CN113516111A - 一种基于遥感数据的切变锋识别方法 - Google Patents

一种基于遥感数据的切变锋识别方法 Download PDF

Info

Publication number
CN113516111A
CN113516111A CN202111071221.4A CN202111071221A CN113516111A CN 113516111 A CN113516111 A CN 113516111A CN 202111071221 A CN202111071221 A CN 202111071221A CN 113516111 A CN113516111 A CN 113516111A
Authority
CN
China
Prior art keywords
shear front
shear
sub
gradient
time
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
CN202111071221.4A
Other languages
English (en)
Other versions
CN113516111B (zh
Inventor
王楠
宋德海
毛政
李广雪
鲍献文
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN202111071221.4A priority Critical patent/CN113516111B/zh
Publication of CN113516111A publication Critical patent/CN113516111A/zh
Application granted granted Critical
Publication of CN113516111B publication Critical patent/CN113516111B/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
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于遥感数据的切变锋识别方法，该方法包括：首先用遥感数据反演得到海表悬浮体浓度分布的连续影像；根据A（前时刻）、B（后时刻）两个连续时刻的影像识别并计算主要水团色块的位移，确定切变锋范围；再计算B时刻海表悬浮体浓度梯度，得到最大梯度等值线分布，可能存在多条；最后根据识别的最大梯度等值线，和识别出的切变锋范围进行叠加，落入切变锋范围中的最大梯度等值线，即为切变锋锋带位置。经过实际验证，根据本发明提供的识别方法，能够有效且准确的识别切变锋。

Description

一种基于遥感数据的切变锋识别方法
技术领域
本发明属于海洋遥感技术和图像识别技术领域，具体是一种基于遥感数据的切变锋识别方法。
背景技术
切变锋是一种海洋动力现象，是流向相反的水体界面或流向相同但流速相差极大的水体界面。切变锋处具有较强的物质浓度梯度，如悬浮体浓度梯度。切变锋对河口泥沙等物质的输运具有重要的阻隔作用，基于遥感观测对其开展的特征识别，不仅对河口切变锋领域的理论研究具有重要意义，对河口海岸物质输运与沉积的实践也具有重要的应用价值。
目前，切变锋的研究主要基于多船同步观测法和数值模拟方法，但船测覆盖的空间范围有限，数值模拟在河口区域仍存在一定误差。尚缺乏一种有效的、实测的、大范围的观测手段。而利用高时空分辨率的遥感资料是切变锋研究的最佳选择，但目前仍缺少基于遥感资料的切变锋识别方法。
发明内容
本发明的目的是提供一种基于遥感数据的切变锋识别方法，以弥补现有技术的不足。
本发明提供识别方法的原理是对遥感数据反演计算后的图像识别，首先通过遥感海表反射率数据进行反演计算，得到不同浊度分布区域的“水团色块”，由于“水团色块”的颜色和面积在短时间内具有较好的稳定性和连续性，则“水团色块”移动可以表征其随海流的移动，进而可通过“水团色块”的移动判断出海流的运动速度和方向，当两个毗邻的水团色块朝相反方向移动，则表明两个水团的流动方向相反，中间则存在切变锋带。由于切变锋是水流的剪切界面，并不能从卫星遥感影像中直接捕捉到水团移动，但由于河口切变锋处具有较高的物质浓度梯度，因此可以用悬浮体的浓度梯度来指示锋带的具体位置。
为达到上述目的，并给予上述识别原理，本发明采取的具体技术方案为：
一种基于遥感数据的切变锋识别方法，该方法包括以下步骤：
（1）利用遥感数据反演得到海表悬浮体浓度分布的连续影像；
（2）根据A（前时刻）、B（后时刻）两个连续时刻的遥感影像，利用MCC（MaximumCross Correlation）方法识别并计算主要水团色块的位移，确定切变锋范围；
（3）计算B时刻海表悬浮体浓度梯度梯度，得到最大梯度等值线分布，可能存在多条；
（4）根据步骤（3）识别的最大梯度等值线，和从步骤（2）识别出的切变锋范围进行叠加，落入切变锋范围中的最大梯度等值线，即为切变锋锋带位置。
上述切变锋锋带位置识别的标识可以用该梯度线的长度表示切变锋的长度，高值梯度线的运动方向表示切变锋的运动方向。
进一步的，所述步骤（2）中利用MCC方法识别并计算主要水团色块的位移，确定切变锋范围。
所述步骤（2）中水团色块位移的MCC识别方法具体为：对连续的A、B时刻遥感影像进行匹配，在A时刻影像中选定一个任意形状的区域（例如：
Figure 93973DEST_PATH_IMAGE001
像素的区域或者不规则形状区域），称为Source Block，记作S sub ；在B时刻影像中选定具有相同形状的区域，称为TargetBlock，记作T sub 。A时刻中每一个S sub都能在B时刻中选出多个T sub ，将A时刻中的S sub 与B时刻中所有的T sub 逐一匹配，用相关系数CosSim来衡量S sub 与T sub 的相似程度，计算时使用的是图像像元的灰度值，CosSim通过下式计算：
Figure 897719DEST_PATH_IMAGE002
CosSim最大值表征匹配程度最好的两个区域，将此时的Tsub作为B时刻中与A时刻中Ssub相匹配的区域。由于水团色块的颜色和面积在短时间内具有较好的稳定性和连续性，可依据此方法识别并计算主要水团色块的位移。两个移动方向相反的水团色块，认为是位于切变锋的锋面两侧；这两个水团色块的相邻边界则为切变锋的范围。
进一步的，所述步骤（3）中海表悬浮体浓度梯度的具体计算方法为：
采用Sobel算法，计算2个卷积因子，
Figure 14710DEST_PATH_IMAGE003
方向的卷积因子为：
Figure 398156DEST_PATH_IMAGE004
，y方向的卷积因子为
Figure 149949DEST_PATH_IMAGE005
，将2个卷积因子分别与SSC相乘，即与SSC图像做平面卷积，分别得到x和y方向的SSC梯度，即：G x = X·SSC，G y = Y·SSC，考虑到相邻两点间的距离，因此还需要计算得到相邻两点的x方向的距离S x 和y方向的距离S y ，总的SSC梯度值为：
Figure 94903DEST_PATH_IMAGE006
。
本发明的优点和技术效果：
本发明根据河口切变锋的定义及其物质输运的物理意义，从流速剪切和海流搬运悬浮体的角度识别切变锋。利用高时间分辨率的卫星遥感数据，基于MCC方法改进的水团色块移动判别法和物质浓度梯度计算方法，判别切变锋的位置、类型覆盖范围，通过大量数据获取其运动规律信息。
经过实际验证，根据本发明提供的识别方法，能够有效且准确的识别切变锋。
附图说明
图1为实施例1中黄河口悬浮体浓度在两个时间段的切变锋位置变化预测结果图，其中（a）为A时刻（2018年4月20日11:00）GOCI卫星数据反演的SSC结果图；（b）为下一时刻（B时刻，2018年4月20日12:00）GOCI卫星数据反演的SSC结果图；（c）为（b）经本发明计算获得的SSC梯度分布图；（d）为已有研究的可靠流场模拟结果图。
具体实施方式
以下通过具体实施例并结合附图对本发明进一步解释和说明。
实施例1：
一种基于遥感数据的切变锋识别方法，该方法包括以下步骤：
（1）利用遥感数据反演得到海表悬浮体浓度分布的连续影像；
（2）根据A（前时刻）、B（后时刻）两个连续时刻的遥感影像，利用MCC（MaximumCross Correlation）方法识别并计算主要水团色块的位移，确定切变锋范围；所述步骤（2）中水团色块位移的MCC识别方法具体为：对连续的A、B时刻遥感影像进行匹配，在A时刻影像中选定一个任意形状的区域（例如：
Figure 203585DEST_PATH_IMAGE001
像素的区域或者不规则形状区域），称为SourceBlock，记作S sub ；在B时刻影像中选定具有相同形状的区域，称为Target Block，记作T sub 。A时刻中每一个S sub都能在B时刻中选出多个T sub ，将A时刻中的S sub 与B时刻中所有的T sub 逐一匹配，用相关系数CosSim来衡量S sub 与T sub 的相似程度，计算时使用的是图像像元的灰度值，CosSim通过下式计算：
Figure 892186DEST_PATH_IMAGE007
CosSim最大值表征匹配程度最好的两个区域，将此时的Tsub作为B时刻中与A时刻中Ssub相匹配的区域。由于水团色块的颜色和面积在短时间内具有较好的稳定性和连续性，可依据此方法识别并计算主要水团色块的位移。两个移动方向相反的水团色块，认为是位于切变锋的锋面两侧；这两个水团色块的相邻边界则为切变锋的范围。
（3）计算B时刻海表悬浮体浓度梯度梯度，得到最大梯度等值线分布，可能存在多条；所述步骤（3）中海表悬浮体浓度梯度的具体计算方法为：
采用Sobel算法，计算2个卷积因子，
Figure 764065DEST_PATH_IMAGE003
方向的卷积因子为：
Figure 145499DEST_PATH_IMAGE004
，y方向的卷积因子为
Figure 938881DEST_PATH_IMAGE005
，将2个卷积因子分别与SSC相乘，即与SSC图像做平面卷积，分别得到x和y方向的SSC梯度，即：G x = X·SSC，G y = Y·SSC，考虑到相邻两点间的距离，因此还需要计算得到相邻两点的x方向的距离S x 和y方向的距离S y ，总的SSC梯度值为：
Figure 664129DEST_PATH_IMAGE006
。
（4）根据步骤（3）识别的最大梯度等值线，和从步骤（2）识别出的切变锋范围进行叠加，落入切变锋范围中的最大梯度等值线，即为切变锋锋带位置。
上述切变锋锋带位置识别的标识可以用该梯度线的长度表示切变锋的长度，高值梯度线的运动方向表示切变锋的运动方向。
实施例2：
本实施例基于实施例1提供的方法，以黄河口切变锋识别为例对本发明进行具体说明。
Geostationary Ocean Color Imager （GOCI）卫星遥感数据介绍：GOCI是世界上第一颗静止轨道水色成像仪，搭载于韩国的COMS卫星上，于2010年发射，时间分辨率为1小时，每天8景影像，为8:16~15:16（北京时间）的逐时影像，空间分辨率为500m，GOCI有8个波段，其中6个可见光波段，2个近红外波段，8个波段的中心波长分别为412nm、443nm、490nm、555nm、660nm、680nm、745nm、865nm，其中中心波长为555nm的波段适用于研究悬浮体。
鉴于黄河口切变锋在一个半日潮周期中出现不超过3小时，并具有由陆向海的移动特征，空间覆盖范围数公里到数十公里不等，GOCI卫星的数据时空分辨率适用于本发明。
该实施例中的切变锋遥感识别方法，该方法包括以下步骤：
（1）用遥感数据反演得到海表悬浮体浓度（SSC）分布的连续影像；遥感数据反演具体为：基于GOCI555波段反射率数据（Rrs555）和大量船测水样数据验证，获得的SSC反演公式为：
SSC=0.8927×e 149.962×Rrs555；
（2）以不规则形状区域为例，从A、B 两个连续时刻的影像中识别并计算主要水团色块的位移，确定切变锋范围；
（3）采用Sobel算法计算B时刻海表悬浮体浓度梯度，得到梯度最大值的等值线分布；
（4）将B时刻影像中识别的最大梯度等值线（3）和从水团色块位移识别出的切变锋范围（2）进行叠加，落入切变锋范围中的最大梯度等值线，即为锋带位置；
（5）用该梯度线的长度表示切变锋的长度，高值梯度线的运动方向表示切变锋的运动方向。
该实施例的识别结果如图1所示，图1中2018年4月20日11:00（a）和12:00（b）黄河口SSC分布，以及12:00的SSC梯度（c, d），d中箭头为经验证可靠的数值模型计算获得的海流流场。
图1a为A时刻（2018年4月20日11:00）GOCI卫星数据反演的SSC结果，图1b为下一时刻（B时刻，2018年4月20日12:00）的SSC分布，图1b中的两个箭头表示由步骤（2）得到的两个水团移动方向，初步框定了切变锋的大致位置。图1c为图1b由步骤（3）计算获得的SSC梯度分布，将图1b和1c进行叠加，获得了图1c圈定范围的切变锋带（黑色圈定区域）以及锋带内的锋面位置（黑色曲线，SSC梯度高值线）。该识别结果与已有研究的流场模拟结果进行比对（图1d），可发现与图1d中的切变锋锋带和锋面位置基本重合。
最终，可将GOCI卫星获取去云后的大量影像数据，进行上述方法的批处理，获得长期的黄河口切变锋空间分布和运动特征数据，可用于开展基于实测的、空间范围的河口切变锋特征研究。

Claims (4)

1.一种基于遥感数据的切变锋识别方法，其特征在于，该方法包括以下步骤：
（1）用遥感数据反演得到海表悬浮体浓度分布的连续影像；
（2）根据A前时刻、B后时刻两个连续时刻的遥感影像，利用MCC方法识别并计算主要水团色块的位移，确定切变锋范围；
（3）计算B时刻海表悬浮体浓度梯度，得到最大梯度等值线分布，可能存在多条；
（4）根据步骤（3）识别的最大梯度等值线，和从步骤（2）识别出的切变锋范围进行叠加，落入切变锋范围中的最大梯度等值线，即为切变锋锋带位置。
2.如权利要求1所述的切变锋识别方法，其特征在于，所述步骤（2）中MCC方法具体为：对连续的A、B时刻遥感影像进行匹配，在A时刻影像中选定一个任意形状的区域，称为Source Block，记作S sub ；在B时刻影像中选定具有相同形状的区域，称为Target Block，记作T sub ；A时刻中每一个S sub都能在B时刻中选出多个T sub ，将A时刻中的S sub 与B时刻中所有的T sub 逐一匹配，用相关系数CosSim来衡量S sub 与T sub 的相似程度，计算时使用的是图像像元的灰度值，CosSim通过下式计算：
Figure 27951DEST_PATH_IMAGE001
CosSim最大值表征匹配程度最好的两个区域，将此时的Tsub作为B时刻中与A时刻中Ssub相匹配的区域；两个移动方向相反的水团色块，认为是位于切变锋的锋面两侧；这两个水团色块的相邻边界则为切变锋的范围。
3.如权利要求1所述的切变锋识别方法，其特征在于，所述步骤（3）中海表悬浮体浓度梯度的具体计算方法为：采用Sobel算法，计算2个卷积因子，x方向的卷积因子为：
Figure 688346DEST_PATH_IMAGE002
，y方向的卷积因子为
Figure 687919DEST_PATH_IMAGE003
，将2个卷积因子分别与SSC相乘，即与SSC图像做平面卷积，分别得到x和y方向的SSC梯度，即：G x = X·SSC，G y = Y·SSC，考虑到相邻两点间的距离，因此还需要计算得到相邻两点的x方向的距离S x 和y方向的距离S y ，总的SSC梯度值为：
Figure 437002DEST_PATH_IMAGE004
。
4.如权利要求1所述的切变锋识别方法，其特征在于，所述切变锋锋带位置识别的标识采用该梯度线的长度表示切变锋的长度，高值梯度线的运动方向表示切变锋的运动方向。
CN202111071221.4A 2021-09-14 2021-09-14 一种基于遥感数据的切变锋识别方法 Active CN113516111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111071221.4A CN113516111B (zh) 2021-09-14 2021-09-14 一种基于遥感数据的切变锋识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111071221.4A CN113516111B (zh) 2021-09-14 2021-09-14 一种基于遥感数据的切变锋识别方法

Publications (2)

Publication Number Publication Date
CN113516111A true CN113516111A (zh) 2021-10-19
CN113516111B CN113516111B (zh) 2021-12-07

Family

ID=78062968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111071221.4A Active CN113516111B (zh) 2021-09-14 2021-09-14 一种基于遥感数据的切变锋识别方法

Country Status (1)

Country Link
CN (1) CN113516111B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5680891A (en) * 1996-01-11 1997-10-28 Royal Wood Inc. Window covering
CN109086818A (zh) * 2018-07-25 2018-12-25 中国海洋大学 海洋锋面识别方法和装置
CN112733413A (zh) * 2020-12-29 2021-04-30 中国人民解放军陆军防化学院 一种化学危害信息融合演示系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5680891A (en) * 1996-01-11 1997-10-28 Royal Wood Inc. Window covering
CN109086818A (zh) * 2018-07-25 2018-12-25 中国海洋大学 海洋锋面识别方法和装置
CN112733413A (zh) * 2020-12-29 2021-04-30 中国人民解放军陆军防化学院 一种化学危害信息融合演示系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
E.J.WALSH等: "development of the fetch-limited directional wave spectrum", 《OCEANS 82》 *
王厚杰等: "黄河口泥沙输运三维数值模拟Ⅰ——黄河口切变锋", 《泥沙研究》 *

Also Published As

Publication number Publication date
CN113516111B (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN110728658A (zh) 一种基于深度学习的高分辨率遥感影像弱目标检测方法
CN108896185B (zh) 基于归一化沙漠指数的遥感地表温度空间降尺度方法
CN107610164A (zh) 一种基于多特征混合的高分四号影像配准方法
CN113610778A (zh) 一种基于语义分割的桥梁表面裂纹检测方法与系统
Dai et al. UAV photogrammetry for elevation monitoring of intertidal mudflats
Filhol et al. Time‐Lapse Photogrammetry of Distributed Snow Depth During Snowmelt
Manfreda et al. New insights offered by UAS for river monitoring
Casella et al. Assessing the relative accuracy of coral heights reconstructed from drones and structure from motion photogrammetry on coral reefs
Vetter et al. Estimating changes of riverine landscapes and riverbeds by using airborne LiDAR data and river cross-sections
CN115359474A (zh) 适用于移动端的轻量级三维目标检测方法、装置及介质
Zhao et al. Stability evaluation of tidal flats based on time-series satellite images: A case study of the Jiangsu central coast, China
Li et al. 3D virtual urban scene reconstruction from a single optical remote sensing image
CN113516111B (zh) 一种基于遥感数据的切变锋识别方法
CN113469097B (zh) 一种基于ssd网络的水面漂浮物多相机实时检测方法
Fu et al. Combining ATC and 3D-CNN for reconstructing spatially and temporally continuous land surface temperature
Steinbuck et al. An autonomous open-ocean stereoscopic PIV profiler
Qiu et al. Retrieval of sea ice drift from the central Arctic to the Fram Strait based on sequential Sentinel-1 SAR data
Shahzad et al. Façade structure reconstruction using spaceborne TomoSAR point clouds
Liu et al. Bathymetric ability of SPOT-5 multi-spectral image in shallow coastal water
CN115690602A (zh) 一种中尺度涡识别方法及系统
CN114926727A (zh) 一种基于神经网络与集成学习的水下地形提取方法
CN114565642A (zh) 基于无人机热红外影像序列的光流流速场测量方法及系统
Drap et al. Underwater multimodal survey: Merging optical and acoustic data
Kim et al. Digital surface model generation for drifting Arctic sea ice with low-textured surfaces based on drone images
CN117031425B (zh) 基于星载sar的大梯度滑坡失稳时间预测方法及系统

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