CN110569733B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110569733B
CN110569733B CN201910735327.6A CN201910735327A CN110569733B CN 110569733 B CN110569733 B CN 110569733B CN 201910735327 A CN201910735327 A CN 201910735327A CN 110569733 B CN110569733 B CN 110569733B
Authority
CN
China
Prior art keywords
lake
area
flooding
water
frequency
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
Application number
CN201910735327.6A
Other languages
English (en)
Other versions
CN110569733A (zh
Inventor
宋春桥
吴倩浛
刘凯
马荣华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Institute of Geography and Limnology of CAS
Original Assignee
Nanjing Institute of Geography and Limnology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Institute of Geography and Limnology of CAS filed Critical Nanjing Institute of Geography and Limnology of CAS
Priority to CN201910735327.6A priority Critical patent/CN110569733B/zh
Publication of CN110569733A publication Critical patent/CN110569733A/zh
Application granted granted Critical
Publication of CN110569733B publication Critical patent/CN110569733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供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，在现有技术融合专家系统、可视化分析与证据推理的水体提取方案所获得多年逐月全球水体分布数据集的基础上，通过对研究湖泊对象的水淹频率影像直方图的百分位切割，插补现有方法获得的湖泊水域淹没区中的残缺部分，有效实现了大型湖泊长时序连续水域变化的重建。该方法可采用免费获取的中高空间分辨率影像(如陆地资源卫星Landsat或者环境卫星环境数据)和辅助数据，扩展了方法的适用范围，为湖泊及其流域水文分析及环境变化研究提供了重要方法支撑。

Description

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
技术领域
本发明涉及遥感技术领域，尤其涉及一种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。
背景技术
湖泊对地表水起到保持、净化和储存的作用，是水循环的重要组成部分(Lehnerand
Figure GDA0003294615990000011
2004)，其形成演化不仅受流域自然环境因素及变化的影响,而且深受人类活动的干扰(杨桂山,马荣华,张路,等.,2010)，湖泊水域的变化反映区域水平衡、生物地球化学平衡、能量和气体与大气的交换和人类用水量(Sheng et al.,2016)，湖泊水量的急剧变化，将对当地的生态环境造成影响(Feng et al.,2012)。湖泊的连续水域变化数据，可用于评估湖泊变化，为相关研究提供基础性数据支撑，为政府部门决策提供决定性数据依据。
遥感技术具有大面积同步观测、强时效性、数据综合性与可比性、获取信息的手段多、信息量大和高经济与社会效益的特点，而水体独特的光谱特征使其易于遥感识别，遥感技术已经被广泛用于监测湖泊的水域变化。
湖泊长时序连续水域变化重建主要指在较大时空范围内获得湖泊水域范围较小时间间隔的连续变化数据。MODIS传感器因其短重访周期的特性，是现有方法主要的数据源，地物指数结合直方图切割(Wu et al.,2014)、支持向量机(Sun et al.,2014)和动态阈值法(Wang et al.,2014)是目前利用其数据进行湖泊水域范围连续变化提取的一些主要方法。这类方法的监测周期往往能精确到几天之内，但MODIS传感器较低的空间分辨率(最高250m)限制了其准确性。
Landsat TM/ETM+/OLI传感器的空间分辨率较高(30m)，利用其数据提取动态水体变化的方法在该数据集开放后得到了长足的发展，如地物指数结合阈值(Yamazaki etal.,2015)、综合运用专家系统、可视化分析和证据推理(Pekel et al.,2016)等。这些方法仍有各种问题有待克服，前者的空间分辨率不高(90m)，后者由于传感器故障(如Landsat-7ETM+传感器的SLC故障)和影像可用性(部分月度内缺乏可用高质量影像)等原因在光学遥感影像中造成的缺测区域，使得其部分结果不能完整反映湖泊水域的淹没区。
综上所述，现有的湖泊水域连续变化遥感提取方法，往往因传感器及其载星的限制而无法同时兼顾高空间与高时间分辨率获取湖泊水体的连续完整信息，较大程度上限制了相关研究的开展。
参考文献
[1]Lehner B,
Figure GDA0003294615990000012
P.Development and validation of a global database oflakes,reservoirs and wetlands[J].Journal of Hydrology,2004,296(1-4):1-22.
[2]杨桂山,马荣华,张路,等.中国湖泊现状及面临的重大问题与保护策略[J].湖泊科学,2010,22(6):799-810.
[3]Sheng Y,Song C,Wang J,et al.Representative lake water extentmapping at continental scales using multi-temporal Landsat-8 imagery[J].Remote Sensing of Environment,2016,185:129-141.
[4]Feng L,Hu C,Chen X,et al.Assessment of inundation changes ofPoyang Lake using MODIS observations between 2000 and 2010[J].Remote Sensingof Environment,2012,121:80-92.
[5]Wu G,Liu Y.Satellite-based detection of water surface variation inChina’s largest freshwater lake in response to hydro-climatic drought[J].International Journal of Remote Sensing,2014,35(11-12):4544-4558.
[6]Sun F,Zhao Y,Gong P,et al.Monitoring dynamic changes of globalland cover types:fluctuations of major lakes in China every 8days during2000–2010[J].Chinese Science Bulletin,2014,59(2):171-189.
[7]Wang J,Sheng Y,Tong T S D.Monitoring decadal lake dynamics acrossthe Yangtze Basin downstream of Three Gorges Dam[J].Remote Sensing ofEnvironment,2014,152:251-269.
[8]Hui F,Xu B,Huang H,et al.Modelling spatial-temporal change ofPoyang Lake using multitemporal Landsat imagery[J].International Journal ofRemote Sensing,2008,29(20):5767-5784.
[9]Yamazaki D,Trigg M A,Ikeshima D.Development of a global～90m waterbody map using multi-temporal Landsat images[J].Remote Sensing ofEnvironment,2015,171:337-351.
[10]Pekel J-F,Cottam A,Gorelick N,et al.High-resolution mapping ofglobal surface water and its long-term changes[J].Nature,2016,540:418.
发明内容
本发明的目的在于提供一种基于遥感大数据平台的大型湖泊长时序连续水域变化重建方法，从专家系统、可视化分析与证据推理相结合(Pekel et al.,2016)获得的残缺湖泊水域淹没区中，通过对湖泊水体水淹频率影像直方图的统计分析，可连续精确重建大型湖泊在不同时相下的完整水体分布，正确把握湖泊水体分布变化规律与趋势，灵活地实现水情变化监测，为湖泊水环境管理和科学研究提供重要的方法支撑。
为达成上述目的，本发明所采用的技术方案如下：
一种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，包括以下步骤：
步骤1，收集遥感影像数据，提取各景光学遥感影像中的水体；
步骤2，计算湖泊水体多年水淹频率，以湖泊水域最大边界进行掩膜处理，获得湖泊多年水淹频率栅格图像；
步骤3，合成一段时间范围内的水体栅格，以湖泊水域最大边界对合成后的图像进行掩膜处理，获得该时间范围内的湖泊水域淹没区；如果湖泊水域淹没区不存在缺测区域，则直接作为相应时间范围内的完整湖泊水域淹没区提取结果；如果存在缺测区域，则进入步骤4处理；
步骤4，获取存在缺测区域的湖泊水域淹没区的水淹频率，对水淹频率直方图进行百分位切割；
步骤5，基于百分位切割获取的水淹频率值重建湖泊逐月完整水域范围。
作为本发明的进一步改进，所述步骤1中，基于专家系统、可视化分析与证据推理，在GoogleEarthEngine平台提取出各景覆盖研究目标湖泊的光学遥感影像中的水体。
作为本发明的进一步改进，所述步骤2中，水淹频率的计算公式是：
Figure GDA0003294615990000031
式中，Flooded Frequency代表水淹频率，TWD代表该像元的地物类型被归为水体的次数，TO代表观测次数。这样的计算方法能够消除有效观测次数在不同季节的差异可能在多年水淹频率计算结果中引入的伪季节趋势。
将每一景光学遥感影像的水体提取结果按其原始影像的观测年月进行归类，在每一月度的时间范围内，以式(1)计算水淹频率，获得各像元在各月度范围内的水淹频率。计算各像元所有月份水淹频率的均值，获得多年水淹频率。最后以湖泊水域多年最大边界作为掩膜，提取出湖泊水体多年水淹频率栅格图像。所述的湖泊水域多年最大边界的空间范围大于所有时相湖泊水体的分布范围，同时不包括与湖泊部分相连但相互独立的其他湖泊。
作为本发明的进一步改进，所述步骤3中，在每一月度的时间范围内，对所有水体提取结果进行数学相加运算，将像元的地物类型被归为水体的次数大于等于1次(即水体累计出现次数大于“0”)的像元归为水体，反之归为非水体。
结果中可能存在由传感器故障、影像可用性等造成的形状规则的缺测区域(称为“规则缺测区”)，因为这些缺测区域的存在明显地影响了水体提取结果在形态学上的完整性和连续性，所以通过目视解译易于发现存在缺测区域的月度湖泊水体栅格。
不存在规则缺测区的月度湖泊水体栅格，可直接作为相应月度的完整湖泊水域淹没区提取结果；存在规则淹没区的月度湖泊水体栅格，则进入步骤4处理，用于相应时相的完整湖泊水域淹没区的重建。
作为本发明的进一步改进，所述步骤4中，以存在缺测区域的湖泊水域淹没区对步骤2获取的水淹频率栅格图像进行掩膜，得到存在缺测区域的湖泊水域淹没区的水淹频率。
进一步的，取水淹频率直方图5％百分位数以消除误判为水体的像元的影响。
存在缺测区域的湖泊水域淹没区(下称残缺湖泊水域淹没区)虽然不能完整地反映水体的边界，但其中部分未被规则缺测区覆盖的水体，与陆地之间的界线是准确的。湖盆高程差异的一般规律是，越靠近湖泊边界或湖中岛，高程越高，则在重力作用下，靠近于水体边界的区域的水淹频率应低于远离水体边界区域的水淹频率，且同一时相下水体边界的水淹频率较为接近，故水淹频率大于湖泊边界最小水淹频率的像元应为该时相下被湖泊水体淹没的像元。
利用残缺湖泊水域淹没区提取结果对水淹频率栅格进行掩膜，则得到残缺湖泊水域淹没区的水淹频率。若残缺湖泊水域淹没区中没有被错分为水体的细碎像元，则其水淹频率的最小值即为湖泊边界水体的最小水淹频率，然而这种现象往往是难以避免的，但不同影像中错分为水体的像元往往不同，所以这些像元的“水淹频率”往往很低。取不完整水淹频率栅格的影像直方图中的5％百分位数即可去除噪点的影响，从而获得水体边界的最小水淹频率。
作为本发明的进一步改进，所述步骤5中，将湖泊多年水淹频率栅格图像中，水淹频率大于或等于湖泊水体边界最小水淹频率的像元的地物类型判为水体，其他像元归为非水体，得到重建的完整湖泊水域淹没区。
上述所有步骤都在Google Earth Engine遥感大数据平台免费完成相应计算。
本发明的方法设计的残缺湖泊水域淹没区边界水淹频率算法可消除有效观测次数在不同季节的差异可能在多年水淹频率计算结果中引入的伪季节趋势，并结合水淹频率的直方图分割对缺测区域进行处理，可兼顾高空间与高时间分辨率获取湖泊水体的连续完整信息，为湖泊水情监测、环境变化研究等提供了重要方法支撑。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过研究案例并参考附图来描述本发明的各个方面的案例，其中：
图1是实施例1鄱阳湖样区图。
图2是本发明方法流程图。
图3是实施例1中水淹频率计算结果图。
图4a～h是实施例1中残缺湖泊水域淹没区提取结果与相应月份的完整湖泊水域淹没区重建结果对比(部分)。
图5是实施例1中年内逐月水域变化重建结果(以2000年为例)。
前述图示1-5中，作为英文形式表达的各坐标、标识或其他表示，均为本领域所公知的，并不在本例中再做赘述。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施案例用于说明本发明，但不用来限制本发明的范围。
实施例1
实施例1以2000年1月-2015年10月鄱阳湖为例，对本发明的方法作进一步阐述。
如图1所示，本研究区选为鄱阳湖湖区，总面积约3074平方公里。影像数据采用从1984年2月到2015年10月的Landsat-5、7、8TM、ETM+、OLI传感器光学遥感影像数据，辅助数据包括Randolph Glacier Inventory 5.0冰川数据、Global Human Settlement DataLayer(GHSL)建筑物数据、DEM数字高程模型数据等。
本发明方法的流程如图2所示，包括以下步骤：
步骤1、获取遥感影像数据，提取各景光学遥感影像中的水体栅格图像；
结合专家系统、目视分析和证据推理，在光学遥感影像中对水体进行提取(Pekelet al.,2016)。首先收集Landsat-5、7、8卫星分别搭载的TM、ETM+、OLI传感器对地观测期间获取的所有光学遥感影像，创建光谱数据库，并通过反演归一化植被指数和HSV变换丰富其数据记录。
然后通过可视化分析，创建描述专家系统的聚类外壳的等式。具体方法是通过人机交互，根据光谱数据库中的数据绘制聚类外壳的顶点，并通过Delaunay三角测量将聚类外壳转换成描述多维特征空间的聚类外壳的等式。
随后引入证据推理，来消除聚类之间的重叠，策略是通过辅助数据(包括RandolphGlacier Inventory 5.0冰川数据、Global Human Settlement Data Layer建筑物数据、DEM数字高程模型数据等)获取由特定原因造成的、在多维特征空间内光谱重叠的像元的地理位置，并基于长时间范围内像元位置的地物类型判断重叠像元为水体的可能性。
最后利用辅助数据，完成人工建筑、地形起伏和云的遮挡造成的阴影的去除，从每一景Landsat影像中获得该时相下的二值化水体栅格图像，拼接后获得逐月全球水体分布栅格图像。其中识别为水体的像元，栅格值赋“1”，识别为非水体的像元，栅格值赋“0”。
步骤2、计算湖泊水体多年水淹频率，以湖泊水域最大边界进行掩膜处理，获得湖泊多年水淹频率栅格图像；
水淹频率的计算公式是：
Figure GDA0003294615990000061
式中，Flooded Frequency代表水淹频率，TWD代表该像元的地物类型被归为水体的次数，TO代表观测次数。
按月度对从各景Landsat影像中提取出的水体栅格进行分组，先在各月度的范围内按式(1)对每个像元的月度水淹频率进行计算，然后求取所有月度水淹频率的平均值，得到多年水淹频率。从OpenStreetMap项目官方网站(https://www.openstreetmap.org/)获取最新全国湖泊矢量边界数据，从中提取出鄱阳湖最大边界，同时去除军山湖、青岚湖等相连湖泊，得到鄱阳湖湖泊水域多年最大边界。以鄱阳湖水域最大边界对水淹频率栅格进行掩膜处理，获得鄱阳湖的水淹频率栅格，如图3所示。
步骤3、对同一月度内的水体栅格进行相加运算，取月度内将像元的地物类型被归为水体的次数大于等于1次(即水体出现次数大于0次)的像元为该月度的水体像元，等于0次的像元为非水体像元，得到月度水体栅格，并以鄱阳湖湖泊水域多年最大边界对合成出的水体栅格进行掩膜。通过目视分析，筛选出存在规则缺测区的残缺湖泊水域淹没区提取结果。
步骤4、以残缺湖泊水域淹没区对步骤2提取的水淹频率栅格进行掩膜，得到其水淹频率栅格，对该栅格的影像直方图进行百分位切割，取5％分位数，得到残缺湖泊水域淹没区水体边界的最小水淹频率。残缺湖泊水域淹没区提取结果与相应月份的完整湖泊水域淹没区重建结果对比如图4a～h所示。
步骤5、以残缺湖泊水域淹没区水体边界的最小水淹频率作为阈值，在水淹频率栅格中提取栅格值大于等于该阈值的像元，得到重建后的月度水体栅格。重建出的年内逐月完整连续水域变化栅格(以2000年为例)如图5所示。
通过上述方法即可实现新建水库的空间范围和空间位置的精确提取和修建时间的精确测定，正确把握新建水库的时空信息，提高水文分析与环境监测的精度，为水文和环境变化研究提供重要的科技支撑。本方法对计算机的性能要求较高，但可在GoogleEarthEngine遥感大数据平台免费完成大部分所需计算，剩余部分的工作只需普通计算机即可胜任。
虽然本发明已以较佳研究案例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (10)

1.一种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，其特征在于，包括以下步骤：
步骤1，收集遥感影像数据，提取各景光学遥感影像中的水体栅格图像；
步骤2，计算湖泊水体各像元多年水淹频率，以湖泊水域最大边界进行掩膜处理，获得湖泊多年水淹频率栅格图像；
步骤3，合成一段时间范围内的水体栅格，以湖泊水域最大边界对合成后的图像进行掩膜处理，获得该时间范围内的湖泊水域淹没区；
如果湖泊水域淹没区不存在缺测区域，则直接作为相应时间范围内的完整湖泊水域淹没区提取结果；如果存在缺测区域，则进入步骤4处理；
步骤4，获取存在缺测区域的湖泊水域淹没区的水淹频率，对水淹频率直方图进行百分位切割；
步骤5，基于百分位切割获取的水淹频率值重建湖泊逐月完整水域范围。
2.根据权利要求1所述的方法，其特征在于，所述步骤1中，基于专家系统、可视化分析与证据推理，在GoogleEarthEngine平台提取出各景覆盖研究目标湖泊的光学遥感影像中的水体。
3.根据权利要求1所述的方法，其特征在于，所述步骤2中，水淹频率计算方式如下：
Figure FDA0003294615980000011
式中，TWD代表该像元的地物类型被归为水体的次数，TO代表观测次数。
4.根据权利要求1或3所述的方法，其特征在于，所述步骤2中，将每一景光学遥感影像的水体提取结果按其原始影像的观测年月进行归类，按月逐像元计算水淹频率，获得各像元在各月度范围内的水淹频率；之后计算各像元所有月份水淹频率的均值，获得多年水淹频率。
5.根据权利要求1所述的方法，其特征在于，所述步骤3中，湖泊水域最大边界数据的空间范围大于所有时相湖泊水体的分布范围，同时不包括与湖泊部分相连但相互独立的其他湖泊。
6.根据权利要求3所述的方法，其特征在于，所述步骤3中，将各月度范围内的水体栅格进行相加运算，并将像元的地物类型被归为水体的次数大于等于1次的像元归为水体。
7.根据权利要求1所述的方法，其特征在于，所述步骤3中，通过目视解译提取存在缺测区域的湖泊水域淹没区。
8.根据权利要求1所述的方法，其特征在于，所述步骤4中，以存在缺测区域的湖泊水域淹没区对步骤2获取的水淹频率栅格图像进行掩膜，得到存在缺测区域的湖泊水域淹没区的水淹频率。
9.根据权利要求1或8所述的方法，其特征在于，所述步骤4中，取水淹频率直方图5％百分位数。
10.根据权利要求1所述的方法，其特征在于，所述步骤5中，将湖泊多年水淹频率栅格图像中，水淹频率大于或等于湖泊水体边界最小水淹频率的像元的地物类型判为水体，其他像元归为非水体，得到重建的完整湖泊水域淹没区。
CN201910735327.6A 2019-08-09 2019-08-09 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 Active CN110569733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910735327.6A CN110569733B (zh) 2019-08-09 2019-08-09 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910735327.6A CN110569733B (zh) 2019-08-09 2019-08-09 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

Publications (2)

Publication Number Publication Date
CN110569733A CN110569733A (zh) 2019-12-13
CN110569733B true CN110569733B (zh) 2022-02-01

Family

ID=68775009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910735327.6A Active CN110569733B (zh) 2019-08-09 2019-08-09 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

Country Status (1)

Country Link
CN (1) CN110569733B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111192282B (zh) * 2019-12-19 2023-02-24 中国科学院南京地理与湖泊研究所 湖滨带虚拟站的湖库时序水位重建方法
CN112084712B (zh) * 2020-09-07 2023-06-16 长江水利委员会长江科学院 融合主被动微波遥感信息的洪水淹没范围动态模拟方法
CN114538705A (zh) * 2022-02-21 2022-05-27 中国科学院地理科学与资源研究所 一种湖泊长时序连续水域变化重建方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239884A (zh) * 2014-08-29 2014-12-24 中国科学院遥感与数字地球研究所 一种基于遥感植被指数时间序列的异常淹没区域检测方法
CN104616265A (zh) * 2015-02-12 2015-05-13 武汉大学 一种遥感序列数据的时域重建方法
CN106872466A (zh) * 2016-12-31 2017-06-20 中国科学院遥感与数字地球研究所 一种基于动态混合像元分解法的湖冰冻融监测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130039574A1 (en) * 2011-08-09 2013-02-14 James P. McKay System and method for segmenting water, land and coastline from remote imagery
US10025983B2 (en) * 2015-09-21 2018-07-17 The Climate Corporation Ponding water detection on satellite imagery

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239884A (zh) * 2014-08-29 2014-12-24 中国科学院遥感与数字地球研究所 一种基于遥感植被指数时间序列的异常淹没区域检测方法
CN104616265A (zh) * 2015-02-12 2015-05-13 武汉大学 一种遥感序列数据的时域重建方法
CN106872466A (zh) * 2016-12-31 2017-06-20 中国科学院遥感与数字地球研究所 一种基于动态混合像元分解法的湖冰冻融监测方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
《1972～2011年期间艾比湖面积变化研究》;李磊 等;《湿地科学》;20140430;第12卷(第2期);全文 *
《Automated extraction of consistent time-variable water surfaces of lakes and reservoirs based on landsat and Sentinel-2》;Christian Schwatke et al.;《remote sensing》;20190331;第11卷(第9期);全文 *
《Automated extraction of inland surface water extent from Sentinel-1 data》;Wenli Huang et al.;《2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS)》;20171204;全文 *
《基于HJ-CCD的湖泊动态监测:以鄱阳湖为例 》;刘东 等;《第九届成像光谱技术与应用研讨会暨交叉学科论坛论文集》;20150720;全文 *
《基于RS的博斯腾湖水位反演及湖岸线特征研究》;冉小云;《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》;20190115(第12期);全文 *

Also Published As

Publication number Publication date
CN110569733A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
Isikdogan et al. RivaMap: An automated river analysis and mapping engine
Tong et al. An approach for flood monitoring by the combined use of Landsat 8 optical imagery and COSMO-SkyMed radar imagery
CN109190538B (zh) 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法
Zhao et al. 10-m-resolution mangrove maps of China derived from multi-source and multi-temporal satellite observations
Zhao et al. Remote sensing of aquatic vegetation distribution in Taihu Lake using an improved classification tree with modified thresholds
Zhang et al. Global offshore wind turbine dataset
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
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
Chen et al. Automatic monitoring of surface water dynamics using Sentinel-1 and Sentinel-2 data with Google Earth Engine
Ai et al. The impact of rapid urban expansion on coastal mangroves: a case study in Guangdong Province, China
Sun et al. Coastline extraction using remote sensing: A review
CN112418506B (zh) 基于机器学习的海岸带湿地生态安全格局优化方法、装置
Peng et al. Continental-scale wetland mapping: A novel algorithm for detailed wetland types classification based on time series Sentinel-1/2 images
Gong et al. Extracting tidal creek features in a heterogeneous background using Sentinel-2 imagery: a case study in the Yellow River Delta, China
Yilmaz et al. The performance analysis of different water indices and algorithms using sentinel-2 and landsat-8 images in determining water surface: Demirkopru dam case study
Zhang et al. Spatiotemporal changes of wetlands in China during 2000–2015 using Landsat imagery
Liu et al. Environment monitoring of Shanghai Nanhui intertidal zone with dual-polarimetric SAR data based on deep learning
Kolli et al. Assessment of change in the extent of mangrove ecosystems using different spectral indices in Google Earth Engine based on random forest model
Du et al. Using remote sensing to understand the total suspended matter dynamics in lakes across Inner Mongolia
Wang et al. Human activities dominate a staged degradation pattern of coastal tidal wetlands in Jiangsu province, China
Bi et al. Delineation water of pearl river basin using Landsat images from Google Earth Engine
Sun et al. Mapping China’s coastal aquaculture ponds expansion with sentinel-2 images during 2017–2021
Liu et al. Mapping large-scale aquaculture ponds in Jiangsu Province, China: An automatic extraction framework based on Sentinel-1 time-series imagery
Meng et al. Monitoring human-induced surface water disturbance around Taihu Lake since 1984 by time series Landsat images

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