CN109489637B - 水量变化监测方法、装置、计算机设备和存储介质 - Google Patents
水量变化监测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109489637B CN109489637B CN201811327253.4A CN201811327253A CN109489637B CN 109489637 B CN109489637 B CN 109489637B CN 201811327253 A CN201811327253 A CN 201811327253A CN 109489637 B CN109489637 B CN 109489637B
- Authority
- CN
- China
- Prior art keywords
- water level
- lake
- sequence
- survey
- high water
- 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 title claims abstract description 689
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 133
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 126
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 126
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 49
- 238000004590 computer program Methods 0.000 claims description 19
- 239000000284 extract Substances 0.000 claims description 15
- 230000003287 optical effect Effects 0.000 claims description 13
- 238000011160 research Methods 0.000 claims description 12
- 230000002194 synthesizing effect Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012887 quadratic function Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 16
- 238000012512 characterization method Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- OMPJBNCRMGITSC-UHFFFAOYSA-N Benzoylperoxide Chemical compound C=1C=CC=CC=1C(=O)OOC(=O)C1=CC=CC=C1 OMPJBNCRMGITSC-UHFFFAOYSA-N 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 229940060894 topex Drugs 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/008—Surveying specially adapted to open water, e.g. sea, lake, river or canal measuring depth of open water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/882—Radar or analogous systems specially adapted for specific applications for altimeters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple 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
- G06T2207/10016—Video; Image sequence
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Fluid Mechanics (AREA)
- Multimedia (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请涉及一种水量变化监测方法、装置、计算机设备和存储介质。该方法包括:获取湖泊岸线变化序列、湖泊面积变化序列及合成的测高水位序列,根据合成的测高水位序列和湖泊岸线变化序列通过计算得到湖泊水位序列,根据湖泊面积变化序列和湖泊水位序列通过运算得到湖泊水量与水位的数学关系,根据得到的湖泊水位序列及湖泊水量与水位的数学关系通过计算得到湖泊水量变化序列。本申请由湖泊面积变化序列及湖泊水位序列得到湖泊水量与水位的数学关系,由湖泊水位序列及湖泊水量与水位的数学关系得到湖泊水量变化序列,通过算法得到湖泊水量与水位,由湖泊水位序列得到湖泊水量,实现对湖泊水量的准确遥感监测。
Description
技术领域
本申请涉及湖泊水量监测技术领域,特别是涉及一种水量变化监测方法、装置、计算机设备和存储介质。
背景技术
随着遥感测量技术以及卫星测高技术的发展,湖泊水量变化的遥感监测技术也在不断进步。湖泊具有调蓄洪水、调节气候、养殖灌溉、旅游开发等自然生态效益和社会经济效益。受到人为干扰较少的湖泊的水量变化能反映区域水文过程对气候变化的响应,对于气候变化研究具有重要的指导意义。近年来青藏高原地区湖泊扩张趋势显著,一些靠近湖岸的基础设施如公路、输电线路等面临着淹没风险,因此有必要提供一种水量变化的监控方法。
传统的湖泊水量变化主要是通过遥感技术进行监测,如湖泊面积遥感反演、湖泊水位遥感反演。其中湖泊面积遥感反演的基础是中高分辨率的光学或SAR遥感影像,如美国Landsat系列、欧洲Sentinel系列、中国高分卫星系列、中巴资源卫星、中国环境卫星等。提取湖泊面积可以通过人工勾绘湖泊边界、水体指数自动阈值提取,当数据量较大时后者更为高效,当然也可能引入随机误差。湖泊水位的遥感反演主要依靠卫星测高技术。卫星测高的基本原理是用雷达发射电磁脉冲信号(微波或者激光)并测量脉冲往返反射面和卫星之间的时间来确定卫星到反射面的距离,再根据卫星轨道距参考椭球的高度计算出反射面到参考椭球的高度,减去大地高后可以得到反射面到大地水准面的高度。常用的测高卫星包括:ERS系列、ENVISAT、TOPEX、Jason系列、ICESat、Cryosat-2等,其中ICESat为激光雷达卫星。
但传统的湖泊水量变化的监测方法的测量准确度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高准确性的水量变化监测方法、装置、计算机设备和存储介质。
一种水量变化监测方法,所述方法包括:
获取湖泊岸线变化序列、湖泊面积变化序列以及合成的测高水位序列;
根据所述合成的测高水位序列以及所述湖泊岸线变化序列,得到湖泊水位序列;
根据所述湖泊面积变化序列以及所述湖泊水位序列,运算得到湖泊水量与水位的数学关系;
根据所述湖泊水位序列以及所述湖泊水量与水位的数学关系,得到湖泊水量变化序列。
在其中一个实施例中,根据所述合成的测高水位序列以及所述湖泊岸线变化序列,通过线性回归分析,将预设的第一时间间隔内的所述合成的测高水位序列和所述湖泊岸线变化序列进行匹配,得到回归系数和决定系数;
根据所述回归系数和决定系数,将所述湖泊岸线变化序列进行计算得到光学水位序列;
根据所述光学水位序列和所述合成的测高水位序列,得到所述湖泊水位序列。
在其中一个实施例中,根据所述湖泊面积变化序列以及所述湖泊水位序列,通过二次函数拟合得到湖泊面积与水位的数学关系;
根据所述湖泊面积与水位的数学关系,通过积分运算得到所述湖泊水量与水位的数学关系。
在其中一个实施例中,获取不同来源的测高水位序列;
判断各个来源的测高水位序列的重叠期是否大于第一预设值;
当所述各个来源的测高水位序列的重叠期大于所述第一预设值时,根据不同的系统偏差,分别对各个所述测高水位序列进行更新合成,获得更新合成后的测高水位序列;分别计算各个不同的所述更新合成后的测高水位序列对应的平滑度,根据各个不同的所述更新合成后的测高水位序列对应的平滑度确定目标平滑度,并依据所述目标平滑度得到所述合成的测高水位序列;
当所述各个来源的测高水位序列的重叠期小于或等于所述第一预设值时,根据不同的系统偏差,分别对各个所述测高水位序列进行更新合成,获得更新合成后的测高水位序列;并分别将各个不同的所述更新合成后的测高水位序列与所述湖泊岸线变化序列进行线性拟合,获得各个不同的所述更新合成后的测高水位序列的拟合结果值,并将拟合结果值最高的一组所述更新合成后的测高水位序列作为所述合成的测高水位序列。
在其中一个实施例中,获取各个不同的所述更新合成后的测高水位序列对应的平滑度;
对多个所述平滑度进行排序,将最小的一个平滑度作为所述目标平滑度;
将所述目标平滑度对应的更新合成后的测高水位序列作为所述合成的测高水位序列。
在其中一个实施例中,获取当前更新合成后的测高水位序列中各个测高水位的采样时间;
根据所述当前测高水位的采样时间以及所述当前测高水位之后的下一测高水位的采样时间,获得当前测高水位对应的权重;
根据所述当前测高水位的水位值以及所述当前测高水位之后的下一测高水位的水位值,获得当前测高水位对应的水位变化量;
根据所述当前测高水位对应的权重以及所述当前更新合成后的测高水位序列中各个测高水位对应的水位变化量,获得各个不同的所述当前更新合成后的测高水位序列对应的平滑度。
在其中一个实施例中,接收不同来源的测高波形;
分别确定每一来源的测高波形落在湖面范围内的采样点;
分别对所述不同来源的测高波形通过改进的门槛值法进行波形重定,得到每一来源的测高波形中,所述采样点在每个周期内的对应的一个或多个测高水位;
通过聚类算法对所述采样点在每个周期内的对应的多个测高水位进行筛选,得到各个周期对应的一个所述测高水位;
根据各周期对应的一个所述测高水位得到所述不同来源的测高水位。
在其中一个实施例中,通过识别回波功率的位置对所述测高波形进行子波形分离,得到分割后的各子波形以及数量;
对所述各子波形通过阈值法计算距离改正,根据所述距离改正对所述不同来源的测高波形进行修正,得到不同周期内的每个所述采样点对应的一个或多个测高水位。
在其中一个实施例中,获得多个第一回波功率差、多个第二回波功率差、第一均方差、第二均方差及第一参考值;
当各个所述采样点对应的所述第二回波功率差中,存在连续的第一预设数量以上的第二回波功率差均大于所述第一参考值时,则所述连续的第一预设数量以上的第二回波功率差对应的测高波形作为对应的子列,记录起始序号和长度,作为所述测高波形潜在的所述子波形位置;
分别计算各个所述子列中第一回波功率差小于或等于所述第一均方误差的采样点的数量,当所述采样点的数量大于或等于第二预设数量时,判断所述子列不构成所述子波形;
当所述采样点的数量小于所述第二预设数量时,判断所述子列构成所述子波形。
在其中一个实施例中,获取当前采样点对应的回波功率、所述当前采样点之后的下一采样点对应的回波功率,以及所述当前采样点之后的第二个采样点对应的回波功率;
根据当前采样点对应的回波功率,以及所述当前采样点之后的下一采样点对应的回波功率,得到多个第一回波功率差;
根据当前采样点对应的回波功率,以及所述当前采样点之后的第二个采样点对应的回波功率,得到多个第二回波功率差;
根据所述多个第一回波功率差,得到所述第一回波功率差对应的第一均方误差;
根据所述多个第二回波功率差,得到所述第二回波功率差对应的第二均方误差;
根据第一预设倍数与所述第一均方误差,计算获得所述第一参考值。
在其中一个实施例中,根据所述各子波形,计算所述各子波形的波形振幅;
根据所述各子波形,计算所述子波形的前N个所述采样点的回波功率的平均值,其中,N大于或等于1,N为正整数;
将所述各子波形的波形振幅以及所述子波形前N个所述采样点的回波功率的平均值之和的一半作为阈值,通过线性内插法确定出所述各子波形的前缘中点,计算得到所述各子波形对应的距离改正;
根据所述距离改正对所述不同来源的测高波形进行修正,得到不同周期内的每个所述采样点对应的一个或多个测高水位。
在其中一个实施例中,对所述采样点在每个周期内的对应的多个测高水位等间距抽取水位区间;
统计各水位区间内的所述测高水位作为聚集度,选取出聚集度最大的水位区间,并计算所述聚集度最大的水位区间内的所述测高水位的平均值,作为聚类中心,将所述聚类中心作为所述各周期对应的一个所述测高水位。
在其中一个实施例中,判断同一周期内落入所述聚集度最大的水位区间中的测高水位值的数量是否大于或等于第二预设值;
当同一周期内落入所述聚集度最大的水位区间中的测高水位值的数量大于或等于第二预设值时,确定所述聚类中心的质量等级为Ⅰ等;
当同一周期内落入所述聚集度最大的水位区间中的测高水位值的数量小于第二预设值时,判断同一周期内落入聚集度最大的水位区间中的测高水位值的数量是否大于或等于第三预设值;
当同一周期内落入聚集度最大的水位区间中的测高水位值的数量大于或等于第三预设值时,确定所述聚类中心的质量等级为Ⅱ等;
当同一周期内落入聚集度最大的水位区间中的测高水位值的数量小于第三预设值时,确定所述聚类中心的质量等级为Ⅲ等;
其中,所述第二预设值大于所述第三预设值。
在其中一个实施例中,当测高水位落在质量等级为Ⅲ等的水位区间内,且所述测高水位与邻近水位值的偏差大于或等于预设阈值时,将所述测高水位的数据删掉。
在其中一个实施例中,接收遥感影像;
接收到作为研究区的区域选择命令;
对处于不同时期的影像选取不同的水体指数,通过水体指数提取水体图像;
通过最大类间方差法,选取满足类间方差最大的阈值,对提取的水体图像进行分割,并统计目标像元数目,得到水体面积,所述水体面积用于表示所述湖泊岸线变化序列以及所述湖泊面积变化序列。
在其中一个实施例中,判断是否为积雪期影像;
当判断为积雪期影像时,选取归一化水体指数提取水体图像;
当判断为非积雪期影像时,选取改进的归一化水体指数提取水体图像。
一种水量变化监测装置,所述装置包括:
获取模块,用于获取湖泊岸线变化序列、湖泊面积变化序列以及合成的测高水位序列;
湖泊水位获取模块,用于根据所述合成的测高水位序列以及所述湖泊岸线变化序列,得到湖泊水位序列;
水量与水位关系获取模块,用于根据所述湖泊面积变化序列以及所述湖泊水位序列,运算得到湖泊水量与水位的数学关系;
水量变化获取模块,用于根据所述湖泊水位序列以及所述湖泊水量与水位的数学关系,得到湖泊水量变化序列。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取湖泊岸线变化序列、湖泊面积变化序列以及合成的测高水位序列;
根据所述合成的测高水位序列以及所述湖泊岸线变化序列,得到湖泊水位序列;
根据所述湖泊面积变化序列以及所述湖泊水位序列,运算得到湖泊水量与水位的数学关系;
根据所述湖泊水位序列以及所述湖泊水量与水位的数学关系,得到湖泊水量变化序列。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取湖泊岸线变化序列、湖泊面积变化序列以及合成的测高水位序列;
根据所述合成的测高水位序列以及所述湖泊岸线变化序列,得到湖泊水位序列;
根据所述湖泊面积变化序列以及所述湖泊水位序列,运算得到湖泊水量与水位的数学关系;
根据所述湖泊水位序列以及所述湖泊水量与水位的数学关系,得到湖泊水量变化序列。
上述水量变化监测方法、装置、计算机设备和存储介质,系统获取到湖泊岸线变化序列、湖泊面积变化序列以及合成的测高水位序列,然后系统根据合成的测高水位序列和湖泊岸线变化序列,通过计算得到湖泊水位序列,之后系统根据湖泊面积变化序列和湖泊水位序列,通过运算得到湖泊水量与水位的数学关系,最后系统根据得到的湖泊水位序列以及湖泊水量与水位的数学关系,通过计算得到湖泊水量变化序列,实现对湖泊水量的遥感监测。本申请中通过根据获取到的湖泊岸线变化序列以及合成的测高水位序列,得到湖泊水位序列,根据获取到的湖泊面积变化序列以及湖泊水位序列,得到湖泊水量与水位的数学关系,根据湖泊水位序列以及湖泊水量与水位的数学关系,得到湖泊水量变化序列,通过算法实现了湖泊岸线变化序列以及湖泊面积变化序列的自动提取,进而得到湖泊水量与水位,根据湖泊水位序列得到湖泊水量,实现对湖泊水量的遥感监测,对湖泊水量变化的监测更加准确,能够对湖泊长时间监测,从而也避免了实地考察湖泊水量变化带来的人力物力的浪费,提高测量准确性。
附图说明
图1为一个实施例中水量变化监测方法的流程示意图;
图2为另一个实施例中水量变化监测方法的流程示意图;
图3为另一个实施例中水量变化监测方法的流程示意图;
图4为一个实施例中步骤S124的流程示意图;
图5为一个实施例中步骤S1242的流程示意图;
图6为一个实施例中步骤S114的流程示意图;
图7为一个实施例中步骤S1142的流程示意图;
图8为一个实施例中步骤S11422的流程示意图;
图9为一个实施例中步骤S1144的流程示意图;
图10为一个实施例中步骤S116聚类算法进行筛选的流程示意图;
图11为一个实施例中聚类中心质量等级划分的流程示意图;
图12为使用聚类算法进行筛选的结果示意图;
图13为研究区选取的示意图;
图14为一个实施例中步骤S132不同水体指数选取的流程示意图;
图15为两种不同水体指数在对于积雪期影像提取水体图像的效果;
图16为运用本申请方法获取的水量变化结果,以色林错为例;
图17为一个实施例中水量变化监测装置的结构框图;
图18为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请实施例提供了一种水量变化监测方法,该方法用于实现偏远地区的湖泊水量变化的准确监测,能够对湖泊长时间监测,从而也避免了实地考察湖泊水量变化带来的人力物力的浪费,提高测量准确性。具体地,此方法可以包括以下步骤:
步骤S102,获取湖泊岸线变化序列、湖泊面积变化序列以及合成的测高水位序列。
其中,岸线是指常水位时界线;湖泊面积是指湖泊界线包围的范围,又称湖面面积;水位是指自由水面相对于某一基面的高程,水面离河底的距离称水深。此处,湖泊岸线变化序列是指基于遥感影像得到的表征湖泊岸线变化的一列数据,湖泊面积变化序列是指基于遥感影像得到的表征湖泊面积变化的一列数据,合成的测高水位序列是指基于测高卫星数据得到的准确表征湖泊水位的一列测高数据。
具体地,系统获取到湖泊岸线变化序列、湖泊面积变化序列以及合成的测高水位序列,用于计算得到湖泊水量的变化。
步骤S104,根据合成的测高水位序列以及湖泊岸线变化序列,得到湖泊水位序列。
其中,湖泊水位序列是指表征湖泊水位变化的一列准确数据。
具体地,系统根据获取到的合成的测高水位序列以及湖泊岸线变化序列,通过计算得到湖泊水位序列。进一步地,系统可以根据获得的合成的测高水位序列以及湖泊岸线变化序列,得到光学水位序列,然后根据得到的光学水位序列以及合成的测高水位序列,得到湖泊水位序列。
步骤S106,根据湖泊面积变化序列以及湖泊水位序列,运算得到湖泊水量与水位的数学关系。
其中,湖泊水量与水位的数学关系表示湖泊水量随水位变化的数学关系。
具体地,系统得到湖泊水位序列之后,根据获取到的湖泊面积变化序列以及湖泊水位序列,通过运算等得到湖泊水量与水位的数学关系。进一步地,系统可以根据湖泊面积变化序列以及湖泊水位序列,得到湖泊面积与水位的数学关系,然后根据湖泊面积与水位数学关系,得到湖泊水量与水位的数学关系。本申请实施例中,该湖泊水量与水位的数学关系,湖泊面积与水位的数学关系等均可以通过数学函数表示。
步骤S108,根据湖泊水位序列以及湖泊水量与水位的数学关系,得到湖泊水量变化序列。
其中,湖泊水量变化序列是指能够表征湖泊水量变化的一列数据。
具体地,系统根据获取到的湖泊水位序列以及湖泊水量与水位的数学关系,通过计算得到湖泊水量变化序列。
上述水量变化监测方法中,系统获取到湖泊岸线变化序列、湖泊面积变化序列以及合成的测高水位序列,然后系统根据合成的测高水位序列和湖泊岸线变化序列,通过计算得到湖泊水位序列,之后系统根据湖泊面积变化序列和湖泊水位序列,通过运算得到湖泊水量与水位的数学关系,最后系统根据得到的湖泊水位序列以及湖泊水量与水位的数学关系,通过计算得到湖泊水量变化序列。本申请通过对湖泊岸线变化序列以及湖泊面积变化序列的自动提取,对湖泊水量的遥感监测,实现对湖泊水量变化的准确监测,同时能够对偏远地区湖泊水量变化进行长时间的监测。
在其中一个实施例中,请参阅图2,步骤S104可以包括以下步骤:
S1042,根据合成的测高水位序列以及湖泊岸线变化序列,通过线性回归分析,将预设的第一时间间隔内的合成的测高水位序列和湖泊岸线变化序列进行匹配,得到回归系数和决定系数。
其中,预设的第一时间间隔是可以自行选取的,例如,可以选取第一时间间隔为5天内的合成的测高水位序列和湖泊岸线变化序列。回归系数是指在回归方程中表示自变量对因变量影响大小的参数,回归系数越大表示自变量对因变量的影响越大。决定系数表征线性拟合的程度,决定系数越大表征线性拟合的程度越好,范围在0~1之间,通常能够达到0.8以上。
具体地,系统获得合成的测高水位序列以及湖泊岸线变化序列之后,将获得的合成的测高水位序列以及湖泊岸线变化序列进行线性回归分析,将预设的第一时间间隔内的合成的测高水位序列和湖泊岸线变化序列进行匹配,得到回归系数和决定系数。例如,选取时间间隔在5天以内的合成的测高水位序列以及湖泊岸线变化序列的位置进行匹配,然后根据匹配结果通过最小二乘法计算得到回归系数以及决定系数。
S1044,根据回归系数和决定系数,将湖泊岸线变化序列进行计算得到光学水位序列。
具体地,通过最小二乘法计算得到回归系数和决定系数之后,系统依据得到的回归系数以及决定系数,将湖泊岸线变化序列进行计算得到光学水位序列。
S1046,根据光学水位序列以及合成的测高水位序列,得到湖泊水位序列。
具体地,得到光学水位序列之后,系统根据光学水位序列以及合成的测高水位序列,进行插补延长以后得到湖泊水位序列。例如,系统可以将得到的光学水位序列与合成的测高水位序列在采样时间或者采样点上,进行相互补充,相互延长,将两者合成一个准确的湖泊水位序列。再如,系统可以将该光学水位序列中包含的各个水位值,与合成的测高水位序列中包含的各个水位值进行排序,将该按照一定的顺序重新排列的水位序列作为湖泊水位序列。
本实施例的方法通过详细的计算方法,依据合成的测高水位序列以及湖泊岸线变化序列得到准确的湖泊水位序列,使得计算结果更加准确。
在其中一个实施例中,请继续参阅图2,步骤S106可以包括以下步骤:
S1062,根据湖泊面积变化序列以及湖泊水位序列,通过二次函数拟合得到湖泊面积与水位的数学关系。
其中,湖泊面积与水位的数学关系表示湖泊面积随水位变化的数学关系。
具体地,系统得到湖泊水位序列之后,根据获取到的湖泊面积变化序列以及湖泊水位序列,对两者进行二次函数拟合,然后得到湖泊面积与水位的数学关系。
例如,以色林错为例,对湖泊面积变化序列以及湖泊水位序列,对两者进行二次函数拟合,得到的湖泊面积与水位的数学关系为:
S=1.05Δh2+45.86Δh+344.6+1409.7=1.05Δh2+45.86Δh+1754.3
其中,S表示湖泊面积,Δh表示湖泊水位。
S1064,根据湖泊面积与水位的数学关系,通过积分运算得到湖泊水量与水位的数学关系。
具体地,系统得到的湖泊面积与水位的数学关系以后,将湖泊面积与水位的数学关系进行积分运算,得到湖泊水量与水位的数学关系。
例如,以色林错为例,对所得到的湖泊面积与水位数学关系进行积分运算,得到的湖泊水量与水位的数学关系为:
其中,V表示湖泊水量,Δh表示湖泊水位。
本实施例中的方法通过湖泊面积变化序列以及湖泊水位序列得到湖泊面积与水位的数学关系,进而依据湖泊面积与水位的数学关系得到湖泊水量与水位的数学关系,得到的结果更准确,使得测量的湖泊水量结果更加精确。
在其中一个实施例中,请参阅图3,该水量变化监测的方法还包括如下步骤:
步骤S120,获取不同来源的测高水位。
其中,不同的来源指的是不同测高卫星,每个测高卫星可以对应一组测高水位。由于不同的测高卫星提供的数据时段不同,而且传感器的更新换代、参考椭球的选取等因素往往存在系统偏差,为此需要将不同来源的测高水位进行合理拼接,形成较长的湖面水位观测序列。
具体地,系统获取到不同来源的测高水位,用于测高水位的拼接。
步骤S122,判断各个来源的测高水位的重叠期是否大于第一预设值。
其中,重叠期是指对于观测时段中不同来源的测高水位的数据有重叠的时段,第一预设值是可以自行选择的,与各个来源的测高水位的重叠期进行对比。
具体地,当判断得到各个来源的测高水位的重叠期大于第一预设值时,即当各个来源的测高水位有重叠期或重叠期较长时,执行步骤S124;当判断得到各个来源的测高水位的重叠期小于或等于第一预设值时,即当各个来源的测高水位无重叠期或重叠期较短时,执行步骤S126。
步骤S124,根据不同的系统偏差,分别对各个测高水位序列进行更新合成,获得更新合成后的测高水位序列;分别计算各个不同的更新合成后的测高水位序列对应的平滑度,根据各个不同的更新合成后的测高水位序列对应的平滑度确定目标平滑度,并依据目标平滑度得到合成的测高水位序列。
具体地,当判断得到各个来源的测高水位的重叠期大于第一预设值时,即当各个来源的测高水位的重叠期较长时,系统对于不同来源的测高水位,根据不同的系统偏差,分别对各个来源的测高水位序列进行更新合成,获得更新合成后的测高水位序列,然后分别计算出各个不同的更新合成后的测高水位序列对应的平滑度,之后根据各个不同的更新合成后的测高水位序列对应的平滑度确定出目标平滑度,并且根据确定的目标平滑度得到合成的测高水位序列,按照合成水位序列最平滑为目标进行测高水位的拼接,得到合成的测高水位序列。
进一步地,在其中一个实施例中,请参阅图4,步骤S124可以包括以下步骤:
S1242,获取各个不同的更新合成后的测高水位序列对应的平滑度。
其中,平滑度指的是各个不同的更新合成后的测高水位序列的平滑程度,平滑度可以用M表示。
具体地,系统获取到各个不同的更新合成后的测高水位序列对应的平滑度,每个更新合成后的测高水位序列都有自己对应的平滑度。
S1244,对多个平滑度进行排序,将最小的一个平滑度作为目标平滑度。
其中,目标平滑度是指使得到的合成的测高水位序列最平滑的指标。
具体地,系统获取到各个不同的更新合成后的测高水位序列对应的平滑度,将获取到的多个不同的平滑度进行排序,之后得到一个数值最小的平滑度,将最小的一个平滑度作为目标平滑度。
S1246,将目标平滑度对应的更新合成后的测高水位序列作为合成的测高水位序列。
具体地,系统得到目标平滑度后,得到目标平滑度对应的更新合成后的测高水位序列,将其作为合成的测高水位序列。
例如,有2组来源的测高水位序列,判断到这2组来源的测高水位的重叠期大于第一预设值,此时对于测高水位的拼接合成,是以合成的测高水位序列得平滑度M最小为目标平滑度。此时,首先根据不同的预设的系统偏差,对这2组测高水位序列进行更新合成,分别得到1组更新合成后的测高水位序列,然后分别对更新合成后的测高水位序列计算出各自的平滑度M,在得到的多个平滑度中确定出目标平滑度,即平滑度M最小的为目标平滑度,平滑度最小的更新合成后的测高水位序列作为合成的测高水位序列。
例如,当通过把系统偏差加入第2组来源的测高水位来进行拼接合成时,各个来源的测高水位的更新合成过程如下:
通过不断调整系统偏差来拼接合成水位,可以得到M最小的一个更新后的测高水位序列,即为最平滑的合成的测高水位序列。
步骤S126,根据不同的系统偏差,分别对各个测高水位序列进行更新合成,获得更新合成后的测高水位序列,并分别将各个不同的更新合成后的测高水位序列与湖泊岸线变化序列进行线性拟合,获得各个不同的更新合成后的测高水位序列的拟合结果值,并将拟合结果值最高的一组更新合成后的测高水位序列作为合成的测高水位序列。
具体地,当判断得到各个来源的测高水位的重叠期小于或等于第一预设值时,即当各个来源的测高水位无重叠期或重叠期较短时,系统对于不同来源的测高水位,根据不同的系统偏差,获得更新合成后的测高水位序列,之后获取到湖泊岸线变化序列;并分别将各个不同的更新合成后的测高水位序列与湖泊岸线变化序列进行线性拟合,获得各个不同的更新合成后的测高水位序列的拟合结果值,并将拟合结果值最高的一组更新合成后的测高水位序列作为合成的测高水位序列。此时将拟合优度作为选取指标,选取拟合优度最高的一组更新后的测高水位序列作为合成的测高水位序列。
例如,有2组来源的测高水位序列,判断到这2组来源的测高水位的重叠期小于或等于第一预设值,此时对于测高水位的拼接合成,不宜采用合成的测高水位序列的平滑度最小为目标,采用线性拟合的拟合优度为目标,首先根据预设的系统偏差,对这2组测高水位序列进行更新合成,分别得到1组更新合成后的测高水位序列,然后分别将更新合成后的测高水位序列与湖泊岸线变化序列进行线性拟合,获得多组更新合成后的测高水位序列的拟合结果,得到多个拟合结果的拟合优度,选取其中拟合优度最高的一组,将对应的更新合成后的测高水位序列作为合成的测高水位序列。
本实施例的方法将不同来源的测高水位进行拼接,获得合成的测高水位序列,使得到的合成的测高水位序列更加准确,更能准确地表示湖泊的测高水位。
进一步地,请一并参阅图5,上述步骤S1242获取各个不同的更新合成后的测高水位序列对应的平滑度的步骤,还可以包括以下步骤:
S12422,获取当前更新合成后的测高水位序列中各个测高水位的采样时间。
具体地,系统对于各个不同的更新合成后的测高水位序列,获取当前更新合成后的测高水位序列中各个测高水位的采样时间。
S12424,根据当前测高水位的采样时间以及当前测高水位之后的下一测高水位的采样时间,获得当前测高水位对应的权重。
其中,权重由相邻的两个测高水位的时间间隔确定。
具体地,系统根据获取到的当前测高水位的采样时间,以及当前测高水位之后的下一测高水位的采样时间,依据这两个采样时间获得当前测高水位对应的权重,此时的权重由当前水位以及当前水位之后的下一水位的采样时间间隔确定。
例如,权重由相邻水位的时间间隔确定:
其中,ωi表示权重,Ti表示第i个水位值的采样时间(单位为天)。例如,当不同来源的测高水位存在同一天的观测值,即相邻水位的时间间为0天,则这两次观测的差值的权重为1;当不同来源的测高水位相邻两次观测相距10天,即相邻水位的时间为10天,则权重为0.5。
S12426,根据当前测高水位的水位值以及当前测高水位之后的下一测高水位的水位值,获得当前测高水位对应的水位变化量。
具体地,系统根据当前测高水位对应的水位值,以及当前测高水位之后的下一测高水位对应的水位值,计算两个水位值之间差值的绝对值,即计算合成水位序列中相邻水位对应数值之间差值的绝对值,此时得到的是当前测高水位对应的水位变化量。
S12428,根据当前测高水位对应的权重以及当前更新合成后的测高水位序列中各个测高水位对应的水位变化量,获得各个不同的当前更新合成后的测高水位序列对应的平滑度。
具体地,系统根据当前测高水位对应的权重以及当前更新合成后的测高水位序列中各个测高水位对应的水位变化量,经过加权平均计算,获得各个不同的当前更新合成后的测高水位序列对应的平滑度,将计算出的平滑度作为优化的指标。
例如,平滑度的确定公式可以是:
其中,M表示合成水位序列的平滑度,Hi表示第i个水位对应的数值,|Hi+1-Hi|表示水位变化量。
本实施中通过对不同来源的测高水位进行合理的拼接,得到合成的测高水位,用于下一步计算,使得对水量变化的监测更准确。
在其中一个实施例中,请继续参阅图3,步骤S120获取不同来源的测高水位还可以包括以下步骤:
步骤S110,接收不同来源的测高波形。
具体地,系统接收到不同来源的测高波形,不同来源的测高波形可以来源于不同的测高卫星。
步骤S112,分别确定每一来源的测高波形落在湖面范围内的采样点。
具体地,系统接收到不同来源的测高波形之后,依据接收到的不同来源的测高波形,确定出落在湖面范围内的采样点。
例如,当系统接收到的是Jason系列卫星测高波形时,由于Jason-1/2的地面轨迹都经过了位于青藏高原的赤布张错,平均每个周期落在湖面的采样点约为19~20个。
步骤S114,分别对不同来源的测高波形通过改进的门槛值法进行波形重定,得到每一来源的测高波形中,采样点在每个周期内的对应的一个或多个测高水位。
具体地,系统对不同来源的测高波形通过改进的门槛值法(Improved Threshold算法)进行波形重定,之后得到每一来源的测高波形中,每个采样点在每个周期内的对应的一个或多个测高水位。
步骤S116,通过聚类算法对采样点在每个周期内的对应的多个测高水位进行筛选,得到各个周期对应的一个测高水位。
具体地,系统根据每个采样点在每个周期内的对应的多个测高水位,通过聚类算法对每个采样点在同一周期内的多个测高水位进行筛选,得到各周期内对应的一个测高水位。
步骤S118,依据各周期内对应的一个测高水位得到不同来源的测高水位。
具体地,系统通过筛选得到各周期对应的一个测高水位后,依据各周期内对应的一个测高水位,得到不同来源的测高水位,用于测高水位的合成。
本实施例中对不同测高水位进行筛选,得到各周期内对应的一个测高水位,得到更加准确地数据,用于得到合成的测高水位,从而使得到的数据更加准确。
在其中一个实施例中,请参阅图6,步骤S114可以包括以下步骤:
S1142,通过识别回波功率的位置对测高波形进行子波形分离,得到分割后的各子波形以及数量。
具体地,系统通过识别回波功率“突变”的位置,来对得到的测高波形进行子波形分离,进行子波形分离后得到分割后的各子波形以及数量,用于后续步骤。
S1144,对各子波形通过阈值法计算距离改正,根据距离改正对不同来源的测高波形进行修正,得到不同周期内的每个采样点对应的一个或多个测高水位。
具体地,系统得到分割后的各子波形以及数量以后,对各子波形通过阈值法计算距离改正,根据距离改正对不同来源的测高波形进行修正,得到不同周期内的每个采样点对应的一个或多个测高水位。
例如,可以采用50%阈值法对各子波形计算距离改正。
本实施中的方法通过对不同来源的测高波形进行子波形,得到了更加准确的测高水位。
在其中一个实施例中,请参阅图7,上述步骤S1142进行子波形分离的步骤可以包括以下步骤:
S11422,获得多个第一回波功率差、多个第二回波功率差、第一均方误差、第二均方误差及第一参考值。
其中,第一回波功率差表示相邻采样点的回波功率差,第二回波功率差表示相间采样点的回波功率差,第一均方误差表示相邻采样点的均方误差,第二均方误差表示相间采样点的均方误差,第一参考值可以根据第二均方差计算获得,例如,该第一参考值可以是0.1倍的第二均方差。
具体地,系统可以计算各个采样点对应的第一回波功率差、第二回波功率差,并进一步得到多个第一回波功率差、多个第二回波功率差、第一均方误差、第二均方误差及第一参考值,用于后续步骤。
S11424,当各个采样点对应的第二回波功率差中,存在连续的第一预设数量以上的第二回波功率差均大于第一参考值时,则连续的第一预设数量以上的第二回波功率差对应的测高波形作为对应的子列,记录起始序号和长度,作为测高波形潜在的子波形位置。
其中,第一预设数量可以是自行设定的,例如,可以设定第一预设数量为3,此处不做具体限定。
具体地,在各个采样点对应的第二回波功率差中,当存在有连续的第一预设数量以上的第二回波功率差,其均大于第一参考值时,系统则将连续的第一预设数量以上的第二回波功率差对应的测高波形作为对应的子列,记录其起始序号和长度,将记录起始序号和长度的结果作为潜在的子波形位置。例如,查找第二回波功率差(D2)的序列中,所有连续3项或3项以上大于第一参考值,将其作为对应的子列,记录起始序号和子列长度,将记录结果作为潜在的子波形位置。
S11426,分别计算各个子列中第一回波功率差小于或等于第一均方误差的采样点的数量,当采样点的数量大于或等于第二预设数量时,判断子列不构成所述子波形。
其中,第二预设数量可以是自行设定的,例如,可以设定第二预设数量为2,此处不做具体限定。
具体地,系统得到对应的子列以及潜在的子波形位置后,分别计算各个子列中第一回波功率差小于或等于第一均方误差的采样点的数量,当采样点的数量大于或等于第二预设数量时,判断子列不构成子波形。例如,分别计算各个子列的第一回波功率差(D1)序列中小于或等于第一均方误差(S1)值的采样点的数量,如果有2项或以上小于S1值,则判断该子列不构成子波形。
S11428,当采样点的数量小于第二预设数量时,判断子列构成子波形。
具体地,系统得到对应的子列以及潜在的子波形位置后,分别计算各个子列中第一回波功率差小于或等于第一均方误差的采样点的数量,当采样点的数量小于第二预设数量时,判断子列构成子波形。例如,分别计算各个子列的第一回波功率差(D1)序列中小于或等于第一均方误差(S1)值的采样点的数量,如果有小于2项的小于S1值,则判断该子列构成子波形。
进一步地,请参阅图8,上述步骤S11422获得多个第一回波功率差、多个第二回波功率差、第一均方误差、第二均方误差及第一参考值的步骤,可以包括以下步骤:
S114222,获取当前采样点对应的回波功率、当前采样点之后的下一采样点对应的回波功率,以及当前采样点之后的第二个采样点对应的回波功率。
具体地,系统获取当前采样点对应的回波功率、当前采样点之后的下一采样点对应的回波功率,以及当前采样点之后的第二个采样点对应的回波功率。
其中,当前采样点对应的回波功率可以用Pi表示、当前采样点之后的下一采样点对应的回波功率可以用Pi+1表示、以及当前采样点之后的第二个采样点对应的回波功率可以用Pi+2表示。
S114224,根据当前采样点对应的回波功率,以及当前采样点之后的下一采样点对应的回波功率,得到多个第一回波功率差。
具体地,系统根据获取的当前采样点对应的回波功率,以及当前采样点之后的下一采样点对应的回波功率,得到多个第一回波功率差。即计算得到相邻采样点对应的回波功率差。
例如,相邻采样点对应的回波功率差的公式为:
D1i=Pi+1-Pi
其中,D1i表示第一回波功率差,Pi表示当前采样点对应的回波功率,Pi+1表示当前采样点之后的下一采样点对应的回波功率。
S114226,根据当前采样点对应的回波功率,以及当前采样点之后的第二个采样点对应的回波功率,得到多个第二回波功率差。
具体地,系统根据当前采样点对应的回波功率,以及当前采样点之后的第二个采样点对应的回波功率,得到多个第二回波功率差。即计算得到相间采样点对应的回波功率差。
例如,相间采样点对应的回波功率差的公式为:
D2i=Pi+2-Pi
其中,D2i表示第二回波功率差,Pi+2表示当前采样点之后的第二个采样点对应的回波功率。
S114228,根据多个第一回波功率差,得到第一回波功率差对应的第一均方误差。
具体地,系统根据多个第一回波功率差,得到第一回波功率差对应的第一均方误差。即计算相邻采样点对应的回波功率差的均方误差。
例如,相邻采样点对应的回波功率差的均方误差为:
其中,S1表示第一均方误差,N表示采样点的总个数。
S1142210,根据多个第二回波功率差,得到第二回波功率差对应的第二均方误差。
具体地,系统根据多个第二回波功率差,得到第二回波功率差对应的第二均方误差。即计算相间采样点对应的回波功率差的均方误差。
例如,相间采样点对应的回波功率差的均方误差为:
其中,S2表示第二均方误差,N表示采样点总个数。
S1142212,根据第一预设倍数与第二均方误差,计算获得第一参考值。
其中,第一预设倍数可以是自行设定的,例如,可以设定第一预设倍数为0.1,此处不做具体限定.
具体地,根据第一预设倍数与第二均方误差,计算获得第一参考值。例如,第一参考值可以为0.1倍的S2。
本实施中的方法通过对不同来源的测高波形进行子波形分离,得到了子波形及其数量,能够更加准确地得到测高水位。
在其中一个实施例中,请参阅图9,例如S1144的步骤可以采用50%阈值法对各子波形计算距离改正,可以包括以下步骤:
S11442,根据各子波形,计算各子波形的波形振幅。
具体地,系统得到各子波形以后,根据得到的各子波形,计算各子波形的波形振幅。
例如,波形振幅的计算公式可以是:
其中,A表示波形振幅,Pm,Pm+1,…Pk表示某个子波形的回波功率。
S11444,根据各子波形,计算前N个采样点的回波功率的平均值。
其中,N大于或等于1,N为正整数,N可以选择为5。
具体地,系统根据各子波形,计算前N个采样点的回波功率的平均值。根据子波形的回波功率确定出前N个采样点的回波功率的平均值。
例如,前N个采样点的回波功率的平均值的计算公式可以为:
其中,P0表示前N个采样点的回波功率的平均值。
S11446,以各子波形的波形振幅以及前N个采样点的回波功率的平均值之和的一半作为阈值,通过线性内插法确定出各子波形的前缘中点,计算得到各子波形对应的距离改正。
具体地,系统得到各子波形的波形振幅以及前五个采样点的回波功率的平均值之后,以两者之和的一半作为阈值,然后通过线性内插法确定出各子波形的前缘中点,计算得到各子波形对应的距离改正。即得到阈值之后,系统通过线性内插法可以确定出回波功率值等于阈值的波形的位置,以此位置作为该子波形的前缘中点,然后计算得到各子波形对应的距离改正。
阈值的计算公式可以是:
其中,Threshold表示阈值。
S11448,根据距离改正对不同来源的测高波形进行修正,得到不同周期内的每个采样点对应的一个或多个测高水位。
具体地,系统得到距离改正之后,根据距离改正对不同来源的测高数据进行修正,完成改进的门槛值法(ITR算法)的波形重定之后,得到不同周期内的每个采样点对应的一个或多个测高水位。
本实施例的方法通过阈值法对得到的子波形计算距离改正,根据距离改正对测高波形进行修正,是的结果更加准确。
在其中一个实施例中,请参阅图10,步骤S116可以包括以下步骤:
S1162,对采样点在每个周期内对应的多个测高水位等间距抽取水位区间。
具体地,得到采样点在每个周期内对应的一个或多个测高水位后,对同一周期内采样点对应的多个测高水位等间距抽取水位区间。即在同一周期得到的测高水位范围内等间距抽取若干水位区间,其中,水位区间宽度可以选取为0.3m,此处不作具体限定。
S1164,统计各水位区间内的测高水位作为聚集度,选取出聚集度最大的水位区间,并计算聚集度最大的水位区间内的测高水位的平均值,作为聚类中心,将聚类中心作为各周期对应的一个测高水位。
其中,聚集度表示统计的各水位区间内的测高水位的数量多少。
具体地,系统划分水位区间之后,统计各水位区间内的测高水位,将其个数作为聚集度,做出聚集度直方图,选取聚集度最大的水位区间,并且计算其测高水位的平均值,将计算的平均值作为聚类中心,将得到的聚类中心作为各周期对应的一个测高水位。
本实施例中的方法通过聚类筛选得到各周期对应的一个测高水位,能够更加准确地表示测高水位值。
在其中一个实施例中,请参阅图11,对于得到的聚类中心进行质量等级的划分,可以包括以下步骤:
步骤S1102,判断同一周期内落入聚集度最大的水位区间中的测高水位值的数量是否大于或等于第二预设值。
其中,第二预设值是可以自行设定的,例如,可以设定第二预设值为80%,此处不做具体限定。
具体地,对于得到的聚类中心,系统进行判断同一周期内落入聚集度最大的水位区间中的测高水位值的数量是否大于或等于第二预设值,即统计出同一周期内聚集度最大的水位区间中测高水位值的数量,将统计的数量与第二预设值进行比较,判断统计数量是否大于或等于第二预设值。例如,判断是否有大于或等于80%的测高水位值在聚集度最大的水位区间中。
若是,即同一周期内落入聚集度最大的水位区间中的测高水位值的数量大于或等于第二预设值时,则执行步骤S1104,确定聚类中心的质量等级为Ⅰ等。
具体地,当系统判断同一周期内落入聚集度最大的水位区间中的测高水位值的数量大于或等于第二预设值时,判断聚类中心的质量等级为Ⅰ等。例如,当统计落在聚集度最大的水位区间中有大于或等于80%的测高水位值时,判断聚类中心的质量等级为Ⅰ等。
若否,即同一周期内落入聚集度最大的水位区间中的测高水位值的数量小于第二预设值时,则执行步骤S1106,判断同一周期内落入聚集度最大的水位区间中的测高水位值的数量是否大于或等于第三预设值。
其中,第二预设值大于第三预设值,第三预设值也是可以自行设定的,例如,可以设定第三预设值为50%,此处不做具体限定。
具体地,当系统同一周期内落入聚集度最大的水位区间中的测高水位值的数量小于第二预设值时,继续判断同一周期内落入聚集度最大的水位区间中的测高水位值的数量是否大于或等于第三预设值,将统计的数量与第三预设值进行比较,判断统计数量是否大于或等于第三预设值。例如,当统计的数量小于80%时,判断是否大于50%。
若是,即若同一周期内落入聚集度最大的水位区间中的测高水位值的数量小于第二预设值,且同一周期内落入聚集度最大的水位区间中的测高水位值的数量大于或等于第三预设值时,则执行步骤S1108,确定聚类中心的质量等级为Ⅱ等。
具体地,当系统判断同一周期内落入聚集度最大的水位区间中的测高水位值的数量大于或等于第三预设值时,此时确定聚类中心的质量等级为Ⅱ等。例如,当统计落在聚集度最大的水位区间中的测高水位值数量小于80%,同时大于50%时,判断聚类中心的质量等级为Ⅱ等。
若否,即同一周期内落入聚集度最大的水位区间中的测高水位值的数量小于第三预设值时,则执行步骤S1110,确定聚类中心的质量等级为Ⅲ等。
具体地,当系统判断同一周期内落入聚集度最大的水位区间中的测高水位值的数量小于第三预设值时,判断聚类中心的质量等级为Ⅲ等,即统计出同一周期内聚集度最大的水位区间中测高水位值的数量,判断统计数量小于或等于第三预设值,此时,判断聚类中心的质量等级为Ⅲ等。例如,当统计落在聚集度最大的水位区间中的测高水位值的数量小于或等于50%时,判断聚类中心的质量等级为Ⅲ等。
如图12所示,以赤布张错Jason-2数据为例,对测高水位使用聚类分析方法进行的筛选结果如图所示,在其中一个实施例中,当有测高水位落在质量等级为Ⅲ等的水位区间内时,且该测高水位与邻近水位值的偏差大于或等于预设阈值时,将此类测高水位的数据删掉,图中所示表示质量等级为Ⅲ等的聚类中心的数据,部分数据点可能明显偏离了邻近的水位值,大型湖泊水位通常不会发生数米的突变,故可将这一类异常数据点剔除。
本实施例中对聚类中心进行质量等级的划分,从而对测高水位进行筛选,得到更加准确、精度更高的测高水位值。
在其中一个实施例中,请继续参阅图3,该水量变化监测方法还可以包括以下步骤:
步骤S128,接收遥感影像。
具体地,系统接收到遥感影像,用于后续步骤。
步骤S130,接收到作为研究区的区域选择命令。
具体地,系统接收到作为研究区的区域选择命令,选择出研究区。该区域选择命令可以由操作人员通过输入设备等输入。
例如,进行湖泊岸线变化提取时,为了尽可能利用更多的遥感影像,避免云和影像条带的干扰,可以将研究区选为长条状,如图13所示。研究区的宽度可以约为10~20像元(小于Landsat 7条带间隙宽度),长度约100个像元。当研究区选取过窄时,容易导致水体提取结果呈现离散化;当研究区选取过大时,则更容易受到云的覆盖和Landsat 7条带的影响,导致坏点增多。
例如,进行湖泊面积变化提取时,为减小计算量和云的影响,可以勾选湖岸水位变动带作为研究区(图13所示),统计该区域内湖泊面积的变化。当构建湖泊面积与水位的数学关系时,再加上湖中心未勾选区域的面积即可。
步骤S132,对处于不同时期的影像选取不同的水体指数,通过水体指数提取水体图像。
具体地,系统接收到的影像可能处于不同时期,对处于不同时期的影像,系统选取不同的水体指数,通过不同的水体指数对处于不同时期的影像进行水体图像的提取。
步骤S134,通过最大类间方差法,选取满足类间方差最大的阈值,对提取的水体图像进行分割,并统计目标像元数目,得到水体面积,水体面积用于表示湖泊岸线变化序列以及湖泊面积变化序列。
具体地,系统完成水体指数计算之后,采用最大类间方差法(Otsu算法)进行灰度分割得到水体面积,通过选取满足类间方差最大的阈值,对提取的水体图像进行分割,并统计目标像元数目,得到水体面积,水体面积用于表示湖泊岸线变化序列以及湖泊面积变化序列。
例如,设阈值为t,像元数目大于t为目标,小于t为背景,目标像元的均值为u0,像元数占比为w0,背景像元的均值为u1,像元数占比为w1,则此时类间方差函数可以表示为:
g=w0×w1×(μ0-μ1)2
此时,选取让类间方差最大的阈值t,对水体图像进行分割并统计目标像元数目,即可得到水体面积(对于Landsat系列影像,每个像元代表的实际面积为900m2)。
本实施例的方法通过对遥感影像进行处理得到准确的湖泊岸线变化序列以及湖泊面积变化序列,使得计算的结果更加准确。
在其中一个实施例中,请参阅图14,步骤S132还可以包括以下步骤:
S1322,判断是否为积雪期的影像。
具体地,系统对于接收到的遥感影像进行判断是否为积雪期的影像,当判断为积雪期影像时,执行步骤S1304,当判断为非积雪期影像时,执行步骤S1306。
S1324,选取归一化水体指数提取水体图像。
具体地,当判断为积雪期影像时,系统选取归一化水体指数(NDWI)提取水体图像。
其中,归一化水体指数(NDWI)公式为:
其中,BGreen表示Landsat影像的绿光波段,BNIR表示近红外波段,由于在近红外波段雪体和水体的反射率差异较大,可以通过NDWI指数来区分雪体和水体,在冬季湖岸被积雪覆盖的情况下,使用NDWI进行水体提取的精度更高。
S1326,选取改进的归一化水体指数提取水体图像。
当判断为不是积雪期影像时,选取改进的归一化水体指数(MNDWI)提取水体图像。
其中,改进的归一化水体指数(MNDWI)公式为:
其中,BSIR表示短波红外波段,MNDWI则无法区分岸边积雪和水面,容易造成冬季提取的湖泊面积偏大。在没有积雪覆盖的时期,前人研究认为MNDWI具有更高的精度。
如图15所示,例如,使用NDWI以及MNDWI对积雪期的影像进行提取的结果如图所示。本申请在积雪期(11月-次年4月)采用NDWI指数进行水体提取,而在非积雪期(5月-10月)采用MNDWI指数进行提取,此处不做具体限定。
本实施例的方法通过对遥感影像处于的时期进行判断,不同时期选取不同的水体指数对图像进行处理,使得计算结果更加准确。
可选地,本申请实施例中,基于水体指数计算湖泊岸线和湖泊面积的算法可以通过云计算平台实现,例如,上述算法可以通过GEE云计算平台实现遥感影像进行处理,从而避免大批量的影像下载,提高计算效率。
如图16所示,运用本申请的方法对色林错(青藏高原第二大湖泊)的水量变化进行遥感监测的结果如图所示,实现了对偏远地区的湖泊水量变化的长时间监测。
本实施例中通过选取不同的水体指数对水体图像进行提取,从而使得提取的水体图像更加准确,得到的水体面积更加准确。
应该理解的是,虽然图1-16的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且图1-16中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图17所示,提供了一种水量变化监测装置,包括:获取模块102、湖泊水位获取模块104、水量与水位关系获取模块106和水量变化获取模块108,其中:
获取模块102,用于获取湖泊岸线变化序列、湖泊面积变化序列以及合成的测高水位序列。
湖泊水位获取模块104,用于根据所述合成的测高水位序列以及所述湖泊岸线变化序列,得到湖泊水位序列。
水量与水位关系获取模块106,用于根据所述湖泊面积变化序列以及所述湖泊水位序列,运算得到湖泊水量与水位的数学关系。
水量变化获取模块108,用于根据所述湖泊水位序列以及所述湖泊水量与水位的数学关系,得到湖泊水量变化序列。
在其中一个实施例中,水量变化监测装置还包括:接收模块、选择模块以及判断模块,其中:
接收模块,用于接收不同测高卫星的测高数据。
选择模块,用于选择合成的测高水位的计算方式以及不同的水体指数。
判断模块,用于判断各个来源的测高水位的重叠期是否大于第一预设值以及用于判断是否为积雪期的影像。
关于水量变化监测装置的具体限定可以参见上文中对于水量变化监测方法的限定,在此不再赘述。上述水量变化监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图18所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储水量变化监测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种水量变化监测方法。
本领域技术人员可以理解,图18中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取湖泊岸线变化序列、湖泊面积变化序列以及合成的测高水位序列;
根据合成的测高水位序列以及湖泊岸线变化序列,得到湖泊水位序列;
根据湖泊面积变化序列以及湖泊水位序列,运算得到湖泊水量与水位的数学关系;
根据湖泊水位序列以及湖泊水量与水位的数学关系,得到湖泊水量变化序列。
应当清楚的是,本申请实施例中的计算机程序被处理器执行时实现的步骤,与上述实施例中的方法的各个步骤的执行过程一致,具体可参见上文的描述,此处不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取湖泊岸线变化序列、湖泊面积变化序列以及合成的测高水位序列;
根据合成的测高水位序列以及湖泊岸线变化序列,得到湖泊水位序列;
根据湖泊面积变化序列以及湖泊水位序列,运算得到湖泊水量与水位的数学关系;
根据湖泊水位序列以及湖泊水量与水位的数学关系,得到湖泊水量变化序列。
应当清楚的是,本申请实施例中的计算机程序被处理器执行时实现的步骤,与上述实施例中的方法的各个步骤的执行过程一致,具体可参见上文的描述,此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (19)
1.一种水量变化监测方法,其特征在于,所述方法包括:
根据遥感影像获取湖泊岸线变化序列以及湖泊面积变化序列,并且获取不同来源的测高水位序列,根据不同来源的所述测高水位序列得到合成的测高水位序列;
对所述合成的测高水位序列以及所述湖泊岸线变化序列进行线性回归分析,得到湖泊水位序列;
根据所述湖泊面积变化序列以及所述湖泊水位序列,采用拟合运算以及积分运算得到湖泊水量与水位的数学关系;
根据所述湖泊水位序列以及所述湖泊水量与水位的数学关系,得到湖泊水量变化序列。
2.根据权利要求1所述的水量变化监测方法,其特征在于,所述对所述合成的测高水位序列以及所述湖泊岸线变化序列进行线性回归分析,得到湖泊水位序列的步骤,包括:
根据所述合成的测高水位序列以及所述湖泊岸线变化序列,通过线性回归分析,将预设的第一时间间隔内的所述合成的测高水位序列和所述湖泊岸线变化序列进行匹配,得到回归系数和决定系数;
根据所述回归系数和决定系数,将所述湖泊岸线变化序列进行计算得到光学水位序列;
根据所述光学水位序列和所述合成的测高水位序列,得到所述湖泊水位序列。
3.根据权利要求1所述的水量变化监测方法,其特征在于,所述根据所述湖泊面积变化序列以及所述湖泊水位序列,采用拟合运算以及积分运算得到湖泊水量与水位的数学关系的步骤,包括:
根据所述湖泊面积变化序列以及所述湖泊水位序列,通过二次函数拟合得到湖泊面积与水位的数学关系;
根据所述湖泊面积与水位的数学关系,通过积分运算得到所述湖泊水量与水位的数学关系。
4.根据权利要求1所述的水量变化监测方法,其特征在于,所述根据遥感影像获取湖泊岸线变化序列以及湖泊面积变化序列,并且获取不同来源的测高水位序列,根据不同来源的所述测高水位序列得到合成的测高水位序列,包括:
获取不同来源的测高水位序列;
判断各个来源的测高水位序列的重叠期是否大于第一预设值;
当所述各个来源的测高水位序列的重叠期大于所述第一预设值时,根据不同的系统偏差,分别对各个所述测高水位序列进行更新合成,获得更新合成后的测高水位序列;分别计算各个不同的所述更新合成后的测高水位序列对应的平滑度,根据各个不同的所述更新合成后的测高水位序列对应的平滑度确定目标平滑度,并依据所述目标平滑度得到所述合成的测高水位序列;
当所述各个来源的测高水位序列的重叠期小于或等于所述第一预设值时,根据不同的系统偏差,分别对各个所述测高水位序列进行更新合成,获得更新合成后的测高水位序列;并分别将各个不同的所述更新合成后的测高水位序列与所述湖泊岸线变化序列进行线性拟合,获得各个不同的所述更新合成后的测高水位序列的拟合结果值,并将拟合结果值最高的一组所述更新合成后的测高水位序列作为所述合成的测高水位序列。
5.根据权利要求4所述的水量变化监测方法,其特征在于,所述分别计算各个不同的所述更新合成后的测高水位序列对应的平滑度,根据各个不同的所述更新合成后的测高水位序列对应的平滑度确定目标平滑度,并依据所述目标平滑度得到所述合成的测高水位序列的步骤,包括:
获取各个不同的所述更新合成后的测高水位序列对应的平滑度;
对多个所述平滑度进行排序,将最小的一个平滑度作为所述目标平滑度;
将所述目标平滑度对应的更新合成后的测高水位序列作为所述合成的测高水位序列。
6.根据权利要求5所述的水量变化监测方法,其特征在于,所述获取各个不同的所述更新合成后的测高水位序列对应的平滑度的步骤包括:
获取当前更新合成后的测高水位序列中各个测高水位的采样时间;
根据所述当前测高水位的采样时间以及所述当前测高水位之后的下一测高水位的采样时间,获得当前测高水位对应的权重;
根据所述当前测高水位的水位值以及所述当前测高水位之后的下一测高水位的水位值,获得当前测高水位对应的水位变化量;
根据所述当前测高水位对应的权重以及所述当前更新合成后的测高水位序列中各个测高水位对应的水位变化量,获得各个不同的所述当前更新合成后的测高水位序列对应的平滑度。
7.根据权利要求4所述的水量变化监测方法,其特征在于,所述方法还包括:
接收不同来源的测高波形;
分别确定每一来源的测高波形落在湖面范围内的采样点;
分别对所述不同来源的测高波形通过改进的门槛值法进行波形重定,得到每一来源的测高波形中,所述采样点在每个周期内的对应的一个或多个测高水位;
通过聚类算法对所述采样点在每个周期内的对应的多个测高水位进行筛选,得到各个周期对应的一个所述测高水位;
根据各周期对应的一个所述测高水位得到所述不同来源的测高水位。
8.根据权利要求7所述的水量变化监测方法,其特征在于,所述分别对所述不同来源的测高波形通过改进的门槛值法进行波形重定,得到每一来源的测高波形中,所述采样点在每个周期内的对应的一个或多个测高水位的步骤,包括:
通过识别回波功率的位置对所述测高波形进行子波形分离,得到分割后的各子波形以及数量;
对所述各子波形通过阈值法计算距离改正,根据所述距离改正对所述不同来源的测高波形进行修正,得到不同周期内的每个所述采样点对应的一个或多个测高水位。
9.根据权利要求8所述的水量变化监测方法,其特征在于,所述通过识别回波功率的位置对所述测高波形进行子波形分离,得到分割后的各子波形以及数量的步骤,包括:
获得多个第一回波功率差、多个第二回波功率差、第一均方差、第二均方差及第一参考值;
当各个所述采样点对应的所述第二回波功率差中,存在连续的第一预设数量以上的第二回波功率差均大于所述第一参考值时,则所述连续的第一预设数量以上的第二回波功率差对应的测高波形作为对应的子列,记录起始序号和长度,作为所述测高波形潜在的所述子波形位置;
分别计算各个所述子列中第一回波功率差小于或等于所述第一均方误差的采样点的数量,当所述采样点的数量大于或等于第二预设数量时,判断所述子列不构成所述子波形;
当所述采样点的数量小于所述第二预设数量时,判断所述子列构成所述子波形。
10.根据权利要求9所述的水量变化监测方法,其特征在于,所述获得多个第一回波功率差、多个第二回波功率差、第一均方差、第二均方差及第一参考值的步骤包括:
获取当前采样点对应的回波功率、所述当前采样点之后的下一采样点对应的回波功率,以及所述当前采样点之后的第二个采样点对应的回波功率;
根据当前采样点对应的回波功率,以及所述当前采样点之后的下一采样点对应的回波功率,得到多个第一回波功率差;
根据当前采样点对应的回波功率,以及所述当前采样点之后的第二个采样点对应的回波功率,得到多个第二回波功率差;
根据所述多个第一回波功率差,得到所述第一回波功率差对应的第一均方误差;
根据所述多个第二回波功率差,得到所述第二回波功率差对应的第二均方误差;
根据第一预设倍数与所述第一均方误差,计算获得所述第一参考值。
11.根据权利要求8所述的水量变化监测方法,其特征在于,所述对所述各子波形通过阈值法计算距离改正,根据所述距离改正对所述不同来源的测高波形进行修正,得到不同周期内的每个所述采样点对应的一个或多个测高水位的步骤,包括:
根据所述各子波形,计算所述各子波形的波形振幅;
根据所述各子波形,计算所述子波形的前N个所述采样点的回波功率的平均值,其中,N大于或等于1,N为正整数;
将所述各子波形的波形振幅以及所述子波形前N个所述采样点的回波功率的平均值之和的一半作为阈值,通过线性内插法确定出所述各子波形的前缘中点,计算得到所述各子波形对应的距离改正;
根据所述距离改正对所述不同来源的测高波形进行修正,得到不同周期内的每个所述采样点对应的一个或多个测高水位。
12.根据权利要求7所述的水量变化监测方法,其特征在于,所述通过聚类算法对所述采样点在每个周期内的对应的多个测高水位进行筛选,得到各个周期对应的一个所述测高水位的步骤,包括:
对所述采样点在每个周期内的对应的多个测高水位等间距抽取水位区间;
统计各水位区间内的所述测高水位作为聚集度,选取出聚集度最大的水位区间,并计算所述聚集度最大的水位区间内的所述测高水位的平均值,作为聚类中心,将所述聚类中心作为所述各周期对应的一个所述测高水位。
13.根据权利要求12所述的水量变化监测方法,其特征在于,所述方法还包括:
判断同一周期内落入所述聚集度最大的水位区间中的测高水位值的数量是否大于或等于第二预设值;
当同一周期内落入所述聚集度最大的水位区间中的测高水位值的数量大于或等于第二预设值时,确定所述聚类中心的质量等级为Ⅰ等;
当同一周期内落入所述聚集度最大的水位区间中的测高水位值的数量小于第二预设值时,判断同一周期内落入聚集度最大的水位区间中的测高水位值是否大于或等于第三预设值;
当同一周期内落入聚集度最大的水位区间中的测高水位值大于或等于第三预设值时,确定所述聚类中心的质量等级为Ⅱ等;
当同一周期内落入聚集度最大的水位区间中的测高水位值小于第三预设值时,确定所述聚类中心的质量等级为Ⅲ等;
其中,所述第二预设值大于所述第三预设值。
14.根据权利要求13所述的水量变化监测方法,其特征在于,所述方法包括:
当测高水位落在质量等级为Ⅲ等的水位区间内,且所述测高水位与邻近水位值的偏差大于或等于预设阈值时,将所述测高水位的数据删掉。
15.根据权利要求1所述的水量变化监测方法,其特征在于,所述方法还包括:
接收遥感影像;
接收到作为研究区的区域选择命令;
对处于不同时期的影像选取不同的水体指数,通过水体指数提取水体图像;
通过最大类间方差法,选取满足类间方差最大的阈值,对提取的水体图像进行分割,并统计目标像元数目,得到水体面积,所述水体面积用于表示所述湖泊岸线变化序列以及所述湖泊面积变化序列。
16.根据权利要求15所述的水量变化监测方法,其特征在于,所述对处于不同时期的影像选取不同的水体指数,通过水体指数提取水体的步骤,包括:
判断是否为积雪期影像;
当判断为积雪期影像时,选取归一化水体指数提取水体图像;
当判断为非积雪期影像时,选取改进的归一化水体指数提取水体图像。
17.一种水量变化监测装置,其特征在于,所述装置包括:
获取模块,用于根据遥感影像获取湖泊岸线变化序列以及湖泊面积变化序列,并且获取不同来源的测高水位序列,根据不同来源的所述测高水位序列得到合成的测高水位序列;
湖泊水位获取模块,用于对所述合成的测高水位序列以及所述湖泊岸线变化序列进行线性回归分析,得到湖泊水位序列;
水量与水位关系获取模块,用于根据所述湖泊面积变化序列以及所述湖泊水位序列,采用拟合运算以及积分运算得到湖泊水量与水位的数学关系;
水量变化获取模块,用于根据所述湖泊水位序列以及所述湖泊水量与水位的数学关系,得到湖泊水量变化序列。
18.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至16中任一项所述方法的步骤。
19.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至16中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811327253.4A CN109489637B (zh) | 2018-11-08 | 2018-11-08 | 水量变化监测方法、装置、计算机设备和存储介质 |
US16/676,454 US11391569B2 (en) | 2018-11-08 | 2019-11-07 | Method and device for monitoring water volume change, computer device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811327253.4A CN109489637B (zh) | 2018-11-08 | 2018-11-08 | 水量变化监测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109489637A CN109489637A (zh) | 2019-03-19 |
CN109489637B true CN109489637B (zh) | 2019-10-18 |
Family
ID=65695554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811327253.4A Active CN109489637B (zh) | 2018-11-08 | 2018-11-08 | 水量变化监测方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11391569B2 (zh) |
CN (1) | CN109489637B (zh) |
Families Citing this family (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110132373B (zh) * | 2019-05-10 | 2020-07-14 | 宁波市测绘设计研究院 | 一种基于卫星测高数据的大型内陆湖泊和湿地水位反演方法 |
CN111091690A (zh) * | 2019-12-28 | 2020-05-01 | 天地伟业技术有限公司 | 一种智能水利球机自动预测水位触发警报方法 |
CN111275631A (zh) * | 2020-01-08 | 2020-06-12 | 中国科学院东北地理与农业生态研究所 | 一种遥感影像提取城市水体时消除阴影干扰的方法 |
CN111611965B (zh) * | 2020-05-29 | 2020-12-22 | 中国水利水电科学研究院 | 一种基于Sentinel-2影像的陆表水体提取方法 |
CN111723522B (zh) * | 2020-06-12 | 2023-11-10 | 中国科学院南京地理与湖泊研究所 | 一种湖泊与河流溶解有机碳交换通量的计算方法 |
CN111504424A (zh) * | 2020-06-17 | 2020-08-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于遥感的湖泊蓄水变化量监测方法 |
CN111726582B (zh) * | 2020-06-22 | 2021-12-14 | 广东技安科技有限公司 | 应用数值分析的防水式室外监控系统及方法 |
CN111812641B (zh) * | 2020-07-22 | 2023-03-14 | 中国科学院空天信息创新研究院 | 一种基于多尺度峰值监测的雷达高度计波形重跟踪方法 |
CN112414510B (zh) * | 2020-10-10 | 2021-11-02 | 武汉大学 | 卫星测高河流水位监测方法及系统 |
CN112525165B (zh) * | 2020-11-18 | 2022-02-15 | 华中科技大学 | 一种多通道激光雷达极浅水测深数据处理方法 |
CN112697232A (zh) * | 2020-12-15 | 2021-04-23 | 自然资源部国土卫星遥感应用中心 | 基于多源卫星测高数据的水位测量及变化监测方法及装置 |
CN112907905B (zh) * | 2021-01-28 | 2022-07-15 | 黄石市城发环境检测技术有限公司 | 一种河流水污染监测预警的智能化监控装置 |
CN113029285B (zh) * | 2021-02-04 | 2024-02-02 | 惠州拓邦电气技术有限公司 | 一种咖啡机自学习水位检测方法和咖啡机 |
CN112561214B (zh) * | 2021-02-23 | 2021-07-30 | 中国水利水电科学研究院 | 一种自动识别场次洪水的方法及系统 |
CN112629493B (zh) * | 2021-03-09 | 2021-07-02 | 长江水利委员会水文局 | 一种基于多星源信息耦合的高精度水道重构方法 |
CN113298756A (zh) * | 2021-04-25 | 2021-08-24 | 中国水利水电科学研究院 | 水量检测方法、装置、云服务器及存储介质 |
CN112991425B (zh) * | 2021-04-28 | 2021-08-06 | 武汉光谷信息技术股份有限公司 | 一种水域水位提取方法、系统及存储介质 |
CN113269789B (zh) * | 2021-05-26 | 2022-04-05 | 华东师范大学 | 一种遥感图像无监督域自适应的水陆分割方法 |
CN113378677B (zh) * | 2021-06-01 | 2024-03-12 | 大连海事大学 | 基于空间相似性与修正盐田指数的海岸养殖池提取方法 |
CN113254881B (zh) * | 2021-06-02 | 2022-02-08 | 长江水资源保护科学研究所 | 一种河道减脱水识别方法系统 |
CN113834547B (zh) * | 2021-07-23 | 2022-08-16 | 河海大学 | 一种河流虚拟站水位时序重建方法及系统 |
CN113776585A (zh) * | 2021-08-27 | 2021-12-10 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于像元矩阵的地理要素多尺度四维立体观测方法及系统 |
CN114092344A (zh) * | 2021-10-27 | 2022-02-25 | 广东省水利水电技术中心(广东省水土保持监测站、广东省水利工程白蚁防治中心) | 河流水体对象提取方法、装置、设备以及存储介质 |
CN114241327A (zh) * | 2021-10-29 | 2022-03-25 | 广东省国土资源测绘院 | 一种海岸线变化高频监测方法 |
CN114279415B (zh) * | 2021-12-24 | 2024-05-03 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于卫星测高数据计算和校准河湖水位的方法 |
CN114266003B (zh) * | 2021-12-27 | 2024-04-02 | 西藏大学 | 一种基于碳收支平衡分析的高原湖泊区域碳中和计算方法 |
CN114488063B (zh) * | 2022-01-18 | 2024-05-24 | 中国科学院国家空间科学中心 | 一种基于星载干涉成像高度计的湖泊水位变化的提取方法 |
CN114152302B (zh) * | 2022-02-07 | 2022-06-21 | 中国科学院地理科学与资源研究所 | 湖泊蓄水变化量估算方法、系统、电子设备和介质 |
CN114858987B (zh) * | 2022-03-30 | 2024-06-11 | 河海大学 | 一种基于物联网河湖水量水质监测与管理系统 |
CN114444334B (zh) * | 2022-04-07 | 2022-06-14 | 长江水利委员会长江科学院 | 一种径流水位拟合方法、装置、计算机设备及存储介质 |
CN115470612B (zh) * | 2022-07-26 | 2023-06-02 | 中国地质大学(北京) | 构造湖漫溢溃坝隐患预警方法、系统、介质及设备 |
CN115077656B (zh) * | 2022-08-16 | 2023-01-10 | 清华大学 | 水库水储量反演方法和装置 |
CN116226484B (zh) * | 2023-05-05 | 2023-07-04 | 北京视酷科技有限公司 | 一种超滤水处理装置监测数据管理系统 |
CN116681180B (zh) * | 2023-06-19 | 2024-01-26 | 中国水利水电科学研究院 | 一种基于两层相似性度量的湖泊水位相似预报方法 |
CN116630122B (zh) * | 2023-07-24 | 2023-09-19 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 |
CN116625328B (zh) * | 2023-07-24 | 2023-10-20 | 新兴际华(北京)智能装备技术研究院有限公司 | 湖泊水量确定方法、装置、电子设备和存储介质 |
CN117253158A (zh) * | 2023-11-15 | 2023-12-19 | 山东锋士信息技术有限公司 | 基于遥感影像和激光测高卫星数据的湖泊蓄水量估算方法 |
CN117346744B (zh) * | 2023-12-04 | 2024-03-19 | 山东科技大学 | 基于涨退潮时星载主被动遥感信息的测量水深反演方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103363962A (zh) * | 2013-07-23 | 2013-10-23 | 中国科学院遥感与数字地球研究所 | 一种基于多光谱影像的湖泊水储量遥感估算方法 |
CN104482989A (zh) * | 2014-12-31 | 2015-04-01 | 贵州东方世纪科技股份有限公司 | 一种利用遥感图像监测水位的方法 |
CN104613943A (zh) * | 2013-11-04 | 2015-05-13 | 中国水利水电科学研究院 | 水库蓄水量遥感与地面协同监测方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4502816A (en) * | 1983-06-27 | 1985-03-05 | Creter Vault Corp. | Shoreline breakwater |
JP2001101282A (ja) * | 1999-09-28 | 2001-04-13 | Toshiba Corp | 河川管理システム |
JP4025161B2 (ja) * | 2002-09-25 | 2007-12-19 | アジア航測株式会社 | 流速分布計測システム、流速分布計測方法、流速分布計測プログラム、流量計測システム、流量計測方法及び流量計測プログラム |
JPWO2004076972A1 (ja) * | 2003-02-27 | 2006-06-08 | 三菱電機株式会社 | 水位計測システム |
US7251564B2 (en) * | 2005-08-23 | 2007-07-31 | United States Of America As Represented By The Secretary Of The Navy | System and method for estimating ocean height and current on a personal computer with hurricane module |
US7283908B2 (en) * | 2005-08-23 | 2007-10-16 | United States Of America As Represented By The Secretary Of The Navy | System and method for estimating ocean height and current on a personal computer with location adjustment |
US9430839B2 (en) * | 2014-03-31 | 2016-08-30 | Regents Of The University Of Minnesota | Unsupervised framework to monitor lake dynamics |
JP6763393B2 (ja) * | 2015-09-14 | 2020-09-30 | 日本電気株式会社 | 災害予測システム、水分量予測装置、災害予測方法およびプログラム記録媒体 |
CN109653157B (zh) * | 2019-02-15 | 2020-10-02 | 自然资源部第二海洋研究所 | 海岸线建设后退距离确定方法 |
CN111504424A (zh) * | 2020-06-17 | 2020-08-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于遥感的湖泊蓄水变化量监测方法 |
CN113449960B (zh) * | 2021-05-19 | 2022-08-19 | 上海勘测设计研究院有限公司 | 河口区湖库与岛洲河网水资源运行调度方法、系统及装置 |
-
2018
- 2018-11-08 CN CN201811327253.4A patent/CN109489637B/zh active Active
-
2019
- 2019-11-07 US US16/676,454 patent/US11391569B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103363962A (zh) * | 2013-07-23 | 2013-10-23 | 中国科学院遥感与数字地球研究所 | 一种基于多光谱影像的湖泊水储量遥感估算方法 |
CN104613943A (zh) * | 2013-11-04 | 2015-05-13 | 中国水利水电科学研究院 | 水库蓄水量遥感与地面协同监测方法 |
CN104482989A (zh) * | 2014-12-31 | 2015-04-01 | 贵州东方世纪科技股份有限公司 | 一种利用遥感图像监测水位的方法 |
Non-Patent Citations (1)
Title |
---|
"全球水遥感技术及其应用研究的综述与展望";唐国强 等;《中国科学:技术科学》;20151020;第45卷(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
US11391569B2 (en) | 2022-07-19 |
CN109489637A (zh) | 2019-03-19 |
US20200149888A1 (en) | 2020-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109489637B (zh) | 水量变化监测方法、装置、计算机设备和存储介质 | |
Vos et al. | Sub-annual to multi-decadal shoreline variability from publicly available satellite imagery | |
Giustarini et al. | A change detection approach to flood mapping in urban areas using TerraSAR-X | |
Chandler et al. | Monitoring river‐channel change using terrestrial oblique digital imagery and automated digital photogrammetry | |
Brasington et al. | Methodological sensitivity of morphometric estimates of coarse fluvial sediment transport | |
Sánchez-García et al. | An efficient protocol for accurate and massive shoreline definition from mid-resolution satellite imagery | |
Kääb et al. | The new remote-sensing-derived Swiss glacier inventory: II. First results | |
Erenoglu et al. | An UAS-assisted multi-sensor approach for 3D modeling and reconstruction of cultural heritage site | |
Duró et al. | Bank erosion processes measured with UAV-SfM along complex banklines of a straight mid-sized river reach | |
Castillo et al. | The normalized topographic method: an automated procedure for gully mapping using GIS | |
Guarnieri et al. | Retrieval of small-relief marsh morphology from Terrestrial Laser Scanner, optimal spatial filtering, and laser return intensity | |
Jalonen et al. | Deriving floodplain topography and vegetation characteristics for hydraulic engineering applications by means of terrestrial laser scanning | |
Di Stefano et al. | An automatic approach for rill network extraction to measure rill erosion by terrestrial and low‐cost unmanned aerial vehicle photogrammetry | |
Mora et al. | Small landslide susceptibility and hazard assessment based on airborne lidar data | |
Schwendel et al. | Terrestrial structure-from-motion: Spatial error analysis of roughness and morphology | |
Yoshida et al. | Airborne LiDAR-assisted deep learning methodology for riparian land cover classification using aerial photographs and its application for flood modelling | |
Akay et al. | Modeling morphodynamic processes in a meandering river with unmanned aerial vehicle-based measurements | |
Cundill et al. | Investigation of remote sensing for potential use in dike inspection | |
CN104331889A (zh) | 基于图像解译技术的水土保持监测方法 | |
Tuominen et al. | Landsat TM imagery and high altitude aerial photographs in estimation of forest characteristics | |
McCarthy et al. | Digital analysis of lichen cover: a technique for use in lichenometry and licnenology | |
O'Connor | Impact of image quality on SfM Photogrammetry: colour, compression and noise | |
Nuyts et al. | Investigating the Performance of Timex Intervals for Shoreline Edge Detection: A Sensitivity Analysis from a Low-Cost Coastal Monitoring System in Brandon Bay, Ireland | |
CN111767864A (zh) | 一种反演红树林群落对地貌沉积过程的响应方法 | |
Bodenbender et al. | Using photographic measurement and gigapixel panoramas to study changes in a Lake Michigan sand dune |
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 |