CN115830476A - 地形因子空间降尺度方法 - Google Patents
地形因子空间降尺度方法 Download PDFInfo
- Publication number
- CN115830476A CN115830476A CN202211373625.3A CN202211373625A CN115830476A CN 115830476 A CN115830476 A CN 115830476A CN 202211373625 A CN202211373625 A CN 202211373625A CN 115830476 A CN115830476 A CN 115830476A
- Authority
- CN
- China
- Prior art keywords
- factor
- terrain
- downscaling
- data
- resolution
- 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
Images
Abstract
本发明涉及土壤侵蚀计算领域,为了提高土壤侵蚀计算精度,提供了一种地形因子空间降尺度方法,包括:步骤1、采用无人机航测技术对研究区数据进行采集,并对采集的数据进行处理以获取高分辨率DEM数据;步骤2、获取中低分辨率DEM数据;步骤3、分别计算高分辨率DEM数据及中低分辨率DEM数据对应的地形因子;步骤4、基于直方图匹配方法建立地形因子空间降尺度变换模型;步骤5、基于空间降尺度变换模型修正中低分辨率地形因子并进行土壤侵蚀计算。采用上述步骤可以提高土壤侵蚀计算精度。
Description
技术领域
本发明涉及土壤侵蚀计算领域,具体是一种地形因子空间降尺度方法。
背景技术
土壤侵蚀造成的危害十分严重,它不仅会造成土壤退化、肥力下降、土壤荒漠化等现场危害,也会引发河道泥沙淤积、河流湖泊水质污染等非现场危害。因此定期调查评价土壤侵蚀状况有助于客观反映水土流失现状及水土保持治理成效,该项工作也是编制水土保持综合治理规划、流域或区域生态保护与修复方案及生产建设项目水土保持方案等的基础。中国土壤流失方程(CSLE)在结构上综合考虑了我国土壤侵蚀环境、地形地貌特点及水土保持措施特征,整体上更适用于我国土壤侵蚀调查评价。
中国土壤流失方程CSLE主要通过坡度因子S和坡长因子L来反映地形对土壤侵蚀的影响,当我们在应用CSLE对较大区域进行土壤侵蚀调查时,由于区域尺度限制,通常使用较低分辨率的DEM(分辨率为30m或更低)来计算LS因子,前人研究表明这必然会引起坡度衰减和坡长增大等。且不同分辨率的DEM包含的地形信息不一样,分辨率越低的DEM包含的地形信息越模糊,导致不同分辨率DEM获取的地形因子值存在一定的差异。在计算土壤侵蚀时,LS因子是影响结果的重要因素,尤其是地块破碎区域,较低分辨率的DEM反应的地形信息有限。
因此,为了准确反映研究区真实地形,从而较精确地计算出土壤侵蚀产沙结果,关键点在于选用较能真实反映地形起伏的高分辨DEM,而在DEM分辨率无法满足时,需要对中低分辨率DEM计算出的LS因子进行空间降尺度,得到高分辨率DEM计算出的LS因子,该过程对土壤侵蚀调查评价十分重要。目前针对地形因子空间降尺度研究鲜有报道,而多集中于地形参数(坡度等)空间尺度转换。常用尺度转换方法主要有坡度图谱变换和分形变换两种。
坡度转换图谱是指按照一定指标递变规律或分类规律排列的一组能够反映坡度在不同空间分辨率、不同比例尺的地图以及不同的地貌类型条件下的相关转换规律的地图、图表或曲线。方法建立之初,研究者以5m空间分辨率DEM(数字高程模型)所提取的地面坡度为准值,运用GIS、数理统计和比较分析等方法,利用它实现了对25m空间分辨率DEM提取地面坡度统计值的误差纠正。
分形变换的核心是将坡度看成是分辨率和分形维数的函数,用分形方法建立从低分辨率 DEM中估算平均坡度的基础。本质上对于一地区不同分辨率下的DEM高程标准偏差是稳定的,而不同的地形类型可以用一系列分维变量来表示,因此地形分形参数和高程标准偏差之间就有很好的相关性,用高程标准偏差来预测分维数和分形系数进而可以建立从低分辨率 DEM中估算高分辨率坡度的模型。
但坡度图谱变换方法缺乏空间特征的反映,与数字地形分析中对坡度数据的需求不相适应,其本质仍是一种数理统计方法。分型变换对宏观数据(DEM空间分辨率≥1km)的变换效果较好,但缺少高分辨率数据的验证,并且由于在一个DEM中只有唯一的分维值,且分形地形坡度方程中的系数是一个不变量,因而这种方法对预测坡度的空间分布又有一定的局限性。
发明内容
为了提高土壤侵蚀计算精度,提供了一种地形因子空间降尺度方法。
本发明解决上述问题所采用的技术方案是:
地形因子空间降尺度方法,包括:
步骤1、采用无人机航测技术对研究区数据进行采集,并对采集的数据进行处理以获取高分辨率DEM数据;
步骤2、获取中低分辨率DEM数据;
步骤3、分别计算高分辨率DEM数据及低分辨率DEM数据对应的地形因子;
步骤4、基于直方图匹配方法建立地形因子空间降尺度变换模型;
步骤5、基于空间降尺度变换模型修正中低分辨率地形因子并进行土壤侵蚀计算。
进一步地,所述中低分辨率DEM数据包括分辨率为12.5m、30m及90m的DEM数据。
进一步地,所述地形因子包括:坡长因子和坡度因子。
进一步地,坡长因子和坡度因子的计算方式为:L=(λ/22.13)m,式中,22.13为标准小区坡长,L为坡长因子,λ为水平投影坡长,m为坡长指数,当θ≤1%,m=0.2;当1%<θ≤3%,m=0.3;当3%<θ≤5%, m=0.4;当θ>5%,m=0.5,θ为坡度,S为坡度因子。
进一步地,所述步骤4具体为:
步骤41、统计每种DEM分辨率下地形因子频数表,并分别计算地形因子的累计频率;
步骤42、基于直方图匹配方法计算地形因子的更正值;
步骤43、基于地形因子及其对应的更正值建立空间降尺度变换模型。
进一步地,所述步骤5具体包括:
步骤51、根据选用的中低分辨率DEM计算出地形因子;
步骤52、选择对应分辨率的空间降尺度转换模型,将原始地形因子代入空间降尺度转换模型计算出空间降尺度之后的地形因子;
步骤53、将降尺度后的地形因子代入土壤侵蚀模型进行土壤侵蚀计算。
进一步地,所述步骤1采用免像控无人机航测技术对研究区数据进行采集。
本发明相比于现有技术具有的有益效果是:本发明通过无人机航测技术获得高分辨率 DEM数据,基于直方图匹配原理,建立中低分辨率DEM计算出的地形因子(坡度因子和坡长因子)与高分辨率DEM下的地形因子的空间降尺度方法,通过该方法实现低精度地形因子到高精度地形因子的转换,以提高土壤侵蚀计算精度。其中直方图匹配原理是指通过一定的数学模型,使某幅图像的直方图转化为目标图像的直方图,从而实现对图像的变换增强。此方法既考虑了数据的空间特征又具有针对较高分辨率数据的研究积累,方法具备较高可行性。同时本发明直接针对土壤侵蚀计算中的地形因子进行空间降尺度研究,发明成果对土壤侵蚀计算领域更具针对性和便捷性。
附图说明
图1为地形因子空间降尺度方法的流程图;
图2为直方图匹配原理示意图;
图3为地形因子空间降尺度变换模型建立流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,地形因子空间降尺度方法,包括:
步骤1、采用无人机航测技术对研究区数据进行采集,并对采集的数据进行处理以获取高分辨率DEM数据。
运用传统无人机进行航测时通常需要布设一定数量的控制点来校正和评估航测结果的水平和垂直误差,人工布设地面像控点需耗费大量人力和时间,且容易造成人为误差。而免像控无人机航测技术利用它自带高精度定位装置即可获得相应数据,不需要在无人机航测和处理时使用地面控制点,该技术减少了航测工作量且数据精度具有高质量保障。本发明获取高分辨率DEM数据即采用免相控无人机航测技术。选用大疆精灵Phantom4RTK无人机对研究区数据进行采集,通过Pix4Dmapper软件对采集数据进行处理生成数字正射影像DOM和数字地表模型DSM,其中DSM包含了植被、建筑物等地物信息,因此需在软件中对点云进行分类与分配,生成高分辨率数字高程模型DEM(分辨率为1m)。
步骤2、获取中低分辨率DEM数据。
为全面考虑当前可获得的中低分辨率DEM计算的地形因子,本发明选用了12.5m、30m 和90m的DEM作为中低分辨率DEM基础数据。其中,12.5mDEM为高分辨率ALOS-PALSAR 地形数据,其水平和垂直精度均可达12.5m。该数据是由2006年发射的ALOS(Advanced LandObserving Satellite)卫星采集,ALOS是日本发射的对地观测卫星,搭载有三个传感器:全色遥感立体测绘仪(PRISM)主要用于数字高程测绘;先进可见光与近红外辐射计-2(AVNIR-2)则用于精确陆地观测;相控阵型L波段合成孔径雷达(PALSAR)主要用于全天时全天候陆地观测,本研究使用的地形数据即为PALSAR采集,该数据可从Earthdata数据集获得。30mDEM数据为GDEMV3数据,90DEM数据为SRTMDEM数据,两者均可从地理空间数据云网站获得。
步骤3、分别计算高分辨率DEM数据及低分辨率DEM数据对应的地形因子。
本发明通过张宏鸣开发的ls tool工具分别提取DEM分辨率为1m、12.5m、30m和90m的坡度因子和坡长因子,其中,坡长采用基于坡度的多流向算法提取,坡度因子和坡长因子则依据刘宝元等提出的CSLE模型中的计算方法,公式如下:
L=(λ/22.13)m;
式中,22.13为标准小区坡长,L为坡长因子,λ为水平投影坡长,m为坡长指数,当θ≤1%,m=0.2;当1%<θ≤3%,m=0.3;当3%<θ≤5%,m=0.4;当θ>5%,m=0.5,θ为坡度,S为坡度因子。
步骤4、基于直方图匹配方法建立地形因子空间降尺度变换模型。
如图2所示为原始影像和目标影像的累计频率图,根据直方图匹配原理,从原始影像的累计频率曲线中读取任意因子值C(X1,0)对应的累计频率A(X1,Y),再读取目标影像累计频率曲线中对应的累计频率B(X2,Y)对应的因子值D(X2,Y),通过目标影像的因子值D(X2,Y)去改正原始影像的因子值B(X2,Y),从而实现因子的尺度变换。具体操作步骤如下:
(1)坡度因子S和坡长因子L累计频率直方图导出:基于GIS平台统计每种DEM分辨率下因子频数表,再计算其累计频率百分比。以坡度因子为例,由于坡度因子数据类型为浮点型,将原本的坡度因子数据乘以10000再转为整型,并构建坡度因子数据栅格属性表,继而统计坡度因子频数,导出频数表,在EXCEL中计算坡度因子的累计频率。运用相同方法统计坡长因子累计频率。
(2)坡度因子S和坡长因子改正:目标影像为1mDEM计算出的因子,为计算方便,首先拟合目标影像的累计频率函数f(x),再以原始影像计算出的累计频率作因变量Y,带入函数求得改正值X。以坡度因子为例,首先拟合1mDEM计算出坡度因子的累计频率曲线,得到该分辨率下坡度因子的累计频率函数,根据直方图匹配原理,将每一种中低分辨率DEM计算出的坡度因子累计频率代入该函数,利用EXCEL宏功能计算出对应的坡度因子改正值。运用相同方法对坡长因子进行改正。
(3)建立空间降尺度变换模型:绘制因子和因子改正值曲线,进而拟合因子尺度变换模型。以坡度因子为例,以每一种中低分辨率坡度因子为X,与之对应的坡度因子改正值为Y,绘制两者关系线并拟合关系式,即得到每一种中低分辨率DEM计算出的坡度因子的空间降尺度变换模型。
地形因子空间降尺度变换模型建立流程图如图3所示。
步骤5、基于空间降尺度变换模型修正中低分辨率地形因子并进行土壤侵蚀计算。
根据步骤3分别获得了12.5m、30m、90mDEM计算出的地形因子如何转换为1mDEM 计算出的地形因子的空间降尺度模型。在利用相关模型进行土壤侵蚀计算时,首先根据选用的中低分辨率DEM计算出地形因子,再选择对应分辨率的空间降尺度转换模型,将原始地形因子带入空间降尺度转换模型计算出空间降尺度之后的地形因子,最后将降尺度后的地形因子代入土壤侵蚀模型,达到提高土壤侵蚀计算精度的目的。
Claims (7)
1.地形因子空间降尺度方法,其特征在于,包括:
步骤1、采用无人机航测技术对研究区数据进行采集,并对采集的数据进行处理以获取高分辨率DEM数据;
步骤2、获取中低分辨率DEM数据;
步骤3、分别计算高分辨率DEM数据及中低分辨率DEM数据对应的地形因子;
步骤4、基于直方图匹配方法建立地形因子空间降尺度变换模型;
步骤5、基于空间降尺度变换模型修正中低分辨率地形因子并进行土壤侵蚀计算。
2.根据权利要求1所述的地形因子空间降尺度方法,其特征在于,所述中低分辨率DEM数据包括分辨率为12.5m、30m及90m的DEM数据。
3.根据权利要求1所述的地形因子空间降尺度方法,其特征在于,所述地形因子包括:坡长因子和坡度因子。
5.根据权利要求1所述的地形因子空间降尺度方法,其特征在于,所述步骤4具体为:
步骤41、统计每种DEM分辨率下地形因子频数表,并分别计算地形因子的累计频率;
步骤42、基于直方图匹配方法计算地形因子的更正值;
步骤43、基于地形因子及其对应的更正值建立空间降尺度变换模型。
6.根据权利要求1所述的地形因子空间降尺度方法,其特征在于,所述步骤5具体包括:
步骤51、根据选用的中低分辨率DEM计算出地形因子;
步骤52、选择对应分辨率的空间降尺度转换模型,将原始地形因子代入空间降尺度转换模型计算出空间降尺度之后的地形因子;
步骤53、将降尺度后的地形因子代入土壤侵蚀模型进行土壤侵蚀计算。
7.根据权利要求1-6任意一项所述的地形因子空间降尺度方法,其特征在于,所述步骤1采用免像控无人机航测技术对研究区数据进行采集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211373625.3A CN115830476A (zh) | 2022-11-03 | 2022-11-03 | 地形因子空间降尺度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211373625.3A CN115830476A (zh) | 2022-11-03 | 2022-11-03 | 地形因子空间降尺度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115830476A true CN115830476A (zh) | 2023-03-21 |
Family
ID=85526566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211373625.3A Pending CN115830476A (zh) | 2022-11-03 | 2022-11-03 | 地形因子空间降尺度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830476A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116538996A (zh) * | 2023-07-04 | 2023-08-04 | 云南超图地理信息有限公司 | 基于激光雷达的地形测绘系统及方法 |
-
2022
- 2022-11-03 CN CN202211373625.3A patent/CN115830476A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116538996A (zh) * | 2023-07-04 | 2023-08-04 | 云南超图地理信息有限公司 | 基于激光雷达的地形测绘系统及方法 |
CN116538996B (zh) * | 2023-07-04 | 2023-09-29 | 云南超图地理信息有限公司 | 基于激光雷达的地形测绘系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220043182A1 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
CN109884664B (zh) | 一种城市地上生物量光学微波协同反演方法及系统 | |
CN111078678B (zh) | 一种基于多源信息融合与降尺度的卫星降水数据校正方法 | |
CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
CN109100719B (zh) | 基于星载sar影像与光学影像的地形图联合测图方法 | |
CN111337434A (zh) | 一种矿区复垦植被生物量估算方法及系统 | |
CN111695088A (zh) | 卫星降水空间降尺度最优回归窗口筛选方法与装置 | |
CN105354832A (zh) | 一种山区卫星影像自动配准到地理底图上的方法 | |
CN116910041B (zh) | 一种基于尺度分析的遥感降水产品的逐日订正方法 | |
CN114022783A (zh) | 基于卫星图像的水土保持生态功能遥感监测方法和装置 | |
CN105974418A (zh) | 基于天气雷达反射率特征匹配的降水估测方法 | |
CN112329265A (zh) | 卫星遥感降水精细化空间估算方法及系统 | |
CN115830476A (zh) | 地形因子空间降尺度方法 | |
CN116109191A (zh) | 基于卫星观测和gis的城市部门碳排放估算方法及系统 | |
Zhang et al. | A study on coastline extraction and its trend based on remote sensing image data mining | |
CN110288117B (zh) | 一种电离层参数临界频率的区域重构方法 | |
CN112882032B (zh) | 一种燃气管道重点区域地质灾害sar动态监测方法及装置 | |
CN114297578A (zh) | 一种基于遥感的草地植被覆盖度估算及预测方法 | |
US20240094436A1 (en) | High-resolution standardized precipitation evapotranspiration index dataset development method based on random forest regression model | |
Hulme, M., Conway, D.,* Joyce, A.** &Mulenga | A 1961-90 climatology for Africa south of the equator and a comparison of potential evapotranspiration estimates | |
CN114461983B (zh) | 一种基于水量平衡原理的卫星降水产品空间降尺度方法 | |
CN116258065A (zh) | 一种云天高时空分辨率近地面气温估算方法 | |
CN112836449B (zh) | 一种用于率定水文模型的方法 | |
Wei et al. | Comprehensive evaluation and error-component analysis of four satellite-based precipitation estimates against gauged rainfall over Mainland China | |
CN114324410A (zh) | 一种多地形的微波遥感土壤湿度降尺度方法 |
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 |