CN111951392B - 一种基于时间序列遥感影像和水位监测数据的洲滩枯水位以上地形重建方法 - Google Patents
一种基于时间序列遥感影像和水位监测数据的洲滩枯水位以上地形重建方法 Download PDFInfo
- Publication number
- CN111951392B CN111951392B CN202010726989.XA CN202010726989A CN111951392B CN 111951392 B CN111951392 B CN 111951392B CN 202010726989 A CN202010726989 A CN 202010726989A CN 111951392 B CN111951392 B CN 111951392B
- Authority
- CN
- China
- Prior art keywords
- beach
- water level
- remote sensing
- river
- water
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C15/00—Surveying instruments or accessories not provided for in groups G01C1/00 - G01C13/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/40—Protecting water resources
- Y02A20/402—River restoration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Radar, Positioning & Navigation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Image Processing (AREA)
Abstract
本发明主要针对面积随河流水位变化年内变化较大的河流洲滩,提供一种基于时间序列卫星遥感数据和水位监测数据的河流洲滩枯水位以上地形重建方法。本发明从ESA/Sentinel‑2遥感影像提取时间序列的河流洲滩边界线,自动抓取对应时间的洲滩上下游最近水文站的水位观测数据,获取洲滩水位线高程或洲滩水位线各个特征点的高程信息,通过空间插值,建立洲滩自枯水位线以上的地形。本发明能够在不开展实地测量的情况下,充分利用现有卫星遥感资料和水位监测资料,适合受水位变化影响面积变化明显的洲滩,建立枯水位线以上的洲滩地形,对洲滩的冲刷淤积分析、保护和开发利用有重大意义。
Description
技术领域
本发明涉及测绘遥感和水利技术领域,具体是一种基于时间序列遥感影像和水位监测数据的河流洲滩枯水位以上地形重建方法。
背景技术
基于水准仪及全站仪的传统地形测量方法,对区域地形测量的技术路线是由点到线再到面的地形测量方法。实地测量作业精度高,但是条件艰苦,效率低,人力财力消耗大。
水下地形测量主要是船载测深仪测量。河流洲滩广布,而且洲滩受水位影响大,枯水期洲滩面积大,洪水期洲滩面积小,洲滩地形测量是一项长期困扰的难题,“船测难上滩,人测难下水”。船载测量水下地形方法受船舶需要足够的水深才能航行的限制,对于在洪水期完全淹没的洲滩可以开展水下地形测量的方式获取洲滩地形,但是对于洪水期间没有完全淹没的洲滩,由于其附近水域水深通常较浅,测船难以靠近,人力徒步上滩测量更是通行困难,洲滩泥深、滩陷、沟槽多变,不仅测量效率低下,而且存在人身及设备安全风险。
摄影测量是建立在地物摄影像对基础上的光学影像测量方法。该方法适宜于有一定地形起伏的山地丘陵地形测量,但洲滩大多地形较为平缓,而且洲滩高概率定期被洪水淹没,地表覆盖简单,难以确定特征点,也难以形成有效的立体摄影像对,不适宜于洲滩湿地地形测量。
机载激光探测和测距***技术(LiDAR)可快速获得大范围滩涂地形信息,叶松等在清江流域湖北省长阳县使用LiDAR数据构建DEM(叶松等,2010);但LiDAR技术受到洲滩植被、质地等差异,施测时的天气和潮汐条件等因素制约,而且LiDAR设备硬件成本较高,在涉水区域开展机载外业测量,作业风险较高,难以使用LiDAR技术有效开展河流洲滩地形监测。
发明内容
本发明提供一种基于时间序列遥感影像和水位监测数据的河流洲滩枯水位以上地形重建方法,可以解决现有技术采集洲滩地形成本高、风险大等不足。
一种基于时间序列遥感影像和水位监测数据的河流洲滩枯水位以上地形重建方法,包括如下步骤:
步骤1,确定面积随河流水位变化年内变化较大的河流洲滩作为地形重建对象;
步骤2,选择典型洲滩,根据其所在位置,确定该洲滩在河流上下游距离最近的水文监测站;
步骤3,以ESA/Sentinel-2卫星数据为主要数据源,收集典型洲滩任一年内的时间序列遥感影像数据,将ESA/Sentinel-2时间序列遥感影像进行预处理,并通过构建MNDWI或NDWI水体指数,提取基于遥感数据的时间序列洲滩边界线;
步骤4,根据遥感影像的成像时间,自动抓取该洲滩上下游最近水文监测站在离遥感影像成像时间最近时间点的水位数据,并计算在该时间点上下游最近水位监测断面之间的比降;
步骤5,根据步骤4获取的上下游最近水文站之间的比降以及洲滩中心点或洲滩边界线各个特征点与上下游最近水文站的距离,计算水位等高线的高程信息或洲滩边界线各个特征点的高程信息;
步骤6,将步骤3基于任一遥感影像提取的洲滩边界线和步骤5从水位监测数据获取的水位等高线的高程信息或洲滩边界线各个特征点的高程信息进行集成,得到三维水边线;并以此类推将时间序列的遥感影像提取的水位等高线或洲滩边界线各个特征点的高程信息都进行集成;
步骤7,采用空间插值方法,根据步骤6获得的任一年内时间序列的三维水边线,利用现有GIS软件的3D分析功能生成TIN(不规则三角网),并构建河流洲滩枯水位以上的数字地形模型;
步骤8,利用监测区域内的新近实测地形数据,采用总体平均高程对比方法,在重叠测区对步骤7获取的受测典型洲滩枯水位以上数字地形与新近实测地形进行精度检验,最终完成监测区域的洲滩枯水位以上地形图。
进一步的,所述步骤3中的预处理具体包括:图像裁剪、辐射定标、影像配准、云检测。
进一步的,所述步骤3中通过构建MNDWI或NDWI水体指数,提取基于遥感数据的洲滩边界线具体为:利用ENVI遥感软件,分析洲滩植被、洲滩沙地、水体在不同时间的ESA/Sentinel-2卫星影像各个波段的光谱特征,同时分析现有水体指数如NDWI、MNDWI在不同季节区分洲滩和水体等辨识度,然后对任一ESA/Sentinel-2卫星影像,选择合适的水体指数或者特征波段,通过目视判读或影像分类算法,提取基于遥感数据的洲滩边界线。
进一步的,所述步骤4中使用Python程序从水文水资源局网站自动抓取该洲滩上下游最近水位监测断面在离遥感影像成像时间最近时间点的水位数据。
进一步的,所述步骤5具体包括:
(1)对于面积较小或顺水流方向较短的洲滩,洲头和洲尾水位接近,假定洲滩边界线和水位等高线一致,根据步骤4获取的上下游最近水文站之间的比降和洲滩中心点与上下游最近水文站的距离,获取水位等高线的高程;
(2)对于面积较大或顺水流方向较长的洲滩,洲头和洲尾存在一定水位差,在洲滩边界线上每间隔一定距离设置一个特征点,根据步骤4获取的上下游最近水文站之间的比降和洲滩边界线各个特征点与上下游最近水文站的距离,获取洲滩边界线各个特征点的高程。
进一步的,在洲滩边界线上每间隔100米设置一个特征点。
本发明能够在不开展实地测量的情况下,针对面积随河流水位变化年内变化较大的河流洲滩,充分利用现有高时间、空间分辨率的卫星遥感资料和水位监测资料,通过构建MNDWI或NDWI水体指数特征参数,采用目视判读或面向对象分类技术提取洲滩边界线,并计算相应高程信息,利用现有GIS软件3D分析的空间插值功能建立枯水位线以上的河流洲滩地形,对洲滩的冲刷淤积分析、保护和开发利用有重大意义;与现有技术相比,将可彻底解决传统的人工徒步测量、无人机测量、船载雷达实地测量和机载激光雷达测量的测量困难,同时克服无人机和LiDAR测量受天气和空管的限制等难题。
附图说明
图1是本发明一种基于时间序列遥感影像和水位监测数据的河流洲滩枯水位以上地形重建方法的流程图;
图2是本发明以长江岳阳河段南阳洲为例的具体实施流程图;
图3是长江岳阳河段南阳洲示意图;
图4是南阳洲2019年时间序列遥感影像;
图5是南阳洲2019年时间序列MNDWI水体指数;
图6是南阳洲2019年时间序列三维水边线;
图7是南阳洲2019年枯水位以上数字高程模型;
图8是南阳洲上下游水位监测断面水位表。
具体实施方式
下面将结合附图和具体实施例,对本发明中的技术方案进行清楚、完整地描述。
如图1所示,本发明实施例提供一种基于时间序列遥感影像和水位监测数据的河流洲滩枯水位以上地形重建方法,包括如下步骤:
步骤1,确定面积随河流水位变化年内变化较大的河流洲滩作为地形重建对象;
步骤2,选择典型洲滩,根据其所在位置,确定该洲滩在河流上下游距离最近的水文监测站;
步骤3,以ESA/Sentinel-2卫星数据为主要数据源,收集典型洲滩任一年内的时间序列遥感影像数据,将ESA/Sentinel-2时间序列遥感影像进行图像裁剪、辐射定标、影像配准、云检测等预处理,并通过构建MNDWI或NDWI水体指数,提取基于遥感数据的洲滩边界线;具体的,可利用ENVI遥感软件,分析洲滩植被、洲滩沙地、水体在不同时间的ESA/Sentinel-2卫星影像各个波段的光谱特征,同时分析现有水体指数如NDWI,MNDWI等在不同季节区分洲滩和水体等辨识度,然后对任一ESA/Sentinel-2卫星影像,选择合适的水体指数或者特征波段,通过目视判读或影像分类算法,提取基于遥感数据的洲滩边界线。
步骤4,根据遥感影像的成像时间,使用Python程序从水文水资源局网站自动抓取该洲滩上下游最近水位监测断面在离遥感影像成像时间最近时间点的水位数据,并计算上下游最近水位监测断面之间的比降;具体的,可利用GIS软件测量洲滩与其上游和下游最近的水位监测断面的距离和水位监测值,计算上下游最近水位监测断面之间的比降。
步骤5,根据步骤4获取的上下游最近水位监测断面之间的比降以及洲滩中心点或洲滩边界线各个特征点与上下游最近水位监测断面的距离,计算水位等高线的高程信息或洲滩边界线各个特征点的高程信息。具体的,以洲滩的面积或洲滩顺水流方向长短为判别依据,分两种情况:
(1)对于面积较小或顺水流方向较短的洲滩,洲头和洲尾水位接近,假定洲滩边界线和水位等高线一致,根据步骤4获取的上下游最近水位监测断面之间的比降和洲滩中心点与上下游最近水位监测断面的距离,获取水位等高线的高程;
(2)对于面积较大或顺水流方向较长的洲滩,洲头和洲尾存在一定水位差,在洲滩边界线上每间隔100米设置一个特征点,根据步骤4获取的上下游最近水位监测断面之间的比降和洲滩边界线各个特征点与上下游最近水位监测断面的距离,获取洲滩边界线各个特征点的高程。
步骤6,将步骤3基于任一遥感影像提取的洲滩边界线和步骤5从水位监测数据获取的水位等高线的高程信息或洲滩边界线各个特征点的高程信息进行集成,作为三维水边线,并以此类推将时间序列的遥感影像提取的洲滩边界线和洲滩边界线的高程信息都进行集成;
步骤7,采用空间插值方法,根据步骤6获得的任一年内时间序列的三维水边线,利用现有GIS软件的3D分析功能生成TIN(不规则三角网),并构建河流洲滩枯水位以上的数字地形模型;
步骤8,利用监测区域内的新近实测地形数据,采用总体平均高程对比方法,在重叠测区对步骤7获取的受测典型洲滩枯水位以上数字地形与新近实测地形进行精度检验,最终完成监测区域的洲滩枯水位以上地形图。
如图2-8所示,以长江岳阳河段南阳洲为例,对本发明的技术方案做进一步的详细说明:
1、确定监测河流洲滩及其相关水域的范围为长江岳阳河段南阳洲所在水域(如图2所示),监测时间为2019年;
2、根据南阳洲的位置,离南阳洲最近的上下游水位监测断面分别是莲花塘断面和螺山断面(监测断面水位表如图8所示);
3、收集监测区域2019年1月至2019年12月的73幅ESA/Sentinel-2多时相卫星遥感影像数据(如图4所示),通过云检测、影像配准、数据采集等预处理,计算时间序列MNDWI水体指数(如图5所示),采用Ecognition面向对象分类软件提取了33条有效南阳洲洲滩边界线;
4、根据33条南阳洲洲滩边界线对应的遥感影像的采集时间,利用Python程序在湖北省水文水资源局网站自动抓取莲花塘断面和螺山断面离每条遥感影像采集时间最近的水位监测数据;根据莲花塘断面和螺山断面的距离和水位差,计算莲花塘和螺山断面之间的比降;
5、根据2019年莲花塘和螺山断点的实际水位差和比降,南阳洲洲头和洲尾的年内水位差不超过30厘米,认为其满足“面积较小或顺水流方向较短的洲滩,洲头和洲尾水位接近”的条件,假定洲滩边界线和水位等高线一致,根据步骤4获取的上下游最近水位监测断面之间的比降和洲滩中心点与上下游最近水位监测断面的距离,获取水位等高线的高程;
6、将基于任一遥感影像提取的洲滩边界线和从水位监测数据获取的南阳洲水位等高线的高程信息进行集成,形成三维水边线(如图6所示),并以此类推将时间序列的遥感影像提取南阳洲洲滩边界线和高程信息都进行集成,形成时间序列三维水边线;将2019年获取的南阳洲33条带高程信息的洲滩边界线特征点,在ArcGIS软件中3D分析模块的空间插值方法,通过生成TIN(不规则三角网),生成长江岳阳河段南阳洲的数字高程模型(如图7所示);
7、利用长江岳阳河段2016年1:1万实测地形图,对生成的数字地形进行精度检验,最终获得地形空间分辨率相当于1:1万测图精度的2019年长江岳阳河段南阳洲地形图。
本发明利用洲滩随河流水位变化而面积变化的特点,从高时间分辨率(10天,两颗卫星组合可达5天,可排除掉有云的影像和少量数据异常,有效数据在30幅以上)、高空间分辨率(10米)的ESA/Sentinel-2遥感影像提取时间序列的河流洲滩边界线;根据遥感影像的成像时间,利用Python程序自动抓取对应时间的洲滩上下游最近水位监测断面的水位观测数据;以年为单位,获取年内洲滩没有云影响的所有ESA/Sentinel-2遥感数据,提取时间序列的洲滩边界线,并根据洲滩面积或顺水流方向长短为判别依据,分两种情况分别获取洲滩水位线高程或洲滩水位线各个特征点的高程信息,通过空间插值,建立洲滩自枯水位线以上的地形。本发明能够在不开展实地测量的情况下,针对面积随河流水位变化而变化的河流洲滩,充分利用现有卫星遥感资料和水位监测资料,建立枯水位以上的河流洲滩地形。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (6)
1.一种基于时间序列遥感影像和水位监测数据的河流洲滩枯水位以上地形重建方法,其特征在于包括如下步骤:
步骤 1,确定面积随河流水位变化年内变化较大的河流洲滩作为地形重建对象;
步骤 2,选择典型洲滩,根据其所在位置,确定该洲滩在河流上下游距离最近的水文监测站;
步骤 3,以ESA/Sentinel-2卫星数据为主要数据源,收集典型洲滩任一年内的时间序列遥感影像数据,将ESA/Sentinel-2时间序列遥感影像进行辐射定标、影像配准预处理过程,并通过构建MNDWI或NDWI水体指数,提取基于遥感数据的洲滩边界线;
步骤 4,根据遥感影像的成像时间,自动抓取该洲滩上下游最近水文监测站在离遥感影像成像时间最近时间点的水位数据,并计算上下游最近水文站之间的比降;
步骤 5,根据步骤4获取的上下游最近水文站之间的比降以及洲滩中心点或洲滩边界线各个特征点与上下游最近水文站的距离,计算水位等高线的高程信息或洲滩边界线各个特征点的高程信息;
步骤 6,将步骤3基于任一遥感影像提取的洲滩边界线和步骤5从水位监测数据获取的水位等高线的高程信息或洲滩边界线各个特征点的高程信息进行集成,并以此类推将时间序列的遥感影像提取的洲滩边界线和洲滩边界线的高程信息都进行集成;
步骤 7,采用空间插值方法,根据步骤6获得的任一年内时间序列的带高程信息的洲滩边界线,构建河流洲滩枯水位以上的数字地形模型,生成受测典型洲滩枯水位以上的数字地形;
步骤 8,利用监测区域内的新近实测地形数据,采用总体平均高程对比方法,在重叠测区对步骤 7获取的受测典型洲滩枯水位以上数字地形与新近实测地形进行精度检验,最终完成监测区域的洲滩枯水位以上地形图。
2.如权利要求1所述的基于时间序列遥感影像和水位监测数据的河流洲滩枯水位以上地形重建方法,其特征在于:所述步骤3中的预处理具体包括:图像裁剪、辐射定标、影像配准、云检测。
3.如权利要求1所述的基于时间序列遥感影像和水位监测数据的河流洲滩枯水位以上地形重建方法,其特征在于:所述步骤3中通过构建MNDWI或NDWI水体指数,提取基于遥感数据的洲滩边界线具体为:利用ENVI遥感软件,分析洲滩植被、洲滩沙地、水体在不同时间的ESA/Sentinel-2卫星影像各个波段的光谱特征,同时分析现有水体指数NDWI、MNDWI在不同季节区分洲滩和水体辨识度,然后对任一ESA/Sentinel-2卫星影像,选择合适的水体指数或者特征波段,通过目视判读或影像分割算法,提取基于遥感数据的洲滩边界线。
4.如权利要求1所述的基于时间序列遥感影像和水位监测数据的河流洲滩枯水位以上地形重建方法,其特征在于:所述步骤4中使用Python程序从水文水资源局网站自动抓取该洲滩上下游最近水位监测断面在离遥感影像成像时间最近时间点的水位数据。
5.如权利要求1所述的基于时间序列遥感影像和水位监测数据的河流洲滩枯水位以上地形重建方法,其特征在于:所述步骤 5具体包括:
(1)对于面积较小或顺水流方向较短的洲滩,洲头和洲尾水位接近,假定洲滩边界线和水位等高线一致,根据步骤4获取的上下游最近水文站之间的比降和洲滩中心点与上下游最近水文站的距离,确定洲滩中心点的高程,并作为洲滩水位等高线的高程;
(2)对于面积较大或顺水流方向较长的洲滩,洲头和洲尾存在一定水位差,在洲滩边界线上每间隔一定距离设置一个特征点,根据步骤4获取的上下游最近水文站之间的比降和洲滩边界线各个特征点与上下游最近水文站的距离,获取洲滩边界线各个特征点的高程。
6.如权利要求5所述的基于时间序列遥感影像和水位监测数据的河流洲滩枯水位以上地形重建方法,其特征在于:在洲滩边界线上每间隔100米设置一个特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010726989.XA CN111951392B (zh) | 2020-07-26 | 2020-07-26 | 一种基于时间序列遥感影像和水位监测数据的洲滩枯水位以上地形重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010726989.XA CN111951392B (zh) | 2020-07-26 | 2020-07-26 | 一种基于时间序列遥感影像和水位监测数据的洲滩枯水位以上地形重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951392A CN111951392A (zh) | 2020-11-17 |
CN111951392B true CN111951392B (zh) | 2023-04-25 |
Family
ID=73338113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010726989.XA Active CN111951392B (zh) | 2020-07-26 | 2020-07-26 | 一种基于时间序列遥感影像和水位监测数据的洲滩枯水位以上地形重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951392B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112697232A (zh) * | 2020-12-15 | 2021-04-23 | 自然资源部国土卫星遥感应用中心 | 基于多源卫星测高数据的水位测量及变化监测方法及装置 |
CN112945352A (zh) * | 2021-02-03 | 2021-06-11 | 成都鼎安华智慧物联网股份有限公司 | 基于遥感数据水位异常信息的提取方法 |
CN112629493B (zh) * | 2021-03-09 | 2021-07-02 | 长江水利委员会水文局 | 一种基于多星源信息耦合的高精度水道重构方法 |
CN113011740B (zh) * | 2021-03-18 | 2021-09-14 | 长江水资源保护科学研究所 | 一种用于构建湖泊湿地生态对水位梯度响应关系的方法 |
CN113111816B (zh) * | 2021-04-20 | 2021-09-28 | 中国水利水电科学研究院 | 河流地貌单元分类与识别方法 |
CN113063445A (zh) * | 2021-04-26 | 2021-07-02 | 浙江省水利河口研究院(浙江省海洋规划设计研究院) | 验证滩涂资源监测误差的方法 |
CN113935202B (zh) * | 2021-12-17 | 2022-03-01 | 四川省交通勘察设计研究院有限公司 | 一种基于激光雷达的河道演化预警方法 |
CN114155350B (zh) * | 2022-02-07 | 2022-04-22 | 北京恒济引航科技股份有限公司 | 一种航道的水下地形冲淤演变分析方法及装置 |
CN116737989B (zh) * | 2023-06-13 | 2024-03-01 | 长江水利委员会水文局 | 一种基于视频图像的城市地表水文监测网构建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103791890A (zh) * | 2014-01-28 | 2014-05-14 | 河海大学 | 一种滩涂湿地地形快速测量的遥感遥测方法 |
CN109145709A (zh) * | 2018-06-25 | 2019-01-04 | 中国地质大学(武汉) | 一种迭代包络线抽取的时序遥感植被指数重构方法及*** |
CN111192282A (zh) * | 2019-12-19 | 2020-05-22 | 中国科学院南京地理与湖泊研究所 | 湖滨带虚拟站的湖库时序水位重建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7680350B2 (en) * | 2004-05-07 | 2010-03-16 | TerraMetrics, Inc. | Method and system for progressive mesh storage and reconstruction using wavelet-encoded height fields |
-
2020
- 2020-07-26 CN CN202010726989.XA patent/CN111951392B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103791890A (zh) * | 2014-01-28 | 2014-05-14 | 河海大学 | 一种滩涂湿地地形快速测量的遥感遥测方法 |
CN109145709A (zh) * | 2018-06-25 | 2019-01-04 | 中国地质大学(武汉) | 一种迭代包络线抽取的时序遥感植被指数重构方法及*** |
CN111192282A (zh) * | 2019-12-19 | 2020-05-22 | 中国科学院南京地理与湖泊研究所 | 湖滨带虚拟站的湖库时序水位重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111951392A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111951392B (zh) | 一种基于时间序列遥感影像和水位监测数据的洲滩枯水位以上地形重建方法 | |
Velpuri et al. | Influence of resolution in irrigated area mapping and area estimation | |
CN109190538A (zh) | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 | |
CN111046613B (zh) | 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 | |
Kwak et al. | Near real-time flood volume estimation from MODIS time-series imagery in the Indus River Basin | |
Gao et al. | Analysis of flood inundation in ungauged basins based on multi-source remote sensing data | |
CN112926468A (zh) | 一种潮滩高程自动提取方法 | |
CN114112906A (zh) | 一种基于无人机低空遥感和局部地形的水体特征提取*** | |
Li et al. | Dynamic waterline mapping of inland great lakes using time-series SAR data from GF-3 and S-1A satellites: A case study of DJK reservoir, China | |
Guo et al. | Mozambique flood (2019) caused by tropical cyclone idai monitored from sentinel-1 and sentinel-2 images | |
Athanasiou et al. | Global Coastal Characteristics (GCC): A global dataset of geophysical, hydrodynamic, and socioeconomic coastal indicators | |
Bi et al. | Delineation water of pearl river basin using Landsat images from Google Earth Engine | |
CN117763331A (zh) | 一种以藻华为示踪物的湖库表层流场数据遥感提取方法 | |
Wei et al. | Long-term observation of global nuclear power plants thermal plumes using Landsat images and deep learning | |
Van Liem et al. | Assessment of shoreline changes for setback zone establishment from Son Tra (Da Nang city) to Cua Dai (Hoi An city), Vietnam | |
Loi et al. | Monitoring of coastline change using Sentinel-2A and Landsat 8 data, a case study of Cam Pha city-Quang Ninh province | |
Tan et al. | Riparian zone DEM generation from time-series Sentinel-1 and corresponding water level: A novel waterline method | |
Qi et al. | An adaptive threshold selected method from remote sensing image based on water index | |
Yen et al. | Coastline changes detection from Sentinel–1 satellite imagery using spatial fuzzy clustering and interactive thresholding method in Phan Thiet, Binh Thuan | |
Liu | Shoreline mapping and coastal change studies using remote sensing imagery and LIDAR data | |
Li et al. | “3S” Technologies and Application for Dynamic Monitoring Soil and Water Loss in the Yangtze River Basin, China | |
Chand | Development of glacial lakes in the Everest and Kangchenjunga regions, Nepal Himalaya | |
Wei et al. | Total phosphorus mapping using Sentinel-2 images on the GEE platform | |
Yu et al. | Water body extraction and change analysis based on landsat image in Xinjiang coal-mining regions | |
Wicaksono et al. | Geometric Accuracy Comparison of Shorelines Derived from Multitemporal Sentinel-2a Imagery with Various Image Spectral Transformations (Case Study: Marine Deposition Coasts in Bantul Regency, Yogyakarta, Indonesia) |
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 |