CN114299385B - 基于光学和雷达耦合的农作物涝灾等级监测方法及系统 - Google Patents
基于光学和雷达耦合的农作物涝灾等级监测方法及系统 Download PDFInfo
- Publication number
- CN114299385B CN114299385B CN202111484797.3A CN202111484797A CN114299385B CN 114299385 B CN114299385 B CN 114299385B CN 202111484797 A CN202111484797 A CN 202111484797A CN 114299385 B CN114299385 B CN 114299385B
- Authority
- CN
- China
- Prior art keywords
- disaster
- area
- stricken
- farmland
- preset
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 127
- 238000012544 monitoring process Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008878 coupling Effects 0.000 title claims abstract description 40
- 238000010168 coupling process Methods 0.000 title claims abstract description 40
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 40
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 111
- 230000011218 segmentation Effects 0.000 claims abstract description 76
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 210000000746 body region Anatomy 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 12
- 208000037516 chromosome inversion disease Diseases 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000003306 harvesting Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 6
- 238000009331 sowing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种基于光学和雷达耦合的农作物涝灾等级监测方法及系统,该方法包括:根据目标农作物涝灾区域在预设时段内涝灾后的光学遥感数据,计算得到对应的相似性指数,并根据相似性指数和预设分割阈值,确定受灾农田分布区和成灾农田分布区;根据目标农作物涝灾区域在预设时段内的涝灾前合成孔径雷达影像和涝灾后合成孔径雷达影像,提取得到目标农作物涝灾区域的灾前水体区域和灾后水体区域,并根据灾前水体区域和灾后水体区域,确定目标农作物涝灾区域的绝收农田分布区;根据受灾农田分布区、成灾农田分布区和绝收农田分布区,构建农作物涝灾等级图。本发明使得农作物涝灾等级划分更为精准,从而针对不同的涝灾等级进行灾后监测和灾后评估。
Description
技术领域
本发明涉及农业遥感技术领域,尤其涉及一种基于光学和雷达耦合的农作物涝灾等级监测方法及系统。
背景技术
洪水作为一种最频繁、最严重以及最普遍的自然灾害之一,其对自然生态系统和人类生活造成了严重破环,极大地影响了经济和社会的可持续性。
在洪水造成的涝灾区域内,需要对洪涝农作物受灾情况进行等级划分,通过涝灾等级监测农作物被破坏情况,从而及时有效地判断灾情程度以及实施灾后救助。
然而,现有涝灾等级监测,主要还是通过人工在实地进行考察后,基于现场的涝灾情况制定的较为粗略的受灾等级,无法精准的对农作物涝灾等级进行划分,导致农作物受灾监测效果较差。因此,现在亟需一种基于光学和雷达耦合的农作物涝灾等级监测方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题,本发明提供一种基于光学和雷达耦合的农作物涝灾等级监测方法及系统。
本发明提供一种基于光学和雷达耦合的农作物涝灾等级监测方法,包括:
根据目标农作物涝灾区域在预设时段内涝灾后的光学遥感数据,计算得到所述光学遥感数据对应的相似性指数,并根据所述相似性指数和预设分割阈值,确定所述目标农作物涝灾区域的受灾农田分布区和成灾农田分布区;
根据所述目标农作物涝灾区域在所述预设时段内的涝灾前合成孔径雷达影像和涝灾后合成孔径雷达影像,提取得到所述目标农作物涝灾区域的灾前水体区域和灾后水体区域,并根据所述灾前水体区域和所述灾后水体区域,确定所述目标农作物涝灾区域的绝收农田分布区;
根据所述受灾农田分布区、所述成灾农田分布区和所述绝收农田分布区,构建用于监测所述目标农作物涝灾区域的农作物涝灾等级图。
根据本发明提供的一种基于光学和雷达耦合的农作物涝灾等级监测方法,所述根据目标农作物涝灾区域在预设时段内涝灾后的光学遥感数据,计算得到所述光学遥感数据对应的相似性指数,包括:
对所述光学遥感数据分别进行均值处理和标准差处理,得到所述光学遥感数据中每个预设光谱波段信号特征对应的均值和标准差;
根据每个预设光谱波段信号特征对应的均值和标准差,通过相似性指数公式,计算得到所述光学遥感数据对应的相似性指数,所述相似性指数公式为:
其中,SI表示相似性指数,m表示信号特征要素的个数,μi和σi分别表示涝灾区域在对应信号特征要素i上的信号特征的均值和标准差,xi表示任一待验证像元在对应信号特征要素i上的值。
根据本发明提供的一种基于光学和雷达耦合的农作物涝灾等级监测方法,所述根据所述相似性指数和预设分割阈值,确定所述目标农作物涝灾区域的受灾农田分布区和成灾农田分布区,包括:
获取第一样本光学遥感数据和第二样本光学遥感数据,其中,所述第一样本光学遥感数据表示样本受灾农田分布区对应的光学遥感数据,所述第二样本光学遥感数据表示样本成灾农田分布区对应的光学遥感数据;
根据所述第一样本光学遥感数据,通过所述相似性指数公式,获取第一样本相似性指数;根据所述第二样本光学遥感数据,通过所述相似性指数公式,获取第二样本相似性指数;
基于预设分割阈值公式,根据所述第一样本相似性指数对应的均值和标准差,构建预设受灾农田分割阈值;基于所述预设分割阈值公式,根据第二样本相似性指数对应的均值和标准差,构建预设成灾农田分割阈值,其中,所述预设分割阈值公式为:
TH1=μ-n*δ;
TH2=μ+n*δ;
其中,TH1表示所述预设受灾农田分割阈值或所述预设成灾农田分割阈值对应的第一分割阈值,TH2表示所述预设受灾农田分割阈值或所述预设成灾农田分割阈值对应的第二分割阈值,0≤TH1<TH2≤1;μ和δ分别表示所述第一样本相似性指数或所述第二样本相似性指数对应的均值和标准差,n=1;
根据所述相似性指数、所述预设受灾农田分割阈值和所述成灾农田分割,确定所述目标农作物涝灾区域的初步受灾农田分布区和初步成灾农田分布区;
根据所述目标农作物涝灾区域对应的灾前农田农作物图层,对所述初步受灾农田分布区和所述初步成灾农田分布区中的非农田区域进行排除,确定所述目标农作物涝灾区域的受灾农田分布区和成灾农田分布区。
根据本发明提供的一种基于光学和雷达耦合的农作物涝灾等级监测方法,所述根据所述目标农作物涝灾区域在所述预设时段内的涝灾前合成孔径雷达影像和涝灾后合成孔径雷达影像,提取得到所述目标农作物涝灾区域的灾前水体区域和灾后水体区域,包括:
通过迭代阈值法,分别对所述涝灾前合成孔径雷达影像和所述涝灾后合成孔径雷达影像进行水体区域提取处理,得到灾前水体区域和灾后水体区域。
根据本发明提供的一种基于光学和雷达耦合的农作物涝灾等级监测方法,所述根据所述灾前水体区域和所述灾后水体区域,确定所述目标农作物涝灾区域的绝收农田分布区,包括:
获取所述目标农作物涝灾区域对应的灾前农田农作物图层;
对所述灾前水体区域和所述灾后水体区域进行交集取反处理,得到交集取反处理后的水体区域;
根据所述交集取反处理后的水体区域和所述灾前农田农作物图层之间的交集区域,确定所述目标农作物涝灾区域的绝收农田分布区。
根据本发明提供的一种基于光学和雷达耦合的农作物涝灾等级监测方法,所述光学遥感数据中的预设光谱波段信号特征包括第一信号特征、第二信号特征和第三信号特征,其中,所述第一信号特征为Sentinel-2光谱数据中的波段8,所述第二信号特征为Sentinel-2光谱数据中的波段11,所述第三信号特征是根据Sentinel-2光谱数据中的波段3和波段11获取得到的。
本发明还提供一种基于光学和雷达耦合的农作物涝灾等级监测系统,包括:
受灾区域和成灾区域划分模块,用于根据目标农作物涝灾区域在预设时段内涝灾后的光学遥感数据,计算得到所述光学遥感数据对应的相似性指数,并根据所述相似性指数和预设分割阈值,确定所述目标农作物涝灾区域的受灾农田分布区和成灾农田分布区;
绝收区域划分模块,用于根据所述目标农作物涝灾区域在所述预设时段内的涝灾前合成孔径雷达影像和涝灾后合成孔径雷达影像,提取得到所述目标农作物涝灾区域的灾前水体区域和灾后水体区域,并根据所述灾前水体区域和所述灾后水体区域,确定所述目标农作物涝灾区域的绝收农田分布区;
涝灾等级图构建模块,用于根据所述受灾农田分布区、所述成灾农田分布区和所述绝收农田分布区,构建用于监测所述目标农作物涝灾区域的农作物涝灾等级图。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于光学和雷达耦合的农作物涝灾等级监测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,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上述任一种所述基于光学和雷达耦合的农作物涝灾等级监测方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于光学和雷达耦合的农作物涝灾等级监测方法的步骤。
本发明提供的基于光学和雷达耦合的农作物涝灾等级监测方法及系统,根据目标农作物涝灾区域的光学遥感数据和合成孔径雷达影像,确定不同涝灾等级的分布区,使得农作物涝灾等级划分更为精准,从而针对不同的涝灾等级进行灾后监测和灾后评估。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1为本发明提供的基于光学和雷达耦合的农作物涝灾等级监测方法的流程示意图;
图2为本发明提供的基于光学和雷达耦合的农作物涝灾等级监测系统的结构示意图;
图3为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。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。
通过在涝灾过后的农作物区域进行涝灾等级划分,并进行相应的农作物涝灾等级制图,可以及时且有效地判断灾情程度以及实施灾后救助。基于光学和雷达遥感数据覆盖范围广,具有较高的空间分辨率等特点,本发明提供了一种基于光学和雷达遥感数据耦合的多特征洪涝农作物受灾等级监测方法,在开展农作物涝灾等级制图及评价可发挥积极的作用,从而在洪水灾害后进行精准的农作物涝灾等级划分。
需要说明的是,本发明通过收集现有涝灾区域中具有代表性的农作物涝灾等级的样本点,将现有农作物涝灾程度制定为三种涝灾等级,在制定涝灾等级的同时,还收集涝灾区域的时间、天气、地点、海拔和经纬度等信息。
其中,三种涝灾等级分别为:农作物受灾等级,表示因涝灾造成减产1成以上农作物播种面积的涝灾区域;
农作物成灾等级,表示因涝灾造成减产3成以上农作物播种面积的涝灾区域。
农作物绝收等级,表示因涝灾造成减产8成以上农作物播种面积的涝灾区域。
图1为本发明提供的基于光学和雷达耦合的农作物涝灾等级监测方法的流程示意图,如图1所示,本发明提供了一种基于光学和雷达耦合的农作物涝灾等级监测方法,包括:
步骤101,根据目标农作物涝灾区域在预设时段内涝灾后的光学遥感数据,计算得到所述光学遥感数据对应的相似性指数,并根据所述相似性指数和预设分割阈值,确定所述目标农作物涝灾区域的受灾农田分布区和成灾农田分布区。
在本发明中,针对已发生洪水的某地区,首先获取该地区内在涝灾之后一段时间内,目标农作物涝灾区域的光学遥感数据,例如,某地区在当年的7月20日时发生洪水灾害,根据灾情监测需求,选取当年7月31日至年8月5日之间的光学遥感数据;同时,可通过实地采集受灾、成灾和绝收农作物样本,从而基于这些样本区域,用于后续确定相关的分割阈值。该光学遥感数据可基于高分辨率的Sentinel-2(哨兵2号)卫星获取得到。在Sentinel-2的多光谱数据中,包含有13个光谱波段,优选地,在本发明中,选取预设光谱波段作为信号特征进行涝灾等级监测,即所述光学遥感数据中的预设光谱波段信号特征包括第一信号特征、第二信号特征和第三信号特征,其中,所述第一信号特征为Sentinel-2光谱数据中的波段8(近红外波段),所述第二信号特征为Sentinel-2光谱数据中的波段11(SWIR1,即短波红外波段1),所述第三信号特征是根据Sentinel-2光谱数据中的波段3(GREEN,即绿波段)和波段11(SWIR1)获取得到的。需要说明的是,在本发明中,选取的光学遥感数据和后续步骤中采用的合成孔径雷达影像的分辨率均为10m。
具体地,在本发明中,将Sentinel-2光谱数据中波段8(近红外波段)作为第一信号特征,将波段11(SWIR1)作为第二信号特征,从而获得所述第一信号特征的分布图和第二信号特征的分布图;同时,从Sentinel-2光谱数据的13个光谱波段中,获取波段3(GREEN)和波段11(SWIR1),得到改进的归一化差异水体指数(Modified Normalized Difference WaterIndex,简称MNDWI),作为第三信号特征,从而获得第三信号特征的分布图,其中,MNDWI的计算公式为:
具体地,所述根据目标农作物涝灾区域在预设时段内涝灾后的光学遥感数据,计算得到所述光学遥感数据对应的相似性指数,包括:
对所述光学遥感数据分别进行均值处理和标准差处理,得到所述光学遥感数据中每个预设光谱波段信号特征对应的均值和标准差;
根据每个预设光谱波段信号特征对应的均值和标准差,通过相似性指数公式,计算得到所述光学遥感数据对应的相似性指数,所述相似性指数公式为:
其中,SI表示相似性指数,m表示信号特征要素的个数,μi和σi分别表示涝灾区域在对应信号特征要素i上的信号特征的均值和标准差,xi表示任一待验证像元在对应信号特征要素i上的值。
进一步地,基于存在受灾和成灾这两种涝灾等级所对应样本光学遥感数据的样本点,计算每种涝灾等级(即受灾等级和成灾等级)所对应样本光学遥感数据的第一信号特征、第二信号特征和第三信号特征的均值和标准差,分别获取每种涝灾等级的相似性指数,从而确定两种涝灾等级的分割阈值。本发明通过在涝灾区域实地收集的作物受灾和成灾的样本,刻画涝灾区域内这两种作物涝灾等级对应样本光学遥感数据的第一信号特征、第二信号特征和第三信号特征的正态分布,通过在涝灾区域中衡量样本本身的相似性,来提取出两种涝灾等级的分布区域,即通过融合对水体敏感的遥感光谱波段和指数,分别提取涝灾区域内的受灾和等级成灾等级的主要特征。
具体地,所述根据所述相似性指数和预设分割阈值,确定所述目标农作物涝灾区域的受灾农田分布区和成灾农田分布区,包括:
获取第一样本光学遥感数据和第二样本光学遥感数据,其中,所述第一样本光学遥感数据表示样本受灾农田分布区对应的光学遥感数据,所述第二样本光学遥感数据表示样本成灾农田分布区对应的光学遥感数据;
根据所述第一样本光学遥感数据,通过所述相似性指数公式,获取第一样本相似性指数;根据所述第二样本光学遥感数据,通过所述相似性指数公式,获取第二样本相似性指数;
基于预设分割阈值公式,根据所述第一样本相似性指数对应的均值和标准差,构建预设受灾农田分割阈值;基于所述预设分割阈值公式,根据第二样本相似性指数对应的均值和标准差,构建预设成灾农田分割阈值,其中,所述预设分割阈值公式为:
TH1=μ-n*δ;
TH2=μ+n*δ;
其中,TH1表示所述预设受灾农田分割阈值或所述预设成灾农田分割阈值对应的第一分割阈值,TH2表示所述预设受灾农田分割阈值或所述预设成灾农田分割阈值对应的第二分割阈值,0≤TH1<TH2≤1;μ和δ分别表示所述第一样本相似性指数或所述第二样本相似性指数对应的均值和标准差,n=1;
根据所述相似性指数、所述预设受灾农田分割阈值和所述预设成灾农田分割阈值,确定所述目标农作物涝灾区域的初步受灾农田分布区和初步成灾农田分布区;
根据所述目标农作物涝灾区域对应的灾前农田农作物图层,对所述初步受灾农田分布区和所述初步成灾农田分布区中的非农田区域进行排除,确定所述目标农作物涝灾区域的受灾农田分布区和成灾农田分布区。
在本发明中,根据两种涝灾等级分别对应样本光学遥感数据的相似性指数,计算每种涝灾等级的分割阈值,确定两组预设分割阈值,即预设受灾农田分割阈值和预设成灾农田分割阈值,进而通过农作物空间分布,对整个涝灾区域进行掩膜,划分出受灾农田分布区和成灾农田分布区。具体地,针对样本光学遥感数据中受灾和成灾两种涝灾等级的相似性指数,分别计算得到的两种涝灾等级相似性指数的均值和标准差,并通过预设分割阈值公式,计算出每种涝灾等级相似性指数对应的两个分割阈值,分别获得目标农作物涝灾区域光学遥感数据对应的相似性指数在两个掩膜阈值范围内的区域,作为两种涝灾等级的分布区域。例如,若目标农作物涝灾区域对应的相似性指数大于等于预设受灾农田分割阈值中的第一分割阈值,且小于等于预设受灾农田分割阈值中的第二分割阈值,则判断获知目标农作物涝灾区域中的初步受灾农田分布区;
若目标农作物涝灾区域对应的相似性指数大于等于预设成灾农田分割阈值中的第一分割阈值,且小于等于预设成灾农田分割阈值中的第二分割阈值,则判断获知目标农作物涝灾区域中的初步成灾农田分布区。
进一步地,获取目标农作物涝灾区域对应的灾前农田农作物图层,然后将灾前农田农作物图层,与初步受灾农田分布区和初步成灾农田分布区进行取交集操作,通过掩膜掉非农田区域,从而将初步受灾农田分布区和初步成灾农田分布区中的非农田区域排除,确定目标农作物涝灾区域的受灾农田分布区和成灾农田分布区。
步骤102,根据所述目标农作物涝灾区域在所述预设时段内的涝灾前合成孔径雷达影像和涝灾后合成孔径雷达影像,提取得到所述目标农作物涝灾区域的灾前水体区域和灾后水体区域,并根据所述灾前水体区域和所述灾后水体区域,确定所述目标农作物涝灾区域的绝收农田分布区。
在本发明中,对于绝收农作物,在多数情况下,区域内的农作物被水体完全淹没,会产生镜面反射极为强烈且包含较多的可用多时相数据,因此,相较于光学遥感数据,本发明利用合成孔径雷达(Synthetic Aperture Radar,简称SAR)影像,计算绝收农田面积是一种更为准确的方式。本发明基于涝灾区域灾前和灾后对应时相的地距多视高分辨率影像Sentinel-1SAR GRD数据,获取该数据中的后向散射系数VH波段和VV波段,从而得到涝灾前合成孔径雷达影像和涝灾后合成孔径雷达影像,具体地,针对上述实施例中某地区在当年7月20日发生过洪水灾害,本发明将该地区在当年7月1日至10日的涝灾前Sentinel-1SARGRD数据作为涝灾前合成孔径雷达影像,将当年7月20日至28日的涝灾后Sentinel-1SARGRD数据作为涝灾后合成孔径雷达影像。进一步地,通过上述两种合成孔径雷达影像,确定灾前水体区域和灾后水体区域,并与发生涝灾前的农作物图层进行交集区域划分,掩膜除去正常水体区域和非农田区域,从而划分出绝收农田分布区。
步骤103,根据所述受灾农田分布区、所述成灾农田分布区和所述绝收农田分布区,构建用于监测所述目标农作物涝灾区域的农作物涝灾等级图。
在本发明中,合并上述实施例中确定的受灾农田分布区、成灾农田分布区以及绝收农田分布区,最终生成目标农作物涝灾区域的农作物涝灾等级图,以根据该农作物涝灾等级图对目标农作物涝灾区域进行灾情监控以及制定后续灾后援助策略。
本发明提供的基于光学和雷达耦合的农作物涝灾等级监测方法,根据目标农作物涝灾区域的光学遥感数据和合成孔径雷达影像,确定不同涝灾等级的分布区,使得农作物涝灾等级划分更为精准,从而针对不同的涝灾等级进行灾后监测和灾后评估。
在上述实施例的基础上,所述根据所述目标农作物涝灾区域在所述预设时段内的涝灾前合成孔径雷达影像和涝灾后合成孔径雷达影像,提取得到所述目标农作物涝灾区域的灾前水体区域和灾后水体区域,包括:
通过迭代阈值法,分别对所述涝灾前合成孔径雷达影像和所述涝灾后合成孔径雷达影像进行水体区域提取处理,得到灾前水体区域和灾后水体区域。
在本发明中,通过目标农作物涝灾区域在灾前和灾后对应时相的地距多视高分辨率影像Sentinel-1SAR GRD数据(即涝灾前合成孔径雷达影像和涝灾后合成孔径雷达影像),基于迭代阈值法,分别提取灾前水体区域和灾后水体区域,通过不断递归逼近水体的像素范围,充分地考虑影像地局部特性。
具体地,假定整幅影像(涝灾前合成孔径雷达影像或涝灾后合成孔径雷达影像)的像素范围为[0,Th],不同像素Thi对应的像素个数为Ni,则初始阈值的计算方法如下:
th=(0+Th)/2;
之后,根据初始阈值th将影像分为水体A和非水体B,那么这两个部分的平均像素值MeanA和MeanB的分别如下:
此时,新的分割阈值thnew为:
thnew=(MeanA+MeanB)/2;
随着不断地迭代提取阈值,直到thnew等于thnew-1时,则将thnew作为本发明所求的预设水体阈值,针对涝灾前合成孔径雷达影像或涝灾后合成孔径雷达影像,获取到对应预设水体阈值,即分别得到灾前预设水体阈值和灾后预设水体阈值;然后,分别根据灾前预设水体阈值和灾后预设水体阈值,将小于对应预设水体阈值的像素对应区域定义为水体区域,即根据灾前预设水体阈值,从涝灾前合成孔径雷达影像中提取灾前水体区域,根据灾后预设水体阈值,从涝灾后合成孔径雷达影像中提取灾后水体区域。
在上述实施例的基础上,所述根据所述灾前水体区域和所述灾后水体区域,确定所述目标农作物涝灾区域的绝收农田分布区,包括:
获取所述目标农作物涝灾区域对应的灾前农田农作物图层;
对所述灾前水体区域和所述灾后水体区域进行交集取反处理,得到交集取反处理后的水体区域;
根据所述交集取反处理后的水体区域和所述灾前农田农作物图层之间的交集区域,确定所述目标农作物涝灾区域的绝收农田分布区。
在本发明中,将灾前水体区域、灾后水体区域和灾前农田农作物图层(该图层可根据目标农作物类型进行确认)进行叠加分析,掩膜掉正常水体(即原始水体区域,非涝灾造成的水体)与非农田区域,划分出目标农作物涝灾区域中的绝收农田分布区,即,首先对灾前水体区域和灾后水体区域进行交集取反操作,排除掉日常存在的原始水体区域,得到交集取反处理后的水体区域,从而获取绝收农田初步分布区域;然后,取绝收农田初步分布区域和灾前农田农作物图层之间的交集区域,排除掉非农田部分,得到最终的绝收农田分布区。具体地,本发明通过如下公式在像素级实现上述操作:
Intersection(Cropimage,<Flood_After,Flood_Before>);
其中,Intersection()表示计算两张影像的交集,即交集取反处理后的水体区域和灾前农田农作物图层之间的交集区域;Flood_After和Flood_Before分别表示提取得到的灾后水体区域和灾前水体区域;<A,B>表示两张影像的交集取反,即灾前水体区域和灾后水体区域之间的交集取反操作;Cropimage表示农作物类型图层,即灾前农田农作物图层。
下面对本发明提供的基于光学和雷达耦合的农作物涝灾等级监测系统进行描述,下文描述的基于光学和雷达耦合的农作物涝灾等级监测系统与上文描述的基于光学和雷达耦合的农作物涝灾等级监测方法可相互对应参照。
图2为本发明提供的基于光学和雷达耦合的农作物涝灾等级监测系统的结构示意图,如图2所示,本发明提供了一种基于光学和雷达耦合的农作物涝灾等级监测系统,包括受灾区域和成灾区域划分模块201、绝收区域划分模块202以及涝灾等级图构建模块203,其中,受灾区域和成灾区域划分模块201用于根据目标农作物涝灾区域在预设时段内涝灾后的光学遥感数据,计算得到所述光学遥感数据对应的相似性指数,并根据所述相似性指数和预设分割阈值,确定所述目标农作物涝灾区域的受灾农田分布区和成灾农田分布区;绝收区域划分模块202用于根据所述目标农作物涝灾区域在所述预设时段内的涝灾前合成孔径雷达影像和涝灾后合成孔径雷达影像,提取得到所述目标农作物涝灾区域的灾前水体区域和灾后水体区域,并根据所述灾前水体区域和所述灾后水体区域,确定所述目标农作物涝灾区域的绝收农田分布区;涝灾等级图构建模块203用于根据所述受灾农田分布区、所述成灾农田分布区和所述绝收农田分布区,构建用于监测所述目标农作物涝灾区域的农作物涝灾等级图。
本发明提供的基于光学和雷达耦合的农作物涝灾等级监测系统,根据目标农作物涝灾区域的光学遥感数据和合成孔径雷达影像,确定不同涝灾等级的分布区,使得农作物涝灾等级划分更为精准,从而针对不同的涝灾等级进行灾后监测和灾后评估。
本发明提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图3为本发明提供的电子设备的结构示意图,如图3所示,该电子设备可以包括:处理器(Processor)301、通信接口(Communications Interface)302、存储器(Memory)303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令,以执行基于光学和雷达耦合的农作物涝灾等级监测方法,该方法包括:根据目标农作物涝灾区域在预设时段内涝灾后的光学遥感数据,计算得到所述光学遥感数据对应的相似性指数,并根据所述相似性指数和预设分割阈值,确定所述目标农作物涝灾区域的受灾农田分布区和成灾农田分布区;根据所述目标农作物涝灾区域在所述预设时段内的涝灾前合成孔径雷达影像和涝灾后合成孔径雷达影像,提取得到所述目标农作物涝灾区域的灾前水体区域和灾后水体区域,并根据所述灾前水体区域和所述灾后水体区域,确定所述目标农作物涝灾区域的绝收农田分布区;根据所述受灾农田分布区、所述成灾农田分布区和所述绝收农田分布区,构建用于监测所述目标农作物涝灾区域的农作物涝灾等级图。
此外,上述的存储器303中的逻辑指令可以通过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。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的基于光学和雷达耦合的农作物涝灾等级监测方法,该方法包括:根据目标农作物涝灾区域在预设时段内涝灾后的光学遥感数据,计算得到所述光学遥感数据对应的相似性指数,并根据所述相似性指数和预设分割阈值,确定所述目标农作物涝灾区域的受灾农田分布区和成灾农田分布区;根据所述目标农作物涝灾区域在所述预设时段内的涝灾前合成孔径雷达影像和涝灾后合成孔径雷达影像,提取得到所述目标农作物涝灾区域的灾前水体区域和灾后水体区域,并根据所述灾前水体区域和所述灾后水体区域,确定所述目标农作物涝灾区域的绝收农田分布区;根据所述受灾农田分布区、所述成灾农田分布区和所述绝收农田分布区,构建用于监测所述目标农作物涝灾区域的农作物涝灾等级图。
又一方面,本发明还提供一种非暂态计算机可读存储介质,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以执行上述各实施例提供的基于光学和雷达耦合的农作物涝灾等级监测方法,该方法包括:根据目标农作物涝灾区域在预设时段内涝灾后的光学遥感数据,计算得到所述光学遥感数据对应的相似性指数,并根据所述相似性指数和预设分割阈值,确定所述目标农作物涝灾区域的受灾农田分布区和成灾农田分布区;根据所述目标农作物涝灾区域在所述预设时段内的涝灾前合成孔径雷达影像和涝灾后合成孔径雷达影像,提取得到所述目标农作物涝灾区域的灾前水体区域和灾后水体区域,并根据所述灾前水体区域和所述灾后水体区域,确定所述目标农作物涝灾区域的绝收农田分布区;根据所述受灾农田分布区、所述成灾农田分布区和所述绝收农田分布区,构建用于监测所述目标农作物涝灾区域的农作物涝灾等级图。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于光学和雷达耦合的农作物涝灾等级监测方法,其特征在于,包括:
根据目标农作物涝灾区域在预设时段内涝灾后的光学遥感数据,计算得到所述光学遥感数据对应的相似性指数,并根据所述相似性指数和预设分割阈值,确定所述目标农作物涝灾区域的受灾农田分布区和成灾农田分布区;
根据所述目标农作物涝灾区域在所述预设时段内的涝灾前合成孔径雷达影像和涝灾后合成孔径雷达影像,提取得到所述目标农作物涝灾区域的灾前水体区域和灾后水体区域,并根据所述灾前水体区域和所述灾后水体区域,确定所述目标农作物涝灾区域的绝收农田分布区;
根据所述受灾农田分布区、所述成灾农田分布区和所述绝收农田分布区,构建用于监测所述目标农作物涝灾区域的农作物涝灾等级图;
所述根据目标农作物涝灾区域在预设时段内涝灾后的光学遥感数据,计算得到所述光学遥感数据对应的相似性指数,包括:
对所述光学遥感数据分别进行均值处理和标准差处理,得到所述光学遥感数据中每个预设光谱波段信号特征对应的均值和标准差;
根据每个预设光谱波段信号特征对应的均值和标准差,通过相似性指数公式,计算得到所述光学遥感数据对应的相似性指数,所述相似性指数公式为:
其中,SI表示相似性指数,m表示信号特征要素的个数,μi和σi分别表示涝灾区域在对应信号特征要素i上的信号特征的均值和标准差,xi表示任一待验证像元在对应信号特征要素i上的值;
所述根据所述相似性指数和预设分割阈值,确定所述目标农作物涝灾区域的受灾农田分布区和成灾农田分布区,包括:
获取第一样本光学遥感数据和第二样本光学遥感数据,其中,所述第一样本光学遥感数据表示样本受灾农田分布区对应的光学遥感数据,所述第二样本光学遥感数据表示样本成灾农田分布区对应的光学遥感数据;
根据所述第一样本光学遥感数据,通过所述相似性指数公式,获取第一样本相似性指数;根据所述第二样本光学遥感数据,通过所述相似性指数公式,获取第二样本相似性指数;
基于预设分割阈值公式,根据所述第一样本相似性指数对应的均值和标准差,构建预设受灾农田分割阈值;基于所述预设分割阈值公式,根据第二样本相似性指数对应的均值和标准差,构建预设成灾农田分割阈值,其中,所述预设分割阈值公式为:
TH1=μ-n*δ;
TH2=μ+n*δ;
其中,TH1表示所述预设受灾农田分割阈值或所述预设成灾农田分割阈值对应的第一分割阈值,TH2表示所述预设受灾农田分割阈值或所述预设成灾农田分割阈值对应的第二分割阈值,0≤TH1<TH2≤1;μ和δ分别表示所述第一样本相似性指数或所述第二样本相似性指数对应的均值和标准差,n=1;
根据所述相似性指数、所述预设受灾农田分割阈值和所述预设成灾农田分割阈值,确定所述目标农作物涝灾区域的初步受灾农田分布区和初步成灾农田分布区;
根据所述目标农作物涝灾区域对应的灾前农田农作物图层,对所述初步受灾农田分布区和所述初步成灾农田分布区中的非农田区域进行排除,确定所述目标农作物涝灾区域的受灾农田分布区和成灾农田分布区。
2.根据权利要求1所述的基于光学和雷达耦合的农作物涝灾等级监测方法,其特征在于,所述根据所述目标农作物涝灾区域在所述预设时段内的涝灾前合成孔径雷达影像和涝灾后合成孔径雷达影像,提取得到所述目标农作物涝灾区域的灾前水体区域和灾后水体区域,包括:
通过迭代阈值法,分别对所述涝灾前合成孔径雷达影像和所述涝灾后合成孔径雷达影像进行水体区域提取处理,得到灾前水体区域和灾后水体区域。
3.根据权利要求2所述的基于光学和雷达耦合的农作物涝灾等级监测方法,其特征在于,所述根据所述灾前水体区域和所述灾后水体区域,确定所述目标农作物涝灾区域的绝收农田分布区,包括:
获取所述目标农作物涝灾区域对应的灾前农田农作物图层;
对所述灾前水体区域和所述灾后水体区域进行交集取反处理,得到交集取反处理后的水体区域;
根据所述交集取反处理后的水体区域和所述灾前农田农作物图层之间的交集区域,确定所述目标农作物涝灾区域的绝收农田分布区。
4.根据权利要求1所述的基于光学和雷达耦合的农作物涝灾等级监测方法,其特征在于,所述光学遥感数据中的预设光谱波段信号特征包括第一信号特征、第二信号特征和第三信号特征,其中,所述第一信号特征为Sentinel-2光谱数据中的近红外波段,所述第二信号特征为Sentinel-2光谱数据中的短波红外波段1,所述第三信号特征是根据Sentinel-2光谱数据中的绿波段和短波红外波段1获取得到的。
5.一种基于光学和雷达耦合的农作物涝灾等级监测系统,其特征在于,包括:
受灾区域和成灾区域划分模块,用于根据目标农作物涝灾区域在预设时段内涝灾后的光学遥感数据,计算得到所述光学遥感数据对应的相似性指数,并根据所述相似性指数和预设分割阈值,确定所述目标农作物涝灾区域的受灾农田分布区和成灾农田分布区;
绝收区域划分模块,用于根据所述目标农作物涝灾区域在所述预设时段内的涝灾前合成孔径雷达影像和涝灾后合成孔径雷达影像,提取得到所述目标农作物涝灾区域的灾前水体区域和灾后水体区域,并根据所述灾前水体区域和所述灾后水体区域,确定所述目标农作物涝灾区域的绝收农田分布区;
涝灾等级图构建模块,用于根据所述受灾农田分布区、所述成灾农田分布区和所述绝收农田分布区,构建用于监测所述目标农作物涝灾区域的农作物涝灾等级图;
所述受灾区域和成灾区域划分模块具体用于:
对所述光学遥感数据分别进行均值处理和标准差处理,得到所述光学遥感数据中每个预设光谱波段信号特征对应的均值和标准差;
根据每个预设光谱波段信号特征对应的均值和标准差,通过相似性指数公式,计算得到所述光学遥感数据对应的相似性指数,所述相似性指数公式为:
其中,SI表示相似性指数,m表示信号特征要素的个数,μi和σi分别表示涝灾区域在对应信号特征要素i上的信号特征的均值和标准差,xi表示任一待验证像元在对应信号特征要素i上的值;
所述受灾区域和成灾区域划分模块还用于:
获取第一样本光学遥感数据和第二样本光学遥感数据,其中,所述第一样本光学遥感数据表示样本受灾农田分布区对应的光学遥感数据,所述第二样本光学遥感数据表示样本成灾农田分布区对应的光学遥感数据;
根据所述第一样本光学遥感数据,通过所述相似性指数公式,获取第一样本相似性指数;根据所述第二样本光学遥感数据,通过所述相似性指数公式,获取第二样本相似性指数;
基于预设分割阈值公式,根据所述第一样本相似性指数对应的均值和标准差,构建预设受灾农田分割阈值;基于所述预设分割阈值公式,根据第二样本相似性指数对应的均值和标准差,构建预设成灾农田分割阈值,其中,所述预设分割阈值公式为:
TH1=μ-n*δ;
TH2=μ+n*δ;
其中,TH1表示所述预设受灾农田分割阈值或所述预设成灾农田分割阈值对应的第一分割阈值,TH2表示所述预设受灾农田分割阈值或所述预设成灾农田分割阈值对应的第二分割阈值,0≤TH1<TH2≤1;μ和δ分别表示所述第一样本相似性指数或所述第二样本相似性指数对应的均值和标准差,n=1;
根据所述相似性指数、所述预设受灾农田分割阈值和所述预设成灾农田分割阈值,确定所述目标农作物涝灾区域的初步受灾农田分布区和初步成灾农田分布区;
根据所述目标农作物涝灾区域对应的灾前农田农作物图层,对所述初步受灾农田分布区和所述初步成灾农田分布区中的非农田区域进行排除,确定所述目标农作物涝灾区域的受灾农田分布区和成灾农田分布区。
6.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述基于光学和雷达耦合的农作物涝灾等级监测方法的步骤。
7.一种非暂态计算机可读存储介质,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至4任一项所述基于光学和雷达耦合的农作物涝灾等级监测方法的步骤。
8.一种计算机程序产品,包括计算机程序,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4任一项所述基于光学和雷达耦合的农作物涝灾等级监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111484797.3A CN114299385B (zh) | 2021-12-07 | 2021-12-07 | 基于光学和雷达耦合的农作物涝灾等级监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111484797.3A CN114299385B (zh) | 2021-12-07 | 2021-12-07 | 基于光学和雷达耦合的农作物涝灾等级监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114299385A CN114299385A (zh) | 2022-04-08 |
CN114299385B true CN114299385B (zh) | 2024-04-26 |
Family
ID=80965917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111484797.3A Active CN114299385B (zh) | 2021-12-07 | 2021-12-07 | 基于光学和雷达耦合的农作物涝灾等级监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114299385B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126920A (zh) * | 2016-06-23 | 2016-11-16 | 北京农业信息技术研究中心 | 农作物雹灾受灾面积遥感评估方法 |
CN109946729A (zh) * | 2019-03-21 | 2019-06-28 | 北京环境特性研究所 | 一种空中目标跟踪方法及装置 |
KR20190113289A (ko) * | 2018-03-28 | 2019-10-08 | 대한민국(행정안전부 국립재난안전연구원장) | 고해상도 위성영상을 활용한 재난피해조사 자동화시스템 |
CN112258793A (zh) * | 2020-10-19 | 2021-01-22 | 深圳前海微众银行股份有限公司 | 灾害监测及预警方法、装置、设备及介质 |
-
2021
- 2021-12-07 CN CN202111484797.3A patent/CN114299385B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126920A (zh) * | 2016-06-23 | 2016-11-16 | 北京农业信息技术研究中心 | 农作物雹灾受灾面积遥感评估方法 |
KR20190113289A (ko) * | 2018-03-28 | 2019-10-08 | 대한민국(행정안전부 국립재난안전연구원장) | 고해상도 위성영상을 활용한 재난피해조사 자동화시스템 |
CN109946729A (zh) * | 2019-03-21 | 2019-06-28 | 北京环境特性研究所 | 一种空中目标跟踪方法及装置 |
CN112258793A (zh) * | 2020-10-19 | 2021-01-22 | 深圳前海微众银行股份有限公司 | 灾害监测及预警方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
基于光学与SAR影像的老挝溃坝洪涝灾害监测与评估;吴效勇;王晓青;丁玲;窦爱霞;陈子翰;;灾害学;20200120(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114299385A (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169492B (zh) | 基于fcn-crf主从网络的极化sar目标检测方法 | |
Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
Greifeneder et al. | Suitability of SAR imagery for automatic flood mapping in the Lower Mekong Basin | |
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 | |
CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 | |
CN113433075B (zh) | 一种简单的黑臭水体遥感快速监测方法 | |
Lê et al. | Multiscale framework for rapid change analysis from SAR image time series: Case study of flood monitoring in the central coast regions of Vietnam | |
CN113486705A (zh) | 一种洪水监测信息提取方法、装置、设备及存储介质 | |
Sall et al. | Estimating inundation of small waterbodies with sub‐pixel analysis of Landsat imagery: long‐term trends in surface water area and evaluation of common drought indices | |
Gong et al. | Dynamic simulation of vegetation abundance in a reservoir riparian zone using a sub-pixel Markov model | |
CN113421273B (zh) | 林草搭配信息遥感提取方法及装置 | |
CN116091930A (zh) | 一种基于遥感的梯田制图方法、装置、设备和存储介质 | |
Jarchow et al. | Using full and partial unmixing algorithms to estimate the inundation extent of small, isolated stock ponds in an arid landscape | |
CN115937707A (zh) | 基于多尺度残差注意力模型的sar影像水体提取方法 | |
Berezowski et al. | Flooding extent mapping for synthetic aperture radar time series using river gauge observations | |
CN112528871B (zh) | 河道采砂识别方法、装置、电子设备及存储介质 | |
Teodoro et al. | Extraction of Cabedelo sand spit area (Douro estuary) from satellite images through image processing techniques | |
CN114299385B (zh) | 基于光学和雷达耦合的农作物涝灾等级监测方法及系统 | |
Omran | Evolving waterlogged identification system to assess spatiotemporal impact of the new Suez Canal corridor, Egypt | |
Ety et al. | Monitoring of flood water propagation based on microwave and optical imagery | |
CN116167936A (zh) | 一种用于洪水监测的山体阴影去除方法及装置 | |
Qin et al. | Inundation impact on croplands of 2020 flood event in three Provinces of China | |
Gruszczyński et al. | Correction of low vegetation impact on UAV-Derived point cloud heights with U-Net networks | |
Wang et al. | Evaluation of typhoon-induced inundation losses associated with LULC using multi-temporal SAR and optical images | |
CN113361403A (zh) | 改进的基于ndfi洪水提取方法、系统、终端及应用 |
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 |