CN114419463B - 一种基于云平台的全球太阳能光伏板遥感自动识别方法 - Google Patents
一种基于云平台的全球太阳能光伏板遥感自动识别方法 Download PDFInfo
- Publication number
- CN114419463B CN114419463B CN202210094492.XA CN202210094492A CN114419463B CN 114419463 B CN114419463 B CN 114419463B CN 202210094492 A CN202210094492 A CN 202210094492A CN 114419463 B CN114419463 B CN 114419463B
- Authority
- CN
- China
- Prior art keywords
- image
- photovoltaic panel
- solar photovoltaic
- pixel
- year
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于云平台的全球太阳能光伏板遥感自动识别方法,首先,基于云平台采集研究区内X年全年光学影像,并进行预处理得到地表反射率图像;其次,根据太阳能光伏板的光谱特性,衍生构造太阳能光伏板指数图像、水体指数图像、植被指数图像、第一短波红外波段与第二短波红外波段差值图像、第一短波红外波段与近红外波段差值图像、蓝色波段图像、第一短波红外波段图像这7种时序图像;并对7种时序图像进行数据合成重构处理,得到模型需要的输入数据;最后,根据太阳能光伏板的光谱特征构造太阳能光伏板遥感自动识别的理论模型,并在云平台中进行编译建模,完成最终的模型构建。本发明实现了太阳能光伏板地表空间布设的遥感精准、自动识别。
Description
技术领域
本发明涉及遥感目标识别技术领域,特别是指一种基于云平台的全球太阳能光伏板遥感自动识别方法。
背景技术
实现碳达峰、碳中和,是着力解决资源环境约束的突出问题。光伏发电是实现绿色清洁能源生产的重要方式之一,是实现“双碳”目标的重要举措。准确掌握光伏发电场的空间分布和规模,是相关部门、产业决策的重要基础数据。虽然遥感技术是获取光伏发电场空间分布和规模的有效技术手段,但受太阳能光伏板布设环境复杂性和异质性、布设规模多样性、分布空间的广泛性等因素的综合影响,使得一些其他地物的光谱特征与太阳能光伏板的光谱特征具有极大的相似性,增加了太阳能光伏板遥感自动识别的挑战。
发明内容
针对上述背景技术中存在的不足,本发明提出了一种基于云平台的全球太阳能光伏板遥感自动识别方法,使得其他地物的光谱特征与太阳能光伏板的光谱特征具有区别性,实现了太阳能光伏板的准确自动识别。
本发明的技术方案是这样实现的:
一种基于云平台的全球太阳能光伏板遥感自动识别方法,其步骤如下:
S1、基于云平台采集研究区内X年全年的Landsat-8光学卫星影像,并分别对每景光学卫星影像进行预处理,得到X年全年的地表反射率图像集;
S2、根据太阳能光伏板的光谱特性,构造太阳能光伏板遥感识别指数,根据该太阳能光伏板遥感识别指数和步骤S1中得到的X年全年的地表反射率图像集计算得到X年全年的太阳能光伏板指数图像集;
S3、采用四分位数提取算法对步骤S2中得到的X年全年的太阳能光伏板指数图像集进行合成重构,选取重构后的太阳能光伏板指数图像集的第三四分位数图像作为模型输入图像的X年太阳能光伏板指数图像;
S4、根据现有的水体指数、植被指数和步骤S1中得到的X年全年的地表反射率图像集计算得到X年全年的水体指数图像集、植被指数图像集;
S5、采用四分位数提取算法分别对步骤S4中得到的X年全年的水体指数图像集、植被指数图像集进行合成重构,分别选取重构后的水体指数图像集、植被指数图像集中的第三四分位数图像作为模型输入图像的X年水体指数图像、植被指数图像;
S6、根据步骤S1中得到的X年全年的地表反射率图像集,分别计算得到X年全年的第一短波红外波段与第二短波红外波段差值的图像集、第一短波红外波段与近红外波段差值的图像集;
S7、采用四分位数提取算法分别对步骤S6中得到的X年全年的第一短波红外波段与第二短波红外波段差值的图像集、第一短波红外波段与近红外波段差值的图像集进行合成重构,分别选取第一短波红外波段与第二短波红外波段差值的图像集、第一短波红外波段与近红外波段差值的图像集中的第一四分位数图像作为模型输入图像的X年第一短波红外波段与第二短波红外波段差值图像、第一短波红外波段与近红外波段差值图像;
S8、采用四分位数提取算法对步骤S1中得到的X年全年的地表反射率图像集中的蓝色波段图像集、第一短波红外波段图像集进行合成重构,分别选取重构后的蓝色波段图像集、第一短波红外波段图像集中的第三四分位数图像作为模型输入图像的X年蓝色波段图像、第一短波红外波段图像;
S9、根据云平台中集成的研究区内数字高程模型数据计算得到研究区的地形坡度图像;
S10、构建一个空白图像,使空白图像的空间分辨率与模型输入图像的空间分辨率相同,空白图像的像元行列数与模型输入图像的像元行列数相同,并定义空白图像为识别结果图像;
S11、如果步骤S3中得到的X年太阳能光伏板指数图像中的像元位置i上的像元值大于阈值α,则执行步骤S12,否则,执行步骤S13;
S12、如果步骤S5中得到的X年水体指数图像中的像元位置i上的像元值小于阈值β,则识别结果图像中像元位置i的像元属性为太阳能光伏板,否则,像元位置i的像元属性为其他地物类型;
S13、如果步骤S3中得到的X年太阳能光伏板指数图像中的像元位置i上的像元值大于阈值γ,且步骤S5中得到的X年水体指数图像中的像元位置i上的像元值小于阈值β,则执行步骤S14,否则,识别结果图像中像元位置i的像元属性为其他地物类型;
S14、如果步骤S5中得到的X年植被指数图像中的像元位置i上的像元值小于阈值δ,则执行步骤S16,否则,执行步骤S15;
S15、如果像元位置i上的植被指数图像像元值与太阳能光伏板指数图像像元值的差值小于阈值δ与阈值γ的差,识别结果图像中像元位置i的像元属性为太阳能光伏板,否则,其像元属性为其他地物类型;
S16、在像元位置i上,如果步骤S9中得到的地形坡度图像中的像元值小于阈值ε,且步骤S8中得到的第一短波红外波段图像中的像元值位于区间(η,ζ)内,且步骤S8中得到的蓝色波段图像中的像元值小于阈值θ,则执行步骤S17,否则,识别结果图像中像元位置i的像元属性为其他地物类型;
S17、在像元位置i上,如果步骤S7中得到的第一短波红外波段与第二短波红外波段差值图像中的像元值大于阈值ι,且步骤S7中得到的第一短波红外波段与近红外波段差值图像中的像元值大于阈值κ,则识别结果图像中像元位置i的像元属性为太阳能光伏板,否则,其像元属性为其他地物类型;
S18、循环执行步骤S11至步骤S17,直至遍历完研究区内所有像元位置,完成研究区内太阳能光伏板的遥感自动识别。
优选地,所述预处理包括剔除云层影响和修正地表反射率;
修正地表反射率的方法为:对Landsat-8卫星影像中所有像元值乘以修正系数0.0000275,再减去0.2,得到Landsat-8卫星影像的地表反射率图像;
剔除云层影响的方法为:每景Landsat-8卫星数据中包含数据质量控制图像,如果其像元值等于3表示该像元为云,如果其像元值等于4表示该像元为云阴影,因此,数据质量控制图像中像元位置i上的像元值等于3或4,则将像元位置i上所有波段的像元值改写为空值,实现云层剔除处理。
优选地,所述太阳能光伏板遥感识别指数的构造方法为:
其中,SPIi表示太阳能光伏板指数图像中像元位置i上的太阳能光伏板指数,χswir1,i表示地表反射率图像中第一短波红外波段上像元位置i上的地表反射率,χswir2,i表示地表反射率图像中第二短波红外波段上像元位置i上的地表反射率,χnir,i表示地表反射率图像中近红外波段上像元位置i上的地表反射率,χred,i表示地表反射率图像中红色波段上像元位置i上的地表反射率,i=1,2,…,n,n为地表反射率图像中像元的总数量。
优选地,步骤S3的实现方法为:首先,在像元尺度上对X年全年的太阳能光伏板指数值进行排序,在像元位置i上存在N个太阳能光伏板指数值,将这N个数值按照从小到大的顺序重新排列,提取位于第三四分位数位置的数值作为像元位置i上的像元值,依次遍历所有像元位置,即得到用于模型输入的X年太阳能光伏板指数图像。
优选地,所述水体指数、植被指数的表达式分别为:
WIi=(χgreen,i-χswir1,i)/(χgreen,i+χswir1,i),
VIi=(χnir,i-χred,i)/(χnir,i+χred,i),
其中,WIi表示水体指数图像中像元位置i上的水体指数,VIi表示植被指数图像中像元位置i上的植被指数,χgreen,i表示地表反射率图像中绿色波段上像元位置i上的地表反射率。
优选地,所述阈值α的确定方法为:分别采集太阳能光伏板和其他地物的样本,分别统计这两类目标地物在步骤S3中得到的太阳能光伏板指数图像中的像元值分布区间,取其他地物像元值分布区间的最大值作为阈值α。
与现有技术相比,本发明产生的有益效果为:
(1)本发明提出了一种基于光学卫星影像的太阳能光伏板遥感指数,即SPI(SolarPanlar Index)指数,为太阳能光伏板遥感识别提供了理论基础;
(2)本发明创建的太阳能光伏板遥感自动识别模型,充分利用了太阳能光伏板的光谱特征,能够准确自动识别太阳能光伏板分布信息。
附图说明
为了更清楚地说明本发明实施例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简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明的流程图;
图2为本发明的太阳能光伏板的识别结果。
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付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。
如图1所示,本发明实施例提供了一种基于云平台的全球太阳能光伏板遥感自动识别方法,具体步骤如下:
S1、以青海省龙羊峡光伏电站为研究区,基于云平台采集研究区内2021年全年的Landsat-8光学卫星影像,共计45景,并分别对每景光学卫星影像进行预处理,包括剔除云层影响、修正地表反射率等,得到2021年全年的地表反射率图像集。
剔除云层影响的方法为:每景Landsat-8卫星数据中包含数据质量控制图像,如果其像元值等于3表示该像元为云,如果其像元值等于4表示该像元为云阴影。因此,如果数据质量控制图像中像元位置i上的像元值等于3或4,则将像元位置i上所有波段的像元值改写为空值,实现云层剔除处理。
修正地表反射率的方法为:对Landsat-8卫星影像中所有像元值乘以修正系数0.0000275,再减去0.2,即得到Landsat-8卫星影像的地表反射率图像;每景Landsat-8卫星影像中包括6个波段图像,即蓝色波段反射率图像、绿色波段反射率图像、红色波段反射率图像、近红外波段反射率图像、第一短波红外波段反射率图像、第二短波红外波段反射率图像。
S2、通过3216个像元样本分析得到太阳能光伏板在Landsat-8光学影像中的光谱特性,根据太阳能光伏板的光谱特性,构造太阳能光伏板遥感识别指数,根据该太阳能光伏板遥感识别指数和步骤S1中得到的2021年全年的地表反射率图像集计算得到2021年全年的太阳能光伏板指数图像集。
太阳能光伏板遥感识别指数的构造方法为:
其中,SPIi表示太阳能光伏板指数图像中像元位置i上的太阳能光伏板指数,χswir1,i表示地表反射率图像中第一短波红外波段上像元位置i上的地表反射率,χswir2,i表示地表反射率图像中第二短波红外波段上像元位置i上的地表反射率,χnir,i表示地表反射率图像中近红外波段上像元位置i上的地表反射率,χred,i表示地表反射率图像中红色波段上像元位置i上的地表反射率,i=1,2,…,n,n为地表反射率图像中像元的总数量。
S3、采用四分位数提取算法对步骤S2中得到的2021年全年的太阳能光伏板指数图像集进行合成重构,选取重构后的太阳能光伏板指数图像集的第三四分位数图像作为模型输入图像的2021年太阳能光伏板指数图像。
步骤S3的实现方法为:首先,在像元尺度上对2021年全年的太阳能光伏板指数值进行排序,在像元位置i上存在N个太阳能光伏板指数值,将这N个数值按照从小到大的顺序重新排列,提取位于第三四分位数位置的数值作为像元位置i上的像元值,依次遍历所有像元位置,即得到用于模型输入的2021年太阳能光伏板指数图像。
S4、根据现有的水体指数、植被指数和步骤S1中得到的X年全年的地表反射率图像集计算得到X年全年的水体指数图像集、植被指数图像集;其中,水体指数、植被指数的表达式分别为:
WIi=(χgreen,i-χswir1,i)/(χgreen,i+χswir1,i),
VIi=(χnir,i-χred,i)/(χnir,i+χred,i),
其中,WIi表示水体指数图像中像元位置i上的水体指数,VIi表示植被指数图像中像元位置i上的植被指数,χgreen,i表示地表反射率图像中绿色波段上像元位置i上的地表反射率。
S5、采用四分位数提取算法分别对步骤S4中得到的2021年全年的水体指数图像集、植被指数图像集进行合成重构,分别选取重构后的水体指数图像集、植被指数图像集中的第三四分位数图像作为模型输入图像的2021年水体指数图像、植被指数图像。
S6、根据步骤S1中得到的2021年全年的地表反射率图像集,分别计算得到2021年全年的第一短波红外波段与第二短波红外波段差值的图像集、第一短波红外波段与近红外波段差值的图像集。
S7、采用四分位数提取算法分别对步骤S6中得到的2021年全年的第一短波红外波段与第二短波红外波段差值的图像集、第一短波红外波段与近红外波段差值的图像集进行合成重构,分别选取第一短波红外波段与第二短波红外波段差值的图像集、第一短波红外波段与近红外波段差值的图像集中的第一四分位数图像作为模型输入图像的2021年第一短波红外波段与第二短波红外波段差值图像、第一短波红外波段与近红外波段差值图像。
S8、采用四分位数提取算法对步骤S1中得到的2021年全年的地表反射率图像集中的蓝色波段图像集、第一短波红外波段图像集进行合成重构,分别选取重构后的蓝色波段图像集、第一短波红外波段图像集中的第三四分位数图像作为模型输入图像的2021年蓝色波段图像、第一短波红外波段图像。
S9、根据云平台中集成的研究区内数字高程模型数据计算得到研究区的地形坡度图像。
S10、上述步骤中得到的模型输入图像具有相同的空间分辨率和像元行列数;构建一个空白图像,使空白图像的空间分辨率与模型输入图像的空间分辨率相同,空白图像的像元行列数与模型输入图像的像元行列数相同,并定义空白图像为识别结果图像。
S11、如果步骤S3中得到的2021年太阳能光伏板指数图像中的像元位置i上的像元值大于阈值α,则执行步骤S12,否则,执行步骤S13;阈值α的确定方法为:分别采集太阳能光伏板和其他地物的样本,分别统计这两类目标地物在步骤S3中得到的太阳能光伏板指数图像中的像元值分布区间,取其他地物像元值分布区间的最大值作为阈值α。本实施例中α=0.3。
S12、如果步骤S5中得到的2021年水体指数图像中的像元位置i上的像元值小于阈值β,则识别结果图像中像元位置i的像元属性为太阳能光伏板,否则,像元位置i的像元属性为其他地物类型;本实施例中β=0。
S13、如果步骤S3中得到的2021年太阳能光伏板指数图像中的像元位置i上的像元值大于阈值γ,且步骤S5中得到的2021年水体指数图像中的像元位置i上的像元值小于阈值β,则执行步骤S14,否则,识别结果图像中像元位置i的像元属性为其他地物类型;本实施例中γ=0.08。
S14、如果步骤S5中得到的2021年植被指数图像中的像元位置i上的像元值小于阈值δ,则执行步骤S16,否则,执行步骤S15;本实施例中δ=0.39。
S15、如果像元位置i上的植被指数图像像元值与太阳能光伏板指数图像像元值的差值小于阈值δ与阈值γ的差,识别结果图像中像元位置i的像元属性为太阳能光伏板,否则,其像元属性为其他地物类型。
S16、在像元位置i上,如果步骤S9中得到的地形坡度图像中的像元值小于阈值ε,且步骤S8中得到的第一短波红外波段图像中的像元值位于区间(η,ζ)内,且步骤S8中得到的蓝色波段图像中的像元值小于阈值θ,则执行步骤S17,否则,识别结果图像中像元位置i的像元属性为其他地物类型;本实施例中ε=12,η=0.09,ζ=0.34,θ=0.14。
S17、在像元位置i上,如果步骤S7中得到的第一短波红外波段与第二短波红外波段差值图像中的像元值大于阈值ι,且步骤S7中得到的第一短波红外波段与近红外波段差值图像中的像元值大于阈值κ,则识别结果图像中像元位置i的像元属性为太阳能光伏板,否则,其像元属性为其他地物类型;本实施例中ι=0.03,κ=0。
S18、循环执行步骤S11至步骤S17,直至遍历完研究区内所有像元位置,完成研究区内太阳能光伏板的遥感自动识别。
为了验证本发明的效果,本发明以2021年青海省龙羊峡太阳能光伏电站为研究区,卫星影像为Landsat-8光学卫星影像,识别结果如图2所示。通过图2可以看出龙羊峡太阳能光伏电站的边界等纹理信息完整,道路等其他地物可以被有效区分,说明了本发明对太阳能光伏板识别的可靠性、准确性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于云平台的全球太阳能光伏板遥感自动识别方法,其特征在于,其步骤如下:
S1、基于云平台采集研究区内X年全年的Landsat-8光学卫星影像,并分别对每景光学卫星影像进行预处理,得到X年全年的地表反射率图像集;
S2、根据太阳能光伏板的光谱特性,构造太阳能光伏板遥感识别指数,根据该太阳能光伏板遥感识别指数和步骤S1中得到的X年全年的地表反射率图像集计算得到X年全年的太阳能光伏板指数图像集;
所述太阳能光伏板遥感识别指数的构造方法为:
其中,SPIi表示太阳能光伏板指数图像中像元位置i上的太阳能光伏板指数,χswir1,i表示地表反射率图像中第一短波红外波段上像元位置i上的地表反射率,χswir2,i表示地表反射率图像中第二短波红外波段上像元位置i上的地表反射率,χnir,i表示地表反射率图像中近红外波段上像元位置i上的地表反射率,χred,i表示地表反射率图像中红色波段上像元位置i上的地表反射率,i=1,2,…,n,n为地表反射率图像中像元的总数量;
S3、采用四分位数提取算法对步骤S2中得到的X年全年的太阳能光伏板指数图像集进行合成重构,选取重构后的太阳能光伏板指数图像集的第三四分位数图像作为模型输入图像的X年太阳能光伏板指数图像;
S4、根据现有的水体指数、植被指数和步骤S1中得到的X年全年的地表反射率图像集计算得到X年全年的水体指数图像集、植被指数图像集;
S5、采用四分位数提取算法分别对步骤S4中得到的X年全年的水体指数图像集、植被指数图像集进行合成重构,分别选取重构后的水体指数图像集、植被指数图像集中的第三四分位数图像作为模型输入图像的X年水体指数图像、植被指数图像;
S6、根据步骤S1中得到的X年全年的地表反射率图像集,分别计算得到X年全年的第一短波红外波段与第二短波红外波段差值的图像集、第一短波红外波段与近红外波段差值的图像集;
S7、采用四分位数提取算法分别对步骤S6中得到的X年全年的第一短波红外波段与第二短波红外波段差值的图像集、第一短波红外波段与近红外波段差值的图像集进行合成重构,分别选取第一短波红外波段与第二短波红外波段差值的图像集、第一短波红外波段与近红外波段差值的图像集中的第一四分位数图像作为模型输入图像的X年第一短波红外波段与第二短波红外波段差值图像、第一短波红外波段与近红外波段差值图像;
S8、采用四分位数提取算法对步骤S1中得到的X年全年的地表反射率图像集中的蓝色波段图像集、第一短波红外波段图像集进行合成重构,分别选取重构后的蓝色波段图像集、第一短波红外波段图像集中的第三四分位数图像作为模型输入图像的X年蓝色波段图像、第一短波红外波段图像;
S9、根据云平台中集成的研究区内数字高程模型数据计算得到研究区的地形坡度图像;
S10、构建一个空白图像,使空白图像的空间分辨率与模型输入图像的空间分辨率相同,空白图像的像元行列数与模型输入图像的像元行列数相同,并定义空白图像为识别结果图像;
S11、如果步骤S3中得到的X年太阳能光伏板指数图像中的像元位置i上的像元值大于阈值α,则执行步骤S12,否则,执行步骤S13;
S12、如果步骤S5中得到的X年水体指数图像中的像元位置i上的像元值小于阈值β,则识别结果图像中像元位置i的像元属性为太阳能光伏板,否则,像元位置i的像元属性为其他地物类型;
S13、如果步骤S3中得到的X年太阳能光伏板指数图像中的像元位置i上的像元值大于阈值γ,且步骤S5中得到的X年水体指数图像中的像元位置i上的像元值小于阈值β,则执行步骤S14,否则,识别结果图像中像元位置i的像元属性为其他地物类型;
S14、如果步骤S5中得到的X年植被指数图像中的像元位置i上的像元值小于阈值δ,则执行步骤S16,否则,执行步骤S15;
S15、如果像元位置i上的植被指数图像像元值与太阳能光伏板指数图像像元值的差值小于阈值δ与阈值γ的差,识别结果图像中像元位置i的像元属性为太阳能光伏板,否则,其像元属性为其他地物类型;
S16、在像元位置i上,如果步骤S9中得到的地形坡度图像中的像元值小于阈值ε,且步骤S8中得到的第一短波红外波段图像中的像元值位于区间(η,ζ)内,且步骤S8中得到的蓝色波段图像中的像元值小于阈值θ,则执行步骤S17,否则,识别结果图像中像元位置i的像元属性为其他地物类型;
S17、在像元位置i上,如果步骤S7中得到的第一短波红外波段与第二短波红外波段差值图像中的像元值大于阈值ι,且步骤S7中得到的第一短波红外波段与近红外波段差值图像中的像元值大于阈值κ,则识别结果图像中像元位置i的像元属性为太阳能光伏板,否则,其像元属性为其他地物类型;
S18、循环执行步骤S11至步骤S17,直至遍历完研究区内所有像元位置,完成研究区内太阳能光伏板的遥感自动识别。
2.根据权利要求1所述的基于云平台的全球太阳能光伏板遥感自动识别方法,其特征在于,所述预处理包括剔除云层影响和修正地表反射率;
修正地表反射率的方法为:对Landsat-8卫星影像中所有像元值乘以修正系数0.0000275,再减去0.2,得到Landsat-8卫星影像的地表反射率图像;
剔除云层影响的方法为:每景Landsat-8卫星数据中包含数据质量控制图像,如果其像元值等于3表示该像元为云,如果其像元值等于4表示该像元为云阴影,因此,数据质量控制图像中像元位置i上的像元值等于3或4,则将像元位置i上所有波段的像元值改写为空值,实现云层剔除处理。
3.根据权利要求1所述的基于云平台的全球太阳能光伏板遥感自动识别方法,其特征在于,步骤S3的实现方法为:首先,在像元尺度上对X年全年的太阳能光伏板指数值进行排序,在像元位置i上存在N个太阳能光伏板指数值,将这N个数值按照从小到大的顺序重新排列,提取位于第三四分位数位置的数值作为像元位置i上的像元值,依次遍历所有像元位置,即得到用于模型输入的X年太阳能光伏板指数图像。
4.根据权利要求1所述的基于云平台的全球太阳能光伏板遥感自动识别方法,其特征在于,所述水体指数、植被指数的表达式分别为:
WIi=(χgreen,i-χswir1,i)/(χgreen,i+χswir1,i),
VIi=(χnir,i-χred,i)/(χnir,i+χred,i),
其中,WIi表示水体指数图像中像元位置i上的水体指数,VIi表示植被指数图像中像元位置i上的植被指数,χgreen,i表示地表反射率图像中绿色波段上像元位置i上的地表反射率。
5.根据权利要求1所述的基于云平台的全球太阳能光伏板遥感自动识别方法,其特征在于,所述阈值α的确定方法为:分别采集太阳能光伏板和其他地物的样本,分别统计这两类目标地物在步骤S3中得到的太阳能光伏板指数图像中的像元值分布区间,取其他地物像元值分布区间的最大值作为阈值α。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210094492.XA CN114419463B (zh) | 2022-01-26 | 2022-01-26 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
US18/099,280 US11734923B2 (en) | 2022-01-26 | 2023-01-20 | Method for automatically identifying global solar photovoltaic (PV) panels based on cloud platform by using remote sensing |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210094492.XA CN114419463B (zh) | 2022-01-26 | 2022-01-26 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114419463A CN114419463A (zh) | 2022-04-29 |
CN114419463B true CN114419463B (zh) | 2022-09-30 |
Family
ID=81277545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210094492.XA Active CN114419463B (zh) | 2022-01-26 | 2022-01-26 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11734923B2 (zh) |
CN (1) | CN114419463B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292154B (zh) * | 2023-11-24 | 2024-02-06 | 天津师范大学 | 基于密集时序遥感影像的长时序地物样本自动生产方法 |
CN117685929B (zh) * | 2024-02-01 | 2024-05-03 | 中国地质调查局西安矿产资源调查中心 | 一种用于监测光伏板空间分布信息的方法和终端设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629494A (zh) * | 2018-04-19 | 2018-10-09 | 三峡大学 | 干旱等级评估方法及系统 |
CN109840516A (zh) * | 2019-03-06 | 2019-06-04 | 福州大学 | 一种基于时序遥感影像的水体变化自动识别方法 |
CN110472184A (zh) * | 2019-08-22 | 2019-11-19 | 电子科技大学 | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 |
CN111062265A (zh) * | 2019-11-28 | 2020-04-24 | 福州大学 | 一种适于高光谱遥感影像的阴影检测方法 |
CN111209871A (zh) * | 2020-01-09 | 2020-05-29 | 河南大学 | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 |
CN111611921A (zh) * | 2020-05-21 | 2020-09-01 | 佛山市高明曦逻科技有限公司 | 一种基于遥感大数据的太阳能板识别系统 |
CN112101256A (zh) * | 2020-09-21 | 2020-12-18 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
CN112348030A (zh) * | 2021-01-11 | 2021-02-09 | 航天宏图信息技术股份有限公司 | 一种太阳能光伏板识别方法、装置、电子设备及存储介质 |
CN112668705A (zh) * | 2021-03-17 | 2021-04-16 | 清华大学 | 基于深度学习的干旱指数监测方法及系统 |
CN113936226A (zh) * | 2021-11-23 | 2022-01-14 | 河南大学 | 一种基于遥感云计算的全球冰川搜索识别方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10482197B2 (en) * | 2007-02-12 | 2019-11-19 | Locus Energy, Inc. | Solar irradiance modeling augmented with atmospheric water vapor data |
US9686122B2 (en) * | 2010-05-10 | 2017-06-20 | Locus Energy, Inc. | Methods for orientation and tilt identification of photovoltaic systems and solar irradiance sensors |
US8374431B2 (en) * | 2010-07-27 | 2013-02-12 | Aerotec, Llc | Method and apparatus for direct detection, location, analysis, identification, and reporting of vegetation clearance violations |
US9858727B2 (en) * | 2016-01-22 | 2018-01-02 | Locus Energy, Inc. | Augmented reality tools for PV solar and/or storage system site survey, installation, commissioning, and operation and maintenance supported by on-site data collection |
GB201601660D0 (en) * | 2016-01-29 | 2016-03-16 | Global Surface Intelligence Ltd | System and method for earth observation and analysis |
US10839436B2 (en) * | 2017-02-15 | 2020-11-17 | Xendee Corporation | Cloud computing smart solar configurator |
US20220077820A1 (en) * | 2020-09-04 | 2022-03-10 | Mgit | Method and system for soar photovoltaic power station monitoring |
-
2022
- 2022-01-26 CN CN202210094492.XA patent/CN114419463B/zh active Active
-
2023
- 2023-01-20 US US18/099,280 patent/US11734923B2/en active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629494A (zh) * | 2018-04-19 | 2018-10-09 | 三峡大学 | 干旱等级评估方法及系统 |
CN109840516A (zh) * | 2019-03-06 | 2019-06-04 | 福州大学 | 一种基于时序遥感影像的水体变化自动识别方法 |
CN110472184A (zh) * | 2019-08-22 | 2019-11-19 | 电子科技大学 | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 |
CN111062265A (zh) * | 2019-11-28 | 2020-04-24 | 福州大学 | 一种适于高光谱遥感影像的阴影检测方法 |
CN111209871A (zh) * | 2020-01-09 | 2020-05-29 | 河南大学 | 一种基于光学卫星影像的油菜种植地块遥感自动识别方法 |
CN111611921A (zh) * | 2020-05-21 | 2020-09-01 | 佛山市高明曦逻科技有限公司 | 一种基于遥感大数据的太阳能板识别系统 |
CN112101256A (zh) * | 2020-09-21 | 2020-12-18 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
CN112348030A (zh) * | 2021-01-11 | 2021-02-09 | 航天宏图信息技术股份有限公司 | 一种太阳能光伏板识别方法、装置、电子设备及存储介质 |
CN112668705A (zh) * | 2021-03-17 | 2021-04-16 | 清华大学 | 基于深度学习的干旱指数监测方法及系统 |
CN113936226A (zh) * | 2021-11-23 | 2022-01-14 | 河南大学 | 一种基于遥感云计算的全球冰川搜索识别方法 |
Non-Patent Citations (2)
Title |
---|
Early-Season Mapping of Winter Crops Using Sentinel-2 Optical Imagery;Haifeng Tian等;《MDPI》;20210924;全文 * |
基于高分影像的光伏电场自动化提取应用研究;严瑾 等;《测绘与空间地理信息》;20210831;第75-77页 * |
Also Published As
Publication number | Publication date |
---|---|
US11734923B2 (en) | 2023-08-22 |
CN114419463A (zh) | 2022-04-29 |
US20230237794A1 (en) | 2023-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112836610B (zh) | 一种基于遥感数据的土地利用变化与碳储量定量估算方法 | |
CN114419463B (zh) | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 | |
CN108764255B (zh) | 一种冬小麦种植信息的提取方法 | |
CN111598019B (zh) | 基于多源遥感数据的作物类型与种植模式识别方法 | |
CN111582194B (zh) | 基于多特征lstm网络的多时相高分辨率遥感影像的建筑物提取方法 | |
CN105809148B (zh) | 基于遥感时空谱融合的作物干旱识别及风险评估方法 | |
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 | |
CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN107688777A (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
CN113205014B (zh) | 一种基于图像锐化的时序数据耕地提取方法 | |
CN113936226B (zh) | 一种基于遥感云计算的全球冰川搜索识别方法 | |
CN113936214A (zh) | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 | |
CN115272860A (zh) | 一种水稻种植区的确定方法、系统、电子设备及存储介质 | |
CN113887493A (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
CN116704369A (zh) | 一种面向对象的光学与sar遥感影像融合洪水提取方法和系统 | |
Danoedoro et al. | Combining pan-sharpening and forest cover density transformation methods for vegetation mapping using Landsat-8 Satellite Imagery | |
CN113902759B (zh) | 一种空谱信息联合的星载高光谱影像分割与聚类方法 | |
CN113111794B (zh) | 一种面向图斑的高分辨率年度城市绿地遥感信息提取方法 | |
CN114266968B (zh) | 一种城市不同土地覆盖类型遥感自动解译方法 | |
CN117292154B (zh) | 基于密集时序遥感影像的长时序地物样本自动生产方法 | |
CN113096114B (zh) | 结合形态与指数的高分辨率城市水体图斑遥感提取方法 | |
CN111339909A (zh) | 一种基于多尺度区域生长的地表线状水体的提取算法 | |
CN117423011A (zh) | 一种森林碳储量遥感估算方法、系统、设备及介质 |
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 |