CN114612801A - 一种基于高分遥感卫星几何定位模型的洪灾预警方法 - Google Patents
一种基于高分遥感卫星几何定位模型的洪灾预警方法 Download PDFInfo
- Publication number
- CN114612801A CN114612801A CN202210500642.2A CN202210500642A CN114612801A CN 114612801 A CN114612801 A CN 114612801A CN 202210500642 A CN202210500642 A CN 202210500642A CN 114612801 A CN114612801 A CN 114612801A
- Authority
- CN
- China
- Prior art keywords
- target
- early warning
- remote sensing
- grid
- grids
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 93
- 238000007654 immersion Methods 0.000 claims abstract description 57
- 230000002093 peripheral effect Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 33
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010183 spectrum analysis Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
- 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
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Emergency Management (AREA)
- Geology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Environmental & Geological Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Security & Cryptography (AREA)
Abstract
本发明涉及一种基于高分遥感卫星几何定位模型的洪灾预警方法,所述预警方法通过即时的高分遥感卫星影像分析目标区域内多个网格内的像素,从而分析所述网格内的浸水情况;进一步的,包括通过网格内的三维模型分析网格内水流向周边网格的流量和方向;并进一步的,包括分析网格内浸没指数的变化量,从而预测未来时间该网格的浸没指数变化,并在预测到浸没危险时提前向该网格以及周边人员发出预警。
Description
技术领域
本发明涉及卫星遥感技术领域。具体而言,涉及一种基于高分遥感卫星几何定位模型的洪灾预警方法。
背景技术
洪涝灾害往往发生迅速且危害面积广,遥感技术具有响应快、观测范围大、表现地表信息客观等特点,利用遥其对洪涝灾害进行实时监测、灾情评估与灾后重建分析具有重要意义。现阶段,遥感影像的洪涝灾害范围提取主要是多时相影像的水体要素提取结合叠加分析和利用变化检测算法进行洪涝灾害变化信息提取然。然而在洪灾发生后,启动应急观测获取的数据来源多样、传感器类型差异大,不同数据处理需要的软件平台不同、处理流程不同,多源数据协同处理需要在不同软件平台中切换,导致处理链路长、智能化水平低,难以满足应急监测的时效性需求。
查阅相关地已公开技术方案,公开号为CN113192296A的技术方案提出一种洪灾害预警及处理方法,通过监测引起洪灾的多个出入水口的流量信息,并对应多种处理预案从而快速地对实时灾情采取应急执行方案,提高灾害的响应效率;公开号为US20120264393A1的技术方案提出一种采用多个检测装置和检测系统,来对浸水地区进行多个位置的水位判断,从而在统计后向目标用户发送洪水预警;公开号为JP5885795B1的文件提出一种安装于街道的洪水记录仪,实时对街道的洪水灾情进行测定后,以远程通信的方式向周边的驾驶人员发送灾情信息,保障相关人员的交通安全。以上方案多数基于地面监控以及在灾情发生后的处理,而缺乏更大视野的监测范围以及对灾情的进一步预测能力。
发明内容
本发明的目的在于,提供一种基于高分遥感卫星几何定位模型的洪灾预警方法;所述预警方法通过即时的高分遥感卫星影像分析目标区域内多个网格内的像素,从而分析所述网格内的浸水情况;进一步的,包括通过网格内的三维模型分析网格内水流向周边网格的流量和方向;并进一步的,包括分析网格内浸没指数的变化量,从而预测未来时间该网格的浸没指数变化,并在预测到浸没危险时提前向该网格以及周边人员发出预警。
本发明采用如下技术方案:
一种基于高分遥感卫星几何定位模型的洪灾预警方法,所述预警方法包括以下步骤:
S1:将目标区域划分为多个正六边形网格,输入目标区域中多个网格的初始数据以及初始的浸没时序函数F(),并以默认监控周期T0对所述目标区域实施遥感卫星监测,获得多个网格实时的浸没指数D;
S2:基于浸没指数D的最低阈值Dk,判断在所述目标区域内是否存在一个或以上的区域网格超过阈值Dk;将超过阈值Dk的网格设定为目标网格,并以第一监控周期T1对所述目标网格实施遥感卫星监测;
S3:基于浸没时序函数F()对所述目标网格进行分析,预测所述目标网格的浸没指数D的变化趋势;
S4:对浸没指数D已突破危险阈值的,或预测到未来具有突破危险阈值的网格相应的单位或人员进行预警;
其中,在步骤S3中,包括:
S301:基于所述目标网格在t时刻的遥感卫星监测数据,获得一个所述目标网格在t时刻的浸没指数Dt,并预测单位时间Δt后的浸没指数Dt+Δt,
其中,式1中F(t)为基于所述目标网格的浸没时序函数F()计算在t时刻的浸没量的变化值;
式2中进一步说明F(t)的计算方式;其中,为所述目标网格在单位时间Δt内的降雨量,Ij(t)为在t时刻所述目标网格的积水向周边六个网格的流量函数;为所述目标网格的积水消退量函数,包括积水通过地下排水、土地吸收、自然蒸发方式的消退量,通过对该目标网格进行实验测得;其中,对于Ij(t)来说,设定水流量从周边流入所述目标网格为正,设定水流量从所述目标网格流出为负;
S302:统计多个所述目标网格的浸没指数D,并对指定时间后的多个所述目标网格的浸没指数D进行预测;
可选地,所述目标网格的几何模型包含一组由多个顶点的集合以及顶点的连线的集合组成的三维图形;所述顶点的集合中的每个顶点代表多个所述目标网格中的卫星遥感图像中的像素,并以地理平面坐标(x,y)以及海拔高度z表示该像素代表的顶点的三维坐标(x,y,z);并且将多个相邻像素之间进行连线;根据顶点所表示的像素的一个或多个光谱、顶点所表示的像素表示水的概率、顶点所表示的像素是否被可能具有积水的多个像素包围来计算像素表示水的概率;过统计所述目标网格中多个像素为水的概率,计算每个所述目标网格的浸没指数D;
可选地,所述预警方法包括采用一种基于高分遥感卫星几何定位模型的洪灾预警系统;所述预警系统包括:
采集模块,包括卫星影像子模块以及环境子模块;其中,所述卫星影像子模块通过高分遥感卫星进行地面图像数据的采集;所述环境子模块通过位于地面的多个传感器,进行地面数据的采集;
定位模块,被配置为通过定位系统将所述目标区域划分为多个目标网格,并且明确每个目标网格的绝对坐标和相对坐标;
分析模块,被配置为基于遥感影像识别洪水的情况,并分析洪水预期的发展情况;
预警模块,被配置于基于分析模块的洪水分析结果,向具有洪灾危险的目标网格的相关单位进行预警信息的发送;
主控模块,用于控制所述预警系统的各模块进行协同工作;
数据库,被配置为存储所述目标区域中多个网格的高分辨率卫星遥感图像以及几何模型;还包括每个所述目标网格的多项地理数据,至少包括:排水能力、海拔高度;所述数据库还包括目标区域中多个接收预警信息的预警单位或个人,用于在一个或多个所述目标网格发生洪灾危险信号时,接收预警信息;
可选地,所述环境子模块包括雨量传感器,用于采集所述目标区域内多个网格的降雨量数据;
可选地,所述分析模块包括通过一个或多个分类器识别遥感影像中的水像素,还包括分析该像素被识别为水像素的正确概率;
可选地,所述分析模块还包括根据遥感影像分析所述目标网格中每个像素是否为水像素以及为水像素的概率,从而计算所述目标网格的浸没指数D;
可选地,所述分析模块还包括根据多个水像素的地理数据,通过统计方式获得所述目标网格的向周边六个方向的六个流量函数Ij(t),即:
式3中,为所述目标网格在t时刻的总高程量,为所述目标网格的j方向上的网格在t时刻的总高程量,可由卫星遥感图像配合网格的几何模型中测得;其中j=1,2……6,代表所述目标网格的向外部网格的六个方向的编号;q为地型修正系数,根据两网格之间几何地型数据进行实验计算后设定。
本发明所取得的有益效果是:
1. 本发明的预警系统基于高分遥感卫星的实时图像进行分析,基于多个细分像素通过统计方法获得整体网格区域内的浸没指数,从而比以往的分析方法提供更多基于概率的参考,从而实施进精确的预警策略;
2. 本发明的预警系统通过将目标区域划分为多个正六边形的网格,从而能将水流的流向和流量进行定量定性分析,有利于减少统计运算量并提高系统的分析频率;
3. 本发明的预警系统通过使用基于神经网络的分类器对高分遥感图像中的像素进行识别分析,包括分析该像素是否为水像素并包括其为水像素的概率,从而进一步获得更具参考性的遥感图像分析结果;
本发明的分析系统各单元采用模块化设计和配合,后期可通过软件、硬件进行灵活优化和变更,节省了大量后期维护升级成本。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在不同的视图中,相同的附图标记指定对应的部分。
图1为本发明所述预警方法的流程示意图;
图2为本发明所述目标区域中浸没情况的示意图;
图3为本发明位于中心的目标网格与其周边六个网格的水体流向的示意图;
图4为本发明卫星生成的灾水区域的高分辨率遥感影像的示意图;
图5为本发明通过测定后的带等高线的几何地型数据。
附图中标号说明:200-目标区域;201-浸水区域;202-第一网格;203-第二网格;300-目标网格;301-东北方向网格;302-西北方向网格;303-西南方向网格;304-东南方向网格。
具体实施方式
为了使得本发明的目的技术方案及优点更加清楚明白,以下结合其实施例,对本发明进行进一步详细说明;应当理解,此处所描述的具体实施例仅用于解释本发明 ,并不用于限定本发明。对于本领域技术人员而言,在查阅以下详细描述之后,本实施例的其它系统.方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内.包括在本发明的范围内,并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征,并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或组件必须具有特定的方位.以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例一:
如附图1所示,一种基于高分遥感卫星几何定位模型的洪灾预警方法,所述预警方法包括以下步骤:
S1:将目标区域划分为多个正六边形网格,输入目标区域中多个网格的初始数据以及初始的浸没时序函数F(),并以默认监控周期T0对所述目标区域实施遥感卫星监测,获得多个网格实时的浸没指数D;
S2:基于浸没指数D的最低阈值Dk,判断在所述目标区域内是否存在一个或以上的区域网格超过阈值Dk;将超过阈值Dk的网格设定为目标网格,并以第一监控周期T1对所述目标网格实施遥感卫星监测;
S3:基于浸没时序函数F()对所述目标网格进行分析,预测所述目标网格的浸没指数D的变化趋势;
S4:对浸没指数D已突破危险阈值的,或预测到未来具有突破危险阈值的网格相应的单位或人员进行预警;
其中,在步骤S3中,包括:
S301:基于所述目标网格在t时刻的遥感卫星监测数据,获得一个所述目标网格在t时刻的浸没指数Dt,并预测单位时间Δt后的浸没指数Dt+Δt,
其中,式1中F(t)为基于所述目标网格的浸没时序函数F()计算在t时刻的浸没量的变化值;
式2中进一步说明F(t)的计算方式;其中,为所述目标网格在单位时间Δt内的降雨量,Ij(t)为在t时刻所述目标网格的积水向周边六个网格的流量函数;为所述目标网格的积水消退量函数,包括积水通过地下排水、土地吸收、自然蒸发方式的消退量,通过对该目标网格进行实验测得;其中,对于Ij(t)来说,设定水流量从周边流入所述目标网格为正,设定水流量从所述目标网格流出为负;
S302:统计多个所述目标网格的浸没指数D,并对指定时间后的多个所述目标网格的浸没指数D进行预测;
可选地,所述目标网格的几何模型包含一组由多个顶点的集合以及顶点的连线的集合组成的三维图形;所述顶点的集合中的每个顶点代表多个所述目标网格中的卫星遥感图像中的像素,并以地理平面坐标(x,y)以及海拔高度z表示该像素代表的顶点的三维坐标(x,y,z);并且将多个相邻像素之间进行连线;根据顶点所表示的像素的一个或多个光谱、顶点所表示的像素表示水的概率、顶点所表示的像素是否被可能具有积水的多个像素包围来计算像素的浸没指数D的概率,以及由顶点表示的像素的相邻像素为水的概率,计算每个所述目标网格的浸没指数D;
可选地,所述预警方法包括采用一种基于高分遥感卫星几何定位模型的洪灾预警系统;所述预警系统包括:
采集模块,包括卫星影像子模块以及环境子模块;其中,所述卫星影像子模块通过高分遥感卫星进行地面图像数据的采集;所述环境子模块通过位于地面的多个传感器,进行地面数据的采集;
定位模块,被配置为通过定位系统将所述目标区域划分为多个目标网格,并且明确每个目标网格的绝对坐标和相对坐标;
分析模块,被配置为基于遥感影像识别洪水的情况,并分析洪水预期的发展情况;
预警模块,被配置于基于分析模块的洪水分析结果,向具有洪灾危险的目标网格的相关单位进行预警信息的发送;
主控模块,用于控制所述预警系统的各模块进行协同工作;
数据库,被配置为存储所述目标区域中多个网格的高分辨率卫星遥感图像以及几何模型;还包括每个所述目标网格的多项地理数据,至少包括:排水能力、海拔高度;所述数据库还包括目标区域中多个接收预警信息的预警单位或个人,用于在一个或多个所述目标网格发生洪灾危险信号时,接收预警信息;
可选地,所述环境子模块包括雨量传感器,用于采集所述目标区域内多个网格的降雨量数据;
可选地,所述分析模块包括通过一个或多个分类器识别遥感影像中的水像素,还包括分析该像素被识别为水像素的正确概率;
可选地,所述分析模块还包括根据遥感影像分析所述目标网格中每个像素是否为水像素以及为水像素的概率,从而计算所述目标网格的浸没指数D;
可选地,所述分析模块还包括根据多个水像素的地理数据,通过统计方式获得所述目标网格的向周边六个方向的六个流量函数Ij(t),即:
式3中,为所述目标网格在t时刻的总高程量,为所述目标网格的j方向上的网格在t时刻的总高程量,可由卫星遥感图像配合网格的几何模型中测得;其中j=1,2……6,代表所述目标网格的向外部网格的六个方向的编号;q为地型修正系数,根据两网格之间几何地型数据进行实验计算后设定;
如附图2所示,将目标区域200划分为六边形网格,其中每个六边形网格的边长均相等;优选地,将网格的边长放置于该目标区域的主要道路、河流,或者将网格的边长放置于已划定的管理区域的边缘处,例如城市边界、行政区域边界等,从而在洪灾的行政管理上能够获得更为清晰的行政部门分工;
进一步的,图中所示包括一个浸水区域201,在本实施中,包括将网格根据所述浸没指数D设定多个网格的灰度值;在其他一些实施例中,包括根浸没指数D的值设定不同颜色、图案,用于对网格进行填充并以图像化表示;按如图中所示,灰度较深的第一网格202的浸没指数D(202)比第二网格203的浸没指数D(203)更高;
可选地,本实施例包括采用实施遥感卫星的影像,用于分析多个网格的浸没指数D;其中,遥感卫星图像能够以各种分辨率检测各种波段,例如蓝色、绿色、红色、红色边缘和近红外 (NIR) 波段;作为一个具体的例子,用作模型输入的卫星图像可能是 RAPIDEYE卫星影像数据,它提供空间分辨率为500m的多光谱图像;在另一些实施方式中,卫星图形数据包括MODIS卫星遥感影像以及ASTERGDEM卫星遥感影像数据,并且其分辨率可为1km和25km;
进一步的,所述分析模块包括采用光谱分析系统对卫星遥感影像进行光谱分析;并且,所述分析模块的光谱分析系统对卫星遥感影像的多个影像像素进行光谱分析;并进一步的,所述分析模块的光谱分析系统被配置为分析每个像素代表水的概率;并进一步的,所述分析模块的光谱分析系统通过基于神经网格训练后的分类器分析卫星遥感影像的像素,并将每个像素的特征馈送到训练的分类器来确定给定像素代表水的概率;
其中,所述分类器基于神经网络的机器学习技术,其中机器学习的逻辑包括分类和回归;两者都涉及对在一组输入(或称为特征输入)和一组输出(称为类或标签)之间映射的函数,并包括输出结果对应的概率;其中机器学习的过程亦称为“训练”,通常是通过分析特征的“训练集”及其相应的标签来执行;根据某些定义,分类器输出离散标签,而基于回归的技术产生连续输出值;然而,对于某些类型的回归,例如逻辑回归,它产生成为潜在两种结果之一的概率,这种区别在很大程度上是没有意义的;本实施例中,使用的光谱分析系统类型为分类系统;但是,在其他的实施方式上不旨在排除其他机器学习系统的类型,例如可以采用基于回归形机器学习的分析系统;在分析分类过程中,执行优化以找到最能解释标记训练集中特征和相应标签之间映射的函数;
进一步的,包括采用多种机器学习技术以不同的方式执行上述分类,以及分类过程的优化;在本实施例中,包括采用已经由人工进行划定代表水的像素的卫星遥感影像作为训练集,输入到分类器中作为神经网络进行机器学习的材料;人工神经网络将待分析的输入,即“卫星遥感影像的像素是否代表水”建模为相互连接的神经元节点的系统;一般地,一个神经网格系统包括三个互连的节点层:输入层、隐藏层和输出点;在此类模型中,目的是确定一个函数,该函数能够通过确定连接最有可能解释训练集中呈现的映射的节点之间连线的最佳权重值;
进一步的,经过大量实验测试表明,采用NIR 波段、红光波段是训练所述分类器的合理的像素特征;但在一些实施方式中,可以包括任何可以用作水检测基础的特征,包括但不限于蓝色波段、绿色波段、红色波段、红色边缘波段、NIR 波段、TSAVI、土壤电导率、海拔、复合地形指数 (CTI)、土壤田间持水量等;
通过训练分类器后,可以所述目标网格的卫星遥感图像中多个像素的特征数据输入分类器以获得该像素的预测标签;例如一个像素可以被分类为是“水”或者“不是水”,并且赋予“水”或者“不是水”的标签;在大多数情况下,分类器输出一组潜在标签和一个置信度度量或其他分类正确概率的度量;在大多数情况下,分类器分配其中最高置信度的标签给与一个像素;
进一步的,计算一个所述目标网格的浸没指数D:
其中,
式4中,vn为所述目标网格中编号为n的像素的标签值,并根据式4的判别式进行取值;P(vn)为像素vn分类标签为“水”的正确概率;Dmax为一个像素中浸没指数的最高值,可以根据该像素的地理数据设定。
实施例二:
本实施例应当理解为至少包含前述任意一个实施例的全部特征,并在其基础上进一步改进;
进一步的,为求得浸没时序函数F(),本实施例包括通过所述分析模块对所述目标网格中的多个像素进行流动模拟;
模拟步骤P1:为所述目标网格的设置初始水位;在一些实施方法中,包括将述目标网格的遥感卫星图像的每一个像素设置初始水位;而在其他实施例中,可以将像素分组成更大的像素组以加速模拟;但分组后导致分析的分辨率降低,从而需要了解到这将会损失部分的模拟准确性;
可选地在一个实施例中,基于降水数据设置初始水位;如果降水数据与网格的卫星遥感图像具有相同的分辨率,则可以将每个网格的初始水位设置为等于该网格最后一次降雨的水位;然而降水数据的分辨率通常低于网格的卫星遥感图像分辨率;因此在这种情况下,假设一个像素组中,包括一个或多个传感器或气象站,则将这些传感器或气像站的平均测定降水数据,设定为该像素组的降水数据,并将该像素组中所有像素的降水数据均进行相同设定;
模拟步骤P2:对所述目标网格进行基于海拔和土地特性的水体转移分析,例如通过如附图5所示的带有等高线的几何地型数据;
转移分析中,假设存在于一个像素或像素组上的水体以特定的速率流向相邻像素或像素组,迭代地执行转移分析,执行直到水体流动达到停止条件;在每次迭代期间,从高海拔像素或像素组水位高度中减去一定量的水体的高程量Δw,并将Δw添加到低海拔的相邻像素或像素组,直到总高程量(即地面原始海拔高度量加上由于水体部分的高程量)在相邻区域之间是均匀的;水体流动速率可以是静态量,或者可以取决于高海拔像素和低海拔相邻像素之间的高度差;
因此,有式3 ,如下所示:
其中,为所述目标网格在t时刻的总高程量,为所述目标网格的j方向上的网格在t时刻的总高程量,可由卫星遥感图像配合网格的几何模型中测得;其中j=1,2……6,代表所述目标网格的向外部网格的六个方向;q为地型修正系数,根据两网格之间几何地型数据进行实验计算后设定;
通过整合所述目标网格内多个像素以及像素组的水体转移分析,从而可以在最后获得一个所述目标网格对周边六个网格的六个流量函数Ij(t);
如附图3,对于目标网格300,其水体转移方向分别包括,从西南方向网格303以及东南方向网格304流入的水体;同时,还包括从目标网格300向东北方向网格301、西北方向网格302以及其余东、西两方向网格流出;
随着水的流动,一定量的水会渗入土壤,流入市政排水系统,或者被蒸发到空气中;其中水体消退的确切数量取决于许多因素,例如土壤电导率、可用水容量、流动持续时间、流速、方向,或者市政排水管道安排、管道的疏通程度等;以上变量部分较为难以取值,并且在洪灾发生时,由于水量过大,水体因以上因素消退的水体量相对较小,因此可以进行对水体消退量函数精简计算;在一个实施例中,通过使用当前时刻的浸没指数D作为唯一因素来简化流动过程,这已通过实验表明根据当前区域的水体积存量并且加入实验验证的比例系数后,可以用于估算水体的消退量;因此,随着水的流动,与浸没指数D成比例的水量由于以上提到的各种因素发生消退而不是流入到邻近区域;
为精简计算,可以有以下计算方式:
其中d为消退量的比例系数,通过相关领域技术人员或通过实验,可以获得一个有效的近似的比例系数,用于估算水体的消退量;
综合以上三个步骤后,则完成浸没时序函数F()的模拟计算过程。
实施例三:
本实施例应当理解为至少包含前述任意一个实施例的全部特征,并在其基础上进一步改进;
所述分析模块在获得多个所述目标网格的即时的浸没指数D,并根据浸没时序函数F()可以模拟预测即将具有洪灾危险的多个网格代表的区域;因此所述预警系统需要对当前具有洪灾危险的网格以及即将具有洪灾危险的网格的相关待通知单位进行预警信息的发送;
可选地,所述预警模块与所述主控模块持续进行通讯以获得所需要的数据,执行所述主控模块的的指令,并对洪灾的发生情况以及趋势生成预警信息;
在一些实施例中,当所述分析模块已分析获得多个具有洪灾危险的所述目标网格后,则向所述主控模块提交预警信息,预警信息至少包括所述目标网格的坐标以及浸没指数D的值;采用的通讯方式包括通过API、方法/函数调用、进程间通信机制,等等;
可选地,为了避免非常小的区域(例如积水的单个像素)触发警报的情况,可以使用分类为积水的相邻像素的阈值数量来确定洪水是否显着;如果确定洪水流量很大且正确概率较高,则执行预警操作;
一旦被调用,所述预警模块从数据库中检索相关的通知单位数据并产生一个或多个警报信息;警报信息可以以多种不同的方式发送;
在一些实施例中,警报信息采用即时消息,例如移动电话短信息,或者即时通讯软件消息的形式发送到与待通知单位相关联的设备,例如移动电话或平板电脑、桌面电脑等,其指出已经在与该单位相关的网格区域检测到洪灾的可能;
作为另一个示例,该消息可以采取发送到与待通知单位相关联的电子邮件帐户的电子邮件的形式;
作为一个示例,相关待通知单位可以配备有被配置为网络服务器或托管能够运行网络服务器的组件;并且使用网络服务器或相关组件进行预警信息的转发,从而通知下一级的单位或个人;
作为一个示例,该消息可以包括对应具有洪灾危险的所述目标网格的坐标;
作为另一示例,该消息可以包含或提供指向地图的链接,该地图显示已检测到洪灾危险的一个或多个所述目标网格,并突出显示被确定为具有洪灾危险的一个或多个所述目标网格,例如通过以特定颜色显示。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱离本发明的范围的情况下,可以进行许多改变和修改。也就是说上面讨论的方法,系统和设备是示例。各种配置可以适当地省略,替换或添加各种过程或组件。例如,在替代配置中,可以以与所描述的顺序不同的顺序执行方法,和/或可以添加,省略和/或组合各种部件。而且,关于某些配置描述的特征可以以各种其他配置组合,如可以以类似的方式组合配置的不同方面和元素。此外,随着技术发展其中的元素可以更新,即许多元素是示例,并不限制本公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而,可以在没有这些具体细节的情况下实践配置例如,已经示出了众所周知的电路,过程,算法,结构和技术而没有不必要的细节,以避免模糊配置。该描述仅提供示例配置,并且不限制权利要求的范围,适用性或配置。相反,前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本公开的精神或范围的情况下,可以对元件的功能和布置进行各种改变。
综上,其旨在上述详细描述被认为是例示性的而非限制性的,并且应当理解,以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (7)
1.一种基于高分遥感卫星几何定位模型的洪灾预警方法,其特征在于,所述预警方法包括以下步骤:
S1:将目标区域划分为多个正六边形网格,输入目标区域中多个网格的初始数据以及初始的浸没时序函数F(),并以默认监控周期T0对所述目标区域实施遥感卫星监测,获得多个网格实时的浸没指数D;
S2:基于浸没指数D的最低阈值Dk,判断在所述目标区域内是否存在一个或以上的区域网格超过阈值Dk;将超过阈值Dk的网格设定为目标网格,并以第一监控周期T1对所述目标网格实施遥感卫星监测;
S3:基于浸没时序函数F()对所述目标网格进行分析,预测所述目标网格的浸没指数D的变化趋势;
S4:对浸没指数D已突破危险阈值的,或预测到未来具有突破危险阈值的网格相应的单位或人员进行预警;
其中,在步骤S3中,包括:
S301:基于所述目标网格在t时刻的遥感卫星监测数据,获得一个所述目标网格在t时刻的浸没指数Dt,并预测单位时间Δt后的浸没指数Dt+Δt,
其中,式1中F(t)为基于所述目标网格的浸没时序函数F()计算在t时刻的浸没量的变化值;
式2中进一步说明F(t)的计算方式;其中,为所述目标网格在单位时间Δt内的降雨量,Ij(t)为在t时刻所述目标网格的积水向周边六个网格的流量函数;为所述目标网格的积水消退量函数,包括积水通过地下排水、土地吸收、自然蒸发方式的消退量,通过对该目标网格进行实验测得;其中,对于Ij(t)来说,设定水流量从周边流入所述目标网格为正,设定水流量从所述目标网格流出为负;
S302:统计多个所述目标网格的浸没指数D,并对指定时间后的多个所述目标网格的浸没指数D进行预测。
2.根据权利要求1所述一种基于高分遥感卫星几何定位模型的洪灾预警方法,其特征在于,所述目标网格的几何模型包含一组由多个顶点的集合以及顶点的连线的集合组成的三维图形;所述顶点的集合中的每个顶点代表多个所述目标网格中的卫星遥感图像中的像素,并以地理平面坐标(x,y)以及海拔高度z表示该像素代表的顶点的三维坐标(x,y,z);并且将多个相邻像素之间进行连线;根据顶点所表示的像素的一个或多个光谱、顶点所表示的像素表示水的概率、顶点所表示的像素是否被可能具有积水的多个像素包围来计算像素表示水的概率;统计所述目标网格中多个像素为水的概率,计算每个所述目标网格的浸没指数D。
3.根据权利要求2所述一种基于高分遥感卫星几何定位模型的洪灾预警方法,其特征在于,所述预警方法包括采用一种基于高分遥感卫星几何定位模型的洪灾预警系统;所述预警系统包括:
采集模块,包括卫星影像子模块以及环境子模块;其中,所述卫星影像子模块通过高分遥感卫星进行地面图像数据的采集;所述环境子模块通过位于地面的多个传感器,进行地面数据的采集;
定位模块,被配置为通过定位系统将所述目标区域划分为多个目标网格,并且明确每个目标网格的绝对坐标和相对坐标;
分析模块,被配置为基于遥感影像识别洪水的情况,并分析洪水预期的发展情况;
预警模块,被配置于基于分析模块的洪水分析结果,向具有洪灾危险的目标网格的相关单位进行预警信息的发送;
主控模块,用于控制所述预警系统的各模块进行协同工作;
数据库,被配置为存储所述目标区域中多个网格的高分辨率卫星遥感图像以及几何模型;还包括每个所述目标网格的多项地理数据,至少包括:排水能力、海拔高度;所述数据库还包括目标区域中多个接收预警信息的预警单位或个人,用于在一个或多个所述目标网格发生洪灾危险信号时,接收预警信息。
4.根据权利要求3所述一种基于高分遥感卫星几何定位模型的洪灾预警方法,其特征在于,所述环境子模块包括雨量传感器,用于采集所述目标区域内多个网格的降雨量数据。
5.根据权利要求4所述一种基于高分遥感卫星几何定位模型的洪灾预警方法,其特征在于,所述分析模块包括通过一个或多个分类器识别遥感影像中的水像素,还包括分析该像素被识别为水像素的正确概率。
6.根据权利要求5所述一种基于高分遥感卫星几何定位模型的洪灾预警方法,其特征在于,所述分析模块还包括根据遥感影像分析所述目标网格中每个像素是否为水像素以及为水像素的概率,从而计算所述目标网格的浸没指数D。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210500642.2A CN114612801B (zh) | 2022-05-10 | 2022-05-10 | 一种基于高分遥感卫星几何定位模型的洪灾预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210500642.2A CN114612801B (zh) | 2022-05-10 | 2022-05-10 | 一种基于高分遥感卫星几何定位模型的洪灾预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114612801A true CN114612801A (zh) | 2022-06-10 |
CN114612801B CN114612801B (zh) | 2022-07-12 |
Family
ID=81870007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210500642.2A Active CN114612801B (zh) | 2022-05-10 | 2022-05-10 | 一种基于高分遥感卫星几何定位模型的洪灾预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612801B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030212493A1 (en) * | 2002-03-26 | 2003-11-13 | Shuichi Tanahashi | Disaster predicting method, disaster predicting apparatus, disaster predicting program, and computer-readable recording medium recorded with disaster predicting program |
CN110009158A (zh) * | 2019-04-11 | 2019-07-12 | 中国水利水电科学研究院 | 台风暴雨洪水灾害全生命周期监测方法及系统 |
US20190316309A1 (en) * | 2018-04-17 | 2019-10-17 | One Concern, Inc. | Flood monitoring and management system |
CN110348324A (zh) * | 2019-06-20 | 2019-10-18 | 武汉大学 | 一种基于遥感大数据的洪涝实时淹没分析方法及系统 |
CN110414041A (zh) * | 2019-06-13 | 2019-11-05 | 中国地质大学深圳研究院 | 一种基于gis技术建立风暴潮漫滩和淹没分析的方法及系统 |
CN112364521A (zh) * | 2020-11-20 | 2021-02-12 | 珠江水利委员会珠江水利科学研究院 | 基于数据挖掘的多因子城市内涝模拟方法、装置、设备及介质 |
CN112819234A (zh) * | 2021-02-05 | 2021-05-18 | 中国水利水电科学研究院 | 一种考虑初值修正的洪水预报方法及系统 |
CN113240689A (zh) * | 2021-06-01 | 2021-08-10 | 安徽建筑大学 | 一种洪涝灾害区域快速提取方法 |
-
2022
- 2022-05-10 CN CN202210500642.2A patent/CN114612801B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030212493A1 (en) * | 2002-03-26 | 2003-11-13 | Shuichi Tanahashi | Disaster predicting method, disaster predicting apparatus, disaster predicting program, and computer-readable recording medium recorded with disaster predicting program |
US20190316309A1 (en) * | 2018-04-17 | 2019-10-17 | One Concern, Inc. | Flood monitoring and management system |
CN110009158A (zh) * | 2019-04-11 | 2019-07-12 | 中国水利水电科学研究院 | 台风暴雨洪水灾害全生命周期监测方法及系统 |
CN110414041A (zh) * | 2019-06-13 | 2019-11-05 | 中国地质大学深圳研究院 | 一种基于gis技术建立风暴潮漫滩和淹没分析的方法及系统 |
CN110348324A (zh) * | 2019-06-20 | 2019-10-18 | 武汉大学 | 一种基于遥感大数据的洪涝实时淹没分析方法及系统 |
CN112364521A (zh) * | 2020-11-20 | 2021-02-12 | 珠江水利委员会珠江水利科学研究院 | 基于数据挖掘的多因子城市内涝模拟方法、装置、设备及介质 |
CN112819234A (zh) * | 2021-02-05 | 2021-05-18 | 中国水利水电科学研究院 | 一种考虑初值修正的洪水预报方法及系统 |
CN113240689A (zh) * | 2021-06-01 | 2021-08-10 | 安徽建筑大学 | 一种洪涝灾害区域快速提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114612801B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021258758A1 (zh) | 一种基于多因素的海岸线变化识别方法 | |
Munawar et al. | A review on flood management technologies related to image processing and machine learning | |
Keramitsoglou et al. | Automatic identification of oil spills on satellite images | |
D'Addabbo et al. | A Bayesian network for flood detection combining SAR imagery and ancillary data | |
Hermosilla et al. | Using street based metrics to characterize urban typologies | |
CN112200362B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
KR101937940B1 (ko) | 빅 데이터를 활용한 단계별 방범 cctv 위치 선정 방법 | |
Mukherjee et al. | Development of new index-based methodology for extraction of built-up area from landsat7 imagery: Comparison of performance with svm, ann, and existing indices | |
CN115035256B (zh) | 一种尾矿库事故隐患及风险演化方法及系统 | |
CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
CN116580532A (zh) | 一种基于雷达遥感技术的地质灾害预警系统 | |
CN115512247A (zh) | 基于图像多参数提取的区域建筑损伤等级评定方法 | |
Qiu et al. | Disaggregating population data for assessing progress of SDGs: methods and applications | |
Guerin et al. | Evaluation of runtime monitoring for UAV emergency landing | |
CN117171533B (zh) | 一种地理测绘作业数据实时采集处理方法及系统 | |
Salman Aal-shamkhi et al. | Extraction and modeling of urban sprawl development in Karbala City using VHR satellite imagery | |
CN112836590B (zh) | 洪涝灾害监测方法、装置、电子设备及存储介质 | |
Zou et al. | Mapping individual abandoned houses across cities by integrating VHR remote sensing and street view imagery | |
CN112200355B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN113240208A (zh) | 光伏发电输出功率预测方法、装置及计算机可读存储介质 | |
CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
CN114612801B (zh) | 一种基于高分遥感卫星几何定位模型的洪灾预警方法 | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
Kumar et al. | Cellular automata calibration model to capture urban growth | |
Kuffer et al. | Mapping the morphology of urban deprivation: The role of remote sensing for developing a global slum repository |
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 |