CN111046613B - 基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法 - Google Patents

基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法 Download PDF

Info

Publication number
CN111046613B
CN111046613B CN201910130473.6A CN201910130473A CN111046613B CN 111046613 B CN111046613 B CN 111046613B CN 201910130473 A CN201910130473 A CN 201910130473A CN 111046613 B CN111046613 B CN 111046613B
Authority
CN
China
Prior art keywords
river
mpi
remote sensing
cost
method based
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
CN201910130473.6A
Other languages
English (en)
Other versions
CN111046613A (zh
Inventor
陈会丽
刘永
梁中耀
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.)
Peking University
Original Assignee
Peking University
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 Peking University filed Critical Peking University
Priority to CN201910130473.6A priority Critical patent/CN111046613B/zh
Publication of CN111046613A publication Critical patent/CN111046613A/zh
Application granted granted Critical
Publication of CN111046613B publication Critical patent/CN111046613B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法，所述的基于路径追踪的最佳河道计算方法，包括以下步骤，1)根据目标区域的水面出现频率图计算成本分数图像Cost；2)设定河道的起点S点和终点G点；3)迭代计算最佳河道。有益效果为：1)综合处理历年遥感图像，可获取多水文状态下的河流水面信息，为提取河网提供全面、完整的信息源。2)创建和使用随机森林模型，实现快速、批量处理大空间尺度内的遥感水面信息的高精度提取。3)设计寻找最佳河道的计算方法，检测河流中心线像素，并矢量化出高精度且完全连通的河流网络。

Description

基于路径追踪的最佳河道计算方法及基于多时相遥感影像的 河网提取方法
技术领域
本发明属于遥感应用技术与水文学技术技术领域，具体涉及一种基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法。
背景技术
河网的精准刻画对洪水风险管理、水资源管理、地貌演化以及全球生物地球化学循环等具有重要意义。尽管数字化的河网具有极强的应用价值和重要性，但目前对河道的实地测站数量很少、分布稀疏，且未覆盖全球的大部分地区。传统上，人们可借助地形图、航片或卫星影像手动勾画河网。尽管手动提取的河网精度较高，但须耗费大量人力，因此不适用于大尺度的研究区域。所以人们开始研究如何借助相关数据和手段自动提取河网。目前，研究和应用最多的方法是从数字高程模型(DEM)中自动描绘河网。
基于DEM的河网提取方法是以景观尺度上的地貌、水文和水动力之间的相互物理作用机制为基础，通过对这些物理机制的简化和应用，获取相关的地形属性和经验规则以构建水文特征要素，比如河网。基于DEM提取河网的方法在山区表现良好，因为山区的水文特征要素，如河岸、山峰和山脊线等，易于通过地形信息识别；而基于DEM的方法在平坦地区提取河网的准确性和效率不尽如人意，仍面临十分大的挑战。已持续有研究指出从DEM中提取平坦地区河网面临的问题，包括缺失真实河段和创建虚假河网，如生成不符合实际的平行河流和不自然的直线或棱角河网。除此以外，基于DEM的方法的另一个限制是它们严重依赖于由高程属性定义的地形形态，而无法确保由地形形态提取的河段就是有稳定水流经过的河流。因此，这些方法可能会提取出一些多余的虚假源头河流。更重要的是，由于水文条件变化、气候变化以及人类活动影响，河网可以在短时间内发生较大变化，比如人为修建一条河道，而DEM的有限可用性通常很难捕捉到河网时空变化信息。
与此同时，遥感影像能够以高的时空分辨率提供连续的全球覆被监测。遥感影像可以监测地表水体的时空变化。已有研究表明了基于遥感影像提取河网的潜力和效率(如：Allen,G.H.,&Pavelsky,T.M.(2018).Global extent of rivers and streams.Science,361(6402),585-588.)。基于遥感影像提取河网的方法主要以通过波段或指数阈值法提取地表水体为基础数据，借助数学形态学方法，如图像细化算法，将栅格化的水面逐渐变薄，最终创建出一个像素宽的河流中心线。但是，数学形态学方法通常仅考虑局部区域水面的形态特征，不考虑河网整体的水文连通性，因此会产生一些不连通和不连续的河段(Cazorzi,F.,Fontana,G.D.,Luca,A.D.,Sofia,G.,&Tarolli,P.(2013).Drainagenetwork detection and assessment of network storage capacity in agrarianlandscape.Hydrological Processes,27(4),541-553.)。显然，这与真实的具有较强水文连通性的河网不符。鉴于连通的河网对于需要在河段之间进行精确拓扑连接的水文应用的重要性，亟需进一步研究探索如何建立完全连通的河网。
河流水体具有极强的动态特征，如河流边界会前进和后退、河流可能会蜿蜒或干涸。在丰水期，由于间歇性河流得到补给，流域内整体河网密度会增加很多倍。虽然遥感影像具有监测河流水体动态变化的能力，但以往的基于遥感影像提取河网的研究并未考虑水面的动态变化对河网提取的影响，这可能会导致同一地区由于选择的影像获取时间对应的水文状态的不同，而生成不同的河网水系。此外，由季节性洪水和农业灌溉会产生大量的临时性水体(如洪泛平原、湿地、水田)(Pekel,J.F.,Cottam,A.,Gorelick,N.,&Belward,A.S.(2016).High-resolution mapping of global surface water and its long-termchanges.Nature,540(7633),418-422.)，而此前研究并未区分永久性水体和临时性水体，由此可能导致提取的河网出现位置偏差和虚假河段。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于路径追踪的最佳河道计算方法，借助河道的起止点信息，实现了对流域内部完整、真实的河网的自动提取。
同时本发明还公开了一种基于多时相遥感影像的河网提取方法，可兼顾河流水面的时空变化，并有效排除临时性水体的干扰，保证提取的河网具有较高的位置精度且完全连通。
本发明是通过以下技术方案实现的：
一种基于路径追踪的最佳河道计算方法，包括以下步骤，
1)根据目标区域的水面出现频率图计算成本分数图像Cost；
2)设定河道的起点S点和终点G点；
3)迭代计算最佳河道；
31)设定路径图，路径图中像元的值代表水流从起点S处流至当前像元所路经的每个像元的成本分数的累积成本值；
32)为第一副路径图MPI1的每个像元赋值为无穷大，并设第二副路径图MPI2＝MPI1，将MPI2的起点S点像元赋值为其在Cost上的取值；
33)比较第k+1副路径图MPIk+1、第k副路径图MPIk，k为迭代次数，k>＝1，提取两者取值不同的像素，形成集合D；
34)对于集合D中的每个像素PD，检查其每个邻域像素PA，结合第k+1副路径图MPIk+1和Cost计算k+2幅路径图中PA点的累积成本并赋值，
35)设第k+2副路径图MPIk+2＝min(MPIk+2,MPIk+1)；
36)重复步骤33)到35)，直到当前路径图MPI等于前一步的路径图MPI；
37)追踪当前的MPI获得最低累积成本路径，即获得最佳河道。
在上述技术方案中，所述的步骤34)中累计成本值计算方法为：MPIk+2(PA)＝MPIk+1(PD)+b*Cost(PA)，其中若PA位于PD的水平或垂直方向，则b＝1,若PA位于PD的对角方向，则
Figure BDA0001975134300000031
在上述技术方案中，水面出现频率图中水面出现频率Wf的计算公式为
Figure BDA0001975134300000032
其中Wi,j为像素i在第j副遥感影像上的水体分类结果，Ni为像素i处的总的遥感有效观测次数。
在上述技术方案中，成本分数图像Cost中成本分数值的计算公式为Costi＝(100％-Wfi)a，其中Costi为像素i的成本分数值，Wfi为像素i的水面出现频率，a为大于1的常数。
在上述技术方案中，所述的起点为一个，终点为多个，在所述的步骤37)中反向追踪当前的MPI以获得从终点G到起点S的最低累积成本路径。
一种基于多时相遥感影像的河网提取方法，包括以下步骤，
步骤一，收集目标区域的历年遥感影像，并对影像进行预处理；
步骤二，分析遥感影像，得到目标区域内水体分类结果分布图；
步骤三，进行最佳河道计算。
在上述技术方案中，所述的步骤三为所述的基于路径追踪的最佳河道计算方法。
在上述技术方案中，所述的步骤一中以Landsat影像数据为遥感数据源，选择图像清晰、色调均匀的影像，其中云层覆盖率小于10％；将同一地区不同时相的影像进行几何配准，实现多时相影像同名像元在空间上能够完全叠合。
在上述技术方案中，所述的步骤二中采用随机森林分类模型进行分析，所述的随机森林分类模型的构建步骤为：
a.选取遥感影像的反射率、亮度温度、以及广泛使用植被指数和水体指数作为分类特征变量；
b.在遥感影像上提取水体和非水体训练样本，并计算每个训练样本的特征变量值；
c.特征变量值作为输入变量，对应的水体和非水体类别作为输出变量，利用训练样本构建随机森林分类模型。
在上述技术方案中，选取的特征变量包括Landsat影像各多光谱波段的反射率、热红外波段的亮度温度、归一化植被指数(NDVI)、增强型植被指数(EVI)、归一化水体指数(NDWI)、改进的归一化水体(MNDWI)、归一化湿度指数(NDMI)，随机森林分类模型相关参数设置为：500颗分类树，2/3的训练数据可以有放回的进行选择。随机森林模型通过自助法(Bootstrap)重采样技术随机选择样本和特征变量，随机构建多个基决策树，树与树之间是相互独立的；每棵基决策树都会预测一个分类结果，随机森林的最终输出结果为所有基决策树分类结果中最多的类别。
本发明的优点和有益效果为：
1)综合处理历年遥感图像，可获取多水文状态下的河流水面信息，为提取河网提供全面、完整的信息源。
2)创建和使用随机森林模型，实现快速、批量处理大空间尺度内的遥感水面信息的高精度提取。
3)设计寻找最佳河道的计算方法，检测河流中心线像素，并矢量化出高精度且完全连通的河流网络。
附图说明
图1为本发明提取河网流程图；
图2为随机森林分类模型概念图；
图3为寻找最佳河道的优化算法具体案例示意图。
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，可以根据以上附图获得其他的相关附图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合具体实施例进一步说明本发明的技术方案。
实施例一
一种基于路径追踪的最佳河道计算方法，包括以下步骤，
1)综合目标区域的多水文状态计算其水面出现频率图；即根据目标区域的水面出现频率图计算成本分数图像Cost；水文状态包括水体或非水体；
2)设定河道的起点S点和终点G点；如，借助Google Earth的高分辨率遥感影像(<1m)，获取每条河流的出口点(起点S)和源头点(终点G)的精确空间坐标并对应在目标区域中设定；
3)迭代计算最佳河道；具体包括如下，
31)设定路径图，路径图中像元的值代表水流从起点S处流至当前像元所路经的每个像元的成本分数的累积成本值；
32)为第一副路径图MPI1的每个像元赋值为无穷大，并设第二副路径图MPI2＝MPI1，将MPI2的起点S点像元赋值为其在Cost上的取值；
33)比较第k+1副路径图MPIk+1、第k副路径图MPIk，k为迭代次数，k>＝1，提取两者取值不同的像素，形成集合D；
34)对于集合D中的每个像素PD，检查其每个邻域像素PA，结合第k+1副路径图MPIk+1和Cost计算k+2幅路径图中PA点的累积成本并赋值，
35)设第k+2副路径图MPIk+2＝min(MPIk+2,MPIk+1)；即将两个路径图对应像元的值比对并取小；
36)重复步骤33)到35)，直到当前路径图MPI等于前一步的路径图MPI；
37)根据起点和重点追踪当前的MPI获得最低累积成本路径，即获得最佳河道。即，检测河流中心线像素，并描绘出高精度且完全连通的河流网络。
其中，水面出现频率图中水面出现频率Wf的计算公式为
Figure BDA0001975134300000051
其中Wi,j为像素i在第j副遥感影像上的水体分类结果，Ni为像素i处的总的遥感有效观测次数；此处成本分数表示，若一个像素处的水面出现频率越高，它位于河流中心线上的概率越大，则河流中心线穿越该像素的成本值越小。成本分数图像Cost中成本分数值的计算公式为Costi＝(100％-Wfi)a，其中Costi为像素i的成本分数值，Wfi为像素i的水面出现频率，a为大于1的常数，如a＝2。此处取a>1的指数函数，目的是增大水面出现频率为0或非常低的像素(代表陆地或者临时性水体(如湿地、水田等))处的成本值，抑制河流中心线经过这些像素。
其中，所述的步骤34)中累计成本值计算方法为：MPIk+2(PA)＝MPIk+1(PD)+b*Cost(PA)，其中若PA位于PD的水平或垂直方向，则b＝1,若PA位于PD的对角方向，则
Figure BDA0001975134300000052
优选地，所述的起点为一个，终点为多个，在所述的步骤37)中反向追踪当前的MPI以获得从终点G到起点S的最低累积成本路径。起点是流域出口点，终点是流域源头点。现在起点有1个，终点有多个，如3-5个。针对每个终点，反向追踪可以很快找到指向起点的唯一路径；正向追踪很麻烦，是一对多的关系，很难判断。
本发明的最佳河道计算方法，在高效检测出河流中心线像素的情况下，矢量化出高精度河流网络，可以保证提取的河网具有完整的连通性。而且具有易用性的特点，寻找最佳河道的优化算法在获取河道的起止点位置后，无需其它辅助信息和人工干预，计算速度快，可自动化处理。同时，综合利用多水文状态下的水面信息，兼顾考虑了河流水面的时空变化以及临时性水体的干扰，可以保证提取的河网具有更高的位置精度。
实施例二
本实施例公开了基于多时相遥感影像的河网提取方法，包括以下步骤，
步骤一，收集目标区域的历年遥感影像，并对影像进行预处理；
步骤二，分析遥感影像，得到目标区域内水体分类结果分布图；即进行水体判别，得到目标区域每副影像内水体时空空间分布图，进而便于后期获得目标区域的水面出现频率图；
步骤三，进行最佳河道计算。该步骤优选为所述的基于路径追踪的最佳河道计算方法。
其中，考虑到Landsat影像不仅具有免费的长时间序列数据，而且具有较高的时空分辨率，适合多水文状态下水面信息的提取。从USGS/EROS(http://landsat.usgs.gov/)下载目标区域历年的1级地形校正(L1T)数据，L1T数据是利用地面控制点和DEM进行几何精校正后的影像数据。鉴于云影与水体相似的光谱反射特性，云影的存在很容易导致错误的水体分类，因此选择图像清晰、色调均匀的影像，云层覆盖率较低(<10％)的Landsat影像。一般取10年的数据，每年选取2～3景。然后将同一地区不同时相的影像进行几何配准，实现多时相影像同名像元在空间上能够完全叠合。
本发明综合利用多水文状态下的水面信息，兼顾考虑了河流水面的时空变化以及临时性水体的干扰，可以保证提取的河网具有更高的位置精度。
其中，所述的步骤二中采用随机森林分类模型进行分析，利用随机森林分类模型进行对每副遥感影像分类，判别水体与非水体，所述的随机森林分类模型的构建步骤为：
a.选取遥感影像的反射率、亮度温度、以及广泛使用植被指数和水体指数作为分类特征变量；
b.在遥感影像上提取水体和非水体训练样本，并计算每个训练样本的特征变量值；
c.特征变量值作为输入变量，对应的水体和非水体类别作为输出变量，利用训练样本构建随机森林分类模型。
具体地，选取的特征变量包括12个变量，如Landsat影像6个光谱波段的反射率、热红外波段的亮度温度、具体计算过程公式可参见文献Chander,G.,Markham,B.L.,&Helder,D.L.(2009).Summary of current radiometric calibration coefficients forLandsat MSS,TM,ETM+,and EO-1ALI sensors.Remote Sensing of Environment,113(5),893-903，本发明不予撰述。
广泛使用的植被指数，包括归一化植被指数(NDVI)和增强型植被指数(EVI)，归一化植被指数NDVI的计算公式为
Figure BDA0001975134300000071
其中ρnir为遥感影像的近红外波段的反射率值，ρred为遥感影像的红色波段的反射率值；增强型植被指数EVI的计算公式为
Figure BDA0001975134300000072
其中ρnir为遥感影像的近红外波段的反射率值，ρred为遥感影像的红色波段的反射率值，ρblue为遥感影像的蓝色波段的反射率值。
广泛使用的水体指数，包括归一化水体指数(NDWI)、改进的归一化水体(MNDWI)、归一化湿度指数(NDMI)，归一化水体指数NDWI的计算公式为
Figure BDA0001975134300000073
其中ρgreen为遥感影像的绿色波段的反射率值，ρnir为遥感影像的近红外波段的反射率值；改进的归一化水体MNDWI的计算公式为
Figure BDA0001975134300000074
其中ρgreen为遥感影像的绿色波段的反射率值，ρmir为遥感影像的中红外波段的反射率值；归一化湿度指数NDMI的计算公式为
Figure BDA0001975134300000075
其中ρnir为遥感影像的近红外波段的反射率值，ρmir为遥感影像的中红外波段的反射率值。训练样本的提取。从收集到的Landsat影像上提取水体和非水体训练样本，提取水体样本的过程中需考虑干湿年份以及季节性对水体光谱反射信号的影响，并尽量涵盖目标区域内所有水体类型(如河流、湖泊、水库、水田、湿地等)。然后计算特征变量值。利用Matlab计算每个训练样本的12个特征变量的取值。
构建随机森林分类模型。利用R的中的“randomForest”包，特征变量作为输入变量，对应的水体和非水体类别作为输出变量，建立目标区域的随机森林模型。随机森林分类模型相关参数设置为：500颗分类树，2/3的训练数据可以有放回的进行选择。随机森林模型通过自助法(Bootstrap)重采样技术随机选择样本和特征变量，随机构建多个基决策树，树与树之间是相互独立的。每棵基决策树都会预测一个分类结果，随机森林的最终输出结果为所有基决策树分类结果中最多的类别，随机森林分类模型概念图见图2。
与传统决策树相比，随机森林模型更易于挖掘数据规则和具有更强的泛化能力。此外，随机森林模型具有预测准确率高、训练速度快、非参数化、不易出现过度拟合等优势。基于一组特征变量建立随机森林分类模型，可更好地考虑水体的光谱反射信号的区域和时像差异，方便获取大尺度流域水体的时空动态信息，进而使本发明设计的方法体系能够适应在大尺度流域的河网提取。
综上，本发明的有益效果在于：
1)综合处理历年遥感图像，可获取多水文状态下的河流水面信息，为提取河网提供全面、完整的信息源。
2)创建和使用随机森林模型，实现快速、批量处理大空间尺度内的遥感水面信息的高精度提取。
3)设计寻找最佳河道的计算方法，检测河流中心线像素，并矢量化出高精度且完全连通的河流网络。
其中，尤其是寻找最佳河道的计算方法，借助河道的起止点信息，实现了对流域内部完整、真实的河网的自动提取；综合利用多水文状态下的水面信息，可兼顾河流水面的时空变化，并有效排除临时性水体的干扰，保证提取的河网具有较高的位置精度。能够克服基于DEM提取平原地区河网精度不高，以及基于遥感影像提取的河网无法保持其水文连通性等问题，可生成精度高、连通性和完整性强的河流网络。
为了易于说明，实施例中使用了诸如“上”、“下”、“左”、“右”等空间相对术语，用于说明图中示出的一个元件或特征相对于另一个元件或特征的关系。应该理解的是，除了图中示出的方位之外，空间术语意在于包括装置在使用或操作中的不同方位。例如，如果图中的装置被倒置，被叙述为位于其他元件或特征“下”的元件将定位在其他元件或特征“上”。因此，示例性术语“下”可以包含上和下方位两者。装置可以以其他方式定位(旋转90度或位于其他方位)，这里所用的空间相对说明可相应地解释。
而且，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个与另一个具有相同名称的部件区分开来，而不一定要求或者暗示这些部件之间存在任何这种实际的关系或者顺序。
以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。

Claims (7)

1.一种基于路径追踪的最佳河道计算方法，其特征在于：包括以下步骤，
1)根据目标区域的水面出现频率图计算成本分数图像Cost，水面出现频率图中水面出现频率Wf的计算公式为
Figure FDA0003112995180000011
其中Wi，j为像素i在第j副遥感影像上的水体分类结果，Ni为像素i处的总的遥感有效观测次数，成本分数图像Cost中成本分数值的计算公式为Costi＝(100％-Wfi)a，其中Costi为像素i的成本分数值，Wfi为像素i的水面出现频率，a为大于1的常数；
2)设定河道的起点S点和终点G点；
3)迭代计算最佳河道；
31)设定路径图，路径图中像元的值代表水流从起点S处流至当前像元所路经的每个像元的成本分数的累积成本值；
32)为第一副路径图MPI1的每个像元赋值为无穷大，并设第二副路径图MPI2＝MPI1，将MPI2的起点S点像元赋值为其在Cost上的取值；
33)比较第k+1副路径图MPIk+1、第k副路径图MPIk，k为迭代次数，k＞＝1，提取两者取值不同的像素，形成集合D；
34)对于集合D中的每个像素PD，检查其每个邻域像素PA，结合第k+1副路径图MPIk+1和Cost计算k+2幅路径图中PA点的累积成本并赋值，
35)设第k+2副路径图MPIk+2＝min(MPIk+2，MPIk+1)；
36)重复步骤33)到35)，直到当前路径图MPI等于前一步的路径图MPI；
37)追踪当前的MPI获得最低累积成本路径，即获得最佳河道。
2.如权利要求1所述的基于路径追踪的最佳河道计算方法，其特征在于：所述的步骤34)中累计成本值计算方法为：MPIk+2(PA)＝MPIk+1(PD)+b*Cost(PA)，其中若PA位于PD的水平或垂直方向，则b＝1，若PA位于PD的对角方向，则
Figure FDA0003112995180000012
3.如权利要求1所述的基于路径追踪的最佳河道计算方法，其特征在于：所述的起点为一个，终点为多个，在所述的步骤37)中反向追踪当前的MPI以获得从终点G到起点S的最低累积成本路径。
4.一种基于多时相遥感影像的河网提取方法，其特征在于，包括以下步骤，
步骤一，收集目标区域的历年遥感影像，并对影像进行预处理；
步骤二，分析遥感影像，得到目标区域内水体分类结果分布图；
步骤三，进行最佳河道计算；所述的步骤三为权利要求1-3任一项所述的基于路径追踪的最佳河道计算方法。
5.如权利要求4所述的基于多时相遥感影像的河网提取方法，其特征在于，所述的步骤一中以Landsat影像数据为遥感数据源，选择图像清晰、色调均匀的影像，其中云层覆盖率小于10％；将同一地区不同时相的影像进行几何配准，实现多时相影像同名像元在空间上能够完全叠合。
6.如权利要求4所述的基于多时相遥感影像的河网提取方法，其特征在于，所述的步骤二中采用随机森林分类模型进行分析，所述的随机森林分类模型的构建步骤为：
a.选取遥感影像的反射率、亮度温度、以及广泛使用植被指数和水体指数作为分类特征变量；
b.在遥感影像上提取水体和非水体训练样本，并计算每个训练样本的特征变量值；
c.特征变量值作为输入变量，对应的水体和非水体类别作为输出变量，利用训练样本构建随机森林分类模型。
7.如权利要求6所述的基于多时相遥感影像的河网提取方法，其特征在于，选取的特征变量包括Landsat影像各多光谱波段的反射率、热红外波段的亮度温度、归一化植被指数NDVI、增强型植被指数EVI、归一化水体指数NDWI、改进的归一化水体MNDWI、归一化湿度指数NDMI，随机森林分类模型相关参数设置为：500颗分类树，2/3的训练数据可以有放回的进行选择，随机森林模型通过自助法Bootstrap重采样技术随机选择样本和特征变量，随机构建多个基决策树，树与树之间是相互独立的；每棵基决策树都会预测一个分类结果，随机森林的最终输出结果为所有基决策树分类结果中最多的类别。
CN201910130473.6A 2019-02-21 2019-02-21 基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法 Active CN111046613B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910130473.6A CN111046613B (zh) 2019-02-21 2019-02-21 基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910130473.6A CN111046613B (zh) 2019-02-21 2019-02-21 基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法

Publications (2)

Publication Number Publication Date
CN111046613A CN111046613A (zh) 2020-04-21
CN111046613B true CN111046613B (zh) 2021-09-17

Family

ID=70231363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910130473.6A Active CN111046613B (zh) 2019-02-21 2019-02-21 基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法

Country Status (1)

Country Link
CN (1) CN111046613B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111881816B (zh) * 2020-07-27 2023-06-09 安徽省（水利部淮河水利委员会）水利科学研究院（安徽省水利工程质量检测中心站） 一种长时序的河湖围埂养殖区域监测方法
CN111899257A (zh) * 2020-08-14 2020-11-06 哈尔滨工业大学 基于多时相本征图像分解的地物光谱反射率图像提取方法
CN112069938A (zh) * 2020-08-21 2020-12-11 武汉大学 一种基于随机森林的遥感影像河湖水边线提取方法
CN112258570B (zh) * 2020-11-17 2022-12-20 中国科学院空天信息创新研究院 一种河流全水域水面宽度测算方法及系统
CN113610882A (zh) * 2021-04-23 2021-11-05 华北水利水电大学 地表水体制图方法、装置、电子设备及存储介质
CN113989653B (zh) * 2021-09-16 2024-04-09 黄河水利委员会黄河水利科学研究院 一种河流平面几何指标与拓扑结构的提取方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793907B (zh) * 2013-12-12 2017-04-19 中国科学院深圳先进技术研究院 一种水体信息的提取方法及装置
CN106354992B (zh) * 2016-08-12 2018-02-09 中国水利水电科学研究院 基于多时相遥感影像和dem的湖泊水量蓄变量评估方法
CN106355166B (zh) * 2016-10-13 2021-09-24 北京师范大学 一种基于监控视频与遥感图像的灰霾扩散路径绘制与来源确定方法
US10802136B2 (en) * 2017-07-19 2020-10-13 Rezatec Limited Water network monitoring system
CN108537795A (zh) * 2018-04-23 2018-09-14 中国科学院地球化学研究所 一种山区河流信息提取方法

Also Published As

Publication number Publication date
CN111046613A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN111046613B (zh) 基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法
Aboelnour et al. Application of remote sensing techniques and geographic information systems to analyze land surface temperature in response to land use/land cover change in Greater Cairo Region, Egypt
CN109919875B (zh) 一种高时频遥感图像特征辅助的居民地提取与分类方法
CN111951392B (zh) 一种基于时间序列遥感影像和水位监测数据的洲滩枯水位以上地形重建方法
Bastarrika et al. Mapping burned areas from Landsat TM/ETM+ data with a two-phase algorithm: Balancing omission and commission errors
Sun et al. Comparison and improvement of methods for identifying waterbodies in remotely sensed imagery
Apan Land cover mapping for tropical forest rehabilitation planning using remotely-sensed data
Chen et al. Land use and land cover change detection using satellite remote sensing techniques in the mountainous Three Gorges Area, China
CN109840553A (zh) 耕地作物类型的提取方法及系统、存储介质、电子设备
CN107247927B (zh) 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统
CN106501186B (zh) 一种土壤含水量产品降尺度方法
Chen et al. Extraction of connected river networks from multi-temporal remote sensing imagery using a path tracking technique
Lu et al. Integration of optical, SAR and DEM data for automated detection of debris-covered glaciers over the western Nyainqentanglha using a random forest classifier
Zhang et al. A 250m annual alpine grassland AGB dataset over the Qinghai-Tibetan Plateau (2000–2019) based on in-situ measurements, UAV images, and MODIS Data
Katoh et al. Application of high-resolution airborne data using individual tree crowns in Japanese conifer plantations
Zhou et al. Shadow pattern-enhanced building height extraction using very-high-resolution image
Sun et al. Identifying terraces in the hilly and gully regions of the Loess Plateau in China
Liu et al. Fractional vegetation cover estimation algorithm based on recurrent neural network for MODIS 250 m reflectance data
Fawzy et al. Automatic Indices Based Classification Method for Map Updating Using VHR Satellite Images
CN116935236A (zh) 灌溉坑塘蓄水量监测方法、装置、电子设备及存储介质
Campos et al. Effects of LiDAR-Quickbird fusion on object-oriented classification of mountain resort development
Memduhoğlu Identifying impervious surfaces for rainwater harvesting feasibility using unmanned aerial vehicle imagery and machine learning classification
Quinn et al. Seasonally-managed wetland footprint delineation using Landsat ETM+ satellite imagery
CN115830464A (zh) 基于多源数据的高原山地农业大棚自动提取方法
CN114445719A (zh) 一种基于遥感数据的植被分类和生物量反演方法

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