CN115082793A - 水源地林草空间本底状况快速调查方法和装置 - Google Patents

水源地林草空间本底状况快速调查方法和装置 Download PDF

Info

Publication number
CN115082793A
CN115082793A CN202210749753.7A CN202210749753A CN115082793A CN 115082793 A CN115082793 A CN 115082793A CN 202210749753 A CN202210749753 A CN 202210749753A CN 115082793 A CN115082793 A CN 115082793A
Authority
CN
China
Prior art keywords
water source
forest
grass
area
administrative
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
CN202210749753.7A
Other languages
English (en)
Other versions
CN115082793B (zh
Inventor
姚延娟
杨海军
荣学谦
徐奥
檀畅
朱海涛
李亚龙
胡晶晶
刘慧明
吴强
徐宁宁
王霓妮
王飞
吴艳婷
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.)
Satellite Application Center for Ecology and Environment of MEE
Original Assignee
Satellite Application Center for Ecology and Environment of MEE
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 Satellite Application Center for Ecology and Environment of MEE filed Critical Satellite Application Center for Ecology and Environment of MEE
Priority to CN202210749753.7A priority Critical patent/CN115082793B/zh
Publication of CN115082793A publication Critical patent/CN115082793A/zh
Application granted granted Critical
Publication of CN115082793B publication Critical patent/CN115082793B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/10—Detecting, e.g. by using light barriers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种水源地林草空间本底状况快速调查方法和装置，属于卫星遥感领域。本发明基于遥感影像，可以科学、快速、全面、准确的确定整个水源地及所在行政区全域范围内的林草空间本底状况空间分布及定量表征，为饮用水水源地水生态保护监督管理提供技术支撑。本发明一方面可以提高获取水源地林草空间的科学性和全面性，全面反映水源地内林草空间本底状况；另一方面，通过卫星遥感影像监测大范围水生态生境状况，省时省力，提高了数据获取的便捷性和经济性，获取难度和成本更低，时效率好，更能说明水源地水生态总体状况。

Description

水源地林草空间本底状况快速调查方法和装置
技术领域
本发明涉及卫星遥感领域，特别是指一种水源地林草空间本底状况快速调查方法和装置。
背景技术
良好的林草空间本底状况是保证湖库(湖泊、水库等类似水体)型水源地可持续安全供水的关键，林草空间具有涵养水源和净化水质等多重功能，水源地林草空间本底状况是新时期稳水质、优生态的基础与出发点。传统的林草空间调查方式依赖地面抽样点状调查后的逐级上报。
现有逐级行政单位报送名单形成的水源地林草空间本底状况清单的准确性，完全依赖最低一级行政单位现场点状采样的林草空间本底清单确定方式。通常林草空间本底清单确定方法为：根据水源地和所在地行政区域面积及交通状况，采用常用的地面采样方法，选择调查样点，到现场调查，最后汇总。由于饮用水水源地面积较大、地处偏远且交通可达性差，导致地面样点的覆盖率差。
所以，传统的地面调查方法形成的水源地林草空间本底状况清单，时间滞后、时效性低、成本高、误差大、客观性差、主观性强、全面性不能保证，且只能得到定性结果，无法进行定量表征，导致无法满足新形势下水源地快速、精准、科学的监督管理需求。
发明内容
为解决上述技术问题，本发明提供一种水源地林草空间本底状况快速调查方法和装置，能够科学、快速、全面、准确的确定整个水源地及所在行政区全域范围内的林草空间本底状况空间分布及定量表征。
本发明提供技术方案如下：
一种水源地林草空间本底状况快速调查方法，所述方法包括：
S1：确定待调查的行政区，获取覆盖所述行政区全域且覆盖所述行政区的所有水源地的遥感影像；
S2：对所述遥感影像进行预处理；
S3：分别利用已知的行政区边界和水源地边界对预处理后的遥感影像进行剪裁，得到行政区影像和水源地影像；
S4：利用训练好的神经网络模型对所述行政区影像和水源地影像进行林草空间提取，得到行政区林草空间分布图和水源地林草空间分布图；
S5：根据所述行政区林草空间分布图和水源地林草空间分布图计算所述行政区的水源地林草空间本底状况保护度。
进一步的，通过如下公式计算所述行政区的水源地林草空间本底状况保护度RPD；
Figure BDA0003717889800000021
其中，n为行政区的水源地的序号，n＝1,2,3,…,N，N为行政区的水源地总数，PDn为行政区的第n个水源地的林草空间保护度，ROQn为行政区的第n个水源地的取水量，ROQ为行政区的所有N个水源地的取水量之和；
Figure BDA0003717889800000022
PPn为行政区的第n个水源地的林草空间的面积占比，RPn为与第n个水源地的水源地级别对应的行政区的林草空间的面积占比；
Figure BDA0003717889800000023
PAn为所述水源地林草空间分布图上第n个水源地内的林地、草地和滨水湿地三个类别的面积之和，PNn为所述水源地林草空间分布图上第n个水源地内的非水体区域的总面积；
Figure BDA0003717889800000024
RAn为所述行政区林草空间分布图上与第n个水源地的水源地级别对应的行政区内的林地、草地和滨水湿地三个类别的面积之和，RNn为所述行政区林草空间分布图上与第n个水源地的水源地级别对应的行政区内的非水体区域的总面积。
进一步的，所述S4包括：
S41：将所述行政区影像/所述水源地影像的光谱信息和空间纹理信息输入训练好的神经网络模型，经过所述神经网络模型的输入层、隐含层和输出层的处理，得到所述行政区影像/所述水源地影像的林草空间监测指标；
S42：根据所述行政区影像/所述水源地影像的林草空间监测指标，确定得到行政区林草空间分布图和水源地林草空间分布图。
进一步的，所述S4之后，S5之前还包括：
对所述行政区林草空间分布图和水源地林草空间分布图进行核对。
进一步的，所述预处理包括正射纠正、大气纠正和/或图像融合。
一种水源地林草空间本底状况快速调查装置，所述装置包括：
影像获取模块，用于确定待调查的行政区，获取覆盖所述行政区全域且覆盖所述行政区的所有水源地的遥感影像；
预处理模块，用于对所述遥感影像进行预处理；
影像剪裁模块，用于分别利用已知的行政区边界和水源地边界对预处理后的遥感影像进行剪裁，得到行政区影像和水源地影像；
林草空间提取模块，用于利用训练好的神经网络模型对所述行政区影像和水源地影像进行林草空间提取，得到行政区林草空间分布图和水源地林草空间分布图；
定量计算模块，用于根据所述行政区林草空间分布图和水源地林草空间分布图计算所述行政区的水源地林草空间本底状况保护度。
进一步的，通过如下公式计算所述行政区的水源地林草空间本底状况保护度RPD；
Figure BDA0003717889800000031
其中，n为行政区的水源地的序号，n＝1,2,3,…,N，N为行政区的水源地总数，PDn为行政区的第n个水源地的林草空间保护度，ROQn为行政区的第n个水源地的取水量，POQ为行政区的所有N个水源地的取水量之和；
Figure BDA0003717889800000041
PPn为行政区的第n个水源地的林草空间的面积占比，RPn为与第n个水源地的水源地级别对应的行政区的林草空间的面积占比；
Figure BDA0003717889800000042
PAn为所述水源地林草空间分布图上第n个水源地内的林地、草地和滨水湿地三个类别的面积之和，PNn为所述水源地林草空间分布图上第n个水源地内的非水体区域的总面积；
Figure BDA0003717889800000043
RAn为所述行政区林草空间分布图上与第n个水源地的水源地级别对应的行政区内的林地、草地和滨水湿地三个类别的面积之和，RNn为所述行政区林草空间分布图上与第n个水源地的水源地级别对应的行政区内的非水体区域的总面积。
进一步的，所述林草空间提取模块包括：
计算模块，用于将所述行政区影像/所述水源地影像的光谱信息和空间纹理信息输入训练好的神经网络模型，经过所述神经网络模型的输入层、隐含层和输出层的处理，得到所述行政区影像/所述水源地影像的林草空间监测指标；
分类模块，用于根据所述行政区影像/所述水源地影像的林草空间监测指标，确定得到行政区林草空间分布图和水源地林草空间分布图。
进一步的，所述装置还包括：
核对模块，用于对所述行政区林草空间分布图和水源地林草空间分布图进行核对。
进一步的，所述预处理包括正射纠正、大气纠正和/或图像融合。
本发明具有以下有益效果：
本发明基于遥感影像，可以科学、快速、全面、准确的确定整个水源地及所在行政区全域范围内的林草空间本底状况空间分布及定量表征，为饮用水水源地水生态保护监督管理提供技术支撑。本发明一方面可以提高获取水源地林草空间的科学性和全面性，全面反映水源地内林草空间本底状况；另一方面，通过卫星遥感影像监测大范围水生态生境状况，省时省力，提高了数据获取的便捷性和经济性，获取难度和成本更低，时效率好，更能说明水源地水生态总体状况。
附图说明
图1为本发明的水源地林草空间本底状况快速调查方法的流程图；
图2为本发明使用的神经网络模型的示意图；
图3为本发明的水源地林草空间本底状况快速调查装置的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
实施例1：
本发明实施例提供一种水源地林草空间本底状况快速调查方法，如图1所示，所述方法包括：
S1：确定待调查的行政区，获取覆盖所述行政区全域且覆盖所述行政区的所有水源地的遥感影像。
待调查的行政区一般为县级行政区或市级行政区，水源地按照水源地级别分为县级水源地和市级水源地，县级水源地对应的行政区范围为县域，市级水源地对应的行政区范围为市域，为将水源地保护好，各级政府都划定了水源地保护范围，一个行政区内可以存在一个或多个水源地。
以待调查的行政区为县级行政区为例，若要调查某个县的水源地林草空间本底状况，则需要获取覆盖该县全域且覆盖该县的所有县级水源地的遥感影像，该遥感影像可以是高分卫星影像。
以待调查的行政区为市级行政区为例，若要调查某个市的水源地林草空间本底状况，则需要获取覆盖该市全域且覆盖该市的所有县级水源地和市级水源地的遥感影像。
S2：对所述遥感影像进行预处理，包括正射纠正、大气纠正、图像融合等等。
S3：分别利用已知的行政区边界和水源地边界对预处理后的遥感影像进行剪裁，得到行政区影像和水源地影像。
S4：利用训练好的神经网络模型对所述行政区影像和水源地影像进行林草空间提取，得到行政区林草空间分布图和水源地林草空间分布图。
神经网络模型的作用是对行政区影像/水源地影像进行林草空间提取，将不同类别的区域(例如水体、林地、草地、滨水湿地、其他区域等)区分开来，得到林草空间分布图。林草空间分布图代表了水源地林草空间本底状况空间分布，在林草空间分布图上，水体、林地、草地、滨水湿地、其他区域被区分开来，水体、林地、草地、滨水湿地、其他区域区在林草空间分布图上以图像斑块的形式存在。
神经网络模型在使用前需要进行训练，神经网络模型根据准备的大量的行政区影像和水源地影像的“水体、林地、草地、滨水湿地、其他区域区”的样本进行学习，从而能够将行政区影像和水源地影像上的水体、林地、草地、滨水湿地、其他区域区分开来。
得到行政区林草空间分布图和水源地林草空间分布图后，还可以进行核查。核查时，对行政区林草空间分布图和水源地林草空间分布图上的图像斑块进行“初步核对-样点设计和地面核对-人工校核”的三级核对机制，形成水源地林草空间本底状况清单。如果不进行核对，也可以直接通过行政区林草空间分布图和水源地林草空间分布图形成水源地林草空间本底状况清单。
S5：根据所述行政区林草空间分布图和水源地林草空间分布图计算所述行政区的水源地林草空间本底状况保护度RPD。
行政区的水源地林草空间本底状况保护度RPD能够定量表征该行政区水源地水生态物理生境状况。
本发明基于遥感影像，可以科学、快速、全面、准确的确定整个水源地及所在行政区全域范围内的林草空间本底状况空间分布及定量表征，为饮用水水源地水生态保护监督管理提供技术支撑。本发明一方面可以提高获取水源地林草空间的科学性和全面性，全面反映水源地内林草空间本底状况；另一方面，通过卫星遥感影像监测大范围水生态生境状况，省时省力，提高了数据获取的便捷性和经济性，获取难度和成本更低，时效率好，更能说明水源地水生态总体状况。
在其中一个示例中，行政区的水源地林草空间本底状况保护度RPD的计算公式如下：
Figure BDA0003717889800000071
其中，n为行政区的水源地的序号，n＝1,2,3,…,N，N为行政区的水源地总数，PDn为行政区的第n个水源地的林草空间保护度，ROQn为行政区的第n个水源地的取水量，ROQ为行政区的所有N个水源地的取水量之和；
Figure BDA0003717889800000072
PPn为行政区的第n个水源地的林草空间的面积占比，RPn为与第n个水源地的水源地级别对应的行政区的林草空间的面积占比；
如果待调查的行政区为县级行政区，那么其所有水源地的水源地级别均为县级水源地，所有水源地的水源地级别对应的行政区均是该县级行政区本身。
如果待调查的行政区为市级行政区，那么其水源地的水源地级别可能是县级水源地，也可能是市级水源地。当第n个水源地的水源地级别为市级水源地时，其对应的行政区为该市级行政区本身。当第n个水源地的水源地级别为县级水源地时，其对应的行政区为该市级行政区内的该水源地所在的县级行政区。
Figure BDA0003717889800000081
PAn为所述水源地林草空间分布图上第n个水源地内的林地、草地和滨水湿地三个类别的面积之和，PNn为所述水源地林草空间分布图上第n个水源地内的非水体区域的总面积；
Figure BDA0003717889800000082
RAn为所述行政区林草空间分布图上与第n个水源地的水源地级别对应的行政区内的林地、草地和滨水湿地三个类别的面积之和，RNn为所述行政区林草空间分布图上与第n个水源地的水源地级别对应的行政区内的非水体区域的总面积。
本发明实施例的神经网络模型可以表示为R＝f(x,y)，x代表行政区影像(或水源地影像)的光谱信息，y代表行政区影像(或水源地影像)的空间纹理信息，f代表神经网络模型函数，R代表水源地或对应行政区的林草空间监测指标。
神经网络模型的输入层神经元个数为i，隐含层神经元节点数为j，输出层神经元数目为m；输入层神经元与隐含层神经元的连接权值为w，隐含层神经元与输出神经元连接权值为v；隐含层神经元阈值为θ，输出层神经元阈值为u。
在进行训练时，将样本x和y输入网络，按照图2所示的网络模型进行执行。
其中，S4.1:隐含层神经元的输入值为：
Figure BDA0003717889800000083
S4.2:隐含层神经元生物输出值为：Oj＝f(Ij-θj)＝f(netj)；
S4.3:输出层神经元的输入值为：
Figure BDA0003717889800000084
S4.4:输出层神经元的输出值为：Om＝f(Im-um)＝f(netm)；
至此，样本信息完成了从输入层到输出层的传递。该过程也是网络完成训练后，执行分类处理的过程。
S4.5:输出误差函数为：
Figure BDA0003717889800000091
S4.6:输出层节点误差为：
Figure BDA0003717889800000092
S4.7:隐含层神经元误差为：
Figure BDA0003717889800000093
S4.8:输出层权值修正值为：
Figure BDA0003717889800000094
S4.9:vmj(k+1)＝vmj(k)+Δvmj＝vmj(k)+ηm(Rm-Om)f'(netm)Oj
S4.10：输出层阈值修正值为：um(k+1)＝um(t)+Δum＝um(t)+ηm(Rm-Om)f'(netm)
S4.11:隐含层权值修正值为：
Figure BDA0003717889800000095
S4.12:隐含层阈值修正值为：
Figure BDA0003717889800000096
通过以上过程，对各个神经元的权值和阈值不断进行修正。修正完成后的神经网络利用模型函数f即可执行分类过程。
通过上述过程训练完毕后，即可通过S4进行林草空间提取，其过程为与前述的S4.1～S4.4类似，包括：
S41：将所述行政区影像/所述水源地影像的光谱信息和空间纹理信息输入训练好的神经网络模型，经过所述神经网络模型的输入层、隐含层和输出层的处理，得到所述行政区影像/所述水源地影像的林草空间监测指标。
林草空间监测指标代表的是行政区影像/水源地影像上各个像元属于水体、林地、草地、滨水湿地、其他区域的概率。
S42：根据所述行政区影像/所述水源地影像的林草空间监测指标，确定得到行政区林草空间分布图和水源地林草空间分布图。
根据林草空间监测指标(即概率)，结合设定的阈值，即可将行政区影像/水源地影像上各个像元分类，例如分类为水体、林地、草地、滨水湿地、其他区域，得到林草空间分布图。
实施例2：
本发明实施例提供一种水源地林草空间本底状况快速调查装置，如图3所示，所述装置包括：
影像获取模块1，用于确定待调查的行政区，获取覆盖所述行政区全域且覆盖所述行政区的所有水源地的遥感影像。
预处理模块2，用于对所述遥感影像进行预处理。
影像剪裁模块3，用于分别利用已知的行政区边界和水源地边界对预处理后的遥感影像进行剪裁，得到行政区影像和水源地影像。
林草空间提取模块4，用于利用训练好的神经网络模型对所述行政区影像和水源地影像进行林草空间提取，得到行政区林草空间分布图和水源地林草空间分布图。
定量计算模块5，用于根据所述行政区林草空间分布图和水源地林草空间分布图计算所述行政区的水源地林草空间本底状况保护度。
本发明基于遥感影像，可以科学、快速、全面、准确的确定整个水源地及所在行政区全域范围内的林草空间本底状况空间分布及定量表征，为饮用水水源地水生态保护监督管理提供技术支撑。本发明一方面可以提高获取水源地林草空间的科学性和全面性，全面反映水源地内林草空间本底状况；另一方面，通过卫星遥感影像监测大范围水生态生境状况，省时省力，提高了数据获取的便捷性和经济性，获取难度和成本更低，时效率好，更能说明水源地水生态总体状况。
在其中一个示例中，可以通过如下公式计算所述行政区的水源地林草空间本底状况保护度RPD；
Figure BDA0003717889800000101
其中，n为行政区的水源地的序号，n＝1,2,3,…,N，N为行政区的水源地总数，PDn为行政区的第n个水源地的林草空间保护度，ROQn为行政区的第n个水源地的取水量，ROQ为行政区的所有N个水源地的取水量之和；
Figure BDA0003717889800000111
PPn为行政区的第n个水源地的林草空间的面积占比，RPn为与第n个水源地的水源地级别对应的行政区的林草空间的面积占比；
Figure BDA0003717889800000112
PAn为所述水源地林草空间分布图上第n个水源地内的林地、草地和滨水湿地三个类别的面积之和，PNn为所述水源地林草空间分布图上第n个水源地内的非水体区域的总面积；
Figure BDA0003717889800000113
RAn为所述行政区林草空间分布图上与第n个水源地的水源地级别对应的行政区内的林地、草地和滨水湿地三个类别的面积之和，RNn为所述行政区林草空间分布图上与第n个水源地的水源地级别对应的行政区内的非水体区域的总面积。
前述的林草空间提取模块可以包括：
计算模块，用于将所述行政区影像/所述水源地影像的光谱信息和空间纹理信息输入训练好的神经网络模型，经过所述神经网络模型的输入层、隐含层和输出层的处理，得到所述行政区影像/所述水源地影像的林草空间监测指标。
分类模块，用于根据所述行政区影像/所述水源地影像的林草空间监测指标，确定得到行政区林草空间分布图和水源地林草空间分布图。
作为本发明实施例的一种改进，所述装置还可以包括：
核对模块，用于对所述行政区林草空间分布图和水源地林草空间分布图进行核对。
前述的预处理包括正射纠正、大气纠正和/或图像融合等。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例1中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明。本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种水源地林草空间本底状况快速调查方法，其特征在于，所述方法包括：
S1：确定待调查的行政区，获取覆盖所述行政区全域且覆盖所述行政区的所有水源地的遥感影像；
S2：对所述遥感影像进行预处理；
S3：分别利用已知的行政区边界和水源地边界对预处理后的遥感影像进行剪裁，得到行政区影像和水源地影像；
S4：利用训练好的神经网络模型对所述行政区影像和水源地影像进行林草空间提取，得到行政区林草空间分布图和水源地林草空间分布图；
S5：根据所述行政区林草空间分布图和水源地林草空间分布图计算所述行政区的水源地林草空间本底状况保护度。
2.根据权利要求1所述的水源地林草空间本底状况快速调查方法，其特征在于，通过如下公式计算所述行政区的水源地林草空间本底状况保护度RPD；
Figure FDA0003717889790000011
其中，n为行政区的水源地的序号，n＝1,2,3,…,N，N为行政区的水源地总数，PDn为行政区的第n个水源地的林草空间保护度，ROQn为行政区的第n个水源地的取水量，ROQ为行政区的所有N个水源地的取水量之和；
Figure FDA0003717889790000012
PPn为行政区的第n个水源地的林草空间的面积占比，RPn为与第n个水源地的水源地级别对应的行政区的林草空间的面积占比；
Figure FDA0003717889790000013
PAn为所述水源地林草空间分布图上第n个水源地内的林地、草地和滨水湿地三个类别的面积之和，PNn为所述水源地林草空间分布图上第n个水源地内的非水体区域的总面积；
Figure FDA0003717889790000021
RAn为所述行政区林草空间分布图上与第n个水源地的水源地级别对应的行政区内的林地、草地和滨水湿地三个类别的面积之和，RNn为所述行政区林草空间分布图上与第n个水源地的水源地级别对应的行政区内的非水体区域的总面积。
3.根据权利要求2所述的水源地林草空间本底状况快速调查方法，其特征在于，所述S4包括：
S41：将所述行政区影像/所述水源地影像的光谱信息和空间纹理信息输入训练好的神经网络模型，经过所述神经网络模型的输入层、隐含层和输出层的处理，得到所述行政区影像/所述水源地影像的林草空间监测指标；
S42：根据所述行政区影像/所述水源地影像的林草空间监测指标，确定得到行政区林草空间分布图和水源地林草空间分布图。
4.根据权利要求1-3任一所述的水源地林草空间本底状况快速调查方法，其特征在于，所述S4之后，S5之前还包括：
对所述行政区林草空间分布图和水源地林草空间分布图进行核对。
5.根据权利要求4所述的水源地林草空间本底状况快速调查方法，其特征在于，所述预处理包括正射纠正、大气纠正和/或图像融合。
6.一种水源地林草空间本底状况快速调查装置，其特征在于，所述装置包括：
影像获取模块，用于确定待调查的行政区，获取覆盖所述行政区全域且覆盖所述行政区的所有水源地的遥感影像；
预处理模块，用于对所述遥感影像进行预处理；
影像剪裁模块，用于分别利用已知的行政区边界和水源地边界对预处理后的遥感影像进行剪裁，得到行政区影像和水源地影像；
林草空间提取模块，用于利用训练好的神经网络模型对所述行政区影像和水源地影像进行林草空间提取，得到行政区林草空间分布图和水源地林草空间分布图；
定量计算模块，用于根据所述行政区林草空间分布图和水源地林草空间分布图计算所述行政区的水源地林草空间本底状况保护度。
7.根据权利要求6所述的水源地林草空间本底状况快速调查方法，其特征在于，通过如下公式计算所述行政区的水源地林草空间本底状况保护度RPD；
Figure FDA0003717889790000031
其中，n为行政区的水源地的序号，n＝1,2,3,…,N，N为行政区的水源地总数，PDn为行政区的第n个水源地的林草空间保护度，ROQn为行政区的第n个水源地的取水量，ROQ为行政区的所有N个水源地的取水量之和；
Figure FDA0003717889790000032
PPn为行政区的第n个水源地的林草空间的面积占比，RPn为与第n个水源地的水源地级别对应的为行政区的林草空间的面积占比；
Figure FDA0003717889790000033
PAn为所述水源地林草空间分布图上第n个水源地内的林地、草地和滨水湿地三个类别的面积之和，PNn为所述水源地林草空间分布图上第n个水源地内的非水体区域的总面积；
Figure FDA0003717889790000034
RAn为所述行政区林草空间分布图上与第n个水源地的水源地级别对应的行政区内的林地、草地和滨水湿地三个类别的面积之和，RNn为所述行政区林草空间分布图上与第n个水源地的水源地级别对应的行政区内的非水体区域的总面积。
8.根据权利要求7所述的水源地林草空间本底状况快速调查方法，其特征在于，所述林草空间提取模块包括：
计算模块，用于将所述行政区影像/所述水源地影像的光谱信息和空间纹理信息输入训练好的神经网络模型，经过所述神经网络模型的输入层、隐含层和输出层的处理，得到所述行政区影像/所述水源地影像的林草空间监测指标；
分类模块，用于根据所述行政区影像/所述水源地影像的林草空间监测指标，确定得到行政区林草空间分布图和水源地林草空间分布图。
9.根据权利要求6-8任一所述的水源地林草空间本底状况快速调查装置，其特征在于，所述装置还包括：
核对模块，用于对所述行政区林草空间分布图和水源地林草空间分布图进行核对。
10.根据权利要求9所述的水源地林草空间本底状况快速调查装置，其特征在于，所述预处理包括正射纠正、大气纠正和/或图像融合。
CN202210749753.7A 2022-06-28 2022-06-28 水源地林草空间本底状况快速调查方法和装置 Active CN115082793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210749753.7A CN115082793B (zh) 2022-06-28 2022-06-28 水源地林草空间本底状况快速调查方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210749753.7A CN115082793B (zh) 2022-06-28 2022-06-28 水源地林草空间本底状况快速调查方法和装置

Publications (2)

Publication Number Publication Date
CN115082793A true CN115082793A (zh) 2022-09-20
CN115082793B CN115082793B (zh) 2023-02-17

Family

ID=83254943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210749753.7A Active CN115082793B (zh) 2022-06-28 2022-06-28 水源地林草空间本底状况快速调查方法和装置

Country Status (1)

Country Link
CN (1) CN115082793B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116091941A (zh) * 2023-01-18 2023-05-09 生态环境部卫星环境应用中心 饮用水水源保护区生活面源污染负荷快速调查方法和装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657207A (zh) * 2016-12-30 2018-02-02 航天星图科技（北京）有限公司 一种基于遥感影像的林地分类方法
CN108170926A (zh) * 2017-12-12 2018-06-15 伊犁师范学院 一种河谷草地退化情况的信息数据采集及分析方法
CN111523088A (zh) * 2020-04-13 2020-08-11 杭州领见数据科技有限公司 一种基于dpsir模型的生态环境评价方法
CN111563430A (zh) * 2020-04-24 2020-08-21 浙江省公益林和国有林场管理总站 一种基于卷积神经的公益林地类图像智能识别方法及系统
CN111598045A (zh) * 2020-05-27 2020-08-28 中国科学院地理科学与资源研究所 一种基于对象图谱和混合光谱的遥感耕地变化检测方法
CN111738201A (zh) * 2020-07-01 2020-10-02 中国科学院空天信息创新研究院 基于感兴趣区域网络的有林地遥感影像提取方法及系统
CN112232234A (zh) * 2020-10-20 2021-01-15 生态环境部卫星环境应用中心 基于遥感的内陆湖库蓝藻水华强度评价方法和装置
CN112241844A (zh) * 2020-10-21 2021-01-19 生态环境部卫星环境应用中心 饮用水水源地环境风险源本底清单确定及更新方法和装置
CN114022330A (zh) * 2021-07-31 2022-02-08 深圳市自由度环保科技有限公司 一种生态保护红线本底调查的方法及装置
CN114166842A (zh) * 2021-11-19 2022-03-11 中国自然资源航空物探遥感中心 高分遥感数据与地面调查数据协同的城镇森林监测方法
CN114387528A (zh) * 2021-12-29 2022-04-22 浙江同创空间技术有限公司 松材线虫病监测天空地一体化监测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657207A (zh) * 2016-12-30 2018-02-02 航天星图科技（北京）有限公司 一种基于遥感影像的林地分类方法
CN108170926A (zh) * 2017-12-12 2018-06-15 伊犁师范学院 一种河谷草地退化情况的信息数据采集及分析方法
CN111523088A (zh) * 2020-04-13 2020-08-11 杭州领见数据科技有限公司 一种基于dpsir模型的生态环境评价方法
CN111563430A (zh) * 2020-04-24 2020-08-21 浙江省公益林和国有林场管理总站 一种基于卷积神经的公益林地类图像智能识别方法及系统
CN111598045A (zh) * 2020-05-27 2020-08-28 中国科学院地理科学与资源研究所 一种基于对象图谱和混合光谱的遥感耕地变化检测方法
CN111738201A (zh) * 2020-07-01 2020-10-02 中国科学院空天信息创新研究院 基于感兴趣区域网络的有林地遥感影像提取方法及系统
CN112232234A (zh) * 2020-10-20 2021-01-15 生态环境部卫星环境应用中心 基于遥感的内陆湖库蓝藻水华强度评价方法和装置
CN112241844A (zh) * 2020-10-21 2021-01-19 生态环境部卫星环境应用中心 饮用水水源地环境风险源本底清单确定及更新方法和装置
CN114022330A (zh) * 2021-07-31 2022-02-08 深圳市自由度环保科技有限公司 一种生态保护红线本底调查的方法及装置
CN114166842A (zh) * 2021-11-19 2022-03-11 中国自然资源航空物探遥感中心 高分遥感数据与地面调查数据协同的城镇森林监测方法
CN114387528A (zh) * 2021-12-29 2022-04-22 浙江同创空间技术有限公司 松材线虫病监测天空地一体化监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姚延娟 等: ""饮用水水源地环境质量遥感监测评价与应用示范"", 《环境保护》 *
苏轶君 等: ""GF-5卫星监测饮用水源地风险源潜力研究"", 《人民黄河》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116091941A (zh) * 2023-01-18 2023-05-09 生态环境部卫星环境应用中心 饮用水水源保护区生活面源污染负荷快速调查方法和装置
CN116091941B (zh) * 2023-01-18 2023-10-27 生态环境部卫星环境应用中心 饮用水水源保护区生活面源污染负荷快速调查方法和装置

Also Published As

Publication number Publication date
CN115082793B (zh) 2023-02-17

Similar Documents

Publication Publication Date Title
Wang et al. Ensemble machine-learning-based framework for estimating total nitrogen concentration in water using drone-borne hyperspectral imagery of emergent plants: A case study in an arid oasis, NW China
Bhunia et al. Soil organic carbon mapping using remote sensing techniques and multivariate regression model
Xiuwan Using remote sensing and GIS to analyse land cover change and its impacts on regional sustainable development
CN104517037B (zh) 一种生态承载力的遥感估算方法
CN102175209B (zh) 历史遥感产品数据支持下的作物种植面积测量高效抽样方法
Yuan et al. Characterization of locations and extents of afforestation from the Grain for Green Project in China
Montzka et al. Modelling the water balance of a mesoscale catchment basin using remotely sensed land cover data
Xie et al. Dominant landscape indicators and their dominant areas influencing urban thermal environment based on structural equation model
Yadav et al. Assessment and prediction of urban growth for a mega-city using CA-Markov model
CN110110025B (zh) 基于特征向量空间滤值的区域人口密度模拟方法
Yang et al. Mapping and assessment of wetland conditions by using remote sensing images and POI data
CN115082793B (zh) 水源地林草空间本底状况快速调查方法和装置
Geng et al. Migratory locust habitat analysis with PB-AHP model using Time-Series satellite images
Pi et al. Chlorophyll-a concentrations in 82 large alpine lakes on the Tibetan Plateau during 2003–2017: temporal–spatial variations and influencing factors
Cao et al. Monitoring changes in the impervious surfaces of urban functional zones using multisource remote sensing data: A case study of Tianjin, China
Liu et al. Eutrophication monitoring of lakes in Wuhan based on Sentinel-2 data
Guo et al. An enhanced deep learning approach to assessing inland lake water quality and its response to climate and anthropogenic factors
Kamran et al. Evolution and use of remote sensing in ecological vulnerability assessment: A review
Tassinari et al. Wide-area spatial analysis: A first methodological contribution for the study of changes in the rural built environment
Liu et al. The establishment of an eco-environmental evaluation model for southwest China and eastern South Africa based on the DPSIR framework
Onojeghuo et al. Mapping reedbed habitats using texture-based classification of QuickBird imagery
Wang et al. Consistent, accurate, high resolution, long time-series mapping of built-up land in the North China Plain
Li et al. Analysis of surface water area dynamics and driving forces in the Bosten Lake basin based on GEE and SEM for the period 2000 to 2021
Stoorvogel et al. The effect of disaggregating soil data for estimating soil hydrological parameters at different scales
Subramani et al. Land use and land cover change detection and urban sprawl analysis of Panamarathupatti Lake, Salem

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