CN111008941B - 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法 - Google Patents
基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法 Download PDFInfo
- Publication number
- CN111008941B CN111008941B CN201911205931.4A CN201911205931A CN111008941B CN 111008941 B CN111008941 B CN 111008941B CN 201911205931 A CN201911205931 A CN 201911205931A CN 111008941 B CN111008941 B CN 111008941B
- Authority
- CN
- China
- Prior art keywords
- image
- module
- remote sensing
- flood
- data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 17
- 238000003702 image correction Methods 0.000 claims abstract description 15
- 230000010365 information processing Effects 0.000 claims abstract description 15
- 238000011161 development Methods 0.000 claims abstract description 7
- 238000001556 precipitation Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000002708 enhancing effect Effects 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T7/13—Edge detection
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
- Image Processing (AREA)
Abstract
本发明属于农业洪涝灾害范围监测技术领域,公开了一种基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法,所述基于高分卫星遥感影像农业洪涝灾害范围监测系统包括:遥感影像采集模块、主控模块、影像校正模块、影像增强模块、影像特征提取模块、灾情信息分析模块、信息处理模块、显示模块。本发明通过影像增强模块可以大大提高采集的遥感影像的清晰度;同时,通过信息处理模块能够将各种信息数据进行处理,提高了多源数据的处理效率和利用率,构建模型提高模型的精度和准确度,利用模型准确提取水体信息,对该河段或支流的洪涝灾情动态发展情况进行监测和初步评估,为流域洪涝灾害提供准确的灾情信息服务奠定了基础。
Description
技术领域
本发明属于农业洪涝灾害范围监测技术领域,尤其涉及一种基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法。
背景技术
洪涝,指因大雨、暴雨或持续降雨使低洼地区淹没、渍水的现象。雨涝主要危害农作物生长,造成作物减产或绝收,破坏农业生产以及其他产业的正常发展。洪涝可分为河流洪水.湖泊湖泊洪水和风暴洪水等。其中河流洪水依照成因不同,又可分为以下几种类型:暴雨洪水、山洪、融雪洪水、冰凌洪水和溃坝洪水。影响最大、最常见的洪涝是河流洪水,尤其是流域内长时间暴雨造成河流水位居高不下而引发堤坝决口,对地区农业发展损害最大。然而,现有基于高分卫星遥感影像农业洪涝灾害范围监测技术监测图像不清晰;同时,不能获取准的洪涝灾情信息。
综上所述,现有技术存在的问题是:
现有基于高分卫星遥感影像农业洪涝灾害范围监测技术监测图像不清晰;同时,不能获取准的洪涝灾情信息。
发明内容
针对现有技术存在的问题,本发明提供了一种基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法。
本发明是这样实现的,一种基于高分卫星遥感影像农业洪涝灾害范围监测方法,所述基于高分卫星遥感影像农业洪涝灾害范围监测方法包括:
第一步,通过遥感影像采集模块利用高分卫星采集农业洪涝灾害范围遥感影像;对获取有薄云的图像信号简化为地物的照射分量和云层的反射分量乘积;对上述两个分量的乘积得到关系式,两边取对数;将取对数模型通过傅里叶变换转换到相应的频域,然后用高通滤波的方法,增强高频,抑制低频,使占据低频成分的云的信息从图像信息中剔除去;再李彤傅里叶逆变换从频域回到空域;将转到空域中的公式作指数变换,在利用滤波器进行过滤;
第二步,主控模块通过影像校正模块利用校正程序对采集的遥感影像进行校正;
第三步,通过影像增强模块利用影像增强程序对采集的遥感影像进行增强处理;
第四步,通过影像特征提取模块利用影像提取程序提取遥感影像中农业洪涝灾害特征信息;
第五步,通过灾情信息分析模块利用分析程序根据提取的特征信息对洪涝灾害进行分析;将获取的灾情卫星图像信息进行数据的分类建立相应的数据库,并且对关于灾情的图像提取相应的特征;将不同的灾情与对应灾情描述进行特征关联,同类型灾害进行细分和归类;然后普根据灾情特征建立对应的数据模型,对灾情的严重程度进行评估;
第六步,通过信息处理模块对农作物洪涝灾情信息进行处理;
第七步,通过显示模块利用显示器显示采集的农业洪涝灾害范围遥感影像及分析结果。
进一步,所述利用影像增强程序对采集的遥感影像进行增强处理方法如下:
1)通过影像增强程序获取待测区域的TMPA3B43v7降水数据、MODIS卫星遥感影像数据以及ASTERGDEM卫星遥感影像数据,同时收集待测区域内地面观测站点的日降水量观测值;其中MODIS卫星遥感影像数据指的是MOD13A2数据产品;
2)数据预处理:将步骤1)获取的TMPATMPA3B43v7降水数据的时间分辨率处理为月;将ASTERGDEM卫星遥感影像数据进行聚合计算分别得到空间分辨率为1km和25km的DEM数据;从MOD13A2数据产品中提取植被指数参量,经过异常值剔除处理后,通过聚合计算分别得到空间分辨率为1km和25km的植被指数数据;
3)进行建模及参数率定:将步骤2)处理后的25kmTMPATMPA3B43v7降水数据作为因变量,以空间分辨率为25km的植被指数和数字高程模型作为自变量进行建模及参数率定;
4)高精度降水数据预测制图:基于步骤3)在25km空间分辨率下建立的模型应用到空间分辨率为1km的环境变量中进行建模预测,从而得到1km的高精度降水数据;同时将空间分辨率为25km的降水残差值进行重采样得到空间分辨率为1km,并将其与空间分辨率为1km地面降水量预测值数据相加,得到空间分辨率为1km的高精度降水数据。
进一步,所述3)中建模所采用的参数估算模型形式为:
其中,N表示参数估算模型中自变量个数;an表示第n个环境变量的系数;a0表示模型参数的常数项系数;yn表示降雨量预测值;xn表示第n个环境变量;
a0和an的计算公式如下:
其中:k代表地面观测站点个数;xin代表第i个地面观测站点的第n个环境变量的值,yi代表的是第i个地面观测站点的日降水量观测值,代表第n个环境变量因子的均值,代表所有地面观测站点的日降水量观测值的均值;
3)中参数率定后的模型为:
Yprecip=-79.42+0.012×Xdem+1921×Xndvi;
其中Yprecip是1km地面降雨预测值,Xdem代表的是1km数字高程模型的栅格值,Xndvi代表的是1km植被指数栅格值。
进一步,所述对农作物洪涝灾情信息进行处理方法如下:
(1)构建遥感数据驱动的流域水文模型,所述构建遥感数据驱动的流域水文模型为:利用获取的遥感数据构建流域水文信息空间数据库,在流域水文信息空间数据库构建的基础上,利用数据规范化处理软件,对数据进行格式转换和插值处理,使得遥感数据和分布式水文模型数据格式相匹配,从而对流域水文模型进行驱动,构建流域水文模型;
(2)利用构建的流域水文模型进行模拟,所述流域水文模型为:
其中:Q为径流量;Pi为第i个像元对应的降雨量;Si为第i个像元的面积;N为计算单元内的像元个数;NDVI为归一化植被指数;Vcov为植被覆盖率;Vrent为植被截留系数;ΔSW为土壤含水量的变化;Δt为时间步长;ET为蒸散发量,α、β分别为用NDVI拟合叶面积指数的系数和常数;
(3)提供流域洪涝灾害灾情信息服务;
所述利用构建的流域水文模型进行模拟为:利用构建的流域水文模型模拟流域内各个断面一定时期内的逐日径流量,统计分析流域内各个断面一定时期内的多年日平均径流量,通过对比分析典型洪灾期各个断面的径流量和多年平均值的关系,确定每个断面当前时期的洪涝风险指数,对洪涝风险指数高的支流水系进行监测,所述洪涝风险指数为:
其中:FRI(t)为当日的洪涝风险指数,t表示当日;Dt为当日的洪水因子;Qt为当日的日径流量;Qavg为当日的多年平均日径流量;Qf为典型洪水年当日的日径流量;
所述提供流域洪涝灾害灾情信息服务为:针对洪涝风险指数高的河段或支流,基于提供的流域的逐日径流量,对河段或支流逐日水体覆盖范围进行动态监测,叠加流域当季的土地覆盖类型及水利工程信息,对该河段或支流的洪涝灾情动态发展情况进行监测和初步评估,为流域洪涝灾害提供灾情信息服务。
进一步,还包括利用数据的不同波段构建改进的增强型归一化差异水指体数MSNDWI,准确提取水体信息,其表达式为:
其中:f(w1)为绿光波段增强函数;f(w2)为中红外波段增强函数;ρ(Green)为绿光波段反射率;ρ(MIR)为中红外波段反射率。
本发明的另一目的在于提供一种实施所述基于高分卫星遥感影像农业洪涝灾害范围监测方法的基于高分卫星遥感影像农业洪涝灾害范围监测系统,所述基于高分卫星遥感影像农业洪涝灾害范围监测系统包括:
遥感影像采集模块,与主控模块连接,用于通过高分卫星采集农业洪涝灾害范围遥感影像;
主控模块,与遥感影像采集模块、影像校正模块、影像增强模块、影像特征提取模块、灾情信息分析模块、信息处理模块、显示模块连接,用于通过主控机控制各个模块正常工作;
影像校正模块,与主控模块连接,用于通过校正程序对采集的遥感影像进行校正;
影像增强模块,与主控模块连接,用于通过影像增强程序对采集的遥感影像进行增强处理;
影像特征提取模块,与主控模块连接,用于通过影像提取程序提取遥感影像中农业洪涝灾害特征信息;
灾情信息分析模块,与主控模块连接,用于通过分析程序根据提取的特征信息对洪涝灾害进行分析;
信息处理模块,与主控模块连接,用于对农作物洪涝灾情信息进行处理;
显示模块,与主控模块连接,用于通过显示器显示采集的农业洪涝灾害范围遥感影像及分析结果。
进一步,所述影像校正模块包括:
图像分析模块,对获取的图像进行分割抽取相应的图像的特征,对图像进行符号化的描述;根据提取的图像特征信息,建立相应的图像对应关系;
图像复原模块,通过增加对比度、去掉模糊和噪声,修正几何畸变等对图像进行增强复原;
图像压缩模块,对处理完成的图像采用模拟处理技术,通过模-数转换进行编码压缩图像的信息量;
颜色处理模块,图像分为灰度图像或者彩色图像,对相对应的图像进行处理。
进一步,所述影像特征提取模块包括:
图像形态滤波处理模块,利用形态滤波方法去除高空间分辨率影响包含的噪声;
图像边缘检测模块,通过利用形态学方法进行影响边缘检测;
图像边界追踪模块,对获取的影像进行边界追踪,提取相应的边界信息;
建立几何图像特征提取模块,建立相应的图像特征提取模型,对图像特征进行提取。
本发明的另一目的在于提供一种所述基于高分卫星遥感影像农业洪涝灾害范围监测方法在农业洪涝灾害范围监测中的应用。
本发明的另一目的在于提供一种应用所述基于高分卫星遥感影像农业洪涝灾害范围监测方法的信息数据处理终端。
本发明的优点及积极效果为:
本发明通过影像增强模块可以大大提高采集的遥感影像的清晰度;同时,通过信息处理模块能够很好地建立遥感数据驱动的流域模拟模型,耦合多源遥感监测数据和流域水文模拟模型,并以流域历史典型洪灾期的数据作为参考,提供流域洪涝灾害灾情信息服务;能够将各种信息数据进行处理,提高了多源数据的处理效率和利用率,构建模型提高模型的精度和准确度,利用模型准确提取水体信息,依据逐日径流量确定洪涝风险相对较高的河段,对风险较高的河段或支流逐日水体覆盖范围进行动态监测,叠加流域当季的土地覆盖类型及水利工程信息,对该河段或支流的洪涝灾情动态发展情况进行监测和初步评估,为流域洪涝灾害提供准确的灾情信息服务奠定了基础。
附图说明
图1是本发明实施例提供的基于高分卫星遥感影像农业洪涝灾害范围监测方法流程图。
图2是本发明实施例提供的基于高分卫星遥感影像农业洪涝灾害范围监测系统结构框图。
图2中:1、遥感影像采集模块;2、主控模块;3、影像校正模块;4、影像增强模块;5、影像特征提取模块;6、灾情信息分析模块;7、信息处理模块;8、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明提供的基于高分卫星遥感影像农业洪涝灾害范围监测方法包括以下步骤:
步骤S101,通过遥感影像采集模块利用高分卫星采集农业洪涝灾害范围遥感影像;
步骤S102,主控模块通过影像校正模块利用校正程序对采集的遥感影像进行校正;
步骤S103,通过影像增强模块利用影像增强程序对采集的遥感影像进行增强处理;
步骤S104,通过影像特征提取模块利用影像提取程序提取遥感影像中农业洪涝灾害特征信息;
步骤S105,通过灾情信息分析模块利用分析程序根据提取的特征信息对洪涝灾害进行分析;
步骤S106,通过信息处理模块对农作物洪涝灾情信息进行处理;
步骤S107,通过显示模块利用显示器显示采集的农业洪涝灾害范围遥感影像及分析结果。
如图2所示,本发明实施例提供的基于高分卫星遥感影像农业洪涝灾害范围监测系统包括:遥感影像采集模块1、主控模块2、影像校正模块3、影像增强模块4、影像特征提取模块5、灾情信息分析模块6、信息处理模块7、显示模块8。
遥感影像采集模块1,与主控模块2连接,用于通过高分卫星采集农业洪涝灾害范围遥感影像;
主控模块2,与遥感影像采集模块1、影像校正模块3、影像增强模块4、影像特征提取模块5、灾情信息分析模块6、信息处理模块7、显示模块8连接,用于通过主控机控制各个模块正常工作;
影像校正模块3,与主控模块2连接,用于通过校正程序对采集的遥感影像进行校正;
影像增强模块4,与主控模块2连接,用于通过影像增强程序对采集的遥感影像进行增强处理;
影像特征提取模块5,与主控模块2连接,用于通过影像提取程序提取遥感影像中农业洪涝灾害特征信息;
灾情信息分析模块6,与主控模块2连接,用于通过分析程序根据提取的特征信息对洪涝灾害进行分析;
信息处理模块7,与主控模块2连接,用于对农作物洪涝灾情信息进行处理;
显示模块8,与主控模块2连接,用于通过显示器显示采集的农业洪涝灾害范围遥感影像及分析结果。
所述与主控模块2连接,用于通过高分卫星采集农业洪涝灾害范围遥感影像的遥感影像采集模块1中对云层的处理方法,具体包括以下步骤:
对获取有薄云的图像信号简化为地物的照射分量和云层的反射分量乘积;对上述两个分量的乘积得到关系式,两边取对数;
将上述的取对数模型通过傅里叶变换转换到相应的频域,然后用高通滤波的方法,增强高频,抑制低频,使占据低频成分的云的信息从图像信息中剔除去;再李彤傅里叶逆变换从频域回到空域;
将转到空域中的公式作指数变换,在利用滤波器进行过滤。
所述的与主控模块2连接,用于通过校正程序对采集的遥感影像进行校正的影像校正模块3包括:
图像分析模块,对获取的图像进行分割抽取相应的图像的特征,对图像进行符号化的描述;根据提取的图像特征信息,建立相应的图像对应关系。
图像复原模块,通过增加对比度、去掉模糊和噪声,修正几何畸变等对图像进行增强复原。
图像压缩模块,对处理完成的图像采用模拟处理技术,通过模-数转换进行编码压缩图像的信息量。
颜色处理模块,图像分为灰度图像或者彩色图像,对相对应的图像进行处理。
所述与主控模块2连接,用于通过影像提取程序提取遥感影像中农业洪涝灾害特征信息的影像特征提取模块5包括:
图像形态滤波处理模块,利用形态滤波方法去除高空间分辨率影响包含的噪声。
图像边缘检测模块,通过利用形态学方法进行影响边缘检测。
图像边界追踪模块,对获取的影像进行边界追踪,提取相应的边界信息。
建立几何图像特征提取模块,建立相应的图像特征提取模型,对图像特征进行提取。
所述与主控模块2连接,用于通过分析程序根据提取的特征信息对洪涝灾害进行分析的灾情信息分析模块6中灾情分析的方法,具体包括:
将获取的灾情卫星图像信息进行数据的分类建立相应的数据库,并且对关于灾情的图像提取相应的特征;
将不同的灾情与对应灾情描述进行特征关联,同类型灾害进行细分和归类;
然后普根据灾情特征建立对应的数据模型,对灾情的严重程度进行评估。
本发明提供的影像增强模块4增强方法如下:
1)通过影像增强程序获取待测区域的TMPA3B43v7降水数据、MODIS卫星遥感影像数据以及ASTERGDEM卫星遥感影像数据,同时收集待测区域内地面观测站点的日降水量观测值;其中MODIS卫星遥感影像数据指的是MOD13A2数据产品;
2)数据预处理:将步骤1)获取的TMPATMPA3B43v7降水数据的时间分辨率处理为月;将ASTERGDEM卫星遥感影像数据进行聚合计算分别得到空间分辨率为1km和25km的DEM数据;从MOD13A2数据产品中提取植被指数参量,经过异常值剔除处理后,通过聚合计算分别得到空间分辨率为1km和25km的植被指数数据;
3)进行建模及参数率定:将步骤2)处理后的25kmTMPATMPA3B43v7降水数据作为因变量,以空间分辨率为25km的植被指数和数字高程模型作为自变量进行建模及参数率定;
4)高精度降水数据预测制图:基于步骤3)在25km空间分辨率下建立的模型应用到空间分辨率为1km的环境变量中进行建模预测,从而得到1km的高精度降水数据;同时将空间分辨率为25km的降水残差值进行重采样得到空间分辨率为1km,并将其与空间分辨率为1km地面降水量预测值数据相加,得到空间分辨率为1km的高精度降水数据;
本发明提供的步骤3)中建模所采用的参数估算模型形式为:
其中,N表示参数估算模型中自变量个数;an表示第n个环境变量的系数;a0表示模型参数的常数项系数;yn表示降雨量预测值;xn表示第n个环境变量;
a0和an的计算公式如下:
其中:k代表地面观测站点个数;xin代表第i个地面观测站点的第n个环境变量的值,yi代表的是第i个地面观测站点的日降水量观测值,代表第n个环境变量因子的均值,代表所有地面观测站点的日降水量观测值的均值;
步骤3)中参数率定后的模型为:
Yprecip=-79.42+0.012×Xdem+1921×Xndvi;A
其中Yprecip是1km地面降雨预测值,Xdem代表的是1km数字高程模型的栅格值,Xndvi代表的是1km植被指数栅格值。
本发明提供的信息处理模块7处理方法如下:
(1)构建遥感数据驱动的流域水文模型,所述构建遥感数据驱动的流域水文模型为:利用获取的遥感数据构建流域水文信息空间数据库,在流域水文信息空间数据库构建的基础上,利用数据规范化处理软件,对数据进行格式转换和插值处理,使得遥感数据和分布式水文模型数据格式相匹配,从而对流域水文模型进行驱动,构建流域水文模型;
(2)利用构建的流域水文模型进行模拟,所述流域水文模型为:
其中:Q为径流量;Pi为第i个像元对应的降雨量;Si为第i个像元的面积;N为计算单元内的像元个数;NDVI为归一化植被指数;Vcov为植被覆盖率;Vrent为植被截留系数;ΔSW为土壤含水量的变化;Δt为时间步长;ET为蒸散发量,α、β分别为用NDVI拟合叶面积指数的系数和常数;
(3)提供流域洪涝灾害灾情信息服务;
所述利用构建的流域水文模型进行模拟为:利用构建的流域水文模型模拟流域内各个断面一定时期内的逐日径流量,统计分析流域内各个断面一定时期内的多年日平均径流量,通过对比分析典型洪灾期各个断面的径流量和多年平均值的关系,确定每个断面当前时期的洪涝风险指数,对洪涝风险指数高的支流水系进行监测,所述洪涝风险指数为:
其中:FRI(t)为当日的洪涝风险指数,t表示当日;Dt为当日的洪水因子;Qt为当日的日径流量;Qavg为当日的多年平均日径流量;Qf为典型洪水年当日的日径流量;
所述提供流域洪涝灾害灾情信息服务为:针对洪涝风险指数高的河段或支流,基于提供的流域的逐日径流量,对河段或支流逐日水体覆盖范围进行动态监测,叠加流域当季的土地覆盖类型及水利工程信息,对该河段或支流的洪涝灾情动态发展情况进行监测和初步评估,为流域洪涝灾害提供灾情信息服务。
本发明提供的处理方法还包括利用数据的不同波段构建改进的增强型归一化差异水指体数MSNDWI,准确提取水体信息,其表达式为:
其中:f(w1)为绿光波段增强函数;f(w2)为中红外波段增强函数;ρ(Green)为绿光波段反射率;ρ(MIR)为中红外波段反射率。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (8)
1.一种基于高分卫星遥感影像农业洪涝灾害范围监测方法,其特征在于,所述基于高分卫星遥感影像农业洪涝灾害范围监测方法包括:
第一步,通过遥感影像采集模块利用高分卫星采集农业洪涝灾害范围遥感影像;对获取有薄云的图像信号简化为地物的照射分量和云层的反射分量乘积;对上述两个分量的乘积得到关系式,两边取对数;将取对数模型通过傅里叶变换转换到相应的频域,然后用高通滤波的方法,增强高频,抑制低频,使占据低频成分的云的信息从图像信息中剔除去;再利用傅里叶逆变换从频域回到空域;将转到空域中的公式作指数变换,在利用滤波器进行过滤;
第二步,主控模块通过影像校正模块利用校正程序对采集的遥感影像进行校正;
第三步,通过影像增强模块利用影像增强程序对采集的遥感影像进行增强处理;
第四步,通过影像特征提取模块利用影像提取程序提取遥感影像中农业洪涝灾害特征信息;
第五步,通过灾情信息分析模块利用分析程序根据提取的特征信息对洪涝灾害进行分析;将获取的灾情卫星图像信息进行数据的分类建立相应的数据库,并且对关于灾情的图像提取相应的特征;将不同的灾情与对应灾情描述进行特征关联,同类型灾害进行细分和归类;然后普根据灾情特征建立对应的数据模型,对灾情的严重程度进行评估;
第六步,通过信息处理模块对农作物洪涝灾情信息进行处理;
第七步,通过显示模块利用显示器显示采集的农业洪涝灾害范围遥感影像及分析结果;
所述利用影像增强程序对采集的遥感影像进行增强处理方法如下:
1)通过影像增强程序获取待测区域的TMPA3B43v7降水数据、MODIS卫星遥感影像数据以及ASTERGDEM卫星遥感影像数据,同时收集待测区域内地面观测站点的日降水量观测值;其中MODIS卫星遥感影像数据指的是MOD13A2数据产品;
2)数据预处理:将步骤1)获取的TMPATMPA3B43v7降水数据的时间分辨率处理为月;将ASTERGDEM卫星遥感影像数据进行聚合计算分别得到空间分辨率为1km和25km的DEM数据;从MOD13A2数据产品中提取植被指数参量,经过异常值剔除处理后,通过聚合计算分别得到空间分辨率为1km和25km的植被指数数据;
3)进行建模及参数率定:将步骤2)处理后的25kmTMPATMPA3B43v7降水数据作为因变量,以空间分辨率为25km的植被指数和数字高程模型作为自变量进行建模及参数率定;
4)高精度降水数据预测制图:基于步骤3)在25km空间分辨率下建立的模型应用到空间分辨率为1km的环境变量中进行建模预测,从而得到1km的高精度降水数据;同时将空间分辨率为25km的降水残差值进行重采样得到空间分辨率为1km,并将其与空间分辨率为1km地面降水量预测值数据相加,得到空间分辨率为1km的高精度降水数据。
2.如权利要求1所述的基于高分卫星遥感影像农业洪涝灾害范围监测方法,其特征在于,所述3)中建模所采用的参数估算模型形式为:
其中,N表示参数估算模型中自变量个数;an表示第n个环境变量的系数;a0表示模型参数的常数项系数;yn表示降雨量预测值;xn表示第n个环境变量;
a0和an的计算公式如下:
其中:k代表地面观测站点个数;xin代表第i个地面观测站点的第n个环境变量的值,yi代表的是第i个地面观测站点的日降水量观测值,代表第n个环境变量因子的均值,代表所有地面观测站点的日降水量观测值的均值;
3)中参数率定后的模型为:
Yprecip=-79.42+0.012×Xdem+1921×Xndvi;
其中Yprecip是1km地面降雨预测值,Xdem代表的是1km数字高程模型的栅格值,Xndvi代表的是1km植被指数栅格值。
3.如权利要求1所述的基于高分卫星遥感影像农业洪涝灾害范围监测方法,其特征在于,所述对农作物洪涝灾情信息进行处理方法如下:
(1)构建遥感数据驱动的流域水文模型,所述构建遥感数据驱动的流域水文模型为:利用获取的遥感数据构建流域水文信息空间数据库,在流域水文信息空间数据库构建的基础上,利用数据规范化处理软件,对数据进行格式转换和插值处理,使得遥感数据和分布式水文模型数据格式相匹配,从而对流域水文模型进行驱动,构建流域水文模型;
(2)利用构建的流域水文模型进行模拟,所述流域水文模型为:
其中:Q为径流量;Pi为第i个像元对应的降雨量;Si为第i个像元的面积;N为计算单元内的像元个数;NDVI为归一化植被指数;Vcov为植被覆盖率;Vrent为植被截留系数;ΔSW为土壤含水量的变化;Δt为时间步长;ET为蒸散发量,α、β分别为用NDVI拟合叶面积指数的系数和常数;
(3)提供流域洪涝灾害灾情信息服务;
所述利用构建的流域水文模型进行模拟为:利用构建的流域水文模型模拟流域内各个断面一定时期内的逐日径流量,统计分析流域内各个断面一定时期内的多年日平均径流量,通过对比分析典型洪灾期各个断面的径流量和多年平均值的关系,确定每个断面当前时期的洪涝风险指数,对洪涝风险指数高的支流水系进行监测,所述洪涝风险指数为:
其中:FRI(t)为当日的洪涝风险指数,t表示当日;Dt为当日的洪水因子;Qt为当日的日径流量;Qavg为当日的多年平均日径流量;Qf为典型洪水年当日的日径流量;
所述提供流域洪涝灾害灾情信息服务为:针对洪涝风险指数高的河段或支流,基于提供的流域的逐日径流量,对河段或支流逐日水体覆盖范围进行动态监测,叠加流域当季的土地覆盖类型及水利工程信息,对该河段或支流的洪涝灾情动态发展情况进行监测和初步评估,为流域洪涝灾害提供灾情信息服务。
4.如权利要求3所述的基于高分卫星遥感影像农业洪涝灾害范围监测方法,其特征在于,还包括利用数据的不同波段构建改进的增强型归一化差异水指体数MSNDWI,准确提取水体信息,其表达式为:
其中:f(w1)为绿光波段增强函数;f(w2)为中红外波段增强函数;ρ(Green)为绿光波段反射率;ρ(MIR)为中红外波段反射率。
5.一种实施权利要求1~4任意一项所述基于高分卫星遥感影像农业洪涝灾害范围监测方法的基于高分卫星遥感影像农业洪涝灾害范围监测系统,其特征在于,所述基于高分卫星遥感影像农业洪涝灾害范围监测系统包括:
遥感影像采集模块,与主控模块连接,用于通过高分卫星采集农业洪涝灾害范围遥感影像;
主控模块,与遥感影像采集模块、影像校正模块、影像增强模块、影像特征提取模块、灾情信息分析模块、信息处理模块、显示模块连接,用于通过主控机控制各个模块正常工作;
影像校正模块,与主控模块连接,用于通过校正程序对采集的遥感影像进行校正;
影像增强模块,与主控模块连接,用于通过影像增强程序对采集的遥感影像进行增强处理;
影像特征提取模块,与主控模块连接,用于通过影像提取程序提取遥感影像中农业洪涝灾害特征信息;
灾情信息分析模块,与主控模块连接,用于通过分析程序根据提取的特征信息对洪涝灾害进行分析;
信息处理模块,与主控模块连接,用于对农作物洪涝灾情信息进行处理;
显示模块,与主控模块连接,用于通过显示器显示采集的农业洪涝灾害范围遥感影像及分析结果。
6.如权利要求5所述的基于高分卫星遥感影像农业洪涝灾害范围监测系统,其特征在于,所述影像校正模块包括:
图像分析模块,对获取的图像进行分割抽取相应的图像的特征,对图像进行符号化的描述;根据提取的图像特征信息,建立相应的图像对应关系;
图像复原模块,通过增加对比度、去掉模糊和噪声,修正几何畸变等对图像进行增强复原;
图像压缩模块,对处理完成的图像采用模拟处理技术,通过模-数转换进行编码压缩图像的信息量;
颜色处理模块,图像分为灰度图像或者彩色图像,对相对应的图像进行处理。
7.如权利要求5所述的基于高分卫星遥感影像农业洪涝灾害范围监测系统,其特征在于,所述影像特征提取模块包括:
图像形态滤波处理模块,利用形态滤波方法去除高空间分辨率影响包含的噪声;
图像边缘检测模块,通过利用形态学方法进行影响边缘检测;
图像边界追踪模块,对获取的影像进行边界追踪,提取相应的边界信息;
建立几何图像特征提取模块,建立相应的图像特征提取模型,对图像特征进行提取。
8.一种应用权利要求1~4任意一项所述基于高分卫星遥感影像农业洪涝灾害范围监测方法的信息数据处理终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911205931.4A CN111008941B (zh) | 2019-11-29 | 2019-11-29 | 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911205931.4A CN111008941B (zh) | 2019-11-29 | 2019-11-29 | 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008941A CN111008941A (zh) | 2020-04-14 |
CN111008941B true CN111008941B (zh) | 2023-10-24 |
Family
ID=70112290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911205931.4A Active CN111008941B (zh) | 2019-11-29 | 2019-11-29 | 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008941B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111536945A (zh) * | 2020-04-16 | 2020-08-14 | 中国地质科学院水文地质环境地质研究所 | 基于连续纤维复合型材的地面形变监测系统及监测方法 |
CN111932591B (zh) * | 2020-08-18 | 2022-10-21 | 中国科学院空天信息创新研究院 | 典型地质灾害遥感智能提取的方法与系统 |
CN112529828B (zh) * | 2020-12-25 | 2023-01-31 | 西北大学 | 参考数据非敏感的遥感影像时空融合模型构建方法 |
CN112883251B (zh) * | 2021-01-09 | 2023-01-10 | 重庆市农业科学院 | 一种基于多星联合的农业辅助系统 |
CN113254861B (zh) * | 2021-06-23 | 2021-09-24 | 中山大学 | 无资料地区水文模型参数率定方法、装置和终端设备 |
CN113591714A (zh) * | 2021-07-30 | 2021-11-02 | 金陵科技学院 | 一种基于卫星遥感图像洪涝检测方法 |
CN113610009A (zh) * | 2021-08-10 | 2021-11-05 | 北京科技大学天津学院 | 一种洪涝灾害无人机影像信息提取系统 |
CN113919806B (zh) * | 2021-10-11 | 2022-07-19 | 昆仑(重庆)河湖生态研究院(有限合伙) | 一种防洪救灾管理系统 |
CN114998213B (zh) * | 2022-04-29 | 2024-04-26 | 武汉大学 | 一种基于径流权值模型的湖库群滞洪量计算方法 |
CN115830806B (zh) * | 2022-11-11 | 2024-05-03 | 河海大学 | 基于高分遥感的自然灾害情况分析系统 |
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 |
CN116843177A (zh) * | 2023-06-05 | 2023-10-03 | 山东弈铭信息科技有限公司 | 一种基于数据集的状态分析方法及系统 |
CN116567187B (zh) * | 2023-07-10 | 2023-09-26 | 江苏省地质调查研究院 | 一种遥感影像实时传输及显示的方法和装置 |
CN116629459B (zh) * | 2023-07-24 | 2024-01-19 | 长江三峡集团实业发展(北京)有限公司 | 一种基于遥感和降水对水域淹没范围进行预测的方法 |
CN116665066A (zh) * | 2023-07-31 | 2023-08-29 | 平安科技(深圳)有限公司 | 遥感数据处理方法、平台、计算机设备和可读存储介质 |
CN117195603B (zh) * | 2023-11-07 | 2024-01-12 | 北京四象爱数科技有限公司 | 基于高分辨率遥感要素的洪涝灾害推演方法、设备及介质 |
CN117853909B (zh) * | 2024-01-08 | 2024-06-04 | 湖南省水利水电科学研究院 | 基于卫星遥感影像的洪涝灾害范围监测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
CN106872956A (zh) * | 2017-02-28 | 2017-06-20 | 民政部国家减灾中心 | 洪涝灾害范围提取方法及系统 |
CN110059890A (zh) * | 2019-04-26 | 2019-07-26 | 北京观微科技有限公司 | 县域尺度农业洪涝监测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295576B (zh) * | 2016-08-12 | 2017-12-12 | 中国水利水电科学研究院 | 一种基于自然地理特征的水源类型解析方法 |
-
2019
- 2019-11-29 CN CN201911205931.4A patent/CN111008941B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
CN106872956A (zh) * | 2017-02-28 | 2017-06-20 | 民政部国家减灾中心 | 洪涝灾害范围提取方法及系统 |
CN110059890A (zh) * | 2019-04-26 | 2019-07-26 | 北京观微科技有限公司 | 县域尺度农业洪涝监测方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于高分一号影像的武汉市洪涝遥感监测与分析;张丽文;梁益同;李兰;;气象科技进展(05);第51-57页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111008941A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008941B (zh) | 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法 | |
Cian et al. | Normalized Difference Flood Index for rapid flood mapping: Taking advantage of EO big data | |
Chen et al. | Monitoring of soil moisture variability in relation to rice cropping systems in the Vietnamese Mekong Delta using MODIS data | |
Chen et al. | Hydraulic correction method (HCM) to enhance the efficiency of SRTM DEM in flood modeling | |
CN113988626B (zh) | 一种矿区生态环境遥感综合评价指数实现方法 | |
CN110929946A (zh) | 基于地表水文过程的农业洪涝灾害监测预报系统及方法 | |
Sehgal et al. | Stratified drought analysis using a stochastic ensemble of simulated and in-situ soil moisture observations | |
CN101114023A (zh) | 一种基于模型的湖泊湿地泛洪遥感监测方法 | |
Greifeneder et al. | Suitability of SAR imagery for automatic flood mapping in the Lower Mekong Basin | |
CN113567981B (zh) | 一种基于sar影像的洪涝风险区自动提取方法 | |
Ahmad et al. | Estimation of flow in various sizes of streams using the Sentinel-1 Synthetic Aperture Radar (SAR) data in Han River Basin, Korea | |
CN111695088A (zh) | 卫星降水空间降尺度最优回归窗口筛选方法与装置 | |
Maynard et al. | Effect of spatial image support in detecting long-term vegetation change from satellite time-series | |
CN114998213B (zh) | 一种基于径流权值模型的湖库群滞洪量计算方法 | |
CN115907574B (zh) | 一种流域性暴雨洪涝承灾体重置成本遥感模拟方法 | |
Pang et al. | Pixel-level rice planting information monitoring in Fujin City based on time-series SAR imagery | |
Hadjimitsis et al. | Determination of turbidity in Kourris Dam in Cyprus utilizing Landsat TM remotely sensed data | |
Awadallah et al. | Estimating flooding extent at high return period for ungauged braided systems using remote sensing: a case study of Cuvelai Basin, Angola | |
Kalinga et al. | Semi‐distributed modelling of basin hydrology with radar and gauged precipitation | |
Hadjimitsis et al. | Use of space technology for assisting water quality assessment and monitoring of inland water bodies | |
CN110633674B (zh) | 一种基于遥感影像与降雨监测数据的雨水去向不确定性分析方法及系统 | |
Banerjee et al. | Crop insurance model to consolidate academia-industry cooperation: a case study over Assam, India | |
Tarpanelli et al. | River discharge estimation through MODIS data | |
CN111179185A (zh) | 一种基于云腌膜和msr的遥感影像色彩纠正方法及系统 | |
Ozkaya et al. | Analyzing radar rainfall estimate errors with three vector norms: application to weather radar rainfall data in Muğla, Turkey |
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 |