CN115457401A - 一种针对不同淡水资源类型的sar遥感精细识别方法 - Google Patents
一种针对不同淡水资源类型的sar遥感精细识别方法 Download PDFInfo
- Publication number
- CN115457401A CN115457401A CN202211047586.8A CN202211047586A CN115457401A CN 115457401 A CN115457401 A CN 115457401A CN 202211047586 A CN202211047586 A CN 202211047586A CN 115457401 A CN115457401 A CN 115457401A
- Authority
- CN
- China
- Prior art keywords
- fresh water
- sar
- water resource
- freshwater
- sample points
- 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
Links
- 239000013505 freshwater Substances 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003066 decision tree Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000003786 synthesis reaction Methods 0.000 claims description 9
- 230000010287 polarization Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 244000025254 Cannabis sativa Species 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 15
- 238000009360 aquaculture Methods 0.000 abstract description 10
- 244000144974 aquaculture Species 0.000 abstract description 10
- 230000008859 change Effects 0.000 abstract description 4
- 239000003621 irrigation water Substances 0.000 abstract description 3
- 238000007726 management method Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000002131 composite material Substances 0.000 description 14
- 239000000284 extract Substances 0.000 description 6
- 238000006424 Flood reaction Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000003809 water extraction Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种针对不同淡水资源类型的SAR遥感精细识别方法，包括：基于时序SAR影像，提取不同淡水资源类型的后向散射特征和地形分布特征，获得淡水资源类型的空间范围，进一步引入形状指数、空间关系、面积和淡水资源类型变化动态等参数，构建区分不同淡水资源类型的决策树识别算法，实现不同淡水资源类型的区分。本发明的有益效果是：本发明可以及时、准确地掌握不同淡水资源类型的现状，对于淡水资源的科学调度，调蓄河湖水位，防洪抗旱，保障农田灌溉用水及水产养殖产业的科学规划与管理具有重要意义。
Description
技术领域
本发明涉及遥感影像处理领域，更确切地说，它涉及一种针对不同淡水资源类型的SAR遥感精细识别方法。
背景技术
淡水生态系统是指水生生物与水环境相互作用、相互制约，通过物质循环和能量流动，共同构成具有一定结构和功能的动态平衡系统，具有固碳释氧、调节气候、涵养水源、防灾减灾、维持生物多样性等功能。按照水面类型可将淡水生态系统划分为湖泊生态系统、池塘生态系统(水塘和养殖塘)、河流生态系统(河流和泛洪区)等子系统。
相对于实地勘测，利用卫星遥感技术可以安全、方便、快捷、及时地获得淡水资源的分布、面积、动态等信息。光学水体指数法广泛用于水资源提取。其中，归一化差异水体指数NDWI削弱了植被、土壤等非水体因素的影响，对大型湖泊水体的提取效果好。改进的归一化差异水体指数MNDWI能够削弱土壤和建筑物的影响。但光学遥感成像受天气状况影响大，无法在云/雨天获取高质量影像数据。另外，不同淡水资源类型具有相似的水体指数值，仅采用水体指数无法实现不同淡水资源类型的区分。
与光学遥感相比，合成孔径雷达(SAR)使用微波波段对地观测，可穿云透雾，具有全天时全天候的工作特点，因此利用SAR进行淡水资源类型的精细识别具有独特优势。常用的SAR水体提取方法包括目视解译、灰度阈值分割法、监督分类法和图像分割法等。鉴于淡水资源类型中的湖泊、水塘、养殖塘和河流具有非常相似的SAR后向散射系数特征，大多数研究只开展了水体提取和动态变化分析，没有详细区分不同淡水资源类型。
发明内容
本发明的目的是克服现有技术中的不足，提供了一种针对不同淡水资源类型的SAR遥感精细识别方法。
第一方面，提供了一种针对不同淡水资源类型的SAR遥感精细识别方法，包括：
S1、对全年SAR影像数据进行预处理，获取时间序列SAR后向散射系数数据；
S2、对时间序列SAR后向散射系数数据进行时域滤波；
S3、对时域滤波后的时间序列SAR后向散射系数数据进行最大值合成和最小值合成，生成最大值合成影像和最小值合成影像；
S4、将最大值合成影像和最小值合成影像进行多尺度分割，生成影像的同质单元对象；
S5、选取淡水资源类型和非淡水资源类型的样本点；所述淡水资源类型包括河流、湖泊、池塘和养殖塘，所述非淡水资源类型包括建筑和林草地；
S6、依托数字高程模型DEM数据、最大值合成影像和最小值合成影像，采用阈值分割法提取淡水资源类型的最大范围和最小范围；
S7、合并淡水资源类型最小范围内相邻的同质单元对象，并计算每个同质单元对象的矩形拟合度、椭圆拟合度和面积；
S8、构建基于SAR提取淡水资源类型的决策树算法模型，得到不同淡水资源类型的提取结果。
作为优选，S1中，所述SAR影像数据为Sentinel-1卫星SAR影像，波段为C波段，极化方式为VH极化。
作为优选，S1中，所述预处理包括：辐射定标、多普勒地形校正、均值滤波和分贝化。
作为优选，S2中，所述时域滤波采用的是Savitzky-Golay滤波方法，Savitzky-Golay滤波涉及的两个关键参数为多项式拟合次数和拟合窗口长度，其值分别为3和3。
作为优选，S4中，多尺度分割的参数尺度(scale)、形状(shape)、紧凑度(compactness)分别为5-10、0.1-0.5、0.1-0.5，最大值合成影像和最小值合成影像的权重分别为1和1。
作为优选，S5中，依据实地调研、无人机影像和高空间分辨率谷歌地球影像，确定淡水资源类型样本点的数量，其中，河流、湖泊、池塘和养殖塘的样本点数量相等；并确定非淡水资源类型样本点的数量，其中，建筑和林草地的样本点数量相等。
作为优选，S6中，数字高程模型DEM数据为ALOS-12.5米DEM数据。
作为优选，S6包括：
S601、利用数字高程模型DEM数据计算坡度，坡度计算公式如下：
坡度(Slope)＝arctan(高程差/水平距离)
S602、计算S5中选取的淡水资源类型和非淡水资源类型样本点在最大值合成影像中对应像元的像元值，并制作箱线图，确定最佳阈值T1，提取淡水资源类型最小范围；
S603、计算S5中选取的淡水资源类型和非淡水资源类型样本点在最小值合成影像中对应像元的像元值，并制作箱线图，确定最佳阈值T2，提取淡水资源类型最大范围；
S604、确定非淡水资源类型样本点的后向散射系数的下四分位数和淡水资源类型样本点的后向散射系数的上四分位数的均值为区分淡水资源类型和非淡水资源类型的最佳阈值。
第二方面，提供了一种基于SAR提取淡水资源类型的决策树算法模型，由第一方面任一所述SAR遥感精细识别方法构建。
作为优选，所述决策树算法模型具有矩形拟合度的阈值T3和椭圆拟合度的阈值T4，矩形拟合度的阈值T3和椭圆拟合度的阈值T4的确定方式为：
计算采集的河流、湖泊、水塘和养殖塘的样本点的矩形拟合度和椭圆拟合度，并制作箱线图；确定河流样本点矩形拟合度的最大值和湖泊、水塘和养殖塘样本点矩形拟合度的最小值的均值为矩形拟合度的阈值T3；确定河流样本点椭圆拟合度的最大值和湖泊、水塘和养殖塘样本点椭圆拟合度的最小值的均值为椭圆拟合度的阈值T4。
第三方面，提供了一种针对不同淡水资源类型的SAR遥感精细识别装置，用于执行第一方面任一所述SAR遥感精细识别方法，包括：
预处理模块，用于对全年SAR影像数据进行预处理，获取时间序列SAR后向散射系数数据；
滤波模块，用于对时间序列SAR后向散射系数数据进行时域滤波；
合成模块，用于对时域滤波后的时间序列SAR后向散射系数数据进行最大值合成和最小值合成，生成最大值合成影像和最小值合成影像；
分割模块，用于将最大值合成影像和最小值合成影像进行多尺度分割，生成影像的同质单元对象；
选取模块，用于选取淡水资源类型和非淡水资源类型的样本点；所述淡水资源类型包括河流、湖泊、池塘和养殖塘，所述非淡水资源类型包括建筑和林草地；
提取模块，用于依托数字高程模型DEM数据、最大值合成影像和最小值合成影像，采用阈值分割法提取淡水资源类型的最大范围和最小范围；
合并模块，用于合并淡水资源类型最小范围内相邻的同质单元对象，并计算每个同质单元对象的矩形拟合度、椭圆拟合度和面积；
构建模块，用于构建基于SAR提取淡水资源类型的决策树算法模型，得到不同淡水资源类型的提取结果。
第四方面，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SAR遥感精细识别方法。
第五方面，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SAR遥感精细识别方法。
本发明的有益效果是：本发明基于时序SAR影像，提取不同淡水资源类型的后向散射特征和地形分布特征，获得淡水资源类型的空间范围。进一步引入形状指数(椭圆拟合度、矩形拟合度)、空间关系、面积和淡水资源类型变化动态等参数，构建区分不同淡水资源类型的决策树识别算法，实现不同淡水资源类型的区分。在旱涝灾害频发，淡水水资源日趋紧张的今天，及时、准确地掌握不同淡水资源类型的现状，对于淡水资源的科学调度，调蓄河湖水位，防洪抗旱，保障农田灌溉用水及水产养殖产业的科学规划与管理具有重要意义。
附图说明
图1为一种针对不同淡水资源类型的SAR遥感精细识别方法的流程图；
图2为多尺度分割局部效果图；
图3为淡水资源类型和非淡水资源类型样本点的VH后向散射系数最大值、最小值和坡度范围示意图；
图4为河流、湖泊、水塘和养殖塘的矩形拟合度、椭圆拟合度示意图；
图5为决策树模型示意图；
图6为淡水资源类型识别示意图。
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：
一种针对不同淡水资源类型的SAR遥感精细识别方法，如图1所示，包括：
S1、对全年SAR影像数据进行预处理，获取时间序列SAR后向散射系数数据；
S2、对时间序列SAR后向散射系数数据进行时域滤波；
S3、对时域滤波后的时间序列SAR后向散射系数数据进行最大值合成和最小值合成，生成最大值合成影像和最小值合成影像；
S4、如图2所示，将最大值合成影像和最小值合成影像进行多尺度分割，生成影像的同质单元对象；
S5、选取淡水资源类型和非淡水资源类型的样本点；淡水资源类型包括河流、湖泊、池塘和养殖塘，非淡水资源类型包括建筑和林草地；
S6、依托数字高程模型DEM数据、最大值合成影像和最小值合成影像，采用阈值分割法提取淡水资源类型的最大范围和最小范围；
S7、如图4所示，合并淡水资源类型最小范围内相邻的同质单元对象，并计算每个同质单元对象的矩形拟合度、椭圆拟合度和面积；
S8、构建基于SAR提取淡水资源类型的决策树算法模型，得到不同淡水资源类型的提取结果。
S1中，SAR影像数据为Sentinel-1卫星SAR影像，波段为C波段，极化方式为VH极化。
S1中，预处理包括：辐射定标、多普勒地形校正、均值滤波和分贝化。
S2中，时域滤波采用的是Savitzky-Golay滤波方法，Savitzky-Golay滤波涉及的两个关键参数为多项式拟合次数和拟合窗口长度，其值分别为3和3。
S4中，多尺度分割的参数尺度、形状、紧凑度分别为5-10、0.1-0.5、0.1-0.5，最大值合成影像和最小值合成影像的权重分别为1和1。
S5中，依据实地调研、无人机影像和高空间分辨率谷歌地球影像，确定淡水资源类型样本点的数量，其中，河流、湖泊、池塘和养殖塘的样本点数量相等；并确定非淡水资源类型样本点的数量，其中，建筑和林草地的样本点数量相等。需要说明的是，淡水资源类型样本点和非淡水资源类型样本点的数量可根据研究区范围和研究对象在区域内的分布面积设定，比如，淡水资源类型样本点的数量设定为200个，非淡水资源类型样本点的数量设定为100个。
S6中，本申请不对数字高程模型DEM数据进行限定，比如，数字高程模型DEM数据可以为ALOS-12.5米DEM数据，也可以为其他的DEM数据。
如图3所示，S6包括：
S601、利用数字高程模型DEM数据计算坡度，坡度计算公式如下：
坡度＝arctan(高程差/水平距离)
S602、计算S5中选取的淡水资源类型和非淡水资源类型样本点在最大值合成影像中对应像元的像元值，并制作箱线图，确定最佳阈值T1，提取淡水资源类型最小范围；
S603、计算S5中选取的淡水资源类型和非淡水资源类型样本点在最小值合成影像中对应像元的像元值，并制作箱线图，确定最佳阈值T2，提取淡水资源类型最大范围；
S604、确定非淡水资源类型样本点的后向散射系数的下四分位数和淡水资源类型样本点的后向散射系数的上四分位数的均值为区分淡水资源类型和非淡水资源类型的最佳阈值。
需要说明的是，S7中的同质单元对象同质单元对象的矩形拟合度和椭圆拟合度分别定义为：
矩形拟合度：同质单元对象与具有相似大小和比例的矩形的匹配程度。矩形的比例等于同质单元对象的长度与宽度的比例。将矩形外的同质单元对象的面积与矩形内的面积进行比较。0表示拟合最差，1表示矩形完整拟合同质单元对象。
椭圆拟合特征：同质单元对象与椭圆的相似程度。使用了一个与同质单元对象具有相同面积的椭圆。然后缩小这个椭圆，直到它完全被同质单元对象包围。返回此最大封闭椭圆的半径与原始椭圆的半径的比值作为特征值。
如图5所示，S8中，构建的决策树算法模型具有矩形拟合度的阈值T3和椭圆拟合度的阈值T4，矩形拟合度的阈值T3和椭圆拟合度的阈值T4的确定方式为：
计算采集的河流、湖泊、水塘和养殖塘的样本点的矩形拟合度和椭圆拟合度，并制作箱线图；确定河流样本点矩形拟合度的最大值和湖泊、水塘和养殖塘样本点矩形拟合度的最小值的均值为矩形拟合度的阈值T3；确定河流样本点椭圆拟合度的最大值和湖泊、水塘和养殖塘样本点椭圆拟合度的最小值的均值为椭圆拟合度的阈值T4。
此外，决策树算法模型的T5可以取固定值50米，T6可以取固定值1公顷。
基于上述决策树算法模型，可以得到不同淡水资源类型的提取结果。示例地，图6中，(a)为重庆市潼南区淡水资源类型识别结果，(b)(c)(d)(e)分别对应(a)中b，c，d，e处的放大效果，(b’)(c’)(d’)(e’)分别对应(a)中b，c，d，e处的SAR影像。
综上所述，本发明基于时序SAR影像，提取不同淡水资源类型的后向散射特征和地形分布特征，获得淡水资源类型的空间范围。进一步引入形状指数(椭圆拟合度、矩形拟合度)、空间关系、面积和淡水资源类型变化动态等参数，构建区分不同淡水资源类型的决策树识别算法，实现不同淡水资源类型的区分。在旱涝灾害频发，淡水水资源日趋紧张的今天，及时、准确地掌握不同淡水资源类型的现状，对于淡水资源的科学调度，调蓄河湖水位，防洪抗旱，保障农田灌溉用水及水产养殖产业的科学规划与管理具有重要意义。
Claims (10)
1.一种针对不同淡水资源类型的SAR遥感精细识别方法，其特征在于，包括：
S1、对全年SAR影像数据进行预处理，获取时间序列SAR后向散射系数数据；
S2、对时间序列SAR后向散射系数数据进行时域滤波；
S3、对时域滤波后的时间序列SAR后向散射系数数据进行最大值合成和最小值合成，生成最大值合成影像和最小值合成影像；
S4、将最大值合成影像和最小值合成影像进行多尺度分割，生成影像的同质单元对象；
S5、选取淡水资源类型和非淡水资源类型的样本点；所述淡水资源类型包括河流、湖泊、池塘和养殖塘，所述非淡水资源类型包括建筑和林草地；
S6、依托数字高程模型DEM数据、最大值合成影像和最小值合成影像，采用阈值分割法提取淡水资源类型的最大范围和最小范围；
S7、合并淡水资源类型最小范围内相邻的同质单元对象，并计算每个同质单元对象的矩形拟合度、椭圆拟合度和面积；
S8、构建基于SAR提取淡水资源类型的决策树算法模型，得到不同淡水资源类型的提取结果。
2.根据权利要求1所述的针对不同淡水资源类型的SAR遥感精细识别方法，其特征在于，S1中，所述SAR影像数据为Sentinel-1卫星SAR影像，波段为C波段，极化方式为VH极化。
3.根据权利要求2所述的针对不同淡水资源类型的SAR遥感精细识别方法，其特征在于，S1中，所述预处理包括：辐射定标、多普勒地形校正、均值滤波和分贝化。
4.根据权利要求3所述的针对不同淡水资源类型的SAR遥感精细识别方法，其特征在于，S2中，所述时域滤波采用的是Savitzky-Golay滤波方法，Savitzky-Golay滤波涉及的两个关键参数为多项式拟合次数和拟合窗口长度，其值分别为3和3。
5.根据权利要求4所述的针对不同淡水资源类型的SAR遥感精细识别方法，其特征在于，S4中，多尺度分割的参数尺度、形状、紧凑度分别为5-10、0.1-0.5、0.1-0.5，最大值合成影像和最小值合成影像的权重分别为1和1。
6.根据权利要求5所述的针对不同淡水资源类型的SAR遥感精细识别方法，其特征在于，S5中，依据实地调研、无人机影像和高空间分辨率谷歌地球影像，确定淡水资源类型样本点的数量，其中，河流、湖泊、池塘和养殖塘的样本点数量相等；并确定非淡水资源类型样本点的数量，其中，建筑和林草地的样本点数量相等。
7.根据权利要求6所述的针对不同淡水资源类型的SAR遥感精细识别方法，其特征在于，S6中，数字高程模型DEM数据为ALOS-12.5米DEM数据。
8.根据权利要求7所述的针对不同淡水资源类型的SAR遥感精细识别方法，其特征在于，S6包括：
S601、利用数字高程模型DEM数据计算坡度，坡度计算公式如下：
坡度＝arctan(高程差/水平距离)
S602、计算S5中选取的淡水资源类型和非淡水资源类型样本点在最大值合成影像中对应像元的像元值，并制作箱线图，确定最佳阈值T1，提取淡水资源类型最小范围；
S603、计算S5中选取的淡水资源类型和非淡水资源类型样本点在最小值合成影像中对应像元的像元值，并制作箱线图，确定最佳阈值T2，提取淡水资源类型最大范围；
S604、确定非淡水资源类型样本点的后向散射系数的下四分位数和淡水资源类型样本点的后向散射系数的上四分位数的均值为区分淡水资源类型和非淡水资源类型的最佳阈值。
9.一种基于SAR提取淡水资源类型的决策树算法模型，其特征在于，由权利要求1至8任一所述SAR遥感精细识别方法构建。
10.根据权利要求9所述的基于SAR提取淡水资源类型的决策树算法模型，其特征在于，所述决策树算法模型具有矩形拟合度的阈值T3和椭圆拟合度的阈值T4，矩形拟合度的阈值T3和椭圆拟合度的阈值T4的确定方式为：
计算采集的河流、湖泊、水塘和养殖塘的样本点的矩形拟合度和椭圆拟合度，并制作箱线图；确定河流样本点矩形拟合度的最大值和湖泊、水塘和养殖塘样本点矩形拟合度的最小值的均值为矩形拟合度的阈值T3；确定河流样本点椭圆拟合度的最大值和湖泊、水塘和养殖塘样本点椭圆拟合度的最小值的均值为椭圆拟合度的阈值T4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211047586.8A CN115457401B (zh) | 2022-08-30 | 2022-08-30 | 一种针对不同淡水资源类型的sar遥感精细识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211047586.8A CN115457401B (zh) | 2022-08-30 | 2022-08-30 | 一种针对不同淡水资源类型的sar遥感精细识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115457401A true CN115457401A (zh) | 2022-12-09 |
| CN115457401B CN115457401B (zh) | 2023-11-03 |
Family
ID=84300726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211047586.8A Active CN115457401B (zh) | 2022-08-30 | 2022-08-30 | 一种针对不同淡水资源类型的sar遥感精细识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115457401B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117392433A (zh) * | 2023-09-15 | 2024-01-12 | 宁波大学 | 联合sar和光学影像的不同淡水资源类型精细识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102541480A (zh) * | 2010-12-21 | 2012-07-04 | 北大方正集团有限公司 | 打印作业的过滤方法和装置 |
| CN106405545A (zh) * | 2016-08-20 | 2017-02-15 | 甘宗平 | 一种双时相异模双极化SAR类Pauli假彩色影像合成方法 |
| CN107491758A (zh) * | 2017-08-18 | 2017-12-19 | 南京林业大学 | 长江流域水体信息提取及其空间编码方法 |
| CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
| CN112101256A (zh) * | 2020-09-21 | 2020-12-18 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
| CN114387516A (zh) * | 2022-01-07 | 2022-04-22 | 宁波大学 | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 |
-
2022
- 2022-08-30 CN CN202211047586.8A patent/CN115457401B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102541480A (zh) * | 2010-12-21 | 2012-07-04 | 北大方正集团有限公司 | 打印作业的过滤方法和装置 |
| CN106405545A (zh) * | 2016-08-20 | 2017-02-15 | 甘宗平 | 一种双时相异模双极化SAR类Pauli假彩色影像合成方法 |
| CN107491758A (zh) * | 2017-08-18 | 2017-12-19 | 南京林业大学 | 长江流域水体信息提取及其空间编码方法 |
| CN109472304A (zh) * | 2018-10-30 | 2019-03-15 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
| CN112101256A (zh) * | 2020-09-21 | 2020-12-18 | 河南大学 | 基于云平台的耦合主被动遥感影像的大蒜作物识别方法 |
| CN114387516A (zh) * | 2022-01-07 | 2022-04-22 | 宁波大学 | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 姚金玺: "青海诺木洪地区多源遥感及多特征组合地物分类", 农业工程学报 * |
| 陈帮乾: "基于PALSAR 雷达数据与多时相TM/ETM+影像的海南岛土地利用分类研究", 热带作物学报2015 * |
| 陈鲁皖: "地表组合粗糙度不确定性引起的SAR反演土壤水分的不确定性分析", 地球信息科学 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117392433A (zh) * | 2023-09-15 | 2024-01-12 | 宁波大学 | 联合sar和光学影像的不同淡水资源类型精细识别方法 |
| CN117392433B (zh) * | 2023-09-15 | 2024-06-21 | 宁波大学 | 联合sar和光学影像的不同淡水资源类型精细识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115457401B (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ludwig et al. | A highly automated algorithm for wetland detection using multi-temporal optical satellite data | |
| Tarolli et al. | High-resolution morphologic characterization of conservation agriculture | |
| Mishra et al. | Dual-polarimetric C-band SAR data for land use/land cover classification by incorporating textural information | |
| CN105389559A (zh) | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 | |
| Gavazzi et al. | Evaluation of seabed mapping methods for fine-scale classification of extremely shallow benthic habitats–application to the Venice Lagoon, Italy | |
| Li et al. | An automatic approach for urban land-cover classification from Landsat-8 OLI data | |
| Dai et al. | Integrated edge detection and terrain analysis for agricultural terrace delineation from remote sensing images | |
| Bouslihim et al. | Soil aggregate stability mapping using remote sensing and GIS-based machine learning technique | |
| Liu et al. | Ephemeral gully recognition and accuracy evaluation using deep learning in the hilly and gully region of the Loess Plateau in China | |
| Liu et al. | Mapping China’s offshore mariculture based on dense time-series optical and radar data | |
| Li et al. | Spatial and temporal patterns of wetland cover changes in East Kolkata Wetlands, India from 1972 to 2011 | |
| Ali et al. | Monitoring degradation of wetland areas using satellite imagery and geographic information system techniques. | |
| Yoshida et al. | Airborne LiDAR-assisted deep learning methodology for riparian land cover classification using aerial photographs and its application for flood modelling | |
| Chen et al. | 3D model construction and ecological environment investigation on a regional scale using UAV remote sensing | |
| Rana et al. | Object-oriented approach for landslide mapping using wavelet transform coupled with machine learning: a case study of Western Ghats, India | |
| CN115457401A (zh) | 一种针对不同淡水资源类型的sar遥感精细识别方法 | |
| Yang et al. | Accurate estimation of fractional vegetation cover for winter wheat by integrated unmanned aerial systems and satellite images | |
| El-Sharkawy et al. | Precision agriculture using remote sensing and GIS for peanut crop production in arid land | |
| Francipane et al. | Using very high resolution (VHR) imagery within a GEOBIA framework for gully mapping: an application to the Calhoun Critical Zone Observatory | |
| Cui et al. | Remote sensing identification of marine floating raft aquaculture area based on sentinel-2A and DEM data | |
| CN117392433A (zh) | 联合sar和光学影像的不同淡水资源类型精细识别方法 | |
| Mridha et al. | Near real-time mapping of jute (C orchorus sp.) area using multi-temporal Sentinel-1 intensity data over the central part of West Bengal, India | |
| Ping et al. | Decision Support System for Hyperspectral Remote‐Sensing Data of Yellow River Estuary, China | |
| Xing et al. | Mapping Wetlands of Dongting Lake in China Using Landsat and sentinel-1 time series at 30M | |
| Na et al. | Remote sensing classification of marsh wetland with different resolution images |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230920 Address after: 916, Building 2, No. 128 South Fourth Ring West Road, Fengtai District, Beijing, 100071 Applicant after: Zhonghai Yunke (Beijing) Technology Co.,Ltd. Address before: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant before: Shenzhen Wanzhida Technology Co.,Ltd. Effective date of registration: 20230920 Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant after: Shenzhen Wanzhida Technology Co.,Ltd. Address before: 315211, Fenghua Road, Jiangbei District, Zhejiang, Ningbo 818 Applicant before: Ningbo University |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |