CN112700431B - 基于遥感影像的洪水覆盖面的提取方法 - Google Patents

基于遥感影像的洪水覆盖面的提取方法 Download PDF

Info

Publication number
CN112700431B
CN112700431B CN202110032720.6A CN202110032720A CN112700431B CN 112700431 B CN112700431 B CN 112700431B CN 202110032720 A CN202110032720 A CN 202110032720A CN 112700431 B CN112700431 B CN 112700431B
Authority
CN
China
Prior art keywords
score
flood
remote sensing
threshold
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.)
Active
Application number
CN202110032720.6A
Other languages
English (en)
Other versions
CN112700431A (zh
Inventor
黄文丽
冯梅
陈淑杰
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110032720.6A priority Critical patent/CN112700431B/zh
Publication of CN112700431A publication Critical patent/CN112700431A/zh
Application granted granted Critical
Publication of CN112700431B publication Critical patent/CN112700431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于遥感影像的洪水覆盖面的提取方法，包括如下步骤：S1：获取陆地卫星光学遥感影像数据，计算其历史水体分布概率，通过设置分布概率阈值，获得常年水域范围分布图；S2：获取卫星雷达遥感影像数据，在设定时间范围内，计算每个像元时间域的统计信息，采用统计阈值法计算现状水域分布图；S3：结合常年水域和现状水域范围对洪水覆盖类型进行分类，提取现时不同级别的洪水覆盖范围。本发明结合历史与现状水体分布划提取洪水覆盖面范围，可以快速且精确地获取现状洪水覆盖范围。

Description

基于遥感影像的洪水覆盖面的提取方法
技术领域
本发明属于遥感应用的技术领域，具体涉及一种基于水体分布率和统计阈值的遥感影像洪水覆盖面提取方法。
背景技术
洪水作为世界上最频发的自然灾害，严重威胁着人们的生命财产安全。因此，为了快速对灾情进行分析并提供救援，针对突发性洪水信息的快速提取是十分必要的。卫星遥感影像作为近年来监测地表信息的重要手段，在提取水体方面也有着极大的优势。
常用于大范围洪灾评估的遥感数据包括光学和雷达遥感数据。光学遥感数据量大、分辨率高，在提取水域方面有着广泛的研究，但是提取水域很容易和云阴影像元混为一谈。而雷达遥感使用的是能够穿透云层的微波，不易受天气状况影响，弥补了光学遥感中云干扰的问题，同时主动遥感的特性使得它在夜间也能成像，更重要的是近年来Sentinel-1等卫星的数据对全球免费公开，易于获取。因此，有着全天时、全天候等特点的雷达遥感数据在这些年越来越多的被用于评估洪水灾害。
光学遥感数据在水域提取方面已有大量研究积累，有较为成熟的阈值算法用于区域的水体范围提取。目前全球范围已有多种水体分布率产品，可作为分析水体范围历史变化的基础。然而，在光学遥感图像中，云干扰使得数据在洪水发生期容易缺失，不能获得关键时期分布信息；而云阴影很容易与水体或湿地混淆，影响提取水体的准确性。
雷达遥感支持全天时和全天候的信息提取，不易受突发洪水区的云层干扰，具有广泛应用前景。雷达遥感影像能够反映地物对于电磁波的反射和地物本身的热辐射信息。对不同的地物而言，由于他们的内部结构组成以及物理化学性质的不同，对电磁波的反射以及地物本身的热辐射之间都存在着差异，因此，可以作为一种快速区分地物的手段。但是由于发展时间较晚，雷达卫星数据在数据量积累方面较少，更适合突发洪水事件时的水域的范围提取。
可见，单独使用光学遥感数据或雷达遥感数据都无法获得准确度较高的洪水区域，因此，如何更加精确地提取洪水覆盖的范围是目前研究的重点。
发明内容
本发明的目的在于针对现有技术的不足之处，提供一种基于遥感影像的洪水覆盖面的提取方法，该方法结合历史与现状水体分布划提取洪水覆盖面范围，可以快速且精确地获取现状洪水覆盖范围。
为解决上述技术问题，本发明采用如下技术方案：
一种基于遥感影像的洪水覆盖面的提取方法，包括如下步骤：
S1：获取陆地卫星光学遥感影像数据，计算其历史水体分布概率，通过设置分布概率阈值，获得常年水域范围分布图；
S2：获取卫星雷达遥感影像数据，在设定时间范围内，计算每个像元时间域的统计信息，采用统计阈值法计算现状水域分布图；
S3：结合常年水域和现状水域范围对洪水覆盖类型进行分类，提取现时不同级别的洪水覆盖范围。
进一步地，步骤S1的具体方法为：从光学遥感影像数据中提取出具有DSWE模型特征的波段并采用DSWE模型对提取波段中的每个像元进行计算，以获取不同级别的常年水域分布范围，再设置一个分布概率阈值，统计历史时段不同级别的常年水域为水体的概率，再将该概率与概率阈值进行比较，确定出常年非水域和常年水域的范围分布。
进一步地，步骤S1中还包括如下子步骤：
S11：分析DSWE模型中所用的指标和各指标的计算公式；
S12：对提取波段中的每个像元采用DSWE模型中的各指标的计算公式定义计算各指标；
S13、根据DSWE模型中各指标需要满足的条件，比较各像元计算得到的各指标是否满足条件，若满足条件，则结果取1，若不满足条件则结果取0，然后将结果按顺序分别放置在个十百千万位上，使得每个像元获取一个五位数的编码；
S14、确定一个分类标准，对每个像元获得的编码按照相应的分类标准进行分类以区分出非水体、中置信度水体、高置信度水体、部分地表水体，得到常年水域分类结果；
S15：统计在一个历史时间段内，每个像元为水体的概率，并设定一概率阈值，以确定出常年非水域和水域的范围分布。
进一步地，所述概率阈值设为90％，即某像元在历史时段为水体的概率大于90％，则定义其为常年水域。
进一步地，步骤S2的具体方法为：
S21、计算卫星雷达遥感影像数据中不同偏振模式、轨道方向和采集模式下的后向散射系数；
S22、根据历史水文情况，计算一段未发生洪水时期的平均后向散射系数和标准差后向散射系数；
S23、将计算结果代入Z-score阈值法计算公式中，获取所需时期洪水对垂直发射垂直接收的SAR后向散射的ZVV-score值分布图和垂直发射水平再发射SAR后向散射的ZVH-score值分布图。
进一步地，步骤S3还包括如下子步骤：
S31：给定ZVV-score阈值和ZVH-score阈值，在步骤S1得到的常年水域范围分布图中找出不为常年水域的所有像元，并获取所有像元对应的在步骤S2计算得到ZVV-score和ZVH-score值分布图，将每个像元的ZVV-score和ZVH-score值与给定的ZVV-score阈值和ZVH-score阈值进行比较，如果像元的ZVV-score低于给定ZVV-score阈值且其ZVH-score低于给定的ZVH-score阈值，则该像元标记为高置信度洪水标签；如果ZVV-score和ZVH-score中只有一个低于给定阈值，则该像元被标记为中等置信度洪水标签；如果ZVV-score和ZVH-score均分别高于给定阈值，则该像元被标记为非洪水；
S32：确定特殊的常发和突发性洪水区；在高置信度洪水中，当总淹没概率＞25％时，则把该像元定义为常发洪水区；在中等置信度洪水中，当总淹没概率＞25％时，则把该像元定义为常发性洪水；在非洪水中，当总淹没概率＞25％时，则把该像元定义为突发性洪水。
进一步地，给定ZVV-score阈值和ZVH-score阈值的确定方法为：
i、导出计算得到的ZVV-score值分布图、ZVH-score值分布图以及相应区域的雷达遥感影像：
ii、在雷达遥感影像中随机选择一些点并在ZVV-score值、ZVH-score值图像中找出与其对应的ZVV-score和ZVH-score值，并判断该点所属类别，即其为水体或者非水体，生成散点图；
iii、分析散点图，找到区分出水体和陆地的ZVV-score值和ZVH-score值的范围；
iv、将ZVV-score值和ZVH-score值的范围行进行细化并将细化后的ZVV-score和ZVH-score多组不同值进行组合，并联系精度验证图像进行计算，计算所有组合的总体分类精度，找到使总体分类精度达到最大的组合作为现状水域范围提取的ZVV-score和ZVH-score阈值。
与现有技术相比，本发明的有益效果为：
1)本发明将陆地卫星影像转化为历史水体分布信息，利用统计阈值法基于雷达影像提取现状水体分布，结合历史与现状水体分布划提取洪水覆盖面范围，整个算法思路清晰直观，可以快速且精确地获取现状洪水覆盖范围；
2)光学遥感数据已有数据量大但易受云层影响，雷达遥感数据不受云层干扰且具有全天时特点，本本发明结合两者的优点，使获取的洪水区域范围更为准确；同时，本研究测试是基于云计算平台进行，可以直接获取数据并对数据进行操作，因此，不仅可以极大简化繁复的数据下载、处理操作，快速响应提取洪水覆盖范围；此外，算法的可移植性高，用户无须下载软件，只需有效的云计算平台号，即可在网页登录执行代码、获得运行结果，经简单调整后，算法亦可在高性能单机平台上运行其代码；综上本发明具有较强的通用性，便于推广使用。
附图说明
图1为本发明实施例洪水覆盖面的提取方法的流程图；
图2为本发明实施例现状水域提取过程的系列图；其中，图2(a)为VV平均后向散射系数分布图，图2(b)为VV标准差后向散射系数的分布图，图2(c)为某市发生洪水当天的VV后向散射系数的分布图，最后，图2(d)为计算出ZVV-score分布图；
图3为本发明实施例的洪水分类示意图；
图4为本发明实施例阈值确定系列图；图4(a)为雷达遥感图像(用于精度评价)；图4(b)为基于ZVV-score和ZVH-score值划分水体、非水体散点图；
图5为本发明实施例洪水提取结果图。
具体实施方式
下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。
本发明提供一种基于遥感影像的洪水覆盖面的提取方法，包括如下步骤：
S1：获取Landsat-8陆地卫星光学遥感影像数据，计算其历史水体分布概率，通过设置分布概率阈值，获得常年水域范围分布图；
在该步骤中，获取陆地卫星光学遥感影像数据，并从影像数据中挑选DSWE模型计算所需的特征波段，再采用DSWE模型进行计算。在计算时，首先分析DSWE模型中所用的指标和各指标的计算公式再对提取波段中的各个像元采用DSWE模型中的各指标的计算公式定义判定各指标；其中，DSWE模型由五个指标的计算公式构成，其公式如下：
1)MNDWI＞123[scaled by 10000]
2)MBSRV＞MBSRN
3)AWEsh＞0
4)MNDWI＞-5000&SWIR1＜1000&NIR＜1500
5)MNDWI＞-5000&SWIR2＜1000&NIR＜2000
其中，MNDWI是根据地面反射率计算得出的修正归一化差水指数；MBSRV为GREEN和RED的和，MBSRN为NIR和SWIR1的和；AWEsh是自动水体提取指数；SWIR1是传感器短波红外波段中的较短者；SWIR2是传感器短波红外波段中的较长者；NIR是近红外波段；上述指标的计算公式如下：
MNDWI＝(GREEN-SWIR)/(GREEN+SWIR)*10000
AWEsh＝BLUE+2.5GREEN-1.5MBSRN-0.25SWIR2
MBSRV＝GREEN+RED
MBSRN＝NIR+SWIR1
上式中，GREEN是绿光波段，BLUE是蓝光波段，RED是红光波段。
将每一个像元按照该上述5个指标的计算公式进行计算并将计算结果与DSWE模型中五个指标需要满足的条件进行比较，满足条件即为1，不满足条件即为0，然后将结果按顺序分别放置在个十百千万位上，使得每个像元获取一个五位数，再将这个五位数与划分标准进行比较，即可获得该像元的属性：是高置信度水还是中置信度水还是非水或是部分地表水，划分标准如下：
11001 11111：1(高置信度水体)
10111 10999：1
01111 01111：1
11000 11000：3(部分地表水)
10000 10000：3
01000 01000：3
10012 10110：2(中置信度水体)
10011 10011：2
10001 10010：2
01001 01110：2
00010 00111：2
00000 00009：0(非水)
提取常年水域和常发洪水区，具体地，提取2000年到2016年这16年的陆地卫星光学遥感影像，使用上述DSWE方法进行计算，对于任一个像元，如果16年间该像元为水体(包括为高置信度水、中置信度水和部分地表水)的概率＞90％，则定义为常年水域；而如果该像元为水体(包括为高置信度水、中置信度水和部分地表水)的概率＞25％，则将其定义为常发洪水区，从而获得常年水域和常发洪水的图像。
S2：获取Sentinel-1卫星雷达遥感影像数据，在设定时间范围内，计算每个像元时间域的统计信息，采用统计阈值法计算现状水域分布图；该步骤还包括如下子步骤：
S21、计算卫星雷达遥感影像数据中不同偏振模式、轨道方向和采集模式下的后向散射系数；
S22、根据历史水文情况，计算一段未发生洪水时期的平均后向散射系数和标准差后向散射系数；
S23、将计算结果代入Z-score阈值法计算公式中，获取所需时期洪水对垂直发射垂直接收的SAR后向散射的ZVV-score值分布图和垂直发射水平再发射SAR后向散射的ZVH-score值分布图。
以往研究表明水体对入射能量具有强吸收性，在大部分遥感传感器的波长范围内，总体上呈现较弱的反射率。因此，对于水体和陆地，VH、VV后向散射值会有不同，即洪水会对垂直发射垂直接收(VV)和垂直发射水平再发射(VH)SAR后向散射的Z-score值产生影响，Z-score值的计算公式为：
Figure BDA0002892246720000071
其中，p为极化模式、m为传感器采集模式、d为轨道方向，采集模式包括IW和SM，轨道方向包括上升和下降，
Figure BDA0002892246720000072
表示在极化模式为p、传感器采集模式为m、轨道方向为d时的平均后向散射系数，
Figure BDA0002892246720000073
表示在时间t时极化模式为p、传感器采集模式为m、轨道方向为d的后向散射系数，
Figure BDA0002892246720000074
表示在极化模式为p、传感器采集模式为m、轨道方向为d时的标准差后向散射系数。极化模式为垂直发射垂直接收的SAR后向散射的Z-score值表示为ZVV-score，极化模式为垂直发射水平再发射的SAR后向散射的Z-score值表示为ZVH-score。
根据某市历史时期水文资料，历年3到5月发生洪水的概率较低。经过查阅2019年某市水利局水文资料，证实3月1日至6月1日之间没有发生洪水，因此，本研究选用3-5月作为某市历史基线的界限。
然后，利用在这些日期之间获取的所有Sentinel-1图像计算不同偏振模式、轨道方向和采集模式下的平均后向散射系数
Figure BDA0002892246720000075
其计算结果如图2(a)，标准差后向散射系数
Figure BDA0002892246720000076
的计算结果如图2(b)。2019年6月14日，某市发生洪水，求出当天的VV后向散射系数
Figure BDA0002892246720000077
计算结果如图2(c)所示。最后，根据计算公式可以计算出ZVV-score的计算结果如图2(d)所示。同样的方法，我们还可以计算出ZVH-score值。
S3：结合常年水域和现状水域范围对洪水覆盖类型进行分类，提取现时不同级别的洪水覆盖范围；该步骤还包括如下子步骤：
S31：给定ZVV-score阈值和ZVH-score阈值，在步骤S1得到的常年水域范围分布图中找出不为常年水域的所有像元，并获取所有像元对应的在步骤S2计算得到ZVV-score和ZVH-score值分布图，将每个像元的ZVV-score和ZVH-score值与给定的ZVV-score阈值和ZVH-score阈值进行比较，如果像元的ZVV-score低于给定ZVV-score阈值且其ZVH-score低于给定的ZVH-score阈值，则该像元标记为高置信度洪水标签；如果ZVV-score和ZVH-score中只有一个低于给定阈值，则该像元被标记为中等置信度洪水标签；如果ZVV-score和ZVH-score均分别高于给定阈值，则该像元被标记为非洪水；
S32：确定特殊的常发和突发性洪水区；在高置信度洪水中，当总淹没概率＞25％时，则把该像元定义为常发洪水区；在中等置信度洪水中，当总淹没概率＞25％时，则把该像元定义为常发性洪水；在非洪水中，当总淹没概率＞25％时，则把该像元定义为突发性洪水。
在本实施例中，我们可以采用GEE代码实现上述分类过程，给不同类型的区域赋不同的值，并用不同的颜色表示，比如，采用0代表陆地，1，2代表中置信度洪水，3代表高置信度洪水(突发)；10代表以往为常发洪水，但此次监测提取为非洪水，11，12代表中置信度洪水，且以前也是常发洪水，13代表常发高置信洪水(常发)；20代表常年水域。为了便于了解划分过程，将划分方式归纳成一个二维矩阵图例，其中基于SAR的洪水置信度构成一个轴，基于Landsat的历史淹没信息构成另一个轴(图3左下角)。
而在步骤S31中，给定ZVV-score阈值和ZVH-score阈值的确定方法为：
i、导出计算得到的ZVV-score值分布图、ZVH-score值分布图以及相应区域的雷达遥感影像；
ii、在雷达遥感影像中随机选择一些点并在ZVV-score值、ZVH-score值图像中找出与其对应的ZVV-score和ZVH-score值，并判断该点所属类别，即其为水体或者非水体，生成散点图；
iii、分析散点图，找到区分出水体和陆地的ZVV-score和ZVH-score的范围；
iv、将ZVV-score值和ZVH-score值的范围行进行细化并将细化后的ZVV-score值和ZVH-score值多组不同值进行组合，并联系精度验证图像进行计算，计算所有组合的总体分类精度，找到使总体分类精度达到最大的组合作为现状水域范围提取的ZVV-score和ZVH-score阈值。
具体地，在本实施例中，图4为阈值确定系列图，在提取洪水的过程中，ZVV-score和ZVH-score阈值选取的正确性对于精度的影响很大，为了选择区分度最高的阈值，本研究下载了2019年6月14日的Sentinel-2影像(图4(a))，与提取出当天的ZVV-score和ZVH-score图像进行比较，就可以找出区分出水体和非水体的ZVV-score和ZVH-score的大致范围，具体过程如下：
用GEE的导出(export)功能，将计算得到的ZVV-score和ZVH-score图像下载出来，同时下载相应区域分辨率为10m的Sentinel-2卫星数据。
将三张图片在ENVI中同时打开，利用其随机抽样和光标定位功能，随机选择40个点，在excel表格中记录其ZVV-score和ZVH-score值，并目视判断该点所属类别(水或者是非水体，水体赋值为1，非水体赋值为0)，生成散点图，如图4(b)所示。
分析散点图，目视找到可以较好的区分出水和陆地的ZVV-score值和ZVH-score值大致范围(-2～-3)。
将ZVV-score和ZVH-score阈值进行细化，分别分成-2，-2.5，-3三段，形成九个组合，选用不同的阈值组合，在GEE中运行得到洪水提取结果，并联系精度验证图像，随机生成250个点，使用ENVI光标定位功能，获取每个点实际类型(目视判断像元为水还是陆地)和提取类型(根据像元值判断)，将结果记录在excel表格中，计算出总体分类精度，得到不同阈值总体分类精度表，见表1，找到使总体分类精度达到最大的阈值(在本实施例中当ZVV-score和ZVH-score均为-2均为-2时，所得总体分类精度最大)作为现状水域范围提取的ZVV-score和ZVH-score阈值。
表1为ZVV-score和ZVH-score不同组合所得的总体分类精度
Figure BDA0002892246720000091
图5为吉安市洪水提取图，按照上述方法，使用确定的阈值(ZVV-score和ZVH-score均为-2)，在GEE中提取2019年9月14日的洪水状况，得到提取结果图如图5所示。
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (5)

1.一种基于遥感影像的洪水覆盖面的提取方法，其特征在于，包括如下步骤：
S1：获取陆地卫星光学遥感影像数据，计算其历史水体分布概率，通过设置分布概率阈值，获得常年水域范围分布图；
S2：获取卫星雷达遥感影像数据，在设定时间范围内，计算每个像元时间域的统计信息，采用统计阈值法计算现状水域分布图；
S3：结合常年水域和现状水域范围对洪水覆盖类型进行分类，提取现时不同级别的洪水覆盖范围；其中，
步骤S2的具体方法为：
S21、计算卫星雷达遥感影像数据中不同偏振模式、轨道方向和采集模式下的后向散射系数；
S22、根据历史水文情况，计算一段未发生洪水时期的平均后向散射系数和标准差后向散射系数；
S23、将计算结果代入Z-score阈值法计算公式中，获取所需时期洪水对垂直发射垂直接收的SAR后向散射的ZVV-score值分布图和垂直发射水平再发射SAR后向散射的ZVH-score值分布图；
步骤S3还包括如下子步骤：
S31：给定ZVV-score阈值和ZVH-score阈值，在步骤S1得到的常年水域范围分布图中找出不为常年水域的所有像元，并获取所有像元对应的在步骤S2计算得到ZVV-score和ZVH-score值分布图，将每个像元的ZVV-score和ZVH-score值与给定的ZVV-score阈值和ZVH-score阈值进行比较，如果像元的ZVV-score低于给定ZVV-score阈值且其ZVH-score低于给定的ZVH-score阈值，则该像元标记为高置信度洪水标签；如果ZVV-score和ZVH-score中只有一个低于给定阈值，则该像元被标记为中等置信度洪水标签；如果ZVV-score和ZVH-score均分别高于给定阈值，则该像元被标记为非洪水；
S32：确定特殊的常发和突发性洪水区；在高置信度洪水中，当总淹没概率>25％时，则把该像元定义为常发洪水区；在中等置信度洪水中，当总淹没概率>25％时，则把该像元定义为常发性洪水；在非洪水中，当总淹没概率>25％时，则把该像元定义为突发性洪水。
2.根据权利要求1所述的基于遥感影像的洪水覆盖面的提取方法，其特征在于，步骤S1的具体方法为：从光学遥感影像数据中提取出具有DSWE模型特征的波段并采用DSWE模型对提取波段中的每个像元进行计算，以获取不同级别的常年水域分布范围，再设置一个分布概率阈值，统计历史时段不同级别的常年水域为水体的概率，再将该概率与概率阈值进行比较，确定出常年非水域和常年水域的范围分布。
3.根据权利要求2所述的基于遥感影像的洪水覆盖面的提取方法，其特征在于，步骤S1中还包括如下子步骤：
S11：分析DSWE模型中所用的指标和各指标的计算公式；
S12：对提取波段中的每个像元采用DSWE模型中的各指标的计算公式定义计算各指标；
S13、根据DSWE模型中各指标需要满足的条件，比较各像元计算得到的各指标是否满足条件，若满足条件，则结果取1，若不满足条件则结果取0，然后将结果按顺序分别放置在个十百千万位上，使得每个像元获取一个五位数的编码；
S14、确定一个分类标准，对每个像元获得的编码按照相应的分类标准进行分类以区分出非水体、中置信度水体、高置信度水体、部分地表水体，得到常年水域分类结果；
S15：统计在一个历史时间段内，每个像元为水体的概率，并设定一概率阈值，以确定出常年非水域和水域的范围分布。
4.根据权利要求3所述的基于遥感影像的洪水覆盖面的提取方法，其特征在于，所述概率阈值设为90％，即某像元在历史时段为水体的概率大于90％，则定义其为常年水域。
5.根据权利要求1所述的基于遥感影像的洪水覆盖面的提取方法，其特征在于，给定ZVV-score阈值和ZVH-score阈值的确定方法为：
ⅰ、导出计算得到的ZVV-score值分布图、ZVH-score值分布图以及相应区域的雷达遥感影像；
ⅱ、在雷达遥感影像中随机选择一些点并在ZVV-score值、ZVH-score值图像中找出与其对应的ZVV-score和ZVH-score值，并判断该点所属类别，即其为水体或者非水体，生成散点图；
ⅲ、分析散点图，找到区分出水体和陆地的ZVV-score值和ZVH-score值的范围；
ⅳ、将ZVV-score值和ZVH-score值的范围行进行细化并将细化后的ZVV-score和ZVH-score多组不同值进行组合，并联系精度验证图像进行计算，计算所有组合的总体分类精度，找到使总体分类精度达到最大的组合作为现状水域范围提取的ZVV-score和ZVH-score阈值。
CN202110032720.6A 2021-01-11 2021-01-11 基于遥感影像的洪水覆盖面的提取方法 Active CN112700431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110032720.6A CN112700431B (zh) 2021-01-11 2021-01-11 基于遥感影像的洪水覆盖面的提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110032720.6A CN112700431B (zh) 2021-01-11 2021-01-11 基于遥感影像的洪水覆盖面的提取方法

Publications (2)

Publication Number Publication Date
CN112700431A CN112700431A (zh) 2021-04-23
CN112700431B true CN112700431B (zh) 2022-08-05

Family

ID=75513863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110032720.6A Active CN112700431B (zh) 2021-01-11 2021-01-11 基于遥感影像的洪水覆盖面的提取方法

Country Status (1)

Country Link
CN (1) CN112700431B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361403A (zh) * 2021-06-03 2021-09-07 中国地质大学（武汉） 改进的基于ndfi洪水提取方法、***、终端及应用
CN113567981B (zh) * 2021-06-28 2023-08-08 中国电建集团华东勘测设计研究院有限公司 一种基于sar影像的洪涝风险区自动提取方法
CN116912689A (zh) * 2023-07-19 2023-10-20 中国矿业大学 基于遥感雷达数据的洪泛湿地结构水文连通性的提取方法
CN116629459B (zh) * 2023-07-24 2024-01-19 长江三峡集团实业发展(北京)有限公司 一种基于遥感和降水对水域淹没范围进行预测的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101308215A (zh) * 2008-06-11 2008-11-19 武汉大学 一种ⅱ类水体离水辐亮度反演方法
CN101334896A (zh) * 2008-07-25 2008-12-31 西安交通大学 数字图像测量亚像素边沿处理方法
CN112084712A (zh) * 2020-09-07 2020-12-15 长江水利委员会长江科学院 融合主被动微波遥感信息的洪水淹没范围动态模拟方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6021189B2 (ja) * 2011-02-21 2016-11-09 トランスロボティックス，インク． 距離および／または移動を感知するためのシステムおよび方法
US9047781B2 (en) * 2011-05-31 2015-06-02 Georgia Tech Research Corporation Safety zone detection, enforcement and alarm system and related methods

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101308215A (zh) * 2008-06-11 2008-11-19 武汉大学 一种ⅱ类水体离水辐亮度反演方法
CN101334896A (zh) * 2008-07-25 2008-12-31 西安交通大学 数字图像测量亚像素边沿处理方法
CN112084712A (zh) * 2020-09-07 2020-12-15 长江水利委员会长江科学院 融合主被动微波遥感信息的洪水淹没范围动态模拟方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Flood damage mapping in North Korea using JERS-1 DATA;Choen Kim;《IEEE 1999 International Geoscience and Remote Sensing Symposium》;20020806;第870-872页 *

Also Published As

Publication number Publication date
CN112700431A (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
CN112700431B (zh) 基于遥感影像的洪水覆盖面的提取方法
Richard et al. A statistical study of NDVI sensitivity to seasonal and interannual rainfall variations in Southern Africa
CN109101894B (zh) 一种地表类型数据支持的遥感图像云阴影检测方法
CN101963664B (zh) 基于水陆地物分类信息的微波遥感混合像元分解方法
CN105046087B (zh) 一种遥感卫星多光谱影像的水体信息自动提取方法
Xie et al. Evaluation of Landsat 8 OLI imagery for unsupervised inland water extraction
Song et al. Comparison and conversion of AVHRR GIMMS and SPOT VEGETATION NDVI data in China
Zhang et al. Mapping flood by the object-based method using backscattering coefficient and interference coherence of Sentinel-1 time series
Wang et al. Using NOAA AVHRR data to assess flood damage in China
Li et al. A new short-wave infrared (SWIR) method for quantitative water fraction derivation and evaluation with EOS/MODIS and Landsat/TM data
CN110308097A (zh) 一种卫星图像云检测方法及***
CN104616015A (zh) 一种基于主被动遥感数据的农村居民点用地提取方法
CN111611965B (zh) 一种基于Sentinel-2影像的陆表水体提取方法
Lê et al. Multiscale framework for rapid change analysis from SAR image time series: Case study of flood monitoring in the central coast regions of Vietnam
CN110632032A (zh) 一种基于地表反射率库的沙尘暴监测方法
Zhou et al. Dual-branch neural network for sea fog detection in geostationary ocean color imager
Sahadevan et al. Monitoring the rapid changes in mangrove vegetation of coastal urban environment using polynomial trend analysis of temporal satellite data
CN104778668A (zh) 基于可见光波段光谱统计特征的光学遥感图像薄云去除方法
CN113221813A (zh) 一种海岸线遥感提取方法
CN113486705A (zh) 一种洪水监测信息提取方法、装置、设备及存储介质
Guo et al. A comparative study of coastline changes at Tampa Bay and Xiangshan Harbor during the last 30 years
Guo et al. Mozambique flood (2019) caused by tropical cyclone idai monitored from sentinel-1 and sentinel-2 images
CN116385867A (zh) 生态地块监测识别与分析方法、***、介质、设备及终端
Huang et al. An appraisal of atmospheric correction and inversion algorithms for mapping high-resolution bathymetry over coral reef waters
CN113705441A (zh) 协同多光谱和sar影像的高时空分辨率地表水体提取方法

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
GR01 Patent grant
GR01 Patent grant