CN115078263A - 顾及潮汐影响的海草遥感信息提取方法 - Google Patents

顾及潮汐影响的海草遥感信息提取方法 Download PDF

Info

Publication number
CN115078263A
CN115078263A CN202210590665.7A CN202210590665A CN115078263A CN 115078263 A CN115078263 A CN 115078263A CN 202210590665 A CN202210590665 A CN 202210590665A CN 115078263 A CN115078263 A CN 115078263A
Authority
CN
China
Prior art keywords
seaweed
area
tide
image
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.)
Granted
Application number
CN202210590665.7A
Other languages
English (en)
Other versions
CN115078263B (zh
Inventor
白俊武
李一琼
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.)
Suzhou University of Science and Technology
Original Assignee
Suzhou University of Science and Technology
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 Suzhou University of Science and Technology filed Critical Suzhou University of Science and Technology
Priority to CN202210590665.7A priority Critical patent/CN115078263B/zh
Publication of CN115078263A publication Critical patent/CN115078263A/zh
Application granted granted Critical
Publication of CN115078263B publication Critical patent/CN115078263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G01N2021/1797—Remote sensing in landscape, e.g. crops
    • 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
    • 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
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种顾及潮汐影响的海草遥感信息提取方法，包括获取和预处理遥感影像，根据目标海港的潮汐时间从所拍摄的影像图像上提取不同水边线，根据水边线得到海草生长区、确定目标区域；根据影像图像得到水下海草光谱特征曲线，根据水下海草光谱特征曲线设置沉水海草提取指数和水下海草光谱提取规则从而提取水下海草区域，根据影像图像得到暴露于水面和潮滩上的海草光谱特征曲线并提取暴露于水面和潮滩上的海草区域，在此基础上绘制海草分布图。本发明考虑到潮汐水位对海草遥感信息的影响，实现了基于卫星遥感影像的潮汐水位变化条件下淹没于水下的海草与暴露在水面和潮滩上的海草的分布信息的有效提取。

Description

顾及潮汐影响的海草遥感信息提取方法
技术领域
本发明涉及遥感技术领域，尤其是指一种顾及潮汐影响的海草遥感信息提取方法。
背景技术
海草床可以过滤、吸附近海排放的大量污染物，捕获并存储大量二氧化碳，与海洋环境和全球气候变化密切相关，开展海草遥感监测对推动海草资源保护和管理具有显著优势。在现有的海草遥感信息提取中，通常采用基于目视解译的图像分类方法进行海草提取，但是由于该方法并不能够解释水下海草光谱的本质特征，因而具有较大的局限性。
卫星遥感技术不仅具有快速的大规模统计推断能力，而且相较于实地调查成本更加低廉，使用遥感技术提取海草信息能够快速、便捷地进行信息提取和精度评价，是一种成本低廉而且高效的手段。因此，在海草监测中应用卫星遥感技术具有显著优势。
但是，大多数海草生长在潮间带和潮下带地区，潮汐水位会随时间发生变化，而卫星过境时间是恒定的，卫星拍摄的遥感图像上不同时间的水位会不同。在水位低时，海草直接暴露在潮滩或水面上，海草光谱特征与陆地植被的光谱特征一致，即在红光波段是较低的反射率，在近红外波段出现反射高峰，此时使用植被指数能够有效地识别海草；但当水位升高时，海草淹没于海水之中，水体强烈吸收了光，此时遥感图像上海草的光谱特征在近红外波段的反射峰消失了，就无法再利用植被指数进行海草提取。这给基于遥感技术的海草监测带来了很大影响，加之目前对海草遥感监测的相关研究稀少，即使有研究也都忽略了潮汐变化对提取海草信息的影响，不能识别不同潮位条件下的海草信息。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中的不足，提供一种顾及潮汐影响的海草遥感信息提取方法，可以在考虑潮汐变化水位对海草影响的情况下实现对海草分布信息的有效提取。
为解决上述技术问题，本发明提供了一种顾及潮汐影响的海草遥感信息提取方法，包括以下步骤：
步骤1：获取遥感影像并进行预处理得到影像图像，根据目标海港的潮汐时间从影像图像中获得大潮时高潮位图像、大潮时低潮位图像和一般潮位图像；
步骤2：在大潮时高潮位图像中提取高潮水边线，在大潮时低潮位图像中提取低潮水边线，在大潮时低潮位图像中提取深水区水边线；
步骤3：将高潮水边线和低潮水边线之间的范围作为潮间带区域，将低潮水边线和深水区边界之间的范围作为潮下带浅水区域，合并潮间带区域和潮下带浅水区域得到海草生长区；
步骤4：根据海草生长区在一般潮位图像中选取海草生长的目标区域；
步骤5：在目标区域的潮下带浅水区域选取海草像素点样本得到沉水海草光谱特征曲线，根据沉水海草光谱特征曲线设置沉水海草提取指数，根据沉水海草提取指数设置水下海草光谱提取规则，使用水下海草光谱提取规则在海草生长的目标区域中提取水下海草区域；
步骤6：在目标区域的潮间带区域选取海草像素点样本得到暴露于水面和潮滩上的海草光谱特征曲线，根据暴露于水面和潮滩上的海草光谱特征曲线提取暴露于水面和潮滩上的海草区域；
步骤7：根据水下海草区域和暴露于水面和潮滩上的海草区域绘制海草分布图。
作为优选的，所述预处理包括辐射定标、几何纠正、大气校正、重采样、波段叠加以及影像裁剪。
作为优选的，所述遥感影像为Sentinel-2图像。
作为优选的，所述在大潮时高潮位图像中提取高潮水边线，在大潮时低潮位图像中提取低潮水边线，具体为：
计算大潮时高潮位图像的归一化水体指数NDWI1＝(Green-NIR)/(Green+NIR)；计算大潮时低潮位图像的归一化水体指数NDWI2＝(Green-NIR)/(Green+NIR)；其中，Green为绿光波段，NIR为近红外波段；
对NDWI1和NDWI2的计算结果进行直方图统计，根据直方图统计结果得出提取水体的阈值；
根据所述提取水体的阈值在大潮时高潮位图像的NDWI1的计算结果中提取水体区域，绘制水体区域外边界得到高潮水边线；
根据所述提取水体的阈值在大潮时低潮位图像的NDWI2的计算结果中提取水体区域，绘制水体区域外边界得到低潮水边线。
作为优选的，所述在大潮时低潮位图像中提取深水区水边线，具体为：
对大潮时低潮位图像进行多尺度分割，对多尺度分割结果进行图像分类，根据图像分类结果得到深水区域，绘制深水区域外边界得到深水区水边线。
作为优选的，所述在目标区域的潮下带浅水区域选取海草像素点样本得到沉水海草光谱特征曲线，具体为：
通过人工目视解译选取位于潮下带浅水区域的海草像素点样本，统计位于潮下带浅水区域的海草像素点样本在影像图像的每一个波段上DN值和DN值的最大值、最小值、均值、方差，将统计结果绘制成图得到沉水海草光谱特征曲线；
所述在目标区域的潮间带区域选取海草像素点样本得到暴露于水面和潮滩上的海草光谱特征曲线，具体为：
通过人工目视解译选取位于潮间带区域的海草像素点样本，统计位于潮间带区域的直接暴露于水面和潮滩上的海草像素点样本在影像图像的每一个波段上DN值和DN值的最大值、最小值、均值、方差，将统计结果绘制成图得到暴露于水面和潮滩上的海草光谱特征曲线。
作为优选的，所述沉水海草提取指数SSEI的计算方法为：
SSEI＝B5/(B4+a)，
其中，B5为第一个植被红边波段的DN值，B4为红光波段的DN值，a为调节系数。
作为优选的，使用水下海草光谱提取规则在海草生长的目标区域中提取水下海草区域，具体为：
提取沉水海草光谱特征曲线的特征，判断特征是否满足B5＞B4 And B5＞B6，其中B6为第二个植被红边波段的DN值；
若不满足，当前特征对应的区域在目标区域中为非海草区域；若满足，继续判断特征是否满足SSEI＞1；
若不满足，当前特征对应的区域在目标区域中为非海草区域；若满足，当前特征对应的区域在目标区域中为水下海草区域。
作为优选的，所述根据暴露于水面和潮滩上的海草光谱特征曲线提取暴露于水面和潮滩上的海草区域，具体为：
计算目标区域图像的NDVI指数：NDVI＝(NIR-Red)/(NIR+Red)，其中Red为红光波段，NIR为近红外波段；
对NDVI指数的计算结果进行直方图统计，根据直方图统计结果确定暴露于水面和潮滩上的海草的阈值；
根据暴露于水面和潮滩上的海草的阈值提取目标区域中的暴露于水面和潮滩上的海草区域。
作为优选的，所述根据水下海草区域和暴露于水面和潮滩上的海草区域绘制海草分布图，具体为：
将水下海草区域内的沉水海草提取指数值划分区间，不同区间的沉水海草提取指数值对应的水下海草区域的海草覆盖等级不同；
将暴露于水面和潮滩上的海草区域内的NDVI指数值划分区间，不同区间的NDVI指数值对应的暴露于水面和潮滩上的海草区域的海草覆盖等级不同；
根据海草覆盖等级不同的水下海草区域及暴露于水面和潮滩上的海草区域绘制海草分布图。
本发明的上述技术方案相比现有技术具有以下优点：
本发明考虑潮汐水位变化下的海草遥感图像的信息差异，通过提取不同水边线来确定海草的生长范围；通过分析水下海草的光谱特征，并根据光谱特征设置沉水海草提取指数和水下海草光谱提取规则，从而提取水下海草区域；同时，提取暴露于水面和潮滩上的海草区域，并在此基础上绘制海草分布图，实现了基于卫星遥感影像的潮汐水位变化条件下淹没于水下的海草与暴露在水面和潮滩上的海草的分布信息的有效提取。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明的流程图；
图2是本发明实施例中得到的海草生长区剖面图；
图3是本发明实施例中绘制的潮间带区域和潮下带浅水区域；
图4是本发明实施例中绘制出的海草分布图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
参照图1流程图所示，本发明一种顾及潮汐影响的海草遥感信息提取方法，包括以下步骤：
步骤1：获取遥感影像并进行预处理得到影像图像，根据目标海港的潮汐时间从影像图像中获得大潮时高潮位图像、大潮时低潮位图像和一般潮位图像。
获取的遥感影像为Sentinel-2图像，预处理得到的为Sentinel-2影像图像。Sentinel-2图像为Sentinel-2卫星(哨兵2号卫星)采集的遥感影像，具有幅宽大、重访周期短、波段信息丰富以及开放获取等优点，Sentinel-2图像的波谱参数如表1所示：
波段 中心波长(μm) 分辨率(m)
Band1海岸带 0.443 60
Band2蓝 0.490 10
Band3绿 0.560 10
Band4红 0.665 10
Band5植被红边 0.705 20
Band6植被红边 0.740 20
Band7植被红边 0.783 20
Band8近红外 0.842 10
Band8A植被红边 0.865 20
Band9水汽 0.945 60
Band10短波红外卷云 1.375 60
Band11短波红外 1.610 20
Band12短波红外 2.190 20
表1Sentinel-2图像的波谱参数
本实施例中以我国海南省陵水县新村港和黎安港海草生长区为目标区。根据Sentinel-2卫星过境时间(上午11时)查看近年来该地区的潮汐表，得到2021年1月2日为近年来当地大潮低潮，水位38cm；2021年5月12日为近年来当地大潮高潮，水位135cm。在欧空局官网下载这两日的Sentinel-2卫星影像，作为提取潮汐水位变化范围的基础数据。通过查看潮汐表，2021年12月3日当地潮位110cm，属于常见的中潮，且影像清晰无云，质量较高，因此下载该影像作为本实施例中的案例数据。本实施例中查询目标区海港的潮汐表，根据潮汐时间分别获取大潮时高潮位的Sentinel-2图像和大潮时低潮位的Sentinel-2图像。
对遥感影像进行预处理得到影像图像时，预处理操作包括辐射定标、几何纠正、大气校正、重采样、波段叠加以及影像裁剪。具体为：①所有Sentinel-2卫星遥感影像均下载LA级数据产品；②使用ACOLITE软件分别进行辐射定标和大气校正，其中大气校正采用暗光谱拟合算法；③对所有波段统一重采样至10米分辨率；并使用ENVI软件中的LayerStacking工具将所有波段按照中心波长重新排序，进行波段叠加。
步骤2：在大潮时高潮位图像中提取高潮水边线(High tide，HT)，在大潮时低潮位图像中提取低潮水边线(Low tide，LT)，在大潮时低潮位图像中提取深水区水边线(DeepWater，DW)。
步骤2-1：计算大潮时高潮位Sentinel-2图像的归一化水体指数：
NDWI1＝(Green-NIR)/(Green+NIR)；
计算大潮时低潮位Sentinel-2图像的归一化水体指数：
NDWI2＝(Green-NIR)/(Green+NIR)；
其中，Green为绿光波段，NIR为近红外波段；归一化水体指数NDWI全称NormalizedDifference Water Index。
步骤2-2：对NDWI1和NDWI2的计算结果进行直方图统计，根据直方图统计结果得出提取水体的阈值。
步骤2-3：根据所述提取水体的阈值在大潮时高潮位Sentinel-2图像的NDWI1的计算结果中提取高潮水边线，根据所述提取水体的阈值在大潮时低潮位Sentinel-2图像的NDWI2的计算结果中提取低潮水边线。
本实施例中，对2021年1月2日的大潮时低潮位图像进行NDWI2计算，对2021年5月12日的大潮时高潮位图像进行NDWI1计算，并对计算结果进行直方图统计，设置置信区间95％，得到提取水体的阈值为[0.304，1]。将大潮时高潮位图像上NDWI1计算结果中属于提取水体的阈值[0.304，1]内的区域确定为水体区域，其他区域确定为非水体区域，将所提取水体的区域图像转绘成矢量图形，该图形的外边界即为高潮水边线。将大潮时低潮位图像上NDWI2计算结果中属于提取水体的阈值[0.304，1]内的区域确定为水体区域，其他区域确定为非水体区域，将所提取水体的区域图像转绘成矢量图形，该图形的外边界即为低潮水边线。
步骤2-4：在大潮时低潮位图像中提取深水区水边线。对大潮时低潮位图像进行多尺度分割，对多尺度分割结果进行图像分类，根据图像分类结果得到深水区域，通过绘制深水区域外边界得到深水区水边线。
多尺度分割方法为根据邻近像素亮度、纹理、颜色等对图像进行分割，接着使用基于边缘的分割算法进行多尺度分割；分类方法为面向对象的分类方法，可以为最大似然、支持向量机或随机森林等方法，本实施例中使用的是支持向量机。
步骤3：将高潮水边线HT和低潮水边线LT之间的范围作为潮间带区域(IntertidalZone，IZ)，将低潮水边线LT和深水区边界DW之间的范围作为潮下带浅水区域(SubtidalShallow Water，SSW)，合并潮间带区域IZ和潮下带浅水区域SSW得到海草生长区(SeagrassArea，SA)。如图2所示为本发明实施例中得到的海草生长区(SA)的剖面图。
步骤3-1：潮间带区域IZ是海草生长的常见区域，随着潮位的变化，海草与水位的相互关系会发生变化，继而导致海草光谱特征在遥感图像上也会不同。当水位低于海草植株的高度时，海草暴露于水面和潮滩之上，因此遥感图像上海草的光谱特征表现为陆地植被特征。潮间带区域IZ表示为IZ＝HT
Figure BDA0003667175240000091
步骤3-2：潮下带浅水区域SSW也是海草生长的常见区域。但该区域海草常年淹没于海水之中，即使在大潮低潮时海草植株也无法露出水面。由于受到水体的严重影响，该区域海草在遥感图像上已经失去了陆地植被的光谱特征。潮下带浅水区域SSW表示为
Figure BDA0003667175240000092
步骤3-3：潮间带区域和潮下带浅水区域都是海草生长的常见区域，合并潮间带区域IZ和潮下带浅水区域SSW得到的海草生长区SA表示为SA＝IZ AND SSW。
本实施例中，基于2021年1月2日的影像提取的水体边界为低潮水边线(LT)，基于2021年5月12日的影像提取的水体边界为高潮水边线(HT)，则这两条水边线的中间区域即为潮间带(IZ)，使用ARCGIS软件中的相交分析工具操作完成。针对2021年1月2日的影像进行多尺度图像分割和分类，共分为深水区和其他地表两类。基于分类结果提取深水区边界并进行勾绘，得到深水边线(DW)。则介于低潮水边线(LT)和深水边线(DW)之间的区域即为潮下带浅水区(SSW)，同样使用相交分析工具操作完成。在ARCGIS软件中，通过合并工具操作完成潮间带(IZ)和潮下带浅水区(SSW)的综合。在ARCGIS软件中添加其他制图要素，绘制得到的目标区海草的潮间带区域和潮下带浅水区域如图3所示。
本发明考虑到了潮汐水位变化条件下Sentinel-2卫星遥感影像上海草的图像信息差异，发现了潮间带高潮位及潮下带浅水区中的水下海草的光谱特征，并根据该光谱特征开发了基于Sentinel-2图像的沉水海草指数(SSEI)和水下海草提取规则。通过提取大潮时高潮位水边线和大潮时低潮位水边线确定了潮间带范围，通过提取永久性深水区水边线和大潮时低潮位水边线确定了潮下带浅水区范围，并通过合并潮间带和潮下带得到海草生长区。本发明得到的海草生长区包含了水下海草的生长范围，更加接近海草的实际生长区域。
步骤4：根据海草生长区在一般潮位图像中选取海草生长的目标区域，本实施例中为根据海草生长区裁剪一般潮位图像得到海草生长的目标区域。
步骤5：在目标区域的潮下带浅水区域选取海草像素点样本得到沉水海草光谱特征曲线，根据沉水海草光谱特征曲线设置沉水海草提取指数SSEI(Submerged SeagrassExtraction Index,SSEI)，根据沉水海草提取指数设置水下海草光谱提取规则，水下海草光谱提取规则使用决策树方法进行图像运算。使用水下海草光谱提取规则在海草生长的目标区域中提取水下海草区域。
步骤5-1：通过人工目视解译选取若干个位于潮下带浅水区域的海草像素点样本，统计位于潮下带浅水区域的海草像素点样本在Sentinel-2影像图像的每一个波段上DN值和DN值的最大值、最小值、均值、方差，将统计结果绘制成图得到Sentinel-2影像图像的沉水海草光谱特征曲线。DN值(Digital Number)是遥感影像像元亮度值，记录地物的灰度值，无单位，是一个整数值，值大小与传感器的辐射分辨率、地物发射率、大气透过率和散射率等有关。
步骤5-2：在Sentinel-2影像图像上，由于受到水体的剧烈影响，水下海草的光谱曲线在红光波段(Band4)的DN值降低，在第一个植被红边波段(Band5)达到峰值，形成一个特殊的反射峰，而在第二个植被红边波段(Band6)DN值再次降低。因此可以利用这个特有的反射峰进行水下海草识别，开发沉水海草提取指数SSEI，并设置水下海草光谱提取规则。所述沉水海草提取指数SSEI的计算方法为：
SSEI＝B5/(B4+a)，
其中，B5为第一个植被红边波段的DN值，B4为红光波段的DN值，a为调节系数。a用于确保分母不为0，本实施例中a取值0.00001。
步骤5-3：提取沉水海草光谱特征曲线的特征，判断特征是否满足B5＞B4 And B5＞B6，其中B6为第二个植被红边波段的DN值。
步骤5-4：若不满足，当前特征对应的区域在目标区域中为非海草区域；若满足，执行步骤5-5。
步骤5-5：判断特征是否满足SSEI＞1；若不满足，当前特征对应的区域在目标区域中为非海草区域；若满足，当前特征对应的区域在目标区域中为水下海草区域。
本实施例中，使用海草生长区(SA)边界线对2021年12月3日的Sentinel-2影像图像在ENVI软件中进行剪裁，并对该影像开展人工目视解译。通过影像的人工判读，选取1228个水下海草像素点进行DN值统计和分析，并获得了Sentinel-2影像图像上的水下海草光谱曲线。针对该曲线的特征，采用决策树方法进行图像运算，第一层判断条件是第一个植被红边波段(B5)的DN值是否大于红光波段(B4)和第二个植被红边波段(B6)，第二层判断条件是SSEI的值是否大于1。本实施例中，满足条件的SSEI的最终取值范围为[1，3.718]，将[1，3.718]范围内的区域作为水下海草区域，其他不符合条件的区域为海岸带其他地表(即非海草区域)。决策树运算之后，得到水下海草区域的提取结果。
步骤6：在目标区域的潮间带区域选取海草像素点样本得到暴露于水面和潮滩上的海草光谱特征曲线，根据暴露于水面和潮滩上的海草光谱特征曲线提取暴露于水面和潮滩上的海草区域。
步骤6-1：在目标区域的潮间带区域选取海草像素点样本得到暴露于水面和潮滩上的海草光谱特征曲线。通过人工目视解译选取若干个位于潮间带区域的直接暴露于水面和潮滩上的海草像素点样本，统计位于潮间带区域的海草像素点样本在Sentinel-2影像图像的每一个波段上DN值和DN值的最大值、最小值、均值、方差，将统计结果绘制成图得到暴露于水面和潮滩上的海草光谱特征曲线；通过暴露于水面和潮滩上的海草光谱特征曲线发现与陆地植被的光谱曲线的趋势一致，即在红光(Band4)波段DN值较低，而在近红外(Band8)波段才达到峰值，形成反射峰。因此，利用这个反射峰进行暴露在水面和潮滩上的海草识别。
步骤6-2：根据暴露于水面和潮滩上的海草光谱特征曲线提取暴露于水面和潮滩上的海草区域。
步骤6-2-1：计算目标区域图像的NDVI(Normalized Difference VegetationIndex,NDVI)指数：NDVI＝(NIR-Red)/(NIR+Red)，其中Red为红光波段，NIR为近红外波段。
步骤6-2-2：对NDVI指数的计算结果进行直方图统计，根据直方图统计结果确定暴露于水面和潮滩上的海草的阈值。
步骤6-2-3：根据暴露于水面和潮滩上的海草的阈值提取目标区域中的暴露于水面和潮滩上的海草区域。
本实施例中对经过SA边界线剪裁的2021年12月3日的Sentinel-2影像图像在ENVI软件中进行NDVI计算。并对NDVI结果进行直方图统计，设置置信区间为95％，得到暴露于水面和潮滩上的海草的阈值为[0.233，0.806]。根据该阈值提取NDVI的计算结果最终输出的NDVI图像范围为[0.233，0.806]，将NDVI值在[0.233，0.806]的区域作为暴露于水面和潮滩上的海草区域。
步骤7：水下海草区域和暴露于水面和潮滩上的海草区域即为潮汐水位变化条件下的海草提取结果，根据水下海草区域和暴露于水面和潮滩上的海草区域绘制海草分布图。将已确定的海草分布范围数据作为地图内容要素导入制图软件中，设置制图数学要素，添加其他各项制图辅助要素，进行海草分布绘图。
步骤7-1：将水下海草区域内的沉水海草提取指数SSEI值划分区间，不同区间的沉水海草提取指数值对应的水下海草区域的海草覆盖等级不同。
步骤7-2：将暴露于水面和潮滩上的海草区域内的NDVI指数值划分区间，不同区间的NDVI指数值对应的暴露于水面和潮滩上的海草区域的海草覆盖等级不同。
本实施例中沉水海草提取指数SSEI值和NDVI指数值的重分类标准如表2所示：
SSEI NDVI 重分类 海草覆盖等级
1-1.906 0.233-0.425 1 低
1.906-2.812 0.425-0.617 2 中
2.812-3.718 0.617-0.806 3 高
将SSEI值在1-1.906范围内的重分类为1，在1.906-2.812范围内的重分类为2，在2.812-3.718范围内的重分类为3。NDVI值在0.233-0.425范围内的重分类为1，在0.425-0.617范围内的重分类为2，在0.617-0.806范围内的重分类为3。重分类结果1代表海草覆盖的等级低，重分类结果2代表海草覆盖的等级中，重分类结果3代表海草覆盖的等级高。
步骤7-3：根据海草覆盖等级不同的水下海草区域及暴露于水面和潮滩上的海草区域绘制海草分布图。本实施例中在ARCGIS软件中，在重分类的基础上添加其他制图要素，绘制得到的目标区海草分布图如图4所示。
根据潮汐水位的变化将海草分为水下海草和暴露于水面和潮滩上的海草两种分布类型。通过分析水下海草的光谱特征，并根据光谱特征设置沉水海草提取指数和水下海草光谱提取规则，从而提取水下海草区域；通过NDVI指数提取暴露于水面和潮滩上的海草区域，在此基础上通过重分类进行海草分布绘图，实现了潮汐变化水位条件下海草分布遥感信息的有效提取。
本发明考虑潮汐水位变化下的海草遥感图像的信息差异，通过提取不同水边线来确定海草的生长范围；同时，通过分析水下海草的光谱特征，并根据光谱特征设置沉水海草提取指数和水下海草光谱提取规则，从而提取水下海草区域；提取暴露于水面和潮滩上的海草区域，并在此基础上绘制海草分布图，实现了基于卫星遥感影像的潮汐水位变化条件下淹没于水下的海草与暴露在水面和潮滩上的海草的分布信息的有效提取。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种顾及潮汐影响的海草遥感信息提取方法，其特征在于，包括以下步骤：
步骤1：获取遥感影像并进行预处理得到影像图像，根据目标海港的潮汐时间从影像图像中获得大潮时高潮位图像、大潮时低潮位图像和一般潮位图像；
步骤2：在大潮时高潮位图像中提取高潮水边线，在大潮时低潮位图像中提取低潮水边线，在大潮时低潮位图像中提取深水区水边线；
步骤3：将高潮水边线和低潮水边线之间的范围作为潮间带区域，将低潮水边线和深水区边界之间的范围作为潮下带浅水区域，合并潮间带区域和潮下带浅水区域得到海草生长区；
步骤4：根据海草生长区在一般潮位图像中选取海草生长的目标区域；
步骤5：在目标区域的潮下带浅水区域选取海草像素点样本得到沉水海草光谱特征曲线，根据沉水海草光谱特征曲线设置沉水海草提取指数，根据沉水海草提取指数设置水下海草光谱提取规则，使用水下海草光谱提取规则在海草生长的目标区域中提取水下海草区域；
步骤6：在目标区域的潮间带区域选取海草像素点样本得到暴露于水面和潮滩上的海草光谱特征曲线，根据暴露于水面和潮滩上的海草光谱特征曲线提取暴露于水面和潮滩上的海草区域；
步骤7：根据水下海草区域和暴露于水面和潮滩上的海草区域绘制海草分布图。
2.根据权利要求1所述的顾及潮汐影响的海草遥感信息提取方法，其特征在于：所述预处理包括辐射定标、几何纠正、大气校正、重采样、波段叠加以及影像裁剪。
3.根据权利要求1所述的顾及潮汐影响的海草遥感信息提取方法，其特征在于：所述遥感影像为Sentinel-2图像。
4.根据权利要求1所述的顾及潮汐影响的海草遥感信息提取方法，其特征在于：所述在大潮时高潮位图像中提取高潮水边线，在大潮时低潮位图像中提取低潮水边线，具体为：
计算大潮时高潮位图像的归一化水体指数NDWI1＝(Green-NIR)/(Green+NIR)；计算大潮时低潮位图像的归一化水体指数NDWI2＝(Green-NIR)/(Green+NIR)；其中，Green为绿光波段，NIR为近红外波段；
对NDWI1和NDWI2的计算结果进行直方图统计，根据直方图统计结果得出提取水体的阈值；
根据所述提取水体的阈值在大潮时高潮位图像的NDWI1的计算结果中提取水体区域，绘制水体区域外边界得到高潮水边线；
根据所述提取水体的阈值在大潮时低潮位图像的NDWI2的计算结果中提取水体区域，绘制水体区域外边界得到低潮水边线。
5.根据权利要求1所述的顾及潮汐影响的海草遥感信息提取方法，其特征在于：所述在大潮时低潮位图像中提取深水区水边线，具体为：
对大潮时低潮位图像进行多尺度分割，对多尺度分割结果进行图像分类，根据图像分类结果得到深水区域，绘制深水区域外边界得到深水区水边线。
6.根据权利要求1所述的顾及潮汐影响的海草遥感信息提取方法，其特征在于：
所述在目标区域的潮下带浅水区域选取海草像素点样本得到沉水海草光谱特征曲线，具体为：
通过人工目视解译选取位于潮下带浅水区域的海草像素点样本，统计位于潮下带浅水区域的海草像素点样本在影像图像的每一个波段上DN值和DN值的最大值、最小值、均值、方差，将统计结果绘制成图得到沉水海草光谱特征曲线；
所述在目标区域的潮间带区域选取海草像素点样本得到暴露于水面和潮滩上的海草光谱特征曲线，具体为：
通过人工目视解译选取位于潮间带区域的海草像素点样本，统计位于潮间带区域的直接暴露于水面和潮滩上的海草像素点样本在影像图像的每一个波段上DN值和DN值的最大值、最小值、均值、方差，将统计结果绘制成图得到暴露于水面和潮滩上的海草光谱特征曲线。
7.根据权利要求6所述的顾及潮汐影响的海草遥感信息提取方法，其特征在于：所述沉水海草提取指数SSEI的计算方法为：
SSEI＝B5/(B4+a)，
其中，B5为第一个植被红边波段的DN值，B4为红光波段的DN值，a为调节系数。
8.根据权利要求7所述的顾及潮汐影响的海草遥感信息提取方法，其特征在于：使用水下海草光谱提取规则在海草生长的目标区域中提取水下海草区域，具体为：
提取沉水海草光谱特征曲线的特征，判断特征是否满足B5＞B4 And B5＞B6，其中B6为第二个植被红边波段的DN值；
若不满足，当前特征对应的区域在目标区域中为非海草区域；若满足，继续判断特征是否满足SSEI＞1；
若不满足，当前特征对应的区域在目标区域中为非海草区域；若满足，当前特征对应的区域在目标区域中为水下海草区域。
9.根据权利要求1-8任一项所述的顾及潮汐影响的海草遥感信息提取方法，其特征在于：所述根据暴露于水面和潮滩上的海草光谱特征曲线提取暴露于水面和潮滩上的海草区域，具体为：
计算目标区域图像的NDVI指数：NDVI＝(NIR-Red)/(NIR+Red)，其中Red为红光波段，NIR为近红外波段；
对NDVI指数的计算结果进行直方图统计，根据直方图统计结果确定暴露于水面和潮滩上的海草的阈值；
根据暴露于水面和潮滩上的海草的阈值提取目标区域中的暴露于水面和潮滩上的海草区域。
10.根据权利要求9任一项所述的顾及潮汐影响的海草遥感信息提取方法，其特征在于：所述根据水下海草区域和暴露于水面和潮滩上的海草区域绘制海草分布图，具体为：
将水下海草区域内的沉水海草提取指数值划分区间，不同区间的沉水海草提取指数值对应的水下海草区域的海草覆盖等级不同；
将暴露于水面和潮滩上的海草区域内的NDVI指数值划分区间，不同区间的NDVI指数值对应的暴露于水面和潮滩上的海草区域的海草覆盖等级不同；
根据海草覆盖等级不同的水下海草区域及暴露于水面和潮滩上的海草区域绘制海草分布图。
CN202210590665.7A 2022-05-27 2022-05-27 顾及潮汐影响的海草遥感信息提取方法 Active CN115078263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210590665.7A CN115078263B (zh) 2022-05-27 2022-05-27 顾及潮汐影响的海草遥感信息提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210590665.7A CN115078263B (zh) 2022-05-27 2022-05-27 顾及潮汐影响的海草遥感信息提取方法

Publications (2)

Publication Number Publication Date
CN115078263A true CN115078263A (zh) 2022-09-20
CN115078263B CN115078263B (zh) 2023-07-28

Family

ID=83250092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210590665.7A Active CN115078263B (zh) 2022-05-27 2022-05-27 顾及潮汐影响的海草遥感信息提取方法

Country Status (1)

Country Link
CN (1) CN115078263B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116645593A (zh) * 2023-07-20 2023-08-25 南京信息工程大学 监测海草床分布的遥感方法、装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102032903A (zh) * 2010-12-01 2011-04-27 南京大学 基于Landsat数据源的珊瑚岛礁遥感信息自动提取方法
KR101271489B1 (ko) * 2012-10-09 2013-06-05 한국지질자원연구원 인공위성 영상자료 중 해조류 양식장 탐지용 분광영역의 인공위성 영상자료 추출방법
CN109190538A (zh) * 2018-08-24 2019-01-11 华北水利水电大学 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
CN111402169A (zh) * 2020-03-23 2020-07-10 宁波大学 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
CN111651707A (zh) * 2020-05-28 2020-09-11 广西大学 一种基于光学浅水区卫星遥感影像的潮位反演方法
CN112509134A (zh) * 2020-12-14 2021-03-16 中国自然资源航空物探遥感中心 一种潮滩数字高程模型构建方法及系统
CN114266958A (zh) * 2021-11-16 2022-04-01 中林信达（北京）科技信息有限责任公司 一种基于云平台的红树林遥感快速精准提取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102032903A (zh) * 2010-12-01 2011-04-27 南京大学 基于Landsat数据源的珊瑚岛礁遥感信息自动提取方法
KR101271489B1 (ko) * 2012-10-09 2013-06-05 한국지질자원연구원 인공위성 영상자료 중 해조류 양식장 탐지용 분광영역의 인공위성 영상자료 추출방법
CN109190538A (zh) * 2018-08-24 2019-01-11 华北水利水电大学 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
CN111402169A (zh) * 2020-03-23 2020-07-10 宁波大学 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
CN111651707A (zh) * 2020-05-28 2020-09-11 广西大学 一种基于光学浅水区卫星遥感影像的潮位反演方法
CN112509134A (zh) * 2020-12-14 2021-03-16 中国自然资源航空物探遥感中心 一种潮滩数字高程模型构建方法及系统
CN114266958A (zh) * 2021-11-16 2022-04-01 中林信达（北京）科技信息有限责任公司 一种基于云平台的红树林遥感快速精准提取方法

Non-Patent Citations (12)

* Cited by examiner, † Cited by third party
Title
SHANSHAN LI ET AL.: "The extraction of mangrove within intertidal zone based on multitemporal HJ CCD images", 《PROCEEDINGS OF SPIE》 *
XUDONG ZHU: "Tidal and Meteorological Influences on the Growth of Invasive Spartina alterniflora: Evidence from UAV Remote Sensing", 《REMOTE SENSING》 *
巢子豪 等: "基于遥感和GIS的海州湾海岸线提取方法研究", 《淮海工学院学报(自然科学版)》, no. 04 *
左璐 等: "基于不同光谱指数的植被物候期遥感监测差异", 《应用生态学报》, no. 02 *
张雪红 等: "结合潮位信息的红树林遥感识别", 《南京信息工程大学学报(自然科学版)》, no. 06 *
徐芳 等: "基于Sentinel-2的潮间红树林提取方法", 《测绘通报》, no. 02 *
李一琼 等: "海南岛自然保护区地表土地覆盖变化监测", 《测绘科学》, no. 07 *
李一琼 等: "海草光学感监测研究综述", 《热带海洋学报》, vol. 40, no. 6 *
李姗姗 等: "北部湾红树林的HJ星多光谱遥感提取模式", 《中国科学:信息科学》, no. 1 *
杨晓梅 等: "海岸带遥感微尺度信息及其组合挖掘提取和方法应用研究", 《海洋学报(中文版)》, no. 02 *
杨顶田: "海草的卫星遥感研究进展", 《热带海洋学报》, vol. 26, no. 4 *
范学炜 等: "基于成像高光谱数据的高低潮潮位线提取方法研究", 《海洋科学进展》, no. 04 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116645593A (zh) * 2023-07-20 2023-08-25 南京信息工程大学 监测海草床分布的遥感方法、装置
CN116645593B (zh) * 2023-07-20 2023-10-24 南京信息工程大学 监测海草床分布的遥感方法、装置

Also Published As

Publication number Publication date
CN115078263B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN109190538B (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
CN109977801B (zh) 一种联合光学和雷达的区域水体快速动态提取方法及系统
CN107730527B (zh) 一种基于遥感卫星影像的高原地区冰湖提取方法
CN111797712B (zh) 基于多尺度特征融合网络的遥感影像云与云阴影检测方法
CN108253943B (zh) 一种基于卫星遥感影像的赤潮浒苔一体化监测方法
CN109034026B (zh) 一种遥感影像中水陆区域的红树林提取方法及系统
CN109255757B (zh) 一种机器视觉自然放置葡萄串果梗区域分割方法
CN105701829B (zh) 一种套袋绿色果实图像分割方法
CN108596103A (zh) 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法
CN111027446B (zh) 一种高分辨率影像的海岸线自动提取方法
CN111881816B (zh) 一种长时序的河湖围埂养殖区域监测方法
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
CN112183209A (zh) 一种基于多维特征融合的区域农作物分类方法及系统
CN111199195B (zh) 一种基于遥感图像的池塘状态全自动监测方法和装置
CN112907587B (zh) 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法
CN114596495B (zh) 一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法
CN113433075B (zh) 一种简单的黑臭水体遥感快速监测方法
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
CN115078263B (zh) 顾及潮汐影响的海草遥感信息提取方法
CN115049834B (zh) 基于夜间灯光数据与高分辨率影像的城市建成区提取方法
CN111310771A (zh) 遥感影像的道路图像提取方法、装置、设备及存储介质
CN109801306B (zh) 基于高分遥感影像的潮沟提取方法
CN116645593B (zh) 监测海草床分布的遥感方法、装置
KR101050067B1 (ko) 중해상도 인공위성 영상자료로부터 김양식장 시설을 탐지하는 방법
CN113205006A (zh) 一种基于水稻指数的多时相遥感影像水稻提取方法

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