CN105893939A - 一种水灾星上在轨检测及灾情评估方法 - Google Patents
一种水灾星上在轨检测及灾情评估方法 Download PDFInfo
- Publication number
- CN105893939A CN105893939A CN201610185944.XA CN201610185944A CN105893939A CN 105893939 A CN105893939 A CN 105893939A CN 201610185944 A CN201610185944 A CN 201610185944A CN 105893939 A CN105893939 A CN 105893939A
- Authority
- CN
- China
- Prior art keywords
- star
- hydrological observation
- satellite
- disaster
- condition
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水灾星上在轨检测及灾情评估方法,应用于灾情勘察卫星。包括以下步骤:1、预设水文观测点(具有代表性的观测位置,下文统称水文观测点)坐标;2、星上在轨采集包含水文观测点的图像;3、星上在轨计算水文观测点n×n邻域内的特征信息;4、依据该特征信息星上在轨进行判断是否在水文观测点邻域发生水灾灾情;5、若检测到灾情则依据特征信息进行灾情评估;6、将检测和评估结果回传给地面。本发明解决对预设水文观测点进行水灾星上在轨检测和灾情评估的技术问题,帮助有效利用星上有限的存储和计算资源实现水灾星上在轨检测和评估,进而帮助减少响应时间、提升响应速度,最终达到减小生命和财产损失的目的。
Description
技术领域
本发明属于图像分析技术领域,更具体地,涉及一种水灾星上在轨检测及灾情评估方法。
背景技术
国际组织已经广泛使用天基信息,在危机期间向遭受自然或技术灾害影响的国家或群体提供数据、信息及服务,支持受灾国家的灾害管理决策,减轻灾害对人类造成的损失。在数据处理方法方面,主要是人工目视解译,主要方法是卫星将获取的数据利用高码率数传系统传输给地面的接收设备,地面的接收设备再经过加工、处理、计算等获得用户所需的信息,再提供给各类用户使用,如中巴地球资源卫星、法国Pleiades卫星、我国的高分一号卫星等。地面接收到采集的数据后再使用专业的处理软件对数据进行处理。常用的处理软件有ERDAS、PCI、ENVI。且由于这种方法需要存储大量的图像数据,很难适应星上有限的存储空间,从而难以进行灾情星上在轨检测。
面向灾情检测和情况评估应用的目的是,使得地面人员对这些事件或灾情能更快速的进行反应并采取相应措施,以减小生命和财产损失。而为了达到这种目的,目前的发展趋势是,具有更高效的数据链路,将一些计算在星上在轨进行处理,以及更高效的检测灾情或评估灾情情况的算法。传统的方法是:星上采集数据—压缩数据—回传给地面接收设备—解压缩数据—处理数据—作出响应。对于较大的数据量,星上存储资源十分有限,且无论是压缩数据、解压缩数据或回传数据均较耗时。
发明内容
针对现有技术的以上缺陷或改进需求,我们认为,未来的发展趋势是在星上直接在轨进行信息处理(即灾情检测和灾情情况评估)。由于只需要存储少量的点位置信息和特征信息而不是大量的图像,故可以非常可观的节约星上有限的存储资源。通过星上在轨处理,并将检测和评估结果回传给地面进行决策,这样会显著的减少传输数据量,进而有助于减少响应时间,提升响应速度,最终达到减小生命和财产损失的目的。本发明提供了一种水灾星上在轨检测及灾情评估方法,应用于灾情勘察卫星,其目的在于解决对预设水文观测点邻域进行水灾星上在轨检测和灾情评估的技术问题,以帮助有效利用星上存储和计算资源、减少响应时间、提升响应速度,最终达到减小生命和财产损失的目的。
为实现上述目的,本发明采用以下技术方案:
本发明提供了一种水灾星上在轨检测及灾情评估方法,应用于卫星遥感灾情监测和灾后评估,包括以下步骤:
步骤1、预设水文观测点的坐标,该预设坐标可以是一组预存于星上存储资源内的水文观测点坐标,也可以后期通过上注等操作对这组水文观测点的坐标进行增加、修改和删减;
步骤2、依据步骤1所述坐标,星上在轨获取包含水文观测点的图像数据,包括但不限于可见光波段、红外波段等;
步骤3、对步骤2所述图像中水文观测点的n×n邻域星上在轨提取特征信息,包括但不限于纹理特征、区域特征或特征点等,邻域的大小依据任务需求及星上系统存储资源而定,也可以后期通过上注等操作对不同水文观测点相应邻域的大小进行增加、修改和删减;
步骤4、对步骤3所得的特征信息星上在轨进行判断是否在水文观测点邻域发生水灾灾情;
步骤5、若检测到灾情,则依据步骤3的特征信息对灾情进行粗略评估;
步骤6、将步骤4和步骤5的检测结果和评估结果回传给地面;
与现有技术相比,本发明的技术效果为:由原先的“星上采集数据—压缩数据—回传给地面接收设备—解压缩数据—处理数据—作出响应”的数据链路过程优化为了“星上采集数据—星上在轨数据处理—处理结果编码—回传给地面接收设备—分析结果—作出响应”,实现了有效利用星上存储和计算资源进行星上在轨灾情检测和评估,减少数据链路所需要传输的数据量,并利用星上信号处理机强处理能力从原先对灾情监测过程中的非实时检测优化为了实时检测,能够可观的减少“灾情发生—发出警报”之间的时间、提升相应部门响应速度,有助于减小生命和财产损失。
附图说明
图1是所述方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
例如针对某洪水高发区域,假设该区域包含一个水文观测点(例如水文站)。首先,地面相关工作人员确定该区域水文观测点的坐标,并通过上注操作添加到星上存储的水文观测点坐标数组中。
在监测过程前,可以首先获取多幅包含水文观测点的图像,其中水文观测点邻域内发生水灾的图像作为正样例,未发生水灾的图像作为负样例。对正负样例提取纹理特征,并通过机器学习的方法对这些正负样例进行离线训练以获得一个判断邻域内是否发生水灾的分类器。并将该分类器也上注到星上存储资源中。
在星上在轨水灾监测整个过程中,当卫星运行到预存的包含水文观测点的区域后,首先获取该区域的星上遥感图像,然后星上在轨提取水文观测点周围n×n邻域的纹理特征,并将该纹理特征输入到已存储于星上存储资源内的分类器,并进行星上在轨分类,获得输出结果,此时可能存在两种情况:
1、分类器输出结果为该水文观测点邻域的纹理特征不符合发生水灾情况的纹理特征,这种情况无需向地面发出灾情警报;
2、分类器输出结果为该水文观测点邻域的纹理特征符合发生水灾情况的纹理特征,此时检测到灾情,需要相地面发出灾情警报。
若检测到灾情,则可继续进行灾情星上在轨评估。可在轨计算当前纹理特征覆盖的像素数,计算出大致被淹没的区域、淹没率等信息,与图像、警报等信息一起回传给地面供地面相关专业人员分析使用。
在本实施例中,某洪水高发区域即为一包含水文观测点的区域,水文观测点的数量可依据任务需求及星上系统存储资源等实际情况而定预存于星上存储资源中,也可以依据后续的任务需求,通过上注等操作对预存的水文观测点坐标数组进行增加、修改和删减。
所述星上在轨特征信息提取用于对水灾进行检测以及灾后的灾情评估,由于发生水灾区域的纹理特征和未发生水灾区域的纹理特征具有较大的差异性,故在本实施例中,优选的是纹理特征。需要指出,可使用的特征提取方法包括但不限于纹理特征、区域特征或特征点等。
所述对灾情的在轨检测算法为使用上述方法获得的纹理特征信息后,输入到离线训练好并预存于星上存储资源中的分类器中,进行分类判断所检测的邻域是否发生水灾。在本实施例中,所述分类器为离线对发生水灾和未发生水灾的水文观测点的邻域图像提取纹理特征作为正负样本,并使用SVM进行离线训练所得,并预存于星上存储资源中。同样该算法仅为本实施例较佳实施算法而已,具体分类器训练算法也需依据实际情况进行修改,也可以依后续任务需求通过上注等操作对星上存储的分类器进行修改。
所述灾情星上在轨评估算法即在检测到灾情后,星上信息处理系统给出相应评估指标回传给地面供灾情评估系统/灾情评估专家进行进一步评估。在本实施例中,星上信息处理回传的信息包括:邻域内水灾纹理特征覆盖的像素数、水灾纹理特征在邻域内所占比例。同样该评估算法仅为本实施例较佳实施算法而已,具体评估算法或是否需要回传评估数据也需依据灾情评估专家意见而定。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种水灾星上在轨检测及灾情评估方法,其特征在于,所述方法包括以下步骤:
步骤1、预设水文观测点的坐标;
步骤2、依据步骤1所述坐标,星上在轨获取包含水文观测点的图像数据;
步骤3、对步骤2所述图像中水文观测点的n×n邻域星上在轨提取特征信息;
步骤4、对步骤3所得的特征信息星上在轨进行判断是否在水文观测点邻域发生水灾灾情;
步骤5、若检测到灾情,则依据步骤3的特征信息对灾情进行粗略评估;
步骤6、将步骤4和步骤5的检测结果和评估结果回传给地面。
2.根据权利要求1所述的方法,其特征在于,所述水文观测点为人为设定,为灾情高发区域或具有代表性的监测位置。
3.根据权利要求1或2所述的方法,其特征在于,所述水文观测点的数量和相应邻域的大小依据任务需求及星上系统存储资源而定。
4.根据权利要求1或2所述的方法,其特征在于,在任务需要时通过上注操作对水文观测点的数量和相应邻域的大小进行增加、修改和删减。
5.根据权利要求1或2所述的方法,其特征在于,所述特征信息为计算机图像处理算法提取到的图像特征,包括纹理特征、区域特征和特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610185944.XA CN105893939B (zh) | 2016-03-29 | 2016-03-29 | 一种水灾星上在轨检测及灾情评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610185944.XA CN105893939B (zh) | 2016-03-29 | 2016-03-29 | 一种水灾星上在轨检测及灾情评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105893939A true CN105893939A (zh) | 2016-08-24 |
CN105893939B CN105893939B (zh) | 2019-06-28 |
Family
ID=57014511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610185944.XA Active CN105893939B (zh) | 2016-03-29 | 2016-03-29 | 一种水灾星上在轨检测及灾情评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105893939B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107566026A (zh) * | 2017-10-06 | 2018-01-09 | 廖忠民 | 多层次星座组网的卫星信息网络 |
CN107817019A (zh) * | 2017-10-06 | 2018-03-20 | 廖忠民 | Leo星座防灾监测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221246A (zh) * | 2008-01-22 | 2008-07-16 | 中交第二公路勘察设计研究院有限公司 | 雪崩的遥感量化勘察方法 |
US8644578B1 (en) * | 2008-04-25 | 2014-02-04 | Stratovan Corporation | Method and apparatus of identifying objects of interest using imaging scans |
CN104361582A (zh) * | 2014-10-23 | 2015-02-18 | 河海大学 | 一种对象级高分辨率sar影像洪水灾害变化检测方法 |
CN104714786A (zh) * | 2013-12-14 | 2015-06-17 | 上海莞东拿信息科技有限公司 | 新式gis的旅游个人突发情况预处理系统 |
US9159132B1 (en) * | 2012-12-07 | 2015-10-13 | Ricky Carl Crowsey | Process and system for identifying damage |
CN105096532A (zh) * | 2015-07-30 | 2015-11-25 | 西安石油大学 | 一种地质灾害预测系统 |
-
2016
- 2016-03-29 CN CN201610185944.XA patent/CN105893939B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221246A (zh) * | 2008-01-22 | 2008-07-16 | 中交第二公路勘察设计研究院有限公司 | 雪崩的遥感量化勘察方法 |
US8644578B1 (en) * | 2008-04-25 | 2014-02-04 | Stratovan Corporation | Method and apparatus of identifying objects of interest using imaging scans |
US9159132B1 (en) * | 2012-12-07 | 2015-10-13 | Ricky Carl Crowsey | Process and system for identifying damage |
CN104714786A (zh) * | 2013-12-14 | 2015-06-17 | 上海莞东拿信息科技有限公司 | 新式gis的旅游个人突发情况预处理系统 |
CN104361582A (zh) * | 2014-10-23 | 2015-02-18 | 河海大学 | 一种对象级高分辨率sar影像洪水灾害变化检测方法 |
CN105096532A (zh) * | 2015-07-30 | 2015-11-25 | 西安石油大学 | 一种地质灾害预测系统 |
Non-Patent Citations (1)
Title |
---|
马辉等: "黄河下游洪水卫星遥感监测方法研究与应用", 《人民黄河》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107566026A (zh) * | 2017-10-06 | 2018-01-09 | 廖忠民 | 多层次星座组网的卫星信息网络 |
CN107817019A (zh) * | 2017-10-06 | 2018-03-20 | 廖忠民 | Leo星座防灾监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105893939B (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kalfarisi et al. | Crack detection and segmentation using deep learning with 3D reality mesh model for quantitative assessment and integrated visualization | |
Tan et al. | Automatic detection of sewer defects based on improved you only look once algorithm | |
Berberoglu et al. | Assessing different remote sensing techniques to detect land use/cover changes in the eastern Mediterranean | |
German et al. | Rapid entropy-based detection and properties measurement of concrete spalling with machine vision for post-earthquake safety assessments | |
KR101856490B1 (ko) | 폭우에 대한 재해취약성 정보 자동처리방법 | |
Boccardo | New perspectives in emergency mapping | |
CN109816226B (zh) | 一种公园绿地防灾避险能力的评价方法及系统 | |
Zheng et al. | Vehicle detection based on morphology from highway aerial images | |
Yang et al. | Oil spill hyperspectral remote sensing detection based on DCNN with multi-scale features | |
Niemeyer et al. | Pixel-based and object-oriented change detection analysis using high-resolution imagery | |
CN105893939A (zh) | 一种水灾星上在轨检测及灾情评估方法 | |
Alizadeh et al. | Human-centered flood mapping and intelligent routing through augmenting flood gauge data with crowdsourced street photos | |
Ji et al. | Image‐based road crack risk‐informed assessment using a convolutional neural network and an unmanned aerial vehicle | |
de Alwis Pitts et al. | Enhanced change detection index for disaster response, recovery assessment and monitoring of buildings and critical facilities—A case study for Muzzaffarabad, Pakistan | |
CN117152617A (zh) | 一种城市洪涝识别方法及系统 | |
Gueguen et al. | A new built-up presence index based on density of corners | |
Hannan et al. | Feature extraction using Hough transform for solid waste bin level detection and classification | |
CN116129257A (zh) | 基于雷视融合的移动目标识别方法、装置及存储介质 | |
CN115359392A (zh) | 一种基于改进YOLOv5模型的路边施工行为检测方法 | |
Gueguen et al. | Urbanization analysis by mutual information based change detection between SPOT 5 panchromatic images | |
KR102298719B1 (ko) | 현장 수집 입력 데이터에 기초한 데이터 재가공 시스템 | |
CN104392436A (zh) | 一种遥感图像处理方法及装置 | |
Tuama | Bigdata Based Disaster Monitoring of Satellite Image Processing Using Progressive Image Classification Algorithm | |
CN114020725B (zh) | 一种考虑空间分布的窗口滑动gpm数据订正方法 | |
Jeganathan et al. | Comparison of MODIS vegetation continuous field—Based forest density maps with IRS-LISS III derived maps |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |