CN112946643B - 基于时序雷达遥感的海上风电提取方法及系统 - Google Patents

基于时序雷达遥感的海上风电提取方法及系统 Download PDF

Info

Publication number
CN112946643B
CN112946643B CN202110120133.2A CN202110120133A CN112946643B CN 112946643 B CN112946643 B CN 112946643B CN 202110120133 A CN202110120133 A CN 202110120133A CN 112946643 B CN112946643 B CN 112946643B
Authority
CN
China
Prior art keywords
image
radar image
offshore wind
radar
module
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
Application number
CN202110120133.2A
Other languages
English (en)
Other versions
CN112946643A (zh
Inventor
田波
张婷
顾靖华
睿杰
袁庆
范惠芳
姜文浩
张雷
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.)
East China Normal University
Original Assignee
East China Normal University
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 East China Normal University filed Critical East China Normal University
Priority to CN202110120133.2A priority Critical patent/CN112946643B/zh
Publication of CN112946643A publication Critical patent/CN112946643A/zh
Application granted granted Critical
Publication of CN112946643B publication Critical patent/CN112946643B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S13/9021—SAR image post-processing 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/292—Extracting wanted echo-signals
    • G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/35—Details of non-pulse systems
    • G01S7/352—Receivers
    • G01S7/354—Extracting wanted echo-signals
    • 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)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于时序雷达遥感的海上风电提取方法及系统，包括：步骤M1：获取合成孔径雷达影像，并对合成孔径雷达影像预处理，得到预处理后的时序雷达影像数据集；步骤M2：确定研究区域并将确定的研究区域创建为全球海岸矢量网格；步骤M3：基于全球海岸矢量网格，基于像素的动态阈值法提取海上风电场；步骤M4：利用时序影像提取单个风电机组的建造时间。本发明基于时序的合成孔径雷达影像对海上风电进行提取，有效避免了海面水汽和云雾对提取结果的影响。

Description

基于时序雷达遥感的海上风电提取方法及系统
技术领域
本发明涉及新能源技术领域，具体地，涉及基于时序雷达遥感的海上风电提取方法及系统。
背景技术
风能是重要的清洁能源，海上风能资源开发已成为全球绿色、可持续发展的重要引擎。全面、详尽地掌握海上风电场的分布与动态对保障近海航行安全、维护海洋生态多样性、科学评估和管理风能利用、促进社会经济可持续发展等至关重要。
目前广泛使用的被动光学影像经常受到沿海地区云和水汽的影响，因此很难绘制风力发电机的具体安装点。
而合成孔径雷达具有几乎全天候的能力观测，在识别具有高度散射特性的海上对象方面具有优势。
而目前还未有利用时序雷达影像对全球海上风电进行识别的研究。
专利文献CN110532918A(申请号：201910772316.5)公开了本发明涉及一种基于时间序列遥感影像的离岸风电场时空属性确定方法，该方法联合使用了海量的多源长时间序列光学遥感数据，较高的空间和时间分辨率增强了遥感图像检测的鲁棒性，大大提高了对海上目标的监测能力，可以快速自动识别大尺度海上风电场的时空属性。本方法执行步骤简单易行，在提取区域乃至全球离岸风电场的效果较好。本发明使用长时间、大空间覆盖范围的光学影像数据，利用一种优化的统计滤波和滑动窗口，实现了大空间尺度上的离岸风电场的准确提取。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于时序雷达遥感的海上风电提取方法及系统。
根据本发明提供的一种基于时序雷达遥感的海上风电提取方法，包括：
步骤M1：获取合成孔径雷达影像，并对合成孔径雷达影像预处理，得到预处理后的时序雷达影像数据集；
步骤M2：确定研究区域并将确定的研究区域创建为全球海岸矢量网格；
步骤M3：基于全球海岸矢量网格，基于像素的动态阈值法提取海上风电场；
步骤M4：利用时序影像提取单个风电机组的建造时间。
优选地，所述步骤M1包括：更新合成孔径雷达影像的轨道状态向量，去除影像中的热噪声和边界噪声，消除噪声后对影像进行辐射校正，对辐射校正后的影像进行地形校正。
优选地，所述步骤M3包括：
步骤M3.1：选取年内所有雷达影像数据集中做平均值合成，将整年时间序列的数据集转化为年度合成的雷达影像；
步骤M3.2：对年度合成的雷达影像做直方图分析，仅保留预设百分位范围内的像元以清除漂浮物与临时移动物体，得到清除后的年度合成的雷达影像；
步骤M3.3：将清除后的年度合成的雷达影像采用动态阈值法提取具有高后向散射强度特征的目标，将海上风力发电机与海水背景区分开来；
步骤M3.4：在初步海上风电的提取基础上，使用形态学方法去除提取结果中存在的噪声像素；
步骤M3.5：利用面积滤波进一步移除包括岛屿和石油平台干扰目标。
优选地，所述步骤M4包括：通过对单个风电机组后向散射强度的时间序列曲线进行M-K突变型统计检验来得到单个风电机组建造时间。
优选地，所述步骤M3.3包括：
将年度合成的雷达影像网格中每个像素的后向散射强度BS与动态阈值T进行比较，当后向散射强度BS大于等于动态阈值T时，则当前像素为提取目标，赋值为1；当后向散射强度BS小于动态阈值T时，则当前像素不符合提取条件，赋值为0；
具体公式如下：
Figure BDA0002921715010000021
Figure BDA0002921715010000022
其中，Binary decision表示二值结果，BSmax为每个网格内后向散射强度的最大值，BSmin为每个网格内后向散射强度的最小值，T为动态阈值。
根据本发明提供的一种基于时序雷达遥感的海上风电提取系统，包括：
模块M1：获取合成孔径雷达影像，并对合成孔径雷达影像预处理，得到预处理后的时序雷达影像数据集；
模块M2：确定研究区域并将确定的研究区域创建为全球海岸矢量网格；
模块M3：基于全球海岸矢量网格，基于像素的动态阈值法提取海上风电场；
模块M4：利用时序影像提取单个风电机组的建造时间。
优选地，所述模块M1包括：更新合成孔径雷达影像的轨道状态向量，去除影像中的热噪声和边界噪声，消除噪声后对影像进行辐射校正，对辐射校正后的影像进行地形校正。
优选地，所述模块M3包括：
模块M3.1：选取年内所有雷达影像数据集中做平均值合成，将整年时间序列的数据集转化为年度合成的雷达影像；
模块M3.2：对年度合成的雷达影像做直方图分析，仅保留预设百分位范围内的像元以清除漂浮物与临时移动物体，得到清除后的年度合成的雷达影像；
模块M3.3：将清除后的年度合成的雷达影像采用动态阈值法提取具有高后向散射强度特征的目标，将海上风力发电机与海水背景区分开来；
模块M3.4：在初步海上风电的提取基础上，使用形态学方法去除提取结果中存在的噪声像素；
模块M3.5：利用面积滤波进一步移除包括岛屿和石油平台干扰目标。
优选地，所述模块M4包括：通过对单个风电机组后向散射强度的时间序列曲线进行M-K突变型统计检验来得到单个风电机组建造时间。
优选地，所述模块M3.3包括：
将年度合成的雷达影像网格中每个像素的后向散射强度BS与动态阈值T进行比较，当后向散射强度BS大于等于动态阈值T时，则当前像素为提取目标，赋值为1；当后向散射强度BS小于动态阈值T时，则当前像素不符合提取条件，赋值为0；
具体公式如下：
Figure BDA0002921715010000031
Figure BDA0002921715010000041
其中，Binary decision表示二值结果，BSmax为每个网格内后向散射强度的最大值，BSmin为每个网格内后向散射强度的最小值，T为动态阈值。
与现有技术相比，本发明具有如下的有益效果：
1、本发明实现了对全球海上风电的快速准确提取；
2、本发明基于时序的合成孔径雷达影像对海上风电进行提取，有效避免了海面水汽和云雾对提取结果的影响；
3、本发明在有效去除噪声和可疑目标后，利用一种基于像素的动态阈值法对全球范围内的海上风电场进行提取，改善了单一固定阈值在不同的地区、不同环境下容易遗漏识别对象或识别出过多噪声的情况；
4、本发明基于时序遥感数据的算法，以时序尺度上识别目标出现的频次为判断基础来去除移动目标(如船只等)的影响，可以减少错误像元的错误判断，时序大量遥感数据的应用也减少了单一影像产生的提取错误；
5、本发明所涉及的基于时序雷达影像的海上风电场识别方法能够高效快捷地对全球风电场进行分类，并且通过对时序数据的分析检验算法，可以快速得到单个风电机组的建造年份；
6、本发明产生的海上风电提取结果准确可信，方法稳定可重复，相比传统的小区域分类方法，具有工作量小、操作简单、效率高、鲁棒性强等优势。而产生的全球海上风电场数据集能够准确了解各国海上风电的分布和状态，作为完备的海上基础设施数据集，也是今后各项研究开展的基础，对海上航道的安全、环境评估，以及后续的风能规划等都有所帮助。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为基于时序雷达遥感的海上风电提取方法流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种基于时序雷达遥感的海上风电提取方法，包括：
步骤M1：获取合成孔径雷达影像，并对合成孔径雷达影像预处理，得到预处理后的时序雷达影像数据集；
步骤M2：确定研究区域并将确定的研究区域创建为全球海岸矢量网格；
步骤M3：基于全球海岸矢量网格，基于像素的动态阈值法提取海上风电场；
步骤M4：利用时序影像提取单个风电机组的建造时间。
具体地，所述步骤M1包括：更新合成孔径雷达影像的轨道状态向量，用包含精确的卫星位置和速度信息的轨道文件更新雷达产品抽象元数据中的轨道状态向量，去除因轨道误差引起的系统性误差。
去除影像中的热噪声和边界噪声，通过雷达数据集中的噪声查找表获取与目标影像相匹配的噪声剖面以消除子条带中的附加噪声，帮助减少多条带采集模式下场景的条带之间的不连续性；通过阈值法对低值像元进行掩膜，以消去除场景边缘的低强度噪声和无效数据。
消除噪声后对影像进行辐射校正，利用影像元数据中的传感器校准参数计算得到后向散射强度，将数据定标转变为定量数值，使雷达影像的像素值真实地反映反射面的雷达后向散射。
对辐射校正后的影像进行地形校正。使用SRTM30数字高程模型(纬度小于60°区域)和ASTER数字高程模型(纬度大于60°区域)对影像进行地形校正，得到精确的地理位置信息。地物雷达后向散射值无量纲且量级较小，不同地物类型的后向散射强度差异很小。因此将形校正后的数值取十倍对数以放大后向散射强度的差异，转化后的数值单位为分贝。
本发明选择雷达干涉式宽幅模式下VV极化方式的影像进行风电提取。通过与多个备选波段与极化方式影像的直方图分析确定该极化方式中风电机组的后向散射强度与开阔水域和滩涂具有较高的可分性。
具体地，所述步骤M2包括：
本发明中的近海区域依照1982年《联合国海洋法公约》规定的海域边界，并将其组织成0.5°×0.5°的全球海岸矢量网格。
具体地，所述步骤M3包括：
步骤M3.1：选取年内所有雷达影像数据集中做平均值合成，将整年时间序列的数据集转化为年度合成的雷达影像；
步骤M3.2：对年度合成的雷达影像做直方图分析，仅保留预设百分位范围内的像元以清除漂浮物与临时移动物体，得到清除后的年度合成的雷达影像；
步骤M3.3：将清除后的年度合成的雷达影像采用动态阈值法提取具有高后向散射强度特征的目标，将海上风力发电机与海水背景区分开来；
本发明提出的动态阈值T为每个网格内后向散射强度最大值和最小值的平均，将此动态阈值T称为半最小最大阈值(HALF-MIN-MAX threshold)，可以根据每个网格进行自适应调整。将上述把步骤中得到的年度合成印象网格中每个像素的后向散射强度BS与动态阈值T进行比较，当后向散射强度BS大于等于动态阈值时，则该像素为提取目标，赋值为1，当后向散射强度BS小于动态阈值T时，则该像素不符合提取条件，赋值为0。在此步骤后可以得到二值结果图像，其中像素值为1的像素，即为初步的海上风电提取结果。
公式定义如下：
Figure BDA0002921715010000061
Figure BDA0002921715010000062
其中，Binary decision表示二值结果，BSmax为每个网格内后向散射强度的最大值，BSmin为每个网格内后向散射强度的最小值，T为动态阈值。
步骤M3.4：在初步海上风电的提取基础上，使用形态学方法去除提取结果中存在的噪声像素；对二值化后得到的目标像素(即值为1的像元)进行腐蚀、膨胀的形态学操作，该操作可以消除提取到的孤立像元，并平滑提取目标的边界。
步骤M3.5：利用面积滤波进一步移除包括岛屿和石油平台干扰目标。本发明中认为单个海上风电机组的合理像素范围为20-128，因此设定面积大小滤波移除范围外的提取结果，通过此操作可以移除岛屿、石油平台等被错误提取的干扰目标，从而可以得到更为合理的海上风电提取结果。
具体地，所述步骤M4包括：得到海上风电的空间分布后，进一步判断每个风电机组的建造时间以完善全球海上风电场的时间特征属性。通过对单个风电机组后向散射强度的时间序列曲线进行M-K突变性统计检验来得到其建造时间。检验的原理为在风电机组建设后，其后向散射强度会剧烈增加，因此在时间序列上显示出突变情况，通过识别突变的点来提取建造年份。
根据本发明提供的一种基于时序雷达遥感的海上风电提取系统，包括：
模块M1：获取合成孔径雷达影像，并对合成孔径雷达影像预处理，得到预处理后的时序雷达影像数据集；
模块M2：确定研究区域并将确定的研究区域创建为全球海岸矢量网格；
模块M3：基于全球海岸矢量网格，基于像素的动态阈值法提取海上风电场；
模块M4：利用时序影像提取单个风电机组的建造时间。
具体地，所述模块M1包括：更新合成孔径雷达影像的轨道状态向量，用包含精确的卫星位置和速度信息的轨道文件更新雷达产品抽象元数据中的轨道状态向量，去除因轨道误差引起的系统性误差。
去除影像中的热噪声和边界噪声，通过雷达数据集中的噪声查找表获取与目标影像相匹配的噪声剖面以消除子条带中的附加噪声，帮助减少多条带采集模式下场景的条带之间的不连续性；通过阈值法对低值像元进行掩膜，以消去除场景边缘的低强度噪声和无效数据。
消除噪声后对影像进行辐射校正，利用影像元数据中的传感器校准参数计算得到后向散射强度，将数据定标转变为定量数值，使雷达影像的像素值真实地反映反射面的雷达后向散射。
对辐射校正后的影像进行地形校正。使用SRTM30数字高程模型(纬度小于60°区域)和ASTER数字高程模型(纬度大于60°区域)对影像进行地形校正，得到精确的地理位置信息。地物雷达后向散射值无量纲且量级较小，不同地物类型的后向散射强度差异很小。因此将形校正后的数值取十倍对数以放大后向散射强度的差异，转化后的数值单位为分贝。
本发明选择雷达干涉式宽幅模式下VV极化方式的影像进行风电提取。通过与多个备选波段与极化方式影像的直方图分析确定该极化方式中风电机组的后向散射强度与开阔水域和滩涂具有较高的可分性。
具体地，所述模块M2包括：
本发明中的近海区域依照1982年《联合国海洋法公约》规定的海域边界，并将其组织成0.5°×0.5°的全球海岸矢量网格。
具体地，所述模块M3包括：
模块M3.1：选取年内所有雷达影像数据集中做平均值合成，将整年时间序列的数据集转化为年度合成的雷达影像；
模块M3.2：对年度合成的雷达影像做直方图分析，仅保留预设百分位范围内的像元以清除漂浮物与临时移动物体，得到清除后的年度合成的雷达影像；
模块M3.3：将清除后的年度合成的雷达影像采用动态阈值法提取具有高后向散射强度特征的目标，将海上风力发电机与海水背景区分开来；
本发明提出的动态阈值T为每个网格内后向散射强度最大值和最小值的平均，将此动态阈值T称为半最小最大阈值(HALF-MIN-MAX threshold)，可以根据每个网格进行自适应调整。将得到的年度合成印象网格中每个像素的后向散射强度BS与动态阈值T进行比较，当后向散射强度BS大于等于动态阈值时，则该像素为提取目标，赋值为1，当后向散射强度BS小于动态阈值T时，则该像素不符合提取条件，赋值为0。得到二值结果图像，其中像素值为1的像素，即为初步的海上风电提取结果。
公式定义如下：
Figure BDA0002921715010000081
Figure BDA0002921715010000082
其中，Binary decision表示二值结果，BSmax为每个网格内后向散射强度的最大值，BSmin为每个网格内后向散射强度的最小值，T为动态阈值。
模块M3.4：在初步海上风电的提取基础上，使用形态学方法去除提取结果中存在的噪声像素；对二值化后得到的目标像素(即值为1的像元)进行腐蚀、膨胀的形态学操作，该操作可以消除提取到的孤立像元，并平滑提取目标的边界。
模块M3.5：利用面积滤波进一步移除包括岛屿和石油平台干扰目标。本发明中认为单个海上风电机组的合理像素范围为20-128，因此设定面积大小滤波移除范围外的提取结果，通过此操作可以移除岛屿、石油平台等被错误提取的干扰目标，从而可以得到更为合理的海上风电提取结果。
具体地，所述模块M4包括：得到海上风电的空间分布后，进一步判断每个风电机组的建造时间以完善全球海上风电场的时间特征属性。通过对单个风电机组后向散射强度的时间序列曲线进行M-K突变性统计检验来得到其建造时间。检验的原理为在风电机组建设后，其后向散射强度会剧烈增加，因此在时间序列上显示出突变情况，通过识别突变的点来提取建造年份。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (6)

1.一种基于时序雷达遥感的海上风电提取方法，其特征在于，包括：
步骤M1：获取合成孔径雷达影像，并对合成孔径雷达影像预处理，得到预处理后的时序雷达影像数据集；
步骤M2：确定研究区域并将确定的研究区域创建为全球海岸矢量网格；
步骤M3：基于全球海岸矢量网格，基于像素的动态阈值法提取海上风电场；
步骤M4：利用时序影像提取单个风电机组的建造时间；
述步骤M3包括：
步骤M3.1：选取年内所有雷达影像数据集中做平均值合成，将整年时间序列的数据集转化为年度合成的雷达影像；
步骤M3.2：对年度合成的雷达影像做直方图分析，仅保留预设百分位范围内的像元以清除漂浮物与临时移动物体，得到清除后的年度合成的雷达影像；
步骤M3.3：将清除后的年度合成的雷达影像采用动态阈值法提取具有高后向散射强度特征的目标，将海上风力发电机与海水背景区分开来；
步骤M3.4：在初步海上风电的提取基础上，使用形态学方法去除提取结果中存在的噪声像素；
步骤M3.5：利用面积滤波进一步移除包括岛屿和石油平台干扰目标；
所述步骤M3.3包括：
将年度合成的雷达影像网格中每个像素的后向散射强度BS与动态阈值T进行比较，当后向散射强度BS大于等于动态阈值T时，则当前像素为提取目标，赋值为1；当后向散射强度BS小于动态阈值T时，则当前像素不符合提取条件，赋值为0；
具体公式如下：
Figure FDA0003604101020000011
Figure FDA0003604101020000012
其中，Binary decision表示二值结果，BSmax为每个网格内后向散射强度的最大值，BSmin为每个网格内后向散射强度的最小值，T为动态阈值。
2.根据权利要求1所述的基于时序雷达遥感的海上风电提取方法，其特征在于，所述步骤M1中对合成孔径雷达影像预处理包括：更新合成孔径雷达影像的轨道状态向量，去除影像中的热噪声和边界噪声，消除噪声后对影像进行辐射校正，对辐射校正后的影像进行地形校正。
3.根据权利要求1所述的基于时序雷达遥感的海上风电提取方法，其特征在于，所述步骤M4包括：通过对单个风电机组后向散射强度的时间序列曲线进行M-K突变型统计检验来得到单个风电机组建造时间。
4.一种基于时序雷达遥感的海上风电提取系统，其特征在于，包括：
模块M1：获取合成孔径雷达影像，并对合成孔径雷达影像预处理，得到预处理后的时序雷达影像数据集；
模块M2：确定研究区域并将确定的研究区域创建为全球海岸矢量网格；
模块M3：基于全球海岸矢量网格，基于像素的动态阈值法提取海上风电场；
模块M4：利用时序影像提取单个风电机组的建造时间；
所述模块M3包括：
模块M3.1：选取年内所有雷达影像数据集中做平均值合成，将整年时间序列的数据集转化为年度合成的雷达影像；
模块M3.2：对年度合成的雷达影像做直方图分析，仅保留预设百分位范围内的像元以清除漂浮物与临时移动物体，得到清除后的年度合成的雷达影像；
模块M3.3：将清除后的年度合成的雷达影像采用动态阈值法提取具有高后向散射强度特征的目标，将海上风力发电机与海水背景区分开来；
模块M3.4：在初步海上风电的提取基础上，使用形态学方法去除提取结果中存在的噪声像素；
模块M3.5：利用面积滤波进一步移除包括岛屿和石油平台干扰目标；
所述模块M3.3包括：
将年度合成的雷达影像网格中每个像素的后向散射强度BS与动态阈值T进行比较，当后向散射强度BS大于等于动态阈值T时，则当前像素为提取目标，赋值为1；当后向散射强度BS小于动态阈值T时，则当前像素不符合提取条件，赋值为0；
具体公式如下：
Figure FDA0003604101020000021
Figure FDA0003604101020000022
其中，Binary decision表示二值结果，BSmax为每个网格内后向散射强度的最大值，BSmin为每个网格内后向散射强度的最小值，T为动态阈值。
5.根据权利要求4所述的基于时序雷达遥感的海上风电提取系统，其特征在于，所述模块M1包括：更新合成孔径雷达影像的轨道状态向量，去除影像中的热噪声和边界噪声，消除噪声后对影像进行辐射校正，对辐射校正后的影像进行地形校正。
6.根据权利要求4所述的基于时序雷达遥感的海上风电提取系统，其特征在于，所述模块M4包括：通过对单个风电机组后向散射强度的时间序列曲线进行M-K突变型统计检验来得到单个风电机组建造时间。
CN202110120133.2A 2021-01-28 2021-01-28 基于时序雷达遥感的海上风电提取方法及系统 Active CN112946643B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110120133.2A CN112946643B (zh) 2021-01-28 2021-01-28 基于时序雷达遥感的海上风电提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110120133.2A CN112946643B (zh) 2021-01-28 2021-01-28 基于时序雷达遥感的海上风电提取方法及系统

Publications (2)

Publication Number Publication Date
CN112946643A CN112946643A (zh) 2021-06-11
CN112946643B true CN112946643B (zh) 2022-07-12

Family

ID=76238841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110120133.2A Active CN112946643B (zh) 2021-01-28 2021-01-28 基于时序雷达遥感的海上风电提取方法及系统

Country Status (1)

Country Link
CN (1) CN112946643B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378766B (zh) * 2021-06-25 2022-04-05 南通大学 一种基于合成孔径雷达的海上大规模风力发电站监测系统
CN114812710B (zh) * 2022-06-28 2022-10-04 北京海兰信数据科技股份有限公司 一种雷达径向流的矢量流合成方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268429A (zh) * 2014-10-15 2015-01-07 湖北大学 基于星载sar的近海岸海上风能资源遥感方法及系统
CN110532918A (zh) * 2019-08-21 2019-12-03 南京大学 基于时间序列遥感影像的离岸风电场时空属性确定方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2542343A (en) * 2015-09-13 2017-03-22 Cosmo Holtom Theodore Wind vector field measurement system
CN108985281A (zh) * 2018-09-19 2018-12-11 中国科学院东北地理与农业生态研究所 一种基于时序遥感影像的建设用地与农田区分方法及系统
CN109977801B (zh) * 2019-03-08 2020-12-01 中国水利水电科学研究院 一种联合光学和雷达的区域水体快速动态提取方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268429A (zh) * 2014-10-15 2015-01-07 湖北大学 基于星载sar的近海岸海上风能资源遥感方法及系统
CN110532918A (zh) * 2019-08-21 2019-12-03 南京大学 基于时间序列遥感影像的离岸风电场时空属性确定方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于ENVISAT ASAR影像的浙江沿海风能资源评估;常俊芳等;《高技术通讯》;20130515(第05期);全文 *
星载SAR近岸海上风能遥感研究进展;范开国 等;《海洋学研究》;20190930;全文 *
海上风能资源观测与评估研究进展;李正泉等;《地球科学进展》;20160810(第08期);全文 *

Also Published As

Publication number Publication date
CN112946643A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
AU2012384518B2 (en) Infrared image based early detection of oil spills in water
CN109086818B (zh) 海洋锋面识别方法和装置
CN112946643B (zh) 基于时序雷达遥感的海上风电提取方法及系统
CN110532918B (zh) 基于时间序列遥感影像的离岸风电场时空属性确定方法
Bentamy et al. Spatial and temporal characteristics of wind and wind power off the coasts of Brittany
Chen et al. Rain-contaminated region segmentation of X-band marine radar images with an ensemble of SegNets
WO2010127140A2 (en) High-resolution wind measurements for offshore wind energy development
CN105184804A (zh) 基于机载红外相机航拍图像的海面小目标检测方法
Jayadevan et al. A new contrast-enhancing feature for cloud detection in ground-based sky images
Xu et al. Dynamic detection of offshore wind turbines by spatial machine learning from spaceborne synthetic aperture radar imagery
Wang et al. Arctic sea ice cover data from spaceborne SAR by deep learning
CN115267941A (zh) 一种高解析度真彩可见光模型生成、反演方法及其系统
Ni et al. Hurricane eye morphology extraction from SAR images by texture analysis
Li et al. Hybrid cloud detection algorithm based on intelligent scene recognition
Trombe et al. Automatic classification of offshore wind regimes with weather radar observations
CN109389053B (zh) 检测目标车辆周围的待测车辆位置信息的方法及系统
Gao Design and implementation of marine automatic target recognition system based on visible remote sensing images
Yi-Bo et al. A survey on feature extraction of SAR images
Thampy et al. MMA: A novel algorithm for efficient separation of the precipitation echoes from wind profiler radar's Doppler power spectrum
Aslani et al. A Spatially Detailed Approach to the Assessment of Rooftop Solar Energy Potential based on LiDAR Data.
Ma et al. Automatic geolocation and measuring of offshore energy infrastructure with multimodal satellite data
Das et al. Detection and validation of cloud top height from scanning ka-band radar measurements using digital image processing technique
Zheng et al. AI-based remote sensing oceanography-image classification, data fusion, algorithm development and phenomenon forecast
Ergüzen et al. Using Image Processing Techniques for Automated Detection and Annotation of Faulty Regions in Thermal Infrared Images of PV Modules
Liu et al. Deep learning-based monitoring of offshore wind turbines in Shandong Sea of China and their location 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