CN115082809B - 一种基于遥感影像大数据的潮滩演变监测新方法 - Google Patents

一种基于遥感影像大数据的潮滩演变监测新方法 Download PDF

Info

Publication number
CN115082809B
CN115082809B CN202210718444.3A CN202210718444A CN115082809B CN 115082809 B CN115082809 B CN 115082809B CN 202210718444 A CN202210718444 A CN 202210718444A CN 115082809 B CN115082809 B CN 115082809B
Authority
CN
China
Prior art keywords
annual
water
image
remote sensing
ndvi
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
Application number
CN202210718444.3A
Other languages
English (en)
Other versions
CN115082809A (zh
Inventor
王利花
杨子恒
孙伟伟
杨刚
谭本华
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.)
Ningbo University
Original Assignee
Ningbo University
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 Ningbo University filed Critical Ningbo University
Priority to CN202210718444.3A priority Critical patent/CN115082809B/zh
Publication of CN115082809A publication Critical patent/CN115082809A/zh
Application granted granted Critical
Publication of CN115082809B publication Critical patent/CN115082809B/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
    • G06V20/13—Satellite images
    • 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
    • G01N21/55—Specular reflectivity
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions

Abstract

本发明涉及一种基于遥感影像大数据的潮滩演变监测新方法，包括：获取地表反射率数据；通过归一化植被指数NDVI均值合成提取得到年度高潮海岸线；采用K均值分类结合水概率的方法，获取年度瞬时水边线数据集，并提取得到年度低潮海岸线；绘制高、低潮潮滩出露面积变化图；绘制瞬时水边线在剖面上的位置变化图。本发明的有益效果是：本发明通过统计概率和GIS空间分析的引入量化了大空间范围上潮滩的动态演变特征，完成了对潮滩连续、立体和全面的监测，实现了长时期的潮滩演变信息和短时期潮汐和波浪引起的波动信息的有效展示。

Description

一种基于遥感影像大数据的潮滩演变监测新方法
技术领域
本发明涉及遥感影像处理领域，更确切地说，它涉及一种基于遥感影像大数据的潮滩演变监测新方法。
背景技术
海岸带地处海洋环境和陆地环境的紧密交错地带，受到近海海洋动力与陆地作用力的相互影响，形成了具有海陆过渡特点的独一无二的环境体系。潮滩代表了陆地和海洋系统中物理、化学和生物过程的综合影响，通常是空间复杂和时间动态的环境。地形测量、表层沉积物/岩心采样、回声探测和水动力调查是研究潮滩演变的常规方法，为潮滩地貌变化提供了大量有价值的见解。然而，由于潮滩可达性差、滩涂暴露时间短，常规方法对宽阔的浅水潮滩区域的调查存在覆盖范围不足，调查耗时久，时间频率长等缺点，导致此类实地调查受到很大限制。此外，常规研究大多选择个别/多个横截面的方法来概述潮滩发生的地貌变化，导致在大空间尺度和长时间序列上难以对潮滩的演化进行连续、立体和全面的监测。
遥感是一种灵活且有效的潮滩演变监测手段。借助多期卫星影像的瞬时水边线记录可以获得潮滩形态演化趋势，但影像提取的瞬时水边线受潮位影响大，没有对应海岸线常规定义的多年平均大潮高潮时的海陆分界线，使得潮滩形态演化趋势的研究变得复杂化。为克服潮汐变化的影响，广泛采用多时相遥感水边线构建潮滩数字高程模型的方法，用于宏观到中尺度潮滩地形的测量，进而获取潮滩演变趋势。但是，由于潮汐、波浪和其他沉积因素的变化，潮滩的地貌形态处于高度变化中。考虑到遥感影像的瞬时性，不少研究采用一段时间内(数年)数期影像获取的水边线数据来分析海岸冲淤演变，一定程度上可以降低岸线提取的系统误差，但影像时间跨度较大，导致潮滩演化的时间分辨率较低，难以把握潮滩长期演化动态和潮滩演变的细节信息。
因此，鉴于上述挑战，大范围潮滩在长时间尺度和短时间尺度上详细的、定量化的研究少有报道。事实上，海岸线作为海洋与陆地的分界线，受到月球和太阳的引力作用以及风浪等因素的影响，海水有涨有落，海面时高时低，使得海洋与陆地的分界线时刻处于变化之中。因此，实际的海岸线是高低潮间无数海陆分界线的集合，在空间上表现为一条带，而非一条地理位置固定的线。传统方法基本上都将多年平均大潮高潮线作为海岸线的定义，进而作为海岸带资源监测、管理、开发及保护的基础数据。但这条线并非真正意义的海岸线，主要是为了管理的方便而人为定义的岸线。
发明内容
本发明的目的是克服现有技术中的不足，提供了一种基于遥感影像大数据的潮滩演变监测新方法。
第一方面，提供了一种基于遥感影像大数据的潮滩演变监测新方法，包括：
S1、获取光学遥感影像数据，并对所述光学遥感影像数据进行预处理操作，得到地表反射率数据；
S2、对所述地表反射率数据，通过归一化植被指数NDVI均值合成，提取得到年度高潮海岸线；
S3、对所述地表反射率数据，采用K均值分类结合水概率的方法，获取年度瞬时水边线数据集，并提取得到年度低潮海岸线；
S4、基于所述年度高潮水边线和所述年度低潮水边线，绘制高、低潮潮滩出露面积变化图；
S5、选取研究剖面，基于所述年度瞬时水边线数据集绘制瞬时水边线在剖面上的位置变化图。
作为优选，S2包括：
S201、对所述地表反射率数据，计算一年中每一景影像的NDVI结果，得到年度NDVI数据集；
S202、对所述年度NDVI数据集中的NDVI影像进行均值合成，得到年度NDVI均值影像；
S203、对所述年度NDVI均值影像，根据阈值进行植被提取，得到植被线范围，提取公式如下：
Vege＝NDVI gt A
其中，gt表示大于，A为植被NDVI指数的值，其取值范围通常为[0,1]；
S204、对提取得到的所述植被线范围，进行第一后处理操作，得到该年度的高潮海岸线。
作为优选，S3包括：
S301、对所述地表反射率数据，采用K均值分类的方法提取出一年中每一景影像中的水体，得到年度水陆分离二值影像数据集；
S302、依次提取所述年度水陆分离二值影像数据集中的水陆边界矢量线，得到年度瞬时水边线数据集；
S303、对所述年度水陆分离二值影像数据集进行水概率计算，水概率计算公式如下：
Figure BDA0003710376220000031
其中，S表示像元是否为水体的一个二值变量，当S为0时表示像元为水体，S为1时则表示像元为陆地，T表示像元被良好观测的总次数；
S304、对每个像元根据水概率阈值进行水体和陆地的划分，水体范围提取公式如下：
Water＝WP ge B
其中，ge表示大于等于，B为永久性水体的水概率经验值，其取值范围为[0.8,1]；
S305、将水体和陆地的划分结果进行第二后处理操作，得到年度的低潮海岸线。
作为优选，S5包括：
S501、根据年度瞬时水边线数据集所反映的总体变化情况，选择在所有瞬时水边线中心的点作为起点，选择变化剧烈的方向作为研究剖面方向，设置研究剖面；
S502、测量各瞬时水边线沿剖面方向至剖面起点的距离，统计绘制各剖面方向上的潮滩年内和年际演变图。
作为优选，S1中，所述光学遥感影像数据为长时序光学遥感影像数据集，所述长时序光学遥感影像数据集由传感器影像组成，所述传感器影像包括：Landsat 8OLI影像、Landsat 7ETM+影像和Landsat 5TM影像。
作为优选，S1中，所述预处理操作包括：辐射定标、大气校正、正射校正和掩膜去云。
作为优选，S201中，所述计算一年中每一景影像的NDVI结果，包括：
S2011、对于Landsat 8OLI影像，NDVI计算公式如下：
Figure BDA0003710376220000032
其中，BL8_4为Landsat 8OLI影像第4波段，BL8_5为Landsat 8OLI影像第5波段，BL8_4的取值范围为0.636～0.673μm，BL8_5的取值范围为0.851～0.879μm；
S2012、对于Landsat 7ETM+影像和Landsat 5TM影像，NDVI计算公式如下：
Figure BDA0003710376220000033
其中，BL7/5_3为Landsat 7ETM+影像和Landsat 5TM影像第3波段，BL7/5_4为Landsat7ETM+和Landsat 5TM影像第4波段，BL7/5_3的取值范围为0.63～0.69μm，BL7/5_4的取值范围为0.77～0.90μm。
作为优选，S202包括：
S2021、对单个像元，计算该像元位置的所有NDVI值的平均值；
S2022、对所有像元重复上述操作，得到年度NDVI均值影像。
作为优选，S301中，所述采用K均值分类的方法提取出一年中每一景影像中的水体，包括：
S3011、在研究区范围内随机选取多个样本点；
S3012、指定影像聚类的类别数目K；
S3013、随机生成K个聚类中心；
S3014、计算所有样本点到聚类中心的欧氏距离，根据欧氏距离的远近对样本点进行聚类；
S3015、更新聚类中心，迭代聚类至聚类中心不再发生改变；
S3016、导出水体聚类，得到水陆分离二值影像。
第二方面，提供了一种基于遥感影像大数据的潮滩演变监测装置，用于执行第一方面任一所述的基于遥感影像大数据的潮滩演变监测新方法，包括：
预处理模块，用于获取光学遥感影像数据，并对所述光学遥感影像数据进行预处理操作，得到地表反射率数据；
第一提取模块，用于对所述地表反射率数据，通过归一化植被指数NDVI均值合成，提取得到年度高潮海岸线；
第二提取模块，用于对所述地表反射率数据，采用K均值分类结合水概率的方法，获取年度瞬时水边线数据集，并提取得到年度低潮海岸线；
第一绘制模块，用于基于所述年度高潮水边线和所述年度低潮水边线，绘制高、低潮潮滩出露面积变化图；
第二绘制模块，用于选取研究剖面，基于所述年度瞬时水边线数据集绘制瞬时水边线在剖面上的位置变化图。
第三方面，提供了一种计算机存储介质，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行第一方面任一所述的基于遥感影像大数据的潮滩演变监测新方法。
第四方面，提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行第一方面任一所述的基于遥感影像大数据的潮滩演变监测新方法。
本发明的有益效果是：
(1)本发明基于卫星遥感大数据，综合利用K均值分类、NDVI均值合成、概率统计和GIS空间分析等技术实现了高精度瞬时水边线和植被线的提取，并生成了年概率水边线和年NDVI植被线。
(2)本发明通过充足的高质量遥感影像的使用克服了现有技术数据不足、时间分辨率低的弊端，展现了更详细的水边线细节信息。
(3)本发明通过统计概率和GIS空间分析的引入量化了大空间范围上潮滩的动态演变特征，完成了对潮滩连续、立体和全面的监测，实现了长时期的潮滩演变信息和短时期潮汐和波浪引起的波动信息的有效展示。
附图说明
图1为一种基于遥感影像大数据的潮滩演变监测新方法的流程图；
图2为实施例中2021年度NDVI均值合成影像示意图；
图3为实施例中2021年度植被非植被分离二值图；
图4为实施例中2021年度高潮水边线示意图；
图5为实施例中2021年度水概率图；
图6为实施例中2021年度水陆分离二值图；
图7为实施例中2021年度低潮水边线示意图；
图8为实施例中1990～2021年间逐年高潮水边线数据示意图；
图9为实施例中1990～2021年间逐年低潮水边线数据示意图；
图10为实施例中1990～2021年间高、低潮潮滩出露面积变化图；
图11为实施例中选取的长江口九段沙中下沙剖面位置图；
图12为实施例中1990～2021年间长江口九段沙中下沙在4个剖面位置的潮滩年内和年际演变图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
实施例1：
通过遥感影像获得的瞬时水边线，是动态变化的海岸线在影像获取时刻的瞬时空间位置，这一位置恰好就对应了海洋与陆地界面在某一瞬间的位置，而不是“正常”或“平均”条件下的位置。长时间尺度上来看，瞬时水边线随潮滩的演变而发生变化，同时在短时间尺度上随潮滩上的潮和波浪而波动。因此，长时期的潮滩演变信息和短时期潮汐和波浪引起的波动信息，都记录在了瞬时水边线的历史波动中。
遥感大数据的开放政策，连通云平台计算能力的提高，彻底改变了遥感对地观测数据在研究和应用中的使用。借助大数据量的遥感影像获得瞬时水边线信息，能够详细的描绘区域内的水边线变化情况，进一步引入水概率可以确定低潮位时水边线的变化。考虑植被往往生长在高潮滩区域，可以利用植被线表征高潮位时水边线的变化。因此，大数据量的高低潮位水边线空间位置信息及高低潮位间水边线空间位置信息的高精度获取和分析，能够在大空间范围、长时间尺度和短时间尺度上对潮滩演化进行连续、立体和全面的监测。
为此，本发明提供了一种基于遥感影像大数据的潮滩演变监测新方法，如图1所示，包括：
S1、获取光学遥感影像数据，并对光学遥感影像数据进行预处理操作，得到地表反射率数据，提高遥感影像的可读性；
S2、对地表反射率数据，通过归一化植被指数NDVI均值合成，提取得到年度高潮海岸线；
S3、对地表反射率数据，采用K均值分类结合水概率的方法，获取年度瞬时水边线数据集，并提取得到年度低潮海岸线；
S4、基于年度高潮水边线和年度低潮水边线，绘制高、低潮潮滩出露面积变化图；
S5、选取研究剖面，基于年度瞬时水边线数据集绘制瞬时水边线在剖面上的位置变化图。
S2包括：
S201、对地表反射率数据，计算一年中每一景影像的NDVI结果，得到年度NDVI数据集；
S202、对年度NDVI数据集中的NDVI影像进行均值合成，得到年度NDVI均值影像；
S203、对年度NDVI均值影像，根据阈值进行植被提取，得到植被线范围，提取公式如下：
Vege＝NDVI gt A
其中，gt表示大于，A为植被NDVI指数的值，其取值范围通常为[0,1]，本实施例在此处取A＝0.1；
S204、对提取得到的植被线范围，进行第一后处理操作(如栅格转矢量等)，得到该年度的高潮海岸线。
S3包括：
S301、对地表反射率数据，采用K均值分类的方法提取出一年中每一景影像中的水体，得到年度水陆分离二值影像数据集；
S302、依次提取年度水陆分离二值影像数据集中的水陆边界矢量线，得到年度瞬时水边线数据集；
S303、对年度水陆分离二值影像数据集进行水概率计算，水概率计算公式如下：
Figure BDA0003710376220000071
其中，年度水陆分离二值影像数据集中的每一景影像的空间位置相同，因此可以用一个像元对应着数据集中的多个水陆分离二值影像，S表示像元是否为水体的一个二值变量，当S为0时表示像元为水体，S为1时则表示像元为陆地，T表示像元被良好观测的总次数；
在S303中，根据像元值结合上述公式可得到水概率值。
S304、对每个像元根据水概率阈值进行水体和陆地的划分，水体范围提取公式如下：
Water＝WP ge B
其中，ge表示大于等于，B为永久性水体的水概率经验值，其取值范围通常为[0.8,1]，本实施例在此处取B＝0.95；
在S304中，利用S303得到的水概率值，并根据水概率阈值，对像元进行水体和陆地的划分。
S305、将水体和陆地的划分结果进行第二后处理操作(如栅格转矢量等)，得到年度的低潮海岸线。
S5包括：
S501、根据年度瞬时水边线数据集所反映的总体变化情况，选择在所有瞬时水边线中心的点作为起点，选择变化剧烈的方向作为研究剖面方向，设置研究剖面；
S502、测量各瞬时水边线沿剖面方向至剖面起点的距离，统计绘制各剖面方向上的潮滩年内和年际演变图。
S1中，光学遥感影像数据为长时序光学遥感影像数据集，长时序光学遥感影像数据集由传感器影像组成，传感器影像包括：Landsat 8OLI影像、Landsat 7ETM+影像和Landsat 5TM影像。
S1中，预处理操作包括：辐射定标、大气校正、正射校正和掩膜去云。
S201中，计算一年中每一景影像的NDVI结果，包括：
S2011、对于Landsat 8OLI影像，NDVI计算公式如下：
Figure BDA0003710376220000081
其中，BL8_4为Landsat 8OLI影像第4波段，BL8_5为Landsat 8OLI影像第5波段，BL8_4的取值范围为0.636～0.673μm，BL8_5的取值范围为0.851～0.879μm；
S2012、对于Landsat 7ETM+影像和Landsat 5TM影像，NDVI计算公式如下：
Figure BDA0003710376220000082
其中，BL7/5_3为Landsat 7ETM+影像和Landsat 5TM影像第3波段，BL7/5_4为Landsat7ETM+和Landsat 5TM影像第4波段，BL7/5_3的取值范围为0.63～0.69μm，BL7/5_4的取值范围为0.77～0.90μm。
S202包括：
S2021、对单个像元，计算该像元位置的所有NDVI值的平均值；
S2022、对所有像元重复上述操作，得到年度NDVI均值影像。
在S202中，由于不同影像的空间位置是相同的，因此像元位置也是相对应的。本申请利用每个像元位置上的所有NDVI影像的像元值来计算平均值，得到年度NDVI均值影像。年度NDVI数据集包含该年中的所有NDVI影像，故被称为数据集。
S301中，采用K均值分类的方法提取出一年中每一景影像中的水体，包括：
S3011、在研究区范围内随机选取多个样本点；比如，样本点的数量为5000；
S3012、指定影像聚类的类别数目K；
S3013、随机生成K个聚类中心；
S3014、计算所有样本点到聚类中心的欧氏距离，根据欧氏距离的远近对样本点进行聚类；
S3015、更新聚类中心，迭代聚类至聚类中心不再发生改变；
S3016、导出水体聚类，得到水陆分离二值影像。
实施例2：
将实施例1的基于遥感影像大数据的潮滩演变监测新方法应用于长江口九段沙区域；使用九段沙区域1990～2021年Landsat 8OLI、Landsat 7ETM+和Landsat 5TM影像进行高低潮水边线提取，以2021年为例进行提取过程展示：
(1)所采用遥感影像数据源为长时序光学遥感影像数据集，具体包括Landsat8OLI和Landsat 7ETM+在2021年云量低于50％的全部影像；
(2)对光学遥感影像数据进行预处理，包括辐射定标、大气校正、正射校正及掩膜去云，得到地表反射率数据；
(3)对地表反射率数据，计算2021年中每一景影像的NDVI结果，得到2021年度NDVI数据集；
(4)对2021年度NDVI数据集中的NDVI影像进行均值合成，得到如图2所示的2021年度NDVI均值合成影像；
(5)对2021年度NDVI均值影像，根据阈值0.1进行植被提取，得到如图3所示的2021年度植被非植被分离二值图；
(6)对植被非植被分离二值图，进行栅格转矢量等后处理操作，得到如图4所示的2021年度的高潮水边线；
(7)对地表反射率数据，采用K均值分类的方法提取出2021年中每一景影像中的水体，得到2021年度水陆分离二值影像数据集；
(8)依次提取2021年度水陆分离二值影像数据集中的水陆边界矢量线，得到2021年度瞬时水边线数据集；
(9)对2021年度水陆分离二值影像数据集进行水概率计算，得到如图5所示的2021年度水概率图；
(10)对每个像元根据水概率阈值95％进行水体和陆地的划分，得到如图6所示的2021年度水陆分离二值图；
(11)将水陆分离二值图进行栅格转矢量等后处理操作，得到如图7所示的2021年度的低潮水边线；
(12)重复上述操作，得到如图8所示的1990～2021年间高潮水边线数据，如图9所示的1990～2021年间低潮水边线数据，分别统计各水边线包围的面积，绘制得到如图10所示的高低潮出露面积变化图；由于逐年瞬时水边线数据集数据量大，因此选取如图11中下沙剖面位置图所示的4个剖面方向(图11中的A、B、C和D分别指示中下沙的左、右、头和尾方向)进行展示，得到如图12所示的1990～2021年间中下沙4个剖面方向上的潮滩年内和年际演变图。
综上所述，本发明基于卫星遥感大数据，综合利用K均值分类、NDVI均值合成、概率统计和GIS空间分析等技术实现了高精度瞬时水边线和植被线的提取，生成了年概率水边线和年NDVI植被线。充足的高质量遥感影像的使用克服了以往数据不足、时间分辨率低的弊端，展现了更详细的水边线细节信息。统计概率和GIS空间分析的引入量化了大空间范围上潮滩的动态演变特征，完成了对潮滩连续、立体和全面的监测，实现了长时期的潮滩演变信息和短时期潮汐和波浪引起的波动信息的有效展示。

Claims (8)

1.一种基于遥感影像大数据的潮滩演变监测新方法，其特征在于，包括：
S1、获取光学遥感影像数据，并对所述光学遥感影像数据进行预处理操作，得到地表反射率数据；
S2、对所述地表反射率数据，通过归一化植被指数NDVI均值合成，提取得到年度高潮海岸线；
S2包括：
S201、对所述地表反射率数据，计算一年中每一景影像的NDVI结果，得到年度NDVI数据集；
S202、对所述年度NDVI数据集中的NDVI影像进行均值合成，得到年度NDVI均值影像；
S203、对所述年度NDVI均值影像，根据阈值进行植被提取，得到植被线范围，提取公式如下：
Vege＝NDVI gt A
其中，gt表示大于，A为植被NDVI指数的值，其取值范围为[0,1]；
S204、对提取得到的所述植被线范围，进行第一后处理操作，得到该年度的高潮海岸线；
S3、对所述地表反射率数据，采用K均值分类结合水概率的方法，获取年度瞬时水边线数据集，并提取得到年度低潮海岸线；
S3包括：
S301、对所述地表反射率数据，采用K均值分类的方法提取出一年中每一景影像中的水体，得到年度水陆分离二值影像数据集；
S302、依次提取所述年度水陆分离二值影像数据集中的水陆边界矢量线，得到年度瞬时水边线数据集；
S303、对所述年度水陆分离二值影像数据集进行水概率计算，水概率计算公式如下：
Figure FDA0003966325470000011
其中，S表示像元是否为水体的一个二值变量，当S为0时表示像元为水体，S为1时则表示像元为陆地，T表示像元被良好观测的总次数；
S304、对每个像元根据水概率阈值进行水体和陆地的划分，水体范围提取公式如下：
Water＝WP ge B
其中，ge表示大于等于，B为永久性水体的水概率经验值，其取值范围为[0.8,1]；
S305、将水体和陆地的划分结果进行第二后处理操作，得到年度的低潮海岸线；
S4、基于所述年度高潮水边线和所述年度低潮水边线，绘制高、低潮潮滩出露面积变化图；
S5、选取研究剖面，基于所述年度瞬时水边线数据集绘制瞬时水边线在剖面上的位置变化图。
2.根据权利要求1所述的基于遥感影像大数据的潮滩演变监测新方法，其特征在于，S5包括：
S501、根据年度瞬时水边线数据集所反映的总体变化情况，选择在所有瞬时水边线中心的点作为起点，选择变化剧烈的方向作为研究剖面方向，设置研究剖面；
S502、测量各瞬时水边线沿剖面方向至剖面起点的距离，统计绘制各剖面方向上的潮滩年内和年际演变图。
3.根据权利要求1所述的基于遥感影像大数据的潮滩演变监测新方法，其特征在于，S1中，所述光学遥感影像数据为长时序光学遥感影像数据集，所述长时序光学遥感影像数据集由传感器影像组成，所述传感器影像包括：Landsat 8OLI影像、Landsat 7ETM+影像和Landsat5TM影像。
4.根据权利要求1所述的基于遥感影像大数据的潮滩演变监测新方法，其特征在于，S1中，所述预处理操作包括：辐射定标、大气校正、正射校正和掩膜去云。
5.根据权利要求3所述基于遥感影像大数据的潮滩演变监测新方法，其特征在于，S201中，所述计算一年中每一景影像的NDVI结果，包括：
S2011、对于Landsat 8OLI影像，NDVI计算公式如下：
Figure FDA0003966325470000021
其中，BL8_4为Landsat 8OLI影像第4波段，BL8_5为Landsat 8OLI影像第5波段，BL8_4的取值范围为0.636～0.673μm，BL8_5的取值范围为0.851～0.879μm；
S2012、对于Landsat 7ETM+影像和Landsat 5TM影像，NDVI计算公式如下：
Figure FDA0003966325470000022
其中，BL7/5_3为Landsat 7ETM+影像和Landsat 5TM影像第3波段，BL7/5_4为Landsat 7ETM+和Landsat 5TM影像第4波段，BL7/5_3的取值范围为0.63～0.69μm，BL7/5_4的取值范围为0.77～0.90μm。
6.根据权利要求1所述的基于遥感影像大数据的潮滩演变监测新方法，其特征在于，S202 包括：
S2021、对单个像元，计算该像元位置的所有NDVI值的平均值；
S2022、对所有像元重复上述操作，得到年度NDVI均值影像。
7.根据权利要求1所述的基于遥感影像大数据的潮滩演变监测新方法，其特征在于，S301中，所述采用K均值分类的方法提取出一年中每一景影像中的水体，包括：
S3011、在研究区范围内随机选取多个样本点；
S3012、指定影像聚类的类别数目K；
S3013、随机生成K个聚类中心；
S3014、计算所有样本点到聚类中心的欧氏距离，根据欧氏距离的远近对样本点进行聚类；
S3015、更新聚类中心，迭代聚类至聚类中心不再发生改变；
S3016、导出水体聚类，得到水陆分离二值影像。
8.一种基于遥感影像大数据的潮滩演变监测装置，其特征在于，用于执行权利要求1至7任一所述的基于遥感影像大数据的潮滩演变监测新方法，包括：
预处理模块，用于获取光学遥感影像数据，并对所述光学遥感影像数据进行预处理操作，得到地表反射率数据；
第一提取模块，用于对所述地表反射率数据，通过归一化植被指数NDVI均值合成，提取得到年度高潮海岸线；
第二提取模块，用于对所述地表反射率数据，采用K均值分类结合水概率的方法，获取年度瞬时水边线数据集，并提取得到年度低潮海岸线；
第一绘制模块，用于基于所述年度高潮水边线和所述年度低潮水边线，绘制高、低潮潮滩出露面积变化图；
第二绘制模块，用于选取研究剖面，基于所述年度瞬时水边线数据集绘制瞬时水边线在剖面上的位置变化图。
CN202210718444.3A 2022-06-23 2022-06-23 一种基于遥感影像大数据的潮滩演变监测新方法 Active CN115082809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210718444.3A CN115082809B (zh) 2022-06-23 2022-06-23 一种基于遥感影像大数据的潮滩演变监测新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210718444.3A CN115082809B (zh) 2022-06-23 2022-06-23 一种基于遥感影像大数据的潮滩演变监测新方法

Publications (2)

Publication Number Publication Date
CN115082809A CN115082809A (zh) 2022-09-20
CN115082809B true CN115082809B (zh) 2023-02-17

Family

ID=83256050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210718444.3A Active CN115082809B (zh) 2022-06-23 2022-06-23 一种基于遥感影像大数据的潮滩演变监测新方法

Country Status (1)

Country Link
CN (1) CN115082809B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115810155B (zh) * 2023-01-18 2023-04-18 中关村睿宸卫星创新应用研究院 一种潮汐湿地的分类方法
CN117218531A (zh) * 2023-09-08 2023-12-12 国家海洋局南海规划与环境研究院 一种面向海陆生态交错带红树林植物地上碳储量估算方法
CN117423002B (zh) * 2023-12-18 2024-03-15 中国水产科学研究院南海水产研究所 一种基于dem的小尺度潮滩图像处理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3317866A1 (de) * 1983-04-13 1984-10-18 Günther 2960 Aurich Helmerichs Tidenhubausgleichgeraet, damit die boote bei ebbe u. flut an der pier anliegen
CN105424084A (zh) * 2015-11-04 2016-03-23 华东师范大学 潮滩冲淤组网观测方法、系统以及冲淤监测仪
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
CN109919070A (zh) * 2019-02-28 2019-06-21 南京师范大学 一种剖面形态自适应拟合的海岸线遥感推算方法
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110959567B (zh) * 2019-11-29 2021-11-12 江苏省农业科学院 沿海滩涂生态保护方法及所用系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3317866A1 (de) * 1983-04-13 1984-10-18 Günther 2960 Aurich Helmerichs Tidenhubausgleichgeraet, damit die boote bei ebbe u. flut an der pier anliegen
CN105424084A (zh) * 2015-11-04 2016-03-23 华东师范大学 潮滩冲淤组网观测方法、系统以及冲淤监测仪
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
CN109919070A (zh) * 2019-02-28 2019-06-21 南京师范大学 一种剖面形态自适应拟合的海岸线遥感推算方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
潮汐和植被物候影响下的潮间带湿地遥感提取;智超 等;《遥感学报》;20220228;第373-385页 *

Also Published As

Publication number Publication date
CN115082809A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN115082809B (zh) 一种基于遥感影像大数据的潮滩演变监测新方法
Wang et al. Evolution of the topography of tidal flats and sandbanks along the Jiangsu coast from 1973 to 2016 observed from satellites
Gavazzi et al. Evaluation of seabed mapping methods for fine-scale classification of extremely shallow benthic habitats–application to the Venice Lagoon, Italy
Austin et al. Rip current prediction: development, validation, and evaluation of an operational tool
CN107247927B (zh) 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统
Weekley et al. Tracking multidecadal lake water dynamics with Landsat imagery and topography/bathymetry
Iampietro et al. Recent advances in automated genus-specific marine habitat mapping enabled by high-resolution multibeam bathymetry
Al-Zubieri et al. Shoreline evolution between Al Lith and Ras Mahāsin on the red sea coast, Saudi Arabia using GIS and DSAS techniques
CN110986876A (zh) 一种基于无人机反演淤泥质潮沟水下地形的方法
Liu et al. Sediment identification using machine learning classifiers in a mixed-texture dredge pit of Louisiana shelf for coastal restoration
Lewicka et al. Integration data model of the bathymetric monitoring system for shallow waterbodies using UAV and USV platforms
CN114781576B (zh) 一种基于随机森林算法的声速剖面估计方法及装置
Yin et al. Mapping high-resolution basal topography of West Antarctica from radar data using non-stationary multiple-point geostatistics (MPS-BedMappingV1)
Zhao et al. Stability evaluation of tidal flats based on time-series satellite images: A case study of the Jiangsu central coast, China
Xu et al. Mapping and analyzing the annual dynamics of tidal flats in the conterminous United States from 1984 to 2020 using Google Earth Engine
CN110569733A (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
Liu et al. Sub-pixel technique for time series analysis of shoreline changes based on multispectral satellite imagery
Snyder Studying stream morphology with airborne laser elevation data
Ricondo et al. HyWaves: Hybrid downscaling of multimodal wave spectra to nearshore areas
Sun et al. Mapping China’s coastal aquaculture ponds expansion with sentinel-2 images during 2017–2021
Starek et al. Probabilistic detection of morphologic indicators for beach segmentation with multitemporal LiDAR measurements
CN115271180A (zh) 一种新能源供电站选址方法和设备
CN115905877A (zh) 基于VGGNet的测深模型反演方法及系统
Setiawan et al. Bathymetry extraction from spot 7 satellite imagery using random forest methods
Noman et al. Bathymetric data integration approach to study bedforms in the estuary of the Saint‐Lawrence River

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