CN114359243B - 一种季节性小微湿地动态监测方法 - Google Patents
一种季节性小微湿地动态监测方法 Download PDFInfo
- Publication number
- CN114359243B CN114359243B CN202210020781.5A CN202210020781A CN114359243B CN 114359243 B CN114359243 B CN 114359243B CN 202210020781 A CN202210020781 A CN 202210020781A CN 114359243 B CN114359243 B CN 114359243B
- Authority
- CN
- China
- Prior art keywords
- water body
- water
- maximum
- wetland
- lake
- 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
Images
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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及湿地动态监测技术领域,且公开了一种季节性小微湿地动态监测方法,包括获取全年光学卫星影像地表反射率数据,利用指数多阈值判断法,结合地形数据,确定全年最大水体范围,并向外扩近似1.5倍面积缓冲区;在缓冲区内,基于合成孔径雷达卫星影像的后向散射系数,通过最大方差判断湖泊干湿状态;使用最大类间方差法进行阈值分割,提取湖泊湿地范围,并进行精度验证;这种方法结合光学和合成孔径雷达遥感影像数据,可以判别湖泊湿地的干湿状态,能够有效对小型季节性水体实现高空间分辨率、高频动态监测;该方法有助于了解湿地的生态状况,为湿地的恢复、保护提供理论依据。
Description
技术领域
本发明涉及湿地动态监测技术领域,具体为一种季节性小微湿地动态监测方法。
背景技术
湿地作为全球三大生态系统之一,是重要的自然资源,具有气候调节、涵养水源、防控灾害等生态功能,对世界人类的生存与全球性可持续发展至关重要。近年来,随着气候变化和人类活动的影响,世界范围内的湿地生态系统逐渐恶化,并迅速减少。在干旱半干旱地区,存在季节性湖泊,其中包含大量的小微湿地。与大型湿地不同,小微湿地受到的关注较少,却发挥着独特的生态功能,如提供关键物种生境,生物迁移踏脚石,支撑周围的食物链等。因此,准确及时地监测小微湿地的时空分布情况,可以掌握湿地水体面积随时间的变化趋势以及在地理空间中的分布规律,对指导湿地的生态恢复与保护具有重要的意义。
遥感数据凭借其覆盖范围广、周期短、时效性强等特点,已被广泛应用于地表水体的提取;目前,可以将提取水体的方法按照影像类型分为三类:光学影像、合成孔径雷达(SAR)影像和二者融合的方式进行提取。光学影像具有丰富的光谱信息,能够较为准确地对水体进行提取,但是经常会受到云雾的干扰,无法实现高频率观测;而SAR影像可以穿云透雾,不受天气影响,且具有高时间分辨率的优势,但是易受到地形及山体阴影的影响,难以准确地提取水体。而两种影像结合的方式可以形成优势互补,实现准确且高频的水体提取。然而,目前主流方法提取的对象大多为面积较大的永久性水体,针对小型季节性水体提取的方法较少。而季节性小微湿地具有雨季有水,旱季无水,年内变化明显的特点。这类湖泊湿地的干湿状况多变,难以检测,使用目前主流方法对于这类水体的提取效果不佳。
针对上述问题,本发明提出一种季节性小微湿地动态监测的方法。该方法可对小型季节性水体进行高时间和空间分辨率动态监测,利用Sentinel-1和Sentinel-2数据,可实现每15天10m分辨率的水体提取;通过该方法,可以有效判断湖泊的干湿状态,能够准确地对季节性湖泊水体进行提取,为湿地的监测、管理和保护提供参考和依据。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种季节性小微湿地动态监测方法,能够准确地对季节性小微湿地进行动态监测,判断湿地的干湿状态,对有水的湖泊湿地进行提取,从而获得高时空分辨率的水体分布信息。
(二)技术方案
为实现上述的目的,本发明提供如下技术方案:
S1、获取覆盖研究区范围全年的中高分辨率光学影像地表反射率数据,以及数字高程模型数据;
S2、在所有的光学影像中,对云、云阴影和冰雪进行掩膜,以排除云、雪等对于后续计算水体频率的影响,未被掩膜的像元被定义为有效观测像元;
S3、对于全年所有有效观测像元,使用多种水体指数、植被指数和多阈值判别法提取水体信息;
S4、利用全年光学影像中像元被探测为水体的次数和有效观测次数计算水体频率,得到水体频率栅格数据;
S5、将S4中计算出水体频率大于等于0.25的像元定义为最大水体范围;
S6、使用数字高程模型数据计算坡度,将坡度大于10°的像元剔除,以去除山体阴影对水体提取的影响,确定最终的最大水体范围;
S7、将S6中得到的最大水体范围的栅格数据转换为多边形矢量数据,并向外扩原水体范围近似1.5倍面积的缓冲区,使得在缓冲区范围中,水体与非水体面积相近;
S8、以15天为一期,收集在一期中所有获取覆盖研究区范围,经预处理并转化为分贝形式的SAR影像数据,并计算每个像元在一期中的中值;使用S7中得到的缓冲区进行裁剪;
S9、在缓冲区内,利用最大类间方差和SAR影像对湖泊的干湿状态进行判断;
S10、当湖泊被判断为有水时,使用最大类间方差法对缓冲区内的SAR影像进行阈值分割,得到水体与非水体的分类结果,当湖泊判断为无水时,水体面积为0。
优选的,所述S3中所使用的水体信息判别方法具体计算步骤如下:
S3.1.计算多种水体指数和植被指数,包括自动水体提取指数AWEInsh和AWEIsh,改进的归一化差异水体指数MNDWI,归一化植被指数NDVI,和增强型植被指数EVI;各个指数的计算公式如下:
AWEInsh=4×(G-SWIR1)-0.25×NIR+2.75×SWIR2
AWEIsh=B+2.5×G-1.5×(NIR+SWIR1)-0.25×SWIR2
其中B、G、R、NIR、SWIR1和SWIR2分别表示蓝波段为458-523nm的波段、绿波段为543-578nm的波段、红波段为650-680nm的波段、近红外波段为785-900nm的波段、短波红外1波段为1565-1655nm的波段和短波红外2波段为2100-2280nm的波段地表反射率;
S3.2.采用多阈值判别法提取水体信息,具体判别方法如下:
式(1)一般适用于平原和城市地区,式(2)一般适用于海拔较高的山区;满足判别式的像元被定义为水体,不满足判别式则被定义为非水体;其中,Waterpixel表示被探测为水体的像元。
优选的,所述S4中所述水体频率的具体计算方法如下:
式中,WF表示水体频率,W表示一年中像元被探测为水体的次数,N表示一年中像元的有效观测次数。
优选的,所述S9利用最大类间方差和SAR影像对湖泊的干湿状态进行判断,具体步骤如下:
S9.1、水体在SAR影像中的像元值较低,而非水体的像元值较高,二者存在明显差异;当在缓冲区中有水体存在,水体和非水体的面积相近,像元值直方图呈现为双峰分布;反之,当缓冲区内不存在水体,则直方图为单峰;
S9.2、缓冲区内SAR影像的像元值为[a1,a2,a3,…,am],以at作为分割阈值,将缓冲区内影像分为A、B两部分;类间方差越大,A、B两部分的差异越大,则缓冲区内存在差异越明显的水体和非水体,被认为是有水的;反之,类间方差越小,A、B两部分差异越小,则缓冲区内地物越相近,被认为是非水体,湖泊干涸。
优选的,所述S10中使用最大类间方差法得到水体与非水体的分类结果,利用最大类间方差来进行干湿判断,具体公式如下:
σ=PA(MA-M)2+PB(MB-M)2
式中,σ表示类间方差,PA、PB分别表示A与B部分像素在缓冲区中的占比,MA、MB分别表示A与B部分像元的平均值,M表示缓冲区内SAR影像的像元均值;at在[a1,a2,a3,…,am]中不断迭代,σ的最大值记为最大类间方差;
选择多个水体与非水体样本,计算其最大类间方差并进行统计;通过人工选择一阈值T,该阈值能够区分湖泊湿地的干湿状态;即最大类间方差大于T时,判断湖泊中有水,此时使用σ取得最大值时at的值作为分割水体与非水体的阈值,缓冲区内小于at的部分被分为水体,大于at的部分被分为非水体;反之,最大类间方差小于T时,判断湖泊干涸,此时不进行阈值分割,将缓冲区内全部像元分类为非水体。
优选的,对所述S10中的分类结果进行精度验证;验证的指标包括整体精度、用户精度、产品精度和Kappa系数。
优选的,所述S2-S11中的计算可以选用ENVI、Erdas、ArcGIS、Matlab、Python和Google Earth Engine软件实现。
(三)有益效果
与现有技术相比,本发明提供了一种季节性小微湿地动态监测方法,具备以下有益效果:
1、本发明所提出的方法可以有效判断湖泊湿地干湿状态,对于季节性水体,即干湿状态随季节变化明显的湖泊湿地,能够准确地提取;这种方法克服了现有方法在提取季节性小微湿地水体时,由于干湿状态的未知,而错误提取水体的问题。
2、本发明能够对小型湖泊湿地进行高频次的精准动态监测,可以准确地掌握湖泊湿地水体月内变化和月际变化,掌握季节性水体在长时序中的时空变化规律;学影像具有丰富的光谱信息,能够准确地提取年际最大水体范围,但是受到天气影响,无法实现高频率观测。而SAR影像不受云雨的影响,可以实现高频率的有效观测,从而实现高时间分辨率;该方法结合二者优势可以准确地对季节性湖泊水体进行提取,为湿地的监测、管理和保护提供参考和依据。
附图说明
图1为本发明提出的一种季节性小微湿地动态监测方法的流程示意图;
图2为本发明提出的一种季节性小微湿地动态监测方法提取的水体结果图;
图3为本发明提出的一种季节性小微湿地动态监测方法的水体面积变化时序图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
实施例1:
请参照图1,本发明提出了一种季节性小微湿地动态监测方法,具体的方法步骤如下:
SS1、获取覆盖研究区范围全年的中高分辨率光学影像地表反射率数据,以及数字高程模型数据;
S2、在所有的光学影像中,对云、云阴影和冰雪进行掩膜,以排云、雪等对于后续计算水体频率的影响;未被掩膜的像元被定义为有效观测像元;
S3、对于全年所有有效观测像元,使用多种水体指数、植被指数和多阈值判别法提取水体信息;满足判别式的像元被定义为水体,不满足判别式则被定义为非水体;具体判别方法如下:
式(1)一般适用于平原和城市地区,式(2)一般适用于海拔较高的山区;其中,Waterpixel表示被探测为水体的像元,AWEInsh和NWEIsh是自动水体提取指数、MNDWI是改进的归一化差异水体指数、NDVI是归一化植被指数,EVI是增强型植被指数;上述指数计算方法如下:
AWEInsh=4×(G-SWIR1)-0.25×NIR+2.75×SWIR2
AWEIsh=B+2.5×G-1.5×(NIR+SWIR1)-0.25×SWIR2
其中B、G、R、NIR、SWIR1和SWIR2分别表示蓝波段为458-523nm的波段、绿波段为543-578nm的波段、红波段为650-680nm的波段、近红外波段为785-900nm的波段、短波红外1波段为1565-1655nm的波段和短波红外2波段为2100-2280nm的波段地表反射率;
S4、利用全年光学影像中像元被探测为水体的次数和有效观测次数计算水体频率,得到水体频率栅格数据,计算公式如下:
式中,WF表示水体频率,W表示一年中像元被探测为水体的次数,N表示一年中像元的有效观测次数;
S5、将S4中计算出水体频率大于等于0.25(WF≥0.25)的像元定义为最大水体范围;
S6、使用数字高程模型数据计算坡度,将坡度大于10°的像元剔除,以去除山体阴影对水体提取的影响,确定最终的最大水体范围;
S7、将S6中得到的最大水体范围的栅格数据转换为多边形矢量数据,并向外扩原水体范围近似1.5倍面积的缓冲区;使得在缓冲区范围中,水体与非水体面积相近;
S8、以15天为一期,收集在一期中所有获取覆盖研究区范围,经预处理并转化为分贝形式的SAR影像数据,并计算每个像元在一期中的中值;使用S7中得到的缓冲区进行裁剪;
S9、利用最大类间方差对湖泊的干湿状态进行判断;在SAR影像中,水体的像元值较低,而非水体的像元值较高,二者存在明显差异;因此,若在缓冲区中有水体存在,水体和非水体的面积相近,像元值直方图呈现为双峰分布;反之,若缓冲区内不存在水体,则直方图为单峰;针对一个缓冲区,假设缓冲区内SAR影像的像元值为[a1,a2,a3,…,am],以at作为分割阈值,将缓冲区内影像分为A、B两部分;类间方差越大,A、B两部分的差异越大,则缓冲区内存在差异越明显的水体和非水体,被认为是有水的;反之,类间方差越小,A、B两部分差异越小,则缓冲区内地物越相近,被认为是非水体,湖泊干涸;进而,可以利用最大类间方差来进行干湿判断;具体公式如下;
σ=PA(MA-M)2+PB(MB-M)2
式中,σ表示类间方差,PA、PB分别表示A与B部分像素在缓冲区中的占比,MA、MB分别表示A与B部分像元的平均值,M表示缓冲区内SAR影像的像元均值;at在[a1,a2,a3,…,am]中不断迭代,σ的最大值记为最大类间方差;选择多个水体与非水体样本,计算其最大类间方差并进行统计;通过人工选择一阈值T,该阈值能够区分湖泊湿地的干湿状态;即最大类间方差大于T时,判断湖泊中有水,此时使用σ取得最大值时at的值作为分割水体与非水体的阈值,缓冲区内小于at的部分被分为水体,大于at的部分被分为非水体;反之,最大类间方差小于T时,判断湖泊干涸,此时不进行阈值分割,将缓冲区内全部像元分类为非水体;
S10、当湖泊被判断为有水时,使用最大类间方差法对缓冲区内的SAR影像进行阈值分割,即使用S9中σ取得最大值时at的值作为分割水体与非水体的阈值;缓冲区内小于at的部分被分为水体,大于at的部分被分为非水体;反之,当湖泊被判断为干涸时,则不进行阈值分割,将缓冲区内全部像元分类为非水体;
S11、对S10中的分类结果进行精度验证,验证的指标包括整体精度、用户精度、产品精度和Kappa系数;
S2-S11中的计算可以选用ENVI,Erdas、ArcGIS、Matlab、Python和Google EarthEngine软件实现。
实施例2:基于实施例1有所不同的是;
参照图2-3,本实施例以张家口坝上地区为研究区,利用Google Earth Engine(GEE)平台进行代码编写和计算,对该地区的季节性小微湿地进行提取,进一步证明本发明的可行性,具体方法步骤如下:
(1)、基于GEE平台,获取张家口坝上地区2019年全年的Sentinel-2地表反射率数据,SRTM 30m DEM数据以及JRC全球地表水的max_extent图层;
(2)、利用S2 cloud probability数据集和Sentinel-2数据的MSK_SNWPRB波段对所有Sentinel-2影像中的与云、云阴影和冰雪像元进行识别并去除,以排云、雪等对于后续计算水体频率的影响;未被掩膜的像元记为有效观测像元;
(3)、对于全年所有有效观测像元,使用多种水体指数、植被指数和多阈值判别法提取水体信息;通过Sentinel-2数据的蓝、绿、红、近红外和短波红外波段计算自动水体提取指数AWEInsh和AWEIsh,改进的归一化差异水体指数MNDWI,归一化植被指数NDVI,和增强型植被指数EVI;各个指数的计算公式如下:
AWEInsh=4×(G-SWIR1)-0.25×NIR+2.75×SWIR2
AWEIsh=B+2.5×G-1.5×(NIR+SWIR1)-0.25×SWIR2
其中B、G、R、NIR、SWIR1和SWIR2分别表示蓝波段为458-523nm的波段、绿波段为543-578nm的波段、红波段为650-680nm的波段、近红外波段为785-900nm的波段、短波红外1波段为1565-1655nm的波段和短波红外2波段为2100-2280nm的波段地表反射率;
之后采用多阈值判别法对水体信息进行提取,满足判别式的像元被定义为水体,不满足判别式则被定义为非水体;该研究区的判别方法如下:
Waterpixel
=(AWEInsh–NWEIsh>0.1)and(MNDWI>NDVI or MNDWI>EVI)
式中,Waterpixel表示被探测为水体的像元,AWEInsh和AWEIsh是自动水体提取指数,MNDWI是改进的归一化差异水体指数,NDVI是归一化植被指数,EVI是增强型植被指数;
(4)、收集2019年全年通过(3)和(2)中得到的像元被探测为水体的次数,和像元的有效观测次数,计算水体频率,得到水体频率栅格数据;计算公式如下:
式中,WF表示像元在一年中的水体频率,W表示一年中像元被探测为水体的次数,N表示像元在一年中的有效观测次数;
(5)、将(4)中计算出所有水体频率大于等于0.25(WF≥0.25)的像元定义为最大水体范围;
(6)、使用SRTM 30m DEM数据计算坡度,将坡度大于10°的像元剔除,以去除山体阴影对水体提取结果的影响,确定最终的最大水体范围;
(7)、将(6)中得到的最大水体范围的栅格数据转换为多边形矢量数据,并向外扩原水体范围近似1.5倍面积的缓冲区;使得在缓冲区范围中,水体与非水体面积相近;
(8)、在GEE平台上,以15天为一期,收集从2019年5月1日到2019年7月31日间所有获取覆盖研究区范围的Sentinel-1影像,共6期;计算在在每期中,每个像元的中值,并用(7)中得到的缓冲区进行裁剪;
(9)、利用最大类间方差对湖泊的干湿状态进行判断;在Sentinel-1影像中,水体的像元值较低,而非水体的像元值较高,二者存在明显差异;因此,若在缓冲区中有水体存在,水体和非水体的面积相近,像元值直方图呈现为双峰分布;反之,若缓冲区内不存在水体,则直方图为单峰;针对一个缓冲区,假设缓冲区内Sentinel-1中值影像的像元值为[a1,a2,a3,…,am],以at作为分割阈值,将缓冲区内影像分为A、B两部分;类间方差越大,A、B两部分的差异越大,则缓冲区内存在差异越明显的水体和非水体,被认为是有水的;反之,类间方差越小,A、B两部分差异越小,则缓冲区内地物越相近,被认为是非水体,湖泊干涸;进而,可以利用最大类间方差来进行干湿判断,具体公式如下:
σ=PA(MA-M)2+PB(MB-M)2
式中,σ表示类间方差,PA、PB分别表示A与B部分像素在缓冲区中的占比,MA、MB分别表示A与B部分像元的平均值,M表示缓冲区内SAR影像的像元均值;at在[a1,a2,a3,…,am]中不断迭代,σ的最大值记为最大类间方差σ;以10作为判断湖泊湿地干湿状态的阈值,即最大类间方差大于10时,判断湖泊中有水;最大类间方差小于10时,判断湖泊干涸;
(10)、当湖泊被判断为有水时,使用最大类间方差法对缓冲区内的Sentinel-1中值影像进行阈值分割,即使用(9)中σ取得最大值时所对应at的值作为水体与非水体的阈值;缓冲区内小于at的部分被分为水体,大于at的部分被分为非水体;反之,当湖泊被判断为干涸时,则不进行阈值分割,将缓冲区内全部像元分类为非水体;
(11)、对(10)中的分类结果进行精度验证,验证的指标包括整体精度、用户精度、产品精度和Kappa系数。
需要说明的是,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种季节性小微湿地动态监测方法,其特征在于,包括如下步骤:
S1、获取覆盖研究区范围全年的中高分辨率光学影像地表反射率数据,以及数字高程模型数据;
S2、在所有的光学影像中,对云、云阴影和冰雪进行掩膜,以排除云、雪对于后续计算水体频率的影响,未被掩膜的像元被定义为有效观测像元;
S3、对于全年所有有效观测像元,使用多种水体指数、植被指数和多阈值判别法提取水体信息;
S4、利用全年光学影像中像元被探测为水体的次数和有效观测次数计算水体频率,得到水体频率栅格数据;
S5、将S4中计算出水体频率大于等于0.25的像元定义为最大水体范围;
S6、使用数字高程模型数据计算坡度,将坡度大于10°的像元剔除,以去除山体阴影对水体提取的影响,确定最终的最大水体范围;
S7、将S6中得到的最大水体范围的栅格数据转换为多边形矢量数据,并向外扩原水体范围1.5倍面积的缓冲区,使得在缓冲区范围中,水体与非水体面积相近;
S8、以15天为一期,收集在一期中所有获取覆盖研究区范围,经预处理并转化为分贝形式的SAR影像数据,并计算每个像元在一期中的中值;使用S7中得到的缓冲区进行裁剪;
S9、在缓冲区内,利用最大类间方差和SAR影像对湖泊的干湿状态进行判断;
利用最大类间方差和SAR影像对湖泊的干湿状态进行判断,具体步骤如下:
S9.1、水体在SAR影像中的像元值较低,而非水体的像元值较高,二者存在明显差异;当在缓冲区中有水体存在,水体和非水体的面积相近,像元值直方图呈现为双峰分布;反之,当缓冲区内不存在水体,则直方图为单峰;
S9.2、缓冲区内SAR影像的像元值为[a1,a2,a3,…,am],以at作为分割阈值,将缓冲区内影像分为A、B两部分;类间方差越大,A、B两部分的差异越大,则缓冲区内存在差异越明显的水体和非水体,被认为是有水的;反之,类间方差越小,A、B两部分差异越小,则缓冲区内地物越相近,被认为是非水体,湖泊干涸;
S10、当湖泊被判断为有水时,使用最大类间方差法对缓冲区内的SAR影像进行阈值分割,得到水体与非水体的分类结果,当湖泊判断为无水时,水体面积为0;
使用最大类间方差法得到水体与非水体的分类结果,利用最大类间方差来进行干湿判断,具体公式如下:
σ=PA(MA-M)2+PB(MB-M)2
式中,σ表示类间方差,PA、PB分别表示A与B部分像素在缓冲区中的占比,MA、MB分别表示A与B部分像元的平均值,M表示缓冲区内SAR影像的像元均值;at在[a1,a2,a3,…,am]中不断迭代,σ的最大值记为最大类间方差;
选择多个水体与非水体样本,计算其最大类间方差并进行统计;通过人工选择一阈值T,该阈值能够区分湖泊湿地的干湿状态;即最大类间方差大于T时,判断湖泊中有水,此时使用σ取得最大值时at的值作为分割水体与非水体的阈值,缓冲区内小于at的部分被分为水体,大于at的部分被分为非水体;反之,最大类间方差小于T时,判断湖泊干涸,此时不进行阈值分割,将缓冲区内全部像元分类为非水体。
2.根据权利要求1所述的一种季节性小微湿地动态监测方法,其特征在于:所述S3中所使用的水体信息判别方法具体计算步骤如下:
S3.1.计算多种水体指数和植被指数,包括自动水体提取指数AWEInsh和AWEIsh,改进的归一化差异水体指数MNDWI,归一化植被指数NDVI,和增强型植被指数EVI;各个指数的计算公式如下:
AWEInsh=4×(G-SWIR1)-0.25×NIR+2.75×SWIR2
AWEIsh=B+2.5×G-1.5×(NIR+SWIR1)-0.25×SWIR2
其中B、G、R、NIR、SWIR1和SWIR2分别表示蓝波段为458-523nm的波段、绿波段为543-578nm的波段、红波段为650-680nm的波段、近红外波段为785-900nm的波段、短波红外1波段为1565-1655nm的波段和短波红外2波段为2100-2280nm的波段地表反射率;
S3.2.采用多阈值判别法提取水体信息;具体判别方法如下:
式(1)适用于平原和城市地区,式(2)适用于海拔较高的山区;满足判别式的像元被定义为水体,不满足判别式则被定义为非水体;其中,Waterpixel表示被探测为水体的像元。
4.根据权利要求1所述的一种季节性小微湿地动态监测方法,其特征在于:对所述S10中的分类结果进行精度验证;验证的指标包括整体精度、用户精度、产品精度和Kappa系数。
5.根据权利要求1所述的一种季节性小微湿地动态监测方法,其特征在于:所述S2-S10中的计算可以选用ENVI、Erdas、ArcGIS、Matlab、Python和Google Earth Engine软件实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210020781.5A CN114359243B (zh) | 2022-01-10 | 2022-01-10 | 一种季节性小微湿地动态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210020781.5A CN114359243B (zh) | 2022-01-10 | 2022-01-10 | 一种季节性小微湿地动态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114359243A CN114359243A (zh) | 2022-04-15 |
CN114359243B true CN114359243B (zh) | 2022-08-26 |
Family
ID=81108238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210020781.5A Active CN114359243B (zh) | 2022-01-10 | 2022-01-10 | 一种季节性小微湿地动态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114359243B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115810155B (zh) * | 2023-01-18 | 2023-04-18 | 中关村睿宸卫星创新应用研究院 | 一种潮汐湿地的分类方法 |
CN116912676B (zh) * | 2023-06-05 | 2024-09-17 | 广东省水利水电科学研究院 | 一种水浮莲变化检测方法、装置、电子设备及存储介质 |
CN117197673B (zh) * | 2023-09-20 | 2024-06-07 | 北京师范大学 | 城市湿地精细类型逐级遥感提取方法、系统、设备及介质 |
CN117456378A (zh) * | 2023-12-20 | 2024-01-26 | 山东锋士信息技术有限公司 | 基于卫星遥感的水利数字孪生底座要素实现方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007256254A (ja) * | 2006-02-24 | 2007-10-04 | Nagaoka Univ Of Technology | 流水領域検出システム、流水領域検出方法、及びプログラム |
CN101114023A (zh) * | 2007-08-28 | 2008-01-30 | 北京交通大学 | 一种基于模型的湖泊湿地泛洪遥感监测方法 |
CN101452530A (zh) * | 2008-12-25 | 2009-06-10 | 西安电子科技大学 | 基于灰度统计及区域编码的sar图像水域识别方法 |
CN102968798A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 |
WO2014203192A2 (en) * | 2013-06-20 | 2014-12-24 | Koninklijke Philips N.V. | Cortical bone segmentation from mr dixon data |
CN106650812A (zh) * | 2016-12-27 | 2017-05-10 | 辽宁工程技术大学 | 一种卫星遥感影像的城市水体提取方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046087B (zh) * | 2015-08-04 | 2017-12-08 | 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 |
CN107085851A (zh) * | 2017-05-26 | 2017-08-22 | 环境保护部卫星环境应用中心 | 一种提取水域岸线的方法及装置 |
CN108764119B (zh) * | 2018-05-24 | 2022-03-18 | 西安电子科技大学 | 基于迭代最大类间方差的sar图像变化检测方法 |
CN112990657B (zh) * | 2021-02-06 | 2021-12-07 | 首都师范大学 | 一种通过长时序卫星遥感评价湿地退化的方法 |
CN113255452A (zh) * | 2021-04-26 | 2021-08-13 | 中国自然资源航空物探遥感中心 | 一种目标水体的提取方法及提取系统 |
CN113379759A (zh) * | 2021-05-11 | 2021-09-10 | 中国资源卫星应用中心 | 一种光学遥感卫星影像水体自动提取方法 |
CN113177964B (zh) * | 2021-05-25 | 2023-08-18 | 北京大学 | 光学遥感影像大范围地表水提取方法及装置 |
-
2022
- 2022-01-10 CN CN202210020781.5A patent/CN114359243B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007256254A (ja) * | 2006-02-24 | 2007-10-04 | Nagaoka Univ Of Technology | 流水領域検出システム、流水領域検出方法、及びプログラム |
CN101114023A (zh) * | 2007-08-28 | 2008-01-30 | 北京交通大学 | 一种基于模型的湖泊湿地泛洪遥感监测方法 |
CN101452530A (zh) * | 2008-12-25 | 2009-06-10 | 西安电子科技大学 | 基于灰度统计及区域编码的sar图像水域识别方法 |
CN102968798A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 |
WO2014203192A2 (en) * | 2013-06-20 | 2014-12-24 | Koninklijke Philips N.V. | Cortical bone segmentation from mr dixon data |
CN106650812A (zh) * | 2016-12-27 | 2017-05-10 | 辽宁工程技术大学 | 一种卫星遥感影像的城市水体提取方法 |
Non-Patent Citations (2)
Title |
---|
Discrimination of Algal-Bloom Using Spaceborne SAR Observations of Great Lakes in China;Lin Wu;《MDPI》;20180516;第767页 * |
一种改进的遥感影像水体信息快速提取方法;王帆;《万方数据》;20210712;第223-228页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114359243A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114359243B (zh) | 一种季节性小微湿地动态监测方法 | |
CN109977801B (zh) | 一种联合光学和雷达的区域水体快速动态提取方法及系统 | |
Yang et al. | Urban surface water body detection with suppressed built-up noise based on water indices from Sentinel-2 MSI imagery | |
Ludwig et al. | A highly automated algorithm for wetland detection using multi-temporal optical satellite data | |
Jia et al. | Spectral matching based on discrete particle swarm optimization: A new method for terrestrial water body extraction using multi-temporal Landsat 8 images | |
Manavalan | SAR image analysis techniques for flood area mapping-literature survey | |
Wangchuk et al. | Mapping of glacial lakes using Sentinel-1 and Sentinel-2 data and a random forest classifier: Strengths and challenges | |
Rad et al. | Augmented Normalized Difference Water Index for improved surface water monitoring | |
Bastarrika et al. | Mapping burned areas from Landsat TM/ETM+ data with a two-phase algorithm: Balancing omission and commission errors | |
Dorren et al. | Improved Landsat-based forest mapping in steep mountainous terrain using object-based classification | |
Islam et al. | An exploratory study of Sentinel-1 SAR for rapid urban flood mapping on Google Earth Engine | |
CN111932567B (zh) | 基于卫星影像的冰湖轮廓自动提取方法 | |
Arnous et al. | Monitoring and assessing waterlogged and salt-affected areas in the Eastern Nile Delta region, Egypt, using remotely sensed multi-temporal data and GIS | |
Belenok et al. | Investigating anthropogenically transformed landscapes with remote sensing | |
CN111046613A (zh) | 基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法 | |
Sahadevan et al. | Monitoring the rapid changes in mangrove vegetation of coastal urban environment using polynomial trend analysis of temporal satellite data | |
CN115761493A (zh) | 一种基于组合水体指数频率的水体提取方法 | |
CN107121681B (zh) | 基于高分卫星遥感数据的居民地提取系统 | |
CN113705441A (zh) | 协同多光谱和sar影像的高时空分辨率地表水体提取方法 | |
Han et al. | Water distribution based on SAR and optical data to improve hazard mapping | |
Fawzy et al. | Automatic Indices Based Classification Method for Map Updating Using VHR Satellite Images | |
Weng | Remote sensing of urban biophysical environments | |
Haq et al. | Change monitoring of Gangotri Glacier using remote sensing | |
Shrestha et al. | Delineating an exurban development footprint using SPOT imagery and ancillary data | |
Beltramone et al. | Identification of seasonal snow phase changes from C-band SAR time series with dynamic thresholds |
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 |