ENVI 分析技术赋能咨询专家，助其满足环境标准
31165 为本文评分:
4.0
ENVI 分析技术赋能咨询专家，助其满足环境标准
Jason Wolfe 2019年9月18日，星期三
环境咨询专家常受命协助客户遵守环境法规——无论是监测空气质量，还是确保施工地点位于指定湿地范围之外，以上仅为两个例子。
例如，矿业公司通常与咨询专家紧密合作，规划潜在的开采地点，以减少运营对环境的影响，并在矿山退役后恢复自然植被。能够获取定期的航空勘测数据，可以确保在整个采矿项目的生命周期内都符合环境法规。在过去的十年中，咨询专家越来越多地依赖航空摄影和近实时无人机影像，对采矿和开发项目进行持续监测。
对航空影像进行土地利用分类，是调查特定时间点主要土地覆盖类型（如水体、植被和扰动土）的有效工具。当将两个不同日期且已配准的分类影像进行对比时，它们之间的差异可以呈现为变化检测图。
本文展示了一些实例，说明咨询专家如何使用露天采矿场地的航空影像，监测两年内扰动土地的变化情况。类似的方法也可用于监测植被随时间的恢复变化，作为场地修复工作的一部分。
本文为了便于说明，没有使用专有的无人机数据，而是采用了公共领域的 NAIP 影像，因为其适用的分析方法类似。美国农业部国家农业影像计划 (NAIP) 每两到三年在美国的农作物生长季节获取一次分辨率为 1 米的航空影像。
此图显示了 2015 年 10 月 18 日美国明尼苏达州一个大型采矿项目的真彩色 NAIP 影像子集。
为了创建名为“扰动土”的土地利用类别，我们使用 ENVI 软件创建了蓝光到近红外的比值图像。较亮的像素表示没有任何植被的区域，即发生过人为活动的区域。
将高于阈值 0.48 的像素值转换为感兴趣区域 (ROI)，然后将其导出为分类图像。对 2017 年的 NAIP 影像重复了相同的过程。以下是结果，揭示了两年来扰动土范围的变化：
从这个视图看，差异可能难以解释。使用 ENVI 专题变化工具创建的变化检测图能更好地展示哪些区域随时间发生了变化：
ENVI 深度学习模块 可以帮助在整个场地内定位其他类似这样的尾矿堆群。虽然训练深度学习模型可能需要一些时间，但只需训练一次。然后，它可以多次应用于在其他影像中寻找类似的特征。
下面的示例展示了深度学习模型如何准确地在一个不同于其训练影像的另一幅影像中定位其他尾矿堆：
监督分类和机器学习方法更适用于定义广义的土地利用类别；然而，提取更详细的目标特征则需要不同的方法。
深度学习是一项新兴技术，在帮助分析人员定位更复杂的特征（如矿区的废料堆、沉淀池和运输道路）方面展现出巨大潜力。下图显示了一组尾矿堆，即矿石采出后剩余的沉积物堆：
这些特征的边界可以轻松导出为 shapefile 文件，用于 GIS 分析和计算其总面积。
分析人员还可以使用 ENVI 建模器为未来的研究创建和运行自定义的深度学习及分类工作流程。通过使用 ENVI 系列深度学习和分类工具，环境咨询专家可以为客户提供准确可靠的分析结果，尤其是在满足大型采矿和开发项目的环境标准方面。
您是否有复杂的难题，认为 ENVI 分析技术或 ENVI 深度学习或许能够解决？如果是，我们的专家将协助您解决！请发送邮件至 GeospatialInfo@NV5.com，我们将与您讨论您的项目。
探索更多
观看 ENVI® 深度学习的实际应用
简短演示视频
为应对自然灾害的救援组织提供实时、可操作的情报。
新的 ENVI 深度学习目标检测工具
博客文章
了解 ENVI 深度学习如何显著减少标注和训练时间。
ENVI 深度学习模块介绍
录制的网络研讨会
了解我们的 ENVI 深度学习模块及其相对于其他技术的优势。