CN113870224A - 一种洪水监测方法、***、设备和介质 - Google Patents
一种洪水监测方法、***、设备和介质 Download PDFInfo
- Publication number
- CN113870224A CN113870224A CN202111148456.9A CN202111148456A CN113870224A CN 113870224 A CN113870224 A CN 113870224A CN 202111148456 A CN202111148456 A CN 202111148456A CN 113870224 A CN113870224 A CN 113870224A
- Authority
- CN
- China
- Prior art keywords
- flood
- real
- image data
- area
- time image
- 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
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- 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
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种洪水监测方法、***、设备和介质,所述方法包括:使用卫星遥感影像与SAR图像信息进行融合,针对平原、城镇等不同地形环境采取不同的水体提取方式,减少地物等环境因素对水体目标提取的影响,提高水体识别的准确率。对于洪水灾害波及范围及水深预测部分,选取实时气象信息作为时间序列的输入数据,结合地理环境,采用LSTM人工神经网络作为预测模型,分析预测随时间、降雨量、蒸发量变化,洪水受灾点的灾害程度变化预测,该方法大大减少了人工干预,并在高时效卫星遥感和高精度数据的支持下,可以在洪涝监测评估和预警情况中发挥较大的作用。
Description
技术领域
本发明涉及洪水灾害防治技术领域,特别是涉及一种洪水的监测方法、***、设备和介质。
背景技术
随着信息技术的飞速发展,利用新型遥感技术对洪水监测与评估已经成为了可能。地面遥感在提供小范围和局部点观测方面具有优势,而卫星遥感在对大范围洪水监测方面更具有显著的优势。通过不同遥感方式的有效组合,可以较好的满足整体大范围洪水监测和小范围局部溃堤救援的实际需要,真正实现一体化监测和洪水灾害应急评估。通过影像信息与地理数据等数据资源结合应用,可以自动快捷地对洪水灾害进行监测评估,减少人工干预,并且必将进一步提高防洪减灾的科技效益。
但是,现有的多源遥感卫星影像的洪水监测方法中,大多需要先进行水体提取,但由于阈值的选取主观性较强,提取到的信息较为单一,且大多方法操作复杂且鲁棒性不佳,使识别的准确率较差,需要进一步利用其他数据信息、边缘方法等手段。此外,在对于洪水监测分析预警中卫星遥感图像由于受限于天气、环境等因素影响,在实际应用中需要结合高精度的地形数据计算预测洪水水深、波及范围等数据,但通常进行预测需要参考的变量相对较多,对于洪水淹没范围及水深的计算准确度还不够高,可获取的地形数据精度与实际需求还有差距,因而需要更可靠的预测方法以提高精度,减少人工干预。
发明内容
本发明的目的是:提供一种洪水的监测方法、***、设备和介质,能够在高时效卫星遥感和高精度数据的支持下,对洪涝灾害进行监测评估和预警。
为了实现上述目的,本发明提供了一种洪水监测方法,包括:
获取目标范围内的实时图像数据,并对所述实时图像数据进行提取,获得目标范围内的洪水的位置范围,其中,所述实时图像数据包括:卫星遥感实时图像数据和SAR实时图像数据;
采用地理空间工具,对所述目标范围内的洪水的位置范围进行测量,获得目标范围内实时洪水淹没的面积和水深;
获取目标范围内的实时气象数据,并将所述实时气象数据和将所所述实时洪水淹没的面积和水深输入到预设的神经网络模型中,预测获得目标地区的洪水淹没的面积和水深,其中,所述预设的神经网络模型,具体构建过程为:
获取目标范围内的历史洪水灾害数据,并将所述历史洪水灾害数据输入到第一神经网络模型中进行训练,获得预设的神经网络模型,其中,所述洪水灾害数据包括:气象数据、洪水淹没的面积和水深。
进一步地,所述获取目标范围内的实时图像数据,并对所述实时图像数据进行提取,获得目标范围内的洪水的位置范围,包括:
将目标范围内的实时图像数据分为平原地区的实时图像数据和城镇地区的实时图像数据;
对所述平原地区的实时图像数据进行图像提取,获得目标范围内平原地区洪水的位置范围;
对所述城镇地区的实时图像数据进行图像提取,获得目标范围内城镇地区洪水的位置范围。
进一步地,所述对所述平原地区的实时图像数据进行图像提取,获得目标范围内平原地区洪水的位置范围,包括:
采用大律法对目标范围内平原地区的实时图像数据进行洪水边缘提取;
若出现检测水体边缘间断的现象,通过曲面拟合得到连续的洪水目标边界,从而获得目标范围内平原地区洪水的位置范围。
进一步地,所述对所述城镇地区的实时图像数据进行图像提取,获得目标范围内城镇地区洪水的位置范围,包括:
采用阈值分割法对城镇地区的实时图像数据进行分割,获得城镇地区的实时图像数据分割的结果;
采用面向对象的多层次方法,通过阈值构建面向对象的多层次决策树;
将所述城镇地区的实时图像数据分割的结果输入到所述面向对象的多层次决策树中,获得目标范围内城镇地区洪水的位置范围。
本发明还提供一种洪水监测***,包括:数据获取模块、数据处理模块、预测模块,其中,
所述数据获取模块,用于获取目标范围内的实时图像数据,并对所述实时图像数据进行提取,获得目标范围内的洪水的位置范围,其中,所述实时图像数据包括:卫星遥感实时图像数据和SAR实时图像数据;
所述数据处理模块,用于采用地理空间工具,对所述目标范围内的洪水的位置范围进行测量,获得目标范围内实时洪水淹没的面积和水深;
所述预测模块,用于获取目标范围内的实时气象数据,并将所述实时气象数据和将所所述实时洪水淹没的面积和水深输入到预设的神经网络模型中,预测获得目标地区的洪水淹没的面积和水深,其中,所述预设的神经网络模型,具体构建过程为:
获取目标范围内的历史洪水灾害数据,并将所述历史洪水灾害数据输入到第一神经网络模型中进行训练,获得预设的神经网络模型,其中,所述洪水灾害数据包括:气象数据、洪水淹没的面积和水深。
进一步地,所述数据获取模块,具体用于:
将目标范围内的实时图像数据分为平原地区的实时图像数据和城镇地区的实时图像数据;
对所述平原地区的实时图像数据进行图像提取,获得目标范围内平原地区洪水的位置范围;
对所述城镇地区的实时图像数据进行图像提取,获得目标范围内城镇地区洪水的位置范围。
进一步地,所述对所述平原地区的实时图像数据进行图像提取,获得目标范围内平原地区洪水的位置范围,包括:
采用大律法对目标范围内平原地区的实时图像数据进行洪水边缘提取;
若出现检测水体边缘间断的现象,通过曲面拟合得到连续的洪水目标边界,从而获得目标范围内平原地区洪水的位置范围。
进一步地,所述对所述城镇地区的实时图像数据进行图像提取,获得目标范围内城镇地区洪水的位置范围,包括:
采用阈值分割法对城镇地区的实时图像数据进行分割,获得城镇地区的实时图像数据分割的结果;
采用面向对象的多层次方法,通过阈值构建面向对象的多层次决策树;
将所述城镇地区的实时图像数据分割的结果输入到所述面向对象的多层次决策树中,获得目标范围内城镇地区洪水的位置范围。
本发明还提供一种计算机终端设备,包括:一个或多个处理器;存储器,与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一项所述的洪水监测方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的洪水监测方法。
本发明提供的一种洪水监测方法、***、设备和介质与现有技术相比,其有益效果在于:
本发明使用卫星遥感影像与SAR图像信息进行融合,针对平原、城镇等不同地形环境采取不同的水体提取方式,减少地物等环境因素对水体目标提取的影响,提高水体识别的准确率。对于洪水灾害波及范围及水深预测部分,选取实时气象信息作为时间序列的输入数据,结合地理环境,采用LSTM人工神经网络作为预测模型,分析预测随时间、降雨量、蒸发量变化,洪水受灾点的灾害程度变化预测,该方法大大减少了人工干预,并在高时效卫星遥感和高精度数据的支持下,可以在洪涝监测评估和预警情况中发挥较大的作用。
附图说明
图1是本发明提供的一种洪水监测方法的流程示意图;
图2是本发明提供的洪水信息提取技术的流程示意图;
图3是本发明提供的多层次决策的流程示意图;
图4是本发明提供的洪水淹没的面积和水深估算的流程示意图;
图5是本发明提供的LSTM模型预测洪水水量的流程示意图;
图6是本发明提供的一种洪水监测***的结构示意图。
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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如图1所示,本发明提供的一种洪水监测方法,至少包括步骤 S1-S3,具体步骤如下:
S1、获取目标范围内的实时图像数据,并对所述实时图像数据进行提取,获得目标范围内的洪水的位置范围,其中,所述实时图像数据包括:卫星遥感实时图像数据和SAR实时图像数据;
具体地,本发明采用多源融合信息图像提取水体边界,由卫星遥感影像与SAR图像信息进行融合,针对于不同位置的水体,根据其特点选择不同的提取方式,结合图像分辨率等因素,计算水体的形状及位置。
需要说明的是,如图2所示,在对目标范围内洪水位置范围提取时,首先需要将目标范围内的实时图像数据分为平原地区图像和城镇地区图像,然后依次对平原地区图像中洪水范围和城镇地区图像中洪水范围进行提取;
具体地,平原地区图像中洪水范围提取,方案如下:
平原区地势较为平坦,虽然在不同时间、季节中影像的稍有差别,但由于周围地物较少,水体与裸地可以较好区分。将图像经灰度转换,采用大律法(OTSU)进行检测。
将像素点分根据像素值m为两类,设定w0值为最合适的阈值,若水体的像素点数为x0,占图像总像素数的比例为y0,水体平均像素值为m0;裸地像素点数为x1,占图像总像素数的比例为y1,平均像素值为m1;图像所有像素点数为x、平均像素值为m。二者存在如下关系:
y0+y1=1
类间方差计算公式:
g=y0*(m0-m)2+y1*(m1-m)2
g=y0*y1*(m0-m1)2
使两类的类间方差达到最大,进行水体边缘提取,在检测到水体轮廓边缘后,可能出现检测边缘间断的现象,通过曲面拟合最终可以得到连续的水体目标边界。
具体地,城镇地区图像中洪水范围提取,方案如下:
城镇中可能存在大量的建筑物与树木等地物对水体识别产生影响,需要对水体进行精细提取。首先,在图像分割部分,通过KI二值化阈值分割法进行图像分割。该方法在高斯分布下的判别准则为:
其中,S为目标与背景灰度的均值,P为分割目标的先验概率,当T为最佳分割阈值,K(T)可达到最小值。
本发明在水体分割的基础上,采用面向对象的多层次方法,通过阈值构建面向对象的多层次决策树,从而将水体提取出来并通过具体的规则对不同的地物对象分层次分类划分。第一层次,主要针对洪水发生后的遥感影像划分洪水覆盖区域;第二层次,主要针对于洪水覆盖区域影像中的地物展开,包括裸地、建筑、树木等。对地物进一步划分,可以方便后续对洪水淹没区域建筑等设备进行毁伤评估。如表1 所示:
表1层次顺序示意表
对于遥感影像洪水覆盖后地物的分割,需要借助洪水发生前的影像信息进行第二层次划分,达到区分裸地、建筑和树木的目的,通过分割参数对不同对象二次划分,可得到带有目标类别信息的多层分类器。如对于建筑的决策规则构建:
DR:if(ρ建筑<T建筑)and(area>Ta
and(width>Tw)then
class label=object建筑
其中,ρ为地物在影像中的反射率,T为阈值,Ta与Tw分别为面积阈值和宽度阈值。将满足阈值条件的像元通过聚类分析组合为地物对象,并通过阈值来分割,抑制噪声干扰并保持地物对象的区域连续性,最终分割出所需要的建筑矢量层。第二层次划分主要针对以下分割参数:颜色、密实度与形状等,每种分割参数设定不同的权重,其中颜色权重主要衡量影像中的波段变化,密实度权重主要针对影像中物体的关联性与完整性,形状权重主要衡量洪水灾害发生前后覆盖区域的形状变化。亮度决策规则中水体亮度一般选取[60,80],裸地亮度选取 [90,110]左右,长方形契合系数大于0.9,归一化植被指数NDVI选取小于0的值以与地形灾害进行区分,具体如图3所示。
S2、采用地理空间工具,对所述目标范围内的洪水的位置范围进行测量,获得目标范围内实时洪水淹没的面积和水深;
具体地,如图4所示,应用遥感影像的空间信息,借助地理空间工具的测量功能,量取洪水覆盖区域的长度与宽度,通过结合地形数据,估算洪水覆盖面积、水深等数据;
S3、获取目标范围内的实时气象数据,并将所述实时气象数据和将所所述实时洪水淹没的面积和水深输入到预设的神经网络模型中,预测获得目标地区的洪水淹没的面积和水深,其中,所述预设的神经网络模型,具体构建过程为:
获取目标范围内的历史洪水灾害数据,并将所述历史洪水灾害数据输入到第一神经网络模型中进行训练,获得预设的神经网络模型,其中,所述洪水灾害数据包括:气象数据、洪水淹没的面积和水深。
具体地,对于LSTM的输入变量,先利用Pearson相关系数计算温度、降雨量、蒸发量、径流等各因素在不同时间下的相关性。选择相关性高且符合95%置信度检验的序列作为预选输入项。在此基础上,使用随机森林法确定最终输入项。
通过调用输入项历史数据,并与其他信息结合构成时间序列数据集,构建输入层、循环层和输出层,输入层节点用来接收数据,使用 Tanh函数作为阀值激活函数,将输入层的数据带入第二层神经网络,定义参数,该层将神经元传递给另一个LSTM层,然后使用线性激活函数来传递一个完全连接的正常层用于下一个时间步的预测;
在模型误差回溯调参阶段,利用梯度下降法更新各个权重,对不同参数选取适当的取值范围;利用训练样本集完成LSTM神经网络模型的训练,测试样本集用来测试所得模型的准确性,并使用平均绝对误差(MAE)指标来评估该模型;
需要说明的是,如图5所示,选取实时气象信息作为时间序列的输入数据,各监测终端调取数据,选取0.5h、1h、2h、3h、6h的降雨量、蒸发量与地形数据作为初始数据,采用LSTM人工神经网络作为预测模型,分析预测随时间、降雨量、蒸发量变化,并预测数小时之后的洪水水深及淹没范围,根据预测的洪水发展趋势,及时预警相关人员进行维护,减少洪涝灾害的影响程度与范围。
在本发明的某一个实施例中,所述获取目标范围内的实时图像数据,并对所述实时图像数据进行提取,获得目标范围内的洪水的位置范围,包括:
将目标范围内的实时图像数据分为平原地区的实时图像数据和城镇地区的实时图像数据;
对所述平原地区的实时图像数据进行图像提取,获得目标范围内平原地区洪水的位置范围;
对所述城镇地区的实时图像数据进行图像提取,获得目标范围内城镇地区洪水的位置范围。
在本发明的某一个实施例中,所述对所述平原地区的实时图像数据进行图像提取,获得目标范围内平原地区洪水的位置范围,包括:
采用大律法对目标范围内平原地区的实时图像数据进行洪水边缘提取;
若出现检测水体边缘间断的现象,通过曲面拟合得到连续的洪水目标边界,从而获得目标范围内平原地区洪水的位置范围。
在本发明的某一个实施例中,所述对所述城镇地区的实时图像数据进行图像提取,获得目标范围内城镇地区洪水的位置范围,包括:
采用阈值分割法对城镇地区的实时图像数据进行分割,获得城镇地区的实时图像数据分割的结果;
采用面向对象的多层次方法,通过阈值构建面向对象的多层次决策树;
将所述城镇地区的实时图像数据分割的结果输入到所述面向对象的多层次决策树中,获得目标范围内城镇地区洪水的位置范围。
本发明提供的一种洪水监测方法与现有技术相比,其有益效果在于:
本发明使用卫星遥感影像与SAR图像信息进行融合,针对平原、城镇等不同地形环境采取不同的水体提取方式,减少地物等环境因素对水体目标提取的影响,提高水体识别的准确率。对于洪水灾害波及范围及水深预测部分,选取实时气象信息作为时间序列的输入数据,结合地理环境,采用LSTM人工神经网络作为预测模型,分析预测随时间、降雨量、蒸发量变化,洪水受灾点的灾害程度变化预测,该方法大大减少了人工干预,并在高时效卫星遥感和高精度数据的支持下,可以在洪涝监测评估和预警情况中发挥较大的作用。
如图6所示,本发明还提供一种洪水监测***200,包括:数据获取模块201、数据处理模块202、和预测模块203,其中,
所述数据获取模块201,用于获取目标范围内的实时图像数据,并对所述实时图像数据进行提取,获得目标范围内的洪水的位置范围,其中,所述实时图像数据包括:卫星遥感实时图像数据和SAR实时图像数据;
所述数据处理模块202,用于采用地理空间工具,对所述目标范围内的洪水的位置范围进行测量,获得目标范围内实时洪水淹没的面积和水深;
所述预测模块203,用于获取目标范围内的实时气象数据,并将所述实时气象数据和将所所述实时洪水淹没的面积和水深输入到预设的神经网络模型中,预测获得目标地区的洪水淹没的面积和水深,其中,所述预设的神经网络模型,具体构建过程为:
获取目标范围内的历史洪水灾害数据,并将所述历史洪水灾害数据输入到第一神经网络模型中进行训练,获得预设的神经网络模型,其中,所述洪水灾害数据包括:气象数据、洪水淹没的面积和水深。
在本发明的某一个实施例中,所述数据获取模块,具体用于:
将目标范围内的实时图像数据分为平原地区的实时图像数据和城镇地区的实时图像数据;
对所述平原地区的实时图像数据进行图像提取,获得目标范围内平原地区洪水的位置范围;
对所述城镇地区的实时图像数据进行图像提取,获得目标范围内城镇地区洪水的位置范围。
在本发明的某一个实施例中,所述对所述平原地区的实时图像数据进行图像提取,获得目标范围内平原地区洪水的位置范围,包括:
采用大律法对目标范围内平原地区的实时图像数据进行洪水边缘提取;
若出现检测水体边缘间断的现象,通过曲面拟合得到连续的洪水目标边界,从而获得目标范围内平原地区洪水的位置范围。
在本发明的某一个实施例中,所述对所述城镇地区的实时图像数据进行图像提取,获得目标范围内城镇地区洪水的位置范围,包括:
采用阈值分割法对城镇地区的实时图像数据进行分割,获得城镇地区的实时图像数据分割的结果;
采用面向对象的多层次方法,通过阈值构建面向对象的多层次决策树;
将所述城镇地区的实时图像数据分割的结果输入到所述面向对象的多层次决策树中,获得目标范围内城镇地区洪水的位置范围。
本发明还提供一种计算机终端设备,包括:一个或多个处理器;存储器,与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一项所述的洪水监测方法。
需要说明的是,所述处理器可以是中央处理单元 (CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器也可以是任何常规的处理器,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区,其中,程序存储区可存储操作***、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(SmartMediaCard,SMC)、安全数字(SecureDigital,SD)卡和闪存卡(FlashCard)等,或所述存储器也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,上述终端设备仅仅是示例,并不构成对终端设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的洪水监测方法。
需要说明的是,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序),所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种洪水监测方法,其特征在于,包括:
获取目标范围内的实时图像数据,并对所述实时图像数据进行提取,获得目标范围内的洪水的位置范围,其中,所述实时图像数据包括:卫星遥感实时图像数据和SAR实时图像数据;
采用地理空间工具,对所述目标范围内的洪水的位置范围进行测量,获得目标范围内实时洪水淹没的面积和水深;
获取目标范围内的实时气象数据,并将所述实时气象数据和将所所述实时洪水淹没的面积和水深输入到预设的神经网络模型中,预测获得目标地区的洪水淹没的面积和水深,其中,所述预设的神经网络模型,具体构建过程为:
获取目标范围内的历史洪水灾害数据,并将所述历史洪水灾害数据输入到第一神经网络模型中进行训练,获得预设的神经网络模型,其中,所述洪水灾害数据包括:气象数据、洪水淹没的面积和水深。
2.根据权利要求1所述的洪水监测方法,其特征在于,所述获取目标范围内的实时图像数据,并对所述实时图像数据进行提取,获得目标范围内的洪水的位置范围,包括:
将目标范围内的实时图像数据分为平原地区的实时图像数据和城镇地区的实时图像数据;
对所述平原地区的实时图像数据进行图像提取,获得目标范围内平原地区洪水的位置范围;
对所述城镇地区的实时图像数据进行图像提取,获得目标范围内城镇地区洪水的位置范围。
3.根据权利要求2所述的洪水监测方法,其特征在于,所述对所述平原地区的实时图像数据进行图像提取,获得目标范围内平原地区洪水的位置范围,包括:
采用大律法对目标范围内平原地区的实时图像数据进行洪水边缘提取;
若出现检测水体边缘间断的现象,通过曲面拟合得到连续的洪水目标边界,从而获得目标范围内平原地区洪水的位置范围。
4.根据权利要求2所述的洪水监测方法,其特征在于,所述对所述城镇地区的实时图像数据进行图像提取,获得目标范围内城镇地区洪水的位置范围,包括:
采用阈值分割法对城镇地区的实时图像数据进行分割,获得城镇地区的实时图像数据分割的结果;
采用面向对象的多层次方法,通过阈值构建面向对象的多层次决策树;
将所述城镇地区的实时图像数据分割的结果输入到所述面向对象的多层次决策树中,获得目标范围内城镇地区洪水的位置范围。
5.一种洪水监测***,其特征在于,包括:数据获取模块、数据处理模块、预测模块,其中,
所述数据获取模块,用于获取目标范围内的实时图像数据,并对所述实时图像数据进行提取,获得目标范围内的洪水的位置范围,其中,所述实时图像数据包括:卫星遥感实时图像数据和SAR实时图像数据;
所述数据处理模块,用于采用地理空间工具,对所述目标范围内的洪水的位置范围进行测量,获得目标范围内实时洪水淹没的面积和水深;
所述预测模块,用于获取目标范围内的实时气象数据,并将所述实时气象数据和将所所述实时洪水淹没的面积和水深输入到预设的神经网络模型中,预测获得目标地区的洪水淹没的面积和水深,其中,所述预设的神经网络模型,具体构建过程为:
获取目标范围内的历史洪水灾害数据,并将所述历史洪水灾害数据输入到第一神经网络模型中进行训练,获得预设的神经网络模型,其中,所述洪水灾害数据包括:气象数据、洪水淹没的面积和水深。
6.根据权利要求5所述的洪水监测***,其特征在于,所述数据获取模块,具体用于:
将目标范围内的实时图像数据分为平原地区的实时图像数据和城镇地区的实时图像数据;
对所述平原地区的实时图像数据进行图像提取,获得目标范围内平原地区洪水的位置范围;
对所述城镇地区的实时图像数据进行图像提取,获得目标范围内城镇地区洪水的位置范围。
7.根据权利要求6所述的洪水监测***,其特征在于,所述对所述平原地区的实时图像数据进行图像提取,获得目标范围内平原地区洪水的位置范围,包括:
采用大律法对目标范围内平原地区的实时图像数据进行洪水边缘提取;
若出现检测水体边缘间断的现象,通过曲面拟合得到连续的洪水目标边界,从而获得目标范围内平原地区洪水的位置范围。
8.根据权利要求6所述的洪水监测***,其特征在于,所述对所述城镇地区的实时图像数据进行图像提取,获得目标范围内城镇地区洪水的位置范围,包括:
采用阈值分割法对城镇地区的实时图像数据进行分割,获得城镇地区的实时图像数据分割的结果;
采用面向对象的多层次方法,通过阈值构建面向对象的多层次决策树;
将所述城镇地区的实时图像数据分割的结果输入到所述面向对象的多层次决策树中,获得目标范围内城镇地区洪水的位置范围。
9.一种计算机终端设备,其特征在于,包括:一个或多个处理器;存储器,与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至4任一项所述的洪水监测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的洪水监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111148456.9A CN113870224A (zh) | 2021-09-28 | 2021-09-28 | 一种洪水监测方法、***、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111148456.9A CN113870224A (zh) | 2021-09-28 | 2021-09-28 | 一种洪水监测方法、***、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113870224A true CN113870224A (zh) | 2021-12-31 |
Family
ID=78992257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111148456.9A Pending CN113870224A (zh) | 2021-09-28 | 2021-09-28 | 一种洪水监测方法、***、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113870224A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943696A (zh) * | 2022-05-13 | 2022-08-26 | 南方海洋科学与工程广东省实验室(广州) | 基于遥感影像的海洋环境变化监测方法、装置及介质 |
CN117094448A (zh) * | 2023-10-17 | 2023-11-21 | 成都智慧企业发展研究院有限公司 | 一种大数据分析方法及*** |
-
2021
- 2021-09-28 CN CN202111148456.9A patent/CN113870224A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943696A (zh) * | 2022-05-13 | 2022-08-26 | 南方海洋科学与工程广东省实验室(广州) | 基于遥感影像的海洋环境变化监测方法、装置及介质 |
CN117094448A (zh) * | 2023-10-17 | 2023-11-21 | 成都智慧企业发展研究院有限公司 | 一种大数据分析方法及*** |
CN117094448B (zh) * | 2023-10-17 | 2024-02-02 | 成都智慧企业发展研究院有限公司 | 一种大数据分析方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Iqbal et al. | How computer vision can facilitate flood management: A systematic review | |
Topouzelis et al. | Detection and discrimination between oil spills and look-alike phenomena through neural networks | |
Jiao et al. | Multi-order landscape expansion index: Characterizing urban expansion dynamics | |
Keramitsoglou et al. | Automatic identification of oil spills on satellite images | |
CN113496104B (zh) | 基于深度学习的降水预报订正方法及*** | |
Sharifi | Flood mapping using relevance vector machine and SAR data: A case study from Aqqala, Iran | |
CN110223341B (zh) | 一种基于图像识别的智能水位监测方法 | |
CN110310264A (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
KR102540762B1 (ko) | 위성영상을 이용한 저수지 모니터링 방법 | |
CN114444791A (zh) | 一种基于机器学习的洪涝灾害遥感监测评估方法 | |
CN101975940A (zh) | 基于分割组合的sar图像自适应恒虚警率目标检测方法 | |
CN105389799B (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
CN113870224A (zh) | 一种洪水监测方法、***、设备和介质 | |
Vickers et al. | A method for automated snow avalanche debris detection through use of synthetic aperture radar (SAR) imaging | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
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 | |
CN115984778A (zh) | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 | |
Ibrahim et al. | The application of UAV images in flood detection using image segmentation techniques | |
Huaxing | Modelling terrain complexity | |
CN112967286B (zh) | 一种新增建设用地检测方法及装置 | |
Pegion et al. | Understanding predictability of daily southeast US precipitation using explainable machine learning | |
CN113963314A (zh) | 降雨量监测方法、装置、计算机设备及存储介质 | |
Saboori et al. | Combining multi-scale textural features from the panchromatic bands of high spatial resolution images with ANN and MLC classification algorithms to extract urban land uses | |
CN113591608A (zh) | 一种基于深度学习的高分辨率遥感影像不透水面提取方法 | |
CN116704366A (zh) | 基于transformer深度学习模型的暴雨落区识别预警方法和装置 |
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 |