标,(P,L,H)为正则化地面点坐标,ai,bi,ci,di为有理多项式的系数,i取1~20。
5.如权利要求3所述一种联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法,其特征在于:对多幅吉林一号影像进行相对辐射校正,其实施方式是:统计每幅影像每个波段的灰度直方图,以其中一幅影像作为参考底图,对于其他影像的每个波段以参考影像对应波段进行直方图匹配,实现影像间的相对辐射校正,以消除同一传感器因自身原因造成的辐亮度差异。
6.如权利要求3所述一种联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法,其特征在于:对吉林一号影像进行尺度标准化并进行影像拼接,得到第一影像,其实施方式是:对吉林一号影像每个像素的5×5领域的像素计算平均值作为新像素的DN值,实现两种数据间的尺度统一,最后进行影像拼接,得到第一影像,并计算归一化植被指数NDVI值,其中DN值为影像像素值。
7.如权利要求1所述一种联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法,其特征在于:步骤4的具体实施方式是:在第一影像上计算比值植被指数RVI、增强型植被指数EVI、土壤调节植被指数SAVI,提取波段反射率参数,以及辅助数据,包括高程、坡度、坡向、湿度、积温、降水量,计算植被指数、波段反射率参数、辅助数据与树高的相关性,根据相关性大小选择反演参数;将树高样本随机的分成80%和20%两部分,80%部分作为训练数据,20%部分作为验证数据,利用所选择的参数与树高作为神经网络模型的输入和输出参数,对神经网络模型进行训练、参数优化和验证。
8.如权利要求7所述一种联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法,其特征在于:步骤5的具体实现方式是;
将目标区域内没有激光点覆盖区域的植被指数、波段反射率参数和辅助数据输入到神经网络模型中,输出目标区域内没有激光点覆盖区域的树高,生成目标区域密集覆盖树高分布图。
9.如权利要求1所述一种联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法,其特征在于:步骤6的具体实施方式是;
将输电线三维信息导入目标区域密集覆盖树高分布图中,建立输电线缓冲区,计算输电线缓冲区内树高与最近输电线的高度差,其中高度差=树高–输电线高度,正值用红色表示,负值且绝对值小于3m用黄色表示,负值且绝对值大于3m用蓝色表示,并绘制危险隐患排查专题图,对于分布图中的红色、黄色区域进行重点排查,实现危险隐患排查。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111524259.2A CN113920438B (zh) | 2021-12-14 | 2021-12-14 | 联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法 |
US17/882,591 US20230186503A1 (en) | 2021-12-14 | 2022-08-07 | Method for troubleshooting hidden dangers of trees near power transmission lines by combining icesat-2 with jl-1 images |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111524259.2A CN113920438B (zh) | 2021-12-14 | 2021-12-14 | 联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113920438A CN113920438A (zh) | 2022-01-11 |
CN113920438B true CN113920438B (zh) | 2022-03-04 |
Family
ID=79249210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111524259.2A Active CN113920438B (zh) | 2021-12-14 | 2021-12-14 | 联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230186503A1 (zh) |
CN (1) | CN113920438B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115372986B (zh) * | 2022-10-21 | 2023-03-24 | 武汉大学 | 基于ICESat-2高分辨率数据的树高制图方法、装置及设备 |
CN116592851B (zh) * | 2023-07-13 | 2023-09-19 | 中国电力科学研究院有限公司 | 融合线路本体的输电通道树障卫星三维监测方法及*** |
CN117315322A (zh) * | 2023-08-25 | 2023-12-29 | 华大天元(北京)科技股份有限公司 | 一种输电线路隐患检测方法、装置、电子设备及存储介质 |
CN116918593B (zh) * | 2023-09-14 | 2023-12-01 | 众芯汉创(江苏)科技有限公司 | 一种基于双目视觉无人影像的输电线路通道树障监测*** |
CN117152361B (zh) * | 2023-10-26 | 2024-01-30 | 天津市滨海新区气象局(天津市滨海新区气象预警中心) | 一种基于注意力机制的遥感影像能见度估计方法 |
CN117169657B (zh) * | 2023-11-03 | 2024-01-12 | 山东和兑智能科技有限公司 | 一种基于人工智能的高压电缆状态监测方法及*** |
CN117830685B (zh) * | 2023-11-15 | 2024-08-13 | 国网上海市电力公司 | 基于深度学习算法的图像智能识别值传送装置与方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2017126547A1 (ja) * | 2016-01-22 | 2018-11-08 | 日本電気株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
CN110070488A (zh) * | 2019-04-25 | 2019-07-30 | 北京工业大学 | 一种基于卷积神经网络的多角度遥感影像森林高度提取方法 |
CN110147741A (zh) * | 2019-04-30 | 2019-08-20 | 云南财经大学 | 一种用于电力网络管理的遥感森林树高提取方法 |
CN111414891A (zh) * | 2020-04-07 | 2020-07-14 | 云南电网有限责任公司昆明供电局 | 基于激光雷达与光学遥感的输电线路通道树高反演方法 |
CN112729130A (zh) * | 2020-12-29 | 2021-04-30 | 四川天奥空天信息技术有限公司 | 卫星遥感测量树木冠层高度的方法 |
CN113762090A (zh) * | 2021-08-16 | 2021-12-07 | 国网浙江省电力有限公司湖州供电公司 | 一种特高压密集输电通道灾害监测预警方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361338B (zh) * | 2014-10-17 | 2017-11-28 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR、Landsat TM与DEM数据的泥炭沼泽信息提取方法 |
CN110501720A (zh) * | 2019-09-20 | 2019-11-26 | 云南电网有限责任公司电力科学研究院 | 一种基于航空遥感的输电走廊树障监测*** |
US11532093B2 (en) * | 2019-10-10 | 2022-12-20 | Intermap Technologies, Inc. | First floor height estimation from optical images |
-
2021
- 2021-12-14 CN CN202111524259.2A patent/CN113920438B/zh active Active
-
2022
- 2022-08-07 US US17/882,591 patent/US20230186503A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2017126547A1 (ja) * | 2016-01-22 | 2018-11-08 | 日本電気株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
CN110070488A (zh) * | 2019-04-25 | 2019-07-30 | 北京工业大学 | 一种基于卷积神经网络的多角度遥感影像森林高度提取方法 |
CN110147741A (zh) * | 2019-04-30 | 2019-08-20 | 云南财经大学 | 一种用于电力网络管理的遥感森林树高提取方法 |
CN111414891A (zh) * | 2020-04-07 | 2020-07-14 | 云南电网有限责任公司昆明供电局 | 基于激光雷达与光学遥感的输电线路通道树高反演方法 |
CN112729130A (zh) * | 2020-12-29 | 2021-04-30 | 四川天奥空天信息技术有限公司 | 卫星遥感测量树木冠层高度的方法 |
CN113762090A (zh) * | 2021-08-16 | 2021-12-07 | 国网浙江省电力有限公司湖州供电公司 | 一种特高压密集输电通道灾害监测预警方法 |
Non-Patent Citations (3)
Title |
---|
ICESat-2植被冠层高度和地表高程数据产品用于森林高度提取的效果评价;董佳臣;《遥感学报》;20210630;第25卷(第6期);全文 * |
Retrieval of Savanna Vegetation Canopy Height from ICESat-GLAS Spaceborne LiDAR With Terrain Correction;Ehsan Khalefa 等;《IEEE Geoscience and Remote Sensing Letters》;20130709;全文 * |
结合地形测绘数据的机载LiDAR草原植被冠层高度反演方法研究;郝鑫 等;《内蒙古师范大学学报(自然科学汉文版)》;20210831;第50卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
US20230186503A1 (en) | 2023-06-15 |
CN113920438A (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113920438B (zh) | 联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法 | |
CN109581372B (zh) | 一种生态环境遥感监测方法 | |
CN108921885B (zh) | 一种综合三类数据源联合反演森林地上生物量的方法 | |
Yan et al. | Radiometric correction and normalization of airborne LiDAR intensity data for improving land-cover classification | |
CN110136194B (zh) | 基于星载多光谱遥感数据的积雪覆盖度测算方法 | |
Goslee | Analyzing remote sensing data in R: the landsat package | |
CN104361338B (zh) | 一种基于ENVISAT ASAR、Landsat TM与DEM数据的泥炭沼泽信息提取方法 | |
Zhang et al. | Estimation of forest leaf area index using height and canopy cover information extracted from unmanned aerial vehicle stereo imagery | |
CN111767865A (zh) | 一种利用航拍影像和激光数据反演红树林生物量的方法 | |
CN113284171B (zh) | 一种基于卫星遥感立体成像对的植被高度分析方法及*** | |
CN114022783A (zh) | 基于卫星图像的水土保持生态功能遥感监测方法和装置 | |
CN108961199A (zh) | 多源遥感数据时空融合方法及装置 | |
CN114220022A (zh) | 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 | |
CN110428013B (zh) | 一种农作物遥感分类方法及*** | |
CN115170406A (zh) | 一种光学影像与sar强度影像高精度融合方法 | |
ZYLSHAL et al. | CORRECTING THE TOPOGRAPHIC EFFECT ON SPOT-6/7 MULTISPECTRAL IMAGERIES: A COMPARISON OF DIFFERENT DIGITAL ELEVATION MODELS. | |
Belfiore et al. | Orthorectification and pan-sharpening of worldview-2 satellite imagery to produce high resolution coloured ortho-photos | |
CN117557897A (zh) | 目标农作物的倒伏监测方法、装置、电子设备及存储介质 | |
Jang et al. | The use of airborne lidar for orchard tree inventory | |
CN116310499A (zh) | 一种光学遥感影像的船只偏航检测方法 | |
CN115410095A (zh) | 灾害信息获取方法、装置、电子设备和计算机可读介质 | |
Zhang et al. | Fusion of ascending and descending polarimetric SAR data for color orthophoto generation | |
CN114359755A (zh) | 一种水稻倒伏区域提取方法、***、设备及存储介质 | |
CN114296061A (zh) | 基于多元变量检测和不同辐射传输模型的交叉定标方法 | |
Postelniak | Geometric potential of Pléiades 1A satellite imagery |
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 |