CN110703244B - 基于遥感数据识别城区内水体的方法和装置 - Google Patents
基于遥感数据识别城区内水体的方法和装置 Download PDFInfo
- Publication number
- CN110703244B CN110703244B CN201910836965.7A CN201910836965A CN110703244B CN 110703244 B CN110703244 B CN 110703244B CN 201910836965 A CN201910836965 A CN 201910836965A CN 110703244 B CN110703244 B CN 110703244B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing data
- water surface
- 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.)
- Active
Links
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
- 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
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于遥感数据识别城区内水体的方法,包括:获取待测区域的光学遥感数据和雷达遥感数据;从光学遥感数据中选出多个水面样本点;根据雷达遥感数据构建覆盖待测区域的极化雷达遥感数据集,极化雷达遥感数据为VV极化雷达遥感数据集或VH极化雷达遥感数据集;从光学遥感数据中识别出多个潜在水面分布区;以及将多个水面样本点和极化雷达遥感数据集叠合,以得到每个水面样本点的VV极化值或者VH极化值;根据多个水面样本点的VV极化值或者VH极化值确定多个潜在水面分布区内的真实水体。本发明综合了雷达遥感数据和光学遥感数据各自的特点,因此可以提高对城区内水体判定的准确度。
Description
技术领域
本发明涉及遥感观测领域,具体说,是一种基于遥感数据识别城区内水体的方法和装置。
背景技术
陆表水面空间分布格局、水面面积大小是评价区域水资源丰富程度、生态文明建设、生态环境效益、人类福祉评价的重要内容。陆表水体识别的准确度越高,越有利于各项评估工作的开展。目前,陆表水体识别大都是利用光学遥感数据,通过计算水体指数,采用阈值法进行识别与提取。随着城市的不断扩张,该方法在高楼大厦林立、楼宇密度大、交通路网复杂的城区,会产生较多的建筑物阴影,而当前的水体指数往往会将阴影误分为陆表水体。因此,如何剔除城区建筑物阴影,改进陆表水面的识别准确度,成为当务之急。
发明内容
有鉴于此,本发明提供一种压制城市建筑物阴影的噪声,提升城区内水体识别的准确度的方法和装置。
根据本发明的第一方面,提供一种基于遥感数据识别城区内水体的方法,包括:
获取待测区域的光学遥感数据和雷达遥感数据;
从所述光学遥感数据中选出多个水面样本点;
根据所述雷达遥感数据构建覆盖所述待测区域的极化雷达遥感数据集,所述极化雷达遥感数据为VV极化雷达遥感数据集或VH极化雷达遥感数据集;
从所述光学遥感数据中识别出多个潜在水面分布区;以及
将所述多个水面样本点和所述极化雷达遥感数据集叠合,以得到每个水面样本点的VV极化值或者VH极化值;
根据所述多个水面样本点的VV极化值或者VH极化值确定所述多个潜在水面分布区内的真实水体。
在一些实施例中,所述获取待测区域的光学遥感数据和雷达遥感数据包括:对获取到的光学遥感数据和雷达遥感数据进行预处理。
在一些实施例中,对获取到的光学遥感数据进行预处理包括:
对于每景的光学遥感数据,采用云掩膜剔除被云影响的像素单元;
按照NDVI最大值合成法,对所述多个景的光学遥感数据进行合成,以形成覆盖所述待测区域的无云的光学遥感影像。
在一些实施例中,所述对获取到的雷达遥感数据进行预处理包括:
获取多个景的雷达遥感数据;以及对于每景的雷达遥感数据,剔除重叠区域。
在一些实施例中,所述根据所述多个水面样本点的VV极化值或者VH极化值确定所述多个潜在水面分布区内的真实水体包括:
获得所述多个水面样本点的VV极化值或者VH极化值的最大值;
获得每个潜在水面分布区中的每个像素单元的VV极化值或者VH极化值;以及
将每个潜在水面分布区中的每个像素单元的VV极化值或者VH极化值和所述最大值比较,根据比较结果确定所述多个潜在水面分布区内的真实水体。
在一些实施例中,统计在每个潜在水面分布区中的VV极化值或者VH极化值小于所述最大值的像素单元占比;并将占比大于设定阈值的潜在水面分布区作为真实水体。
在一些实施例中,所述光学遥感数据为空间分辨率为10m的哨兵-2多光谱光学遥感数据,和所述雷达遥感数据为空间分辨率为10m的哨兵-1号雷达遥感数据。
在一些实施例中,所述从所述光学遥感数据中识别出多个潜在水面分布区包括:
计算水体指数NDWI,所述水体指数NDWI=(GREEN-NIR)/(GRE EN+NIR),GREEN为绿光波段的反射率,NIR为近红外波段的反射率;
将所述水体指数NDWI大于阈值的区域作为潜在水面分布区;
在一些实施例中,所述对获取到的光学遥感数据进行预处理还包括:对所述待测区域的光谱影像进行辐射校正和大气校正。
根据本发明的第二方面,提供一种基于遥感数据识别城区内水体的装置,其中,包括:
获取单元,用于获取待测区域的光学遥感数据和雷达遥感数据;
提取单元,用于从所述光学遥感数据中获取多个水面样本点;
构建单元,用于根据所述雷达遥感数据构建覆盖所述待测区域的极化雷达遥感数据集,所述极化雷达遥感数据为VV极化雷达遥感数据集或VH极化雷达遥感数据集;
识别单元,用于从所述光学遥感数据中识别出多个潜在水面分布区;
叠加单元,用于将所述光学遥感数据和所述极化雷达遥感数据集叠合,以得到每个水面样本点的VV极化值或者VH极化值;
确定单元,用于根据所述多个水面样本点的VV极化值或者VH极化值确定所述多个潜在水面分布区内的真实水体。
本发明根据极化雷达遥感数据集得到的极化值对基于光学遥感数据得到的潜在水面分布区进行判定,综合雷达遥感数据和光学遥感数据各自的特点,从而可以提高对城区内水体判定的准确度。具体而言,雷达遥感数据的特点在于:对建筑物阴影和城区内水体比较敏感,体现在极化值上则是建筑物与城区不透水面(如硬化广场、道路、建筑物等)具有较强的后向散射系数,在雷达遥感影像呈现高亮特征,而城区水体,因其吸收作用,导致后向散射系数较低,在雷达遥感影像呈现暗色调;光学遥感数据的特点在于绿光波段水面反射率强,而在近红外波段水面的反射率低,通过水体指数能大体识别出水体的空间分布,但是城市高大建筑物的阴影区也具有该特征,因此,将雷达极化波段与光学水体指数两者叠加,能有有效剔除城市高大建筑物的伪水体变化信息,实现水体的精确识别与提取。
附图说明
通过参照以下附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1是本发明实施例的基于遥感数据识别城区内水体的方法的流程图;
图2a是基于NDWI从哨兵-2多光谱遥感数据提取的陆表水体空间分布结果;
图2b引入哨兵-1号雷达遥感数据消除建筑阴影后的城市水体空间分布;
图3是本发明实施例的基于遥感数据识别城区内水体的装置的结构示意图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质,公知的方法、过程、流程没有详细叙述。另外附图不一定是按比例绘制的。
附图中的流程图、框图图示了本发明实施例的系统、方法、装置的可能的体系框架、功能和操作,流程图和框图上的方框可以代表一个模块、程序段或仅仅是一段代码,所述模块、程序段和代码都是用来实现规定逻辑功能的可执行指令。也应当注意,所述实现规定逻辑功能的可执行指令可以重新组合,从而生成新的模块和程序段。因此附图的方框以及方框顺序只是用来更好的图示实施例的过程和步骤,而不应以此作为对发明本身的限制。
图1图1是本发明实施例的基于遥感数据识别城区内水体的方法的流程图。具体包括以下步骤。
在步骤S110中,获取待测区域的光学遥感数据和雷达遥感数据。
在步骤S120中,从光学遥感数据中选出多个水面样本点。
在步骤S130中,从光学遥感数据中识别出多个潜在水面分布区。
在步骤S140中,根据雷达遥感数据构建覆盖待测区域的极化雷达遥感数据集,所述极化雷达遥感数据为VV极化雷达遥感数据集或VH极化雷达遥感数据集。
在步骤S150中,将光学遥感数据和所述极化雷达遥感数据集叠合,以得到每个水面样本点的VV极化值或者VH极化值。
在步骤S160中,根据多个水面样本点的VV极化值或者VH极化值确定多个潜在水面分布区内的真实水体。
其中,步骤S110中的光学遥感数据是借助空间相机、扫描仪或成像光谱仪等光学遥感设备对地球表面实施探测和扫描得到的影像数据;雷达遥感数据是先采用雷达设备发射雷达脉冲,然后接收辐射和散射回波信号以形成的影像数据。光学遥感装备和雷达设备都可以采用卫星、空间站、各种飞行器等设备作为空间载体。由于本发明需要基于遥感数据进行城区内水体识别,所以设定采集到的待测区域的光学遥感数据和雷达遥感数据中均包含城区内水体。目前许多科研单位可以提供经过一定预处理的光学遥感数据和雷达遥感数据。例如,可以从中国资源卫星应用中心网站、国际数据服务平台、从美国国家宇航局(NASA)的Reverb网络工具等位置下载光学遥感数据和雷达遥感数据,另外,还可以直接采用谷歌、百度、腾讯和高德等公司提供的地理信息处理系统作为城区内水体的识别环境,这些系统内一般集成了遥感数据并提供一定数量的工具进行数据处理,例如可以使用剪裁工具直接在地理信息系统上剪裁出待测区域,以得到对应区域的遥感数据。
可选地,本实施例采用的光学遥感数据为欧洲空间局提供的空间分辨率为10m的哨兵-2多光谱光学遥感数据,采用的雷达遥感数据为欧洲空间局提供的空间分辨率为10m的哨兵-1号雷达遥感数据。
在一些实施例中,执行步骤S120之前对遥感数据进行了预处理。对于光学遥感数据的预处理包括云层处理、辐射校正和大气校正等。光学遥感数据中,地面被云层遮住的情况难以避免,因此获取的遥感影像数据中通常会存在云层区域。若一幅图像中云层区域较大或者云层区域正好遮挡了陆表水体区域,则通过该光学遥感数据无法准确识别提取出陆表水体区域。因此,需要在预处理中解决云层问题。首先,对同一地区的不同时刻拍摄的多组哨兵-2多光谱光学遥感数据进行筛选,从中选出拍摄效果最好,能够清晰显示出陆表水体的光学遥感图像;其次,对每景的哨兵-2多光谱光学遥感数据,从中提取云标识,采用云掩膜剔除被云影响的像素单元,然后构建云掩膜,用云掩膜剔除被云影响的哨兵-2数据像元素,最终按照NDVI(植被指数,Normalized Difference Vegetation Index)最大值合成法,对监测时段内的哨兵-2数据进行合成,形成覆盖监测区域的无云的哨兵-2多光谱影像。
而辐射校正可以是指对由于外界因素,数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正,消除或改正因辐射误差而引起影像畸变的过程。大气校正是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映,其中包含了由大气吸收,尤其是散射作用造成的辐射量误差。大气校正就是消除这些由大气影响所造成的辐射误差,反演地物真实的表面反射率的过程。在预处理过程中,可以在云层处理之前或者之后对光学遥感数据进行辐射校正和大气校正。在本发明中,辐射校正和大气校正方法均采用现有技术,在这里就不再赘述。
对于雷达遥感数据的预处理主要是对图像中重叠区域的剔除,具体地,针对每景的雷达遥感数据,剔除重叠区域。
本实施例中,还可以采用图像增强技术增加图像中各个物体的边缘信息。常用的图像增强技术有灰度变换、直方图均衡化、平滑算法、锐化等。
在步骤S120中,采用随机的标注方法,通过目视解译,从合成好的光学遥感数据中,获取50-100个左右的水面样本点。目视解译是遥感观测领域的术语,它是指专业人员通过直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息的过程。
步骤S130是从光学遥感数据中识别出多个潜在水面分布区。城区内水体是液态水在陆地表层的标志性聚集体,除表现为大江大河、大型湖库之外,更大量地表现为支流河网、小型湖库等中小水体。可以采用以下水体自动提取方法的一种或几种从遥感数据上提取水体:多光谱水体指数(Multispectral Water Index,MuWI)、归一化水体指数(Normalize d Water Index,NDWI)、改进的归一化水体指数(Modified Normalize dWater Index,MNDWI)和自动提取水体指数(Automated Water Extrac tion Index,AWEI)。优选的,采用上述至少两种水体自动提取方法协作提取城区内水体,以提高对于水体识别的准确度,
在一个示例中,根据预处理后的光学遥感数据计算归一化水体指数NDWI,并设定NDWI值大于阈值(例如0)的区域确定为潜在水面分布区。归一化水体指数NDWI=(GREEN-NIR)/(GREEN+NIR),GREEN为绿光波段的反射率,NIR为近红外波段的反射率。
步骤S140是根据雷达遥感数据构建覆盖待测区域的极化雷达遥感数据集,极化雷达遥感数据为VV极化雷达遥感数据集或VH极化雷达遥感数据集。雷达数据有四种极化方式:HH/HV/VH/VV,但是目前哨兵遥感数据仅提供VV极化雷达遥感数据集或VH极化雷达遥感数据集,因此优选的方式是直接使用其中至少之一进行后续处理。
步骤S150是将光学遥感数据和极化雷达遥感数据集叠合,以得到待测区域中的每个像素单元的VV极化值或者VH极化值,并从每个像素单元的VV极化值或者VH极化值得到每个水面样本点的VV极化值或者VH极化值。可以想见,基于地理信息系统构建的光学遥感数据和极化雷达遥感数据很容易实现叠合。
对于步骤S160,将多个水木样本点的每个点的VV或VH极化值按照从大到小的顺序排序,并选取最大值作为去噪的阈值。对于待测区域,将步骤S130中的每个潜在水面分布区的每个像素单元的VV或者VH极化值和去噪的阈值比较,以判定每个潜在水面分布区内是否是真实水体以及真实水体的面积大小。可选地,统计在每个潜在水面分布区中的VV极化值或者VH极化值小于最大值的像素单元占比,并将占比大于设定阈值的潜在水面分布区作为真实水体。
应该指出的是,本实施例的各个步骤可以并不以编号所示的顺序串行执行。例如,在步骤S140可以在步骤S120之前执行,步骤S120和步骤S140还可以并列执行,都不会影响本实施例的执行效果。
图2a是基于NDWI提取的陆表水体空间分布结果。其中211-214为从光学遥感数据中识别出的潜在水面分布区。
图2b引入哨兵-1号雷达遥感数据消除建筑阴影后的城市水体空间分布。其中211、212和214为消除建筑阴影后的真实水体。
应该指出的是,在原始的光学遥感数据和雷达遥感数据中,可以通过颜色区分水体和其他事物。但在申请文件附图(使用灰度图)中,只能通过标注结合文字说明以澄清本发明所具有的技术效果。
图3是本发明实施例的基于遥感数据识别城区内水体的装置的结构。示意图。参考图3所示,装置300包括以下模块。
获取单元301用于获取待测区域的光学遥感数据和雷达遥感数据。可以通过多种方式获得光学遥感数据和雷达遥感数据。最简便的方法是从例如欧洲空间局、国家气象局这种科研单位提供的网站上下载所需的光学遥感数据和雷达遥感数据。且这些科研单位会对遥感数据作一定处理,以方便其他领域的科学家使用。还可以采用一些科技公司提供的地理信息系统处理光学遥感数据和雷达遥感数据,其上通常集成了遥感数据。另外,还需要对获取到的光学遥感数据和雷达遥感数据进行相应的预处理,以提升数据质量。
提取单元302用于从光学遥感数据中获取多个水面样本点。例如,通过目视解译,从合成好的光学遥感数据中,获取50-100个左右的水面样本点。
构建单元303用于根据雷达遥感数据构建覆盖待测区域的极化雷达遥感数据集,所述极化雷达遥感数据为VV极化雷达遥感数据集或VH极化雷达遥感数据集。雷达数据有四种极化方式:HH/HV/VH/VV,这里采用其中的VV或VH的极化方式处理遥感雷达数据。
识别单元304用于从光学遥感数据中识别出多个潜在水面分布区。例如采用各种水体指数实现多个潜在水面分布区的识别。
叠加单元305用于将光学遥感数据和极化雷达遥感数据集叠合,以得到每个水面样本点的VV极化值或者VH极化值。将光学遥感数据和极化雷达遥感数据集逐个像素单元地进行叠合,从而能够直接得到光学遥感数据上每个像素单元的VV极化值或者VH极化值,进而得到每个水面样本点的VV极化值或者VH极化值。基于地理信息系统构建的光学遥感数据和极化雷达遥感数据很容易实现叠合。
确定单元306用于根据多个水面样本点的VV极化值或者VH极化值确定多个潜在水面分布区内的真实水体。作为示例,可以先统计每个潜在水面分布区中的VV极化值或者VH极化值小于最大值的像素单元占比,并将占比大于设定阈值的潜在水面分布区作为真实水体。
由于极化雷达遥感数据集能够提供更为丰富的地物信息,尤其是建筑物阴影可以在VV极化值或VH极化值上有所体现,因此本发明根据极化雷达遥感数据集得到的极化值对基于光学遥感数据得到的潜在水面分布区进行判定,能够综合雷达遥感数据和光学遥感数据各自的特点,从而可以提高对城区内水体判定的准确度。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于遥感数据识别城区内水体的方法,包括:
获取待测区域的光学遥感数据和雷达遥感数据;
采用目视解译从所述光学遥感数据中选出多个水面样本点;
从所述光学遥感数据中识别出多个潜在水面分布区;
根据所述雷达遥感数据构建覆盖所述待测区域的极化雷达遥感数据集,所述极化雷达遥感数据集为VV极化雷达遥感数据集或VH极化雷达遥感数据集;
将所述多个水面样本点和所述极化雷达遥感数据集叠合,以得到每个水面样本点的VV极化值或者VH极化值;以及根据所述多个水面样本点的VV极化值或者VH极化值确定所述多个潜在水面分布区内的真实水体,其中,所述根据所述多个水面样本点的VV极化值或者VH极化值确定所述多个潜在水面分布区内的真实水体包括:
获得所述多个水面样本点的VV极化值或者VH极化值的最大值;
获得每个潜在水面分布区中的每个像素单元的VV极化值或者VH极化值;以及将每个潜在水面分布区中的每个像素单元的VV极化值或者VH极化值和所述最大值比较,根据比较结果确定所述多个潜在水面分布区内的真实水体。
2.根据权利要求1所述的方法,其中,所述获取待测区域的光学遥感数据和雷达遥感数据包括:对获取到的光学遥感数据和雷达遥感数据进行预处理。
3.根据权利要求2所述的方法,其中,对获取到的光学遥感数据进行预处理包括:
对于每景光学遥感数据,采用云掩膜剔除被云影响的像素单元;
按照NDVI最大值合成法,对多景光学遥感数据进行合成,以形成覆盖所述待测区域无云的光学遥感影像。
4.根据权利要求2所述的方法,所述对获取到的雷达遥感数据进行预处理包括:
获取多景的雷达遥感数据;以及对于每景雷达遥感数据,剔除重叠区域与去噪。
5.根据权利要求4所述的方法,其中,统计在每个潜在水面分布区中的VV极化值或者VH极化值小于所述最大值的像素单元占比,并将占比大于设定阈值的潜在水面分布区作为真实水体。
6.根据权利要求1所述的方法,其中,所述光学遥感数据为空间分辨率为10m的哨兵-2多光谱光学遥感数据,和所述雷达遥感数据为空间分辨率为10m的哨兵-1号雷达遥感数据。
7.根据权利要求1所述的方法,其中,所述从所述光学遥感数据中识别出多个潜在水面分布区包括:
计算水体指数NDWI,所述水体指数NDWI=(GREEN-NIR)/(GRE EN+NIR),GREEN为绿光波段的反射率,NIR为近红外波段的反射率;将所述水体指数NDWI大于阈值的区域作为潜在水面分布区。
8.根据权利要求3所述的方法,其中,所述对获取到的光学遥感数据进行预处理还包括:对所述待测区域的光谱影像进行辐射校正和大气校正。
9.一种基于遥感数据识别城区内水体的装置,其中,包括:
获取单元,用于获取待测区域的光学遥感数据和雷达遥感数据;
提取单元,用于采用目视解译从所述光学遥感数据中获取多个水面样本点;
构建单元,用于根据所述雷达遥感数据构建覆盖所述待测区域的极化雷达遥感数据集,所述极化雷达遥感数据集为VV极化雷达遥感数据集或VH极化雷达遥感数据集;
识别单元,用于从所述光学遥感数据中识别出多个潜在水面分布区;以及
叠加单元,用于将所述光学遥感数据和所述极化雷达遥感数据集叠合,以得到每个水面样本点的VV极化值或者VH极化值;
确定单元,用于获得所述多个水面样本点的VV极化值或者VH极化值的最大值;获得每个潜在水面分布区中的每个像素单元的VV极化值或者VH极化值;以及将每个潜在水面分布区中的每个像素单元的VV极化值或者VH极化值和所述最大值比较,根据比较结果确定所述多个潜在水面分布区内的真实水体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910836965.7A CN110703244B (zh) | 2019-09-05 | 2019-09-05 | 基于遥感数据识别城区内水体的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910836965.7A CN110703244B (zh) | 2019-09-05 | 2019-09-05 | 基于遥感数据识别城区内水体的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110703244A CN110703244A (zh) | 2020-01-17 |
CN110703244B true CN110703244B (zh) | 2023-08-04 |
Family
ID=69193881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910836965.7A Active CN110703244B (zh) | 2019-09-05 | 2019-09-05 | 基于遥感数据识别城区内水体的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110703244B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111751286B (zh) * | 2020-06-22 | 2021-05-14 | 电子科技大学 | 基于变化检测算法的土壤水分提取方法 |
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 |
CN112270675B (zh) * | 2020-11-11 | 2021-04-16 | 中山大学 | 一种基于极化雷达遥感影像的城市内涝区域检测方法 |
CN113128401B (zh) * | 2021-04-19 | 2021-11-26 | 中国水利水电科学研究院 | 基于光学和雷达遥感数据的区域实际灌溉面积监测方法 |
CN113343945B (zh) * | 2021-08-02 | 2021-12-31 | 航天宏图信息技术股份有限公司 | 水体识别方法、装置、电子设备及存储介质 |
CN116052018B (zh) * | 2023-03-31 | 2023-10-27 | 北京数慧时空信息技术有限公司 | 基于终身学习的遥感影像解译方法 |
Citations (6)
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 |
CN105809140A (zh) * | 2016-03-18 | 2016-07-27 | 华南农业大学 | 一种基于遥感模型的地表水体信息的提取方法及其装置 |
CN108681652A (zh) * | 2018-06-04 | 2018-10-19 | 中国科学院遥感与数字地球研究所 | 一种基于高分三号数据的植被覆盖区土壤水分反演方法 |
CN109977801A (zh) * | 2019-03-08 | 2019-07-05 | 中国水利水电科学研究院 | 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 |
CN109993237A (zh) * | 2019-04-15 | 2019-07-09 | 中国水利水电科学研究院 | 基于高分卫星光学遥感数据的水体快速提取方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140119639A1 (en) * | 2012-10-31 | 2014-05-01 | Microsoft Corporation | Water-body classification |
US9721181B2 (en) * | 2015-12-07 | 2017-08-01 | The Climate Corporation | Cloud detection on remote sensing imagery |
-
2019
- 2019-09-05 CN CN201910836965.7A patent/CN110703244B/zh active Active
Patent Citations (6)
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 |
CN105809140A (zh) * | 2016-03-18 | 2016-07-27 | 华南农业大学 | 一种基于遥感模型的地表水体信息的提取方法及其装置 |
CN108681652A (zh) * | 2018-06-04 | 2018-10-19 | 中国科学院遥感与数字地球研究所 | 一种基于高分三号数据的植被覆盖区土壤水分反演方法 |
CN109977801A (zh) * | 2019-03-08 | 2019-07-05 | 中国水利水电科学研究院 | 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 |
CN109993237A (zh) * | 2019-04-15 | 2019-07-09 | 中国水利水电科学研究院 | 基于高分卫星光学遥感数据的水体快速提取方法及系统 |
Non-Patent Citations (1)
Title |
---|
Efficient Identification of Corn Cultivation Area with Multitemporal Synthetic Aperture Radar and Optical Images in the Google Earth Engine Cloud Platform;Tian Fuyou, et al.;《Remote Sensing》;20190314;第4-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110703244A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110703244B (zh) | 基于遥感数据识别城区内水体的方法和装置 | |
Liu et al. | Object-based shadow extraction and correction of high-resolution optical satellite images | |
CN110889327B (zh) | 一种基于热红外图像的水域周边排污口智能检测方法 | |
CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
CN105139396B (zh) | 一种全自动遥感影像云雾检测方法 | |
Tavus et al. | Considerations on the use of Sentinel-1 data in flood mapping in urban areas: Ankara (Turkey) 2018 floods | |
CN115236655B (zh) | 基于全极化sar的滑坡识别方法、系统、设备及介质 | |
CN108230375A (zh) | 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法 | |
Chen et al. | A mathematical morphology-based multi-level filter of LiDAR data for generating DTMs | |
US10810704B2 (en) | Method for processing an optical image acquired in the presence of aerosols and/or clouds in the atmosphere | |
Wang et al. | An adaptive atmospheric correction algorithm for the effective adjacency effect correction of submeter-scale spatial resolution optical satellite images: Application to a WorldView-3 panchromatic image | |
CN114708204A (zh) | 一种推扫成像的优化处理方法及系统 | |
CN112989940B (zh) | 基于高分三号卫星sar影像的筏式养殖区提取方法 | |
CN114545410B (zh) | 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法 | |
CN113936009B (zh) | 一种气象卫星洪涝监测的云阴影去除方法、装置及设备 | |
Hadjimitsis et al. | The importance of accounting for atmospheric effects in satellite remote sensing: a case study from the Lower Thames Valley Area, UK | |
CN112184607B (zh) | 毫米波太赫兹成像质量提升方法及成像系统 | |
CN112766132A (zh) | 一种基于哨兵1号数据的干盐滩提取方法 | |
Liu et al. | Shadow extraction and correction from quickbird images | |
Bochow et al. | Automatic shadow detection in hyperspectral VIS-NIR images | |
CN114708514B (zh) | 一种基于深度学习的森林砍伐变化的检测方法及装置 | |
Li et al. | New automated method for extracting river information using optimized spectral threshold water index | |
Wang et al. | Framework to create cloud-free remote sensing data using passenger aircraft as the platform | |
Sumer et al. | An integrated earthquake damage detection system | |
Sarala et al. | Digital image processing–a remote sensing perspective |
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 |