CN113469127A - 河流敏感性等级划分方法、装置、设备及存储介质 - Google Patents

河流敏感性等级划分方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113469127A
CN113469127A CN202110835562.8A CN202110835562A CN113469127A CN 113469127 A CN113469127 A CN 113469127A CN 202110835562 A CN202110835562 A CN 202110835562A CN 113469127 A CN113469127 A CN 113469127A
Authority
CN
China
Prior art keywords
water body
river
image
sensitivity
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.)
Granted
Application number
CN202110835562.8A
Other languages
English (en)
Other versions
CN113469127B (zh
Inventor
刘荣荣
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.)
Ping An International Smart City Technology Co Ltd
Original Assignee
Ping An International Smart City Technology Co Ltd
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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202110835562.8A priority Critical patent/CN113469127B/zh
Priority claimed from CN202110835562.8A external-priority patent/CN113469127B/zh
Publication of CN113469127A publication Critical patent/CN113469127A/zh
Application granted granted Critical
Publication of CN113469127B publication Critical patent/CN113469127B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及大数据技术，揭露一种河流敏感性等级划分方法，包括：将河流遥感影像进行水体数据提取处理，得到水体分布图；基于水体分布图，从河流遥感影像中裁剪水体分布图中每个水体图对应的预设范围的缓冲区域，作为缓冲区域图；将从水体图中获取的水体色度指数、从分布在水体图周边的缓冲区域图中获取的地物对河流敏感性的影响程度、预先获取的水体图中水体的水文特征信息和实际监测得到的水体图对应水体的河流敏感性等级共同作为模型训练数据。本发明还涉及区块链技术，河流遥感影像存储于区块链中。本发明能够解决现有技术中，缺少对河流敏感性的精细化管控、缺乏细节信息，导致对生态敏感性等级划分的不合理等问题。

Description

河流敏感性等级划分方法、装置、设备及存储介质
技术领域
本发明涉及大数据处理领域，尤其涉及一种河流敏感性等级划分方法、装置、电子设备及计算机可读存储介质。
背景技术
河流是水环境的重要组成部分，与社会发展和人居环境息息相关。我国水环境面临严重的考验，经济高速发展的同时使得突发性水环境污染事件频出，为提升水环境质量，改善生态环境，需要对城市水环境污染进行精细化、及时化的防控手段。
目前，传统的生态敏感性等级的划分方法从生态系统整体出发，通过打分法对生态等级进行划分，此种方法对原数据存在损害，而且，传统技术缺少对河流敏感性的精细化管控，缺乏细节信息，因此导致对生态敏感性等级划分的不合理。
发明内容
本发明提供一种河流敏感性等级划分方法、装置、电子设备及计算机可读存储介质，其主要目的在于能够解决现有技术中，对生态敏感性等级的划分从生态系统整体出发，通过打分法对生态等级进行划分，损害原数据的同时缺少对河流敏感性的精细化管控，缺乏细节信息，导致对生态敏感性等级划分的不合理等问题。
第一方面，为实现上述目的，本发明提供的一种河流敏感性等级划分方法，所述方法包括：
将采集的河流遥感影像进行水体数据提取处理，得到水体分布图，其中，所述水体分布图包括至少一个水体图；
基于所述水体分布图，根据预设缓冲区范围确定规则从所述河流遥感影像中裁剪所述水体分布图中每个所述水体图对应的预设范围的缓冲区域，作为缓冲区域图；
将从所述水体图中获取的水体色度指数、从分布在所述水体图周边的缓冲区域图中获取的地物对河流敏感性的影响程度、预先获取的所述水体图中水体的水文特征信息和实际监测得到的所述水体图对应水体的河流敏感性等级共同作为模型训练数据；
通过所述模型训练数据对预设神经网络基础模型进行河流敏感性等级评估训练处理，得到河流敏感性评估模型；
通过将待评估河流的数据输入所述河流敏感性评估模型，得到所述待评估河流的河流敏感性等级。
第二方面，为了解决上述问题，本发明还提供一种河流敏感性等级划分装置，所述装置包括：
水体提取模块，用于将采集的河流遥感影像进行水体数据提取处理，得到水体分布图，其中，所述水体分布图包括至少一个水体图；
缓冲区域图裁剪模块，用于基于所述水体分布图，根据预设缓冲区范围确定规则从所述河流遥感影像中裁剪所述水体分布图中每个所述水体图对应的预设范围的缓冲区域，作为缓冲区域图；
模型训练数据收集模块，用于将从所述水体图中获取的水体色度指数、从分布在所述水体图周边的缓冲区域图中获取的地物对河流敏感性的影响程度、预先获取的所述水体图中水体的水文特征信息和实际监测得到的所述水体图对应水体的河流敏感性等级共同作为模型训练数据；
评估模型训练模块，用于通过所述模型训练数据对预设神经网络基础模型进行河流敏感性等级评估训练处理，得到河流敏感性评估模型；
河流敏感性等级评估模块，用于通过将待评估河流的数据输入所述河流敏感性评估模型，得到所述待评估河流的河流敏感性等级。
第三方面，为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的河流敏感性等级划分方法的步骤。
第四方面，为了解决上述问题，本发明还提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的河流敏感性等级划分方法。
本发明提出的河流敏感性等级划分方法、装置、电子设备及存储介质，通过对采集的河流遥感影像进行水体提取和对水体周边的缓冲区域进行剪裁，分别得到水体图和分布在水体图周边的缓冲区域图，从水体图和缓冲图中分别获取河流水体的内部因素和河流周边的外部因素，综合河流水体的内部因素和周边的外部因素训练河流敏感性评估模型，快速获取河流敏感性等级，为生态评估、污染治理做出更加科学的决策打下基础；在时间上极大的减少人力劳动，降低工作成本。
附图说明
图1为本发明一实施例提供的河流敏感性等级划分方法的流程示意图；
图2为本发明一实施例提供的河流敏感性等级划分装置的模块示意图；
图3为本发明一实施例提供的实现河流敏感性等级划分方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种河流敏感性等级划分方法。参照图1所示，为本发明一实施例提供的河流敏感性等级划分方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，河流敏感性等级划分方法包括：
步骤S110、将采集的河流遥感影像进行水体提取数据处理，得到水体分布图，其中，所述水体分布图包括至少一个水体图。
具体的，通过航空拍摄技术或卫星拍摄技术获取各地的河流遥感影像。从河流遥感影像中提取水体数据，得到水体分布图，在水体分布图中包括至少一个水体图，从水体分布图中可知各个水体图的分布情况。其中水体一般为河流中的水流，通过提取河流遥感影像中的水体数据便于对河流进行研究。
作为本发明的一个可选实施例，河流遥感影像存储于区块链中，将采集的河流遥感影像进行水体数据提取处理，得到水体分布图包括：
对采集的河流遥感影像进行预处理，得到高光谱河流遥感影像；
基于分类决策树，通过归一化水体指数公式和归一化植被指数公式从高光谱河流遥感影像中提取水体数据，得到水体分布栅格图像；
对水体分布栅格图像进行栅矢变换处理，得到水体分布图。
具体的，归一化水体指数公式是凸显遥感影像中水体信息的重要指标之一，归一化植被指数公式是反映植被覆盖状态的重要指标。跟据水体与植被的反射特性，即结合归一化水体指数和归一化植被指数可以初步的提取高光谱河流遥感影像中的植被与水体。建立分类决策树，提取水体数据，得到水体分布栅格图像。矢量图像图形显示质量好、精度高，数据结构紧凑、冗余度低，有利水体图像的缩放操作，便于后续对缓冲区域图的获取，因此对水体分布栅格图像进行栅矢变换，将栅格图转化为矢量图，得到水体分布图。
作为本发明的一个可选实施例，对采集的河流遥感影像进行预处理，得到高光谱河流遥感影像包括：
对河流遥感影像的遥感数据进行辐射定标处理，使所述河流遥感影像的数字量化值转化为真实辐射值，得到辐射定标后的河流遥感影像；
对辐射定标后的河流遥感影像进行几何校正处理，使辐射定标后的河流遥感影像中的地物目标的几何畸变得到校正，得到几何校正后的河流遥感影像；
对几何校正后的河流遥感影像进行大气校正处理，使几何校正后的河流遥感影像的地表反射率转化为地表真实反射率，得到大气校正后的河流遥感影像；
通过全色影像技术对大气校正后的河流遥感影像的多光谱数据进行影像融合处理，得到高光谱河流遥感影像。
具体的，辐射定标是依据光谱辐射亮度值与成像光谱仪输出的数字量化值之间的定量关系，将河流遥感影像的数字量化值转化为真实的辐射值；几何校正是依据系统几何校正模型及几何精校正模型，来改变河流遥感影像中地物目标的几何畸变；大气校正是依据几何校正模型以获取精确的地表真实反射率。经过此三项处理后的河流遥感影像上像素点与实际地面点可以完成高精度的地理配准，再使用高分辨率的全色影像数据对大气校正后的河流遥感影像的多光谱数据进行影像融合，在保证光谱分辨率的同时以提高遥感影像的空间分辨率。其中，辐射定标是用户需要计算地物的光谱反射率或光谱辐射亮度时，或者需要对不同时间、不同传感器获取的图像进行比较时，都必须将图像的亮度灰度值转换为绝对的辐射亮度，这个过程就是辐射定标；几何校正是指遥感成像过程中，受多种因素的综合影响，原始图像上地物的几何位置、形状、大小、尺寸、方位等特征与其对应的地面地物的特征往往是不一致的，这种不一致就是几何变形，也称几何畸变；大气校正是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。大气校正就是消除这些由大气影响所造成的辐射误差，反演地物真实的表面反射率的过程；遥感影像融合是将在空间、时间、波谱上冗余或互补的多源遥感数据按照一定的规则(或算法)进行运算处理，获得比任何单一数据更精确、更丰富的信息，生成具有新的空间、波谱、时间特征的合成影像数据。影像通过融合既可以提高多光谱影像空间分辨率，又保留其多光谱特性。
作为本发明的一个可选实施例，基于分类决策树，通过归一化水体指数公式和归一化植被指数公式从高光谱河流遥感影像中提取水体，得到水体分布栅格图像包括：
通过归一化水体指数公式和归一化植被指数公式分别计算高光谱河流遥感影像中各地物的归一化水体指数和归一化植被指数；其中，
归一化水体指数公式为：
Figure BDA0003177161330000051
归一化植被指数公式为：
Figure BDA0003177161330000061
其中，NDWI为归一化水体指数，NDVI为归一化植被指数，Green为绿光波段，NIR为近红外波段，Red为红光波段；
建立分类决策树，从高光谱河流遥感影像中提取归一化水体指数大于预设水体分类检测阈值，且归一化植被指数小于预设植被分类检测阈值的地物数据，得到水体分布栅格图像。
具体的，通过计算得到地物的归一化水体指数和归一化植被指数，然后将归一化水体指数和归一化植被指数分别与预设水体分类检测阈值和预设植被分类检测阈值进行比较，根据分类决策树，当满足地物的归一化水体指数大于预设水体分类检测阈值，地物的归一化植被指数小于预设植被分类检测阈值时，则可判断该地物为水体，将水体数据从高光谱河流遥感影像中提取出来，得到水体分布栅格图像。
作为本发明的一个可选实施例，对水体分布栅格图像进行栅矢变换处理，得到水体分布图包括：
将水体分布栅格图像进行二值化处理，得到水体分布二值图像；
对水体分布二值图像进行图像预处理，得到预处理后的水体分布二值图像；其中，图像预处理包括去除飞白处理、去除污点处理和去除线划边缘凹凸不平处理；
对预处理后的水体分布二值图像进行图像处理，使水体分布二值图像的象元阵列剥除轮廓边缘的点，以及使水体分布二值图像变为线划宽度只有一个象元的骨架图形，得到水体分布骨架图；
将水体分布骨架图转换为坐标序列的矢量图形，将矢量图形作为水体分布图。
具体的，为了进行栅格数据矢量化的转换，需将水体分布栅格图像压缩为两级(0和1)，称为二值化。压缩后的图像会出现一些飞白、污点、线划边缘凹凸不平等，通常使用开闭运算去掉孤立点。将预处理后的水体分布二值图像的象元阵列逐步剥除轮廓边缘的点，使之成为线划宽度只有一个象元的骨架图形，图形骨架既保留了原图形的绝大部分特征，又便于下一步的跟踪处理。水体分布骨架图最终把骨架转换为矢量图形的坐标序列便可得到水体分布矢量图像，即水体分布图。
步骤S120、基于水体分布图，根据预设缓冲区范围确定规则从河流遥感影像中裁剪水体分布图中每个所述水体图对应的预设范围的缓冲区域，作为缓冲区域图。
具体的，影响河流敏感性等级的是河流的水体因素，但是，水体周边一定范围内的植被同样会对河流的敏感性产生一定影响，例如，河流周边的植被、人口、裸地、重点污染源的分布，因此需要对水体周边的一定范围内的地物进行研究。其中，预设缓冲区范围确定规则可根据实际情况确定，用于确定水体图对应的预设范围的缓冲区域，对每个水体图对应的预设范围的缓冲区域剪裁后，得到缓冲区域图；例如，水体图的预设范围为其周边的5KM，则将水体图周边5KM的范围作为缓冲区，得到水体缓冲区面积矢量图，使用缓冲区矢量区对河流遥感影像做掩模、裁剪处理，从而得到水体分布图中每个水体图周边的缓冲区域图。
步骤S130、将从水体图中获取的水体色度指数、从分布在水体图周边的缓冲区域图中获取的地物对河流敏感性的影响程度、预先获取的水体图中水体的水文特征信息和实际监测得到的水体图对应水体的河流敏感性等级共同作为模型训练数据。
具体的，将水体内部因素和水体周边因素共同作为河流敏感等级划分的考虑因素，将实际监测得到水体图对应水体的河流敏感性等级作为运算结果，共同作为模型训练数据。其中，水体图中水体的水文特征信息包括河流径流量、流速、水位、含沙量等，可通过部署水质监测网络，依据各河流监测站点(国考支流、省考断面、市级断面、一周一测断面、水自动监测站、微站、流量计等)监测数据。为了便于将水体图和其周边的缓冲区域图一一对应，可通过进行地理编码实现。
作为本发明的一个可选实施例，水体色度指数的获取方法，包括：
基于从水体图的栅格图像中分别获取的红波段的光谱反射率、绿波段的光谱反射率和蓝波段的光谱反射率，通过三刺激值计算公式，计算三刺激值；其中，
三刺激值计算公式为：
Figure BDA0003177161330000071
其中，R为红波段的光谱反射率，G为绿波段的光谱反射率，B为蓝波段的光谱反射率，X为红原色刺激量，Y为绿原色刺激量，Z为蓝原色刺激量；
基于三刺激值，通过色度坐标公式计算水体图中水体的色度坐标；其中，
色度坐标公式为：
Figure BDA0003177161330000081
其中，x为色度坐标的横轴，y为色度坐标的纵轴；
基于水体图中水体的色度坐标，通过色度指数计算公式计算水体的色度指数，得到水体色度指数；其中，
色度指数计算公式为：α＝Arctan2(y-0.3333,x-0.3333)，
其中，α为水体色度指数。
具体的，从水体图的栅格图像中反演水体色度指数，当水体图为矢量图时，需要将水体图进行矢栅转换处理，从而得到水体图的栅格图像，将水体图的栅格图像的红、绿、蓝三个波段的RGB坐标转换为国际照明委员会(CIE)坐标，再通过色度指数计算公式便可得到水体色度指数。
作为本发明的一个可选实施例，地物对河流敏感性的影响程度的获取方法，包括：
基于K邻近法从缓冲区域图的栅格图像中分别提取不同地物的栅格图像，得到目标地物栅格图像；
通过地物对河流敏感性影响指数计算公式，计算每种目标地物栅格图像中的目标地物对河流敏感性的影响指数，得到缓冲区域图中每种地物对河流敏感性的影响指数；其中，
地物对河流敏感性影响指数计算公式为：
Figure BDA0003177161330000082
其中，ε为目标地物对河流敏感性的影响指数，Wi为各类目标地物的影响权重，Ai为各类目标地物栅格图像在缓冲区域图中的分布面积；
基于每种地物对河流敏感性的影响指数，根据预设影响程度对照表得到缓冲区域图中的地物对河流敏感性的影响程度；其中，预设影响程度对照表包括预设地物对河流敏感性的影响指数阈值和与预设地物对河流敏感性的影响指数阈值对应的影响程度。
具体的，通过K邻近法对缓冲区域图的栅格图像进行特征提取，分别提取不同地物的栅格图像，得到目标地物栅格图像，其中，目标地物栅格图像可包括植被、城镇、裸地、以及重点污染源(农业污染源、工业污染源等)的分类栅格图。通过地物对河流敏感性影响指数对每种目标地物栅格图像中的目标地物对河流敏感性的影响指数进行计算，得到缓冲区域图中每种地物对河流敏感性的影响指数，再根据预设影响度对照表，得到缓冲区域图中的地物对河流敏感性的影响度。
步骤S140、通过模型训练数据对预设神经网络基础模型进行河流敏感性等级评估训练处理，得到河流敏感性评估模型。
其中，预设神经网络基础模型包括输入层、隐藏层和输出层。
具体的，可将模型训练数据分成两个部分，分别为模型训练样本和模型测试样本，通过模型训练样本对预设神经网络基础模型进行模型训练，通过模型测试样本检测河流敏感性评估模型的准确性。其中，预设神经网络基础模型可为BP神经网络基础模型。
步骤S150、通过将待评估河流的数据输入河流敏感性评估模型，得到所述待评估河流的河流敏感性等级。
具体的，通过将待评估河流的数据输入河流敏感性评估模型的输入层输入河流敏感性评估模型中，通过河流敏感性评估模型的隐藏层进行评估处理，最后将评估结果从输出层输出。
如图2所示，是本发明一个实施例的河流敏感性等级划分装置的功能模块图。
本发明所述河流敏感性等级划分装置200可以安装于电子设备中。根据实现的功能，所述河流敏感性等级划分装置可以包括水体提取模块210、缓冲区域图裁剪模块220、模型训练数据收集模块230、评估模型训练模块240、河流敏感性等级评估模块250。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
水体提取模块210，用于将采集的河流遥感影像进行水体提取数据处理，得到水体分布图，其中，所述水体分布图包括至少一个水体图。
具体的，通过航空拍摄技术或卫星拍摄技术获取各地的河流遥感影像。从河流遥感影像中提取水体数据，得到水体分布图，在水体分布图中包括至少一个水体图，从水体分布图中可知各个水体图的分布情况。其中水体一般为河流中的水流，通过提取河流遥感影像中的水体数据便于对河流进行研究。作为本发明的一个可选实施例，河流遥感影像存储于区块链中，将采集的河流遥感影像进行水体数据提取处理，得到水体分布图包括：
对采集的河流遥感影像进行预处理，得到高光谱河流遥感影像；
基于分类决策树，通过归一化水体指数公式和归一化植被指数公式从高光谱河流遥感影像中提取水体数据，得到水体分布栅格图像；
对水体分布栅格图像进行栅矢变换处理，得到水体分布图。
具体的，归一化水体指数公式是凸显遥感影像中水体信息的重要指标之一，归一化植被指数公式是反映植被覆盖状态的重要指标。跟据水体与植被的反射特性，即结合归一化水体指数和归一化植被指数可以初步的提取高高光谱河流遥感影像中的植被与水体。建立分类决策树，提取水体，得到水体分布栅格图像。矢量图像图形显示质量好、精度高，数据结构紧凑、冗余度低，有利水体图像的缩放操作，便于后续对缓冲区域图的获取，，因此对水体分布栅格图像进行栅矢变换，将栅格图转化为矢量图，得到水体分布图。
作为本发明的一个可选实施例，对采集的河流遥感影像进行预处理，得到高光谱河流遥感影像包括：
对河流遥感影像的遥感数据进行辐射定标处理，使所述河流遥感影像的数字量化值转化为真实辐射值，得到辐射定标后的河流遥感影像；
对辐射定标后的河流遥感影像进行几何校正处理，使辐射定标后的河流遥感影像中的地物目标的几何畸变得到校正，得到几何校正后的河流遥感影像；
对几何校正后的河流遥感影像进行大气校正处理，使几何校正后的河流遥感影像的地表反射率转化为地表真实反射率，得到大气校正后的河流遥感影像；
通过全色影像技术对大气校正后的河流遥感影像的多光谱数据进行影像融合处理，得到高光谱河流遥感影像。
具体的，辐射定标是依据光谱辐射亮度值与成像光谱仪输出的数字量化值之间的定量关系，将河流遥感影像的数字量化值转化为真实的辐射值；几何校正是依据系统几何校正模型及几何精校正模型，来改变河流遥感影像中地物目标的几何畸变；大气校正是依据几何校正模型以获取精确的地表真实反射率。经过此三项处理后的河流遥感影像上像素点与实际地面点可以完成高精度的地理配准，再使用高分辨率的全色影像数据对大气校正后的河流遥感影像的多光谱数据进行影像融合，在保证光谱分辨率的同时以提高遥感影像的空间分辨率。其中，辐射定标是用户需要计算地物的光谱反射率或光谱辐射亮度时，或者需要对不同时间、不同传感器获取的图像进行比较时，都必须将图像的亮度灰度值转换为绝对的辐射亮度，这个过程就是辐射定标；几何校正是指遥感成像过程中，受多种因素的综合影响，原始图像上地物的几何位置、形状、大小、尺寸、方位等特征与其对应的地面地物的特征往往是不一致的，这种不一致就是几何变形，也称几何畸变；大气校正是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。大气校正就是消除这些由大气影响所造成的辐射误差，反演地物真实的表面反射率的过程；遥感影像融合是将在空间、时间、波谱上冗余或互补的多源遥感数据按照一定的规则(或算法)进行运算处理，获得比任何单一数据更精确、更丰富的信息，生成具有新的空间、波谱、时间特征的合成影像数据。影像通过融合既可以提高多光谱影像空间分辨率，又保留其多光谱特性。
作为本发明的一个可选实施例，基于分类决策树，通过归一化水体指数公式和归一化植被指数公式从高光谱河流遥感影像中提取水体，得到水体分布栅格图像包括：
通过归一化水体指数公式和归一化植被指数公式分别计算高光谱河流遥感影像中各地物的归一化水体指数和归一化植被指数；其中，
归一化水体指数公式为：
Figure BDA0003177161330000111
归一化植被指数公式为：
Figure BDA0003177161330000112
其中，NDWI为归一化水体指数，NDVI为归一化植被指数，Green为绿光波段，NIR为近红外波段，Red为红光波段；
建立分类决策树，从高光谱河流遥感影像中提取归一化水体指数大于预设水体分类检测阈值，且归一化植被指数小于预设植被分类检测阈值的地物数据，得到水体分布栅格图像。
具体的，通过计算得到地物的归一化水体指数和归一化植被指数，然后将归一化水体指数和归一化植被指数分别与预设水体分类检测阈值和预设植被分类检测阈值进行比较，根据分类决策树，当满足地物的归一化水体指数大于预设水体分类检测阈值，地物的归一化植被指数小于预设植被分类检测阈值时，则可判断该地物为水体，将水体数据从高光谱河流遥感影像中提取出来，得到水体分布栅格图像。
作为本发明的一个可选实施例，对水体分布栅格图像进行栅矢变换处理，得到水体分布图包括：
将水体分布栅格图像进行二值化处理，得到水体分布二值图像；
对水体分布二值图像进行图像预处理，得到预处理后的水体分布二值图像；其中，图像预处理包括去除飞白处理、去除污点处理和去除线划边缘凹凸不平处理；
对预处理后的水体分布二值图像进行图像处理，使水体分布二值图像的象元阵列剥除轮廓边缘的点，以及使水体分布二值图像变为线划宽度只有一个象元的骨架图形，得到水体分布骨架图；
将水体分布骨架图转换为坐标序列的矢量图形，将矢量图形作为水体分布图。
具体的，为了进行栅格数据矢量化的转换，需将水体分布栅格图像压缩为两级(0和1)，称为二值化。压缩后的图像会出现一些飞白、污点、线划边缘凹凸不平等，通常使用开闭运算去掉孤立点。将预处理后的的水体分布二值图像的象元阵列逐步剥除轮廓边缘的点，使之成为线划宽度只有一个象元的骨架图形，图形骨架既保留了原图形的绝大部分特征，又便于下一步的跟踪处理。水体分布骨架图最终把骨架转换为矢量图形的坐标序列便可得到水体分布矢量图像，即水体分布图。
缓冲区域图裁剪模块220，用于基于水体分布图，根据预设缓冲区范围确定规则从河流遥感影像中裁剪水体分布图中每个所述水体图对应的预设范围的缓冲区域，作为缓冲区域图。
具体的，影响河流敏感性等级的是河流的水体因素，但是，水体周边一定范围内的植被同样会对河流的敏感性产生一定影响，例如，河流周边的植被、人口、裸地、重点污染源的分布，因此需要对水体周边的一定范围内的地物进行研究。其中，预设缓冲区范围确定规则可根据实际情况确定，用于确定水体图对应的预设范围的缓冲区域，对每个水体图对应的预设范围的缓冲区域剪裁后，得到缓冲区域图；例如，水体图的预设范围为其周边的5KM，则将水体图周边5KM的范围作为缓冲区，得到水体缓冲区面积矢量图，使用缓冲区矢量区对河流遥感影像做掩模、裁剪处理，从而得到水体分布图中每个水体图周边的缓冲区域图。
模型训练数据收集模块230，用于将从水体图中获取的水体色度指数、从分布在水体图周边的缓冲区域图中获取的地物对河流敏感性的影响程度、预先获取的水体图中水体的水文特征信息和实际监测得到的水体图对应水体的河流敏感性等级共同作为模型训练数据。
具体的，将水体内部因素和水体周边因素共同作为河流敏感等级划分的考虑因素，将实际监测得到水体图对应水体的河流敏感性等级作为运算结果，共同作为模型训练数据。其中，水体图中水体的水文特征信息包括河流径流量、流速、水位、含沙量等，可通过部署水质监测网络，依据各河流监测站点(国考支流、省考断面、市级断面、一周一测断面、水自动监测站、微站、流量计等)监测数据。为了便于将水体图和其周边的缓冲区域图一一对应，可通过进行地理编码实现。
作为本发明的一个可选实施例，水体色度指数的获取方法，包括：
基于从水体图的栅格图像中分别获取的红波段的光谱反射率、绿波段的光谱反射率和蓝波段的光谱反射率，通过三刺激值计算公式，计算三刺激值；其中，
三刺激值计算公式为：
Figure BDA0003177161330000131
其中，R为红波段的光谱反射率，G为绿波段的光谱反射率，B为蓝波段的光谱反射率，X为红原色刺激量，Y为绿原色刺激量，Z为蓝原色刺激量；
基于三刺激值，通过色度坐标公式计算水体图中水体的色度坐标；其中，
色度坐标公式为：
Figure BDA0003177161330000141
其中，x为色度坐标的横轴，y为色度坐标的纵轴；
基于水体图中水体的色度坐标，通过色度指数计算公式计算水体的色度指数，得到水体色度指数；其中，
色度指数计算公式为：α＝Arctan2(y-0.3333,x-0.3333)，
其中，α为水体色度指数。
具体的，从水体图的栅格图像中反演水体色度指数，当水体图为矢量图时，需要将水体图进行矢栅转换处理，从而得到水体图的栅格图像，将水体图的栅格图像的红、绿、蓝三个波段的RGB坐标转换为国际照明委员会(CIE)坐标，再通过色度指数计算公式便可得到水体色度指数。
作为本发明的一个可选实施例，地物对河流敏感性的影响程度的获取方法，包括：
基于K邻近法从缓冲区域图的栅格图像中分别提取不同地物的栅格图像，得到目标地物栅格图像；
通过地物对河流敏感性影响指数计算公式，计算每种目标地物栅格图像中的目标地物对河流敏感性的影响指数，得到缓冲区域图中每种地物对河流敏感性的影响指数；其中，
地物对河流敏感性影响指数计算公式为：
Figure BDA0003177161330000142
其中，ε为目标地物对河流敏感性的影响指数，Wi为各类目标地物的影响权重，Ai为各类目标地物栅格图像在缓冲区域图中的分布面积；
基于每种地物对河流敏感性的影响指数，根据预设影响程度对照表得到缓冲区域图中的地物对河流敏感性的影响程度；其中，预设影响程度对照表包括预设地物对河流敏感性的影响指数阈值和与预设地物对河流敏感性的影响指数阈值对应的影响程度。
具体的，通过K邻近法对缓冲区域图的栅格图像进行特征提取，分别提取不同地物的栅格图像，得到目标地物栅格图像，其中，目标地物栅格图像可包括植被、城镇、裸地、以及重点污染源(农业污染源、工业污染源等)的分类栅格图。通过地物对河流敏感性影响指数对每种目标地物栅格图像中的目标地物对河流敏感性的影响指数进行计算，得到缓冲区域图中每种地物对河流敏感性的影响指数，再根据预设影响度对照表，得到缓冲区域图中的地物对河流敏感性的影响度。
评估模型训练模块240，用于通过模型训练数据对预设神经网络基础模型进行河流敏感性等级评估训练处理，得到河流敏感性评估模型。
其中，预设神经网络基础模型包括输入层、隐藏层和输出层。
具体的，可将模型训练数据分成两个部分，分别为模型训练样本和模型测试样本，通过模型训练样本对预设神经网络基础模型进行模型训练，通过模型测试样本检测河流敏感性评估模型的准确性。其中，预设神经网络基础模型可为BP神经网络基础模型。
河流敏感性等级评估模块250，用于通过将待评估河流的数据输入河流敏感性评估模型，得到所述待评估河流的河流敏感性等级。
具体的，通过将待评估河流的数据输入河流敏感性评估模型的输入层输入河流敏感性评估模型中，通过河流敏感性评估模型的隐藏层进行评估处理，最后将评估结果从输出层输出。
如图3所示，是本发明一个实施例实现河流敏感性等级划分方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如河流敏感性等级划分程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如河流敏感性等级划分程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如河流敏感性等级划分程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的河流敏感性等级划分程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
将采集的河流遥感影像进行水体数据提取处理，得到水体分布图，其中，水体分布图包括至少一个水体图；
基于水体分布图，根据预设缓冲区范围确定规则从河流遥感影像中裁剪水体分布图中每个水体图对应的预设范围的缓冲区域，作为缓冲区域图；
将从水体图中获取的水体色度指数、从分布在水体图周边的缓冲区域图中获取的地物对河流敏感性的影响程度、预先获取的水体图中水体的水文特征信息和实际监测得到的水体图对应水体的河流敏感性等级共同作为模型训练数据；
通过模型训练数据对预设神经网络基础模型进行河流敏感性等级评估训练处理，得到河流敏感性评估模型；其中，预设神经网络基础模型包括输入层、隐藏层和输出层；
通过将待评估河流的数据输入河流敏感性评估模型，得到待评估河流的河流敏感性等级。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述所述河流遥感影像的私密和安全性，上述河流遥感影像还可以存储于一区块链的节点中。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种河流敏感性等级划分方法，应用于电子装置，其特征在于，所述方法包括：
将采集的河流遥感影像进行水体数据提取处理，得到水体分布图，其中，所述水体分布图包括至少一个水体图；
基于所述水体分布图，根据预设缓冲区范围确定规则从所述河流遥感影像中裁剪所述水体分布图中每个所述水体图对应的预设范围的缓冲区域，作为缓冲区域图；
将从所述水体图中获取的水体色度指数、从分布在所述水体图周边的缓冲区域图中获取的地物对河流敏感性的影响程度、预先获取的所述水体图中水体的水文特征信息和实际监测得到的所述水体图对应水体的河流敏感性等级共同作为模型训练数据；
通过所述模型训练数据对预设神经网络基础模型进行河流敏感性等级评估训练处理，得到河流敏感性评估模型；
通过将待评估河流的数据输入所述河流敏感性评估模型，得到所述待评估河流的河流敏感性等级。
2.根据权利要求1所述的河流敏感性等级划分方法，其特征在于，所述河流遥感影像存储于区块链中，所述将采集的河流遥感影像进行水体提取处理，得到水体分布图包括：
对所述采集的河流遥感影像进行预处理，得到高光谱河流遥感影像；
基于分类决策树，通过归一化水体指数公式和归一化植被指数公式从所述高光谱河流遥感影像中提取水体数据，得到水体分布栅格图像；
对所述水体分布栅格图像进行栅矢变换处理，得到水体分布图。
3.根据权利要求2所述的河流敏感性等级划分方法，其特征在于，所述对所述采集的河流遥感影像进行预处理，得到高光谱河流遥感影像包括：
对所述河流遥感影像的遥感数据进行辐射定标处理，使所述河流遥感影像的数字量化值转化为真实辐射值，得到辐射定标后的河流遥感影像；
对所述辐射定标后的河流遥感影像进行几何校正处理，使所述辐射定标后的河流遥感影像中的地物目标的几何畸变得到校正，得到几何校正后的河流遥感影像；
对所述几何校正后的河流遥感影像进行大气校正处理，使所述几何校正后的河流遥感影像的地表反射率转化为地表真实反射率，得到大气校正后的河流遥感影像；
通过全色影像技术对所述大气校正后的河流遥感影像的多光谱数据进行影像融合处理，得到高光谱河流遥感影像。
4.根据权利要求2所述的河流敏感性等级划分方法，其特征在于，所述基于分类决策树，通过归一化水体指数公式和归一化植被指数公式从所述高光谱河流遥感影像中提取水体，得到水体分布栅格图像包括：
通过归一化水体指数公式和归一化植被指数公式分别计算所述高光谱河流遥感影像中各地物的归一化水体指数和归一化植被指数；其中，
所述归一化水体指数公式为：
Figure FDA0003177161320000021
所述归一化植被指数公式为：
Figure FDA0003177161320000022
其中，NDWI为归一化水体指数，NDVI为归一化植被指数，Green为绿光波段，NIR为近红外波段，Red为红光波段；
建立分类决策树，从所述高光谱河流遥感影像中提取归一化水体指数大于预设水体分类检测阈值，且归一化植被指数小于预设植被分类检测阈值的地物数据，得到水体分布栅格图像。
5.根据权利要求2所述的河流敏感性等级划分方法，其特征在于，所述对所述水体分布栅格图像进行栅矢变换处理，得到水体分布图包括：
将所述水体分布栅格图像进行二值化处理，得到水体分布二值图像；
对所述水体分布二值图像进行图像预处理，得到预处理后的水体分布二值图像；其中，所述图像预处理包括去除飞白处理、去除污点处理和去除线划边缘凹凸不平处理；
对所述预处理后的水体分布二值图像进行图像处理，使所述水体分布二值图像的象元阵列剥除轮廓边缘的点，以及使所述水体分布二值图像变为线划宽度只有一个象元的骨架图形，得到水体分布骨架图；
将所述水体分布骨架图转换为坐标序列的矢量图形，将所述矢量图形作为水体分布图。
6.根据权利要求1所述的河流敏感性等级划分方法，其特征在于，所述水体色度指数的获取方法，包括：
基于从所述水体图的栅格图像中分别获取的红波段的光谱反射率、绿波段的光谱反射率和蓝波段的光谱反射率，通过三刺激值计算公式，计算三刺激值；其中，
所述三刺激值计算公式为：
Figure FDA0003177161320000031
其中，R为红波段的光谱反射率，G为绿波段的光谱反射率，B为蓝波段的光谱反射率，X为红原色刺激量，Y为绿原色刺激量，Z为蓝原色刺激量；
基于所述三刺激值，通过色度坐标公式计算所述水体图中水体的色度坐标；其中，
所述色度坐标公式为：
Figure FDA0003177161320000032
其中，x为色度坐标的横轴，y为色度坐标的纵轴；
基于所述水体图中水体的色度坐标，通过色度指数计算公式计算所述水体的色度指数，得到水体色度指数；其中，
所述色度指数计算公式为：α＝Arctan2(y-0.3333,x-0.3333)，
其中，α为水体色度指数。
7.根据权利要求1所述的河流敏感性等级划分方法，其特征在于，所述地物对河流敏感性的影响程度的获取方法，包括：
基于K邻近法从所述缓冲区域图的栅格图像中分别提取不同地物的栅格图像，得到目标地物栅格图像；
通过地物对河流敏感性影响指数计算公式，计算每种目标地物栅格图像中的目标地物对河流敏感性的影响指数，得到所述缓冲区域图中每种地物对河流敏感性的影响指数；其中，
所述地物对河流敏感性影响指数计算公式为：
Figure FDA0003177161320000041
其中，ε为目标地物对河流敏感性的影响指数，Wi为各类目标地物的影响权重，Ai为各类目标地物栅格图像在缓冲区域图中的分布面积；
基于所述每种地物对河流敏感性的影响指数，根据预设影响程度对照表得到所述缓冲区域图中的地物对河流敏感性的影响程度；其中，所述预设影响程度对照表包括预设地物对河流敏感性的影响指数阈值和与所述预设地物对河流敏感性的影响指数阈值对应的影响程度。
8.一种河流敏感性等级划分装置，其特征在于，所述装置包括：
水体提取模块，用于将采集的河流遥感影像进行水体数据提取处理，得到水体分布图，其中，所述水体分布图包括至少一个水体图；
缓冲区域图裁剪模块，用于基于所述水体分布图，根据预设缓冲区范围确定规则从所述河流遥感影像中裁剪所述水体分布图中每个所述水体图对应的预设范围的缓冲区域，作为缓冲区域图；
模型训练数据收集模块，用于将从所述水体图中获取的水体色度指数、从分布在所述水体图周边的缓冲区域图中获取的地物对河流敏感性的影响程度、预先获取的所述水体图中水体的水文特征信息和实际监测得到的所述水体图对应水体的河流敏感性等级共同作为模型训练数据；
评估模型训练模块，用于通过所述模型训练数据对预设神经网络基础模型进行河流敏感性等级评估训练处理，得到河流敏感性评估模型；
河流敏感性等级评估模块，用于通过将待评估河流的数据输入所述河流敏感性评估模型，得到所述待评估河流的河流敏感性等级。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一所述的河流敏感性等级划分方法的步骤。
10.一种计算机可读存储介质，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至7中任一所述的河流敏感性等级划分方法。
CN202110835562.8A 2021-07-23 河流敏感性等级划分方法、装置、设备及存储介质 Active CN113469127B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110835562.8A CN113469127B (zh) 2021-07-23 河流敏感性等级划分方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110835562.8A CN113469127B (zh) 2021-07-23 河流敏感性等级划分方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113469127A true CN113469127A (zh) 2021-10-01
CN113469127B CN113469127B (zh) 2024-06-07

Family

ID=

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437553A (zh) * 2023-12-21 2024-01-23 贵州省环境工程评估中心 一种用于入河排污口监测的遥感影像数据处理方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537795A (zh) * 2018-04-23 2018-09-14 中国科学院地球化学研究所 一种山区河流信息提取方法
KR102109917B1 (ko) * 2018-11-16 2020-05-12 대한민국(관리부서 : 환경부 국립환경과학원장) 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법
CN111950942A (zh) * 2020-10-19 2020-11-17 平安国际智慧城市科技股份有限公司 基于模型的水污染风险评估方法、装置和计算机设备
CN112468961A (zh) * 2020-11-25 2021-03-09 浙江有色勘测规划设计有限公司 水体污染检测数据处理方法、系统、终端及介质
CN112541921A (zh) * 2020-11-18 2021-03-23 上海市园林科学规划研究院 城市绿地植被信息数据化精准测定方法
CN112800973A (zh) * 2021-01-29 2021-05-14 宁波大学 一种基于植被物候特征决策的互花米草提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537795A (zh) * 2018-04-23 2018-09-14 中国科学院地球化学研究所 一种山区河流信息提取方法
KR102109917B1 (ko) * 2018-11-16 2020-05-12 대한민국(관리부서 : 환경부 국립환경과학원장) 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법
CN111950942A (zh) * 2020-10-19 2020-11-17 平安国际智慧城市科技股份有限公司 基于模型的水污染风险评估方法、装置和计算机设备
CN112541921A (zh) * 2020-11-18 2021-03-23 上海市园林科学规划研究院 城市绿地植被信息数据化精准测定方法
CN112468961A (zh) * 2020-11-25 2021-03-09 浙江有色勘测规划设计有限公司 水体污染检测数据处理方法、系统、终端及介质
CN112800973A (zh) * 2021-01-29 2021-05-14 宁波大学 一种基于植被物候特征决策的互花米草提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
裴欢;房世峰;覃志豪;侯春良;: "干旱区绿洲生态脆弱性评价方法及应用研究――以吐鲁番绿洲为例", 武汉大学学报(信息科学版), no. 05 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437553A (zh) * 2023-12-21 2024-01-23 贵州省环境工程评估中心 一种用于入河排污口监测的遥感影像数据处理方法及装置
CN117437553B (zh) * 2023-12-21 2024-02-23 贵州省环境工程评估中心 一种用于入河排污口监测的遥感影像数据处理方法及装置

Similar Documents

Publication Publication Date Title
Berberoglu et al. Assessing different remote sensing techniques to detect land use/cover changes in the eastern Mediterranean
Herold et al. Object-oriented mapping and analysis of urban land use/cover using IKONOS data
CN110263717B (zh) 一种融入街景影像的土地利用类别确定方法
Guan et al. Integration of orthoimagery and lidar data for object-based urban thematic mapping using random forests
Ioannidis et al. Towards a strategy for control of suburban informal buildings through automatic change detection
CN102609726B (zh) 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法
Chen et al. Building detection in an urban area using lidar data and QuickBird imagery
CN111368817B (zh) 一种基于地表类型进行热效应定量评价方法及系统
Münzinger et al. Mapping the urban forest in detail: From LiDAR point clouds to 3D tree models
CN111398176B (zh) 基于像元尺度特征的水体水色异常遥感识别方法和装置
Xian et al. Performances of WorldView 3, Sentinel 2, and Landsat 8 data in mapping impervious surface
CN111178169B (zh) 一种基于遥感影像的城市地表覆盖物精细分类方法及装置
CN114219847B (zh) 基于物候特征的作物种植面积确定方法、系统及存储介质
CN104899897A (zh) 一种基于历史数据挖掘的高分遥感影像土地覆盖变化检测方法
CN111707620A (zh) 土地利用分类规则集、水土流失监测方法及系统
Zhang et al. Prior-knowledge-based spectral mixture analysis for impervious surface mapping
Höhle Automated mapping of buildings through classification of DSM-based ortho-images and cartographic enhancement
Zhao et al. Combining ICESat-2 photons and Google Earth Satellite images for building height extraction
CN109696406B (zh) 一种基于复合端元的月表高光谱图像阴影区域解混方法
CN116385894A (zh) 基于遥感图像的海岸线识别方法、装置以及设备
CN113469127B (zh) 河流敏感性等级划分方法、装置、设备及存储介质
CN113469127A (zh) 河流敏感性等级划分方法、装置、设备及存储介质
CN114842356B (zh) 一种高分辨率地表类型样本自动生成方法、系统及设备
Gonçalves et al. Assessment of the state of conservation of buildings through roof mapping using very high spatial resolution images
CN114863274A (zh) 基于深度学习的地表绿网苫盖提取方法

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
GR01 Patent grant