CN114112906B - 一种基于无人机低空遥感和局部地形的水体特征提取系统 - Google Patents
一种基于无人机低空遥感和局部地形的水体特征提取系统 Download PDFInfo
- Publication number
- CN114112906B CN114112906B CN202111188413.3A CN202111188413A CN114112906B CN 114112906 B CN114112906 B CN 114112906B CN 202111188413 A CN202111188413 A CN 202111188413A CN 114112906 B CN114112906 B CN 114112906B
- Authority
- CN
- China
- Prior art keywords
- water body
- remote sensing
- layer
- water
- hyperspectral
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 112
- 238000000605 extraction Methods 0.000 title claims abstract description 31
- 238000012876 topography Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000007499 fusion processing Methods 0.000 claims abstract description 4
- 230000005855 radiation Effects 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 4
- 239000002689 soil Substances 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000003750 conditioning effect Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Aviation & Aerospace Engineering (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于无人机低空遥感和局部地形的水体特征提取系统，包括焦平面阵列、探测器面阵、高光谱成像仪、GNSS及惯性导航系统组合模块、数据采集、存储及处理模块；焦平面阵列和探测器面阵用于获取全波段范围的高光谱图像；GNSS及惯性导航系统组合模块通过接收GPS或北斗卫星发送的信号计算出自身位置；数据采集、存储及处理模块用于，将采集过的原始遥感影像进行辐射校正、几何处理、正射纠正、投影变换、地理配准、融合处理、镶嵌和裁剪、特征提取、分类，形成遥感影像产品。本发明能够有效改善识别水体，提高提取精度，减少错漏及误差。
Description
技术领域
本发明属于无人机低空遥感、局部地形及水体特征提取领域，尤其涉及一种基于无人机低空遥感和局部地形的水体特征提取系统。
背景技术
随着无人机、遥感及通信技术的迅猛发展，使人类具备宏观、快速、自动获取数据的能力，尤其在环保、地质、气候等领域的监测得到了广泛的应用。水体作为主要的自然资源，其主要表现为河流、湖泊等方式，利用无人机低空遥感可以对水资源分布、污染扩散及洪涝灾害等进行多层次、全方面监测。
目前现有技术主要为两类，一种是基于谱间关系法进行遥感影像水体提取，该方法主要通过增加水体和其他地物之间的光谱特征差异进行区分，在遇到阴影、薄雾及雨雪天气等条件干扰时，提取额精度会比较差。另一种是深度学习方法提取遥感影像水体，该方法提取的精度效果优于传统方法，但是该方法需要提前人工设定阈值，无法利用高光谱影像的波段优势，在提取细小水体的时候效果较差。
发明内容
发明目的：为解决背景技术中存在的技术问题，本发明提出一种基于无人机低空遥感和局部地形的水体特征提取系统，本发明系统研究的目标区域包括丘陵、山地、平原等地形，当影像区域涉及丘陵、山地等要素之后，由于地形高差的原因会在影像上产生地形干扰，会影响水体特征提取的精确性、有效性和及时性，因此本发明在利用数字高程模型(DEM)的特性及依据遥感影像相关指数的特征，剔除阴影、信号缺失、地形遮挡等误差因素，利用卷积神经网络的优势，自动、快速及准确地提取研究区域的水体特征情况。
包括焦平面阵列、探测器面阵、高光谱成像仪、GNSS及惯性导航系统组合模块、数据采集、存储及处理模块；
所述焦平面阵列和探测器面阵，用于获取全波段范围的高光谱图像；
所述高光谱成像仪用于图像和光谱技术结合，获取目标的几何空间和光谱信息，形成高光谱、连续性、窄波段的影像数据；
所述GNSS及惯性导航系统组合模块，通过接收GPS或北斗卫星发送的信号计算出自身位置；
所述数据采集、存储及处理模块用于，对高光谱图像进行预处理。
所述GNSS及惯性导航系统组合模块在计算自身位置时，当卫星信号被遮挡，失去位置信息之后，利用惯性导航系统中加速度计和陀螺仪进行补充定位及估算运动物体位置、姿态和速度，其中加速度计用于测量物体的加速度，陀螺仪用于测量角速度。
所述对高光谱图像进行预处理，具体包括辐射校正、几何处理、正射纠正、投影变换、地理配准、融合处理、镶嵌和裁剪、特征提取、分类。
所述系统执行如下步骤：
步骤1-1，根据无人机遥感中的焦平面阵列、探测器面阵、高光谱成像仪分别获取红外线、短波红外及全波段范围的高光谱图像数据，通过数据采集、存储及处理模块对高光谱图像数据进行预处理；
步骤1-2，根据光谱在水体中的反射率特征，在高光谱图像中提取绿光波段、近红外波段和中红外区域；
步骤1-3，计算增强型水体指数EWI、植被信息指数NDVI、建设用地指数IBI、土壤调节植被指数SAVI：
其中Green，NIR，MIR，RED分别为绿色波段、近红外波段、中红外波段、红外波段；
步骤1-4，通过高光谱图像数据中左上、右下、左下、右上及中间，共5个区域的样本图像，将(X,Yp)输入水体特征提取卷积神经网络模型(主要包括误差传播调整权矩阵、水体提取卷积层、池化工作等操作，具体如下)中，计算出实际的输出值OP，通过实际的输出值与实际值Yp之间的差值，建立误差传播调整权矩阵Ep：
水体特征提取卷积神经网络模型的水体提取卷积层计算公式如下：
其中f为激活函数，为第j列第l层，l为卷积层层数，/>为第i行第j列的卷积核，为第j列第l层的偏离参数，X为光谱的行向量，Yp为光谱的纵向量；
在卷积计算完成之后，需要进行池化计算得到降采样层，其中池化工作公式如下：
其中down()是子采样函数，为第j列第l层的子采样系数，/>为第j列第l层的偏离参数；
步骤1-5，基于像素的水体特征提取卷积神经网络模型的水体特征提取：采用单个像素的光谱向量构建模型输入特征，将一维的光谱数据构建为二维的光谱矩阵，公式如下：
V＝XT·X
其中，V为对角线元素表现为每个光谱像素的方差，非对角线元素为对应光谱之间的协方差；光谱矩阵作为水体特征提取卷积神经网络模型的输入特征；
步骤1-6，根据水体特征提取卷积神经网络模型将遥感影像依次进行输入层、卷积运算层、子采样池化层、全连接层、输出层的数据处理，最后对提取的水体特征及其他分类元素(如植被、建筑用地等)进行输出。
所述系统还执行如下步骤：
步骤2-1，对于数字高程模型中的地形平坦、地势低洼区域进行预处理级划分网格单元：对数字高程模型中的地形平坦、地势低洼区域范围内逐步赋予微小增量，直至使得每个网格单元内有明确的水流方向；
步骤2-2，根据每个网格单元内的水流方向进行坡面径流处理：在每个网格单元中相邻的8个单元内进行坡度的比较，取3X3网格单元内坡度最大的网格单元方向为水流方向，坡度Slope的计算公式为：
公式中hi为中心网格单元的高程，hj为相邻网格单元的高程，D为网格单元中心之间的距离；如果是两个网格单元位于对角线上，则D同步乘以
其中水流方向的编码为东、西、南、北、东南、东北、西南及西北，共8个方向；
步骤2-3，根据每个网格单元的水流方向，自动生成水流方向矩阵并计算出每个网格单元上游的集水面积，通过将每个网格单元连接之后就形成了流域水系；
步骤2-4，利用GNSS及惯性导航系统组合模块提供的位置信息，对高光谱图像数据进行地理坐标匹配，使得两个图层信息符合规定指标的重叠度，如果是超过误差允许值(误差允许值为0.1米)，则利用最小二乘法重新进行匹配；最后将提取后的流域水系和水体特征遥感影像进行叠置分析，在设置阈值(阈值为0.05米)允许范围内，则提取出河流、湖泊、水库的水体特征信息。
本系统主要充分利用无人机快速获取遥感影像的特点，综合低空遥感影像高光谱、数字高程模型(DEM)及卷积神经网络等优点，重点解决遥感数据受到地形、植被等因素形成阴影、遮挡等产生误差及DEM数据在处理地势平坦、洼地等区域提取水体不便的影响。主要通过计算遥感影像多个指数，以便快速自动提取面状区域及主要线形水体特征，利用DEM提取连续性线状水体及部分面状水体，针对两种结果进行叠置分析，分析整个区域的水体特征情况。
相较于现有技术，本发明具有以下技术优点：
首先，本发明借助无人机获取分辨率高的遥感影像，利用水体和其他物体光谱特性通过改进化的水体指数为分类出水体信息提供基础数据，然后通过计算植被信息指数、建设用地指数等分析出主要的影响因子，为后续进一步的深度提取贡献出精细化的基础影像数据。
其次，采用局部地形DEM数据，判断各个网格单元的水流方向，提取出整个区域的河网分布和整体流域体系。由于利用遥感影像提取的水体特性中一般会存在山体阴影、植被遮挡等造成的误差，这种方法可以有效弥补遥感影像的不足，能够进一步优化水体特征提取的精度。
最后，由于无人机获取的遥感影像丰富且局部地形的DEM数据体量大，而且通过遥感指数提取后的影像数据也比较丰富，所以通过引入卷积神经网络的思想对水体要素进行特征提取，可以有效改善识别水体，提高提取精度，减少错漏及误差等，还可以通过引入深度学习的方法进一步提高提取速度及精度。
该发明优于目前主流的单一化的水体特征提取方法，为无人机低空遥感影像在深度学习领域的研究等方面提供了新的思路。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是本发明实施示例的智能决策系统进行作业的流程图。
图2是水流方向编码示意图。
具体实施方式
如图1和图2所示，本发明提供了一种基于无人机低空遥感和局部地形的水体特征提取系统，包括焦平面阵列、探测器面阵、高光谱成像仪、GNSS及惯性导航系统(INS)组合模块、数据采集、存储及处理模块；
所述焦平面阵列、探测器面阵等设备，用于获取400-2500nm全波段范围的高光谱图像；
所述GNSS及惯性导航系统(INS)组合模块，主要通过接收GPS或北斗卫星发送的信号计算出自身位置，当卫星信号被隧道、高架、树林或高山等遮挡，失去位置信息之后，可以充分利用惯性导航系统(INS)中加速度计和陀螺仪进行补充定位及估算运动物体位置、姿态和速度等，其中加速度计用于测量物体的加速度，陀螺仪用于测量角速度；
所述数据采集、存储及处理模块，主要将采集过的原始遥感影像进行辐射校正、几何处理、正射纠正、投影变换、地理配准、融合处理、镶嵌和裁剪、特征提取、分类等流程，形成了信息丰富、清晰度高的遥感影像产品。
通过将无人机遥感自动生成的DEM/DSM数据，航拍的遥感影像作为初始数据存储在系统之中，供后面流程解算使用。
通过卷积神经网络模型将遥感影像分别进行水体指数、植被信息指数、建设用地指数等因素计算，提取遥感影像内的水体特征。
根据DEM的数字特性，采用坡面径流模拟使得每一个像元都参与计算，其次进行水流方向的计算，生成水流方向矩阵；然后根据水流方向数据计算每个栅格单元的汇流累积量，生成DEM水体数据，最终将算法提取后DEM水体数据与遥感影像中的水体特征进行叠置分析。
若是最终的水体特征数值和实际位置的误差在控制范围之内，则利用影像中的位置信息(GNSS及惯性导航系统提供的位置)进行最小二乘法进行位置纠偏，最依次计算出网格单元的水流方向、流域边界、分水线、河网线及流域范围等信息，实现完整水体特征信息的提取。
系统执行如下步骤：
步骤1-1，根据无人机遥感中的焦平面阵列、探测器面阵、高光谱成像仪等设备分别获取红外线、短波红外及全波段范围的高光谱图像数据；
步骤1-2，根据光谱在水体中的反射率特征，在高光谱图像中提取绿光波段、近红外波段和中红外区域；
步骤1-3，计算增强型水体指数EWI、植被信息指数NDVI、建设用地指数IBI、归一化建筑指数NDBI、土壤调节植被指数SAVI：
其中Green，NIR，MIR，RED分别为绿色波段、近红外波段、中红外波段、红外波段；
步骤1-4，通过高光谱图像数据中左上、右下、左下、右上及中间，共5个区域的样本图像，将(X,Yp)输入水体特征提取卷积神经网络模型中，计算出实际的输出值OP，通过实际的输出值与实际值Yp之间的的差值，建立误差传播调整权矩阵：
水体提取卷积层的计算公式如下：
其中f为激活函数，l为卷积层层数，k为卷积核，b为偏离参数，X为光谱的行向量，Y为光谱的纵向量；
在卷积计算完成之后，需要进行池化计算得到降采样层，其中池化工作公式如下：
其中down()是子采样函数，β是子采样系数；
步骤1-5，基于像素的卷积神经网络的水体特征提取：采用单个像素的光谱向量构建模型输入特征，将一维的光谱数据构建为二维的光谱矩阵，公式如下：
V＝XT·X
其中，V为对角线元素表现为每个光谱像素的方差，非对角线元素为对应光谱之间的协方差，X为光谱的行向量；光谱矩阵作为卷积神经网络的输入特征；
步骤1-6，根据水体特征提取卷积神经网络模型将遥感影像依次进行输入层、卷积运算层、子采样池化层、全连接层、输出层的数据处理，最后对提取的水体特征及其他分类元素(如植被、建筑用地等)进行输出。
所述系统还执行如下步骤：
步骤2-1，对于数字高程模型中的地形平坦、地势低洼区域进行预处理级划分网格单元：对数字高程模型中的地形平坦、地势低洼区域范围内逐步赋予微小增量，直至使得每个网格单元内有明确的水流方向(其中水流方向的判定，详见步骤2-2)；
步骤2-2，根据每个网格单元内的水流方向进行坡面径流处理：在每个网格单元中相邻的8个单元内进行坡度的比较，取3X3网格单元内坡度最大的网格单元方向为水流方向，坡度Slope公式为：
公式中hi为中心网格单元的高程，hj为相邻网格单元的高程，D为网格单元中心之间的距离；如果是两个网格单元位于对角线上，则D同步乘以
其中水流方向的编码为东、西、南、北、东南、东北、西南及西北，共8个方向；
步骤2-3，根据每个网格单元的水流方向，自动生成水流方向矩阵并计算出每个网格单元上游的集水面积，通过将每个网格单元连接之后就形成了流域水系；
步骤2-4，由于2对数据已经进行地理坐标匹配，两个图层信息几乎完全重叠，如果是超过误差允许值(误差允许值为0.1米)，则利用最小二乘法重新进行匹配；最后将提取后的流域水系和水体特征遥感影像进行叠置分析，在设置阈值(阈值为0.05米)允许范围内，则提取出河流、湖泊、水库的水体特征信息。
根据目前现有的几种水体特征技术，本文中提及的技术较其他方法有明显的优势，针对三种技术方法，通过试验具体参数的对比如下：
备注：正确识别率：提取的水体特征达到精度标准的样本数除以所有的样本数，若计算结果与真实情况在阈值范围(0.1米)内视为达到精度标准；计算速度：通过对算法进行大量训练和预测需要的时间；稳定性：用于描述算法计算出的结果与实际值有误差的概率情况，小于0.1时表示算法稳定性很高，0.1-0.25为一般，大于0.25则稳定性差，建议重做。
本发明提供了一种基于无人机低空遥感和局部地形的水体特征提取系统，具体实现该技术方案的方法和途径很多，以上所述仅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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (7)
1.一种基于无人机低空遥感和局部地形的水体特征提取系统，其特征在于，包括焦平面阵列、探测器面阵、高光谱成像仪、GNSS及惯性导航系统组合模块、数据采集、存储及处理模块；
所述焦平面阵列和探测器面阵，用于获取全波段范围的高光谱图像；
所述高光谱成像仪用于图像和光谱技术结合，获取目标的几何空间和光谱信息，形成高光谱、连续性、窄波段的影像数据；
所述GNSS及惯性导航系统组合模块，通过接收GPS或北斗卫星发送的信号计算出自身位置；
所述数据采集、存储及处理模块用于，对高光谱图像进行预处理；
所述GNSS及惯性导航系统组合模块在计算自身位置时，当卫星信号被遮挡，失去位置信息之后，利用惯性导航系统中加速度计和陀螺仪进行补充定位及估算运动物体位置、姿态和速度，其中加速度计用于测量物体的加速度，陀螺仪用于测量角速度；
所述对高光谱图像进行预处理，具体包括辐射校正、几何处理、正射纠正、投影变换、地理配准、融合处理、镶嵌和裁剪、特征提取、分类；
所述系统执行如下步骤：
步骤1-1，根据无人机遥感中的焦平面阵列、探测器面阵、高光谱成像仪分别获取红外线、短波红外及全波段范围的高光谱图像数据，通过数据采集、存储及处理模块对高光谱图像数据进行预处理；
步骤1-2，根据光谱在水体中的反射率特征，在高光谱图像中提取绿光波段、近红外波段和中红外区域；
步骤1-3，计算增强型水体指数EWI、植被信息指数NDVI、建设用地指数IBI、土壤调节植被指数SAVI；
步骤1-4，通过高光谱图像数据中左上、右下、左下、右上及中间，共5个区域的样本图像，将(X,Yp)输入水体特征提取卷积神经网络模型中，计算出实际的输出值OP，X为光谱的行向量，通过实际的输出值与实际值Yp之间的差值，建立误差传播调整权矩阵Ep；
步骤1-5，基于像素的水体特征提取卷积神经网络模型的水体特征提取：采用单个像素的光谱向量构建模型输入特征，将一维的光谱数据构建为二维的光谱矩阵，
步骤1-6，根据水体特征提取卷积神经网络模型将遥感影像依次进行输入层、卷积运算层、子采样池化层、全连接层、输出层的数据处理，最后对提取的水体特征及其他分类元素进行输出。
2.根据权利要求1所述的系统，其特征在于，步骤1-3中，采用如下公式计算增强型水体指数EWI、植被信息指数NDVI、建设用地指数IBI、土壤调节植被指数SAVI：
其中Green，NIR，MIR，RED分别为绿色波段、近红外波段、中红外波段、红外波段。
3.根据权利要求2所述的系统，其特征在于，步骤1-4中，误差传播调整权矩阵Ep为：
水体特征提取卷积神经网络模型的水体提取卷积层计算公式如下：
其中f为激活函数，为第j列第l层，l为卷积层层数，/>为第i行第j列的卷积核，/>为第j列第l层的偏离参数，Yp为光谱的纵向量；
在卷积计算完成之后，需要进行池化计算得到降采样层，其中池化工作公式如下：
其中down()是子采样函数，为第j列第l层的子采样系数，/>为第j列第l层的偏离参数。
4.根据权利要求3所述的系统，其特征在于，步骤1-5中，计算公式如下：
V＝XT·X
其中，V为对角线元素表现为每个光谱像素的方差，非对角线元素为对应光谱之间的协方差；光谱矩阵作为水体特征提取卷积神经网络模型的输入特征。
5.根据权利要求4所述的系统，其特征在于，所述系统还执行如下步骤：
步骤2-1，对于数字高程模型中的地形平坦、地势低洼区域进行预处理级划分网格单元：对数字高程模型中的地形平坦、地势低洼区域范围内逐步赋予微小增量，直至使得每个网格单元内有明确的水流方向；
步骤2-2，根据每个网格单元内的水流方向进行坡面径流处理：在每个网格单元中相邻的8个单元内进行坡度的比较，取3X3网格单元内坡度最大的网格单元方向为水流方向；
步骤2-3，根据每个网格单元的水流方向，自动生成水流方向矩阵并计算出每个网格单元上游的集水面积，通过将每个网格单元连接之后就形成了流域水系；
步骤2-4，利用GNSS及惯性导航系统组合模块提供的位置信息，对高光谱图像数据进行地理坐标匹配，使得两个图层信息符合规定指标的重叠度，如果是超过误差允许值，则利用最小二乘法重新进行匹配；最后将提取后的流域水系和水体特征遥感影像进行叠置分析，在设置阈值允许范围内，则提取出河流、湖泊、水库的水体特征信息。
6.根据权利要求5所述的系统，其特征在于，步骤2-2中，坡度Slope的计算公式为：
公式中hi为中心网格单元的高程，hj为相邻网格单元的高程，D为网格单元中心之间的距离；如果是两个网格单元位于对角线上，则D同步乘以
7.根据权利要求6所述的系统，其特征在于，步骤2-2中，水流方向的编码为东、西、南、北、东南、东北、西南及西北，共8个方向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111188413.3A CN114112906B (zh) | 2021-10-12 | 2021-10-12 | 一种基于无人机低空遥感和局部地形的水体特征提取系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111188413.3A CN114112906B (zh) | 2021-10-12 | 2021-10-12 | 一种基于无人机低空遥感和局部地形的水体特征提取系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114112906A CN114112906A (zh) | 2022-03-01 |
| CN114112906B true CN114112906B (zh) | 2023-11-17 |
Family
ID=80375613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111188413.3A Active CN114112906B (zh) | 2021-10-12 | 2021-10-12 | 一种基于无人机低空遥感和局部地形的水体特征提取系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114112906B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114821333B (zh) * | 2022-05-16 | 2022-11-18 | 中国人民解放军61540部队 | 一种高分辨率遥感影像道路材质识别方法及装置 |
| CN117079143A (zh) * | 2023-10-16 | 2023-11-17 | 南京佳格耕耘科技有限公司 | 基于遥感数据的农田动态监测系统 |
| CN117991315B (zh) * | 2024-04-02 | 2024-06-25 | 中交星宇科技有限公司 | 北斗惯性导航定位方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
| CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别系统 |
| BR102017015268A2 (pt) * | 2017-07-17 | 2019-01-29 | Fundação Universidade Regional De Blumenau | método para monitoramento de enchentes em tempo real por meio de veículo aéreo não tripulado |
| CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
| CN109993237A (zh) * | 2019-04-15 | 2019-07-09 | 中国水利水电科学研究院 | 基于高分卫星光学遥感数据的水体快速提取方法及系统 |
| CN111336981A (zh) * | 2020-02-25 | 2020-06-26 | 中通服咨询设计研究院有限公司 | 一种融合北斗和惯性传感器的物联网杆塔形变监测装置 |
| CN113063739A (zh) * | 2021-02-25 | 2021-07-02 | 北京麦飞科技有限公司 | 一种基于机载高光谱传感器的水稻冠层氮含量监测方法 |
| CN113298058A (zh) * | 2021-07-27 | 2021-08-24 | 浙江省淡水水产研究所 | 基于无人机高光谱图像的水质预测反演方法及系统 |
| KR20210105487A (ko) * | 2020-02-18 | 2021-08-27 | 단국대학교 산학협력단 | 초분광영상을 이용한 하상 변동속도 측정 방법 |
| WO2022092438A1 (ko) * | 2020-10-30 | 2022-05-05 | 한국건설기술연구원 | 드론을 이용하여 하천을 관리하기 위한 시스템 및 그 방법 |
-
2021
- 2021-10-12 CN CN202111188413.3A patent/CN114112906B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046087A (zh) * | 2015-08-04 | 2015-11-11 | 中国资源卫星应用中心 | 一种遥感卫星多光谱影像的水体信息自动提取方法 |
| CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别系统 |
| BR102017015268A2 (pt) * | 2017-07-17 | 2019-01-29 | Fundação Universidade Regional De Blumenau | método para monitoramento de enchentes em tempo real por meio de veículo aéreo não tripulado |
| CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
| CN109993237A (zh) * | 2019-04-15 | 2019-07-09 | 中国水利水电科学研究院 | 基于高分卫星光学遥感数据的水体快速提取方法及系统 |
| KR20210105487A (ko) * | 2020-02-18 | 2021-08-27 | 단국대학교 산학협력단 | 초분광영상을 이용한 하상 변동속도 측정 방법 |
| CN111336981A (zh) * | 2020-02-25 | 2020-06-26 | 中通服咨询设计研究院有限公司 | 一种融合北斗和惯性传感器的物联网杆塔形变监测装置 |
| WO2022092438A1 (ko) * | 2020-10-30 | 2022-05-05 | 한국건설기술연구원 | 드론을 이용하여 하천을 관리하기 위한 시스템 및 그 방법 |
| CN113063739A (zh) * | 2021-02-25 | 2021-07-02 | 北京麦飞科技有限公司 | 一种基于机载高光谱传感器的水稻冠层氮含量监测方法 |
| CN113298058A (zh) * | 2021-07-27 | 2021-08-24 | 浙江省淡水水产研究所 | 基于无人机高光谱图像的水质预测反演方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| Integrative 3D geological modeling derived from SWIR hyperspectral imaging techniques and UAV-based 3D model for carbonate rocks;Huynh Huy Hoa 等;Remote Sensing;第13卷(第15期);第1-18页 * |
| 基于DEM的青海省西宁市地区河网流域特征自动提取;常周梅;胡建桥;张丽娟;;水利与建筑工程学报(第04期);第31-35页 * |
| 基于卷积神经网络的无人机遥感影像洪水水体识别和自动提取研究;李兴久;中国优秀硕士学位论文全文数据库(第08期);第1-30页 * |
| 基于无人机高光谱遥感的海岛岸线精准提取方法研究与应用;徐栋 等;海洋科学;第44卷(第12期);第54-60页 * |
| 无人机载高光谱水环境多参数定量化监测技术;郭文记 等;中国水利学会2018学术年会论文集第三分册;第447-453页 * |
| 无人机遥感技术在陆地生态系统监测与评价中的应用;王飞 等;安徽农学通报;第27卷(第10期);第115-119页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114112906A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114112906B (zh) | 一种基于无人机低空遥感和局部地形的水体特征提取系统 | |
| Richards et al. | Remote sensing digital image analysis | |
| Ma et al. | Satellite-derived bathymetry using the ICESat-2 lidar and Sentinel-2 imagery datasets | |
| Sona et al. | UAV multispectral survey to map soil and crop for precision farming applications | |
| CN109919875B (zh) | 一种高时频遥感图像特征辅助的居民地提取与分类方法 | |
| CN101963664B (zh) | 基于水陆地物分类信息的微波遥感混合像元分解方法 | |
| CN106971146A (zh) | 基于三查技术的水体异常遥感动态监控方法、装置和系统 | |
| KR102450019B1 (ko) | 드론을 이용한 수질현황 모니터링 방법 및 시스템 | |
| CN104123558A (zh) | 地热资源的多源分布式遥感判别方法和系统 | |
| Dutta et al. | Characterizing vegetation canopy structure using airborne remote sensing data | |
| CN110991430A (zh) | 基于遥感图像的地物识别及覆盖率计算方法及系统 | |
| Ukhnaa et al. | Modification of urban built-up area extraction method based on the thematic index-derived bands | |
| Chen et al. | Remote Sensing Intelligent Interpretation for Mine Geological Environment: From Land Use and Land Cover Perspective | |
| Chen et al. | Multimodal Remote sensing science and technology | |
| CN114387501A (zh) | 冲洪积扇沉积遥感智能识别方法及装置 | |
| Davenport et al. | The use of earth observation techniques to improve catchment-scale pollution predictions | |
| Guo et al. | Research on regional soil moisture dynamics based on hyperspectral remote sensing technology | |
| Ajmi et al. | Remote sensing: fundamentals, types and monitoring applications of environmental consequences of war | |
| Heckel et al. | The first sub-meter resolution digital elevation model of the Kruger National Park, South Africa | |
| CN117710281A (zh) | 一种油气勘探地面条件遥感评价方法和系统 | |
| Heimes et al. | Preliminary applications of Landsat images and aerial photography for determining land-use, geologic, and hydrologic characteristics: Yampa River basin, Colorado and Wyoming | |
| Singh | Remote Sensing and Geographic Information System Techniques for Soil, Water and Crop Studies | |
| Kai et al. | Generation, Application and Evaluation of GF-1 WFV Cloud Detection Method Based CDAG Algorithm | |
| Sokolic | The use of satellite remote sensing to determine the spatial and temporal distribution of surface water on the eastern shores of Lake St. Lucia. | |
| Alemie | Spectral unmixing of hyperspectral and multispectral images for predictive mapping of surface soil organic matter |
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 |