CN111738144A - 一种基于Google Earth Engine云平台的地表水体产品生成方法和*** - Google Patents

一种基于Google Earth Engine云平台的地表水体产品生成方法和*** Download PDF

Info

Publication number
CN111738144A
CN111738144A CN202010568232.2A CN202010568232A CN111738144A CN 111738144 A CN111738144 A CN 111738144A CN 202010568232 A CN202010568232 A CN 202010568232A CN 111738144 A CN111738144 A CN 111738144A
Authority
CN
China
Prior art keywords
surface water
water body
image
cloud platform
pixel
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.)
Granted
Application number
CN202010568232.2A
Other languages
English (en)
Other versions
CN111738144B (zh
Inventor
江威
龙腾飞
庞治国
何国金
付俊娥
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.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
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 China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202010568232.2A priority Critical patent/CN111738144B/zh
Publication of CN111738144A publication Critical patent/CN111738144A/zh
Application granted granted Critical
Publication of CN111738144B publication Critical patent/CN111738144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于Google Earth Engine云平台的地表水体产品生成方法和***，该方法利用Google Earth Engine遥感大数据云平台获取全时序Landsat8卫星遥感影像，通过人工选取高精度训练样本，形成不同类型水体和非水体典型样本库，采用归一化植被指数、归一化水体指数和地形坡度等多种指数和影像原始波段构建特征波段，结合高精度训练样本和特征波段，采用随机森林分类器实现全时序地表水体智能提取，构建地表水体出现频率模型，实现了地表水体产品自动化生成；本发明生成的水体产品具有较高的时空分辨率，能够反映地表水体季节动态变化规律，可应用于全国或全球尺度长时序地表水体产品自动生产。

Description

一种基于Google Earth Engine云平台的地表水体产品生成 方法和***
技术领域
本发明涉及遥感影像智能识别技术领域，具体涉及一种基于Google EarthEngine云平台的地表水体产品生成方法和***。
背景技术
水是支撑自然界各种生命生存和发展的基础，同时也深刻影响着地球表层的自然和人文景观。一般而言，地表水体是指内陆地区湖泊、河流、水库、养殖区等地表类型。受自然降雨和人类生产生活等因素影响，地表水体具有显著的季节动态变化特征。卫星遥感自身具有大尺度、低成本、快速重访等优势，能够快速准确掌握地表水体时空动态分布信息。
以MODIS、SSM/I、AVHRR为代表的快速重返的卫星较早被应用开展地表水体频率产品制图，研制出Global WaterPack、GIEMS、GIEMS-D15和SWAMPS等代表性地表水体产品，但其空间分辨率较低，难以准确反映细小地表水体时空动态变化信息。随着Landsat开放与共享，全球地表水体制图步入高时空间分辨率时代，研制了GLCF GIW、GLOWABO、G3WBM、FROM-GLC water mask等系列地表水体产品。地表水体具有明显的季节动态变化特征，当前地表水体产品多以单时相产品，难以反映水体季节动态。部分地表水体产品采用多时相影像研制，但利用全时序Landsat遥感数据研制的产品仍较少。
随着人工智能技术和云计算的快速发展，兴起了以Google Earth Engine为代表的遥感信息智能服务平台，该平台集成了Landsat系列卫星数据、MODIS、Sentinel系列等多源遥感影像数据、地球数据、大气数据和经济数据，可实现大规模影像在线计算分析，为开展高时空分辨率地表水体制图提供了新契机。
发明内容
针对现有技术中的上述不足，本发明提供了一种基于Google Earth Engine云平台的地表水体产品生成方法，可实现地表水体出现频率产品自动化生成。
为了达到上述发明目的，本发明采用的技术方案为：
一种基于Google Earth Engine云平台的地表水体产品生成方法，包括以下步骤：
S1、获取全时序Landsat8遥感数据并进行预处理；
S2、从Landsat 8遥感影像中选取高精度训练样本点；
S3、构建用于区分水体和非水体的多个影像特征波段和指数特征波段；
S4、构建随机森林分类器模型，利用步骤S2选取的高精度训练样本库和步骤S3构建的特征波段对随机森林分类器模型进行训练；
S5、根据步骤S4训练后的随机森林分类器模型对每一景影像进行地表水体自动分类提取，形成全时序地表水体分类数据集；
S6、根据步骤S5形成的全时序地表水体分类数据集，在像元尺度上构建地表水体出现频率模型，计算每一个像素地表水体出现频率；
S7、自动生成表征地表水体季节动态规律的地表水体出现频率产品。
进一步地，所述步骤S1中全时序Landsat8遥感数据具体选取设定时间内全时序的Landsat8地表反射率产品，并采用影像中包含不同云和云阴影的质量控制波段，对影像中的云和云阴影进行去除。
进一步地，所述步骤S2从Landsat遥感影像中选取高精度训练样本点，具体包括以下分步骤：
S21、选取影像覆盖面积占全区域面积设定比例的区域；
S22、在每一景影像上选取包括但不仅限于湖泊、河流、水库水池、近岸海水、泥沙水体和水产养殖等多种水体类型的地表水体样本点；
S23、在每一景影像上选取包括但不仅限于农田、森林、草地、城市、裸地、灌丛、冰雪、云、云阴影、山体阴影和湿地的多种类型非水体样本点；
S25、从影像元数据中获取样本点选取参考影像轨道号信息，并标记影像成像时间；
S26、以空间点数据文件格式组织训练样本点。
进一步地，所述步骤S3中影像特征波段具体包括Landsat8卫星影像波段2到波段7的6个影像特征波段；
指数特征波段具体包括归一化植被指数、全球环境监测指数、归一化水体指数、归一化湿度指数和坡度的5个指数特征波段。
进一步地，所述步骤S4中利用步骤S2选取的高精度训练样本点和步骤S3构建的特征波段对随机森林分类器模型进行训练，具体包括：
根据步骤S2选取的高精度训练样点，对应获取参考影像中各个特征波段的像素值，构建特征向量，表示为：
V′＝V(B2，B3，B4，B5，B6，B7，BNDVI，BGEMI，BNDWI，BNDMI，BSLOPE)
其中，V′表示特征向量，V(.)表示特征集，B2，B3，B4，B5，B6，B7分别表示Landsat8卫星影像波段2到波段7影像特征波段的像素值，BNDVI，BGEMI，BNDWI，BNDMI，BSLOPE分别表示归一化植被指数、全球环境监测指数、归一化水体指数、归一化湿度指数和坡度指数特征波段的像素值；
利用构建的特征向量对随机森林分类器模型的参数进行训练优化，得到优化后的随机森林分类器模型。
进一步地，所述步骤S5中形成的全时序地表水体分类数据集表示为：
S′＝S(A(i，j，t1)，A(i，j，t2)，A(i，j，t3)，...，A(i，j，tn))
其中，S′表示全时序地表水体分类结果，S(.)表示全时序地表水体向量集，A(i，j，tn)表示tn时相i行j列地表水体分类结果。
进一步地，所述步骤S6中地表水体出现频率模型表示为：
Figure BDA0002548619900000041
其中，FW(i，j)表示i行j列像素处的地表水体出现频率，t表示观测次序，N表示卫星观测总数，O(i，j)表示i行j列像素是否观测为地表水体，若该像素观测为水体，则O(i，j)＝1，若该像素观测为非水体，则O(i，j)＝0；S(i，j)表示i行j列像素是否为有效地表观测，若该像素观测为地表，则S(i，j)＝1，若该像素观测为云或云阴影，则S(i，j)＝0。
进一步地，所述步骤S7生成地表水体出现频率产品具体为：
在Google Earth Engine遥感大数据云平台中，根据计算得到的每一个像素地表水体出现频率，生成地表水体出现频率产品；
利用数字高程模型坡度对地表水体出现频率产品进行去除噪声处理；
对去除噪声后地表水体频率产品进行镶嵌和裁剪处理。
基于上述基于Google EarthEngine云平台的地表水体产品生成方法，本发明还提出了一种基于Google EarthEngine云平台的地表水体产品生成***，所述生成***应用上述地表水体产品生成方法生成地表水体出现频率产品。
本发明具有以下有益效果：
本发明利用Google Earth Engine遥感大数据云平台获取全时序Landsat 8卫星遥感影像，通过人工选取高精度训练样本，形成不同类型水体和非水体典型样本库，采用归一化植被指数、归一化水体指数和地形坡度等多种指数和影像原始波段构建特征波段，结合高精度训练样本和特征波段，采用随机森林分类器实现全时序地表水体智能提取，构建地表水体出现频率模型，实现了地表水体产品自动化生成；本发明生成的水体产品具有较高的时空分辨率，能够反映地表水体季节动态变化规律，可应用于全球尺度长时序地表水体产品自动生产。
附图说明
图1为本发明的基于Google Earth Engine云平台的地表水体产品生成方法流程示意图；
图2为本发明实施例中生成的地表水体出现频率产品示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
为了更好地反映地表水体季节动态变化信息，本发明利用Google Earth Engine遥感大数据云平台获取全时序Landsat8卫星遥感影像，通过人工选取高精度训练样本，形成不同类型水体和非水体典型样本库，采用归一化植被指数、归一化水体指数和地形坡度等多种指数和影像原始波段构建特征波段，结合高精度训练样本和特征波段，采用随机森林分类器实现全时序地表水体智能提取，构建地表水体出现频率模型，实现地表水体产品自动化生成。
如图1所示，本发明实施例提供的一种基于Google Earth Engine云平台的地表水体产品生成方法，包括以下步骤S1至S7：
S1、获取全时序Landsat8遥感数据并进行预处理；
在本实施例中，本发明基于Google Earth Engine遥感大数据云平台，选取设定时间内的全时序的Landsat8地表反射率产品，设定的时间通常为年度和季度，产品几何定位精度不低于一个像元。
本发明采用影像中质量控制波段(QA)，该波段包含不同云和云阴影的掩膜范围，可直接对影像中的云和云阴影进行去除，避免在提取水体时发生误分。
S2、从Landsat 8遥感影像中选取高精度训练样本点；
在本实施例中，由于样本点的选取精度直接关系地表水体提取精度，因此本发明在研究区域中选取典型区域Landsat8影像，采用人机交互和专家经验支持的方式选取高精度训练样本点，具体包括以下分步骤：
S21、选取影像覆盖面积占全区域面积设定比例的区域；
本发明根据研究区域的大小，尤其是在大尺度区域，选取影像覆盖区域面积占全区域面积的5％-10％。
S22、在每一景影像上选取设定数量的典型样本点，所述典型样本点为空间分布均匀，且包含不同类型水体和非水体样本点；
本发明在每一景影像上选取30～50个典型样本点，典型样本点为空间分布均匀，且包含不同类型水体和非水体样本点，具体选取样本点数量根据选取典型影像地物复杂程度划分。
S23、在每一景影像上选取包括但不仅限于湖泊、河流、水库、近岸海水、泥沙水体和水产养殖的多种水体类型样本点；
由于不同水质的陆表水体所反映的光谱上差异较大，因此本发明针对每一景影像，选取的样本需要涵盖该影像所有的地表水体类型，具体包括湖泊、河流、水池、近岸海水、泥沙水体和水产养殖等类型。
S24、在每一景影像上选取包括但不仅限于农田、森林、草地、城市、裸地、灌丛、冰雪、云、云阴影、山体阴影和湿地的多种非水体样本点；
本发明在选取非水体样本时，除了农田、森林、城市、裸地、灌丛等类别选取外，还有与陆表水体容易混分的非水体，如冰雪、云、云阴影、山体阴影和湿地也需要选择一定的样本。
S25、从影像元数据中获取样本点选取参考影像轨道号信息，并标记影像成像时间；
由于地表水体存在季节变化，因此本发明针对每一个样本点，不仅要记录样本点选取参考影像轨道号信息，还需要标记影像成像时间，确保样本点不会因为水体季节波动导致误差，影响模型的训练精度。其中样本点选取参考影像轨道号信息从影像元数据中获取得到。
S26、以空间点数据文件格式组织训练样本点。
本发明选取的训练样本点以Shapefile空间点数据文件格式组织，文件采用WGS1984坐标系，属性表字段信息如表1所示。
表1训练样本点属性表字段信息
Figure BDA0002548619900000071
Figure BDA0002548619900000081
S3、构建用于区分水体和非水体的多个影像特征波段和指数特征波段；
在本实施例中，本发明通过构建多个特征波段，实现水体和非水体有效区分。
针对Landsat8卫星影像的特点，本发明选取Landsat8卫星影像波段2到波段7共6个影像特征波段，但不包含波段1。原因在于Landsat5和Landsat7没有设置该波段，通过选取波段2到波段7，使得训练的模型能够适用于Landsat5和Landsat7卫星遥感数据，从而提高模型的普适性。
除了6个影像特征波段，本发明还选择了4个指数特征波段，具体包括归一化植被指数(NDVI)、全球环境监测指数(GEMI)、归一化水体指数(NDWI)、归一化湿度指数(NDMI)和坡度(SLOPE)。
其中归一化植被指数的计算公式为：
Figure BDA0002548619900000082
其中ρnir为Landsat8波段5，ρred为Landsat8波段4。
全球环境监测指数的计算公式为：
Figure BDA0002548619900000083
Figure BDA0002548619900000084
其中ρnir为Landsat8波段5，ρred为Landsat8波段4，δ为调整系数。
归一化水体指数的计算公式为：
Figure BDA0002548619900000085
其中ρgreen为Landsat8波段3，ρnir为Landsat8波段5。
归一化湿度指数的计算公式为：
Figure BDA0002548619900000091
ρnir为Landsat8波段5，ρswir1为Landsat8波段6。
坡度的计算公式为：
Figure BDA0002548619900000092
其中dz/dx为高程z与x方向的比值，dz/dy为高程z与y方向的比值。
综上，本发明共选择了11个特征波段，其中影像特征波段5个，指数特征波段6个。
S4、构建随机森林分类器模型，利用步骤S2选取的高精度训练样本点和步骤S3构建的特征波段对分类器模型进行优化训练；
在本实施例中，本发明首先构建随机森林分类器模型，将多个决策树进行集成学习，通过在训练时构建多个决策树进行分类，该模型通过bootstrap抽样算法，对于给定的训练数据集D，D＝{(X1，Y1)，(X2，Y2)，...(Xm，Ym)}，X，Y为训练特征向量，重复迭代B次，对于第b次装袋，b＝1，2...，B，采样集Db训练第b个决策树模型Gb(x)，通过多次训练，在模型的节点上选择一个最优的特征来做决策树的左右子树的划分，对于分类，则是多个决策树模型投出最多票的类别作为最终的类别。
本发明根据步骤S2选取的高精度训练样本库，对应获取参考影像中各个特征波段的像素值，构建特征向量，表示为：
V′＝V(B2，B3，B4，B5，B6，B7，BNDVI，BGEMI，BNDWI，BNDMI，BSLOPE)
其中，V′表示特征向量，V(.)表示特征集，B2，B3，B4，B5，B6，B7分别表示Landsat8卫星影像波段2到波段7影像特征波段的像素值，BNDVI，BGEMI，BNDWI，BNDMI，BSLOPE分别表示归一化植被指数、全球环境监测指数、归一化水体指数、归一化湿度指数和坡度指数特征波段的像素值；
利用构建的特征向量对随机森林分类器模型的参数进行训练优化，得到优化后适用性较好的随机森林分类器模型。
S5、根据步骤S4优化后的随机森林分类器模型对每一景影像进行地表水体自动提取，形成全时序地表水体分类数据集；
在本实施例中，本发明根据训练好的随机森林分类器模型，针对步骤S1预处理后的全时序Landsat 8遥感数据中每一景影像进行地表水体自动提取，形成全时序地表水体分类数据集，表示为：
S′＝S(A(i，j，t1)，A(i，j，t2)，A(i，j，t3)，...，A(i，j，tn))
其中，S′表示全时序地表水体分类结果，S(.)表示全时序地表水体向量集，A(i，j，tn)表示tn时相i行j列地表水体分类结果，其中水体像素属性标记为1，非水体像素属性标记为0。
S6、根据步骤S5形成的全时序地表水体分类数据集，在像元尺度构建地表水体出现频率模型，计算每一个像素地表水体出现频率；
在本实施例中，本发明基于全时序地表水体分类数据集，针对t时相i行j列像元A(i，j，t)，构建陆表水体出现频率模型，表示为：
Figure BDA0002548619900000101
其中，FW(i，j)表示i行j列像素处的地表水体出现频率，永久水体为100％，非水体为0％，季节水体为0-100％，t表示第t次观测，N表示卫星观测总数，O(i，j)表示i行j列像素是否观测为地表水体，若该像素观测为水体，则O(i，j)＝1，若该像素观测为非水体，则O(i，j)＝0；S(i，j)表示i行j列像素是否为有效地表观测，若该像素观测为地表，则S(i，j)＝1，若该像素观测为云或云阴影，则S(i，j)＝0。
S7、生成地表水体出现频率产品。
在本实施例中，本发明在Google Earth Engine遥感大数据云平台中，选取Landsat8遥感地表反射率产品，输入高精度训练样本库，构建并训练随机森林分类器模型，利用Google Earth Engine云平台高性能并行计算能力，可以快速提取所选区域全时序地表水体，然后通过地表水体出现频率模型，计算每一个像素地表水体出现频率，实现地表水体出现频率自动化生成。
进而利用数字高程模型坡度对地表水体出现频率产品进行去除噪声处理；去噪公式表示为：
Figure BDA0002548619900000111
其中SLOPE为坡度，FW(i，j)表示i行j列像素处的地表水体出现频率。
最后对去除噪声后地表水体频率产品进行镶嵌和裁剪处理，提取所需范围地表水体产品，如图2所示。
本发明结合Google Earth Engine遥感大数据云平台中Landsat 8卫星遥感影像和随机森林分类器模型进行全时序地表水体智能提取，同时构建地表水体出现频率模型，能够基于Landsat 8卫星影像实现地表水体产品***化生成。
本发明基于上述地表水体出现频率产品生成方法，还提供了一种地表水体出现频率产品生成***，该***应用上述地表水体出现频率产品生成方法可自动化生成地表水体出现频率产品。
本发明的地表水体产品生成***具有实用性强的特点，该***生成的水体产品具有较高的时空分辨率，能够准确反映地表水体季节动态变化规律，可以应用于全国或全球尺度长时序地表水体产品自动化生产。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (9)

1.一种基于Google Earth Engine云平台的地表水体产品生成方法和***，其特征在于，包括以下步骤：
S1、获取全时序Landsat 8遥感影像并进行预处理；
S2、从Landsat 8遥感影像中选取高精度训练样本点；
S3、构建用于区分水体和非水体的多个影像特征波段和指数特征波段；
S4、构建随机森林分类器模型，利用步骤S2选取的高精度训练样本库和步骤S3构建的特征波段对随机森林分类器模型进行训练优化；
S5、根据步骤S4优化后的随机森林分类器模型对全时序Landsat 8影像进行地表水体自动提取，形成全时序地表水体分类数据集；
S6、根据步骤S5形成的全时序地表水体分类数据集，在像元尺度构建地表水体出现频率模型，计算每一个像素地表水体出现频率；
S7、自动生成表征地表水体季节动态规律的地表水体出现频率产品。
2.根据权利要求1所述的基于Google Earth Engine云平台的地表水体产品生成方法，其特征在于，所述步骤S1中全时序Landsat8遥感数据中具体选取设定时间内全时序的Landsat8地表反射率产品，并采用影像中包含不同云和云阴影的掩膜范围质量控制波段，对影像中的云和云阴影进行去除。
3.根据权利要求2所述的基于Google Earth Engine云平台的地表水体产品生成方法，其特征在于，所述步骤S2从Landsat 8遥感影像中选取高精度训练样本库，包括以下分步骤：
S21、选取影像覆盖面积占全区域面积设定比例的区域；
S22、在每一景影像上选取设定数量的典型样本点，所述典型样本点为空间分布均匀，且包含不同类型水体和非水体类型的样本点；
S23、在每一景影像上选取包括但不仅限于湖泊、河流、水库、近岸海水、泥沙水体和水产养殖的多种水体类型样本点；
S24、在每一景影像上选取包括但不仅限于农田、森林、草地、城市、裸地、灌丛、冰雪、云、云阴影、山体阴影和湿地的多种非水体样本点；
S25、从影像元数据中获取样本点选取参考影像轨道号信息，并标记影像成像时间；
S26、以空间点数据文件格式组织训练样本点。
4.根据权利要求3所述的基于Google Earth Engine云平台的地表水体产品生成方法，其特征在于，所述步骤S3中影像特征波段具体包括Landsat8卫星影像波段2到波段7的6个影像特征波段；
指数特征波段具体包括归一化植被指数、全球环境监测指数、归一化水体指数、归一化湿度指数和坡度的5个指数特征波段。
5.根据权利要求4所述的基于Google Earth Engine云平台的地表水体产品生成方法，其特征在于，所述步骤S4中利用步骤S2选取的高精度训练样本点和步骤S3构建的特征波段对随机森林分类器模型进行训练，具体包括：
根据步骤S2选取的高精度训练样本点，对应获取参考影像中各个特征波段的像素值，构建特征向量，表示为：
V′＝V(B2，B3，B4，B5，B6，B7，BNDVI，BGEMI，BNDWI，BNDMI，BSLOPE)
其中，V′表示特征向量，V(.)表示特征集，B2，B3，B4，B5，B6，B7分别表示Landsat8卫星影像波段2到波段7影像特征波段的像素值，BNDVI，BGEMI，BNDWI，BNDMI，BSLOPE分别表示归一化植被指数、全球环境监测指数、归一化水体指数、归一化湿度指数和坡度指数特征波段的像素值；
利用构建的特征向量对随机森林分类器模型的参数进行训练优化，得到优化后的随机森林分类器模型。
6.根据权利要求5所述的基于Google Earth Engine云平台的地表水体产品生成方法，其特征在于，所述步骤S5中形成的全时序地表水体向量表示为：
S′＝S(A(i，j，t1)，A(i，j，t2)，A(i，j，t3)，...，A(i，j，tn))
其中，S′表示全时序地表水体分类结果，S(.)表示全时序地表水体向量集，A(i，j，tn)表示tn时相i行j列地表水体分类结果。
7.根据权利要求6所述的基于Google Earth Engine云平台的地表水体产品生成方法，其特征在于，所述步骤S6中地表水体出现频率模型表示为：
Figure FDA0002548619890000031
其中，FW(i，j)表示i行j列像素处的地表水体出现频率，t表示观测次序，N表示卫星观测总数，O(i，j)表示i行j列像素是否观测为地表水体，若该像素观测为水体，则O(i，j)＝1，若该像素观测为非水体，则O(i，j)＝0；S(i，j)表示i行j列像素是否为有效地表观测，若该像素观测为地表，则S(i，j)＝1，若该像素观测为云或云阴影，则S(i，j)＝0。
8.根据权利要求7所述的基于Google Earth Engine云平台的地表水体产品生成方法，其特征在于，所述步骤S7生成地表水体出现频率产品具体为：
在Google Earth Engine遥感大数据云平台中，根据计算得到的每一个像素地表水体出现频率，生成地表水体出现频率产品；
利用数字高程模型坡度对地表水体出现频率产品进行去除噪声处理；
对去除噪声后地表水体频率产品进行镶嵌和裁剪处理。
9.一种基于Google Earth Engine云平台的地表水体产品生成***，其特征在于，所述生成***应用如权利要求1-8任一所述地表水体产品生成方法生成地表水体出现频率产品。
CN202010568232.2A 2020-06-19 2020-06-19 一种基于Google Earth Engine云平台的地表水体产品生成方法和*** Active CN111738144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010568232.2A CN111738144B (zh) 2020-06-19 2020-06-19 一种基于Google Earth Engine云平台的地表水体产品生成方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010568232.2A CN111738144B (zh) 2020-06-19 2020-06-19 一种基于Google Earth Engine云平台的地表水体产品生成方法和***

Publications (2)

Publication Number Publication Date
CN111738144A true CN111738144A (zh) 2020-10-02
CN111738144B CN111738144B (zh) 2021-08-31

Family

ID=72651866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010568232.2A Active CN111738144B (zh) 2020-06-19 2020-06-19 一种基于Google Earth Engine云平台的地表水体产品生成方法和***

Country Status (1)

Country Link
CN (1) CN111738144B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733947A (zh) * 2021-01-14 2021-04-30 中国水利水电科学研究院 一种尾矿坝空间分布识别***及方法
CN112800973A (zh) * 2021-01-29 2021-05-14 宁波大学 一种基于植被物候特征决策的互花米草提取方法
CN112966657A (zh) * 2021-03-25 2021-06-15 中国科学院空天信息创新研究院 一种大尺度水体覆盖的遥感自动分类方法
CN112991351A (zh) * 2021-02-23 2021-06-18 新华三大数据技术有限公司 遥感图像语义分割方法、装置及存储介质
CN112990657A (zh) * 2021-02-06 2021-06-18 首都师范大学 一种通过长时序卫星遥感评价湿地退化的方法
CN113408467A (zh) * 2021-07-01 2021-09-17 中国科学院东北地理与农业生态研究所 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法
CN113420780A (zh) * 2021-05-24 2021-09-21 中国科学院地理科学与资源研究所 一种遥感时空谱特征融合的养殖池提取方法
CN113610882A (zh) * 2021-04-23 2021-11-05 华北水利水电大学 地表水体制图方法、装置、电子设备及存储介质
CN114120137A (zh) * 2021-10-19 2022-03-01 桂林理工大学 一种基于时序主被遥感影像的湿地要素时空演变监测方法
CN114332640A (zh) * 2021-12-15 2022-04-12 水利部南京水利水文自动化研究所 基于云平台和随机森林的地表覆盖物识别及面积估算方法
CN114882359A (zh) * 2022-05-07 2022-08-09 中国科学院空天信息创新研究院 基于植被指数时序谱特征的大豆种植区提取方法和***
CN115965878A (zh) * 2022-12-07 2023-04-14 四川大学 一种基于gee的青藏高原河流悬移质泥沙反演监测方法
CN117611888A (zh) * 2023-11-23 2024-02-27 云南师范大学 一种基于形状和水体淹没频率特征的水体分类方法及装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102565778A (zh) * 2011-12-12 2012-07-11 中国科学院遥感应用研究所 一种自动提取伪不变特征的遥感图像相对辐射校正方法
CN106125091A (zh) * 2016-06-22 2016-11-16 广州地理研究所 线性光谱解混的城市不透水面遥感提取方法
CN107730496A (zh) * 2017-10-26 2018-02-23 武汉大学 一种基于影像块的多时相遥感影像建筑物变化检测方法
CN108388832A (zh) * 2018-01-11 2018-08-10 福州大学 一种基于多时序指标变化趋势的退耕还林自动识别方法
CN108647738A (zh) * 2018-05-17 2018-10-12 中国科学院遥感与数字地球研究所 基于多指数的全球尺度遥感影像水体智能提取方法
CN109543552A (zh) * 2018-10-29 2019-03-29 华南农业大学 基于生长期多特征提取的水稻生长区域制图方法及***
CN110033499A (zh) * 2019-04-21 2019-07-19 南京林业大学 一种基于Landsat OLI遥感影像的区域性水体制图方法
CN110276797A (zh) * 2019-07-01 2019-09-24 河海大学 一种湖泊面积提取方法
CN110685747A (zh) * 2019-08-27 2020-01-14 中国矿业大学(北京) 一种高潜水位采煤沉陷水体遥感提取方法
CN110738187A (zh) * 2019-10-24 2020-01-31 中国科学院城市环境研究所 一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法
CN110751727A (zh) * 2019-10-30 2020-02-04 南京林业大学 一种基于Landsat长时间序列的合成图像构建方法
CN110852262A (zh) * 2019-11-11 2020-02-28 南京大学 基于时间序列高分一号遥感影像的农业用地提取方法
CN111046613A (zh) * 2019-02-21 2020-04-21 北京大学 基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法
CN111259876A (zh) * 2020-05-06 2020-06-09 中国水利水电科学研究院 一种基于陆表水体产品的雷达数据水体信息提取方法及***

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102565778A (zh) * 2011-12-12 2012-07-11 中国科学院遥感应用研究所 一种自动提取伪不变特征的遥感图像相对辐射校正方法
CN106125091A (zh) * 2016-06-22 2016-11-16 广州地理研究所 线性光谱解混的城市不透水面遥感提取方法
CN107730496A (zh) * 2017-10-26 2018-02-23 武汉大学 一种基于影像块的多时相遥感影像建筑物变化检测方法
CN108388832A (zh) * 2018-01-11 2018-08-10 福州大学 一种基于多时序指标变化趋势的退耕还林自动识别方法
CN108647738A (zh) * 2018-05-17 2018-10-12 中国科学院遥感与数字地球研究所 基于多指数的全球尺度遥感影像水体智能提取方法
CN109543552A (zh) * 2018-10-29 2019-03-29 华南农业大学 基于生长期多特征提取的水稻生长区域制图方法及***
CN111046613A (zh) * 2019-02-21 2020-04-21 北京大学 基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法
CN110033499A (zh) * 2019-04-21 2019-07-19 南京林业大学 一种基于Landsat OLI遥感影像的区域性水体制图方法
CN110276797A (zh) * 2019-07-01 2019-09-24 河海大学 一种湖泊面积提取方法
CN110685747A (zh) * 2019-08-27 2020-01-14 中国矿业大学(北京) 一种高潜水位采煤沉陷水体遥感提取方法
CN110738187A (zh) * 2019-10-24 2020-01-31 中国科学院城市环境研究所 一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法
CN110751727A (zh) * 2019-10-30 2020-02-04 南京林业大学 一种基于Landsat长时间序列的合成图像构建方法
CN110852262A (zh) * 2019-11-11 2020-02-28 南京大学 基于时间序列高分一号遥感影像的农业用地提取方法
CN111259876A (zh) * 2020-05-06 2020-06-09 中国水利水电科学研究院 一种基于陆表水体产品的雷达数据水体信息提取方法及***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
TROY STERNBERG等著: "《Arid Land Systems: Sciences and Societies》", 19 August 2019 *
冯美晨: "《黄图高原水旱第地冬小麦长势动态监测及产量品质遥感估测》", 31 October 2015, 中国农业大学出版社 *
朱春娇: "基于markov和clue-s模型的浦东新区土地利用变化趋势分析", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 *
熊春宝等: "《地理信息***原理与工程应用》", 31 August 2014, 天津大学出版社 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733947B (zh) * 2021-01-14 2021-11-09 中国水利水电科学研究院 一种尾矿坝空间分布识别***及方法
CN112733947A (zh) * 2021-01-14 2021-04-30 中国水利水电科学研究院 一种尾矿坝空间分布识别***及方法
CN112800973A (zh) * 2021-01-29 2021-05-14 宁波大学 一种基于植被物候特征决策的互花米草提取方法
CN112800973B (zh) * 2021-01-29 2021-08-27 宁波大学 一种基于植被物候特征决策的互花米草提取方法
CN112990657A (zh) * 2021-02-06 2021-06-18 首都师范大学 一种通过长时序卫星遥感评价湿地退化的方法
CN112990657B (zh) * 2021-02-06 2021-12-07 首都师范大学 一种通过长时序卫星遥感评价湿地退化的方法
CN112991351A (zh) * 2021-02-23 2021-06-18 新华三大数据技术有限公司 遥感图像语义分割方法、装置及存储介质
CN112991351B (zh) * 2021-02-23 2022-05-27 新华三大数据技术有限公司 遥感图像语义分割方法、装置及存储介质
CN112966657A (zh) * 2021-03-25 2021-06-15 中国科学院空天信息创新研究院 一种大尺度水体覆盖的遥感自动分类方法
CN113610882A (zh) * 2021-04-23 2021-11-05 华北水利水电大学 地表水体制图方法、装置、电子设备及存储介质
CN113420780A (zh) * 2021-05-24 2021-09-21 中国科学院地理科学与资源研究所 一种遥感时空谱特征融合的养殖池提取方法
CN113408467B (zh) * 2021-07-01 2022-04-29 中国科学院东北地理与农业生态研究所 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法
CN113408467A (zh) * 2021-07-01 2021-09-17 中国科学院东北地理与农业生态研究所 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法
CN114120137A (zh) * 2021-10-19 2022-03-01 桂林理工大学 一种基于时序主被遥感影像的湿地要素时空演变监测方法
CN114332640A (zh) * 2021-12-15 2022-04-12 水利部南京水利水文自动化研究所 基于云平台和随机森林的地表覆盖物识别及面积估算方法
CN114882359A (zh) * 2022-05-07 2022-08-09 中国科学院空天信息创新研究院 基于植被指数时序谱特征的大豆种植区提取方法和***
CN115965878A (zh) * 2022-12-07 2023-04-14 四川大学 一种基于gee的青藏高原河流悬移质泥沙反演监测方法
CN115965878B (zh) * 2022-12-07 2023-08-29 四川大学 一种基于gee的青藏高原河流悬移质泥沙反演监测方法
CN117611888A (zh) * 2023-11-23 2024-02-27 云南师范大学 一种基于形状和水体淹没频率特征的水体分类方法及装置

Also Published As

Publication number Publication date
CN111738144B (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN111738144B (zh) 一种基于Google Earth Engine云平台的地表水体产品生成方法和***
Mao et al. National wetland mapping in China: A new product resulting from object-based and hierarchical classification of Landsat 8 OLI images
Kattenborn et al. UAV data as alternative to field sampling to map woody invasive species based on combined Sentinel-1 and Sentinel-2 data
Sylvain et al. Mapping dead forest cover using a deep convolutional neural network and digital aerial photography
Toosi et al. Comparing different classification algorithms for monitoring mangrove cover changes in southern Iran
Novelli et al. Performance evaluation of object based greenhouse detection from Sentinel-2 MSI and Landsat 8 OLI data: A case study from Almería (Spain)
Muñoz et al. From local to regional compound flood mapping with deep learning and data fusion techniques
Klemas Remote sensing of coastal wetland biomass: An overview
KR100678395B1 (ko) 위성영상과 항공영상을 이용한 지리정보 데이터의 실시간위치보정 시스템 및 그 방법
Lassalle et al. Deep learning-based individual tree crown delineation in mangrove forests using very-high-resolution satellite imagery
CN112712535B (zh) 基于模拟困难样本的Mask-RCNN滑坡分割方法
Zhu et al. Estimating and mapping mangrove biomass dynamic change using WorldView-2 images and digital surface models
Choi et al. UAV-based land cover mapping technique for monitoring coastal sand dunes
Luo et al. VHR GeoEye-1 imagery reveals an ancient water landscape at the Longcheng site, northern Chaohu Lake Basin (China)
Wagner Geographic information systems and glacial environments
Liu et al. Thick cloud removal under land cover changes using multisource satellite imagery and a spatiotemporal attention network
Broussard III et al. Quantifying vegetation and landscape metrics with hyperspatial unmanned aircraft system imagery in a coastal oligohaline marsh
Wenger et al. Multisenge: a multimodal and multitemporal benchmark dataset for land use/land cover remote sensing applications
van Geffen et al. SiDroForest: A comprehensive forest inventory of Siberian boreal forest investigations including drone-based point clouds, individually labelled trees, synthetically generated tree crowns and Sentinel-2 labelled image patches
Kupková et al. Towards reliable monitoring of grass species in nature conservation: Evaluation of the potential of UAV and PlanetScope multi-temporal data in the Central European tundra
Ghosh et al. Change detection of tropical mangrove ecosystem with subpixel classification of time series hyperspectral imagery
Cresson et al. Orfeo ToolBox Applications
Olthof et al. Medium resolution land cover mapping of Canada from SPOT 4/5 data
Jawak et al. Validation of high-density airborne LiDAR-based feature extraction using very high resolution optical remote sensing data
CN115620133A (zh) 一种顾及物候与水位时序特征的红树林提取方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 20 Chegongzhuang West Road, Haidian District, Beijing 100038

Applicant after: China Institute of Water Resources and Hydropower Research

Address before: 100038, Fuxing Road 1, Beijing, Haidian District

Applicant before: China Institute of Water Resources and Hydropower Research

GR01 Patent grant
GR01 Patent grant