CN115640670A - 一种地形自适应水深模型分区加权融合方法 - Google Patents
一种地形自适应水深模型分区加权融合方法 Download PDFInfo
- Publication number
- CN115640670A CN115640670A CN202211079944.3A CN202211079944A CN115640670A CN 115640670 A CN115640670 A CN 115640670A CN 202211079944 A CN202211079944 A CN 202211079944A CN 115640670 A CN115640670 A CN 115640670A
- Authority
- CN
- China
- Prior art keywords
- water depth
- terrain
- data
- model
- dbm
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 94
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 18
- 238000005192 partition Methods 0.000 title claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 44
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000011084 recovery Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000000638 solvent extraction Methods 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 9
- 238000013316 zoning Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 239000004576 sand Substances 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000001983 electron spin resonance imaging Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000011179 visual inspection Methods 0.000 claims description 2
- 238000012805 post-processing Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 238000012876 topography Methods 0.000 abstract description 9
- 238000012795 verification Methods 0.000 abstract description 5
- 239000013535 sea water Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005755 formation reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 241000132092 Aster Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 241000243321 Cnidaria Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种地形自适应水深模型分区加权融合方法，步骤包括：多源水深数据和模型预处理（包括海图矢量化、数学基础统一、数据清洗等步骤）、数字水深模型（DBM）质量验证与对比、多尺度地形分割与分区、最优空间域加权融合、实测点恢复和自适应邻域统计滤波。本发明以中国南海地区为例，提出利用多种DBM进行水下地形修复的地形自适应水深模型分区加权融合框架，将多源水深模型和数据集融合为一个更高质量的无缝南海水深数据集。本发明将新发布的全球15弧秒分辨率的GEBCO和SRTM数据集纳入考虑，使得水下地形细节的表达更为精细。本发明为大规模海底地形数据集的及时重建和更新提供了有价值的参考。
Description
技术领域
本发明涉及一种基于地形特征的自适应水深模型分区加权融合方法，该方法通过多源水深数据和模型预处理(包括海图矢量化、数学基础统一、数据清洗等步骤)、数字水深模型(DBM)质量验证与对比、多尺度地形分割与分区、最优空间域加权融合、实测点恢复和自适应邻域统计滤波的步骤，得到一个更高质量的无缝南海水深数据集，为大规模海底地形数据集的及时重建和更新提供了有价值的参考。
背景技术
世界海洋覆盖约3.62亿平方公里，占地球表面面积的71％(Ronov 1994； Eakinsand Sharman 2010)。许多研究依赖于数字水深模型(DBM)数据，例如板块构造和海洋盆地的演化(Sandwell and Smith 1997)、精确的海洋环流建模 (Gula et al.2014)、海洋地质灾害评估(Chiocci et al.2011)依据海啸等自然灾害预测波(Sepulveda et al.2019)等。海洋基础设施的发展也需要高分辨率DBM数据(Ellis et al.2017)。DBM数据也有助于海上搜救工作，马航MH370 航班坠毁区域高分辨率测深数据的缺乏，极大地阻碍了搜救工作(Picard et al. 2018)。DBM数据对于航行安全和大陆架界限确定也至关重要的(Jakobsson et al. 2003)。此外，通过DBM数据获取的坡度、坡向等特征对底栖生物的分布影响很大(Wilson et al.2007)。因此，许多国家和国际组织已经意识到建立全球DBM 的重要性(Jakobsson et al.2017)。
目前，全球仅6.2％的海底地形存在船载声呐测绘数据(Mayer et al.2018)，全球网格化的DBM数据融合工作仍然极具挑战性(Hell et al.2011)。通过对船舶测深、海洋重力等数据的不断细化和改进，已经形成了多个版本的公开全球DBM数据集，包括GEBCO(Jakobsson et al.2017)、SRTM(Becker et al.2009)、全球海底地形(简称TOPO)(Smithand Sandwell 1997)、ETOPO(Amante and Eakins 2009)以及DTU(Andersen et al.2008)等。现有DBM生成技术多集中在利用精度较高的DBM进行补充或插值，例如反距离加权法(Schaffer et al. 2016)、克里金法(Merwade 2009)、样条插值法(Hell et al.2011)、双线性插值法(Ramillien and Cazenave 1997)以及自然邻域插值法(Glenn et al.2016)等，插值结果会出现噪声、数据空洞和分辨率不足等问题(Yue et al.2015)。常用的模型融合方法分为频率域融合、空间域融合和稀疏表达融合三类。如在频率域融合SRTM和ASTERGDEM数据，以填充模型空洞，可提高融合结果的整体精度(Karkee et al.2008)；基于稀疏表达的融合框架可有效减少局部几何异常(Papasaika et al.2011)；空间域融合通常直接在数值层面上进行 (Costantini et al.2006)，该方法简单易行，且较为可靠(Gruber etal. 2016；Petrasova et al.2017)。然而，该方法的关键在于如何量化不同数据集在每个地表位置的输入权重(Schindler et al.2011)。
现有的研究倾向于用新获得的测深数据来补充区域DBM，很少有研究利用多个数据集及时重建和更新大规模海底地形。随着15弧秒分辨率DBMs的最新发布，现在有必要对这些新产品的质量进行比较和验证。此外，DBM数据集的精度会因地形条件的不同而有所差异(Yang et al.2018)，可在实测测深数据的约束下进行分割和融合。本发明提出了一种基于地形特征的自适应水深模型分区加权融合框架，用于南海及其邻近地区水下地形的及时重建和更新。通过融合多源测深数据和DBM数据集，生成一个高质量无缝南海数字水深模型数据集。
发明内容
本发明要解决的技术问题是：船测水深数据的不足，使得大规模海底地形重建和更新困难。通过融合处理，将多源测深数据用于增强全局DBM数据集，利用多个数据集及时重建和更新大规模海底地形，以克服船测水深数据的不足。
为了解决以上技术问题，本发明提供的一种地形自适应水深模型分区加权融合方法，包括以下步骤：
步骤1、数据预处理——对纸质海图进行矢量化，将矢量水深数据统一坐标系和分辨率，对船测声纳数据进行清洗，获得具有相同空间基准的有效实测水深数据和数字水深模型数据集；
步骤2、DBM模型质量验证与对比——模型质量对比评价，对7个DBM 模型进行掩膜处理，得到水下部分；DBM模型质量对比从定量和定性两个方面进行：
a)、利用处理后的实测水深数据，对整体质量进行定量比较，精度采用三个定量指标：MAE、SD和RMSE；
b)、沿航线剖面的质量进行定量比较，精度采用三个定量指标：MAE、SD 和RMSE；
c)、在南沙群岛和西沙群岛等局部地区，通过设置等高距一致的等高线，定性对比各模型对水下地形在细节上的表现；
步骤3、多尺度地形分割与分区——顾及不同地形单元对模型融合的不同贡献，对目标区域进行分割与分区，具体如下：
a)、地形分割
利用多尺度分割方法对待融合区域进行地形分割，当分割单元的内部同质性和外部异质性都达到最大，即为最佳分割结果；
b)、地形分区
基于水深和地形特征参数进行地形分区，通过计算水深、地形坡度、地形粗糙度和表面切割深度，建立自适应地形分类规则词典，指导地形分区；
步骤4、最优空间域加权融合——根据加权融合方法，计算各个地形子融合 DBM结果，以测点为参考，对原始水深输入数据两两地进行线性加权平均，公式如下：
z(x,y)＝wi×zi(x,y)+wj×zj(x,y)
其中，zi(x,y)、zj(x,y)代表输入的第i个DBM模型DBMi的水深值和第j 个DBM模型DBMj的水深值，wi、wj分别代表各自的权重，i、j∈{1,2,3,4,5,6， 7}并且i≠j；
采用遍历寻优定权的方法确定权重，以DBM模型水深值与实测值之间的均方根误差RMSE最小为约束，遍历权重赋值进行寻优，得到7个DBMs的最优融合结果及对应权重；具体方法如下：
取待融合的DBMi权重为w,DBMj权重为1-w,w取值为[0,1],设计计算步长为0.01；通过加权系数由0到1的遍历计算，从而得到遍历过程中的融合最优解与权重系数；
步骤5、实测点恢复——利用实测点恢复的方法，形成质量更好的融合模型；
步骤6、模型平滑——利用自适应邻域统计滤波方法，进行融合模型的平滑。
本发明的有效效益如下：
(1)本发明提出的一种自适应分区域空间加权融合框架，可通过多个水深模型快速重建和更新大规模海底地形。通过填补空白和消除异常值对模型进行整合和补充，可以提高模型的可靠性。该融合框架可以扩展到其他地区。
(2)本发明融合得15弧秒分辨率的无缝南海水深模型，通过同其他全球水深模型对比验证，准确性提升1-40％不等。融合后的模型对地形细节的表达更加细致和真实。
(3)本发明验证与对比了南海范围内应用最广泛的7个全球水深模型的性能。证明了SRTM15_PLUS和GEBCO_2019两类数据集整体精度最高、最稳健，提高了全球水深模型的适用范围和潜力。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明实施例的范围示意图。
图2为本发明实施例的总体流程图。
图3为本发明数据清洗方法示意图。
图4为本发明多尺度地形分割与分区流程图。
图5为本发明空间域加权融合示意图。
图6为本发明遍历寻优定权方法流程图。
图7为本发明实测点恢复和模型平滑流程图。
图8为本发明实施例水深模型融合结果。
图9为本发明实施例水深模型融合结果对比验证。
具体实施方式
下面根据附图详细阐述本发明，使本发明的技术路线和操作步骤更加清晰。
本技术方案的实施例在中国南海及周边海域进行(图1)，对多源水深数据和模型进行自适应分区域空间加权融合，重建和更新大规模海底地形。南海是一个半开放海域，被中国、越南、马来西亚、印度尼西亚和菲律宾包围，其海底地形极为复杂，边缘为大陆架，中心为深海盆地，海山、环礁、岛屿星罗棋布。本实施例以该实验区为例说明一种自适应分区域空间加权融合方法，技术流程如图2所示，具体包括以下步骤：
步骤1、数据预处理——对纸质海图进行矢量化，将矢量水深数据统一坐标系和分辨率，对船测声纳数据进行清洗，获得具有相同空间基准的有效实测水深数据和数字水深模型数据集。具体如下：
a)、海图矢量化。
首先，对纸质海图先进行数字化扫描。然后，对扫描的海图图像文件进行几何校正，创建点矢量文件，标注水深点的地理位置。最后，读取海图图像中包含水深点的区域，识别其中中的水深点数字，并进行目视检查，最终实现纸质海图的矢量化。在此过程中，保证海图水深点具有统一的地理参考，并保存为为XYZ ASCII data格式文件。
b)、数学基础统一。
具体包括坐标基准统一和分辨率统一。使用Feature Manipulation Engine(FME)软件，将矢量水深数据的数据基准转换到WGS-84坐标系下，同时将数据转换成ESRI ArcGISshape files。将7个水深模型数据统一为GeoTiff format格式，并对所有数据进行坐标系及投影转换，将其投影并配准到到统一的地理参考系统中。
将7个水深模型数据的空间分辨率统一为15"。船测水深点的原始空间分辨率过高，所以还需要对原始船测水深点进行格网化，保证每个水深栅格(15"× 15")仅对应一个高程值，若一个栅格范围存在多点，则栅格值用多个点的平均值表示。
c)、数据清洗。
数据清洗方法如图3所示。首先，根据船测数据属性筛选出60年代以后的船测声纳数据。然后，根据IHO S-44第五版有关规定对测深数据中的无水深值和无效值进行剔除。最后，依据PauTa Criterion(3σ准则)对船测数据进行异常值检验和剔除。具体方法是通过对所有有效航次进行数据检验，包括两个方面，第一是航行方向(航线剖面)的异常值检验，第二是根据数据统计的异常值检验。
步骤2、DBM模型质量验证与对比——模型质量对比评价，对7个DBM模型进行掩膜处理，得到水下部分。DBM模型质量对比从定量和定性两个方面进行：
a)、利用处理后的实测水深数据，对整体质量进行定量比较，精度采用三个定量指标：MAE、SD和RMSE。
b)、沿航线剖面的质量进行定量比较，精度采用三个定量指标：MAE、SD 和RMSE。
c)、在南沙群岛和西沙群岛等局部地区，通过设置等高距一致的等高线，定性对比各模型对水下地形在细节上的表现。
精度采用的三个定量指标(MAE、SD和RMSE)，公式如下：
其中，e为对应DBM值与参考水深做差得到的误差，n为参与检验的水深点个数，
为误差的均值。MAE能反映没有异常值情况下的精度鲁棒性；SD用来衡量一组数自身的离散程度；RMSE能更准确地反映存在异常值情况下的误差分布。
步骤3、多尺度地形分割与分区——顾及不同地形单元对模型融合的不同贡献，对目标区域进行分割与分区。多尺度地形分割与分区流程如图4所示，具体如下：
a)、地形分割。
利用多尺度分割方法(Costa et al.2017)对待融合区域进行地形分割。从像素层开始将图像对象逐层集成到较大的图像对象中，产生不同分割尺度的分割结果。利用局部方差(LV)检测的最优分割尺度，当LV的变化率(ROC)达到峰值时，认为相应的分割规模最优，此时分割单元的内部同质性和外部异质性都达到最大。
b)、地形分区。
基于水深和地形特征参数进行地形分区。本方法通过计算4个地形特征参数(水深、地形坡度、地形粗糙度和表面切割深度)，建立自适应地形分类词典，地形特征参数计算公式如下：
其中，Sc为海底单元的曲面表面积，Sh为Sc在水平表面上的投影面积。
其中，
表示邻域内的平均水深，zmax代表邻域内的最大水深。
其中，
表示南北方向(X轴)高程变化率，
表示东西方向(Y轴)高程变化率。
多尺度分割在eCognition Developer 9.1软件的尺度参数估计工具中实现，选择形状设为0.1，紧致度设为0.5，不断优化分割尺度，最终确定分割尺度为 2500，得到分割结果与水深分布基本吻合。利用计算的多个地形特征参数，建立地形分类规则字典，将目标区域划分为7个地形分区。
步骤4、最优空间域加权融合——根据加权融合方法，计算各个地形子融合 DBM结果。空间域加权融合原理如5所示。以测点为参考，对原始水深输入数据两两地进行线性加权平均，公式如下：
z(x,y)＝wi×zi(x,y)+wj×zj(x,y)
其中，zi(x,y)、zj(x,y)代表输入的第i个DBM模型DBMi的水深值和第j 个DBM模型DBMj的水深值，wi、wj分别代表各自的权重，i、j∈{1,2,3,4,5,6，7}并且i≠j。
采用遍历寻优定权的方法确定权重，以DBM模型水深值与实测值之间的均方根误差RMSE最小为约束，遍历权重赋值进行寻优，得到7个DBMs的最优融合结果及对应权重。简要流程如图6所示，该步骤通过编程实现，具体方法如下：
取待融合的DBMi权重为w,DBMj权重为1-w,w取值为[0,1],设计计算步长为0.01；通过加权系数由0到1的遍历计算，从而得到遍历过程中的融合最优解与权重系数。以区域2为例,RMSE指标与w之间关系如图6所示，横坐标为GEBCO_2019权重w，纵坐标单位为m。由图可见，在最优权重w＝0.23之前， RMSE随着权重的增加而降低，这表明GEBCO_2019对于融合DBM存在正的贡献。在最优权重w＝0.23之后，RMSE随着权重的增加而增加，即SRTM15_PLUS为0.77时RMSE最小＝73.22m。
通过上述方法，以DBM与实测值之间的RMSE最小为约束，遍历权重赋值进行寻优，可得到7个DBMs的最优融合结果及对应权重。具体如下：
7个DBM模型在不同地形子区域对应的权重具体如下：
子区域1：SRTM15_PLUS(权重＝0.85)、GEBCO_2019(权重＝0.15)。
子区域2：SRTM15_PLUS(权重＝0.77)、GEBCO_2019(权重＝0.23)。
子区域3：SRTM15_PLUS(权重＝0.50)、SRTM30_PLUS(权重＝0.50)。
子区域4：SRTM15_PLUS(权重＝0.73)、GEBCO_2014(权重＝0.27)。
子区域5：SRTM15_PLUS(权重＝0.91)、DTU10(权重＝0.09)。
子区域6：SRTM15_PLUS(权重＝0.78)、GEBCO_2014(权重＝0.22)。
子区域7：SRTM15_PLUS(权重＝0.80)、TOPO V19.1(权重＝0.20)。
步骤5、实测点恢复。利用实测点恢复的方法，形成质量更好的融合模型，简要流程如图7(a)-7(d)所示，具体如下：将实测点转化为规则格网(15″×15″分辨率)，同时移去融合模型的对应栅格，二者镶嵌以实现融合模型的实测值恢复。
步骤6、模型平滑。在上一步的基础上，引入自适应邻域统计滤波方法，进行融合模型的平滑，简要流程如图7(e)-7(h)所示，具体如下：首先提取每个像素围绕中心像素的3×3邻域补丁，计算邻域像素与中心像素之间的差值，将差值大于3倍标准差的中心像素判断为异常值。然后，利用邻域像素的均值替代异常值，同时实现NoData区域的空洞填充，从而达到高程异常值滤波的目的。最后，通过低通滤波(3×3)，进行模型平滑。最终的融合结果如图8所示。
验证实施例：
下面为验证本发明方法可靠性，继续以该实例进行说明。
为验证本方法的可靠性，引入实测数据，与原始DBM模型相比，融合得到的南海水深模型总体精度有所提高，RMSE为99.60m，MAE为44.03m，SD为 99m，R2为0.98，其误差主要集中在(-100-100m)范围，约占90％。与 GEBCO_2019、GEBCO_2014、SRTM30_PLUS相比，RMSE精度分别提高13％, 40％和15％。与SRTM15_PLUS(RMSE＝100.74)的精度最为接近，提高了0.1％，证明了SRTM15_PLUS的精度最可靠，其次是GEBCO_2019。
利用交叉验证，基于统计的检查点法，比较局部融合前后的DBM质量。实验位置选择在南沙群岛及其附近海域，该区域均存在大量珊瑚礁，水深跨度大，地形复杂。融合前与融合后的模型分别与实测数据(2900个海图水深点)作精度比较，结果如图9所示，其中等深线为实测点(船测水深点和海图水深点) 由克里金插值得到，(b)-(i)分别代表融合DBM、GEBCO_2019、GEBCO_2014、 SRTM15_PLUS V2、SRTM30_PLUS V11、TOPO V19.1、ETOPO1和DTU10。8 个DBM与等深线图基本一致。南沙海域的融合模型与SRTM15_PLUS V2, GEBCO_2019最接近，出露水面的岛礁的大小和位置基本一致，地形细节更为丰富。SRTM15_PLUS,GEBCO_2019比各自之前的版本在浅水区的结果更可靠。 TOPO V19.1在水深变化处存在大量噪声。ETOPO1在深水区效果与 SRTM30_PLUS接近，而出露水面的范围过大。DTU10在深水区的反演水深普遍更浅，但细节却是最严重。
原始的DBM模型依赖于重力卫星和测高卫星提供的高精度的重力异常和垂直重力梯度信息，本发明提出的水深模型融合方法一定程度上克服了测深数据的不足。当新的测深数据被引入，该融合框架用于提高DBM的可靠性。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。
Claims (8)
1.一种地形自适应水深模型分区加权融合方法，包括以下步骤：
步骤1、数据预处理——对纸质海图进行矢量化，将矢量水深数据统一坐标系和分辨率，对船测声纳数据进行清洗，获得具有相同空间基准的有效实测水深数据和数字水深模型数据集；
步骤2、DBM模型质量验证与对比——模型质量对比评价，对7个DBM模型进行掩膜处理，得到水下部分；DBM模型质量对比从定量和定性两个方面进行：
a)、利用处理后的实测水深数据，对整体质量进行定量比较，精度采用三个定量指标：MAE、SD和RMSE；
b)、沿航线剖面的质量进行定量比较，精度采用三个定量指标：MAE、SD和RMSE；
c)、在南沙群岛和西沙群岛等局部地区，通过设置等高距一致的等高线，定性对比各模型对水下地形在细节上的表现；
步骤3、多尺度地形分割与分区——顾及不同地形单元对模型融合的不同贡献，对目标区域进行分割与分区，具体如下：
a)、地形分割
利用多尺度分割方法对待融合区域进行地形分割，当分割单元的内部同质性和外部异质性都达到最大，即为最佳分割结果；
b)、地形分区
基于水深和地形特征参数进行地形分区，通过计算水深、地形坡度、地形粗糙度和表面切割深度，建立自适应地形分类规则词典，指导地形分区；
步骤4、最优空间域加权融合——根据加权融合方法，计算各个地形子融合DBM结果，以测点为参考，对原始水深输入数据两两地进行线性加权平均，公式如下：
z(x,y)＝wi×zi(x,y)+wj×zj(x,y)
其中，zi(x,y)、zj(x,y)代表输入的第i个DBM模型DBMi的水深值和第j个DBM模型DBMj的水深值，wi、wj分别代表各自的权重，i、j∈{1,2,3,4,5,6，7}并且i≠j；
采用遍历寻优定权的方法确定权重，以DBM模型水深值与实测值之间的均方根误差RMSE最小为约束，遍历权重赋值进行寻优，得到7个DBMs的最优融合结果及对应权重；具体方法如下：
取待融合的DBMi权重为w,DBMj权重为1-w,w取值为[0,1],设计计算步长为0.01；通过加权系数由0到1的遍历计算，从而得到遍历过程中的融合最优解与权重系数；
步骤5、实测点恢复——利用实测点恢复的方法，形成质量更好的融合模型；
步骤6、模型平滑——利用自适应邻域统计滤波方法，进行融合模型的平滑。
2.根据权利要求1所述的地形自适应水深模型分区加权融合方法,其特征在于：步骤1中，纸质海图矢量化的步骤如下：
首先，对纸质海图先进行数字化扫描；然后，对扫描的海图图像文件进行几何校正，创建点矢量文件，标注水深点的地理位置；最后，读取海图图像中包含水深点的区域，识别其中的水深点数字，并进行目视检查，最终实现纸质海图的矢量化。
3.根据权利要求1所述的地形自适应水深模型分区加权融合方法,其特征在于：步骤1中，矢量水深数据统一坐标系和分辨率的步骤如下：
使用Feature Manipulation Engine软件，将矢量水深数据的数据基准转换到WGS-84坐标系下，同时将数据转换成ESRI ArcGIS shape files；将水深模型数据统一为GeoTiffformat格式，并对所有数据进行坐标系及投影转换，将其投影并配准到统一的地理参考系统中；
将水深模型数据的空间分辨率统一为15"；对原始船测水深点进行格网化，格网化的尺寸为15"×15"，保证每个水深栅格仅对应一个高程值，若一个栅格范围存在多点，则栅格值用多个点的平均值表示。
4.根据权利要求1所述的地形自适应水深模型分区加权融合方法,其特征在于：步骤1中，对船测声纳数据清洗步骤如下：
首先，根据船测数据属性筛选出60年代以后的船测声纳数据；然后，根据IHO S-44第五版有关规定对测深数据中的无水深值和无效值进行剔除；最后，依据PauTa Criterion准则对船测数据进行异常值检验和剔除，具体方法是通过对所有有效航次进行数据检验，包括航行方向的异常值检验和数据统计的异常值检验。
5.根据权利要求1所述的地形自适应水深模型分区加权融合方法,其特征在于：步骤3中，多尺度地形分割方法从像素层开始将图像对象逐层集成到较大的图像对象中，产生不同分割尺度的分割结果，利用局部方差LV检测的最优分割尺度，当局部方差LV的变化率ROC达到峰值时，认为相应的分割规模最优，此时分割单元的内部同质性和外部异质性都达到最大；其中，分割形状参数设为0.1，紧致度参数设为0.5，最终分割尺度为2500。
6.根据权利要求1所述的地形自适应水深模型分区加权融合方法,其特征在于：步骤3中，基于水深和地形特征参数进行地形分区，通过计算水深、地形坡度Slope、地形粗糙度Roughness和表面切割深度Cutdepth，建立自适应地形分类词典，地形特征参数计算公式如下：
其中，Sc为海底单元的曲面表面积，Sh为Sc在水平表面上的投影面积；
其中，
表示邻域内的平均水深，zmax代表邻域内的最大水深；
其中，
表示南北方向(X轴)高程变化率，
表示东西方向(Y轴)高程变化率。
利用建立的地形分类规则字典，将南海区域划分为若干个地形分区。
7.根据权利要求1所述的地形自适应水深模型分区加权融合方法,其特征在于：步骤5中，利用实测点恢复法，对融合模型进行后处理，首先将实测点转化为15″×15″分辨率的规则格网，然后移去融合模型的对应栅格，再将二者镶嵌，实现实测点恢复。
8.根据权利要求1所述的地形自适应水深模型分区加权融合方法,其特征在于：步骤6中，在步骤5的基础上，引入自适应邻域统计滤波方法，进行模型平滑，首先提取每个像素围绕中心像素的3×3邻域补丁，计算邻域像素与中心像素之间的差值，将差值大于3倍标准差的中心像素判断为异常值；然后，利用邻域像素的均值替代异常值，同时实现NoData区域的空洞填充，从而达到高程异常值滤波的目的；最后，通过低通滤波，进行模型平滑，得到最终的融合结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211079944.3A CN115640670A (zh) | 2022-09-05 | 2022-09-05 | 一种地形自适应水深模型分区加权融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211079944.3A CN115640670A (zh) | 2022-09-05 | 2022-09-05 | 一种地形自适应水深模型分区加权融合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115640670A true CN115640670A (zh) | 2023-01-24 |
Family
ID=84939714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211079944.3A Pending CN115640670A (zh) | 2022-09-05 | 2022-09-05 | 一种地形自适应水深模型分区加权融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115640670A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115951361A (zh) * | 2023-03-13 | 2023-04-11 | 珠江水利委员会珠江水利科学研究院 | 基于大数据平台的海上风电桩的智能地形扫测方法 |
| CN117172134A (zh) * | 2023-10-19 | 2023-12-05 | 武汉大学 | 基于融合地形特征的月表多尺度dem建模方法及系统 |
| CN117788463A (zh) * | 2024-02-26 | 2024-03-29 | 中邮建技术有限公司 | 基于视频ai与多模态数据融合的船舶吃水深度检测方法 |
| CN117932974A (zh) * | 2024-03-21 | 2024-04-26 | 威海水利工程集团有限公司 | 一种水库水下数字高程模型的构建方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400405A (zh) * | 2013-08-01 | 2013-11-20 | 国家海洋局第二海洋研究所 | 基于海底数字水深模型特征提取的多波束水深图构建方法 |
| CN104613944A (zh) * | 2015-01-27 | 2015-05-13 | 电子科技大学 | 一种基于gwr和bp神经网络的分布式水深预测方法 |
| CN107340546A (zh) * | 2017-07-24 | 2017-11-10 | 南京信息工程大学 | 一种水下探测分孔径双ccd实时偏振成像装置及方法 |
| CN109059796A (zh) * | 2018-07-20 | 2018-12-21 | 国家海洋局第三海洋研究所 | 无水深控制点区域的浅海水深多光谱卫星遥感反演方法 |
-
2022
- 2022-09-05 CN CN202211079944.3A patent/CN115640670A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400405A (zh) * | 2013-08-01 | 2013-11-20 | 国家海洋局第二海洋研究所 | 基于海底数字水深模型特征提取的多波束水深图构建方法 |
| CN104613944A (zh) * | 2015-01-27 | 2015-05-13 | 电子科技大学 | 一种基于gwr和bp神经网络的分布式水深预测方法 |
| CN107340546A (zh) * | 2017-07-24 | 2017-11-10 | 南京信息工程大学 | 一种水下探测分孔径双ccd实时偏振成像装置及方法 |
| CN109059796A (zh) * | 2018-07-20 | 2018-12-21 | 国家海洋局第三海洋研究所 | 无水深控制点区域的浅海水深多光谱卫星遥感反演方法 |
Non-Patent Citations (1)
| Title |
|---|
| XIAOGUANG RUAN等: "A new digital bathymetric model of the South China Sea based on the subregional fusion of seven global seafloor topography products", GEOMORPHOLOGY, 6 September 2020 (2020-09-06), pages 3 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115951361A (zh) * | 2023-03-13 | 2023-04-11 | 珠江水利委员会珠江水利科学研究院 | 基于大数据平台的海上风电桩的智能地形扫测方法 |
| CN115951361B (zh) * | 2023-03-13 | 2023-05-30 | 珠江水利委员会珠江水利科学研究院 | 基于大数据平台的海上风电桩的智能地形扫测方法 |
| CN117172134A (zh) * | 2023-10-19 | 2023-12-05 | 武汉大学 | 基于融合地形特征的月表多尺度dem建模方法及系统 |
| CN117172134B (zh) * | 2023-10-19 | 2024-01-16 | 武汉大学 | 基于融合地形特征的月表多尺度dem建模方法 |
| CN117788463A (zh) * | 2024-02-26 | 2024-03-29 | 中邮建技术有限公司 | 基于视频ai与多模态数据融合的船舶吃水深度检测方法 |
| CN117788463B (zh) * | 2024-02-26 | 2024-05-10 | 中邮建技术有限公司 | 基于视频ai与多模态数据融合的船舶吃水深度检测方法 |
| CN117932974A (zh) * | 2024-03-21 | 2024-04-26 | 威海水利工程集团有限公司 | 一种水库水下数字高程模型的构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115640670A (zh) | 一种地形自适应水深模型分区加权融合方法 | |
| Sagar et al. | Extracting the intertidal extent and topography of the Australian coastline from a 28 year time series of Landsat observations | |
| CN109544691B (zh) | 自动融合多源异构水深数据构建高分辨率dbm的mf方法 | |
| Smith | The navigation surface: a multipurpose bathymetric database | |
| US11410300B2 (en) | Defect inspection device, defect inspection method, and storage medium | |
| Ruan et al. | A new digital bathymetric model of the South China Sea based on the subregional fusion of seven global seafloor topography products | |
| Li | Sampling strategy and accuracy assessment for digital terrain modelling | |
| CN113281749A (zh) | 一种顾及同质性的时序InSAR高相干点选取方法 | |
| CN116503705A (zh) | 一种数字城市多源数据的融合方法 | |
| Wang et al. | Automatic mapping of lunar landforms using DEM-derived geomorphometric parameters | |
| Warner et al. | Pine Island Glacier (Antarctica) velocities from Landsat7 images between 2001 and 2011: FFT-based image correlation for images with data gaps | |
| Al-Muqdadi et al. | Automated watershed evaluation of flat terrain | |
| CN117706577A (zh) | 基于激光雷达三维点云算法的船舶尺寸测量方法 | |
| CN117953365A (zh) | 一种河道崩岸风险等级评估方法 | |
| CN117115671A (zh) | 基于遥感的土壤质量分析方法、装置及电子设备 | |
| Kim et al. | Tidal creek extraction from airborne LiDAR data using ground filtering techniques | |
| CN116630823A (zh) | 一种InSAR地形产品水体高程编辑处理方法 | |
| CN113591740B (zh) | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 | |
| CN115540832A (zh) | 基于VGGNet的卫星测高海底地形校正方法及系统 | |
| CN113592829B (zh) | 基于分割重组的深度学习泥沙颗粒识别方法及装置 | |
| Widyaningrum et al. | Tailored features for semantic segmentation with a DGCNN using free training samples of a colored airborne point cloud | |
| Novák et al. | The Potential and Implications of Automated Pre-Processing of LiDAR-Based Digital Elevation Models for Large-Scale Archaeological Landscape Analysis | |
| Soycan et al. | Digital elevation model production from scanned topographic contour maps via thin plate spline interpolation | |
| CN118537381B (zh) | 一种运行期土石坝上游坝坡水上水下坡比联合校准的方法 | |
| Libina | Methods of Processing and Analyzing Digital Elevation Models of Bottom |
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 |