CN114998213B - 一种基于径流权值模型的湖库群滞洪量计算方法 - Google Patents
一种基于径流权值模型的湖库群滞洪量计算方法 Download PDFInfo
- Publication number
- CN114998213B CN114998213B CN202210472259.0A CN202210472259A CN114998213B CN 114998213 B CN114998213 B CN 114998213B CN 202210472259 A CN202210472259 A CN 202210472259A CN 114998213 B CN114998213 B CN 114998213B
- Authority
- CN
- China
- Prior art keywords
- acquisition
- day
- remote sensing
- lake
- flood
- 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
- 230000014759 maintenance of location Effects 0.000 title claims abstract description 8
- 238000004364 calculation method Methods 0.000 title abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 177
- 238000003860 storage Methods 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012937 correction Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012417 linear regression Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000008030 elimination Effects 0.000 claims description 9
- 238000003379 elimination reaction Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 6
- 238000001556 precipitation Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于径流权值模型的湖库群滞洪量计算方法。本发明准备研究区日尺度径流数据，包含汛期内洪水始末时间的多景高时空分辨率遥感影像。以两幅相邻图像为一组分别计算各段时间间隔，将单个湖库作为基本计算单元，对流域内所有湖库的滞洪量进行统计求和，作为一次洪水期间该流域湖库群的总滞洪量。针对以上计算要素，结合蓄水量‑面积模型计算每个单元在各时相的蓄水量，整合各组的日水体蓄水量形成该计算单元此次洪水期的蓄水量序列，计算流域滞洪量。本发明构建了一种在不需要获取降水和蒸散发数据的情况下，仅通过遥感图像信息和径流水文资料即可进行滞洪量估算的新方法，在不损失精度的前提下极大提高了计算效率和适用性。
Description
技术领域
本发明属于空间信息技术在水利工程学领域应用技术，特别涉及一种基于径流权值模型的湖库群滞洪量计算方法。
背景技术
人类活动加剧了水资源时空分布不均的状况,导致旱涝灾害的发生概率增加。给人类社会的生产生活带来了严重影响,制约了区域经济的高质量发展。湖库群在缓解洪涝灾害事件中发挥了重要作用，滞洪量模拟对于防洪减灾以及流域内水循环具有重要意义。
一个地区的水库运行对于水资源管理具有重大意义，尤其在缓解洪涝灾害事件中发挥了重要作用，因此确定流域内湖库群蓄水量与径流之间的关系是水文工作者和工程技术人员面临的最重要的问题之一，这类信息是水文工程建设和水资源管理所需要的。我国尽管在许多流域已经建立了大量水库，但仅有少数大型水库配有专人持续观测和记录蓄水量信息，很大一部分小型水库和湖泊仍旧面临资料很少或无资料的情况。传统的研究多是基于年尺度或月尺度，没有足够的遥感图像，时间分辨率不够。所以无法有效地量化湖库群的滞洪能力，更无法准确描述一段时间内的湖库群蓄水量变化，关于滞洪量的计算及其衍生效应分析也是很困难的，滞洪量与径流之间的关系更是难以确定。
现有技术方法在评估径流的水文变化时，应特别注意湖库蓄水量的变化及其在径流中的相关影响。目前的研究工作仅限于径流附近的梯级水库，未考虑远离且汇入径流的湖库群的影响。因此，湖库等小水体的高尺度监测和滞洪量模拟是一个研究难点，有待进一步研究。这对于管理受湖泊和水库影响的河流系统中不同水体之间的水资源权衡具有重要意义。
发明内容
本发明目的在于提供一种基于径流权值模型的湖库群滞洪量计算方法。
本发明的技术方案为一种基于径流权值模型的湖库群滞洪量计算方法，其特征在于，包括以下步骤：
步骤1，引入多个采集日的GF-1遥感影像，将多个采集日的GF-1遥感影像依次通过辐射定标、大气校正、正射校正、影像裁剪得到多幅预处理后GF-1遥感影像，引入多个采集日的Sentinel-1遥感影像，将多个采集日的Sentinel-1遥感影像依次通过镶嵌处理、裁剪处理、轨道校正、热噪声去除、辐射定标、滤波处理、地形校正、分贝化处理得到多幅预处理后Sentinel-1遥感影像；
步骤2，对每个采集日的预处理后GF-1遥感影像通过归一化水体指数方法计算得到每个采集日的预处理后GF-1遥感影像的灰度影像，将每个采集日的预处理后GF-1遥感影像的灰度影像依次通过像元均值迭代算法计算得到每个采集日的GF-1遥感影像的水体分割阈值，利用每个采集日的GF-1遥感影像的水体分割阈值将每个采集日的预处理后GF-1遥感影像的灰度影像分割为每个采集日的GF-1遥感二值影像；
对每个采集日的预处理后Sentinel-1遥感影像通过双极化水体指数方法计算得到每个采集日的预处理后Sentinel-1遥感影像的灰度影像，将每个采集日的预处理后Sentinel-1遥感影像的灰度影像依次通过大津算法计算得到每个采集日的Sentinel-1遥感影像的水体分割阈值，利用每个采集日的Sentinel-1遥感影像的水体分割阈值将每个采集日的预处理后Sentinel-1遥感影像的灰度影像分割为每个采集日的Sentinel-1遥感二值影像；
步骤3，对每个采集日的GF-1遥感二值影像，基于最大连通域算法进行感兴趣区外部噪声去除处理，得到每个采集日的目标湖库水面区域的GF-1二值影像；对每个采集日的目标湖库水面区域的GF-1二值影像，采用面状填充的方式去除感兴趣区的内部噪声信息，获取每个采集日的GF-1水面栅格影像，将每个采集日的GF-1水面栅格影像利用像元统计方法结合影像分辨率计算每个采集日的GF-1遥感影像的水面面积；对每个采集日的Sentinel-1遥感二值影像，基于最大连通域算法进行感兴趣区外部噪声去除处理，得到每个采集日的目标湖库水面区域的Sentinel-1二值影像；对每个采集日的目标湖库水面区域的Sentinel-1二值影像，采用面状填充的方式去除感兴趣区的内部噪声信息，获取每个采集日的Sentinel-1水面栅格影像，将每个采集日的Sentinel-1水面栅格影像利用像元统计方法结合影像分辨率计算每个采集日的Sentinel-1遥感影像的水面面积；将每个采集日的GF-1遥感影像的水面面积作为线性模型输入量，将对应相同采集日的Sentinel-1遥感影像的水面面积作为线性模型输出量，通过最小二乘法求解得到线性回归模型系数，利用线性回归模型系数构建优化后线性回归模型；将每个采集日的GF-1遥感影像的水面面积作为优化后线性回归模型的输入量，得到回归模型校正后的每个采集日的GF-1遥感影像的水面面积，通过每个采集日的Sentinel-1遥感影像的水面面积、回归模型校正后的每个采集日的GF-1遥感影像的水面面积构建每个采集日的消除差异后水面面积；
步骤4，引入多个采集日的湖库蓄水量和对应相同采集日的消除差异后水面面积，将对应相同采集日的消除差异后水面面积作为水面面积蓄水量模型输入量，将每个采集日的湖库蓄水量作为水面面积蓄水量模型输出量，通过最小二乘法求解得到水面面积蓄水量模型系数，利用水面面积蓄水量模型系数构建优化后水面面积蓄水量模型，将步骤3所述的每个采集日的消除差异后水面面积输入至优化后水面面积蓄水量模型，得到每个采集日的遥感影像的蓄水量；
步骤5，引入每个湖库洪涝发生期内所属流域的日尺度径流数据，对每个湖库洪涝发生期内所属流域的日尺度径流数据进行归一化，得到每个湖库洪涝发生期内相邻两个采集日内每天的径流归一化数值，将每个湖库洪涝发生期内多个采集日通过步骤1至步骤4，得到每个湖库洪涝发生期内每个采集日的遥感影像的蓄水量，将每个湖库洪涝发生期内相邻两个采集日的遥感影像的蓄水量分别用和/>表示，/>表示每个湖库洪涝发生期内第dk1个采集日的遥感影像的蓄水量，/>表示每个湖库洪涝发生期内第dk2个采集日的遥感影像的蓄水量，且两个采集日间隔dk2-dk1天，/>表示每个湖库洪涝发生期内相邻两个采集日内的滞洪量，利用每个湖库洪涝发生期内相邻两个采集日内每天的径流归一化数值乘以每个湖库洪涝发生期内相邻两个采集日内的滞洪量，得到每个湖库洪涝发生期内相邻两个采集日内每天的滞洪量，利用每个湖库洪涝发生期内相邻两个采集日的第一个采集日的蓄水量/>加上dk1+1日的滞洪量，得到每个湖库洪涝发生期内dk1+1日的蓄水量
步骤6，对每个湖库洪涝发生期内多个采集日按步骤5进行处理，得到每个湖库洪涝发生期内每天的蓄水量，对多个湖库洪涝发生期内每天的蓄水量进行统计求和，得到湖库群洪涝发生期内每天的蓄水量，利用任意一次洪水终止日的蓄水量减去起始日的蓄水量，即可获取任意一次洪水期间流域湖库群的总滞洪量；
其中，和/>分别表示洪涝发生期内相邻两个采集日的遥感影像的蓄水量大小，两个采集日的时间间隔为dk2-dk1天，/>表示洪涝发生期内相邻两个采集日内每天的径流归一化数值，m表示从dk1日开始的第m天，/>表示从dk1日开始的湖库群第m天的蓄水量。
本发明优点在于，传统的滞洪量计算方法有太多的限制条件，整个模型只是按条件进行机械的线性插值，没有动态考虑降雨和径流的同步性。而该方法不需要获取湖库所在地降水和地表蒸散发数据，仅通过遥感图像所得蓄水量信息和径流水文资料即可对流域内所有中大型湖库的滞洪量分别进行建模，且在不损失精度的前提下极大提高了计算效率和适用性。
附图说明
图1：本发明实施例的流程图；
图2：本发明实施例的研究区域；
图3：本发明实施例的基于自适应阈值的二值化效果图；
图4：本发明实施例的图像去噪效果图；
图5：本发明实施例的传统模型与径流权值模型精度对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下基于具体实施例详述本发明的技术方案，流程如附图1所示：
本发明的技术方案包括以下步骤：
步骤1，考虑到云层对后续处理精度的影响，采用目视检测方法，将目标湖库范围内所有无云层影响的高质量影像筛选出来，引入多个采集日的GF-1遥感影像，将多个采集日的GF-1遥感影像依次通过辐射定标、大气校正、正射校正、影像裁剪得到多幅预处理后GF-1遥感影像，对于精细定量研究而言，辐射定标和大气校正是必须进行的基本操作。由于后续分析需要用到目标湖库的形状大小以及地理位置，故对其进行正射校正，既消除几何畸变又能使所有影像置于统一的投影坐标系下。最后利用Python调用Arcgis的图像裁剪模块，基于从Google earth和1：25万国家基础地理信息数据数字线划图中获取的水体矢量位置信息，对经过前期处理后的影像进行批量裁剪，得到不同时相目标湖库感兴趣区信息，引入多个采集日的Sentinel-1遥感影像，将多个采集日的Sentinel-1遥感影像依次通过镶嵌处理、裁剪处理、轨道校正、热噪声去除、辐射定标、滤波处理、地形校正、分贝化处理得到多幅预处理后Sentinel-1遥感影像，采用基于SNAP软件的S-1Slice Assembly技术对上下相邻的两景影像进行镶嵌，且处理后的影像连接处基本没有锯齿分割线。由于湖库形状的不规则性，采用基于经纬度确定湖库位置的方法进行影像裁剪，不仅能提高计算效率，还可将非相关地物的后向散射干扰降到最小。Sentinel-1元数据文件中自带的轨道信息不是很准确，尤其是后期需要对影像进行较高的地理配准操作时，更应该更新卫星轨道的状态信息，这就体现了轨道校正的必要性。在卫星传感器发射和接受电磁波信号以及信号转换和处理的过程中，不可避免的会产生热噪声，尽管仪器在出厂时已将热噪声考虑进去，且将其对图像的影响限制到了最低，但为使实验结果更加准确，此操作仍需进行。最后对前期处理后的图像进行分贝化操作，可使其在可视化和数据分析方面更加方便。以上操作均可使用SNAP命令行指令GPT结合SNAP流程图进行批量处理，大大提高效率，节约时间成本；
步骤2，对每个采集日的预处理后GF-1遥感影像通过归一化水体指数方法计算得到每个采集日的预处理后GF-1遥感影像的灰度影像，将每个采集日的预处理后GF-1遥感影像的灰度影像依次通过像元均值迭代算法计算得到每个采集日的GF-1遥感影像的水体分割阈值，利用每个采集日的GF-1遥感影像的水体分割阈值将每个采集日的预处理后GF-1遥感影像的灰度影像分割为每个采集日的GF-1遥感二值影像，利用Python调用GDAL库进行波段运算，这里对不同类型的湖库使用了不用的方法。山地地区的水库适合使用谱间关系法(Green+Red)-(NIR+MIR)>T，但是考虑到GF-1WFV影像没有MIR波段，故采用(Green+Red)-(NIR+NIR)>T进行计算，对于平原地区的湖泊适合使用NDWI>T法，其中Green表示绿波段，Red表示红波段，NIR表示近红外波段，MIR表示中红外波段，T表示阈值；
对每个采集日的预处理后Sentinel-1遥感影像通过双极化水体指数方法计算得到每个采集日的预处理后Sentinel-1遥感影像的灰度影像，将每个采集日的预处理后Sentinel-1遥感影像的灰度影像依次通过大津算法计算得到每个采集日的Sentinel-1遥感影像的水体分割阈值，利用每个采集日的Sentinel-1遥感影像的水体分割阈值将每个采集日的预处理后Sentinel-1遥感影像的灰度影像分割为每个采集日的Sentinel-1遥感二值影像，在SNAP中人为设置好裁剪范围和波段运算方法，利用流程图处理方法直接得到裁剪后的SDWI图像。经大量实验证明，高分数据适合使用迭代法计算阈值，哨兵数据适合使用OTSU算法计算阈值，处理效果如附图3；
步骤3，图像二值化后，除目标湖库外，均为不需要的图斑信息，故利用一种最大连通域算法将目标湖库保留，去除其他图斑信息，效果如附图4，对每个采集日的GF-1遥感二值影像，基于最大连通域算法进行感兴趣区外部噪声去除处理，得到每个采集日的目标湖库水面区域的GF-1二值影像；在数据的处理和转换过程中，不可避免的还会产生新的噪声，表现形式为图像上的空洞，即像元值为NaN，对每个采集日的目标湖库水面区域的GF-1二值影像，采用面状填充的方式去除感兴趣区的内部噪声信息，获取每个采集日的GF-1水面栅格影像，将每个采集日的GF-1水面栅格影像利用像元统计方法结合影像分辨率计算每个采集日的GF-1遥感影像的水面面积；对每个采集日的Sentinel-1遥感二值影像，基于最大连通域算法进行感兴趣区外部噪声去除处理，得到每个采集日的目标湖库水面区域的Sentinel-1二值影像；对每个采集日的目标湖库水面区域的Sentinel-1二值影像，采用面状填充的方式去除感兴趣区的内部噪声信息，获取每个采集日的Sentinel-1水面栅格影像，将每个采集日的Sentinel-1水面栅格影像利用像元统计方法结合影像分辨率计算每个采集日的Sentinel-1遥感影像的水面面积；由于GF-1和Sentinel-1的传感器内部性质及成像方式均有差异，故两者的监测结果也存在差异。为了消除多源遥感监测结果的差异，选取同一采集日或采集日间隔较近的GF-1与Sentinel-1数据提取湖库面积进行线性回归，利用回归系数校正较低分辨率的图像在其它采集日的监测结果，实现流域湖库面积多源遥感监测结果一致化处理；将每个采集日的GF-1遥感影像的水面面积作为线性模型输入量，将对应相同采集日的Sentinel-1遥感影像的水面面积作为线性模型输出量，通过最小二乘法求解得到线性回归模型系数，利用线性回归模型系数构建优化后线性回归模型；将每个采集日的GF-1遥感影像的水面面积作为优化后线性回归模型的输入量，得到回归模型校正后的每个采集日的GF-1遥感影像的水面面积，通过每个采集日的Sentinel-1遥感影像的水面面积、回归模型校正后的每个采集日的GF-1遥感影像的水面面积构建每个采集日的消除差异后水面面积；
步骤4，引入多个采集日的湖库蓄水量和对应相同采集日的消除差异后水面面积，将对应相同采集日的消除差异后水面面积作为水面面积蓄水量模型输入量，将每个采集日的湖库蓄水量作为水面面积蓄水量模型输出量，通过最小二乘法求解得到水面面积蓄水量模型系数，利用水面面积蓄水量模型系数构建优化后水面面积蓄水量模型，将步骤3所述的每个采集日的消除差异后水面面积输入至优化后水面面积蓄水量模型，得到每个采集日的遥感影像的蓄水量；
步骤5，引入每个湖库洪涝发生期内所属流域的日尺度径流数据，对每个湖库洪涝发生期内所属流域的日尺度径流数据进行归一化，得到每个湖库洪涝发生期内相邻两个采集日内每天的径流归一化数值，将每个湖库洪涝发生期内多个采集日通过步骤1至步骤4，得到每个湖库洪涝发生期内每个采集日的遥感影像的蓄水量，将每个湖库洪涝发生期内相邻两个采集日的遥感影像的蓄水量分别用和/>表示，/>表示每个湖库洪涝发生期内第dk1个采集日的遥感影像的蓄水量，/>表示每个湖库洪涝发生期内第dk2个采集日的遥感影像的蓄水量，且两个采集日间隔dk2-dk1天，/>表示每个湖库洪涝发生期内相邻两个采集日内的滞洪量，利用每个湖库洪涝发生期内相邻两个采集日内每天的径流归一化数值乘以每个湖库洪涝发生期内相邻两个采集日内的滞洪量，得到每个湖库洪涝发生期内相邻两个采集日内每天的滞洪量，利用每个湖库洪涝发生期内相邻两个采集日的第一个采集日的蓄水量/>加上dk1+1日的滞洪量，得到每个湖库洪涝发生期内dk1+1日的蓄水量
步骤6，对每个湖库洪涝发生期内多个采集日按步骤5进行处理，得到每个湖库洪涝发生期内每天的蓄水量，对多个湖库洪涝发生期内每天的蓄水量进行统计求和，得到湖库群洪涝发生期内每天的蓄水量，利用任意一次洪水终止日的蓄水量减去起始日的蓄水量，即可获取任意一次洪水期间流域湖库群的总滞洪量；
其中，和/>分别表示洪涝发生期内相邻两个采集日的遥感影像的蓄水量大小，两个采集日的时间间隔为dk2-dk1天，/>表示洪涝发生期内相邻两个采集日内每天的径流归一化数值，m表示从dk1日开始的第m天，/>表示从dk1日开始的湖库群第m天的蓄水量。
步骤7，模型评价，滞洪是指为短期阻滞或延缓洪水行进速度而采取的措施，其目的是暂时拦滞洪水，削减洪峰流量，减轻下游河道洪水负担。本发明在不需要获取湖库所在地降水和地表蒸散发数据的情况下，仅通过遥感图像所得信息和径流水文资料对流域内所有中大型湖库的滞洪量分别进行建模。
表1本发明实施例的滞洪方法在特殊时间点与传统方法的精度验证
本实施例应用于鄱阳湖流域，见附图2，传统滞洪模型与径流权值模型皮尔逊相关系数为0.95，如附图5所示，且选取了2020/06/11、2020/06/18、2020/06/19三个时间点的滞洪量模拟效果进行验证，结果显示两者精度极为相近，见附表1，这证明滞洪量与径流量之间确实存在正向关系。另外，改进后的模型也解决了因影像数据过少导致感兴趣时间点蓄水量信息缺失的问题。传统的滞洪量计算方法有太多的限制条件，整个模型只是按条件进行机械的线性插值，没有动态考虑降雨和径流的同步性。此发明是一种相较于传统滞洪量模型更加成熟的经验模型，即径流权值模型，在不损失精度的前提下极大提高了计算效率和适用性。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (1)
1.一种基于径流权值模型的湖库群滞洪量计算方法，其特征在于，包括以下步骤：
步骤1，引入多个采集日的GF-1遥感影像，将多个采集日的GF-1遥感影像依次通过辐射定标、大气校正、正射校正、影像裁剪得到多幅预处理后GF-1遥感影像，引入多个采集日的Sentinel-1遥感影像，将多个采集日的Sentinel-1遥感影像依次通过镶嵌处理、裁剪处理、轨道校正、热噪声去除、辐射定标、滤波处理、地形校正、分贝化处理得到多幅预处理后Sentinel-1遥感影像；
步骤2，对每个采集日的预处理后GF-1遥感影像通过归一化水体指数方法计算得到每个采集日的预处理后GF-1遥感影像的灰度影像，将每个采集日的预处理后GF-1遥感影像的灰度影像依次通过像元均值迭代算法计算得到每个采集日的GF-1遥感影像的水体分割阈值，利用每个采集日的GF-1遥感影像的水体分割阈值将每个采集日的预处理后GF-1遥感影像的灰度影像分割为每个采集日的GF-1遥感二值影像；
对每个采集日的预处理后Sentinel-1遥感影像通过双极化水体指数方法计算得到每个采集日的预处理后Sentinel-1遥感影像的灰度影像，将每个采集日的预处理后Sentinel-1遥感影像的灰度影像依次通过大津算法计算得到每个采集日的Sentinel-1遥感影像的水体分割阈值，利用每个采集日的Sentinel-1遥感影像的水体分割阈值将每个采集日的预处理后Sentinel-1遥感影像的灰度影像分割为每个采集日的Sentinel-1遥感二值影像；
步骤3，对每个采集日的GF-1遥感二值影像，基于最大连通域算法进行感兴趣区外部噪声去除处理，得到每个采集日的目标湖库水面区域的GF-1二值影像；对每个采集日的目标湖库水面区域的GF-1二值影像，采用面状填充的方式去除感兴趣区的内部噪声信息，获取每个采集日的GF-1水面栅格影像，将每个采集日的GF-1水面栅格影像利用像元统计方法结合影像分辨率计算每个采集日的GF-1遥感影像的水面面积；对每个采集日的Sentinel-1遥感二值影像，基于最大连通域算法进行感兴趣区外部噪声去除处理，得到每个采集日的目标湖库水面区域的Sentinel-1二值影像；对每个采集日的目标湖库水面区域的Sentinel-1二值影像，采用面状填充的方式去除感兴趣区的内部噪声信息，获取每个采集日的Sentinel-1水面栅格影像，将每个采集日的Sentinel-1水面栅格影像利用像元统计方法结合影像分辨率计算每个采集日的Sentinel-1遥感影像的水面面积；将每个采集日的GF-1遥感影像的水面面积作为线性模型输入量，将对应相同采集日的Sentinel-1遥感影像的水面面积作为线性模型输出量，通过最小二乘法求解得到线性回归模型系数，利用线性回归模型系数构建优化后线性回归模型；将每个采集日的GF-1遥感影像的水面面积作为优化后线性回归模型的输入量，得到回归模型校正后的每个采集日的GF-1遥感影像的水面面积，通过每个采集日的Sentinel-1遥感影像的水面面积、回归模型校正后的每个采集日的GF-1遥感影像的水面面积构建每个采集日的消除差异后水面面积；
步骤4，引入多个采集日的湖库蓄水量和对应相同采集日的消除差异后水面面积，将对应相同采集日的消除差异后水面面积作为水面面积蓄水量模型输入量，将每个采集日的湖库蓄水量作为水面面积蓄水量模型输出量，通过最小二乘法求解得到水面面积蓄水量模型系数，利用水面面积蓄水量模型系数构建优化后水面面积蓄水量模型，将步骤3所述的每个采集日的消除差异后水面面积输入至优化后水面面积蓄水量模型，得到每个采集日的遥感影像的蓄水量；
步骤5，引入每个湖库洪涝发生期内所属流域的日尺度径流数据，对每个湖库洪涝发生期内所属流域的日尺度径流数据进行归一化，得到每个湖库洪涝发生期内相邻两个采集日内每天的径流归一化数值，将每个湖库洪涝发生期内多个采集日通过步骤1至步骤4，得到每个湖库洪涝发生期内每个采集日的遥感影像的蓄水量，将每个湖库洪涝发生期内相邻两个采集日的遥感影像的蓄水量分别用和/>表示，/>表示每个湖库洪涝发生期内第dk1个采集日的遥感影像的蓄水量，/>表示每个湖库洪涝发生期内第dk2个采集日的遥感影像的蓄水量，且两个采集日间隔dk2-dk1天，/>表示每个湖库洪涝发生期内相邻两个采集日内的滞洪量，利用每个湖库洪涝发生期内相邻两个采集日内每天的径流归一化数值乘以每个湖库洪涝发生期内相邻两个采集日内的滞洪量，得到每个湖库洪涝发生期内相邻两个采集日内每天的滞洪量，利用每个湖库洪涝发生期内相邻两个采集日的第一个采集日的蓄水量/>加上dk1+1日的滞洪量，得到每个湖库洪涝发生期内dk1+1日的蓄水量/>
步骤6，对每个湖库洪涝发生期内多个采集日按步骤5进行处理，得到每个湖库洪涝发生期内每天的蓄水量，对多个湖库洪涝发生期内每天的蓄水量进行统计求和，得到湖库群洪涝发生期内每天的蓄水量，利用任意一次洪水终止日的蓄水量减去起始日的蓄水量，即可获取任意一次洪水期间流域湖库群的总滞洪量；
其中，和/>分别表示洪涝发生期内相邻两个采集日的遥感影像的蓄水量大小，两个采集日的时间间隔为dk2-dk1天，/>表示洪涝发生期内相邻两个采集日内每天的径流归一化数值，m表示从dk1日开始的第m天，/>表示从dk1日开始的湖库群第m天的蓄水量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210472259.0A CN114998213B (zh) | 2022-04-29 | 2022-04-29 | 一种基于径流权值模型的湖库群滞洪量计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210472259.0A CN114998213B (zh) | 2022-04-29 | 2022-04-29 | 一种基于径流权值模型的湖库群滞洪量计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114998213A CN114998213A (zh) | 2022-09-02 |
| CN114998213B true CN114998213B (zh) | 2024-04-26 |
Family
ID=83024404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210472259.0A Active CN114998213B (zh) | 2022-04-29 | 2022-04-29 | 一种基于径流权值模型的湖库群滞洪量计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114998213B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102533928B1 (ko) * | 2022-11-01 | 2023-05-19 | (주) 지오씨엔아이 | 3차원 공간영상 자료를 활용하여 저수지 탐지를 위한 자동화 방법 및 시스템 |
| CN115841628B (zh) * | 2022-12-12 | 2023-09-19 | 中国水利水电科学研究院 | 一种高精度灌区耗水信息自动解译系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5852281B1 (ja) * | 2015-05-11 | 2016-02-03 | 泰朗 横山 | 堤防嵩上げ装置 |
| CN106875047A (zh) * | 2017-01-23 | 2017-06-20 | 国网湖南省电力公司 | 水库流域径流预报方法及系统 |
| CN109003199A (zh) * | 2018-07-25 | 2018-12-14 | 浙江瑞坤生态科技有限公司 | 一种滞洪区的水文研究方法 |
| CN111008941A (zh) * | 2019-11-29 | 2020-04-14 | 中国农业科学院农业资源与农业区划研究所 | 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法 |
-
2022
- 2022-04-29 CN CN202210472259.0A patent/CN114998213B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5852281B1 (ja) * | 2015-05-11 | 2016-02-03 | 泰朗 横山 | 堤防嵩上げ装置 |
| CN106875047A (zh) * | 2017-01-23 | 2017-06-20 | 国网湖南省电力公司 | 水库流域径流预报方法及系统 |
| CN109003199A (zh) * | 2018-07-25 | 2018-12-14 | 浙江瑞坤生态科技有限公司 | 一种滞洪区的水文研究方法 |
| CN111008941A (zh) * | 2019-11-29 | 2020-04-14 | 中国农业科学院农业资源与农业区划研究所 | 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114998213A (zh) | 2022-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114998213B (zh) | 一种基于径流权值模型的湖库群滞洪量计算方法 | |
| CN111008941B (zh) | 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法 | |
| CN110427857B (zh) | 一种基于遥感数据融合的输电线路地质灾害分析方法 | |
| Fang et al. | A dataset of daily near-surface air temperature in China from 1979 to 2018 | |
| CN110751727B (zh) | 一种基于Landsat长时间序列的合成图像构建方法 | |
| Yue et al. | Rainfall erosivity mapping over mainland China based on high-density hourly rainfall records | |
| CN114118884B (zh) | 一种城市暴雨内涝区域风险识别的方法、系统及存储介质 | |
| CN113591572B (zh) | 基于多源数据和多时相数据的水土流失定量监测方法 | |
| CN110569733B (zh) | 基于遥感大数据平台的湖泊长时序连续水域变化重建方法 | |
| CN116305902B (zh) | 一种基于多模态遥感的洪涝最大淹没水深空间模拟方法 | |
| CN113567981A (zh) | 一种基于sar影像的洪涝风险区自动提取方法 | |
| CN116050647B (zh) | 一种基于遥感的流域洪涝受灾强度重现期推求方法 | |
| CN114297578A (zh) | 一种基于遥感的草地植被覆盖度估算及预测方法 | |
| Lin et al. | Extract flood duration from Dartmouth Flood Observatory flood product | |
| CN112967308B (zh) | 一种双极化sar影像的水陆边界提取方法及系统 | |
| CN116029162B (zh) | 利用星载gnss-r数据的洪涝灾害淹没范围监测方法和系统 | |
| CN114912075A (zh) | 一种融合站点和卫星遥感观测的时空三维信息的土壤湿度数据缺失填补方法 | |
| Ramkellawan et al. | Application of weather radar in estimation of bulk atmospheric deposition of total phosphorus over Lake Simcoe | |
| Lemma et al. | Forest cover change detection in relation to climate variability and LULC changes using GIS and RS techniques. A case of the Kafa zone, southwest Ethiopia | |
| CN111895903B (zh) | 一种检测区域积雪深度的遥感估算方法 | |
| CN112070824B (zh) | 一种黄土高塬沟壑区的梯田减沙计算方法 | |
| Wang et al. | Determining relative errors of satellite precipitation data over the Netherlands | |
| CN117975293B (zh) | 多云雾地区水稻种植区域提取方法 | |
| CN116434070A (zh) | 一种通过图片处理进行insar监测系统及方法 | |
| CN118397481B (zh) | 一种基于时序遥感影像的碟形湖变化监测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |