CN112926468A - 一种潮滩高程自动提取方法 - Google Patents

一种潮滩高程自动提取方法 Download PDF

Info

Publication number
CN112926468A
CN112926468A CN202110233286.8A CN202110233286A CN112926468A CN 112926468 A CN112926468 A CN 112926468A CN 202110233286 A CN202110233286 A CN 202110233286A CN 112926468 A CN112926468 A CN 112926468A
Authority
CN
China
Prior art keywords
remote sensing
water
tidal flat
water line
model
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
CN202110233286.8A
Other languages
English (en)
Other versions
CN112926468B (zh
Inventor
张双尚
徐青
康彦彦
王彬
张雯皓
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202110233286.8A priority Critical patent/CN112926468B/zh
Publication of CN112926468A publication Critical patent/CN112926468A/zh
Application granted granted Critical
Publication of CN112926468B publication Critical patent/CN112926468B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Human Computer Interaction (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种潮滩高程自动提取方法，具体步骤为：收集监测区域一时间段内的多时相合成孔径雷达遥感影像数据，提取不同水位的遥感水边线，将遥感图像与水边线同时作为输入训练深度卷积神经网络，利用训练完成的模型自动提取其它时段内的合成孔径雷达遥感图像水边线信息，同时结合海洋潮汐预报模型对遥感水边线上的每个水边点进行其成像时刻的水位赋值，构建三维遥感水边线，在多景三维水边线的基础上建立潮滩高程初步地形图，最终利用插值完成监测区域内潮滩数字高程模型的构建。本发明是建立在深度学习基础上的潮滩地形测量，摆脱了实地测量困难，克服了遥感水边线法获取潮滩地形时水边线提取工作繁琐效率低的难题。

Description

一种潮滩高程自动提取方法
技术领域
本发明涉及一种潮滩高程自动提取方法，特别针对地形变化迅速的潮滩区域，自动高效获取潮滩高分辨率数字高程模型。
背景技术
潮滩作为海岸带的重要组成部分，是研究海岸海洋资源环境变化的自然载体，也是人类活动与海洋环境之间相互作用的关键区域。对潮滩的研究不仅是海洋学科研究中的重点，亦是属于全球变化基础研究中重要的一环，对人类的可持续发展意义重大。目前关于潮滩地形监测的方法众多，主要分为直接的现场测量和间接的遥感监测两种。但潮滩恶劣的自然条件给现场测量带来极大的困难，因此使用遥感监测手段来获取潮滩地形往往成为性价比较高的方法。常见的遥感监测方法主要有机载激光探测和测距系统(LiDAR，立体像对摄影测量(Stereophotogrammetry，基于雷达干涉影像的高程反演(Interferometry，基于光学卫星影像的水深遥感反演以及基于遥感水边线的高程信息反演等等。其中遥感水边线法在历史潮滩高程反演、成本和测量环境要求方面具有独特的优势，此外，该方法能够覆盖整个潮间带区域，非常适合用于进行大范围的易变潮滩的地形监测。遥感水边线法的基本原理是将“水边线”(海陆分界线作为测量潮滩高程的测量高度计，水边线上每一点的瞬时潮位值与该点高程值相等，因此可通过覆盖整个潮间带的不同潮情下系列水边线数据，结合瞬时海面高度来获取潮滩地形。
当前遥感水边线法获取潮滩高程信息仍有以下关键问题需要解决：
1.光学遥感图像受天气影响严重问题
目前遥感水边线法获取潮滩高程主要以利用光学遥感数据为主，而潮滩所处的海岸带区域气象条件复杂，云雨雪霾等天气现象都会对光学遥感成像产生较大的影响，时常无法满足该方法需要在足够短的时间段内采集足够多的清晰无遮挡的遥感图像的条件。潮滩地貌在短时间内变化明显，如何高效利用已有的卫星遥感数据资源是借助遥感水边线法获取潮滩地形亟待解决的关键问题之一。
2.水边线提取工作繁琐耗时问题
水边线的提取效率和精度直接影响后期潮滩地形构建的效率和精度，因此遥感图像中水边线的提取也是潮滩地形构建中关键的一环。目前提取遥感水边线的方法主要分为目视解译与自动解译两种，目视解译具有一定的主观性，且对于大面积潮滩劳动强度过大，而自动解译一般借助于密度分割与边缘检测两种手段，该方法虽然能利用计算机进行初步的水边线提取，但由于潮滩地貌的复杂性，每一景遥感图像需要单独设置不同的分割阈值，且每一景初步提取结果往往需要配合大量的后期人工处理才能获取高精度的水边线信息。故如何能自动高效提取复杂潮滩地貌的遥感水边线信息是亟待解决的另一个关键问题。
发明内容
1、所要解决的技术问题：
现有遥感水边线法获取潮滩高程信息方法在光学遥感图像受天气影响严重，而且水边线提取工作繁琐耗时。
2、技术方案：
为了解决以上问题，本发明提供了一种潮滩高程自动提取方法，包括以下步骤：
步骤1，确定监测海域潮滩及其相关水域的地理与时间范围，收集监测海域内多时相高空间分辨率卫星遥感影像数据并进行预处理；
步骤2，提取其中一时间段内各遥感影像中的水边线信息；
步骤3，利用验潮站数据校正海洋潮汐预报模型；
步骤4，利用校正后的海洋潮汐预报模型对水边线上各点进行水位赋值，将二维遥感水边线转化为三维遥感水边线，再通过空间内插获取该时间段内潮滩高程信息；
步骤5，构建深度卷积神经网络，将该时段内遥感影像作为输入，其对应水边线图像作为真值，并将其按照比例分为训练组、验证组及测试组，完成水边线提取模型训练；
步骤6，利用训练完成的模型提取其它时间段内遥感图像中水边线信息，结合海洋潮汐模型，利用步骤4所示方法，获取各时段内监测海域潮滩高程信息。
发明提供了一种潮滩高程自动提取方法的进一步优化，
步骤1中所述高空间分辨率遥感影像为连续时间段内获取的遥感影像，为以哨兵1号10米空间分辨率合成孔径雷达影像。
步骤2中所述水边线的提取采用Sketchbook软件配合触控屏与触控笔操作。
步骤3中所述海洋潮汐预报模型采用监测海域内两个以上水位遥测站的潮位数据进行校正。
步骤4中所述水位赋值采用MATLAB程序将水边线离散成点，将点所在经纬度信息输入至校正完成的海洋潮汐预报模型中输出对应成像时刻的水位值。
步骤4中所述插获取该时间段内潮滩高现有程信息的方法采用双线性插值方法。
步骤5中所述深度卷积神经网络采用U-Net框架，损失函数采用α-balanced CrossEntropy。
骤5中所述深度卷积神经网络用在测试组中误差最小的网络模型。
步骤4与6中所述的水位赋值时，根据气象数据，剔除监测海域成像时刻风速大于10米每秒的遥感水边线。
3、有益效果：
一种潮滩高程自动提取方法，通过使用高空间分辨率的合成孔径雷达图像，克服了遥感水边线法获取潮滩过程中，光学遥感图像受天气影响严重的难题，同时通过深度学习的方法，建立了可以自动提取复杂成像条件下遥感水边线的深度卷积神经网络模型，解决了遥感图像中水边线提取工作繁琐耗时效率低的问题。
附图说明
图1是本发明的流程示意图。
图2是本发明中深度卷积神经网络结构示意图。
具体实施方式
下面通过附图和实施例来对本发明进行详细说明。
本发明提供了一种潮滩高程自动提取方法，如图1所示，包括以下步骤：步骤1，确定监测海域潮滩及其相关水域的地理与时间范围，收集监测海域内多时相高空间分辨率卫星遥感影像数据并进行预处理；步骤2，提取其中一时间段内各遥感影像中的水边线信息；步骤3，利用验潮站数据校正海洋潮汐预报模型；步骤4，利用校正后的海洋潮汐预报模型对水边线上各点进行水位赋值，将二维遥感水边线转化为三维遥感水边线，再通过空间内插获取该时间段内潮滩高程信息；步骤5，构建深度卷积神经网络，将该时段内遥感影像作为输入，其对应水边线图像作为真值，并将其按照比例分为训练组、验证组及测试组，完成水边线提取模型训练；步骤6，利用训练完成的模型提取其它时间段内遥感图像中水边线信息，结合海洋潮汐模型，利用步骤4所示方法，获取各时段内监测海域潮滩高程信息。
实施例
一种潮滩高程自动提取方法，包括以下步骤：
步骤1，本发明实施例的监测海域潮滩为江苏岸外辐射沙脊群区域潮滩，监测时间为2015 年至2019年，收集到该海域哨兵1号10米空间分辨率合成孔径雷达图像共140景，利用 SNAP软件对其进行预处理。
步骤2，本发明实施例利用Sketchbook软件配合触控屏与触控笔操作提取了2019年全年52景合成孔径雷达图像中的水边线信息。
步骤3，本发明实施例通过获取监测海域内2014年东沙验潮站7月份以及2017年蛎岈山九月份验潮站潮位数据对海洋潮汐预报模型进行校正。
步骤4，本发明实施例首先通过对比气象资料，剔除了2019年全年52景中成像时刻风速大于10米每秒的5景水边线图像，将剩下47景水边线上各点的经纬度信息以及对应遥感图像成像时刻信息作为海洋潮汐预报模型的输入以获取各点对应水位值，最后通过双线性插值方法得到2019年江苏岸外辐射沙脊群区域潮滩高程信息。
步骤5，本发明实施例利用2019年全年52景合成孔径雷达图像及其对应的水边线图像，建立基于深度卷积神经网络U-Net的水边线自动提取模型，其中合成孔径雷达影像作为模型输入，其对应水边线图像作为真值，并使用了改进后的损失函数α-balanced CrossEntropy来解决样本不平衡的问题，以使提取结果具有较高的准确率。42景图像参与训练，其余10景图像作为测试集，最终选择对测试组误差最低的模型作为最终的模型。
步骤6，本发明实施例利用训练完成的如图2所示的深度卷积神经网络模型提取2015年至2018年各年份合成孔径雷达图像中水边线信息，并通过对比气象资料，剔除其中成像时刻风速大于10米每秒的水边线图像，利用剩下的水边线信息结合校正后的海洋潮汐预报模型获取对应水边点的水位值，通过双线性插值的方法得到2015年至2018年各个年份江苏岸外辐射沙脊群区域潮滩高程信息。
虽然本发明已以较佳实施例公开如上，但它们并不是用来限定本发明的，任何熟习此技艺者，在不脱离本发明之精神和范围内，自当可作各种变化或润饰，因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。

Claims (9)

1.一种潮滩高程自动提取方法，包括以下步骤：
步骤1，确定监测海域潮滩及其相关水域的地理与时间范围，收集监测海域内多时相高空间分辨率卫星遥感影像数据并进行预处理；
步骤2，提取其中一时间段内各遥感影像中的水边线信息；
步骤3，利用验潮站数据校正海洋潮汐预报模型；
步骤4，利用校正后的海洋潮汐预报模型对水边线上各点进行水位赋值，将二维遥感水边线转化为三维遥感水边线，再通过空间内插获取该时间段内潮滩高程信息；
步骤5，构建深度卷积神经网络，将该时段内遥感影像作为输入，其对应水边线图像作为真值，并将其按照比例分为训练组、验证组及测试组，完成水边线提取模型训练；
步骤6，利用训练完成的模型提取其它时间段内遥感图像中水边线信息，结合海洋潮汐模型，利用步骤4所示方法，获取各时段内监测海域潮滩高程信息。
2.如权利要求1所述的方法，其特征在于：步骤1中所述高空间分辨率遥感影像为连续时间段内获取的遥感影像，为以哨兵1号10米空间分辨率合成孔径雷达影像。
3.如权利要求1所述的方法，其特征在于：步骤2中所述水边线的提取采用Sketchbook软件配合触控屏与触控笔操作。
4.如权利要求1所述的方法，其特征在于：步骤3中所述海洋潮汐预报模型采用监测海域内两个以上水位遥测站的潮位数据进行校正。
5.如权利要求1所述的方法，其特征在于：步骤4中所述水位赋值采用MATLAB程序将水边线离散成点，将点所在经纬度信息输入至校正完成的海洋潮汐预报模型中输出对应成像时刻的水位值。
6.如权利要求1所述的方法，其特征在于：步骤4中所述插获取该时间段内潮滩高程信息的方法采用双线性插值方法。
7.如权利要求1所述的方法，其特征在于：步骤5中所述深度卷积神经网络采用U-Net框架，损失函数采用α-balanced Cross Entropy。
8.如权利要求1所述的方法，其特征在于：步骤5中所述深度卷积神经网络用在测试组中误差最小的网络模型。
9.如权利要求1所述的方法，其特征在于：步骤4与6中所述的水位赋值时，根据气象数据，剔除监测海域成像时刻风速大于10米每秒的遥感水边线。
CN202110233286.8A 2021-03-03 2021-03-03 一种潮滩高程自动提取方法 Active CN112926468B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110233286.8A CN112926468B (zh) 2021-03-03 2021-03-03 一种潮滩高程自动提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110233286.8A CN112926468B (zh) 2021-03-03 2021-03-03 一种潮滩高程自动提取方法

Publications (2)

Publication Number Publication Date
CN112926468A true CN112926468A (zh) 2021-06-08
CN112926468B CN112926468B (zh) 2023-06-02

Family

ID=76173112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110233286.8A Active CN112926468B (zh) 2021-03-03 2021-03-03 一种潮滩高程自动提取方法

Country Status (1)

Country Link
CN (1) CN112926468B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113971679A (zh) * 2021-11-08 2022-01-25 南京智慧水运科技有限公司 一种基于计算机视觉与图像处理的海洋潮汐测量方法
CN116612245A (zh) * 2023-02-01 2023-08-18 自然资源部第三海洋研究所 基于视频图像的海滩地形地貌构建方法、系统、存储介质
CN117423002A (zh) * 2023-12-18 2024-01-19 中国水产科学研究院南海水产研究所 一种基于dem的小尺度潮滩图像处理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103791890A (zh) * 2014-01-28 2014-05-14 河海大学 一种滩涂湿地地形快速测量的遥感遥测方法
CN111639623A (zh) * 2020-06-09 2020-09-08 中国地质大学（武汉） 结合空间距离约束的多尺度船企场景识别与提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103791890A (zh) * 2014-01-28 2014-05-14 河海大学 一种滩涂湿地地形快速测量的遥感遥测方法
CN111639623A (zh) * 2020-06-09 2020-09-08 中国地质大学（武汉） 结合空间距离约束的多尺度船企场景识别与提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘晓芳: "基于深度学习的遥感图像海岸线提取和地物分类", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113971679A (zh) * 2021-11-08 2022-01-25 南京智慧水运科技有限公司 一种基于计算机视觉与图像处理的海洋潮汐测量方法
CN113971679B (zh) * 2021-11-08 2024-04-30 南京智慧水运科技有限公司 一种基于计算机视觉与图像处理的海洋潮汐测量方法
CN116612245A (zh) * 2023-02-01 2023-08-18 自然资源部第三海洋研究所 基于视频图像的海滩地形地貌构建方法、系统、存储介质
CN116612245B (zh) * 2023-02-01 2024-02-27 自然资源部第三海洋研究所 基于视频图像的海滩地形地貌构建方法、系统、存储介质
CN117423002A (zh) * 2023-12-18 2024-01-19 中国水产科学研究院南海水产研究所 一种基于dem的小尺度潮滩图像处理方法
CN117423002B (zh) * 2023-12-18 2024-03-15 中国水产科学研究院南海水产研究所 一种基于dem的小尺度潮滩图像处理方法

Also Published As

Publication number Publication date
CN112926468B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
Wang et al. Evolution of the topography of tidal flats and sandbanks along the Jiangsu coast from 1973 to 2016 observed from satellites
Boak et al. Shoreline definition and detection: a review
CN112926468A (zh) 一种潮滩高程自动提取方法
CN107063197B (zh) 一种基于空间信息技术的水库特征曲线提取方法
CN109840553B (zh) 耕地作物类型的提取方法及系统、存储介质、电子设备
CN111951392B (zh) 一种基于时间序列遥感影像和水位监测数据的洲滩枯水位以上地形重建方法
CN108647740A (zh) 利用高分辨率地形和气象因子进行多源降水融合的方法
Li et al. Intertidal topographic maps and morphological changes in the German Wadden Sea between 1996–1999 and 2006–2009 from the waterline method and SAR images
Liu et al. Seasonal pattern of tidal-flat topography along the Jiangsu middle coast, China, using HJ-1 optical images
Liu et al. Toward a method of constructing tidal flat digital elevation models with MODIS and medium-resolution satellite images
Ding et al. Shoreline movement monitoring based on SAR images in Shanghai, China
CN103761375A (zh) 一种基于遥感水边线的潮滩dem率定方法
Esposito et al. Evaluation of geomorphic changes and retreat rates of a coastal pyroclastic cliff in the Campi Flegrei volcanic district, southern Italy
CN117423002B (zh) 一种基于dem的小尺度潮滩图像处理方法
CN114170524A (zh) 一种高时-空卫星数据融合的单日潮滩数字地形构建方法
Athanasiou et al. Global Coastal Characteristics (GCC): A global dataset of geophysical, hydrodynamic, and socioeconomic coastal indicators
CN112166688B (zh) 基于小卫星的沙漠与沙漠化土地监测方法
Addo et al. UAV photogrammetry and 3D reconstruction: Application in coastal monitoring
Xie et al. Machine-Learning-Method-Based Inversion of Shallow Bathymetric Maps Using ICESat-2 ATL03 Data
Araújo et al. Morphodynamic study of sandy beaches in a tropical tidal inlet using RPAS
White Utilization of LIDAR and NOAA's vertical datum transformation tool (VDatum) for shoreline delineation
Sun et al. Check dam extraction from remote sensing images using deep learning and geospatial analysis: A case study in the Yanhe River Basin of the Loess Plateau, China
Odunuga et al. Geomorphological mapping of part of the Niger Delta, Nigeria using DEM and Multispectral imagery
Schünemann et al. High-resolution topography for Digital Terrain Model (DTM) in Keller Peninsula, Maritime Antarctica
CN116778332B (zh) 基于dem的河流沿岸易淹没范围识别方法及系统

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