CN112861719A - 一种基于多时相高分辨率遥感影像的海岸线提取方法 - Google Patents
一种基于多时相高分辨率遥感影像的海岸线提取方法 Download PDFInfo
- Publication number
- CN112861719A CN112861719A CN202110172929.2A CN202110172929A CN112861719A CN 112861719 A CN112861719 A CN 112861719A CN 202110172929 A CN202110172929 A CN 202110172929A CN 112861719 A CN112861719 A CN 112861719A
- Authority
- CN
- China
- Prior art keywords
- coastline
- water
- extracting
- remote sensing
- rock
- 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
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
- G06V20/13—Satellite images
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于多时相高分辨率遥感影像的多类型海岸线提取方法,首先利用面向对象支持向量机方法提取高分辨率遥感影像的海域水体信息。对瞬时水边线陆地一侧指定范围内构建缓冲区,作为参考海岸带,通过对参考海岸带的地物类别进行提取,作为海岸线类别确认的参考数据。最后,对不同类型的海岸线特征进行分析,构建不同的海岸线潮位校正模型对瞬时水边线位置矢量进行纠正,记录海岸线的真实位置矢量作为输出。与现有方法相比,本方法能够充分利用高分辨率遥感影像中的海岸线细节特征,最大程度克服遥感监测手段的瞬时性弊端,在小区域海岸线动态监测领域具有重要的使用价值和广泛的应用前景。
Description
技术领域
本发明属于遥感科学与技术邻域,涉及一种基于多时相高分辨率遥感影像的海岸线提取方法,主要应用于高分辨率遥感影像海岸线提取、小区域海岸线动态监测等领域。
背景技术
海岸线系指大潮平均高潮位时海陆分离线,在潮汐作用的影响下海陆分离线具有动态性,其位置会随着潮水水位高度的变化而不断改变。遥感观测手段只能记录成像瞬间的地表信息,故在影像上所获取的海陆分离线通常不是大潮平均高潮位时的海陆分离线。因此,如何准确获取遥感影像中的海陆分离线并将影像成像时刻的海陆分离线转化为平均大潮高潮位时的海陆分离线是利用遥感手段进行海岸线提取的关键因素。
现有的遥感影像海岸线提取方法主要是针对以Landsat卫星影像为代表的中等分辨率遥感影像面向大区域海岸线监测而设计,而在高分辨率遥感影像中海岸线具有不同的特征,且海陆分离线位置受潮汐作用影响在影像上产生的变化更大,现有的遥感影像海岸线提取方法没有充分利用高分辨率遥感影像信息,其提取精度也难以满足小区域海岸线监测需求。
发明内容
本发明的目的是提供一种基于多时相高分辨率遥感影像的海岸线提取方法,填补了目前对高分辨率遥感影像进行海岸线提取的方法缺失。本发明将高分辨率遥感影像中的海岸线按照其形成原因将其分为人工海岸线和自然海岸线,其中自然海岸线被细分为砂质海岸线、岩基海岸线和自然海岸线,根据不同海岸线的特征以及多时相潮位高差分别对影像中的各类水陆分离线进行校正,得到海岸线位置。与现有方法相比,本发明采用的海岸线提取策略能够充分利用高分辨率遥感影像中的海岸线细节特征,最大程度克服遥感监测手段的瞬时性弊端。因此,该方法在小区域海岸线动态监测领域具有重要的使用价值和广阔的应用前景。
一种基于多时相高分辨率遥感影像的海岸线提取方法,包括以下步骤:
步骤1,数据准备。本方法需要的输入数据包括:1)多时相高分辨率正射遥感影像;2)国家海洋信息中心潮汐表数据;3)影像无效区域掩膜;
步骤2,多时相高分辨率遥感影像瞬时水边线信息提取;
步骤3,对瞬时水边线陆地一侧指定范围内构建缓冲区,作为参考海岸带,通过对参考海岸带的地物类别进行提取,作为海岸线类别确认的参考数据;
步骤4,对不同类型的海岸线特征进行分析,构建不同的海岸线潮位校正模型对瞬时水边线位置矢量进行纠正,记录海岸线的真实位置矢量作为输出。
优选地,所述的步骤2中,多时相高分辨率遥感影像瞬时水边线信息提取的具体方法如下:
步骤2.1,影像多尺度分割。利用分型网络演化算法(FNEA)对正射影像进行多尺度分割,得到内部异质性最小且与相邻对象的异质性最大的影像对象;
步骤2.2,基于面向对象支持向量机方法的水体信息提取。对分割后生成的对象进行样本采集与筛选,以水体为主要类别,其他地物为辅助类别,构建了由水体、植被、裸土、建筑、沙滩五类地物构成的样本集,利用面向对象的支持向量机方法对研究区内水体信息进行提取;
步骤2.3,水体信息提取后处理。将水体信息二值化后计算所有水体图斑的边界长度并进行统计,通过其边界长度变化趋势筛选出海域水体图斑,并对桥梁造成的海域水体图斑截断区域进行局部形态学处理,得到完整的海水水域图斑;
步骤2.4,瞬时水边线提取。获取完整的海水水域图斑的内边界,即瞬时水边线。
优选地,所述的步骤3中,参考海岸带构建和分类的具体方法如下:
步骤3.1,参考海岸带构建。对瞬时水边线陆地一侧指定范围内区域进行掩膜,作为识别水边线类别所需的参考海岸带;
步骤3.2,参考海岸带地物提取。将参考海岸带地物分为植被、未浸水沙滩、未浸水岩石、浸水沙滩、浸水岩石、裸地和人工建筑与道路七个类别,利用归一化植被指数(NDVI)、归一化水体指数(NDWI)、灰度共生矩阵同质性(Homogeneity)构建决策树进行参考海岸带地物分类。
优选地,所述的步骤4中,海岸线真实位置矢量的生成方法如下:
步骤4.1,海岸线分类体系构建。根据海岸线形成的原因,本研究将海岸线分为人工海岸线与自然海岸线进行提取,其中自然海岸线包括岩基海岸线、砂质海岸线以及生物海岸线三个子类别;
步骤4.2,瞬时水边线潮位校正。根据各类海岸线的影像特征,结合参考海岸带内的地物类别,分别对不同类别海岸线对应的瞬时水边线类别进行潮位校正。具体步骤如下:
步骤4.2.1,人工海岸线提取。当水边线附近的参考海岸带为道路、人工建筑以及边缘规则的裸地类别时对应的海岸线类型为人工海岸线。通常情况下潮水在人工海岸边界仅有垂直方向的波动,没有水平方向上的前进或后退,其海岸线边缘平滑,通常位于潮水或潮坪外侧与人工痕迹之间的界限;
步骤4.2.2,岩基海岸线提取。当水边线附近的参考海岸带为浸水岩石或未浸水岩石类别时,对应的海岸线为岩基海岸线。岩基海岸通常较为陡峭,但在重力和其他自然地理因素的作用下,峭壁上的风化碎屑和不稳定岩体会沿坡面崩落,在坡脚处形成倒石堆。部分倒石堆在潮汐作用下会长期遭受潮水的反复冲刷侵蚀,受到潮水侵蚀的倒石堆与未经潮水侵蚀的岩石在色彩上有明显差异,岩基海岸线即位于受潮水侵蚀倒石堆与为受潮水侵蚀岩石的分界处;
步骤4.2.3,生物海岸线提取。潮间生物通常为喜盐植被,只生长在海潮能够达到的淤泥浅滩处,潮间生物靠近陆地一侧与其他地物的分界即是潮水能够到达的最远位置。故参考海岸带中夹在瞬时水边线和人工地物之间的大面积植被图斑即为生物海岸,且生物海岸靠近人工建筑一侧的边界即为生物海岸线;
步骤4.2.4,砂质海岸线提取。当水边线附近的参考海岸带为浸水沙滩或未浸水沙滩类别时,对应的海岸线为砂质海岸线。砂质海岸地形起伏较小,因而较小的潮位变化即会导致水边线较大的变动,故直接从影像上获取砂质海岸线存在困难,需要将多时相遥感影像瞬时水边线的水平位置和成像时刻的潮位高度结合起来,反算沙滩坡度,然后对平均大潮高潮位的水陆分界位置进行推导,得到砂质海岸线位置;
步骤4.3,将各类海岸线进行拼接,得到完整的海岸线信息,并输出为矢量文件。
与现有技术相比,本发明具有以下优点和有益效果:
1)本发明考虑到不同海岸线类别间的差异,利用多时相高分辨率遥感影像和潮汐表数据分别构建水边线潮位校正模型,能够有效克服遥感监测手段的瞬时性缺陷,实现精细化海岸线动态监测;
2)本发明能有效识别海域水体信息,并对桥梁等因素造成的海域水体遮挡实现自动化消除,保证最终生成海岸线结果的连续性和完整性。
附图说明
图1为本发明的流程图。
图2为本发明的参考海岸带地物提取结构图。
图3为本发明的瞬时水边线潮位校正图。
图4为本发明的平均大潮高潮位的水陆分界位置进行推导示意图。
具体实施方式
下面通过实施例,并结合附图,对本发明作进一步详细的说明。
本发明涉及了一种基于多时相高分辨率遥感影像的海岸线提取方法,如图1所示,包括以下步骤:
步骤1,数据准备。本方法需要的输入数据包括:1)多时相高分辨率正射遥感影像;2)国家海洋信息中心潮汐表数据;3)影像无效区域掩膜;
步骤2,多时相高分辨率遥感影像瞬时水边线信息提取,具体方法如下:
步骤2.1,影像多尺度分割。利用分型网络演化算法(FNEA)对正射影像进行多尺度分割,得到内部异质性最小且与相邻对象的异质性最大的影像对象;
步骤2.2,基于面向对象支持向量机方法的水体信息提取。对分割后生成的对象进行样本采集与筛选,以水体为主要类别,其他地物为辅助类别,构建了由水体、植被、裸土、建筑、沙滩五类地物构成的样本集,利用面向对象的支持向量机方法对研究区内水体信息进行提取;
步骤2.3,水体信息提取后处理。将水体信息二值化后计算所有水体图斑的边界长度并进行统计,通过其边界长度变化趋势筛选出海域水体图斑,并对桥梁造成的海域水体图斑截断区域进行局部形态学处理,得到完整的海水水域图斑;
步骤2.4,瞬时水边线提取。获取完整的海水水域图斑的内边界,即时水边线。
步骤3,参考海岸带的构建和分类具体方法如下:
步骤3.1,参考海岸带构建。对瞬时水边线陆地一侧指定范围内区域进行掩膜,作为识别水边线类别所需的参考海岸带;
步骤3.2,参考海岸带地物提取。将参考海岸带地物分为植被、未浸水沙滩、未浸水岩石、浸水沙滩、浸水岩石、裸地和人工建筑与道路七个类别,利用归一化植被指数(NDVI)、归一化水体指数(NDWI)、灰度共生矩阵同质性(Homogeneity)构建决策树进行参考海岸带地物分类,如图2所示。
步骤4,海岸线真实位置矢量的具体生成方法如下:
步骤4.1,海岸线分类体系构建。根据海岸线形成的原因,将海岸线分为人工海岸线与自然海岸线进行提取,其中自然海岸线包括岩基海岸线、砂质海岸线以及生物海岸线三个子类别;
步骤4.2,瞬时水边线潮位校正。根据各类海岸线的影像特征,结合参考海岸带内的地物类别,分别对不同类别海岸线对应的瞬时水边线类别进行潮位校正,如图3所示。具体步骤如下:
步骤4.2.1,人工海岸线提取。当水边线附近的参考海岸带为道路、人工建筑以及边缘规则的裸地类别时对应的海岸线类型为人工海岸线。通常情况下潮水在人工海岸边界仅有垂直方向的波动,没有水平方向上的前进或后退,其海岸线边缘平滑,通常位于潮水或潮坪外侧与人工痕迹之间的界限;
步骤4.2.2,岩基海岸线提取。当水边线附近的参考海岸带为浸水岩石或未浸水岩石类别时,对应的海岸线为岩基海岸线。岩基海岸通常较为陡峭,但在重力和其他自然地理因素的作用下,峭壁上的风化碎屑和不稳定岩体会沿坡面崩落,在坡脚处形成倒石堆。部分倒石堆在潮汐作用下会长期遭受潮水的反复冲刷侵蚀,受到潮水侵蚀的倒石堆与未经潮水侵蚀的岩石在色彩上有明显差异,岩基海岸线即位于受潮水侵蚀倒石堆与为受潮水侵蚀岩石的分界处;
步骤4.2.3,生物海岸线提取。潮间生物通常为喜盐植被,只生长在海潮能够达到的淤泥浅滩处,潮间生物靠近陆地一侧与其他地物的分界即是潮水能够到达的最远位置。故参考海岸带中夹在瞬时水边线和人工地物之间的大面积植被图斑即为生物海岸,且生物海岸靠近人工建筑一侧的边界即为生物海岸线;
步骤4.2.4,砂质海岸线提取。当水边线附近的参考海岸带为浸水沙滩或未浸水沙滩类别时,对应的海岸线为砂质海岸线。砂质海岸地形起伏较小,因而较小的潮位变化即会导致水边线较大的变动,故直接从影像上获取砂质海岸线存在困难,需要将多时相遥感影像瞬时水边线的水平位置和成像时刻的潮位高度结合起来,反算沙滩坡度,然后对平均大潮高潮位的水陆分界位置进行推导,如图4所示,l1与l2分别为两个不同时刻所摄取影像中提取的瞬时水边线,h1和h2分别瞬时水边线所对应的潮位高度,H为大潮平均高潮位,h为平均低潮位,l1与l2的水平距离记为△d,由此可计算岸滩坡度θ以及海岸线距离l2在影像中的水平距离d,得到砂质海岸线位置;
步骤4.3,将各类海岸线进行拼接,得到完整的海岸线信息,并输出为矢量文件。
上述实施描述仅是对本发明的基本技术方案予以说明,且不仅限于上述实施例。应当指出:本发明所属领域的技术人员或团队可对所描述的具体实施例进行任何简单地修改和润饰,但并不会偏离本发明的基本精神或超越权利要求书所定义的范围。
Claims (5)
1.一种基于多时相高分辨率遥感影像的海岸线提取方法,其特征在于,包括以下步骤:
步骤1,数据准备,本方法需要的输入数据包括:1)多时相高分辨率正射遥感影像;2)国家海洋信息中心潮汐表数据;3)影像无效区域掩膜;
步骤2,多时相高分辨率遥感影像瞬时水边线信息提取;
步骤3,对瞬时水边线陆地一侧指定范围内构建缓冲区,作为参考海岸带,通过对参考海岸带的地物类别进行提取,作为海岸线类别确认的参考数据;
步骤4,对不同类型的海岸线特征进行分析,构建不同的海岸线潮位校正模型对瞬时水边线位置矢量进行纠正,记录海岸线的真实位置矢量作为输出。
2.根据权利要求1所述的基于多时相高分辨率遥感影像的多类别海岸线提取方法,其特征在于:所述步骤2中,瞬时水边线信息提取的具体方法如下:
步骤2.1,影像多尺度分割,利用分型网络演化算法FNEA对正射影像进行多尺度分割,得到内部异质性最小且与相邻对象的异质性最大的影像对象;
步骤2.2,基于面向对象支持向量机方法的水体信息提取,对分割后生成的对象进行样本采集与筛选,以水体为主要类别,其他地物为辅助类别,构建了由水体、植被、裸土、建筑、沙滩五类地物构成的样本集,利用面向对象的支持向量机方法对研究区内水体信息进行提取;
步骤2.3,水体信息提取后处理,将水体信息二值化后计算所有水体图斑的边界长度并进行统计,通过其边界长度变化趋势筛选出海域水体图斑,并对桥梁造成的海域水体图斑截断区域进行局部形态学处理,得到完整的海水水域图斑;
步骤2.4,瞬时水边线提取,获取完整的海水水域图斑的内边界,即瞬时水边线。
3.根据权利要求1所述的基于多时相高分辨率遥感影像的多类别海岸线提取方法,其特征在于:所述步骤3中,参考海岸带构建和分类的具体方法如下:
步骤3.1,参考海岸带构建,对瞬时水边线陆地一侧指定范围内区域进行掩膜,作为识别水边线类别所需的参考海岸带;
步骤3.2,参考海岸带地物提取,将参考海岸带地物分为植被、未浸水沙滩、未浸水岩石、浸水沙滩、浸水岩石、裸地和人工建筑与道路七个类别,利用归一化植被指数NDVI、归一化水体指数NDWI、灰度共生矩阵同质性Homogeneity构建决策树进行参考海岸带地物分类。
4.根据权利要求1所述的基于多时相高分辨率遥感影像的多类别海岸线提取方法,其特征在于:所述步骤4中,海岸线真实位置矢量的生成方法如下:
步骤4.1,海岸线分类体系构建,根据海岸线形成的原因,将海岸线分为人工海岸线与自然海岸线进行提取,其中自然海岸线包括岩基海岸线、砂质海岸线以及生物海岸线三个子类别;
步骤4.2,瞬时水边线潮位校正,根据各类海岸线的影像特征,结合参考海岸带内的地物类别,分别对不同类别海岸线对应的瞬时水边线类别进行潮位校正;
步骤4.3,将各类海岸线进行拼接,得到完整的海岸线信息,并输出为矢量文件。
5.根据权利要求4所述的基于多时相高分辨率遥感影像的多类别海岸线提取方法,其特征在于:步骤4.2的具体过程如下:
步骤4.2.1,人工海岸线提取,当水边线附近的参考海岸带为道路、人工建筑以及边缘规则的裸地类别时对应的海岸线类型为人工海岸线;通常情况下潮水在人工海岸边界仅有垂直方向的波动,没有水平方向上的前进或后退,其海岸线边缘平滑,通常位于潮水或潮坪外侧与人工痕迹之间的界限;
步骤4.2.2,岩基海岸线提取,当水边线附近的参考海岸带为浸水岩石或未浸水岩石类别时,对应的海岸线为岩基海岸线;岩基海岸通常较为陡峭,但在重力和其他自然地理因素的作用下,峭壁上的风化碎屑和不稳定岩体会沿坡面崩落,在坡脚处形成倒石堆;部分倒石堆在潮汐作用下会长期遭受潮水的反复冲刷侵蚀,受到潮水侵蚀的倒石堆与未经潮水侵蚀的岩石在色彩上有明显差异,岩基海岸线即位于受潮水侵蚀倒石堆与为受潮水侵蚀岩石的分界处;
步骤4.2.3,生物海岸线提取,潮间生物通常为喜盐植被,只生长在海潮能够达到的淤泥浅滩处,潮间生物靠近陆地一侧与其他地物的分界即是潮水能够到达的最远位置;故参考海岸带中夹在瞬时水边线和人工地物之间的大面积植被图斑即为生物海岸,且生物海岸靠近人工建筑一侧的边界即为生物海岸线;
步骤4.2.4,砂质海岸线提取,当水边线附近的参考海岸带为浸水沙滩或未浸水沙滩类别时,对应的海岸线为砂质海岸线,砂质海岸地形起伏较小,因而较小的潮位变化即会导致水边线较大的变动,故直接从影像上获取砂质海岸线存在困难,需要将多时相遥感影像瞬时水边线的水平位置和成像时刻的潮位高度结合起来,反算沙滩坡度,然后对平均大潮高潮位的水陆分界位置进行推导,得到砂质海岸线位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172929.2A CN112861719B (zh) | 2021-02-08 | 2021-02-08 | 一种基于多时相高分辨率遥感影像的海岸线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172929.2A CN112861719B (zh) | 2021-02-08 | 2021-02-08 | 一种基于多时相高分辨率遥感影像的海岸线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861719A true CN112861719A (zh) | 2021-05-28 |
CN112861719B CN112861719B (zh) | 2022-10-21 |
Family
ID=75989259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110172929.2A Active CN112861719B (zh) | 2021-02-08 | 2021-02-08 | 一种基于多时相高分辨率遥感影像的海岸线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861719B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628227A (zh) * | 2021-08-02 | 2021-11-09 | 哈尔滨工业大学 | 一种基于深度学习的海岸线变化分析方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012075065A2 (en) * | 2010-12-02 | 2012-06-07 | Rensselaer Polytechnic Institute | Method and apparatus for coastline remediation, energy generation, and vegetation support |
CN105374041A (zh) * | 2015-11-18 | 2016-03-02 | 国家海洋局第一海洋研究所 | 利用多期遥感影像提取砂质岸线的方法 |
CN105740794A (zh) * | 2016-01-27 | 2016-07-06 | 中国人民解放军92859部队 | 一种基于卫星影像的海岸线自动提取与分类方法 |
CN105809138A (zh) * | 2016-03-15 | 2016-07-27 | 武汉大学 | 一种基于分块识别的道路警告标志检测与识别方法 |
CN107229919A (zh) * | 2017-06-05 | 2017-10-03 | 深圳先进技术研究院 | 一种用于复杂生态海岸带的生态要素处理方法及系统 |
EP3258413A1 (en) * | 2016-06-13 | 2017-12-20 | VanderSat B.V. | Method and system for improving the resolution of sensor data |
CN109308451A (zh) * | 2018-08-09 | 2019-02-05 | 哈尔滨哈船导航技术有限公司 | 一种高分数据信息提取系统及方法 |
CN109653157A (zh) * | 2019-02-15 | 2019-04-19 | 自然资源部第二海洋研究所 | 海岸线建设后退距离确定方法 |
CN111879292A (zh) * | 2020-07-27 | 2020-11-03 | 深圳大学 | 一种海岸线动态监控方法、监控设备及存储介质 |
-
2021
- 2021-02-08 CN CN202110172929.2A patent/CN112861719B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012075065A2 (en) * | 2010-12-02 | 2012-06-07 | Rensselaer Polytechnic Institute | Method and apparatus for coastline remediation, energy generation, and vegetation support |
CN105374041A (zh) * | 2015-11-18 | 2016-03-02 | 国家海洋局第一海洋研究所 | 利用多期遥感影像提取砂质岸线的方法 |
CN105740794A (zh) * | 2016-01-27 | 2016-07-06 | 中国人民解放军92859部队 | 一种基于卫星影像的海岸线自动提取与分类方法 |
CN105809138A (zh) * | 2016-03-15 | 2016-07-27 | 武汉大学 | 一种基于分块识别的道路警告标志检测与识别方法 |
EP3258413A1 (en) * | 2016-06-13 | 2017-12-20 | VanderSat B.V. | Method and system for improving the resolution of sensor data |
CN107229919A (zh) * | 2017-06-05 | 2017-10-03 | 深圳先进技术研究院 | 一种用于复杂生态海岸带的生态要素处理方法及系统 |
CN109308451A (zh) * | 2018-08-09 | 2019-02-05 | 哈尔滨哈船导航技术有限公司 | 一种高分数据信息提取系统及方法 |
CN109653157A (zh) * | 2019-02-15 | 2019-04-19 | 自然资源部第二海洋研究所 | 海岸线建设后退距离确定方法 |
CN111879292A (zh) * | 2020-07-27 | 2020-11-03 | 深圳大学 | 一种海岸线动态监控方法、监控设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
J.A.POLLARD 等: "Understanding spatio-temporal barrier dynamics through the use of multiple shoreline proxies", 《GEOMORPHOLOGY》 * |
SHUNPING JI 等: "3D Convolutional Neural Networks for Crop Classification with Multi-Temporal Remote Sensing Images", 《REMOTE SENSING》 * |
ZHEN LV 等: "An Adaptive Multifeature Sparsity-Based Model for Semiautomatic Road Extraction From High-Resolution Satellite Images in Urban Areas", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
吴一全 等: "遥感影像的海岸线自动提取方法研究进展", 《遥感学报》 * |
张旭凯 等: "结合海岸类型和潮位校正的海岸线遥感提取", 《国土资源遥感》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628227A (zh) * | 2021-08-02 | 2021-11-09 | 哈尔滨工业大学 | 一种基于深度学习的海岸线变化分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112861719B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740794B (zh) | 一种基于卫星影像的海岸线自动提取与分类方法 | |
CN110991393A (zh) | 一种海岸线变迁遥感监测与分析的方法及装置 | |
Miccadei et al. | Geomorphological features of coastal dunes along the central Adriatic coast (Abruzzo, Italy) | |
CN114821355B (zh) | 海岸线自动化识别方法和装置 | |
CN108257142A (zh) | Dem中斜坡单元提取方法 | |
Zhao et al. | Analysis of Jiangsu tidal flats reclamation from 1974 to 2012 using remote sensing | |
CN112509134A (zh) | 一种潮滩数字高程模型构建方法及系统 | |
CN108537116B (zh) | 一种基于多尺度特征的海岸线二级类型提取方法及系统 | |
Widiawaty et al. | Physical and social factors of shoreline change in Gebang, Cirebon Regency 1915–2019 | |
CN112861719B (zh) | 一种基于多时相高分辨率遥感影像的海岸线提取方法 | |
Shao et al. | Automated searching of ground points from airborne lidar data using a climbing and sliding method | |
CN115293262B (zh) | 一种岸线功能与结构长时序检测方法 | |
Athanasiou et al. | Global Coastal Characteristics (GCC): A global dataset of geophysical, hydrodynamic, and socioeconomic coastal indicators | |
Wu et al. | Coastal reclamation shaped narrower and steeper tidal flats in Fujian, China: Evidence from time-series satellite data | |
Blott et al. | Morphological and sedimentological changes on an artificially nourished beach, Lincolnshire, UK | |
Xu et al. | Extraction and spatiotemporal evolution analysis of tidal flats in the Bohai Rim during 1984–2019 based on remote sensing | |
Wang et al. | Deriving natural coastlines using multiple satellite remote sensing images | |
Yu et al. | Semi-Automatic Extraction of The Threshold Segmentation of Coastline Based on Coastline Type | |
Hua et al. | The research of artificial shoreline extraction based on airborne LIDAR data | |
Saresma et al. | Characterization of sedimentary depositional environments for land use and urban planning in Espoo, Finland | |
Aradóttir et al. | Drumlin formation within the Bustarfell drumlin field, northeast Iceland: integrating sedimentological and ground‐penetrating radar data | |
Kang et al. | Coastal evolution of Yancheng, northern Jiangsu, China since the mid-Holocene based on the Landsat MSS imagery | |
Dong et al. | General Coastline Extraction Based on an Improved Active Contour Model in Jiaozhou Bay, Qingdao, China, from 1990 to 2018 Using Landsat Satellite Images | |
Misbari et al. | Temporal and spatial dynamics of submerged seagrass at Merambong, Johor using Landsat data | |
Mason et al. | Remote sensing of tidal networks and their relation to vegetation |
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 |