CN113409336A - 提取河流干涸断流区域及频率的方法、装置、介质和设备 - Google Patents
提取河流干涸断流区域及频率的方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN113409336A CN113409336A CN202110695402.8A CN202110695402A CN113409336A CN 113409336 A CN113409336 A CN 113409336A CN 202110695402 A CN202110695402 A CN 202110695402A CN 113409336 A CN113409336 A CN 113409336A
- Authority
- CN
- China
- Prior art keywords
- image
- indwi
- river
- dry
- frequency
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims description 34
- 238000012544 monitoring process Methods 0.000 claims description 29
- 238000012937 correction Methods 0.000 claims description 21
- 230000003287 optical effect Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 14
- 230000002194 synthesizing effect Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 238000001035 drying Methods 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 11
- 238000002310 reflectometry Methods 0.000 claims description 11
- 238000003786 synthesis reaction Methods 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 23
- 230000008859 change Effects 0.000 abstract description 5
- 238000001308 synthesis method Methods 0.000 abstract description 5
- 230000000737 periodic effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 239000002352 surface water Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003809 water extraction Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种提取河流干涸断流区域及频率的方法、装置、介质和设备,属于遥感技术领域。本发明的提取河流干涸断流区域及频率的方法可以适用于长时间范围、大空间区域内的高效河流干涸断流信息获取。本发明利用逆归一化水体指数以及遥感影像最大值合成法,克服了传统方法需要对每景影像单独提取河流范围的繁琐步骤。此外,本发明通过对同一像素位置上统计可用影像总数和判定为非水体的影像数目,快速得到出现干涸断流的频率,提高了河流干涸断流区域及频率的效率。本发明建立的河流干涸断流区域及频率提取方法,对于反映区域河流水资源储备以及周期性变化,以及研究区域生态环境承载力都具有重要作用。
Description
技术领域
本发明涉及遥感技术领域,特别是指一种提取河流干涸断流区域及频率的方法、装置、介质和设备。
背景技术
水资源对于促进可持续发展至关重要,支撑着人类生活,维持生态***平衡,并对确保经济发展起到不可替代的作用。地表水作为一种地表覆盖类型,是水资源的重要指标,在气候调节、生物地球化学循环和地表能量平衡等诸多方面发挥着重要作用。当前,由于气候变化、水资源的不合理利用、大规模矿山开采,大量河段出现干涸断流,严重破坏了水系连通性,影响生态环境健康。因此,河流干涸断流的及时监测发现对维护自然环境健康和经济可持续发展至关重要。
利用卫星遥感开展地表水研究始于1970年,随后出现了大量的相关研究。2000年前后,伴随着遥感卫星的快速发展,提出了几种有效的地表水覆盖指数,如归一化差分水体指数(Normalized Difference Water Index,NDWI)和修正的归一化差分水体指数(Modified NDWI,MNDWI),已经广泛应用于地表水资源分布和变化研究。然而,当前利用光学遥感卫星提取河流干涸断流多采用目视解译的方法,耗时费力,容易受到主观因素干扰,无法适用于大区域;此外,现有技术往往只能针对单一时刻的影像进行处理,得到对应时刻的河流干涸断流情况,无法发现某个时期内(比如年度、夏季或者冬季)河流干涸断流出现的区域和程度/频率。
发明内容
为解决上述技术问题,本发明提供一种提取河流干涸断流区域及频率的方法、装置、介质和设备,可以高效提取长时间范围、大空间区域内的河流干涸断流区域以及断流频率,为河流评估、管理、保障及修复提供技术支撑。
本发明提供技术方案如下:
第一方面,本发明提供一种提取河流干涸断流区域及频率的方法,所述方法包括:
S1:获取指定时间范围内,目标区域的光学遥感影像集合;
S2:对所述光学遥感影像集合中的每景遥感影像进行预处理,得到多景预处理影像;
S3:对每景预处理影像,计算该景预处理影像每个像素的iNDWI值,并将所述iNDWI值作为新的波段加入该景预处理影像对应的遥感影像中,得到多景iNDWI影像;
iNDWI=(PNIR-PGreen)/(PNIR+PGreen)
其中,PNIR和PGreen分别为所述预处理影像中近红外波段和绿波段的反射率;
S4:在同一空间像素位置,取所有iNDWI影像中iNDWI值最大的像素,得到该空间像素位置的最大iNDWI像素,将所有空间像素位置的最大iNDWI像素按照空间位置进行镶嵌合成,得到一幅最大合成iNDWI影像;
S5:设定iNDWI阈值,提取所述最大合成iNDWI影像中所有高于iNDWI阈值的像素,得到河流干涸断流区域;
S6:使用所述河流干涸断流区域裁剪每景iNDWI影像,得到第一影像集合,并将所述第一影像集合合成为一幅带有单一波段的有效监测次数影像;
其中,所述有效监测次数影像中每一空间像素位置的波段值为所述第一影像集合在该空间像素位置上具有有效像素的影像数量;
S7:利用掩膜方法,去除每景iNDWI影像中所有不高于iNDWI阈值的像素,得到第二影像集合,并将所述第二影像集合合成为一幅带有单一波段的干涸断流次数影像;
其中,所述干涸断流次数影像中每一空间像素位置的波段值为所述第二影像集合在该空间像素位置上具有有效像素的影像数量;
S8:将所述干涸断流次数影像除以所述有效监测次数影像,得到干涸断流频率影像。
进一步的,通过如下方法获得所述目标区域:
基于区域内河道矢量数据,生成指定宽度的缓冲区,作为所述目标区域。
进一步的,所述预处理包括辐射定标、大气校正、几何校正、正射校正和去云处理。
进一步的,所述S5还包括:
从所述河流干涸断流区域中去除桥梁、船舶和江心洲的影响。
第二方面,本发明提供一种提取河流干涸断流区域及频率的装置,所述装置包括:
数据获取模块,用于获取指定时间范围内,目标区域的光学遥感影像集合;
预处理模块,用于对所述光学遥感影像集合中的每景遥感影像进行预处理,得到多景预处理影像;
iNDWI影像获取模块,用于对每景预处理影像,计算该景预处理影像每个像素的iNDWI值,并将所述iNDWI值作为新的波段加入该景预处理影像对应的遥感影像中,得到多景iNDWI影像;
iNDWI=(PNIR-PGreen)/(PNIR+PGreen)
其中,PNIR和PGreen分别为所述预处理影像中近红外波段和绿波段的反射率;
最大合成iNDWI影像获取模块,用于在同一空间像素位置,取所有iNDWI影像中iNDWI值最大的像素,得到该空间像素位置的最大iNDWI像素,将所有空间像素位置的最大iNDWI像素按照空间位置进行镶嵌合成,得到一幅最大合成iNDWI影像;
河流干涸断流区域提取模块,用于设定iNDWI阈值,提取所述最大合成iNDWI影像中所有高于iNDWI阈值的像素,得到河流干涸断流区域;
有效监测次数影像获取模块,用于使用所述河流干涸断流区域裁剪每景iNDWI影像,得到第一影像集合,并将所述第一影像集合合成为一幅带有单一波段的有效监测次数影像;
其中,所述有效监测次数影像中每一空间像素位置的波段值为所述第一影像集合在该空间像素位置上具有有效像素的影像数量;
干涸断流次数影像获取模块,用于利用掩膜方法,去除每景iNDWI影像中所有不高于iNDWI阈值的像素,得到第二影像集合,并将所述第二影像集合合成为一幅带有单一波段的干涸断流次数影像;
其中,所述干涸断流次数影像中每一空间像素位置的波段值为所述第二影像集合在该空间像素位置上具有有效像素的影像数量;
干涸断流频率影像获取模块,用于将所述干涸断流次数影像除以所述有效监测次数影像,得到干涸断流频率影像。
进一步的,通过如下过程获得所述目标区域:
基于区域内河道矢量数据,生成指定宽度的缓冲区,作为所述目标区域。
进一步的,所述预处理包括辐射定标、大气校正、几何校正、正射校正和去云处理。
进一步的,所述河流干涸断流区域提取模块还包括:
从所述河流干涸断流区域中去除桥梁、船舶和江心洲的影响。
第三方面,本发明提供一种用于提取河流干涸断流区域及频率的计算机可读存储介质,包括用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现包括前述第一方面所述的提取河流干涸断流区域及频率的方法的步骤。
第四方面,本发明提供一种用于提取河流干涸断流区域及频率的设备,包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现前述第一方面所述的提取河流干涸断流区域及频率的方法的步骤。
本发明具有以下有益效果:
本发明的提取河流干涸断流区域及频率的方法可以适用于长时间范围、大空间区域内的高效河流干涸断流信息获取。本发明利用逆归一化水体指数以及遥感影像最大值合成法,克服了传统方法需要对每景影像单独提取河流范围的繁琐步骤。此外,本发明通过对同一像素位置上统计可用影像总数和判定为非水体的影像数目,快速得到出现干涸断流的频率,提高了河流干涸断流区域及频率的效率。本发明建立的河流干涸断流区域及频率提取方法,对于反映区域河流水资源储备以及周期性变化,以及研究区域生态环境承载力都具有重要作用。
附图说明
图1为本发明的提取河流干涸断流区域及频率的方法流程图;
图2为本发明的提取河流干涸断流区域及频率的装置示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
实施例1:
本发明实施例提供一种提取河流干涸断流区域及频率的方法,如图1所示,该方法包括:
S1:获取指定时间范围内,目标区域的光学遥感影像集合。
该步骤是为了得到目标时间周期内,目标区域内可用的遥感影像集合,在实际执行中,可以获取所有可用的遥感影像,也可以按照每几天或每天获取多期遥感影像。
目标区域可以通过如下方式确定:
基于区域内河道矢量数据,生成指定宽度的缓冲区(缓冲区半径应等于或者大于河流宽度),作为判别河流干涸断流的目标区域。
S2:对光学遥感影像集合中的每景遥感影像进行预处理,得到多景预处理影像。
本步骤根据遥感影像的级别,按需进行辐射定标、大气校正、几何校正、正射校正和去云处理等操作。
S3:对每景预处理影像,计算该景预处理影像每个像素的iNDWI值,并将iNDWI值作为新的波段加入该景预处理影像对应的遥感影像中,得到多景iNDWI影像。
iNDWI=(PNIR-PGreen)/(PNIR+PGreen)
其中,PNIR和PGreen分别为预处理影像中近红外波段和绿波段的反射率。
本步骤对已经在地表水提取方面已经得到成熟应用的归一化水体指数((Normalized Difference Water Index,NDWI))进行改造,形成逆归一化水体指数(InverseNormalized Difference Water Index,iNDWI)。计算每景预处理影像每个像素的iNDWI值,并将iNDWI值作为新的波段,加入到原始遥感影像中,得到iNDWI影像。
S4:在同一空间像素位置,取所有iNDWI影像中iNDWI值最大的像素,得到该空间像素位置的最大iNDWI像素,将所有空间像素位置的最大iNDWI像素按照空间位置进行镶嵌合成,得到一幅最大合成iNDWI影像。
本步骤利用最大值合成法,基于iNDWI对S3得到的iNDWI影像集合进行镶嵌,在同一空间像素位置,取所有iNDWI影像集合中iNDWI值最大的像素,得到单幅最大合成iNDWI影像,即为包含最大河流干涸断流区域的影像。
S5:设定iNDWI阈值,提取最大合成iNDWI影像中所有高于iNDWI阈值的像素,得到河流干涸断流区域。
iNDWI阈值可以根据经验法或者大津法等阈值分割方法确定。
本步骤中,还可以从河流干涸断流区域中去除桥梁、船舶和江心洲的影响。桥梁的形状规则,船舶和江心洲位于水体的包围中,利用这些特性可以去除除桥梁、船舶和江心洲。
S6:使用河流干涸断流区域裁剪每景iNDWI影像,得到第一影像集合,并将第一影像集合合成为一幅带有单一波段的有效监测次数影像。
其中,有效监测次数影像中每一空间像素位置的波段值为第一影像集合在该空间像素位置上具有有效像素的影像数量,代表该空间像素位置的有效监测次数。
S7:利用掩膜方法,去除每景iNDWI影像中所有不高于iNDWI阈值的像素,即去除所有判定为水体的像素,得到第二影像集合,并将第二影像集合合成为一幅带有单一波段的干涸断流次数影像。
其中,干涸断流次数影像中每一空间像素位置的波段值为第二影像集合在该空间像素位置上具有有效像素的影像数量,代表了出现干涸断流的次数。
S8:将干涸断流次数影像除以有效监测次数影像,得到干涸断流频率影像。
本步骤将干涸断流次数影像与有效监测次数影像相除,得到干涸断流频率影像,即在每个像素上,将“出现干涸断流的次数/该位置的有效监测次数”作为波段值,代表了该像素上出现干涸断流的频率。
本发明的提取河流干涸断流区域及频率的方法可以适用于长时间范围、大空间区域内的高效河流干涸断流信息获取。本发明利用逆归一化水体指数(iNDWI)以及遥感影像最大值合成法,克服了传统方法需要对每景影像单独提取河流范围的繁琐步骤。此外,本发明通过对同一像素位置上统计可用影像总数和判定为非水体的影像数目,快速得到出现干涸断流的频率,提高了河流干涸断流区域及频率的效率。本发明建立的河流干涸断流区域及频率提取方法,对于反映区域河流水资源储备以及周期性变化,以及研究区域生态环境承载力都具有重要作用。
为了便于本领域普通技术人员理解和实施本发明,下面使用Google EarthEngine云平台,以利用Sentinel-2 MSI Level-1C遥感影像提取2020年夏季(6月-9月)中国保定市河流干涸断流区域及频率为例,对本发明作进一步的详细描述:
1、基于区域内河道矢量数据,以100米为缓冲半径生成缓冲区,作为判别河流干涸断流的目标区域。
2、得到指定时间范围内,目标区域的光学影像集合。
该步骤得到了2020年夏季保定市,所有可用的Sentinel-2 MSI Level-1C影像集合,含395景遥感影像。
3、对遥感影像进行预处理;
该步骤根据遥感影像的级别,按需进行辐射定标、大气校正、几何校正、正射校正和去云等操作。
该步骤将通过Sentinel-2遥感影像自带的云覆盖属性CLOUD_COVERAGE_ASSESSMENT,设定阈值为10%,过滤掉云覆盖属性值高于10%的影像,影像集合剩余26景预处理影像。
4、对已经在地表水提取方面已经得到成熟应用的NDWI进行改造,形成逆归一化水体指数(InverseNormalized Difference Water Index,iNDWI),并计算预处理影像中每景影像每个像素的iNDWI值,并将iNDWI值作为新的波段,加入到预处理影像对应的原始遥感影像中,得到iNDWI影像集合。其中,iNDVI计算公式如下;
iNDWI=(PNIR-PGreen)/(PNIR+PGreen)
式中,PNIR和PGreen分别代表预处理影像中近红外波段和绿波段的反射率,在Sentinel-2 MSI Level-1C影像中,PGreen对应波段为B3,PNIR对应波段为B8。
5、利用最大值合成法,基于iNDWI对iNDWI影像集合进行镶嵌,在同一空间像素位置,取所有iNDWI影像中iNDWI值最大的像素,得到单幅最大合成iNDWI影像,即为包含最大河流干涸断流区域的影像。
6、对最大合成iNDWI影像,利用大津法设定iNDWI阈值为0.3008,提取所有高于所设iNDWI阈值的像素,即为河流干涸断流区域。
7、去除桥梁、船舶和江心洲等对河流干涸断流区域造成的影响
8、使用河流干涸断流区域裁剪iNDWI影像集合,并将裁剪后得到的第一影像集合合成为一幅带有单一波段的有效监测次数影像,该影像像素的波段值即为第一影像集合在该位置上具有有效像素的影像数量,代表了该位置的有效监测次数。
9、以iNDWI阈值,利用掩膜方法,去除iNDWI影像集合中所有小于iNDWI阈值的像素,即去除所有判定为水体的像素,将得到的第二影像集合合成为一幅带有单一波段的干涸断流次数影像,该影像像素的波段值即为第二影像集合在该位置上具有有效像素的影像数量,代表了出现干涸断流的次数。
10、将干涸断流次数影像与有效监测次数影像相除,得到干涸断流频率影像,即在每个像素上,将“出现干涸断流的次数/该位置的有效监测次数”作为波段值,代表了该像素上出现干涸断流的频率。
实施例2:
本发明实施例提供一种提取河流干涸断流区域及频率的装置,如图2所示,该装置包括:
数据获取模块1,用于获取指定时间范围内,目标区域的光学遥感影像集合。
预处理模块2,用于对光学遥感影像集合中的每景遥感影像进行预处理,得到多景预处理影像。
iNDWI影像获取模块3,用于对每景预处理影像,计算该景预处理影像每个像素的iNDWI值,并将iNDWI值作为新的波段加入该景预处理影像对应的遥感影像中,得到多景iNDWI影像。
iNDWI=(PNIR-PGreen)/(PNIR+PGreen)
其中,PNIR和PGreen分别为预处理影像中近红外波段和绿波段的反射率。
最大合成iNDWI影像获取模块4,用于在同一空间像素位置,取所有iNDWI影像中iNDWI值最大的像素,得到该空间像素位置的最大iNDWI像素,将所有空间像素位置的最大iNDWI像素按照空间位置进行镶嵌合成,得到一幅最大合成iNDWI影像。
河流干涸断流区域提取模块5,用于设定iNDWI阈值,提取最大合成iNDWI影像中所有高于iNDWI阈值的像素,得到河流干涸断流区域。
有效监测次数影像获取模块6,用于使用河流干涸断流区域裁剪每景iNDWI影像,得到第一影像集合,并将第一影像集合合成为一幅带有单一波段的有效监测次数影像。
其中,有效监测次数影像中每一空间像素位置的波段值为第一影像集合在该空间像素位置上具有有效像素的影像数量。
干涸断流次数影像获取模块7,用于利用掩膜方法,去除每景iNDWI影像中所有不高于iNDWI阈值的像素,得到第二影像集合,并将第二影像集合合成为一幅带有单一波段的干涸断流次数影像。
其中,干涸断流次数影像中每一空间像素位置的波段值为第二影像集合在该空间像素位置上具有有效像素的影像数量。
干涸断流频率影像获取模块8,用于将干涸断流次数影像除以有效监测次数影像,得到干涸断流频率影像。
本发明可以通过如下过程获得目标区域:
基于区域内河道矢量数据,生成指定宽度的缓冲区,作为目标区域。
前述的预处理包括辐射定标、大气校正、几何校正、正射校正和去云处理。
在本发明其中一个改进的方式中,河流干涸断流区域提取模块还包括:
从河流干涸断流区域中去除桥梁、船舶和江心洲的影响。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例1中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
实施例3:
本发明提供的上述实施例1所述的方法可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例1所描述方案的效果。因此,本发明还提供用于提取河流干涸断流区域及频率的计算机可读存储介质,包括用于存储处理器可执行指令的存储器,指令被处理器执行时实现包括实施例1的提取河流干涸断流区域及频率的方法的步骤。
所述存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
上述所述的存储介质根据方法实施例1的描述还可以包括其他的实施方式,本实施例的实现原理及产生的技术效果和前述方法实施例1相同,具体可以参照相关方法实施例1的描述,在此不作一一赘述。
实施例4:
本发明还提供一种用于提取河流干涸断流区域及频率的设备,所述的设备可以为单独的计算机,也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的实际操作装置等。所述提取河流干涸断流区域及频率的的设备可以包括至少一个处理器以及存储计算机可执行指令的存储器,处理器执行所述指令时实现上述任意一个或者多个实施例1中所述提取河流干涸断流区域及频率的方法的步骤。
上述所述的设备根据方法实施例1的描述还可以包括其他的实施方式,本实施例的实现原理及产生的技术效果和前述方法实施例1相同,具体可以参照相关方法实施例1的描述,在此不作一一赘述。
需要说明的是,本说明书上述所述的装置或者***根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照方法实施例的描述,在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类、存储介质+程序实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定按照要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、***或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种提取河流干涸断流区域及频率的方法,其特征在于,所述方法包括:
S1:获取指定时间范围内,目标区域的光学遥感影像集合;
S2:对所述光学遥感影像集合中的每景遥感影像进行预处理,得到多景预处理影像;
S3:对每景预处理影像,计算该景预处理影像每个像素的iNDWI值,并将所述iNDWI值作为新的波段加入该景预处理影像对应的遥感影像中,得到多景iNDWI影像;
iNDWI=(PNIR-PGreen)/(PNIR+PGreen)
其中,PNIR和PGreen分别为所述预处理影像中近红外波段和绿波段的反射率;
S4:在同一空间像素位置,取所有iNDWI影像中iNDWI值最大的像素,得到该空间像素位置的最大iNDWI像素,将所有空间像素位置的最大iNDWI像素按照空间位置进行镶嵌合成,得到一幅最大合成iNDWI影像;
S5:设定iNDWI阈值,提取所述最大合成iNDWI影像中所有高于iNDWI阈值的像素,得到河流干涸断流区域;
S6:使用所述河流干涸断流区域裁剪每景iNDWI影像,得到第一影像集合,并将所述第一影像集合合成为一幅带有单一波段的有效监测次数影像;
其中,所述有效监测次数影像中每一空间像素位置的波段值为所述第一影像集合在该空间像素位置上具有有效像素的影像数量;
S7:利用掩膜方法,去除每景iNDWI影像中所有不高于iNDWI阈值的像素,得到第二影像集合,并将所述第二影像集合合成为一幅带有单一波段的干涸断流次数影像;
其中,所述干涸断流次数影像中每一空间像素位置的波段值为所述第二影像集合在该空间像素位置上具有有效像素的影像数量;
S8:将所述干涸断流次数影像除以所述有效监测次数影像,得到干涸断流频率影像。
2.根据权利要求1所述的提取河流干涸断流区域及频率的方法,其特征在于,通过如下方法获得所述目标区域:
基于区域内河道矢量数据,生成指定宽度的缓冲区,作为所述目标区域。
3.根据权利要求2所述的提取河流干涸断流区域及频率的方法,其特征在于,所述预处理包括辐射定标、大气校正、几何校正、正射校正和去云处理。
4.根据权利要求3所述的提取河流干涸断流区域及频率的方法,其特征在于,所述S5还包括:
从所述河流干涸断流区域中去除桥梁、船舶和江心洲的影响。
5.一种提取河流干涸断流区域及频率的装置,其特征在于,所述装置包括:
数据获取模块,用于获取指定时间范围内,目标区域的光学遥感影像集合;
预处理模块,用于对所述光学遥感影像集合中的每景遥感影像进行预处理,得到多景预处理影像;
iNDWI影像获取模块,用于对每景预处理影像,计算该景预处理影像每个像素的iNDWI值,并将所述iNDWI值作为新的波段加入该景预处理影像对应的遥感影像中,得到多景iNDWI影像;
iNDWI=(PNIR-PGreen)/(PNIR+PGreen)
其中,PNIR和PGreen分别为所述预处理影像中近红外波段和绿波段的反射率;
最大合成iNDWI影像获取模块,用于在同一空间像素位置,取所有iNDWI影像中iNDWI值最大的像素,得到该空间像素位置的最大iNDWI像素,将所有空间像素位置的最大iNDWI像素按照空间位置进行镶嵌合成,得到一幅最大合成iNDWI影像;
河流干涸断流区域提取模块,用于设定iNDWI阈值,提取所述最大合成iNDWI影像中所有高于iNDWI阈值的像素,得到河流干涸断流区域;
有效监测次数影像获取模块,用于使用所述河流干涸断流区域裁剪每景iNDWI影像,得到第一影像集合,并将所述第一影像集合合成为一幅带有单一波段的有效监测次数影像;
其中,所述有效监测次数影像中每一空间像素位置的波段值为所述第一影像集合在该空间像素位置上具有有效像素的影像数量;
干涸断流次数影像获取模块,用于利用掩膜方法,去除每景iNDWI影像中所有不高于iNDWI阈值的像素,得到第二影像集合,并将所述第二影像集合合成为一幅带有单一波段的干涸断流次数影像;
其中,所述干涸断流次数影像中每一空间像素位置的波段值为所述第二影像集合在该空间像素位置上具有有效像素的影像数量;
干涸断流频率影像获取模块,用于将所述干涸断流次数影像除以所述有效监测次数影像,得到干涸断流频率影像。
6.根据权利要求5所述的提取河流干涸断流区域及频率的装置,其特征在于,通过如下过程获得所述目标区域:
基于区域内河道矢量数据,生成指定宽度的缓冲区,作为所述目标区域。
7.根据权利要求6所述的提取河流干涸断流区域及频率的装置,其特征在于,所述预处理包括辐射定标、大气校正、几何校正、正射校正和去云处理。
8.根据权利要求7所述的提取河流干涸断流区域及频率的装置,其特征在于,所述河流干涸断流区域提取模块还包括:
从所述河流干涸断流区域中去除桥梁、船舶和江心洲的影响。
9.一种用于提取河流干涸断流区域及频率的计算机可读存储介质,其特征在于,包括用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现包括权利要求1-4任一所述提取河流干涸断流区域及频率的方法的步骤。
10.一种用于提取河流干涸断流区域及频率的设备,其特征在于,包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现权利要求1-4中任意一项所述提取河流干涸断流区域及频率的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110695402.8A CN113409336B (zh) | 2021-06-23 | 2021-06-23 | 提取河流干涸断流区域及频率的方法、装置、介质和设备 |
US17/729,311 US20220415044A1 (en) | 2021-06-23 | 2022-04-26 | Method, apparatus, medium and device for extracting river drying-up region and frequency |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110695402.8A CN113409336B (zh) | 2021-06-23 | 2021-06-23 | 提取河流干涸断流区域及频率的方法、装置、介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113409336A true CN113409336A (zh) | 2021-09-17 |
CN113409336B CN113409336B (zh) | 2022-03-01 |
Family
ID=77682494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110695402.8A Active CN113409336B (zh) | 2021-06-23 | 2021-06-23 | 提取河流干涸断流区域及频率的方法、装置、介质和设备 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220415044A1 (zh) |
CN (1) | CN113409336B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359728A (zh) * | 2021-12-31 | 2022-04-15 | 生态环境部卫星环境应用中心 | 一种河道类型遥感提取方法 |
CN117437553A (zh) * | 2023-12-21 | 2024-01-23 | 贵州省环境工程评估中心 | 一种用于入河排污口监测的遥感影像数据处理方法及装置 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630811B (zh) * | 2023-06-07 | 2024-01-02 | 自然资源部国土卫星遥感应用中心 | 一种河流提取方法、装置、终端设备和可读存储介质 |
CN117315486B (zh) * | 2023-10-30 | 2024-05-14 | 武汉理工大学 | 一种航道绿地监测方法、装置、电子设备及存储介质 |
CN117390884B (zh) * | 2023-11-01 | 2024-04-19 | 四川大学 | 一种通过优化连通性改善水网结构的方法 |
CN117853938B (zh) * | 2024-03-08 | 2024-05-10 | 鲸服科技有限公司 | 基于图像识别的生态监测***及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440420A (zh) * | 2013-08-30 | 2013-12-11 | 民政部国家减灾中心 | 农业旱灾致灾因子危险性评估方法 |
CN103679675A (zh) * | 2013-11-29 | 2014-03-26 | 航天恒星科技有限公司 | 一种面向水质定量遥感应用的遥感影像融合方法 |
CN109636670A (zh) * | 2018-12-17 | 2019-04-16 | 郑州大学 | 一种基于小流域水生态环境保护阶段的河流类型划分方法 |
CN110147746A (zh) * | 2019-05-09 | 2019-08-20 | 武汉大学 | 基于Sentinel-2影像快速提取最大和最小可能地表水体范围的方法和*** |
CN111199195A (zh) * | 2019-12-26 | 2020-05-26 | 中科禾信遥感科技(苏州)有限公司 | 一种基于遥感图像的池塘状态全自动监测方法和装置 |
CN111274918A (zh) * | 2020-01-17 | 2020-06-12 | 生态环境部卫星环境应用中心 | 基于多源遥感影像的河流干涸断流监测方法和装置 |
CN111310674A (zh) * | 2020-02-20 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于网格划分技术的河流生态缓冲带遥感监测方法和装置 |
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 |
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 |
-
2021
- 2021-06-23 CN CN202110695402.8A patent/CN113409336B/zh active Active
-
2022
- 2022-04-26 US US17/729,311 patent/US20220415044A1/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440420A (zh) * | 2013-08-30 | 2013-12-11 | 民政部国家减灾中心 | 农业旱灾致灾因子危险性评估方法 |
CN103679675A (zh) * | 2013-11-29 | 2014-03-26 | 航天恒星科技有限公司 | 一种面向水质定量遥感应用的遥感影像融合方法 |
CN109636670A (zh) * | 2018-12-17 | 2019-04-16 | 郑州大学 | 一种基于小流域水生态环境保护阶段的河流类型划分方法 |
CN110147746A (zh) * | 2019-05-09 | 2019-08-20 | 武汉大学 | 基于Sentinel-2影像快速提取最大和最小可能地表水体范围的方法和*** |
CN111199195A (zh) * | 2019-12-26 | 2020-05-26 | 中科禾信遥感科技(苏州)有限公司 | 一种基于遥感图像的池塘状态全自动监测方法和装置 |
CN111274918A (zh) * | 2020-01-17 | 2020-06-12 | 生态环境部卫星环境应用中心 | 基于多源遥感影像的河流干涸断流监测方法和装置 |
CN111310674A (zh) * | 2020-02-20 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于网格划分技术的河流生态缓冲带遥感监测方法和装置 |
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 |
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 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359728A (zh) * | 2021-12-31 | 2022-04-15 | 生态环境部卫星环境应用中心 | 一种河道类型遥感提取方法 |
CN114359728B (zh) * | 2021-12-31 | 2022-09-13 | 生态环境部卫星环境应用中心 | 一种河道类型遥感提取方法 |
CN117437553A (zh) * | 2023-12-21 | 2024-01-23 | 贵州省环境工程评估中心 | 一种用于入河排污口监测的遥感影像数据处理方法及装置 |
CN117437553B (zh) * | 2023-12-21 | 2024-02-23 | 贵州省环境工程评估中心 | 一种用于入河排污口监测的遥感影像数据处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113409336B (zh) | 2022-03-01 |
US20220415044A1 (en) | 2022-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113409336B (zh) | 提取河流干涸断流区域及频率的方法、装置、介质和设备 | |
Sun et al. | Quantifying different types of urban growth and the change dynamic in Guangzhou using multi-temporal remote sensing data | |
CN111274918B (zh) | 基于多源遥感影像的河流干涸断流监测方法和装置 | |
CN111310674B (zh) | 基于网格划分技术的河流生态缓冲带遥感监测方法和装置 | |
Shi et al. | Spatial differences of coastal urban expansion in China from 1970s to 2013 | |
Xu et al. | Monitoring coastal reclamation changes across Jiangsu Province during 1984–2019 using landsat data | |
Zhou et al. | A streaming framework for seamless building reconstruction from large-scale aerial lidar data | |
CN105184251A (zh) | 一种基于高分一号卫星图像的水华区域的识别方法及装置 | |
CN110569733B (zh) | 基于遥感大数据平台的湖泊长时序连续水域变化重建方法 | |
CN111461046B (zh) | 基于岸线数据的海岸侵蚀与淤积的自动化识别方法与装置 | |
Solomon et al. | Land use land cover analysis of the Great Ethiopian Renaissance Dam (GERD) catchment using remote sensing and GIS techniques | |
KR102480985B1 (ko) | 딥러닝 모델을 이용한 태풍 해일고 예측 시스템 | |
CN110796340B (zh) | 一种宏观尺度的小流域综合治理优先级评估方法 | |
CN113516077B (zh) | 地表环境变化监测方法、装置、可读存储介质和设备 | |
Lin et al. | Spatiotemporal impacts of climate change and human activities on water resources and ecological sensitivity in the Mekong subregion in Cambodia | |
CN116824371A (zh) | 生态保护红线植被异常快速监测方法和装置 | |
CN112231913A (zh) | 一种城市内涝黑点的内涝模拟方法及装置 | |
CN106981069A (zh) | 一种高分辨率影像灾害对象快速分割方法 | |
CN111144629A (zh) | 一种水力发电站来水量预测方法及*** | |
Chen et al. | Mapping intertidal topographic changes in a highly turbid estuary using dense Sentinel-2 time series with deep learning | |
CN110689549B (zh) | 对象提取方法、装置和设备 | |
CN112257960A (zh) | 水库流域径流分解预测方法及*** | |
Cai et al. | Spatiotemporal Mapping of Surface Water Using Landsat Images and Spectral Mixture Analysis on Google Earth Engine | |
Yan et al. | Association mining of coastline change and land use patterns to enhance conservation | |
Latue et al. | Land Cover Change Model in Sirimau Sub-district, Ambon City, 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 |