Automatic recognition method of urban underground silt based on remote sensing image—a case of Anqing City
-
摘要:
沟塘河渠可能由于各种原因被填埋而形成暗浜，对城市的工程建设造成质量隐患。相比于传统的探测暗浜的方法，如物探、微动探测技术，遥感监测具有监测范围广、效率高、可重复观测等优势。利用遥感图像变化检测方法提取安庆市城区暗浜空间位置与范围，基于面向对象的图像分析方法，分别对多时相影像进行先分割，进而利用SVM算法进行监督分类，得到研究区的多时相影像土地覆盖分类结果。基于2期图像分类结果，进行变化检测分析，提取暗浜的空间分布与范围，并选择典型区域利用微动探测进行实地验证。提出的城区暗浜提取方法能够为城市工程建设与城市规划提供决策支持，并且为实施物探划定出靶区或重点区域，提高物探工作效率。
Abstract:Underground silt, due to complex and loose compound, is a potential threat in urban infrastructure.Compared with the traditional methods of detecting underground silt, such as geophysical and micro-motion detection technology, remote sensing monitoring has the advantages of wide monitoring range, high efficiency and repeatability. The detection method of remote sensing image change was used to extract the spatial location and area of underground silt in urban area of Anqing. The method was mainly based on the object-oriented image analysis method, first splitting the multi-temporal images separately, and then using the SVM algorithm to classify the land cover. Based on the classification results, the spatial distribution of underground silt was extracted by change detection analysis, which could be defined as the target area or key area for the implementation of physical exploration, so as to detect the depth of the underground silt. Based on the results of two phases of image classification, change detection analysis was carried out to extract the spatial distribution and range of underground silt, and select typical areas for field verification using microtremor detection. The proposed method can provide decision support for urban engineering construction and urban planning. It can delineate the target area or key area for geophysical exploration, and improve the efficiency of geophysical exploration.
-
地下水氮污染是世界性难题[1-2]，而中国90%的城市地下水不同程度遭受N等元素污染，地下水污染已呈现由点向面、由城市向农村扩展的趋势[3]。近年来，随着煤炭资源开发促进能源化工基地经济的发展，煤炭开采过程中工业污染物的排放极有可能对地下水水质安全造成严重的威胁[4-12]。90%的煤炭含氮量为0.52%~1.41%[13]。前人探讨了煤矸石回填对地下水氮的影响[14]、采煤沉陷积水区地表水与浅层地下水氮的影响[6]，对能源化工基地煤炭资源开发区地下水三氮污染影响因素尚未开展研究。
煤炭资源开发过程中，改变原有包气带中所含的潜在污染物改变了原有的循环模式，而与地表水联系最紧密的是浅层地下水，开采过程在地表、浅层地下水中形成了特有的转化模式[15]，尤其是在采动过程中可能形成的一系列波状地貌，如大量发育的裂隙、裂缝、阶地等。研究区为沙地区，会形成大量的波状起伏的丘陵地貌，对地表、包气带的结构及水、污染物的运移产生了潜在的影响，区域物源补给直接影响氮的含量。故本文立足于地下水径流系统和物源条件探讨转化机理。
宁东煤炭基地鸳鸯湖矿区是国家煤炭规划建设的重要矿区，梅花井井田为鸳鸯湖矿区的5个大型煤矿之一。宁东煤炭基地属2个含煤时代，石炭纪—二叠纪和侏罗纪煤田8个矿区共含煤38层，梅花井矿区主要产侏罗纪煤炭。煤炭开采过程中工业污染物可能含有大量的氮污染物，导致含水层氮污染，生态环境脆弱，水资源相对匮乏，煤炭开采区地下水资源的保护及矿区可持续发展具有重要意义。前人研究了梅花井矿区水文地质条件[16]、采矿对含水层水量及结构的破坏类型和程度[17-19]，而对煤矿区乃至周边的影响区水质尚未探讨。梅花井井田位于宁东夹山梁地貌单元，本文基于地下水补径排条件选择宁东夹山梁地貌为基本研究单元（包括了梅花井井田和周边环境），研究风积沙滩地区煤矿井开采地下水氮污染的程度和影响因素。
1. 研究区水文地质条件
夹山梁位于宁夏回族自治区灵武市以东33km处。梅花井井田位于夹山梁的中东部，鸳鸯湖背斜东翼中部，矿区面积78.96km2，开采深度1300~ 200m。属半沙漠低山丘陵地形。地表为沙丘掩盖，多系风成新月形和垄状流动沙丘。区内无常年地表径流，雨季降水及矿井排水在井田北部低洼地区形成盐碱湖，冬季干枯为碱滩，基岩被第四系风积沙覆盖。
夹山梁地区含水层按岩性组合特征及地下水水力性质、埋藏条件等，主要含水层由上而下划分为第四系孔隙潜水含水层和侏罗系直罗组、延安组砂岩裂隙-孔隙承压水含水层（图 1）。
![]()
图 1 水文地质图及样点分布Q—第四系；K—白垩系；J—侏罗系；T—三叠系Figure 1. The hydrological geological map and sample distribution（1）本区第四系厚2.75~17m，平均厚5.15m①，地下水主要赋存于风积沙、小型洼地及沟谷冲洪积层中。按地下水赋存条件，可分为风积沙潜水层、风积-冲洪积潜水层。地下水主要赋存于风积沙、小型洼地及沟谷冲洪积层中。含沙漠凝结水，地下水位埋深1.00~3.48m，多随地形起伏而异，水位、水量随季节变化，矿化度为0.8~8.03g/L，水化学类型主要为Na- HCO3、SO4 · HCO3- Na · Mg、Cl·SO4-Na·Mg。
（2）侏罗系含水层组是影响矿区煤矿开采的主要含水层，包括上侏罗统直罗组含水层、中统延安组含水层，厚度为13.01~618.62m。煤层厚度主要分布在6.85~337.45m之间，垂向上上部直罗组含水层富水性较强，对梅花井煤层开采影响较大，下部延安组含水层结构较致密，裂隙不发育，富水性较差，对煤层开采影响较小，水化学类型为SO4· Cl-Na、HCO3-Mg·Na·Ca或SO4·HCO3-Na·Mg。
（3）隔水层岩性多为中细砂岩与粉砂岩、泥岩互层，岩性致密，与煤层共同形成良好的隔水层。
2. 研究方法
采样点位于鸳鸯湖矿区夹山梁，采集第四系含水层水样10个和侏罗系含水层样品3个（图 1），利用GPS精确定位，潜水水位埋深一般为6~8m，侏罗系含水层水位埋深一般为65~100m。采样时间为2016年9月12日—9月17日，统测1次。水样采集、固定及保存均按照《水质采样样品的保存和管理技术规定》（HJ 493—2009）②进行，并及时运往实验室检测。依据水和废水监测分析方法[20]对浅层地下水中的氮分布及限制性特征进行分析；现场测试指标为水温，室内测试分析TDS、NO3-、NO2–、NH4+共4项。水化学测试由中国地质调查局西安地质调查中心实验测试中心完成。评价方法参照《矿山地质环境调查评价规范DD2014— 05》 8.3.2.2条款，地下水污染评价采用单项超标倍数法。
3. 结果
3.1 三氮空间污染特征
对夹山梁地区浅层地下水中主要离子及部分水化学指标的数据统计显示（表 1），本区浅层地下水pH值范围为7.13~9.63，浅层地下水普遍处于偏碱性环境，且酸碱度空间差异不大。矿化度变化范围为185.2~3278.22mg/L，表明矿化度指标空间分布差异较大。水质为淡水-咸水之间。其中一处水样中NO3–毫克当量百分数超过25%（表 1），对水化学类型产生较大影响。
表 1 地下水测试数据Table 1. The list of groundwater test data样号 地貌类型 水温/℃ pH 井水埋深/m 含水层类型 总矿化度mg/L NH4+mg/L NO3–mg/L NO2–mg/L 水化学类型 J1 风积沙滩 16 7.73 65 承压水 491.3 0.06 15.7 < 0.01 HCO3-SO4-Na-Mg-Ca J2 风积沙滩 15 8.53 70 承压水 569.32 0.07 20.2 < 0.01 HCO3-SO4-Na-Ca-Mg J3 风积沙滩 14 7.96 100 承压水 630.02 0.06 6.71 < 0.01 HCO3-Mg-Na-Ca J4 风积沙滩 18 7.71 0 泉水 826.62 0.08 80.8 0.74 HCO3-SO4-Na-Mg-Ca J5 风积沙滩 17 7.89 5 潜水 1368.28 0.12 200 < 0.01 SO4-HCO3-Cl-Na-Mg J6 风积沙滩 17 7.95 2 潜水 1038.91 0.11 234 0.92 HCO3-NO3-Na-Mg J7 风积沙滩 16 8.01 4 潜水 1538.07 0.11 67.1 0.49 HCO3-Cl-SO4-Na-Mg J8 风积沙滩 12 7.94 4.3 潜水 1668.22 0.1 171 2.01 Na-HCO3 J9 冲积平原 7.13 1 潜水 185.2 0.06 7.97 < 0.01 HCO3-SO4-Ca-Mg J10 冲积平原 17 8.51 潜水 1622.24 0.08 43.2 0.84 Cl-SO4-HCO3-Na-Mg J11 冲洪积平原 16 9.63 2 潜水 1549.54 0.1 6.3 0.69 Cl-SO4-Na-Mg J12 冲洪积平原 8.19 3.5 潜水 3278.22 0.1 79.6 < 0.01 Cl-SO4-Na-Mg 由表 1、图 2可以看出，研究区13组水样中三氮NH4+、NO3–、NO2–水化学特征，含量范围分别为0.06~0.12mg/L、4.67~234mg/L、 < 0.01~2.01mg/L，与国家地下水质量标准Ⅲ类水质限值对比，氨氮均检出，但未污染；NO2–均检出，其中6组含量为重度或极严重污染；NO3–的7组样品未检出，其余5组NO3–污染级别为中度、轻度污染。空间上无论矿权范围还是矿权外，污染样点均存在，不同的是NO3–污染主要在第四系潜水含水层中，而NO3–污染已经迁移至承压水中。超标样点占调查样点的75%。
![]()
图 2 宁东梅花井地下水三氮污染评价Figure 2. Evaluation graph of groundwater three nitrogen pollutants in Meihuajing field, Ningdong3.2 矿区地下水氮物源
本次采集了煤矸石和区域土壤，pH为碱性。煤矸石产生量约占煤炭开采量的5%~25%[20]。从表 2可知，区域土壤氮含量平均值为346mg/kg，氮含量为5级，氮养分缺乏；煤矸石氮含量平均值为1213mg/kg，氮含量为3级，氮养分足量。矸石中含有丰富的N元素，即矿业开发为地下水氮污染提供了丰富的氮源。刘钦甫等[21]在煤矸石中氮溶出的动态淋滤实验中，得出煤矿区地表矸石中含有吸附状态的硝态氮，而这部分氮较容易被水所溶出，特别是中性水比酸性水更容易使其溶出。在3种形态的氮中，硝态氮明显占优势，且其变化趋势与总氮一致。
表 2 煤矸石、表土中N元素含量Table 2. The content of nitrogen in gangue and soil物源类型 样品编号 N pH 附近布设井孔 GS1 301 8.7 GS2 1556 7.58 研究区内 GS3 1406 8.02 GS4 257 6.78 GS5 519 8.31 GS6 424 8.70 GS7 899 8.15 GS8 859 8.23 GS9 1523 8.12 煤矸石 GS10 173 9.22 GS11 2382 8.15 研究区外 GS12 1668 7.78 GS13 703 8.39 GS14 2331 7.89 GS15 3123 7.52 GS16 2131 7.13 GS17 1595 7.14 GS18 770 10.97 GS19 418 8.36 煤矸石平均值 1213 8.17 土壤 T1 472 9.21 J3 T2 290 9.34 J5 T3 440 9.26 J2 T4 386 9.41 J1 T5 170 8.97 J7 T6 320 8.95 J11 土壤平均值 346 9.19 中国土壤普查技术含量分级[22] 6级 < 50 5级 50~750 4级 750~1000 3级 1000~1500 2级 1500~2000 1级 >2000 粉煤灰场旁水样取自电厂灰渣贮灰场旁边的水塘，废水排放标准暂无对硝酸盐的规定，本文参照国家地表水环境质量标准（GB3838—2002）和国家地下水环境质量标准（GB/T 14848—93）Ⅲ类水限值。从表 3可知，淋滤液、河水、湖水、降雨中含有硝酸盐和氨氮成分，但相对国家标准其水质是安全的。
表 3 粉煤灰淋滤液、地表水、雨水中N元素含量Table 3. The content of nitrogen in fly ash filter, surface water and rain water水样类型 样品编号 NH4+ NO3– NO2– 粉煤灰场旁水样 F1 0.06 10.8 < 0.01 F2 0.07 8.09 < 0.01 F3 0.07 11.4 < 0.01 河水 H1 < 0.02 1.36 < 0.01 H2 < 0.02 4.09 < 0.01 湖水 H3 0.07 1.9 < 0.01 雨水 Y1 0.04 2 0 国家地表水环境质量标准（GB38382002）Ⅲ类水限值 1 10 研究区为牧区，大量的牧羊粪便随着地表或雨水进入地下水，施用动物粪便等的地区，地表水回补后的地下水NO3–值较高；地下水中N元素的浓度逐年增加[22-24]。
4. 讨论
地下水中三种主要的无机氮形态NH4+、NO3–、NO2–，以NO3–、NO2–为主，其中地下水中的NO3-占无机氮的比例最高，氨氮未出现超标，超标成分为NO3–、NO2–。那么地下水中NH4+不超标而NO3–、NO2–超标的影响因素是什么？
首先，从地下水补给-径流-排泄条件考虑：①垂向补给条件，由前述可知，目前淋滤液、河水、湖水中三氮相对国家标准水质是安全的，引起地下水硝酸盐和亚硝酸盐超标的可能性较小。但是由于有丰富的物源，在地表水或降雨长期淋滤作用下，沿垂向可能引起地下水中硝酸盐和亚硝酸盐的超标。②受地形地貌影响明显，地下水补给区位于夹山梁和布朗山，研究区只有J9井孔位于丘陵高地，水质良好，而处于经过长期的蒸发作用和溶滤作用的排泄区的样点，如J8、J10、J11井点中，NO3和NO2–含量增加，出现超标现象，J8井点中的NO3–、NO2–超标倍数分别为99.5倍、7.55倍，J10井点中的NO3–、NO2–超标倍数分别为41、1.16倍，J11井点中的NO3–超标倍数为33.5倍。③煤矿采掘扰动改变含水层围岩和径流条件，也会促进N的释放。如J1与J2井点具相似的地形条件，不同的是J2位于矿权范围，井孔中NO3–含量出现超标现象，而在矿权范围外的J1井水质良好，煤炭资源在开采过程中，煤层、围岩中的氮化物矿物与氧气和水接触，在微生物的催化作用下，经过一系列复杂的地球化学反应，可促进N元素的释放。由于矿井水在地下与围岩裂隙水存在着一定的水力联系，这些含氮物质的释放将会对水环境造成严重的威胁[25-28]。
其次，地下水水文地球化学特性的众多研究表明，地下水氮污染形式主要是NO3–的污染，其是国内外最普遍、污染面积最大的地下水污染问题[29-31]，在NH4+、NO3–、NO2–系统中三氮变化关系通常总是向NO3–转化，而NO2–浓度增高的罕见情况也只是具有暂时性意义[6]。因此长期以来，NO2–在潜水中出现增高甚至超标，取决于复杂的地下水中氮的转化过程，主要包括有机氮的矿化作用、NH4+吸附作用、硝化作用、反硝化作用、异化还原等[31]。同时温度、pH、Eh、土层介质厚度、土壤透气性等也是重要的影响因素[25, 32-35]。Sitaula等[35]认为，硝化反应的最佳pH值范围为8~8.4，pH值低于7时，硝化速率明显降低，低于6或高于9.6时，硝化反应几乎停止，研究区pH值范围为7.73~9.63，是硝化反应的最佳区域。王晓娟等[36]认为，在氮的转化过程中，细菌起着重要的作用，几乎所有微生物在好氧环境转变为厌氧环境后均可参与硝化过程；有研究表明，某些反硝化细菌在好氧条件下也可以进行反硝化[37]，一定温度范围内，氮矿化（氮由有机态转化为无机态NH4+或NH3的过程）随温度的升高而升高，随土层深度增加而降低，随土壤通透性的降低而降低，这也可能是潜水中NO3–、NO2–含量高而承压水中只有NO3–含量高的原因。
5. 结论
（1）NO3–、NO2–与国家地下水质量标准Ⅲ类水质限值对比污染严重，NO2–污染主要在第四系潜水含水层中，而NO3–在潜水和承压水中均有污染。研究区超标样点占调查样点的76.92%。根据物源和氮污染空间分布情况推测，煤矿区氮的污染很可能是研究区高地球化学背景引起的。
（2）NO3–在研究区浅层地下水中的相对含量较高，NO3–毫克当量百分数超过25%的水样，对水化学类型产生影响。
（3）NO3–、NO2–的影响因素很大程度受限于煤矿开采、地形地貌条件、垂向补给及水文地球化学条件。低山丘陵高地及煤矿开采未影响到的地方，水质较好。温度、pH、Eh、土层介质厚度、土壤透气性等也是重要的影响因素。
致谢: 感谢安徽省地球物理地球化学勘查技术院提供的微动探测技术支持，感谢审稿专家对本文的评论及建议。 -
![]()
图 1 研究区概况及遥感影像数据
a—研究区位置图；b—T2(2018年)影像；c—T1(2004年)影像
Figure 1. Illustration of the study area and remote sensing images
![]()
图 4 微动测量工作布置示意图(2004影像)
a—测线1和测线2；b—测线3
Figure 4. Layout of microtremor survey (images of 2004)
![]()
图 5 影像分类结果
a—研究区位置图；b—T2影像分类结果；c—T1影像水体提取结果
Figure 5. The classification results of remote sensing images
表 1 分类精度
Table 1 Accuracy of classification
影像类型 总体精度 Kappa系数 T2影像 90.49% 0.8506 T1影像 96.12% 0.94 
下载: 导出CSV
表 2 暗浜空间范围分布面积
Table 2 Area statistics of underground silt
km2 名称 建设用地 耕地 林地 草地 未利用土地 暗浜总计 宜秀区 2.3368 0.0486 0.0053 0.1844 — 2.5751 十里铺 2.0097 0.0064 0.0510 0.0008 — 2.0679 老峰镇 1.6146 0.3560 0.0010 0.0050 0.0093 1.9859 白泽湖 0.5841 0.0622 — — — 0.6463 山口乡 0.5852 — 0.0186 0.0010 — 0.6048 长风乡 0.5028 0.0607 0.0016 0.0067 — 0.5718 龙狮乡 0.5120 0.0496 — — — 0.5616 大龙山 0.3972 0.0021 0.0055 0.0159 — 0.4207 大观区 0.0932 — 0.0007 0.0000 — 0.0939 月山镇 0.0716 — 0.0072 0.0035 0.0007 0.0830 海口镇 0.0003 0.0659 0.0000 0.0000 — 0.0662 迎江区 0.0184 0.0268 0.0045 0.0138 — 0.0635 菱北街 0.0306 — — 0.0010 — 0.0316 杨桥镇 0.0049 — 0.0180 0.0024 — 0.0253 鲟鱼镇 0.0225 — 0.0009 0.0000 — 0.0234 五横乡 — — 0.0202 0.0015 — 0.0217 新洲乡 0.0090 0.0091 — 0.0018 — 0.0199 总计 8.7929 0.6874 0.1345 0.2378 0.0100 9.8626
下载: 导出CSV
-
翟法智, 徐佩芬, 潘丽娜, 等. 宁波轨道交通暗浜勘察物探方法研究[J]. 地球物理学进展, 2017, 32(4): 1856-1861. https://www.cnki.com.cn/Article/CJFDTOTAL-DQWJ201704061.htm 刘军强, 翟法智, 黄明. 微动探测法在城市轨道交通暗浜勘察中的应用[J]. 铁道勘察, 2017, 43(6): 57-60. doi: 10.3969/j.issn.1672-7479.2017.06.017 Singh A. Review article digital change detection techniques using remotely-sensed data[J]. International Journal of Remote Sensing, 1989, 10(6): 989-1003. doi: 10.1080/01431168908903939
Hussain M, Chen D, Cheng A, et al. Change detection from remotely sensed images: From pixel-based to object-based approaches[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 80(2): 91-106.
李德仁. 利用遥感影像进行变化检测[J]. 武汉大学学报(信息科学版), 2003, 28(S1): 7-12. https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH2003S1003.htm 肖化超, 周诠, 张建华. 遥感卫星在轨机场变化检测方法[J]. 测绘通报, 2015, (1): 22-25. https://www.cnki.com.cn/Article/CJFDTOTAL-CHTB201501006.htm 眭海刚, 冯文卿, 李文卓, 等. 多时相遥感影像变化检测方法综述[J]. 武汉大学学报(信息科学版), 2018, 43(12): 1885-1898. https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201812015.htm Liu H, Yang M, Chen J, et al. Line-constrained shape feature for building change detection in VHR remote sensing imagery[J]. ISPRS International Journal of Geo-Information, 2018, 7(10): 410. doi: 10.3390/ijgi7100410
Wen D, Huang X, Zhang L, et al. A novel automatic change detection method for urban high-resolution remotely sensed imagery based on multiindex scene representation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(1): 609-625. doi: 10.1109/TGRS.2015.2463075
杜培军, 白旭宇, 罗洁琼, 等. 城市遥感研究进展[J]. 南京大学学报(自然科学版), 2018, 10(1): 11-29. https://www.cnki.com.cn/Article/CJFDTOTAL-NJXZ201801004.htm 龙玄耀, 李培军. 基于图像分割的城市变化检测[J]. 地球信息科学, 2008, 10(1): 121-127. doi: 10.3969/j.issn.1560-8999.2008.01.020 侯恩科, 张杰, 谢晓深, 等. 无人机遥感与卫星遥感在采煤地表裂缝识别中的对比[J]. 地质通报, 2019, 38(2/3): 443-448. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=2019020325&flag=1 Desclee B, Bogaert P, Defourny P. Forest change detection by statistical object-based method[J]. Remote Sensing of Environment, 2006, 102(1): 1-11.
Conchedda G, Durieux L, Mayaux P. An object-based method for mapping and change analysis in mangrove ecosystems[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2008, 63(5): 578-589. doi: 10.1016/j.isprsjprs.2008.04.002
Duveiller G, Defourny P, Desclee B, et al. Deforestation in Central Africa: Estimates at regional, national and landscape levels by advanced processing of systematically-distributed Landsat extracts[J]. Remote Sensing of Environment, 2008, 112(5): 1969-1981. doi: 10.1016/j.rse.2007.07.026
Stow D. Geographic object-based image change analysis. handbook of applied spatial analysis: software tools, methods and applications[M]. Berlin: Springer, 2010: 565-582.
Wang Z, Liu Y, Ren Y, et al. Object-Level double constrained method for land cover change detection[J]. Sensors, 2018, 19(1): 79. doi: 10.3390/s19010079
Hansen M C, Loveland T R. A review of large area monitoring of land cover change using Landsat data[J]. Remote Sensing of Environment, 2012, 122: 66-74. doi: 10.1016/j.rse.2011.08.024
Hantson S, Chuvieco E. Evaluation of different topographic correction methods for Landsat imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(5): 691-700. doi: 10.1016/j.jag.2011.05.001
Xian G, Homer C G. Updating the 2001 National Land Cover Database Impervious Surface Products to 2006 using Landsat imagery change detection methods[J]. Remote Sensing of Environment, 2010, 114(8): 1676-1686. doi: 10.1016/j.rse.2010.02.018
Okada H. Theory of efficient array observations of microtremors with special reference to the SPAC method[J]. Australian Society of Exploration Geophysicists (ASEG), 2006, 37(1): 73-85. doi: 10.1071/EG06073
Apostolidis P, Raptakis D, Roumelioti Z, et al. Determination of S-wave velocity structure using microtremors and spac method applied in Thessaloniki (Greece)[J]. Soil Dynamics & Earthquake Engineering, 2004, 24(1): 49-67.
Satoh T, Kawase H, Matsushima S. Estimation of S-Wave Velocity Structures in and around the Sendai Basin, Japan, Using Array Records of Microtremors[J]. Bulletin of the Seismological Society of America, 2001, 91(2): 206-218. doi: 10.1785/0119990148
刘铁华. 综合微动技术在昆明地铁勘探中适用性的量化研究[J]. 工程地球物理学报, 2019, 16(5): 572-579. doi: 10.3969/j.issn.1672-7940.2019.05.003 王娜. 面向对象的高分辨率遥感影像土地覆盖信息提取技术研究[D]. 昆明理工大学硕士学位论文, 2016. 刘建华. 高空间分辨率遥感影像自适应分割方法研究[D]. 福州大学博士学位论文, 2011. Kavzoglu T, Colkesen I. A kernel functions analysis for support vector machines for land cover classification[J]. International Journal of Applied Earth Observation & Geoinformation, 2009, 11(5): 352-359.
计量
- 文章访问数: 2350
- HTML全文浏览量: 275
- PDF下载量: 1548
