CN114580703A - 基于用地遥感识别时空变化解析的水量预测方法及装置 - Google Patents
基于用地遥感识别时空变化解析的水量预测方法及装置 Download PDFInfo
- Publication number
- CN114580703A CN114580703A CN202111676477.8A CN202111676477A CN114580703A CN 114580703 A CN114580703 A CN 114580703A CN 202111676477 A CN202111676477 A CN 202111676477A CN 114580703 A CN114580703 A CN 114580703A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- years
- land
- sensing image
- sewage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000008859 change Effects 0.000 title claims abstract description 76
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 68
- 238000004458 analytical method Methods 0.000 title claims abstract description 49
- 239000010865 sewage Substances 0.000 claims abstract description 73
- 238000010276 construction Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000005192 partition Methods 0.000 claims description 17
- 238000007476 Maximum Likelihood Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000008595 infiltration Effects 0.000 claims description 5
- 238000001764 infiltration Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003673 groundwater Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007849 functional defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000004457 water analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于用地遥感识别时空变化解析的水量预测方法及装置，包括获取a，a‑b，a‑2b，a‑3b，……，a‑mb年份的遥感影像图并对所获取的遥感影像图进行预处理；对预处理后的遥感影像图进行遥感影像分类处理以获取所有遥感影像图的分类土地利用情况；对已完成土地利用分析的所有遥感影像图像进行土地利用时空变化分析以获取(a‑b)～a年份，(a‑2b)～(a‑b)年份，(a‑3b)～(a‑2b)年份，……，(a‑mb)～(a‑(m‑1)b)年份土地利用时空变化数据；基于单位建设用地综合用水量指标法结合土地利用时空变化数据估算污水量的变化情况获取a，a‑b，a‑2b，a‑3b，……，a‑mb年份的污水量，进而预测a+nb年份的污水排放量Qa+nb。本发明的方法可为快速发展区域提供排水量的预测。
Description
技术领域
本发明涉及污水量预测技术领域，尤其是涉及一种基于用地遥感识别时空 变化解析的水量预测方法及装置。
背景技术
污水量是城市水资源承载力的重要组成部分，污水量的预测分析是确定污 水处理厂应急处理设施的重要依据。污水量预测是否准确、是否适应发展需求， 可直接影响片区污染削减能力和排水设施的利用效率，是区域实现环境友好、 协调发展的重要影响因素。
根据现有国家标准规范《城市给水工程规划规范》GB50282及《城市排水 工程规划规范》GB50318，城市用水量预测方法主要包含单位人口综合用水量 指标法、不同性质用地用水量指标法和单位建设用地综合用水量指标法等。污 水量则一般是通过计算城市用水量，再乘以污水排放系数及地下水渗入系数进 行预测。然后本申请人调研发现，管网存在历史欠账多、功能性缺陷、结构性 破损、雨水混错接等问题影响严重，清水渗入、河水倒灌等现象普遍发生，大 量分流制区域实际排水量高于城市用水量，甚至污水量可达到用水量的一倍， 而管网修复周期较长、投资高，直接用现有规范计算方法无法实现污水量的准 确预测。特别是当区域发生溢流，前期工程已经建成，后续工程需2-3年建设 周期，因此，针对如何合理有效的选取应急处理设施规模，如何预测水厂建成 后实际污水量规模，目前缺乏有效的评估预测方法。
发明内容
本发明的目的在于提供一种基于用地遥感识别时空变化解析的水量预测方 法及装置，以解决现有技术中对污水量的预测缺乏有效的评估预测方法的技术 问题。本发明提供的诸多技术方案中的优选技术方案所能产生的诸多技术效果 详见下文阐述。
为实现上述目的，本发明提供了以下技术方案：
本发明提供的一种基于用地遥感识别时空变化解析的水量预测方法，包括：
获取区域管网排水分区的边界信息、获取排水分区现状年份a的污水排水 量Qa和获取a，a-b，a-2b，a-3b，……，a-mb年份的遥感影像图并对所获取的 遥感影像图进行预处理；其中，m≥2，b为年份间隔；
对预处理后的遥感影像图进行遥感影像分类处理，以获取所有遥感影像图 的分类土地利用情况；
利用GIS软件并结合汇水分区信息，对已完成土地利用分析的所有遥感影 像图像进行土地利用时空变化分析，以获取(a-b)～a年份，(a-2b)～(a-b) 年份，(a-3b)～(a-2b)年份，……，(a-mb)～(a-(m-1)b)年份的土地利 用时空变化数据；
基于单位建设用地综合用水量指标法并结合(a-b)～a年份，(a-2b)～(a-b) 年份，(a-3b)～(a-2b)年份，……，(a-mb)～(a-(m-1)b)年份的土地利 用时空变化数据估算污水量的变化情况获取a，a-b，a-2b，a-3b，……，a-mb 年份的污水量，进而预测a+nb年份的污水排放量Qa+nb，其中n为正整数。
根据一种优选实施方式，所述的获取区域管网排水分区的边界信息、获取 排水分区内现状年份a的污水排水量Qa和获取a，a-b，a-2b，a-3b，……，a-mb 年份的遥感影像图并对所获取的遥感影像图进行预处理，包括：
结合区域管网的汇水分区与建设情况，获取区域管网排水分区的边界信息 和排水分区现有年份a的排水量Qa；
结合天气和月份因素筛选并获取a，a-b，a-2b，a-3b，……，a-mb年份的 遥感影像图；
对所获取的所有年份的遥感影像图进行预处理，其中，所述预处理包括几 何校正和大气地形校正。
根据一种优选实施方式，所述的对预处理后的遥感影像图进行遥感影像分 类处理，以获取所有遥感影像图的分类土地利用情况，包括：
对预处理后的a，a-b，a-2b，a-3b，……，a-mb年份的遥感影像图进行波 段合成和波段选择，采用空间信息遥感识别分类方法对合成的m+1张遥感影像 图进行遥感影像分类处理；获取所有遥感影像图的分类土地利用情况。
根据一种优选实施方式，所述空间信息遥感识别分类方法包括非监督分类 方法、监督分类方法、参数分类方法或硬分类方法；
其中，采用非监督分类方法对合成的m+1张遥感影像图进行遥感影响分类 处理，包括采用非监督分类方法的最大似然分类法，构建特征文件，构建识别 样本，应用最大似然分类工具分别对合成的m+1张遥感影像图进行遥感影像分 类处理。
根据一种优选实施方式，所述的利用GIS软件并结合汇水分区信息，对已 完成土地利用分析的所有遥感影像图像进行土地利用变化分析，以获取(a-b) ～a年份，(a-2b)～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb)～ (a-(m-1)b)年份的土地利用时空变化数据，包括：
利用GIS软件并结合汇水分区信息，对已完成土地利用分析的m+1张遥感 影像图像进行剪切处理；
应用重分类工具，对图像中的不同土地利用情况进行分别赋值，应用栅格 计算器，进行土地利用变化分析；
结合计算结果统计(a-b)～a年份，(a-2b)～(a-b)年份，(a-3b)～(a-2b) 年份，……，(a-mb)～(a-(m-1)b)年份的土地利用时空变化数据。
根据一种优选实施方式，所述的基于单位建设用地综合用水量指标法并结 合(a-b)～a年份，(a-2b)～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb) ～(a-(m-1)b)年份的土地利用变化数据估算污水量的变化情况获取a，a-b， a-2b，a-3b，……，a-mb年份的污水量，以预测a+nb年份的污水排放量Qa+nb， 包括：
根据单位建设用地综合用水量指标法：污水量＝[(建设用地面积*单位建设 用地用水量)/总变化系数]*污水排放系数*(1+地下水渗入系数)，得到污水 量与建设用地面积呈正比且为线性关系；
基于(a-b)～a年份，(a-2b)～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb)～(a-(m-1)b)年份的土地利用时空变化数据估算污水量变化情况， 获取a，a-b，a-2b，a-3b，……，a-mb年份的污水量；
基于a，a-b，a-2b，a-3b，……，a-mb年份的污水量预测a+nb年份的污水 排放量Qa+nb。
本发明还提供了一种基于用地遥感识别时空变化解析的水量预测装置，包 括：
数据获取和预处理模块，用于获取区域管网排水分区的边界信息、获取排 水分区现状年份a的污水排水量Qa和获取a，a-b，a-2b，a-3b，……，a-mb年 份的遥感影像图并对所获取的遥感影像图进行预处理；
遥感影像分类处理模块，用于对预处理后的遥感影像图进行遥感影像分类 处理，以获取所有遥感影像图的分类土地利用情况；
用地时空变化解析模块，用于利用GIS软件并结合汇水分区信息，对已完 成土地利用分析的所有遥感影像图像进行土地利用变化分析，以获取(a-b)～a 年份，(a-2b)～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb)～(a- (m-1)b)年份的土地利用时空变化数据；
水量分析预测模块，用于基于单位建设用地综合用水量指标法并结合(a-b) ～a年份，(a-2b)～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb)～ (a-(m-1)b)年份的土地利用时空变化数据估算污水量的变化情况获取a，a-b， a-2b，a-3b，……，a-mb年份的污水量，进而预测a+nb年份的污水排放量Qa+nb。
基于上述技术方案，本发明的基于用地遥感识别时空变化解析的水量预测 方法及装置至少具有如下技术效果：
本发明提供了一种基于用地遥感识别时空变化解析的水量预测方法，包括 获取区域管网排水分区的边界信息、获取排水分区现状年份a的污水排水量Qa和获取a，a-b，a-2b，a-3b，……，a-mb年份的遥感影像图并对所获取的遥感 影像图进行预处理；其中，m≥2，b为年份间隔；对预处理后的遥感影像图进 行遥感影像分类处理，以获取所有遥感影像图的分类土地利用情况；利用GIS 软件并结合汇水分区信息，对已完成土地利用分析的所有遥感影像图像进行土 地利用时空变化分析，以获取(a-b)～a年份，(a-2b)～(a-b)年份，(a-3b) ～(a-2b)年份，……，(a-mb)～(a-(m-1)b)年份的土地利用时空变化数 据；基于单位建设用地综合用水量指标法并结合(a-b)～a年份，(a-2b)～(a-b) 年份，(a-3b)～(a-2b)年份，……，(a-mb)～(a-(m-1)b)年份的土地利 用时空变化数据估算污水量的变化情况获取a，a-b，a-2b，a-3b，……，a-mb 年份的污水量，进而预测a+nb年份的污水排放量Qa+nb，其中n为正整数。因 此，本发明通过获取区域管网排水分区的边界信息，获取排水分区内现状年份 a的污水排水量Qa，进而获取a，a-b，a-2b，a-3b，……，a-mb年份的遥感影 像图，对遥感影像进行分类处理，结合GIS等空间信息技术对用地变化进行时 空变化解析，可实现实时、快捷、准确的获取城市的时空变化信息，进而对研 究区域未来排水量进行预测，本发明的方法具有广泛的应用场景，可为快速发 展区域提供排水量的预测，尤其是为应急工程排水量估算提供数据支撑或校核 方法。
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是本发明的基于用地遥感识别时空变化解析的水量预测方法；
图2是本发明实施例2中示出的2014、2017和2020年的遥感影像图；
图3是本发明实施例2中示出的对2014年、2017年和2020年的遥感影像 图进行处理的分类土地利用情况；
图4是本发明实施例2中示出的2014年-2107年与2017年-2020年的土地 利用时空变化图；
图5是本发明的基于用地遥感识别时空变化解析的水量预测装置的示意 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，下面将对本发明的技术方 案进行详细的描述。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 造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
实施例1
本实施例提供了一种基于用地遥感识别时空变化解析的水量预测方法，包 括：
步骤S101：获取区域管网排水分区的边界信息、获取排水分区现状年份a 的污水排水量Qa和获取a，a-b，a-2b，a-3b，……，a-mb年份的遥感影像图并 对所获取的遥感影像图进行预处理；其中，m≥2，b为年份间隔。
优选的，步骤S101还包括：结合区域管网的汇水分区与建设情况，获取区 域管网排水分区的边界信息和排水分区现有年份a的排水量Qa。结合天气和月 份因素筛选并获取a，a-b，a-2b，a-3b，……，a-mb年份的遥感影像图；对所 获取的所有年份的遥感影像图进行预处理，其中，预处理包括几何校正和大气 地形校正。
步骤S102：对预处理后的遥感影像图进行遥感影像分类处理，以获取所有 遥感影像图的分类土地利用情况。
优选的，S102步骤还包括：对预处理后的a，a-b，a-2b，a-3b，……，a-mb 年份的遥感影像图进行波段合成和波段选择，采用空间信息遥感识别分类方法 对合成的m+1张遥感影像图进行遥感影像分类处理；获取所有遥感影像图的分 类土地利用情况。
优选的，空间信息遥感识别分类方法包括非监督分类方法、监督分类方法、 参数分类方法或硬分类方法。优选的，采用非监督分类方法对合成的m张遥感 影像图进行遥感影响分类处理，包括采用非监督分类方法的最大似然分类法， 构建特征文件，构建识别样本，应用最大似然分类工具分别对合成的m+1张遥 感影像图进行遥感影像分类处理。
步骤S103：利用GIS软件并结合汇水分区信息，对已完成土地利用分析的 所有遥感影像图像进行土地利用时空变化分析，以获取(a-b)～a年份，(a-2b) ～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb)～(a-(m-1)b)年份 的土地利用时空变化数据。
优选的，步骤S103还包括：利用GIS软件并结合汇水分区信息，对已完 成土地利用分析的所有遥感影像图像进行剪切处理；然后应用重分类工具，对 图像中的不同土地利用情况进行分别赋值，应用栅格计算器，进行土地利用变 化分析；结合计算结果统计(a-b)～a年份，(a-2b)～(a-b)年份，(a-3b)～ (a-2b)年份，……，(a-mb)～(a-(m-1)b)年份的土地利用时空变化数据。
步骤S104：基于单位建设用地综合用水量指标法并结合(a-b)～a年份， (a-2b)～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb)～(a-(m-1) b)年份的土地利用时空变化数据估算污水量的变化情况获取a，a-b，a-2b， a-3b，……，a-mb年份的污水量，进而预测a+nb年份的污水排放量Qa+nb，其 中n为正整数。
优选的，步骤S104还包括：根据单位建设用地综合用水量指标法：污水 量＝[(建设用地面积*单位建设用地用水量)/总变化系数]*污水排放系数*(1+ 地下水渗入系数)，得到污水量与建设用地面积为正比且为线性关系。基于(a-b) ～a年份，(a-2b)～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb)～ (a-(m-1)b)年份的土地利用变化数据估算污水量变化情况，获取a-b，a-2b， a-3b，……，a-mb年份的污水量；基于a，a-b，a-2b，a-3b，……，a-mb年份 的污水量预测a+nb年份的污水排放量Qa+nb。
本发明的方法可为快速发展区域提供排水量的预测，尤其能够为应急工程 排水量估算提供数据支撑或校核方法。
实施例2
为了更清楚的介绍本申请的水量预测方法，本发明了提供了以下示例：
1、数据获取与预处理。
首先结合区域管网汇水分区与建设情况，获取区域内排水分区边界信息与 现状排水分区现状年份的排水量，现状年份为2020年，区域污水排水量为13.2 万吨/d，需预测3年后的区域水量增长情况，结合天气、月份因素筛选并获取 到2014年、2017年和2020年的区域遥感影像图；如图2所示，图2分别示出 了2014、2017和2020年的遥感影像图。
2、对遥感影像进行分类处理。
分别完成2014年、2017年、2020年的遥感影像图波段合成，波段选择， 采用非监督分类最大似然分类法，构建特征文件、创建识别样本、应用最大似 然分类法工具，分别对合成的3张遥感影像图进行遥感影像分类处理，获取3 张遥感影像图的分类土地利用情况，如图3所示，图3示出了对2014年、2017 年和2020年的遥感影像图进行处理的分类土地利用情况。
3、用地时空变化解析。
首先利用GIS软件以结合汇水分区信息，对已完成土地利用分析3张图像 进行剪切处理，而后应用重分类工具，对图像中的不同土地利用情况进行分别 赋值，再应用栅格计算器，对进行土地利用变化分析，结合计算结果统计 2014-2017年与2017-2020年份土地利用变化情况，如图4所示，图4示出了 2014年-2107年与2017年-2020年的土地利用时空变化图，结果显示2014-2017 新增新建面积占比为19％，2017-2020年份新增新建面积占比为18％，2020-2023 新增新建面积占比依然可达到18％，年均水量增长量约为6％，2020年区域排 水总量水为13.2万吨，推测2023年区域水量可达到14.8万吨/d。
实施例3
本实施例提供了本发明的基于用地遥感识别时空变化解析的水量预测装 置，参见图5，一种基于用地遥感识别时空变化解析的水量预测装置，包括：
数据获取和预处理模块201，用于获取区域管网排水分区的边界信息、获 取排水分区现状年份a的污水排水量Qa和获取a，a-b，a-2b，a-3b，……，a-mb 年份的遥感影像图并对所获取的遥感影像图进行预处理。
遥感影像分类处理模块202，用于对预处理后的遥感影像图进行遥感影像 分类处理，以获取所有遥感影像图的分类土地利用情况。
用地时空变化解析模块203，用于利用GIS软件并结合汇水分区信息，对 已完成土地利用分析的所有遥感影像图像进行土地利用变化分析，以获取(a-b) ～a年份，(a-2b)～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb)～ (a-(m-1)b)年份的土地利用时空变化数据；
水量分析预测模块204，用于基于单位建设用地综合用水量指标法并结合 (a-b)～a年份，(a-2b)～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb) ～(a-(m-1)b)年份的土地利用时空变化数据估算污水量的变化情况获取a， a-b，a-2b，a-3b，……，a-mb年份的污水量，以预测a+nb年份的污水排放量 Qa+nb。
本发明的基于用地遥感识别时空变化解析的水量预测方法可通过计算机 程序来执行，计算及程序存储于存储器中，存储器与处理器相连接用于通过处 理器调用并执行存储器中的计算机程序。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实 施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描 述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除 非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表 示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码 的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其 中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或 按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员 所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。 在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执 行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方 式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有 用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合 逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA) 等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部 分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计 算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中， 也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块 中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的 形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品 销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示 例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述 的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。 在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。 而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例 或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例 是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的 范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种基于用地遥感识别时空变化解析的水量预测方法，其特征在于，包括：
获取区域管网排水分区的边界信息、获取排水分区现状年份a的污水排水量Qa和获取a，a-b，a-2b，a-3b，……，a-mb年份的遥感影像图并对所获取的遥感影像图进行预处理；其中，m≥2，b为年份间隔；
对预处理后的遥感影像图进行遥感影像分类处理，以获取所有遥感影像图的分类土地利用情况；
利用GIS软件并结合汇水分区信息，对已完成土地利用分析的所有遥感影像图像进行土地利用时空变化分析，以获取(a-b)～a年份，(a-2b)～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb)～(a-(m-1)b)年份的土地利用时空变化数据；
基于单位建设用地综合用水量指标法并结合(a-b)～a年份，(a-2b)～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb)～(a-(m-1)b)年份的土地利用时空变化数据估算污水量的变化情况获取a，a-b，a-2b，a-3b，……，a-mb年份的污水量，进而预测a+nb年份的污水排放量Qa+nb，其中n为正整数。
2.根据权利要求1所述的基于用地遥感识别时空变化解析的水量预测方法，其特征在于，所述的获取区域管网排水分区的边界信息、获取排水分区内现状年份a的污水排水量Qa和获取a，a-b，a-2b，a-3b，……，a-mb年份的遥感影像图并对所获取的遥感影像图进行预处理，包括：
结合区域管网的汇水分区与建设情况，获取区域管网排水分区的边界信息和排水分区现有年份a的排水量Qa；
结合天气和月份因素筛选并获取a，a-b，a-2b，a-3b，……，a-mb年份的遥感影像图；
对所获取的所有年份的遥感影像图进行预处理，其中，所述预处理包括几何校正和大气地形校正。
3.根据权利要求1所述的基于用地遥感识别时空变化解析的水量预测方法，其特征在于，所述的对预处理后的遥感影像图进行遥感影像分类处理，以获取所有遥感影像图的分类土地利用情况，包括：
对预处理后的a，a-b，a-2b，a-3b，……，a-mb年份的遥感影像图进行波段合成和波段选择，采用空间信息遥感识别分类方法对合成的m+1张遥感影像图进行遥感影像分类处理；获取所有遥感影像图的分类土地利用情况。
4.根据权利要求3所述的基于用地遥感识别时空变化解析的水量预测方法，其特征在于，所述空间信息遥感识别分类方法包括非监督分类方法、监督分类方法、参数分类方法或硬分类方法；
其中，采用非监督分类方法对合成的m+1张遥感影像图进行遥感影响分类处理，包括采用非监督分类方法的最大似然分类法，构建特征文件，构建识别样本，应用最大似然分类工具分别对合成的m+1张遥感影像图进行遥感影像分类处理。
5.根据权利要求1所述的基于用地遥感识别时空变化解析的水量预测方法，其特征在于，所述的利用GIS软件并结合汇水分区信息，对已完成土地利用分析的所有遥感影像图像进行土地利用变化分析，以获取(a-b)～a年份，(a-2b)～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb)～(a-(m-1)b)年份的土地利用时空变化数据，包括：
利用GIS软件并结合汇水分区信息，对已完成土地利用分析的m+1张遥感影像图像进行剪切处理；
应用重分类工具，对图像中的不同土地利用情况进行分别赋值，应用栅格计算器，进行土地利用变化分析；
结合计算结果统计(a-b)～a年份，(a-2b)～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb)～(a-(m-1)b)年份的土地利用时空变化数据。
6.根据权利要求1所述的基于用地遥感识别时空变化解析的水量预测方法，其特征在于，所述的基于单位建设用地综合用水量指标法并结合(a-b)～a年份，(a-2b)～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb)～(a-(m-1)b)年份的土地利用变化数据估算污水量的变化情况获取a，a-b，a-2b，a-3b，……，a-mb年份的污水量，以预测a+nb年份的污水排放量Qa+nb，包括：
根据单位建设用地综合用水量指标法：污水量＝[(建设用地面积*单位建设用地用水量)/总变化系数]*污水排放系数*(1+地下水渗入系数)，得到污水量与建设用地面积呈正比且为线性关系；
基于(a-b)～a年份，(a-2b)～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb)～(a-(m-1)b)年份的土地利用时空变化数据估算污水量变化情况，获取a，a-b，a-2b，a-3b，……，a-mb年份的污水量；
基于a，a-b，a-2b，a-3b，……，a-mb年份的污水量预测a+nb年份的污水排放量Qa+nb。
7.一种基于用地遥感识别时空变化解析的水量预测装置，其特征在于，包括：
数据获取和预处理模块(201)，用于获取区域管网排水分区的边界信息、获取排水分区现状年份a的污水排水量Qa和获取a，a-b，a-2b，a-3b，……，a-mb年份的遥感影像图并对所获取的遥感影像图进行预处理；
遥感影像分类处理模块(202)，用于对预处理后的遥感影像图进行遥感影像分类处理，以获取所有遥感影像图的分类土地利用情况；
用地时空变化解析模块(203)，用于利用GIS软件并结合汇水分区信息，对已完成土地利用分析的所有遥感影像图像进行土地利用变化分析，以获取(a-b)～a年份，(a-2b)～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb)～(a-(m-1)b)年份的土地利用时空变化数据；
水量分析预测模块(204)，用于基于单位建设用地综合用水量指标法并结合(a-b)～a年份，(a-2b)～(a-b)年份，(a-3b)～(a-2b)年份，……，(a-mb)～(a-(m-1)b)年份的土地利用时空变化数据估算污水量的变化情况获取a，a-b，a-2b，a-3b，……，a-mb年份的污水量，进而预测a+nb年份的污水排放量Qa+nb。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111676477.8A CN114580703A (zh) | 2021-12-31 | 2021-12-31 | 基于用地遥感识别时空变化解析的水量预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111676477.8A CN114580703A (zh) | 2021-12-31 | 2021-12-31 | 基于用地遥感识别时空变化解析的水量预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114580703A true CN114580703A (zh) | 2022-06-03 |
Family
ID=81769754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111676477.8A Pending CN114580703A (zh) | 2021-12-31 | 2021-12-31 | 基于用地遥感识别时空变化解析的水量预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114580703A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116502809A (zh) * | 2023-06-27 | 2023-07-28 | 中国市政工程华北设计研究总院有限公司 | 一种基于位置大数据的排水户时污水量预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609615A (zh) * | 2012-01-20 | 2012-07-25 | 浙江大学 | 基于修正通用水土流失方程的水土流失遥感动态监测方法 |
| CN107480812A (zh) * | 2017-07-26 | 2017-12-15 | 安徽国祯环保节能科技股份有限公司 | 一种城市小流域初期雨水污染负荷预测方法 |
| CN111652195A (zh) * | 2020-07-14 | 2020-09-11 | 宁夏回族自治区自然资源勘测调查院 | 一种土地利用变化分析预测方法 |
-
2021
- 2021-12-31 CN CN202111676477.8A patent/CN114580703A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609615A (zh) * | 2012-01-20 | 2012-07-25 | 浙江大学 | 基于修正通用水土流失方程的水土流失遥感动态监测方法 |
| CN107480812A (zh) * | 2017-07-26 | 2017-12-15 | 安徽国祯环保节能科技股份有限公司 | 一种城市小流域初期雨水污染负荷预测方法 |
| CN111652195A (zh) * | 2020-07-14 | 2020-09-11 | 宁夏回族自治区自然资源勘测调查院 | 一种土地利用变化分析预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 周益洪;: "小城市污水量预测方法及相关规划参数的确定", 净水技术, no. 03, 25 June 2013 (2013-06-25), pages 59 - 62 * |
| 周立柱;杨顶田;尹小青;: "海南新村港和黎安港非点源污染负荷估算", 生态科学, no. 03, 2 July 2018 (2018-07-02) * |
| 秦梅;: "广州南村污水处理厂扩建水量预测及规模分析", 科技与创新, no. 20, 25 October 2017 (2017-10-25) * |
| 马人骄;: "某污水处理厂污水量预测的比较研究", 科技与企业, no. 24, 22 December 2012 (2012-12-22) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116502809A (zh) * | 2023-06-27 | 2023-07-28 | 中国市政工程华北设计研究总院有限公司 | 一种基于位置大数据的排水户时污水量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106651211B (zh) | 一种不同尺度区域洪水灾害风险评估的方法 | |
| KR101856490B1 (ko) | 폭우에 대한 재해취약성 정보 자동처리방법 | |
| CN102999694B (zh) | 一种山地灾害频发区泥石流风险评价方法 | |
| Park et al. | Introduction and application of non-stationary standardized precipitation index considering probability distribution function and return period | |
| CN111274918A (zh) | 基于多源遥感影像的河流干涸断流监测方法和装置 | |
| Saidi et al. | Assessment of trends in extreme precipitation events: a case study in Piedmont (North-West Italy) | |
| CN111982822B (zh) | 一种长时间序列高精度植被指数改进算法 | |
| Cappelaere et al. | Hydrologic process simulation of a semiarid, endoreic catchment in Sahelian West Niger. 2. Model calibration and uncertainty characterization | |
| CN111695088A (zh) | 卫星降水空间降尺度最优回归窗口筛选方法与装置 | |
| Wang et al. | An analysis of the drought in Yunnan, China, from a perspective of society drought severity | |
| CN111046773A (zh) | 一种基于图像技术判定路面积滞水的方法 | |
| Miller et al. | Mapping long-term temporal change in imperviousness using topographic maps | |
| Chen et al. | Drought variations in Almaty (Kazakhstan) since AD 1785 based on spruce tree rings | |
| Kumar et al. | Evaluating two GIS-based semi-distributed hydrological models in the Bhagirathi-Alkhnanda River catchment in India | |
| CN115796368A (zh) | 一种城市内涝实时预测预警方法及系统 | |
| CN114580703A (zh) | 基于用地遥感识别时空变化解析的水量预测方法及装置 | |
| Cheng et al. | Effects of raingauge distribution on estimation accuracy of areal rainfall | |
| CN116227362A (zh) | 一种基于图与深度学习的市政排水管网状态预测方法 | |
| Notti et al. | Semi-automatic mapping of shallow landslides using free Sentinel-2 images and Google Earth Engine | |
| Olsson et al. | Sub-daily rainfall extremes in the Nordic–Baltic region | |
| Shrestha et al. | Rainfall extremes under future climate change with implications for urban flood risk in Kathmandu, Nepal | |
| CN110633674B (zh) | 一种基于遥感影像与降雨监测数据的雨水去向不确定性分析方法及系统 | |
| Li et al. | Model parameter evaluation and improvement for real-time flood inundation mapping using HAND model: Iowa case study | |
| KR101843008B1 (ko) | 기후변화 시나리오를 활용한 홍수방재시설 투자결정 방법 및 시스템 | |
| CN113506000B (zh) | 一种计算城市汇水区域暴雨溢流风险的方法 |
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 |