CN113298756A - 水量检测方法、装置、云服务器及存储介质 - Google Patents

水量检测方法、装置、云服务器及存储介质 Download PDF

Info

Publication number
CN113298756A
CN113298756A CN202110450029.XA CN202110450029A CN113298756A CN 113298756 A CN113298756 A CN 113298756A CN 202110450029 A CN202110450029 A CN 202110450029A CN 113298756 A CN113298756 A CN 113298756A
Authority
CN
China
Prior art keywords
water
data
historical
water level
remote sensing
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
Application number
CN202110450029.XA
Other languages
English (en)
Inventor
崔英杰
魏永富
徐晓民
李传哲
刘玲
廖梓龙
宋一凡
张燕飞
梁文涛
龙胤慧
焦瑞
刘华琳
纪刚
冯雅茹
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.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
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 China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202110450029.XA priority Critical patent/CN113298756A/zh
Publication of CN113298756A publication Critical patent/CN113298756A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
    • G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
    • G01F23/28—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring the variations of parameters of electromagnetic or acoustic waves applied directly to the liquid or fluent solid material
    • G01F23/284—Electromagnetic waves
    • G01F23/292—Light, e.g. infrared or ultraviolet
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Electromagnetism (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Thermal Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Quality & Reliability (AREA)
  • Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)

Abstract

本发明提供的一种水量检测方法、装置、云服务器及存储介质，应用于云服务器，方法包括：获取目标湖泊的水位数据；根据预设的水位与水量之间的关系模型确定水位数据对应的水量；关系模型是根据目标湖泊的遥感影像数据和水文数据所获得的模型。与现有技术的区别在于，现有技术需要将有关湖泊的全部遥感数据下载至本地处理设备之后由本地处理设备分析获得湖泊水量，而本发明实施例中的水量检测方法正是利用云服务器中存储的湖泊的相关影像数据来获得湖泊的水量，整个过程不需要将湖泊的遥感数据全部大量下载到本地处理设备，能够提高了获得湖泊水量的计算效率，降低计算复杂度。

Description

水量检测方法、装置、云服务器及存储介质
技术领域
本发明涉及湖泊水量测技术领域，具体而言，涉及一种水量检测方法、装置、云服务器及存储介质。
背景技术
湖泊是一种重要的地表水载体，是维持生态系统重要的承载形式。湖泊生态补水是维持目标湖泊生态水量，维护生态系统健康的重要手段。湖泊水量计算是目标湖泊生态补水的重要参考。
湖泊水量计算对湖底地形资料依赖性较强，在缺乏湖底地形地区的水量计算依赖遥感技术进行水体提取。现有获得湖泊水量的方式效率较低、复杂度较高。
发明内容
有鉴于此，本发明的目的之一是提供一种水量检测方法、装置、云服务器及存储介质，用以降低计算湖泊水量的复杂度，快速获得目标湖泊的水量。
本发明的技术方案如下：
第一方面，本发明提供一种水量检测方法，应用于云服务器，所述方法包括：获取目标湖泊的水位数据；根据预设的水位与水量之间的关系模型确定所述水位数据对应的水量；所述关系模型是根据所述目标湖泊的遥感影像数据和水文数据所获得的模型。
可选地，在获取目标湖泊的水位数据之前，还包括：获取预设时间间隔内所述目标湖泊的所述遥感影像数据和所述水文数据；根据所述遥感影像数据确定所述目标湖泊的历史水面积数据集；所述历史水面积数据集中包含至少一个历史水面积数据；每个所述历史水面积据对应的一个历史日期；所述历史日期为所述时间间隔内的其中一个日期；根据所述水文数据和全部所述历史日期确定历史水位数据集；所述历史水位数据集中包含至少一个历史水位数据；每个所述历史水面积数据对应一个所述历史水位数据；将全部所述历史水位数据以及全部所述水面面积数据进行拟合，获得水位与水面面积的关系模型；将水位与水面面积的关系曲线，以历史水位数据集中的历史水位最低值为积分下限进行积分，获得水位与水量之间的关系模型。
可选地，所述遥感影像数据中包含第一波段图像和第二波段图像；所述第一波段图像的每个像元具有第一波段值；所述第二波段图像的每个所述像元具有第二波段值；所述第一波段值与所述目标湖泊的水体匹配；所述根据所述遥感影像数据确定所述目标湖泊的历史水面积数据集，包括：针对每个所述历史日期对应的遥感数据，根据每个所述像元对应的所述第一波段值和所述第二波段值获得每个像元对应的水体指数；获得所述水体指数大于预设阈值的全部像元，作为水体像元；将全部所述水体像元的像元面积之和作为所述历史日期对应的所述历史水面积数据；将全部所述历史水面积数据作为所述目标湖泊的历史水面积数据集。
可选地，所述遥感影像数据中包含第一遥感影像数据和第二遥感影像数据；所述第一遥感影像数据对应第一采集时间范围包含所述第二遥感影像数据对应的第二采集范围；在根据每个所述像元对应的所述第一波段值和所述第二波段值获得每个像元对应的水体指数之前，还包括：将所述第一遥感数据影像数据中第一波段对应的所述第一标识转化为所述第二遥感影像数据中所述第一波段对应的第二标识。
可选地，获取所述预设时间间隔内的所述目标湖泊的遥感影像数据，包括：根据预设的检测区域数据提取所述目标湖泊的遥感影像数据；所述检测区域的边界坐标与所述目标湖泊的边界坐标匹配。
可选地，该水量检测方法还包括：根据设定的图像阈值对所述遥感影像数据进行筛选，获得筛选后的所述遥感影像数据。
第二方面，本发明提供一种水量检测装置，包括：获取模块，用于获取目标湖泊的水位数据；确定模块，用于根据预设的水位与水量之间的关系模型确定所述水位数据对应的水量；所述关系模型是根据所述目标湖泊的遥感影像数据和水文数据所获得的模型。
可选地，水量检测装置还包括拟合模块和积分模块；所述获取模块，还用于获取预设时间间隔内所述目标湖泊的所述遥感影像数据和所述水文数据；所述确定模块，还用于所述根据所述遥感影像数据确定所述目标湖泊的历史水面积数据集；所述历史水面积数据集中包含至少一个历史水面积数据；每个所述历史水面积数据对应的一个历史日期；所述历史日期为所述时间间隔内的其中一个日期；根据所述水文数据和全部所述历史日期确定历史水位数据集；所述历史水位数据集中包含至少一个历史水位数据；每个所述历史水面积数据对应一个所述历史水位数据；所述拟合模块，用于将全部所述历史水位数据以及全部所述水面面积数据进行拟合，获得水位与水面面积的关系模型；所述积分模块，用于将水位与水面面积的关系曲线，以历史水位数据集中的历史水位最低值为积分下限进行积分，获得水位与水量之间的关系模型。
第三方面，本发明提供一种云服务器，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述处理器可执行所述计算机程序以实现第一方面所述水量检测方法。
第四方面，本发明提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述水量检测方法。
本发明提供的一种水量检测方法、装置、云服务器及存储介质，应用于云服务器，所述方法包括：获取目标湖泊的水位数据；根据预设的水位与水量之间的关系模型确定所述水位数据对应的水量；所述关系模型是根据所述目标湖泊的遥感影像数据和水文数据所获得的模型。与现有技术的区别在于，现有技术需要将有关湖泊的全部遥感数据下载至本地处理设备之后由本地处理设备进行分析获得湖泊水量，而本发明实施例中的水量检测方法正是利用云服务器中存储的湖泊的相关影像数据来获得湖泊的水量，整个过程不需要将湖泊的遥感数据全部大量下载到本地处理设备，能够提高了获得湖泊水量的计算效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种水量检测方法的示意性流程图；
图2为本发明实施例提供的另一种水量检测方法的示意性流程图之一；
图3给出一种遥感影像的示意图；
图4为本发明实施例提供的步骤S102的一种可能的实现方式；
图5给出了一种像元及像元对应的水体指数的示意图；
图6为本发明实施例提供的另一种水量检测方法的示意性流程图之二；
图7为本发明实施例提供的一种水量检测装置的功能模块图；
图8为本发明实施例提供的一种云服务器的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
目前，湖泊水量计算对湖底地形资料依赖性较强，在缺乏湖底地形地区的水量计算依赖遥感技术进行水体提取。发明人在研究的过程中发现，相关技术在通过分析湖泊的遥感影像数据的过程中，需要将有关湖泊的全部遥感数据下载至本地处理设备再使用专业软件处理，这种方式不仅消耗了本地处理设备的内存，而且大量的遥感数据不仅增加了算法的复杂度，还降低了获得湖泊水量的效率。
因此，本发明实施例为了解决上述技术问题，提出了一种水量检测方法，该水量检测方法可以由云服务器执行，该云服务器的运行环境可以是遥感数据分析平台，例如，GEE(GoogleEarthEngine，简称GEE)平台，是一个专门处理卫星图像和其他地球观测数据云端运算平台。遥感数据分析平台能够存取关于目标湖泊的卫星图像并提供足够的运算能力来处理这些数据。本发明实施例中的水量检测方法正是利用GEE平台中存储的湖泊的相关影像数据来获得湖泊的水量，整个过程不需要将湖泊的遥感数据全部大量下载到本地处理设备，能够提高了获得湖泊水量的计算效率。
为了方便理解本发明实施例中的水量检测方法，请参见图1，图1为本发明实施例提供的一种水量检测方法的示意性流程图，包括以下步骤：
S106、获取目标湖泊的水位数据。
在一些可能的实施例中，上述的水位数据可以是目标湖泊在历史水位，也可以是目标湖泊当前检测的实时水位，还可以目标湖泊未来可能达到的水位。
在一种可能的实现方式中，获取上述水位数据的方式可以是：通过水文监测系统获得历史水文数据获得历史水位数据、实时监测的水位数据，或者通过高程卫星数据解译出来的高程数据，或者通过用户自定义的用来预测目标湖泊未来水量的水位数据。
S107、根据预设的水位与水量之间的关系模型确定水位数据对应的水量。
在一些可能的实施例中，上述的关系模型是根据目标湖泊的遥感影像数据和水文数据所获得的模型。可以理解的是，在一种可能的实现方式中，遥感影像数据可以指得是研究区的遥感影像，影像中至少包含目标湖泊，通过裁剪的方式可以从研究区的遥感影像中获得关于目标湖泊的遥感影像，在另一种方式中，遥感影像还可以直接是目标湖泊的遥感影像。还可以理解的是，上述的水文数据可以是水文监测系统获得的数据。
结合上述内容可以看出，本发明实施例提供的一种水量检测方法，通过预设的水位与水量的关系模型，能够获得目标湖泊的任意一个水位数据对应的水量，与现有技术的区别在于，现有技术本需要将有关湖泊的全部遥感数据下载至本地处理设备之后由本地处理设备进行分析获得湖泊水量，而本发明实施例中的水量检测方法正是利用云服务器中存储的湖泊的相关影像数据来获得湖泊的水量，整个过程不需要将湖泊的遥感数据全部大量下载到本地处理设备，能够提高了获得湖泊水量的计算效率。
可选地，基于上述内容可以看出，可以通过预先建立好的水位与水量的关系模型快速的获得目标湖泊的水量，因此，下面给出一种建立水位与水量的关系模型的实现方式，参见图2，图2为本发明实施例提供的另一种水量检测方法的示意性流程图之一，即在步骤S101之前，该方法还可以包括:
S101、获取预设的时间间隔内目标湖泊的遥感影像数据和水文数据。
可以理解的是，预设的时间间隔可以是一段历史时间间隔，例如2020年1月1日至2020年1月16日，所获得的遥感影像数据可以表征的是这段历史时间间隔内的遥感影像数据，水位数据记录的也是目标湖泊在这段历史日期内的水位监测数据。
S102、根据遥感影像数据确定目标湖泊的历史水面积数据集。
在一些可能的实施例中，上述的历史水面积数据集中包含至少一个历史水面积数据；每个历史水面积数据对应的一个历史日期；例如，2020年1月1日，目标湖泊水面积为445.69平方公里，2020年1月5日，目标湖泊水面积为445.80平方公里；历史日期为目标湖泊往年或某时间间隔内的其中一个日期。
S103、根据水文数据和全部历史日期确定历史水位数据集。
在一些可能的实施例中，上述的水位数据中纪录了预设时间间隔内目标湖泊的多个历史水位，根据全部历史日期可以获得每个历史日期该目标湖泊的历史水位，组成历史水位数据集，可以理解的是，每个历史水面积数据通过历史日期对应一个历史水位数据。
S104、将全部历史水位数据以及全部历史水面积数据进行拟合，获得水位与水面面积的关系模型。
在一种可能的实现方式中，全部历史水位数据以及全部水面面积数据的拟合关系式可以如下：
A＝f(h)＝ah2+bh+c
其中，关系式中的A表征水面面积，h表征水位，a、b、c为拟合参数，可以通过最小二乘法进行拟合，进而确定关系式中的拟合参数，获得水位与水面面积的关系模型。
S105、将水位与水面面积的关系曲线，以历史水位数据集中的历史水位最低值为积分下限进行积分，获得水位与水量之间的关系模型。
在一种可能的实现方式中，在获得水位与水面面积的关系模型之后，可以从水位数据集中获得历史水位最低值，将历史水位最低值对应水量近似为0(适合北方湖泊，特别是历史上曾经出现干涸的情况下)，并通过对水位与水面面积的关系模型进行关于水位的积分运算获得水位与水量之间的关系模型，积分运算的关系式可以如下：
Figure BDA0003038370190000081
Figure BDA0003038370190000082
其中，V(h)为目标湖泊的水量，hmin为历史水位最低值。
通过上述水位与水量之间的关系模型，不仅可以快速获得目标湖泊的任意一个历史水位对应的水量，还能根据用户设置的水位数据快速预测目标湖泊的水量。
可选地，上述获得目标湖泊的遥感影像数据的一种可能的实现方式可以为：根据预设的检测区域数据提取所述目标湖泊的遥感影像数据。
可以理解的是，上述的检测区域的边界坐标与目标湖泊的边界坐标匹配。由于云服务器中存储了大量的遥感数据，因此，为了快速获得目标湖泊的遥感影像数据，云服务器可以根据检测区域地理数据从大量的遥感影像数据进行检索，以获得与该检测区域匹配的目标湖泊的影像数据。
可选地，为了获得提高水量计算的准确度，有些遥感影像数据中包含了云、雪等，为消除云雪对提取水体的影响，下面给出一种可能的实现方式：
根据设定的云覆盖阈值对遥感影像数据进行筛选，获得筛选后的遥感影像数据。
例如，在地图数据分析平台中输入控制命令“CLOUD_COVER”的数值来筛选一定云层覆盖度下的影像。
可选地，上述的遥感影像数据中遥感影像可以是由多张波段图像组成，每张波段图像中像元对应的像元值不同，例如，参见图3，图3给出一种遥感影像的示意图，其中包括绿色波段图像和中红外波段图像，在绿色波段图像中，每个像元的像元值为绿色波段值，在中红外波段图像，上述像元具有中红外波段值，可以理解的是，绿色波段与水体相匹配，基于这种同一个像元对应不同像元值的差异，可以通过计算每个像元的水体指数来获得遥感影像中的水体像元，然后基于每个水体像元的面积获得目标湖泊的水面面积，因此，下面给出一种获得水面面积的实现方式，参见图4，图4为本发明实施例提供的步骤S102的一种可能的实现方式，即S102还包括以下子步骤：
S1021、针对每个历史日期对应的遥感数据，根据每个像元对应的第一波段值和第二波段值获得每个像元对应的水体指数。
可以理解的是，上述第一波段值可以为绿色波段值，第二波段值为中红外波段值(不同遥感产品的波段编号不一致)，上述水体指数可以用来区分水体像元和非水体像元，获得水体指数的方式可以如下关系式所示：
Figure BDA0003038370190000091
其中，Green为第一波段值，MIR为第二波段值，MNDWI为水体指数。
通过上述方式可以获得每个像元对应的实体提取系数，为了方便理解，请参见图5，图5给出了一种像元及像元对应的水体指数的示意图，从图中可以看出，通过上述方式可以获得每个像元对应的水体指数。
S1022、获得水体指数大于预设阈值的全部像元，作为水体像元；
在一种可能的实现方式中，当计算得到的水体指数大于阈值，表征该水体指数对应的像元为水体像元。上述的阈值可以设置为0。
在获得每个像元对应的水体指数之后，为了方便计算水面面积，减小误差，还可以通过与目标湖泊的边界匹配的检测区域对遥感影像进行裁剪，裁剪后的图像中的每个像元均代表目标湖泊的水体，进而可以通过统计每个水体像元的像元面积，执行步骤S1023。
S1023、将全部水体像元的像元面积之和作为历史日期对应的历史水面积数据。
S1024、将全部历史水面积数据作为目标湖泊的历史水面积数据集。
可选地，由于遥感数据分析平台中存储的卫星数据是通过不同类型的卫星采集到的遥感数据，例如，Landsat5和Landsat8影像数据，不同类型的卫星采集的遥感数据中，同一个波段对应的标识信息不同，这种标识信息可以是波段名称，例如，对于绿色波段，Landsat5影像数据中的绿色波段的标识信息可以为B3,Landsat8影像数据中的绿色波段的标识信息可以为B5，在计算每个像元的水体指数时可能会因为上述这种差异导致水体指数不准确，因此，本发明在图4的基础上给出一种实现方式，参见图6，图6为本发明实施例提供的另一种水量检测方法的示意性流程图之二，该方法还包括：
S1020、将第一遥感数据影像数据中第一波段对应的第一标识转化为第二遥感影像数据中第一波段对应的第二标识。
在一种可能的实现方式中，第一波段可以为绿色波段，第一遥感影像数据可以为Landsat8影像数据，第二遥感影像数据可以为Landsat5影像数据，Landsat8卫星的波段可以包含Landsat5卫星的波段。
为统一计算Landsat5影像数据和Landsat8影像数据中的像元的水体指数，可以通过步骤S1030统一Landsat5影像数据和Landsat8影像数据中的绿色波段名称，例如，将Landsat8影像数据中的绿色波段的标识信息可以为B5，转换为Landsat5影像数据中的绿色波段的标识信息B3。
通过上述转换可以将通同一波段的不同标识信息进行统一，便于后期快速计算。
为了实现上述实施例中的各个步骤，以达到对应的技术效果，下面给出一种水量检测装置的实现方式，本发明实施例还提供了一种水量检测装置，参见图7，图7为本发明实施例提供的一种水量检测装置的功能模块图，其中，水量检测装置70包括：获取模块701、确定模块702。
获取模块701，用于获取目标湖泊的水位数据；
确定模块702，用于根据预设的水位与水量之间的关系模型确定水位数据对应的水量；关系模型是根据目标湖泊的遥感影像数据和水文数据所获得的模型。
可以理解的是，获取模块701、确定模块702可以用来协同的执行步骤S106至S107以实现相应的技术效果。
可选地，为了获得水量与水位的关系模型，水量检测装置70还包括拟合模块和积分模块；
获取模块701，还用于获取预设的时间间隔内目标湖泊的遥感影像数据和水文数据。
确定模块702，还用于根据遥感影像数据确定目标湖泊的历史水面积数据集；历史水面积数据集中包含至少一个历史水面积数据；每个历史水面积数据对应的一个历史日期；历史日期为时间间隔内的其中一个日期；根据水文数据和全部历史日期确定历史水位数据集；历史水位数据集中包含至少一个历史水位数据；每个历史水面积数据对应一个历史水位数据；
拟合模块，用于将全部历史水位数据以及全部历史水面积数据进行拟合，获得水位与水面面积的关系模型；
积分模块，用于将水位与水面面积的关系曲线，以历史水位数据集中的历史水位最低值为积分下限进行积分，获得水位与水量之间的关系模型。
可以理解的是，获取模块701、确定模块702、拟合模块和积分模块可以用来协同的执行步骤S101至S104以实现相应的技术效果。
可选地，确定模块702还可以用来执行图2、6所示的各个步骤以实现相应的技术效果。
可选地，水量检测装置70还可以包括提取模块，提取模块可以用于根据预设的检测区域数据提取目标湖泊的遥感影像数据；检测区域的边界坐标与目标湖泊的边界坐标匹配。
可选地，水量检测装置70还可以包括筛选模块，筛选模块用于根据设定的图像阈值对遥感影像数据进行筛选，获得筛选后的遥感影像数据。
本发明实施例还提供一种云服务器，如图8，图8为本发明实施例提云服务器结构框图。该云服务器80包括通信接口801、处理器802和存储器803。该处理器802、存储器803和通信接口801相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器803可用于存储软件程序及模块，如本发明实施例所提供的水量检测方法对应的程序指令/模块，处理器802通过执行存储在存储器803内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口801可用于与其他节点设备进行信令或数据的通信。在本发明中该云服务器80可以具有多个通信接口801。
其中，存储器803可以是但不限于，随机存取存储器(RandomAccessMemory，RAM)，只读存储器(ReadOnlyMemory，ROM)，可编程只读存储器(ProgrammableRead-OnlyMemory，PROM)，可擦除只读存储器(ErasableProgrammableRead-OnlyMemory，EPROM)，电可擦除只读存储器(ElectricErasableProgrammableRead-OnlyMemory，EEPROM)等。
处理器802可以是一种集成电路芯片，具有信号处理能力。该处理器可以是通用处理器，包括中央处理器(CentralProcessingUnit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(DigitalSignalProcessing，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field－ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
可以理解的是，上述的水量检测装置70的各个模块可以软件或固件(Firmware)的形式存储于云服务器80的存储器803中，并由处理器802执行，同时，执行上述模块所需的数据、程序的代码等可以存储在存储器803中。
本发明实施例提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前述实施方式中任一项的水量检测方法。该计算机可读存储介质可以是，但不限于，U盘、移动硬盘、ROM、RAM、PROM、EPROM、EEPROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种水量检测方法，其特征在于，应用于云服务器，所述方法包括：
获取目标湖泊的水位数据；
根据预设的水位与水量之间的关系模型确定所述水位数据对应的水量；所述关系模型是根据所述目标湖泊的遥感影像数据和水文数据所获得的模型。
2.根据权利要求1所述的水量检测方法，其特征在于，在获取目标湖泊的水位数据之前，还包括：
获取预设的时间间隔内所述目标湖泊的遥感影像数据和所述水文数据；
根据所述遥感影像数据确定所述目标湖泊的历史水面积数据集；所述历史水面积数据集中包含至少一个历史水面积数据；每个所述历史水面积数据对应的一个历史日期；所述历史日期为所述时间间隔内的其中一个日期；
根据所述水文数据和全部所述历史日期确定历史水位数据集；所述历史水位数据集中包含至少一个历史水位数据；每个所述历史水面积数据对应一个所述历史水位数据；
将全部所述历史水位数据以及全部所述历史水面积数据进行拟合，获得水位与水面面积的关系模型；
将水位与水面面积的关系曲线，以历史水位数据集中的历史水位最低值为积分下限进行积分，获得水位与水量之间的关系模型。
3.根据权利要求2所述的水量检测方法，其特征在于，所述遥感影像数据中包含第一波段图像和第二波段图像；所述第一波段图像的每个像元具有第一波段值；所述第二波段图像的每个所述像元具有第二波段值；所述第一波段值与所述目标湖泊的水体匹配；
所述根据所述遥感影像数据确定所述目标湖泊的历史水面积数据集，包括：
针对每个所述历史日期对应的遥感数据，根据每个所述像元对应的所述第一波段值和所述第二波段值获得每个像元对应的水体指数；
获得所述水体指数大于预设阈值的全部像元，作为水体像元；
将全部所述水体像元的像元面积之和作为所述历史日期对应的所述历史水面积数据；
将全部所述历史水面积数据作为所述目标湖泊的历史水面积数据集。
4.根据权利要求3所述的水量检测方法，其特征在于，所述遥感影像数据中包含第一遥感影像数据和第二遥感影像数据；所述第一遥感影像数据对应第一采集时间范围包含所述第二遥感影像数据对应的第二采集范围；
在根据每个所述像元对应的所述第一波段值和所述第二波段值获得每个像元对应的水体指数之前，还包括：
将所述第一遥感影像数据中第一波段对应的第一标识转化为所述第二遥感影像数据中所述第一波段对应的第二标识。
5.根据权利要求2所述的水量检测方法，其特征在于，获取所述预设的时间间隔内的所述目标湖泊的遥感影像数据，包括：
根据预设的检测区域数据提取所述目标湖泊的遥感影像数据；所述检测区域的边界坐标与所述目标湖泊的边界坐标匹配。
6.根据权利要求5所述的所述的水量检测方法，其特征在于，还包括：
根据设定的图像阈值对所述遥感影像数据进行筛选，获得筛选后的所述遥感影像数据。
7.一种水量检测装置，其特征在于，包括：
获取模块，用于获取目标湖泊的水位数据；
确定模块，用于根据预设的水位与水量之间的关系模型确定所述水位数据对应的水量；所述关系模型是根据所述目标湖泊的遥感影像数据和水文数据所获得的模型。
8.根据权利要求7所述的水量检测装置，其特征在于，还包括拟合模块和积分模块；
所述获取模块，还用于获取预设时间间隔内所述目标湖泊的所述遥感影像数据和所述水文数据；
所述确定模块，还用于所述根据所述遥感影像数据确定所述目标湖泊的历史水面积数据集；所述历史水面积数据集中包含至少一个历史水面积数据；每个所述历史水面积数据对应的一个历史日期；所述历史日期为所述时间间隔内的其中一个日期；根据所述水文数据和全部所述历史日期确定历史水位数据集；所述历史水位数据集中包含至少一个历史水位数据；每个所述历史水面积数据对应一个所述历史水位数据；
所述拟合模块，用于将全部所述历史水位数据以及全部所述历史水面积数据进行拟合，获得水位与水面面积的关系模型；
所述积分模块，用于将水位与水面面积的关系曲线，以历史水位数据集中的历史水位最低值为积分下限进行积分，获得水位与水量之间的关系模型。
9.一种云服务器，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述处理器可执行所述计算机程序以实现权利要求1-6任一项所述水量检测方法。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述水量检测方法。
CN202110450029.XA 2021-04-25 2021-04-25 水量检测方法、装置、云服务器及存储介质 Pending CN113298756A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110450029.XA CN113298756A (zh) 2021-04-25 2021-04-25 水量检测方法、装置、云服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110450029.XA CN113298756A (zh) 2021-04-25 2021-04-25 水量检测方法、装置、云服务器及存储介质

Publications (1)

Publication Number Publication Date
CN113298756A true CN113298756A (zh) 2021-08-24

Family

ID=77320149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110450029.XA Pending CN113298756A (zh) 2021-04-25 2021-04-25 水量检测方法、装置、云服务器及存储介质

Country Status (1)

Country Link
CN (1) CN113298756A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880101A (zh) * 2023-03-02 2023-03-31 江西贵兴信息技术有限公司 一种基于大数据的水利数据管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106354992A (zh) * 2016-08-12 2017-01-25 中国水利水电科学研究院 基于多时相遥感影像和dem的湖泊水量蓄变量评估方法
CN109489637A (zh) * 2018-11-08 2019-03-19 清华大学 水量变化监测方法、装置、计算机设备和存储介质
CN111324952A (zh) * 2020-02-17 2020-06-23 中国科学院水利部成都山地灾害与环境研究所 基于多源遥感数据获取水位的冰湖体积估算方法
CN112285710A (zh) * 2020-09-21 2021-01-29 河南大学 一种多源遥感水库蓄水量估算方法与装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106354992A (zh) * 2016-08-12 2017-01-25 中国水利水电科学研究院 基于多时相遥感影像和dem的湖泊水量蓄变量评估方法
CN109489637A (zh) * 2018-11-08 2019-03-19 清华大学 水量变化监测方法、装置、计算机设备和存储介质
CN111324952A (zh) * 2020-02-17 2020-06-23 中国科学院水利部成都山地灾害与环境研究所 基于多源遥感数据获取水位的冰湖体积估算方法
CN112285710A (zh) * 2020-09-21 2021-01-29 河南大学 一种多源遥感水库蓄水量估算方法与装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880101A (zh) * 2023-03-02 2023-03-31 江西贵兴信息技术有限公司 一种基于大数据的水利数据管理系统
CN115880101B (zh) * 2023-03-02 2023-05-16 江西贵兴信息技术有限公司 一种基于大数据的水利数据管理系统

Similar Documents

Publication Publication Date Title
Chen et al. An evaluation of MODIS daily and 8-day composite products for floodplain and wetland inundation mapping
Dong et al. Early-season mapping of winter wheat in China based on Landsat and Sentinel images
Bioresita et al. Fusion of Sentinel-1 and Sentinel-2 image time series for permanent and temporary surface water mapping
Heege et al. Operational multi-sensor monitoring of turbidity for the entire Mekong Delta
Guerschman et al. MODIS-based standing water detection for flood and large reservoir mapping: algorithm development and applications for the Australian continent
Lin et al. Radiometric normalization and cloud detection of optical satellite images using invariant pixels
Arsenault et al. Evaluation of the MODIS snow cover fraction product
Davranche et al. Mapping flooding regimes in Camargue wetlands using seasonal multispectral data
CN110830450A (zh) 基于统计的异常流量监测方法、装置、设备及存储介质
Tan et al. Evaluation of TMPA 3B43 and NCEP-CFSR precipitation products in drought monitoring over Singapore
WO2012063232A1 (en) System and method for inventorying vegetal substance
CN111126028B (zh) 数据处理方法、装置及设备
CN111007013B (zh) 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
CN113378785A (zh) 森林类型识别方法及装置
Zafar et al. Trend analysis of the decadal variations of water bodies and land use/land cover through MODIS imagery: an in-depth study from Gilgit-Baltistan, Pakistan
CN110991285B (zh) 基于modis光学数据的湖冰物候信息提取方法和装置
Markogianni et al. Landuse and NDVI change analysis of Sperchios river basin (Greece) with different spatial resolution sensor data by Landsat/MSS/TM and OLI
CN113298756A (zh) 水量检测方法、装置、云服务器及存储介质
d’Andrimont et al. Monitoring African water bodies from twice-daily MODIS observation
Mukhopadhyay et al. Spatio-temporal analysis of land use-land cover changes in Delhi using remote sensing and GIS techniques
Jarchow et al. Using full and partial unmixing algorithms to estimate the inundation extent of small, isolated stock ponds in an arid landscape
CN110569733B (zh) 基于遥感大数据平台的湖泊长时序连续水域变化重建方法
Symeonakis et al. Multi-temporal land-cover classification and change analysis with conditional probability networks: The case of Lesvos Island (Greece)
CN117037076B (zh) 一种基于遥感技术的土壤墒情智能监测方法
Yan et al. Mapping Surface Water Fraction Over the Pan-tropical Region Using CYGNSS Data

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