CN115546648B - 基于光线追踪的dem冲积扇提取方法 - Google Patents

基于光线追踪的dem冲积扇提取方法 Download PDF

Info

Publication number
CN115546648B
CN115546648B CN202211302741.6A CN202211302741A CN115546648B CN 115546648 B CN115546648 B CN 115546648B CN 202211302741 A CN202211302741 A CN 202211302741A CN 115546648 B CN115546648 B CN 115546648B
Authority
CN
China
Prior art keywords
mountain
dem
alluvial fan
ray tracing
value
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
Application number
CN202211302741.6A
Other languages
English (en)
Other versions
CN115546648A (zh
Inventor
杨昕
周星宇
王延祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Normal University
Original Assignee
Nanjing Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Normal University filed Critical Nanjing Normal University
Priority to CN202211302741.6A priority Critical patent/CN115546648B/zh
Publication of CN115546648A publication Critical patent/CN115546648A/zh
Application granted granted Critical
Publication of CN115546648B publication Critical patent/CN115546648B/zh
Priority to PCT/CN2023/121965 priority patent/WO2024088005A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/003D [Three Dimensional] image rendering
    • G06T15/06Ray-tracing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/60Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种基于光线追踪的DEM冲积扇提取方法,包括:基于DEM制作反地形DEM,并且进行投影;基于光线追踪方法,采用设定的太阳高度角对投影完的反地形DEM分别从四个方向求取山体阴影,并对结果依据其是否可视进行重分类,划分出山体与冲积扇混合部分;采用设定的太阳高度角对投影完的反地形DEM再进行一次光线追踪,划分出山体部分;将山体与冲积扇混合部分和山体部分进行叠加分析,提取出冲积扇。本发明能够实现在各种地形地貌条件下,对中小型冲积扇进行自动、快速、完整、准确地识别,从而有效地辅助地貌制图,显著减少人工负担,以DEM作为基础数据,应用广泛,算法高效、准确,无论是对于干旱区地貌研究,还是土地利用建设,都有着丰富的价值。

Description

基于光线追踪的DEM冲积扇提取方法
技术领域
本发明属于地形地貌制图领域,涉及冲积扇提取技术,具体涉及一种基于光线追踪的DEM冲积扇提取方法。
背景技术
地形地貌图是地理、地质、气象乃至生物、水文等科学研究的重要数据源,同时也是实现合理土地利用的基础,为城市建设和国家发展提供重要参考。因此,一套数据准确、体系完善、类型丰富、尺度多样的地形地貌图,对学术界、社会和国家都具有重要价值。
冲积扇为山地河流出山口进入平坦地区后,因河床坡度骤减,水流搬运能力大为减弱,部分挟带的碎屑物堆积下来,形成从出口顶点向外辐射的扇形堆积体。其上沿与山体相接、下沿与平原相连;扇体表面虽与平原相比具有一定坡度、起伏度,但同时也较于山体更加平缓;形成了一种相对独立的地貌单元。不仅如此,冲积扇下沿缓和的表面、肥沃的土壤,适合用于城市建设和农业耕作。然而,冲积扇兼具山体和平原的特征,下沿更往往直接与平原相融,基于传统的地形因子的分类结果往往比较破碎,割裂了扇体的整体性,难以实现完整的提取。实地测量和人工目视解译虽然可以做到精确识别,但在国家、全球这样的大尺度制图下,需要花费大量的人力物力财力,效率堪忧。
发明内容
发明目的:为了克服现有技术中存在的不足,提供一种基于光线追踪的DEM冲积扇提取方法,能够实现在各种地形地貌条件下,对中小型冲积扇进行自动、快速、完整、准确地识别,从而有效地辅助地貌制图,显著减少人工负担。
技术方案:为实现上述目的,本发明提供一种基于光线追踪的DEM冲积扇提取方法,包括如下步骤:
S1:基于DEM制作反地形DEM,并且进行投影;
S2:基于光线追踪方法,采用设定的较小的太阳高度角A对投影完的反地形DEM 分别从四个方向求取山体阴影,并对结果依据其是否可视进行重分类,划分出山体与冲积扇混合部分;
S3:采用设定的较大的太阳高度角B对投影完的反地形DEM再进行一次步骤S2 的光线追踪,划分出山体部分;
S4:将步骤S2的山体与冲积扇混合部分和步骤S3的山体部分进行叠加分析,提取出冲积扇。
进一步地,所述步骤S1中制作反地形DEM的步骤如下:
A1:读取DEM,并依据栅格数据集属性读取DEM的最大值;
A2:使用“栅格计算器”求取反DEM。具体方法有以下两种:1、使用步骤101 中得到的DEN最大值与原DEM相减;2、使用大于DEM最大值的一个极大值(如9999) 与原DEM相减。两种方法任选其一即可。
进一步地,所述步骤S1中采用投影栅格的方式进行投影,具体为:使用投影栅格工具;根据原数据地理位置和需求选择合适的输出坐标系,重采样技术选择为双线性插值法,进行投影即可。
进一步地,所述步骤S2具体为:
B1:使用山体阴影工具;方位角分别设置为45°、135°、225°和315°,对应实际中的东北、东南、西南、西北四个方向,太阳高度角根据坡度情况设置一个贴近地面、略高于平原坡度的较小值(可以设置为2°或1°),对投影的反地形DEM求取山体阴影,得到四个山体阴影栅格数据集;
B2:分别对这四个山体阴影栅格数据集使用重分类工具进行重分类:将值为0(完全阴影的区域)的栅格保持为0;将值大于0(可视区域)的栅格重分类1;得到四个重分类山体阴影结果,可视区域的具体阈值为:0-999;
B3:使用栅格计算器工具将步骤B2中的四个重分类山体阴影结果相加;
B4:使用重分类工具对相加结果进行重分类:将值为4(四个预设方向上均可视)的栅格重分类为平原,并给予相应分类编号,平原阈值为3.5-4;将值小于4(并非所有预设方向上均可视,即存在被遮挡)的栅格重分类为山体与冲积扇混合部分,并给予相应分类编号,山体阈值为0-3.5,划分出山体与冲积扇混合部分。
进一步地,所述步骤B4中需要对山体与冲积扇混合部分进行众数平滑,具体为:使用焦点统计工具进行众数平滑,具体参数设置如下:使用5×5的窗口,邻域选择为环形,内半径为1,外半径为3,单位类型选择像元;统计类型选择为众数;对划分结果重复平滑2-3次,直到结果符合实际。
进一步地,所述步骤S3具体为:
C1:参考步骤B1,采用一个相对较大、能包含所有山地的太阳高度角(可以设置为10°),按照同样的四个方位求取山体阴影,得到四个山体阴影数据集;
C2:对得到的山体阴影数据集重复步骤B2至步骤B4,划分出山体部分。
进一步地,所述步骤S4具体为:
D1:将步骤S2的山体与冲积扇混合部分和步骤S3的山体部分转为矢量数据,随后使用联合工具进行联合,联合后使用多部件至单部件工具将矢量面打散;
D2:筛选属性,属于步骤S2中但不属于步骤S3的结果的部分即为冲积扇候选区域。
考虑到如今冲积扇的自动化提取在地貌制图领域仍是一片空白,本发明提出一种基于光线追踪的DEM冲积扇提取方法。光线追踪,是一种溯源视角下的区域光照判断方法,在视域分析、地形制图、城市热岛等领域都有着广泛运用,理论和算法都已成熟完备。然而,该方法在地貌分类上却鲜有使用,本发明考虑到山体和冲积扇的完整性问题,首次使用四方位山体阴影来进行山体提取。不仅如此,为了消除山体阴影对山脚附***原区的影响,特别使用反地形来进行阴影计算,从而能够完整且准确地对山体范围进行识别。经过实验表明,由于大型的湿润性冲积扇下沿与平原地形特征甚是接近,难以准确识别扇体边界。因此,本发明主要针对更为典型的中小型冲积扇,为地貌制图提供高效、准确、完整的冲积扇识别、提取方案。
有益效果:本发明与现有技术相比,本发明受到光线追踪思想启发,并巧妙地利用反地形解决山体遮挡的影响,精确地识别出冲积扇的边界,从而能够完整地将冲积扇从山体和平原中提取出来。同时,本发明以可获得的DEM作为基础数据,应用广泛,算法高效、准确,为地貌制图中冲积扇的提取提供一种可靠的思路,无论是对于干旱区地貌研究,还是土地利用建设,都有着丰富的价值。
附图说明
图1是本发明方法的流程图;
图2是实施例中待提取区域的DEM数据示意图;
图3是实施例中待提取区域的投影后反地形DEM数据示意图;
图4是实施例中重分类后的山体阴影二值化数据示例图;
图5是实施例中山体和冲积扇混合部分结果示例图;
图6是实施例中山体部分结果示例图;
图7是实施例冲积扇提取结果示例图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供一种基于光线追踪的DEM冲积扇提取方法,如图1所示,其包括如下步骤:
S1:基于DEM制作反地形DEM,并且选取合适的坐标系进行投影:
S2:基于光线追踪方法,采用设定的太阳高度角A对投影完的反地形DEM分别从四个方向求取山体阴影,并对结果依据其是否可视进行重分类,划分出山体与冲积扇混合部分;
S3:采用设定的太阳高度角B对投影完的反地形DEM再进行一次步骤S2的光线追踪,划分出山体部分;
S4:将步骤S2的山体与冲积扇混合部分和步骤S3的山体部分进行叠加分析,提取出冲积扇。
基于上述方案,为了验证本发明方法的实际效果,本实施例中将本发明方法进行实例应用,具体如下:
本实施例选取了美国洛基山脉死亡谷中一块区域作为实验区域(具体如图2所示),该区域在地貌界中以拥有形状各异、类型丰富的冲积扇地貌而闻名。该实验区域主体为山地地区,山体附近广泛分布有形状各异的冲积扇,可以很好地验证本发明方法的效果。
参照图1,具体的实验过程如下:
1)基于DEM制作反地形DEM,并且选取合适的坐标系进行投影;
制作反地形DEM的步骤为:
101)读取DEM,并依据栅格数据集属性读取DEM的最大值,约为4900多;
102)使用“栅格计算器”工具求取反DEM,使用大于DEM最大值的一个极大值(本实验中为9999)与原DEM相减。
采用投影栅格的方式进行投影,具体步骤如下:
111)使用ArcGIS Pro软件中的“投影栅格”工具;
112)选择输出坐标系为投影坐标系中的贝尔曼等积投影坐标系(即Behrmann);
113)“重采样技术”选择为“双线性插值法”,进行投影即可,本实施例中最终投影反地形DEM如图3所示。
2)基于光线追踪方法,采用较小的太阳高度角对投影完的反地形DEM分别从四个方向求取山体阴影,并对结果依据其是否可视进行重分类,划分出山体与冲积扇混合部分。
具体包括如下步骤:
201)使用“山体阴影”工具,用较小的太阳高度角划分出山体和冲积扇混合部分;方位角分别设置为45°、135°、225°和315°,对应实际中的东北、东南、西南、西北四个方向,太阳高度角均设置为1°,对步骤1中投影的反地形DEM求取山体阴影,得到四个山体阴影栅格数据集;
202)分别对这四个山体阴影栅格数据集使用ArcGIS Pro中的“重分类”工具进行重分类:将值为0(完全阴影的区域,对应阈值为0)的栅格保持为0;将值大于0(可视区域,对应阈值设定为0-999)的栅格重分类1;得到四个重分类山体阴影结果,具体如图4所示;
203)使用“栅格计算器”工具将四个重分类山体阴影结果相加;
204)使用“重分类”工具对相加结果进行重分类:将值为4(四个预设方向上均可视),对应阈值为3.5-4的栅格重分类为平原,并给予其编号为0;将值小于4(并非所有预设方向上均可视,即存在被遮挡),对应阈值为0-3.5的栅格重分类为山体和冲积扇混合部分,并给予其编号为1,实现平原和山体的划分;
205)使用“焦点统计”工具进行众数平滑,具体参数设置如下:使用5×5的窗口,“邻域”选择为“环形”,“内半径”为1,“外半径”为3,“单位类型”选择像元;“统计类型”选择为众数。对划分结果重复平滑2-3次,直到结果符合实际,具体如图5所示。
3)参照步骤2,采用较大的太阳高度角对投影完的反地形DEM再进行一次光线追踪,划分出山体。
具体的步骤如下:
301)使用“山体阴影”工具,用较大的太阳高度角划分出山体和冲积扇混合部分;本实施例中方位角分别设置为45°、135°、225°和315°,对应实际中的东北、东南、西南、西北四个方向,太阳高度角均设置为10°,对步骤1中投影的反地形DEM求取山体阴影,得到四个山体阴影栅格数据集;
对以上四个山体阴影重复步骤202至步骤205,划分出山体部分,并将山体部分赋值为1,具体如图6所示。
4)将步骤2的混合部分与步骤3的山体部分进行叠加分析,提取出冲积扇。
叠加分析的步骤为:
401)先将步骤(2)和步骤(3)的结果使用“栅格转面”工具转为矢量数据,随后使用“联合”工具进行联合,联合后使用“多部件至单部件”工具将矢量面打散;
402)筛选属性,属于步骤(2)中但不属于步骤(3)的结果的部分即为冲积扇:在矢量结果中添加新字段“type”,使用筛选工具,将步骤2结果为1且步骤3结果也为 1的要素赋值为1(山体),将步骤2结果为1但步骤3结果为0的要素赋值为2(冲积扇),其余部分赋值为0(平原),并由人工对结果进行检查,最终结果如图7所示。

Claims (6)

1.一种基于光线追踪的DEM冲积扇提取方法,其特征在于,包括如下步骤:
S1:基于DEM制作反地形DEM,并且进行投影;
S2:基于光线追踪方法,采用设定的太阳高度角A对投影完的反地形DEM分别从四个方向求取山体阴影,并对结果依据其是否可视进行重分类,划分出山体与冲积扇混合部分;
S3:采用设定的太阳高度角B对投影完的反地形DEM再进行一次步骤S2的光线追踪,划分出山体部分;
S4:将步骤S2的山体与冲积扇混合部分和步骤S3的山体部分进行叠加分析,提取出冲积扇;
所述步骤S2具体为:
B1:使用山体阴影工具;方位角分别设置为45°、135°、225°和315°,对应实际中的东北、东南、西南、西北四个方向,太阳高度角根据坡度情况设置一个贴近地面、略高于平原坡度的较小值,对投影的反地形DEM求取山体阴影,得到四个山体阴影栅格数据集;
B2:分别对这四个山体阴影栅格数据集使用重分类工具进行重分类:将值为0的栅格保持为0,其中值为0表示完全阴影的区域;将值大于0的栅格重分类1,其中值大于0表示可视区域;得到四个重分类山体阴影结果;
B3:使用栅格计算器工具将步骤B2中的四个重分类山体阴影结果相加;
B4:使用重分类工具对相加结果进行重分类:将值为4的栅格重分类为平原,并给予相应分类编号,其中值为4表示四个预设方向上均可视;将值小于4的栅格重分类为山体与冲积扇混合部分,并给予相应分类编号,划分出山体与冲积扇混合部分,其中值小于4表示存在被遮挡,并非所有预设方向上均可视;
所述步骤S4具体为:
D1:将步骤S2的山体与冲积扇混合部分和步骤S3的山体部分转为矢量数据,随后使用联合工具进行联合,联合后使用多部件至单部件工具将矢量面打散;
D2:筛选属性,属于步骤S2中但不属于步骤S3的结果的部分即为冲积扇候选区域:在矢量结果中添加新字段type,使用筛选工具,将步骤S2结果为1且步骤S3结果也为1的要素赋值为1,其中要素赋值为1表示山体,将步骤S2结果为1但步骤S3结果为0的要素赋值为2,其中要素赋值为2表示冲积扇,其余部分赋值为0,赋值为0表示平原,并由人工对结果进行检查。
2.根据权利要求1所述的一种基于光线追踪的DEM冲积扇提取方法,其特征在于,所述步骤S1中制作反地形DEM的步骤如下:
A1:读取DEM,并依据栅格数据集属性读取DEM的最大值;
A2:使用“栅格计算器”求取反DEM。
3.根据权利要求2所述的一种基于光线追踪的DEM冲积扇提取方法,其特征在于,所述步骤A2中求取反DEM的方法包括两种,分别为:使用步骤A1中得到的DEM最大值与原DEM相减;使用大于DEM最大值的一个极大值与原DEM相减。
4.根据权利要求2所述的一种基于光线追踪的DEM冲积扇提取方法,其特征在于,所述步骤S1中采用投影栅格的方式进行投影,具体为:使用投影栅格工具;根据原数据地理位置和需求选择输出坐标系,重采样技术选择为双线性插值法,进行投影即可。
5.根据权利要求1所述的一种基于光线追踪的DEM冲积扇提取方法,其特征在于,所述步骤B4中需要对山体与冲积扇混合部分进行众数平滑,具体为:使用焦点统计工具进行众数平滑,具体参数设置如下:使用5×5的窗口,邻域选择为环形,内半径为1,外半径为3,单位类型选择像元;统计类型选择为众数;对划分结果重复平滑2-3次,直到结果符合实际。
6.根据权利要求1所述的一种基于光线追踪的DEM冲积扇提取方法,其特征在于,所述步骤S3具体为:
C1:参考步骤B1,采用一个相对较大、与山地坡度相吻合的太阳高度角,按照同样的四个方位求取山体阴影,得到四个山体阴影数据集;
C2:对得到的山体阴影数据集重复步骤B2至步骤B4,划分出山体部分。
CN202211302741.6A 2022-10-24 2022-10-24 基于光线追踪的dem冲积扇提取方法 Active CN115546648B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211302741.6A CN115546648B (zh) 2022-10-24 2022-10-24 基于光线追踪的dem冲积扇提取方法
PCT/CN2023/121965 WO2024088005A1 (zh) 2022-10-24 2023-09-27 基于光线追踪的dem冲积扇提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211302741.6A CN115546648B (zh) 2022-10-24 2022-10-24 基于光线追踪的dem冲积扇提取方法

Publications (2)

Publication Number Publication Date
CN115546648A CN115546648A (zh) 2022-12-30
CN115546648B true CN115546648B (zh) 2023-05-23

Family

ID=84718873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211302741.6A Active CN115546648B (zh) 2022-10-24 2022-10-24 基于光线追踪的dem冲积扇提取方法

Country Status (2)

Country Link
CN (1) CN115546648B (zh)
WO (1) WO2024088005A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546648B (zh) * 2022-10-24 2023-05-23 南京师范大学 基于光线追踪的dem冲积扇提取方法
CN117671167B (zh) * 2023-10-19 2024-05-28 兰州交通大学 一种基于山体阴影分析的启发式dem综合方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109671149A (zh) * 2018-12-03 2019-04-23 南京师范大学 基于dem的地形素描图自动绘制方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7832267B2 (en) * 2007-04-25 2010-11-16 Ecometriks, Llc Method for determining temporal solar irradiance values
CN104637073B (zh) * 2014-12-30 2017-09-15 华中科技大学 一种基于太阳照射阴影补偿的带状地下结构探测方法
CN107330422A (zh) * 2017-07-28 2017-11-07 首都师范大学 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法
KR101836926B1 (ko) * 2017-12-05 2018-04-19 한국지질자원연구원 트렌치 단면 기준선 설정 장치 및 이를 이용한 트렌치 단면 분석 방법
CN114463621A (zh) * 2020-10-21 2022-05-10 中国石油天然气股份有限公司 现代沉积源-汇***遥感定量分析方法及装置
CN114359320B (zh) * 2021-12-15 2023-02-03 哈尔滨工业大学 月球探测器鲁棒环形山检测方法及飞行器导航方法
CN114778483A (zh) * 2022-04-25 2022-07-22 福州大学 用于监测山地的遥感影像近红外波段地形阴影校正方法
CN115546648B (zh) * 2022-10-24 2023-05-23 南京师范大学 基于光线追踪的dem冲积扇提取方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109671149A (zh) * 2018-12-03 2019-04-23 南京师范大学 基于dem的地形素描图自动绘制方法

Also Published As

Publication number Publication date
CN115546648A (zh) 2022-12-30
WO2024088005A1 (zh) 2024-05-02

Similar Documents

Publication Publication Date Title
CN115546648B (zh) 基于光线追踪的dem冲积扇提取方法
Miao et al. Review of methods used to estimate the sky view factor in urban street canyons
Liu et al. Building extraction from high resolution imagery based on multi-scale object oriented classification and probabilistic Hough transform
CN108830844B (zh) 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法
CN109978249A (zh) 基于分区建模的人口数据空间化方法、***及介质
CN116310192A (zh) 一种基于点云的城市级建筑物三维模型单体重建方法
CN111028255A (zh) 基于先验信息与深度学习的农田区域预筛选方法及装置
CN114926602B (zh) 基于三维点云的建筑物单体化方法及***
CN110222586A (zh) 一种建筑物高度的计算及城市形态参数数据库的建立方法
CN111091079A (zh) 基于tls的高寒脆弱区植被优势单株结构参数测定方法
CN110188398A (zh) 基于均值邻域的黄土地貌沟沿线提取方法
CN115641415A (zh) 基于卫星影像生成三维场景的方法、装置、设备及介质
US11954895B1 (en) Method for automatically identifying south troughs by improved Laplace
CN112166688B (zh) 基于小卫星的沙漠与沙漠化土地监测方法
Ran et al. New composite nighttime light index (NCNTL): A new index for urbanization evaluation research
CN114170441B (zh) 基于地理国情数据和影像分类的路旁树自动提取方法
Grigillo et al. Classification based building detection from GeoEye-1 images
CN115760885A (zh) 基于消费级无人机影像的高郁闭度湿地森林参数提取方法
Callot et al. Image-analysis and cartography of sand hill massifs on high resolution images: application to the Great Western Erg (NW of Algerian Sahara)
CN115908910A (zh) 一种基于局部基准底面的地形地貌自动分类方法
Mohammed et al. Using Remote Sensing and GIS to Study Morphological Analysis of Kirkuk Province
CN114596490A (zh) 丘陵地形特征线提取方法、丘陵地dem精细化生产方法
CN108563674B (zh) 基于rs和gis的海域地理要素测量方法、***及装置
Nael et al. Spatial analysis of the land suitability for cocoa plantations in East Dusun District
Yue et al. The extraction of water information based on SPOT5 image using object-oriented method

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