CN104573239A - 一种基于高空间分辨率遥感影像的潮滩dem优化方法 - Google Patents
一种基于高空间分辨率遥感影像的潮滩dem优化方法 Download PDFInfo
- Publication number
- CN104573239A CN104573239A CN201510009869.7A CN201510009869A CN104573239A CN 104573239 A CN104573239 A CN 104573239A CN 201510009869 A CN201510009869 A CN 201510009869A CN 104573239 A CN104573239 A CN 104573239A
- Authority
- CN
- China
- Prior art keywords
- dem
- spatial resolution
- high spatial
- remote sense
- sense 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
Abstract
本发明公开了一种基于高空间分辨率遥感影像的潮滩DEM优化方法，对相同潮滩区域，在获得准同期的地形资料和高空间分辨率遥感影像的基础上，采用BP神经网络技术构建有限测点地形与遥感影像像元的定量关系，依据此定量关系，对遥感影像上每一个像元点对应的高程信息进行解析计算，从而获取高空间分辨率的地形资料（数字高程模型DEM），实现DEM的优化。本发明在优化潮滩细节地形方面有突出优势，能够将低空间分辨率的DEM借助高空间分辨率遥感影像得到优化的高分辨的DEM，方法快速高效，简单可行，操作方便。
Description
技术领域
本发明涉及遥感影像的潮滩DEM方法，涉及一种基于高空间分辨率遥感影像的潮滩DEM优化方法，特别针对地形变化迅速的潮滩区域获取更高分辨率的DEM数据。
背景技术
每天潮涨潮落，干湿交替，潮滩区是海水和陆地相互作用的敏感地带。由于潮滩恶劣的自然条件和复杂的水动力环境给常规地形调查和观测带来很大的困难。因此在潮滩区域，往往测量集中在断面或者有限的地形测点上，这样基于这些测点生成的数字高程模型（DEM）往往平面精度不高，很多地貌细节显示不出来。随着遥感测量技术的发展，运用遥感监测潮滩地形的研究得到了蓬勃发展。例如机载激光探测和测距系统LiDAR技术、雷达干涉测量、卫星光学影像反演、水边线复合方法等（专利201410013106.5），这些方法均能够获取潮滩区域的地形资料，且通过空间插值等方法可生成数字高程模型（DEM），但是，这些有限的地形资料（DEM）在平面精度上达不到现今通用的高空间分辨率的遥感影像的平面精度（10m以内，甚至1m以内），因此很多细节地貌形态在DEM上显示不出来，尤其是细小的潮水沟区域。这些区域往往是围垦开发、湿地保护研究中需要关注的重点区域，因此在这些重点区域急切需要更高平面精度的地形资料，如何基于现有的有限的地形资料（DEM）获取高空间分辨率的DEM是本发明要解决的关键问题。
发明内容
本发明所要解决的技术问题是针对背景技术中所涉及的缺陷，提供一种基于高空间分辨率遥感影像的潮滩DEM优化方法，克服现有DEM的空间分辨率不高这一难题，通过高空间分辨率遥感影像的介入，利用遥感光谱值与高程信息之间建立起的BP神经网络模型，模拟出高分辨的DEM数据。本方法将低分辨率的DEM转换成高空间分辨率的DEM。
本发明为解决上述技术问题采用以下技术方案：
一种基于高空间分辨率遥感影像的潮滩DEM优化方法，包括以下步骤：
步骤1），收集潮滩区域的高空间分辨率遥感影像，并进行几何精纠正，使其与对应的待优化的低空间分辨率DEM在空间位置上完全吻合；
步骤2），将待优化的低空间分辨率DEM按照其空间格网大小离散成点集，提取该点集中每个点的高程信息Y，并将其位置坐标信息和对应的高空间分辨率遥感影像的各个波段像元亮度值组成X(i)，整理出X(i)~Y的对应数据；
步骤3），构建BP神经网络模型，将X(i)作为输入数据矩阵、对应的Y为输出数据矩阵，完成网络训练；
步骤4），将高分辨率遥感影像按照其格网大小离散成点，提取每个点的位置信息和各个波段像元亮度值构成X1(i)输入数据矩阵；
步骤5），将X1(i)输入到完成网格训练后的BP神经网络，得到对应的Y1数据矩阵，即每个高空间分辨率遥感影像上点对应的高程信息；
步骤6），将Y1数据矩阵通过空间转换或者空间插值获取该区域的优化后的DEM。
作为本发明一种基于高空间分辨率遥感影像的潮滩DEM优化方法进一步的优化方案，步骤1）中所述的高空间分辨率遥感影像为获取时间与DEM的时间一致的10m以内的多光谱数据。
作为本发明一种基于高空间分辨率遥感影像的潮滩DEM优化方法进一步的优化方案，步骤3）中所述的BP神经网络模型选用误差最小的网络为准。
作为本发明一种基于高空间分辨率遥感影像的潮滩DEM优化方法进一步的优化方案，所述BP神经网络模型选用双隐层、10节点的BP神经网络模型。
作为本发明一种基于高空间分辨率遥感影像的潮滩DEM优化方法进一步的优化方案，步骤6）中所述的格式转换采用ArcGIS软件中的point to raster命令实现。
作为本发明一种基于高空间分辨率遥感影像的潮滩DEM优化方法进一步的优化方案，步骤6）中空间插值采用自然临近插值方法。
本发明采用以上技术方案与现有技术相比，将DEM的空间分辨率提高，完成DEM的优化，使其能够反映最为细节的潮滩地貌信息，且整体垂直精度与原始DEM一致。通过高空间分辨率遥感影像的多光谱数据、位置信息与现有DEM高程值之间构建BP神经网络模型，进而预测出高分辨率影像上每一点对应的高程信息。本发明技术简单可行、操作方便，有效解决了DEM空间精度不够的问题，实用性强。
附图说明
图1是本发明的流程示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
一种基于高空间分辨率遥感影像的潮滩DEM优化方法，如图1所示，包括以下步骤：
步骤1），收集的数据包括现有的待优化的DEM数据，同一时间段下、低潮位的潮滩区域高空间分辨率遥感影像的多光谱数据。对遥感影像进行几何精纠正后裁剪，边界与DEM一致，实现遥感影像与DEM在时间上、空间上的完全吻合。
步骤2），将DEM数据离散成点，此时的DEM是低分辨率的，因此点集的数目比较少。进一步提取出点的高程信息和对应的遥感影像上的各个波段像元亮度值（DN值）信息。以资源3号遥感影像为例，点的属性中包含了4个波段的亮度值X(1),X(2),X(3),X(4)；位置坐标信息X(5),X(6)；高程信息Y。
步骤3），基于波段的亮度值及位置信息组成的X(i)和高程信息Y构建BP神经网络模型，找到波段的亮度值、位置信息与高程的非线性的对应关系。易采用双隐含层，每个层10个节点的神经网络结构，通过反复的训练，构建出最优的神经网络模型。
步骤4），基于高空间分辨率遥感影像（ZY-3为例），将影像转换成点集合，可采用ArcGIS软件中的raster to point命令完成。每个点的属性都包括点的位置坐标和4个波段的亮度值；将这一组新的X1(i)输入数据矩阵。
步骤5），将X1(i)输入到用训练好的BP神经网络，预测出对应的Y1数据矩阵，即每个高空间分辨率遥感影像上点对应的高程信息；
步骤6），将Y1数据矩阵通过格式转换或者空间插值获取该区域的优化后的DEM。格式转换可以利用ArcGIS软件中的 point to raster 工具完成；空间插值也可以采用ArcGIS软件中的Natural Neighbor工具完成，且选择格网大小与遥感影像一致（5.8m）。最终获取的DEM为空间分辨率提高后的DEM，地貌细节更加突出。
步骤1）中所述高空间分辨率的遥感影像以10m以内的多光谱数据为主；遥感影像与DEM为同一时间段的，边界完全吻合的。
步骤2）中所述离散点的属性包括了高程信息Y和遥感影像不同波段的亮度值及位置信息组成的X(i)，以我国资源3号（ZY-3）卫星多光谱数据（空间分辨率为5.8m）为例，其有4个多光谱波段， X(i)就包含了4个不同波段的亮度值和2个代表位置的信息，即i=6，且这6个X值对应一个高程值Y。
步骤3）所述的BP神经网络模型以误差最小的最优网络为准，不同的数据，最优网络参数也不同，推荐选用双隐层，10节点的BP神经网络结构进行模拟。
步骤4）所述的高分辨率影像按照其格网大小离散成点，这个点集合是明显多于训练用的点数量，因为这个点集是从高分辨的影像中提取的。
步骤6）所述的格式转换或者空间插值方法，可以在ArcGIS软件中的point to raster命令实现格式转换，空间插值方法推荐自然临近插值，此时得到的DEM空间分辨率与遥感影像的一致。
根据上述步骤，对实际的潮滩区域进行了DEM优化，首先通过水边线率定得到了该区域的30m分辨率的DEM数据，同时选取了对应区域的低潮位5.8m的资源3号遥感影像；将DEM转换成点集，并提取该点的高程值Y及位置坐标和对应的遥感影像各个波段像元亮度值（DN值）X(i)，建立X(i)~Y的神经网络模型，选取双隐含层，每层10个节点的最优神经网络结构，完成神经网络的训练；最后将高分辨率的遥感影像直接转换成点集X1(i)，输入到建好的神经网络模型中，获取每个点的高程信息Y1，最终转换成优化后的DEM，该地形结果分辨率得到了提高，信息量丰富。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (6)
1. 一种基于高空间分辨率遥感影像的潮滩DEM优化方法，其特征在于，包括以下步骤：
步骤1），收集潮滩区域的高空间分辨率遥感影像，并进行几何精纠正，使其与对应的待优化的低空间分辨率DEM在空间位置上完全吻合；
步骤2），将待优化的低空间分辨率DEM按照其空间格网大小离散成点集，提取该点集中每个点的高程信息Y，并将其位置信息和对应的高空间分辨率遥感影像的各个波段像元亮度值组成X(i)，整理出X(i)~Y的对应数据；
步骤3），构建BP神经网络模型，将X(i)作为输入数据矩阵、对应的Y为输出数据矩阵，完成网络训练；
步骤4），将高分辨率遥感影像按照其格网大小离散成点，提取每个点的位置信息和各个波段像元亮度值构成X1(i)输入数据矩阵；
步骤5），将X1(i)输入到完成网格训练后的BP神经网络，得到对应的Y1数据矩阵，即每个高空间分辨率遥感影像上点对应的高程信息；
步骤6），将Y1数据矩阵通过空间转换或者空间插值获取该区域的优化后的DEM。
2. 根据权利要求1所述的基于高空间分辨率遥感影像的潮滩DEM优化方法，其特征在于，步骤1）中所述的高空间分辨率遥感影像为获取时间与DEM的时间一致的10m以内的多光谱数据。
3. 根据权利要求1所述的基于高空间分辨率遥感影像的潮滩DEM优化方法，其特征在于，步骤3）中所述的BP神经网络模型选用误差最小的网络为准。
4. 根据权利要求1所述的基于高空间分辨率遥感影像的潮滩DEM优化方法，其特征在于，所述BP神经网络模型选用双隐层、10节点的BP神经网络模型。
5. 根据权利要求1所述的基于高空间分辨率遥感影像的潮滩DEM优化方法，其特征在于，步骤6）中所述的格式转换采用ArcGIS软件中的point to raster命令实现。
6. 根据权利要求1所述的基于高空间分辨率遥感影像的潮滩DEM优化方法，其特征在于，步骤6）中空间插值采用自然临近插值方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510009869.7A CN104573239A (zh) | 2015-01-09 | 2015-01-09 | 一种基于高空间分辨率遥感影像的潮滩dem优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510009869.7A CN104573239A (zh) | 2015-01-09 | 2015-01-09 | 一种基于高空间分辨率遥感影像的潮滩dem优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104573239A true CN104573239A (zh) | 2015-04-29 |
Family
ID=53089293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510009869.7A Pending CN104573239A (zh) | 2015-01-09 | 2015-01-09 | 一种基于高空间分辨率遥感影像的潮滩dem优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104573239A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106339095A (zh) * | 2016-09-08 | 2017-01-18 | 辽宁师范大学 | 一种基于数字地球的登山健身装置 |
| CN114863053A (zh) * | 2022-07-06 | 2022-08-05 | 中交第四航务工程勘察设计院有限公司 | 提高数字高程模型精度的方法及装置 |
| CN115205691A (zh) * | 2022-09-15 | 2022-10-18 | 江西农业大学 | 一种水稻种植区域识别方法、装置、存储介质及设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496185A (zh) * | 2011-12-14 | 2012-06-13 | 南京大学 | 基于多分辨率遥感影像离散点融合的dem构建方法 |
| CN103761375A (zh) * | 2014-01-13 | 2014-04-30 | 河海大学 | 一种基于遥感水边线的潮滩dem率定方法 |
-
2015
- 2015-01-09 CN CN201510009869.7A patent/CN104573239A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496185A (zh) * | 2011-12-14 | 2012-06-13 | 南京大学 | 基于多分辨率遥感影像离散点融合的dem构建方法 |
| CN103761375A (zh) * | 2014-01-13 | 2014-04-30 | 河海大学 | 一种基于遥感水边线的潮滩dem率定方法 |
Non-Patent Citations (2)
| Title |
|---|
| LI QING, DING XIANRONG, ZHU ANG, ET AL.: "Modeling Methods for Tidal Flat Digital Terrain Based on Neural Network", 《THE 2ND INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND ENGINEERING》 * |
| 陶旭，张东: "潮滩滩面高程的高光谱遥感反演研究", 《海洋科学进展》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106339095A (zh) * | 2016-09-08 | 2017-01-18 | 辽宁师范大学 | 一种基于数字地球的登山健身装置 |
| CN106339095B (zh) * | 2016-09-08 | 2019-04-23 | 辽宁师范大学 | 一种基于数字地球的登山健身装置 |
| CN114863053A (zh) * | 2022-07-06 | 2022-08-05 | 中交第四航务工程勘察设计院有限公司 | 提高数字高程模型精度的方法及装置 |
| CN115205691A (zh) * | 2022-09-15 | 2022-10-18 | 江西农业大学 | 一种水稻种植区域识别方法、装置、存储介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen | Airborne lidar data processing and information extraction | |
| CN110070488B (zh) | 一种基于卷积神经网络的多角度遥感影像森林高度提取方法 | |
| CN102708587A (zh) | 一种快速获取三维建筑信息的方法及系统 | |
| Hofierka et al. | Geomorphometry in Grass Gis | |
| CN104239706A (zh) | 一种地面观测气温时空数据集的制备方法 | |
| Carneiro et al. | Urban environment quality indicators: application to solar radiation and morphological analysis on built area | |
| Starek et al. | Modeling and analysis of landscape evolution using airborne, terrestrial, and laboratory laser scanning | |
| CN104318611A (zh) | 一种基于激光扫描点云的三维树木重建方法 | |
| Mauro et al. | Mapping land use impact of photovoltaic farms via crowdsourcing in the Province of Lecce (Southeastern Italy) | |
| CN103761375A (zh) | 一种基于遥感水边线的潮滩dem率定方法 | |
| CN115375868B (zh) | 地图显示和遥感地图显示方法、计算设备以及存储介质 | |
| CN112580982A (zh) | 一种基于多时相遥感和casa模型的生态保护红线实施评估 | |
| CN115861527A (zh) | 实景三维模型的构建方法、装置、电子设备及存储介质 | |
| CN106326544B (zh) | 一种基于公共数据的遥感影像地形图制图法 | |
| CN105354882A (zh) | 一种大数据架构的大空间范围输电三维全景展示平台构建方法 | |
| CN109033543A (zh) | 一种地表异质区植被覆盖度估算方法、装置及设备 | |
| CN104573239A (zh) | 一种基于高空间分辨率遥感影像的潮滩dem优化方法 | |
| Zhou et al. | Comparison of UAV-based LiDAR and digital aerial photogrammetry for measuring crown-level canopy height in the urban environment | |
| Zhang et al. | A study on coastline extraction and its trend based on remote sensing image data mining | |
| Tian et al. | Impacts of satellite revisit frequency on spring phenology monitoring of deciduous broad-leaved forests based on vegetation index time series | |
| Chen et al. | Lidar calibration and validation for geometric-optical modeling with Landsat imagery | |
| CN102496185B (zh) | 基于多分辨率遥感影像离散点融合的dem构建方法 | |
| CN117409168B (zh) | 实时动态渲染的洪水预报及洪灾模拟方法和系统 | |
| CN112285808B (zh) | 一种aphrodite降水数据的降尺度方法 | |
| Reuter et al. | Geomorphometry in ESRI packages |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150429 |