CN114241333A - 一种基于多源时序遥感影像精准识别新生滑坡区域的方法 - Google Patents
一种基于多源时序遥感影像精准识别新生滑坡区域的方法 Download PDFInfo
- Publication number
- CN114241333A CN114241333A CN202111556527.9A CN202111556527A CN114241333A CN 114241333 A CN114241333 A CN 114241333A CN 202111556527 A CN202111556527 A CN 202111556527A CN 114241333 A CN114241333 A CN 114241333A
- Authority
- CN
- China
- Prior art keywords
- landslide
- remote sensing
- sensing image
- tvdi
- area
- 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
- 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)
Abstract
一种基于多源时序遥感影像精准识别新生滑坡区域的方法，该方法为：获取数字地形模型的坡度图、植被覆盖指数NDVI时序影像和地表辐射温度时序影像；基于地表温度和植被覆盖指数NDVI之间的经验参数关系计算简化地表干旱指数TVDI；提取滑坡前后遥感影像文件的TVDI值，作为滑坡区域提取的前后时相基础数据，对滑坡前、滑坡后的TVDI影像重采样并做差，得到变化区域的TVDI‑D值，设定分割滑坡区域和非滑坡区域的阈值，并对TVDI‑D影像进行二值化，将二值化后的TVDI‑D影像转为矢量，将坡度信息作为过滤条件对滑坡候选对象进行筛选，从而确定滑坡区矢量。本发明结合多源遥感信息提高了滑坡区域检测方法的精度，极大降低了滑坡检测中的误报率，也提高了滑坡检测结果的可信度。
Description
技术领域
本发明属于遥感影像处理技术领域和滑坡监测领域，具体涉及一种基于多源时序遥感影像精准识别新生滑坡区域的方法。
背景技术
滑坡作为大型地质灾害之一，破坏力极强，常常造成大量经济损失和生命伤亡，因此对滑坡灾害的监测和检测十分重要。传统的遥感目视解译和现场勘查的方法，耗费大量人力物力，效率较低，因此国内外学者针对滑坡遥感检测开展了大量研究，前期主要集中在单时相遥感滑坡检测和多时相遥感滑坡检测。
单时相遥感滑坡检测方法，如基于SPOT-5卫星影像上的色度和结构差异、使用Landsat-7卫星ETM影像的8个波段作为特征数据、使用Quick Bird卫星影像的灰度共生矩阵提取滑坡的纹理特征和使用Resourcesat-1卫星影像分割提取多光谱特征和形状特征等信息，实现滑坡检测。多时相影像滑坡检测，如利用滑坡前后两张影像的差异，使用极大似然分类法检测滑坡；利用滑坡前后植被覆盖指数(NDVI)序列数据，根据NDVI的异常变化检测滑坡；使用Cartosat-1卫星和IRS-1D卫星影像中全色波段，利用变化检测的思想和纹理信息进行多时相编目检测滑坡；利用滑坡后引起地表NDVI较大变化以及滑坡发生后植被恢复速率缓慢的特点，使用多时相Rapid Eye卫星影像检测历史滑坡。但是基于单时相影像的滑坡检测方法容易将与滑坡光谱特征相似的地物(岩石、裸土和道路等)视为滑坡，尤其在多岩石和道路的山区，很多岩石和道路以及裸地被误判为滑坡，滑坡误报率较高；基于多时相影像的方法利用滑坡前后NDVI差异较大的特点检测滑坡，而农田收割和植被的自然变化也可能引起NDVI较大变化，多时相滑坡检测方法容易将农田、植被的自然变化识别为滑坡。随着遥感数据源的增多，可以利用多源遥感卫星影像组成的时间序列遥感数据进行滑坡检测，提供滑坡相关特征在时间序列上的变化信息，因而成为解决单时相和多时相滑坡遥感检测存在问题的一种可选方案。
发明内容
本发明针对现有技术中单时相遥感滑坡检测方法易于将岩石、裸土和道路误判为滑坡和多时相遥感滑坡检测方法易于将农田、植被等自然变化误判为滑坡等普遍问题，提供一种基于多源遥感时间序列影像识别滑坡区域的方法。本发明在满足滑坡调查时效性的基础上，从大面积滑坡发生区域灾情信息快速获取的客观需求出发，以灾前灾后数字地形DEM遥感影像、多波段光学遥感图像和热红外遥感影像为基础，在综合分析滑坡区域灾前灾后时空谱特征变化规律的基础上，利用滑坡区域和非滑坡区域的地表干旱指数差异，有效区分滑坡与耕地和裸地等非滑坡区域，利用坡度作为辅助信息排除地形平坦的区域，进而提升了滑坡区域的提取精度，极大降低了滑坡检测中的误报率，提高了滑坡检测结果的可信度。
为实现上述目的，本发明采取的技术方案如下：
一种基于多源时序遥感影像精准识别新生滑坡区域的方法，所述方法步骤为：
步骤一：获取基于5m分辨率的数字地形模型的坡度图、基于光学遥感影像的植被覆盖指数NDVI时序影像和基于热红外遥感影像的地表辐射温度时序影像；
步骤二：基于地表辐射温度和植被覆盖指数NDVI之间的经验参数关系计算简化地表干旱指数TVDI；
步骤三：提取滑坡前后遥感影像文件的TVDI值，作为滑坡区域识别的前后时相基础数据，对滑坡前、滑坡后的TVDI影像重采样并做差，得到变化区域的TVDI-D值，判定为滑坡备选区域；
步骤四：设定分割滑坡区域和非滑坡区域的阈值，并对TVDI-D影像进行二值化，将二值化后的TVDI-D影像转为矢量，判定为滑坡候选区域；
步骤五：将坡度信息作为过滤条件对滑坡候选对象进行筛选，从而确定滑坡区矢量。
进一步地，所述步骤一具体包括：
(1)获取滑坡前以及滑坡后的多源遥感影像，根据预设的滑坡区域范围分别对数字地形DEM、植被覆盖指数NVDI和地表辐射温度的滑坡前及滑坡后遥感影像进行裁剪得到滑坡区域对应的数字地形DEM、植被覆盖指数NVDI和地表辐射温度的滑坡前及滑坡后遥感影像；
(2)5m分辨率数字地形DEM遥感影像是基于国内多颗高分辨率卫星数据为原始数据，基于智能立体模型构建与点云密集匹配，利用网络分布式与多核并行计算技术、三维点云融合与地形提取技术，辅以智能化的人机交互编辑等手段，处理和制作5m×5m空间分辨率的数字高程模型DEM；
(3)植被覆盖指数NDVI时序影像是基于HJ-1A/1B卫星和GF-1卫星光学遥感影像数据构建滑坡前后植被覆盖指数NDVI时序遥感影像；
(4)地表辐射温度时序影像是基于Landsat-8卫星热红外遥感数据处理计算出地表辐射温度MPVC时序遥感影像。
进一步地，(3)中，所述植被覆盖指数NDVI时序影像包括：
将所有影像中的像素值DN(digit number)转化为大气表观反射率(TOA)；
用所述的DEM数据对所有时序影像进行正射校正，再以Landsat-8卫星影像为基准影像对其他影像进行配准，配准精度在1个像元以内；
GF-1卫星和HJ-1A/B卫星影像，在蓝波段采用基于阈值的方法进行掩膜除去云和雪的影响；
利用TOA值计算出所有影像的NDVI值，形成NDVI时间序列影像。
进一步地，(4)中，所述地表辐射温度MPVC时序遥感影像：
使用分裂窗算法反演所述的地表温度遥感影像，经MODIS ReprojectionTool(MRT)进行批量处理，数据地理坐标的转换，重投影，地表温度数据转换；
根据MODIS说明文档，由公式[(MPVK×0.02)-273.15]＝MPVC将像元亮度值MPVK转换为地表温度的摄氏度MPVC。
进一步地，步骤二中，所述地表干旱指数TVDI包括：利用多源遥感获得地表植被指数NDVI与地表辐射温度MPVC相结合计算TVDI时序影像，具体为：参照Sandholt等提出的基于所述的地表温度和所述的植被覆盖指数NDVI之间的经验参数关系的简化地表干旱指数TVDI计算公式
来反映滑坡区域地表干旱程度，其中Ts为某一像元的地表温度，Tmin为计算区内最小地表温度，a，b为基于像元的回归系数。
进一步地，步骤三中，所述滑坡备选区域包括：
将所述的滑坡区域所对应的滑坡前TVDI遥感影像以及滑坡后TVDI遥感影像进行重采样得到具有相同分辨率的采样后的滑坡前TVDI遥感影像和采样后的滑坡后TVDI遥感影像；根据所述TVDI将所述采样后的滑坡前TVDI遥感影像与所述采样后的滑坡后TVDI遥感影像进行做差得到所述采样后的滑坡前遥感影像与所述采样后的滑坡后遥感影像中TVDI变化区域所对应的所述的TVDI-D遥感影像，获取变化区域的TVDI-D值，并从所述的TVDI-D遥感影像中提取滑坡备选区域。
进一步地，步骤四中，所述滑坡候选区域包括：
将所述TVDI-D遥感影像进行二值化处理得到二值化后的遥感影像；
将所述二值化后的遥感影像转换为矢量影像；
确定滑坡区域与非滑坡区域像元分割的初始阈值，根据所述初始阈值将所述TVDI-D遥感影像进行分割得到滑坡候选区域；
根据预设的滑坡区域确定所述初始滑坡区域的误差，判断所述误差是否大于预设误差；
若大于，则调整所述初始阈值直到所述误差小于所述预设误差为止得到调整后的阈值；
根据调整后的阈值以及预设的二值化策略将所述TVDI-D遥感影像进行二值化处理得到所述二值化后的遥感影像，判定为滑坡候选区域。
进一步地，所述二值化后的遥感影像转换为矢量影像之前，还包括：根据预设的去噪算法分析所述二值化后的遥感影像的对象像元与其空间8邻域像素组成的“九宫格”对象进行去噪处理。
进一步地，所述二值化策略包括：
将所述TVDI-D遥感影像中像元值大于所述调整后的阈值的像元设置为1，其中，1的像元对应的区域表示滑坡区域；
将所述TVDI-D遥感影像中像元值小于所述调整后的阈值的像元设置为0，其中，0的像元对应的区域表示非滑坡区域。
进一步地，步骤五中，所述过滤条件包括：
利用ArcGIS对所述的DEM遥感影像进行坡度提取，设置单个像素坡度值大于30°或者一个像素的空间8邻域像素的坡度中值＞25°作为滑坡过滤条件，用来辅助信息排除地形平坦区域。
本发明相对于现有技术的有益效果为：
1、本发明通过对裁剪出的滑坡区域范围内所对应的滑坡前遥感影像以及滑坡后遥感影像进行重采样，保障多源遥感影像滑坡前后时的数据一致性，避免了由于滑坡前后遥感影像空间分辨率不同，导致的无法来提取滑坡区域的问题。
2、本发明通过滑坡区域和非滑坡区域阈值的逐步判别确定出一个滑坡区域与非滑坡区域分割的合适区域，避免由于分割阈值选择过大或者过小所造成较大的分类误差，进而提高了提取出的滑坡区域的置信度。
3、本发明在综合分析滑坡区域灾前灾后时空谱特征变化规律的基础上，利用滑坡区域和非滑坡区域的地表干旱指数差异，有效区分滑坡与耕地和裸地等非滑坡区域，尤其是新滑坡后壁及侧壁的及时准确提取，从而实现对滑坡区域的精确识别。
4、本发明利用坡度作为辅助信息排除地形平坦的区域，设置单个像素坡度值大于30°或者一个像素的空间8邻域像素的坡度中值＞25°作为滑坡过滤条件，对滑坡候选区域进一步筛选，最终得到滑坡的检测结果，极大降低了滑坡检测中的误报率，也提高了滑坡检测结果的可信度。
附图说明
图1为基于多源遥感影像识别滑坡区域的检测方法流程图；
图2为基于地表干旱指数TVDI的滑坡候选区域识别流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修正或等同替换，而不脱离本发明技术方案的精神范围，均应涵盖在本发明的保护范围之中。
本申请实施例提供的方案中，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
实施例1：
一种基于多源时序遥感影像精准识别新生滑坡区域的方法，该方法具体实施步骤如下，如图1所示：
获取滑坡前以及滑坡后的多源遥感影像，根据预设的滑坡区域范围分别对所述的数字地形DEM、植被覆盖指数NVDI和地表辐射温度的滑坡前及滑坡后遥感影像进行裁剪得到滑坡区域对应的数字地形DEM、植被覆盖指数NVDI和地表辐射温度的滑坡前及滑坡后遥感影像。
具体的，在本申请实施例所提供的方案中，滑坡前遥感影像和滑坡后遥感影像包括但不限制于正射、融合或镶嵌等各类遥感影像。滑坡前遥感影像和滑坡后遥感影像可以是*.tif格式的文件，也可以是其他格式，在此不做限定。
在获取滑坡前遥感影像和滑坡后遥感影像之后，在同一坐标系中根据预设的滑坡区域范围分别对滑坡前遥感影像以及滑坡后遥感影像进行裁剪得到滑坡区域所对应的滑坡前遥感影像以及滑坡后遥感影像。
所述的Intermap 5m分辨率数字地形DEM遥感影像是基于国内多颗高分辨率卫星数据为原始数据，基于智能立体模型构建与点云密集匹配，利用网络分布式与多核并行计算技术、三维点云融合与地形提取技术，辅以智能化的人机交互编辑等手段，处理和制作5m×5m空间分辨率的数字高程模型(DEM)；
所述的植被覆盖指数NDVI时序影像是基于HJ-1A/1B卫星和GF-1卫星光学遥感影像数据构建滑坡前后植被覆盖指数NDVI时序遥感影像；
进一步，为了减少辐射亮度不一致对变化检测的影像，将所有影像中的像素值DN(digit number)转化为大气表观反射率(TOA)；为了尽量减少误差，用所述的DEM数据对所有时序影像进行正射校正，再以Landsat-8卫星影像为基准影像对其他影像进行配准，配准精度在1个像元以内；为了排除云、雪对滑坡检测结果的影响，将GF-1卫星和HJ-1A/B卫星影像，在蓝波段采用基于阈值的方法进行掩膜除去云和雪的影响；利用TOA值计算出所有影像的NDVI值，形成NDVI时间序列影像。
所述的地表辐射温度时序影像是基于Landsat-8卫星热红外遥感数据处理计算出地表辐射温度MPVC时序遥感影像。
进一步，使用分裂窗算法反演所述的地表温度遥感影像，经MODIS ReprojectionTool(MRT)进行批量处理，数据地理坐标的转换，重投影，地表温度数据转换。根据MODIS说明文档，由公式[(MPVK×0.02)-273.15]＝MPVC将像元亮度值MPVK转换为地表温度的摄氏度MPVC。
利用多源遥感获得所述的地表植被指数NDVI与所述的地表辐射温度MPVC相结合计算所述的TVDI时序影像：
具体的，参照Sandholt等提出的基于所述的地表温度MPVC和所述的植被覆盖指数NDVI之间的经验参数关系的简化地表干旱指数TVDI计算公式
来反映滑坡区域地表干旱程度，其中Ts为某一像元的地表温度，Tmin为计算区内最小地表温度，a，b为基于像元的回归系数。
进一步，在得到滑坡区域所对应的滑坡前遥感影像以及滑坡后遥感影像中每个像元的TVDI之后，分别将滑坡区域所对应的滑坡前遥感影像以及滑坡后遥感影像进行重采样得到具有相同分辨率的采样后的滑坡前遥感影像和采样后的滑坡后遥感影像。
根据所述TVDI将所述采样后的滑坡前遥感影像与采样后的滑坡后遥感影像中每个对应像元的TVDI作差处理得到采样后的滑坡前遥感影像与采样后的滑坡后遥感影像中TVDI变化区域所对应的所述TVDI-D遥感影像。
进一步，在得到TVDI-D遥感影像之后，从TVDI-D遥感影像中提取出滑坡备选区域。
进一步，从TVDI-D遥感影像滑坡备选区域中提取出滑坡候选区域的方式有多种，下面以一种较佳的方式为例进行说明。
在一种可能实现的方式中，从所述TVDI-D遥感影像滑坡备选区域中提取出滑坡候选区域，包括：将所述TVDI-D遥感影像进行二值化处理得到二值化后的遥感影像；将所述二值化后的遥感影像转换为矢量影像，根据像元指与滑坡区域之间预设的关系，从所述矢量影像中提取出滑坡区域的矢量影像。
进一步，在一种可能实现的方式中，将所述TVDI-D遥感影像进行二值化处理得到二值化后的遥感影像，包括：确定滑坡区域与非滑坡区域像元分割的初始阈值，根据所述初始阈值将所述TVDI-D遥感影像进行分割得到初始滑坡区域；根据预设的滑坡区域确定所述初始滑坡区域的误差，判断所述误差是否大于预设误差；若大于，则调整所述初始阈值直到所述误差小于所述预设误差为止得到调整后的阈值；根据调整后的阈值以及预设的二值化策略将所述TVDI-D遥感影像进行二值化处理得到所述二值化后的遥感影像。
具体的，将二值化后的TVDI-D影像转为矢量影像，在矢量影像中删除矢量中属性值为0的矢量小斑，即得到滑坡区矢量。
进一步，为了提高提取的滑坡区域的准确性，将所述二值化后的遥感影像转换为矢量影像之前，还包括：根据预设的去噪算法分析所述二值化后的遥感影像的对象像元与其空间8邻域像素组成的“九宫格”对象采用多视技术和滤波技术进行去噪处理。根据预设的去噪算法进行去噪处理
本申请实施例所提供的方案中，通过确定一个滑坡区域与非滑坡区域像元分割的初始阈值，根据初始阈值对TVDI-D遥感影像进行分割得到初始滑坡区域，然后根据初始滑坡区域进行自动判断调整确定出一个合适阈值，最后通过调整后的合适阈值进行滑坡区域与非滑坡区域分割，即通过滑坡区域和非滑坡区域阈值的自动判别确定出一个滑坡区域与非滑坡区域分割的合适阈值，避免由于分割阈值选择过大或者过小所造成较大的分类误差，进而提高了提取出的滑坡区域的置信度。
进一步，在一种可能实现的方式中，确定滑坡区域与非滑坡区域像元分割的初始阈值，包括：确定所述TVDI-D遥感影像中各像元的像元值，将所述像元值转换为灰度空间值；根据所述灰度空间值计算出灰度空间值的众数，将所述众数作为所述初始阈值。
进一步，在一种可能实现的方式中，所述预设的二值化策略，包括：将所述TVDI-D遥感影像中像元值大于所述调整后的阈值的像元设置为1，其中，1的像元对应的区域表示滑坡区域；将所述TVDI-D遥感影像中像元值小于所述调整后的阈值的像元设置为0，其中，0的像元对应的区域表示非滑坡区域。
本申请实施例所提供的方案中，利用坡度作为辅助信息排除地形平坦的区域。
具体的，设置单个像素坡度值大于30°或者一个像素的空间8邻域像素的坡度中值＞25°作为滑坡过滤条件，对滑坡候选区域进一步筛选，最终得到滑坡的检测结果，极大降低了滑坡检测中的误报率，也提高了滑坡检测结果的可信度。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多源时序遥感影像精准识别新生滑坡区域的方法，其特征在于：所述方法步骤为：
步骤一：获取基于5m分辨率的数字地形模型的坡度图、基于光学遥感影像的植被覆盖指数NDVI时序影像和基于热红外遥感影像的地表辐射温度时序影像；
步骤二：基于地表辐射温度和植被覆盖指数NDVI之间的经验参数关系计算简化地表干旱指数TVDI；
步骤三：提取滑坡前后遥感影像文件的TVDI值，作为滑坡区域识别的前后时相基础数据，对滑坡前、滑坡后的TVDI影像重采样并做差，得到变化区域的TVDI-D值，判定为滑坡备选区域；
步骤四：设定分割滑坡区域和非滑坡区域的阈值，并对TVDI-D影像进行二值化，将二值化后的TVDI-D影像转为矢量，判定为滑坡候选区域；
步骤五：将坡度信息作为过滤条件对滑坡候选对象进行筛选，从而确定滑坡区矢量。
2.根据权利要求1所述的一种基于多源时序遥感影像精准识别新生滑坡区域的方法，其特征在于：所述步骤一具体包括：
(1)获取滑坡前以及滑坡后的多源遥感影像，根据预设的滑坡区域范围分别对数字地形DEM、植被覆盖指数NVDI和地表辐射温度的滑坡前及滑坡后遥感影像进行裁剪得到滑坡区域对应的数字地形DEM、植被覆盖指数NVDI和地表辐射温度的滑坡前及滑坡后遥感影像；
(2)5m分辨率数字地形DEM遥感影像是基于国内多颗高分辨率卫星数据为原始数据，基于智能立体模型构建与点云密集匹配，利用网络分布式与多核并行计算技术、三维点云融合与地形提取技术，辅以智能化的人机交互编辑等手段，处理和制作5m×5m空间分辨率的数字高程模型DEM；
(3)植被覆盖指数NDVI时序影像是基于HJ-1A/1B卫星和GF-1卫星光学遥感影像数据构建滑坡前后植被覆盖指数NDVI时序遥感影像；
(4)地表辐射温度时序影像是基于Landsat-8卫星热红外遥感数据处理计算出地表辐射温度MPVC时序遥感影像。
3.根据权利要求2所述的一种基于多源时序遥感影像精准识别新生滑坡区域的方法，其特征在于：(3)中，所述植被覆盖指数NDVI时序影像包括：
将所有影像中的像素值DN转化为大气表观反射率；
用所述的DEM数据对所有时序影像进行正射校正，再以Landsat-8卫星影像为基准影像对其他影像进行配准，配准精度在1个像元以内；
GF-1卫星和HJ-1A/B卫星影像，在蓝波段采用基于阈值的方法进行掩膜除去云和雪的影响；
利用TOA值计算出所有影像的NDVI值，形成NDVI时间序列影像。
4.根据权利要求2所述的一种基于多源时序遥感影像精准识别新生滑坡区域的方法，其特征在于：(4)中，所述地表辐射温度MPVC时序遥感影像：
使用分裂窗算法反演所述的地表温度遥感影像，经MODIS Reprojection Tool进行批量处理，数据地理坐标的转换，重投影，地表温度数据转换；
根据MODIS说明文档，由公式[(MPVK×0.02)-273.15]＝MPVC将像元亮度值MPVK转换为地表温度的摄氏度MPVC。
5.根据权利要求1所述的一种基于多源时序遥感影像精准识别新生滑坡区域的方法，其特征在于：步骤二中，所述地表干旱指数TVDI包括：利用多源遥感获得地表植被指数NDVI与地表辐射温度MPVC相结合计算TVDI时序影像，具体为：基于所述的地表温度和所述的植被覆盖指数NDVI之间的经验参数关系的简化地表干旱指数TVDI计算公式
来反映滑坡区域地表干旱程度，其中Ts为某一像元的地表温度，Tmin为计算区内最小地表温度，a，b为基于像元的回归系数。
6.根据权利要求1所述的一种基于多源时序遥感影像精准识别新生滑坡区域的方法，其特征在于：步骤三中，所述滑坡备选区域包括：
将所述的滑坡区域所对应的滑坡前TVDI遥感影像以及滑坡后TVDI遥感影像进行重采样得到具有相同分辨率的采样后的滑坡前TVDI遥感影像和采样后的滑坡后TVDI遥感影像；根据所述TVDI将所述采样后的滑坡前TVDI遥感影像与所述采样后的滑坡后TVDI遥感影像进行做差得到所述采样后的滑坡前遥感影像与所述采样后的滑坡后遥感影像中TVDI变化区域所对应的所述的TVDI-D遥感影像，获取变化区域的TVDI-D值，并从所述的TVDI-D遥感影像中提取滑坡备选区域。
7.根据权利要求1所述的一种基于多源时序遥感影像精准识别新生滑坡区域的方法，其特征在于：步骤四中，所述滑坡候选区域包括：
将所述TVDI-D遥感影像进行二值化处理得到二值化后的遥感影像；
将所述二值化后的遥感影像转换为矢量影像；
确定滑坡区域与非滑坡区域像元分割的初始阈值，根据所述初始阈值将所述TVDI-D遥感影像进行分割得到滑坡候选区域；
根据预设的滑坡区域确定所述初始滑坡区域的误差，判断所述误差是否大于预设误差；
若大于，则调整所述初始阈值直到所述误差小于所述预设误差为止得到调整后的阈值；
根据调整后的阈值以及预设的二值化策略将所述TVDI-D遥感影像进行二值化处理得到所述二值化后的遥感影像，判定为滑坡候选区域。
8.根据权利要求7所述的一种基于多源时序遥感影像精准识别新生滑坡区域的方法，其特征在于：所述二值化后的遥感影像转换为矢量影像之前，还包括：根据预设的去噪算法分析所述二值化后的遥感影像的对象像元与其空间8邻域像素组成的“九宫格”对象进行去噪处理。
9.根据权利要求7所述的一种基于多源时序遥感影像精准识别新生滑坡区域的方法，其特征在于：所述二值化策略包括：
将所述TVDI-D遥感影像中像元值大于所述调整后的阈值的像元设置为1，其中，1的像元对应的区域表示滑坡区域；
将所述TVDI-D遥感影像中像元值小于所述调整后的阈值的像元设置为0，其中，0的像元对应的区域表示非滑坡区域。
10.根据权利要求1所述的一种基于多源时序遥感影像精准识别新生滑坡区域的方法，其特征在于：步骤五中，所述过滤条件包括：
利用ArcGIS对所述的DEM遥感影像进行坡度提取，设置单个像素坡度值大于30°或者一个像素的空间8邻域像素的坡度中值＞25°作为滑坡过滤条件，用来辅助信息排除地形平坦区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111556527.9A CN114241333A (zh) | 2021-12-18 | 2021-12-18 | 一种基于多源时序遥感影像精准识别新生滑坡区域的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111556527.9A CN114241333A (zh) | 2021-12-18 | 2021-12-18 | 一种基于多源时序遥感影像精准识别新生滑坡区域的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114241333A true CN114241333A (zh) | 2022-03-25 |
Family
ID=80758522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111556527.9A Pending CN114241333A (zh) | 2021-12-18 | 2021-12-18 | 一种基于多源时序遥感影像精准识别新生滑坡区域的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114241333A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023223483A1 (ja) * | 2022-05-19 | 2023-11-23 | 三菱電機株式会社 | 地滑り災害領域検出装置、及び地滑り災害領域検出方法 |
-
2021
- 2021-12-18 CN CN202111556527.9A patent/CN114241333A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023223483A1 (ja) * | 2022-05-19 | 2023-11-23 | 三菱電機株式会社 | 地滑り災害領域検出装置、及び地滑り災害領域検出方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khandelwal et al. | An approach for global monitoring of surface water extent variations in reservoirs using MODIS data | |
| Wei et al. | Cloud detection for Landsat imagery by combining the random forest and superpixels extracted via energy-driven sampling segmentation approaches | |
| Hu et al. | An automatic approach for land-change detection and land updates based on integrated NDVI timing analysis and the CVAPS method with GEE support | |
| CN109613513B (zh) | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 | |
| CN112164062A (zh) | 一种基于遥感时序分析的抛荒地信息提取方法及装置 | |
| Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
| CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
| CN111062368B (zh) | 基于Landsat时间序列遥感影像的城市更新区域监测方法 | |
| CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
| CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
| Zhu et al. | Estimating and mapping mangrove biomass dynamic change using WorldView-2 images and digital surface models | |
| Zhang et al. | Multi-temporal cloud detection based on robust PCA for optical remote sensing imagery | |
| Patidar et al. | A rule-based spectral unmixing algorithm for extracting annual time series of sub-pixel impervious surface fraction | |
| Tian et al. | Impacts of satellite revisit frequency on spring phenology monitoring of deciduous broad-leaved forests based on vegetation index time series | |
| He et al. | Object‐Based Distinction between Building Shadow and Water in High‐Resolution Imagery Using Fuzzy‐Rule Classification and Artificial Bee Colony Optimization | |
| Guo et al. | Early-season mapping of winter wheat and garlic in Huaihe basin using Sentinel-1/2 and Landsat-7/8 imagery | |
| CN114241333A (zh) | 一种基于多源时序遥感影像精准识别新生滑坡区域的方法 | |
| Martha | Detection of landslides by object-oriented image analysis | |
| Yang et al. | Automated in-season mapping of winter wheat in China with training data generation and model transfer | |
| Kennaway et al. | Mapping land cover and estimating forest structure using satellite imagery and coarse resolution lidar in the Virgin Islands | |
| Yu et al. | Regional sampling of forest canopy covers using UAV visible stereoscopic imagery for assessment of satellite-based products in Northeast China | |
| He et al. | Narrow-linear and small-area forest disturbance detection and mapping from high spatial resolution imagery | |
| CN115661675A (zh) | 多云地区地震滑坡遥感识别方法、系统、设备及存储介质 | |
| Cheng et al. | Technical framework of feature extraction based on pixel-level SAR image time series | |
| CN115035411A (zh) | 一种基于高光谱数据的互花米草指数构建与提取方法 |
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 |