CN114724049A - 基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法 - Google Patents

基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法 Download PDF

Info

Publication number
CN114724049A
CN114724049A CN202210374330.1A CN202210374330A CN114724049A CN 114724049 A CN114724049 A CN 114724049A CN 202210374330 A CN202210374330 A CN 202210374330A CN 114724049 A CN114724049 A CN 114724049A
Authority
CN
China
Prior art keywords
water
remote sensing
culture pond
water body
resolution
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
Application number
CN202210374330.1A
Other languages
English (en)
Inventor
熊俊峰
侯渲
林晨
程浩
马荣华
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 Institute of Geography and Limnology of CAS
Original Assignee
Nanjing Institute of Geography and Limnology of CAS
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 Institute of Geography and Limnology of CAS filed Critical Nanjing Institute of Geography and Limnology of CAS
Priority to CN202210374330.1A priority Critical patent/CN114724049A/zh
Publication of CN114724049A publication Critical patent/CN114724049A/zh
Pending legal-status Critical Current

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
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Image Processing (AREA)

Abstract

本发明涉及基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法，基于卫星遥感影像数据计算归一化水体指数，利用双峰阈值法提取内陆水体，结合养殖坑塘的几何特征和物候特征，识别养殖坑塘水面。采用本发明的方法能够实现高分辨率遥感影像数据对养殖坑塘的高精度识别，方法具有一定的普适性，在太湖流域、骆马湖流域均取得了良好的效果，有助于实现内陆养殖坑塘空间分布快速准确提取，可以为区域农业生产活动情况掌握提供数据基础，为促进生态环境可持续发展提供科学依据和理论基础。

Description

基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法
技术领域
本发明属于遥感技术领域，涉及基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法。
背景技术
湿地是陆地生态系统中的重要组成部分，其中三分之一的水面由面积小于0.01km2的小池塘组成[1]。尽管坑塘数量多、占比大，但是在生态系统和区域水质研究中，坑塘受到的关注远远不如大型湖泊、水库和河流[2]。而且坑塘作为内陆淡水养殖的最主要的生产方式，是我国农业生产中重要组成部分，成为了当前农村经济的主要增长点[3]。近年来坑塘水面迅速扩张，对周边生态环境造成的影响也逐渐凸显，已经成为我国农业污染的重要来源[4,5]。因此，传统研究中忽视的养殖坑塘已经成为区域经济发展和生态环境变化中的重要组成部分，实现内陆养殖坑塘空间分布快速准确提取，可以为掌握区域农业生产活动情况并促进生态环境可持续发展提供科学依据和理论基础。
利用遥感技术提取水体的研究开展较早，目前应用最多的水体信息自动提取方法包括基于像元的阈值法和基于目标的分类法[6]。阈值法主要基于水体在近红外或中红外波段强吸收的特点，利用单波段和多波段构建遥感指数提取水体，常用的指数包括归一化水体指数NDWI [7]、改进的归一化差异水体指数MNDWI(ModifiedNormalizedDifferenceWater Index)[8]。
由于中低分辨率影像中存在大量混合像元，细小水体难以通过阈值法准确划分，于是利用中高分辨率影像丰富的空间及纹理信息提取细小水体的分类法被提出[6,9]。例如，姜浩等[10]利用TM(Thematic Mapper)影像建立了基于线状特征的细小河流提取方法；Gasnier等[11]通过结合先验数据库和SAR(SyntheticAperture Radar)建立了细小河流自动提取方法。有关内陆养殖坑塘的提取方法，目前主要通过人工目视解译采样面向对象分类方法提取，例如罗玲等[12]，利用e Cognition软件采用面向对象分类方法提取1990年、2000年和2013年松嫩平原西部湖泊和水库/坑塘蓄水面积和数量的变化特征，韩鹏鹏等[13]基于面向对象的分类方法进行多尺度分割，利用光谱、空间、纹理等特征，并结合专家知识进行坑塘信息提取。有关养殖水面自动提取研究主要集中于海滨养殖区。例如，Duan等[14]将光谱与形状规则结合起来，利用Google Earth Engine探测大型水产养殖池塘区域的时空变化；Ottinger等[15]利用光谱信息与DEM地形信息结合的方法对沿海水产养殖区进行大规模评估；武易天等[16]综合利用光谱、纹理特征信息对近海处的水产养殖区进行了自动提取，总体精度达到93％以上。
目前，细小水体遥感自动提取研究主集中于河流这类具有细长特征的水体，内陆养殖坑塘周边常常密布河湖、水田、沟渠等光谱、几何纹理表达相似的地物，导致内陆养殖坑塘提取仍然依靠人工目视解译；同时，滨海养殖区规模大、分布集中、地物光谱和纹理单一的特征，导致其遥感提取方法难以适用规模较小、分布零散的内陆养殖坑塘。
参考文献：
[1]VERPOORTER C,KUTSER T,SEEKELL D A,et al.A global inventory oflakes based on high-resolution satellite imagery[J].Geophys Res Lett,2014,41(18):6396-402.
[2]SCHMADEL N M,HARVEY J W,SCHWARZ G E,et al.Small Ponds in HeadwaterCatchments Are a Dominant Influence on Regional Nutrient and Sediment Budgets[J].Geophys Res Lett,2019,46(16):9669-77.
[3]黄森文,韦春竹.广东省沿海城市人工水产养殖基地变化——基于2015—2019年 Sentinel-1数据的实证研究[J].热带地理,2021,41(03):622-34.
[4]彭凌云,遆超普,李恒鹏,et al.太湖流域池塘养殖污染排放估算及其空间分布特征[J]. 湖泊科学,2020,32(01):70-8.
[5]BROOKS B W,CONKLE J L.Commentary:Perspectives on aquaculture,urbanization and water quality[J].Comp BiochemPhys C,2019,217(1-4.
[6]王航,秦奋.遥感影像水体提取研究综述[J].测绘科学,2018,43(05):23-32.
[7]MCFEETERS S K.The use of the normalized difference water index(NDWI)in the delineation ofopen water features[J].Int J Remote Sens,1996,17(7):1425-32.
[8]徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J].遥感学报, 2005,05:589-95.
[9]李丹,吴保生,陈博伟,et al.基于卫星遥感的水体信息提取研究进展与展望[J].清华大学学报(自然科学版),2020,60(02):147-61.
[10]姜浩,冯敏,肖桐,et al.基于线状特征增强的TM遥感影像细小河流提取方法[J].测绘学报,2014,43(07):705-10.
[11]GASNIER N,DENIS L,FJORTOFT R,et al.Narrow River Extraction FromSAR Images Using Exogenous Information[J].Ieee J-Stars,2021,14:5720-34.
[12]罗玲,毛德华,王宗明,张柏,任春颖,贾明明.松嫩平原西部湖泊与水库/坑塘动态变化及驱动因素分析[J].农业工程学报,2015,31(22):285-291.
[13]韩鹏鹏,黄进良,李仁东,王立辉,胡砚霞,黄维.基于面向对象的坑塘遥感监测与动态分析[J]. 农业机械学报,2015,46(01):272-277.
[14]DUAN Y Q,LI X,ZHANG L P,et al.Detecting spatiotemporal changes oflarge-scale aquaculture ponds regions over 1988-2018in Jiangsu Province,Chinausing Google Earth Engine [J].Ocean Coast Manage,2020,188
[15]OTTINGER M,CLAUSS K,KUENZER C.Large-Scale Assessment of CoastalAquaculture Ponds with Sentinel-1Time Series Data[J].Remote Sens-Basel,2017,9(5):
[16]武易天,陈甫,马勇,et al.基于Landsat8数据的近海养殖区自动提取方法研究[J].国土资源遥感,2018,30(03):96-105.
发明内容
本发明的目的在于提供一种基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法为达成上述目的，本发明所采用的技术方案如下：
基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法，包括：
获取各个季节的高分辨率遥感影像，经过辐射定标、大气校正处理后，计算归一化水体指数NDWI，利用双峰阈值法确定NDWI的阈值，提取各个季节影像中的水体；所述各个季节的高分辨率遥感影像涵盖养殖坑塘在不同农业生产周期的影像；
采用水体提取结果掩膜湖泊水库后，利用预设的面积对水体斑块进行筛选，剔除面积小于11000m2的细碎水体；
对剔除细碎水体后的剩余水体斑块计算形状指数，将形状指数大于8.0的水体识别为河流和沟渠并剔除；
统计剔除细碎水体、河流和沟渠后剩余的水体斑块的不同季节NDWI值，当年度均值≥ 0.2时，识别为养殖池塘。
作为一种优选的实施方式，所述高分辨率遥感影像指分辨率不超过10米的多光谱影像数据；如果选取的多光谱影像数据传感器的部分波段分辨率超过10米，则通过重采样的方式获得10米的分辨率影像。
作为一种优选的实施方式，所述不同农业生产周期包括养殖坑塘蓄水、水产放苗、培育、捕捞及休耕放水时期。
作为一种优选的实施方式，所述高分辨率遥感影像的整幅影像数据云覆盖度低于15％。
作为一种优选的实施方式，采用水体提取结果掩膜湖泊水库时，利用最近年份的全国土地调查得到的水库、湖泊范围对水体提取结果进行掩膜。湖泊水库在短时间内变化不明显，利用最近年份的全国土地调查得到的水库、湖泊范围可获得更准确的结果。
作为一种优选的实施方式，在采用水体提取结果掩膜湖泊水库后，先通过灰度分割进行坑塘的预筛选，再通过面积阈值进行筛选。
作为一种优选的实施方式，对于与相邻坑塘的界线在遥感影像上无法识别的坑塘，通过灰度分割进行坑塘的预筛选。有些养殖坑塘利用新的养殖技术，或者大型渔业公司开设的养殖坑塘，将相邻坑塘之间用一张膜/围网隔开，或者雨季涨水了，导致相邻坑塘的界线在遥感影像上无法识别，则存在大面积的连片坑塘，无法简单用面积区分养殖坑塘和湖泊，可以利用NDWI值进行预筛选。湖泊/水库水深，一般平均深度在2米及以上，而养殖坑塘水深一般 1米左右，且水体浑浊，因此湖泊水体指数值会较高，可以利用NDWI值进行预筛选。
作为一种优选的实施方式，所述通过灰度分割进行坑塘的预筛选指：利用计算得到的归一化水体指数NDWI值作为灰度值进行阈值分割，区分坑塘和湖泊水库。
作为一种优选的实施方式，所述方法还包括对最终识别的养殖坑塘结果进行精度验证。
作为一种优选的实施方式，采用混淆矩阵，分别通过实地踏勘验证、对应时期无人机影像和全国国土调查数据对识别结果进行比对验证。混淆矩阵包括总体分类精度、Kappa系数、错分误差、漏分误差、制图精度以及用户精度六个要素。
作为一种优选的实施方式，所述利用双峰阈值法确定NDWI的阈值的方式为：统计各季节影像的NDWI计算结果，制作分布直方图，利用双峰阈值法选取双峰间的最低谷出作为图像分割的阈值，将高于阈值的像元识别为水体，赋值为1，低于阈值的像元识别为陆地，赋值为0。
养殖坑塘作为内陆淡水养殖的最主要的生产方式，是我国农业生产中重要组成部分，近年来面积迅速增加。本发明的内陆养殖坑塘水体遥感识别方法，考虑养殖坑塘作为典型农用地，存在蓄水、水产放苗、培育、捕捞及休耕放水的农业生产周期，因此年内时空变化显著这一物候特征，并利用了物候特征辅助养殖坑塘识别，基于高分辨率卫星遥感影像，计算归一化水体指数NDWI，利用双峰阈值法提取内陆水体，依此通过面积、形状和物候指标筛选提取养殖坑塘水面，现内陆养殖坑塘高时空精度提取。算法性能经过湿地踏勘、无人机影像和全国土地调查数据验证，可用于长时间、大范围的养殖坑塘识别，填补了细小水体遥感提取研究中对养殖坑塘的忽视，不仅为今后农业发展趋势提前准备了技术基础，也为生态环境可持续发展提供科学依据和理论基础。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是内陆养殖坑塘遥感识别方法技术流程图。
图2是溧阳市社渚镇不同水体提取指数的估算结果和阈值选取。
图3是2017-2018年社渚镇水面提取结果。
图4是溧阳市社渚镇养殖坑塘提取结果。
图5是验证点位。
图6是养殖坑塘遥感提取方法在宿迁市泗阳县的应用。
前述附图1-6中，作为英文形式表达的各坐标、标识或其他表示，均为本领域所公知的，并不在本例中再做赘述。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是应为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
实施例1
本实施例以溧阳市社渚镇为例，对本发明的技术方案作进一步描述。
溧阳市社渚镇目前已经发展为中国最大的青虾养殖镇区，全镇现有养殖水面6.5万余亩，伴随着养殖产业的不断发展，社渚从原本小范围养殖逐渐发展形成有规模的、有组织的水产养殖产业，因此社渚镇是应用本发明方法的理想区域。本发明基于高分辨率卫星遥感影像数据，计算归一化水体指数，利用双峰阈值法提取内陆水体，结合养殖坑塘的几何特征和物候特征，识别养殖坑塘水面，最终在太湖流域和骆马湖流域典型的水产养殖区域进行应用和评估，证实该方法的精度及其广泛的适用性。
作为示例性的描述，下面结合附图所示，对前述方法的实施进行具体说明。
步骤1、基于不同季节的高分辨率遥感影像，经过大气校正和格式转换后，计算归一化水体指数NDWI，得到不同季节的NDWI空间分布。
高分辨率遥感影像指分辨率不超过10米的多光谱影像数据，如果该传感器的部分波段的分辨率超过10米，可以通过重采样获得10米的分辨率影像。本实施例采用当前使用范围最广的光学影像数据——Sentinel-2MSI，重访周期为5天，空间分辨率最高可达10米，可满足对区域坑塘水体高时空分辨率精细化提取的要求。表1展示了MSI各波段的波宽及分辨率，由于NDWI所需要的GREEN波段和NIR波段分辨率均为10米，因此不需要进行重采样处理。MSI影像数据下载于欧洲航天局https：//scihub.copernicus.eu/dhus/#/home，筛选2017-2018 年春(3-5月)、夏(6-8月)、秋(9-11月)和冬(12-2月)云量低于15％的影像，最终得到 2017/02/28、2017/05/29、2017/08/27、2017/12/18、2018/01/09、2018/04/19、2018/07/13和 2018/12/18共8景影像。涵盖了养殖坑塘从蓄水准备、水产放苗、培育、捕捞及休耕放水农业生产周期。MSI数据的预处理首先通过使用SNAP软件中的插件Sen2Cor-2.4.0对于L1C 级别数据进行辐射定标、大气校正处理，获得大气校正后的数据——L2A级别数据，然后将经过预处理获得的L2A级别数据转换格式为envi(.dat)，以便后续处理。
表1Sentinel-2MSI的波段设置
序号 波段 波宽(nm) 分辨率(m) 描述
1 Coastaaeroso 433-453 60 海岸/气溶胶波段
2 Blue 458-523 10 可见光波段
3 Green 543-578 10 可见光波段
4 Red 650-680 10 可见光波段
5 VegetationRedEdge 698-713 20 红边范围内波段
6 VegetationRedEdge 733-748 20 红边范围内波段
7 NIR 773-793 10 近红外波段(宽)
8 NarrowNIR 785-900 20 近红外波段(窄)
9 Watervapour 935-955 60 水蒸气波段
10 SWIR–Cirrus 1360-1390 60 短波红外波段
11 SWIR 1565-1655 20 短波红外波段
12 SWIR 2100-2280 20 短波红外波段
目前部分高分传感器只有可见光到近红外波段，因为短波红外及更长波段的电子波能量较低，高分辨率传感器难以捕捉，所以部分高分辨率传感器不包含近红外之外的波段。虽然 MSI序号9-12的波段属于近红外范围之外的波段，但是必须通过降低分辨率或者增加波宽的方式才能获取光谱信息(表1)。目前大部分水体提取指数主要通过红光之外的波段获取水体信息，为了适用高分率传感器的特点，本发明采用归一化水体指数NDWI提取水体，该指数只需要绿光和近红外波段即可得到，计算方法为：
NDWI＝(GREEN-NIR)/(GREEN+NIR) (1)
式中GREEN为绿光波段；NIR为近红外波段。
为了进一步说明NDWI指数为本发明优选方案，本实施例加入了AWEI和MNDWI这两个常用水体指数进行对比，结果如图2所示，像元分布的频数图可知，三个水体指数中NWDI的水体的峰值更加明显，有利于细小水体像元识别。
步骤2、利用双峰阈值法确定NDWI的阈值，提取各个季节的水面分布情况。
基于各季节的NDWI计算结果，统计NDWI的分布情况制作分布直方图。采用自适应的双峰阈值法确定水体提取的阈值，将高于阈值的像元识别为水体，赋值为1，低于阈值的像元识别为陆地，赋值为0。最后每景影像的水体提取结果如图3所示，社渚镇的水体面积可以达到60km2，水体主要分布于社渚镇西南部。
步骤3、掩膜湖泊水库后，分别利用面积剔除细碎水体，利用形状指数剔除河流和沟渠，利用物候特征筛选出养殖坑塘水面。
由于湖泊水库在短时间内变化不明显，采用最近年份的全国土地调查得到的水库、湖泊范围对水体提取结果进行掩膜，2017年第三次全国土地调查展开，各地的结果于2018进行汇总发布，因此，采用第三次全国土地调查结果对社渚镇的湖泊和水库进行掩膜。
采用水体提取结果掩膜湖泊水库后，依次通过面积、形状和物候指标筛选得到养殖坑塘。
本实施例中的养殖坑塘不存在连片情况，因此可直接通过面积阈值进行第一步筛选。对于存在连片坑塘或多坑塘同步识别的情况下，可通过灰度分割进行预筛选，避免连片坑塘未被识别。
(1)利用面积指标剔除水坑、蓄水池塘等细碎水体，计算每个斑块的面积，当面积小于 11000m2时，识别为细碎水体；
(2)计算剩下斑块的形状指数：
Figure BDA0003590209670000071
其中C表示周长，S表示面积，当形状指数大于8.00时，识别为河流和沟渠；
(3)物候特征指养殖坑塘在蓄水、水产放苗、培育、捕捞及休耕放水的农业生产周期中产生的变化，统计剩下的水体斑块不同季节的NDWI，当年度均值≥-0.2时，识别为养殖坑塘。提取结果如图5所示，社渚镇的坑塘主要分布于社渚镇西南部，2017-2018年，政府实行“退塘还田”政策，坑塘面积呈现缩小趋势，由2017年的41.29km2达到了2018年的34.10km2。
分别利用实地踏勘数据、无人机拍摄影像和第三次全国国土调查数据对提取结果进行验证，评价提取精度，验证点分布如图6所示，实地踏勘数据点位247个，同时以第三次全国国土调查数据为辅助进行验证。验证方法使用混淆矩阵，包括总体分类精度、Kappa系数、错分误差、漏分误差、制图精度以及用户精度六个要素，验证结果人如表1所示，总体精度达到88.98％。Kappa系数达到0.7688。说明本发明方法具有较高的精度，可以实现不同年份的养殖坑塘精准提取，在时间尺度上具有较好的拓展性。
表2太湖流域社渚镇养殖坑塘遥感提取精度
指标 总体分类精度 Kappa系数 错分误差 漏分误差 制图精度 用户精度
精度 88.98％ 0.7688 11.63％ 16.41％ 83.59％ 88.37％
为了进一步评估本发明方法的性能，选取骆马湖周边典型的水产养殖区域——泗阳县对本方法进行评估，同样基于Sentinel-2MSI遥感影像，筛选出云量低于15％的影像数据，提取结果如图6所示，验证精度达到81.22％。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。

Claims (10)

1.基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法，其特征在于，包括：
获取各个季节的高分辨率遥感影像，经过辐射定标、大气校正处理后，计算归一化水体指数NDWI，利用双峰阈值法确定NDWI的阈值，提取各个季节影像中的水体；所述各个季节的高分辨率遥感影像涵盖养殖坑塘在不同农业生产周期的影像；
采用水体提取结果掩膜湖泊水库后，利用预设的面积阈值对水体斑块进行筛选，剔除面积小于11000 m2的细碎水体；
对剔除细碎水体后的剩余水体斑块计算形状指数，将形状指数大于8.0的水体识别为河流和沟渠并剔除；
统计剔除细碎水体、河流和沟渠后剩余的水体斑块的不同季节NDWI值，当年度均值≥0.2时，识别为养殖池塘。
2.根据权利要求1所述的方法，其特征在于，所述高分辨率遥感影像指分辨率不超过10米的多光谱影像数据；如果选取的多光谱影像数据传感器的部分波段分辨率超过10米，则通过重采样的方式获得10米的分辨率影像。
3.根据权利要求1所述的方法，其特征在于，所述不同农业生产周期包括养殖坑塘蓄水、水产放苗、培育、捕捞及休耕放水时期。
4.根据权利要求1所述的方法，其特征在于，所述高分辨率遥感影像的整幅影像数据云覆盖度低于15%。
5.根据权利要求1所述的方法，其特征在于，采用水体提取结果掩膜湖泊水库时，利用最近年份的全国土地调查得到的水库、湖泊范围对水体提取结果进行掩膜。
6.根据权利要求1所述的方法，其特征在于，在采用水体提取结果掩膜湖泊水库后，先通过灰度分割进行坑塘的预筛选，再通过面积阈值进行筛选。
7.根据权利要求6所述的方法，其特征在于，对于与相邻坑塘的界线在遥感影像上无法识别的坑塘，通过灰度分割进行坑塘的预筛选。
8.根据权利要求6所述的方法，其特征在于，所述通过灰度分割进行坑塘的预筛选指：利用计算得到的归一化水体指数NDWI值作为灰度值进行阈值分割，区分坑塘和湖泊水库。
9.根据权利要求1所述的方法，其特征在于，还包括对最终识别的养殖坑塘结果进行精度验证。
10.根据权利要求9所述的方法，其特征在于，采用混淆矩阵，分别通过实地踏勘验证、对应时期无人机影像和全国国土调查数据对识别结果进行比对验证。
CN202210374330.1A 2022-04-11 2022-04-11 基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法 Pending CN114724049A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210374330.1A CN114724049A (zh) 2022-04-11 2022-04-11 基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210374330.1A CN114724049A (zh) 2022-04-11 2022-04-11 基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法

Publications (1)

Publication Number Publication Date
CN114724049A true CN114724049A (zh) 2022-07-08

Family

ID=82242947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210374330.1A Pending CN114724049A (zh) 2022-04-11 2022-04-11 基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法

Country Status (1)

Country Link
CN (1) CN114724049A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116403112A (zh) * 2023-04-11 2023-07-07 生态环境部卫星环境应用中心 农村黑臭水体排查范围划定方法和装置
CN117315501A (zh) * 2023-10-23 2023-12-29 中国水利水电科学研究院 一种基于水体斑块形状和相邻关系的遥感水体分类方法
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
CN117726764A (zh) * 2024-02-06 2024-03-19 江苏省水利科学研究院 一种考虑高强度人类活动影响的浅水湖泊地形与水位蓄量关系构建方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116403112A (zh) * 2023-04-11 2023-07-07 生态环境部卫星环境应用中心 农村黑臭水体排查范围划定方法和装置
CN116403112B (zh) * 2023-04-11 2023-10-27 生态环境部卫星环境应用中心 农村黑臭水体排查范围划定方法和装置
CN117315501A (zh) * 2023-10-23 2023-12-29 中国水利水电科学研究院 一种基于水体斑块形状和相邻关系的遥感水体分类方法
CN117315501B (zh) * 2023-10-23 2024-04-12 中国水利水电科学研究院 一种基于水体斑块形状和相邻关系的遥感水体分类方法
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
CN117726764A (zh) * 2024-02-06 2024-03-19 江苏省水利科学研究院 一种考虑高强度人类活动影响的浅水湖泊地形与水位蓄量关系构建方法及系统
CN117726764B (zh) * 2024-02-06 2024-04-26 江苏省水利科学研究院 一种考虑高强度人类活动影响的浅水湖泊地形与水位蓄量关系构建方法及系统

Similar Documents

Publication Publication Date Title
CN114724049A (zh) 基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法
CN108009542B (zh) 油菜大田环境下杂草图像分割方法
Son et al. Mangrove mapping and change detection in Ca Mau Peninsula, Vietnam, using Landsat data and object-based image analysis
Liu et al. Satellite-based monitoring and statistics for raft and cage aquaculture in China’s offshore waters
CN109190538A (zh) 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法
CN111626269B (zh) 一种实用的大空间范围滑坡提取方法
Wang et al. Interannual changes of coastal aquaculture ponds in China at 10-m spatial resolution during 2016–2021
CN109034026B (zh) 一种遥感影像中水陆区域的红树林提取方法及系统
CN111881816B (zh) 一种长时序的河湖围埂养殖区域监测方法
CN111340826A (zh) 基于超像素与拓扑特征的航拍图像单株树冠分割算法
CN111402169B (zh) 一种海岸带潮汐影响下遥感植被指数时间序列的修复方法
CN111310681B (zh) 一种融入地学知识的红树林分布遥感提取方法
Wilson et al. Eelgrass (Zostera marina) and benthic habitat mapping in Atlantic Canada using high-resolution SPOT 6/7 satellite imagery
CN109409265B (zh) 一种基于陆地资源卫星影像的浮筏养殖区域提取方法
CN113971769B (zh) 基于多源大数据的海岸带地域功能长时序识别方法
Peng et al. Accurate mapping of Chinese coastal aquaculture ponds using biophysical parameters based on Sentinel-2 time series images
CN114266958A (zh) 一种基于云平台的红树林遥感快速精准提取方法
CN109359533A (zh) 一种基于多波段遥感影像的海岸线提取方法
CN112037244B (zh) 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法
CN115810155B (zh) 一种潮汐湿地的分类方法
CN109801306B (zh) 基于高分遥感影像的潮沟提取方法
Zhou et al. Developing seagrass index for long term monitoring of Zostera japonica seagrass bed: A case study in Yellow River Delta, China
CN111862134B (zh) 基于Sentinel-1与GEE的近岸水产养殖塘提取方法
Wiguna et al. Spatial Analysis of Mangrove Distribution Using Landsat 8 Oli in Badung Regency and Denpasar City, Bali Province, Indonesia
CN115063437B (zh) 一种红树林冠层可见光图像指数特征分析方法及系统

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