CN111553226A - 一种基于遥感解译技术提取河流监测断面水面宽度的方法 - Google Patents

一种基于遥感解译技术提取河流监测断面水面宽度的方法 Download PDF

Info

Publication number
CN111553226A
CN111553226A CN202010317714.0A CN202010317714A CN111553226A CN 111553226 A CN111553226 A CN 111553226A CN 202010317714 A CN202010317714 A CN 202010317714A CN 111553226 A CN111553226 A CN 111553226A
Authority
CN
China
Prior art keywords
water surface
river
surface width
section
remote sensing
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
Application number
CN202010317714.0A
Other languages
English (en)
Other versions
CN111553226B (zh
Inventor
张盼伟
李昆
吴文强
黄伟
赵晓辉
王卓微
胡明明
刘来胜
王启文
吴雷祥
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.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
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 China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202010317714.0A priority Critical patent/CN111553226B/zh
Publication of CN111553226A publication Critical patent/CN111553226A/zh
Application granted granted Critical
Publication of CN111553226B publication Critical patent/CN111553226B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/02—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C7/00—Tracing profiles
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Measuring Volume Flow (AREA)

Abstract

本发明公开了一种基于遥感解译技术提取河流监测断面水面宽度的方法，包括：构建Bi‑LSTM模型，得到河道流量数据；构建河道水面宽水力模型：并基于遥感检测和线性拟合方法进行水面宽水力模型的系数求解，得到最优的水面宽水力模型，求得高精度的河道断面水面宽表达式。相比于传统直接利用遥感技术采集河道断面水面宽，本发明采用线性拟合，有效去除误差较大的数据，提高计算精度，并真实反映了河流断面水面宽与流量之间的水力函数关系。

Description

一种基于遥感解译技术提取河流监测断面水面宽度的方法
技术领域
本发明属于水资源的技术领域，具体涉及一种基于遥感解译技术提取河流监测断面水面宽度的方法。
背景技术
随着河流水资源开发利用加快，河流生态与环境问题日益凸显，生态流量的概念也被广泛应用。由于研究者的视角及重点不同，出现了与生态流量相关的诸多概念，如“水生态需水”、“水生态基流”“最小下泄流量”和“河道生态环境需水量”等。在澳大利亚和南非，生态流量基本含义是维持河流生态完整性和生物多样性的流量状况，或者说，生态流量就是留给河流自身用水需求的水量。世界自然保护联盟采纳的生态流量定义为“在用水矛盾突出、且用水量可以进行调度的河流、湿地和沿海区域，为维持正常的生态系统及功能所拥有的水量”。而我国制定的生态流量定义为“满足水电工程下游河段保护目标生态需水基本要求的流量及过程”。
河流流量重要的水力参数之一为河流断面水面宽，其对河流流量具有重要的影响。现有存在多种河流断面水面宽的检测方法，基本是利用遥感技术如无人机或雷达电磁波直接进行测量所得，而遥感所得河流断面水面宽仅仅为参考值，其与真实值具有一定的误差，且不能真实反映河流断面水面宽与流量之间的关系。
发明内容
本发明的目的在于针对现有技术中的上述不足，提供一种基于遥感解译技术提取河流监测断面水面宽度的方法，以解决现有采用遥感监测河流断面水面宽误差较大，且不能真实反映河流断面水面宽与流量之间关系的问题。
为达到上述目的，本发明采取的技术方案是：
一种基于遥感解译技术提取河流监测断面水面宽度的方法，其包括：
S1、获取河道及其上下游若干年的历史流量数据，并对历史流量数据进行预处理，得到关于流量数据的时间序列数据；
S2、将时间序列数据作为输入数据进行监督学习，得到训练样本数据和测试样本数据；
S3、根据训练样本数据和测试样本数据构建Bi-LSTM模型，并基于测试样本数据对Bi-LSTM模型进行测试，获取作为预测输出结果的河道流量数据；
S4、根据步骤S3中得到的预测输出结果河道流量数据Q和河道断面水面宽w之间的水力函数关系构建河道水面宽水力模型：
W＝α*Q*β
其中，α、β均为河道水面宽水力模型系数；
S5、基于遥感实时测量监测获取河道断面水面宽W0，将遥感所测河道断面水面宽W0作为输出，预测所得的河道流量数据Q作为输入带入河道水面宽水力模型中，得到N组系数αi、βi，其中，αi、βi分别为求解得到的第i组系数，i＝1、2、…N，N≥70000；
S6、在N组系数αi、βi中随机选取M组系数αj、βj，j＝1、2、…M，1000≤M≤N，将M组系数分别带入水面宽水力模型W＝αj*Q*βj中，并随机选取预测所得的河道流量数据Q作为输入带入W＝αj*Q*βj中，计算得到河道断面水面宽测试值；
S7、将河道断面水面宽测试值与其对应的遥感所测河道断面水面宽进行线性拟合：
y＝ax+b
其中，令y为河道断面水面宽测试值，x为河道断面水面宽真实值，设定遥感实时测量监测河道断面水面宽即为河道断面水面宽真实值，a、b为待定参数；
S8、设定河道断面水面宽测试值的偏差加权平方和最小为目标函数D：
Figure BDA0002460163650000031
其中，yi为第i组计算得到的河道断面水面宽测试值，xi为第i组通过遥感实时测量监测河道断面水面宽，即为河道断面水面宽真实值；
对参数a、b分别求取一阶偏导：
Figure BDA0002460163650000032
Figure BDA0002460163650000033
对参数a、b分别求取二阶偏导：
Figure BDA0002460163650000034
令一阶偏导为0：
Figure BDA0002460163650000035
Figure BDA0002460163650000036
解得参数a、b分别为：
Figure BDA0002460163650000037
Figure BDA0002460163650000038
其中，
Figure BDA0002460163650000039
为河道断面水面宽真实值的平均值，
Figure BDA00024601636500000310
为河道断面水面宽测试值的平均值；
Figure BDA00024601636500000311
为河道断面水面宽真实值的平均值与河道断面水面宽测试值平均值的乘积，
Figure BDA0002460163650000041
为河道断面水面宽真实值与河道断面水面宽测试值乘积的均值，
Figure BDA0002460163650000042
为河道断面水面宽真实值平方的均值；
S9、将参数a、b带入拟合方程，得到河道断面水面宽测试值和遥感实时测量监测河道断面水面宽真实值之间的线性拟合曲线；
S10、根据线性拟合曲线，去除河道断面水面宽测试值和遥感所测河道断面水面宽真实值之间相对误差大于0.01对应的河道水面宽水力模型系数α、β；选取相对误差小于等于0.01对应的河道水面宽水力模型系数αk、βk，其中，1≤k≤m；
S11、分别计算系数αk、βk的均值系数α’、β’，并将均值系数α’、β’作为最优系数带入，得到河道断面水面宽的最优解：
W＝α’*Q*β’。
优选地，步骤S1中对历史流量数据进行预处理包括：
采用minmaxscaler算法对历史流量数据进行归一化处理，补充流量数据缺失值。
优选地，步骤S2中通过训练样本数据进行Bi-LSTM神经网络训练之前，设置与Bi-LSTM神经网络训练相关的Bi-LSTM神经网络超参数，包括：采用Keras搭建Bi-LSTM神经网络，确定Bi-LSTM的层数包括输入层、Bi-LSTM层、输出层的节点数，并选择MAE作为损失函数，选择adam作为优化器，relu函数作为激活函数。
优选地，步骤S2中训练样本数据和测试样本数据之间的比例为5:2。
优选地，步骤S5中基于遥感采集河道断面水面宽W0包括：
选取河流断面，建设河流标识点作为遥感影像识别特征点以及断面位置标识点；
利用得到的高精度遥感影像并结合地面增强标识点的尺寸辨识河流该断面的水面宽，并沿着被监测河床断面提取河道断面水面宽W0。
优选地，步骤S9基于Matlab平台进行拟合曲线的线性拟合，得到河道断面水面宽测试值和遥感实时测量监测河道断面水面宽真实值之间的线性拟合曲线。
本发明提供的基于遥感解译技术提取河流监测断面水面宽度的方法，具有以下有益效果：
本发明基于水文监测站的历史流量数据构建Bi-LSTM模型，并基于遥感检测和线性拟合方法进行水面宽水力模型的系数求解，得到最优的水面宽水力模型，进而求得高精度的河道断面水面宽。本发明相比于传统直接利用遥感技术采集河道断面水面宽，本发明采用线性拟合，有效去除误差较大的数据，提高计算精度，并真实反映了河流断面水面宽与流量之间的水力函数关系。
附图说明
图1为线性拟合曲线图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
根据本申请的一个实施例，本方案的基于遥感解译技术提取河流监测断面水面宽度的方法，包括：
S1、获取河道及其上下游若干年的历史流量数据，并对历史流量数据进行预处理，得到关于流量数据的时间序列数据。
基于水文监测站进行数据的获取，预处理包括采用minmaxscaler算法对历史流量数据进行归一化处理，补充流量数据缺失值。
S2、将时间序列数据作为输入数据进行监督学习，得到训练样本数据和测试样本数据。
训练样本数据进行Bi-LSTM神经网络训练之前，需要设置与Bi-LSTM神经网络训练相关的Bi-LSTM神经网络超参数，包括：用Keras搭建Bi-LSTM神经网络，确定Bi-LSTM的层数包括输入层、Bi-LSTM层、输出层的节点数，并选择MAE作为损失函数，选择adam作为优化器，选择relu函数作为激活函数。
其中，训练样本数据和测试样本数据之间的比例可以根据实际使用的需要进行设置，本实施例训练样本数据和测试样本数据的比例为5:2。
S3、根据训练样本数据和测试样本数据构建Bi-LSTM模型，并基于测试样本数据对Bi-LSTM模型进行测试，获取作为预测输出结果的河道流量数据。
测试样本数据的作用为训练估计模型，将测试样本数据作为Bi-LSTM模型的输入，得到作为预测输出结果的河道流量数据。
S4、根据步骤S3中得到的预测输出结果河道流量数据Q和河道断面水面宽w之间的水力函数关系构建河道水面宽水力模型：
河道断面水面宽W、平均流速V、平均水深D和水流量Q之间的水力要素之间的函数关系为：
W＝α*Q*β
D＝cQ f
V＝kQ m
其中，α,c,k,β,f,m均为系数。
S5、基于遥感实时测量监测获取河道断面水面宽W0，将遥感所测河道断面水面宽W0作为输出，预测所得的河道流量数据Q作为输入带入河道水面宽水力模型中，得到N组系数αi、βi，其中，αi、βi分别为求解得到的第i组系数，i＝1、2、…N，N≥70000。
其中，基于遥感技术如无人机或雷达电磁波采集河道断面水宽，包括选取河流断面，建设河流标识点，作为遥感影像识别特征点以及断面位置标识点。
利用得到的高精度遥感影像并结合地面增强标识点的尺寸辨识河流该断面的水面宽，并沿着被监测河床断面提取河道断面水面宽W0。
S6、在N组系数αi、βi中随机选取M组系数αj、βj，j＝1、2、…M，1000≤M≤N，将M组系数分别带入水面宽水力模型W＝αj*Q*βj中，并随机选取预测所得的河道流量数据Q作为输入带入W＝αj*Q*βj中，计算得到河道断面水面宽测试值；
S7、将河道断面水面宽测试值与其对应的遥感所测河道断面水面宽进行线性拟合：
y＝ax+b
其中，令y为河道断面水面宽测试值，x为河道断面水面宽真实值，除此为便于修正参数a、b，设定遥感实时测量监测河道断面水面宽即为河道断面水面真实值。
S8、设定河道断面水面测试值的偏差加权平方和最小为目标函数D：
Figure BDA0002460163650000071
其中，yi为第i组计算得到的河道断面水面宽测试值，xi为第i组通过遥感实时测量监测河道断面水面宽，即为河道断面水面真实值；
对参数a、b分别求取一阶偏导：
Figure BDA0002460163650000081
Figure BDA0002460163650000082
对参数a、b分别求取二阶偏导：
Figure BDA0002460163650000083
令一阶偏导为0：
Figure BDA0002460163650000084
Figure BDA0002460163650000085
解得参数a、b分别为：
Figure BDA0002460163650000086
Figure BDA0002460163650000087
其中，
Figure BDA0002460163650000088
为河道断面水面真实值的平均值，
Figure BDA0002460163650000089
为河道断面水面宽测试值的平均值；
Figure BDA00024601636500000810
为河道断面水面真实值的平均值与河道断面水面宽测试值平均值的乘积，
Figure BDA00024601636500000811
为河道断面水面真实值与河道断面水面宽测试值乘积的均值，
Figure BDA00024601636500000812
为河道断面水面真实值平方的均值；
同时，线性拟合方程的相关系数r为：
Figure BDA00024601636500000813
S9、将参数a、b带入拟合方程，得到河道断面水面宽测试值和遥感实时测量监测河道断面水面宽真实值之间的线性拟合曲线。
基于Matlab平台进行拟合曲线的线性拟合，得到河道断面水面宽测试值和遥感实时测量监测河道断面水面宽真实值之间的线性拟合曲线。
S10、根据线性拟合曲线，去除河道断面水面宽测试值和遥感所测河道断面水面宽真实值之间相对误差大于0.01对应的河道水面宽水力模型系数α、β；选取相对误差小于等于0.01对应的河道水面宽水力模型系数αk、βk，其中，1≤k≤m。
S11、分别计算系数αk、βk的均值系数α’、β’，并将均值系数α’、β’作为最优系数带入，得到河道断面水面宽的最优解：
W＝α’*Q*β’。
根据本申请的一个实施例，参考图1，按照本发明步骤S1-步骤S11方法在Matlab平台进行拟合曲线的线性拟合，得到河道断面水面宽测试值和遥感实时测量监测河道断面水面宽真实值之间的线性拟合曲线。
以构建的Bi-LSTM模型计算得到河道流量数据Q，将河道流量数据Q作为已知值带入河道水面宽水力模型W＝αj*Q*βj中，并将遥感采集的河道断面水面宽W0同样带入河道水面宽水力模型W＝αj*Q*βj中，计算得到若干组系数αi、βi，i＝1、2、…N，N≥70000。
随机选取多组得到的系数αi、βi，将其分别带入河道水面宽水力模型中，再次以河道流量数据Q作为已知值带入，得到若干组河道断面水面宽测试值。
为便于修正系数αi、βi，将遥感实时测量监测获取河道断面水面宽W0作为真实值，进行线性拟合y＝ax+b，并令y为河道断面水面宽测试值，x为河道断面水面宽真实值。
基于S8计算求得参数a、b，并得到线性拟合方程的相关系数r为：
Figure BDA0002460163650000091
参考图1，为计算得到的r2＝0.992时的线性拟合曲线，从图1中明显可得，部分测试值数据明显偏离真实值数据，为提高最后的计算精度，则需要去除测试值和真实值之间相对误差大于0.01对应的河道水面宽水力模型系数α、β；选取相对误差小于等于0.01对应的河道水面宽水力模型系数αk、βk，其中，1≤k≤m。
将得到系数进行均值计算，进一步提高系数求取精度，得到均值系数α’、β’，并将均值系数α’、β’作为最优系数带入，得到河道断面水面宽的最优解：
W＝α’*Q*β’
同时得到河道断面水面宽与其对应的流量的水力函数关系。
本发明基于水文监测站的历史流量数据构建Bi-LSTM模型，并基于遥感检测和线性拟合方法进行水面宽水力模型的系数求解，得到最优的水面宽水力模型，进而求得高精度的河道断面水面宽。本发明相比于传统直接利用遥感技术采集河道断面水面宽，本发明采用线性拟合，有效去除误差较大的数据，提高计算精度，并真实反映了河流断面水面宽与流量之间的水力函数关系。
虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。

Claims (6)

1.一种基于遥感解译技术提取河流监测断面水面宽度的方法，其特征在于，包括：
S1、获取河道及其上下游若干年的历史流量数据，并对历史流量数据进行预处理，得到关于流量数据的时间序列数据；
S2、将时间序列数据作为输入数据进行监督学习，得到训练样本数据和测试样本数据；
S3、根据训练样本数据和测试样本数据构建Bi-LSTM模型，并基于测试样本数据对Bi-LSTM模型进行测试，获取作为预测输出结果的河道流量数据；
S4、根据步骤S3中得到的预测输出结果河道流量数据Q和河道断面水面宽w之间的水力函数关系，构建河道水面宽水力模型：
W＝α*Q*β
其中，α、β均为河道水面宽水力模型系数；
S5、基于遥感实时测量监测获取河道断面水面宽W0，将遥感所测河道断面水面宽W0作为输出，预测所得的河道流量数据Q作为输入带入河道水面宽水力模型中，得到N组系数αi、βi，其中，αi、βi分别为求解得到的第i组系数，i＝1、2、…N，N≥70000；
S6、在N组系数αi、βi中随机选取M组系数αj、βj，j＝1、2、…M，1000≤M≤N，将M组系数分别带入水面宽水力模型W＝αj*Q*βj中，并随机选取预测所得的河道流量数据Q作为输入带入W＝αj*Q*βj中，计算得到河道断面水面宽测试值；
S7、将河道断面水面宽测试值与其对应的遥感所测河道断面水面宽进行线性拟合：
y＝ax+b
其中，令y为河道断面水面宽测试值，x为河道断面水面宽真实值，设定遥感实时测量监测河道断面水面宽即为河道断面水面真实值，a、b为待定参数；
S8、设定河道断面水面宽测试值的偏差加权平方和最小为目标函数D：
Figure FDA0002460163640000021
其中，yi为第i组计算得到的河道断面水面宽测试值，xi为第i组通过遥感实时测量监测河道断面水面宽，即为河道断面水面宽真实值；
对参数a、b分别求取一阶偏导：
Figure FDA0002460163640000022
Figure FDA0002460163640000023
对参数a、b分别求取二阶偏导：
Figure FDA0002460163640000024
令一阶偏导为0：
Figure FDA0002460163640000025
Figure FDA0002460163640000026
解得参数a、b分别为：
Figure FDA0002460163640000027
Figure FDA0002460163640000028
其中，
Figure FDA0002460163640000029
为河道断面水面宽真实值的平均值，
Figure FDA00024601636400000210
为河道断面水面宽测试值的平均值；
Figure FDA00024601636400000211
为河道断面水面宽真实值的平均值与河道断面水面宽测试值平均值的乘积，
Figure FDA0002460163640000031
为河道断面水面宽真实值与河道断面水面宽测试值乘积的均值，
Figure FDA0002460163640000032
为河道断面水面宽真实值平方的均值；
S9、将参数a、b带入拟合方程，得到河道断面水面宽测试值和遥感实时测量监测河道断面水面宽真实值之间的线性拟合曲线；
S10、根据线性拟合曲线，去除河道断面水面宽测试值和遥感所测河道断面水面宽真实值之间相对误差大于0.01对应的河道水面宽水力模型系数α、β；选取相对误差小于等于0.01对应的河道水面宽水力模型系数αk、βk，其中，1≤k≤m；
S11、分别计算系数αk、βk的均值系数α’、β’，并将均值系数α’、β’作为最优系数带入，得到河道断面水面宽的最优解：
W＝α’*Q*β’。
2.根据权利要求1所述的基于遥感解译技术提取河流监测断面水面宽度的方法，其特征在于，所述步骤S1中对历史流量数据进行预处理包括：
采用minmaxscaler算法对历史流量数据进行归一化处理，补充流量数据缺失值。
3.根据权利要求1所述的基于遥感解译技术提取河流监测断面水面宽度的方法，其特征在于，所述步骤S2中通过训练样本数据进行Bi-LSTM神经网络训练之前，设置与Bi-LSTM神经网络训练相关的Bi-LSTM神经网络超参数，包括：采用Keras搭建Bi-LSTM神经网络，确定Bi-LSTM的层数包括输入层、Bi-LSTM层、输出层的节点数，并选择MAE作为损失函数，选择adam作为优化器，relu函数作为激活函数。
4.根据权利要求1所述的基于遥感解译技术提取河流监测断面水面宽度的方法，其特征在于：所述步骤S2中训练样本数据和测试样本数据之间的比例为5:2。
5.根据权利要求1所述的基于遥感解译技术提取河流监测断面水面宽度的方法，其特征在于，所述步骤S5中基于遥感采集河道断面水面宽W0包括：
选取河流断面，建设河流标识点作为遥感影像识别特征点以及断面位置标识点；
利用得到的高精度遥感影像并结合地面增强标识点的尺寸辨识河流该断面的水面宽，并沿着被监测河床断面提取河道断面水面宽W0。
6.根据权利要求1所述的基于遥感解译技术提取河流监测断面水面宽度的方法，其特征在于，所述步骤S9基于Matlab平台进行拟合曲线的线性拟合，得到河道断面水面宽测试值和遥感实时测量监测河道断面水面宽真实值之间的线性拟合曲线。
CN202010317714.0A 2020-04-21 2020-04-21 一种基于遥感解译技术提取河流监测断面水面宽度的方法 Active CN111553226B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010317714.0A CN111553226B (zh) 2020-04-21 2020-04-21 一种基于遥感解译技术提取河流监测断面水面宽度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010317714.0A CN111553226B (zh) 2020-04-21 2020-04-21 一种基于遥感解译技术提取河流监测断面水面宽度的方法

Publications (2)

Publication Number Publication Date
CN111553226A true CN111553226A (zh) 2020-08-18
CN111553226B CN111553226B (zh) 2021-01-01

Family

ID=72000501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010317714.0A Active CN111553226B (zh) 2020-04-21 2020-04-21 一种基于遥感解译技术提取河流监测断面水面宽度的方法

Country Status (1)

Country Link
CN (1) CN111553226B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642259A (zh) * 2021-10-14 2021-11-12 国能大渡河流域水电开发有限公司 一种基于多层流速测量的河流流场重构方法
CN114067220A (zh) * 2021-11-29 2022-02-18 商丘师范学院 基于遥感技术的河流生态流量保障的预警方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9207066B2 (en) * 2014-02-14 2015-12-08 Palo Alto Research Center Incorporated Spatial modulation of light to determine dimensional characteristics of objects in a flow path
CN107218924A (zh) * 2017-07-19 2017-09-29 云南大学 一种中小型河流断面测量装置及方法
CN108460483A (zh) * 2018-02-09 2018-08-28 中国水利水电科学研究院 一种天然河道流量的定量反演方法
CN108597022A (zh) * 2018-05-08 2018-09-28 河海大学 一种估算中小流域内河道宽度的方法
CN108896117A (zh) * 2018-05-10 2018-11-27 北京师范大学 一种遥感水文站监测河流径流的方法
CN109960838A (zh) * 2017-12-26 2019-07-02 中国水利水电科学研究院 一种体现河流基本特征的河道地形自动生成方法
CN110133655A (zh) * 2019-05-27 2019-08-16 河南大学 基于多源雷达遥感技术的河流径流监测反演方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9207066B2 (en) * 2014-02-14 2015-12-08 Palo Alto Research Center Incorporated Spatial modulation of light to determine dimensional characteristics of objects in a flow path
CN107218924A (zh) * 2017-07-19 2017-09-29 云南大学 一种中小型河流断面测量装置及方法
CN109960838A (zh) * 2017-12-26 2019-07-02 中国水利水电科学研究院 一种体现河流基本特征的河道地形自动生成方法
CN108460483A (zh) * 2018-02-09 2018-08-28 中国水利水电科学研究院 一种天然河道流量的定量反演方法
CN108597022A (zh) * 2018-05-08 2018-09-28 河海大学 一种估算中小流域内河道宽度的方法
CN108896117A (zh) * 2018-05-10 2018-11-27 北京师范大学 一种遥感水文站监测河流径流的方法
CN110133655A (zh) * 2019-05-27 2019-08-16 河南大学 基于多源雷达遥感技术的河流径流监测反演方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JULIEN TOURILLE等: "Neural Architecture for Temporal Relation Extraction: A Bi-LSTM Approach for Detecting Narrative Containers", 《PROCEEDINGS OF THE 55TH ANNUAL MEETING OF THE ASSOCIATION FOR COMPUTATIONAL LINGUISTICS》 *
王宁: "基于多源雷达遥感技术的河流径流监测系统研究与实现", 《中国优秀硕士学位论文全文数据库（基础科学辑）》 *
赵长森，潘旭等: "低空遥感无人机影像反演河道流量", 《地理学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642259A (zh) * 2021-10-14 2021-11-12 国能大渡河流域水电开发有限公司 一种基于多层流速测量的河流流场重构方法
CN113642259B (zh) * 2021-10-14 2021-12-14 国能大渡河流域水电开发有限公司 一种基于多层流速测量的河流流场重构方法
CN114067220A (zh) * 2021-11-29 2022-02-18 商丘师范学院 基于遥感技术的河流生态流量保障的预警方法
CN114067220B (zh) * 2021-11-29 2022-06-10 商丘师范学院 基于遥感技术的河流生态流量保障的预警方法

Also Published As

Publication number Publication date
CN111553226B (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
CN104061445B (zh) 一种基于神经网络的管道泄漏检测方法
CN106950276B (zh) 一种基于卷积神经网络的管道缺陷深度的反演方法
CN111401529B (zh) 一种基于遥感技术的河流生态流量监管方法
CN102032935B (zh) 城市排水汇流管网污水泵站流量的软测量方法
CN111553226B (zh) 一种基于遥感解译技术提取河流监测断面水面宽度的方法
CN110619432A (zh) 一种基于深度学习的特征提取水文预报的方法
CN111400973A (zh) 一种基于水文监测数据构建流量-水面宽的关系曲线的方法
CN104063588A (zh) 基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法
CN110991690A (zh) 一种基于深度卷积神经网络的多时次风速预测方法
CN111242344A (zh) 一种基于循环神经网络和卷积神经网络的智能水位预测方法
CN104182642A (zh) 一种基于稀疏表示的故障检测方法
CN110362886B (zh) 一种基于不确定性分析的城镇砌体住宅安全评估方法
CN112288193A (zh) 基于注意力机制的gru深度学习的海洋站表层盐度预测方法
CN114970377B (zh) 基于新安江与深度学习耦合模型的场次洪水预报方法和系统
CN116595327B (zh) 水闸变形监测数据预处理系统及方法
CN113095694B (zh) 一种适用于多地貌类型区的降雨输沙模型构建方法
CN114330120B (zh) 一种基于深度神经网络预测24小时pm2.5浓度的方法
Liu et al. Exploiting a real-time self-correcting digital twin model for the middle route of the south-to-north water diversion project of china
CN104569340B (zh) 地下环境质量测定方法及装置
CN116975763A (zh) 一种基于双谱和卷积神经网络的供水管网异常诊断方法
CN113610436B (zh) 一种承灾体动态脆弱性评估方法及系统
CN106403908B (zh) 基于时间序列的水深预测方法和系统
CN113435630B (zh) 一种产流模式自适应的流域水文预报方法及系统
CN109101759A (zh) 一种基于正逆响应面法的参数识别方法
CN115310258A (zh) 一种基于lstm的地下管道寿命预测方法

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