CN106683096A - 基于卫星遥感影像的冻土灾害信息提取方法及装置 - Google Patents
基于卫星遥感影像的冻土灾害信息提取方法及装置 Download PDFInfo
- Publication number
- CN106683096A CN106683096A CN201710056571.0A CN201710056571A CN106683096A CN 106683096 A CN106683096 A CN 106683096A CN 201710056571 A CN201710056571 A CN 201710056571A CN 106683096 A CN106683096 A CN 106683096A
- Authority
- CN
- China
- Prior art keywords
- data
- satellite remote
- permafrost
- sensing image
- permafrost hazards
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种基于卫星遥感影像的冻土灾害信息提取方法及装置。利用卫星遥感影像数据,结合基于冻土区域的冻土灾害类型条件,使用计算机自动分类、人机交互解译或波段合成的方法,可以从卫星遥感影像数据提取出符合冻土灾害类型条件的信息。从而可以构建相关区域的冻土灾害信息数据库,分析不良冻土地质现象对道路等其他工程潜在的威胁及由此可能导致的工程病害,为对降低工程病害的发生率和自然灾害对工程造成的破坏提供科学指导,为未来区内新建重大冻土工程的设计和施工提供科学依据,同时保护工程沿线生态环境。
Description
技术领域
本发明涉及遥感处理技术领域,具体而言,涉及一种基于卫星遥感影像的冻土灾害信息提取方法及装置。
背景技术
冻土是指零摄氏度以下,并含有冰的各种岩石和土壤。一般可分为短时冻土(数小时/数日以至半月)、季节冻土(半月至数月)以及多年冻土(又称永久冻土,指的是持续二年或二年以上的冻结不融的土层)。地球上多年冻土、季节冻土和短时冻土区的面积约占陆地面积的50%,其中,多年冻土面积占陆地面积的25%。冻土是一种对温度极为敏感的土体介质,含有丰富的地下冰。因此,冻土具有流变性,其长期强度远低于瞬时强度特征。正由于这些特征,在冻土区修筑工程构筑物就必须面临两大危险:冻胀和融沉。
因此,冻土区的地貌和地质变化对公路建设、建筑物建设和日常维护等生产生活具有十分重要的实际意义。现有技术中并没有系统的对冻土区域的地貌、冻土灾害等进行分析处理的方法。
发明内容
有鉴于此,本发明提供了一种基于卫星遥感影像的冻土灾害信息提取方法及装置,能够实现对冻土区域地貌特征的分析。
本发明提供的技术方案如下:
一种基于卫星遥感影像的冻土灾害信息提取方法,该方法包括:
获取不同时相的目标区域的卫星遥感影像数据;
对所述卫星遥感影像数据进行预处理,以完成全色波段和多光谱波段图像的融合;
基于冻土区域的基础资料、解译要素和解译标志,构建冻土灾害分类系统和解译标志;
根据所述解译标志,从经过预处理的卫星遥感影像数据中提取符合所述冻土灾害类型条件的冻土灾害信息。
优选地,对所述卫星遥感影像数据进行预处理的步骤包括:
获取所述卫星遥感影像数据中的多光谱高分数据;
对所述卫星遥感影像数据进行辐射定标,将各载荷的通道观测计数值转换为卫星载荷等效表观辐亮度数据;对多光谱高分数据进行辐射定标的公式为:
Le(ρe)=Gain·DN+Bias
式中,Gain为定标斜率,DN为卫星载荷观测值,Bias为定标截距;
获取与所述多光谱高分数据对应的波谱响应函数,对经过辐射定标的多光谱高分数据进行大气校正;
建立有理多项式函数模型,对经过大气校正的多光谱高分数据进行正射校正;在所述有理多项式函数模型中,采用一阶多项式来表示由光学投影引起的畸变误差模型,采用二阶多项式趋近由地球曲率、投影折射、镜头倾斜引起的畸变,采用三阶多项式来模拟高阶部分的其他畸变,及采用正解和反解变换进行所述正射校正;
根据所述有理多项式函数模型中系数填充多项式的系数,及输入未校正的影像得到待输出影像的地理范围、地面分辨率大小以及仿射变换参数,获取待输出影像上每个像素对应的地理坐标,将所述地理坐标变换为原始影像上的行列号,根据预设插值算法获取所述待输出影像上的对应的像素值,将对应的像素值写入到所述待输出影像中;
对所述卫星遥感影像数据中的全色波段数据进行辐射定标和正射校正,将处理后的多光谱高分数据和全色波段数据融合,得到所述目标区域的影像图。
优选地,基于基础资料、解译要素和解译标志,构建冻土灾害分类系统和解译标志的步骤包括:
获取所述目标区域的水文地质数据、工程地质数据、环境地质数据、遥感数据;
根据所述解译要素及解译标志获取冻土灾害类型,其中,所述解译要素包括地物形状、地物大小、地物粗糙度、地物反射差、地物纹理、地物色调;所述解译标志包括但不限于所述目标区域的地形地貌、冻土现象、冻土灾害;结合多时相遥感图像,构建所述冻土灾害类型包括但不限于冰锥、冰幔、湿地、草甸、冻胀丘、疑似冻胀丘、冻结湖塘、湿地、工程湿地、草甸其中的一种或多种。
优选地,根据所述解译标志,从经过预处理的卫星遥感影像数据中提取符合所述冻土灾害类型条件的冻土灾害信息的步骤包括:
通过计算机自动分类与人机交互目视解译相结合的方法,提取所述目标区域的冻土灾害类型及空间分布信息。
优选地,根据所述解译标志,从经过预处理的卫星遥感影像数据中提取符合所述冻土灾害类型条件的冻土灾害信息的步骤包括:
采用波段合成的方法进行提取。
本发明还提供了一种基于卫星遥感影像的冻土灾害信息提取装置,该装置包括:
数据获取模块,用于获取不同时相的目标区域的卫星遥感影像数据;
数据处理模块,用于对所述卫星遥感影像数据进行预处理,以完成全色波段和多光谱波段图像的融合;
冻土灾害类型分类模块,用于基于冻土区域的基础资料、解译要素和解译标志,提取冻土灾害类型;
信息提取模块,用于根据所述解译标志,从经过预处理的卫星遥感影像数据中提取符合所述冻土灾害类型条件的冻土灾害信息。
优选地,所述数据处理模块对所述卫星遥感影像数据进行预处理的方法包括:
获取所述卫星遥感影像数据中的多光谱高分数据;
对所述卫星遥感影像数据进行辐射定标,将各载荷的通道观测计数值转换为卫星载荷等效表观辐亮度数据;对多光谱高分数据进行辐射定标的公式为:
Le(ρe)=Gain·DN+Bias
式中,Gain为定标斜率,DN为卫星载荷观测值,Bias为定标截距;
获取与所述多光谱高分数据对应的波谱响应函数,对经过辐射定标的多光谱高分数据进行大气校正;
建立有理多项式函数模型,对经过大气校正的多光谱高分数据进行正射校正;在所述有理多项式函数模型中,采用一阶多项式来表示由光学投影引起的畸变误差模型,采用二阶多项式趋近由地球曲率、投影折射、镜头倾斜等因素引起的畸变,采用三阶多项式来模拟高阶部分的其他畸变,及采用正解和反解变换进行所述正射校正;
根据所述有理多项式函数模型中系数填充多项式的系数,及输入未校正的影像得到待输出影像的地理范围、地面分辨率大小以及仿射变换参数,获取待输出影像上每个像素对应的地理坐标,将所述地理坐标变换为原始影像上的行列号,根据预设插值算法获取所述待输出影像上的对应的像素值,将对应的像素值写入到所述待输出影像中;
对所述卫星遥感影像数据中的全色波段数据进行辐射定标和正射校正,将处理后的多光谱高分数据和全色波段数据融合,得到所述目标区域的影像图。
优选地,所述冻土灾害类型分类模块基于基础资料、解译要素和解译标志,提取冻土灾害类型的方法包括:
获取所述目标区域的水文地质数据、工程地质数据、环境地质数据、遥感数据;
根据所述解译要素及解译标志获取冻土灾害类型,其中,所述解译要素包括地物形状、地物大小、地物粗糙度、地物反射差、地物纹理、地物色调;所述解译标志包括但不限于所述目标区域的地貌、冻土现象、冻土灾害;构建所述冻土灾害类型包括但不限于冰锥、冰幔、湿地、草甸、冻胀丘、疑似冻胀丘、冻结湖塘、湿地、工程湿地、草甸其中的一种或多种。
优选地,所述信息提取模块根据所述解译标志,从经过预处理的卫星遥感影像数据中提取符合所述冻土灾害类型条件的冻土灾害信息的方法包括:
通过计算机自动分类与人机交互目视解译相结合的方法,提取所述目标区域的冻土灾害类型及空间分布信息。
优选地,所述信息提取模块根据所述解译标志,从经过预处理的卫星遥感影像数据中提取符合所述冻土灾害类型条件的冻土灾害信息的方法包括:
采用波段合成的方法进行提取。
在本申请实施例中,利用卫星遥感影像数据,结合基于冻土区域的冻土灾害类型条件,使用计算机自动分类和人机交互解译的方法,可以从卫星遥感影像数据提取出符合冻土灾害类型条件的信息。从而可以构建相关区域的冻土灾害信息数据库,分析不良冻土地质现象对道路等其他工程潜在的威胁及由此可能导致的工程病害,为对降低工程病害的发生率和自然灾害对工程造成的破坏提供科学指导,为未来区内新建重大冻土工程的设计和施工提供科学依据,同时保护工程沿线生态环境。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施方式提供的一种冻土灾害信息提取方法的流程示意图。
图2为本发明实施方式提供的一种冻土灾害信息提取方法中步骤S102的子步骤的流程示意图。
图3为本发明实施方式提供的一种冻土灾害信息提取方法中步骤S103的子步骤的流程示意图。
图4为本发明实施方式提供的一种冻土灾害信息提取装置的功能模块示意图。
图标:200-冻土灾害信息提取装置;201-数据获取模块;202-数据处理模块;203-冻土灾害类型分类模块;204-信息提取模块。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本申请实施例提供了一种基于卫星遥感影像的冻土灾害信息提取方法,如图1所示,该方法包括以下步骤。
步骤S101,获取不同时相的目标区域的卫星遥感影像数据。
冻土区域由于其特殊性,对社会生产生活都具有很重要的研究意义。在我国西藏冻土区内就需要对冻土灾害进行有效的观测,在西藏冻土区的人口聚集区及重要交通干线开展冻土灾害调查,调查其类型、规模、危害程度及成因,总结区域冻土灾害空间分布特征。对重大冻土灾害点开展定期观测,掌握其动态变化特征。主要针对冻土区地基土体冻胀和融沉的灾害特征,通过公路、建筑物基础冻胀和融沉防治技术的现场观测资料,分析冻土区地基冻胀和融沉的防治技术效果及其对地基下部冻土变化的影响。按照相关技术要求开展综合研究,区划西藏多年冻土分布特征,总结多年冻土区主要城镇和重要交通干线的冻土灾害类型、空间分布、危害程度及其动态变化特征。
利用卫星遥感影像可以更高效的实现对冻土灾害的类型和分布信息的调查。在本申请实施例中,可以采用我国的高分一号遥感卫星提供的遥感数据进行冻土灾害信息的分析。在进行冻土灾害信息的提取过程中,需要先获取目标区域的相关数据,并且由于冻土区域内的各种冻土灾害会因环境的变化而出现变化,因此需要获取不同时相的相关数据。
目标区域的确定可以根据实现需要进行,在本申请实施例中,可以选取西藏自治区的公路两侧的相关卫星遥感影像数据,影像区域可以包含道路两侧300米以内的区域,即以功率为中线的宽度的为600米的区域。以301省道、219国道、109国道为例,这一目标区域的总面积为6274平方公里。
通过获取目标区域的不同时相的相关卫星遥感影像数据,为后续的冻土区域的冻土灾害的分析提供数据基础。
步骤S102,对所述卫星遥感影像数据进行预处理,以完成全色波段和多光谱波段图像的融合。
在获取到相关卫星遥感影像数据后,需要先进行数据的预处理。具体的,如图2所示,预处理的步骤可以包括以下子步骤。
步骤S1021,获取所述卫星遥感影像数据中的多光谱高分数据。
从目标区域的相关卫星遥感影像数据中获取多光谱高光数据,例如在使用高分一号提供的影像数据时,就可以提取高分一号的230景。
步骤S1022,对所述卫星遥感影像数据进行辐射定标,将各载荷的通道观测计数值转换为卫星载荷等效表观辐亮度数据;其中,对多光谱高分数据进行辐射定标的公式为:
Le(ρe)=Gain·DN+Bias
式中,Gain为定标斜率,DN为卫星载荷观测值,Bias为定标截距。
对卫星遥感影像数据进行辐射定标是将传感器记录的无量纲的DN值转换成具有实际物理意义的大气顶层辐射亮度或反射率。辐射定标的原理是建立数字量化值与对应视场中辐射亮度值之间的定量关系,以消除传感器本身产生的误差。
辐射定标的系数可以根据下表进行。
步骤1023,获取与所述多光谱高分数据对应的波谱响应函数,对经过辐射定标的多光谱高分数据进行大气校正。
进行大气校正可以借助ENVI(The Environment for Visualizing Images,遥感图像处理)工具进行,可以快速、便捷、准确地对卫星遥感影像数据进行处理,通过大气校正可以校正由大气气溶胶等引起的散射和由于漫反射引起的邻域效应,消除大气和光照等因素对地物反射的影响,获得地物反射率和辐射率、地表温度等真实物理模型参数。
步骤S1024,建立有理多项式函数模型,对经过大气校正的多光谱高分数据进行正射校正。
在所述有理多项式函数模型中,采用一阶多项式来表示由光学投影引起的畸变误差模型,采用二阶多项式趋近由地球曲率、投影折射、镜头倾斜等因素引起的畸变,采用三阶多项式来模拟高阶部分的其他畸变,及采用正解和反解变换进行所述正射校正。
通过进行正射校正可以改正因地形起伏和传感器误差而引起的像点位移的影像。在地势起伏较大的地方,使用正射校正来解决地势起伏较大引起的误差。
步骤S1025,根据所述有理多项式函数模型中系数填充多项式的系数,及输入未校正的影像得到待输出影像的地理范围、地面分辨率大小以及仿射变换参数,获取待输出影像上每个像素对应的地理坐标,将所述地理坐标变换为原始影像上的行列号,根据预设插值算法获取所述待输出影像上的对应的像素值,将对应的像素值写入到所述待输出影像中。
步骤S1026,对所述卫星遥感影像数据中的全色波段数据进行辐射定标和正射校正,将处理后的多光谱高分数据和全色波段数据融合,得到所述目标区域的影像图。
通过分别对多光谱高分数据和全色波段数据的处理,将处理后的数据进行融合,即可得到目标区域的影像图。
步骤S103,基于冻土区域的基础资料、解译要素和解译标志,构建冻土灾害分类系统和解译标志。
如图3所示,具体的可以包括如下子步骤。
步骤S1031,获取所述目标区域的水文地质数据、工程地质数据、环境地质数据、遥感数据。
步骤S1032,根据所述解译要素及解译标志获取冻土灾害类型.
在分析已有水文地质、工程地质、环境地质、遥感资料,初步掌握工作区它们的基本特征和遥感影像特征的基础上,根据遥感影像的六大解译要素(地物的形状、大小、色调、粗糙度、反射差、纹形图案等特征),以及地貌、冻土现象、冻土灾害等系列解译标志,较确切地建立本次遥感解译分类体系及解译标志,采用不同时相遥感图像的对比分析,进一步确定和完善解译标志。
步骤S104,根据所述解译标志,从经过预处理的卫星遥感影像数据中提取符合所述冻土灾害类型条件的冻土灾害信息。
根据上述已经建立的分类系统和解译标志,即可对卫星遥感影像数据进行分析比对,将影像数据中的冻土灾害信息提取出来,将不同类型的冻土灾害信息进行标记汇总。
在本申请实施例中,基于高分一号系列数据,通过计算机自动分类与人机交互目视解译相结合的方法或者通过波段合成的方法,提取西藏自治区冻土灾害类型及空间分布信息。
本申请实施例还提供了一种冻土灾害信息提取装置200,如图4所示,包括:数据获取模块201、数据处理模块202、冻土灾害类型分类模块203和信息提取模块204。
数据获取模块201,用于获取不同时相的目标区域的卫星遥感影像数据。
数据处理模块202,用于对所述卫星遥感影像数据进行预处理,以完成全色波段和多光谱波段图像的融合。对所述卫星遥感影像数据进行预处理的方法可参见上述方法步骤的描述,这里不再赘述。
冻土灾害类型分类模块203,用于基于冻土区域的基础资料、解译要素和解译标志,提取冻土灾害类型。
信息提取模块204,用于根据所述解译标志,从经过预处理的卫星遥感影像数据中提取符合所述冻土灾害类型条件的冻土灾害信息。各模块工作的方法可参见上述方法步骤的描述,这里不再赘述。
综上所述,在本申请实施例中,利用卫星遥感影像数据,结合基于冻土区域的冻土灾害类型条件,使用计算机自动分类和人机交互解译的方法,可以从卫星遥感影像数据提取出符合冻土灾害类型条件的信息。从而可以构建相关区域的冻土灾害信息数据库,分析不良冻土地质现象对道路等其他工程潜在的威胁及由此可能导致的工程病害,为对降低工程病害的发生率和自然灾害对工程造成的破坏提供科学指导,为未来区内新建重大冻土工程的设计和施工提供科学依据,同时保护工程沿线生态环境。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于卫星遥感影像的冻土灾害信息提取方法,其特征在于,该方法包括:
获取不同时相的目标区域的卫星遥感影像数据;
对所述卫星遥感影像数据进行预处理,以完成全色波段和多光谱波段图像的融合;
基于冻土区域的基础资料、解译要素和解译标志,构建冻土灾害分类系统和解译标志;
根据所述解译标志,从经过预处理的卫星遥感影像数据中提取符合所述冻土灾害类型条件的冻土灾害信息。
2.根据权利要求1所述的基于卫星遥感影像的冻土灾害信息提取方法,其特征在于,对所述卫星遥感影像数据进行预处理的步骤包括:
获取所述卫星遥感影像数据中的多光谱高分数据;
对所述卫星遥感影像数据进行辐射定标,将各载荷的通道观测计数值转换为卫星载荷等效表观辐亮度数据;对多光谱高分数据进行辐射定标的公式为:
Le(ρe)=Gain·DN+Bias
式中,Gain为定标斜率,DN为卫星载荷观测值,Bias为定标截距;
获取与所述多光谱高分数据对应的波谱响应函数,对经过辐射定标的多光谱高分数据进行大气校正;
建立有理多项式函数模型,对经过大气校正的多光谱高分数据进行正射校正;在所述有理多项式函数模型中,采用一阶多项式来表示由光学投影引起的畸变误差模型,采用二阶多项式趋近由地球曲率、投影折射、镜头倾斜引起的畸变,采用三阶多项式来模拟高阶部分的其他畸变,及采用正解和反解变换进行所述正射校正;
根据所述有理多项式函数模型中系数填充多项式的系数,及输入未校正的影像得到待输出影像的地理范围、地面分辨率大小以及仿射变换参数,获取待输出影像上每个像素对应的地理坐标,将所述地理坐标变换为原始影像上的行列号,根据预设插值算法获取所述待输出影像上的对应的像素值,将对应的像素值写入到所述待输出影像中;
对所述卫星遥感影像数据中的全色波段数据进行辐射定标和正射校正,将处理后的多光谱高分数据和全色波段数据融合,得到所述目标区域的影像图。
3.根据权利要求2所述的基于卫星遥感影像的冻土灾害信息提取方法,其特征在于,基于基础资料、解译要素和解译标志,构建冻土灾害分类系统和解译标志的步骤包括:
获取所述目标区域的水文地质数据、工程地质数据、环境地质数据、遥感数据;
根据所述解译要素及解译标志获取冻土灾害类型,其中,所述解译要素包括地物形状、地物大小、地物粗糙度、地物反射差、地物纹理、地物色调;所述解译标志包括但不限于所述目标区域的地形地貌、冻土现象、冻土灾害;结合多时相遥感图像,构建所述冻土灾害类型包括但不限于冰锥、冰幔、湿地、草甸、冻胀丘、疑似冻胀丘、冻结湖塘、湿地、工程湿地、草甸其中的一种或多种。
4.根据权利要求3所述的基于卫星遥感影像的冻土灾害信息提取方法,其特征在于,根据所述解译标志,从经过预处理的卫星遥感影像数据中提取符合所述冻土灾害类型条件的冻土灾害信息的步骤包括:
通过计算机自动分类与人机交互目视解译相结合的方法,提取所述目标区域的冻土灾害类型及空间分布信息。
5.根据权利要求3所述的基于卫星遥感影像的冻土灾害信息提取方法,其特征在于,根据所述解译标志,从经过预处理的卫星遥感影像数据中提取符合所述冻土灾害类型条件的冻土灾害信息的步骤包括:
采用波段合成的方法进行提取。
6.一种基于卫星遥感影像的冻土灾害信息提取装置,其特征在于,该装置包括:
数据获取模块,用于获取不同时相的目标区域的卫星遥感影像数据;
数据处理模块,用于对所述卫星遥感影像数据进行预处理,以完成全色波段和多光谱波段图像的融合;
冻土灾害类型分类模块,用于基于冻土区域的基础资料、解译要素和解译标志,提取冻土灾害类型;
信息提取模块,用于根据所述解译标志,从经过预处理的卫星遥感影像数据中提取符合所述冻土灾害类型条件的冻土灾害信息。
7.根据权利要求6所述的基于卫星遥感影像的冻土灾害信息提取装置,其特征在于,所述数据处理模块对所述卫星遥感影像数据进行预处理的方法包括:
获取所述卫星遥感影像数据中的多光谱高分数据;
对所述卫星遥感影像数据进行辐射定标,将各载荷的通道观测计数值转换为卫星载荷等效表观辐亮度数据;对多光谱高分数据进行辐射定标的公式为:
Le(ρe)=Gain·DN+Bias
式中,Gain为定标斜率,DN为卫星载荷观测值,Bias为定标截距;
获取与所述多光谱高分数据对应的波谱响应函数,对经过辐射定标的多光谱高分数据进行大气校正;
建立有理多项式函数模型,对经过大气校正的多光谱高分数据进行正射校正;在所述有理多项式函数模型中,采用一阶多项式来表示由光学投影引起的畸变误差模型,采用二阶多项式趋近由地球曲率、投影折射、镜头倾斜等因素引起的畸变,采用三阶多项式来模拟高阶部分的其他畸变,及采用正解和反解变换进行所述正射校正;
根据所述有理多项式函数模型中系数填充多项式的系数,及输入未校正的影像得到待输出影像的地理范围、地面分辨率大小以及仿射变换参数,获取待输出影像上每个像素对应的地理坐标,将所述地理坐标变换为原始影像上的行列号,根据预设插值算法获取所述待输出影像上的对应的像素值,将对应的像素值写入到所述待输出影像中;
对所述卫星遥感影像数据中的全色波段数据进行辐射定标和正射校正,将处理后的多光谱高分数据和全色波段数据融合,得到所述目标区域的影像图。
8.根据权利要求7所述的基于卫星遥感影像的冻土灾害信息提取装置,其特征在于,所述冻土灾害类型分类模块基于基础资料、解译要素和解译标志,提取冻土灾害类型的方法包括:
获取所述目标区域的水文地质数据、工程地质数据、环境地质数据、遥感数据;
根据所述解译要素及解译标志获取冻土灾害类型,其中,所述解译要素包括地物形状、地物大小、地物粗糙度、地物反射差、地物纹理、地物色调;所述解译标志包括但不限于所述目标区域的地貌、冻土现象、冻土灾害;构建所述冻土灾害类型包括但不限于冰锥、冰幔、湿地、草甸、冻胀丘、疑似冻胀丘、冻结湖塘、湿地、工程湿地、草甸其中的一种或多种。
9.根据权利要求8所述的基于卫星遥感影像的冻土灾害信息提取装置,其特征在于,所述信息提取模块根据所述解译标志,从经过预处理的卫星遥感影像数据中提取符合所述冻土灾害类型条件的冻土灾害信息的方法包括:
通过计算机自动分类与人机交互目视解译相结合的方法,提取所述目标区域的冻土灾害类型及空间分布信息。
10.根据权利要求8所述的基于卫星遥感影像的冻土灾害信息提取装置,其特征在于,所述信息提取模块根据所述解译标志,从经过预处理的卫星遥感影像数据中提取符合所述冻土灾害类型条件的冻土灾害信息的方法包括:
采用波段合成的方法进行提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710056571.0A CN106683096B (zh) | 2017-01-25 | 2017-01-25 | 基于卫星遥感影像的冻土灾害信息提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710056571.0A CN106683096B (zh) | 2017-01-25 | 2017-01-25 | 基于卫星遥感影像的冻土灾害信息提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106683096A true CN106683096A (zh) | 2017-05-17 |
CN106683096B CN106683096B (zh) | 2019-09-03 |
Family
ID=58860103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710056571.0A Active CN106683096B (zh) | 2017-01-25 | 2017-01-25 | 基于卫星遥感影像的冻土灾害信息提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106683096B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107526904A (zh) * | 2017-10-11 | 2017-12-29 | 中国科学院寒区旱区环境与工程研究所 | 基于站点的冻土指数确定方法及电子设备 |
CN107577916A (zh) * | 2017-10-11 | 2018-01-12 | 中国科学院寒区旱区环境与工程研究所 | 基于区域的冻土指数确定方法及电子设备 |
CN107730109A (zh) * | 2017-10-11 | 2018-02-23 | 中国科学院寒区旱区环境与工程研究所 | 温度相关的冻土指数确定方法及电子设备 |
CN109344810A (zh) * | 2018-11-26 | 2019-02-15 | 国智恒北斗科技集团股份有限公司 | 一种基于高分卫星遥感数据的耕地变化监测方法及系统 |
CN109670426A (zh) * | 2018-12-07 | 2019-04-23 | 河北工程大学 | 一种基于陆地卫星遥感影像数据源的地物信息提取方法 |
CN112288641A (zh) * | 2020-09-16 | 2021-01-29 | 江苏省气候中心 | 一种高分卫星影像数据批量预处理方法 |
CN112988934A (zh) * | 2021-03-15 | 2021-06-18 | 南宁师范大学 | 基于snap架构的高分三号卫星数据转换方法及装置 |
CN114413841A (zh) * | 2022-01-21 | 2022-04-29 | 中国科学院西北生态环境资源研究院 | 一种冻土分带制图方法、装置、电子设备及存储介质 |
CN115410095A (zh) * | 2022-10-31 | 2022-11-29 | 天津市地质工程勘测设计院有限公司 | 灾害信息获取方法、装置、电子设备和计算机可读介质 |
Citations (4)
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 |
US20090252424A1 (en) * | 2008-04-03 | 2009-10-08 | Hitachi, Ltd. | Computer-aided image interpretation method and device |
CN103218747A (zh) * | 2013-02-08 | 2013-07-24 | 中国地质科学院矿产资源研究所 | 离子吸附型稀土矿非法开采监测与预警系统和方法 |
CN103268613A (zh) * | 2013-05-28 | 2013-08-28 | 北京林业大学 | 利用遥感、地理信息系统技术检测小班林业资源的方法 |
-
2017
- 2017-01-25 CN CN201710056571.0A patent/CN106683096B/zh active Active
Patent Citations (4)
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 |
US20090252424A1 (en) * | 2008-04-03 | 2009-10-08 | Hitachi, Ltd. | Computer-aided image interpretation method and device |
CN103218747A (zh) * | 2013-02-08 | 2013-07-24 | 中国地质科学院矿产资源研究所 | 离子吸附型稀土矿非法开采监测与预警系统和方法 |
CN103268613A (zh) * | 2013-05-28 | 2013-08-28 | 北京林业大学 | 利用遥感、地理信息系统技术检测小班林业资源的方法 |
Non-Patent Citations (1)
Title |
---|
邢元军 等: "QuickBird遥感影像的融合及在土地利用类型调查中的应用研究", 《四川林勘设计》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107577916A (zh) * | 2017-10-11 | 2018-01-12 | 中国科学院寒区旱区环境与工程研究所 | 基于区域的冻土指数确定方法及电子设备 |
CN107730109A (zh) * | 2017-10-11 | 2018-02-23 | 中国科学院寒区旱区环境与工程研究所 | 温度相关的冻土指数确定方法及电子设备 |
CN107526904B (zh) * | 2017-10-11 | 2020-03-27 | 中国科学院寒区旱区环境与工程研究所 | 基于站点的冻土指数确定方法及电子设备 |
CN107577916B (zh) * | 2017-10-11 | 2020-03-31 | 中国科学院寒区旱区环境与工程研究所 | 基于区域的冻土指数确定方法及电子设备 |
CN107730109B (zh) * | 2017-10-11 | 2020-06-09 | 中国科学院寒区旱区环境与工程研究所 | 温度相关的冻土指数确定方法及电子设备 |
CN107526904A (zh) * | 2017-10-11 | 2017-12-29 | 中国科学院寒区旱区环境与工程研究所 | 基于站点的冻土指数确定方法及电子设备 |
CN109344810A (zh) * | 2018-11-26 | 2019-02-15 | 国智恒北斗科技集团股份有限公司 | 一种基于高分卫星遥感数据的耕地变化监测方法及系统 |
CN109670426B (zh) * | 2018-12-07 | 2023-08-04 | 河北工程大学 | 一种基于陆地卫星遥感影像数据源的地物信息提取方法 |
CN109670426A (zh) * | 2018-12-07 | 2019-04-23 | 河北工程大学 | 一种基于陆地卫星遥感影像数据源的地物信息提取方法 |
CN112288641A (zh) * | 2020-09-16 | 2021-01-29 | 江苏省气候中心 | 一种高分卫星影像数据批量预处理方法 |
CN112288641B (zh) * | 2020-09-16 | 2024-05-17 | 江苏省气候中心 | 一种高分卫星影像数据批量预处理方法 |
CN112988934B (zh) * | 2021-03-15 | 2021-09-28 | 南宁师范大学 | 基于snap架构的高分三号卫星数据转换方法及装置 |
CN112988934A (zh) * | 2021-03-15 | 2021-06-18 | 南宁师范大学 | 基于snap架构的高分三号卫星数据转换方法及装置 |
CN114413841A (zh) * | 2022-01-21 | 2022-04-29 | 中国科学院西北生态环境资源研究院 | 一种冻土分带制图方法、装置、电子设备及存储介质 |
CN114413841B (zh) * | 2022-01-21 | 2024-02-27 | 中国科学院西北生态环境资源研究院 | 一种冻土分带制图方法、装置、电子设备及存储介质 |
CN115410095A (zh) * | 2022-10-31 | 2022-11-29 | 天津市地质工程勘测设计院有限公司 | 灾害信息获取方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106683096B (zh) | 2019-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106683096A (zh) | 基于卫星遥感影像的冻土灾害信息提取方法及装置 | |
Nguyen et al. | Zoning eco-environmental vulnerability for environmental management and protection | |
Ling et al. | Measuring river wetted width from remotely sensed imagery at the subpixel scale with a deep convolutional neural network | |
Adediran et al. | Computer-assisted discrimination of morphological units on north-central Crete (Greece) by applying multivariate statistics to local relief gradients | |
Juel et al. | Spatial application of Random Forest models for fine-scale coastal vegetation classification using object based analysis of aerial orthophoto and DEM data | |
Hansen et al. | Continuous fields of land cover for the conterminous United States using Landsat data: First results from the Web-Enabled Landsat Data (WELD) project | |
Zewdie et al. | Remote sensing based multi-temporal land cover classification and change detection in northwestern Ethiopia | |
Negrón-Juárez et al. | Detection of subpixel treefall gaps with Landsat imagery in Central Amazon forests | |
Mei et al. | Assessment of land cover changes in Lampedusa Island (Italy) using Landsat TM and OLI data | |
Wang et al. | Estimation of soil salt content using machine learning techniques based on remote-sensing fractional derivatives, a case study in the Ebinur Lake Wetland National Nature Reserve, Northwest China | |
Saha et al. | GIS‐based route planning in landslide‐prone areas | |
Feng et al. | Rapid remote sensing assessment of impacts from Hurricane Maria on forests of Puerto Rico | |
Bharath et al. | Green to gray: Silicon valley of India | |
CN102622738A (zh) | 一种Landsat TM/ETM+图像中山体阴影区的光谱信息恢复方法 | |
Wu et al. | Analysis on the damage and recovery of typhoon disaster based on UAV orthograph | |
Hwang et al. | Expanding vegetated areas by human activities and strengthening vegetation growth concurrently explain the greening of Seoul | |
Wang et al. | Inversion of soil salinity according to different salinization grades using multi-source remote sensing | |
Liu et al. | Vietnam wetland cover map: Using hydro-periods Sentinel-2 images and Google Earth Engine to explore the mapping method of tropical wetland | |
Koranteng et al. | Remote sensing study of land use/cover change in West Africa | |
Chaikaew | Land use change monitoring and modelling using gis and remote sensing data for watershed scale in Thailand | |
Chen et al. | Lidar calibration and validation for geometric-optical modeling with Landsat imagery | |
Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
Mäkisara et al. | The multi-source national forest inventory of Finland—methods and results 2017 and 2019 | |
Amaral et al. | Drivers of mangrove vulnerability and resilience to tropical cyclones in the North Atlantic Basin | |
Zhang | Modeling net primary productivity of wetland with a satellite-based light use efficiency model |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200527 Address after: 730000 No.318, Donggang West Road, Chengguan District, Lanzhou City, Gansu Province Patentee after: NORTHWEST INSTITUTE OF ECO-ENVIRONMENT AND RESOURCES, CAS Address before: Chengguan District of Gansu city of Lanzhou province Donggang West Road 730000 No. 320 Patentee before: Institute of environment and Engineering in cold and dry areas, Chinese Academy of Sciences |
|
TR01 | Transfer of patent right |