CN113140000A - 基于卫星光谱的水体信息估算方法 - Google Patents
基于卫星光谱的水体信息估算方法 Download PDFInfo
- Publication number
- CN113140000A CN113140000A CN202110327269.0A CN202110327269A CN113140000A CN 113140000 A CN113140000 A CN 113140000A CN 202110327269 A CN202110327269 A CN 202110327269A CN 113140000 A CN113140000 A CN 113140000A
- Authority
- CN
- China
- Prior art keywords
- water body
- water
- area
- satellite
- depth
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
基于卫星光谱的水体信息估算方法,它涉及涉及遥感图像处理及水体信息估算方法。为了快速获得水体,特别是内陆湖泊的面积、深度信息,本发明提供了一种基于卫星光谱的水体信息估算方法。估算方法:一、对研究区的光谱卫星影像进行预处理,然后进行云量筛选;二、进行水体指数计算;三、确定水体识别的判别条件;四、根据卫星像元大小计算水体面积;五、利用水体像元,进行水深反演;六、依据实测的水深结果,对步骤五的公式进行拟合,得到系数a0…an的数值;七、将a0…an数值带入步骤五公式计算出水深。本发明方法与传统方法比较具有计算速度快、可获取大面积、长时间序列的水体信息估算结果,节约大量的人力物力。
Description
技术领域
本发明涉及遥感图像处理及水体信息估算方法。
背景技术
水资源虽然是可再生利用资源,但自然界中绝大多数的水不能直接饮用或使用,水资源的合理利用仍然是一个重要课题。在农业发展中,水资源是一切农作物生长所依赖的基础物质。如果可供应的水量小于需要的水量,可能会导致农作物减产甚至死亡。当然,如果水量过多也可能导致洪涝、土地盐碱化等消极作用,从而影响农业生产。
水体信息的指标包括,水体面积和水深。水体面积是以水体与陆地的交界线为边界,由水体表面构成的多边形的面积。JRC数据集是目前较为常用的水体数据集,该数据集包含1984~2019年30米分辨率每月的永久性和季节性水体。但是JRC数据集使用的是Landsat大气顶层反射率数据,并未进行大气校正,存在一定的误差,同时大量使用辅助地图和数据产品,虽然在一定程度上减少了错分误差,但是使得该辅助地图和数据产品带来的不确定性增大。水深是水文研究和水生环境变化监测过程中极其重要的参数,其主要测量方式为声纳(Chen等,2019)。20世纪20年代以来,一种基于声纳的水深测量方法被应用在沿海的深海测量中。目前,大多数船只也在采用这种方法,其优势主要体现在高精度和全覆盖。但是,该方法高成本和低效率的缺点在一定程度上影响着其在大尺度范围内展开实践性应用(Lu等,2019)。随着遥感技术的发展,研究人员渐渐将遥感技术应用在水深测量中,在浅水区域的应用较为广泛,也在一定程度上弥补了声纳测量的不足(Lyzenga,1978)。遥感水深反演一般是指水深测量中采用遥感数据进行水深估算的方法。目前,被动遥感主要是通过接收物体辐射反射信息来研究目标物的特性(Yang Nan等,2019)。Hengel andSpitzer(1991)利用TM影像通过对数和主成分分析的方法测量了荷兰海岸的水深。Sandidge and Holyer(1998)分析了水深数据和高光谱(可见光或近红外)影像之间的辐射相关性,同时建立后向神经网络模型反演佛罗里达州Tample Bay的水深。Xu and Zhang(2006)通过单波段法、双波段比值法和多波段法三种线性回归方法反演了长江北岸的水深。Wang等(2016)通过后向神经网络和海底反照率利用Landsat8 OLI影像独立的反演黄河河口的水深。大部分学者重点研究了海岸水深的反演以及反演模型的优化,并不适合内陆湖泊水深的反演研究。
发明内容
为了快速获得水体,特别是内陆湖泊的面积、深度信息,本发明提供了一种基于卫星光谱的水体信息估算方法。
基于卫星光谱的水体信息估算方法:
一、对研究区的光谱卫星影像进行预处理,然后进行云量筛选;
二、进行水体指数计算;
三、水体识别的判别条件为MNDWI>EVI或者MNDWI>NDVI,且EVI<0.1;
四、根据水体判别条件识别水体像元,统计研究区中水体像元,再根据卫星像元大小计算水体面积;
五、利用水体像元,进行水深反演,水深公式为
z=a0+a1 ln(R1)+a2 ln(R2)+...+an ln(Rn)
其中,z为水的深度,Rn为水在第n个波段的反射率,a0…an为系数;
六、依据实测的水深结果,对步骤五的公式进行拟合,得到系数a0…an的数值;
七、将a0…an数值带入步骤五公式计算出水深,既完成水体信息估算。
进一步的,步骤一预处理包括对卫星影像剪裁、大气校正等。
进一步的,步骤二水体指数计算包含NDVI、EVI和MNDWI,其中
公式中Red为红波段的反射率,NIR为近红外波段的反射率,BLUE为蓝波段的反射率,Green为绿波段的反射率;MIR为中红外波段的反射率。
进一步的,步骤四水体面积计算公式为S=N×M×M,式中S为水体面积,N为步骤三中统计的水体像元数目,M为卫星像元像素大小(单位:m)。
本发明方法基于卫星光谱数据,探索基于光谱指数的水体判别阈值,在此基础上针对水体像元利用光谱反射率与实测水深进行拟合与反演,构建水深估算模型,最终实现对水体面积、水深的估算,具有重要的应用价值。
本发明方法与传统的野外测量方法比较具有计算速度快、可获取大面积、长时间序列的水体信息(水面积、水深)估算结果,节约了大量的人力物力,对研究水体的时空变化具有重要意义。
附图说明
图1是实施例1根据本发明方法估算出的长白山区1989年和2020年水体面积结果图。
具体实施方式
本发明技术方案不局限于以下所列举具体实施方式,还包括各具体实施方式间的任意组合。
具体实施方式一:本实施方式基于卫星光谱的水体信息估算方法:
一、对研究区的光谱卫星影像进行预处理,然后进行云量筛选;
二、进行水体指数计算;;
三、水体识别的判别条件为MNDWI>EVI或者MNDWI>NDVI,且EVI<0.1;
四、根据水体判别条件识别水体像元,统计研究区中水体像元,再根据卫星像元大小计算水体面积;
五、利用水体像元,进行水深反演,水深公式为
z=a0+a1 ln(R1)+a2 ln(R2)+...+an ln(Rn)
其中,z为水的深度,Rn为水在第n个波段的反射率,a0…an为系数;
六、依据实测的水深结果,对步骤五的公式进行拟合,得到系数a0…an的数值;
七、将a0…an数值带入步骤五公式计算出水深,既完成水体信息估算。
本实施方式方法首先获取研究区域的卫星光谱,对光谱数据进行预处理后去云,进行水体相关指数的计算,并设定水体识别阈值,对整个研究区进行水体判别,对水体像元统计,并根据卫星像元大小属性,可以得到水体面积;针对水体像元,利用公式进行水深反演,与实测水深建立回归模型。将该模型应用到大范围的卫星数据上,即可获得大面积、长时间序列的水体面积和水深估算结果。本发明方法速度快,稳定性好,实现了大面积、简单、高效的水体信息估算方法。
本实施方式步骤一筛选云量小于10%的影像,由于云可能会被算成水体,所以筛选云量小于10%的影像可以避免云的影响。
具体实施方式二:本实施方式与具体实施方式一的不同点是:步骤一预处理包括对卫星影像剪裁、大气校正等。其它步骤及参数与实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二的不同点是:步骤二水体指数计算包含NDVI、EVI和MNDWI,其中
公式中Red为红波段的反射率,NIR为近红外波段的反射率,BLUE为蓝波段的反射率,Green为绿波段的反射率;MIR为中红外波段的反射率。其它步骤及参数与实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一或二或三的不同点是:步骤四水体面积计算公式为S=N×M×M,式中S为水体面积,N为步骤三中统计的水体像元数目,M为卫星像元像素大小(单位:m)。
实施例1
本实施例基于Landsat 8卫星估算长白山区1989年和2020年的水体信息(水面积、水深)。
长白山区的水体信息估算方法:
一、下载长白山区1989年和2020年的Landsat 8光谱卫星影像,对影像进行剪裁、大气校正等预处理,之后进行去云处理,筛选云量小于10%的影像;
二、进行水体指数计算:水体指数计算包含NDVI、EVI和MNDWI,其中
公式中Red为红波段的反射率,NIR为近红外波段的反射率,BLUE为蓝波段的反射率,Green为绿波段的反射率;MIR为中红外波段的反射率;
三、水体识别的判别条件为(MNDWI>EVI or MNDWI>NDVI)and EVI<0.1;
四、根据水体判别条件识别水体像元,统计研究区中水体像元,再根据卫星像元大小计算水体面积;水体面积计算公式为S=N×30×30,式中S为水体面积,N为步骤三中统计的水体像元数目,M为卫星像元像素大小(单位:m);
五、利用水体像元,进行水深反演,水深公式为
z=a0+a1 ln(B2)+a2 ln(B3)+a3 ln(B4)
其中,z为水的深度,B2、B3、B4为水在第2、3、4波段的反射率,a0、a1、a2、a3为系数;
六、依据实测的水深结果,对步骤五的公式进行拟合,得到:
z=300.619+0.131ln(B2)-7.35ln(B3)+0.364ln(B4)
七、根据步骤六的公式可以计算出水深。
本实施例基于Landsat 8卫星1989年和2020年长白山区光谱卫星影像,估算长白山区水体的水面面积分别为98.16万km2和75.82万km2,水体识别结果如图1所示。
本实施例基于Landsat 8卫星1989年和2020年长白山区光谱卫星影像,估算长白山区水体的水面深度分别如表1所示。
表1
Claims (4)
1.一种基于卫星光谱的水体信息估算方法,其特征在于水体信息按以下步骤进行估算:
一、对研究区的光谱卫星影像进行预处理,然后进行云量筛选;
二、进行水体指数计算;
三、水体识别的判别条件为MNDWI>EVI或者MNDWI>NDVI,且EVI<0.1;
四、根据水体判别条件识别水体像元,统计研究区中水体像元,再根据卫星像元大小计算水体面积;
五、利用水体像元,进行水深反演,水深公式为
z=a0+a1ln(R1)+a2ln(R2)+...+anln(Rn)
其中,z为水的深度,Rn为水在第n个波段的反射率,a0…an为系数;
六、依据实测的水深结果,对步骤五的公式进行拟合,得到系数a0…an的数值;
七、将a0…an数值带入步骤五公式计算出水深,既完成水体信息估算。
2.根据权利要求1所述的基于卫星光谱的水体信息估算方法,其特征在于步骤一预处理包括对卫星影像剪裁、大气校正。
4.根据权利要求1所述的基于卫星光谱的水体信息估算方法,其特征在于步骤四水体面积计算公式为S=N×M×M,式中S为水体面积,N为步骤三中统计的水体像元数目,M为卫星像元像素大小,像素长度单位为m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110327269.0A CN113140000A (zh) | 2021-03-26 | 2021-03-26 | 基于卫星光谱的水体信息估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110327269.0A CN113140000A (zh) | 2021-03-26 | 2021-03-26 | 基于卫星光谱的水体信息估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113140000A true CN113140000A (zh) | 2021-07-20 |
Family
ID=76810687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110327269.0A Pending CN113140000A (zh) | 2021-03-26 | 2021-03-26 | 基于卫星光谱的水体信息估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113140000A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822333A (zh) * | 2023-05-29 | 2023-09-29 | 长江大学 | 基于物理耦合深度学习的湖泊面积预测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130286377A1 (en) * | 2012-04-27 | 2013-10-31 | SATOP GmbH | Using Multispectral Satellite Data to Determine Littoral Water Depths Despite Varying Water Turbidity |
CN103743700A (zh) * | 2014-01-17 | 2014-04-23 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 |
CN104181515A (zh) * | 2013-05-21 | 2014-12-03 | 时春雨 | 一种基于蓝-黄波段高光谱数据的浅海水深反演方法 |
CN105116464A (zh) * | 2015-08-12 | 2015-12-02 | 南京大学 | 基于神经网络模型的极地海冰融池提取方法 |
CN105243367A (zh) * | 2015-10-12 | 2016-01-13 | 水利部水利信息中心 | 一种基于卫星遥感数据的水体范围监测方法和装置 |
CN108240806A (zh) * | 2018-01-15 | 2018-07-03 | 北京市遥感信息研究所 | 一种高光谱水深反演波段选择的方法 |
CN109059796A (zh) * | 2018-07-20 | 2018-12-21 | 国家海洋局第三海洋研究所 | 无水深控制点区域的浅海水深多光谱卫星遥感反演方法 |
CN109406405A (zh) * | 2018-10-11 | 2019-03-01 | 核工业北京地质研究院 | 一种适用于盐湖水体矿化度的高分辨率遥感定量估算方法 |
CN109657392A (zh) * | 2018-12-28 | 2019-04-19 | 北京航空航天大学 | 一种基于深度学习的高光谱遥感水深反演方法 |
CN110685747A (zh) * | 2019-08-27 | 2020-01-14 | 中国矿业大学(北京) | 一种高潜水位采煤沉陷水体遥感提取方法 |
CN111307727A (zh) * | 2020-03-13 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于时序遥感影像的水体水色异常识别方法和装置 |
-
2021
- 2021-03-26 CN CN202110327269.0A patent/CN113140000A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130286377A1 (en) * | 2012-04-27 | 2013-10-31 | SATOP GmbH | Using Multispectral Satellite Data to Determine Littoral Water Depths Despite Varying Water Turbidity |
CN104181515A (zh) * | 2013-05-21 | 2014-12-03 | 时春雨 | 一种基于蓝-黄波段高光谱数据的浅海水深反演方法 |
CN103743700A (zh) * | 2014-01-17 | 2014-04-23 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 |
CN105116464A (zh) * | 2015-08-12 | 2015-12-02 | 南京大学 | 基于神经网络模型的极地海冰融池提取方法 |
CN105243367A (zh) * | 2015-10-12 | 2016-01-13 | 水利部水利信息中心 | 一种基于卫星遥感数据的水体范围监测方法和装置 |
CN108240806A (zh) * | 2018-01-15 | 2018-07-03 | 北京市遥感信息研究所 | 一种高光谱水深反演波段选择的方法 |
CN109059796A (zh) * | 2018-07-20 | 2018-12-21 | 国家海洋局第三海洋研究所 | 无水深控制点区域的浅海水深多光谱卫星遥感反演方法 |
CN109406405A (zh) * | 2018-10-11 | 2019-03-01 | 核工业北京地质研究院 | 一种适用于盐湖水体矿化度的高分辨率遥感定量估算方法 |
CN109657392A (zh) * | 2018-12-28 | 2019-04-19 | 北京航空航天大学 | 一种基于深度学习的高光谱遥感水深反演方法 |
CN110685747A (zh) * | 2019-08-27 | 2020-01-14 | 中国矿业大学(北京) | 一种高潜水位采煤沉陷水体遥感提取方法 |
CN111307727A (zh) * | 2020-03-13 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于时序遥感影像的水体水色异常识别方法和装置 |
Non-Patent Citations (1)
Title |
---|
张磊: "基于多波段遥感数据的库区水深反演及水域面积提取研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》, no. 12, 15 January 2019 (2019-01-15), pages 2 - 7 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822333A (zh) * | 2023-05-29 | 2023-09-29 | 长江大学 | 基于物理耦合深度学习的湖泊面积预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598251B (zh) | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 | |
Ahn et al. | Detecting the red tide algal blooms from satellite ocean color observations in optically complex Northeast-Asia Coastal waters | |
McFarland et al. | Part II: The photic environment of clear tropical seas during the day | |
CN109781626B (zh) | 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法 | |
CN108303044B (zh) | 一种叶面积指数获取方法及系统 | |
CN111024618A (zh) | 基于遥感影像的水质健康监测方法、装置及存储介质 | |
CN109190538A (zh) | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 | |
Zhang et al. | PLoS One | |
CN111781146B (zh) | 利用高分辨率卫星光学影像的波浪参数反演方法 | |
CN101114023A (zh) | 一种基于模型的湖泊湿地泛洪遥感监测方法 | |
Müller‐Karger et al. | A comparison of ship and coastal zone color scanner mapped distribution of phytoplankton in the southeastern Bering Sea | |
CN112989692A (zh) | 基于遥感数据的湖泊富营养化反演方法 | |
CN109781073B (zh) | 一种融合海浪特征和光谱特征的浅海水深遥感提取方法 | |
CN107688776B (zh) | 一种城市水体提取方法 | |
CN109406361B (zh) | 一种基于遥感技术的干旱区灰霾污染预警方法 | |
CN105427305A (zh) | 一种绿潮信息提取方法 | |
CN101329173B (zh) | 一种浑浊水体大气校正方法 | |
CN111651707A (zh) | 一种基于光学浅水区卫星遥感影像的潮位反演方法 | |
CN114758218A (zh) | 一种适用于高光谱卫星影像的高浊度水下地形反演方法 | |
CN113140000A (zh) | 基于卫星光谱的水体信息估算方法 | |
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 | |
CN116817869B (zh) | 一种利用激光雷达数据的海底光子信号确定方法 | |
CN110009584A (zh) | 基于参考光谱匹配的多光谱遥感影像大气校正系统及方法 | |
Polcyn et al. | Remote sensing techniques for the location and measurement of shallow-water features | |
CN113420497A (zh) | 浑浊湖泊总磷浓度遥感估算方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210720 |
|
RJ01 | Rejection of invention patent application after publication |