CN113537018A - 基于多时相卫星遥感和无人机技术的水土保持监测方法 - Google Patents
基于多时相卫星遥感和无人机技术的水土保持监测方法 Download PDFInfo
- Publication number
- CN113537018A CN113537018A CN202110765942.9A CN202110765942A CN113537018A CN 113537018 A CN113537018 A CN 113537018A CN 202110765942 A CN202110765942 A CN 202110765942A CN 113537018 A CN113537018 A CN 113537018A
- Authority
- CN
- China
- Prior art keywords
- area
- construction
- remote sensing
- aerial vehicle
- unmanned aerial
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 72
- 239000002689 soil Substances 0.000 title claims abstract description 60
- 238000012544 monitoring process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005516 engineering process Methods 0.000 title claims abstract description 21
- 238000010276 construction Methods 0.000 claims abstract description 231
- 238000011084 recovery Methods 0.000 claims abstract description 38
- 230000009466 transformation Effects 0.000 claims abstract description 24
- 230000005540 biological transmission Effects 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000004162 soil erosion Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims description 33
- 239000002893 slag Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 10
- 230000005855 radiation Effects 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 description 11
- 238000002310 reflectometry Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000019771 cognition Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012892 rational function Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- 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
-
- 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
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Algebra (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于多时相卫星遥感和无人机技术的水土保持监测方法，基于同一施工区域的不同时相的卫星遥感图像进行变化检测，从而快速的检测输变电线路上各个施工区域的施工扰动范围、水土流失区域、植被恢复区域；所述时相分为：施工前、施工中、施工后该三个时间段；通过无人机对重点区域进行监测，获得重点区域的无人机航摄图像；所述重点区域包括：水土流失区域、植被恢复区域；利用重点区域的无人机航摄图像对水土流失区域和植被恢复区域进行核验，并准确的获取水土流失区域和植被恢复区域的具体状况。本发明提高了输变电线路全线监测的工作效率，降低了监测成本，提高了监测精度。
Description
技术领域
本发明涉及水土保持监测技术领域，尤其是基于多时相卫星遥感和无人机技术的水土保持监测方法。
背景技术
由于输变电线路工程的空间跨度大，施工路径长，施工工艺多样，扰动点位多，监管工作开展面临着工作量大、工作要求高、支撑技术落后、能力不足等问题，因此，急需提高项目建设过程中水土保持监管工作的效率及精确度，从而有效防止工程施工引起的水土流失。输电线路长，地形地貌复杂，每个塔基的扰动面积的监管工作量非常大，对于人员不易到达的施工区域扰动面积和植物措施面积的监管较为困难，尤其是山区杆塔处和施工道路的扰动面积的监管。
传统的水土保持监管主要采用单一的人工地面巡查，主要依靠传统的手持GPS定位、记录、拍照等技术手段，耗时耗力且时效性差，不仅受到自然条件约束，并且劳动强度大，作业人员的人身安全存在隐患，核查效率低。
无人机技术虽能够获取施工扰动范围、水土流失状况，但随着输电线路的增多，对无人机飞手的需求和要求不断增加，且无人机续航能力严重不足，无法一次性执行全线飞行监管任务，需要多次监测，从而大大增加了监测成本。
随着卫星遥感技术的不断发展，利用高分辨率光学卫星图像识别施工扰动范围、水土流失状况、植被恢复区域已逐渐成为水土保持监测的有力技术有段之一，现有的基于卫星遥感技术的监测方法虽然精度高，但过于笨拙，对于全省甚至全过程的输变电线路工程的施工扰动提取，其效率极低。
发明内容
为了克服上述现有技术中的缺陷，本发明提供基于多时相卫星遥感和无人机技术的水土保持监测方法，能够快速的检测出输变电线路上各个施工区域的施工扰动范围、水土流失区域以及植被恢复区域，并且能够准确的获取水土流失区域和植被恢复区域的具体状况，提高了输变电线路全线监测的工作效率，降低了监测成本，提高了监测精度。
为实现上述目的，本发明采用以下技术方案，包括：
基于多时相卫星遥感和无人机技术的水土保持监测方法，包括以下步骤：
S1，采集输变电线路上沿线的各个施工区域的卫星遥感图像，基于同一施工区域的不同时相的卫星遥感图像进行变化检测，检测输变电线路上各个施工区域的施工扰动范围、水土流失区域、植被恢复区域；
所述时相分为：施工前、施工中、施工后的该三个时间段；
S2，通过无人机对重点区域进行监测，获得重点区域的无人机航摄图像；
所述重点区域包括：水土流失区域、植被恢复区域；
S3，利用重点区域的无人机航摄图像对水土流失区域和植被恢复区域进行核验，并得到水土流失区域和植被恢复区域的具体状况。
步骤S1的具体过程如下所示：
S11，对所采集的各个施工区域的各个时相的卫星遥感图像均进行预处理；
S12，对各个施工区域的各个时相的卫星遥感图像，分别进行施工扰动区域边缘的提取，检测得到各个施工区域的各个时相的施工扰动区域；
其中，施工前的施工扰动区域为D1；
施工中的时间段中分为施工初期和施工后期；施工初期的施工扰动区域为D20，施工后期的施工扰动区域为D21；
施工后的时间段中分为施工完成期和植被恢复监测期；施工完成期的施工扰动区域为D30，植被恢复监测期的施工扰动区域为D31；
S13，将同一施工区域的施工前的施工扰动区域D1和施工初期的施工扰动区域D20进行对比，确定该施工区域的施工扰动范围A；施工扰动范围A为施工前期所确定的范围，施工初期的施工扰动区域D20相比施工前的施工扰动区域D1所扩大的区域即为施工扰动范围A，即A＝D20-D1；
S14，将同一施工区域的施工后期的施工扰动区域D21与施工扰动范围A进行对比，确定该施工区域的水土流失区域B；水土流失区域B是指：施工后期的施工扰动区域D21超出该施工扰动范围A的区域，即B＝D21-A；
S15，将同一施工区域的施工完成期的施工扰动区域为D30与植被恢复监测期的施工扰动区域为D31进行对比，确定该施工区域的植被恢复区域C；植被恢复区域C是指：植被恢复监测期的施工扰动区域D31相比施工完成期的施工扰动区域D30所减小的区域，即C＝D30-D31。
步骤S11中，卫星提供有多源遥感图像，先对此多源遥感图像分别进行预处理，再对同一施工区域中的同一时间点的预处理后的多源遥感图像进行图像融合，融合成一幅卫星遥感图像，该一幅卫星遥感图像即为该施工区域中的该时间点的卫星遥感图像。
预处理包括：辐射校正、大气校正、几何校正。
步骤S12中，对卫星遥感图像进行图像解译，提取卫星遥感图像的施工扰动区域边缘；其中，
解译标志为卫星遥感图像中地物的特征，包括：光谱、纹理、形状、大小、相对位置；
图像解译为人机交互目视解译和/或自动解译；利用地物的颜色、几何形态、空间相对位置进行人机交互目视解译；利用地表覆盖的光谱特征、几何形态、空间相对位置进行自动解译。
步骤S12中，利用边缘检测算法，提取卫星遥感图像的施工扰动区域边缘；
边缘检测算法具体如下所示：
S1211，对卫星遥感图像进行平滑处理，采用邻域加权平均的方式计算各个像素点的值即像素值；
S1212，使用一阶微分定义梯度算子，梯度为向量，梯度方向即为卫星遥感图像的灰度变化最剧烈的方向；
S1213，基于卫星遥感图像的灰度特征，在地物与地物之间发生变化的位置处，通过求取微分的方式计算该处位置的像素点的梯度，包括梯度值和梯度方向；
S1214，采用非极大值抑制算法细化边缘，在地物与地物之间发生变化的位置处，沿梯度方向且在设定的局部范围内寻找最大的像素值即局部最大值，利用该局部最大值进行抑制；
S1215，设置一个最大值和一个最小值，梯度值大于最大值的像素点即为强边缘点，梯度值介于最大值与最小值之间的像素点即为弱边缘点，梯度值小于最小值的像素点为抑制点；其中，强边缘点为真实边缘点，抑制点为虚假边缘点；
S1216，若弱边缘点的相邻像素点中存在有强边缘点，则该弱边缘点为真实边缘点；否则，该弱边缘点为虚假边缘点；
S1217，利用真实边缘点得到施工扰动区域边缘。
步骤S14中，还根据水土流失区域的高程和坡度，判断该水土流失区域是否为山区，若是山区，则该水土流失区域还为易溜坡溜渣区域；步骤S2中，无人机还对易溜坡溜渣区域进行监测，获得易溜坡溜渣区域无人机航摄图像；步骤S3中，将易溜坡溜渣区域的不同时间点的无人机航摄图像进行对比，确定该易溜坡溜渣区域是否发生溜坡溜渣。
步骤S2中，无人机还对施工扰动范围超出设定范围的区域即施工扰动超范围区域进行检测，获得施工扰动超范围区域的无人机航摄图像。
步骤S3中，对无人机航摄图像与卫星遥感图像进行配准，在无人机航摄图像和卫星遥感图像中分别选择同一地物进行标记，利用投影变换的方法进行配准，将无人机航摄图像与卫星遥感图像转换至同一地理空间坐标系中，且无人机航摄图像与卫星遥感图像中的相关地物一一对应，利用重点区域的无人机航摄图像对水土流失区域和植被恢复区域进行核验，并得到水土流失区域和植被恢复区域的具体状况。
本发明的优点在于：
(1)本发明先基于多时相的卫星遥感图像，运用动态变化检测算法对输变电线路全线的施工扰动范围、水土流失区域以及植被恢复区域进行监测，从而快速的检测出输变电线路全线的施工扰动范围、水土流失区域以及植被恢复区域；再利用无人机对水土流失区域以及植被恢复区域进行监测，获取更清晰的可见无人机航摄图像，从而准确的获取水土流失区域和植被恢复区域的具体状况。本发明提高了输变电线路全线监测的工作效率，在重点区域使用无人机监测不仅降低了监测成本，还提高监测精度，利用不同数据源之间进行对比分析，进一步明确施工扰动范围、水土流失状况、溜坡溜渣状况、植被恢复状况，为灾害治理提供基础信息。
(2)本发明利用无人机航摄图像判断易溜坡溜渣区域是否发生溜坡溜渣，本发明还获得施工扰动超范围区域的无人机航摄图像，增强了监测效果。
附图说明
图1为本发明的水土保持监测方法的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，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做出创造性劳动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。
由图1所示，本发明的基于多时相卫星遥感和无人机技术的水土保持监测方法，包括以下步骤：
S1，定期采集输变电线路上沿线的各个施工区域的卫星遥感图像，根据同一施工区域的不同时相的卫星遥感图像进行变化检测，检测输变电线路上各个施工区域的施工扰动范围、水土流失区域以及检测施工后的植被恢复区域；
所述时相分为：施工前、施工中、施工后该三个时间段。其中，施工中的时间段分为施工初期和施工后期；施工后分为施工完成期和植被恢复监测期；
S2，通过无人机对重点区域进行监测，获得重点区域的无人机航摄图像；
所述重点区域包括：水土流失区域、植被恢复区域。
S3，利用重点区域的无人机航摄图像对水土流失区域和植被恢复区域进行核验，得到水土流失区域和植被恢复区域的具体状况。
步骤S1的具体过程如下所示：
S11，卫星提供有多源遥感图像，先对此多源遥感图像分别进行预处理，再对同一施工区域中的同一时间点的预处理后的多源遥感图像进行图像融合，融合成一幅卫星遥感图像，该一幅卫星遥感图像即为该施工区域中的该时间点的卫星遥感图像；预处理包括：辐射校正、大气校正、几何校正。
S12，对各个施工区域的各个时相的卫星遥感图像，分别进行施工扰动区域边缘的提取，检测得到各个施工区域的各个时相的施工扰动区域。
施工前的施工扰动区域为D1。
施工中的时间段中分为施工初期和施工后期；施工初期的施工扰动区域为D20，施工后期的施工扰动区域为D21。
本实施例中，在施工初期时对施工区域的施工扰动范围进行划分确定。
施工后的时间段中分为施工完成期和植被恢复监测期；施工完成期的施工扰动区域为D30，植被恢复监测期的施工扰动区域为D31。
本实施例中，施工完成期为施工刚完成后的时期，该时期的施工扰动区域一般为最大。植被恢复监测期为施工完成后的设定时限，例如，可以在施工完成后的半年、一年、一年半、两年分别进行植被恢复监测，即分别将在施工完成后的半年、一年、一年半、两年作为植被恢复监测期。
S13，将同一施工区域的施工前的施工扰动区域D1和施工初期的施工扰动区域D20进行对比，确定该施工区域的施工扰动范围A；施工扰动范围A为施工前期所确定的范围，施工初期的施工扰动区域D20相比施工前的施工扰动区域D1所扩大的区域即为施工扰动范围A，即A＝D20-D1。
S14，将同一施工区域的施工后期的施工扰动区域D21与施工扰动范围A进行对比，确定该施工区域的水土流失区域B；水土流失区域B是指：施工后期的施工扰动区域D21超出该施工扰动范围A的区域，即B＝D21-A。
本实施例中，水土流失区域B为施工中所导致水土流失的区域。
S15，将同一施工区域的施工完成期的施工扰动区域为D30与植被恢复监测期的施工扰动区域为D31进行对比，确定该施工区域的植被恢复区域C；植被恢复区域C是指：植被恢复监测期的施工扰动区域D31相比施工完成期的施工扰动区域D30所减小的区域，即C＝D30-D31。
步骤S11中，
所述辐射校正是指：通过辐射定标将卫星遥感图像的像元亮度值转换为表观辐亮度，并利用大气层顶太阳辐照度将表观辐射亮度转化为表观反射率。
由于遥感图像成像过程的复杂性，传感器接收到的电磁波能量与目标本身辐射的能量是不一致的，传感器输出的能量包含了由于太阳位置、大气条件、地形影响和传感器本身的性能等所引起的各种失真，这些失真不是地面目标的辐射，对图像的使用和理解造成影响，因此采用辐射定标的方法加以校正和消除。辐射定标将卫星遥感图像的像元亮度值DN转换为等效表观辐亮度Le，具体如下式所示：
L＝Gain*DN+Bias
式中，Gain为绝对定标系数，Bias为定标偏移量；L为表观辐射亮度；DN为卫星遥感图像的像元亮度值，用于记录地物的灰度值，DN无单位，是一个整数，DN的值大小与传感器的辐射分辨率、地物发射率、大气透过率和散射率相关。
大气层顶太阳辐照度可将表观辐射亮度Le转化为表观反射率ρ，即把大气层顶看作是郎伯反射面，表观反射率ρ等于大气层顶表面的出射度M和入射度E之比，具体如下式所示：
式中，ρ为表观反射率，即大气层顶的反射率；M和E分别为大气层顶的出射度和入射度；L为大气层顶进入卫星传感器的表观辐射亮度；D为太阳到地球的平均距离，D的取值与传感器成像时间有关；ESUN为传感器波段平均太阳辐照度，波段和传感器的不同，ESUN的取值也不相同，θ为太阳天顶角。
所述大气校正是指：将表观反射率ρ转化成能够反应地表真实信息的地表反射率。
在不考虑大气影响的情况下，卫星传感器获取到的信息取决于地物反射和太阳辐射，由于大气的存在，在电磁辐射从太阳发射穿过大气到达地面，再由地面反射重新透过大气由卫星传感器接收过程中，原始信号会受到大气中的气溶胶、水汽、颗粒物等干扰，削弱原始信号的强度，并且大气散射光也会反射或通过地物间接反射进入卫星传感器，增强原始信号的强度。FLAASH大气校正是由光谱科技公司和美国空气动力研究实验室共同研制开发的大气校正软件包，采用MODTRAN4+辐射传输模型代码，是目前算法精度较高的大气校正模型。FLAASH大气校正集成在ENVI遥感处理软件中，可以对任何多光谱数据、高光谱数据、航空数据及自定义格式数据的高光谱图像进行校正处理，可以校正垂直和倾斜观测条件下获取的图像。同时，FLAASH大气校正还采用了基于像素级的校正方法，可以校正邻近像元交叉辐射导致的邻近效应，提供真实的地面及大气属性信息，如地表反射率、水汽含量等数据。
所述几何校正是指：对形变的图像进行校正的过程。在携带有遥感传感器的卫星飞行过程中，由于飞行姿态、飞行速度、地球自转、地形起伏、大气折射等***和非***因素造成卫星遥感成像和地面实际位置不能准确对应，因此需要纠正图像的几何形变即进行几何校正。
所述几何校正包括RPC校正和几何精校正。
RPC校正是利用含有卫星轨道姿态参数的RPC文件对图像进行初步的几何校正，RPC模型是将图像坐标和大地坐标建立多项式关联的有理函数纠正模型。
通过RPC校正后的卫星遥感图像具有初步的几何信息，然而RPC校正的准确程度并不高。本发明要求同一施工区域的不同时相的卫星遥感图像在空间位置上能够精确匹配，经RPC校正后图像之间在同一位置相差若干像元，因此做过RPC校正之后需要再进行几何精校正。
几何精校正是基于地面控制点的多项式校正方法，通过地面控制点建立畸变图像和校正后图像之间的数学关系式，对畸变图像进行变换，从而使图像具有精确的地理位置信息。地面控制点通常是选择图像上比较明显、清晰且不随时间的推移而发生变化的地物，如道路交叉口、河流交叉口、农田边界等。确定地面控制点后，需要找到参考图像上和遥感图像上同一个位置的地面控制点坐标，建立地面控制点在参考图像上的坐标(X,Y)和地面控制点在卫星遥感图像上的坐标(x,y)之间的关系式，该关系式即多项式校正模型，多项式系数是在多项式次数确定之后利用控制点坐标按照最小二乘法回归求得。
地面控制点的均方根误差RMS值越大，地面控制点误差越大，地面控制点的误差较大时不但不会提高校正精度，反而会降低图像校正质量，则该地面控制点需要剔除。调节地面控制点的位置和数目时，多项式系数的值和地面控制点的均方根误差RMS的值都在变化，通常当均方根误差RMS的值小于1时，精度控制在一个像元大小，地面控制点精度较高。
所述图像融合是指：将多源的卫星遥感图像按照一定的算法，在规定的地理坐标系，生成新的图像的过程。其中，全色图像一般具有较高空间分辨率，多光谱图像光谱信息较丰富，为提高多光谱图像的空间分辨率，可以将全色图像融合进多光谱图像，通过图像融合既提高多光谱图像空间分辨率，又保留其多光谱特性。
所述图像融合要求多源图像精确配准，当分辨率不一致时，则进行重采样后使得分辨率保持一致。所述图像融合可以分为若干层次，本实施例中，分为像素级、特征级、决策级。
其中，像素级融合是对原始图像及预处理各阶段上所产生的信息分别进行融合处理，以增加图像中有用信息成分，改善图像处理效果，将图像按某种变换方式分解成不同级的子图像，且这种分解变换为可逆，由多幅子图像合成的一幅图像即为融合图像。特征级融合能以高的置信度来提取有用的图像特征。决策级融合允许来自多源数据在最高抽象层次上被有效的利用。
卫星遥感图像的融合算法包括：基于IHS变换、主成分变换，比值变换，剩法变换以及小波变换的融合方法。
步骤S12中，可以采用图像解译的方式提取施工扰动区域边缘，具体方式如下所示：
S1201，建立解译标志，在卫星遥感图像上分析地物的种种特征，包括光谱、纹理、形状、大小、相对位置等，通过这些特征即可区分不同地物，这些特征即为解译标志。
S1202，结合真实的地物形态，通过对卫星遥感图像的分析，获取施工区域内地物的几何形态和空间位置分布状态，分析各个地表覆盖类型的光谱特征，形成输变电线路建设施工现场地物及其场景的物理认知。
其中，利用地物的颜色、几何形态和空间相对位置进行卫星遥感图像的人机交互目视解译，形成对塔基扰动土地、重大水土流失、临时施工道路、房屋、材料站、牵张场和植被的物理认知。利用地表覆盖类型的光谱特征、几何形态和空间相对位置进行卫星遥感图像的自动解译，其中光谱特征是最主要的遥感分类特征，将光谱特征和归一化植被指数NDVI相结合，形成对塔基扰动土地、重大水土流失、临时施工道路、房屋、材料站、牵张场和植被的物理认知。
S1203，卫星遥感图像解译分为人机交互目视解译和自动解译两种方式，对于纯度较高的地物，如裸地、植被、道路、水体等，采用自动解译的方式进行解译，提取施工扰动区域边缘；对于受云雾影响较大的影像或者当地水土保持目标不容易识别的地物，采用人机交互目视解译的方式进行解译，提取施工扰动区域边缘。
本实施例中，选择基于支持向量机的遥感信息提取算法进行自动解译，相较于传统的基于提取算法的自动解译，如最大似然法和最小距离法，本实施例的提取信息效率更高，分类精度更高。
步骤S12中，还可以利用边缘检测算法，提取卫星遥感图像的施工扰动区域边缘，具体如下所示：
S1211，利用5*5的高斯滤波核对卫星遥感图像进行平滑处理，采用邻域加权平均的方法计算每一个像素点的值。
S1212，使用一阶微分定义梯度算子，将梯度记为向量，向量的方向即为图像灰度变化最剧烈的方向。
S1213，利用边缘检测算法识别施工扰动边缘，基于卫星遥感图像的灰度特征，在地物与地物之间发生剧烈变化的位置通过求取微分来表示这种变化，计算像素点的梯度，包括梯度值以及梯度方向；使用Rober，sobel算子，计算水平及垂直方向的差分。
S1214，使用非极大值抑制算法细化边缘，梯度大的位置有可能为边缘，在这些位置沿着梯度方向，找到像素点的局部最大值，利用该局部最大值进行抑制。
S1215，设置一个最大值和一个最小值，梯度值大于最大值的像素点即为强边缘点，梯度值介于最大值与最小值之间的像素点即为弱边缘点，梯度值小于最小值的像素点为抑制点；其中，强边缘点为真实边缘点，抑制点为虚假边缘点。
S1216，若弱边缘点的相邻像素点中存在有强边缘点，则该弱边缘点为真实边缘点；否则，该弱边缘点为虚假边缘点。
S1217，利用真实边缘点得到施工扰动区域边缘。
步骤S14中，还根据水土流失区域的高程和坡度，判断该水土流失区域是否为山区，若是山区，则该水土流失区域还为易溜坡溜渣区域；步骤S2中，无人机还对易溜坡溜渣区域进行监测，获得易溜坡溜渣区域无人机航摄图像；步骤S3中，将易溜坡溜渣区域的不同时间点的无人机航摄图像进行对比，确定该易溜坡溜渣区域是否发生溜坡溜渣。
步骤S2中，无人机还对施工扰动范围超出设定范围的区域即施工扰动超范围区域进行检测，获得施工扰动超范围区域的无人机航摄图像。
步骤S3中，无人机在拍摄过程中受到RTK本身定位精度的影响，会与卫星影像存在一定的偏移，因此需要对无人机航摄图像与卫星遥感图像进行配准，在配准过程中需要选择合适的控制点，即在影像中选择同一区域进行标记，这种区域需要是长时间稳定不变的地物，利用投影变换地理配准方法进行匹配，将无人机航摄图像与卫星遥感图像转换至同一地理空间坐标系中，且无人机航摄图像与卫星遥感图像中的相关地物一一对应，配准精度达到像素级别，最后导出属性为卫星影像地理坐标系形同的无人机影像，影像空间分辨率不变，地理位置较之前发生了改变。利用不同数据源之间进行对比分析，进一步明确施工扰动范围、水土流失状况、溜坡溜渣状况、植被恢复区域，为灾害治理提供基础信息，利用重点区域的无人机航摄图像对水土流失区域和植被恢复区域进行核验，并得到水土流失区域和植被恢复区域的具体状况。
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。
Claims (9)
1.基于多时相卫星遥感和无人机技术的水土保持监测方法，其特征在于，包括以下步骤：
S1，采集输变电线路上沿线的各个施工区域的卫星遥感图像，基于同一施工区域的不同时相的卫星遥感图像进行变化检测，检测输变电线路上各个施工区域的施工扰动范围、水土流失区域、植被恢复区域；
所述时相分为：施工前、施工中、施工后的该三个时间段；
S2，通过无人机对重点区域进行监测，获得重点区域的无人机航摄图像；
所述重点区域包括：水土流失区域、植被恢复区域；
S3，利用重点区域的无人机航摄图像对水土流失区域和植被恢复区域进行核验，并得到水土流失区域和植被恢复区域的具体状况。
2.根据权利要求1所述的基于多时相卫星遥感和无人机技术的水土保持监测方法，其特征在于，步骤S1的具体过程如下所示：
S11，对所采集的各个施工区域的各个时相的卫星遥感图像均进行预处理；
S12，对各个施工区域的各个时相的卫星遥感图像，分别进行施工扰动区域边缘的提取，检测得到各个施工区域的各个时相的施工扰动区域；
其中，施工前的施工扰动区域为D1；
施工中的时间段中分为施工初期和施工后期；施工初期的施工扰动区域为D20，施工后期的施工扰动区域为D21；
施工后的时间段中分为施工完成期和植被恢复监测期；施工完成期的施工扰动区域为D30，植被恢复监测期的施工扰动区域为D31；
S13，将同一施工区域的施工前的施工扰动区域D1和施工初期的施工扰动区域D20进行对比，确定该施工区域的施工扰动范围A；施工扰动范围A为施工前期所确定的范围，施工初期的施工扰动区域D20相比施工前的施工扰动区域D1所扩大的区域即为施工扰动范围A，即A＝D20-D1；
S14，将同一施工区域的施工后期的施工扰动区域D21与施工扰动范围A进行对比，确定该施工区域的水土流失区域B；水土流失区域B是指：施工后期的施工扰动区域D21超出该施工扰动范围A的区域，即B＝D21-A；
S15，将同一施工区域的施工完成期的施工扰动区域为D30与植被恢复监测期的施工扰动区域为D31进行对比，确定该施工区域的植被恢复区域C；植被恢复区域C是指：植被恢复监测期的施工扰动区域D31相比施工完成期的施工扰动区域D30所减小的区域，即C＝D30-D31。
3.根据权利要求2所述的基于多时相卫星遥感和无人机技术的水土保持监测方法，其特征在于，步骤S11中，卫星提供有多源遥感图像，先对此多源遥感图像分别进行预处理，再对同一施工区域中的同一时间点的预处理后的多源遥感图像进行图像融合，融合成一幅卫星遥感图像，该一幅卫星遥感图像即为该施工区域中的该时间点的卫星遥感图像。
4.根据权利要求2或3所述的基于多时相卫星遥感和无人机技术的水土保持监测方法，其特征在于，预处理包括：辐射校正、大气校正、几何校正。
5.根据权利要求2所述的基于多时相卫星遥感和无人机技术的水土保持监测方法，其特征在于，步骤S12中，对卫星遥感图像进行图像解译，提取卫星遥感图像的施工扰动区域边缘；其中，
解译标志为卫星遥感图像中地物的特征，包括：光谱、纹理、形状、大小、相对位置；
图像解译为人机交互目视解译和/或自动解译；利用地物的颜色、几何形态、空间相对位置进行人机交互目视解译；利用地表覆盖的光谱特征、几何形态、空间相对位置进行自动解译。
6.根据权利要求2所述的基于多时相卫星遥感和无人机技术的水土保持监测方法，其特征在于，步骤S12中，利用边缘检测算法，提取卫星遥感图像的施工扰动区域边缘；
边缘检测算法具体如下所示：
S1211，对卫星遥感图像进行平滑处理，采用邻域加权平均的方式计算各个像素点的值即像素值；
S1212，使用一阶微分定义梯度算子，梯度为向量，梯度方向即为卫星遥感图像的灰度变化最剧烈的方向；
S1213，基于卫星遥感图像的灰度特征，在地物与地物之间发生变化的位置处，通过求取微分的方式计算该处位置的像素点的梯度，包括梯度值和梯度方向；
S1214，采用非极大值抑制算法细化边缘，在地物与地物之间发生变化的位置处，沿梯度方向且在设定的局部范围内寻找最大的像素值即局部最大值，利用该局部最大值进行抑制；
S1215，设置一个最大值和一个最小值，梯度值大于最大值的像素点即为强边缘点，梯度值介于最大值与最小值之间的像素点即为弱边缘点，梯度值小于最小值的像素点为抑制点；其中，强边缘点为真实边缘点，抑制点为虚假边缘点；
S1216，若弱边缘点的相邻像素点中存在有强边缘点，则该弱边缘点为真实边缘点；否则，该弱边缘点为虚假边缘点；
S1217，利用真实边缘点得到施工扰动区域边缘。
7.根据权利要求2所述的基于多时相卫星遥感和无人机技术的水土保持监测方法，其特征在于，步骤S14中，还根据水土流失区域的高程和坡度，判断该水土流失区域是否为山区，若是山区，则该水土流失区域还为易溜坡溜渣区域；步骤S2中，无人机还对易溜坡溜渣区域进行监测，获得易溜坡溜渣区域无人机航摄图像；步骤S3中，将易溜坡溜渣区域的不同时间点的无人机航摄图像进行对比，确定该易溜坡溜渣区域是否发生溜坡溜渣。
8.根据权利要求1所述的基于多时相卫星遥感和无人机技术的水土保持监测方法，其特征在于，步骤S2中，无人机还对施工扰动范围超出设定范围的区域即施工扰动超范围区域进行检测，获得施工扰动超范围区域的无人机航摄图像。
9.根据权利要求1所述的基于多时相卫星遥感和无人机技术的水土保持监测方法，其特征在于，步骤S3中，对无人机航摄图像与卫星遥感图像进行配准，在无人机航摄图像和卫星遥感图像中分别选择同一地物进行标记，利用投影变换的方法进行配准，将无人机航摄图像与卫星遥感图像转换至同一地理空间坐标系中，且无人机航摄图像与卫星遥感图像中的相关地物一一对应，利用重点区域的无人机航摄图像对水土流失区域和植被恢复区域进行核验，并得到水土流失区域和植被恢复区域的具体状况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110765942.9A CN113537018B (zh) | 2021-07-05 | 2021-07-05 | 基于多时相卫星遥感和无人机技术的水土保持监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110765942.9A CN113537018B (zh) | 2021-07-05 | 2021-07-05 | 基于多时相卫星遥感和无人机技术的水土保持监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113537018A true CN113537018A (zh) | 2021-10-22 |
| CN113537018B CN113537018B (zh) | 2024-03-19 |
Family
ID=78097928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110765942.9A Active CN113537018B (zh) | 2021-07-05 | 2021-07-05 | 基于多时相卫星遥感和无人机技术的水土保持监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537018B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113935861A (zh) * | 2021-11-17 | 2022-01-14 | 广东省交通规划设计研究院集团股份有限公司 | 水土保持监测的方法、***和计算机设备 |
| CN114155258A (zh) * | 2021-12-01 | 2022-03-08 | 苏州思卡信息***有限公司 | 一种公路施工围封区域的检测方法 |
| CN114881620A (zh) * | 2022-07-08 | 2022-08-09 | 环球数科集团有限公司 | 一种基于卫星遥感的国土空间监测方法与*** |
| CN114881973A (zh) * | 2022-05-10 | 2022-08-09 | 南京戎致星网信息科技有限公司 | 针对人工伪装遮障隐真效果的分析处理***、方法、装置及存储介质 |
| CN116183624A (zh) * | 2023-01-05 | 2023-05-30 | 国网安徽省电力有限公司铜陵供电公司 | 一种施工区顺坡溜渣监测方法、***和存储介质 |
| CN116580320A (zh) * | 2023-05-25 | 2023-08-11 | 中国水利水电科学研究院 | 一种大尺度人为水土流失扰动范围遥感智能提取方法 |
| CN116824396A (zh) * | 2023-08-29 | 2023-09-29 | 湖北省泛星信息技术有限公司 | 一种多卫星数据融合自动化解译的方法 |
| CN117192075A (zh) * | 2023-08-31 | 2023-12-08 | 交科院环境科技(北京)有限公司 | 无人机在公路建设场景中的水土保持监测方法及*** |
| CN117407477A (zh) * | 2023-10-26 | 2024-01-16 | 航科院中宇（北京）新技术发展有限公司 | 地理信息数据演变识别处理方法、***及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
| US20190041377A1 (en) * | 2017-02-22 | 2019-02-07 | Hohai University | Method for measuring a mudflat elevation by remotely sensed water content |
| CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
| CN110514597A (zh) * | 2019-09-04 | 2019-11-29 | 北京麦飞科技有限公司 | 基于星地遥感数据协同的农作物病虫害监测方法 |
| US20200074605A1 (en) * | 2018-08-31 | 2020-03-05 | International Business Machines Corporation | Enhancing temporal and spatial resolution and correcting data anomalies of remote sensed data for estimating high spatio-temporal resolution vegetation indices |
| US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
| KR20200059521A (ko) * | 2018-11-21 | 2020-05-29 | 대한민국(산림청 국립산림과학원장) | 산사태 발생 영역 자동 탐지 장치 및 탐지 방법 |
| CN112393714A (zh) * | 2020-11-25 | 2021-02-23 | 国网安徽省电力有限公司电力科学研究院 | 一种基于无人机航拍与卫星遥感融合的影像校正方法 |
-
2021
- 2021-07-05 CN CN202110765942.9A patent/CN113537018B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190041377A1 (en) * | 2017-02-22 | 2019-02-07 | Hohai University | Method for measuring a mudflat elevation by remotely sensed water content |
| CN107389036A (zh) * | 2017-08-02 | 2017-11-24 | 珠江水利委员会珠江水利科学研究院 | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 |
| US20200074605A1 (en) * | 2018-08-31 | 2020-03-05 | International Business Machines Corporation | Enhancing temporal and spatial resolution and correcting data anomalies of remote sensed data for estimating high spatio-temporal resolution vegetation indices |
| US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
| KR20200059521A (ko) * | 2018-11-21 | 2020-05-29 | 대한민국(산림청 국립산림과학원장) | 산사태 발생 영역 자동 탐지 장치 및 탐지 방법 |
| CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
| CN110514597A (zh) * | 2019-09-04 | 2019-11-29 | 北京麦飞科技有限公司 | 基于星地遥感数据协同的农作物病虫害监测方法 |
| CN112393714A (zh) * | 2020-11-25 | 2021-02-23 | 国网安徽省电力有限公司电力科学研究院 | 一种基于无人机航拍与卫星遥感融合的影像校正方法 |
Non-Patent Citations (1)
| Title |
|---|
| 林晓渝;李健;高智;季婧;: "长线型生产建设项目施工前水土保持遥感监测应用研究――以某成品油管道工程为例", 浙江水利科技, no. 01, 25 January 2017 (2017-01-25) * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113935861B (zh) * | 2021-11-17 | 2024-07-02 | 广东省交通规划设计研究院集团股份有限公司 | 水土保持监测的方法、***和计算机设备 |
| CN113935861A (zh) * | 2021-11-17 | 2022-01-14 | 广东省交通规划设计研究院集团股份有限公司 | 水土保持监测的方法、***和计算机设备 |
| CN114155258A (zh) * | 2021-12-01 | 2022-03-08 | 苏州思卡信息***有限公司 | 一种公路施工围封区域的检测方法 |
| CN114881973A (zh) * | 2022-05-10 | 2022-08-09 | 南京戎致星网信息科技有限公司 | 针对人工伪装遮障隐真效果的分析处理***、方法、装置及存储介质 |
| CN114881620A (zh) * | 2022-07-08 | 2022-08-09 | 环球数科集团有限公司 | 一种基于卫星遥感的国土空间监测方法与*** |
| CN114881620B (zh) * | 2022-07-08 | 2022-09-20 | 环球数科集团有限公司 | 一种基于卫星遥感的国土空间监测方法与*** |
| CN116183624A (zh) * | 2023-01-05 | 2023-05-30 | 国网安徽省电力有限公司铜陵供电公司 | 一种施工区顺坡溜渣监测方法、***和存储介质 |
| CN116580320A (zh) * | 2023-05-25 | 2023-08-11 | 中国水利水电科学研究院 | 一种大尺度人为水土流失扰动范围遥感智能提取方法 |
| CN116580320B (zh) * | 2023-05-25 | 2023-10-13 | 中国水利水电科学研究院 | 一种大尺度人为水土流失扰动范围遥感智能提取方法 |
| CN116824396B (zh) * | 2023-08-29 | 2023-11-21 | 湖北省泛星信息技术有限公司 | 一种多卫星数据融合自动化解译的方法 |
| CN116824396A (zh) * | 2023-08-29 | 2023-09-29 | 湖北省泛星信息技术有限公司 | 一种多卫星数据融合自动化解译的方法 |
| CN117192075A (zh) * | 2023-08-31 | 2023-12-08 | 交科院环境科技(北京)有限公司 | 无人机在公路建设场景中的水土保持监测方法及*** |
| CN117407477A (zh) * | 2023-10-26 | 2024-01-16 | 航科院中宇（北京）新技术发展有限公司 | 地理信息数据演变识别处理方法、***及存储介质 |
| CN117407477B (zh) * | 2023-10-26 | 2024-05-14 | 航科院中宇（北京）新技术发展有限公司 | 地理信息数据演变识别处理方法、***及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113537018B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113537018B (zh) | 基于多时相卫星遥感和无人机技术的水土保持监测方法 | |
| Zhang et al. | Landsat 5 Thematic Mapper reflectance and NDVI 27-year time series inconsistencies due to satellite orbit change | |
| Shahtahmassebi et al. | Review of shadow detection and de-shadowing methods in remote sensing | |
| CN102565778B (zh) | 一种自动提取伪不变特征的遥感图像相对辐射校正方法 | |
| CN104502999B (zh) | 一种基于静止卫星多通道数据的昼夜云检测方法与装置 | |
| US9396528B2 (en) | Atmospheric compensation in satellite imagery | |
| JP4004332B2 (ja) | 森林情報処理システム | |
| CN110889327B (zh) | 一种基于热红外图像的水域周边排污口智能检测方法 | |
| CN108319923A (zh) | 一种云阴影识别方法及*** | |
| CN110988909A (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
| CN114627087B (zh) | 一种多时相卫星遥感图像的地物变化自动检测方法及*** | |
| CN114022783A (zh) | 基于卫星图像的水土保持生态功能遥感监测方法和装置 | |
| Sola et al. | Synthetic images for evaluating topographic correction algorithms | |
| Lachérade et al. | ICARE: A physically-based model to correct atmospheric and geometric effects from high spatial and spectral remote sensing images over 3D urban areas | |
| Bektas Balcik et al. | Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul | |
| Belfiore et al. | Orthorectification and pan-sharpening of worldview-2 satellite imagery to produce high resolution coloured ortho-photos | |
| Liu et al. | Architecture planning and geo-disasters assessment mapping of landslide by using airborne LiDAR data and UAV images | |
| Zhang et al. | Fusion of ascending and descending polarimetric SAR data for color orthophoto generation | |
| CN116246272A (zh) | 针对国产卫星多光谱图像质量标记的云雪区分方法 | |
| Hu et al. | Comparison of absolute and relative radiometric normalization use Landsat time series images | |
| Musa et al. | Image Enhancement and Change Detection for Urban Sprawl Analysis of Bauchi Metropolis, Nigeria Using Remote Sensing and GIS Techniques | |
| CN114445394A (zh) | 一种地表变化检测方法和*** | |
| Al-Doski et al. | Incorporation of digital elevation model, normalized difference vegetation index, and Landsat-8 data for land use land cover mapping | |
| MOHAMMADY et al. | Role of smile correction in mineral detection on hyperion data | |
| Alexandridis et al. | LAI measurement with hemispherical photographs at variable conditions for assessment of remotely sensed estimations |
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 |