CN112285710A - 一种多源遥感水库蓄水量估算方法与装置 - Google Patents
一种多源遥感水库蓄水量估算方法与装置 Download PDFInfo
- Publication number
- CN112285710A CN112285710A CN202010996903.5A CN202010996903A CN112285710A CN 112285710 A CN112285710 A CN 112285710A CN 202010996903 A CN202010996903 A CN 202010996903A CN 112285710 A CN112285710 A CN 112285710A
- Authority
- CN
- China
- Prior art keywords
- water
- reservoir
- remote sensing
- storage capacity
- image 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 438
- 238000003860 storage Methods 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000005855 radiation Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000002310 reflectometry Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 239000005436 troposphere Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000005433 ionosphere Substances 0.000 claims description 3
- 210000001747 pupil Anatomy 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012896 Statistical algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- WKVZMKDXJFCMMD-UVWUDEKDSA-L (5ar,8ar,9r)-5-[[(2r,4ar,6r,7r,8r,8as)-7,8-dihydroxy-2-methyl-4,4a,6,7,8,8a-hexahydropyrano[3,2-d][1,3]dioxin-6-yl]oxy]-9-(4-hydroxy-3,5-dimethoxyphenyl)-5a,6,8a,9-tetrahydro-5h-[2]benzofuro[6,5-f][1,3]benzodioxol-8-one;azanide;n,3-bis(2-chloroethyl)-2-ox Chemical compound [NH2-].[NH2-].Cl[Pt+2]Cl.ClCCNP1(=O)OCCCN1CCCl.COC1=C(O)C(OC)=CC([C@@H]2C3=CC=4OCOC=4C=C3C(O[C@H]3[C@@H]([C@@H](O)[C@@H]4O[C@H](C)OC[C@H]4O3)O)[C@@H]3[C@@H]2C(OC3)=O)=C1 WKVZMKDXJFCMMD-UVWUDEKDSA-L 0.000 description 1
- 241000872198 Serjania polyphylla Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- 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
Abstract
本发明提供一种多源遥感水库蓄水量估算方法与装置，方法包括：步骤1，获取多源遥感影像数据和RA数据，并进行预处理；步骤2，利用配准技术对预处理后的MSI影像数据和SAR影像数据进行配准；步骤3，通过配准后的MSI影像数据获得第一水域面积；通过配准后的SAR影像数据获得第二水域面积；步骤4，基于第一水域面积和第二水域面积对水域面积进行修正处理，得到水库的多源遥感水域面积；步骤5，通过RA数据提取水库的遥测水位；步骤6，基于遥测水位和多源遥感水域面积构建水库的“多源遥感水库蓄水量估算”模型；步骤7，通过“多源遥感水库蓄水量估算”模型能够估算蓄水量。通过本发明的模型估算出的水库蓄水量更加准确。
Description
技术领域
本发明属于水库蓄水量技术领域，具体涉及一种多源遥感水库蓄水量估算方法与装置。
背景技术
水库蓄水量是水库健康运行的重要指标之一，与区域的气候、湿度、降水等密切相关，研究水库蓄水量对合理地保护和利用水资源以及制定相关政策十分必要。
传统方法主要依靠人工到现场布设各种监测仪器来获取数据，通过绘制库区地图并将其分割成等高线、三角网等来达到对水域面积的提取，上述方法不仅耗费大量的人力、物力和财力，而且水域面积的测量精度受制图精度的影响较大导致测量精度较低，网络数据传输时易受网路故障的影响。传统方法所利用的仪器也常因天气恶劣和日常消耗而损坏，从而导致数据的缺失，使得估算结果较差。
相对于传统方法，遥感方法具有监测范围广、收集信息快和工作平台多样化等优势，单一遥感方法主要利用遥感技术对水库的一种参数进行提取，其它参数则采用现场调查的方式获取，这种方法研究手段单一，在同一时期，获取的可用数据少，精度相对较低。对于蓄水量的估算，目前多采用地面实测数据和网络数据作为数据源，采集数据的手段没有改进。
因此，需要提供一种针对上述现有技术中不足的改进技术方案。
发明内容
本发明的目的是提供一种多源遥感水库蓄水量估算方法与装置，用以克服现有水库蓄水量估算结果精度较差的问题。
为了实现上述目的，本发明提供如下技术方案：
一种多源遥感水库蓄水量估算方法，包括如下步骤：
步骤1，获取多源遥感影像数据和RA数据，并进行预处理；
所述多源遥感包括星载MSI、星载SAR和星载RA，通过所述星载MSI获得水库的MSI影像数据，通过所述星载SAR获得水库的SAR影像数据；通过所述星载RA获得水库的RA数据；
步骤2，利用配准技术对预处理后的MSI影像数据和预处理后的SAR影像数据进行配准；所述配准能够使预处理后的MSI影像数据和预处理后的SAR影像数据在像素尺度和研究区域的大小相统一；
步骤3，通过配准后的MSI影像数据和SAR影像数据分别获取同一水库的水域面积；将通过配准后的MSI影像数据获得的水域面积定义为第一水域面积；将通过配准后的SAR影像数据获得的水域面积定义为第二水域面积；
步骤4，基于所述第一水域面积和所述第二水域面积对水库的水域面积进行修正处理，得到水库的多源遥感水域面积；
步骤5，通过所述RA数据提取水库的遥测水位；
步骤6，基于所述遥测水位和所述水库的多源遥感水域面积构建所述水库的“多源遥感水库蓄水量估算”模型；
步骤7，通过所述水库的“多源遥感水库蓄水量估算”模型能够估算出在不同遥测水位下的蓄水量。
进一步的，步骤1中，对所述MSI影像数据的预处理，包括辐射定标和大气校正；
对MSI影像数据进行辐射定标：
Ni＝Ai×Li+Ci
式中，i为传感器入瞳处的波段，Ni为波段i的输出亮度值；Ai为波段i的绝对辐射定标增益系数；Li为波段i的等效辐射度；Ci为波段i的绝对辐射定标偏移量；
对辐射定标后的MSI影像数据进行大气校正，那么在朗伯条件下的大气校正表示为
式中，Lp为大气层辐射；θv为观测天顶角；θs为太阳天顶角；
为相对方位角；τv(θv)为地-传感器的大气透过率；ρ1为目标反射率；Eg为地表辐射亮度；S为大气球面反射率。
进一步的，步骤1中，对所述SAR影像数据的预处理，包括辐射定标、斑点滤波和几何校正；所述辐射定标用于消除所述SAR影像数据的回波误差；所述斑点滤波是对所述SAR影像数据进行滤波，以抑制斑点噪声；所述几何校正是通过雷达与目标的几何关系进行校正，以保证SAR影像数据地物相关信息的准确性，所述地物相关信息包括位置、形状和方位。
进一步的，步骤1中，对所述RA数据的预处理是通过对测距误差进行的处理实现大气和地球物理校正；所述测距误差包括对流层的测距误差、湿对流层的测距误差、电离层的测距误差、固体潮的测距误差和极潮的测距误差。
进一步的，步骤3中，获得水库的所述第一水域面积的步骤包括：
基于归一化水体指数法增强配准后的MSI影像数据中的水体信息；
确定增强水体信息后的MSI影像数据的水体轮廓；
获取确定水体轮廓后的MSI影像数据的水域面积；所述MSI影像中水域面积为所述第一水域面积。
进一步的，步骤3中，获得水库的所述第二水域面积的步骤包括：
确定SAR影像数据的水体轮廓；所述SAR影像中的水体轮廓是基于FCM算法和连通域识别算法对配准后的SAR影像数据进行提取得到的；
获取确定水体轮廓后的SAR影像数据的水域面积；所述SAR影像中水域面积为所述第二水域面积。
进一步的，步骤4中，基于所述第一水域面积和所述第二水域面积对水库的水域面积进行修正处理结果，得到水库的多源遥感水域面积时的过程为：
首先，建立第一水域面积和第二水域面积差异的定量函数关系；
其次，通过所述定量函数关系，确定水库的面积误差修正值；所述水库的面积修正值指基准水域面积和对比水域面积的差异，将第一水域面积和第二水域面积中的一个作为所述基准水域面积，另一个则作为所述对比水域面积；
最后，通过所述基准水域面积和所述面积误差修正值，得到水库的多源遥感水域面积。
进一步的，步骤6中，基于所述遥测水位值和所述水库的多源遥感水域面积构建所述水库的“多源遥感水库蓄水量估算”模型时的过程：
基于所述遥测水位值和所述多源遥感水域面积，构建所述水库的“遥测水位-多源遥感水域面积”模型；所述遥测水位值是通过对预处理后的RA数据进行水面椭球高GeoEGM96的转后得到的；
获取标准蓄水量，并基于所述标准蓄水量和多源遥感水域面积构建“多源遥感水域面积-标准蓄水量”模型；所述标准蓄水量通过“全国水雨情网”获得；
根据“遥测水位-多源遥感水域面积”模型和“多源遥感水域面积-标准蓄水量”模型确定“多源遥感水库蓄水量估算”模型。
进一步的，所述“多源遥感水库蓄水量估算”模型如下：
U＝tH4+rH3+mH2+nH+k
式中，U为蓄水量，单位为亿立方米；
H为遥测水位，单位为m；
t、r、m、n、k为多项式系数。
为了实现上述目的，本发明提供如下技术方案：
一种多源遥感水库蓄水量估算装置，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上的运行的计算机程序，所述处理器在执行所述计算机程序时实现上述的多源遥感水库蓄水量估算方法的步骤。
与最接近的现有技术相比，本发明提供的技术方案具有如下优异效果：
通过本发明提供的多源遥感水库蓄水量估算方法，利用星载雷达高度计(RA)提取水库的遥测水位，利用优势互补的星载多光谱成像仪(MSI)和星载合成孔径雷达(SAR)提取水库的水域面积，并在数据同化技术的基础上建立了“多源遥感水库蓄水量估算”模型。通过“多源遥感水库蓄水量估算”模型能够对蓄水量进行准确的估算，且估算结果高达99％，能够较为真实地反映水库蓄水量的变化情况。另外，基于建立的多源遥感水库蓄水量估算模型，在估算过程，可以仅依据遥感数据分析得到的水位就能实现蓄水量的估算，减少对地面实测数据和网络传输的依赖，能够有效的避免数据的缺失，使估算更加准确、方便。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。其中：
图1为本发明多源遥感水库蓄水量估算方法的流程图；
图2为本发明多源遥感影像配准流程图；
图3为本发明确定MSI影像数据的水体轮廓的流程图；
图4为本发明实施例中丹江口水库的位置及库区示意图；
图5为本发明实施例中丹江口水库的遥测水位图；
图6为本发明实施例中丹江口水库的MSI影像的水体轮廓的结果图；
图7为本发明实施例中丹江口水库的SAR影像的水体轮廓的结果图；
图8为本发明实施例中通过“多源遥感水库蓄水量估算”模型获得的蓄水量结果和实测蓄水量结果的对比结果图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。各个示例通过本发明的解释的方式提供而非限制本发明。实际上，本领域的技术人员将清楚，在不脱离本发明的范围或精神的情况下，可在本发明中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本发明包含归入所附权利要求及其等同物的范围内的此类修改和变型。
方法实施例：
如图1所示为本发明多源遥感水库蓄水量估算方法的流程图，包括如下步骤：
步骤1，获取多源遥感影像数据和RA数据，并进行预处理。
所述多源遥感包括星载MSI、星载SAR和星载RA，通过所述星载MSI获得水库的MSI影像数据，通过所述星载SAR获得水库的SAR影像数据；通过星载RA获得水库的RA数据；
在本实施例中，星载MSI和星载SAR属于异源传感器，星载MSI是被动成像模式，星载SAR是主动成像模式，两者具有不同的成像机理。对于同一观测区域，两者获取影像的地物反射特性存在明显的差异，无法使用相同的方法提取水域面积。同时，异源传感器不同的反射率，会导致两种遥感影像所提取的水域面积具有一定的差异。本申请依据两种遥感影像的特点，需要分别利用对应的相关算法分别提取了它们的水域面积，并对其精度进行了定量分析。
S11，获取MSI影像数据，并进行预处理；
在获取MSI影像数据时，是通过星载MSI实现的，星载MSI根据可见光和近红外光光谱反射的差异实现对地遥感，其观测技术成熟，广泛应用于水库的水域面积提取。其中，星载MSI为星载多光谱成像仪。
对MSI影像数据的预处理为辐射校正，辐射校正包括辐射定标和大气校正，通过辐射定标和大气校正进行预处理的目的是修正影像中失真的像元亮度，像元亮度失真的原因包括大气干扰、太阳因高度和位置不同对传感器造成干扰、地形变化造成辐射强度的变化、传感器性能的差异和影像处理时造成像元亮度的失真等，其中辐射定标是大气校正的准备过程。
(1)对MSI影像数据进行辐射定标；
辐射定标是将星载MSI响应太阳辐射和地球辐射的亮度值或表观反射率转化为具有一定物理含义的表征量。公式如下：
Ni＝Ai×Li+Ci
式中，i为传感器入瞳处的波段，Ni为波段i的输出亮度值；Ai为波段i的绝对辐射定标增益系数；Li为波段i的等效辐射度；Ci为波段i的绝对辐射定标偏移量。
(2)对辐射定标后的MSI影像数据进行大气校正；
将星载MSI响应太阳辐射和地球辐射的亮度值或表观反射率转化为地表实际反射率。在朗伯条件下的大气校正表达式：
式中，Lp为大气层辐射；θv为观测天顶角；θs为太阳天顶角；
为相对方位角；τv(θv)为地-传感器的大气透过率；ρ1为目标反射率；Eg为地表辐射亮度；S为大气球面反射率。
在本实施例中，大气校正的目的是消除大气散射、吸收、反射引起的误差。
S12，获取SAR影像数据，并进行预处理；
在获取SAR影像数据时，是通过星载SAR实现的，SAR是一种微波成像雷达，在风平浪静的湖面上，其后向散射较弱，使得水体在SAR影像中呈现黑色暗斑，能够较好地与周围陆地区分开来。因此，SAR在提取水库水域面积方面有着天然的技术优势。其中，星载SAR为星载合成孔径雷达。
根据星载SAR的成像特点，对所述SAR影像数据的预处理，包括辐射定标、多视处理、斑点滤波和几何校正等。所述辐射定标用于消除所述SAR影像数据的回波误差；所述斑点滤波是对所述SAR影像数据进行滤波，以抑制斑点噪声；所述几何校正是通过几何坐标的对应关系进行校正，以保证SAR影像数据地物相关信息的准确性，所述地物相关信息包括位置、形状和方位。
在本实施例中，对SAR影像数据的预处理具体如下：
(1)对SAR影像进行辐射定标；
为了尽量消除星载SAR系统接收到的回波误差，建立后向散射系数与影像像元灰度值的精确关系。
式中，DN为像素值；K为定标系数；α为入射角；σ0为后向散射系数；β0为亮度。
(2)对辐射定标后的SAR影像数据进行多视处理；
平均叠加目标的多个独立样本，在实现降噪的同时使SAR影像的几何特征更加接近现实场景的实际情况，并优化目标区域后向散射的估计精度。
式中，GL为邻域像素非相干和的平均值；Gi为第i个像素的值；L为总像素个数。
(3)对SAR影像数据进行斑点滤波；
为了尽可能地抑制斑点噪声并保持影像的边缘细节，要使用滤波算法对SAR影像数据进行滤波，评价滤波方法的好坏如下所示。
(a)等效视数
(b)辐射分辨率
式中，μ是影像灰度均值；σ是影像灰度方差；ENI的值越大越好，γ的值越小越好。
(4)对SAR影像数据进行几何校正。
SAR影像中地物的位置、形状、方位会与实际情况的偏差，这种存在偏差的影像称之为几何畸变影像，通过雷达与目标的几何关系进行校正。
几何畸变影像与几何校正影像的坐标关系如下：
M＝p(x,y)
N＝q(x,y)
式中，x，y是几何畸变影像中的像元坐标；M，N是x，y在影像中对应的像元坐标。
步骤13，获取RA数据，并对RA数据进行预处理；
在获取RA数据时，是通过星载RA实现的，星载RA是一种通过电磁波来感应物体的测高传感器，星载RA具有全天时、全天候等特点，其成熟的技术和特有的优势能够获取水库的水位。其中，星载RA为星载雷达高度计。
在对RA数据进行预处理时，主要是对RA数据的测距误差进行处理以实现大气和地球物理校正。
在本实施例中，RA数据的预处理是对测距误差进行校正，具体为：在对RA数据进行预处理时，主要是利用Ice-1波形重跟踪算法(后面简称RA算法)对RA数据中的一些数据进行大气和地球物理校正；这些数据主要包括干对流层的测距误差Rangedt、湿对流层的测距误差Rangewt、电离层的测距误差Rangei、固体潮的测距误差Rangeset和极潮的测距误差Rangept。
其中，校正的表达式为：
RangeCorrected＝Rangedt+Rangewt+Rangei+Rangset+Rangept
步骤2，利用配准技术对预处理后的MSI影像数据和预处理后的SAR影像数据进行配准；所述配准能够使预处理后的MSI影像数据和预处理后的SAR影像数据在像素尺度和研究区域的大小相统一；
在本实施例中，遥感影像配准的定义是将不同条件下获取的两幅及两幅以上的遥感影像进行匹配、叠加的过程。配准的目的有两个，一是使MSI影像和SAR影像的像素尺寸相统一，即都是10m网格；二是使MSI影像和SAR影像研究区域的大小相统一；多源遥感影像配准流程如图2所示，主要包括：
首先选定其中一个为基准影像，并将另一个作为待配准影像；其次设置影像配准的主要参数，并确定控制点；然后结合几何变换模型对SAR影像进行重采样，最后将配准后的影像输出。
在本实施例中，将MSI影像作为基准影像，将SAR影像作为待配准影像；基于配准中重采样原理进行配准
步骤3，通过配准后的MSI影像数据和SAR影像数据分别获取同一水库的水域面积；将通过配准后的MSI影像数据获得的水域面积定义为第一水域面积；将通过配准后的SAR影像数据获得的水域面积定义为第二水域面积；
S31，通过配准后的MSI影像数据获得水库的第一水域面积；
在对配准后的MSI影像数据获得水库的第一水域面积时，主要包括：基于归一化水体指数法(NDWI)增强MSI影像的水体信息；
S311，基于NDWI增强配准后的MSI影像数据中的水体信息；
水体信息增强主要是为了加强水体与非水体之间的对比度，以便提高后续水陆分割的精度。
在本申请实施例中，采用归一化水体指数法(Normalized Difference WaterIndex，NDWI)，利用地物绿波段和近红外波段反射率的差异性来增强水体与非水体信息，如下式所示：
式中，Green为绿波波段；NIR为近红外波段。
通过NDWI增强的MSI影像中的水体信息，MSI影像由水体信息增强前彩色的RGB图转化为水体信息增强后二值化的灰度图，水体与非水体呈现良好的区分度。整体上，水体在影像上呈现较低灰度值的黑色，非水体在影像上呈现较高灰度值的灰色。
S312，确定增强水体信息后的MSI影像数据的水体轮廓；
基于决策树提取增强水体信息后的MSI影像中的水体轮廓；
首先，使用决策树区分水体与非水体；如图3所示：决策树从根节点开始对输入的影像进行特征决策，并根据决策结果将影像分配到其相应的子结点，然后同样地在子结点进行特征决策，如此递归，直到完全实现对影像的分类。
决策树方法能够很好地解决水体与地形阴影具有相似性的问题，非常适合用于MSI影像对地物的分类，对于水体信息增强后的MSI影像而言，利用决策树只需要进行一次判断便可区分水体与非水体。
利用小连通域去除算法对获得的水体轮廓进行小连通域去除，主要去除非目标水库之外的鱼塘、河流以及阴影等，使水体轮廓分割结果更加清晰、明确。连通域标记是指将影像中符合某种连通规则的像素用相同标号表示出来，通过设置连通域阈值可去除小连通域的干扰项，使得水体轮廓更加清晰、准确。
S313，获取确定水体轮廓后的MSI影像数据的水域面积；所述MSI影像数据中的水域面积为所述第一水域面积。
在获取确定水体轮廓后的MSI影像中水域面积值时是基于面积统计算法获取MSI影像数据中的水域面积值。
在进行计算获取MSI影像中水域面积值时，先统计整幅影像中总像元个数M1，再统计水库水域面积的像元个数N1，设整幅影像对应到现实地中的实际大小为S1，则P1为第一水域面积的大小。
S32，通过配准后的SAR影像数据获得水库的第二水域面积；
S321，确定SAR影像数据的水体轮廓；所述SAR影像中的水体轮廓是基于水陆分割算法(FCM算法)和小连通域去除算法对配准后的SAR影像数据进行提取得到的；
在确定SAR影像数据的水体轮廓时，主要是基于FCM算法和小连通域去除算法提取SAR影像中的水体轮廓。
首先，使用FCM算法实现区别水体与非水体。设SAR影像的灰度级为L，样本数目为N(影像的像素点数)，将N划分成c类，则对应的有c个聚类中心C，每个样本j属于某一类i的隶属度为μij，且满足μij∈[0,1]，那么定义FCM目标函数⑴及其约束条件⑵如下：
更新隶属度：
然后，利用小连通域去除算法对获得的水体轮廓进行小连通域去除，主要去除非目标水库之外的鱼塘、河流以及阴影等，使水体轮廓分割结果更加清晰、明确。连通域标记是指将影像中符合某种连通规则的像素用相同标号表示出来，通过设置连通域阈值可去除小连通域的干扰项，使得水体轮廓更加清晰、准确。
S322，获取确定水体轮廓后的SAR影像数据的水域面积；
在获取确定水体轮廓后的SAR影像数据中的水域面积时是基于面积统计算法获取SAR影像中的水域面积值。
在进行计算获取SAR影像中水域面积值时，先统计整幅影像中总像元个数M2，再统计水库水域面积的像元个数N2，设整幅影像对应到现实地中的实际大小为S2，则P2为第二水域水域面积的大小。
步骤4，基于所述第一水域面积和所述第二水域面积对水库的水域面积进行修正处理结果，得到水库的多源遥感水域面积；
在建立水库蓄水量估算模型的过程，采用数据同化法，这是因为它计算简单，不管对河流型水库还是湖泊型水库都适用，同时无需考虑模型中标准蓄水量的估算方式，使得处理更加简单。
S41，建立第一水域面积和第二水域面积差异的定量函数关系；
在本实施例中，在对两种遥感影像获取的水域面积进行修正处理时，就利用数据同化技术，主要思想是根据一定的数学模型和优化标准，将不同空间、不同时间、采用多种手段获得的观测资料有机结合，以获取无法直接观测的量。
在本实施例中，为了确定两个水域面积差异的最佳函数关系，分别对水域面积差异曲线进行指数、幂次、多项式等不同模型的拟合，并对不同拟合模型进行定量分析，根据拟合优度R2越大越好、均方根误差RMSE越小越好和多项式次数越低计算越简单的定量分析原则，四次多项式函数具有最小的RMSE、较大的R2和较低的多项式次数。因此，采用四次多项式函数建模MSI影像和SAR影像所提取水域面积之间的差异。
利用数据同化技术构建的第一水域面积和第二水域面积差异的定量函数关系如下：
F(x)＝ax4+bx3+cx2+dx+e
式中，x为水位，单位为m；
F(x)为某水位下水库的面积误差修正值，是指同一水位下第一水域面积P1和第二水域面积P2的差异值，单位为m；
a、b、c、d、e为多项式系数，
在本申请实施例中，以丹江口水库为对象，将数据处理后得到的第一水域面积P1和第二水域面积P2的差异代入定量函数关系，进行数据的拟合，拟合得到的值分别为-0.000476、0.3026、-72.1、7632、-0.00003028。
因此，本申请实施例中，丹江口水库在SAR影像和MSI影像提取的水域面积差异表示为F(x)＝-0.000476x4+0.3026bx3-72.1cx2+7632x-0.00003028。
S42，通过所述定量函数关系，确定水库的面积误差修正值；所述水库的面积修正值指基准水域面积和对比水域面积的差异，将第一水域面积和第二水域面积中的一个作为基准水域面积，另一个则作为所述对比水域面积；
在本申请实施例中，将该水库对应的水位值代入至定量函数关系中，就能得到在该水位下水库的面积误差修正值；
S43，通过所述记住水域面积和所述面积误差修正值，得到水库的多源遥感水域面积；
若以SAR影像作为修正的基准，那么多源遥感水域面积为S＝P1+f(x)；
若以MSI影像作为修正的基准，那么多源遥感水域面积为S＝P2+f(x)。
在本申请实施例的该步骤中，仍以SAR影像作为基准，通过修正水域面积差异，获得水库的唯一水域面积。修正水域面积差异，为下一步估算水库的蓄水量奠定了基础。
步骤5，基于所述RA数据提取水库的遥测水位值；
预处理校正测物误差后，需要进行水面椭球高GeoEGM96的转化，如下式所示，H为遥测水位值，Altitude为卫星到地球椭球面距离，Range为卫星到水面距离：
H＝Altitude-Range-RangeCorrected-GeoEGM96
步骤6，基于所述遥测水位值和所述水库的多源遥感水域面积构建所述水库的“多源遥感水库蓄水量估算”模型；
在本实施例中，数据同化法在水库蓄水量估算中的应用是将水位、水域面积、蓄水量与相关数学模型进行结合达到水库蓄水量的估算。
在本实施例中，在对水库蓄水量估算模型进行研究时，分别通过水文公式法、数据同化法、累加法、均值法和积分法五种模型，在实际运用中，上述模型既可单独使用，亦可联合使用；然后，通过“全国水雨情网”上公布的实测水位和标准蓄水量作为验证数据，时间为2019年1月至2019年12月，地址为：http://xxfb.mwr.cn/。最终选择数据同化法，且采用多项式的方式构建模型。
S61，基于所述遥测水位值和所述多源遥感水域面积，构建所述水库的“遥测水位-多源遥感水域面积”模型；
S＝m1H2+n1H-k1
式中，H为遥测水位，单位为m；
S为水库的多源遥感水域面积，单位为km2；
m1、n1、k1为多项式系数。
S62，获取标准蓄水量，并基于所述标准蓄水量和多源遥感水域面积构建“多源遥感水域面积-标准蓄水量”模型；
v＝m2S2-n2S+k2
式中，v为标准蓄水量，单位为亿立方米；
S为水库的多源遥感水域面积，单位为km2；
m2、n2、k2为多项式系数。
在本步骤中，标准蓄水量是为了辅助“多源遥感水库蓄水量估算”模型的建立，一旦建成“多源遥感水库蓄水量估算”模型，则再次估算水库的蓄水量时不必再考虑标准蓄水量，克服了当前蓄水量估算模型建立之后仍需输入实测数据的不足，在一定程度上补充了实测数据缺失情况下的研究工作，具有一定现实意义。
本申请也可以直接通过该“多源遥感水域面积-标准蓄水量”模型，将遥感水域面积代入此模型中，通过计算就能得到水库的蓄水量。
S63，根据“遥测水位-多源遥感水域面积”模型和“多源遥感水域面积-标准蓄水量”模型确定“多源遥感水库蓄水量估算”模型；
在根据“遥测水位-多源遥感水域面积”模型和“多源遥感水域面积-标准蓄水量”模型确定“多源遥感水库蓄水量估算”模型时；是将“遥测水位-多源遥感水域面积”模型和“多源遥感水域面积-标准蓄水量”模型进行组合处理，从而得到“多源遥感水库蓄水量估算”模型；
“多源遥感水库蓄水量估算”模型如下：
U＝tH4+rH3+mH2+nH+k
式中，U为蓄水量，单位为亿立方米；
H为遥测水位，单位为m；
t、r、m、n、k为多项式系数。
步骤7，通过所述“多源遥感水库蓄水量估算”模型估算水库在不同遥测水位下的蓄水量。
在通过所述“多源遥感水库蓄水量估算”模型估算水库在不同遥感水位下的蓄水量时，是将遥测水位直接代入“多源遥感水库蓄水量估算”模型中，直接进行计算求解，即可获得水库在该遥测水位时所对应的蓄水量。
装置实施例
多源遥感水库蓄水量的估算装置包括处理器、存储器以及存储在所述存储器中并可在所述处理器上的运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时实现上述的多源遥感水库蓄水量估算方法的步骤。基于多源遥感水库蓄水量估算方法已在方法实施例中详细介绍，此处不再赘述。
在本发明的实施例中，以丹江口水库为例，来说明本发明中多源遥感水库蓄水量的估算方法，并通过实测数据对本发明的估算模型进行验证。
丹江口水库是国家一级水源保护区和国家级生态文明示范区，其作为我国南水北调中线工程的水源地，保障了河南、河北、北京、天津四省市的生产和生活用水，其位置及其库区示意图如图4所示，基于RA算法处理RA数据并提取出水库的遥测水位如图5所示；基于NDWI增强MSI影像中的水体信息以及决策树和连通域识别算法提取MSI影像中的水体轮廓的结果图如图6所示；基于FCM算法和连通域识别算法提取SAR影像中的水体轮廓的结果图如图7所示；基于面积统计算法获取SAR影像中水域面积值后，利用数据同化技术构建异源传感器所提取水域面积差异的定量函数关系如下：
F(x)＝ax4+bx3+cx2+dx+e
式中，x为水位，单位为m；F(x)为同一水位下MSI影像和SAR影像提取水域面积的差异值，单位为m；a、b、c、d、e为多项式系数，拟合后的值分别为-0.000476、0.3026、-72.1、7632、-0.00003028。
建立的“遥测水位-多源遥感水域面积”模型为
S＝-0.1407H2+58.45H-5037
建立的“多源遥感水域面积-标准蓄水量”模型为
V＝0.001215S2-1.119S+358.4
式中，U为蓄水量，单位为亿立方米；H为遥测水位，单位为m；S为水域面积，单位为km2。
建立“多源遥感水库蓄水量估算”模型如下：
U＝0.00002405274H4-0.01998411H3+6.03052767H2-780.82829H+36821.0163
该模型的输入参数为星载RA提取的遥测水位，输出参数是与遥测水位对应的蓄水量。通过输入遥测水位估算出蓄水量的结果图和实测结果的对比结果如图8所示。
通过本申请“多源遥感水库蓄水量估算”模型得到的蓄水量和标准蓄水量的波动趋势具有较高吻合度。在7～10月的汛期，丹江口水库地区降雨较多，蓄水量增长迅速，在11月17日左右达到最高峰，然后蓄水量开始慢慢减少，逐渐进入枯水期，在5月初达到最低值。整体上，随着旱季和汛季的转换，丹江口水库的蓄水量呈现规律性变化。
采用拟合优度R2和均方根误差RMSE对“多源遥感水库蓄水量估算”模型得到的蓄水量和标准蓄水量进行定量分析。分析结果表明，R2＝0.99，说明该模型所得蓄水量与标准蓄水量具有极高的吻合度，能够真实地反映水库蓄水量的变化情况；另外，RMSE＝1.055，表明该模型估算的水库蓄水量标准差在1.055亿立方米以内，相对误差控制在1％以内。
因此，本申请建立的“多源遥感水库蓄水量估算”模型所估算的蓄水量与官方公布的标准蓄水量具有很高的吻合性。
与现有技术相比，本发明的多源遥感水库蓄水量估算方法中，利用星载雷达高度计(RA)提取水库的遥测水位，利用优势互补的星载多光谱成像仪(MSI)和星载合成孔径雷达(SAR)提取水库的水域面积，并修正二者异源传感器影像所获得的多源遥感水域面积，最后，在数据同化技术的基础上建立了“多源遥感水库蓄水量估算”模型，通过此模型估算水库的蓄水量。
其中，通过修正异源传感器影像所获得的多源遥感水域面积，能够得到相对于单一遥感效果更好的“遥测水位-多源遥感水域面积”模型和“多源遥感水域面积-标准蓄水量”模型，即它们的R2和RMSE均有所优化，最后建立“多源遥感水库蓄水量估算”模型，所估算的蓄水量与标准蓄水量具有极高的吻合度，准确率能达到99％。
在上述过程中，标准蓄水量是为了辅助模型的建立，一旦建成模型，则再次使用此模型时不必再考虑标准蓄水量，克服了当前蓄水量估算模型建立之后仍需输入实测数据的不足，在一定程度上补充了实测数据缺失情况下的研究工作，具有一定现实意义。
同时，各卫星都有自己的固定周期，几乎不能同时经过水库的上空，因此，相对于现有技术，在实测数据缺失的情况下，将以上各模型进行联合使用，有RA数据则用RA数据，有MSI或SAR影像则用MSI或SAR影像，能够达到对水库异常预警和日常管理的最大效益化。特别是当遥测水位输入相关模型所得蓄水量与水域面积输入相关模型所得蓄水量相差较大时，基本可以判定水库出现了异常现象，如水库已经演变成了堰塞湖或出现大面积违法的围湖造田等情况。
因此，本申请所提的多源遥感水库蓄水量估算方法与装置能够精确地反应水库的运行状态，有效地保障了水库的拦截洪水、保障供水、调配水资源等作用，为管理部门科学化、高效化管理水库提供技术支撑。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均在本发明待批权利要求保护范围之内。
Claims (10)
1.一种多源遥感水库蓄水量估算方法，其特征在于，包括如下步骤：
步骤1，获取多源遥感影像数据和RA数据，并进行预处理；
所述多源遥感包括星载MSI、星载SAR和星载RA，通过所述星载MSI获得水库的MSI影像数据，通过所述星载SAR获得水库的SAR影像数据；通过所述星载RA获得水库的RA数据；
步骤2，利用配准技术对预处理后的MSI影像数据和预处理后的SAR影像数据进行配准；所述配准能够使预处理后的MSI影像数据和预处理后的SAR影像数据在像素尺度和研究区域的大小相统一；
步骤3，通过配准后的MSI影像数据和SAR影像数据分别获取同一水库的水域面积；将通过配准后的MSI影像数据获得的水域面积定义为第一水域面积；将通过配准后的SAR影像数据获得的水域面积定义为第二水域面积；
步骤4，基于所述第一水域面积和所述第二水域面积对水库的水域面积进行修正处理，得到水库的多源遥感水域面积；
步骤5，通过所述RA数据提取水库的遥测水位；
步骤6，基于所述遥测水位和所述水库的多源遥感水域面积构建所述水库的“多源遥感水库蓄水量估算”模型；
步骤7，通过所述水库的“多源遥感水库蓄水量估算”模型能够估算出在不同遥测水位下的蓄水量。
2.根据权利要求1所述的多源遥感水库蓄水量估算方法，其特征在于，步骤1中，对所述MSI影像数据的预处理，包括辐射定标和大气校正；
对MSI影像数据进行辐射定标：
Ni＝Ai×Li+Ci
式中，i为传感器入瞳处的波段，Ni为波段i的输出亮度值；Ai为波段i的绝对辐射定标增益系数；Li为波段i的等效辐射度；Ci为波段i的绝对辐射定标偏移量；
对辐射定标后的MSI影像数据进行大气校正，那么在朗伯条件下的大气校正表示为
式中，Lp为大气层辐射；θv为观测天顶角；θs为太阳天顶角；
为相对方位角；τv(θv)为地-传感器的大气透过率；ρ1为目标反射率；Eg为地表辐射亮度；S为大气球面反射率。
3.根据权利要求1所述的多源遥感水库蓄水量估算方法，其特征在于，步骤1中，对所述SAR影像数据的预处理，包括辐射定标、斑点滤波和几何校正；所述辐射定标用于消除所述SAR影像数据的回波误差；所述斑点滤波是对所述SAR影像数据进行滤波，以抑制斑点噪声；所述几何校正是通过雷达与目标的几何关系进行校正，以保证SAR影像数据地物相关信息的准确性，所述地物相关信息包括位置、形状和方位。
4.根据权利要求1所述的多源遥感水库蓄水量估算方法，其特征在于，步骤1中，对所述RA数据的预处理是通过对测距误差进行的处理实现大气和地球物理校正；所述测距误差包括对流层的测距误差、湿对流层的测距误差、电离层的测距误差、固体潮的测距误差和极潮的测距误差。
5.根据权利要求1所述的多源遥感水库蓄水量估算方法，其特征在于，步骤3中，获得水库的所述第一水域面积的步骤包括：
基于归一化水体指数法增强配准后的MSI影像数据中的水体信息；
确定增强水体信息后的MSI影像数据的水体轮廓；
获取确定水体轮廓后的MSI影像数据的水域面积；所述MSI影像数据的水域面积为所述第一水域面积。
6.根据权利要求1所述的多源遥感水库蓄水量估算方法，其特征在于，步骤3中，获得水库的所述第二水域面积的步骤包括：
确定SAR影像数据的水体轮廓；所述SAR影像中的水体轮廓是基于FCM算法和小连通域去除算法对配准后的SAR影像数据进行提取得到的；
获取确定水体轮廓后的SAR影像数据的水域面积；所述SAR影像数据的水域面积为所述第二水域面积。
7.根据权利要求1所述的多源遥感水库蓄水量估算方法，其特征在于，步骤4中，基于所述第一水域面积和所述第二水域面积对水库的水域面积进行修正处理结果，得到水库的多源遥感水域面积时的过程为：
首先，建立第一水域面积和第二水域面积差异的定量函数关系；
其次，通过所述定量函数关系，确定水库的面积误差修正值；所述水库的面积修正值指基准水域面积和对比水域面积的差异，将第一水域面积和第二水域面积中的一个作为所述基准水域面积，另一个则作为所述对比水域面积；
最后，通过所述基准水域面积和所述面积误差修正值，得到水库的多源遥感水域面积。
8.根据权利要求1所述的多源遥感水库蓄水量估算方法，其特征在于，步骤6中，基于所述遥测水位值和所述水库的多源遥感水域面积构建所述水库的“多源遥感水库蓄水量估算”模型时的过程：
基于所述遥测水位值和所述多源遥感水域面积，构建所述水库的“遥测水位-多源遥感水域面积”模型；所述遥测水位值是通过对预处理后的RA数据进行水面椭球高GeoEGM96的转后得到的；
获取标准蓄水量，并基于所述标准蓄水量和多源遥感水域面积构建“多源遥感水域面积-标准蓄水量”模型；所述标准蓄水量通过“全国水雨情网”获得；
根据“遥测水位-多源遥感水域面积”模型和“多源遥感水域面积-标准蓄水量”模型确定“多源遥感水库蓄水量估算”模型。
9.根据权利要求1所述的多源遥感水库蓄水量估算方法，其特征在于，所述“多源遥感水库蓄水量估算”模型如下：
U＝tH4+rH3+mH2+nH+k
式中，U为蓄水量，单位为亿立方米；
H为遥测水位，单位为m；
t、r、m、n、k为多项式系数。
10.一种多源遥感水库蓄水量估算装置，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上的运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时实现如权利要求1-9任一所述的多源遥感水库蓄水量估算方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010996903.5A CN112285710B (zh) | 2020-09-21 | 2020-09-21 | 一种多源遥感水库蓄水量估算方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010996903.5A CN112285710B (zh) | 2020-09-21 | 2020-09-21 | 一种多源遥感水库蓄水量估算方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112285710A true CN112285710A (zh) | 2021-01-29 |
| CN112285710B CN112285710B (zh) | 2024-01-19 |
Family
ID=74421184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010996903.5A Active CN112285710B (zh) | 2020-09-21 | 2020-09-21 | 一种多源遥感水库蓄水量估算方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112285710B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298756A (zh) * | 2021-04-25 | 2021-08-24 | 中国水利水电科学研究院 | 水量检测方法、装置、云服务器及存储介质 |
| CN115376013A (zh) * | 2022-07-19 | 2022-11-22 | 环球数科集团有限公司 | 一种基于卫星遥感监测的资源普查系统 |
| CN115526924A (zh) * | 2022-11-29 | 2022-12-27 | 湖南长理尚洋科技有限公司 | 一种蒙特卡洛模拟的水文环境建模方法及系统 |
| WO2024036739A1 (zh) * | 2022-08-16 | 2024-02-22 | 清华大学 | 水库水储量反演方法和装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104613943A (zh) * | 2013-11-04 | 2015-05-13 | 中国水利水电科学研究院 | 水库蓄水量遥感与地面协同监测方法 |
| KR20200063682A (ko) * | 2018-11-28 | 2020-06-05 | 홍익대학교 산학협력단 | 인공위성 영상을 이용한 하천의 유량추정방법 및 장치 |
-
2020
- 2020-09-21 CN CN202010996903.5A patent/CN112285710B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104613943A (zh) * | 2013-11-04 | 2015-05-13 | 中国水利水电科学研究院 | 水库蓄水量遥感与地面协同监测方法 |
| KR20200063682A (ko) * | 2018-11-28 | 2020-06-05 | 홍익대학교 산학협력단 | 인공위성 영상을 이용한 하천의 유량추정방법 및 장치 |
Non-Patent Citations (6)
| Title |
|---|
| 刘登伟;姜斌;封志明;: "海河流域基于MODIS 1B遥感数据反演水库库容及水深研究", 水利水电技术, no. 07 * |
| 姜晓晨;邓正栋;武国瑛;: "基于资源三号卫星与Landsat 8 OLI的水库库容估算", 信息技术与网络安全, no. 12 * |
| 孙建芸;袁琳;王新生;李朋泽;邹金秋;: "基于GF_1卫星的丹江口水库水面面积-蓄水量-水位相关性研究", 南水北调与水利科技, no. 05 * |
| 张润科;: "基于遥感技术的水库蓄水量监测与变化修正", 测绘标准化, no. 02 * |
| 陈晓玲;陆建忠;蔡晓斌;李辉;殷守敬;: "基于空间信息技术的堰塞湖库容分析方法研究", 遥感学报, no. 06 * |
| 黄君;周新志;: "二维散点-分类NDVI法的邛海湖面积估算研究", 计算机工程与应用, no. 35 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298756A (zh) * | 2021-04-25 | 2021-08-24 | 中国水利水电科学研究院 | 水量检测方法、装置、云服务器及存储介质 |
| CN115376013A (zh) * | 2022-07-19 | 2022-11-22 | 环球数科集团有限公司 | 一种基于卫星遥感监测的资源普查系统 |
| CN115376013B (zh) * | 2022-07-19 | 2023-01-06 | 环球数科集团有限公司 | 一种基于卫星遥感监测的资源普查系统 |
| WO2024036739A1 (zh) * | 2022-08-16 | 2024-02-22 | 清华大学 | 水库水储量反演方法和装置 |
| CN115526924A (zh) * | 2022-11-29 | 2022-12-27 | 湖南长理尚洋科技有限公司 | 一种蒙特卡洛模拟的水文环境建模方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112285710B (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112285710B (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
| CN109409292B (zh) | 基于精细化特征优化提取的异源图像匹配方法 | |
| CN108765488B (zh) | 一种基于阴影的高分辨率遥感影像建筑物高度估测方法 | |
| CN109919875B (zh) | 一种高时频遥感图像特征辅助的居民地提取与分类方法 | |
| CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
| CN111898688B (zh) | 一种基于三维深度学习的机载LiDAR数据树种分类方法 | |
| CN108596103A (zh) | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 | |
| CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
| Hassaan et al. | Precision forestry: trees counting in urban areas using visible imagery based on an unmanned aerial vehicle | |
| CN111553922B (zh) | 一种卫星遥感影像自动云检测方法 | |
| WO2001033505A2 (en) | Multi-variable model for identifying crop response zones in a field | |
| CN110310246B (zh) | 一种基于三线阵影像的甘蔗种植区遥感信息提取方法 | |
| CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
| CN112711989B (zh) | 基于雷达遥感与光学遥感的玉米秸秆覆盖度估算方法 | |
| CN108195736B (zh) | 一种三维激光点云提取植被冠层间隙率的方法 | |
| Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
| CN111091079A (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
| CN111144250A (zh) | 融合雷达和光学遥感数据的土地覆盖分类方法 | |
| CN109300133B (zh) | 一种城市河网区水体提取方法 | |
| WO2022213218A1 (en) | System and method for vegetation detection from aerial photogrammetric multispectral data | |
| CN112037244B (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
| CN111798509B (zh) | 一种基于半球图像法测量叶面积指数的方法 | |
| CN116310864A (zh) | 一种作物倒伏自动识别方法、系统、电子设备及介质 | |
| CN115294183A (zh) | 一种基于多源遥感数据的碟型子湖水体时序提取方法 | |
| CN115457325A (zh) | 一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法 |
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 |