CN116050647B - 一种基于遥感的流域洪涝受灾强度重现期推求方法 - Google Patents

一种基于遥感的流域洪涝受灾强度重现期推求方法 Download PDF

Info

Publication number
CN116050647B
CN116050647B CN202310118723.0A CN202310118723A CN116050647B CN 116050647 B CN116050647 B CN 116050647B CN 202310118723 A CN202310118723 A CN 202310118723A CN 116050647 B CN116050647 B CN 116050647B
Authority
CN
China
Prior art keywords
intensity
remote sensing
flood
flood disaster
night light
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
CN202310118723.0A
Other languages
English (en)
Other versions
CN116050647A (zh
Inventor
江威
吕娟
崔师爱
郑守住
丁小辉
左惠强
尹建明
王燕云
熊政辉
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.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
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 China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202310118723.0A priority Critical patent/CN116050647B/zh
Publication of CN116050647A publication Critical patent/CN116050647A/zh
Application granted granted Critical
Publication of CN116050647B publication Critical patent/CN116050647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/26Government or public services
    • G06Q50/265Personal security, identity or safety
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/13Satellite images
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Computer Security & Cryptography (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

本发明公开了一种基于遥感的流域洪涝受灾强度重现期推求方法,包括:S1、获取研究区内长时序多源卫星遥感影像数据集和对应年份的JRC永久水体范围数据;S2、基于所述长时序多源卫星遥感影像数据和所述JRC永久水体范围数据,获取历史洪涝淹没范围图像;S3、获取与所述历史洪涝淹没范围图像对应时间的夜间灯光遥感影像数据;S4、基于所述夜间灯光遥感影像数据,构建时空一致夜间灯光遥感数据集;S5、根据所述历史洪涝淹没范围图像,利用所述时空一致夜间灯光遥感数据集,构建历史洪涝受灾强度夜光指数数据集;S6、基于所述历史洪涝受灾强度夜光指数数据集,利用广义极值分布的超越概率曲线拟合方法,推求洪涝受灾强度重现期。

Description

一种基于遥感的流域洪涝受灾强度重现期推求方法
技术领域
本发明属于洪涝灾害遥感分析领域,尤其涉及一种基于遥感的流域洪涝受灾强度重现期推求方法。
背景技术
洪涝受灾强度重现期计算是灾害应急管理的重要环节,科学、准确推求流域尺度的洪涝受灾强度重现期,对于洪水风险管理和洪水巨灾保险费率厘定具有重要参考价值。流域洪涝一般具有影响范围广、受灾强度大和经济损失量大等特点,对其受灾强度重现期准确推求,对于防御洪涝标准设防、洪涝应急措施制定以及洪涝巨灾保险安排具有重要意义。
洪涝重现期是指某量级的洪涝在很长时期内平均多少年出现一次的概念,如某一量级洪水的重现期为百年(俗称百年一遇洪水),是指这个量级的洪涝在很长时期内平均每百年出现一次的可能性。当前,洪涝重现期多以最大洪峰流量分析推求,在针对洪涝造成受灾强度的重现期推求研究较少,部分研究采用公开发布的年度的洪涝直接经济损失数据开展推求洪涝受灾强度重现期,这种方式存在以下3个不足:(1)由于经济的通货膨胀影响,公开发布的历史洪涝直接经济值不具有可比性,因此,以公开发布的直接经济损失数据作为基础,推求受灾强度重现期,重现期会低估;(2)公开发布的直接经济损失数据多以行政边界为单元自下而上统计上报,这种统计方式会因统计口径差异和人为主观因素导致较大的误差,导致灾害重现期会高估;(3)目前对于重现期最优分布函数拟合多选择离散型Poisson分布或极值Ⅰ型频率曲线分布,由于流域洪涝灾害损失强度大、频率低和历时长,目前的分布分布函数难以反映洪涝受灾强度极值分布特性,需要进一步选取合适的分布拟合函数。
发明内容
针对以上不足,本申请利用长时序多源卫星遥感数据,客观准确提取历时洪涝淹没范围,利用时序校正后的夜间灯光遥感数据,构建具有时空可比性的洪涝受灾强度夜光指数,统计流域尺度受灾强度的频率分布,计算对应的超越概率,采用广义极值分布模型拟合超越概率曲线,确定曲线参数的最优解,进而推求流域洪涝受灾强度重现期。
为实现上述目的,本发明提供了一种基于遥感的流域洪涝受灾强度重现期推求方法,包括:
S1、获取研究区内长时序多源卫星遥感影像数据集和对应年份的JRC永久水体范围数据;
S2、基于所述长时序多源卫星遥感影像数据和所述JRC永久水体范围数据,获取历史洪涝淹没范围图像;
S3、获取与所述历史洪涝淹没范围图像对应时间的夜间灯光遥感影像数据;
S4、基于所述夜间灯光遥感影像数据,构建时空一致夜间灯光遥感数据集;
S5、根据所述历史洪涝淹没范围图像,利用所述时空一致夜间灯光遥感数据集,构建历史洪涝受灾强度夜光指数数据集;
S6、基于所述历史洪涝受灾强度夜光指数数据集,利用广义极值分布的超越概率曲线拟合方法,推求洪涝受灾强度重现期。
可选的,所述S1中,获取研究区内长时序多源卫星遥感影像数据集包括:
对原始长时序多源卫星遥感影像数据进行预处理,获取长时序多源卫星遥感影像数据;
对所述长时序多源卫星遥感影像数据进行影像配准和重采样,统一空间分辨率,获取研究区内所述长时序多源卫星遥感影像数据集。
可选的,所述S2中,获取历史洪涝淹没范围图像包括:
利用水体指数和阈值法对研究区内所述长时序多源卫星遥感影像数据集进行水体提取,获取所述长时序多源卫星遥感影像数据集的水体分类数据;
对比分析同时间所述长时序多源卫星遥感影像数据集的水体分类数据和所述JRC永久水体范围数据,提取所述历史洪涝淹没范围图像;
提取所述历史洪涝淹没范围图像公式为:
Si,j=Pi,j-Qi,j
其中,Si,j为提取洪涝淹没范围图像,Pi,j为水体分类影像,Qi,j为同时期的JRC永久水体范围图像,提取的洪涝淹没范围影像为二值图像,其中洪涝淹没位置的影像值为1,未被洪涝淹没的影像值为0。
可选的,所述S4中,基于所述夜间灯光遥感影像数据,构建时空一致夜间灯光遥感数据集包括:
获取所述研究区内长时序的DMSP-OLS夜间灯光影像数据和NPP-VIIRS夜间灯光影像数据;
利用阈值法对长时序的所述DMSP-OLS夜间灯光影像数据和所述NPP-VIIRS夜间灯光影像数据进行预处理,获取预处理之后的所述DMSP-OLS夜间灯光影像数据和所述NPP-VIIRS夜间灯光影像数据;
基于目标不变法对预处理之后的所述DMSP-OLS夜间灯光影像数据进行校正,基于对数变换对预处理之后的所述NPP-VIIRS夜间灯光影像数据进行校正,获取校正后所述DMSP-OLS夜间灯光影像数据和所述NPP-VIIRS夜间灯光影像数据;
通过拟合回归方程对校正后所述DMSP-OLS夜间灯光影像数据和所述NPP-VIIRS夜间灯光影像数据进行一致性校正,构建所述时空一致夜间灯光遥感数据集。
可选的,基于对数变换对预处理之后的所述NPP-VIIRS夜间灯光影像数据进行校正,公式为:
DNlog=ln(DNNPP+1)
其中,DNlog为对数校正后的影像辐射值,DNNPP为NPP-VIIRS影像的原始辐射值;
通过拟合回归方程对校正后所述DMSP-OLS夜间灯光影像数据和所述NPP-VIIRS夜间灯光影像数据进行一致性校正,公式为:
y=C1+(C2-C1)/(1+10((log x0-x)B))
其中,y为DMSP-OLS和NPP-VIIRS一致性校正后的像元值,x为对数变换后的NPP-VIIRS影像像元值,其中C1,C2,logx0,B为模型参数。
可选的,所述S5中,构建历史洪涝受灾强度夜光指数数据集,包括:
基于所述历史洪涝淹没范围图像,利用所述时空一致夜间灯光遥感数据集,计算研究时期内若干场历史洪涝受灾强度夜光指数;
根据所述历史洪涝淹没范围图像,将若干场所述历史洪涝受灾强度夜光指数进行叠加,构建所述历史洪涝受灾强度夜光指数数据集;
所述历史洪涝受灾强度夜光指数计算公式为:
其中,NTLpre洪涝受灾前夜光强度,NTLpeak洪涝受灾发生时夜光强度。
可选的,所述S6中,基于所述历史洪涝受灾强度夜光指数数据集,利用广义极值分布的超越概率曲线拟合方法,推求所述洪涝受灾强度重现期包括:
对所述历史洪涝受灾强度夜光指数数据集进行分组,获取所述历史洪涝受灾强度夜光指数数据集的年最大洪涝受灾强度夜光指数的超越概率;
基于所述历史洪涝受灾强度夜光指数数据集的年最大洪涝受灾强度夜光指数的超越概率,获得若干年所述历史洪涝受灾强度夜光指数数据集的超越概率函数;
采用广义极值分布模型拟合所述超越概率函数曲线,获得拟合后的超越概率函数;
基于拟合后的所述超越概率函数,计算所述洪涝受灾强度重现期。
可选的,所述历史洪涝受灾强度夜光指数数据集的年最大洪涝受灾强度夜光指数的超越概率,公式为:
EPi=P(X>Xi)=1-Pi
其中EPi表示洪涝受灾强度夜光指数超过Xi的概率,Pi表示第i组的频率,即夜光指数小于Xi的概率,Xi表示第i组的夜光指数。
可选的,所述广义极值分布模型的分布及相应的密度函数,公式为:
其中,μ是位置参数,σ是比例参数,ξ是形状参数。
可选的,基于拟合后的所述超越概率函数,计算所述洪涝受灾强度重现期,公式为:
P(x>u)=1/T=1-GEVξ(u)
P(x>u)表示洪涝受灾强度超过u的概率,T(u)表示洪涝受灾强度为u的重现期,GEVξ(u)为以年为单位的最大洪涝受灾强度的分布函数,表示每年发生最大洪涝受灾强度为u的概率。
本发明技术效果:(1)构建了基于遥感的洪涝受灾强度重现期模型方法,突破了原有洪涝受灾强度重现期难以定量估算的技术瓶颈;(2)采用洪涝淹没范围和夜光灯光强度,提出一种量化流域洪涝受灾强度的遥感计算方法,可以准确客观量化历史流域洪涝灾害受损强度;(3)提出了洪涝受灾强度超越概率曲线拟合方法,能够适用于不同流域尺度洪涝受灾强度重现期快速计算。在洪涝风险量化和洪涝保险费率厘定具有重要的应用潜力。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例一种基于遥感的流域洪涝受灾强度重现期推求方法的流程图;
图2为本发明实施例一种基于遥感的流域洪涝受灾强度重现期推求方法的架构图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
如图1-2所示,本实施例中提供一种基于遥感的流域洪涝受灾强度重现期推求方法,包括:
S1、获取研究区内长时序多源卫星遥感影像数据集和对应年份的JRC永久水体范围数据;
S2、基于所述长时序多源卫星遥感影像数据和所述JRC永久水体范围数据,获取历史洪涝淹没范围图像;
S3、获取与所述历史洪涝淹没范围图像对应时间的夜间灯光遥感影像数据;
S4、基于所述夜间灯光遥感影像数据,构建时空一致夜间灯光遥感数据集;
S5、根据所述历史洪涝淹没范围图像,利用所述时空一致夜间灯光遥感数据集,构建历史洪涝受灾强度夜光指数数据集;
S6、基于所述历史洪涝受灾强度夜光指数数据集,利用广义极值分布的超越概率曲线拟合方法,推求洪涝受灾强度重现期。
利用长时序LANDSAT、MODIS、哨兵1号和哨兵2号卫星等多源卫星遥感数据,开展洪涝淹没范围提取,通过JRC永久水体产品掩膜正常水体范围,提取历史洪涝淹没范围;基于预处理后的时序DMSP-OLS和NPP-VIIRS卫星遥感数据,进行时空校正,合成时空一致夜间灯光遥感数据;结合洪涝淹没范围和夜间灯光遥感数据,构建洪涝受灾夜光强度指数,统计不同流域尺度洪涝灾害受损强度;统计流域尺度受灾强度的频率分布,计算对应的超越概率,采用广义极值分布模型拟合超越概率曲线,确定曲线参数的最优解,从而推求流域洪涝受灾强度重现期。
(一)历史洪涝淹没范围遥感提取
(1)多源数据选择和预处理
获取研究区范围内的时间跨度超过20年的长时序的LANDSAT、MODIS、哨兵2号等光学遥感数据和哨兵1号卫星等雷达数据。
LANDSAT系列、MODIS、哨兵2号等光学遥感数据,包含多个光谱波段,空间分辨率为10米到1000米。影像获取后进行辐射定标、大气校正、波段融合、几何校正等预处理。
哨兵1号等雷达数据获取后进行轨道校正、滤波处理、辐射校正、地形校正、地理编码、影像镶嵌、影像裁剪等预处理。
预处理后的光学遥感数据和雷达数据进行影像配准和重采样统一空间分辨率均为30米,构建研究区范围内的长时序多源遥感数据集。构建的长时序多源遥感数据集,能够获取高频次历史流域洪涝成灾前后的实时卫星遥感数据,为客观准确提取洪涝淹没范围提供数据基础。
(2)结合JRC永久水体产品提取历史洪涝淹没范围
针对预处理后的多源遥感数据集,利用归一化水体指数、归一化植被指数等多种水体指数,采用阈值法,对影像进行二值分类,水体赋值为1,非水体赋值为0。
在Google Earth Engine(GEE)获取研究区范围内相同时间序列的JRC永久水体产品。对比分析同时间的水体分类数据和JRC永久产品数据,提取洪涝淹没范围图像,公式为:
Si,j=Pi,j-Qi,j
其中,Si,j为提取洪涝淹没范围图像,Pi,j为水体分类影像,Qi,j为同时期的JRC永久水体产品图像。提取的洪涝淹没范围影像为二值图像,其中洪涝淹没位置的影像值为1,未被洪涝淹没的影像值为0。
由于JRC永久水体产品精度高,通过分析同时间的水体分类数据和JRC永久产品数据,提取的洪涝淹没范围,剔除正常永久水体范围,能够准确获取洪涝受灾区域。
(二)构建时空一致夜间灯光遥感数据集
不同传感器、不同卫星获取的影像之间存在不连续、不具可比性等问题,限制了夜间灯光数据的应用。收集研究区范围内的长时间序列的DMSP-OLS和NPP-VIIRS卫星夜间灯光数据,进行时空校正,构成时空一致夜间灯光遥感数据集。
(1)时序夜光数据选择和预处理
选择与洪涝淹没范围相同时间的长时序DMSP-OLS和NPP-VIIRS卫星遥感数据。数据下载自美国国家地球物理数据中心(National Geophysical Data Center,NGDC)。
原始夜间灯光数据存在背景噪声以及火山、气体火炬、火灾等短暂性光源,需要进行过滤处理,利用阈值法,选取中国区域内北京、上海和广州市为参考区域,将三个城市的最大辐射值作为阈值,高于三个阈值对应的像素值修改为0,实现夜光数据的预处理。
统一DMSP-OLS和NPP-VIIRS数据的坐标系统,对DMSP-OLS数据进行重采样,空间分辨率统一到1km×1km。
(2)基于目标不变法的DMSP-OLS夜间灯光数据校正
通过对研究区的部分社会经济数据进行统计,选择社会经济发展变化最小的区域为不变目标区域。
选择辐射定标影像作为参考影像,提取参考影像和待校正的影像不变目标区域像元DN值,利用不变目标区域数据,待校正影像分别与参考影像进行最佳函数回归。校正的函数选择二次多项式,公式为:
其中,DNcal为不变目标区域参考影像的像元值,DNi为不变目标区域待校正影像的像元值,a,b和c为二次多顶式回归模型的参数。
利用模型公式和相应的校正参数对待校正影像进行饱和校正。
针对影像不连续性问题,对饱和校正后的影像进行连续性校正,包括多传感器连续性校正和时间序列连续性校正。多传感器连续性校正,公式为:
其中,DN(n,i)为校正后第n个月影像中第i个像元的DN值,和/>为校正前第n个月两个不同传感器第i个像元的DN值。
考虑经济一直处于发展状态,理论上后一时期影像像元的DN值应该不小于前一时期对应像元的DN值,基于此假设,时间序列连续性校正,公式为:
其中DN(n,i)和DN(n-1,i)分别是夜间灯光影像第i个像元在第n和第n-1个月份对应的像元值。
(3)NPP-VIIRS夜间灯光数据的校正
NPP-VIIRS影像中存在高值与低值的范围差异较大的现象,变化模式与DMSP-OLS影像的DN值具有明显差异,为抑制辐射亮度的急剧跳跃及亮度分布更接近于DMSP-OLS,对NPP-VIIRS影像进行如下对数变换,公式为:
DNlog=ln(DNNPP+1)
其中,DNlog为对数校正后的影像辐射值,DNNPP为NPP-VIIRS影像的原始辐射值。
(4)DMSP-OLS和NPP-VIIRS影像一致性校正
选择两颗星重叠月份的影像数据进行拟合分析,通过拟合回归方程,实现利用NPP-VIIRS影像模拟DMSP-OLS影像的操作。拟合回归函数选择DoseResp函数,公式为:
y=C1+(C2-C1)/(1+10((log x0-x)B))
其中,y为DMSP-OLS和NPP-VIIRS一致性校正后的像元值,x为对数变换后的NPP-VIIRS影像像元值,其中C1,C2,logx0,B为模型参数。
经过DMSP-OLS和NPP-VIIRS一致性校正,最终获得时空一致夜间灯光遥感数据。
夜间灯光遥感数据具有长时序、准确客观反映社会经济等综合信息等优势,目前的夜光遥感数据主要有NPP-VIIRS影像和DMSP-OLS影像,其辐射和空间分辨率不一致,构建了一种DoseResp拟合回归函数,获取长时序夜间灯光遥感数据集,为量化流域洪涝受灾强度提供时空一致夜光遥感数据集。
(三)构建历史洪涝受灾强度夜光指数
在研究时期内,针对每次发生流域洪涝情况,根据洪涝淹没范围,计算对应位置的夜光指数(FNLT),代表洪涝受灾强度,公式为:
其中,NTLpre洪涝受灾前夜光强度,NTLpeak洪涝受灾发生时夜光强度。
根据历史洪涝淹范围数据,叠加计算每一场历史洪涝受灾强度夜光指数,形成历史洪涝受灾强度夜光指数数据集{FNLT}N,N为历史洪涝数量。
基于洪涝淹没范围和夜光灯光强度数据,构建历史洪涝受灾强度夜光指数(FNLT),可以准确客观量化历史洪涝灾害受损强度,解决了以往洪涝灾害受损强度统计数据不具有可比性和误差较大的问题。
(四)基于超越概率推求洪涝受灾强度重现期
(1)统计流域尺度洪涝受灾强度频率分布
根据历史洪涝受灾强度夜光指数数据集,首先对夜光指数数据进行区组划分X1,X2,...,Xn,以年为单位,统计每年每组发生的频数N1,N2,...,Nn、频率P1,P2,...,Pn和累计频率Pa1,Pa2,...,Pan。其中频率和累计频率,公式为:
其中,Pi表示第i组的频率,即洪涝受灾强度夜光指数小于Xi的概率。
相应的超越概率,公式为:
EPi=P(X>Xi)=1-Pi
其中EPi表示洪涝受灾强度夜光指数超过Xi的概率,Pi表示第i组的频率,即夜光指数小于Xi的概率,Xi表示第i组的夜光指数。
(2)基于广义极值分布的超越概率曲线拟合
基于步骤(1)统计的洪涝受灾强度夜光指数数据集,对于夜光指数数据X1,X2,...,Xn的分布函数,令Mn=max(X1,X2,...,Xn),因每一年的最大洪涝受灾强度夜光指数不同,为随机变量,分布函数为广义极值分布,记作GEVξ(x,μ,σ),根据步骤(1)可得相应的超越概率函数为1-GEVξ(x,μ,σ),拟合超越概率曲线,就是完成GEVξ(x,μ,σ)的拟合。
广义极值分布及相应的密度函数,公式为:
其中,μ是位置参数,σ是比例参数,ξ是形状参数;
利用极大似然估计法对GEVξ(x,μ,σ)函数分布的参数进行估计,GEVξ(x,μ,σ)的似然函数,公式为:
其中,(x1,x2,...,xn)为由步骤(1)统计年最大洪涝受灾强度夜光指数数据集。由L函数对(μ,σ,ξ)求一阶导数,令对其求解得到GEVξ(x,μ,σ)分布的参数估计值/>同时由参数估计的渐近协方差矩阵PV,可求得各参数置信水平为1-α的置信区间,公式为:
其中,是标准正态分布的分位数。
目前对于重现期最优分布函数拟合多选择离散型Poisson分布或极值I型频率曲线分布,由于流域洪涝灾害损失强度大、频率低和历时长,广义极值分布函数能够准确反映洪涝受灾强度极值分布特性,能够准确模拟流域洪涝受灾强度重现期分布。
(3)洪涝受灾强度重现期的计算
重现期的计算往往转化为出现概率的计算。一般定义随机变量的T年重现水平u,表示统计时间T年发生一次变量水平达到预定值u的时间,即以T年重现水平为高分位数u时,随机变量的年最大值超过u的概率为1/T。根据上述步骤(2)模拟的超越曲线1-GEVξ(u)函数,给定阈值u,公式为:
P(x>u)=1/T=1-GEVξ(u)
因此,可以得到重现期函数,公式为:
P(x>u)表示洪涝受灾强度超过u的概率,T(u)表示洪涝受灾强度为u的重现期,GEVξ(u)为以年为单位的最大洪涝受灾强度的分布函数,表示每年发生最大洪涝受灾强度为u的概率。
同样,求广义极值分布公式 的反函数,依据极大似然估计的不变性,可以估算重现期为T的极值估计为P=1-GEVξ(u)的分位点Xp,公式为:
进一步通过分位数方差的极大似然估值Var(Xp),Xp的置信水平为1-α置信区间
本发明提出的洪涝受灾强度计算方法,能够适用不同尺度和不同灾损强度的流域洪涝重现期快速计算,并且可以通过多源遥感数据动态更新广义极值分布函数,提高洪涝灾害强度重现期计算的精度。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种基于遥感的流域洪涝受灾强度重现期推求方法,其特征在于,包括以下步骤:
S1.获取研究区内长时序多源卫星遥感影像数据集和对应年份的JRC永久水体范围数据;
S2.基于所述长时序多源卫星遥感影像数据和所述JRC永久水体范围数据,获取历史洪涝淹没范围图像;获取历史洪涝淹没范围图像包括:
利用水体指数和阈值法对研究区内所述长时序多源卫星遥感影像数据集进行水体提取,获取所述长时序多源卫星遥感影像数据集的水体分类数据;
对比分析同时间所述长时序多源卫星遥感影像数据集的水体分类数据和所述JRC永久水体范围数据,提取所述历史洪涝淹没范围图像;
S3.获取与所述历史洪涝淹没范围图像对应时间的夜间灯光遥感影像数据;
S4.基于所述夜间灯光遥感影像数据,构建时空一致夜间灯光遥感数据集;基于所述夜间灯光遥感影像数据,构建时空一致夜间灯光遥感数据集包括:
获取所述研究区内长时序的DMSP-OLS夜间灯光影像数据和NPP-VIIRS夜间灯光影像数据;
利用阈值法对长时序的所述DMSP-OLS夜间灯光影像数据和所述NPP-VIIRS夜间灯光影像数据进行预处理,获取预处理之后的所述DMSP-OLS夜间灯光影像数据和所述NPP-VIIRS夜间灯光影像数据;
基于目标不变法对预处理之后的所述DMSP-OLS夜间灯光影像数据进行校正,基于对数变换对预处理之后的所述NPP-VIIRS夜间灯光影像数据进行校正,获取校正后所述DMSP-OLS夜间灯光影像数据和所述NPP-VIIRS夜间灯光影像数据;
通过拟合回归方程对校正后所述DMSP-OLS夜间灯光影像数据和所述NPP-VIIRS夜间灯光影像数据进行一致性校正,构建所述时空一致夜间灯光遥感数据集;
S5.根据所述历史洪涝淹没范围图像,利用所述时空一致夜间灯光遥感数据集,构建历史洪涝受灾强度夜光指数数据集;构建历史洪涝受灾强度夜光指数数据集,包括:
基于所述历史洪涝淹没范围图像,利用所述时空一致夜间灯光遥感数据集,计算研究时期内若干场历史洪涝受灾强度夜光指数;
根据所述历史洪涝淹没范围图像,将若干场所述历史洪涝受灾强度夜光指数进行叠加,构建所述历史洪涝受灾强度夜光指数数据集;
S6.基于所述历史洪涝受灾强度夜光指数数据集,利用广义极值分布的超越概率曲线拟合方法,推求洪涝受灾强度重现期;基于所述历史洪涝受灾强度夜光指数数据集,利用广义极值分布的超越概率曲线拟合方法,推求所述洪涝受灾强度重现期包括:
对所述历史洪涝受灾强度夜光指数数据集进行分组,获取所述历史洪涝受灾强度夜光指数数据集的年最大洪涝受灾强度夜光指数的超越概率;
基于所述历史洪涝受灾强度夜光指数数据集的年最大洪涝受灾强度夜光指数的超越概率,获得若干年所述历史洪涝受灾强度夜光指数数据集的超越概率函数;
采用广义极值分布模型拟合所述超越概率函数曲线,获得拟合后的超越概率函数;
基于拟合后的所述超越概率函数,计算所述洪涝受灾强度重现期。
2.如权利要求1所述的一种基于遥感的流域洪涝受灾强度重现期推求方法,所述S1中,获取研究区内长时序多源卫星遥感影像数据集包括:
对原始长时序多源卫星遥感影像数据进行预处理,获取长时序多源卫星遥感影像数据;
对所述长时序多源卫星遥感影像数据进行影像配准和重采样,统一空间分辨率,获取研究区内所述长时序多源卫星遥感影像数据集。
3.如权利要求1所述的一种基于遥感的流域洪涝受灾强度重现期推求方法,其特征在于,提取所述历史洪涝淹没范围图像公式为:
Si,j=Pi,j-Qi,j
其中,Si,j为提取洪涝淹没范围图像,Pi,j为水体分类影像,Qi,j为同时期的JRC永久水体范围图像,提取的洪涝淹没范围影像为二值图像,其中洪涝淹没位置的影像值为1,未被洪涝淹没的影像值为0。
4.如权利要求1所述的一种基于遥感的流域洪涝受灾强度重现期推求方法,其特征在于,基于对数变换对预处理之后的所述NPP-VIIRS夜间灯光影像数据进行校正,公式为:
DNlog=ln(DNNPP+1)
其中,DNlog为对数校正后的影像辐射值,DNNPP为NPP-VIIRS影像的原始辐射值;
通过拟合回归方程对校正后所述DMSP-OLS夜间灯光影像数据和所述NPP-VIIRS夜间灯光影像数据进行一致性校正,公式为:
y=C1+(C2-C1)/(1+10((log x0-x)B))
其中,y为DMSP-OLS和NPP-VIIRS一致性校正后的像元值,x为对数变换后的NPP-VIIRS影像像元值,其中C1,C2,log x0,B为模型参数。
5.如权利要求1所述的一种基于遥感的流域洪涝受灾强度重现期推求方法,其特征在于,所述历史洪涝受灾强度夜光指数计算公式为:
其中,NTLpre洪涝受灾前夜光强度,NTLpeak洪涝受灾发生时夜光强度。
6.如权利要求1所述的一种基于遥感的流域洪涝受灾强度重现期推求方法,其特征在于,所述历史洪涝受灾强度夜光指数数据集的年最大洪涝受灾强度夜光指数的超越概率,公式为:
EPi=P(X>Xi)=1-Pi
其中EPi表示洪涝受灾强度夜光指数超过Xi的概率,Pi表示第i组的频率,即夜光指数小于Xi的概率,Xi表示第i组的夜光指数。
7.如权利要求1所述的一种基于遥感的流域洪涝受灾强度重现期推求方法,其特征在于,所述广义极值分布模型的分布及相应的密度函数,公式为:
其中,μ是位置参数,σ是比例参数,ξ是形状参数。
8.如权利要求7所述的一种基于遥感的流域洪涝受灾强度重现期推求方法,其特征在于,基于拟合后的所述超越概率函数,计算所述洪涝受灾强度重现期,公式为:
P(x>u)=1/T=1-GEVξ(u)
P(x>u)表示洪涝受灾强度超过u的概率,T(u)表示洪涝受灾强度为u的重现期,GEVξ(u)为以年为单位的最大洪涝受灾强度的分布函数,表示每年发生最大洪涝受灾强度为u的概率。
CN202310118723.0A 2023-02-03 2023-02-03 一种基于遥感的流域洪涝受灾强度重现期推求方法 Active CN116050647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310118723.0A CN116050647B (zh) 2023-02-03 2023-02-03 一种基于遥感的流域洪涝受灾强度重现期推求方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310118723.0A CN116050647B (zh) 2023-02-03 2023-02-03 一种基于遥感的流域洪涝受灾强度重现期推求方法

Publications (2)

Publication Number Publication Date
CN116050647A CN116050647A (zh) 2023-05-02
CN116050647B true CN116050647B (zh) 2023-08-22

Family

ID=86113262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310118723.0A Active CN116050647B (zh) 2023-02-03 2023-02-03 一种基于遥感的流域洪涝受灾强度重现期推求方法

Country Status (1)

Country Link
CN (1) CN116050647B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116957303B (zh) * 2023-09-20 2023-11-28 河海大学 面向洪涝灾害场景的应急响应调度决策方法及系统
CN117372412B (zh) * 2023-11-06 2024-04-02 中国水利水电科学研究院 一种基于夜间灯光遥感的照明设施灾害韧性评估方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463901A (zh) * 2017-08-07 2017-12-12 中国科学院遥感与数字地球研究所 多尺度区域洪涝灾害危险性遥感评估方法和系统
CN110348324A (zh) * 2019-06-20 2019-10-18 武汉大学 一种基于遥感大数据的洪涝实时淹没分析方法及系统
CN111008941A (zh) * 2019-11-29 2020-04-14 中国农业科学院农业资源与农业区划研究所 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法
CN111797131A (zh) * 2020-06-09 2020-10-20 武汉大学 一种基于遥感降水产品的极端降水区域频率分析方法
CN113723849A (zh) * 2021-09-07 2021-11-30 北京师范大学 一种基于时空特征的洪涝事件及风险识别方法与系统
CN115391712A (zh) * 2022-05-18 2022-11-25 河海大学 一种城市洪涝风险预测方法
CN115659816A (zh) * 2022-10-31 2023-01-31 武汉大学 基于孪生模型的城市内涝点预测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110442444B (zh) * 2019-06-18 2021-12-10 中国科学院计算机网络信息中心 一种面向海量遥感影像的并行数据访问方法与系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463901A (zh) * 2017-08-07 2017-12-12 中国科学院遥感与数字地球研究所 多尺度区域洪涝灾害危险性遥感评估方法和系统
CN110348324A (zh) * 2019-06-20 2019-10-18 武汉大学 一种基于遥感大数据的洪涝实时淹没分析方法及系统
CN111008941A (zh) * 2019-11-29 2020-04-14 中国农业科学院农业资源与农业区划研究所 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法
CN111797131A (zh) * 2020-06-09 2020-10-20 武汉大学 一种基于遥感降水产品的极端降水区域频率分析方法
CN113723849A (zh) * 2021-09-07 2021-11-30 北京师范大学 一种基于时空特征的洪涝事件及风险识别方法与系统
CN115391712A (zh) * 2022-05-18 2022-11-25 河海大学 一种城市洪涝风险预测方法
CN115659816A (zh) * 2022-10-31 2023-01-31 武汉大学 基于孪生模型的城市内涝点预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
洪涝灾害遥感即时服务框架与实践;江威;《卫星应用》(第第2期期);54-58 *

Also Published As

Publication number Publication date
CN116050647A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN116050647B (zh) 一种基于遥感的流域洪涝受灾强度重现期推求方法
Huang et al. Discharge estimation in high-mountain regions with improved methods using multisource remote sensing: A case study of the Upper Brahmaputra River
Cao et al. Mapping changes in coastlines and tidal flats in developing islands using the full time series of Landsat images
Deng et al. Error analysis and correction of the daily GSMaP products over Hanjiang River Basin of China
CN111982822B (zh) 一种长时间序列高精度植被指数改进算法
Gomez-Rodriguez et al. Smoke monitoring and measurement using image processing: application to forest fires
CN111784082B (zh) 一种基于大数据的gis山洪预防预警系统
Biard et al. Automated detection of weather fronts using a deep learning neural network
Zhou et al. Retrieving dynamics of the surface water extent in the upper reach of Yellow River
CN113378747B (zh) 一种小麦条锈病遥感预测方法及装置
CN114998213B (zh) 一种基于径流权值模型的湖库群滞洪量计算方法
CN116645789A (zh) 一种基于无人机测绘的土地自然灾害预警管控系统
Ghaderi et al. Detecting shoreline change employing remote sensing images (Case study: Beris Port-east of Chabahar, Iran)
CN110569733B (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
Wei et al. Bias correction of GPM IMERG Early Run daily precipitation product using near real-time CPC global measurements
Anees et al. Estimation of fractional vegetation cover dynamics and its drivers based on multi-sensor data in Dera Ismail Khan, Pakistan
CN114120137B (zh) 一种基于时序植被遥感影像的湿地要素时空演变监测方法
Song et al. Refining and densifying the water inundation area and storage estimates of Poyang Lake by integrating Sentinel-1/2 and bathymetry data
Chen et al. Tide2Topo: A new method for mapping intertidal topography accurately in complex estuaries and bays with time-series Sentinel-2 images
Wang et al. Continuous change detection of flood extents with multisource heterogeneous satellite image time series
CN111583050B (zh) 融合多尺度遥感影像的农作物病虫害预警方法及系统
CN112270675B (zh) 一种基于极化雷达遥感影像的城市内涝区域检测方法
CN109344769A (zh) 一种基于遥感影像的光伏电站检测方法及系统
CN117372629A (zh) 一种基于数字孪生的水库可视化数据监管控制系统及方法
Xue et al. Flood monitoring by integrating normalized difference flood index and probability distribution of water bodies

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