CN111895979A - 基于gf-1影像和测高卫星的河流存量计算方法 - Google Patents

基于gf-1影像和测高卫星的河流存量计算方法 Download PDF

Info

Publication number
CN111895979A
CN111895979A CN202010794107.3A CN202010794107A CN111895979A CN 111895979 A CN111895979 A CN 111895979A CN 202010794107 A CN202010794107 A CN 202010794107A CN 111895979 A CN111895979 A CN 111895979A
Authority
CN
China
Prior art keywords
river
flow
station
calculating
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.)
Granted
Application number
CN202010794107.3A
Other languages
English (en)
Other versions
CN111895979B (zh
Inventor
段浩
贾玲
文京川
汪林
韩昆
赵红莉
蒋云钟
曹引
郝震
秦长海
陈非
王镕
毛文山
刘海滢
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 CN202010794107.3A priority Critical patent/CN111895979B/zh
Publication of CN111895979A publication Critical patent/CN111895979A/zh
Application granted granted Critical
Publication of CN111895979B publication Critical patent/CN111895979B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Hydrology & Water Resources (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Measuring Volume Flow (AREA)

Abstract

本发明公开了一种基于GF‑1影像和测高卫星的河流存量计算方法，包括：(1)选取典型河道断面确定实测水文站和观测水文站点，基于高分遥感影像和深度学习技术对站点间水体范围进行监测，获取关键水力学参数；(2)下载和处理选取河流的测高卫星数据，获取指定断面的水位变化数据；(3)通过实测站点的流量数据计算观测站的参考流量，利用水力学流量公式确定河道水体的最小深度；(4)计算观测站点河道流量并与实测值验证；(5)结合监测的流量、河宽和水体平均深度数据，计算断面水体流速，并计算实测站与观测站之间的河道槽蓄量。本发明实现了大尺度上的河道水量动态监测，有助于遥感监测技术在水资源管理业务中的应用和推广。

Description

基于GF-1影像和测高卫星的河流存量计算方法
技术领域
本发明涉及水资源遥感监测技术领域，特别涉及一种基于GF-1影像和测高卫星的河流存量计算方法。
背景技术
河道槽蓄量是地表水资源量的重要组成部分，同时槽蓄量计算也是河道演变分析、防洪调度的重要内容(陈望春，2017)。实现对河道槽蓄量的准确监测和模拟，不仅对流域开发及河道治理关系重大，同时也可直接服务于地表水资源量评估，支撑水资源的科学管理。
常见的监测河道槽蓄量的方法包括断面法(王伟，2014)、基于DEM的方法(李欣，2016)、水沙平衡法等。断面法是根据实测水下地形，按几何方法直接计算河道泥沙冲淤体积，并累加得到河道槽蓄量；基于DEM的方法是根据计算河道的数字高程模型，累积构成TIN的每个三角形区域上的槽蓄量；水沙平衡法分别计算上、下测站和区间输沙量，基于沙量平衡进行河道槽蓄量计算(张夏林，2006)。这些方法已在不同河段得到应用，并取得较好效果。但上述方法均受实际观测资料的限制，如地形、输沙量等，且只能监测指定断面间的槽蓄量，难以实现全河道的槽蓄量观测。
随着遥感技术的发展，通过遥感监测可获取越来越多的河道水力学参数，如河道宽度、河长等。而测高卫星技术的进步，又使通过卫星监测河道水位高度成为可能，由此产生了基于遥感数据的河道断面流量监测技术(Birkinshaw，2014)。同时，河道槽蓄量可根据断面流量及水体在断面间的传播时间确定(聶日霍夫斯基，1958)，但需以获取准确的水体流速为基础。
因此，将遥感监测技术用于河道槽蓄量监测，可充分发挥空间覆盖广、监测频次高的优势。但基于遥感数据获取高精度河道水体分布、并基于遥感监测计算槽蓄量的技术问题尚未解决。
参考文献
陈望春，郑静，张涛，等.汉江下游沙洋至汉口河段槽蓄量计算分析[J].水利水电快报，2017,38(1)：41-44。
王伟，叶敏，刘静波.河道槽蓄量计算模块功能设计与实现[J].人民长江，2014,45(2)：66-70。
李欣，张学明.水文传感网环境下的河道槽蓄量自动计算[J].测绘地理信息，2017,42(6)：50-52。
张夏林，翁正平，田宜平.基于DEM模型的河道槽蓄量计算方法与结果可视化[J].长江科学院院报，2006,23(2)：13-16。
Birkinshaw S J,Moore P,Kilsby C G,et al.Daily discharge estimation atungauged river sites using remote sensing[J].Hydrological Process,2014,28:1043-1054。
聶日霍夫斯基，岳進.多支流河段河槽蓄水量的确定[J].水文工作通讯，1958,(5)：7-9。
发明内容
本发明针对现有技术的缺陷，将深度学习与已有的河道流量监测技术结合，提供了一种基于GF-1影像和测高卫星的河流存量计算方法，解决了如何基于现有的遥感监测技术，获取河道断面间的槽蓄量的问题。
为了实现以上发明目的，本发明采取的技术方案如下：
一种基于GF-1影像和测高卫星的河流存量计算方法，包括以下步骤：
步骤1、选取典型河道断面确定实测水文站和观测水文站点，基于高分遥感影像和深度学习技术对站点间水体范围进行监测，获取关键水力学参数；
步骤2、下载和处理选取河流的测高卫星数据，获取指定断面的水位变化数据；
步骤3、通过实测站点的流量数据计算观测站的参考流量，利用水力学流量公式确定河道水体的最小深度；
步骤4、计算观测站点河道流量并与实测值验证；
步骤5、结合监测的流量、河宽和水体平均深度数据，计算断面水体流速，并计算实测站与观测站之间的河道槽蓄量。
进一步地，所述步骤1包括以下子步骤：
步骤11、选定要观测河道的两个断面水文站，并获取相关实测水位和流量过程数据，以其中一个站点为实测站，另一个为目标站，通过分析目标站的流量变化，并与目标站的实测数据进行对比来验证方法的有效性；
步骤12、指定研究期，下载研究期内5-6景能覆盖两个断面间河道范围的GF-1遥感影像，并对下载的影像进行预处理，标定水体样本；
步骤13、基于深度学习方法和标定的水体样本，对研究河道的水体范围进行识别，获取各遥感观测日的河道水面监测数据；
步骤14、基于河道水体的遥感监测结果和水文站的地形数据，计算两水文站间的河道长度、坡度及各监测日目标站的河道宽度等水力学参数。
进一步地，所述步骤2包括以下子步骤：
步骤21、下载监测河道水文站附近的测高卫星数据，根据卫星测高原理，将读取的测高数据代入水面测高公式进行计算，河道测高水位计算公式为：
Height＝Altitude–Range–Geo–Cor (1)
其中，Height为河道水位正高；Altitude为测高仪的椭球高；Range为测高仪的观测距离；Geo为大地基准面相对于参考椭球面高度；Cor为各项观测误差修正。
步骤22、结合河道水体范围的遥感监测结果，提取水文站断面范围内的测高数据点，经算数平均，得到观测日水文站的测高监测水位高度。
进一步地，所述步骤3包括以下子步骤：
步骤31、分析研究期内实测水文站的流量数据，获取实测站90％频率下的流量；
步骤32、根据实测站流量和汇流面积信息，计算目标站的参考流量，计算公式为：
Figure BDA0002624870450000041
其中，Q90是实测站点流量的90％；AT是目标水文站的汇流面积；AM是实测断面的汇流面积。
步骤33、根据水力学经验流量公式，计算河道水体的最小深度，流量的计算公式为：
Q＝7.22W1.02Y1.74S0.35 (3)
其中，7.22是流量系数；W为河道宽度；S为河道纵向坡度。因此利用该式求解Q的关键是如何建立河道水面高度(H)与河道平均水深(Y)的联系。
进一步地，所述步骤4包括以下子步骤：
步骤41、利用式(3)计算目标站的流量；
步骤42、将目标站的遥感监测流量与实测值进行比对，验证遥感观测的结果精度。
进一步地，所述步骤5包括以下子步骤：
步骤51、基于目标站的河道流量、河宽及平均水深数据，计算断面面积和流速，计算公式为：
Figure BDA0002624870450000051
其中，v是断面水体流速；W为河宽；Y为水体平均深度。
步骤52、利用断面流速和流量数据，计算两断面间的河道槽蓄量，计算方法如下：
步骤521、当断面为自河源起第一个断面时，槽蓄量为：
Figure BDA0002624870450000052
其中，Qriv是槽蓄量；Q1是断面流量；t是水体从河源流至监测断面的时间(以日计)。
步骤522、当两断面间无支流汇入，或汇入支流水量较小时，槽蓄量为：
Figure BDA0002624870450000053
其中，Q1和Q2是两断面的流量，t是水体在两断面间的传播时间。
步骤523、当两断面间有明显支流汇入时，槽蓄量为：
Figure BDA0002624870450000054
其中，Q3是支流汇入的流量。
与现有技术相比，本发明的优点在于：
融合了高分遥感数据、测高卫星数据和深度学习技术，具有有效、适用性强的特点，可以基于遥感监测开展河道槽蓄量的评价，实现了大尺度上的河道水量动态监测，有助于遥感监测技术在水资源管理业务中的应用和推广。
附图说明
图1为本发明实施例基于遥感监测数据提取河道槽蓄量的流程示意图。
图2为本发明实施例利用测高卫星监测的河道水位与实测水位对比图。
图3为本发明实施例基于深度学习提取的三门峡断面附近河道水体范围。
图4为本发明实施例计算得到的潼关站实测流量与监测流量对比。
图5为本发明实施例估算的潼关站与三门峡站之间河道槽蓄量。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。
如图1所示，一种基于GF-1影像和测高卫星的河流存量计算方法，包括：
步骤1、选取典型河道断面确定实测水文站和目标观测站(简称“目标站”)，基于高分遥感影像和深度学习技术对站点间水体范围进行监测，获取关键水力学参数；
步骤2、下载和处理选取河流的测高卫星数据，获取指定断面的水位变化数据；
步骤3、通过实测站点的流量数据计算观测站的参考流量，利用水力学流量公式确定河道水体的最小深度；
步骤4、计算观测站点河道流量并与实测值验证；
步骤5、结合监测的流量、河宽和水体平均深度数据，计算水体流速，并计算实测站与观测站之间的河道槽蓄量。
以下是对上述流程的具体分析：
步骤a、根据研究湖库位置及水体范围，选取和下载对应卫星测高数据，并进行基本编辑处理；
选取黄河干流的潼关断面和三门峡断面，监测这两个断面间的河道槽蓄量。分别采集2019年这两个断面的流量和水位监测数据，以三门峡站为实测站，潼关站为目标站，通过利用遥感数据监测潼关站的流量过程，来验证本发明中监测方法对流量监测的有效性；
下载目标河段上2018年9月-2019年7月的6期GF-1遥感影像，并在对影像进行预处理后，对目标河段范围的水体进行标定，获取用于深度学习的训练样本，样本的选择沿河道走向确定，选择纯净的水体像元进行标定；
提出基于深度学习算法和标定的水体样本，获取研究河道的高精度水体范围进行提取，在训练模型时epochs设为30，采样速率为16，solid distance为1，class weight为0.3～2，loss weight为0.6，然后利用训练的模型对遥感影像进行河道水体面积的提取，最后将提取的水体范围转换为矢量文件；
基于河道水体提取结果(图2)，利用GIS的统计功能，计算潼关站与三门峡站之间的河道长度，并结合两个测站的高差计算河道的坡度，同时基于断面的河道监测结果，量算河道水面的宽度。
步骤b、下载和处理选取河流的测高卫星数据，获取指定断面的水位变化数据；
下载潼关水文站附近的哨兵3号测高卫星数据，根据卫星测高原理，读取测高数据中的各属性字段，并将读取的测高数据代入水面测高公式进行计算，河道测高水位计算公式为：
Height＝Altitude–Range–Geo–Cor (1)
其中，Height为河道水位正高；Altitude为测高仪的椭球高；Range为测高仪的观测距离；Geo为大地基准面相对于参考椭球面高度；Cor为各项观测误差修正。
如图3所示，结合河道水体范围的遥感监测结果，提取潼关站断面河道范围内的测高数据点，经算数平均，得到各测高卫星观测日潼关站的监测水位平均值，共得到2019年14个观测日的测高卫星观测的水位数据。
步骤c、通过实测站点的流量数据计算观测站的参考流量，利用水力学流量公式确定河道水体的最小深度；
分析采集的三门峡站2019年内的实测流量数据，统计该站点2019年内达到90％的流量数据；
根据三门峡站流量和汇流面积信息，计算潼关站的参考流量，计算公式为：
Figure BDA0002624870450000081
其中，Q90是实测站点流量的90％；AT是潼关水文站的汇流面积；AM是三门峡站的汇流面积。
在得到潼关站的参考流量后，进一步根据水力学流量公式，计算出在参考流量时该断面的河道水体最小深度，流量的计算公式为：
Q＝7.22W1.02Y1.74S0.35 (3)
其中，7.22是流量系数；W为河道宽度；S为河道纵向坡度。Y是河道平均水深。利用该式求解Q的关键是如何建立河道水面高度(H)与河道平均水深的联系，当Qref为已知量后，可根据该式求解相应的河道最小水位高度(假定河槽近似矩形，流量为0时的水位)，以便根据测高卫星观测结果确定相应日期的河道水深。
步骤d、计算观测站点河道流量并与实测值验证。
根据潼关站的参考流量Qref，计算参考流量对应的河道平均水深，并根据测高监测数据得到潼关断面流量为0时的河道水位高度。
根据测高卫星观测的河道水位，计算得到各观测日的潼关断面平均水深，并根据式(3)计算潼关站的流量，最后将计算结果与实测流量进行对比(图4)，验证遥感观测流量结果的精度。
步骤e、结合监测的流量、河宽和水体平均深度数据，计算水体流速，并计算实测站与观测站之间的河道槽蓄量。
基于潼关站的河道流量、河宽及平均水深数据，计算断面面积和流速，计算公式为：
Figure BDA0002624870450000091
其中，v是断面水体流速；W为河宽；Y为水体平均深度。
利用断面流速和流量数据，计算两断面间的河道槽蓄量，潼关站与三门峡站之间可视为无支流汇入，该河段的河道槽蓄量计算方法为：
Figure BDA0002624870450000092
其中，Q1和Q2是两断面的流量，t是水体在两断面间的传播时间，最终得到潼关站与三门峡站之间河道槽蓄量及水体平均流速的变化过程(图5)。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (6)

1.一种基于GF-1影像和测高卫星的河流存量计算方法，包括以下步骤：
步骤1、选取典型河道断面确定实测水文站和观测水文站点，基于高分遥感影像和深度学习技术对站点间水体范围进行监测，获取关键水力学参数；
步骤2、下载和处理选取河流的测高卫星数据，获取指定断面的水位变化数据；
步骤3、通过实测站点的流量数据计算观测站的参考流量，利用水力学流量公式确定河道水体的最小深度；
步骤4、计算观测站点河道流量并与实测值验证；
步骤5、结合监测的流量、河宽和水体平均深度数据，计算断面水体流速，并计算实测站与观测站之间的河道槽蓄量。
2.根据权利要求1所述的河流存量计算方法，其特征在于：所述步骤1包括以下子步骤：
步骤11、选定要观测河道的两个断面水文站，并获取相关实测水位和流量过程数据，以其中一个站点为实测站，另一个为目标站，通过分析目标站的流量变化，并与目标站的实测数据进行对比来验证方法的有效性；
步骤12、指定研究期，下载研究期内5-6景能覆盖两个断面间河道范围的GF-1遥感影像，并对下载的影像进行预处理，标定水体样本；
步骤13、基于深度学习方法和标定的水体样本，对研究河道的水体范围进行识别，获取各遥感观测日的河道水面监测数据；
步骤14、基于河道水体的遥感监测结果和水文站的地形数据，计算两水文站间的河道长度、坡度及各监测日目标站的河道宽度等水力学参数。
3.根据权利要求1所述的河流存量计算方法，其特征在于：所述步骤2包括以下子步骤：
步骤21、下载监测河道水文站附近的测高卫星数据，根据卫星测高原理，将读取的测高数据代入水面测高公式进行计算，河道测高水位计算公式为：
Height＝Altitude–Range–Geo–Cor (1)
其中，Height为河道水位正高；Altitude为测高仪的椭球高；Range为测高仪的观测距离；Geo为大地基准面相对于参考椭球面高度；Cor为各项观测误差修正；
步骤22、结合河道水体范围的遥感监测结果，提取水文站断面范围内的测高数据点，经算数平均，得到观测日水文站的测高监测水位高度。
4.根据权利要求1所述的河流存量计算方法，其特征在于：所述步骤3包括以下子步骤：
步骤31、分析研究期内实测水文站的流量数据，获取实测站90％频率下的流量；
步骤32、根据实测站流量和汇流面积信息，计算目标站的参考流量，计算公式为：
Figure FDA0002624870440000021
其中，Q90是实测站点流量的90％；AT是目标水文站的汇流面积；AM是实测断面的汇流面积；
步骤33、根据水力学经验流量公式，计算河道水体的最小深度，流量的计算公式为：
Q＝7.22W1.02Y1.74S0.35 (3)
其中，7.22是流量系数；W为河道宽度；S为河道纵向坡度；因此利用该式求解Q的关键是如何建立河道水面高度H与河道平均水深Y的联系。
5.根据权利要求1所述的河流存量计算方法，其特征在于：所述步骤4包括以下子步骤：
步骤41、利用式(3)计算目标站的流量；
步骤42、将目标站的遥感监测流量与实测值进行比对，验证遥感观测的结果精度。
6.根据权利要求1所述的河流存量计算方法，其特征在于：所述步骤5包括以下子步骤：
步骤51、基于目标站的河道流量、河宽及平均水深数据，计算断面面积和流速，计算公式为：
Figure FDA0002624870440000031
其中，v是断面水体流速；W为河宽；Y为水体平均深度；
步骤52、利用断面流速和流量数据，计算两断面间的河道槽蓄量，计算方法如下：
步骤521、当断面为自河源起第一个断面时，槽蓄量为：
Figure FDA0002624870440000032
其中，Qriv是槽蓄量；Q1是断面流量；t是水体从河源流至监测断面的时间(以日计)；
步骤522、当两断面间无支流汇入，或汇入支流水量较小时，槽蓄量为：
Figure FDA0002624870440000033
其中，Q1和Q2是两断面的流量，t是水体在两断面间的传播时间；
步骤523、当两断面间有明显支流汇入时，槽蓄量为：
Figure FDA0002624870440000041
其中，Q3是支流汇入的流量。
CN202010794107.3A 2020-08-10 2020-08-10 基于gf-1影像和测高卫星的河流存量计算方法 Active CN111895979B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010794107.3A CN111895979B (zh) 2020-08-10 2020-08-10 基于gf-1影像和测高卫星的河流存量计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010794107.3A CN111895979B (zh) 2020-08-10 2020-08-10 基于gf-1影像和测高卫星的河流存量计算方法

Publications (2)

Publication Number Publication Date
CN111895979A true CN111895979A (zh) 2020-11-06
CN111895979B CN111895979B (zh) 2021-11-23

Family

ID=73247335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010794107.3A Active CN111895979B (zh) 2020-08-10 2020-08-10 基于gf-1影像和测高卫星的河流存量计算方法

Country Status (1)

Country Link
CN (1) CN111895979B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112729258A (zh) * 2021-04-02 2021-04-30 长江水利委员会水文局 一种基于卫星大数据的河流流量连续测量方法
CN112948767A (zh) * 2021-02-24 2021-06-11 长江水利委员会水文局 基于长序列adcp流量模的在线测流方案推荐方法
CN113129318A (zh) * 2021-04-25 2021-07-16 水利部信息中心 一种利用sar影像计算蓄滞洪区蓄水量的方法
WO2022188338A1 (zh) * 2021-03-09 2022-09-15 长江水利委员会水文局 一种基于多星源信息耦合的高精度水道重构方法
US11566895B2 (en) 2021-04-02 2023-01-31 Bureau Of Hydrology, Changjiang Water Resources Commission Method for continuous measurement of river flow based on satellite big data

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110864675A (zh) * 2019-10-16 2020-03-06 同济大学 一种基于视频的水域流量流速监测系统及方法
KR20200032452A (ko) * 2018-09-18 2020-03-26 한국해양과학기술원 해상 유출유의 이동 추적 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR20200032452A (ko) * 2018-09-18 2020-03-26 한국해양과학기술원 해상 유출유의 이동 추적 방법 및 장치
CN110864675A (zh) * 2019-10-16 2020-03-06 同济大学 一种基于视频的水域流量流速监测系统及方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112948767A (zh) * 2021-02-24 2021-06-11 长江水利委员会水文局 基于长序列adcp流量模的在线测流方案推荐方法
WO2022188338A1 (zh) * 2021-03-09 2022-09-15 长江水利委员会水文局 一种基于多星源信息耦合的高精度水道重构方法
CN112729258A (zh) * 2021-04-02 2021-04-30 长江水利委员会水文局 一种基于卫星大数据的河流流量连续测量方法
WO2022205708A1 (zh) * 2021-04-02 2022-10-06 长江水利委员会水文局 一种基于卫星大数据的河流流量连续测量方法
US11566895B2 (en) 2021-04-02 2023-01-31 Bureau Of Hydrology, Changjiang Water Resources Commission Method for continuous measurement of river flow based on satellite big data
CN113129318A (zh) * 2021-04-25 2021-07-16 水利部信息中心 一种利用sar影像计算蓄滞洪区蓄水量的方法

Also Published As

Publication number Publication date
CN111895979B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN111895979B (zh) 基于gf-1影像和测高卫星的河流存量计算方法
CN111651885B (zh) 一种智慧型海绵城市洪涝预报方法
Li et al. A gully erosion assessment model for the Chinese Loess Plateau based on changes in gully length and area
Kjeldsen et al. Spatial and temporal distribution of mass loss from the Greenland Ice Sheet since AD 1900
Talebmorad et al. Hydro geo-sphere integrated hydrologic model in modeling of wide basins
Ebrahimzadeh et al. An improved RUSLE/SDR model for the evaluation of soil erosion
Lange et al. A noncalibrated rainfall‐runoff model for large, arid catchments
Gül et al. A combined hydrologic and hydraulic modeling approach for testing efficiency of structural flood control measures
CN110849335B (zh) 一种无水下地形资料的堰塞湖水量库容遥感快速测定方法
Frankl et al. Factors controlling the morphology and volume (V)–length (L) relations of permanent gullies in the northern Ethiopian Highlands
Ahmad et al. Estimation of a unique pair of Nash model parameters: an optimization approach
CN109597868B (zh) 一种大范围淤地坝位置确定方法
CN112729258B (zh) 一种基于卫星大数据的河流流量连续测量方法
Aqnouy et al. Assessment of the SWAT model and the parameters affecting the flow simulation in the watershed of Oued Laou (Northern Morocco)
Li et al. Implementation and testing of routing algorithms in the distributed Hydrologiska Byråns Vattenbalansavdelning model for mountainous catchments
Abbas et al. Improving river flow simulation using a coupled surface-groundwater model for integrated water resources management
Yang et al. Bank gully extraction from DEMs utilizing the geomorphologic features of a loess hilly area in China
Dean et al. Temporally and areally distributed rainfall
Pakoksung et al. Effect of DEM sources on distributed hydrological model to results of runoff and inundation area
Dasgupta et al. Earth observation and hydraulic data assimilation for improved flood inundation forecasting
Herrero et al. Modeling the sedimentary response of a large Pyrenean basin to global change
Mustafa et al. Application of swat model for sediment loads from valleys transmitted to Haditha reservoir
St-Hilaire et al. Breathing a new life to an older model: The CEQUEAU tool for flow and water temperature simulations and forecasting
Woldemichael et al. Role of land–water classification and Manning's roughness parameter in space-borne estimation of discharge for braided rivers: A case study of the Brahmaputra River in Bangladesh
Zhou et al. Calibrating a hydrodynamic model using water surface elevation determined from ICESat-2 derived cross-section and Sentinel-2 retrieved sub-pixel river width

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