CN110348324B - 一种基于遥感大数据的洪涝实时淹没分析方法及系统 - Google Patents
一种基于遥感大数据的洪涝实时淹没分析方法及系统 Download PDFInfo
- Publication number
- CN110348324B CN110348324B CN201910537049.3A CN201910537049A CN110348324B CN 110348324 B CN110348324 B CN 110348324B CN 201910537049 A CN201910537049 A CN 201910537049A CN 110348324 B CN110348324 B CN 110348324B
- Authority
- CN
- China
- Prior art keywords
- water level
- grid
- record
- remote sensing
- inundation
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 216
- 238000011160 research Methods 0.000 claims abstract description 71
- 238000012952 Resampling Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 42
- 238000000605 extraction Methods 0.000 claims description 11
- 238000000926 separation method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 abstract description 22
- 230000007613 environmental effect Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004387 environmental modeling Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000001970 hydrokinetic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于遥感大数据的洪涝实时淹没分析方法及系统，首先将研究区划分为统一大小的格网，根据划分的格网，对海量遥感影像数据集进行重采样；在重采样后的遥感影像上，进行水体提取，以获取遥感影像记录的历史洪涝淹没范围；将位于相同研究区划分的格网中的遥感影像像素汇集到一起，获取这些像素的淹没状态(是否被观测到淹没)和相应的水位值，形成对应网格的“淹没记录”；基于每个格网的“淹没记录”，计算得到每个格网的水位淹没阈值；将实时观测的水位值，与每个格网的水位淹没阈值，进行大小比较，判断该格网在实时观测的水位值下是否会水体淹没，从而得到研究区实时的洪涝模拟。
Description
技术领域
本发明属于图像识别技术应用到洪涝实时淹没分析领域，涉及一种洪涝实时淹没分析方法及系统，特别涉及一种基于遥感大数据的洪涝实时淹没分析方法及系统。
背景技术
快速准确的进行洪涝实时淹没分析，对洪涝灾害的预防和风险评估，具有十分重要的意义(文献[1、2])。目前，针对洪涝淹没分析问题，专家学者发展设计了许多模型，这些模型方法大致可以分为三类：基于水文水动力学理论、基于数字高程模型(DigitalElevation Model)和基于遥感影像(文献[3])。
基于水文水动力学理论的方法，可以根据相关的物理模型，模拟出洪水的运动过程和洪水的淹没范围，但是该类型的方法需要输入大量与研究区域相关的参数，部分参数实际难以获得，并且计算量大，需要消耗大量时间和计算资源(文献[3、4])。所以，基于水文水动力学理论的方法，不适合洪涝的实时快速淹没分析。基于数字高程模型的方法，如静水面模型(文献[5、6])、HAND(Height above the Nearest Drainage)(文献[7])等，这类模型方法，虽然能够快速计算出洪涝淹没范围，但是，容易将不与洪水流经范围相连同的区域，错误地划分为洪涝淹没区。这种问题，影响了基于数字高程模型的方法，在实时洪涝淹没分析中的精度。基于遥感影像的方法，从Envisat(文献[8])、MODIS(文献[9])、Landsat(文献[10])等卫星遥感影像上，能够直接且精确获地取历史上水体淹没范围，并且结合一定的水文参数，如水位、蓄水量等，建立水位——淹没面积(文献[11])，蓄水量——淹没面积(文献[12])等之间的定量关系。但是，这类方法往往只采用一年一颗卫星采集的影像数据，在预测精度上受到一定限制，而在实时洪涝淹没分析中，这类方法不能给出洪涝淹没区域的具体分布。
随着航空航天技术的不断进步，越来越多的对地观测卫星投入使用。这些卫星能够提供对同一地物的多种波段、多种分辨率、多时相和多种观测尺度观测数据(文献[13])，同时也积累了海量的历史遥感数据。这为研究地面水体变化的知识规律，提供了大量有价值的观测信息。由于从遥感影像，可以直接和准确的获取洪涝水体淹没的范围(文献[3)，基于卫星积累的遥感大数据，可以充分感知和理解洪涝水体历史淹没范围及其变化。倘若，将同一地区大量的洪涝水体历史淹没空间分布，与某一能够实时获取的水文参数，如水位值，建立关系，那么就能够在该参数实时获取到的观测值下，模拟出相应的洪涝淹没范围，从而实现基于遥感大数据的洪涝实时淹没分析。
如果考虑基于遥感影像大数据，进行实时洪涝模拟，将有效避免以往洪涝模拟方法中遇到的问题。在水文水动力学理论方法中，需要输入大量与研究区有关的参数，而有些参数往往很难获取，而基于遥感影像大数据，建立洪涝历史淹没范围与水位值的关系，则不存在参数难获得的问题；在基于数字高程模型一类的方法中，由于地形连通性和洪水多源头问题，使得预测精度受到限制，而基于遥感大数据，洪涝范围直接由影像提取，避免了考虑地形联通和洪水多源头的问题；在以往遥感影像方法中，由于采集的洪涝历史淹没范围有限，只对淹没范围、蓄水量等水文参数进行模拟，而基于遥感影像大数据，则可以弥补该类方法实时模拟洪涝淹没空间分布的空白。
[文献1]Burn D H,Whitfield P H.Changes in floods and flood regimes inCanada[J].Canadian Water Resources Journal,2015,1784:1-12.
[文献2]Teng,J.Vaze,J.Dutta,D.Marvanek,S.Rapid Inundation Modelling inLarge Floodplains Using LiDAR DEM[J].Water Resources Management,2015,29:2619-2636.
[文献3]Teng J,Jakeman A J,Vaze J,et al.Flood inundation modelling:Areview of methods,recent advances and uncertainty analysis[J].EnvironmentalModelling&Software,2017,90:201-216.
[文献4]Leandro J,Chen A S,Schumann A.A 2D parallel diffusive wavemodel for floodplain inundation with variable time step(P-DWave)[J].Journalof Hydrology,2014,517:250-259.
[文献5]Williams W A,Jensen M E,Winne J C,et al.An Automated Techniquefor Delineating and Characterizing Valley-Bottom Settings[J].EnvironmentalMonitoring and Assessment,2000,64(1):105-114.
[文献6]Priestnall G,Jaafar J,Duncan A.Extracting urban features fromLiDAR digital surface models[J].Computers,Environment and Urban Systems,2000,24(2):65-78.
[文献7]Nobre A D,Cuartas L A,Hodnett M,et al.Height Above the NearestDrainage–a hydrologically relevant new terrain model[J].Journal of Hydrology(Amsterdam),2011,404(1-2):13-29.
[文献8]Henry,J.-B,Chastanet P,Fellah K,et al.Envisat multi-polarizedASAR data for flood mapping[J].International Journal of Remote Sensing,2006,27(10):1921-1929.
[文献9]Feng L,Hu C,Chen X,et al.Assessment of inundation changes ofPoyang Lake using MODIS observations between 2000and 2010[J].Remote Sensingof Environment,2012,121(none):0-92.
[文献10]Pekel J F,Cottam A,Gorelick N,et al.High-resolution mappingof global surface water and its long-term changes[J].Nature,2016,540(7633):418-422.
[文献11]Frédéric Frappart,Frédérique Seyler,Martinez J M,etal.Floodplain water storage in the Negro River basin estimated from microwaveremote sensing of inundation area and water levels[J].Remote Sensing ofEnvironment,2005,99(4):387-399.
[文献12]Smith L C,Pavelsky T M.Remote sensing of volumetric storagechanges in lakes[J].Earth Surface Processes&Landforms,2010,34(10):1353-1358.
[文献13]张兵.遥感大数据时代与智能信息提取[J].武汉大学学报(信息科学版),2018,43(12):108-118.
发明内容
针对以上缺少基于遥感影像大数据实现洪涝淹没实时模拟相关研究的问题，本发明提出了一种基于遥感大数据的洪涝实时淹没分析方法(RFim,real-time floodinundation simulation model)，利用遥感大数据提供的同一地区丰富的影像数据，充分获取研究区域不同时间的淹没范围，并建立洪涝淹没范围与相应水位值之间的关系，从而实现实时水位观测之下，实时的洪涝淹没范围模拟。遥感影像具有覆盖范围大、成像波段多等优势，获能够直接获取研究地区地物的空间分布。随着越来越多的对地观测卫星投入使用，获取海量的遥感数据成为了可能。基于遥感大数据，能够提取研究区足够多的历史洪涝淹没范围，获取足够的历史上洪涝水位空间分布。原位站点数据，如水文站观测的水位数据，具有实时不间断的优点，并且十分容易获取。通过海量遥感影像数据与对应水位数据的耦合，建立研究区历史淹没的空间分布与对应水位数据的关系，从而实现基于遥感大数据的洪涝淹没实时分析。
本发明的方法所采用的技术方案是：一种基于遥感大数据的洪涝实时淹没分析方法，其特征在于，包括以下步骤：
步骤1：将研究区划分成统一大小的格网，根据研究区域划分的格网，采用最近邻内插法，对收集的历史遥感影像进行重采样，从而保证不同影像中覆盖相同格网的像素能够完全重合；
步骤2：在重采样的遥感影像集上，提取研究地区的历史洪涝淹没范围图；
步骤3：将历史洪涝淹没范围图上的像素与影像采集当天的水位值关联；
步骤4：根据研究区域之前划分好的格网，将所有历史洪涝淹没范围图上，位于相同格网内的像素和相应的水位值，进行整合；继而在研究区域的每个格网上，形成该格网对应的“淹没记录”；其中，“淹没记录”反映该格网在历次卫星观测中的淹没状态和对应的水位值；
步骤5：根据每个格网上的“淹没记录”，计算决定研究区域每个格网是否会被淹没的水位阈值；
步骤6：获取实时观测的水位值，将实时观测的水位值与研究区每个格网的水位阈值作比较；
若水位值大于某一格网的水位阈值，那么该格网则认为会被洪涝淹没，反之，则不会；
完成每个格网水位阈值与实时观测水位值比较后，实时淹没分析预测工作完成。
作为优选，步骤1中所述将研究地区划分成统一大小的格网，具体实现包括以下子步骤：
步骤1.1：寻找研究区域的最小外接矩形；
步骤1.2：以外接矩形宽平行的方向为行，以外接矩形长平行的方向为列，将包含研究的外接矩形划分成统一大小的格网。
作为优选，步骤2的具体实现包括以下子步骤：
步骤2.1：使用归一化水体指数公式，对遥感影像进行处理，得到水体增强后的影像；归一化差异水体指数公式如下：
NDWI＝(p(Green)-p(NIR))/(p(Green)+p(NIR)) (1)
其中，NDWI表示归一化水体指数的值，p(Green)表示遥感影像中绿色波段，p(NIR)表示遥感影像中近红外波段。
步骤2.2：经过水体增强后的影像，需要确定水体分离阈值，完成水体提取。
作为优选，步骤4的具体实现包括以下子步骤：
步骤4.1：将所有影像中位于相同格网的像素汇集到一起，获取这些像素是否淹没的信息和对应水位值信息，将这些信息汇集到一起，得到研究区域每个格网对应的“淹没记录”；
步骤4.2：在每个格网对应的“淹没记录”上，根据水位值大小，从大到小，对“淹没记录”内部进行顺序调整；
步骤4.3：在每个格网内部顺序调整后的“淹没记录”中，找到表示格网观测到被淹没中水位值最小的那条记录，以及表示格网观测到未被淹没中水位值最大的那条记录；
如果只能找到表示格网观测到被淹没中水位值最小的那条记录，或者表示格网观测到未被淹没中水位值最大的那条记录，则本流程结束；
步骤4.4：根据步骤4.3中找到的表示格网观测到被淹没中水位值最小的那条记录，以及表示格网观测到未被淹没中水位值最大的那条记录，比较两者水位值大小；
若前者的水位值要比后者的水位值小，那么这两条记录将被视为“异常记录”，并从该格网的“淹没记录”中去除；
若前者的水位值比后者的水位值大，则该格网的“淹没记录”不存在“异常记录”，则本流程结束；
步骤4.5：在经过步骤4.4处理的“淹没记录”中，重复步骤4.3和步骤4.4，。
作为优选，步骤5中，每个格网的水位淹没阈值计算公式如下：
式中，Threshold表示水位淹没阈值，Up代表“淹没记录”中格网观测到被淹没的最小水位值，Bottom代表“淹没记录”中格网观测到未被淹没的最大水位值。
本发明的系统所采用的技术方案是：一种基于遥感大数据的洪涝实时淹没分析系统，其特征在于：包括模块一、模块二、模块三、模块四、模块五、模块六；
所述模块一，用于将研究区划分成统一大小的格网，根据研究区域划分的格网，采用最近邻内插法，对收集的历史遥感影像进行重采样，从而保证不同影像中覆盖相同格网的像素能够完全重合；
所述模块二，用于在重采样的遥感影像集上，提取研究地区的历史洪涝淹没范围图；
所述模块三，用于将历史洪涝淹没范围图上的像素与影像采集当天的水位值关联；
所述模块四，用于根据研究区域之前划分好的格网，将所有历史洪涝淹没范围图上，位于相同格网内的像素和相应的水位值，进行整合；继而在研究区域的每个格网上，形成该格网对应的“淹没记录”；其中，“淹没记录”反映该格网在历次卫星观测中的淹没状态和对应的水位值；
所述模块五，用于根据每个格网上的“淹没记录”，计算决定研究区域每个格网是否会被淹没的水位阈值；
所述模块六，用于获取实时观测的水位值，将实时观测的水位值与研究区每个格网的水位阈值作比较；
若水位值大于某一格网的水位阈值，那么该格网则认为会被洪涝淹没，反之，则不会；
完成每个格网水位阈值与实时观测水位值比较后，实时淹没分析预测工作完成。
本发明有以下积极效果：
(1)能够快速的进行洪涝实时淹没模拟。本发明中的前五个步骤，在有洪涝模拟需求之前，就可以单独完成，从而得到研究区域每个格网的水位淹没阈值。在进行洪涝淹没实时分析的时候，只需要将实时水位信息与事先算好的每个格网的水位淹没阈值进行比较，即可得到实时淹没模拟的结果。这种实时水位信息与研究区格网水位淹没阈值的比较，实质上是一次简单的矩阵逻辑运算，所需的计算时间短。
(2)需要输入的参数简单易得。在本发明中，完成研究区洪涝实时淹没分析，只需输入遥感影像和对应水位观测值即可。大量遥感数据遥感影像可以从美国国家航空航天局(NASA，National Aeronautics and Space Administration)、美国地质勘探局(USGS，United States Geological Survey)、美国国家海洋和大气管理局(NOAA，NationalOceanic and Atmospheric Administration)、欧洲航天局(ESA，European Space Agency)等机构免费获取。历史和实时水位观测值可从相应的水文站直接获得。
(3)无需考虑地形连通性的问题。由于洪涝历史淹没范围是直接从遥感影像中提取的，在研究区地形稳定的情况下，洪涝历史淹没范围实际上反映地形连通性对淹没区域空间分布的影响，从而无需考虑地形连通性的问题。
(4)在米级、亚米级甚至更高空间分辨率的洪涝实时淹没分析中，运用潜力巨大。随着原来越多的对地观测卫星携带米级，甚至亚米级的成像仪，在未来，获取海量的超高空间分辨率的遥感影像，将成为一种可能。基于这些超高分辨率影像，可以实现超高空间分辨率的洪涝实时淹没分析。
附图说明
图1是实施例的研究区域与影像示意图；
图2是本发明实施例的流程图；
图3是本发明实施例中将研究区域划分为统一大小的格网的示意图；
图4是本发明实施例中在每个格网上形成“淹没记录”和去除“异常记录”的流程示意图；
图5是本发明实施例中“淹没记录”示意图；
图6是本发明实施例中实际的洪涝观测结果和基于本发明模拟出的结果：(a)从2014年7月至9月合成影像提取的实际水体范围；(b)从2014年7月至9月水体淹没范围的模拟；(c)从2015年4月至6月合成影像提取的实际水体范围；(d)从2015年4月至6月水体淹没范围的模拟；(e)从2015年10月至12月合成影像提取的实际水体范围；(f)从2015年10月至12月水体淹没范围的模拟；(g)从2016年1月至3月水体淹没范围的模拟；(h)从2016年1月至3月水体淹没范围的模拟。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本实施例选取长江中游的东洞庭湖地区作为研究区域，研究区域为北纬29°08′00″到北纬29°31′30″，东经112°41′00″到113°11′00″，如图1所示。输入的数据包括Landsat5TM，Landsat 7ETM+和Landsat 8OLI收集的TOA(top of atmosphere)遥感影像数据，以及用于观测东洞庭湖水位的城陵矶水文站每日水位数据。其中遥感影像数据已经经过去云的预处理。实施例所选用的研究数据时间范围为2001年1月1日至2016年12月31日，其中2001年1月1日至2011年12月31日的数据用于洪涝淹没范围与水位值关系建立，余下的数据用于洪涝模拟的精度验证。
请见图2，本发明提供的一种基于遥感大数据的洪涝实时淹没分析方法，包括以下步骤：
步骤1：首先将研究区划分成统一大小的格网，根据研究区域划分的格网，采用最近邻内插法，对收集的历史遥感影像进行重采样，从而保证不同影像中覆盖相同格网的像素能够完全重合；
其中研究地区的划分为统一大小的格网的实现如下：
1)寻找研究区域的最小外接矩形；
2)以外接矩形宽平行的方向为行，以外接矩形长平行的方向为列，将包含研究的外接矩形划分成统一大小的格网，格网的大小一般与影像分辨率相同，若遥感数据中采用多种不同分辨率影像，则格网的大小由用户自行确定；
本实施例中，将东洞庭湖地区的划分为统一大小的格网的实现如下：
1)寻找东洞庭湖地区的最小外接矩形；
2)以外接矩形宽平行的方向为行，以外接矩形长平行的方向为列，将包含研究的外接矩形划分成边长为30m大小的格网，如图3所示。这里，由于采用的Landsat 5TM，Landsat 7ETM+和Landsat 8OLI的可见光波段的分辨率均为30m，所以格网边长设置为30m最为合理。
步骤2：在重采样的遥感影像集上，提取研究地区的历史洪涝淹没范围图；
1)由于水体指数法，计算简单，能够快速提取水体，选择归一化差异水体指数(NDWI，Normalized Difference Water Index)提取洪涝淹没范围。注意，本发明的水体提取方法并不固定，可根据实际情况选择更加合适的水体提取方法，如支持向量机、面向对象、神经网络和深度学习等。使用归一化水体指数公式，对遥感影像进行处理，得到水体增强后的影像。归一化差异水体指数公式如下：
NDWI＝(p(Green)-p(NIR))/(p(Green)+p(NIR)) (1)
其中，NDWI表示归一化水体指数的值，p(Green)表示遥感影像中绿色波段，p(NIR)表示遥感影像中近红外波段。
2)经过水体增强后的影像，需要确定水体分离阈值，完成水体提取。确定水体分离阈值的方法一般为两种，可以根据实际情况选取其中一种。一种是反复实验，通过经验，确定最佳水体分离阈值；另一种是通过大津法自动确定水体分离阈值。
本实施例中，提取研究地区的历史洪涝范围淹没的实现如下：
1)由于需要进行水体提取的遥感影像数量较多，为了兼顾提取水体的速度和精度，选择归一化差异水体指数(NDWI，Normalized Difference Water Index)提取洪涝淹没范围。
2)经过水体增强后的影像，需要确定水体分离阈值，完成水体提取。这里采用是大津法自动确定水体分离阈值，实现水体提取的自动化，提高洪涝淹没范围提取效率。
步骤3：将历史洪涝淹没范围图上的像素与影像采集当天的水位值关联，使得影像上的像素点既有是否观测到被淹的信息(根据步骤2提取的水体结果进行判断)，又有该像素被采集当天的水文站观测的水位值信息。
步骤4：根据研究区域之前划分好的格网，将所有历史洪涝淹没范围图上，位于相同格网内的像素和相应的水位值，进行整合。继而在研究区域的每个格网上，形成该格网对应的“淹没记录”；其中，“淹没记录”反映了该格网在历次卫星观测中的淹没状态(是否被淹没)和对应的水位值。
请见图4，本实施例的步骤4具体实现包括以下子步骤：
步骤4.1：由于影像已经根据研究区格网进行了重采样，在同一格网上，有来自不同影像上多个像素在位置上与之重合。将所有影像中位于相同格网的像素汇集到一起。因为步骤2和步骤3完成了提取洪涝范围的工作以及水位值与像素关联的工作，所以，此时所有影像的像素都具有代表其是否淹没的信息以及对应的水位值信息。获取这些像素是否淹没的信息和对应水位值信息，将这些信息汇集到一起，得到研究区域每个格网对应的“淹没记录”；
步骤4.2：在每个格网对应的“淹没记录”上，根据水位值大小，从大到小，对“淹没记录”内部进行顺序调整；一个水位值顺序调整好的“淹没记录”的示意图，如图5所示。
步骤4.3：在每个格网内部顺序调整后的“淹没记录”中，找到表示格网观测到被淹没中水位值最小的那条记录，以及表示格网观测到未被淹没中水位值最大的那条记录，如图5所示。如果只能找到表示格网观测到被淹没中水位值最小的那条记录，或者表示格网观测到未被淹没中水位值最大的那条记录，则无需执行步骤4.4和步骤4.5。
步骤4.4：在步骤4.3中找到的表示格网观测到被淹没中水位值最小的那条记录，以及表示格网观测到未被淹没中水位值最大的那条记录，比较两者水位值大小。若前者的水位值要比后者的水位值小，那么这两条记录将被视为“异常记录”，并从该格网的“淹没记录”中去除；若前者的水位值比后者的水位值大，则该格网的“淹没记录”不存在“异常记录”，无需进行步骤4.5。
步骤4.5：在经过步骤4.4处理的“淹没记录”中，重复步骤4.3和步骤4.4。
步骤5：根据每个格网上的“淹没记录”，计算决定研究区域每个格网是否会被淹没的水位阈值。
本实施例中，计算每个格网的水位淹没阈值计算公式如下：
式中，Threshold表示水位淹没阈值，Up代表“淹没记录”中格网观测到被淹没的最小水位值，Bottom代表“淹没记录”中格网观测到未被淹没的最大水位值。
公式(2)含义如下：如果在“淹没记录”中只有格网观测到被淹没的最小水位值，没有格网观测到未被淹没的最大水位值，即在“淹没记录”中格网观测都被观测到是淹没的，那么水位淹没阈值等于格网观测到被淹没的最小水位值；如果在“淹没记录”中只有格网观测到未被淹没的最大水位值，没有格网观测到被淹没的最小水位值，即在“淹没记录”中格网观测到的都是未被淹没的，那么水位淹没阈值等于格网观测到未被淹没的最大水位值。
步骤6：获取实时观测的水位值，将实时观测的水位值与研究区每个格网的水位阈值作比较。若水位值大于某一格网的水位阈值，那么该格网则认为会被洪涝淹没，反之，则不会。完成每个格网水位阈值与实时观测水位值比较后，实时淹没分析预测工作完成。
由于没有实时的遥感影像与洪涝模拟结果作参考，所以不能得到实时模拟的精度。因此，这里选择没有用于建立历史淹没范围和水位值关系的历史遥感影像和观测水位值，作为用于洪涝模拟和精度验证的数据。这里选择四个不同时期由多张影像合成的影像作为验证数据，以及对应时期进行洪涝预测的对象。这四个时期分别为2014年7月至9月，2015年4月至6月，2015年10月至12月以及2016年1月至3月。
使用合成影像而非单张影像的理由：1)由于东洞庭湖研究地区需要两张遥感影像才能完全覆盖，而两张遥感影像往往是在不同时间采集的；2)由于影像去云处理，导致影像的缺损，需要多张影像，才能完全覆盖研究地区；3)为了完整地展示本发明对研究地区洪涝淹没的模拟情况，需要使用完整覆盖研究地区的合成影像。
本实施例中，如图6所示，是研究地区在上面四个不同时期的合成影像的实际水体提取结果和相应的水体淹没预测结果。表1显示的是对应四个不同时期的水体淹没范围预测精度和kappa系数。
表1对应四个不同时期的水体淹没范围预测精度和kappa系数
从表1可知，本发明在东洞庭湖地区四个不同时期的水体淹没范围预测精度为93.26％～96.11％，kappa系数为0.67～0.91，其中从2016年1月至3月合成影像对应的水体淹没范围的模拟精度最低，其模拟精度为93.26％，kappa系数为0.67,；从2014年7月至9月合成影像对应的水体淹没范围模拟精度最高，其模拟精度为96.11％，kappa系数为0.91。实验结果表明，基于遥感大数据的淹没实时模拟的方法，适用于东洞庭湖水体淹没范围的模拟。
具体实施时，本发明所提供的流程可通过计算机软件技术进行实现。故本发明还提供了一种基于遥感大数据的洪涝实时淹没分析系统，包括模块一、模块二、模块三、模块四、模块五、模块六；
模块一，用于将研究区划分成统一大小的格网，根据研究区域划分的格网，采用最近邻内插法，对收集的历史遥感影像进行重采样，从而保证不同影像中覆盖相同格网的像素能够完全重合；
模块二，用于在重采样的遥感影像集上，提取研究地区的历史洪涝淹没范围图；
模块三，用于将历史洪涝淹没范围图上的像素与影像采集当天的水位值关联；
模块四，用于根据研究区域之前划分好的格网，将所有历史洪涝淹没范围图上，位于相同格网内的像素和相应的水位值，进行整合；继而在研究区域的每个格网上，形成该格网对应的“淹没记录”；其中，“淹没记录”反映该格网在历次卫星观测中的淹没状态和对应的水位值；
模块五，用于根据每个格网上的“淹没记录”，计算决定研究区域每个格网是否会被淹没的水位阈值；
模块六，用于获取实时观测的水位值，将实时观测的水位值与研究区每个格网的水位阈值作比较；
若水位值大于某一格网的水位阈值，那么该格网则认为会被洪涝淹没，反之，则不会；
完成每个格网水位阈值与实时观测水位值比较后，实时淹没分析预测工作完成。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (6)
1.一种基于遥感大数据的洪涝实时淹没分析方法，其特征在于，包括以下步骤：
步骤1：将研究区划分成统一大小的格网，根据研究区域划分的格网，采用最近邻内插法，对收集的历史遥感影像进行重采样，从而保证不同影像中覆盖相同格网的像素能够完全重合；
步骤2：在重采样的遥感影像集上，提取研究地区的历史洪涝淹没范围图；
步骤3：将历史洪涝淹没范围图上的像素与影像采集当天的水位值关联；
步骤4：根据研究区域之前划分好的格网，将所有历史洪涝淹没范围图上，位于相同格网内的像素和相应的水位值，进行整合；继而在研究区域的每个格网上，形成该格网对应的“淹没记录”；其中，“淹没记录”反映该格网在历次卫星观测中的淹没状态和对应的水位值；
步骤5：根据每个格网上的“淹没记录”，计算决定研究区域每个格网是否会被淹没的水位阈值；
步骤6：获取实时观测的水位值，将实时观测的水位值与研究区每个格网的水位阈值作比较；
若水位值大于某一格网的水位阈值，那么该格网则认为会被洪涝淹没，反之，则不会；
完成每个格网水位阈值与实时观测水位值比较后，实时淹没分析预测工作完成。
2.根据权利要求1所述的基于遥感大数据的洪涝实时淹没分析方法，其特征在于，步骤1中所述将研究区划分成统一大小的格网，具体实现包括以下子步骤：
步骤1.1：寻找研究区域的最小外接矩形；
步骤1.2：以外接矩形宽平行的方向为行，以外接矩形长平行的方向为列，将包含研究的外接矩形划分成统一大小的格网。
3.根据权利要求1所述的基于遥感大数据的洪涝实时淹没分析方法，其特征在于，步骤2的具体实现包括以下子步骤：
步骤2.1：使用归一化水体指数公式，对遥感影像进行处理，得到水体增强后的影像；归一化差异水体指数公式如下：
NDWI＝(p(Green)-p(NIR))/(p(Green)+p(NIR)) (1)
其中，NDWI表示归一化水体指数的值，p(Green)表示遥感影像中绿色波段，p(NIR)表示遥感影像中近红外波段；
步骤2.2：经过水体增强后的影像，需要确定水体分离阈值，完成水体提取。
4.根据权利要求1所述的基于遥感大数据的洪涝实时淹没分析方法，其特征在于，步骤4的具体实现包括以下子步骤：
步骤4.1：将所有影像中位于相同格网的像素汇集到一起，获取这些像素是否淹没的信息和对应水位值信息，将这些信息汇集到一起，得到研究区域每个格网对应的“淹没记录”；
步骤4.2：在每个格网对应的“淹没记录”上，根据水位值大小，从大到小，对“淹没记录”内部进行顺序调整；
步骤4.3：在每个格网内部顺序调整后的“淹没记录”中，找到表示格网观测到被淹没中水位值最小的那条记录，以及表示格网观测到未被淹没中水位值最大的那条记录；
如果只能找到表示格网观测到被淹没中水位值最小的那条记录，或者表示格网观测到未被淹没中水位值最大的那条记录，则本流程结束；
步骤4.4：根据步骤4.3中找到的表示格网观测到被淹没中水位值最小的那条记录，以及表示格网观测到未被淹没中水位值最大的那条记录，比较两者水位值大小；
若前者的水位值要比后者的水位值小，那么这两条记录将被视为“异常记录”，并从该格网的“淹没记录”中去除；
若前者的水位值比后者的水位值大，则该格网的“淹没记录”不存在“异常记录”，则本流程结束；
步骤4.5：在经过步骤4.4处理的“淹没记录”中，重复执行步骤4.3和步骤4.4。
5.根据权利要求1-4任意一项所述的基于遥感大数据的洪涝实时淹没分析方法，其特征在于：步骤5中，每个格网的水位淹没阈值计算公式如下：
式中，Threshold表示水位淹没阈值，Up代表“淹没记录”中格网观测到被淹没的最小水位值，Bottom代表“淹没记录”中格网观测到未被淹没的最大水位值。
6.一种基于遥感大数据的洪涝实时淹没分析系统，其特征在于：包括模块一、模块二、模块三、模块四、模块五、模块六；
所述模块一，用于将研究区划分成统一大小的格网，根据研究区域划分的格网，采用最近邻内插法，对收集的历史遥感影像进行重采样，从而保证不同影像中覆盖相同格网的像素能够完全重合；
所述模块二，用于在重采样的遥感影像集上，提取研究地区的历史洪涝淹没范围图；
所述模块三，用于将历史洪涝淹没范围图上的像素与影像采集当天的水位值关联；
所述模块四，用于根据研究区域之前划分好的格网，将所有历史洪涝淹没范围图上，位于相同格网内的像素和相应的水位值，进行整合；继而在研究区域的每个格网上，形成该格网对应的“淹没记录”；其中，“淹没记录”反映该格网在历次卫星观测中的淹没状态和对应的水位值；
所述模块五，用于根据每个格网上的“淹没记录”，计算决定研究区域每个格网是否会被淹没的水位阈值；
所述模块六，用于获取实时观测的水位值，将实时观测的水位值与研究区每个格网的水位阈值作比较；
若水位值大于某一格网的水位阈值，那么该格网则认为会被洪涝淹没，反之，则不会；
完成每个格网水位阈值与实时观测水位值比较后，实时淹没分析预测工作完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910537049.3A CN110348324B (zh) | 2019-06-20 | 2019-06-20 | 一种基于遥感大数据的洪涝实时淹没分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910537049.3A CN110348324B (zh) | 2019-06-20 | 2019-06-20 | 一种基于遥感大数据的洪涝实时淹没分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110348324A CN110348324A (zh) | 2019-10-18 |
| CN110348324B true CN110348324B (zh) | 2022-06-14 |
Family
ID=68182567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910537049.3A Active CN110348324B (zh) | 2019-06-20 | 2019-06-20 | 一种基于遥感大数据的洪涝实时淹没分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110348324B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260714B (zh) * | 2020-01-17 | 2023-07-04 | 成都理工大学 | 一种洪涝受灾评估方法、装置、设备及计算机存储介质 |
| CN112836590B (zh) * | 2021-01-13 | 2022-07-08 | 四川轻化工大学 | 洪涝灾害监测方法、装置、电子设备及存储介质 |
| CN114664041B (zh) * | 2022-03-15 | 2022-12-02 | 中科海慧（北京）科技有限公司 | 一种基于深度学习的多传感器融合预警预测方法 |
| CN114612801B (zh) * | 2022-05-10 | 2022-07-12 | 环球数科集团有限公司 | 一种基于高分遥感卫星几何定位模型的洪灾预警方法 |
| CN116050647B (zh) * | 2023-02-03 | 2023-08-22 | 中国水利水电科学研究院 | 一种基于遥感的流域洪涝受灾强度重现期推求方法 |
| CN116305902B (zh) * | 2023-03-09 | 2023-09-19 | 中国水利水电科学研究院 | 一种基于多模态遥感的洪涝最大淹没水深空间模拟方法 |
| CN117689481B (zh) * | 2024-02-04 | 2024-04-19 | 国任财产保险股份有限公司 | 一种基于无人机视频数据自然灾害保险处理方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101188022A (zh) * | 2007-12-20 | 2008-05-28 | 浙江大学 | 一种面向大城市灾害展示的洪涝淹没分析方法 |
| CN108960070A (zh) * | 2018-06-05 | 2018-12-07 | 河海大学文天学院 | 一种水位高程检测系统及其方法 |
| CN109145376A (zh) * | 2018-07-19 | 2019-01-04 | 华北电力大学 | 一种基于cad地形图的水库淹没范围确定方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2540331A (en) * | 2015-03-20 | 2017-01-18 | Hannah Smith Alexis | Flood prevention system and method |
-
2019
- 2019-06-20 CN CN201910537049.3A patent/CN110348324B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101188022A (zh) * | 2007-12-20 | 2008-05-28 | 浙江大学 | 一种面向大城市灾害展示的洪涝淹没分析方法 |
| CN108960070A (zh) * | 2018-06-05 | 2018-12-07 | 河海大学文天学院 | 一种水位高程检测系统及其方法 |
| CN109145376A (zh) * | 2018-07-19 | 2019-01-04 | 华北电力大学 | 一种基于cad地形图的水库淹没范围确定方法 |
Non-Patent Citations (2)
| Title |
|---|
| Application to Use SARAL Altimetry for Water Level Monitoring Over Ramganga Reserviour and Its Correlation with MODIS Data;Tasneem Ahmed等;《National Conference on Recent Advances in Electronics & Computer Engineering》;20160714;第271-275页 * |
| 基于遥感和历史水位记录的鄱阳湖区淹没风险制图;齐述华;《湖泊科学》;20091231;第21卷(第5期);第720-724页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110348324A (zh) | 2019-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110348324B (zh) | 一种基于遥感大数据的洪涝实时淹没分析方法及系统 | |
| US20170365094A1 (en) | Localized Contour Tree Method for Deriving Geometric and Topological Properties of Complex Surface Depressions Based on High Resolution Topographical Data | |
| Hou et al. | Marine floating raft aquaculture extraction of hyperspectral remote sensing images based decision tree algorithm | |
| CN101615183B (zh) | 基于空间图像信息和gis的河川时间序列分析系统及其方法 | |
| Alvarez-Ellacuria et al. | Decoupling spatial and temporal patterns in short-term beach shoreline response to wave climate | |
| CN110751075A (zh) | 一种基于实例分割的遥感影像养殖塘检测方法 | |
| CN103363962A (zh) | 一种基于多光谱影像的湖泊水储量遥感估算方法 | |
| CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
| CN111192282B (zh) | 湖滨带虚拟站的湖库时序水位重建方法 | |
| Janowski et al. | Exploration of glacial landforms by object-based image analysis and spectral parameters of digital elevation model | |
| CN110569733B (zh) | 基于遥感大数据平台的湖泊长时序连续水域变化重建方法 | |
| CN114882380A (zh) | 一种基于改进hrnet模型的湿地资源遥感识别算法 | |
| Stefaniak et al. | Mass balance and surface evolution of the debris-covered Miage Glacier, 1990–2018 | |
| CN115082809A (zh) | 一种基于遥感影像大数据的潮滩演变监测新方法 | |
| Jiang et al. | Remote sensing methods for biomass estimation of green algae attached to nursery-nets and raft rope | |
| Song et al. | Remote sensing image spatiotemporal fusion via a generative adversarial network with one prior image pair | |
| Sun et al. | Mapping China’s coastal aquaculture ponds expansion with sentinel-2 images during 2017–2021 | |
| Badreldin et al. | A spatial pattern analysis of the halophytic species distribution in an arid coastal environment | |
| CN110288645B (zh) | 一种基于坡向约束的地形表面面积计算方法 | |
| Anders et al. | Influence of spatial and temporal resolution on time series-based coastal surface change analysis using hourly terrestrial laser scans | |
| Hidayat et al. | GEOBIA an (geographic) object-based image analysis for coastal mapping in Indonesia: A review | |
| Xiang et al. | Simulation of Remote-Sensed Chlorophyll Concentration with a Coupling Model Based on Numerical Method and CA-SVM in Bohai Bay, China | |
| CN112966657A (zh) | 一种大尺度水体覆盖的遥感自动分类方法 | |
| Ji et al. | Identification and assessment of the drift velocity of green tides using the maximum cross-correlation method in the Yellow Sea | |
| CN115964958B (zh) | 通量观测足迹与遥感像元空间尺度的匹配方法 |
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 |