CN109977801A - 一种联合光学和雷达的区域水体快速动态提取方法及系统 - Google Patents
一种联合光学和雷达的区域水体快速动态提取方法及系统 Download PDFInfo
- Publication number
- CN109977801A CN109977801A CN201910175432.9A CN201910175432A CN109977801A CN 109977801 A CN109977801 A CN 109977801A CN 201910175432 A CN201910175432 A CN 201910175432A CN 109977801 A CN109977801 A CN 109977801A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- water body
- image data
- radar
- optical
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种联合光学和雷达的区域水体快速动态提取方法,包括以下步骤:获取监测区域的光学遥感影像数据;获取监测区域的雷达遥感影像数据;分别对光学遥感影像数据以及雷达遥感影像数据进行预处理;基于预处理后的光学遥感影像数据来得到光谱指数;基于光谱指数提取光学遥感区域水体分类图;基于光学遥感区域水体分类图来提取预处理后的雷达遥感影像数据中的雷达遥感区域水体分类图;基于光学遥感区域水体分类图以及雷达遥感区域水体分类图来得到监测区域水体制图。本发明能够实现区域范围水体的动态提取和监测。
Description
技术领域
本发明涉及水体监测领域,特别是涉及一种联合光学和雷达的区域水体快速动态提取方法及系统。
背景技术
区域水体的动态监测识别是洪涝监测评估、区域旱情监测及预警、水资源管理和调度、农业灌溉管理等应用领域的重要基础。区域水体的动态变化信息能够为水利、农业、生态、自然资源专业技术人员提供重要的下垫面状况信息,为辅助决策提供重要支持信息。遥感技术具有宏观、快速、经济等特点,广泛应用于湖泊水资源、水环境、与水政监察等监测中。开展水体遥感监测对于及时发现和制止违法占用湖泊水域与滩地,保护湖泊面积不再减少、水质不再恶化、水生态不再破坏具有重要意义。
卫星遥感是对地观测的重要技术手段,为区域水体的动态变化监测提供了重要技术手段。现有的基于卫星遥感的水体监测方法主要存在如下几类:基于光学遥感的水体提取方法和基于雷达的水体提取方法。光学遥感具有光谱波段多的特点,基于光学遥感的水体提取方法包括:目视解译、波段运算法、图像分类法等。目视解译方法需结合区域内的解译标志进行目视判读。目视解译过程费时费力,可移植性差,难以应用于区域大范围水体动态监测应用。波段运算方法主要包括单波段阈值法、谱间关系法和水体指数法。单波段阈值法主要依据单一波段,设定经验阈值来区分水体与其他地物。谱间关系法是通过地物不同光谱的组合计算来提取水体的方法,由于不同传感器需确定不同的计算法方法,谱间关系法普适性较差,实际操作和应用受到限制。水体指数方法依据水体光谱曲线特征,通过波段计算来增强水体,模型方法具有一定物理基础,但仍然需要确定阈值来实现水体的提取。图像分类方法包括监督分类和非监督分类方法,监督分类方法需要人工选择样本,业务化应用较差。非监督分类方法虽然无需人工选择样本,但需要对分类结果进行大量分析及后处理才能获得所需的分类信息。基于雷达的水体提取方法主要依赖于水体的后向散射系数低于其他地物这一特性,设定阈值进行水体提取。
目前,基于卫星遥感的区域水体动态监测仍然具有较大的不确定性,可操作性仍然较差,主要表现在如下几个方面:首先,受制于光学遥感数据的获取,基于光学遥感的水体动态监测存在明显不足,难以满足业务化动态监测所需。以我国为例,南方地区夏季多为云、雾覆盖,光学遥感难以获得有效的地面观测数据,业务化监测难以实现。其次,基于光学遥感的水体提取方法仍然需要进一步改进,才能不断满足业务化应用的需求。再次,基于雷达的水体动态监测方法涉及到微波成像机理,山地和地形变化造成部分特征和水体类似,依赖于阈值法的水体提取方法存在明显的水体误判情况。当前,基于遥感的水体提取及动态监测仍然没有一种方法能够有效解决复杂、非均匀区域的水体大面积提取和监测。特别是我国南方地区,涉及到更为严峻的防汛和抗旱考验,大面积水体的提取和动态监测仍然是目前研究和实际应用的难点。
发明内容
本发明的目的在于提供一种联合光学和雷达的区域水体快速动态提取方法及系统,能够实现区域范围水体的动态提取和监测。
为达到上述目的,本发明第一方面提出一种联合光学和雷达的区域水体快速动态提取方法,包括以下步骤:
获取监测区域的光学遥感影像数据;
获取监测区域的雷达遥感影像数据;
分别对所述光学遥感影像数据以及所述雷达遥感影像数据进行预处理;
基于预处理后的光学遥感影像数据来得到光谱指数;
基于所述光谱指数提取光学遥感区域水体分类图;
基于所述光学遥感区域水体分类图来提取预处理后的雷达遥感影像数据中的雷达遥感区域水体分类图;
基于所述光学遥感区域水体分类图以及所述雷达遥感区域水体分类图来得到监测区域水体制图。
优选地,所述分别对所述光学遥感影像数据以及雷达遥感影像数据进行预处理包括:
对所述光学遥感数据进行几何校正、正射校正、图像增强、影像融合以及影像镶嵌;
对所述雷达遥感影像数据进行辐射定标、多视处理、滤波以及正射校正。
优选地,所述光谱指数包括:归一化植被指数、归一化水体指数、改进型归一化差值水体指数以及归一化差异城镇指数。
优选地,所述基于所述光谱指数提取光学遥感区域水体分类图包括:
基于所述光谱指数进行区域分割,得到分割区域;
对所述分割区域进行采样,得到训练样本集;
通过机器学习分类方法对所述训练样本集进行训练,得到图像分类器;
基于所述图像分类器对所述光学遥感影像数据进行分类,得到水体类别;
基于所述水体类别得到光学遥感区域水体分类图。
优选地,所述机器学习分类方法包括分类回归树法以及随机森林法。
优选地,所述基于所述光学遥感区域水体分类图来提取预处理后的雷达遥感影像数据中的雷达遥感区域水体分类图包括:
对所述预处理后的雷达遥感影像数据进行第一次图像裁剪,排除所述预处理后的雷达遥感影像数据中的虚假水体特征区域;
对经过第一次图像裁剪后的雷达遥感影像数据进行水体边缘检测,提取出水陆边缘线;
对所述水陆边缘线进行缓冲区分析,得到缓冲区边界;
基于所述缓冲区边界对所述图像裁剪后的雷达遥感影像数据进行第二次图像裁剪;
对经过第二次图像裁剪后的雷达遥感影像数据进行分割阈值的计算,得到水陆分割阈值;
基于所述水陆分割阈值对经过第二次图像裁剪后的雷达遥感影像数据进行阈值分割,得到所述雷达遥感区域水体分类图。
优选地,所述对经过第一次图像裁剪后的雷达遥感影像数据进行水体边缘检测,提取出水陆边缘线包括:
基于Canny边缘检测算法对经过第一次图像裁剪后的雷达遥感影像数据进行水体边缘检测,提取出水陆边缘线。
优选地,所述对经过第二次图像裁剪后的雷达遥感影像数据进行分割阈值的计算,得到水陆分割阈值包括:
基于最大类间差法对经过第二次图像裁剪后的雷达遥感影像数据进行分割阈值的计算,得到水陆分割阈值。
本发明第二方面提出一种联合光学和雷达的区域水体快速动态提取系统,包括:
光学卫星,用于获取监测区域的光学遥感影像数据;
雷达卫星,用于获取监测区域的雷达遥感影像数据;
预处理模块,分别对所述光学遥感影像数据以及所述雷达遥感影像数据进行预处理;
光谱指数模块,基于预处理后的光学遥感影像数据来得到光谱指数;
光学遥感区域水体分类图提取模块,基于所述光谱指数提取光学遥感区域水体分类图;
雷达遥感区域水体分类图提取模块,基于所述光学遥感区域水体分类图来提取预处理后的雷达遥感影像数据中的雷达遥感区域水体分类图;
监测区域水体制图模块,基于所述光学遥感区域水体分类图以及所述雷达遥感区域水体分类图来得到监测区域水体制图。
优选地,所述光学卫星包括Landsat8或Sentinel2,所述雷达卫星包括Sentinel1。
本发明的有益效果如下:
本发明主要基于光学遥感影像数据和雷达遥感影像数据,实现区域范围水体的动态提取和监测,具有区域应用的可操作性和实用性,通过联合使用光学和雷达卫星遥感数据来进行区域地表水体的提取,一方面可有效突破光学法受云、雾等因素的影响,实现云覆盖区域水体的连续监测;另一方面,雷达卫星方法结合光学卫星数据可有效的杜绝山地和地形变化造成水体误判问题,改善水体的提取精度,并且能够支撑区域洪涝监测和评估、区域旱情监测及预警、水资源管理和调度等方面的应用领域的需求。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明的一个实施例提出的一种联合光学和雷达的区域水体快速动态提取方法的示意图;
图2示出本实施例中所述方法的流程图;
图3示出本发明的第二个实施例提出的一种联合光学和雷达的区域水体快速动态提取系统的结构框图;
图4-图6示出使用本发明所述的方法得到的江西省南部地区的水体分布示意图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
为了解决背景技术中提出的问题,图1示出本发明的一个实施例提出的一种联合光学和雷达的区域水体快速动态提取方法的流程图,如图1所示,所述方法包括:
S1、获取监测区域的光学遥感影像数据;
S2、获取监测区域的雷达遥感影像数据;
S3、分别对所述光学遥感影像数据以及所述雷达遥感影像数据进行预处理;
S4、基于预处理后的光学遥感影像数据来得到光谱指数;
S5、基于所述光谱指数提取光学遥感区域水体分类图;
S6、基于所述光学遥感区域水体分类图来提取预处理后的雷达遥感影像数据中的雷达遥感区域水体分类图;
S7、基于所述光学遥感区域水体分类图以及所述雷达遥感区域水体分类图来得到监测区域水体制图。
具体的,图2示出本实施例所述方法的流程图,结合图1以及图2,在S1以及S2中,获取监测区域的光学遥感影像数据主要通过光学卫星来进行实现,而获取监测区域的雷达遥感影像数据则主要通过雷达卫星来实现,在这里,根据研究区域的需要,光学卫星常常选择Landsat8或Sentinel2,而雷达卫星则选择Sentinel1,使用Landsat8光学卫星与Sentinel1雷达卫星的组合满足分辨率为30米的水体监测区域,而选择Sentinel2光学卫星和Sentinel1雷达卫星的组合则可以满足分辨率为20米的水体监测区域。
具体的,在S3中,对光学遥感影像数据预处理主要包括几何校正、正射校正、图像增强、影像融合以及影像镶嵌等处理,而对雷达遥感影像数据进行预处理则包括辐射定标、多视处理、滤波以及正射校正等。
具体的,在S4中,本实施例所需的光谱指数包括:归一化植被指数、归一化水体指数、改进型归一化差值水体指数以及归一化差异城镇指数。
示例性的,基于Landsat8光学卫星的光学遥感影像数据的归一化植被指数(NDVI)计算如下:
NDVI=(Band5-Band4)/(Band5+Band4);
其中,Band4和Band5为Landsat8光学卫星的第4波段和第5波段的反射率值。
基于Landsat8光学卫星的光学遥感影像数据的归一化水体指数(NDWI)计算如下:
NDWI=(Band3-Band5)/(Band3+Band5)
其中,Band3和Band5为Landsat8第3波段和第5波段的反射率值。
基于Landsat8光学卫星的光学遥感影像数据的改进型归一化差值水体指数计算如下:
MNDWI=(Band3-Band6)/(Band3+Band6)
其中,Band3和Band6为Landsat8第3波段和第6波段的反射率值。
基于Sentinel 2光学卫星的光学遥感影像数据的归一化植被指数(NDVI)计算如下:
NDVI=(Band8-Band4)/(Band8+Band4)
其中,Band4和Band8为Sentinel 2第4波段和第8波段的反射率值。
基于Sentinel 2光学卫星的光学遥感影像数据的归一化水体指数(NDWI)计算如下:
NDWI=(Band3-Band8)/(Band3+Band8)
其中,Band3和Band8为Sentinel 2第3波段和第8波段的反射率值。
基于Sentinel 2光学卫星的光学遥感影像数据的改进型归一化差值水体指数计算如下:
MNDWI=(Band3-Band11)/(Band3+Band11)
其中,Band3和Band11为Sentinel 2第3波段和第11波段的反射率值。
结合夜光遥感数据的归一化差异城镇指数(NDUI)计算参考Zhang,Q.;Li,B.;Thau,D.;Moore,R.Building a Better Urban Picture:Combining Day and NightRemote Sensing Imagery.Remote Sens.2015,7,11887-11913.的文献:
NDUI=(NTL-NDVI)/(NTL+NDVI)
其中,NTL为归一化的夜光数据,本实施例中夜光遥感数据使用VIIRS夜间灯光数据,NDVI为基于Landsat8光学卫星或Sentinel 2光学卫星的归一化植被指数。
具体的,在S5中还包括以下子步骤:
S51、基于所述光谱指数进行区域分割,得到分割区域;
S52、对所述分割区域进行采样,得到训练样本集;
S53、通过机器学习分类方法对所述训练样本集进行训练,得到图像分类器;
S54、基于所述图像分类器对所述光学遥感影像数据进行分类,得到水体类别;
S55、基于所述水体类别得到光学遥感区域水体分类图。
在S51中,在光谱指数计算的基础上,依据上述NDVI,NDWI,MNDVI和NDUI指数来实现区域分割,具体如下:
高密度植被区域分割依据于NDVI,其分割阈值设定为0.65:
NDVI>0.65:
高植被区域水体区域分割依据于NDVI、NDWI、MNDWI和水体掩模产品:
(NDVI<0.15)和(NDWI>0.15)和(MNDWI>0.25):潜在水体区域
对于潜在水体区域使用水体掩模产品进行裁剪,作为分割水体区域。
城镇区域分割依据于NDUI指数:
NDUI>0.35:城镇区域
分割剩余的区域设定为其他区域。在基于光谱指数进行阈值分割,实现高植被区域、水体区域和城镇区域的分割。
在S52中,本实施例在基于光谱指数实现区域分割的基础上,分别对高植被区域、水体区域和城镇区域进行采样,其中,示例性的,高植被区采样点数为100个、城镇区域采样点数为80个,由于本发明注重水体的提取,因此,对于水体区域的采样适当调增,水体区域采样点数为150个。将三部分采样点数据合并为一个采样点图层。并基于采样点位置数据,提取对应点位的光学遥感数据各个波段的反射率信息,形成训练样本集合。
在S53中,本实施例在基于训练样本集的采样的基础上,进行机器学习分类模型方法的训练,得到图像分类器。
需要说明的是,本实施例中所采用的机器学习分类方法可以包括分类回归树法以及随机森林法,本领域人员应知的是,不仅限于这两种方法,其他机器学习分类方法应当也属于本发明的保护范围内。
进一步的,Cart分类回归树法方法是一种智能决策树分类方法,其原理是从训练数据中构建模型预测的机器学习方法,通过递归分割数据并在每个分区拟合预测模型,最终获得决策分类二叉树模型方法。
随机森林法是基于决策树的分类器集成算法,其中每一棵树都依赖于一个随机向量,随机森林的所有向量都是独立同分布的。随机森林就是对数据集的列变量和行观测进行随机化,生成多个分类数,最终将分类树结果进行汇总。
本实施例通过在Python Scikit-learn的框架下使用其Cart分类回归树法方法和随机森林机器学习方法,使用训练样本数据进行训练,生成图像分类器,用于下一步的图像分类。
在S54中,通过使用训练得到的图像分类器来对Landsat8光学卫星或Sentinel2光学卫星获取的光学遥感影像数据进行分类,并在图像分类的基础上,进一步提取出水体类别。
由于在S52中,对分割区域进行采样为随机采样,因此在S55中,通过将S52-S54重复进行预设次数,并在提取了预设次数的水体类别的基础上,进行综合得出最终的光学遥感区域水体分类图,需要说明的,预设次数可自行进行设定,本实施例对此不做具体限定,示例性的,预设次数可设定为10次。
具体的,在S6中,主要是基于所述光学遥感区域水体分类图来提取预处理后的雷达遥感影像数据中的雷达遥感区域水体分类图,也就是说,本实施例提出的基于预处理后的雷达遥感影像数据的雷达遥感区域水体分类图提取方法首先依据水体掩模数据实现对预处理后的雷达遥感影像数据的裁剪;对裁剪的雷达遥感影像数据进行水体边缘检测及提取;提取水体边缘缓冲区的雷达遥感影像数据;基于自适应阈值分割方法计算分割阈值;最后基于分割阈值实现雷达遥感区域水体分类图的提取。
进一步的,所述S6包括以下子步骤:
S61、对所述预处理后的雷达遥感影像数据进行第一次图像裁剪,排除所述预处理后的雷达遥感影像数据中的虚假水体特征区域;
S62、对经过第一次图像裁剪后的雷达遥感影像数据进行水体边缘检测,提取出水陆边缘线;
S63、对所述水陆边缘线进行缓冲区分析,得到缓冲区边界;
S64、基于所述缓冲区边界对所述图像裁剪后的雷达遥感影像数据进行第二次图像裁剪;
S65、对经过第二次图像裁剪后的雷达遥感影像数据进行分割阈值的计算,得到水陆分割阈值;
S66、基于所述水陆分割阈值对经过第二次图像裁剪后的雷达遥感影像数据进行阈值分割,得到所述雷达遥感区域水体分类图。
在S61中,雷达遥感影像数据的图像成像机理在复杂地形条件下容易受到透视收缩、叠掩和阴影的影响,使得部分区域的雷达遥感影像数据的图像特征和水体特征类似,造成水体提取存在较大误差。为应对此问题,本实施例首先基于水体掩模产品对预处理后的雷达遥感影像数据进行裁剪,将虚假水体特征区域排除在外。
在S62中,使用经过第一次图像裁剪后的雷达遥感影像数据进行水体边缘检测,提取出水陆边缘线,具体的,可采用Canny边缘检测算法,需要说明的是Canny边缘检测算法由John.F.Canny提出,是一种多级边缘检测算法。本实施例中采用Canny边缘检测算法进行水体边缘检测:首先对雷达遥感影像数据进行高斯模糊,去除图像噪点;计算图像梯度和方向,进行梯度最大值抑制;应用双阈值来确定边界。依据水体特征和其他地物的差异,最小和最大阈值分别取值为1.0和18。从而通过水体边缘检测将提取出经过第一次图像裁剪后的雷达遥感影像数据中的水体和陆地的边缘线。
在S63中,基于S62的基础,对提取到的水陆边缘线进行缓冲区分析,得到缓冲区边界,其中,缓冲距离为50米,
在S64中,使用缓冲区边界对雷达遥感影像数据进行第二次图像裁剪,裁剪后的图像将主要包含水体和陆地两部分。
在S65中,基于经过第二次图像裁剪后的雷达遥感影像数据,使用自适应阈值分割方法实现分割阈值的计算。需要说明的是,最大类间差法由日本学者大津于1979年提出,是一种自动对图像进行二值化的方法。其中,最大类间差法可参考Nobuyuki Otsu(1979)."Athreshold selection method from gray-level histograms".IEEE Trans.Sys.,Man.,Cyber.9:62–66.在本实施例中采用最大类间差法实现水体和陆地的最佳分割阈值计算,以得到水陆分割阈值。
在S66中,在上述水陆分割阈值的基础上,对整幅雷达遥感影像数据进行阈值分割,小于分割阈值的区域即为潜在水体区域。
进一步的,由于潜在水体区域仍然包含虚假水体信息,为杜绝这一问题,本实施例可采用使用水体掩模对潜在水体区域进行裁剪,裁剪后的水体即为最终的水体提取结果。
需要说明的是,水体掩膜是进行光谱指数的区域分割以及雷达遥感影像数据区域分割的关键,而上述的水体掩膜可采用JRC全球水体产品中全球最大水体面积产品作为水体掩模。由于水体的动态变化,需要对水体掩模进行更新,才能更好的实现水体的变化监测,因此可通过在本实施例中的提取的光学遥感区域水体分类图以及雷达遥感区域水体分类图来对水体掩模产品进行更新,更新后的水体掩模产品将应用于下一次水体的提取和分析应用之中。
基于光学遥感影像数据以及雷达遥感影像数据能够分别在S5以及S6的基础上,分别实现光学遥感区域水体分类图以及雷达遥感区域水体分类图的提取,结合区域基础地理信息数据,可实现区域的水体制图输出。在区域水体制图的基础上,积累多期水体监测结果,可实现水体动态变化监测,实现水体区域的扩大或缩小识别分析,从而可以进一步的提供区域水体的变化监测报告。
本实施例主要基于光学遥感影像数据和雷达遥感影像数据,实现区域范围水体的动态提取和监测,具有区域应用的可操作性和实用性,通过联合使用光学和雷达卫星遥感数据来进行区域地表水体的提取,一方面可有效突破光学法受云、雾等因素的影响,实现云覆盖区域水体的连续监测;另一方面,雷达卫星方法结合光学卫星数据可有效的杜绝山地和地形变化造成水体误判问题,改善水体的提取精度,并且能够支撑区域洪涝监测和评估、区域旱情监测及预警、水资源管理和调度等方面的应用领域的需求。
图2示出本发明的第二个实施例提出的一种联合光学和雷达的区域水体快速动态提取系统的结构框图,如图2所示,
光学卫星,用于获取监测区域的光学遥感影像数据;
雷达卫星,用于获取监测区域的雷达遥感影像数据;
预处理模块,分别对所述光学遥感影像数据以及所述雷达遥感影像数据进行预处理;
光谱指数模块,基于预处理后的光学遥感影像数据来得到光谱指数;
光学遥感区域水体分类图提取模块,基于所述光谱指数提取光学遥感区域水体分类图;
雷达遥感区域水体分类图提取模块,基于所述光学遥感区域水体分类图来提取预处理后的雷达遥感影像数据中的雷达遥感区域水体分类图;
监测区域水体制图模块,基于所述光学遥感区域水体分类图以及所述雷达遥感区域水体分类图来得到监测区域水体制图。
进一步的,所述光学卫星包括Landsat8或Sentinel2,所述雷达卫星包括Sentinel1。
具体的,采用Landsat8光学卫星与Sentinel1雷达卫星的组合满足分辨率为30米的水体监测区域,而选择Sentinel2光学卫星和Sentinel1雷达卫星的组合则可以满足分辨率为20米的水体监测区域。
下面,结合实验示例对本发明做进一步介绍,2018年7-8月江西省出现明显旱情,降水比多年平均偏少25%,高温少雨天气致使江河湖泊水位持续走低,水库蓄水不足,特别是部分市县水库干涸。对此,使用联合光学和雷达的区域水体快速提取方法和系统对江西省萍乡、宜春、分宜等地水体进行监测。并提取同期2017年8月同期水体进行变化分析。结果如图4、图5以及图6所示,其中,图4示出2017年7月20日-8月30日的江西省南部地区的水体分布,图5示出2018年7月20日-8月30日的江西省南部地区的水体分布,图6示出2018年8月江西省南部地区水体与2018年同期减少情况。
由上述可知,基于本发明的联合光学和雷达的区域水体快速提取方法提取了江西省南部地区的2018年7月20-8月30和同期2017年水体分布情况,可见由于干旱的影响,2018年水体呈现明显的水体面积萎缩情况,表明这一区域水库蓄水明显低于2017年同期。本发明的联合光学和雷达的区域水体快速提取方法可快速实现区域水体监测和动态变化分析,可为区域的旱情监测、水资源管理和调度等方面的应用领域的提供支撑。
显然,本发明的上述实施例仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种联合光学和雷达的区域水体快速动态提取方法,其特征在于,包括以下步骤:
获取监测区域的光学遥感影像数据;
获取监测区域的雷达遥感影像数据;
分别对所述光学遥感影像数据以及所述雷达遥感影像数据进行预处理;
基于预处理后的光学遥感影像数据来得到光谱指数;
基于所述光谱指数提取光学遥感区域水体分类图;
基于所述光学遥感区域水体分类图来提取预处理后的雷达遥感影像数据中的雷达遥感区域水体分类图;
基于所述光学遥感区域水体分类图以及所述雷达遥感区域水体分类图来得到监测区域水体制图。
2.根据权利要求1所述的方法,其特征在于,所述分别对所述光学遥感影像数据以及雷达遥感影像数据进行预处理包括:
对所述光学遥感数据进行几何校正、正射校正、图像增强、影像融合以及影像镶嵌;
对所述雷达遥感影像数据进行辐射定标、多视处理、滤波以及正射校正。
3.根据权利要求1所述的方法,其特征在于,所述光谱指数包括:归一化植被指数、归一化水体指数、改进型归一化差值水体指数以及归一化差异城镇指数。
4.根据权利要求3所述的方法,其特征在于,所述基于所述光谱指数提取光学遥感区域水体分类图包括:
基于所述光谱指数进行区域分割,得到分割区域;
对所述分割区域进行采样,得到训练样本集;
通过机器学习分类
方法对所述训练样本集进行训练,得到图像分类器;
基于所述图像分类器对所述光学遥感影像数据进行分类,得到水体类别;
基于所述水体类别得到光学遥感区域水体分类图。
5.根据权利要求4所述的方法,其特征在于,所述机器学习分类方法包括分类回归树法以及随机森林法。
6.根据权利要求1所述的方法,其特征在于,所述基于所述光学遥感区域水体分类图来提取预处理后的雷达遥感影像数据中的雷达遥感区域水体分类图包括:
对所述预处理后的雷达遥感影像数据进行第一次图像裁剪,排除所述预处理后的雷达遥感影像数据中的虚假水体特征区域;
对经过第一次图像裁剪后的雷达遥感影像数据进行水体边缘检测,提取出水陆边缘线;
对所述水陆边缘线进行缓冲区分析,得到缓冲区边界;
基于所述缓冲区边界对所述图像裁剪后的雷达遥感影像数据进行第二次图像裁剪;
对经过第二次图像裁剪后的雷达遥感影像数据进行分割阈值的计算,得到水陆分割阈值;
基于所述水陆分割阈值对经过第二次图像裁剪后的雷达遥感影像数据进行阈值分割,得到所述雷达遥感区域水体分类图。
7.根据权利要求6所述的方法,其特征在于,所述对经过第一次图像裁剪后的雷达遥感影像数据进行水体边缘检测,提取出水陆边缘线包括:
基于Canny边缘检测算法对经过第一次图像裁剪后的雷达遥感影像数据进行水体边缘检测,提取出水陆边缘线。
8.根据权利要求6所述的方法,其特征在于,所述对经过第二次图像裁剪后的雷达遥感影像数据进行分割阈值的计算,得到水陆分割阈值包括:
基于最大类间差法对经过第二次图像裁剪后的雷达遥感影像数据进行分割阈值的计算,得到水陆分割阈值。
9.一种联合光学和雷达的区域水体快速动态提取系统,其特征在于,包括:
光学卫星,用于获取监测区域的光学遥感影像数据;
雷达卫星,用于获取监测区域的雷达遥感影像数据;
预处理模块,分别对所述光学遥感影像数据以及所述雷达遥感影像数据进行预处理;
光谱指数模块,基于预处理后的光学遥感影像数据来得到光谱指数;
光学遥感区域水体分类图提取模块,基于所述光谱指数提取光学遥感区域水体分类图;
雷达遥感区域水体分类图提取模块,基于所述光学遥感区域水体分类图来提取预处理后的雷达遥感影像数据中的雷达遥感区域水体分类图;
监测区域水体制图模块,基于所述光学遥感区域水体分类图以及所述雷达遥感区域水体分类图来得到监测区域水体制图。
10.根据权利要求8所述的系统,其特征在于,所述光学卫星包括Landsat8或Sentinel2,所述雷达卫星包括Sentinel1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175432.9A CN109977801B (zh) | 2019-03-08 | 2019-03-08 | 一种联合光学和雷达的区域水体快速动态提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175432.9A CN109977801B (zh) | 2019-03-08 | 2019-03-08 | 一种联合光学和雷达的区域水体快速动态提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977801A true CN109977801A (zh) | 2019-07-05 |
CN109977801B CN109977801B (zh) | 2020-12-01 |
Family
ID=67078232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910175432.9A Expired - Fee Related CN109977801B (zh) | 2019-03-08 | 2019-03-08 | 一种联合光学和雷达的区域水体快速动态提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977801B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322454A (zh) * | 2019-07-08 | 2019-10-11 | 自然资源部第二海洋研究所 | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 |
CN110517575A (zh) * | 2019-08-21 | 2019-11-29 | 华北水利水电大学 | 一种地表水体制图方法及装置 |
CN110703244A (zh) * | 2019-09-05 | 2020-01-17 | 中国科学院遥感与数字地球研究所 | 基于遥感数据识别城区内水体的方法和装置 |
CN110987865A (zh) * | 2019-12-13 | 2020-04-10 | 齐鲁工业大学 | 一种基于近红外光谱检测无花果品质的方法 |
CN111047566A (zh) * | 2019-12-04 | 2020-04-21 | 昆明市滇池高原湖泊研究院 | 无人机和多光谱卫星影像进行水生植被年变化统计的方法 |
CN111597930A (zh) * | 2020-04-30 | 2020-08-28 | 河海大学 | 一种基于遥感云平台的海岸线提取方法 |
CN112068097A (zh) * | 2020-07-15 | 2020-12-11 | 北京百度网讯科技有限公司 | 雷达遥感数据的标注方法、装置、电子设备和存储介质 |
CN112131946A (zh) * | 2020-08-21 | 2020-12-25 | 长沙银汉空间科技有限公司 | 光学遥感影像植被和水体信息自动提取方法 |
WO2021035456A1 (zh) * | 2019-08-26 | 2021-03-04 | 中国科学院遥感与数字地球研究所 | 基于时敏光谱指数的高分辨率全球火烧迹地自动制图方法 |
CN112946643A (zh) * | 2021-01-28 | 2021-06-11 | 华东师范大学 | 基于时序雷达遥感的海上风电提取方法及系统 |
CN113177964A (zh) * | 2021-05-25 | 2021-07-27 | 北京大学 | 光学遥感影像大范围地表水提取方法及装置 |
CN113192088A (zh) * | 2021-05-19 | 2021-07-30 | 山东纬横数据科技有限公司 | 一种基于遥感图像阈值分割的雷达图像固定背景掩模方法 |
CN113269028A (zh) * | 2021-04-07 | 2021-08-17 | 南方科技大学 | 一种基于深度卷积神经网络的水体变化检测方法和系统 |
CN113378766A (zh) * | 2021-06-25 | 2021-09-10 | 南通大学 | 一种基于合成孔径雷达的海上大规模风力发电站监测系统 |
CN113469104A (zh) * | 2021-07-15 | 2021-10-01 | 应急管理部通信信息中心 | 基于深度学习的雷达遥感影像地表水体变化检测方法和设备 |
CN114114255A (zh) * | 2021-11-29 | 2022-03-01 | 商丘师范学院 | 记录黄河生态资源变化状态的遥感检测方法 |
WO2022077958A1 (zh) * | 2020-10-13 | 2022-04-21 | 上海商汤智能科技有限公司 | 水体分割方法及装置、电子设备和存储介质 |
CN115147728A (zh) * | 2022-06-24 | 2022-10-04 | 滁州学院 | 一种基于雷达数据和光学数据协同的塘坝快速识别方法 |
CN116206199A (zh) * | 2023-01-17 | 2023-06-02 | 中国科学院东北地理与农业生态研究所 | 一种水田泡田进度高时空分辨率监测方法 |
CN117746249A (zh) * | 2023-12-26 | 2024-03-22 | 合肥市自然资源和规划信息中心 | 一种基于主被动遥感的淮河流域洪涝灾害快速监测方法 |
CN117990059A (zh) * | 2024-01-16 | 2024-05-07 | 中国水利水电科学研究院 | 一种集合多星观测的区域水体动态监测方法 |
CN118190823A (zh) * | 2024-03-25 | 2024-06-14 | 广西壮族自治区自然资源遥感院 | 一种基于遥感数据的水域生态环境监测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400151A (zh) * | 2013-08-16 | 2013-11-20 | 武汉大学 | 一体化的光学遥感影像与gis自动配准与水体提取方法 |
CN104217426A (zh) * | 2014-08-18 | 2014-12-17 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR与Landsat TM遥感数据面向对象提取水体的方法 |
CN104318051A (zh) * | 2014-09-15 | 2015-01-28 | 中国水利水电科学研究院 | 基于规则的大范围水体信息遥感自动提取系统及方法 |
CN108764132A (zh) * | 2018-05-28 | 2018-11-06 | 河海大学 | 一种湖泊湿地遥感图像误差检测方法 |
-
2019
- 2019-03-08 CN CN201910175432.9A patent/CN109977801B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400151A (zh) * | 2013-08-16 | 2013-11-20 | 武汉大学 | 一体化的光学遥感影像与gis自动配准与水体提取方法 |
CN104217426A (zh) * | 2014-08-18 | 2014-12-17 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR与Landsat TM遥感数据面向对象提取水体的方法 |
CN104318051A (zh) * | 2014-09-15 | 2015-01-28 | 中国水利水电科学研究院 | 基于规则的大范围水体信息遥感自动提取系统及方法 |
CN108764132A (zh) * | 2018-05-28 | 2018-11-06 | 河海大学 | 一种湖泊湿地遥感图像误差检测方法 |
Non-Patent Citations (1)
Title |
---|
饶品增等: "基于MODIS数据的洪涝灾害分析研究——以2017年洞庭湖区洪水为例", 《灾害学》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322454A (zh) * | 2019-07-08 | 2019-10-11 | 自然资源部第二海洋研究所 | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 |
CN110517575A (zh) * | 2019-08-21 | 2019-11-29 | 华北水利水电大学 | 一种地表水体制图方法及装置 |
WO2021035456A1 (zh) * | 2019-08-26 | 2021-03-04 | 中国科学院遥感与数字地球研究所 | 基于时敏光谱指数的高分辨率全球火烧迹地自动制图方法 |
CN110703244A (zh) * | 2019-09-05 | 2020-01-17 | 中国科学院遥感与数字地球研究所 | 基于遥感数据识别城区内水体的方法和装置 |
CN110703244B (zh) * | 2019-09-05 | 2023-08-04 | 中国科学院遥感与数字地球研究所 | 基于遥感数据识别城区内水体的方法和装置 |
CN111047566B (zh) * | 2019-12-04 | 2023-07-14 | 昆明市滇池高原湖泊研究院 | 无人机和多光谱卫星影像进行水生植被年变化统计的方法 |
CN111047566A (zh) * | 2019-12-04 | 2020-04-21 | 昆明市滇池高原湖泊研究院 | 无人机和多光谱卫星影像进行水生植被年变化统计的方法 |
CN110987865A (zh) * | 2019-12-13 | 2020-04-10 | 齐鲁工业大学 | 一种基于近红外光谱检测无花果品质的方法 |
CN111597930A (zh) * | 2020-04-30 | 2020-08-28 | 河海大学 | 一种基于遥感云平台的海岸线提取方法 |
CN112068097A (zh) * | 2020-07-15 | 2020-12-11 | 北京百度网讯科技有限公司 | 雷达遥感数据的标注方法、装置、电子设备和存储介质 |
CN112068097B (zh) * | 2020-07-15 | 2023-10-17 | 北京百度网讯科技有限公司 | 雷达遥感数据的标注方法、装置、电子设备和存储介质 |
CN112131946A (zh) * | 2020-08-21 | 2020-12-25 | 长沙银汉空间科技有限公司 | 光学遥感影像植被和水体信息自动提取方法 |
CN112131946B (zh) * | 2020-08-21 | 2023-06-23 | 长沙银汉空间科技有限公司 | 光学遥感影像植被和水体信息自动提取方法 |
WO2022077958A1 (zh) * | 2020-10-13 | 2022-04-21 | 上海商汤智能科技有限公司 | 水体分割方法及装置、电子设备和存储介质 |
CN112946643A (zh) * | 2021-01-28 | 2021-06-11 | 华东师范大学 | 基于时序雷达遥感的海上风电提取方法及系统 |
CN113269028B (zh) * | 2021-04-07 | 2022-02-11 | 南方科技大学 | 一种基于深度卷积神经网络的水体变化检测方法和系统 |
CN113269028A (zh) * | 2021-04-07 | 2021-08-17 | 南方科技大学 | 一种基于深度卷积神经网络的水体变化检测方法和系统 |
CN113192088A (zh) * | 2021-05-19 | 2021-07-30 | 山东纬横数据科技有限公司 | 一种基于遥感图像阈值分割的雷达图像固定背景掩模方法 |
CN113177964A (zh) * | 2021-05-25 | 2021-07-27 | 北京大学 | 光学遥感影像大范围地表水提取方法及装置 |
CN113177964B (zh) * | 2021-05-25 | 2023-08-18 | 北京大学 | 光学遥感影像大范围地表水提取方法及装置 |
CN113378766A (zh) * | 2021-06-25 | 2021-09-10 | 南通大学 | 一种基于合成孔径雷达的海上大规模风力发电站监测系统 |
CN113469104A (zh) * | 2021-07-15 | 2021-10-01 | 应急管理部通信信息中心 | 基于深度学习的雷达遥感影像地表水体变化检测方法和设备 |
CN114114255A (zh) * | 2021-11-29 | 2022-03-01 | 商丘师范学院 | 记录黄河生态资源变化状态的遥感检测方法 |
CN115147728A (zh) * | 2022-06-24 | 2022-10-04 | 滁州学院 | 一种基于雷达数据和光学数据协同的塘坝快速识别方法 |
CN116206199A (zh) * | 2023-01-17 | 2023-06-02 | 中国科学院东北地理与农业生态研究所 | 一种水田泡田进度高时空分辨率监测方法 |
CN116206199B (zh) * | 2023-01-17 | 2024-07-26 | 中国科学院东北地理与农业生态研究所 | 一种水田泡田进度高时空分辨率监测方法 |
CN117746249A (zh) * | 2023-12-26 | 2024-03-22 | 合肥市自然资源和规划信息中心 | 一种基于主被动遥感的淮河流域洪涝灾害快速监测方法 |
CN117990059A (zh) * | 2024-01-16 | 2024-05-07 | 中国水利水电科学研究院 | 一种集合多星观测的区域水体动态监测方法 |
CN117990059B (zh) * | 2024-01-16 | 2024-08-16 | 中国水利水电科学研究院 | 一种集合多星观测的区域水体动态监测方法 |
CN118190823A (zh) * | 2024-03-25 | 2024-06-14 | 广西壮族自治区自然资源遥感院 | 一种基于遥感数据的水域生态环境监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109977801B (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977801A (zh) | 一种联合光学和雷达的区域水体快速动态提取方法及系统 | |
Yang et al. | Urban surface water body detection with suppressed built-up noise based on water indices from Sentinel-2 MSI imagery | |
Dorren et al. | Improved Landsat-based forest mapping in steep mountainous terrain using object-based classification | |
Jia et al. | Spectral matching based on discrete particle swarm optimization: A new method for terrestrial water body extraction using multi-temporal Landsat 8 images | |
Teferi et al. | The use of remote sensing to quantify wetland loss in the Choke Mountain range, Upper Blue Nile basin, Ethiopia | |
Blasco et al. | Estimating the extent of floods in Bangladesh using SPOT data | |
Arnous et al. | Monitoring and assessing waterlogged and salt-affected areas in the Eastern Nile Delta region, Egypt, using remotely sensed multi-temporal data and GIS | |
Pu et al. | Mapping and assessing seagrass bed changes in Central Florida's west coast using multitemporal Landsat TM imagery | |
Bofana et al. | How long did crops survive from floods caused by Cyclone Idai in Mozambique detected with multi-satellite data | |
Van der Sanden et al. | An automated procedure to map breaking river ice with C-band HH SAR data | |
Esmaeili Gholzom et al. | Erosion risk assessment and identification of susceptibility lands using the ICONA model and RS and GIS techniques | |
Quartel et al. | Object-oriented extraction of beach morphology from video images | |
Meng et al. | Monitoring human-induced surface water disturbance around Taihu Lake since 1984 by time series Landsat images | |
Han et al. | Water distribution based on SAR and optical data to improve hazard mapping | |
Smikrud et al. | Monitoring large woody debris dynamics in the Unuk River, Alaska using digital aerial photography | |
Tajima et al. | Satellite-based monitoring of contrasting characteristics of suspended sediment discharged from the Red and the Ma river systems along the northern coast of Vietnam | |
Smikrud et al. | Decision-based fusion for improved fluvial landscape classification using digital aerial photographs and forward looking infrared images | |
Mhangara et al. | An object-based classification and fragmentation analysis of land use and cover change in the Keiskamma catchment, Eastern Cape, South Africa | |
Santos et al. | Coastal morphodynamic features/patterns analysis through a video-based system and image processing | |
Huang et al. | Potential of multitemporal ERS-2 SAR imagery for land use mapping in coastal zone of Shangyu City, China | |
Badawy | Applications of remote sensing and geographic information systems in geomorphological studies: Safaga-El Quseir area, Red Sea coast, Egypt as an example | |
Meier et al. | Remote sensing for hydrological modeling of seasonal wetlands–Concepts and applications | |
Anokye et al. | Assessing land cover change around bayou perot-little lake, new orleans using sentinel 2 satellite imagery | |
Fuazi et al. | Identifying shoreline changes in Tanjung Burung Forest Reserve and its impact on mangrove stands using geospatial technique | |
Suresh et al. | Application of the automatic seep location estimator (ASLE) with the use of contextual information for estimating offshore oil seeps |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201201 |