CN113361403A - 改进的基于ndfi洪水提取方法、***、终端及应用 - Google Patents
改进的基于ndfi洪水提取方法、***、终端及应用 Download PDFInfo
- Publication number
- CN113361403A CN113361403A CN202110628919.5A CN202110628919A CN113361403A CN 113361403 A CN113361403 A CN 113361403A CN 202110628919 A CN202110628919 A CN 202110628919A CN 113361403 A CN113361403 A CN 113361403A
- Authority
- CN
- China
- Prior art keywords
- flood
- ndfi
- extraction
- water body
- improved
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 90
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 103
- 238000000034 method Methods 0.000 claims abstract description 75
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000011160 research Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims description 15
- 230000007717 exclusion Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 239000002352 surface water Substances 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000007547 defect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 235000004727 Opuntia ficus indica Nutrition 0.000 description 5
- 240000009297 Opuntia ficus-indica Species 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明属于洪水信息提取技术领域，公开了一种改进的基于NDFI洪水提取方法、***、终端及应用，改进的基于NDFI洪水提取方法包括：对SAR卫星数据进行预处理，基于预处理后的影像计算洪水指数，去异常值，计算阈值并去除坡度大于5°的像元和面积小于0.001km2的图斑，得到洪水淹没范围A，基于NDFI法对研究区的洪涝受灾情况进行初步提取；基于土地覆盖产品数据和云平台对不透水面和永久性水体排除层的构建，通过30米分辨率不透水面排除层提取非城镇区域洪涝信息，通过永久性水体排除层优化NDFI法初步提取结果，最终得到洪水淹没范围B。本发明提高NDFI制图精度，减少NDFI特性带来的误差。
Description
技术领域
本发明属于洪水信息提取技术领域，尤其涉及一种改进的基于NDFI洪水提取方法、***、终端及应用。
背景技术
目前，洪水是世界上最常见的自然灾害，不仅严重影响生态***的稳定性，还对人身财产安全造成巨大危害。因此如何自动精确的对洪水进行提取成为重点。
近年来，学者们通过各种各样的方法来获取SAR影像中的洪水信息，如监督分类法、阈值分割、变化检测等。监督分类方法需要一个训练集，制图者在设计算法之前无需深入理解数据信号的物理特性，就可以获得更好的精度；但是，训练集的生成不能自动化，而且算法具有局部依赖性。阈值分割方法受到由风的粗糙化和卫星***参数造成的环境异质性的影响，不适用于大面积区域。变化检测方法虽然可以减少空间变异性所带来的影响，但有效性强烈依赖于用户。后来又提出了洪水指数法，基于后向散射系数通过一个阈值将洪水区域区分出来，该方法比传统的阈值方法速度要快，效率要高，稳定性和精度要强。但是，有许多地物的后向散射系数值比较接近，仅依靠后向散射系数值进行洪涝制图不可避免的会带来许多误差。
通过上述分析，现有技术存在的问题及缺陷为：
(1)由于SAR卫星独特的成像方式，城镇区域的建筑物具有强烈的二次反弹和多次散射效应，这使得分离出城镇的洪水区域十分困难，无法在城镇区域获取较高精度的洪涝信息。
(2)由于特定的数据源，易受到天气状况和复杂区域的影响，对河流湖泊区域存在错分现象。
解决以上问题及缺陷的难度为：
(1)针对不同区域阈值选取有所差异，且随时间变化，很难达成统一标准；
(2)许多地物的后向散射系数值比较接近，洪涝制图很难达到完美的精度。
解决以上问题及缺陷的意义为：
(1)可以快速高效的获取非城镇区域洪涝受灾信息，自动化程度高；
(2)排除在永久性水体区域(如河流湖泊)进行洪涝灾害信息提取的典型误差，大大提高了精度，为灾害救援和灾后评估提供科学依据。
发明内容
针对现有技术存在的问题，本发明提供了一种改进的基于NDFI洪水提取方法、***、终端及应用。
本发明是这样实现的，一种改进的基于NDFI洪水提取方法，所述改进的基于NDFI洪水提取方法包括：
对SAR卫星数据进行预处理，基于预处理后的影像计算洪水指数，去异常值，计算阈值并去除坡度大于5°的像元和面积小于0.001km2的图斑，得到洪水淹没范围A，基于NDFI方法对研究区的洪涝受灾情况进行初步提取；
基于土地覆盖产品数据和云平台对不透水面和永久性水体排除层的构建，通过30米分辨率不透水面排除层提取非城镇区域洪涝信息，通过永久性水体排除层优化NDFI法初步提取的结果，最终得到洪水淹没范围B。
进一步，所述改进的基于NDFI洪水提取方法包括以下步骤：
步骤一，基于NDFI的洪涝受灾区域初提取；
步骤二，基于历史资料的水体分布概率图提取。
进一步，步骤一中，所述基于NDFI的洪涝受灾区域初提取，包括：
通过归一化洪水指数NDFI对两组SAR影像的多时间统计分析，其中一组仅包含非洪水期的影像，即参考影像，第二组包含参考影像和洪水发生时的影像；通过分别计算参考影像中每个像素的平均后向散射值以及参考影像和洪水影像中每个像素的最小后向散射值。然后利用计算得到的两个统计数据推导生成NDFI，即均值reference和最小值reference+flood之间的标准化差异，计算公式如下：
其中，meanσ0(“reference”)代表参考影像每个像元的的平均后向散射系数值，minσ0(“reference+flood”)代表所有影像每个像元的最小后向散射系数值。
进一步，步骤一中，所述基于NDFI的洪涝受灾区域初提取，还包括：
在计算NDFI时，对指数进行异常值去除处理，将小于-1或大于0的像元剔除；其中，所述阈值计算公式如下：
th＝mean(NDFIflood)-k*std(NDFIflood)；
其中，mean(NDFIflood)代表整个差值图像的平均值，std(NDFIflood)代表整个差值图像的标准差，经过异常值处理过后，再利用一个恒定的阈值将洪水区域分割出来，FabioCina经过大量实例验证得到k＝1.5是最有效的值。
此外，在操作中有很多山体阴影被划分成洪水区域，使用SRTM1计算坡度后发现这些山体阴影区域的坡度也较高，而且坡度较高的区域不易积水，因此为了排除这些误差，将像素点落在>5°的斜坡区域去除，并剔除所有小于0.001km2的图斑，然后对洪涝受灾区域进行初步提取。
进一步，步骤二中，所述基于历史资料的水体分布概率图提取，包括：
使用改进的归一化差分水体指数mNDWI、归一化水体指数NDVI和增强植被指数EVI这三个指标的组合提取水域范围，结合mNDWI>NDVI和EVI<0.1，mNDWI>EVI和EVI<0.1这两个标准进行地表水体识别，包括：
其中，ρred，ρgreen，ρblue，ρNIR，ρSWIR1分别代表红色波段、绿色波段，蓝色波段，短波红外波段，近红外波段1的反射率。
本发明的另一目的在于提供一种应用所述的改进的基于NDFI洪水提取方法的改进的基于NDFI洪水提取***，所述改进的基于NDFI洪水提取***包括：
数据预处理模块，用于对SAR卫星数据进行预处理；
异常值去除模块，用于基于预处理后的影像计算洪水指数，去异常值；
洪水淹没范围获取模块，用于通过计算阈值并去除坡度大于5°的像元和面积小于0.001km2的图斑，得到洪水淹没范围A；
NDFI初步提取模块，用于基于NDFI方法对研究区的洪涝受灾情况进行初步提取；
排除层构建模块，用于基于土地覆盖产品数据和云平台进行不透水面和永久性水体排除层的构建；
非城镇区域洪涝信息提取模块，用于通过30米分辨率不透水面排除层提取非城镇区域洪涝信息；
提取结果优化模块，用于通过永久性水体排除层优化NDFI法初步提取的结果，最终得到洪水淹没范围B。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
对SAR卫星数据进行预处理，基于预处理后的影像计算洪水指数，去异常值，计算阈值并去除坡度大于5°的像元和面积小于0.001km2的图斑，得到洪水淹没范围A，基于NDFI方法对研究区的洪涝受灾情况进行初步提取；
基于土地覆盖产品数据和云平台对不透水面和永久性水体排除层的构建，通过30米分辨率不透水面排除层提取非城镇区域洪涝信息，通过永久性水体排除层优化NDFI法初步提取的结果，最终得到洪水淹没范围B。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
对SAR卫星数据进行预处理，基于预处理后的影像计算洪水指数，去异常值，计算阈值并去除坡度大于5°的像元和面积小于0.001km2的图斑，得到洪水淹没范围A，基于NDFI方法对研究区的洪涝受灾情况进行初步提取；
基于土地覆盖产品数据和云平台对不透水面和永久性水体排除层的构建，通过30米分辨率不透水面排除层提取非城镇区域洪涝信息，通过永久性水体排除层优化NDFI法初步提取的结果，最终得到洪水淹没范围B。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的改进的基于NDFI洪水提取***。
本发明的另一目的在于提供一种所述的改进的基于NDFI洪水提取方法在城镇洪水区域信息提取中的应用。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的改进的基于NDFI洪水提取方法，基于SAR卫星数据，通过归一化洪水指数法(NormalizedDifference Flood Index，NDFI)进行洪水信息提取，然后利用开源遥感数据和云平台构建不透水面和永久性水体两个排除层，以排除NDFI法带来的错分误差。
针对SAR卫星独特的成像方式，城镇区域的建筑物具有强烈的二次反弹和多次散射效应，使得分离出城镇的洪水区域十分困难这一缺点，本发明方法设置并通过不透水面排除层将城镇区域剔除；其次，针对河流湖泊区域存在较多被判读为洪水像元这一缺点，本发明方法通过永久性水体排除层剔除错分为洪水区域的永久性水体像元。永久性水体排除层的设置提高了NDFI法的制图精度，减少了NDFI方法特性带来的误差，减少了由风的粗糙化和卫星***参数导致的环境异质性带来的的影响。同时，本发明方法在历史资料作为先验知识的情况下，可以在极端天气下更加准确地获取洪涝灾害受灾范围，进行快速的大面积洪水制图，为高效高精度地进行灾害管理和灾后评估提供科学依据。
通过精度评价，本发明可以得到以下结论：
(1)NDFI法在洪湖市和仙桃市的四组实验中，生产精度为71.56～82.41％，错分误差占比较大。但是通过永久性水体排除层后精度达到了80.49％～87.98％，生产者精度提升了3.45％～16.09％。
(2)NDFI法经永久性水体排除层后，总体精度由98.06％～98.92％提升到了98.27％～99.24％。总体精度提升了0.21％～0.71％。由于混淆矩阵是以洪水区和非洪水区为对象计算的，而洪水区仅是非洪水区面积的4％，所以总体精度的数值整体都比较高。
(3)从表中可以看出用户精度较高，都在93％以上，这说明NDFI法带来的漏分误差比较小。但是排除层的设置并没有提升用户精度，即也没能解决漏分误差。
(4)NDFI法在不同类型研究区的精度也有所差异。在NDFI法初步提取洪涝灾害区域时，洪湖市的精度要比同时期的仙桃市精度低，原因是洪湖市内水体比较多，水体变化所带来的误差也相应增大。而在通过永久性水体排除层剔除误差后，洪湖市的精度比同期仙桃市要高。
湖泊中有很多高亮区域和部分正常水体被误判成了洪涝区域，两种情况都是因为后向散射系数变化较大而被判成了洪涝区域，在永久性水体排除层的辅助下，这两种误差基本去除。但是，改进后的NDFI依然不能完全消除由风的粗糙化和卫星***参数导致的环境异质性带来的的影响。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的改进的基于NDFI洪水提取方法流程图。
图2是本发明实施例提供的改进的基于NDFI洪水提取方法原理图。
图3是本发明实施例提供的改进的基于NDFI洪水提取***结构框图；
图中：1、数据预处理模块；2、异常值去除模块；3、洪水淹没范围获取模块；4、NDFI初步提取模块；5、排除层构建模块；6、非城镇区域洪涝信息提取模块；7、提取结果优化模块。
图4是本发明实施例提供的水体分布概率图获取流程图。
图5(a)是本发明实施例提供的洪湖市2020年07月13日洪涝受灾图。
图5(b)是本发明实施例提供的洪湖市2020年07月25日洪涝受灾图。
图5(c)是本发明实施例提供的仙桃市2020年07月13日洪涝受灾图。
图5(d)是本发明实施例提供的仙桃市2020年07月25日洪涝受灾图。
图6(a)是本发明实施例提供的洪湖市水体频率分布图。
图6(b)是本发明实施例提供的仙桃市水体频率分布图。
图7(a)是本发明实施例提供的洪湖市永久性水体分布图。
图7(b)是本发明实施例提供的仙桃市永久性水体分布图。
图8(a)是本发明实施例提供的NDFI法经排除层后的洪湖市2020年7月13日洪涝受灾图。
图8(b)是本发明实施例提供的NDFI法经排除层后的洪湖市2020年7月25日洪涝受灾图。
图8(c)是本发明实施例提供的NDFI法经排除层后的仙桃市2020年7月13日洪涝受灾图。
图8(d)是本发明实施例提供的NDFI法经排除层后的洪湖市2020年7月25日洪涝受灾图。
图9是本发明实施例提供的(a)、(b)、(c)分别为7月1日、7月13日、7月25日的SAR卫星影像；(d)为7月13日的洪涝受灾图；(e)为7月25日的洪涝受灾图；(f)为永久性水体分布图。
图10是本发明实施例提供的(a)，(d)分别是7月13日和7月25日的SAR卫星影像；(b)，(e)分别是基于NDFI初步提取的7月13日和7月25日洪涝受灾图；(c)，(f)分别是7月13日和7月25日经排除层后的洪涝受灾图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种改进的基于NDFI洪水提取方法、***、终端及应用，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的改进的基于NDFI洪水提取方法包括以下步骤：
S101，对SAR卫星数据进行预处理；
S102，基于预处理后的影像计算洪水指数，去异常值；
S103，计算阈值并去除坡度大于5°的像元和面积小于0.001km2的图斑，得到洪水淹没范围A；
S104，基于NDFI方法对研究区的洪涝受灾情况进行初步提取；
S105，基于土地覆盖产品数据和云平台对不透水面和永久性水体排除层的构建；
S106，通过30米分辨率不透水面排除层提取非城镇区域洪涝信息；
S107，通过永久性水体排除层优化NDFI法初步提取的结果，最终得到洪水淹没范围B。
本发明实施例提供的改进的基于NDFI洪水提取方法原理图如图2所示。
如图3所示，本发明实施例提供的改进的基于NDFI洪水提取***包括：
数据预处理模块1，用于对SAR卫星数据进行预处理；
异常值去除模块2，用于基于预处理后的影像计算洪水指数，去异常值；
洪水淹没范围获取模块3，用于通过计算阈值并去除坡度大于5°的像元和面积小于0.001km2的图斑，得到洪水淹没范围A；
NDFI初步提取模块4，用于基于NDFI方法对研究区的洪涝受灾情况进行初步提取；
排除层构建模块5，用于基于土地覆盖产品数据和云平台进行不透水面和永久性水体排除层的构建；
非城镇区域洪涝信息提取模块6，用于通过30米分辨率不透水面排除层提取非城镇区域洪涝信息；
提取结果优化模块7，用于通过永久性水体排除层优化NDFI法初步提取的结果，最终得到洪水淹没范围B。
本发明实施例提供的水体分布概率图获取流程图如图4所示。
下面结合实施例对本发明的技术方案作进一步描述。
实施例1
NDFI是近两年提出的一种新型洪水信息提取算法，该方法不依赖用户，没有人为主观因素的干扰且可以自动化实验流程，已广泛应用于洪涝灾害信息的提取研究中。但是该方法由于特定的数据源，易受到天气状况和复杂区域的影响，对于城镇地区洪涝信息提取的精度不是很理想，且对河流湖泊区域存在错分现象。
针对以上问题，本发明方法在原有方法的基础上做了进一步改进。首先，针对SAR卫星独特的成像方式，城镇区域的建筑物具有强烈的二次反弹和多次散射效应，使得分离出城镇的洪水区域十分困难这一缺点，本发明方法设置并通过不透水面排除层将城镇区域剔除；其次，针对河流湖泊区域存在较多被判读为洪水像元这一缺点，本发明方法通过永久性水体排除层剔除错分为洪水区域的永久性水体像元。永久性水体排除层的设置提高了NDFI法的制图精度，减少了NDFI方法特性带来的误差，减少了由风的粗糙化和卫星***参数导致的环境异质性带来的的影响。同时，本发明方法在历史资料作为先验知识的情况下，可以在极端天气下更加准确地获取洪涝灾害受灾范围，进行快速的大面积洪水制图，为高效高精度地进行灾害管理和灾后评估提供科学依据。
本发明方法基于SAR卫星数据，通过归一化洪水指数法(Normalized DifferenceFlood Index，NDFI)进行洪水信息提取，然后利用开源遥感数据和云平台构建不透水面和永久性水体两个排除层，以排除NDFI法带来的错分误差。
如图2所示，本发明方法主要分为两部分，第一部分是对SAR卫星数据进行预处理，基于预处理后的影像计算洪水指数，去异常值，计算阈值并去除坡度大于5°的像元和面积小于0.001km2的图斑，然后得到洪水淹没范围A，基于NDFI方法对研究区的洪涝受灾情况进行初步提取。第二部分是基于土地覆盖产品数据和云平台对不透水面和永久性水体排除层的构建，通过30米分辨率不透水面排除层提取非城镇区域洪涝信息，然后通过永久性水体排除层优化NDFI法初步提取的结果，最终得到洪水淹没范围B。
1、基于NDFI的洪涝受灾区域初提取
研究使用的洪水提取方法是由Fabio Cina在2018年提出的的归一化洪水指数(NDFI)。该方法的原理是对两组SAR影像的多时间统计分析，其中一组仅包含非洪水期的影像，即参考影像，第二组包含参考影像和洪水发生时的影像。该方法通过分别计算参考影像中每个像素的平均后向散射值以及参考影像和洪水影像中每个像素的最小后向散射值。然后利用计算得到的两个统计数据推导生成NDFI，即均值(reference)和最小值(reference+flood)之间的标准化差异，计算公式如下：
其中，meanσ0(“reference”)代表参考影像每个像元的的平均后向散射系数值，minσ0(“reference+flood”)代表所有影像每个像元的最小后向散射系数值。
在计算NDFI时，某些像元的mean和min符号不同，导致NDFI的结果远大于0或小于-1，这会对NDFI阈值计算产生影响，进而影响方法结果的精度，因此需要对指数进行异常值去除处理，将小于-1或大于0的像元剔除。阈值计算公式如下：
th＝mean(NDFIflood)-k*std(NDFIflood) (2)
其中，mean(NDFIflood)代表整个差值图像的平均值，std(NDFIflood)代表整个差值图像的标准差，经过异常值处理过后，再利用一个恒定的阈值将洪水区域分割出来，FabioCina经过大量实例验证得到k＝1.5是最有效的值。
此外，在操作中有很多山体阴影被划分成洪水区域，使用SRTM1计算坡度后发现这些山体阴影区域的坡度也较高，而且坡度较高的区域不易积水，因此为了排除这些误差，将像素点落在>5°的斜坡区域去除，并剔除所有小于0.001km2的图斑，以减小伪洪水淹没区域对方法结果的影响。然后对洪涝受灾区域进行初步提取。
2、基于历史资料的水体分布概率图提取
改进的归一化差分水体指数(modified Normalized Difference Water Index，mNDWI)是通过利用遥感影像中绿波段和短波红外波段进行归一化差值确定水域范围特征，是应用最广泛、最有效的方法之一。然而，由于水草在湿地中的混合分布，mNDWI在区分水体和植被方面仍然存在错误。大量研究表明，结合改进的归一化差分水体指数(mNDWI)、归一化水体指数(Normalized Difference Vegetation Index，NDVI)和增强植被指数(enhanced vegetation index，EVI)在水体确定方面比单个指数表现得更好、更稳定。EVI<0.1的标准可以减少湿地植被对湿地水体提取的干扰。因此，本发明使用mNDWI，NDVI，EVI这三个指标的组合提取水域范围，结合mNDWI>NDVI和EVI<0.1，mNDWI>EVI和EVI<0.1这两个标准进行地表水体识别。
其中，ρred，ρgreen，ρblue，ρNIR，ρSWIR1分别代表红色波段、绿色波段，蓝色波段，短波红外波段，近红外波段1的反射率。
实施例2
1、基于NDFI的洪涝受灾区域初提取
根据公式(1)、公式(2)分别计算洪湖市和仙桃市参考影像的平均值、包含洪水影像的最小值、NDFI的标准差及阈值。基于公式计算得到的阈值分别对影像进行分割，并剔除所有小于0.001km2的图斑，以减小伪洪水淹没区域对实验结果的影响。坡度较高的区域不易积水，且影响雷达信号测量精度，比如透视收缩、阴影遮挡等，因此本文将落在坡度>5°的像素点去除，其中坡度数据由SRTM1计算得到。洪涝受灾区域的空间分布图如图5所示。
结果中发现很多湖泊河流中的船只被错分成了洪水区域，湖泊中一些区域也被错分成了洪水区域。原因是灾害发生时，在恶劣天气的影响下卫星传感器获取的地物后向散射系数值和平时会有差异，而NDFI法是根据像元的后向散射系数值的变化规律来分割出洪水区域，这些区域和灾害区域的像元有相同变化规律的地物会被误分成洪水区域，因此本发明方法在使用NDFI法初步获取洪水区域后，通过排除层的设置，排除那些在灾害时期并不可能是洪水的区域。
2、基于排除层对NDFI法的改进
使用NDFI法初步提取的洪涝受灾图通过不透水面排除层，排除建筑物较多的城镇区域，获取非城镇区域洪涝受灾信息。然后基于云平台通过landsat-8地表反射率数据集计算并获取研究区的永久性水体作为排除层排除被错分成洪水的永久性水体。
对影像进行去云处理之后根据公式(3)、公式(4)、公式(5)分别计算EVI，NDVI，mNDWI。结合mNDWI>NDVI和EVI<0.1和mNDWI>EVI和EVI<0.1这两个标准进行地表水体识别。满足条件的被判断成水体，依次计算得到研究区的年度水体频率，两个研究区的水体频率图如图6所示。
当年度水体频率大于0.75时候，判断为永久性水体；当年度水体频率在0.25～0.75的时候，判断为季节性水体；计算得到洪湖市永久性水体为591.84km2，仙桃市永久性水体为131.14km2。以2020年全球30米精细地表覆盖产品为验证数据，永久性水体在数据集显示为水体和水稻田的比例为99.75％，错分为其他地物的比例为0.25％。两个研究区的永久性水体分布图如图7所示。
将非城镇区域洪涝受灾图经过由云平台生成的永久性水体掩膜后得到新的洪涝受灾分布图，洪涝受灾空间分布图如图8所示，可以看出建筑物密集的城镇区域的图斑基本去除。
通过精度评价，本发明可以得到以下结论：
(1)NDFI法在洪湖市和仙桃市的四组实验中，生产精度为71.56～82.41％，错分误差占比较大。但是通过永久性水体排除层后精度达到了80.49％～87.98％，生产者精度提升了3.45％～16.09％。
(2)NDFI法经永久性水体排除层后，总体精度由98.06％～98.92％提升到了98.27％～99.24％。总体精度提升了0.21％～0.71％。由于混淆矩阵是以洪水区和非洪水区为对象计算的，而洪水区仅是非洪水区面积的4％，所以总体精度的数值整体都比较高。
(3)从表中可以看出用户精度较高，都在93％以上，这说明NDFI法带来的漏分误差比较小。但是排除层的设置并没有提升用户精度，即也没能解决漏分误差。
(4)NDFI法在不同类型研究区的精度也有所差异。在NDFI法初步提取洪涝灾害区域时，洪湖市的精度要比同时期的仙桃市精度低，原因是洪湖市内水体比较多，水体变化所带来的误差也相应增大。而在通过永久性水体排除层剔除误差后，洪湖市的精度比同期仙桃市要高。
湖泊中有很多高亮区域和部分正常水体被误判成了洪涝区域，两种情况都是因为后向散射系数变化较大而被判成了洪涝区域，在永久性水体排除层的辅助下，这两种误差基本去除。但是，改进后的NDFI依然不能完全消除由风的粗糙化和卫星***参数导致的环境异质性带来的的影响。
如图9(a)、(b)、(c)所示，可以看出湖泊面积随时间推移而变大，而变化区域被NDFI法获取的洪涝图判定为洪涝区(d、e)，而这些区域在永久性水体分布图(f)中显示为永久性水体，这说明该区域每年有四分之三的时间为水体，该面积变化的主要原因是涨水期水域面积增大导致，而非洪水导致。因为河流湖泊涨水期与洪水期有时间重叠，涨水期河流湖泊每年都会变化的水也被误判成了洪水。
从图10(a)和(d)中可以看出湖泊中有很多高亮区域和部分正常水体，在(b)，(e)中被判成了洪涝区域，这两种情况都是因为后向散射系数变化较大而被判成了洪涝区域，其中，错分成洪水的水体是因为它们的后向散射系数比正常水体低很多。而NDFI本质上上就是一种变化检测算法，这种误差不可避免。从(c)，(f)可以看出而在永久性水体排除层的辅助下，这两种误差基本去除。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种改进的基于NDFI洪水提取方法，其特征在于，所述改进的基于NDFI洪水提取方法包括：
对SAR卫星数据进行预处理，基于预处理后的影像计算洪水指数，去异常值，计算阈值并去除坡度大于5°的像元和面积小于0.001km2的图斑，得到洪水淹没范围A，基于NDFI方法对研究区的洪涝受灾情况进行初步提取；
基于土地覆盖产品数据和云平台对不透水面和永久性水体排除层的构建，通过分辨率不透水面排除层提取非城镇区域洪涝信息，通过永久性水体排除层优化NDFI法初步提取的结果，最终得到洪水淹没范围B。
2.如权利要求1所述的改进的基于NDFI洪水提取方法，其特征在于，所述改进的基于NDFI洪水提取方法包括以下步骤：
步骤一，基于NDFI的洪涝受灾区域初提取；
步骤二，基于历史资料的水体分布概率图提取。
3.如权利要求2所述的改进的基于NDFI洪水提取方法，其特征在于，步骤一中，所述基于NDFI的洪涝受灾区域初提取，包括：
通过归一化洪水指数NDFI对两组SAR影像的多时间统计分析，其中一组仅包含非洪水期的影像，即参考影像，第二组包含参考影像和洪水发生时的影像；通过分别计算参考影像中每个像素的平均后向散射值以及参考影像和洪水影像中每个像素的最小后向散射值；利用计算得到的两个统计数据推导生成NDFI，即均值reference和最小值reference+flood之间的标准化差异，计算公式如下：
其中，meanσ0(“reference”)代表参考影像每个像元的的平均后向散射系数值，minσ0(“reference+flood”)代表所有影像每个像元的最小后向散射系数值。
4.如权利要求2所述的改进的基于NDFI洪水提取方法，其特征在于，步骤一中，所述基于NDFI的洪涝受灾区域初提取，还包括：
在计算NDFI时，对指数进行异常值去除处理，将小于-1或大于0的像元剔除；其中，所述阈值计算公式如下：
th＝mean(NDFIflood)-k*std(NDFIflood)；
其中，mean(NDFIflood)代表整个差值图像的平均值，std(NDFIflood)代表整个差值图像的标准差，经过异常值处理过后，再利用一个恒定的阈值将洪水区域分割出来，Fabio Cina经过大量实例验证得到k＝1.5是最有效的值；
在操作中有很多山体阴影被划分成洪水区域，使用SRTM1计算坡度后发现这些山体阴影区域的坡度也较高，而且坡度较高的区域不易积水，因此为了排除这些误差，将像素点落在>5°的斜坡区域去除，并剔除所有小于0.001km2的图斑，然后对洪涝受灾区域进行初步提取。
5.如权利要求2所述的改进的基于NDFI洪水提取方法，其特征在于，步骤二中，所述基于历史资料的水体分布概率图提取，包括：
使用改进的归一化差分水体指数mNDWI、归一化水体指数NDVI和增强植被指数EVI这三个指标的组合提取水域范围，结合mNDWI>NDVI和EVI<0.1，mNDWI>EVI和EVI<0.1这两个标准进行地表水体识别，包括：
其中，ρred，ρgreen，ρblue，ρNIR，ρSWIR1分别代表红色波段、绿色波段，蓝色波段，短波红外波段，近红外波段1的反射率。
6.一种应用如权利要求1～5任意一项所述的改进的基于NDFI洪水提取方法的改进的基于NDFI洪水提取***，其特征在于，所述改进的基于NDFI洪水提取***包括：
数据预处理模块，用于对SAR卫星数据进行预处理；
异常值去除模块，用于基于预处理后的影像计算洪水指数，去异常值；
洪水淹没范围获取模块，用于通过计算阈值并去除坡度大于5°的像元和面积小于0.001km2的图斑，得到洪水淹没范围A；
NDFI初步提取模块，用于基于NDFI方法对研究区的洪涝受灾情况进行初步提取；
排除层构建模块，用于基于土地覆盖产品数据和云平台进行不透水面和永久性水体排除层的构建；
非城镇区域洪涝信息提取模块，用于通过30米分辨率不透水面排除层提取非城镇区域洪涝信息；
提取结果优化模块，用于通过永久性水体排除层优化NDFI法初步提取的结果，最终得到洪水淹没范围B。
7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
对SAR卫星数据进行预处理，基于预处理后的影像计算洪水指数，去异常值，计算阈值并去除坡度大于5°的像元和面积小于0.001km2的图斑，得到洪水淹没范围A，基于NDFI方法对研究区的洪涝受灾情况进行初步提取；
基于土地覆盖产品数据和云平台对不透水面和永久性水体排除层的构建，通过30米分辨率不透水面排除层提取非城镇区域洪涝信息，通过永久性水体排除层优化NDFI法初步提取的结果，最终得到洪水淹没范围B。
8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
对SAR卫星数据进行预处理，基于预处理后的影像计算洪水指数，去异常值，计算阈值并去除坡度大于5°的像元和面积小于0.001km2的图斑，得到洪水淹没范围A，基于NDFI方法对研究区的洪涝受灾情况进行初步提取；
基于土地覆盖产品数据和云平台对不透水面和永久性水体排除层的构建，通过30米分辨率不透水面排除层提取非城镇区域洪涝信息，通过永久性水体排除层优化NDFI法初步提取的结果，最终得到洪水淹没范围B。
9.一种信息数据处理终端，其特征在于，所述信息数据处理终端搭载权利要求6所述的改进的基于NDFI洪水提取***。
10.一种如权利要求1～5任意一项所述的改进的基于NDFI洪水提取方法在城镇洪水区域信息提取中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110628919.5A CN113361403A (zh) | 2021-06-03 | 2021-06-03 | 改进的基于ndfi洪水提取方法、***、终端及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110628919.5A CN113361403A (zh) | 2021-06-03 | 2021-06-03 | 改进的基于ndfi洪水提取方法、***、终端及应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113361403A true CN113361403A (zh) | 2021-09-07 |
Family
ID=77532516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110628919.5A Pending CN113361403A (zh) | 2021-06-03 | 2021-06-03 | 改进的基于ndfi洪水提取方法、***、终端及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113361403A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258959A (zh) * | 2022-12-30 | 2023-06-13 | 北京师范大学 | 基于云计算快速评估洪水对作物长势影响的方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108648200A (zh) * | 2018-05-10 | 2018-10-12 | 武汉大学 | 一种间接的城市高分辨率不透水面提取方法 |
| 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 |
| 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 |
| CN112700431A (zh) * | 2021-01-11 | 2021-04-23 | 武汉大学 | 基于遥感影像的洪水覆盖面的提取方法 |
| CN112836590A (zh) * | 2021-01-13 | 2021-05-25 | 四川轻化工大学 | 洪涝灾害监测方法、装置、电子设备及存储介质 |
-
2021
- 2021-06-03 CN CN202110628919.5A patent/CN113361403A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108648200A (zh) * | 2018-05-10 | 2018-10-12 | 武汉大学 | 一种间接的城市高分辨率不透水面提取方法 |
| 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 |
| 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 |
| CN112700431A (zh) * | 2021-01-11 | 2021-04-23 | 武汉大学 | 基于遥感影像的洪水覆盖面的提取方法 |
| CN112836590A (zh) * | 2021-01-13 | 2021-05-25 | 四川轻化工大学 | 洪涝灾害监测方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| FABIO CIAN ET AL.: "Normalized Difference Flood Index for rapid flood mapping: Taking advantage of EO big data", 《REMOTE SENSING OF ENVIRONMENT》 * |
| HAOMING XIA ET AL.: "Changes in Water Surface Area during 1989–2017 in the Huai River Basin using Landsat Data and Google Earth Engine", 《REMOTE SENSING》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258959A (zh) * | 2022-12-30 | 2023-06-13 | 北京师范大学 | 基于云计算快速评估洪水对作物长势影响的方法及*** |
| CN116258959B (zh) * | 2022-12-30 | 2023-09-26 | 北京师范大学 | 基于云计算快速评估洪水对作物长势影响的方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ouma et al. | A water index for rapid mapping of shoreline changes of five East African Rift Valley lakes: an empirical analysis using Landsat TM and ETM+ data | |
| CN106650812B (zh) | 一种卫星遥感影像的城市水体提取方法 | |
| CN109583378A (zh) | 一种植被覆盖度提取方法及*** | |
| CN111145176A (zh) | 一种基于深度神经网络的胃癌***染色病理图像自动识别方法和*** | |
| Li et al. | Accurate water extraction using remote sensing imagery based on normalized difference water index and unsupervised deep learning | |
| CN112765556B (zh) | 一种基于密集时间遥感数据的新生红树林树龄评估方法 | |
| CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
| CN112418506B (zh) | 基于机器学习的海岸带湿地生态安全格局优化方法、装置 | |
| CN111695473A (zh) | 基于长短时记忆网络模型的热带气旋强度客观监测方法 | |
| Xu et al. | New method improves extraction accuracy of lake water bodies in Central Asia | |
| Sui et al. | Flood detection in PolSAR images based on level set method considering prior geoinformation | |
| CN113361403A (zh) | 改进的基于ndfi洪水提取方法、***、终端及应用 | |
| Ran et al. | The status and influencing factors of surface water dynamics on the Qinghai-Tibet Plateau during 2000–2020 | |
| CN114117908A (zh) | 基于cgan进行数据校正的高精度asi海冰密集度反演算法 | |
| 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 | |
| Mustafa et al. | RETRACTED: Water surface area detection using remote sensing temporal data processed using MATLAB | |
| Carbonneau et al. | Global mapping of river sediment bars | |
| Zhu et al. | Reducing mis-registration and shadow effects on change detection in wetlands | |
| CN113570554A (zh) | 一种基于场景深度的单幅图像能见度检测方法 | |
| CN116167936A (zh) | 一种用于洪水监测的山体阴影去除方法及装置 | |
| Yuan et al. | Accuracy evaluation of flood monitoring based on multiscale remote sensing for different landscapes | |
| CN114494501B (zh) | 一种水体叶绿素a的重构方法及装置 | |
| Chen et al. | A novel water change tracking algorithm for dynamic mapping of inland water using time-series remote sensing imagery | |
| Zhang et al. | Automated Mapping of Global 30-m Tidal Flats Using Time-Series Landsat Imagery: Algorithm and Products | |
| CN115661675A (zh) | 多云地区地震滑坡遥感识别方法、***、设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |
|
| RJ01 | Rejection of invention patent application after publication |