CN112270675B - 一种基于极化雷达遥感影像的城市内涝区域检测方法 - Google Patents
一种基于极化雷达遥感影像的城市内涝区域检测方法 Download PDFInfo
- Publication number
- CN112270675B CN112270675B CN202011257248.8A CN202011257248A CN112270675B CN 112270675 B CN112270675 B CN 112270675B CN 202011257248 A CN202011257248 A CN 202011257248A CN 112270675 B CN112270675 B CN 112270675B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- radar remote
- polarized radar
- urban
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 27
- 230000010287 polarization Effects 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 230000001427 coherent effect Effects 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 8
- 230000003287 optical effect Effects 0.000 abstract description 7
- 239000000126 substance Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 15
- 230000008859 change Effects 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于极化雷达遥感影像的城市内涝区域检测方法，包括以下步骤：S1：获取极化雷达遥感影像，并对极化雷达遥感影像进行预处理，提取其后向散射系数和干涉相干系数；S2：得到有意义的地物斑块；S3：提取城市范围；S4：构建城市洪水指数，根据城市洪水指数检测出城市内涝区域。本发明提供一种基于极化雷达遥感影像的城市内涝区域检测方法，根据城市受淹前和城市受淹中的后向散射系数和干涉相干系数的变化特征，构建城市洪水指数并通过城市洪水指数检测出城市内涝区域，实现对城市内涝区域的准确、及时提取，解决了由于洪水的发生常常伴随着多云多雨的天气，光学遥感无法获取有效的数据，导致难以及时获取洪水淹没信息的问题。
Description
技术领域
本发明涉及雷达遥感技术领域，更具体的，涉及一种基于极化雷达遥感影像的城市内涝区域检测方法。
背景技术
洪涝灾害是是城市区域经常发生的自然灾害之一。特别是近年来，随着全球气候变化及快速城市化，极端天气导致的城市洪水频发，给许多城市带来了巨大的经济损失，威胁着城市内居民的人身安全。城市洪水具有淹没范围大的特点，通过人工地面调查难以获取完整的受灾面积，而且会消耗大量人力和物力，延误应急救援时间。卫星遥感技术具有重返周期短、成像面积大、可连续观测等优势，为洪涝灾害的监测、制图以及评估提供了一种快速、安全、高效的工具。然而，由于洪水的发生常常伴随着多云多雨的天气，光学遥感无法获取有效的数据，导致难以及时获取洪水淹没信息。
现有技术中，如2018年07月24日公开的中国专利，城市防汛预警预报系统，公开号为CN108320462A，采用雷达雨量检测部件预测未来降雨信息，通过预测未来降雨信息分析出汛情，但不能实时检测出城市内涝区域。
发明内容
本发明为克服由于洪水的发生常常伴随着多云多雨的天气，光学遥感无法获取有效的数据，导致难以及时获取洪水淹没信息的技术缺陷，提供一种基于极化雷达遥感影像的城市内涝区域检测方法。
为解决上述技术问题，本发明的技术方案如下：
一种基于极化雷达遥感影像的城市内涝区域检测方法，包括以下步骤：
S1：获取城市受淹前和城市受淹中的极化雷达遥感影像，并对极化雷达遥感影像进行预处理，提取其后向散射系数和干涉相干系数；
S2：通过对受淹前和受淹中的全部极化雷达遥感影像的后向散射系数和干涉相干系数进行联合分割，得到有意义的地物斑块；
S3：基于城市受淹前的极化雷达遥感影像的后向散射系数和干涉相干系数提取城市区域分布范围；
S4：基于城市受淹前和城市受淹中的极化雷达遥感影像的后向散射系数和干涉相干系数的变化特征，构建城市洪水指数(Urban Flooding Index，UFI)，根据城市洪水指数检测出城市内涝区域；
在步骤S4中，假设图像t1，图像t2和图像t3分别是三景重复轨道的极化雷达遥感影像，其中，图像t1和图像t2是在城市受淹前获取的，图像t3是在城市受淹中获取的，则通过以下公式计算城市洪水指数：
其中，UFI表示城市洪水指数，UFI值越大代表该区域为城市内涝区域的可能性越大；σt2(VV)表示图像t2的VV极化后向散射系数；σt3(VV)表示图像t3的VV极化后向散射系数；ρt1t2(VV)表示图像t1和图像t2之间的干涉相干系数；ρt2t3(VV)表示图像t2和图像t3之间的干涉相干系数。
上述方案中，根据城市受淹前和城市受淹中的极化雷达遥感影像的后向散射系数和干涉相干系数的变化特征，构建城市洪水指数并通过城市洪水指数检测出城市内涝区域，实现对城市内涝区域的准确、及时提取，服务于城市洪涝灾害的实时救援管理，对城市洪水紧急救援、风险和损失评估、城市未来的规划发展具有重要意义。
优选的，在步骤S1中，获取的极化雷达遥感影像包括两景城市受淹前的极化雷达遥感影像和一景城市受淹中的极化雷达遥感影像。
优选的，在步骤S1中，对极化雷达遥感影像的预处理包括热噪声去除、辐射定标、多视处理、图像滤波和地形校正。
优选的，极化雷达遥感影像的后向散射系数通过辐射定标及对数转换得到。
优选的，极化雷达遥感影像的干涉相干系数通过以下公式计算得到：
其中，γ是干涉相干系数，范围从0到1，0是非相干，1是相干；S1和S2分别是两景精确配准的极化雷达遥感影像；*表示共轭复数。
优选的，在步骤S2中，利用多尺度分割算法对全部极化雷达遥感影像的后向散射系数和干涉相干系数进行联合分割，从而划分出有意义的地物斑块。
优选的，多尺度分割算法的最佳尺度参数采用启发式过程确定。
优选的，在步骤S3中，采用基于对象的随机森林算法，基于城市受淹前的极化雷达遥感影像的后向散射系数和干涉相干系数，进行土地覆盖分类，从而获取受淹前的城市区域分布范围。
优选的，在计算出UFI之后，还包括采用自动向量机(SVM)分类算法，基于UFI区分受淹和未受淹的城市区域，从而提取出城市内涝范围。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供了一种基于极化雷达遥感影像的城市内涝区域检测方法，根据城市受淹前和城市受淹中的极化雷达遥感影像的后向散射系数和干涉相干系数的变化特征，构建城市洪水指数并通过城市洪水指数检测出城市内涝区域，实现对城市内涝区域的准确、及时提取，服务于城市洪涝灾害的实时救援管理，对城市洪水紧急救援、风险和损失评估、城市未来的规划发展具有重要意义。
附图说明
图1为本发明的技术方案实施步骤流程图；
图2为本发明中所选取的研究区域的示意图；
图3为本发明中在洪水爆发前获取的Sentinel-1极化雷达遥感影像图；
图4为本发明中在洪水爆发前的另一日期获取的Sentinel-1极化雷达遥感影像图；
图5为本发明中在洪水爆发后获取的Sentinel-1极化雷达遥感影像图；
图6为图5中A处的吉林1号高分辨率光学遥感影像图；
图7为本发明中城市受淹前的两景雷达影像的VH极化干涉相干系数的示意图；
图8为本发明中城市受淹前的两景雷达影像的VV极化干涉相干系数的示意图；
图9为本发明中城市受淹前与城市受淹中两景雷达影像的VH极化干涉相干系数的示意图；
图10为本发明中城市受淹前与城市受淹中两景雷达影像的VV极化干涉相干系数的示意图；
图11为本发明中未对Sentinel-1雷达影像进行分割的示意图；
图12为本发明中将尺度参数设置为20时的联合分割结果示意图；
图13为本发明中将尺度参数设置为10时的联合分割结果示意图；
图14为本发明中将尺度参数设置为5时的联合分割结果示意图；
图15为本发明中城市受淹前的土地覆盖分类结果示意图；
图16为本发明中受淹城市与非受淹城市的城市洪水指数的对比结果示意图；
图17为本发明中受淹城市与非受淹城市的VV后向散射系数变化的对比结果示意图；
图18为本发明中受淹城市与非受淹城市的VV干涉相干系数变化的对比结果示意图；
图19为本发明中基于UFI的城市内涝区域检测结果示意图；
图20为图19中B处的局部放大图；
图21为本发明中基于后向散射系数变化的城市内涝区域检测结果示意图；
图22为图21中C处的局部放大图；
图23为本发明中基于干涉相干系数变化的城市内涝区域检测结果示意图；
图24为图23中D处的局部放大图；
图25为本发明中城市受淹前基于吉林1号高分辨率光学影像获取的真实城市内涝区域示意图；
图26为本发明中城市受淹中基于吉林1号高分辨率光学影像获取的真实城市内涝区域示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种基于极化雷达遥感影像的城市内涝区域检测方法，包括以下步骤：
S1：获取城市受淹前和城市受淹中的极化雷达遥感影像，并对极化雷达遥感影像进行预处理，提取其后向散射系数和干涉相干系数；
S2：通过对受淹前和受淹中的全部极化雷达遥感影像的后向散射系数和干涉相干系数进行联合分割，得到有意义的地物斑块；
S3：基于城市受淹前的极化雷达遥感影像的后向散射系数和干涉相干系数提取城市区域分布范围；
S4：基于城市受淹前和城市受淹中的极化雷达遥感影像的后向散射系数和干涉相干系数的变化特征，构建城市洪水指数(Urban Flooding Index,UFI)，根据城市洪水指数检测出城市内涝区域。
在具体实施过程中，根据城市受淹前和城市受淹中的极化雷达遥感影像的后向散射系数和干涉相干系数的变化特征，构建城市洪水指数并通过城市洪水指数检测出城市内涝区域，实现对城市内涝区域的准确及时提取，服务于城市洪涝灾害的实时救援管理，对城市洪水紧急救援、风险和损失评估、城市未来的规划发展具有重要意义。
更具体的，在步骤S1中，获取的极化雷达遥感影像包括两景城市受淹前的极化雷达遥感影像和一景城市受淹中的极化雷达遥感影像。
在具体实施过程中，获取的极化雷达遥感影像为Sentinel-1极化雷达遥感影像。欧洲航天局(ESA)陆续发射了Sentinel-1中等分辨率雷达遥感系列卫星。目前已有两颗卫星在轨运行，每颗卫星都配备了C波段(5.405GHz)雷达传感器。Sentinel-1可以在观测后三小时内向全球用户免费提供极化雷达遥感影像。与传统的单极化雷达遥感相比，极化雷达可以区分地表不同的散射机制，从而实现更好的地物分类精度。
更具体的，在步骤S1中，对极化雷达遥感影像的预处理包括热噪声去除、辐射定标、多视处理、图像滤波和地形校正。
在具体实施过程中，热噪声去除旨在消除Sentinel-1极化雷达遥感影像中的热噪声。多视处理主要通过降低像素的空间分辨率来改善极化雷达遥感影像的信噪比。利用Refined Lee滤波算法可以有效去除极化雷达遥感影像中的斑点噪声，同时保留极化信息和影像细节。地形矫正通过距离多普勒地形校正方法实现。
更具体的，极化雷达遥感影像的后向散射系数通过辐射定标及对数转换得到。
在具体实施过程中，通过辐射定标及对数转换将极化雷达遥感影像的数字信号转换为后向散射系数，以便不同时相极化雷达遥感影像的直接比较。
更具体的，极化雷达遥感影像的干涉相干系数通过以下公式计算得到：
其中，γ是干涉相干系数，范围从0到1，0是非相干，1是相干；S1和S2分别是两景精确配准的极化雷达遥感影像；*表示共轭复数。
在具体实施过程中，干涉相干系数为两景极化雷达遥感影像之间的复相关系数的幅度或绝对值。干涉相干系数对地表的各种变化具有很高的敏感性，能够衡量地物在一段时间内是否发生变化。
更具体的，在步骤S2中，利用多尺度分割算法对全部极化雷达遥感影像的后向散射系数和干涉相干系数进行联合分割，从而划分出有意义的地物斑块。
在具体实施过程中，多尺度分割算法是一种迭代算法，通过将相邻像素合并为一个对象，并将相邻的较小对象合并为较大的对象来创建图像对象。与传统的基于像素的分类和变化检测方法相比，基于图像对象的多尺度分割算法可以有效抑制雷达噪音、利用纹理特征来改善极化雷达遥感影像的分类和变化检测精度。
更具体的，多尺度分割算法的最佳尺度参数采用启发式过程确定。
在具体实施过程中，多尺度分割算法中的尺度参数控制所得图像对象的大小。
更具体的，在步骤S3中，采用基于对象的随机森林算法，基于城市受淹前的极化雷达遥感影像的后向散射系数和干涉相干系数，进行土地覆盖分类，从而获取受淹前的城市区域分布范围。
在具体实施过程中，在提取城市内涝区域前，需要进行城市区域制图，避免被洪水淹没的其它区域(如农田和树林)被错分为受淹城市。后向散射系数和干涉相干系数的结合可以有效提高土地覆盖分类精度，尤其是城市区域的提取精度。
更具体的，在步骤S4中，假设图像t1，图像t2和图像t3分别是三景重复轨道的极化雷达遥感影像，其中，图像t1和图像t2是在城市受淹前获取的，图像t3是在城市受淹中获取的，则通过以下公式计算城市洪水指数：
其中，UFI表示城市洪水指数，UFI值越大代表该区域为城市内涝区域的可能性越大；σt2(VV)表示图像t2的VV极化后向散射系数；σt3(VV)表示图像t3的VV极化后向散射系数；ρt1t2(VV)表示图像t1和图像t2之间的干涉相干系数；ρt2t3(VV)表示图像t2和图像t3之间的干涉相干系数。
在具体实施过程中，当城市受淹时，其极化雷达遥感影像的后向散射系数会增加，而干涉相干系数会降低，在VV极化上尤为显著。
更具体的，在计算出UFI之后，还包括采用自动向量机(SVM)分类算法，基于UFI区分受淹和未受淹的城市区域，从而提取出城市内涝范围。
实施例2
如图2所示，选取伊朗东北部的Golestan省作为研究区域。2019年3月中旬至4月初，伊朗发生了严重洪涝灾害，其中Golestan省是受灾最严重的地区之一。测试数据为2019年3月5日、3月17日、3月29日获取的Sentinel-1极化雷达遥感影像数据。其中，2019年3月5日与2019年3月17日的影像是在洪水爆发前获取的，2019年3月29日的影像是在洪水爆发后获取的。此外，还收集了2019年3月29日获取的吉林1号高分辨率光学遥感影像，用于选取验证样本来评估本发明中所述的一种基于极化雷达遥感影像的城市内涝区域检测方法的精度。
表1是Sentinel-1极化雷达遥感影像数据。
表1
首先利用ESA提供的SNAP 7.0软件对3个时相的Sentinel-1极化雷达遥感影像进行预处理，包括去除热噪音，辐射定标，多视处理，滤波降噪和地形校正等操作。而后，如图3-6所示，将处理后获取的后向散射系数转化为对数尺度，扩大地物之间的灰度差异，增加Sentinel-1极化雷达遥感影像的对比度。接着，对与图像t1和图像t2对应的两景Sentinel-1极化雷达遥感影像应用精确轨道文件，以校正雷达数据中的轨道状态矢量，进而对两景Sentinel-1极化雷达遥感影像进行精确配准。最后，如图7-10所示，利用SNAP 7.0软件中的相干系数计算工具估计城市受淹前的Sentinel-1极化雷达遥感影像间的干涉相干系数。对图像t2和图像t3对应的Sentinel-1极化雷达遥感影像间干涉相干系数的估计流程与对图像t1和图像t2对应的Sentinel-1极化雷达遥感影像间干涉相干系数的估计流程相同。
如图11-14所示，利用eCognition 9.01软件提供的尺度分割技术，对三景Sentinel-1极化雷达遥感影像中提取的后向散射系数和干涉相干系数进行联合分割。将尺度参数设置为10时，可以获取地块间的准确边界，同时避免分割的图像对象过于破碎。
基于城市受淹前和城市受淹中的两景Sentinel-1极化雷达遥感影像的后向散射系数和干涉相干系数，利用面向对象的随机森林算法进行土地覆盖分类。在基于面向对象的随机森林分类中，使用的特征包括所有Sentinel-1极化雷达遥感影像的影像平均值，标准方差，以及对象的面积。如图15所示，本实施例中将城市受淹前土地覆盖类型分为四类，包括裸地、植被、水体与建成区。精度评价结果显示土地覆盖分类的总体精度为93.35％，Kappa系数为0.91，其中建成区的生产者精度为93.93％，用户精度为95.17％。
此外，还对比了基于城市洪水指数、基于后向散射系数变化、基于干涉相干系数变化的城市内涝提取结果。如图16-18所示，UFI可以综合表达受淹城市在后向散射系数与干涉相干系数上的变化特征，因此与后向散射系数或干涉相干系数变化相比，可以明显增强受淹城市与非受淹城市的差异，从而实现更好的城市内涝检测结果，如图19-26所示。与基于后向散射系数变化或干涉相干系数变化的提取结果相比，基于UFI的城市内涝区域提取结果具有更高的检测精度和更低的误报率，分别为96.49％和2.06％。基于UFI的城市内涝区域提取的总精度也最高，为97.56％。
表2是不同方法的城市内涝区域检测精度。
表2
| 检测方法 | 总精度 | 检测精度 | 误报率 |
| 基于城市洪水指数的方法 | 97.56％ | 96.49％ | 2.06％ |
| 基于后向散射系数变化的方法 | 95.56％ | 95.71％ | 4.49％ |
| 基于干涉相干系数变化的方法 | 96.53％ | 94.77％ | 2.84％ |
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种基于极化雷达遥感影像的城市内涝区域检测方法，其特征在于，包括以下步骤：
S1：获取城市受淹前和城市受淹中的极化雷达遥感影像，并对极化雷达遥感影像进行预处理，提取其后向散射系数和干涉相干系数；
S2：通过对受淹前和受淹中的全部极化雷达遥感影像的后向散射系数和干涉相干系数进行联合分割，得到有意义的地物斑块；
S3：基于城市受淹前的极化雷达遥感影像的后向散射系数和干涉相干系数提取城市区域分布范围；
S4：基于城市受淹前和城市受淹中的极化雷达遥感影像的后向散射系数和干涉相干系数的变化特征，构建城市洪水指数，根据城市洪水指数检测出城市内涝区域；
在步骤S4中，假设图像t1，图像t2和图像t3分别是三景重复轨道的极化雷达遥感影像，其中，图像t1和图像t2是在城市受淹前获取的，图像t3是在城市受淹中获取的，则通过以下公式计算城市洪水指数:
其中，UFI表示城市洪水指数，UFI值越大代表该区域为城市内涝区域的可能性越大；σt2(VV)表示图像t2的VV极化后向散射系数；σt3(VV)表示图像t3的VV极化后向散射系数；ρt1t2(VV)表示图像t1和图像t2之间的干涉相干系数；ρt2t3(VV)表示图像t2和图像t3之间的干涉相干系数。
2.根据权利要求1所述的一种基于极化雷达遥感影像的城市内涝区域检测方法，其特征在于，在步骤S1中，获取的极化雷达遥感影像包括两景城市受淹前的极化雷达遥感影像和一景城市受淹中的极化雷达遥感影像。
3.根据权利要求1所述的一种基于极化雷达遥感影像的城市内涝区域检测方法，其特征在于，在步骤S1中，对极化雷达遥感影像的预处理包括热噪声去除、辐射定标、多视处理、图像滤波和地形校正。
4.根据权利要求3所述的一种基于极化雷达遥感影像的城市内涝区域检测方法，其特征在于，极化雷达遥感影像的后向散射系数通过辐射定标及对数转换得到。
5.根据权利要求3所述的一种基于极化雷达遥感影像的城市内涝区域检测方法，其特征在于，极化雷达遥感影像的干涉相干系数通过以下公式计算得到：
其中，γ是干涉相干系数，范围从0到1，0是非相干，1是相干；S1和S2分别是两景精确配准的极化雷达遥感影像；*表示共轭复数。
6.根据权利要求1所述的一种基于极化雷达遥感影像的城市内涝区域检测方法，其特征在于，在步骤S2中，利用多尺度分割算法对全部极化雷达遥感影像的后向散射系数和干涉相干系数进行联合分割，从而划分出有意义的地物斑块。
7.根据权利要求6所述的一种基于极化雷达遥感影像的城市内涝区域检测方法，其特征在于，多尺度分割算法的最佳尺度参数采用启发式过程确定。
8.根据权利要求1所述的一种基于极化雷达遥感影像的城市内涝区域检测方法，其特征在于，在步骤S3中，采用基于对象的随机森林算法，基于城市受淹前的极化雷达遥感影像的后向散射系数和干涉相干系数，进行土地覆盖分类，从而获取受淹前的城市区域分布范围。
9.根据权利要求1所述的一种基于极化雷达遥感影像的城市内涝区域检测方法，其特征在于，在计算出UFI之后，还包括采用自动向量机分类算法，基于UFI区分受淹和未受淹的城市区域，从而提取出城市内涝范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011257248.8A CN112270675B (zh) | 2020-11-11 | 2020-11-11 | 一种基于极化雷达遥感影像的城市内涝区域检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011257248.8A CN112270675B (zh) | 2020-11-11 | 2020-11-11 | 一种基于极化雷达遥感影像的城市内涝区域检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112270675A CN112270675A (zh) | 2021-01-26 |
| CN112270675B true CN112270675B (zh) | 2021-04-16 |
Family
ID=74340428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011257248.8A Active CN112270675B (zh) | 2020-11-11 | 2020-11-11 | 一种基于极化雷达遥感影像的城市内涝区域检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112270675B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114254561B (zh) * | 2021-12-17 | 2024-06-07 | 奥格科技股份有限公司 | 一种内涝预测方法、系统及存储介质 |
| CN114970259B (zh) * | 2022-05-20 | 2024-05-31 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流变压器建模方法、装置、设备、存储介质和程序产品 |
| CN115719164A (zh) * | 2022-11-22 | 2023-02-28 | 中国长江三峡集团有限公司 | 一种城市易涝点识别方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104915757A (zh) * | 2015-05-22 | 2015-09-16 | 同济大学 | 基于波段运算的洪涝灾害淹没评估信息处理方法 |
| CN106872956A (zh) * | 2017-02-28 | 2017-06-20 | 民政部国家减灾中心 | 洪涝灾害范围提取方法及系统 |
| CN107463944A (zh) * | 2017-07-11 | 2017-12-12 | 电子科技大学 | 一种利用多时相高分辨率sar图像的道路信息提取方法 |
| CN110415130A (zh) * | 2019-07-05 | 2019-11-05 | 中国平安财产保险股份有限公司 | 农业保险理赔方法、装置、设备及计算机可读存储介质 |
| CN110516646A (zh) * | 2019-09-02 | 2019-11-29 | 南京大学 | 一种结合极化分解与地形特征的表碛覆盖型冰川识别方法 |
| CN110570462A (zh) * | 2019-09-12 | 2019-12-13 | 中山大学 | 基于极化雷达遥感影像的洪水淹没范围自动提取方法 |
| CN110852262A (zh) * | 2019-11-11 | 2020-02-28 | 南京大学 | 基于时间序列高分一号遥感影像的农业用地提取方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10712446B1 (en) * | 2015-09-25 | 2020-07-14 | Apple Inc. | Remote sensing for detection and ranging of objects |
| CN106815559B (zh) * | 2016-12-21 | 2020-04-14 | 中国科学院深圳先进技术研究院 | 一种利用sar数据监测蚝排区域的方法及装置、用户设备 |
| CN108171245B (zh) * | 2017-10-09 | 2021-06-08 | 浙江海洋大学 | 一种基于缨帽变换的洪水淹没范围遥感信息提取方法及装置 |
| CN109711446B (zh) * | 2018-12-18 | 2021-01-19 | 中国科学院深圳先进技术研究院 | 一种基于多光谱影像和sar影像的地物分类方法及装置 |
| CN109884664B (zh) * | 2019-01-14 | 2022-12-02 | 武汉大学 | 一种城市地上生物量光学微波协同反演方法及系统 |
| CN110703244B (zh) * | 2019-09-05 | 2023-08-04 | 中国科学院遥感与数字地球研究所 | 基于遥感数据识别城区内水体的方法和装置 |
-
2020
- 2020-11-11 CN CN202011257248.8A patent/CN112270675B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104915757A (zh) * | 2015-05-22 | 2015-09-16 | 同济大学 | 基于波段运算的洪涝灾害淹没评估信息处理方法 |
| CN106872956A (zh) * | 2017-02-28 | 2017-06-20 | 民政部国家减灾中心 | 洪涝灾害范围提取方法及系统 |
| CN107463944A (zh) * | 2017-07-11 | 2017-12-12 | 电子科技大学 | 一种利用多时相高分辨率sar图像的道路信息提取方法 |
| CN110415130A (zh) * | 2019-07-05 | 2019-11-05 | 中国平安财产保险股份有限公司 | 农业保险理赔方法、装置、设备及计算机可读存储介质 |
| CN110516646A (zh) * | 2019-09-02 | 2019-11-29 | 南京大学 | 一种结合极化分解与地形特征的表碛覆盖型冰川识别方法 |
| CN110570462A (zh) * | 2019-09-12 | 2019-12-13 | 中山大学 | 基于极化雷达遥感影像的洪水淹没范围自动提取方法 |
| CN110852262A (zh) * | 2019-11-11 | 2020-02-28 | 南京大学 | 基于时间序列高分一号遥感影像的农业用地提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| Spatio-temporal variability of X-band radar backscatter and coherence over the Lena River Delta, Siberia;Sofia Antonova等;《Remote Sensing of Environment》;20160901;第182卷;第169-191页 * |
| 多时相双极化合成孔径雷达干涉测量土地覆盖分类方法;王馨爽等;《测绘学报》;20150531;第44卷(第5期);第955-965页 * |
| 玛纳斯河流域山区积雪的C波段SAR图像表征;贺广均等;《南京大学学报》;20150930;第51卷(第5期);第533-540页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112270675A (zh) | 2021-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mason et al. | Automatic near real-time selection of flood water levels from high resolution Synthetic Aperture Radar images for assimilation into hydraulic models: A case study | |
| Clement et al. | Multi‐temporal synthetic aperture radar flood mapping using change detection | |
| CN112270675B (zh) | 一种基于极化雷达遥感影像的城市内涝区域检测方法 | |
| Liu et al. | A complete high-resolution coastline of Antarctica extracted from orthorectified Radarsat SAR imagery | |
| Murray et al. | Texture-based classification of sub-Antarctic vegetation communities on Heard Island | |
| Szantoi et al. | Analyzing fine-scale wetland composition using high resolution imagery and texture features | |
| Pulvirenti et al. | Flood monitoring using multi-temporal COSMO-SkyMed data: Image segmentation and signature interpretation | |
| Billa et al. | Semi-automated procedures for shoreline extraction using single RADARSAT-1 SAR image | |
| Greifeneder et al. | Suitability of SAR imagery for automatic flood mapping in the Lower Mekong Basin | |
| KR101880616B1 (ko) | 해상풍과 해무 위성정보를 이용한 해무 예측 방법 | |
| Salameh et al. | Intertidal topography mapping using the waterline method from Sentinel-1 &-2 images: The examples of Arcachon and Veys Bays in France | |
| CN103236063A (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
| Obida et al. | River network delineation from Sentinel-1 SAR data | |
| Ohki et al. | Flood area detection using PALSAR-2 amplitude and coherence data: The case of the 2015 heavy rainfall in Japan | |
| CN113960595A (zh) | 一种地表形变监测方法及系统 | |
| Junqueira et al. | Estimation of river flow using CubeSats remote sensing | |
| Ogashawara et al. | The use of optical remote sensing for mapping flooded areas | |
| Dao et al. | Precipitation threshold for urban flood warning-an analysis using the satellite-based flooded area and radar-gauge composite rainfall data | |
| Ghaderi et al. | Detecting shoreline change employing remote sensing images (Case study: Beris Port-east of Chabahar, Iran) | |
| Karvonen | Estimation of Arctic land-fast ice cover based on dual-polarized Sentinel-1 SAR imagery | |
| Williams et al. | A technique for the identification and analysis of icebergs in synthetic aperture radar images of Antarctica | |
| Amitrano et al. | Flood detection with SAR: A review of techniques and datasets | |
| Wu et al. | Assessing the performance of the Tiangong-2 wide-swath imaging altimeter observations for water level monitoring over complex and shallow lakes | |
| Kwak et al. | Estimation of flood volume in Chao Phraya River basin, Thailand, from MODIS images couppled with flood inundation level | |
| Zhou et al. | Estimating muddy intertidal flat slopes under varied coastal morphology using sequential satellite data and spatial analysis |
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 |