CN114529814B - 基于多源数据的黄土高原淤地坝提取方法 - Google Patents

基于多源数据的黄土高原淤地坝提取方法 Download PDF

Info

Publication number
CN114529814B
CN114529814B CN202210092111.4A CN202210092111A CN114529814B CN 114529814 B CN114529814 B CN 114529814B CN 202210092111 A CN202210092111 A CN 202210092111A CN 114529814 B CN114529814 B CN 114529814B
Authority
CN
China
Prior art keywords
data
dam
flow
extraction method
range
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
Application number
CN202210092111.4A
Other languages
English (en)
Other versions
CN114529814A (zh
Inventor
钱伟
王春
代文
陈凯
范佳鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202210092111.4A priority Critical patent/CN114529814B/zh
Publication of CN114529814A publication Critical patent/CN114529814A/zh
Application granted granted Critical
Publication of CN114529814B publication Critical patent/CN114529814B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于多源数据的黄土高原淤地坝提取方法，首先，对已有的高分辨率遥感影像数据和DEM数据，构建淤地坝样本数据集，构建并训练神经网络；其次，使用神经网络对遥感影像中的淤积范围进行识别，同时对研究区的DEM进行填洼、流向计算，生成汇流累积量数据，并用得到的淤积范围对该数据进行裁剪；再次，对得到的淤积范围内的流量数据进行窗口分析，统计窗口中的最大值，并赋给中心栅格，得到最大汇流量统计栅格；最后，将得到最大汇流量统计栅格减去裁剪得到的对应淤地坝流量数据，值为0的像元视为淤地坝位置。本发明节省了野外调查的时间与人力物力的成本，能为水土保持监测和淤地坝工程提供丰富、便利的基础数据。

Description

基于多源数据的黄土高原淤地坝提取方法
技术领域
本发明属于水土保持和国土资源监测技术，具体涉及一种基于高分辨率遥感影像和DEM的淤地坝自动化提取方法。
背景技术
黄河流域地形破碎，沟壑纵横，土层深厚，水土流失严重，且经过多年的淤地坝建设，已经形成了主沟坝系和子坝系，以其为样区建立的流域侵蚀基准体系具有一定的代表性。中国水资源丰富，尤其黄河流域，特殊的地貌条件和气候条件造成该区域沟床下切、沟头延伸，水土流失严重。为了解决水土流失这一世界难题，全球水利工作者们做了许多努力和尝试，淤地坝是极为有效的工程措施。淤地坝通过“拦、蓄、淤”，既能将洪水、泥沙就地拦蓄，有效防止水土流失，又能淤泥造地，充分利用水沙资源，改变农业生产基本条件，改善当地生态环境，是一项独特的水土保持工程措施。然而，随着淤地坝不断投入使用，大量的淤地坝却基本都是采用人工调查，这就需要一个统一的方案将各地淤地坝信息进行整合，进一步研究实现智能化和数字化管理，为数据信息的使用提供更加便捷的服务。
发明内容
发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于高分辨率遥感影像和DEM的多源数据的黄土高原淤地坝提取方法，为水土保持监测和国土资源调查等有关部门提供基础数据和决策支持。
技术方案：本发明的一种基于高分辨率遥感影像和DEM的多源数据的黄土高原淤地坝提取方法，包括以下步骤：
(1)构建淤地坝样本数据集，包括若干高分辨率遥感影像数据及其对应的标签；
(2)构建淤地坝识别神经网络，利用步骤(1)中的淤地坝样本数据集，对神经网络进行训练，得到淤地坝识别模型；
(3)获取研究区域的高分辨率遥感影像数据和DEM；使用步骤(2)中的淤地坝识别模型，对研究区域的高分辨率遥感影像数据中的淤积范围进行识别；
(4)对研究区域的DEM进行填洼、流向计算，生成汇流累积量数据；
(5)用步骤(3)中识别出的淤积范围对步骤(4)中得到的汇流累积量数据进行裁剪，得到每个淤积范围内的流量数据；
(6)步骤(5)中得到的每个淤积范围内的流量数据的最大值对应的位置，即为淤地坝的位置。
进一步的，所述步骤(2)中所用的神经网络框架是U-Net框架。
进一步的，所述步骤(4)中计算流向采用的是D8单流向模型。
进一步的，所述步骤(4)所述步骤(4)中计算流量得到的结果是上游区域的累积流量，上游每个像元的流量权重值均设为1。
进一步的，所述步骤(4)中累积流量基于流入输出栅格中每个像元的总像元数或部分像元数。累积中不会考虑当前处理的像元。
进一步的，所述步骤(6)具体为：对每个淤积范围内的流量数据进行窗口分析，统计窗口中的最大值，并赋给中心栅格，得到最大汇流量统计栅格；将最大汇流量统计栅格减去步骤(5)中对应的淤积范围内流量数据，值为0的像元视为淤地坝的位置。
进一步的，所述窗口是矩形，矩形邻域是通过提供以像元或地图单位定义的宽度和高度进行指定的；仅将中心处于定义对象内的像元作为矩形邻域的一部分进行处理。
进一步的，所述窗口大小是25*25。
有益效果：本发明提供了自动化淤地坝提取方法，节省了野外调查的时间与人力物力的成本，能为水土保持监测和淤地坝的调查、布局、建设等工程提供更丰富、便利的基础数据。
附图说明
图1是本发明提供的淤地坝提取方法的流程图；
图2是实施例样区高分辨率遥感影像和DEM；
图3是淤积范围训练样本数据(部分)；
图4是淤积范围提取结果；
图5是流量计算结果；
图6是淤积范围内的流量；
图7是淤地坝点位提取结果图。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
如图1所示，本发明的一种基于高分辨率遥感影像和DEM的淤地坝自动化提取方法，依次包括以下步骤：
(1)构建淤地坝样本数据集，包括若干高分辨率遥感影像数据及其对应的标签；
(2)构建淤地坝识别神经网络，利用步骤(1)中的淤地坝样本数据集，对神经网络进行训练，得到淤地坝识别模型；
(3)获取研究区域的高分辨率遥感影像数据和DEM；使用步骤(2)中的淤地坝识别模型，对研究区域的高分辨率遥感影像数据中的淤积范围进行识别；
(4)对研究区域的DEM进行填洼、流向计算，生成汇流累积量数据；
(5)用步骤(3)中识别出的淤积范围对步骤(4)中得到的汇流累积量数据进行裁剪，得到每个淤积范围内的流量数据；
(6)步骤(5)中得到的每个淤积范围内的流量数据的最大值对应的位置，即为淤地坝的位置。
实施例：
针对如图2所示的样区高分辨率遥感影像，采用以下步骤：
步骤一，首先获取高分辨率遥感影像，并利用已有的底图资料进行裁剪，得到陕西省绥德县韭园沟流域，该区域属于黄土丘陵沟壑第I副区，面积约为70km2。本例中使用的高分辨率遥感影像为0.5m分辨率的Google Earth影像，裁剪后的影像如图2所示；使用的DEM的影像分辨率为5米。
步骤二，先输入高分辨率遥感影像和样本标签数据构成的样本数据(如图3所示)，通过一系列卷积、池化等操作，构建并训练神经网络，该方法中使用的框架为U-Net框架。
步骤三，使用步骤二构建的神经网络对遥感影像中的淤积范围进行识别，提取该流域的淤积范围(如图4所示)，并采用混淆矩阵和F值对提取结果进行定量评价。
步骤四，对研究区的DEM进行填洼、流向计算，最后生成汇流累积量数据(如图5所示)。
步骤五，用步骤三中提取的淤积范围对步骤四中得到的汇流累积量进行裁剪，得到每个淤积范围内的流量数据(如图6所示)。
步骤六，对步骤五中得到的淤积范围内的流量数据进行窗口分析，统计窗口中的最大值，并赋给中心栅格，得到最大汇流量统计栅格。
步骤七，将步骤六中得到的最大汇流量统计栅格减去步骤五中对应淤地坝的流量数据，得到淤地坝的位置。
步骤八，栅格转点，将步骤七中得到的连接栅格转换成矢量点，即得到淤地坝。最终结果如图7所示，通过与原始影像叠加显示，可以发现其匹配精度较好，几乎所有的淤地坝均被成功的提取。
对于最终的黄土高原淤积面积和淤地坝提取结果，采用混淆矩阵和F值进行定量评价，公式如下：
Precision精度＝TP/(TP+FP)
Recall敏感度＝TP/(TP+FN)
F＝2*Precision*Recall/(Precision+Recall)
正确度＝正确点的个数/总点的个数
完整率＝提取的正确个数/真实值(真实值做邻域分析，小于50米(坝的平均宽度为50米，所以选取50米做)的为正确，大于50米的为错误)
其中实际淤积面积和实际淤地坝由人工目视解译得到。
定量评价结果如表1所示，本发明所提取的淤积范围，精度、敏感度均在70％以上，F值在80％左右；即本发明具有较高的精度和实用性。
表1
区域 精度 敏感度 F
支流1 73％ 70％ 72％
支流2 92％ 85％ 89％
支流3 87％ 86％ 87％
支流4 80％ 93％ 86％
支流5 75％ 84％ 80％
淤地坝的正确度为81％；完整率为89％。
应当指出，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也在本申请权利要求的保护范围内。

Claims (8)

1.一种基于多源数据的黄土高原淤地坝提取方法，其特征在于：包括以下步骤：
(1)构建淤地坝样本数据集，包括若干高分辨率遥感影像数据及其对应的标签；
(2)构建淤地坝识别神经网络，利用步骤(1)中的淤地坝样本数据集，对神经网络进行训练，得到淤地坝识别模型；
(3)获取研究区域的高分辨率遥感影像数据和DEM；使用步骤(2)中的淤地坝识别模型，对研究区域的高分辨率遥感影像数据中的淤积范围进行识别；
(4)对研究区域的DEM进行填洼、流向计算，生成汇流累积量数据；
(5)用步骤(3)中识别出的淤积范围对步骤(4)中得到的汇流累积量数据进行裁剪，得到每个淤积范围内的流量数据；
(6)步骤(5)中得到的每个淤积范围内的流量数据的最大值对应的位置，即为淤地坝的位置。
2.根据权利要求1所述的基于多源数据的黄土高原淤地坝提取方法，其特征在于：所述步骤(2)中所用的神经网络框架是U-Net框架。
3.根据权利要求1所述的基于多源数据的黄土高原淤地坝提取方法，其特征在于：所述步骤(4)中计算流向采用的是D8单流向模型。
4.根据权利要求1所述的基于多源数据的黄土高原淤地坝提取方法，其特征在于：所述步骤(4)中计算流量得到的结果是上游区域的累积流量，上游每个像元的流量权重值均设为1。
5.根据权利要求1所述的基于多源数据的黄土高原淤地坝提取方法，其特征在于：所述步骤(4)中累积流量基于流入输出栅格中每个像元的总像元数或部分像元数。
6.根据权利要求1所述的基于多源数据的黄土高原淤地坝提取方法，其特征在于：所述步骤(6)具体为：对每个淤积范围内的流量数据进行窗口分析，统计窗口中的最大值，并赋给中心栅格，得到最大汇流量统计栅格；将最大汇流量统计栅格减去步骤(5)中对应的淤积范围内流量数据，值为0的像元视为淤地坝的位置。
7.根据权利要求6所述的基于多源数据的黄土高原淤地坝提取方法，其特征在于：所述窗口是矩形，矩形邻域是通过提供以像元或地图单位定义的宽度和高度进行指定的。
8.根据权利要求6所述的基于多源数据的黄土高原淤地坝提取方法，其特征在于：所述窗口大小是25*25。
CN202210092111.4A 2022-01-26 2022-01-26 基于多源数据的黄土高原淤地坝提取方法 Active CN114529814B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210092111.4A CN114529814B (zh) 2022-01-26 2022-01-26 基于多源数据的黄土高原淤地坝提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210092111.4A CN114529814B (zh) 2022-01-26 2022-01-26 基于多源数据的黄土高原淤地坝提取方法

Publications (2)

Publication Number Publication Date
CN114529814A CN114529814A (zh) 2022-05-24
CN114529814B true CN114529814B (zh) 2023-04-07

Family

ID=81622932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210092111.4A Active CN114529814B (zh) 2022-01-26 2022-01-26 基于多源数据的黄土高原淤地坝提取方法

Country Status (1)

Country Link
CN (1) CN114529814B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630554A (zh) * 2023-03-29 2023-08-22 南京信息工程大学 一种基于开源数据和条件生成对抗网络的地形建模方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109597868A (zh) * 2018-11-29 2019-04-09 中国水利水电科学研究院 一种大范围淤地坝位置确定方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372599B (zh) * 2016-08-30 2019-08-30 水利部水土保持监测中心 一种蓄水拦泥期淤地坝的提取方法和系统
CN108830871B (zh) * 2018-05-25 2022-02-11 南京师范大学 基于高分辨率遥感影像和dem的黄土浅沟自动化提取方法
CN109341665B (zh) * 2018-11-29 2023-12-05 中国水利水电科学研究院 一种淤地坝淤积状况调查系统和方法
CN110211128B (zh) * 2019-05-06 2023-02-17 南京泛在地理信息产业研究院有限公司 基于遥感影像和dem的黄土高原梯田提取方法
CN112750138B (zh) * 2021-01-14 2022-07-15 黄河勘测规划设计研究院有限公司 一种黄河流域淤地坝空间分布识别方法
CN113887515A (zh) * 2021-10-28 2022-01-04 中国自然资源航空物探遥感中心 一种基于卷积神经网络的遥感滑坡识别方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109597868A (zh) * 2018-11-29 2019-04-09 中国水利水电科学研究院 一种大范围淤地坝位置确定方法

Also Published As

Publication number Publication date
CN114529814A (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
Guan et al. Monitoring long-term gully erosion and topographic thresholds in the marginal zone of the Chinese Loess Plateau
Winterbottom et al. A GIS‐based approach to mapping probabilities of river bank erosion: regulated River Tummel, Scotland
CN111339711B (zh) 一种小流域设计洪水推求方法
CN110415265B (zh) 基于无人机高精度dem数据的梯田自动提取方法
CN109657841B (zh) 一种城市暴雨内涝积水深度提取方法
CN109597868B (zh) 一种大范围淤地坝位置确定方法
CN102135531A (zh) 大型浅水湖泊72小时蓝藻水华预测方法
CN110232737B (zh) 一种城市汇水区划分方法
CN110852526B (zh) 一种基于雨洪过程相似性判别的实时洪水预报方法
CN112700358B (zh) 一种海洋生态桩监测的海洋空间资源智能监管系统
CN111340668B (zh) 一种台风灾害评估系统
Ibrakhimov Spatial and temporal dynamics of groundwater table and salinity in Khorezm (Aral Sea Basin), Uzbekistan
CN113823088B (zh) 基于视觉识别技术的城市道路积水深度预测及预警方法
CN106779232A (zh) 一种城市内涝的建模预测方法
CN108846402A (zh) 基于多源数据的梯田田坎自动化提取方法
CN110838079A (zh) 一种智慧城市防洪排水远程监控系统及方法
CN112750138B (zh) 一种黄河流域淤地坝空间分布识别方法
CN115471980B (zh) 泥石流灾害预警方法
CN114529814B (zh) 基于多源数据的黄土高原淤地坝提取方法
CN114647881A (zh) 顾及建筑物微观水文过程的城市内涝建模方法
CN104698508B (zh) 一种用于土壤侵蚀野外调查的便携式装置及方法
CN116205136A (zh) 基于径流滞后信息的大尺度流域深度学习洪水预报方法
CN114528672B (zh) 基于3s技术的城市水文站网布设方法及系统
CN107480867A (zh) 自适应变尺度干旱评价模型及评价方法
Jabar et al. Incorporating a GIS-Based Approach and SWAT Model to Estimate Sediment in the Western Desert of Iraq

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