CN112149711A - 水文地形数据生成方法、装置、计算机设备和存储介质 - Google Patents

水文地形数据生成方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112149711A
CN112149711A CN202010819241.4A CN202010819241A CN112149711A CN 112149711 A CN112149711 A CN 112149711A CN 202010819241 A CN202010819241 A CN 202010819241A CN 112149711 A CN112149711 A CN 112149711A
Authority
CN
China
Prior art keywords
data
target
remote sensing
terrain
hydrological
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
CN202010819241.4A
Other languages
English (en)
Other versions
CN112149711B (zh
Inventor
刘俊国
王子丰
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.)
Southern University of Science and Technology
Original Assignee
Southern University of Science and Technology
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 Southern University of Science and Technology filed Critical Southern University of Science and Technology
Priority to CN202010819241.4A priority Critical patent/CN112149711B/zh
Publication of CN112149711A publication Critical patent/CN112149711A/zh
Application granted granted Critical
Publication of CN112149711B publication Critical patent/CN112149711B/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
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Graphics (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请涉及一种水文地形数据生成方法、装置、计算机设备和存储介质，包括：获取预设水文区域的目标地形数据以及目标遥感数据；目标遥感数据的空间分辨率优于目标地形数据的空间分辨率；将目标地形数据以及目标遥感数据进行融合处理，得到目标融合地形数据；基于目标融合地形数据的高程信息，构建与目标融合地形数据对应的栅格数据；栅格数据的空间分辨率与目标遥感数据的空间分辨率相匹配；对栅格数据进行汇流计算处理，根据处理结果得到目标水文地形数据。本申请通过融合处理，使得融合后得到的目标融合地形数据具备了目标遥感数据高分辨率的特性；在此基础上构建栅格数据并进行汇流计算，能够得到具有更高分辨率的水文地形数据。

Description

水文地形数据生成方法、装置、计算机设备和存储介质
技术领域
本申请涉及遥感技术领域，特别是涉及一种水文地形数据生成方法、装置、计算机设备和存储介质。
背景技术
随着人口的增长和人类工程能力的增强，人类改造自然的活动必然在一定程度上重塑地球的地形、地貌。在此背景下，水文地貌分析对于基础地形数据的要求将进一步提高，主要体现在要求水文地形数据具有高空间分辨率。
数字高程模型(Digital Elevation Model，DEM)是目前水文地形数据获取中最常用的数据源；然而，在流域及更大范围的尺度上，上述公开地形数据的分辨率已经难以满足高精度水文地貌分析的要求；因此，现有方式生成的水文地形数据的分辨率还较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高水文地形数据的分辨率的水文地形数据生成方法、装置、计算机设备和存储介质。
一种水文地形数据生成方法，所述方法包括：
获取预设水文区域的目标地形数据以及目标遥感数据；所述目标遥感数据的空间分辨率优于所述目标地形数据的空间分辨率；
将所述目标地形数据以及目标遥感数据进行融合处理，得到目标融合地形数据；
基于所述目标融合地形数据的高程信息，构建与所述目标融合地形数据对应的栅格数据；所述栅格数据的空间分辨率与所述目标遥感数据的空间分辨率相匹配；
对所述栅格数据进行汇流计算处理，根据处理结果得到目标水文地形数据。
在其中一个实施例中，所述获取预设水文区域的目标地形数据，包括：
确定构成所述预设水文区域的多幅数字高程模型数据；
在所述预设水文区域内，将多幅所述数字高程模型数据进行拼接处理，得到预设水文区域的地形数据；
对所述预设水文区域的地形数据进行高程修正，将修正后的地形数据作为所述目标地形数据。
在其中一个实施例中，所述根据预设的多光谱水指数对所述预设水文区域的地形数据进行高程修正，将修正后的地形数据作为所述目标地形数据，包括：
确定所述预设水文区域的地形数据的水面高程；
根据预设的多光谱水指数，对所述预设水文区域的地形数据的水面高程进行高程修正，得到所述目标地形数据。
在其中一个实施例中，所述预设的多光谱水指数为：
Figure BDA0002633873560000021
其中，MuWI为所述预设的多光谱水指数；ρ代表光谱反射率值，其下标代表相应的波段；
所述目标地形数据，通过下述方式计算得到：
hrevised＝h0-φMuWI；
其中，hrevised为进行高程修正后得到的目标地形数据；ho为所述预设水文区域的地形数据的水面高程；φ为修正参数。
在其中一个实施例中，所述目标遥感数据通过下述方式得到，包括：
获取预设水文区域的卫星遥感影像数据；
对所述卫星遥感影像数据进行校正处理，将校正处理后的所述卫星遥感影像数据作为所述目标遥感数据。
在其中一个实施例中，所述对所述栅格数据进行汇流计算，根据计算结果得到目标水文地形数据，包括：
根据所述栅格数据的高程确定所述栅格数据中栅格的水流方向；
基于所述栅格的水流方向，计算流经所述栅格的上游栅格数量，得到所述栅格的汇流累积量；
根据所述栅格的汇流累积量得到目标水文地形数据。
在其中一个实施例中，所述目标水文地形数据包含所述目标遥感数据的时相信息；
所述方法，还包括：
获取预设时相范围内多个不同时相信息对应的目标水文地形数据；
根据所述多个不同时相信息对应的目标水文地形数据，得到所述预设时相范围内水文地形数据的变化趋势特征。
一种水文地形数据生成装置，所述装置包括：
数据获取模块，用于获取预设水文区域的目标地形数据以及目标遥感数据；所述目标遥感数据的空间分辨率优于所述目标地形数据的空间分辨率；
融合处理模块，用于将所述目标地形数据以及目标遥感数据进行融合处理，得到目标融合地形数据；
栅格构建模块，用于基于所述目标融合地形数据的高程信息，构建与所述目标融合地形数据对应的栅格数据；所述栅格数据的空间分辨率与所述目标遥感数据的空间分辨率相匹配；
汇流计算模块，用于对所述栅格数据进行汇流计算处理，根据处理结果得到目标水文地形数据。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取预设水文区域的目标地形数据以及目标遥感数据；所述目标遥感数据的空间分辨率优于所述目标地形数据的空间分辨率；
将所述目标地形数据以及目标遥感数据进行融合处理，得到目标融合地形数据；
基于所述目标融合地形数据的高程信息，构建与所述目标融合地形数据对应的栅格数据；所述栅格数据的空间分辨率与所述目标遥感数据的空间分辨率相匹配；
对所述栅格数据进行汇流计算处理，根据处理结果得到目标水文地形数据。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取预设水文区域的目标地形数据以及目标遥感数据；所述目标遥感数据的空间分辨率优于所述目标地形数据的空间分辨率；
将所述目标地形数据以及目标遥感数据进行融合处理，得到目标融合地形数据；
基于所述目标融合地形数据的高程信息，构建与所述目标融合地形数据对应的栅格数据；所述栅格数据的空间分辨率与所述目标遥感数据的空间分辨率相匹配；
对所述栅格数据进行汇流计算处理，根据处理结果得到目标水文地形数据。
上述水文地形数据生成方法、装置、计算机设备和存储介质，包括：获取预设水文区域的目标地形数据以及目标遥感数据；目标遥感数据的空间分辨率优于目标地形数据的空间分辨率；将目标地形数据以及目标遥感数据进行融合处理，得到目标融合地形数据；基于目标融合地形数据的高程信息，构建与目标融合地形数据对应的栅格数据；栅格数据的空间分辨率与目标遥感数据的空间分辨率相匹配；对栅格数据进行汇流计算处理，根据处理结果得到目标水文地形数据。本申请通过将目标地形数据以及目标遥感数据进行融合处理，使得融合后得到的目标融合地形数据具备了目标遥感数据高分辨率的特性；在此基础上构建栅格数据并进行汇流计算，能够得到具有更高分辨率的水文地形数据。
附图说明
图1为一个实施例中水文地形数据生成方法的应用环境图；
图2为一个实施例中水文地形数据生成方法的流程示意图；
图3为一个实施例中获取预设水文区域的目标地形数据步骤的流程示意图；
图4为一个实施例中根据预设的多光谱水指数对预设水文区域的地形数据进行高程修正步骤的流程示意图；
图5为一个实施例中获取目标遥感数据步骤的流程示意图；
图6为一个实施例中对栅格数据进行汇流计算得到目标水文地形数据步骤的流程示意图；
图7为一个实施例中预设时相范围内水文地形数据的变化趋势特征方法的流程示意图；
图8为一个实施例中获取预设水文区域的目标地形数据步骤的流程示意图；
图9a为一个实施例中的目标地形数据示意图；
图9b为一个实施例中的目标水文地形数据示意图；
图9c为一个实施例中的水流方向示意图；
图10为一个实施例中水文地形数据生成装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的水文地形数据生成方法，可以应用于如图1所示的应用环境中。其中，终端11通过网络与服务器12进行通信。服务器12根据终端11发送的数据，获取得到预设水文区域的目标地形数据以及目标遥感数据；目标遥感数据的空间分辨率优于目标地形数据的空间分辨率；服务器12将目标地形数据以及目标遥感数据进行融合处理，得到目标融合地形数据；服务器12基于目标融合地形数据的高程信息，构建与目标融合地形数据对应的栅格数据；栅格数据的空间分辨率与目标遥感数据的空间分辨率相匹配；服务器12对栅格数据进行汇流计算处理，根据处理结果得到目标水文地形数据；服务器12将目标水文地形数据通过网络发送至终端11。
其中，终端11可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器12可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种水文地形数据生成方法，以该方法应用于图1中的服务器12为例进行说明，包括以下步骤：
步骤21，获取预设水文区域的目标地形数据以及目标遥感数据；目标遥感数据的空间分辨率优于目标地形数据的空间分辨率。
其中，目标地形数据是根据预设水文区域的实际尺度需要，将原始地形数据进行预处理后得到的地形数据，例如拼接、校正等处理；目标地形数据的区域范围大小与预设水文区域大小相匹配。同理，目标遥感数据也是根据预设水文区域的实际需要，将原始遥感数据进行预处理后得到的遥感数据，例如筛选、校正等处理；目标遥感数据的区域范围大小与预设水文区域大小相匹配。
目标地形数据可以是数字高程模型(Digital Elevation Model,DEM)；数字高程模型是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达)，它是用一组有序数值阵列形式表示地面高程的一种实体地面模型，是栅格化表达地形起伏的主要方法，也是进行水文地貌领域分析时采用的核心数据。数字高程模型因其栅格化的空间离散形式，使得其在计算机系统中的数据结构和存储模式相对简单，易于计算机程序计算；同时，其栅格数据的特征也与遥感影像数据有着天然的相合性。
目标遥感数据可以是经过预处理后的遥感影像；遥感影像(RS，Remote SensingImage)是指记录各种地物电磁波大小的胶片或照片，主要分为航空像片和卫星相片。目标遥感数据中包括空间分辨率(Spatial Resolution)，光谱分辨率(Spectral Resolution)，辐射分辨率(Radiant Resolution)以及时间分辨率(Temporal Resolution)等分辨率特征信息。空间分辨率指图像上能够详细区分的最小单元的尺寸或大小，光谱分辨率指遥感器接受目标辐射时能分辨的最小波长间隔，辐射分辨率指遥感器感测元件在接收光谱信号时能分辨的最小辐射度差，时间分辨率是关于遥感影像间隔时间的一项性能指标。
具体地，服务器从终端处获取待处理的地形数据以及遥感数据，结合预设水文区域对地形数据以及遥感数据进行预处理，例如将组成预设水文区域的多幅地形数据进行拼接，以及对预设水文区域遥感数据进行多项校正；将得到的能够满足与预设水文区域对应水文地形数据生成的数据，分别作为目标地形数据以及目标遥感数据。需要说明的是，在预设水文区域的范围内，目标遥感数据的空间分辨率应优于目标地形数据的空间分辨率，这样生成的水文地形数据才能够拥有更高的分辨率粒度。
本步骤通过获取目标地形数据以及目标遥感数据，得到与预设水文区域匹配的数据，同时目标遥感数据的空间分辨率优于目标地形数据的空间分辨率，生成的水文地形数据的空间分辨率也会大幅提升，能够得到具有更高分辨率的水文地形数据。
步骤22，将目标地形数据以及目标遥感数据进行融合处理，得到目标融合地形数据。
其中，融合可以是多种空间分辨率、辐射分辨率、波谱分辨率和时间分辨率的遥感数据之间，以及遥感数据与非遥感空间数据之间的信息进行多层次有机组合匹配的技术，包括空间几何配准和数据融合两个方面，融合后的数据是一组新的空间信息和合成图像。它以特征信息优化为原则，目的是将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合，提高遥感数据的可应用性和对地物的识别能力。融合(Image Fusion)在本申请中指的是通过多种计算方式，将多种类型的影像数据综合成具有更高分辨率的新图像数据。现有技术中，已经有能够将多源数据例如地形数据与遥感影像数据进行融合的多种方式，从层次上可分为：基于像元的融合、特征的融合以及决策融合；可根据具体生成数据的需要选择相应的融合方式进行融合处理。
具体地，服务器从终端处接收到数据融合处理请求，从数据融合处理请求中确定融合处理的具体方式、参数等信息；服务器获取之前预处理完成的目标地形数据以及目标遥感数据，根据参数要求进行融合处理，实现空间尺度的统一，得到融合后的目标融合地形数据。
本申请通过对目标地形数据以及目标遥感数据进行融合处理，得到目标融合地形数据，实现了空间尺度的统一，以及空间分辨率的初步提升，使得融合后得到的目标融合地形数据具备了目标遥感数据高分辨率的特性；在此基础上构建栅格数据并进行汇流计算，能够得到具有更高分辨率的水文地形数据。
步骤23，基于目标融合地形数据的高程信息，构建与目标融合地形数据对应的栅格数据；栅格数据的空间分辨率与目标遥感数据的空间分辨率相匹配。
其中，栅格数据是将地形数据分割成有规律的网格，每一个网格称为一个单元，并在各单元上赋予相应的属性值来表示实体的一种数据形式；栅格数据具有绝对性，即数据的计算的绝对结果，可以对不同类型的空间数据层进行叠加操作，不需进行复杂的几何计算，因此栅格数据能够简化系统的结构，适合计算机处理。栅格数据中点实体由一个栅格像元来表示；线实体由一定方向上连接成串的相邻栅格像元表示；面实体(区域)由具有相同属性的相邻栅格像元的块集合来表示。高程指的是某点沿铅垂线方向到绝对基面的距离。
具体地，服务器在目标融合地形数据上，依照目标遥感数据相应地构建空间栅格，基于目标融合地形数据的高程信息并在每个栅格上计算高程。新构建的栅格数据的空间分辨率高于原始地形数据的空间分辨率，以此提升了地形数据的分辨率。
本步骤服务器通过在目标融合地形数据构建与目标融合地形数据对应的栅格数据，使得栅格数据的空间分辨率与目标遥感数据的空间分辨率相匹配，达到了提升地形数据分辨率的技术效果。在此基础上构建栅格数据并进行汇流计算，能够得到具有更高分辨率的水文地形数据。
步骤24，对栅格数据进行汇流计算处理，根据处理结果得到目标水文地形数据。
具体地，对栅格数据进行汇流计算处理通常包含三个步骤，分别是填洼、流向计算和汇流累积。流向分析是基于D8单流向算法，如果分析使用的数据存在凹陷点，就会导致径流断流从而影响了分析结果，因此需要先对栅格数据进行填洼处理；填洼处理后，可以根据栅格数据中的高程信息计算水流向；在确定了栅格数据之间存在水流流向关系后，一个栅格有相邻的栅格汇入，相邻汇入的栅格也有其汇入的栅格，通过迭代递归识别所有这些汇入栅格，可以统计每个栅格的汇流累积量，代表为汇入到该栅格的所有栅格的个数，以此完成栅格数据的汇流计算处理，得到目标水文地形数据。
本步骤服务器通过对栅格数据进行汇流计算处理，根据处理结果得到目标水文地形数据；目标融合地形数据具备了目标遥感数据高分辨率的特性；在此基础上构建栅格数据并进行汇流计算，能够得到具有更高分辨率的水文地形数据。
上述水文地形数据生成方法，包括：获取预设水文区域的目标地形数据以及目标遥感数据；目标遥感数据的空间分辨率优于目标地形数据的空间分辨率；将目标地形数据以及目标遥感数据进行融合处理，得到目标融合地形数据；基于目标融合地形数据的高程信息，构建与目标融合地形数据对应的栅格数据；栅格数据的空间分辨率与目标遥感数据的空间分辨率相匹配；对栅格数据进行汇流计算处理，根据处理结果得到目标水文地形数据。本申请通过将目标地形数据以及目标遥感数据进行融合处理，使得融合后得到的目标融合地形数据具备了目标遥感数据高分辨率的特性；在此基础上构建栅格数据并进行汇流计算，能够得到具有更高分辨率的水文地形数据。
在一个实施例中，如图3所示，上述步骤21，获取预设水文区域的目标地形数据，包括：
步骤31，确定构成预设水文区域的多幅数字高程模型数据；
步骤32，在预设水文区域内，将多幅数字高程模型数据进行拼接处理，得到预设水文区域的地形数据；
步骤33，对预设水文区域的地形数据进行高程修正，将修正后的地形数据作为目标地形数据。
具体地，预设水文区域较大时，可能需要多幅数字高程模型数据才能将预设水文区域完整覆盖；因此首先需要根据预设水文区域确定出多幅数字高程模型数据。确定出构成预设水文区域的多幅数字高程模型数据后，需要对多幅数字高程模型数据进行拼接处理，使之形成一个整体且与预设水文区域相对应。本申请是水文地形数据生成方法，因此还需要根据相应的水体指数对拼接后的预设水文区域的地形数据进行高程修正，修成后即得到目标地形数据。
需要说明的是，水文地形数据适用于进行水文地貌分析，因此对于坡向信息较为敏感，有着较高的准确性要求，因此需要在多幅数字高程模型数据进行拼接处理过程中，采用均值方法控制多幅数据边界区域的重叠和误差。
本实施例根据预设水文区域确定出对应的多幅数字高程模型数据，拼接后得到与预设水文区域相匹配的整体地形数据，再经高程修正后作为可使用的目标地形数据。整体提升了水文地形数据生成方法所用数据的准确性。
在一个实施例中，如图4所示，上述步骤33，根据预设的多光谱水指数对预设水文区域的地形数据进行高程修正，将修正后的地形数据作为目标地形数据，包括：
步骤41，确定预设水文区域的地形数据的水面高程；
步骤42，根据预设的多光谱水指数，对预设水文区域的地形数据的水面高程进行高程修正，得到目标地形数据。
具体地，预设水文区域的地形数据在水体部分中通常提供的是水面高程，所以尤其需要对于这一部分的高程进行修正；由于需要对预设水文区域的地形数据的水面高程进行修正，因此需要先确定出水面高程作为原始高程数据；再获取预先构建好的多光谱水体指数，利用该多光谱水体指数对水面高程进行修正，从而更好得满足水文地形数据的生成以及水文地貌分析的要求。
本实施例通过对预设水文区域的地形数据的水面高程进行修正，使得修正后的目标地形数据更好的满足水文地形数据生成以及水文地貌分析的要求。
在一个实施例中，上述步骤41，预设的多光谱水指数为：
Figure BDA0002633873560000101
其中，MuWI为预设的多光谱水指数；ρ代表光谱反射率值，其下标代表相应的波段。
具体地，本申请构建了一种多光谱水指数，多光谱水指数是一种水深代用归一化指数；“水深代用”翻译自“proxy to water depth”；在地学领域，"proxy to..."一般用于某一变量难以直接获得，因而使用其它变量来近似替代该变量的情况；
该多光谱水指数为一种基于光学波段的多光谱水体指数，对于水体具有较好的指示性，因而可用于大范围的水深代用指标，用以指示地形的相对起伏状况。
另外，针对Sentinel-2卫星获取到的数据，还可以采用以下公式作为预设的多光谱水指数：
MuWI＝-4ND(2,3)+2ND(3,8)+2ND(3,12)-ND(3,11)；
其中，MuWI为预设的多光谱水指数；ND(i,j)为第i个波段与第j个波段的归一化差值。
目标地形数据，通过下述方式计算得到：
hrevised＝h0-φMuWI；
其中，hrevised为进行高程修正后得到的目标地形数据；ho为预设水文区域的地形数据的水面高程；φ为修正参数。
在一个实施例中，如图5所示，上述步骤21，目标遥感数据通过下述方式得到，包括：
步骤51，获取预设水文区域的卫星遥感影像数据；
步骤52，对卫星遥感影像数据进行校正处理，将校正处理后的卫星遥感影像数据作为目标遥感数据。
具体地，在数据库汇总检索待处理预设水文区域内的多幅光学卫星遥感影像；在进行校正处理之前，首先可以根据其元信息排除整幅影像云量小于10％的影像，以此抑制背景噪声及异常值的出现；同时获取筛选后的影像数据，并对获取的影像数据进行集合校正和辐射校正。可根据下述公式进行定标和校正处理：
Figure BDA0002633873560000111
其中，Lλ是辐射率，ρλ是大气层表观反射率，ESUNλ是太阳辐照度，θ是太阳高度角，d是太阳和地球之间的平均距离。
在一个实施例中，如图6所示，上述步骤24，对栅格数据进行汇流计算，根据计算结果得到目标水文地形数据，包括：
步骤61，根据栅格数据的高程确定栅格数据中栅格的水流方向；
步骤62，基于栅格的水流方向，计算流经栅格的上游栅格数量，得到栅格的汇流累积量；
步骤63，根据栅格的汇流累积量得到目标水文地形数据。
具体地，基于上一步中构建的修正高程的栅格数据，计算水流方向。在数据准备阶段，即目标地形数据以及目标遥感数据获取阶段，均已与预设水文区域相匹配，因此新构建的栅格数据同样与预设水文区域相匹配，并且包含了整个流域，可以直接计算每个栅格的汇流累积量，得到最终的水文地形数据。
在一个实施例中，如图7所示，目标水文地形数据包含目标遥感数据的时相信息；本方法，还包括：
步骤71，获取预设时相范围内多个不同时相信息对应的目标水文地形数据；
步骤72，根据多个不同时相信息对应的目标水文地形数据，得到预设时相范围内水文地形数据的变化趋势特征。
具体地，由于目标遥感数据包含有时间分辨率即单时相信息，因此我们可以通过替换其他时相连续的遥感数据，并重复上述水文地形数据的生成步骤，将获取到的多个单时相的目标水文地形数据融合为具有连续时间特征的多时相目标水文地形数据，即可实现可面向水文地貌分析的多时相高精度水文地形数据的提取和计算。
本实施例通过替换不同时相的遥感数据，能够不断生成其他连续时相的目标水文地形数据，能够用于多时相高精度水文地形数据的提取和计算；同时只需替换遥感数据即可，数据处理较为简单、整体运行速度较快、时间尺度的确定也较为灵活。
在一个实施例中，为了更清晰阐明本申请实施例提供的技术方案，以下将结合图8对本申请的整体架构进行详细说明，具体内容如下：
使用多幅数字高程模型数据，在整个预设水文区域内进行拼接，得到预设水文区域的地形数据。利用预设的多光谱水指数对预设水文区域的地形数据的水面高程进行高程修正，得到目标地形数据。获取预设水文区域的卫星遥感影像数据；对卫星遥感影像数据进行筛选、校正后得到目标遥感数据。
将目标地形数据以及目标遥感数据进行融合处理，得到目标融合地形数据；基于目标融合地形数据构建栅格数据；对栅格数据进行汇流计算处理，得到单时相的目标水文地形数据。
通过替换不同时相对应的卫星遥感影像数据，并重复上述步骤，即可得到多时相目标水文地形数据。
在一个实施例中，如图9a、图9b和图9c所示，是应用了本申请方法后，目标地形数据与目标水文地形数据分辨率的效果比较，图9a为目标地形数据，图9b为目标水文地形数据，图9c为水流方向图，可见目标水文地形数据的粒度明显优于目标地形数据；图9a中像素块面积较大，水文特征只能根据各个像素块的深浅以及大致连接特性进行判断；而图9b中像素块的面积明显缩小，同时整个区域内包含的像素块数量成倍提升，可以通过处理后得到的图9b直观地对水文特征进行判断并作出提取。因此，本申请可作为一种对低分辨率地形数据进行降尺度处理得到较高分辨率地形数据的方法。
应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图10所示，提供了一种水文地形数据生成装置，包括：数据获取模块101、融合处理模块102、栅格构建模块103和汇流计算模块104，其中：
数据获取模块101，用于获取预设水文区域的目标地形数据以及目标遥感数据；所述目标遥感数据的空间分辨率优于所述目标地形数据的空间分辨率；
融合处理模块102，用于将所述目标地形数据以及目标遥感数据进行融合处理，得到目标融合地形数据；
栅格构建模块103，用于基于所述目标融合地形数据的高程信息，构建与所述目标融合地形数据对应的栅格数据；所述栅格数据的空间分辨率与所述目标遥感数据的空间分辨率相匹配；
汇流计算模块104，用于对所述栅格数据进行汇流计算处理，根据处理结果得到目标水文地形数据。
在一个实施例中，数据获取模块101还用于确定构成所述预设水文区域的多幅数字高程模型数据；在所述预设水文区域内，将多幅所述数字高程模型数据进行拼接处理，得到预设水文区域的地形数据；对所述预设水文区域的地形数据进行高程修正，将修正后的地形数据作为所述目标地形数据。
在一个实施例中，数据获取模块101还用于确定所述预设水文区域的地形数据的水面高程；根据预设的多光谱水指数，对所述预设水文区域的地形数据的水面高程进行高程修正，得到所述目标地形数据。
在一个实施例中，数据获取模块101还用于获取预设水文区域的卫星遥感影像数据；对所述卫星遥感影像数据进行校正处理，将校正处理后的所述卫星遥感影像数据作为所述目标遥感数据。
在一个实施例中，汇流计算模块104还用于根据所述栅格数据的高程确定所述栅格数据中栅格的水流方向；基于所述栅格的水流方向，计算流经所述栅格的上游栅格数量，得到所述栅格的汇流累积量。
在一个实施例中，水文地形数据生成装置中还包括多时相目标水文地形数据处理装置，用于获取预设时相范围内多个不同时相信息对应的目标水文地形数据；根据所述多个不同时相信息对应的目标水文地形数据，得到所述预设时相范围内水文地形数据的变化趋势特征。
关于水文地形数据生成装置的具体限定可以参见上文中对于水文地形数据生成方法的限定，在此不再赘述。上述水文地形数据生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储水文地形数据生成数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种水文地形数据生成方法。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取预设水文区域的目标地形数据以及目标遥感数据；所述目标遥感数据的空间分辨率优于所述目标地形数据的空间分辨率；
将所述目标地形数据以及目标遥感数据进行融合处理，得到目标融合地形数据；
基于所述目标融合地形数据的高程信息，构建与所述目标融合地形数据对应的栅格数据；所述栅格数据的空间分辨率与所述目标遥感数据的空间分辨率相匹配；
对所述栅格数据进行汇流计算处理，根据处理结果得到目标水文地形数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定构成所述预设水文区域的多幅数字高程模型数据；在所述预设水文区域内，将多幅所述数字高程模型数据进行拼接处理，得到预设水文区域的地形数据；对所述预设水文区域的地形数据进行高程修正，将修正后的地形数据作为所述目标地形数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定所述预设水文区域的地形数据的水面高程；根据预设的多光谱水指数，对所述预设水文区域的地形数据的水面高程进行高程修正，得到所述目标地形数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取预设水文区域的卫星遥感影像数据；对所述卫星遥感影像数据进行校正处理，将校正处理后的所述卫星遥感影像数据作为所述目标遥感数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述栅格数据的高程确定所述栅格数据中栅格的水流方向；基于所述栅格的水流方向，计算流经所述栅格的上游栅格数量，得到所述栅格的汇流累积量；根据所述栅格的汇流累积量得到目标水文地形数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取预设时相范围内多个不同时相信息对应的目标水文地形数据；根据所述多个不同时相信息对应的目标水文地形数据，得到所述预设时相范围内水文地形数据的变化趋势特征。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取预设水文区域的目标地形数据以及目标遥感数据；所述目标遥感数据的空间分辨率优于所述目标地形数据的空间分辨率；
将所述目标地形数据以及目标遥感数据进行融合处理，得到目标融合地形数据；
基于所述目标融合地形数据的高程信息，构建与所述目标融合地形数据对应的栅格数据；所述栅格数据的空间分辨率与所述目标遥感数据的空间分辨率相匹配；
对所述栅格数据进行汇流计算处理，根据处理结果得到目标水文地形数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定构成所述预设水文区域的多幅数字高程模型数据；在所述预设水文区域内，将多幅所述数字高程模型数据进行拼接处理，得到预设水文区域的地形数据；对所述预设水文区域的地形数据进行高程修正，将修正后的地形数据作为所述目标地形数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定所述预设水文区域的地形数据的水面高程；根据预设的多光谱水指数，对所述预设水文区域的地形数据的水面高程进行高程修正，得到所述目标地形数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取预设水文区域的卫星遥感影像数据；对所述卫星遥感影像数据进行校正处理，将校正处理后的所述卫星遥感影像数据作为所述目标遥感数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述栅格数据的高程确定所述栅格数据中栅格的水流方向；基于所述栅格的水流方向，计算流经所述栅格的上游栅格数量，得到所述栅格的汇流累积量；根据所述栅格的汇流累积量得到目标水文地形数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取预设时相范围内多个不同时相信息对应的目标水文地形数据；根据所述多个不同时相信息对应的目标水文地形数据，得到所述预设时相范围内水文地形数据的变化趋势特征。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种水文地形数据生成方法，其特征在于，所述方法包括：
获取预设水文区域的目标地形数据以及目标遥感数据；所述目标遥感数据的空间分辨率优于所述目标地形数据的空间分辨率；
将所述目标地形数据以及目标遥感数据进行融合处理，得到目标融合地形数据；
基于所述目标融合地形数据的高程信息，构建与所述目标融合地形数据对应的栅格数据；所述栅格数据的空间分辨率与所述目标遥感数据的空间分辨率相匹配；
对所述栅格数据进行汇流计算处理，根据处理结果得到目标水文地形数据。
2.根据权利要求1所述的方法，其特征在于，所述获取预设水文区域的目标地形数据，包括：
确定构成所述预设水文区域的多幅数字高程模型数据；
在所述预设水文区域内，将多幅所述数字高程模型数据进行拼接处理，得到预设水文区域的地形数据；
对所述预设水文区域的地形数据进行高程修正，将修正后的地形数据作为所述目标地形数据。
3.根据权利要求2所述的方法，其特征在于，所述根据预设的多光谱水指数对所述预设水文区域的地形数据进行高程修正，将修正后的地形数据作为所述目标地形数据，包括：
确定所述预设水文区域的地形数据的水面高程；
根据预设的多光谱水指数，对所述预设水文区域的地形数据的水面高程进行高程修正，得到所述目标地形数据。
4.根据权利要求3所述的方法，其特征在于，所述预设的多光谱水指数为：
Figure FDA0002633873550000011
其中，MuWI为所述预设的多光谱水指数；ρ为光谱反射率值，其下标代表相应的波段；
所述目标地形数据，通过下述方式计算得到：
hrevised＝h0-φMuWI；
其中，hrevised为进行高程修正后得到的目标地形数据；ho为所述预设水文区域的地形数据的水面高程；φ为修正参数。
5.根据权利要求1所述的方法，其特征在于，所述目标遥感数据通过下述方式得到，包括：
获取预设水文区域的卫星遥感影像数据；
对所述卫星遥感影像数据进行校正处理，将校正处理后的所述卫星遥感影像数据作为所述目标遥感数据。
6.根据权利要求1所述的方法，其特征在于，所述对所述栅格数据进行汇流计算，根据计算结果得到目标水文地形数据，包括：
根据所述栅格数据的高程确定所述栅格数据中栅格的水流方向；
基于所述栅格的水流方向，计算流经所述栅格的上游栅格数量，得到所述栅格的汇流累积量；
根据所述栅格的汇流累积量得到目标水文地形数据。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述目标水文地形数据包含所述目标遥感数据的时相信息；
所述方法，还包括：
获取预设时相范围内多个不同时相信息对应的目标水文地形数据；
根据所述多个不同时相信息对应的目标水文地形数据，得到所述预设时相范围内水文地形数据的变化趋势特征。
8.一种水文地形数据生成装置，其特征在于，所述装置包括：
数据获取模块，用于获取预设水文区域的目标地形数据以及目标遥感数据；所述目标遥感数据的空间分辨率优于所述目标地形数据的空间分辨率；
融合处理模块，用于将所述目标地形数据以及目标遥感数据进行融合处理，得到目标融合地形数据；
栅格构建模块，用于基于所述目标融合地形数据的高程信息，构建与所述目标融合地形数据对应的栅格数据；所述栅格数据的空间分辨率与所述目标遥感数据的空间分辨率相匹配；
汇流计算模块，用于对所述栅格数据进行汇流计算处理，根据处理结果得到目标水文地形数据。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010819241.4A 2020-08-14 2020-08-14 水文地形数据生成方法、装置、计算机设备和存储介质 Active CN112149711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010819241.4A CN112149711B (zh) 2020-08-14 2020-08-14 水文地形数据生成方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010819241.4A CN112149711B (zh) 2020-08-14 2020-08-14 水文地形数据生成方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112149711A true CN112149711A (zh) 2020-12-29
CN112149711B CN112149711B (zh) 2023-10-10

Family

ID=73888145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010819241.4A Active CN112149711B (zh) 2020-08-14 2020-08-14 水文地形数据生成方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112149711B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505627A (zh) * 2021-03-31 2021-10-15 北京苍灵科技有限公司 遥感数据处理方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160307073A1 (en) * 2015-04-20 2016-10-20 Los Alamos National Security, Llc Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery
CN108647740A (zh) * 2018-05-16 2018-10-12 河海大学 利用高分辨率地形和气象因子进行多源降水融合的方法
CN109086715A (zh) * 2018-07-31 2018-12-25 天图软件科技有限公司 基于通导遥数据中间件的系统、装置和数据处理的方法
KR20200020209A (ko) * 2018-08-16 2020-02-26 (주)노루기반시스템즈 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160307073A1 (en) * 2015-04-20 2016-10-20 Los Alamos National Security, Llc Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery
CN108647740A (zh) * 2018-05-16 2018-10-12 河海大学 利用高分辨率地形和气象因子进行多源降水融合的方法
CN109086715A (zh) * 2018-07-31 2018-12-25 天图软件科技有限公司 基于通导遥数据中间件的系统、装置和数据处理的方法
KR20200020209A (ko) * 2018-08-16 2020-02-26 (주)노루기반시스템즈 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗竹;刘凯;张春亢;邓心远;马荣华;宋春桥;: "DEM在湖泊水文变化研究中的应用进展", 地球信息科学学报, no. 07, pages 108 - 119 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505627A (zh) * 2021-03-31 2021-10-15 北京苍灵科技有限公司 遥感数据处理方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN112149711B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
US9942440B2 (en) Image-based field boundary detection and identification
Osco et al. Semantic segmentation of citrus-orchard using deep neural networks and multispectral UAV-based imagery
US20230064454A1 (en) System and method for generating soil moisture data from satellite imagery using deep learning model
CN109308688B (zh) 一种可见光和近红外波段厚云及阴影去除方法
CN103218783A (zh) 基于控制点影像数据库的卫星遥感图像快速几何纠正方法
Liu et al. Comparative analysis of fractional vegetation cover estimation based on multi-sensor data in a semi-arid sandy area
Guan et al. An object-based linear weight assignment fusion scheme to improve classification accuracy using Landsat and MODIS data at the decision level
CN111062267B (zh) 一种时间序列遥感影像降维方法
CN108961199A (zh) 多源遥感数据时空融合方法及装置
Asare et al. Evaluation of gap-filling methods for Landsat 7 ETM+ SLC-off image for LULC classification in a heterogeneous landscape of West Africa
CN117575111A (zh) 一种基于迁移学习的农业遥感图像时空序列预测方法
Karakacan Kuzucu et al. Testing the potential of vegetation indices for land use/cover classification using high resolution data
Qian et al. Multi-year mapping of flood autumn irrigation extent and timing in harvested croplands of arid irrigation district
CN112149711B (zh) 水文地形数据生成方法、装置、计算机设备和存储介质
Ferrari et al. Fusing Sentinel-1 and Sentinel-2 images for deforestation detection in the Brazilian amazon under diverse cloud conditions
Vinod et al. Assessment of Trees Outside Forest (TOF) in urban landscape using High-Resolution satellite images and Deep learning techniques
Mohamed et al. Change detection techniques using optical remote sensing: a survey
Sreekesh et al. An OBIA and Rule Algorithm for Coastline Extraction from High-and Medium-Resolution Multispectral Remote Sensing Images
Feng et al. Calculation of the optimal segmentation scale in object-based multiresolution segmentation based on the scene complexity of high-resolution remote sensing images
US20240028957A1 (en) Methods and systems for high resolution and scalable crop yield forecasting
Zhou et al. Superpixel-based time-series reconstruction for optical images incorporating SAR data using autoencoder networks
Qadeer et al. Spatio-Temporal Crop Classification On Volumetric Data
Al-Doski et al. Improved land cover mapping using landsat 8 thermal imagery
Sakieh et al. An integrated spectral-textural approach for environmental change monitoring and assessment: analyzing the dynamics of green covers in a highly developing region
Desai et al. Automatic land cover classification with SAR imagery and Machine learning using Google Earth Engine

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