CN111192282A - 湖滨带虚拟站的湖库时序水位重建方法 - Google Patents
湖滨带虚拟站的湖库时序水位重建方法 Download PDFInfo
- Publication number
- CN111192282A CN111192282A CN201911316219.1A CN201911316219A CN111192282A CN 111192282 A CN111192282 A CN 111192282A CN 201911316219 A CN201911316219 A CN 201911316219A CN 111192282 A CN111192282 A CN 111192282A
- Authority
- CN
- China
- Prior art keywords
- lake
- data
- water level
- virtual station
- boundary
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本发明公开了湖滨带虚拟站的湖库时序水位重建方法,借助归一化差值水体指数(NDWI)直方图自适应阈值分割方法对多期Landsat影像进行水域范围的提取,然后结合数字高程模型数据并采用湖岸线高程自动提取方法得到影像观测时间的湖泊水位,还可以基于湖滨带高分影像和无人机航测数字地形产品,获取高精度湖泊水位进行交叉验证。该方法通过获取数量更多、时序更长的湖泊水位变化信息,弥补和补充了现有雷达/激光测高卫星覆盖湖泊少、服役年限有限的情况,为偏远地区缺乏站点观测的湖泊变化分析及其多年连续时空演变规律的研究提供了方法支撑。
Description
技术领域
本发明涉及水文信息学及遥感科学技术领域,尤其体现星-空-地(多时相遥感卫星影像、无人机航测立体相对与LiDAR数据产品以及数字高程模型)观测集成的湖滨带虚拟站观测的历史长时间序列水位重建的方法。
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(Lehneret al.,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(杨桂山等.,2010),湖泊水域的变化反映区域水平衡(regional water balance)、生物地球化学平衡(biogeochemical cycles)、能量和气体与大气的交换(exchange ofenergy and trace gases with the atmosphere)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)。相对湖泊的水域变化而言,湖泊水位变化更能够表达湖泊总体的变化情况,是评价湖泊水量平衡的重要指标,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。
早期针对湖泊变化的监测主要是通过实地测量资料进行,这不仅耗时耗力还具有明显的时效性,要满足水资源管理的需求,仅靠地面监测手段是完全不够的。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。相对光学遥感卫星而言,测高卫星由于脚斑大小和重复周期的原因一般很难覆盖面积较小的湖泊或者得到连续的湖泊水位变化情况(Crétauxet al.,2011),要想获得数量更多、时间尺度更密集的湖泊水位变化信息,就需要结合DEM综合利用RS和GIS的技术优势进行湖岸线高程信息提取。
依据“全域-局部”分步迭代思想(骆剑承等.,2009)和归一化差值水体指数(NDWI)直方图自适应阈值分割方法(李均力等.,2011),先通过一个较低的NDWI阈值进行全域潜在湖泊水体像元进行初步筛选。基于这个结果再进行潜在水体斑块进行局部NDWI阈值分割,根据双峰分布准则进行逐像元判断,直至划定的湖泊边界稳定。该方法提取精度较高,已经广泛的应用于不同区域的水域范围自动化识别(Wang et al.,2014;Song et al.,2016)。Landsat TM/ETM+/OLI传感器的由于空间分辨率较高(30m),利用其数据提取湖泊范围能够得到更精确的动态水体变化情况。
GIS作为一种十分有效的地理研究和分析工具,能够非常便捷的解决一些基础地理数据处理、分析的问题,后期的数据处理和高程提取都依赖于它(Liet al.,2019)。由于不同湖泊周边地形十分复杂,湖岸周边高程差异较大,一般采用湖泊周边坡度较缓的区域作为研究对象。另外当前在全球尺度上广泛应用的数据高程模型数据主要有SRTMDEM、ASTERGDEM、ALOSAW3D30等,而根据数据测量时间,SRTMDEM更适合研究2000年之后的湖泊变化。
综上所述,现有的湖泊水位数据获取,往往因人工观测费时费力,测高卫星覆盖范围少、服役年限有限的情况,而无法获得许多湖泊的水位变化连续完整信息。在此背景下,开展湖泊水位提取方法的研究,可为水文变化相关科学问题的探索提供重要的数据保障和方法支撑,具有重要的科学意义。
参考文献
[1]Lehner B, 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-8imagery[J].RemoteSensing 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 2000and 2010[J].Remote Sensingof Environment,2012,121:80-92.
[5]Crétaux J-F,Jelinski W,Calmant Stéphane,et al.SOLS:A lake databaseto monitor in the Near Real Time water level and storage variations fromremote sensing data[J].Advances in space research,2011,47(9):1497-1507.
[6]骆剑承,盛永伟,沈占锋,等.分步迭代的多光谱遥感水体信息高精度自动提取[J].遥感学报,2009,13(04):610-615.
[7]李均力,盛永伟,骆剑承.喜马拉雅山地区冰湖信息的遥感自动化提取[J].遥感学报,2011,15(01):29-43.
[8]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.
[9]Song C,Sheng Y.Contrasting evolution patterns between glacier-fedand non-glacier-fed lakes in the Tanggula Mountains and climate causeanalysis[J].Climatic change,2016,135(3-4):493-507.
[10]Li X,Long D,Huang Q,et al.High-temporal-resolution water leveland storage change data sets for lakes on the Tibetan Plateau during 2000–2017using multiple altimetric missions and Landsat-derived lake shorelinepositions[J].Earth System Science Data,2019,11(4):1603-1627.
发明内容
为弥补和补充现有雷达/激光测高卫星覆盖湖泊少、服役年限有限的情况,本发明提出了一种基于星-空-地遥感立体观测的湖滨带虚拟站的湖库时序水位重建方法,采用可公开免费获取的数字高程模型数据(如SRTM DEM,TanDEM-X DEM,ALOS AW3D DEM等)、不同分辨率遥感影像数据(如Landsat,Sentinel-2,国产高分卫星、环境卫星、资源卫星等)以及无人机野外航测立体像对及LiDAR数据,借助归一化差值水体指数(NDWI)直方图自适应阈值分割方法,以及湖岸线高程自动提取方法,实现了连续湖泊水位变化信息的提取。
为实现上述技术目的,本发明采用如下技术方案:
一种湖滨带虚拟站的湖库时序水位重建方法,包括以下过程:
步骤1、基于卫星遥感影像数据提取湖泊水域范围,根据湖泊边界的完整程度将影像分为湖泊边界完整和不完整两类;
步骤2、根据湖泊边界完整的影像数据选定虚拟站区域;
步骤3、基于两类影像中虚拟站区域湖岸线完整的湖泊提取结果按照历史观测时间先后进行岸线整理;
步骤4、收集并处理步骤2提取的虚拟站区域覆盖的高分影像,提取得到高精度湖滨带边界,对该区域进行无人机航测,得到倾斜摄影图像以及LiDAR扫描数据并生成数字地形产品;结合提取的湖滨带边界和生成的数字地形产品提取湖滨带高程,获取水位数据;
步骤5、基于步骤3的湖岸线整合结果,结合DEM数据进行湖岸线高程提取,代表影像观测时间的湖泊水面高程;
步骤6、基于步骤5的高程提取结果,获取湖泊水位数据,并利用步骤4获取的水位数据与其进行交叉验证。
作为本发明的进一步改进,所述步骤1中,卫星遥感影像数据选用Landsat正射遥感反射率数据产品,选用其他空间分辨率更高的光学卫星如Sentinel-2(10m)、国产高分一号等,能够更好的表达湖泊岸线的细节特征。之后采用归一化差值水体指数(NDWI)直方图自适应阈值分割方法进行水域范围提取。
作为本发明的进一步改进,所述步骤2中,根据湖泊边界完整的多期湖泊提取结果选取湖岸变化明显的区域,再叠加DEM数据,选择周边地形坡度较缓的湖岸线部分作为虚拟站区域。
作为本发明的进一步改进,所述步骤3中,对所有湖泊边界完整以及湖泊边界部分残缺但虚拟站区域湖岸线完整的湖泊提取结果进行矢量编辑和人工修正,最后仅截取虚拟站区域进行岸线整合。
进一步的,所述步骤4中,针对虚拟站区域,利用无人机搭载倾斜摄影和LiDAR装备进行野外航测,然后通过Pix4D以及CloudCompare等专业软件对航测数据进行数据检查与处理,最终生成数字地形产品。另一方面,下载同时段高分影像并根据归一化差值水体指数(NDWI)直方图自适应阈值分割方法进行湖滨带边界提取。
进一步的,所述步骤4中,高分影像指空间分辨率能够达到米级(接近1m)的遥感影像,如高分二号卫星影像。
作为本发明的进一步改进,所述步骤5中,首先结合DEM提取的湖泊周边坡度对湖岸线进行坡度分级,根据虚拟站区域整合后的岸线结果提取DEM高程值。数字高程模型数据可选用SRTM-1/3DEM。
作为本发明的进一步改进,所述步骤4、6中,对两组高程提取结果分别进行数据处理,处理过程主要包括异常值剔除。通过对处理后的岸线高程计算平均值作为某一时期的湖泊水位。
作为本发明的进一步改进,所述步骤6中,由于冬季结冰以及有云遮挡的原因,会有部分月份遥感影像无法用于湖泊范围提取,对于这种水位缺省的月份,可以利用前后月份水位结果进行线性插值,最后得到虚拟站月度水位变化以满足使用需要。
本发明具有以下两点优势:
(1)本发明对数据的要求较低,基于可公开获取的遥感影像数据和数字高程模型数据即可完成湖泊水位时间序列的提取。同时采用无人机野外航测数据和湖滨带高分卫星影像数据,可充分挖掘高质量地形数据的优势,并对其他时间水位提取结果进行交叉验证。
(2)本发明提出了长时序月度湖泊水位提取方法,不仅可以进行对小湖泊的水位变化研究,更可以在长时序、多时间尺度上开展水文变化分析,为湖泊变化强烈地区的地貌、水文、环境等研究提供了重要的基础数据和技术支撑。
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步骤,其中:
图1是实施例1色林错样区及周边地形图。
图2是本发明方法流程图。
图3是实施例1中根据遥感影像质量对湖泊范围提取结果进行分类的试样图:(a)湖泊边界完整;(b)湖泊边界部分残缺。
图4是实施例1中根据湖泊边界完整的提取结果进行虚拟站区域挑选的过程图:(a)多期遥感影像的湖泊范围提取结果;(b)对提取结果进行分类并结合周边地形展示;(c)挑选出的虚拟站区域。
图5是实施例1中基于挑选的虚拟站区域,对所有该区域湖岸线完整的湖泊提取结果进行岸线整合,并进行高程提取得到湖泊水位变化结果图:(a)虚拟站区域湖岸线整合结果;(b)得到湖岸线平均高程作为湖泊水位结果;(c)对缺省月份水位进行插值计算得到湖泊月度水位变化序列。
图6是实施例1中获取的虚拟站区域高分影像。
图7是实施例1中基于挑选的虚拟站区域进行无人机航测并最终生成的数字地形产品。
图8是实施例1中坡度分级示意图。
具体实施方式
下面结合附图和实施例1,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
本申请的实施例1以西藏自治区最大的湖泊色林错为研究对象。青藏高原被誉为“世界屋脊”和“亚洲水塔”,该区域地形复杂、气候独特、湖泊冰川广泛分布,是当前全球变化影响研究的核心区域。而色林错位于羌塘高原腹地,常年径流补给河流主要有3条,分别是从北岸三八二道班汇入的扎加臧布、从东岸嘎日秋汇入的波曲臧布和从西岸亚古拉汇入的扎根臧布。作为西藏地区第一大湖泊,青藏高原地区的第二大湖泊,色林错集水区域内众多河流与湖泊相互连通,构成一个封闭的内陆湖群,导致其对于气候变化的响应十分强烈,2000年以来湖泊变化十分明显,比较适合作为研究对象。本次实验数据选择了Landsat TM/ETM+/OLI,SRTM-3DEM,数据分辨率均为30米。
如图2所示,是实施例1的流程图,本实施例1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色林错水域范围,并对提取结果进行分类。
首先从美国地质调查局(USGS)(http://glovis.usgs.gov)数据网站下载2000年以来Landsat TM/ETM+/OLI覆盖色林错湖泊区域的所有光学遥感影像。采用归一化差值水体指数(NDWI)直方图自适应阈值分割方法进行水域范围提取,再根据提取结果的色林错边界完整程度分为两类。如图3所示,对于遥感影像中色林错上空无云覆盖,水域范围提取结果中湖泊边界完整的分为一类;而对于色林错受云覆盖影响的卫星观测,水域范围提取结果中湖泊边界有明显缺失的分为另一类。最后基于原始遥感影像,通过目视检测的方法,针对个别存在误差的提取结果进行人工修正和编辑。
步骤2、综合步骤1中第一类色林错提取结果如图4中(a)所示,可以发现色林错北部湖岸以及东部湖岸变化比较明显,再通过叠加DEM数据分析色林错周边地形,经过比较后选择周边地形较为平缓的色林错东部湖岸作为虚拟站区域,如图4(b)、(c)所示。
步骤3、对两类色林错水域范围提取结果的虚拟站区域湖岸线进行矢量编辑和人工修正,最后仅截取用于高程提取的部分进行岸线整合如图5(a)所示。
步骤4、获取虚拟站区域高分影像如图6所示,提取得到高精度湖滨带边界,对该区域进行无人机航测,得到倾斜摄影图像以及LiDAR扫描数据,然后通过Pix4D以及CloudCompare等专业软件对航测数据进行数据检查与处理,最终生成数字地形产品如图7所示。结合提取的湖滨带边界和生成的数字地形产品提取湖滨带高程,剔除异常值后取平均值作为湖泊水位数据。
步骤5、基于步骤3的湖岸线整合结果,利用DEM数据生成研究区坡度结果,然后对坡度进行分级如图8,根据虚拟站区域整合后的岸线结果提取坡度小于1°湖岸线部分的DEM高程值,代表影像观测时间的湖泊水面高程,如图5(a)。
步骤6、对高程提取结果进行数据处理,处理过程主要包括异常值剔除,接下来对处理后的岸线高程计算平均值作为某一时期的湖泊水位如图5(b),并可以利用步骤4获取的水位数据与其进行交叉验证。
由于冬季结冰以及受到云覆盖的影响,会有部分月份遥感影像无法用于湖泊范围提取,对于这种水位缺省的月份,利用前后月份水位结果进行加权线性插值,加权线性插值主要是根据缺省月份相距前后插值月份的间隔分配不同的权重进行计算,最后得到虚拟站月度水位变化以满足使用需要如图5(c)。
通过上述方法即可得到相应湖泊长时序月度湖泊水位变化结果,不仅可以进行对小湖泊的水位变化研究,更可以在长时序、多时间尺度上开展水文变化分析,为湖泊变化强烈地区的地貌、水文、环境等研究提供了重要的基础数据和技术支撑。
虽然本发明以上述案例进行方法的说明,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)
1.一种湖滨带虚拟站的湖库时序水位重建方法,其特征在于,包括如下步骤:
步骤1、基于卫星遥感影像数据提取湖泊水域范围,根据湖泊边界的完整程度将影像分为湖泊边界完整和不完整两类;
步骤2、根据湖泊边界完整的影像数据选定虚拟站区域;
步骤3、基于两类影像中虚拟站区域湖岸线完整的湖泊提取结果按照历史观测时间先后进行岸线整理;
步骤4、收集并处理步骤2提取的虚拟站区域覆盖的高分影像,提取湖滨带边界,并对该区域进行无人机航测,得到倾斜摄影图像以及LiDAR扫描数据并生成数字地形产品;结合提取的湖滨带边界和生成的数字地形产品提取湖滨带高程,获取水位数据;
步骤5、基于步骤3的湖岸线整合结果,结合DEM数据进行湖岸线高程提取,代表影像观测时间的湖泊水面高程;
步骤6、基于步骤5的高程提取结果,获取湖泊水位数据,并利用步骤4获取的水位数据与其进行交叉验证。
2.根据权利要求1所述的方法,其特征在于,所述步骤1中,卫星遥感影像数据选用Landsat正射遥感反射率数据产品,并根据归一化差值水体指数直方图自适应阈值分割方法进行水域范围提取。
3.根据权利要求1所述的方法,其特征在于,所述步骤2中,基于湖泊边界完整的影像数据选取湖岸变化明显的区域,再叠加DEM数据,选择周边地形坡度较缓的湖岸线部分作为虚拟站区域。
4.根据权利要求1所述的方法,其特征在于,所述步骤3中,对两类影像中虚拟站区域湖岸线完整的湖泊提取结果进行矢量编辑和人工修正,截取虚拟站区域进行岸线整合。
5.根据权利要求1所述的方法,其特征在于,所述步骤4中,针对虚拟站区域,利用无人机搭载倾斜摄影和LiDAR装备进行野外航测,然后通过Pix4D以及CloudCompare软件对航测数据进行数据检查与处理,最终生成数字地形产品;同时采用归一化差值水体指数直方图自适应阈值分割方法对所述高分影像进行湖滨带边界提取。
6.根据权利要求1或5所述的方法,其特征在于,所述步骤4中,高分影像指空间分辨率达到米级的遥感影像。
7.根据权利要求1所述的方法,其特征在于,所述步骤5中,结合DEM提取的湖泊周边坡度对湖岸线进行坡度分级,然后根据虚拟站区域整合后的岸线结果提取DEM高程值。
8.根据权利要求1所述的方法,其特征在于,所述步骤4、6中,对两组高程提取结果分别进行异常值剔除。
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、6中,通过计算得到每期湖岸线/湖滨带平均高程作为影像观测时间的湖泊水位。
10.根据权利要求1所述的方法,其特征在于,所述步骤6中,利用前后月份水位结果对缺省月份进行线性插值,得到虚拟站月度水位变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911316219.1A CN111192282B (zh) | 2019-12-19 | 2019-12-19 | 湖滨带虚拟站的湖库时序水位重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911316219.1A CN111192282B (zh) | 2019-12-19 | 2019-12-19 | 湖滨带虚拟站的湖库时序水位重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111192282A true CN111192282A (zh) | 2020-05-22 |
CN111192282B CN111192282B (zh) | 2023-02-24 |
Family
ID=70710124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911316219.1A Active CN111192282B (zh) | 2019-12-19 | 2019-12-19 | 湖滨带虚拟站的湖库时序水位重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111192282B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951392A (zh) * | 2020-07-26 | 2020-11-17 | 长江水利委员会长江科学院 | 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 |
CN112200050A (zh) * | 2020-09-30 | 2021-01-08 | 同济大学 | 基于多源卫星数据的湖泊水量时空变化分析方法及装置 |
CN113011740A (zh) * | 2021-03-18 | 2021-06-22 | 长江水资源保护科学研究所 | 一种用于构建湖泊湿地生态对水位梯度响应关系的方法 |
CN113758470A (zh) * | 2021-08-30 | 2021-12-07 | 中国科学院新疆生态与地理研究所 | 一种基于高分辨率卫星数据获取湖泊历史水位的方法 |
CN113834547A (zh) * | 2021-07-23 | 2021-12-24 | 河海大学 | 一种河流虚拟站水位时序重建方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6031930A (en) * | 1996-08-23 | 2000-02-29 | Bacus Research Laboratories, Inc. | Method and apparatus for testing a progression of neoplasia including cancer chemoprevention testing |
CN101114023A (zh) * | 2007-08-28 | 2008-01-30 | 北京交通大学 | 一种基于模型的湖泊湿地泛洪遥感监测方法 |
CN104412529A (zh) * | 2012-07-03 | 2015-03-11 | 阿尔卡特朗讯 | 用于发射数字基带信号的样本的装置及方法 |
WO2015166336A2 (en) * | 2014-04-29 | 2015-11-05 | Alcatel Lucent | Method and apparatus for virtual base station migration in bbu pool |
CN105152346A (zh) * | 2015-09-28 | 2015-12-16 | 四川鑫淼环保科技有限责任公司 | 应用于大型深水湖泊水生态系统修复的方法 |
CN106230963A (zh) * | 2016-08-11 | 2016-12-14 | 江苏方天电力技术有限公司 | 基于电力系统私有云平台的软件定义存储方法 |
CN107426797A (zh) * | 2017-04-28 | 2017-12-01 | 中国科学院计算技术研究所 | 用于接入网侧的切片管控系统和方法 |
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 |
CN110569733A (zh) * | 2019-08-09 | 2019-12-13 | 中国科学院南京地理与湖泊研究所 | 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 |
-
2019
- 2019-12-19 CN CN201911316219.1A patent/CN111192282B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6031930A (en) * | 1996-08-23 | 2000-02-29 | Bacus Research Laboratories, Inc. | Method and apparatus for testing a progression of neoplasia including cancer chemoprevention testing |
CN101114023A (zh) * | 2007-08-28 | 2008-01-30 | 北京交通大学 | 一种基于模型的湖泊湿地泛洪遥感监测方法 |
CN104412529A (zh) * | 2012-07-03 | 2015-03-11 | 阿尔卡特朗讯 | 用于发射数字基带信号的样本的装置及方法 |
WO2015166336A2 (en) * | 2014-04-29 | 2015-11-05 | Alcatel Lucent | Method and apparatus for virtual base station migration in bbu pool |
CN105152346A (zh) * | 2015-09-28 | 2015-12-16 | 四川鑫淼环保科技有限责任公司 | 应用于大型深水湖泊水生态系统修复的方法 |
CN106230963A (zh) * | 2016-08-11 | 2016-12-14 | 江苏方天电力技术有限公司 | 基于电力系统私有云平台的软件定义存储方法 |
CN107426797A (zh) * | 2017-04-28 | 2017-12-01 | 中国科学院计算技术研究所 | 用于接入网侧的切片管控系统和方法 |
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 |
CN110569733A (zh) * | 2019-08-09 | 2019-12-13 | 中国科学院南京地理与湖泊研究所 | 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 |
Non-Patent Citations (2)
Title |
---|
李育等: ""以东亚及中亚地区虚拟湖泊水位变化为代表的全新世有效水分变化的连续模拟"", 《中国科学》 * |
王海波等: "基于遥感的湖泊水域动态变化监测研究进展", 《遥感技术与应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951392A (zh) * | 2020-07-26 | 2020-11-17 | 长江水利委员会长江科学院 | 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 |
CN111951392B (zh) * | 2020-07-26 | 2023-04-25 | 长江水利委员会长江科学院 | 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 |
CN112200050A (zh) * | 2020-09-30 | 2021-01-08 | 同济大学 | 基于多源卫星数据的湖泊水量时空变化分析方法及装置 |
CN113011740A (zh) * | 2021-03-18 | 2021-06-22 | 长江水资源保护科学研究所 | 一种用于构建湖泊湿地生态对水位梯度响应关系的方法 |
CN113011740B (zh) * | 2021-03-18 | 2021-09-14 | 长江水资源保护科学研究所 | 一种用于构建湖泊湿地生态对水位梯度响应关系的方法 |
CN113834547A (zh) * | 2021-07-23 | 2021-12-24 | 河海大学 | 一种河流虚拟站水位时序重建方法及系统 |
CN113834547B (zh) * | 2021-07-23 | 2022-08-16 | 河海大学 | 一种河流虚拟站水位时序重建方法及系统 |
CN113758470A (zh) * | 2021-08-30 | 2021-12-07 | 中国科学院新疆生态与地理研究所 | 一种基于高分辨率卫星数据获取湖泊历史水位的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111192282B (zh) | 2023-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111192282B (zh) | 湖滨带虚拟站的湖库时序水位重建方法 | |
Ge et al. | Modeling alpine grassland cover based on MODIS data and support vector machine regression in the headwater region of the Huanghe River, China | |
Veh et al. | Detecting Himalayan glacial lake outburst floods from Landsat time series | |
Zhang et al. | Lakes’ state and abundance across the Tibetan Plateau | |
Lu et al. | Regional mapping of human settlements in southeastern China with multisensor remotely sensed data | |
Roelfsema et al. | Multi-temporal mapping of seagrass cover, species and biomass: A semi-automated object based image analysis approach | |
Rodríguez-López et al. | Spectral analysis using LANDSAT images to monitor the chlorophyll-a concentration in Lake Laja in Chile | |
Nagai et al. | Comparison of multiple glacier inventories with a new inventory derived from high-resolution ALOS imagery in the Bhutan Himalaya | |
Caballero et al. | On the use of Sentinel-2 satellites and lidar surveys for the change detection of shallow bathymetry: The case study of North Carolina inlets | |
Romanov | Global multisensor automated satellite-based snow and ice mapping system (GMASI) for cryosphere monitoring | |
Junqueira et al. | Estimation of river flow using CubeSats remote sensing | |
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 | |
CN112926468A (zh) | 一种潮滩高程自动提取方法 | |
Hazra et al. | Spatio-temporal and surface elevation change assessment of glaciers of Sikkim Himalaya (India) across different size classes using geospatial techniques | |
Zhang et al. | A 250 m annual alpine grassland AGB dataset over the Qinghai–Tibet Plateau (2000–2019) in China based on in situ measurements, UAV photos, and MODIS data | |
Akay et al. | Modeling morphodynamic processes in a meandering river with unmanned aerial vehicle-based measurements | |
Tao et al. | Variation of satellite-derived total suspended matter in large lakes with four types of water storage across the Tibetan Plateau, China | |
Li et al. | Evaluating the ability of NOAA-20 monthly composite data for socioeconomic indicators estimation and urban area extraction | |
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 | |
Bindajam et al. | Characterizing the urban decadal expansion and its morphology using integrated spatial approaches in semi-arid mountainous environment, Saudi Arabia | |
Bergmann et al. | Topography of the intertidal zone along the shoreline of Chittagong (Bangladesh) using PROBA-V imagery | |
Miller et al. | Monitoring bottom sediment resuspension and suspended sediments in shallow coastal waters | |
Stückemann et al. | Mapping Lower Saxony’s salt marshes using temporal metrics of multi-sensor satellite data | |
GÖKSEL et al. | Land Use and Land Cover Changes Using Spot 5 Pansharpen Images; A Case Study in Akdeniz District, Mersin-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 |