CN113034519A - 滨海滩涂湿地植被恢复建设区域确定方法和装置 - Google Patents

滨海滩涂湿地植被恢复建设区域确定方法和装置 Download PDF

Info

Publication number
CN113034519A
CN113034519A CN202110439006.9A CN202110439006A CN113034519A CN 113034519 A CN113034519 A CN 113034519A CN 202110439006 A CN202110439006 A CN 202110439006A CN 113034519 A CN113034519 A CN 113034519A
Authority
CN
China
Prior art keywords
vegetation
beach
elevation
remote sensing
area
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
CN202110439006.9A
Other languages
English (en)
Other versions
CN113034519B (zh
Inventor
王晨
高吉喜
张建辉
赵焕
贾兴
王雪蕾
殷守敬
马万栋
杨红艳
赵乾
徐丹
张雅琼
孟斌
王楠
朱南华诺娃
黄莉
王庆涛
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.)
Satellite Application Center for Ecology and Environment of MEE
Original Assignee
Satellite Application Center for Ecology and Environment of MEE
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 Satellite Application Center for Ecology and Environment of MEE filed Critical Satellite Application Center for Ecology and Environment of MEE
Priority to CN202110439006.9A priority Critical patent/CN113034519B/zh
Publication of CN113034519A publication Critical patent/CN113034519A/zh
Application granted granted Critical
Publication of CN113034519B publication Critical patent/CN113034519B/zh
Priority to NL2031646A priority patent/NL2031646B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/58—Extraction of image or video features relating to hyperspectral data
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种滨海滩涂湿地植被恢复建设区域确定方法和装置，属于滨海滩涂湿地植被恢复领域。本发明基于遥感影像计算归一化植被指数，提取出植被、光滩和先锋植被的空间分布；基于高程数据，结合光滩和先锋植被的空间分布，计算光滩上各高程区间内先锋植被出现的概率；按照高程区间对光滩进行区域划分，获得光滩上先锋植被出现概率的空间分布图；根据先锋植被概率空间分布图确定植被恢复建设优先区域。本发明解决了传统人工现场调查对于自然条件恶劣、可达性差、地形地貌及水动力条件复杂的滨海湿地难以全面调查、准确判断的问题，可以客观全面的获取大区域滨海湿地滩涂植被恢复建设适宜区域，提高滨海湿地植被恢复工程的精准性和有效性。

Description

滨海滩涂湿地植被恢复建设区域确定方法和装置
技术领域
本发明涉及滨海滩涂湿地植被恢复领域，特别是指一种滨海滩涂湿地植被恢复建设区域确定方法和装置。
背景技术
滨海滩涂湿地位于海洋与陆地两大生态系统的交错地带，是生产力与生物多样性最高的生态系统之一。近年来，在人类活动和全球气候变化的影响下滨海滩涂湿地严重退化，因而对滨海滩涂湿地的保护和修复已经成为了全球性环境问题。滩涂植被是滨海滩涂湿地的重要组成部分，具有维持生物多样性、净化水体污染、储碳固碳、消减风浪、促淤造陆、保护滩涂及岸边工程设施等重要的生态系统服务功能。但不同区域，其生态功能定位不同，修复的目标和方式也应有所差别。为此，科学有效的确定滨海滩涂湿地植被的恢复建设区域对滨海滩涂湿地的保护和恢复具有重要意义。
滨海滩涂湿地的恢复方法多种多样，但在滩涂植被的恢复方面还比较薄弱。目前对滨海滩涂湿地植被恢复建设区域的确定方法主要是实地考察、资料调研和专家判断，通过对目标滨海滩涂湿地受损前的状态、受损原因、恢复过程中受人为干扰程度的调查选定进行修复的区域范围。
目前对滨海滩涂湿地植被恢复建设区域的确定方法为全人工参与式，优点是对于面积比较小的区域简便易行。缺点是单纯依靠人工现场调查需要消耗大量的人力物力财力；并且对于面积较大、资料缺乏的区域难以调查全面，而且由于滨海滩涂湿地的位置和环境的独特性导致自然条件恶劣、很多区域难以到达，同时因很多滨海滩涂湿地地形地貌及水动力条件复杂而且缺乏相关数据资料。上述的缺点会导致在选择植被恢复建设区域时出现判断失误，使得选择的植被恢复建设区域并不一定适合植被生长，最终导致在选择的植被恢复建设区域内进行植被恢复的目标难以实现，白白浪费了植被恢复工程的人力物力。
发明内容
为解决上述技术问题，本发明提供一种滨海滩涂湿地植被恢复建设区域确定方法和装置，本发明可以客观全面的获取大区域滨海湿地滩涂植被恢复建设适宜区域，提供滨海湿地植被恢复的目标区域，提高滨海湿地植被恢复工程的精准性和有效性。
本发明提供技术方案如下：
一种滨海滩涂湿地植被恢复建设区域确定方法，包括：
S1：获取研究区低潮期的遥感影像和高程数据；
S2：对所述遥感影像进行预处理，得到遥感反射率影像，所述预处理包括几何校正、空间裁剪、辐射定标、表观反射率计算和大气校正；
S3：采用归一化植被指数法，提取所述遥感反射率影像的归一化植被指数NDVI，得到归一化植被指数分布图，所述归一化植被指数通过如下公式得到：
Figure BDA0003034280210000021
其中NDVI为归一化植被指数，ρRed、ρNIR分别是红波段、近红外波段的遥感反射率；
S4：根据归一化植被指数分布图，提取出植被斑块和光滩斑块，并根据所述植被斑块和光滩斑块的分布提取出散布在光滩斑块中的先锋植被斑块；
S5：分别利用所述光滩斑块和先锋植被斑块对所述高程数据进行裁剪，得到光滩高程斑块和先锋植被高程斑块；
S6：按照一定的高度间距将所述高程数据划分成若干高程区间，分别统计各高程区间内光滩高程斑块的面积Ai和先锋植被高程斑块的面积Bi，其中i为高程区间的编号；
S7：计算光滩上各高程区间内先锋植被出现的概率Pi，Pi＝Ai/(Ai+Bi)；
S8：按照高程区间对所述光滩斑块进行区域划分，得到各光滩分布区间，并将光滩上各高程区间内先锋植被出现的概率Pi赋予各光滩分布区间内，得到光滩上先锋植被出现概率的空间分布图；
S9：根据所述光滩上先锋植被出现概率的空间分布图确定植被恢复建设区域及各植被恢复建设区域的优先级别。
进一步的，通过如下公式进行辐射定标：
L＝Gain*DN+Offset
L为表观辐亮度，单位为W·m-2·sr-1·μm-1；
DN为遥感影像的数字灰度值；
Gain为绝对定标系数的增益量，单位为W·m-2·sr-1·μm-1；
Offset为绝对定标系数的偏移量，单位为W·m-2·sr-1·μm-1，空缺值为0。
进一步的，通过如下公式进行表观反射率计算：
Figure BDA0003034280210000031
其中，ρTOA为大气层顶表观反射率；
D为实际日地距离与平均日地距离的比值；
F0为平均日地距离处的大气层顶太阳谱照度，单位为W·m-2·μm-1；
θs为太阳天顶角。
进一步的，所述S2之后，S3之前还包括：
S21：从遥感反射率影像上获取滨海滩涂湿地区域的遥感反射率影像。
进一步的，所述S21包括：
S211：对所述遥感反射率影像进行水陆分离，得到初步确定的滨海滩涂湿地区域的遥感反射率影像；
S212：对初步确定的滨海滩涂湿地区域的遥感反射率影像的边缘进行掩膜运算，得到滨海滩涂湿地区域的遥感反射率影像。
一种滨海滩涂湿地植被恢复建设区域确定装置，包括：
数据获取模块，用于获取研究区低潮期的遥感影像和高程数据；
预处理模块，用于对所述遥感影像进行预处理，得到遥感反射率影像，所述预处理包括几何校正、空间裁剪、辐射定标、表观反射率计算和大气校正；
归一化植被指数提取模块，用于采用归一化植被指数法，提取所述遥感反射率影像的归一化植被指数NDVI，得到归一化植被指数分布图，所述归一化植被指数通过如下公式得到：
Figure BDA0003034280210000041
其中NDVI为归一化植被指数，ρRed、ρNIR分别是红波段、近红外波段的遥感反射率；
斑块提取模块，用于根据归一化植被指数分布图，提取出植被斑块和光滩斑块，并根据所述植被斑块和光滩斑块的分布提取出散布在光滩斑块中的先锋植被斑块；
高程数据裁剪模块，用于分别利用所述光滩斑块和先锋植被斑块对所述高程数据进行裁剪，得到光滩高程斑块和先锋植被高程斑块；
高程区间划分模块，用于按照一定的高度间距将所述高程数据划分成若干高程区间，分别统计各高程区间内光滩高程斑块的面积Ai和先锋植被高程斑块的面积Bi，其中i为高程区间的编号；
概率计算模块，用于计算光滩上各高程区间内先锋植被出现的概率Pi，Pi＝Ai/(Ai+Bi)；
光滩划分和概率赋值模块，用于按照高程区间对所述光滩斑块进行区域划分，得到各光滩分布区间，并将光滩上各高程区间内先锋植被出现的概率Pi赋予各光滩分布区间内，得到光滩上先锋植被出现概率的空间分布图；
植被恢复建设区域确定模块，用于根据所述光滩上先锋植被出现概率的空间分布图确定植被恢复建设区域及各植被恢复建设区域的优先级别。
进一步的，通过如下公式进行辐射定标：
L＝Gain*DN+Offset
L为表观辐亮度，单位为W·m-2·sr-1·μm-1；
DN为遥感影像的数字灰度值；
Gain为绝对定标系数的增益量，单位为W·m-2·sr-1·μm-1；
Offset为绝对定标系数的偏移量，单位为W·m-2·sr-1·μm-1，空缺值为0。
进一步的，通过如下公式进行表观反射率计算：
Figure BDA0003034280210000051
其中，ρTOA为大气层顶表观反射率；
D为实际日地距离与平均日地距离的比值；
F0为平均日地距离处的大气层顶太阳谱照度，单位为W·m-2·μm-1；
θs为太阳天顶角。
进一步的，所述装置还包括：
滨海滩涂湿地区域获取模块，用于从遥感反射率影像上获取滨海滩涂湿地区域的遥感反射率影像。
进一步的，所述滨海滩涂湿地区域获取模块包括：
水陆分离单元，用于对所述遥感反射率影像进行水陆分离，得到初步确定的滨海滩涂湿地区域的遥感反射率影像；
边缘掩膜单元，用于对初步确定的滨海滩涂湿地区域的遥感反射率影像的边缘进行掩膜运算，得到滨海滩涂湿地区域的遥感反射率影像。
本发明具有以下有益效果：
本发明解决了传统人工现场调查对于自然条件恶劣、可达性差、地形地貌及水动力条件复杂的滨海湿地难以全面调查、准确判断的问题，可以客观全面的获取大区域滨海湿地滩涂植被恢复建设适宜区域，提供滨海湿地植被恢复的目标区域，提高滨海湿地植被恢复工程的精准性和有效性，为滨海湿地恢复保护提供技术支撑。
附图说明
图1为本发明的滨海滩涂湿地植被恢复建设区域确定方法流程图；
图2为本发明的滨海滩涂湿地植被恢复建设区域确定装置示意图；
图3为植被斑块、光滩斑块以及先锋植被斑块的分布示例图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
实施例1：
本发明实施例提供一种滨海滩涂湿地植被恢复建设区域确定方法，如图1所示，该方法包括：
S1：获取研究区低潮期的遥感影像和高程数据。
本步骤中，遥感影像为多光谱高分辨率遥感影像，优选的，选取具有红光(630nm～690nm)和近红外(760nm～900nm)波段的卫星遥感影像数据。遥感影像的空间分辨率应取决于滨海滩涂湿地区域(即研究区)的大小，滨海滩涂湿地区域面积越小，空间分辨率要求越高。遥感影像数据应至少覆盖滨海滩涂湿地区域；在滨海滩涂湿地区域内，云覆盖率小于50％。
可以通过机载激光雷达(Lidar)等方法获取研究区低潮期的高精度DEM(数字高程模型,Digital Elevation Model)高程数据.
为保证滨海滩涂湿地区域的完整，获取的遥感影像和高程数据均为低潮期的数据。
S2：对遥感影像进行预处理，得到遥感反射率影像，预处理包括几何校正、空间裁剪、辐射定标、表观反射率计算和大气校正。
几何校正：遥感成像的时候，由于飞行器的姿态、高度、速度以及地球自转等因素的影响，造成图像相对于地面目标发生几何畸变，这种畸变表现为像元相对于地面目标的实际位置发生挤压、扭曲、拉伸和偏移等，针对几何畸变进行的误差校正就叫几何校正。
进行几何校正时，基于参考影像或空间几何信息，开展影像几何精度校正和空间投影转换，精度控制在1个像元内。
空间裁剪：依据监测湖库区域的左上角和右下角经纬度，对所选取的遥感影像进行空间裁剪，范围要略大于湖库水体区域。
辐射定标：辐射定标根据遥感器的定标公式及各波段定标系数进行，辐射定标的公式为：
L＝Gain*DN+Offset
其中，L为表观辐亮度，单位为W·m-2·sr-1·μm-1；
DN为遥感影像的数字灰度值；
Gain为绝对定标系数的增益量，单位为W·m-2·sr-1·μm-1；
Offset为绝对定标系数的偏移量，单位为W·m-2·sr-1·μm-1，空缺值为0。
表观反射率计算：根据辐射定标获得的各波段表观辐亮度，按照如下公式计算各波段的表观反射率：
Figure BDA0003034280210000071
其中，ρTOA为大气层顶表观反射率(无量纲)；
D为实际日地距离与平均日地距离的比值；
F0为平均日地距离处的大气层顶太阳谱照度，单位为W·m-2·μm-1；
θs为太阳天顶角。
大气校正：可见光波段和近红外波段的卫星遥感大气校正主要针对大气分子散射、气溶胶散射及水汽吸收的影响。可采用基于辐射传输模型的方法(如6S模型、Flaash大气校正模型等)进行大气校正，得到各波段地表反射率，也称为大气层底反射率ρBOA。
S3：采用归一化植被指数法，提取遥感反射率影像的归一化植被指数NDVI，得到归一化植被指数分布图，归一化植被指数通过如下公式得到：
Figure BDA0003034280210000072
其中NDVI为归一化植被指数，ρRed、ρNIR分别是红波段、近红外波段的遥感反射率。
由于植被对红光波段的强吸收导致产生的红光波段反射率较低，所以遥感影像在近红外波段具有“反射峰平台效应”的光谱曲线特征，近红外波段反射率较高。而非植被(例如光滩等)在近红外波段反射率较低。因此，通过计算归一化植被指数，利用植被的归一化植被指数(NDVI)值高于非植被的特性，可以区分植被和非植被。
S4：根据归一化植被指数分布图，提取出植被斑块和光滩斑块，并根据植被斑块和光滩斑块的分布提取出散布在光滩斑块中的先锋植被斑块。
光滩是指水边不长植被的平地，先锋植被也称为先锋植物，是指群落演替中最先出现的植物，也就是植被向光滩扩散时最先出现在光滩内的植物。
由于植被的NDVI值要高于光滩，因此可以通过设置阈值提取出植被斑块和光滩斑块。例如，NDVI值高于阈值的为植被，否则为光滩。示例性的，该阈值可以设为0，NDVI值高于0的像元为植被，植被像元赋值为1进行标记，所有的植被像元组成植被斑块。NDVI值低于0的像元为光滩，光滩像元赋值为0进行标记，所有的光滩像元组成光滩斑块。
先锋植被是植被向光滩扩散时最先出现在光滩内的植物，因此确定先锋植被斑块时，可以根据植被斑块和光滩斑块的位置分布，以及植被斑块的大小进行确定。如果植被斑块较小，且植被斑块散布在光滩斑块中，孤立于与陆地相连的主体植被斑块外，那么该植被斑块即为先锋植被斑块，如图3所示。
S5：分别利用光滩斑块和先锋植被斑块对高程数据进行裁剪，得到光滩高程斑块和先锋植被高程斑块。
光滩高程斑块和先锋植被高程斑块是指光滩处的高程数据和先锋植被处的高程数据，反应的是光滩和植被在高程数据上的分布。
S6：按照一定的高度间距将高程数据划分成若干高程区间，分别统计各高程区间内光滩高程斑块的面积Ai和先锋植被高程斑块的面积Bi，其中i为高程区间的编号。
示例性的，高度间距可以设置为10cm或者20cm等等，各高程区间内光滩高程斑块的面积Ai和先锋植被高程斑块的面积Bi反应的是光滩和先锋植被在各高程区间i内的面积。
S7：计算光滩上各高程区间内先锋植被出现的概率Pi，Pi＝Ai/(Ai+Bi)。
S8：按照高程区间对光滩斑块进行区域划分，得到各光滩分布区间，并将光滩上各高程区间内先锋植被出现的概率Pi赋予各光滩分布区间内，得到光滩上先锋植被出现概率的空间分布图。
S9：根据光滩上先锋植被出现概率的空间分布图确定植被恢复建设区域及各植被恢复建设区域的优先级别。
将先锋植被出现概率较高的光滩分布区间确定为植被恢复建设区域，具体执行时可以通过概率阈值进行筛选，大于概率阈值的区域选择为植被恢复建设区域。植被恢复建设区域并不一定只有一个，因此按照概率的高低对各植被恢复建设区域进行优先级别排序，具有较高概率的区域植被较易恢复或建设，优先进行恢复建设。
本发明基于遥感影像计算归一化植被指数，提取出植被和光滩的空间分布，并进一步提取出先锋植被的空间分布；然后基于高程数据，结合光滩和先锋植被的空间分布，计算光滩上各高程区间内先锋植被出现的概率；再按照高程区间对光滩进行区域划分，获得光滩上先锋植被出现概率的空间分布图；最后根据先锋植被概率空间分布图确定植被恢复建设优先区域。
本发明的滨海滩涂湿地植被恢复建设区域确定方法解决了传统人工现场调查对于自然条件恶劣、可达性差、地形地貌及水动力条件复杂的滨海湿地难以全面调查、准确判断的问题，可以客观全面的获取大区域滨海湿地滩涂植被恢复建设适宜区域，提供滨海湿地植被恢复的目标区域，提高滨海湿地植被恢复工程的精准性和有效性，为滨海湿地恢复保护提供技术支撑。
作为本发明实施例的一种改进，前述的S2之后，S3之前还包括：
S21：从遥感反射率影像上获取滨海滩涂湿地区域的遥感反射率影像。
本步骤中，可以根据已知的滨海滩涂湿地区域的边界在遥感反射率影像上进行剪裁，得到滨海滩涂湿地区域的遥感反射率影像。
还可以通过如下方法从遥感反射率影像上获取滨海滩涂湿地区域的遥感反射率影像：
S211：对遥感反射率影像进行水陆分离，得到初步确定的滨海滩涂湿地区域的遥感反射率影像。
本步骤中，利用特定波段的信息，对影像进行边缘检测，检测出岛礁和大陆的轮廓，进行裁剪，完成水陆分离。
S212：对初步确定的滨海滩涂湿地区域的遥感反射率影像的边缘进行掩膜运算，得到滨海滩涂湿地区域的遥感反射率影像。
水陆分离后可能存在边缘不精确的问题，边缘掩膜能够对初步确定的滨海滩涂湿地区域的边缘进行修正，减少因水陆边界分离不精确而导致的检测错误的问题。
实施例2：
本发明实施例提供一种滨海滩涂湿地植被恢复建设区域确定装置，如图2所示，该装置包括：
数据获取模块1，用于获取研究区低潮期的遥感影像和高程数据。
预处理模块2，用于对所述遥感影像进行预处理，得到遥感反射率影像，所述预处理包括几何校正、空间裁剪、辐射定标、表观反射率计算和大气校正。
归一化植被指数提取模块3，用于采用归一化植被指数法，提取所述遥感反射率影像的归一化植被指数NDVI，得到归一化植被指数分布图，所述归一化植被指数通过如下公式得到：
Figure BDA0003034280210000101
其中NDVI为归一化植被指数，ρRed、ρNIR分别是红波段、近红外波段的遥感反射率。
斑块提取模块4，用于根据归一化植被指数分布图，提取出植被斑块和光滩斑块，并根据所述植被斑块和光滩斑块的分布提取出散布在光滩斑块中的先锋植被斑块。
高程数据裁剪模块5，用于分别利用所述光滩斑块和先锋植被斑块对所述高程数据进行裁剪，得到光滩高程斑块和先锋植被高程斑块。
高程区间划分模块6，用于按照一定的高度间距将所述高程数据划分成若干高程区间，分别统计各高程区间内光滩高程斑块的面积Ai和先锋植被高程斑块的面积Bi，其中i为高程区间的编号。
概率计算模块7，用于计算光滩上各高程区间内先锋植被出现的概率Pi，Pi＝Ai/(Ai+Bi)。
光滩划分和概率赋值模块8，用于按照高程区间对所述光滩斑块进行区域划分，得到各光滩分布区间，并将光滩上各高程区间内先锋植被出现的概率Pi赋予各光滩分布区间内，得到光滩上先锋植被出现概率的空间分布图。
植被恢复建设区域确定模块9，用于根据所述光滩上先锋植被出现概率的空间分布图确定植被恢复建设区域及各植被恢复建设区域的优先级别。
本发明解决了传统人工现场调查对于自然条件恶劣、可达性差、地形地貌及水动力条件复杂的滨海湿地难以全面调查、准确判断的问题，可以客观全面的获取大区域滨海湿地滩涂植被恢复建设适宜区域，提供滨海湿地植被恢复的目标区域，提高滨海湿地植被恢复工程的精准性和有效性，为滨海湿地恢复保护提供技术支撑。
本发明通过如下公式进行辐射定标：
L＝Gain*DN+Offset
L为表观辐亮度，单位为W·m-2·sr-1·μm-1。
DN为遥感影像的数字灰度值。
Gain为绝对定标系数的增益量，单位为W·m-2·sr-1·μm-1。
Offset为绝对定标系数的偏移量，单位为W·m-2·sr-1·μm-1，空缺值为0。
通过如下公式进行表观反射率计算：
Figure BDA0003034280210000121
其中，ρTOA为大气层顶表观反射率。
D为实际日地距离与平均日地距离的比值。
F0为平均日地距离处的大气层顶太阳谱照度，单位为W·m-2·μm-1。
θs为太阳天顶角。
所述装置还包括：
滨海滩涂湿地区域获取模块，用于从遥感反射率影像上获取滨海滩涂湿地区域的遥感反射率影像。
该滨海滩涂湿地区域获取模块包括：
水陆分离单元，用于对所述遥感反射率影像进行水陆分离，得到初步确定的滨海滩涂湿地区域的遥感反射率影像。
边缘掩膜单元，用于对初步确定的滨海滩涂湿地区域的遥感反射率影像的边缘进行掩膜运算，得到滨海滩涂湿地区域的遥感反射率影像。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例1中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种滨海滩涂湿地植被恢复建设区域确定方法，其特征在于，包括：
S1：获取研究区低潮期的遥感影像和高程数据；
S2：对所述遥感影像进行预处理，得到遥感反射率影像，所述预处理包括几何校正、空间裁剪、辐射定标、表观反射率计算和大气校正；
S3：采用归一化植被指数法，提取所述遥感反射率影像的归一化植被指数NDVI，得到归一化植被指数分布图，所述归一化植被指数通过如下公式得到：
Figure FDA0003034280200000011
其中NDVI为归一化植被指数，ρRed、ρNIR分别是红波段、近红外波段的遥感反射率；
S4：根据归一化植被指数分布图，提取出植被斑块和光滩斑块，并根据所述植被斑块和光滩斑块的分布提取出散布在光滩斑块中的先锋植被斑块；
S5：分别利用所述光滩斑块和先锋植被斑块对所述高程数据进行裁剪，得到光滩高程斑块和先锋植被高程斑块；
S6：按照一定的高度间距将所述高程数据划分成若干高程区间，分别统计各高程区间内光滩高程斑块的面积Ai和先锋植被高程斑块的面积Bi，其中i为高程区间的编号；
S7：计算光滩上各高程区间内先锋植被出现的概率Pi，Pi＝Ai/(Ai+Bi)；
S8：按照高程区间对所述光滩斑块进行区域划分，得到各光滩分布区间，并将光滩上各高程区间内先锋植被出现的概率Pi赋予各光滩分布区间内，得到光滩上先锋植被出现概率的空间分布图；
S9：根据所述光滩上先锋植被出现概率的空间分布图确定植被恢复建设区域及各植被恢复建设区域的优先级别。
2.根据权利要求1所述的滨海滩涂湿地植被恢复建设区域确定方法，其特征在于，通过如下公式进行辐射定标：
L＝Gain*DN+Offset
L为表观辐亮度，单位为W·m-2·sr-1·μm-1；
DN为遥感影像的数字灰度值；
Gain为绝对定标系数的增益量，单位为W·m-2·sr-1·μm-1；
Offset为绝对定标系数的偏移量，单位为W·m-2·sr-1·μm-1，空缺值为0。
3.根据权利要求2所述的滨海滩涂湿地植被恢复建设区域确定方法，其特征在于，通过如下公式进行表观反射率计算：
Figure FDA0003034280200000021
其中，ρTOA为大气层顶表观反射率；
D为实际日地距离与平均日地距离的比值；
F0为平均日地距离处的大气层顶太阳谱照度，单位为W·m-2·μm-1；
θs为太阳天顶角。
4.根据权利要求1-3任一所述的滨海滩涂湿地植被恢复建设区域确定方法，其特征在于，所述S2之后，S3之前还包括：
S21：从遥感反射率影像上获取滨海滩涂湿地区域的遥感反射率影像。
5.根据权利要求4所述的滨海滩涂湿地植被恢复建设区域确定方法，其特征在于，所述S21包括：
S211：对所述遥感反射率影像进行水陆分离，得到初步确定的滨海滩涂湿地区域的遥感反射率影像；
S212：对初步确定的滨海滩涂湿地区域的遥感反射率影像的边缘进行掩膜运算，得到滨海滩涂湿地区域的遥感反射率影像。
6.一种滨海滩涂湿地植被恢复建设区域确定装置，其特征在于，包括：
数据获取模块，用于获取研究区低潮期的遥感影像和高程数据；
预处理模块，用于对所述遥感影像进行预处理，得到遥感反射率影像，所述预处理包括几何校正、空间裁剪、辐射定标、表观反射率计算和大气校正；
归一化植被指数提取模块，用于采用归一化植被指数法，提取所述遥感反射率影像的归一化植被指数NDVI，得到归一化植被指数分布图，所述归一化植被指数通过如下公式得到：
Figure FDA0003034280200000031
其中NDVI为归一化植被指数，ρRed、ρNIR分别是红波段、近红外波段的遥感反射率；
斑块提取模块，用于根据归一化植被指数分布图，提取出植被斑块和光滩斑块，并根据所述植被斑块和光滩斑块的分布提取出散布在光滩斑块中的先锋植被斑块；
高程数据裁剪模块，用于分别利用所述光滩斑块和先锋植被斑块对所述高程数据进行裁剪，得到光滩高程斑块和先锋植被高程斑块；
高程区间划分模块，用于按照一定的高度间距将所述高程数据划分成若干高程区间，分别统计各高程区间内光滩高程斑块的面积Ai和先锋植被高程斑块的面积Bi，其中i为高程区间的编号；
概率计算模块，用于计算光滩上各高程区间内先锋植被出现的概率Pi，Pi＝Ai/(Ai+Bi)；
光滩划分和概率赋值模块，用于按照高程区间对所述光滩斑块进行区域划分，得到各光滩分布区间，并将光滩上各高程区间内先锋植被出现的概率Pi赋予各光滩分布区间内，得到光滩上先锋植被出现概率的空间分布图；
植被恢复建设区域确定模块，用于根据所述光滩上先锋植被出现概率的空间分布图确定植被恢复建设区域及各植被恢复建设区域的优先级别。
7.根据权利要求6所述的滨海滩涂湿地植被恢复建设区域确定装置，其特征在于，通过如下公式进行辐射定标：
L＝Gain*DN+Offset
L为表观辐亮度，单位为W·m-2·sr-1·μm-1；
DN为遥感影像的数字灰度值；
Gain为绝对定标系数的增益量，单位为W·m-2·sr-1·μm-1；
Offset为绝对定标系数的偏移量，单位为W·m-2·sr-1·μm-1，空缺值为0。
8.根据权利要求7所述的滨海滩涂湿地植被恢复建设区域确定装置，其特征在于，通过如下公式进行表观反射率计算：
Figure FDA0003034280200000041
其中，ρTOA为大气层顶表观反射率；
D为实际日地距离与平均日地距离的比值；
F0为平均日地距离处的大气层顶太阳谱照度，单位为W·m-2·μm-1；
θs为太阳天顶角。
9.根据权利要求6-8任一所述的滨海滩涂湿地植被恢复建设区域确定装置，其特征在于，所述装置还包括：
滨海滩涂湿地区域获取模块，用于从遥感反射率影像上获取滨海滩涂湿地区域的遥感反射率影像。
10.根据权利要求9所述的滨海滩涂湿地植被恢复建设区域确定方法，其特征在于，所述滨海滩涂湿地区域获取模块包括：
水陆分离单元，用于对所述遥感反射率影像进行水陆分离，得到初步确定的滨海滩涂湿地区域的遥感反射率影像；
边缘掩膜单元，用于对初步确定的滨海滩涂湿地区域的遥感反射率影像的边缘进行掩膜运算，得到滨海滩涂湿地区域的遥感反射率影像。
CN202110439006.9A 2021-04-23 2021-04-23 滨海滩涂湿地植被恢复建设区域确定方法和装置 Active CN113034519B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110439006.9A CN113034519B (zh) 2021-04-23 2021-04-23 滨海滩涂湿地植被恢复建设区域确定方法和装置
NL2031646A NL2031646B1 (en) 2021-04-23 2022-04-20 Method and device for determining vegetation restoration and construction regions of coastal beach wetlands

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110439006.9A CN113034519B (zh) 2021-04-23 2021-04-23 滨海滩涂湿地植被恢复建设区域确定方法和装置

Publications (2)

Publication Number Publication Date
CN113034519A true CN113034519A (zh) 2021-06-25
CN113034519B CN113034519B (zh) 2021-08-31

Family

ID=76457817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110439006.9A Active CN113034519B (zh) 2021-04-23 2021-04-23 滨海滩涂湿地植被恢复建设区域确定方法和装置

Country Status (2)

Country Link
CN (1) CN113034519B (zh)
NL (1) NL2031646B1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330959A (zh) * 2021-09-28 2022-04-12 河海大学 基于滩涂地形的盐地碱蓬生长适宜种植区评价方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036777B (zh) * 2023-07-04 2024-06-28 宁波大学 一种基于高光谱数据的滩涂提取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018105046A (ja) * 2016-12-27 2018-07-05 富士通株式会社 土壌侵食地域推定方法および土壌侵食地域推定装置
CN110059553A (zh) * 2019-03-13 2019-07-26 中国科学院遥感与数字地球研究所 利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法
CN111693463A (zh) * 2020-06-10 2020-09-22 中国科学院空天信息创新研究院 一种南极半岛优化地衣覆盖度指数提取方法
CN112396229A (zh) * 2020-11-16 2021-02-23 中国科学院东北地理与农业生态研究所 退化沼泽湿地植被适宜自然或人工恢复的区域划分方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018105046A (ja) * 2016-12-27 2018-07-05 富士通株式会社 土壌侵食地域推定方法および土壌侵食地域推定装置
CN110059553A (zh) * 2019-03-13 2019-07-26 中国科学院遥感与数字地球研究所 利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法
CN111693463A (zh) * 2020-06-10 2020-09-22 中国科学院空天信息创新研究院 一种南极半岛优化地衣覆盖度指数提取方法
CN112396229A (zh) * 2020-11-16 2021-02-23 中国科学院东北地理与农业生态研究所 退化沼泽湿地植被适宜自然或人工恢复的区域划分方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SOPHIE TADDEO,IRYNA DRONOVA: "Landscape metrics of post-restoration vegetation dynamics in wetland ecosystems", 《SPRINGER》 *
胡越凯: "基于遥感的杭州湾湿地鸻鹬类水鸟适宜生境时空变化特征研究", 《杭州师范大学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330959A (zh) * 2021-09-28 2022-04-12 河海大学 基于滩涂地形的盐地碱蓬生长适宜种植区评价方法

Also Published As

Publication number Publication date
NL2031646B1 (en) 2023-11-27
NL2031646A (en) 2022-10-31
CN113034519B (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
Topouzelis et al. Detection of floating plastics from satellite and unmanned aerial systems (Plastic Litter Project 2018)
Arabi et al. Integration of in-situ and multi-sensor satellite observations for long-term water quality monitoring in coastal areas
CN112232234B (zh) 基于遥感的内陆湖库蓝藻水华强度评价方法和装置
Sobiech et al. Observing lake-and river-ice decay with SAR: advantages and limitations of the unsupervised k-means classification approach
CN113034519B (zh) 滨海滩涂湿地植被恢复建设区域确定方法和装置
CN112285710B (zh) 一种多源遥感水库蓄水量估算方法与装置
CN113744249B (zh) 一种海洋生态环境损害调查方法
CN105139396A (zh) 一种全自动遥感影像云雾检测方法
CN115661634A (zh) 城市生态网络空间要素精准识别方法
CN115060202A (zh) 一种基于无人机机载多光谱仪的绿潮藻面积监测方法
Brun et al. Mapping aerosol intrusion in Himalayan valleys using the moderate resolution imaging Spectroradiometer (MODIS) and cloud–aerosol Lidar and infrared pathfinder satellite observation (CALIPSO)
CN116664947A (zh) 一种基于卫星观测数据的蓝藻水华监测方法及系统
Yang et al. A correction method of NDVI topographic shadow effect for rugged terrain
CN113740263B (zh) 一种气溶胶光学厚度反演方法及大气颗粒物遥感反演方法
CN113763272A (zh) 一种富营养化湖泊光合有效辐射衰减系数遥感反演方法
Bostater Jr et al. Hyperspectral remote sensing protocol development for submerged aquatic vegetation in shallow waters
Su et al. Evaluation of eelgrass beds mapping using a high-resolution airborne multispectral scanner
CN110705089B (zh) 一种细模态气溶胶参数反演方法
Pahlevan et al. Calibration/validation of landsat-derived ocean colour products in Boston harbour
Sartika et al. Determining the Precision of Spectral Patterns Arising from Atmospheric Correction Utilizing MODTRAN-FLAASH and 6S Approaches on High-Resolution SPOT-6 Imagery
Mandlburger et al. Investigating the use of coastal blue imagery for bathymetric mapping of inland water bodies
Mu et al. An assessment of atmospheric correction methods for GOCI images in the Yellow River estuary
Lekan et al. The use of remote sensing to map the areal distribution of Cladophora glomerata at a site in Lake Huron
Zhang et al. Extraction of Cladophora blooms in Qinghai Lake through the integration of Sentinel-2 MSI imagery and deep learning techniques
Guenther et al. Correcting SAR-derived DEMs with ICESat-2 using deep learning

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