CN109581412A - 一种快速进行水土流失动态变化遥感监测的方法 - Google Patents
一种快速进行水土流失动态变化遥感监测的方法 Download PDFInfo
- Publication number
- CN109581412A CN109581412A CN201910055779.XA CN201910055779A CN109581412A CN 109581412 A CN109581412 A CN 109581412A CN 201910055779 A CN201910055779 A CN 201910055779A CN 109581412 A CN109581412 A CN 109581412A
- Authority
- CN
- China
- Prior art keywords
- soil erosion
- monitored
- region
- remote sensing
- value
- 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
- 238000004162 soil erosion Methods 0.000 title claims abstract description 94
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 230000008859 change Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims abstract description 4
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims abstract description 4
- 239000002689 soil Substances 0.000 claims description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009313 farming Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000000116 mitigating effect Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 9
- 230000005484 gravity Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种快速进行水土流失动态变化遥感监测的方法，包括：1)获取待监测区域的坡度因子S；2)获取待监测区域的多个年份的遥感图像；3)根据2)获取待监测区域的多个年份的遥感图像分别进行土地分类，得到待监测区域多个年份的土地分类因子L；根据2)获取待监测区域的多个年份的遥感图像分别利用归一化植被指数进行反演，得到待监测区域多个年份的植被覆盖度因子C；4)根据水土流失估算公式A＝S*L*C计算得到待监测区域的多个年份的水土流失值A；5)对相邻年份特定的水土流失不同等级值进行转换叠加分析，得到待监测区域多个年份水土流失连续变化值。快速进行大面积的区域的水土流失面积提取，监测成本低，对水土流失动态监测十分便捷有效。
Description
技术领域
本发明涉及水土流失技术领域，具体为一种快速进行水土流失动态变化遥感监测的方法。
背景技术
水土流失是指由于自然或人为因素的影响、雨水不能就地消纳、顺势下流、冲刷土壤，造成水分和土壤同时流失的现象。主要原因是地面坡度大、土地利用不当、地面植被遭破坏、耕作技术不合理、土质松散、滥伐森林、过度放牧等。水土流失的危害主要表现在：土壤耕作层被侵蚀、破坏，使土地肥力日趋衰竭；淤塞河流、渠道、水库，降低水利工程效益，甚至导致水旱灾害发生，严重影响工农业生产；水土流失对山区农业生产及下游河道带来严重威胁。
水土流失动态监测是水土保持措施工作开展的重要前提，也是对监测区域水土保持措施验证的重要手段，中国是世界上水土流失最为严重的国家，截止2010年，根据全国第四次土壤侵蚀普查和水土保持措施等情况普查结果，全国仍有294.91万km2水土流失面积，尤其在人口密度较大的水力侵蚀区，水力侵蚀面积达129.32万km2。
对水土流失的动态监测有利于对某一区域进行水土流失评价，对该区域的环境治理评价有很好的参考作用。目前，国际上大多采用RUSLE来计算年均土壤流失量。其由六个因子决定：A＝R×K×LS×C×P，其中，A为年均土壤流失量估算值(tha-1 yr-1)，R为降雨侵蚀力(MJ mmha-1 h-1 yr-1)，K为土壤可蚀性因子(tha h ha -1 MJ-1 mm-1)，LS为坡长与坡度结合量(无量纲)，C为植被覆盖-管理因子(无量纲)，P是水土保持措施因子(无量纲)，这种方法对于大面积区域的监测十分麻烦，制作时间长，对于大面积区域的水土流失动态监测非常不适用，监测成本高。
发明内容
针对以上问题，本发明提供了一种快速进行水土流失动态变化遥感监测的方法，能够快速进行大面积的区域的水土流失面积提取，监测成本低，对水土流失动态监测十分便捷有效，可以有效解决背景技术中的问题。
为实现上述目的，本发明提供如下技术方案：一种快速进行水土流失动态变化遥感监测的方法，包括：
1)获取待监测区域的数字高程模型，计算得到坡度因子S；
2)获取待监测区域的多个年份的遥感图像；
3)根据2)获取待监测区域的多个年份的遥感图像分别进行土地分类，得到待监测区域多个年份的土地分类因子L；
同时，
根据2)获取待监测区域的多个年份的遥感图像分别利用归一化植被指数进行反演，得到待监测区域多个年份的植被覆盖度因子C；
4)根据水土流失估算公式A＝S*L*C计算得到待监测区域的多个年份的水土流失值A，并输出水土流失各等级值；
5)对相邻年份特定的水土流失不同等级值进行转换叠加分析，得到相邻年份的水土流失动态变化值，进一步得到待监测区域多个年份的水土流失连续变化值。
作为本发明一种优选的技术方案，所述待监测区域遥感图像采用30米分辨率的TM图像。
作为本发明一种优选的技术方案，所述数字高程模型(Digital ElevationModel)，简称DEM采用1∶5万的30m分辨率数字高程图，从数字高程图上截取与待监测区域相同的大小，且日期在待监测区域的多个年份之间，所述坡度S计算公式：
其中，S是坡度因子，θ是坡度，根据式(1)并依照《水土保持技术规范》将坡度划分成＜5°、5°～8°、8°～15°、15°～25°、25°～35°、＞35°6个等级；在DEM数据上，取其中一个点的坡度设为S，如前式所列
其中地形曲面z＝f(x，y)，fx和fy分别代表地形曲面上在东西(Y轴)和南北(X轴)方向上的高程变化率，对于求解其中的fx和fy来说，在地形上必须知道该点在X和Y轴上的高程变化率；
DEM数据是由一个大型的网格所组成的数据，通过离散的点所形成的DEM数据并不能直接形成一个曲面函数，该DEM所表述的离散数据和地形有关，也不可能直接得到表示整个曲面的表达算式。在此，在该网格DEM当中实现对fx和fy的求解，一般是从局部开始进行。假设该点处在一个3×3的的网格当中，通过数值微分的方式或者局部曲面的拟合实现的fx和fy的求解，由于数据量过大，局部曲面拟合耗时较长，所以在本文的算法当中采用数值微分的方法实现。zi＝(i＝1，2，3...9)代表中心点周围的各网格点高程，fx和fy的求解均是对每个中心点所进行的。计算过程如下：
fx＝(Z7-Z1+2(Z8-Z2)+Z9-Z3)/8g
fy＝(Z3-Z1+2(Z6-Z4)+Z9-Z7)/8g。g表示DEM栅格分辨率。
作为本发明一种优选的技术方案，所述土地分类因子L的提取过程采用人机交互的方式完成，进行多种地类的分类，包括其他农用地、其他土地、建设用地、未利用土地、林地、耕地。
作为本发明一种优选的技术方案，所述植被覆盖度因子C的提取方法为通过(Normalized Differential Vegetation Index，简称NDVI)归一化植被指数进行反演得到植被覆盖分级，具体的分级过程可以参考百度文科https：//wenku.baidu.com/view/5b4f264f9ec3d5bbfd0a74d1.html，计算公式为
C＝(NIR-R)/(NIR+R) (2)
其中，NIR和R分别为近红外波段(0.76～0.96μm)和红波段(0.62～0.69μm)。可以分为裸地、低覆盖、中低覆盖、中覆盖、中高覆盖、高覆盖。
作为本发明一种优选的技术方案，水土流失值A等级划分为微度、轻度、中度、强烈、极强烈和剧烈6个等级，其中微度为非水土流失面积。
作为本发明一种优选的技术方案，相邻年份特定的水土流失不同等级值进行转换叠加分析具体过程为：
上一年的轻度面积相应位置转换为微度面积的值a，
上一年的中度面积相应位置转换为微度面积的值b，
上一年的中度面积相应位置转换为强烈面积的值c，
上一年的微度面积相应位置转换为强度面积的值d，
其中，a、b的值表示水土流失程度减轻值，c、d的值表示水土流失程度加重值。
与现有技术相比，本发明的有益效果是：
1、能够快速进行大面积的区域的水土流失面积提取；
2、监测成本低，对水土流失动态监测十分便捷有效；
3、对于大面积的区域的水土流失情况和当地环境分析有一定作用。
附图说明
图1为本发明水土流失监测技术流程图；
图2为本发明土地利用分析解译流程图；
图3为本发明植被覆盖度分析流程图；
图4为本发明磨子潭研究区域的相邻年份水土流失面积变化图
其中，
图4-1为1984-1992水土流失面积变化图；
图4-2为1992-2002水土流失面积变化图；
图4-3为2002-2009水土流失面积变化图；
图4-4为2002-2009水土流失面积变化。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
实施例：
请参阅图1至图4，本发明提供一种技术方案：一种快速进行水土流失动态变化遥感监测的方法，包括：
1)获取待监测区域的数字高程模型，计算得到坡度因子S；
2)获取待监测区域的多个年份的遥感图像；
3)根据2)获取待监测区域的多个年份的遥感图像分别进行土地分类，得到待监测区域多个年份的土地分类因子L；
同时，
根据2)获取待监测区域的多个年份的遥感图像分别利用归一化植被指数进行反演，得到待监测区域多个年份的植被覆盖度因子C；
4)根据水土流失估算公式A＝S*L*C计算得到待监测区域的多个年份的水土流失值A，并输出水土流失各等级值；
5)对相邻年份特定的水土流失不同等级值进行转换叠加分析，得到相邻年份的水土流失动态变化值，进一步得到待监测区域多个年份的水土流失连续变化值。
本申请通过对六安磨子潭区域作为研究区域。通过对磨子潭流域土地利用和植被覆盖度的反演，再结合坡度对磨子潭流域进行水土流失分析。
作为本发明一种优选的技术方案，所述待监测区域遥感图像采用30米分辨率的TM图像。
作为本发明一种优选的技术方案，所述数字高程模型(Digital ElevationModel)，简称DEM采用1∶5万的30m分辨率数字高程图，从数字高程图上截取与待监测区域相同的大小，且日期在待监测区域的多个年份之间，坡度图可通过DEM数据在ARCG工S软件中快速进行提取，所述坡度S计算公式：
其中，S是坡度因子，θ是坡度，根据式(1)并依照《水土保持技术规范》将坡度划分成＜5°、5°～8°、8°～15°、15°～25°、25°～35°、＞35°这6个等级。
作为本发明一种优选的技术方案，所述土地分类因子L的提取过程采用人机交互的方式完成，进行多种地类的分类，包括其他农用地、其他土地、建设用地、未利用土地、林地、耕地。利用TM数据对磨子潭流域各年份的土地利用进行解译，解译后的各年份土地利用通过高分二号进行室内验证以及野外验证点验证保证精度后，对各个年份的土地利用面积分类。从获取的遥感影像上分析，影像上具有丰富的像元。首先对遥感影像进行分割，通过面向对象的方法，对这些像元进行相邻组合，采用多尺度分析的方式得到同质对象，使得分割后的影像能够按照地物提取或分类的要求进行组合；接着依照影像提取或分类的具体要求，通过构建提取目标地物的信息特性如纹理、光谱、阴影、形状以及空间位置的分类体现，达到遥感影像的土地利用信息提取。
多尺度分割时，从单像元开始，采用从上自下的逐级像元合并，在建立合并规则时，可以简单的运用下式：
h＝ωchc+ωshs
hs＝ωsmhsm+ωcohco
上式当中，h、hc、hs、hsm、hco代表异质性指标、光谱异质性指标、形状异质性指标、光滑度异质性指标以及紧致度异质性指标，ωc、ωs、ωsm、ωco代表上述异质性指标的权重大小。ωi和σi是代表图层i的权重以及标准差，n表示总的图层数。
通过程序迭代实现对象内部异质性区域的逐渐减小、同质性区域不断增大，每次迭代时，新生成的对象不超过上述异质性指标、光谱异质性指标、形状异质性指标、光滑度异质性指标阈值时，相邻的像元就会被合并，实现影像多尺度分割。
分割后，就需要对所分割的影像进行土地利用分类，通过影像波段组合识别实现土地利用的分类识别。利用影像波段的不同，特别是第一波段(蓝波段，B)、第二波段(绿波段，G)、第三波段(红波段，R)和第四波段(NIR)将遥感影像分为林地、耕地、建设用地、未利用土地、其他农用地、其他土地六大类，其中，水体包含在其他土地当中。
利用绿波段比值实现水体的提取，可以分类为其他土地：
GB＝G/(R+B+G)
利用可见光波段的差异植被指数(Visible-bandDifferenceVegetationIndex，VDVI)，考虑到绿光的发射特性和红蓝光的吸收特性，因此可以进行绿色植被信息的提取，VIVD＞0.01可以实现林地提取：
利用最大差异度提取裸地，MD＜4.5可实现未利用土地的提取：
其中，c(v)表示该分割对象v的平均混度，ci(v)、cj(v)表示第i、j层的影像层平均灰度，KB表示影像所有图层对象；
利用归一化植被指数NDVI(值越大表示植被越丰富)与紧致度与形状指数CSI(值越小表示越紧致平滑)对耕地进行提取：
NDVI＝(NIR-R)/(NIR+R)；
C＝lv×wv/N
其中，lv和Wv分布代表对象的长与款，N是该对象所包含的像元总数，LB和S表示对象边界的长与面积，当NDVI在10-15％且紧致度保持较好(C小于2且Sl小于3)时，用于提取耕地信息。
因为建筑建筑物在遥感图层上表现出高亮状态且光滑度差，因此当NDVI值小于0.05、C大于2且S1大于3时，将该对象提取为建筑用地；
剩下的部分则提取为其他土地。
根据上述的步骤，实现了对磨子潭流域遥感影像的1984年土地利用自动分类。土地利用分类面积的统计结果见表1所列。
表1磨子潭流域各年份土地利用面积 km2
同时针对各相邻年份，给出林地到耕地、耕地到林地、林地到建设用地和其他土地等变化类型。并对上述数据进行统计。磨子潭流域土地利用各相邻年份面积差异见表2所列。
表2磨子潭流域土地利用相邻年份面积差异 km2
作为本发明一种优选的技术方案，所述植被覆盖度因子C的提取方法为通过(Normalized Differential Vegetation Index，简称NDVI)归一化植被指数进行反演得到植被覆盖分级，具体的分级过程可以参考百度文科https：//wenku.baidu.com/view/5b4f264f9ec3d5bbfd0a74d1.html，计算公式为
C＝(NIR-R)/(NIR+R) (2)
其中，NIR和R分别为近红外波段(0.76～0.96μm)和红波段(0.62～0.69μm)。可以分为裸地、低覆盖、中低覆盖、中覆盖、中高覆盖、高覆盖。
对TM数据进行植被覆盖度反演，对植被覆盖各个年份图进行统计。磨子潭流域各年份植被覆盖面积见表3所列。
表3磨子潭流域各年份植被覆盖面积 km2
通过表3数据，磨子潭水库流域在1984年的中覆盖及其以上面积(中覆盖、中高覆盖以及高覆盖三者之和)占总面积比重为41.46％，1992年为58.21％，到2002年中覆盖及其以上面积占总面积比重达到了80.67％。此后，在2010年和1015年的中覆盖及其以上面积占总面积比重依次为85.65％和89.62％。从数据上看，在1984年至2002年以及2002年至2009年这两个时间段的中覆盖及其以上面积占总面积比重迅速提升。磨子潭水库流域在1984年至2015年间中覆盖、中高覆盖和高覆盖在持续增长，结果与表2中各年份的林地持续增多现象相对应。同时，对相邻年份的非建筑面积转为建筑面积的统计，即对相邻年份地表扰动进行分析。磨子潭相邻年份土地扰动面积变化见表4所列。
表4磨子潭流域相邻年份土地扰动面积变化 km2
作为本发明一种优选的技术方案，水土流失值A等级划分为微度、轻度、中度、强烈、极强烈和剧烈6个等级，其中微度为非水土流失面积。将土地利用矢量、植被覆盖矢量和坡度矢量进行相交处理，通过水土流失等级划分公式，依据水利行业《土壤侵蚀分类分级标准》(SL 190-2007)，通过“3S”叠加分析对安徽省磨子潭水库流域近30a水土流失变化状况进行研究，对磨子潭水库流域水土流失各年份进行矢量分析。磨子潭各年份水土流失面积见表5所列。
表5磨子潭流域各年份水土流失面积 km2
水土流失动态监测能够反映出磨子潭水库流域随时间的水土流失变化情况，为该区域水土流失治理情况提供一个更好的跟踪措施，可评价该区域内水土流失等级之间转换情况，因水土流失指的是除微度等级外的其他所有等级，所以将相邻年份轻度转微度、中度转微度的部分提取出。另外，由于工程建设和人为活动等原因造成的耕地林地破坏，会引起中度转强烈和微度转强烈的情况发生，基于上述情况，采用四个不同等级之间的面积转换对磨子潭水库流域的水土流失监测进行动态分析。磨子潭流域各年份水土流失动态面积变化如图4所示。
作为本发明一种优选的技术方案，相邻年份特定的水土流失不同等级值进行转换叠加分析具体过程为：
上一年的轻度面积相应位置转换为微度面积的值a，
上一年的中度面积相应位置转换为微度面积的值b，
上一年的中度面积相应位置转换为强烈面积的值c，
上一年的微度面积相应位置转换为强度面积的值d，
其中，a、b的值表示水土流失程度减轻值，c、d的值表示水土流失程度加重值。
在图4的基础上，对磨子潭水库流域进行水土流失动态矢量图的统计。磨子潭流域水土流失相邻年份面积差异见表6所列。
表6磨子潭流域水土流失相邻年份面积差异 km2
磨子潭水库流域从1984年至2015年间，水土流失程度逐年向好发展，微度等级的增加说明水土保持措施起到了良好作用。林地逐年增多，说明该区域生态环境有很大转变，另外中覆盖、中高覆盖和高覆盖在2015年达到了510.89km2，占区域总面积的89.6％。高植被覆盖有效降低整个磨子潭水库流域的水土流失程度，林地面积、中覆盖及其以上面积(中覆盖、中高覆盖以及高覆盖三者之和)与非水土流失(微度)面积之间的关系见表7所列。
表7磨子潭各年份非水土流失与林地、中覆盖及其以上面积 km2
土地利用分类结束后，在研究区域的2015年原始影像当中布置一个22×33的网格，其中获取700个点作为验证的样本对上述结果进行验证，从而对土地利用因子的提取精度进行检验，结果如下：
表8磨子潭土地利用提取精度验证表个
以中覆盖及其以上面积和林地面积作为自变量，非水土流失面积作为因变量。由表7可知，林地面积与中覆盖及其以上面积与非水土流失面积正相关，林地面积与中覆盖及其以上面积的提升，能够为水土流失改善带来直接的促进作用，磨子潭水库流域应该重视林地的保护措施，同时要注意建设项目的开发是否合理，本申请通过设计三因子的水土流失监测模型，实现了水土流失的监测，能够应用于其他领域，实现三因子快速水土流失监测。
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 (7)
1.一种快速进行水土流失动态变化遥感监测的方法，其特征在于，包括：
1)获取待监测区域的数字高程模型，计算得到坡度因子S；
2)获取待监测区域的多个年份的遥感图像；
3)根据2)获取待监测区域的多个年份的遥感图像分别进行土地分类，得到待监测区域多个年份的土地分类因子L；
同时，
根据2)获取待监测区域的多个年份的遥感图像分别利用归一化植被指数进行反演，得到待监测区域多个年份的植被覆盖度因子C；
4)根据水土流失估算公式A＝S*L*C计算得到待监测区域的多个年份的水土流失值A，并输出水土流失各等级值；
5)对相邻年份特定的水土流失不同等级值进行转换叠加分析，得到相邻年份的水土流失动态变化值，进一步得到待监测区域多个年份的水土流失连续变化值。
2.根据权利要求1所述的一种快速进行水土流失动态变化遥感监测的方法，其特征在于：所述待监测区域遥感图像采用30米分辨率的TM图像。
3.根据权利要求1所述的一种快速进行水土流失动态变化遥感监测的方法，其特征在于：所述数字高程模型(Digital Elevation Model)，简称DEM采用1∶5万的30m分辨率数字高程图，从数字高程图上截取与待监测区域相同的大小，且日期在待监测区域的多个年份之间，所述坡度S计算公式：
其中，S是坡度因子，θ是坡度，根据式(1)并依照《水土保持技术规范》将坡度划分成<5°、5°～8°、8°～15°、15°～25°、25°～35°、>35°这6个等级。
4.根据权利要求1所述的一种快速进行水土流失动态变化遥感监测的方法，其特征在于：所述土地分类因子L的提取过程采用人机交互的方式完成，进行多种地类的分类，包括其他农用地、其他土地、建设用地、未利用土地、林地、耕地。
5.根据权利要求1所述的一种快速进行水土流失动态变化遥感监测的方法，其特征在于：所述植被覆盖度因子C的提取方法为通过(NormalizedDifferential VegetationIndex，简称NDVI)归一化植被指数进行反演得到植被覆盖分级，计算公式为C＝(NIR-R)/(NIR+R) (2)
其中，NIR和R分别为近红外波段(0.76～0.96μm)和红波段(0.62～0.69μm)。
6.根据权利要求1-5中任一所述的一种快速进行水土流失动态变化遥感监测的方法，其特征在于：水土流失值A等级划分为微度、轻度、中度、强烈、极强烈和剧烈6个等级，其中微度为非水土流失面积。
7.根据权利要求6所述的一种快速进行水土流失动态变化遥感监测的方法，其特征在于：相邻年份特定的水土流失不同等级值进行转换叠加分析具体过程为：
上一年的轻度面积相应位置转换为微度面积的值a，
上一年的中度面积相应位置转换为微度面积的值b，
上一年的中度面积相应位置转换为强烈面积的值c，
上一年的微度面积相应位置转换为强度面积的值d，
其中，a、b的值表示水土流失程度减轻值，c、d的值表示水土流失程度加重值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910055779.XA CN109581412A (zh) | 2019-01-17 | 2019-01-17 | 一种快速进行水土流失动态变化遥感监测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910055779.XA CN109581412A (zh) | 2019-01-17 | 2019-01-17 | 一种快速进行水土流失动态变化遥感监测的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109581412A true CN109581412A (zh) | 2019-04-05 |
Family
ID=65917471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910055779.XA Pending CN109581412A (zh) | 2019-01-17 | 2019-01-17 | 一种快速进行水土流失动态变化遥感监测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109581412A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110852232A (zh) * | 2019-11-05 | 2020-02-28 | 河海大学 | 一种基于山区河流分级的河岸带植被覆盖度提取方法 |
| CN111707620A (zh) * | 2020-06-11 | 2020-09-25 | 中国电建集团华东勘测设计研究院有限公司 | 土地利用分类规则集、水土流失监测方法及系统 |
| CN111738561A (zh) * | 2020-05-29 | 2020-10-02 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于深度学习的区域水土流失动态监测方法 |
| CN111771631A (zh) * | 2020-07-14 | 2020-10-16 | 中国水利水电科学研究院 | 一种消落带水土保持系统及方法 |
| CN111859866A (zh) * | 2020-07-21 | 2020-10-30 | 中国水利水电科学研究院 | 一种反映水土流失不同强度间转变的方法 |
| CN112380228A (zh) * | 2020-11-13 | 2021-02-19 | 天津矿山工程有限公司 | 一种数字矿山动态建模监测方法、系统、智能终端以及存储介质 |
| CN113591572A (zh) * | 2021-06-29 | 2021-11-02 | 福建师范大学 | 基于多源数据和多时相数据的水土流失定量监测方法 |
| CN116523150A (zh) * | 2023-07-05 | 2023-08-01 | 南昌工程学院 | 一种林下水土流失监测及防治模拟的方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5323317A (en) * | 1991-03-05 | 1994-06-21 | Hampton Terry L | Method and apparatus for determining runoff using remote geographic sensing |
| CN1924611A (zh) * | 2005-08-29 | 2007-03-07 | 王长耀 | 土地退化(荒漠化)评价参数遥感反演与监测技术方法 |
| US20090214084A1 (en) * | 2005-10-21 | 2009-08-27 | Asner Gregory P | Remote Sensing Analysis of Forest Disturbances |
| CN102592056A (zh) * | 2012-01-16 | 2012-07-18 | 浙江大学 | 土壤侵蚀植被覆盖-管理因子的遥感估算方法 |
| CN102609615A (zh) * | 2012-01-20 | 2012-07-25 | 浙江大学 | 基于修正通用水土流失方程的水土流失遥感动态监测方法 |
| CN105004725A (zh) * | 2015-08-04 | 2015-10-28 | 珠江水利委员会珠江水利科学研究院 | 一种水土保持综合治理土壤侵蚀变化量实时定量监测方法 |
| CN106971156A (zh) * | 2017-03-22 | 2017-07-21 | 中国地质科学院矿产资源研究所 | 一种基于面向对象分类的稀土开采区遥感信息提取方法 |
| CN107784283A (zh) * | 2017-10-24 | 2018-03-09 | 防灾科技学院 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
-
2019
- 2019-01-17 CN CN201910055779.XA patent/CN109581412A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5323317A (en) * | 1991-03-05 | 1994-06-21 | Hampton Terry L | Method and apparatus for determining runoff using remote geographic sensing |
| CN1924611A (zh) * | 2005-08-29 | 2007-03-07 | 王长耀 | 土地退化(荒漠化)评价参数遥感反演与监测技术方法 |
| US20090214084A1 (en) * | 2005-10-21 | 2009-08-27 | Asner Gregory P | Remote Sensing Analysis of Forest Disturbances |
| CN102592056A (zh) * | 2012-01-16 | 2012-07-18 | 浙江大学 | 土壤侵蚀植被覆盖-管理因子的遥感估算方法 |
| CN102609615A (zh) * | 2012-01-20 | 2012-07-25 | 浙江大学 | 基于修正通用水土流失方程的水土流失遥感动态监测方法 |
| CN105004725A (zh) * | 2015-08-04 | 2015-10-28 | 珠江水利委员会珠江水利科学研究院 | 一种水土保持综合治理土壤侵蚀变化量实时定量监测方法 |
| CN106971156A (zh) * | 2017-03-22 | 2017-07-21 | 中国地质科学院矿产资源研究所 | 一种基于面向对象分类的稀土开采区遥感信息提取方法 |
| CN107784283A (zh) * | 2017-10-24 | 2018-03-09 | 防灾科技学院 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110852232A (zh) * | 2019-11-05 | 2020-02-28 | 河海大学 | 一种基于山区河流分级的河岸带植被覆盖度提取方法 |
| CN110852232B (zh) * | 2019-11-05 | 2022-08-26 | 河海大学 | 一种基于山区河流分级的河岸带植被覆盖度提取方法 |
| CN111738561A (zh) * | 2020-05-29 | 2020-10-02 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于深度学习的区域水土流失动态监测方法 |
| CN111738561B (zh) * | 2020-05-29 | 2023-02-14 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于深度学习的区域水土流失动态监测方法 |
| CN111707620A (zh) * | 2020-06-11 | 2020-09-25 | 中国电建集团华东勘测设计研究院有限公司 | 土地利用分类规则集、水土流失监测方法及系统 |
| CN111771631A (zh) * | 2020-07-14 | 2020-10-16 | 中国水利水电科学研究院 | 一种消落带水土保持系统及方法 |
| CN111859866A (zh) * | 2020-07-21 | 2020-10-30 | 中国水利水电科学研究院 | 一种反映水土流失不同强度间转变的方法 |
| CN112380228A (zh) * | 2020-11-13 | 2021-02-19 | 天津矿山工程有限公司 | 一种数字矿山动态建模监测方法、系统、智能终端以及存储介质 |
| CN113591572A (zh) * | 2021-06-29 | 2021-11-02 | 福建师范大学 | 基于多源数据和多时相数据的水土流失定量监测方法 |
| CN113591572B (zh) * | 2021-06-29 | 2023-08-15 | 福建师范大学 | 基于多源数据和多时相数据的水土流失定量监测方法 |
| CN116523150A (zh) * | 2023-07-05 | 2023-08-01 | 南昌工程学院 | 一种林下水土流失监测及防治模拟的方法 |
| CN116523150B (zh) * | 2023-07-05 | 2023-09-26 | 南昌工程学院 | 一种林下水土流失监测及防治模拟的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109581412A (zh) | 一种快速进行水土流失动态变化遥感监测的方法 | |
| Pareta et al. | Quantitative geomorphological analysis of a watershed of Ravi River Basin, HP India | |
| Saha et al. | Optimization modelling to establish false measures implemented with ex-situ plant species to control gully erosion in a monsoon-dominated region with novel in-situ measurements | |
| CN104361338B (zh) | 一种基于ENVISAT ASAR、Landsat TM与DEM数据的泥炭沼泽信息提取方法 | |
| Modica et al. | Spatio-temporal analysis of the urban–rural gradient structure: an application in a Mediterranean mountainous landscape (Serra San Bruno, Italy) | |
| CN108776851A (zh) | 一种暴雨诱发的浅层滑坡灾害预警阈值确定方法 | |
| Hameed | Water harvesting in Erbil Governorate, Kurdistan region, Iraq: detection of suitable sites using geographic information system and remote sensing | |
| Ghosh et al. | Assessment of soil loss of the Dhalai river basin, Tripura, India using USLE | |
| CN108613933A (zh) | 基于多源遥感数据融合的林地干旱时空动态监测方法 | |
| Trevisani et al. | Surface texture analysis of a high-resolution DTM: Interpreting an alpine basin | |
| Jin et al. | Spatio-temporal distribution of NDVI and its influencing factors in China | |
| CN107862255A (zh) | 一种基于微波遥感和光学遥感技术的湿地信息提取与生态敏感性评价的方法 | |
| CN106485254A (zh) | 一种输电线路通道地表特征变化自动提取方法 | |
| Ali et al. | Morphometric analysis of Gilgit river basin in mountainous region of Gilgit-Baltistan Province, Northern Pakistan | |
| CN106067030A (zh) | 一种河流特征分类数据的处理方法 | |
| Zhou et al. | Primary environmental factors controlling gully distribution at the local and regional scale: An example from Northeastern China | |
| Hu et al. | Integrating CART algorithm and multi-source remote sensing data to estimate sub-pixel impervious surface coverage: a case study from Beijing Municipality, China | |
| CN105005649A (zh) | 一种进行潜在地下水分布制图的方法 | |
| Wang et al. | Extraction of palaeochannel information from remote sensing imagery in the east of Chaohu Lake, China | |
| CN109190593A (zh) | 基于凹凸类别划分的山区道路沿线边坡稳定性初步判别方法 | |
| Tingting et al. | Assessment of soil erosion risk in northern Thailand | |
| CN110321402A (zh) | 一种山区乔木林潜在分布的预测方法 | |
| Han et al. | Automatic Classification Method of Quaternary Lithology in Vegetation Cover Area Combining Spectral, Textural, Topographic, Geothermal, and Vegetation | |
| Mango | Modeling the effect of land use and climate change scenarios on the water flux of the Upper Mara River flow, Kenya | |
| Imam et al. | Remote sensing efficiency for urban analysis of Mecca and surrounds |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |
|
| RJ01 | Rejection of invention patent application after publication |