CN114943161B - 一种基于多源遥感数据的内陆湖泊地形反演方法 - Google Patents
一种基于多源遥感数据的内陆湖泊地形反演方法 Download PDFInfo
- Publication number
- CN114943161B CN114943161B CN202210888571.8A CN202210888571A CN114943161B CN 114943161 B CN114943161 B CN 114943161B CN 202210888571 A CN202210888571 A CN 202210888571A CN 114943161 B CN114943161 B CN 114943161B
- Authority
- CN
- China
- Prior art keywords
- lake
- data
- remote sensing
- inversion
- water
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于多源遥感数据的内陆湖泊地形反演方法,包括获取内陆湖泊水文相关数据,所述内陆湖泊水文相关数据包括遥感影像、卫星测高数据和实测水位数据,还包括以下步骤:对所述遥感数据进行预处理;将湖泊水位变化区域看作上层湖盆,利用不同水位处的湖泊表面通过插值的方式进行拟合得到所述上层湖盆地形;采用水色反演水深的方法获取下层湖盆地形;将所述上层湖盆地形和所述下层湖盆地形进行拼接;根据反演结果生成专题图,并输出图像。本发明基于多源数据,通过数据拟合、叠加等操作得到内陆湖泊最低水位以上湖盆地形,采用水色反演水深的方法获取湖泊最低水位以下湖盆地形,将上、下层湖盆地形进行拼接实现湖泊湖盆地形的反演。
Description
技术领域
本发明涉及数据测量的技术领域,特别是一种基于多源遥感数据的内陆湖泊地形反演方法。
背景技术
在社会逐渐发展的今天,环境恶化、极端天气带来的洪涝灾害逐年增加,影响着人们的日常生活,每年受洪灾影响所造成的损失占全年主要自然灾害损失的30%。而洪涝灾害具有影响范围广、发生频度高、灾害突发性强等特点,难以对其进行提前预知。
洪涝灾害的灾情影响与湖泊蓄水量息息相关,在发生强降雨事件后超出湖泊容积的水体则会沿着湖区边界漫入周边农田及建筑区形成洪灾,降水量过大时甚至会冲破防护工程冲毁人工建筑物造成更多的经济损失,因此获取精确的湖泊地形信息对于估计湖泊蓄水量预估不同程度降雨事件形成的洪涝灾情具有重要意义。学者对于湖泊地形信息的获取方法也做过很多研究,而传统的基于实地声呐探测的方法,通过船载声呐所获取的测量点反演湖底地形图实际操作工作量太大,耗费时长及人力物力;常规的数字高程模型分辨率较低,预估湖泊蓄水量的精度难以满足要求。
地理学报第74卷第7期在2019年7月公开了隆院男、闫世雄、蒋昌波、吴长山、李志威和唐蓉的题目为《基于多源遥感影像的洞庭湖地形提取方法》,该方法以洞庭湖为研究对象,采用Landsat和MODIS系列遥感影像提取湖区边界,基于趋势面分析法和克里金插值法,反演湖区边界各点对应的水位,将带有水位信息的边界点作为高程点实现湖底地形反演,进一步用实测湖底地形验证反演方法的可靠性。该方法仅采用洞庭湖周边10个水文站、水位站的实测水位数据进行湖区水位反演,可用数据有限,无法有效覆盖整个湖区,水位反演精度的不足直接影响地形反演的精度。其次,对于常年无法露出水面的底部地形没有进行反演,所得到的洞庭湖地形缺少一部分,整体的完整性还略有不足。最后,用于提取水面边界的遥感影像仅采用分辨率较低的光学影像,没有考虑高分辨率雷达影像的效果,较低的分辨率使得水面边界的提取精度不高,出现不同水位边界重合问题。
发明内容
为了解决上述的技术问题,本发明基于多源多时相遥感影像、测高卫星和地面水位数据,通过数据拟合、叠加等操作得到内陆湖泊最低水位以上湖盆地形,采用水色反演水深的方法获取湖泊最低水位以下湖盆地形,将上、下层湖盆地形进行拼接实现湖泊湖盆地形的反演。
本发明提供一种基于多源遥感数据的内陆湖泊地形反演方法,包括获取内陆湖泊水文相关数据,所述内陆湖泊水文相关数据包括遥感影像、卫星测高数据和实测水位数据,还包括以下步骤:
步骤1:对所述遥感数据进行预处理;
步骤2:将湖泊水位变化区域看作上层湖盆,利用不同水位处的湖泊表面通过插值的方式进行拟合得到所述上层湖盆地形;
步骤3:采用水色反演水深的方法获取下层湖盆地形;
步骤4:将所述上层湖盆地形和所述下层湖盆地形进行拼接;
步骤5:根据反演结果生成专题图,并输出图像。
优选的是,所述步骤1包括对所述遥感影像进行轨道矫正、辐射定标、滤波处理、多视处理和正射校正中至少一种操作操作,对所述卫星测高数据进行波形重跟踪、电离层校正、对流层校正、极潮校正和固体潮校正中至少一种操作得到精确的地面遥感数据。
在上述任一方案中优选的是,所述遥感影像包括雷达遥感影像和/或光学遥感影像。
在上述任一方案中优选的是,所述步骤2包括以下子步骤:
步骤21:提取湖区边界;
步骤22:筛选所述卫星测高数据;
步骤23:拟合所述上层湖盆地形。
在上述任一方案中优选的是,所述步骤21包括以下子步骤:
步骤211:对雷达遥感影像采用水体指数法进行水体提取;
步骤212:对光学遥感影像采用归一化差异水体指数法获取水体;
步骤213:重复执行步骤211和步骤212,得到多日与所述卫星测高数据同期的湖区边界。
在上述任一方案中优选的是,所述卫星测高数据包括湖泊水面的高程信息和/或湖区外其他地物的高程信息。
在上述任一方案中优选的是,所述步骤22包括以下子步骤:
步骤221:通过所述与所述卫星测高数据同期的湖区边界进行所述卫星测高数据的第一次筛选,保留湖区内部的测高数据点,将湖区边界外的测高数据点舍弃;
步骤222:选取纬度序号连续、高度位于同一水平线上且高程值与高程均值相近的一组点作为可用测高数据,筛选湖区范围内尽可能多的点组;
步骤223:对湖区内的所述卫星测高数据进行第二次筛选,得到最终实验数据。
在上述任一方案中优选的是,所述步骤23包括结合不同时相的水体表面边界与卫星测高数据得到各时相不同水位处的湖泊表面,通过多组湖泊表面插值计算得到整体上层湖盆地形。
在上述任一方案中优选的是,所述步骤23包括以下子步骤:
步骤231:分别对各个水面区块首先进行高程拟合处理,根据卫星测高数据与水文站数据对湖泊表面进行分块,三点构成一个小分块,并将卫星测高数据与各水文站的实测水位数据相结合利用趋势面分析法分块进行拟合处理得到各块水面的高程信息,再将拟合得到的各块水面高程信息拼接到一起得到一整个高程面,经过平滑处理,得到该时相的湖泊水面高程;
步骤232:重复进行步骤231获得多日的湖泊水面高程,并将拟合出的水面高程与各日湖区边界叠加得到多日附有高程值的湖区水面边界线;
步骤233:利用克里金插值法将各湖区水面进行拟合补充边界线间的高程空白得到上层湖区地形。
在上述任一方案中优选的是,所述步骤3包括以下子步骤:
步骤31:选取上层湖盆反演中最后一期光学遥感影像中的红、绿、蓝、近红外四个多光谱波段的数据获取影像湖区范围内的辐亮度值,将实测水深数据转换为相对与大地水准面的水深数据,再结合实测水深数据的经纬度坐标提取遥感影像上对应位置的各波段像元值与实测水深数据进行配准;
步骤32:建立初始反演模型;
步骤33:设定初始参数,并利用目标函数生成模型参数;
步骤34:根据所述模型参数得到最优的水深反演模型,将高程未知的各点像元值输入模型反演水深值即可得到下层湖盆地形。
在上述任一方案中优选的是,所述步骤32包括基于多波段组合线性回归模型进行初始反演模型建立,公式为:
在上述任一方案中优选的是,所述步骤33包括从已获取的数据中选取部分样本用于建模,剩下的样本作为检验数据保留;将样本输入模型得到估计水深值,并与对应的实测水深值一起输入目标函数并判断其是否满足收敛条件,若不满足则将参数进行迭代更新重新获得水深反演模型,直到目标函数满足收敛条件。
在上述任一方案中优选的是,所述目标函数的公式为
其中,x为目标函数的计算值,N为建模时输入样本的个数,z j 为第j个实测水深值,z mj 为第j个由模型获得的估计水深值。
在上述任一方案中优选的是,所述步骤4包括以下子步骤:
步骤41:根据上层湖盆底部边缘坐标与下层湖盆最外侧边缘坐标进行配准,将两层湖盆在坐标系上统一;
步骤42:以上层湖盆底部的高程为准,进行下层湖盆的整体高差改正;
步骤43:计算下层湖盆最外侧边缘各点与上层湖盆底部边缘对应点之间的高差均值作为改正数,改正下层湖盆其余各点,并去除两层湖盆边缘处的异常值;
步骤44:完成上下层湖盆拼接,得到完整湖泊地形。
在上述任一方案中优选的是,所述专题图的信息包括专题图名称、图像内容和辅助要素,所述辅助要素包括图例、比例尺和指北针。
本发明提出了一种基于多源遥感数据的内陆湖泊地形反演方法,能够高效高精度的获取湖泊底部地形信息。
附图说明
图1为按照本发明的基于多源遥感数据的内陆湖泊地形反演方法的一优选实施例的流程图。
图2为按照本发明的基于多源遥感数据的内陆湖泊地形反演方法的另一优选实施例的流程图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例一
如图1所示,执行步骤100,获取内陆湖泊水文相关数据,所述内陆湖泊水文相关数据包括遥感影像、卫星测高数据和实测水位数据,所述遥感影像包括雷达遥感影像和/或光学遥感影像,所述卫星测高数据包括湖泊水面的高程信息和/或湖区外其他地物的高程信息。
执行步骤110,对所述遥感数据进行预处理,对所述遥感影像进行轨道矫正、辐射定标、滤波处理、多视处理和正射校正中至少一种操作操作,对所述卫星测高数据进行波形重跟踪、电离层校正、对流层校正、极潮校正和固体潮校正中至少一种操作得到精确的地面遥感数据。
执行步骤120,将湖泊水位变化区域看作上层湖盆,利用不同水位处的湖泊表面通过插值的方式进行拟合得到所述上层湖盆地形。包括以下子步骤:
步骤121:提取湖区边界,包括:步骤1211:对雷达遥感影像采用水体指数法进行水体提取;步骤1212:对光学遥感影像采用归一化差异水体指数法获取水体;步骤1213:重复执行步骤1211和步骤1212,得到多日与所述卫星测高数据同期的湖区边界。
步骤122:筛选所述卫星测高数据,包括:步骤1221:通过所述与所述卫星测高数据同期的湖区边界进行所述卫星测高数据的第一次筛选,保留湖区内部的测高数据点,将湖区边界外的测高数据点舍弃;步骤1222:选取纬度序号连续、高度位于同一水平线上且高程值与高程均值相近的一组点作为可用测高数据,筛选湖区范围内尽可能多的点组;步骤1223:对湖区内的所述卫星测高数据进行第二次筛选,得到最终实验数据。
步骤123:拟合所述上层湖盆地形,结合不同时相的水体表面边界与卫星测高数据得到各时相不同水位处的湖泊表面,通过多组湖泊表面插值计算得到整体上层湖盆地形。包括:步骤1231:分别对各个水面区块首先进行高程拟合处理,根据卫星测高数据与水文站数据对湖泊表面进行分块,三点构成一个小分块,并将卫星测高数据与各水文站的实测水位数据相结合利用趋势面分析法分块进行拟合处理得到各块水面的高程信息,再将拟合得到的各块水面高程信息拼接到一起得到一整个高程面,经过平滑处理,得到该时相的湖泊水面高程;步骤1232:重复进行步骤231获得多日的湖泊水面高程,并将拟合出的水面高程与各日湖区边界叠加得到多日附有高程值的湖区水面边界线;步骤1233:利用克里金插值法将各湖区水面进行拟合补充边界线间的高程空白得到上层湖区地形。
执行步骤130,采用水色反演水深的方法获取下层湖盆地形,包括以下子步骤:
步骤131:选取上层湖盆反演中最后一期光学遥感影像中的红、绿、蓝、近红外四个多光谱波段的数据获取影像湖区范围内的辐亮度值,将实测水深数据转换为相对与大地水准面的水深数据,再结合实测水深数据的经纬度坐标提取遥感影像上对应位置的各波段像元值与实测水深数据进行配准。
步骤132:建立初始反演模型,基于多波段组合线性回归模型进行初始反演模型建立,公式为:
步骤133:设定初始参数,并利用目标函数生成模型参数。从已获取的数据中选取部分样本用于建模,剩下的样本作为检验数据保留;将样本输入模型得到估计水深值,并与对应的实测水深值一起输入目标函数并判断其是否满足收敛条件,若不满足则将参数进行迭代更新重新获得水深反演模型,直到目标函数满足收敛条件。所述目标函数的公式为
其中,x为目标函数的计算值,N为建模时输入样本的个数,z j 为第j个实测水深值,z mj 为第j个由模型获得的估计水深值。
步骤134:根据所述模型参数得到最优的水深反演模型,将高程未知的各点像元值输入模型反演水深值即可得到下层湖盆地形。
执行步骤140,将所述上层湖盆地形和所述下层湖盆地形进行拼接,包括以下子步骤:
步骤141:根据上层湖盆底部边缘坐标与下层湖盆最外侧边缘坐标进行配准,将两层湖盆在坐标系上统一;
步骤142:以上层湖盆底部的高程为准,进行下层湖盆的整体高差改正;
步骤143:计算下层湖盆最外侧边缘各点与上层湖盆底部边缘对应点之间的高差均值作为改正数,改正下层湖盆其余各点,并去除两层湖盆边缘处的异常值;
步骤144:完成上下层湖盆拼接,得到完整湖泊地形。
执行步骤150,根据反演结果生成专题图,并输出图像。所述专题图的信息包括专题图名称、图像内容和辅助要素,所述辅助要素包括图例、比例尺和指北针。
实施例二
为了获取更高精度的湖泊底部地形,本文采用多源多时相遥感数据以获取各年份大量地形相关数据,得到更多地形细节信息提高地形反演的精度。
本文所采用的数据主要有Sentinel-1、GF-3等雷达遥感数据,Sentinel-2、Landsat-8、GF-1等光学遥感数据,Sentinel-3、Cyrosat-2等测高卫星数据及湖泊水文站实时水位数据。
本方法将多源多时相的湖泊遥感影像及测高卫星数据进行预处理得到输入数据,通过数据拟合、叠加等操作得到湖泊水面面积、高程及地形信息,流程图如图2所示。
1、多源多时相遥感数据
1.1遥感影像获取
本方法基于遥感影像数据与卫星测高数据的结合使用,首先选取近10年内轨道穿过湖泊表面的测高卫星数据,并获取对应日期或日期最近的遥感影像数据作为地形反演数据。
1.2数据预处理
获取的原始遥感数据由于受大气、地形等外界因素影响,与实际地表有一定的差异,无法直接用于实验操作,因此需要对遥感影像进行轨道矫正、辐射定标、滤波处理、多视处理及正射校正等操作,对卫星测高数据则需要进行波形重跟踪、电离层校正、对流层校正、极潮校正及固体潮校正等操作得到精确的地面遥感数据。
2、上层湖盆地形
首先将湖泊水位变化区域看作上层湖盆,利用不同水位处的湖泊表面通过插值的方式进行拟合得到上层湖盆地形。
2.1湖区边界提取
由于湖区边界信息无法从遥感影像直接获取,因此采用水体提取的方法获得影像中的湖泊水面再由面转线获得湖区边界信息。
首先对雷达遥感影像采用水体指数法进行水体提取,雷达影像是一种灰度图像,而因水体的反射率较弱,后向散射系数小于其他地物的后向散射系数,在影像中表现为黑色或颜色较深,而其他地物则表现为较亮,在灰度直方图中会表现为明显的双峰,取峰谷处作为阈值,选取灰度值低于阈值的图斑即为水体。
然后对光学遥感影像采用归一化差异水体指数法(NDWI)获取水体,对于纯水来说,水体在光谱反应上对红光、近红外波段具有较强的吸收作用,反射率较低,而对蓝、绿波段则相反,因此对影像的绿波段及近红外波段进行操作获取影像中的水体区域。
最后重复上述过程得到多日与卫星测高数据同期的湖区边界。
2.2卫星测高数据筛选
测高卫星提供的测高数据不仅包括湖泊水面的高程信息还包括湖区外其他地物的高程信息,因此通过上节获取的湖区边界进行第一步卫星测高数据筛选,仅保留湖区内部的测高数据点,将湖区边界外的测高数据点舍弃。然后选取纬度序号连续、高度位于同一水平线上且高程值与高程均值相近的一组点(不少于3个)作为可用测高数据,筛选湖区范围内尽可能多的点组,进一步对湖区内的卫星测高数据进行筛选,得到最终实验数据。
2.3湖盆地形拟合
结合不同时相的水体表面边界与卫星测高数据得到各时相不同水位处的湖泊表面,通过多组湖泊表面插值计算得到整体上层湖盆地形。而受地球曲率及地球重力及地形影响,湖泊表面并非是平整的表面而是高低不平的斜面,在进行湖盆地形拟合时需要考虑这一因素。
1)将湖泊水面看作由许多分块组成的完整面,每个分块具有各自的高程特征,因此分别对各个水面区块首先进行高程拟合处理,根据卫星测高数据与水文站数据对湖泊表面进行分块,三点构成一个小分块,并将卫星测高数据与各水文站的实测水位数据相结合利用趋势面分析法分块进行拟合处理得到各块水面的高程信息,再将拟合得到的各块水面高程信息拼接到一起得到一整个高程面,经过平滑处理,得到该时相的湖泊水面高程。
2)进行湖盆地形拟合需要大量水位数据,无法仅靠少数水面进行大型湖泊的地形反演。因此需要重复进行上述步骤获得多日的湖泊水面高程,并将拟合出的水面高程与各日湖区边界叠加得到多日附有高程值的湖区水面边界线。
3)虽然得到多日的水面边界线高程值,但各边界线间还是会存在空隙,利用克里金插值法将各湖区水面进行拟合补充边界线间的高程空白得到上层湖区地形。
3、下层湖盆地形
将常年淹没在水体下面无法由水位随气候变化而露出水面的部分看作下层湖盆地形,由于无法获得下层水体各位置处的高程信息,因此采用水色反演水深的方法获取下层湖盆地形。
首先选取上层湖盆反演中最后一期光学遥感影像中的红、绿、蓝、近红外四个多光谱波段的数据获取影像湖区范围内的辐亮度值,将实测水深数据转换为相对与大地水准面的水深数据,再结合实测水深数据的经纬度坐标提取遥感影像上对应位置的各波段像元值与实测水深数据进行配准。
建立初始反演模型,基于多波段组合线性回归模型进行初始反演模型建立。
设定初始参数,并从已获取的数据中选取部分样本用于建模,剩下的样本作为检验数据保留。将样本输入模型得到估计水深值,并与对应的实测水深值一起输入目标函数并判断其是否满足收敛条件(目标函数最小),若不满足则将参数进行迭代更新重新获得水深反演模型,直到目标函数满足收敛条件。目标函数公式如下,
式中,N为建模时输入样本的个数,z j 为第j个实测水深值,z mj 为第j个由模型获得的估计水深值。
确定模型参数后得到最优的水深反演模型,将高程未知的各点像元值输入模型反演水深值即可得到下层湖盆地形。
4、上下层湖盆拼接
由于下层湖盆地形反演时采用上层湖盆最底部的光学影像,因此反演后上下层湖盆连接处高程应一致。根据上层湖盆底部边缘坐标与下层湖盆最外侧边缘坐标进行配准,将两层湖盆在坐标系上统一,以上层湖盆底部的高程为准,进行下层湖盆的整体高差改正,计算下层湖盆最外侧边缘各点与上层湖盆底部边缘对应点之间的高差均值作为改正数,改正下层湖盆其余各点,并去除两层湖盆边缘处的异常值,完成上下层湖盆拼接,得到完整湖泊地形。
5、输出结果
根据反演结果生成专题图,专题图基本格式固定。
5.1专题图名称
本系统生成的结果为XX湖湖底反演地形专题图,湖泊名称需在外部由人工给定。
5.2图像内容
调整湖泊区域图像大小使其适应图框大小,将离散点栅格化生成地形高程并通过不同颜色对各处高程进行区分。添加辅助图层,包括:省、市、区(县)各级行政区划及标注要素。
5.3辅助要素
在生成的专题图中添加图例、比例尺、指北针等必要的辅助要素。
5.3.1图例
根据图框中的地形要素生成合适的图例,主要为湖泊底部高程信息。
5.3.2比例尺
插入以米或千米为单位的适当大小的比例尺。
5.3.3指北针
插入指北针,使其标注正北方向。
5.4输出图像
将图像输出为可编辑界面,以供后期对专题图进行改正或添加其他要素的编辑。
为了更好地理解本发明,以上结合本发明的具体实施例做了详细描述,但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改,均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (8)
1.一种基于多源遥感数据的内陆湖泊地形反演方法,包括获取内陆湖泊水文相关数据,所述内陆湖泊水文相关数据包括遥感影像、卫星测高数据和实测水位数据,所述遥感影像包括雷达遥感影像和/或光学遥感影像,其特征在于,还包括以下步骤:
步骤1:对所述遥感数据进行预处理;
步骤2:将湖泊水位变化区域看作上层湖盆,利用不同水位处的湖泊表面通过插值的方式进行拟合得到所述上层湖盆地形;
步骤3:采用水色反演水深的方法获取下层湖盆地形,包括以下子步骤:
步骤31:选取上层湖盆反演中最后一期光学遥感影像中的红、绿、蓝、近红外四个多光谱波段的数据获取影像湖区范围内的辐亮度值,将实测水深数据转换为相对于 大地水准面的水深数据,再结合实测水深数据的经纬度坐标提取遥感影像上对应位置的各波段像元值与实测水深数据进行配准;
步骤32:建立初始反演模型;基于多波段组合线性回归模型进行初始反演模型建立,公式为:
步骤33:设定初始参数,并利用目标函数生成模型参数;
步骤34:根据所述模型参数得到最优的水深反演模型,将高程未知的各点像元值输入模型反演水深值即可得到下层湖盆地形;
步骤4:将所述上层湖盆地形和所述下层湖盆地形进行拼接;
步骤5:根据反演结果生成专题图,并输出图像。
2.如权利要求1所述的基于多源遥感数据的内陆湖泊地形反演方法,其特征在于,所述步骤1包括对所述遥感影像进行轨道矫正、辐射定标、滤波处理、多视处理和正射校正中至少一种操作,对所述卫星测高数据进行波形重跟踪、电离层校正、对流层校正、极潮校正和固体潮校正中至少一种操作得到精确的地面遥感数据。
3.如权利要求2所述的基于多源遥感数据的内陆湖泊地形反演方法,其特征在于,所述步骤2包括以下子步骤:
步骤21:提取湖区边界;
步骤22:筛选所述卫星测高数据;
步骤23:拟合所述上层湖盆地形。
4.如权利要求3所述的基于多源遥感数据的内陆湖泊地形反演方法,其特征在于,所述步骤21包括以下子步骤:
步骤211:对雷达遥感影像采用水体指数法进行水体提取;
步骤212:对光学遥感影像采用归一化差异水体指数法获取水体;
步骤213:重复执行所述步骤211和所述步骤212,得到多日与所述卫星测高数据同期的湖区边界。
5.如权利要求4所述的基于多源遥感数据的内陆湖泊地形反演方法,其特征在于,所述卫星测高数据包括湖泊水面的高程信息和/或湖区外其他地物的高程信息。
6.如权利要求5所述的基于多源遥感数据的内陆湖泊地形反演方法,其特征在于,所述步骤22包括以下子步骤:
步骤221:通过所述与所述卫星测高数据同期的湖区边界进行所述卫星测高数据的第一次筛选,保留湖区内部的测高数据点,将湖区边界外的测高数据点舍弃;
步骤222:选取纬度序号连续、高度位于同一水平线上且高程值与高程均值相近的一组点作为可用测高数据,筛选湖区范围内尽可能多的点组;
步骤223:对湖区内的所述卫星测高数据进行第二次筛选,得到最终实验数据。
7.如权利要求6所述的基于多源遥感数据的内陆湖泊地形反演方法,其特征在于,所述步骤23包括结合不同时相的水体表面边界与卫星测高数据得到各时相不同水位处的湖泊表面,通过多组湖泊表面插值计算得到整体上层湖盆地形。
8.如权利要求7所述的基于多源遥感数据的内陆湖泊地形反演方法,其特征在于,所述步骤23包括以下子步骤:
步骤231:分别对各个水面区块首先进行高程拟合处理,根据卫星测高数据与水文站数据对湖泊表面进行分块,三点构成一个小分块,并将卫星测高数据与各水文站的实测水位数据相结合利用趋势面分析法分块进行拟合处理得到各块水面的高程信息,再将拟合得到的各块水面高程信息拼接到一起得到一整个高程面,经过平滑处理,得到该时相的湖泊水面高程;
步骤232:重复进行步骤231获得多日的湖泊水面高程,并将拟合出的水面高程与各日湖区边界叠加得到多日附有高程值的湖区水面边界线;
步骤233:利用克里金插值法将各湖区水面进行拟合补充边界线间的高程空白得到上层湖区地形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210888571.8A CN114943161B (zh) | 2022-07-27 | 2022-07-27 | 一种基于多源遥感数据的内陆湖泊地形反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210888571.8A CN114943161B (zh) | 2022-07-27 | 2022-07-27 | 一种基于多源遥感数据的内陆湖泊地形反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114943161A CN114943161A (zh) | 2022-08-26 |
CN114943161B true CN114943161B (zh) | 2022-09-27 |
Family
ID=82911326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210888571.8A Active CN114943161B (zh) | 2022-07-27 | 2022-07-27 | 一种基于多源遥感数据的内陆湖泊地形反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114943161B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116956588B (zh) * | 2023-07-21 | 2024-01-09 | 武汉大学 | 基于水深-水面面积数学模型与遥感的河道水深反演方法 |
CN117574518B (zh) * | 2024-01-15 | 2024-04-09 | 国网湖北省电力有限公司经济技术研究院 | 一种抽水蓄能电站地下厂房三维地质模型建模方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105651263A (zh) * | 2015-12-23 | 2016-06-08 | 国家海洋局第海洋研究所 | 浅海水深多源遥感融合反演方法 |
CN110132373A (zh) * | 2019-05-10 | 2019-08-16 | 宁波市测绘设计研究院 | 一种基于卫星测高数据的大型内陆湖泊和湿地水位反演方法 |
CN112989692A (zh) * | 2021-02-10 | 2021-06-18 | 中国科学院南京地理与湖泊研究所 | 基于遥感数据的湖泊富营养化反演方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7672824B2 (en) * | 2001-12-10 | 2010-03-02 | Westerngeco L.L.C. | Method for shallow water flow detection |
-
2022
- 2022-07-27 CN CN202210888571.8A patent/CN114943161B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105651263A (zh) * | 2015-12-23 | 2016-06-08 | 国家海洋局第海洋研究所 | 浅海水深多源遥感融合反演方法 |
CN110132373A (zh) * | 2019-05-10 | 2019-08-16 | 宁波市测绘设计研究院 | 一种基于卫星测高数据的大型内陆湖泊和湿地水位反演方法 |
CN112989692A (zh) * | 2021-02-10 | 2021-06-18 | 中国科学院南京地理与湖泊研究所 | 基于遥感数据的湖泊富营养化反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114943161A (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Westaway et al. | Remote survey of large-scale braided, gravel-bed rivers using digital photogrammetry and image analysis | |
Yao et al. | Constructing long-term high-frequency time series of global lake and reservoir areas using Landsat imagery | |
CN114943161B (zh) | 一种基于多源遥感数据的内陆湖泊地形反演方法 | |
Huang et al. | Discharge estimation in high-mountain regions with improved methods using multisource remote sensing: A case study of the Upper Brahmaputra River | |
Hodúl et al. | Satellite derived photogrammetric bathymetry | |
Marzolff et al. | The potential of 3D gully monitoring with GIS using high-resolution aerial photography and a digital photogrammetry system | |
Ruggiero et al. | Linking proxy-based and datum-based shorelines on a high-energy coastline: implications for shoreline change analyses | |
He et al. | Mapping topo-bathymetry of transparent tufa lakes using UAV-based photogrammetry and RGB imagery | |
CN111144350B (zh) | 一种基于参考底图的遥感影像定位精度评价方法 | |
CN115077656A (zh) | 水库水储量反演方法和装置 | |
CN114241331B (zh) | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 | |
Pfeifer et al. | LiDAR data filtering and digital terrain model generation | |
CN117423002B (zh) | 一种基于dem的小尺度潮滩图像处理方法 | |
CN117433513B (zh) | 一种地形测绘的地图构建方法及系统 | |
Dilbone et al. | Spectrally based bathymetric mapping of a dynamic, sand‐bedded channel: Niobrara River, Nebraska, USA | |
Deng et al. | Mapping bathymetry from multi-source remote sensing images: A case study in the Beilun Estuary, Guangxi, China | |
Kim et al. | Comparison of snow cover fraction functions to estimate snow depth of South Korea from MODIS imagery | |
Nguy-Robertson et al. | Inferring elevation variation of lakes and reservoirs from areal extents: Calibrating with altimeter and in situ data | |
Mishra et al. | Accuracy assessment of MODIS fractional snow cover product for eastern Himalayan catchment | |
Kryniecka et al. | Use of Sentinel-2 images for the detection of sandbars along the lower Vistula | |
CN117315486B (zh) | 一种航道绿地监测方法、装置、电子设备及存储介质 | |
Parker et al. | A Tampa Bay bathymetric/topographic digital elevation model with internally consistent shorelines for various datums | |
Pfundstein | of the project: Diachronic monitoring of Folgefonna Glacier through remote sensing | |
Villa et al. | Multispectral transform and spline interpolation for mapping flood damages | |
Clark | Advancing Arctic coastal erosion measurement and monitoring through UAV-SfM, satellite imagery, and object-based image analysis |
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 |