CN110738187A - 一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法 - Google Patents

一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法 Download PDF

Info

Publication number
CN110738187A
CN110738187A CN201911015038.5A CN201911015038A CN110738187A CN 110738187 A CN110738187 A CN 110738187A CN 201911015038 A CN201911015038 A CN 201911015038A CN 110738187 A CN110738187 A CN 110738187A
Authority
CN
China
Prior art keywords
water body
target water
index
remote sensing
dynamic change
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
Application number
CN201911015038.5A
Other languages
English (en)
Inventor
王莹
郭青海
林剑艺
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.)
Institute of Urban Environment of CAS
Original Assignee
Institute of Urban Environment 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 Institute of Urban Environment of CAS filed Critical Institute of Urban Environment of CAS
Priority to CN201911015038.5A priority Critical patent/CN110738187A/zh
Publication of CN110738187A publication Critical patent/CN110738187A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • 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
    • G06T2207/30184—Infrastructure
    • 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
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，包括步骤：获取近30年不同时期研究区的Landsat系列2A级影像产品数据集；提取相应的水体指数和植被指数；获得基于所述水体指数的水体信息图，和获得基于所述植被指数的水体信息图；根据基于所述水体指数的水体信息图作出基于所述水体指数的二值化掩模图，和根据基于所述植被指数的水体信息图作出基于所述植被指数的二值化掩模图，并获得最优掩模图；应用掩模提取所述目标水体的水体信息和地物信息；筛除所述水体信息外的其他地物信息；提取水面栅格数据，并将所述水面栅格数据转换成所述目标水体的边界矢量数据；以及计算在所述不同时期所对应的湖泊面积及其动态变化。

Description

一种基于Google Earth Engine的湖泊面积动态变化快速遥 感估算方法
技术领域
本发明涉及卫星遥感技术领域，尤其涉及一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，其中本发明的遥感估算方法能够利用Google EarthEngine云平台获取目标水体在一长时间序列的不同时期的卫星遥感影像，进而通过对所述卫星遥感影像进行处理和分析，得到所述目标水体的水域面积及其动态变化。
背景技术
湖泊是地表水资源的主要表现形式。除冰川和永久雪覆盖外，湖泊是第二大地表水资源类型，它是影响全球海平面变化的主要因素之一。湖泊演化与环境密切相关：一方面，湖面波动引起的水量变化和沉积环境改变可敏感地指示气候变化；另一方面，湖泊水面积的增减会改变下垫面条件，从而对气候变化产生影响。然而长期以来，受调查和观测资料、模拟和分析方法的限制，进行大范围湖泊水域面积估算及其动态变化的研究存在很大难度。
Google Earth Engine(GEE)是Google提供的对大量全球尺度地球科学资料(尤其是卫星数据)进行在线可视化计算分析处理的平台，提供全球多源、多尺度遥感数据，是一个支持并行云端计算的海量遥感数据处理、存档和分析平台，解决了传统遥感图像收集难、存储量大、处理效率低等难题。基于Google Earth Engine云平台，凭借其强大的云计算能力，可以快速获取研究区的长时间序列遥感数据集并进行计算，为估算湖泊水域面积动态变化提供了新的平台。
发明内容
本发明的主要优势在于其提供一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，其中本发明基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法能够对大范围湖泊水域的面积及其动态变化进行估算。
本发明的另一优势在于其提供一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，其中本发明基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法利用遥感技术获取目标水体在一长时间序列的不同时期的卫星遥感影像，进而通过对所述卫星遥感影像进行处理和分析，得到所述目标水体的水域面积及其动态变化。
本发明的另一优势在于其提供一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，其中本发明基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法能够以更短的周期获取所述目标水体在不同时期的初始水体数据，相较于传统的实地测量估算方法受到测量周期的限制更小、监测所述目标水体的难度更低、且获取所述初始水体数据的效率更高。
本发明的另一优势在于其提供一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，其中本发明基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法能够以更低的成本获取所述目标水体的所述初始水体数据，相较于传统的实地测量估算方法更经济实用。
本发明的另一优势在于其提供一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，其中本发明基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法能够选取更广阔的空间范围内的湖泊水域为所述目标水体进行估算，相较于传统的实地测量估算方法受到地理地形的限制更小。
本发明的其它优势和特点通过下述的详细说明得以充分体现并可通过所附权利要求中特地指出的手段及其组合得以实现。
依本发明，能够实现前述目的和其他目的和优势的本发明基于Google EarthEngine的湖泊面积动态变化快速遥感估算方法，包括以下步骤：
获取一目标水体在一长时间序列的不同时期所对应的卫星遥感影像；
根据所述目标水体在所述卫星遥感影像各个波段的光谱响应特征，提取相应的水体指数和植被指数；
确定一第一阈值和一第二阈值，根据所述水体指数和所述第一阈值获得基于所述水体指数的水体信息图，和根据所述植被指数和所述第二阈值获得基于所述植被指数的水体信息图；
根据基于所述水体指数的水体信息图作出基于所述水体指数的二值化掩模图，和根据基于所述植被指数的水体信息图作出基于所述植被指数的二值化掩模图，并根据基于所述水体指数的二值化掩模图和基于所述植被指数的二值化掩模图栅格计算获得最优掩模图；
应用掩模提取所述目标水体的水体信息和地物信息，并区分所述水体信息和所述地物信息；
筛除所述水体信息外的其他地物信息，并获得相应的水体信息图；
提取所述目标水体的水面栅格数据，并将所述水面栅格数据转换成所述目标水体的边界矢量数据；以及
根据所述目标水体的所述边界矢量数据计算所述目标水体在所述不同时期所对应的水域面积及其动态变化。
在一实施例中，所述步骤获取一目标水体在一长时间序列的不同时期所对应的卫星遥感影像，具体为步骤：
通过Google Earth Engine云平台，获取所述目标水体在近30年研究区的Landsat系列2A级影像产品数据集。
在一实施例中，所述步骤根据所述目标水体的所述边界矢量数据计算所述目标水体在所述不同时期所对应的水域面积及其动态变化，包括步骤：
根据所述目标水体的所述边界矢量数据建立所述目标水体的投影，并标定所述投影的相关坐标；和
计算所述目标水体在所述不同时期所对应的水域面积及面积差值，得出所述目标水体的水域面积的动态变化量。
在一实施例中，所述所述第一阈值和所述第二阈值均为0。
在一实施例中，所述水体指数为所述目标水体的归一化差异水体指数，其中，所述归一化差异水体指数与所述各个波段的关系为：
NDWI＝(Green-NIR)/(Green+NIR)；
其中，NDWI为所述归一化差异水体指数，Green为绿光波段，NIR为近红外波段。
在一实施例中，所述水体指数为所述目标水体的改进型归一化差异水体指数，其中，所述改进型归一化差异水体指数与所述各个波段的关系为：
MNDWI＝(Green-MIR)/(Green+MIR)；
其中，MNDWI为所述改进型归一化差异水体指数，Green为绿光波段，MIR为中红外波段。
在一实施例中，所述植被指数为所述目标水体的归一化差异植被指数，其中，所述归一化差异植被指数与所述各个波段的关系为：
NDVI＝(NIR-Red)/(NIR+Red)；
其中，NDVI为所述归一化差异植被指数，NIR为近红外波段，Red为红光波段。
通过对随后的描述和附图的理解，本发明进一步的目的和优势将得以充分体现。
本发明的这些和其它目的、特点和优势，通过下述的详细说明，附图和权利要求得以充分体现。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法的流程图。
图2是根据本发明实施例的一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法的步骤图。
图3是根据本发明实施例的一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法的步骤s110的具体步骤。
图4是根据本发明实施例的一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法的步骤s180的子步骤图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
本领域技术人员应理解的是，在本发明的揭露中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。
参考附图之图1至图2，依本发明实施例的基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法被阐明。本发明基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法利用遥感技术获取目标水体在不同时期的卫星遥感影像，进而通过对所述卫星遥感影像进行处理和分析，得到所述目标水体的水域面积及其动态变化。所述基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，包括以下步骤：
步骤s110，获取一目标水体在一长时间序列的不同时期所对应的卫星遥感影像；
步骤s120，根据所述目标水体在所述卫星遥感影像各个波段的光谱响应特征，提取相应的水体指数和植被指数；
步骤s130，确定一第一阈值和一第二阈值，根据所述水体指数和所述第一阈值获得基于所述水体指数的水体信息图，和根据所述植被指数和所述第二阈值获得基于所述植被指数的水体信息图；
步骤s140，根据基于所述水体指数的水体信息图作出基于所述水体指数的二值化掩模图，和根据基于所述植被指数的水体信息图作出基于所述植被指数的二值化掩模图，并根据基于所述水体指数的二值化掩模图和基于所述植被指数的二值化掩模图栅格计算获得最优掩模图；
步骤s150，应用掩模提取所述目标水体的水体信息和地物信息，并区分所述水体信息和所述地物信息；
步骤s160，筛除所述水体信息外的其他地物信息，并获得相应的水体信息图；
步骤s170，提取所述目标水体的水面栅格数据，并将所述水面栅格数据转换成所述目标水体的边界矢量数据；
步骤s180，根据所述目标水体的所述边界矢量数据计算所述目标水体在所述不同时期所对应的水域面积及其动态变化。
在所述步骤s110中，获取一目标水体在一长时间序列的不同时期所对应的卫星遥感影像，其中，所述目标水体为在卫星遥感技术覆盖范围内选定的待估算的湖泊水域，以保证所述目标水体的全部区域被卫星遥感技术的监测范围完全地覆盖，进而确保获取的所述目标水体的所述卫星遥感影像的完整性和准确性。
为了估算所述目标水体的水域面积及其动态变化，需要在多个不同的时期分别获取该时期所对应的所述目标水体的所述卫星遥感影像，其中该时期可优选地选择对所述目标水体的水域面积及其动态变化有显著影响的时期，如发生自然环境变化的时期，更具体地，如发生持续降雨、持续干旱或地理地形改变等环境变化的时期。
可以理解的是，为了更准确地估算所述目标水体的水域面积及其动态变化，还需要获取多个间隔时期的相应的所述目标水体的所述卫星遥感影像，以获得能够准确表征所述目标水体的动态变化的初始水体数据。优选地，选取多个等时间间隔的时期所对应的所述目标水体的所述卫星遥感影像。
具体地，如附图之图3所示，所述步骤s110获取一目标水体在一长时间序列的不同时期所对应的卫星遥感影像，具体为步骤：
通过Google Earth Engine云平台，获取所述目标水体在近30年研究区的Landsat系列2A级影像产品数据集。
在所述步骤s120中，根据所述目标水体在所述卫星遥感影像各个波段的光谱响应特征，提取相应的水体指数和植被指数，其中，所述水体指数为所述目标水体的归一化差异水体指数，所述植被指数为所述目标水体的归一化差异植被指数。
具体地，根据所述目标水体在所述卫星遥感影像各个波段的光谱响应特征，提取所述目标水体的归一化差异水体指数，其中，所述归一化差异水体指数与所述各个波段的关系为：
NDWI＝(Green-NIR)/(Green+NIR)；
其中，NDWI为所述归一化差异水体指数，Green为绿光波段，NIR为近红外波段。
相应地，根据所述目标水体在所述卫星遥感影像各个波段的光谱响应特征，提取所述目标水体的归一化差异植被指数，其中，所述归一化差异植被指数与所述各个波段的关系为：
NDVI＝(NIR-Red)/(NIR+Red)；
其中，NDVI为所述归一化差异植被指数，NIR为近红外波段，Red为红光波段。
值得一提的是，在步骤s120中，根据所述目标水体在所述卫星遥感影像各个波段的光谱响应特征，提取相应的水体指数和植被指数，其中，所述水体指数还可以是所述目标水体的改进型归一化差异水体指数。
具体地，根据所述目标水体在所述卫星遥感影像各个波段的光谱响应特征，提取所述目标水体的改进型归一化差异水体指数，其中，所述改进型归一化差异水体指数与所述各个波段的关系为：
MNDWI＝(Green-MIR)/(Green+MIR)；
其中，MNDWI为所述改进型归一化差异水体指数，Green为绿光波段，MIR为中红外波段。
在所述步骤s130中，确定一第一阈值和一第二阈值，根据所述水体指数和所述第一阈值获得基于所述水体指数的水体信息图，和根据所述植被指数和所述第二阈值获得基于所述植被指数的水体信息图，其中，所述第一阈值为0，当MNDWI大于0，能够提取水体信息，及少部分植被和建筑物信息；所述第二阈值为0，当NDVI大于0，能够提取植被和少部分建筑物信息。
在所述步骤s140中，根据基于所述水体指数的水体信息图作出基于所述水体指数的二值化掩模图，和根据基于所述植被指数的水体信息图作出基于所述植被指数的二值化掩模图，并根据基于所述水体指数的二值化掩模图和基于所述植被指数的二值化掩模图栅格计算获得最优掩模图，其中，通过MNDVI-NDVI得到所述最优掩模图；
在所述步骤s170中，提取所述目标水体的水面栅格数据，并将所述水面栅格数据转换成所述目标水体的边界矢量数据，其中，在Google Earth Engine中通过栅格转矢量函数将所述水面栅格数据转换成所述目标水体的边界矢量数据。
具体地，如附图之图4所示，所述步骤s180，根据所述目标水体的所述边界矢量数据计算所述目标水体在所述不同时期所对应的水域面积及其动态变化，包括以下子步骤：
步骤181，根据所述目标水体的所述边界矢量数据建立所述目标水体的投影，并标定所述投影的相关坐标；
步骤182，计算所述目标水体在所述不同时期所对应的水域面积及面积差值，得出所述目标水体的水域面积的动态变化量。
在所述步骤181中，根据所述目标水体的所述边界矢量数据建立所述目标水体的投影，并标定所述投影的相关坐标，其中，能够通过Google Earth Engine为所述目标水体的边界矢量数据建立投影坐标，并计算所述目标水体的水域面积。
本发明所述基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，可以对比不同时期的水域面积动态变化。由于使用的卫星遥感数据基本上可以免费获取，而且遥感数据的空间覆盖范围广、更新速度快，因此，相比传统的野外实测方法，本发明实施例提出的方法具有监测成本低，更新方便及能够在大范围内进行推广应用等优点。
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。
本发明的目的已经完整并有效地实现。本发明的功能及原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。

Claims (10)

1.一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，能够对遥感技术覆盖范围内的一目标水体的水域面积及其动态变化量进行估算，其特征在于，包括以下步骤：
获取一目标水体在一长时间序列的不同时期所对应的卫星遥感影像；
根据所述目标水体在所述卫星遥感影像各个波段的光谱响应特征，提取相应的水体指数和植被指数；
确定一第一阈值和一第二阈值，根据所述水体指数和所述第一阈值获得基于所述水体指数的水体信息图，和根据所述植被指数和所述第二阈值获得基于所述植被指数的水体信息图；
根据基于所述水体指数的水体信息图作出基于所述水体指数的二值化掩模图，和根据基于所述植被指数的水体信息图作出基于所述植被指数的二值化掩模图，并根据基于所述水体指数的二值化掩模图和基于所述植被指数的二值化掩模图栅格计算获得最优掩模图；
应用掩模提取所述目标水体的水体信息和地物信息，并区分所述水体信息和所述地物信息；
筛除所述水体信息外的其他地物信息，并获得相应的水体信息图；
提取所述目标水体的水面栅格数据，并将所述水面栅格数据转换成所述目标水体的边界矢量数据；以及
根据所述目标水体的所述边界矢量数据计算所述目标水体在所述不同时期所对应的水域面积及其动态变化。
2.根据权利要求1所述的基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，其特征在于，所述步骤获取一目标水体在一长时间序列的不同时期所对应的卫星遥感影像，具体为步骤：
通过Google Earth Engine云平台，获取所述目标水体在近30年不同时期研究区的Landsat系列2A级影像产品数据集。
3.根据权利要求1所述的基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，其特征在于，所述步骤根据所述目标水体的所述边界矢量数据计算所述目标水体在所述不同时期所对应的水域面积及其动态变化，包括步骤：
根据所述目标水体的所述边界矢量数据建立所述目标水体的投影，并标定所述投影的相关坐标；和
计算所述目标水体在所述不同时期所对应的水域面积及面积差值，得出所述目标水体的水域面积的动态变化量。
4.根据权利要求2所述的基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，其特征在于，所述步骤根据所述目标水体的所述边界矢量数据计算所述目标水体在所述不同时期所对应的水域面积及其动态变化，包括步骤：
根据所述目标水体的所述边界矢量数据建立所述目标水体的投影，并标定所述投影的相关坐标；和
计算所述目标水体在所述不同时期所对应的水域面积及面积差值，得出所述目标水体的水域面积的动态变化量。
5.根据权利要求3所述的基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，其特征在于，所述所述第一阈值和所述第二阈值均为0。
6.根据权利要求4所述的基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，其特征在于，所述所述第一阈值和所述第二阈值均为0。
7.根据权利要求1、2、3、4、5或6所述的基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，其特征在于，所述水体指数为所述目标水体的归一化差异水体指数，其中，所述归一化差异水体指数与所述各个波段的关系为：
NDWI＝(Green-NIR)/(Green+NIR)；
其中，NDWI为所述归一化差异水体指数，Green为绿光波段，NIR为近红外波段。
8.根据权利要求1、2、3、4、5或6所述的基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，其特征在于，所述水体指数为所述目标水体的改进型归一化差异水体指数，其中，所述改进型归一化差异水体指数与所述各个波段的关系为：
MNDWI＝(Green-MIR)/(Green+MIR)；
其中，MNDWI为所述改进型归一化差异水体指数，Green为绿光波段，MIR为中红外波段。
9.根据权利要求7所述的基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，其特征在于，所述植被指数为所述目标水体的归一化差异植被指数，其中，所述归一化差异植被指数与所述各个波段的关系为：
NDVI＝(NIR-Red)/(NIR+Red)；
其中，NDVI为所述归一化差异植被指数，NIR为近红外波段，Red为红光波段。
10.根据权利要求8所述的基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法，其特征在于，所述植被指数为所述目标水体的归一化差异植被指数，其中，所述归一化差异植被指数与所述各个波段的关系为：
NDVI＝(NIR-Red)/(NIR+Red)；
其中，NDVI为所述归一化差异植被指数，NIR为近红外波段，Red为红光波段。
CN201911015038.5A 2019-10-24 2019-10-24 一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法 Pending CN110738187A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911015038.5A CN110738187A (zh) 2019-10-24 2019-10-24 一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911015038.5A CN110738187A (zh) 2019-10-24 2019-10-24 一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法

Publications (1)

Publication Number Publication Date
CN110738187A true CN110738187A (zh) 2020-01-31

Family

ID=69271125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911015038.5A Pending CN110738187A (zh) 2019-10-24 2019-10-24 一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法

Country Status (1)

Country Link
CN (1) CN110738187A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111738144A (zh) * 2020-06-19 2020-10-02 中国水利水电科学研究院 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统
CN112435268A (zh) * 2020-11-17 2021-03-02 中国资源卫星应用中心 一种基于多源遥感影像提取过火区域的方法及装置
CN112945352A (zh) * 2021-02-03 2021-06-11 成都鼎安华智慧物联网股份有限公司 基于遥感数据水位异常信息的提取方法
CN113378785A (zh) * 2021-07-05 2021-09-10 中煤航测遥感集团有限公司 森林类型识别方法及装置
CN115452759A (zh) * 2022-09-14 2022-12-09 水利部交通运输部国家能源局南京水利科学研究院 一种基于卫星遥感数据的河湖健康指标评价方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107063197A (zh) * 2017-02-28 2017-08-18 国网江西省电力公司柘林水电厂 一种基于空间信息技术的水库特征曲线提取方法
CN107730527A (zh) * 2017-10-16 2018-02-23 中国科学院遥感与数字地球研究所 一种基于遥感卫星影像的高原地区冰湖提取方法
CN109448016A (zh) * 2018-11-02 2019-03-08 三亚中科遥感研究所 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107063197A (zh) * 2017-02-28 2017-08-18 国网江西省电力公司柘林水电厂 一种基于空间信息技术的水库特征曲线提取方法
CN107730527A (zh) * 2017-10-16 2018-02-23 中国科学院遥感与数字地球研究所 一种基于遥感卫星影像的高原地区冰湖提取方法
CN109448016A (zh) * 2018-11-02 2019-03-08 三亚中科遥感研究所 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
唐少霞等: "《中学地理教学技能》", 31 December 2008, 三环出版社, pages: 242 - 243 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111738144A (zh) * 2020-06-19 2020-10-02 中国水利水电科学研究院 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统
CN111738144B (zh) * 2020-06-19 2021-08-31 中国水利水电科学研究院 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统
CN112435268A (zh) * 2020-11-17 2021-03-02 中国资源卫星应用中心 一种基于多源遥感影像提取过火区域的方法及装置
CN112435268B (zh) * 2020-11-17 2023-12-26 中国资源卫星应用中心 一种基于多源遥感影像提取过火区域的方法及装置
CN112945352A (zh) * 2021-02-03 2021-06-11 成都鼎安华智慧物联网股份有限公司 基于遥感数据水位异常信息的提取方法
CN113378785A (zh) * 2021-07-05 2021-09-10 中煤航测遥感集团有限公司 森林类型识别方法及装置
CN115452759A (zh) * 2022-09-14 2022-12-09 水利部交通运输部国家能源局南京水利科学研究院 一种基于卫星遥感数据的河湖健康指标评价方法及系统
CN115452759B (zh) * 2022-09-14 2023-08-22 水利部交通运输部国家能源局南京水利科学研究院 一种基于卫星遥感数据的河湖健康指标评价方法及系统

Similar Documents

Publication Publication Date Title
CN110738187A (zh) 一种基于Google Earth Engine的湖泊面积动态变化快速遥感估算方法
Khandelwal et al. An approach for global monitoring of surface water extent variations in reservoirs using MODIS data
Hu et al. An automatic approach for land-change detection and land updates based on integrated NDVI timing analysis and the CVAPS method with GEE support
Veh et al. Detecting Himalayan glacial lake outburst floods from Landsat time series
Wei et al. Cloud detection for Landsat imagery by combining the random forest and superpixels extracted via energy-driven sampling segmentation approaches
Estoque et al. Classification and change detection of built-up lands from Landsat-7 ETM+ and Landsat-8 OLI/TIRS imageries: A comparative assessment of various spectral indices
Feyisa et al. Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery
Balaguer et al. Definition of a comprehensive set of texture semivariogram features and their evaluation for object-oriented image classification
Halme et al. Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest
CN108051371B (zh) 一种面向生态环境参量遥感反演的阴影提取方法
Rahman et al. Urban tree damage estimation using airborne laser scanner data and geographic information systems: An example from 2007 Oklahoma ice storm
Corbane et al. Remote sensing of soil surface characteristics from a multiscale classification approach
CN116758049A (zh) 一种基于主被动卫星遥感的城市洪涝立体监测方法
Thompson et al. Applying object-based segmentation in the temporal domain to characterise snow seasonality
Ambinakudige et al. Estimation of area and volume change in the glaciers of the Columbia Icefield, Canada using machine learning algorithms and Landsat images
CN113705441A (zh) 协同多光谱和sar影像的高时空分辨率地表水体提取方法
Haas Soil moisture modelling using TWI and satellite imagery in the Stockholm region
Tesfamichael et al. Combining Akaike's Information Criterion and discrete return LiDAR data to estimate structural attributes of savanna woody vegetation
Beltramone et al. Wet snow detection in Patagonian Andes with Sentinel-1 SAR temporal series analysis in GEE
Silva et al. Geostatistics and remote sensing methods in the classification of images of areas cultivated with citrus
Angelini et al. A review and test of shoreline extraction techniques
Storch et al. Detecting historical terrain anomalies with UAV-LiDAR data using spline-approximation and support vector machines
CN110688990B (zh) 一种水稻种植候选区确定方法
Reiweger et al. Measuring acoustic emissions in an avalanche starting zone to monitor snow stability
Mu et al. Remote detection of varying water storage in relation to surfacial temperature of Aral Sea

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200131