CN114494864B - 基于遥感数据的积雪物候信息的提取方法 - Google Patents

基于遥感数据的积雪物候信息的提取方法 Download PDF

Info

Publication number
CN114494864B
CN114494864B CN202210049179.4A CN202210049179A CN114494864B CN 114494864 B CN114494864 B CN 114494864B CN 202210049179 A CN202210049179 A CN 202210049179A CN 114494864 B CN114494864 B CN 114494864B
Authority
CN
China
Prior art keywords
snow
remote sensing
sensing image
image data
data set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210049179.4A
Other languages
English (en)
Other versions
CN114494864A (zh
Inventor
陈晓娜
杨雅萍
刘杨晓月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202210049179.4A priority Critical patent/CN114494864B/zh
Publication of CN114494864A publication Critical patent/CN114494864A/zh
Application granted granted Critical
Publication of CN114494864B publication Critical patent/CN114494864B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及遥感数据技术领域，特别涉及一种基于遥感数据的积雪物候信息的提取方法，所述方法包括：获取目标区域的积雪遥感图像数据集，其中，所述积雪遥感图像数据集包括若干天积雪遥感图像数据；根据所述积雪遥感图像数据集，获取所述积雪遥感图像数据集对应的积雪覆盖率曲线，获取所述积雪覆盖率曲线中各个点对应的积雪覆盖率，根据所述各个点对应的积雪覆盖率以及预设的误差区间，获取在所述积雪覆盖率曲线中的初雪日位置点以及终雪日位置点；根据所述初雪日位置点以及终雪日位置点，获取所述目标区域的目标时间段内的积雪遥感图像数据，并对所述目标区域的目标时间段内的积雪遥感图像数据进行填充处理，构建目标积雪遥感图像数据集。

Description

基于遥感数据的积雪物候信息的提取方法
技术领域
本发明涉及遥感数据技术领域，特别涉及是一种基于遥感数据的积雪物候信息的提取方法、装置、设备以及存储介质。
背景技术
积雪物候是全球气候***变化的重要标识，积雪与陆生态***间密切的关系决定了积雪物候的一系列变化将对陆地生态***产生显著影响。例如，因积雪融化时间的提前和积雪覆盖面积的减少，大部分植被呈现生长季延长、花期提前等现象：积雪变化导致土壤有效水分的减少和土壤温度的升高，进一步造成寒区植被群落组成和物种多样性发生显著变化；随积雪覆盖持续减小，植被生产力萎缩，碳吸收能力也趋于下降。在动物方面，积雪融化时间提前和温度升高，导致大量无脊椎动物的生活周期改变，如冬眠缩短；因植物花期提前和花期缩短，导致拈花无脊椎动物物种减少；部分无脊椎动物如蜘蛛等，出现明显的表型变异；脊椎动物也会对积雪变产生显著响应，如部分动物因食物链发生变化，导致其生物周期改变以及部分物种数量先增加后减少等。因此，准确获取积雪物候信息对全球变化、积雪水文、生物多样性等研究极其重要。
遥感技术是提取积雪物候信息的关键手段。利用遥感数据得到的积雪覆盖度曲线可以很好的识别初雪日、终雪日，进而计算积雪持续时间。但是受云遮挡，无效观测值、传感器故障、轨道偏移等不利因素的影响，通过遥感技术获取的积雪覆盖度曲线往往不连续，容易出现异常高值和异常低值，导致积雪物候信息提取错误，极大的限制了遥感数据在积雪物候信息提取中的应用。
发明内容
基于此，本发明的目的在于，提供一种基于遥感数据的积雪物候信息的提取方法、装置、设备以及存储介质，基于积雪遥感图像数据集，通过生成积雪覆盖率曲线，对积雪遥感图像数据集进行填充处理，来构建高精度积雪遥感图像数据集，满足积雪物候提取对输入积雪覆盖度数据时空连续性的要求，提高积雪物候信息提取的准确性。
第一方面，本申请实施例提供了一种基于遥感数据的积雪物候信息的提取方法，包括以下步骤：
获取目标区域的积雪遥感图像数据集，其中，所述积雪遥感图像数据集包括若干天积雪遥感图像数据；
根据所述积雪遥感图像数据集，获取所述积雪遥感图像数据集对应的积雪覆盖率曲线，其中，所述积雪覆盖率曲线包括累积期积雪覆盖率曲线以及消融期积雪覆盖率曲线；
获取所述积雪覆盖率曲线中各个点对应的积雪覆盖率，根据所述各个点对应的积雪覆盖率以及预设的误差区间，获取在所述积雪覆盖率曲线中的初雪日位置点以及终雪日位置点；
根据所述初雪日位置点以及终雪日位置点，获取所述目标区域的目标时间段内的积雪遥感图像数据，并对所述目标区域的目标时间段内的积雪遥感图像数据进行填充处理，构建目标积雪遥感图像数据集；
响应于积雪物候信息提取指令，所述积雪物候信息提取指令包括待测区域的积雪遥感图像数据集，根据所述待测区域的积雪遥感图像数据集，获取所述待测区域对应的目标积雪遥感图像数据集，根据所述待测区域对应的目标积雪遥感图像数据集，获取所述待测区域的积雪遥感图像数据集对应的初雪日位置点以及终雪日位置点，作为积雪物候信息。
第二方面，本申请实施例提供了一种基于遥感数据的积雪物候信息的提取装置，包括：
数据集获取模块，用于获取目标区域的积雪遥感图像数据集，其中，所述积雪遥感图像数据集包括若干天积雪遥感图像数据；
曲线获取模块，用于根据所述积雪遥感图像数据集，获取所述积雪遥感图像数据集对应的积雪覆盖率曲线，其中，所述积雪覆盖率曲线包括累积期积雪覆盖率曲线以及消融期积雪覆盖率曲线；
位置点获取模块，用于获取所述积雪覆盖率曲线中各个点对应的积雪覆盖率，根据所述各个点对应的积雪覆盖率以及预设的误差区间，获取在所述积雪覆盖率曲线中的初雪日位置点以及终雪日位置点；
数据集构建模块，用于根据所述初雪日位置点以及终雪日位置点，获取所述目标区域的目标时间段内的积雪遥感图像数据，并对所述目标区域的目标时间段内的积雪遥感图像数据进行填充处理，构建目标积雪遥感图像数据集；
积雪物候信息提取模块，用于响应于积雪物候信息提取指令，所述积雪物候信息提取指令包括待测区域的积雪遥感图像数据集，根据所述待测区域的积雪遥感图像数据集，获取所述待测区域对应的目标积雪遥感图像数据集，根据所述待测区域对应的目标积雪遥感图像数据集，获取所述待测区域的积雪遥感图像数据集对应的初雪日位置点以及终雪日位置点，作为积雪物候信息。
第三方面，本申请实施例提供了一种计算机设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述基于遥感数据的积雪物候信息的提取方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述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实现如第一方面所述的基于遥感数据的积雪物候信息的提取方法的步骤。
在本申请实施例中，提供一种基于遥感数据的积雪物候信息的提取方法、装置、设备以及存储介质，基于积雪遥感图像数据集，通过生成积雪覆盖率曲线，对积雪遥感图像数据集进行填充处理，来构建高精度积雪遥感图像数据集，满足积雪物候提取对输入积雪覆盖度数据时空连续性的要求，提高积雪物候信息提取的准确性。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的基于遥感数据的积雪物候信息的提取方法的流程示意图；
图2为本申请一个实施例提供的基于遥感数据的积雪物候信息的提取方法中S2的流程示意图；
图3为本申请另一个实施例提供的基于遥感数据的积雪物候信息的提取方法的流程示意图；
图4为本申请一个实施例提供的基于遥感数据的积雪物候信息的提取方法中S4的流程示意图；
图5为本申请一个实施例提供的基于遥感数据的积雪物候信息的提取装置的结构示意图；
图6为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1，图1为本申请一个实施例提供的基于遥感数据的积雪物候信息的提取方法的流程示意图，所述方法包括如下步骤：
S1：获取目标区域的积雪遥感图像数据集，其中，所述积雪遥感图像数据集包括若干天积雪遥感图像数据。
所述基于遥感数据的积雪物候信息的提取方法的执行主体为基于遥感数据的积雪物候信息的提取方法的提取设备(以下简称提取设备)，在一个可选的实施例中，所述提取设备可以是一台计算机设备可以是服务器，或是多台计算机设备联合而成的服务器机群。
在本实施例中，控制设备可以与预设网络数据库建立数据连接，从所述网络数据库中获取目标区域的积雪遥感图像数据集，其中，所述积雪遥感图像数据集包括若干天积雪遥感图像数据，所述积雪遥感图像数据的像元种类包括积雪像元、非积雪像元以及空缺像元。
S2：根据所述积雪遥感图像数据集，获取所述积雪遥感图像数据集对应的积雪覆盖率曲线，其中，所述积雪覆盖率曲线包括累积期积雪覆盖率曲线以及消融期积雪覆盖率曲线。
在本实施例中，提取设备对所述积雪遥感图像数据集中的积雪遥感图像数据按照水文年进行时间序列整理，对于北半球而言，所述水文年是指9月份至次年8月份，其中9月份至次年2月份为积雪累积期，3月份至8月份为积雪消融期。根据整理后的积雪遥感图像数据集，获取所述积雪遥感图像数据集对应的积雪覆盖率曲线，并按照水文年对所述积雪覆盖率曲线进行划分，获取累积期积雪覆盖率曲线以及消融期积雪覆盖率曲线。
请参阅图2，图2为本申请一个实施例提供的基于遥感数据的积雪物候信息的提取方法中S2的流程示意图，包括步骤S201，具体如下：
S201：提取所述积雪遥感图像数据集中积雪遥感图像数据的各个像元的NDSI值，根据所述NDSI值以及预设的积雪覆盖率计算算法，获取各个像元对应的积雪覆盖率，根据所述各个像元对应的积雪覆盖率，构建积雪覆盖率曲线。
所述NDSI为归一化雪被指数，利用可见光及短波红外波段的组合突显所述遥感图像中积雪的覆盖部分。
在本实施例中，提取设备提取所述积雪遥感图像数据集中积雪遥感图像数据的各个像元的NDSI值，根据所述NDSI值以及预设的积雪覆盖率计算算法，获取各个像元对应的积雪覆盖率，其中，所述积雪覆盖率计算算法为：
FSC＝-0.01+(1.45*NDSI)
式中，FSC为所述积雪覆盖率，NDSI为所述NDSI值。
根据所述各个像元对应的积雪覆盖率，按照时间序列进行组合，构建积雪覆盖率曲线。
S3：获取所述积雪覆盖率曲线中各个点对应的积雪覆盖率，根据所述各个点对应的积雪覆盖率以及预设的误差区间，获取在所述积雪覆盖率曲线中的初雪日位置点以及终雪日位置点。
在本实施例中，提取设备获取所述积雪覆盖率曲线中各个点对应的积雪覆盖率，根据所述各个点对应的积雪覆盖率以及预设的误差区间，获取在所述积雪覆盖率曲线中的初雪日位置点以及终雪日位置点，具体如下：
获取所述累积期积雪覆盖率曲线中积雪覆盖率大于预设的初雪日积雪覆盖率的点，作为预测初雪日位置点，在一个可选的实施例中，所述初雪日积雪覆盖率可以设置为0。
根据所述预测初雪日位置点以及误差区间，当所述预测初雪日位置点的值位于所述误差区间内，则将所述预测初雪日位置点作为初雪日位置点；当所述预测初雪日位置点的值大于所述误差区间的最大值，则获取所述预测初雪日位置点的前一个天对应的位置点，作为初雪日位置点；
获取所述消融期积雪覆盖率曲线中积雪覆盖率等于预设的终雪日积雪覆盖率的点，作为预测终雪日位置点，在一个可选的实施例中，所述终雪日积雪覆盖率可以设置为0。
获取所述预测终雪日位置点的前后一天对应的位置点的值，当所述预测终雪日位置点的前一天对应的位置点的值大于所述终雪日积雪覆盖率且位于所述误差区间内，预测终雪日位置点的后一天对应的位置点的值等于所述终雪日积雪覆盖率，则将所述预测终雪日位置点作为终雪日位置点；当所述预测终雪日位置点的前一天对应的位置点的值大于所述终雪日积雪覆盖率，且大于所述误差区间的最大值，预测终雪日位置点的后一天对应的位置点的值等于所述终雪日积雪覆盖率，则将所述预测终雪日位置点的后一天对应的位置点作为终雪日位置点。
请参阅图3，图3为本申请另一个实施例提供的基于遥感数据的积雪物候信息的提取方法的流程示意图，包括步骤S6，所述步骤S6在步骤S3之前，具体如下：
S6：获取所述目标区域的MOD10A1F数据以及所述MOD10A1F数据中各个像元对应的积雪覆盖率，根据所述MOD10A1F数据中各个像元对应的积雪覆盖率，构建所述MOD10A1F数据对应的积雪覆盖率曲线，根据所述MOD10A1F数据对应的积雪覆盖率曲线，获取所述MOD10A1F数据对应的标准差以及平均差，根据所述标准差以及平均差，建立误差区间。
所述MOD10A1F数据为2001年至2020年期间全球500米分辨率时空完整的逐日NDSI数据。
在本实施例中，提取设备可以从数据库中获取目标区域的MOD10A1F数据，并根据所述MOD10A1F数据，获取所述MOD10A1F数据中各个像元对应的积雪覆盖率，根据所述MOD10A1F数据中各个像元对应的积雪覆盖率，构建所述MOD10A1F数据对应的积雪覆盖率曲线，计算所述MOD10A1F数据对应的积雪覆盖率曲线的标准差以及平均差，根据所述标准差以及平均差，以所述MOD10A1F数据对应的积雪覆盖率曲线的原点的值为中心，平均值±2倍标准差为误差范围，建立误差区间。
S4：根据所述初雪日位置点以及终雪日位置点，获取所述目标区域的目标时间段内的积雪遥感图像数据，并对所述目标区域的目标时间段内的积雪遥感图像数据进行填充处理，构建目标积雪遥感图像数据集。
在本实施例中，提取设备将所述初雪日位置点作为起始点，所述终雪日位置点作为终止点，获取所述目标区域的目标时间段内的积雪遥感图像数据，构建初步积雪遥感图像数据；
为了提高所述初步积雪遥感图像数据空间完整性，在先验知识判断和填充的基础上，依据空间相关性，对对所述目标区域的目标时间段内的积雪遥感图像数据中的空缺像元进行填充处理，构建目标积雪遥感图像数据集，以提高积雪物候数据的空间完整性。
请参阅图4，图4为本申请一个实施例提供的基于遥感数据的积雪物候信息的提取方法中S4的流程示意图，包括步骤S401～S402，具体如下：
S401：获取所述目标积雪遥感图像数据集中各个积雪遥感图像数据中各个像元对应的高程数据以及积雪物候值。
所述积雪遥感图像数据的像元具有积雪物候值，所述积雪物候值用于体现所述积雪物候信息中的初雪日位置点以及终雪日位置点，所述高程数据为所述高程数据为数字高程模型(Digital Elevation Model，DEM)，其表示地面地形的数字化高程信息。
在本实施例中，提取设备根据所述目标积雪遥感图像数据集中各个积雪遥感图像数据的空间分辨率，获取与所述空间分辨率相近的高程影像数据，将所述高程影像数据进行重采样，防止产生空间重叠，在空间上匹配所述目标积雪遥感图像数据集。获取所述目标积雪遥感图像数据集中各个积雪遥感图像数据中各个像元对应的高程数据。
S402：根据所述目标积雪遥感图像数据集中各个积雪遥感图像数据中各个像元对应的像元种类、高程数据以及积雪物候值，对所述各个积雪遥感图像数据中的空缺像元进行填充处理，获取填充处理后的积雪遥感图像数据集，作为目标积雪遥感图像数据集。
在本实施例中，提取设备根据所述目标积雪遥感图像数据集中各个积雪遥感图像数据中各个像元对应的像元种类、高程数据以及积雪物候值，对所述各个积雪遥感图像数据中的空缺像元进行填充处理，获取填充处理后的积雪遥感图像数据集，作为目标积雪遥感图像数据集。
在一个可选的实施例中，提取设备获取所述空缺像元的邻近像元，以及邻近像元的种类；
当所述空缺像元的邻近像元全部为积雪像元，根据所述空缺像元与邻近像元的高程数据的差值，从所述邻近像元中获取与所述空缺像元的高程数据的差值最小的邻近像元，作为目标像元，将所述空缺像元修改为积雪像元，并将所述目标像元的积雪物候值填充至所述空缺像元中；
当所述空缺像元的邻近像元包括积雪像元以及非积雪像元，根据所述空缺像元与邻近像元的高程数据的值，当所述空缺像元的高程数据的值大于所述邻近像元中任一个积雪像元的高程数据的值，从所述邻近像元中获取与所述空缺像元的高程数据的差值最小的邻近像元，作为第一目标像元，将所述空缺像元修改为积雪像元，并将所述第一目标像元的积雪物候值填充至所述空缺像元中；
当所述空缺像元的高程数据的值小于所述邻近像元中任一个非积雪像元的值，则将所述空缺像元修改为非积雪像元；
当所述空缺像元的高程数据的值小于所述邻近像元中任一个积雪像元的高程数据的值，且大于所述邻近像元中任一个非积雪像元的值，则计算所述邻近像元中积雪像元以及非积雪像元对应的高程数据的均值，将所述空缺像元的高程数据的值分别与所述邻近像元中积雪像元的高程数据的均值以及所述邻近像元中非积雪像元对应的高程数据的均值作对比，获取与所述空缺像元的高程数据的值相近的像元，作为第二目标像元，当所述第二目标像元为非积雪像元，则将所述空缺像元修改为非积雪像元，当所述第二目标像元为积雪像元，将所述空缺像元修改为积雪像元，并则从所述邻近像元中获取与所述空缺像元的高程数据的差值最小的邻近像元，作为第三目标像元，将所述第三目标像元的积雪物候值填充纸所述空缺像元中。
S5：响应于积雪物候信息提取指令，所述积雪物候信息提取指令包括待测区域的积雪遥感图像数据集，根据所述待测区域的积雪遥感图像数据集，获取所述待测区域对应的目标积雪遥感图像数据集，根据所述待测区域对应的目标积雪遥感图像数据集，获取所述待测区域的积雪遥感图像数据集对应的初雪日位置点以及终雪日位置点，作为积雪物候信息。
所述积雪物候信息用于体现初雪日、终雪日以及积雪持续时间，所述积雪物候信息提取指令由用户发出，提取设备接收。
在本实施例中，提取设备获取用户发送的所述积雪物候信息提取指令，并进行响应，获取待测区域的积雪遥感图像数据集。提取设备根据所述待测区域的积雪遥感图像数据集，获取所述待测区域对应的目标积雪遥感图像数据集，根据所述待测区域对应的目标积雪遥感图像数据集，获取所述待测区域的积雪遥感图像数据集对应的初雪日位置点以及终雪日位置点，作为积雪物候信息，并返回至提取设备的显示界面中，进行显示以及标注。
请参考图5，图5为本申请一个实施例提供的基于遥感数据的积雪物候信息的提取装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现基于遥感数据的积雪物候信息的提取装置的全部或一部分，该装置5包括：
数据集获取模块51，用于获取目标区域的积雪遥感图像数据集，其中，所述积雪遥感图像数据集包括若干天积雪遥感图像数据；
曲线获取模块52，用于根据所述积雪遥感图像数据集，获取所述积雪遥感图像数据集对应的积雪覆盖率曲线，其中，所述积雪覆盖率曲线包括累积期积雪覆盖率曲线以及消融期积雪覆盖率曲线；
位置点获取模块53，用于获取所述积雪覆盖率曲线中各个点对应的积雪覆盖率，根据所述各个点对应的积雪覆盖率以及预设的误差区间，获取在所述积雪覆盖率曲线中的初雪日位置点以及终雪日位置点；
数据集构建模块54，用于根据所述初雪日位置点以及终雪日位置点，获取所述目标区域的目标时间段内的积雪遥感图像数据，并对所述目标区域的目标时间段内的积雪遥感图像数据进行填充处理，构建目标积雪遥感图像数据集；
积雪物候信息提取模块55，用于响应于积雪物候信息提取指令，所述积雪物候信息提取指令包括待测区域的积雪遥感图像数据集，根据所述待测区域的积雪遥感图像数据集，获取所述待测区域对应的目标积雪遥感图像数据集，根据所述待测区域对应的目标积雪遥感图像数据集，获取所述待测区域的积雪遥感图像数据集对应的初雪日位置点以及终雪日位置点，作为积雪物候信息。
在本申请实施例中，通过数据集获取模块，获取目标区域的积雪遥感图像数据集，其中，所述积雪遥感图像数据集包括若干天积雪遥感图像数据；通过曲线获取模块，根据所述积雪遥感图像数据集，获取所述积雪遥感图像数据集对应的积雪覆盖率曲线，其中，所述积雪覆盖率曲线包括累积期积雪覆盖率曲线以及消融期积雪覆盖率曲线；通过位置点获取模块，获取所述积雪覆盖率曲线中各个点对应的积雪覆盖率，根据所述各个点对应的积雪覆盖率以及预设的误差区间，获取在所述积雪覆盖率曲线中的初雪日位置点以及终雪日位置点；通过数据集构建模块，根据所述初雪日位置点以及终雪日位置点，获取所述目标区域的目标时间段内的积雪遥感图像数据，并对所述目标区域的目标时间段内的积雪遥感图像数据进行填充处理，构建目标积雪遥感图像数据集；通过积雪物候信息提取模块，响应于积雪物候信息提取指令，所述积雪物候信息提取指令包括待测区域的积雪遥感图像数据集，根据所述待测区域的积雪遥感图像数据集，获取所述待测区域对应的目标积雪遥感图像数据集，根据所述待测区域对应的目标积雪遥感图像数据集，获取所述待测区域的积雪遥感图像数据集对应的初雪日位置点以及终雪日位置点，作为积雪物候信息。基于积雪遥感图像数据集，通过生成积雪覆盖率曲线，对积雪遥感图像数据集进行填充处理，来构建高精度积雪遥感图像数据集，满足积雪物候提取对输入积雪覆盖度数据时空连续性的要求，提高积雪物候信息提取的准确性。
请参考图6，图6为本申请一个实施例提供的计算机设备的结构示意图，计算机设备6包括：处理器61、存储器62以及存储在存储器62上并可在处理器61上运行的计算机程序63；计算机设备可以存储有多条指令，指令适用于由处理器61加载并执行上述图1至图4所示实施例的方法步骤，具体执行过程可以参见图1至图4所示实施例的具体说明，在此不进行赘述。
其中，处理器61可以包括一个或多个处理核心。处理器61利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器62内的指令、程序、代码集或指令集，以及调用存储器62内的数据，执行基于遥感数据的积雪物候信息的提取装置5的各种功能和处理数据，可选的，处理器61可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programble Logic Array，PLA)中的至少一个硬件形式来实现。处理器61可集成中央处理器61(Central Processing Unit，CPU)、图像处理器61(Graphics Processing Unit，GPU)和调制解调器等中的一个或几种的组合。其中，CPU主要处理操作***、用户界面和应用程序等；GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器61中，单独通过一块芯片进行实现。
其中，存储器62可以包括随机存储器62(Random Access Memory，RAM)，也可以包括只读存储器62(Read-Only Memory)。可选的，该存储器62包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器62可用于存储指令、程序、代码、代码集或指令集。存储器62可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器62可选的还可以是至少一个位于远离前述处理器61的存储装置。
本申请实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述图1至图4所示实施例的方法步骤，具体执行过程可以参见图1至图4所示实施例的具体说明，在此不进行赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (6)

1.一种基于遥感数据的积雪物候信息的提取方法，其特征在于，包括以下步骤：
获取目标区域的积雪遥感图像数据集，其中，所述积雪遥感图像数据集包括若干天积雪遥感图像数据；
根据所述积雪遥感图像数据集，获取所述积雪遥感图像数据集对应的积雪覆盖率曲线，其中，所述积雪覆盖率曲线包括累积期积雪覆盖率曲线以及消融期积雪覆盖率曲线；
获取所述积雪覆盖率曲线中各个点对应的积雪覆盖率，根据所述各个点对应的积雪覆盖率以及预设的误差区间，获取在所述积雪覆盖率曲线中的初雪日位置点以及终雪日位置点；
根据所述初雪日位置点以及终雪日位置点，获取所述目标区域的目标时间段内的积雪遥感图像数据，构建初步积雪遥感图像数据集；获取所述初步积雪遥感图像数据集中各个积雪遥感图像数据中各个像元对应的高程数据以及积雪物候值；根据所述初步积雪遥感图像数据集中各个积雪遥感图像数据中各个像元对应的像元种类、高程数据以及积雪物候值，对所述各个积雪遥感图像数据中的空缺像元进行填充处理，获取填充处理后的积雪遥感图像数据集，作为目标积雪遥感图像数据集，其中，所述积雪遥感图像数据的像元种类包括积雪像元、非积雪像元以及空缺像元；
响应于积雪物候信息提取指令，所述积雪物候信息提取指令包括待测区域的积雪遥感图像数据集，根据所述待测区域的积雪遥感图像数据集，获取所述待测区域对应的目标积雪遥感图像数据集，根据所述待测区域对应的目标积雪遥感图像数据集，获取所述待测区域的积雪遥感图像数据集对应的初雪日位置点以及终雪日位置点，作为积雪物候信息。
2.根据权利要求1所述的基于遥感数据的积雪物候信息的提取方法，其特征在于，所述根据所述积雪遥感图像数据集，获取所述积雪遥感图像数据集对应的积雪覆盖率曲线，包括步骤：
提取所述积雪遥感图像数据集中积雪遥感图像数据的各个像元的NDSI值，根据所述NDSI值以及预设的积雪覆盖率计算算法，获取各个像元对应的积雪覆盖率，根据所述各个像元对应的积雪覆盖率，构建积雪覆盖率曲线，其中，所述积雪覆盖率计算算法为：
FSC＝-0.01+(1.45*NDSI)
式中，FSC为所述积雪覆盖率，NDSI为所述NDSI值。
3.根据权利要求1所述的基于遥感数据的积雪物候信息的提取方法，其特征在于，所述根据所述各个点对应的积雪覆盖率以及预设的误差区间，获取在所述积雪覆盖率曲线中的初雪日位置点以及终雪日位置点之前，包括步骤：
获取所述目标区域的MOD10A1F数据以及所述MOD10A1F数据中各个像元对应的积雪覆盖率，根据所述MOD10A1F数据中各个像元对应的积雪覆盖率，构建所述MOD10A1F数据对应的积雪覆盖率曲线，根据所述MOD10A1F数据对应的积雪覆盖率曲线，获取所述MOD10A1F数据对应的标准差以及平均差，根据所述标准差以及平均差，建立误差区间。
4.一种基于遥感数据的积雪物候信息的提取装置，其特征在于，包括：
数据集获取模块，用于获取目标区域的积雪遥感图像数据集，其中，所述积雪遥感图像数据集包括若干天积雪遥感图像数据；
曲线获取模块，用于根据所述积雪遥感图像数据集，获取所述积雪遥感图像数据集对应的积雪覆盖率曲线，其中，所述积雪覆盖率曲线包括累积期积雪覆盖率曲线以及消融期积雪覆盖率曲线；
位置点获取模块，用于获取所述积雪覆盖率曲线中各个点对应的积雪覆盖率，根据所述各个点对应的积雪覆盖率以及预设的误差区间，获取在所述积雪覆盖率曲线中的初雪日位置点以及终雪日位置点；
数据集构建模块，用于根据所述初雪日位置点以及终雪日位置点，获取所述目标区域的目标时间段内的积雪遥感图像数据，构建初步积雪遥感图像数据集；获取所述初步积雪遥感图像数据集中各个积雪遥感图像数据中各个像元对应的高程数据以及积雪物候值；根据所述初步积雪遥感图像数据集中各个积雪遥感图像数据中各个像元对应的像元种类、高程数据以及积雪物候值，对所述各个积雪遥感图像数据中的空缺像元进行填充处理，获取填充处理后的积雪遥感图像数据集，作为目标积雪遥感图像数据集，其中，所述积雪遥感图像数据的像元种类包括积雪像元、非积雪像元以及空缺像元；
积雪物候信息提取模块，用于响应于积雪物候信息提取指令，所述积雪物候信息提取指令包括待测区域的积雪遥感图像数据集，根据所述待测区域的积雪遥感图像数据集，获取所述待测区域对应的目标积雪遥感图像数据集，根据所述待测区域对应的目标积雪遥感图像数据集，获取所述待测区域的积雪遥感图像数据集对应的初雪日位置点以及终雪日位置点，作为积雪物候信息。
5.一种计算机设备，其特征在于，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的基于遥感数据的积雪物候信息的提取方法的步骤。
6.一种存储介质，其特征在于：所述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实现如权利要求1至3任一项所述的基于遥感数据的积雪物候信息的提取方法的步骤。
CN202210049179.4A 2022-01-17 2022-01-17 基于遥感数据的积雪物候信息的提取方法 Active CN114494864B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210049179.4A CN114494864B (zh) 2022-01-17 2022-01-17 基于遥感数据的积雪物候信息的提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210049179.4A CN114494864B (zh) 2022-01-17 2022-01-17 基于遥感数据的积雪物候信息的提取方法

Publications (2)

Publication Number Publication Date
CN114494864A CN114494864A (zh) 2022-05-13
CN114494864B true CN114494864B (zh) 2022-12-27

Family

ID=81511042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210049179.4A Active CN114494864B (zh) 2022-01-17 2022-01-17 基于遥感数据的积雪物候信息的提取方法

Country Status (1)

Country Link
CN (1) CN114494864B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115203594B (zh) * 2022-09-16 2022-11-29 成都国星宇航科技股份有限公司 多时相遥感数据显示方法、装置、设备和介质
CN116127273B (zh) * 2023-01-18 2023-12-12 中国科学院地理科学与资源研究所 积雪指数获取方法、装置、存储介质和设备
CN116486259B (zh) * 2023-04-04 2024-06-04 自然资源部国土卫星遥感应用中心 遥感图像中的点目标的提取方法和装置
CN117173578B (zh) * 2023-11-01 2024-02-06 长江水利委员会长江科学院 雪线高程检测方法、装置、计算机设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780433A (zh) * 2016-11-16 2017-05-31 清华大学 基于多源遥感数据的积雪物候信息融合方法和***
CN113936213A (zh) * 2021-10-14 2022-01-14 张定祥 一种基于modis数据的冰川及永久积雪宏观监测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799561B (zh) * 2010-02-05 2011-09-21 民政部国家减灾中心 一种基于减灾小卫星的雪灾遥感监测模拟评估方法
CN103984862B (zh) * 2014-05-15 2017-11-24 中国科学院遥感与数字地球研究所 一种多元遥感信息协同的积雪参数反演方法
CN104021283B (zh) * 2014-05-23 2017-02-15 清华大学 融雪期的日径流量的预测方法和装置
CN108765406A (zh) * 2018-05-31 2018-11-06 电子科技大学 一种基于红外遥感图像的雪山检测方法
US11636672B2 (en) * 2019-10-15 2023-04-25 A.U.G. Signals Ltd. Crop phenology estimation and tracking with remote sensing imagery
CN112052589B (zh) * 2020-09-03 2024-07-16 兰州交通大学 基于modis逐日积雪产品的积雪覆盖比例的估算方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780433A (zh) * 2016-11-16 2017-05-31 清华大学 基于多源遥感数据的积雪物候信息融合方法和***
CN113936213A (zh) * 2021-10-14 2022-01-14 张定祥 一种基于modis数据的冰川及永久积雪宏观监测方法

Also Published As

Publication number Publication date
CN114494864A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN114494864B (zh) 基于遥感数据的积雪物候信息的提取方法
Robinson et al. Large scale high-resolution land cover mapping with multi-resolution data
Homer et al. Completion of the 2011 National Land Cover Database for the conterminous United States–representing a decade of land cover change information
Schmidtlein et al. The spectral variability hypothesis does not hold across landscapes
JP4873545B2 (ja) 圃場管理支援方法及びシステム
Hernández-Stefanoni et al. Modeling α-and β-diversity in a tropical forest from remotely sensed and spatial data
Pagani et al. A high-resolution, integrated system for rice yield forecasting at district level
Hope et al. Characterizing post‐fire vegetation recovery of California chaparral using TM/ETM+ time‐series data
Levick et al. The rate and spatial pattern of treefall in a savanna landscape
CN104408185B (zh) 网页热力图的链接点击量展示方法及装置
Poncet et al. Phylogeography and niche modelling of the relict plant Amborella trichopoda (Amborellaceae) reveal multiple Pleistocene refugia in New Caledonia
White et al. Accuracy assessment of the vegetation continuous field tree cover product using 3954 ground plots in the south‐western USA
Guo et al. Forest cover dynamics from Landsat time-series data over Yan’an city on the Loess Plateau during the Grain for Green Project
Miettinen et al. Comparison of visual and automated oil palm mapping in Borneo
Ren et al. Enhanced spatiotemporal heterogeneity and the climatic and biotic controls of autumn phenology in northern grasslands
WO2014105852A1 (en) Agricultural input performance exploration system
CN114612896B (zh) 基于遥感图像的水稻产量预测方法、装置以及设备
Rao et al. Understanding land use volatility and agglomeration in northern Southeast Asia
Silveira et al. Modelling aboveground biomass in forest remnants of the Brazilian Atlantic Forest using remote sensing, environmental and terrain-related data
Zheng et al. Effects of agriculture, climate, and policy on NDVI change in a semi-arid river basin of the Chinese Loess Plateau
Beck et al. Displaying remotely sensed vegetation dynamics along natural gradients for ecological studies
JP6509887B2 (ja) 画像変化検出
Yang et al. Estimation of tropical forest biomass using Landsat TM imagery and permanent plot data in Xishuangbanna, China
Wang et al. Virtual image-based cloud removal for Landsat images
CN116597602A (zh) 森林火灾预警方法、装置、设备以及存储介质

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
GR01 Patent grant
GR01 Patent grant