CN103927359B - 一种基于多源遥感数据的自动化洪水监测系统 - Google Patents
一种基于多源遥感数据的自动化洪水监测系统 Download PDFInfo
- Publication number
- CN103927359B CN103927359B CN201410153389.3A CN201410153389A CN103927359B CN 103927359 B CN103927359 B CN 103927359B CN 201410153389 A CN201410153389 A CN 201410153389A CN 103927359 B CN103927359 B CN 103927359B
- Authority
- CN
- China
- Prior art keywords
- data
- remote sensing
- module
- source remote
- automation
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 8
- 230000003287 optical Effects 0.000 claims description 8
- 230000001537 neural Effects 0.000 claims description 7
- 230000004069 differentiation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 210000002569 neurons Anatomy 0.000 claims description 4
- 230000000875 corresponding Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
Abstract
本发明涉及一种基于多源遥感数据的自动化洪水监测系统,包括多源遥感数据动态汇聚模块、多源遥感数据预处理模块、水体提取算法模型模块、可视化制图模块、矢量化模块、自动化计算引擎模块以及洪水监测集成门户模块。本发明的有益效果为:提出了基于多源遥感数据自动化洪水监测系统与方法,能够面向洪水事件,实现多源遥感数据汇聚、数据自动化获取、遥感数据预处理、遥感数据洪水水体提取算法、制图与可视化的自动化完整流程,能够有效提高遥感洪水监测的效率,有效减少人工操作的工作量。
Description
技术领域
本发明属于空间信息技术领域,特别涉及一种基于多源遥感数据的自动化洪水监测系统。
背景技术
洪水灾害给全世界带来了大量的损失,基于遥感数据的灾害监测可对区域洪水进行实时监测。利用多机构的卫星数据资源和针对不同区域特征的数据和模型资源进行协同处理是必要和迫切的。在目前的遥感洪水监测过程中,在获取卫星数据后,需要经过人工处理的过程,处理过程复杂且费时。
发明内容
本发明的目的是提供一种基于多源遥感数据的自动化洪水监测系统,以克服现有技术存在的上述不足。
本发明的目的是通过以下技术方案来实现:
一种基于多源遥感数据的自动化洪水监测系统,包括多源遥感数据动态汇聚模块、多源遥感数据预处理模块、水体提取算法模型模块、可视化制图模块、矢量化模块、自动化计算引擎模块以及洪水监测集成门户模块;所述多源遥感数据动态汇聚模块接入与集成多源遥感数据的数据;所述多源遥感数据预处理模块针对不同种类的遥感数据,进行对应的数据预处理;所述水体提取算法模型模块对遥感图像进行洪水的自动化提取,提取的结果输出为二值化的图像数据文件;所述可视化制图模块将二值化图像数据文件生成为可视化洪水图;所述矢量化模块生成洪水的矢量边界;所述自动化计算引擎模块对多源遥感洪水处理过程进行自动化调度与计算;所述洪水监测集成门户模块为用户访问交互的Web界面。
进一步的,所述多源遥感数据动态汇聚模块,包括元数据自动化提取工具、定时器以及元数据库;元数据自动化提取工具提取元数据信息,所述元数据信息由通过定时器控制的元数据信息的提供工具提供,元数据信息自动导入到元数据库中。
进一步的,所述多源遥感数据预处理模块的预处理功能包括对光学遥感数据的几何校正和坐标转换和对于SAR数据的斑点噪声去除和几何定位。
进一步的,所述水体提取算法模型模块对于光学图像采用红光和近红外的比值进行水陆边界的区分,对于SAR数据采用自组织人工神经网络算法的算法进行提取。
进一步的,所述自组织人工神经网络算法由输入层和输出层构成,输出层的神经元相互连接组成规则网格,并与每一个输入单元连接。
进一步的,所述可视化制图模块的输出数据格式为KML。
进一步的,所述洪水监测集成门户模块包括主界面页面、工作流生成页面、状态监控页面以及数据下载页面,所述主界面页面包括数据源选择、地图空间选择框、时间选择框以及分布式数据查询;所述状态监控页面包括执行任务列表和任务执行进度。
本发明的有益效果为:提出了基于多源遥感数据自动化洪水监测系统与方法,能够面向洪水事件,实现多源遥感数据汇聚、数据自动化获取、遥感数据预处理、遥感数据洪水水体提取算法、制图与可视化的自动化完整流程,能够有效提高遥感洪水监测的效率,有效减少人工操作的工作量。
附图说明
下面根据附图对本发明作进一步详细说明。
图1是本发明实施例所述的多源遥感数据水体自动化提取的流程示意图;
图2是本发明实施例所述的多源遥感数据动态汇聚模块结构框图;
图3是本发明实施例所述的水体自动化提取算法模型模块流程图;
图4是本发明实施例所述的自动化计算引擎模块结构框图;
图5是本发明实施例所述的洪水监测集成门户模块结构框图;
图6是本发明实施例所述的洪水监测集成门户使用状态参考图。
具体实施方式
如图1-6所示,本发明实施例所述的一种基于多源遥感数据的自动化洪水监测系统,包括多源遥感数据动态汇聚模块、多源遥感数据预处理模块、水体提取算法模型模块、可视化制图模块、矢量化模块、自动化计算引擎模块以及洪水监测集成门户模块;所述多源遥感数据动态汇聚模块接入与集成多源遥感数据的数据;所述多源遥感数据预处理模块针对不同种类的遥感数据,进行对应的数据预处理;所述水体提取算法模型模块对遥感图像进行洪水的自动化提取,提取的结果输出为二值化的图像数据文件;所述可视化制图模块将二值化图像数据文件生成为可视化洪水图;所述矢量化模块生成洪水的矢量边界;所述自动化计算引擎模块对多源遥感洪水处理过程进行自动化调度与计算;所述洪水监测集成门户模块为用户访问交互的Web界面;所述多源遥感数据动态汇聚模块,包括元数据自动化提取工具、定时器以及元数据库;元数据自动化提取工具提取元数据信息,所述元数据信息由通过定时器控制的元数据信息的提供工具提供,元数据信息自动导入到元数据库中;所述多源遥感数据预处理模块的预处理功能包括对光学遥感数据的几何校正和坐标转换和对于SAR数据的斑点噪声去除和几何定位;所述水体提取算法模型模块对于光学图像采用红光和近红外的比值进行水陆边界的区分,对于SAR数据采用自组织人工神经网络算法的算法进行提取;所述自组织人工神经网络算法由输入层和输出层构成,输出层的神经元相互连接组成规则网格,并与每一个输入单元连接;所述可视化制图模块的输出数据格式为KML;所述洪水监测集成门户模块包括主界面页面、工作流生成页面、状态监控页面以及数据下载页面,所述主界面页面包括数据源选择、地图空间选择框、时间选择框以及分布式数据查询;所述状态监控页面包括执行任务列表和任务执行进度。
具体使用时,水体自动化提取的流程如图1所示,多源遥感数据汇聚模块(见图2),提供对多源遥感数据的自动化元数据识别与提取工具,数据自动提取工具会自动识别多种格式的遥感卫星数据,并自动化提取出元数据信息,包括卫星、传感器、时间范围、空间范围、分辨率等,定时器可以设定定期进行目录的时间间隔,基于这种方式实现对本地与远程遥感数据目录进行监控和元数据提取,提取的元数据信息自动导入到统一的元数据库中。
遥感数据预处理模块:遥感数据处理模块实现对洪水监测过程中的功能进行实现。针对不同种类的遥感数据,进行对应的数据预处理,对光学遥感数据进行的预处理,包括几何校正、坐标转换等,对于SAR数据还包括斑点噪声去除、几何定位等。
水体自动化提取算法模型模块(见图3):针对多源遥感数据的水体提取算法库,在遥感图像上进行水体的自动化提取,对于光学图像采用红光和近红外的比值来进行水陆边界的区分,对于SAR数据由于基于阈值难以区分,采用了自组织人工神经网络算法(SOM)的算法进行提取,SOM由输入层和输出层构成,输出层的神经元相互连接组成规则网格,并与每一个输入单元连接,通过竞争学习能够自动调节与输入单元的连接权重,并调节临近的神经元的权重矩阵使其变得相似,最终相似的输人向量能够聚类并与不相似的输入向量分开,从而实现水体与陆地边界的区分。
可视化制图模块与矢量化模块,将水体自动提取模块输出的二值化图像数据文件生成可视化的洪水图,该模块的其输出数据格式为KML,KML是一种文件格式,用于在地球浏览器中显示地理数据,能够在Google Earth等平台进行显示和浏览。矢量化模块,基于对数据水体提取的二值化图像生成矢量化的结果,提取二值化图像的边界,生成洪水的矢量边界,矢量图能够输入的地理信息软件中,与其他统计数据叠加进行灾害的评估分析。
自动化计算引擎模块(见图4),自动化监测工作流采用工作流引擎进行调度,各个计算步骤的算法通过统一的脚本进行调用,在系统实现中采用了通用性较好的Python脚本语言,工作流引擎对各个模块的实现脚本进行调用,并对执行状态进行监控,对于各种类型的遥感数据洪水提取的过程给出处理的定义,在每次这些过程中只要替换数据文件地址和少数参数即可进行自动化处理。在工作流引擎的实现方面可以选择开源的Karajan工作流引擎,Karajan是一个工作流规范语言和执行引擎,基于Java COG kit开发,语言是基于XML的语言表达。
洪水监测集成门户模块(见图5),门户作为洪水监测服务的入口,可以方便为用户提供统一的数据查询、工作流调用、工作流状态监控等服务,并通过门户获得最终的处理结果,其功能模块包括主界面页面、工作流生成页面、状态监控页面和数据下载页面,其中主界面页面部分包括了数据源选择、地图空间选择框和时间选择框,并提供了对分布式数据源的查询功能;状态监控页面包括执行任务列表和任务执行进度。门户采用openlayer(一个用于开发WebGIS客户端的JavaScript包)机制和Ajax(异步JavaScript和XML)技术,用户可以直接利用Openlayer提供的图层,选择所感兴趣的区域,并设定相关的查询条件,比如时间、分辨率等。
基于多源遥感数据的自动化洪水监测系统的实现调用过程示例(见图6),图中分别实现了MODIS(MODIS是Terra和Aqua卫星上搭载的主要传感器之一)和ASAR(欧空局发射的ENVISAT卫星上搭载的一个SAR设备)遥感数据的水体提取过程,操作系统采用Linux,分别在本地和远程两台服务器部署了工作流引擎(Karajan),分别对两种数据源的水体提取算法进行了实现,远程工作流调用采用了PHP脚本执行。
本发明不局限于上述最佳实施方式,任何人在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是具有与本申请相同或相近似的技术方案,均落在本发明的保护范围之内。
Claims (5)
1.一种基于多源遥感数据的自动化洪水监测系统,其特征在于,包括:
多源遥感数据动态汇聚模块,其实现多源遥感数据的数据接入与集成;
多源遥感数据预处理模块,其针对不同种类的遥感数据,进行对应的数据预处理;
水体提取算法模型模块,其对遥感图像进行洪水的自动化提取,提取的结果输出为二值化的图像数据文件;
可视化制图模块,其将二值化图像数据文件生成为可视化洪水图;
矢量化模块,其生成洪水的矢量边界;
自动化计算引擎模块,其对多源遥感洪水处理过程进行自动化调度与计算;以及
洪水监测集成门户模块,其是用户访问交互的Web界面;
所述多源遥感数据动态汇聚模块,包括元数据自动化提取工具、定时器以及元数据库;元数据自动化提取工具提取元数据信息,所述元数据信息由通过定时器控制的元数据信息的提供工具提供,元数据信息自动导入到元数据库中;
所述洪水监测集成门户模块包括主界面页面、工作流生成页面、状态监控页面以及数据下载页面,所述主界面页面包括数据源选择、地图空间选择框、时间选择框以及分布式数据查询;所述状态监控页面包括执行任务列表和任务执行进度。
2.根据权利要求1所述的基于多源遥感数据的自动化洪水监测系统,其特征在于:所述多源遥感数据预处理模块的预处理功能包括对光学遥感数据的几何校正和坐标转换和对于SAR数据的斑点噪声去除和几何定位。
3.根据权利要求2所述的基于多源遥感数据的自动化洪水监测系统,其特征在于:所述水体提取算法模型模块对于光学图像采用红光和近红外的比值进行水陆边界的区分,对于SAR数据采用自组织人工神经网络算法进行提取。
4.根据权利要求3所述的基于多源遥感数据的自动化洪水监测系统,其特征在于:所述自组织人工神经网络算法由输入层和输出层构成,输出层的神经元相互连接组成规则网格,并与每一个输入单元连接。
5.根据权利要求4所述的基于多源遥感数据的自动化洪水监测系统,其特征在于:所述可视化制图模块的输出数据格式为KML。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410153389.3A CN103927359B (zh) | 2013-10-16 | 2014-04-16 | 一种基于多源遥感数据的自动化洪水监测系统 |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013104834525 | 2013-10-16 | ||
CN201310483452 | 2013-10-16 | ||
CN201310483452.5 | 2013-10-16 | ||
CN201410153389.3A CN103927359B (zh) | 2013-10-16 | 2014-04-16 | 一种基于多源遥感数据的自动化洪水监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103927359A CN103927359A (zh) | 2014-07-16 |
CN103927359B true CN103927359B (zh) | 2018-08-31 |
Family
ID=
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721644A (zh) * | 2012-06-21 | 2012-10-10 | 中国科学院对地观测与数字地球科学中心 | 一种水环境遥感数据处理方法及装置 |
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721644A (zh) * | 2012-06-21 | 2012-10-10 | 中国科学院对地观测与数字地球科学中心 | 一种水环境遥感数据处理方法及装置 |
Non-Patent Citations (3)
Title |
---|
利用神经网络方法提取水稻种植面积;阎静等;《遥感学报》;20010531;第5卷(第3期);摘要和第2段、第3.1节第1段 * |
洪水灾害卫星遥感监测与评估研究综述;李香颜等;《中国农业气象》;20091231;第30卷(第1期);全文 * |
遥感与GIS支持下的基于网络的洪涝灾害监测评估系统关键技术研究;刘亚岚等;《遥感学报》;20010131;第5卷(第1期);第53-56页 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Torney et al. | A comparison of deep learning and citizen science techniques for counting wildlife in aerial survey images | |
Brunelli et al. | Energy neutral machine learning based iot device for pest detection in precision agriculture | |
CN110728670A (zh) | 一种基于ar技术的低压设备运维方法 | |
CN108255605A (zh) | 一种基于神经网络的图像识别协同计算方法及系统 | |
CN108288014A (zh) | 道路智能提取方法和装置、提取模型构建方法及混合导航系统 | |
Di et al. | RF-CLASS: A remote-sensing-based flood crop loss assessment cyber-service system for supporting crop statistics and insurance decision-making | |
US11882784B2 (en) | Predicting soil organic carbon content | |
CN110163303B (zh) | 一种基于格网的遥感影像并行分类方法及系统 | |
Aitkenhead et al. | E-smart: environmental sensing for monitoring and advising in real-time | |
CN110766151B (zh) | 一种基于场景的开放式神经网络模型管理系统 | |
CN114387499A (zh) | 一种海岛滨海湿地水鸟识别方法、分布查询系统及介质 | |
Kausika et al. | GeoAI for detection of solar photovoltaic installations in the Netherlands | |
Sitharthan et al. | A novel autonomous irrigation system for smart agriculture using AI and 6G enabled IoT network | |
Sun et al. | Automation of customized and near-real-time vegetation condition index generation through cyberinfrastructure-based geoprocessing workflows | |
Ubina et al. | Digital twin-based intelligent fish farming with Artificial Intelligence Internet of Things (AIoT) | |
Magomedov et al. | Possible Use of an Agricultural Service with Artificial Intelligence to Monitor Crops | |
Müllerová et al. | Pattern to process, research to practice: remote sensing of plant invasions | |
Brooking et al. | Providing online access to hydrological model simulations through interactive geospatial animations | |
Hluchý et al. | Heterogeneous exascale computing | |
CN103927359B (zh) | 一种基于多源遥感数据的自动化洪水监测系统 | |
Yang et al. | Research on recognition for cotton spider mites’ damage level based on deep learning | |
CA3176293A1 (en) | System and method for automated forest inventory mapping | |
CN110096042A (zh) | 人工湿地在线监测展示方法及系统 | |
Issac et al. | Development and deployment of a big data pipeline for field-based high-throughput cotton phenotyping data | |
Zhang | Deep learning-based hybrid short-term solar forecast using sky images and meteorological data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |