CN116305902B - 一种基于多模态遥感的洪涝最大淹没水深空间模拟方法 - Google Patents
一种基于多模态遥感的洪涝最大淹没水深空间模拟方法 Download PDFInfo
- Publication number
- CN116305902B CN116305902B CN202310224414.1A CN202310224414A CN116305902B CN 116305902 B CN116305902 B CN 116305902B CN 202310224414 A CN202310224414 A CN 202310224414A CN 116305902 B CN116305902 B CN 116305902B
- Authority
- CN
- China
- Prior art keywords
- data
- flooding
- flood
- range
- remote sensing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004088 simulation Methods 0.000 title claims abstract description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 100
- 230000008878 coupling Effects 0.000 claims abstract description 19
- 238000010168 coupling process Methods 0.000 claims abstract description 19
- 238000005859 coupling reaction Methods 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000011160 research Methods 0.000 claims description 20
- 230000003287 optical effect Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000011835 investigation Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000006424 Flood reaction Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 210000000746 body region Anatomy 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 abstract description 2
- 230000001970 hydrokinetic effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Computer Hardware Design (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于多模态遥感的洪涝最大淹没水深空间模拟方法,结合多模态卫星遥感、JRC最大水体范围产品、水文水动力耦合模型及高精度DEM等多源数据提取高频次的洪涝淹没边界,通过分位数阈值和高程约束的自然邻点插值法去除高程异常和优化淹没边界,引入高斯低通滤波平滑淹没水深空间数据的噪声,从而实现流域性洪涝最大淹没水深空间模拟,并利用实测数据进行精度验证。本发明耦合多源数据进行洪涝淹没边界校正优化,获得高精度洪涝最大淹没水深网格数据,可靠性高、通用性和推广性强,可以适用于大范围区域洪涝最大淹没水深空间模拟和制图。
Description
技术领域
本发明属于洪涝遥感信息智能挖掘技术领域,具体涉及一种基于多模态遥感的洪涝最大淹没水深空间模拟方法的设计。
背景技术
高精度的洪涝最大淹没水深估算是洪灾损失快速有效评估、灾情快速监测评价的关键技术流程,对应急救援、灾后补偿、重建规划及洪涝保险理赔等具有重要应用价值。卫星遥感可快速监测大面积的洪涝淹没水体信息,但其识别效果受卫星过境时间、遥感数据类型和水体信息提取技术等因素的影响。光学遥感在地表水体观测中已有多年的应用,如Landsat、SPOT、GF-1、MODIS、Sentinel-2等,但光学卫星影像受到云层遮挡的影响,在云雨天气条件下洪涝灾情的快速监测中难以获取高质量的影像数据。雷达遥感相对于光学遥感有其无可替代的优势,对云、冰、雪等具有一定穿透力,具有全天候、全时段的遥感数据获取能力,但是观测精度较光学遥感低,常用的微波雷达卫星遥感数据有RADARSAT、JERS、ENVISAT、HJ1、FY-3、GF-3、Sentinel-1等。近年来,随着光学和雷达等多模态遥感卫星组网观测技术的不断发展,利用多源多模态卫星遥感能够实现洪涝全过程观测,在洪涝监测、预警和评估方面均取得了广泛应用。
通常,利用洪涝淹没范围和数字高程模型(DEM)进行叠加计算,即可获得洪涝的淹没水深,然而利用卫星遥感模拟流域性洪涝最大水深仍存在以下不足:(1)由于洪涝淹没水深实时动态变化,单个卫星遥感的重返时间较长,无法获取洪涝淹没实时过程;(2)卫星遥感提取的洪涝淹没边界存在混合像元噪声,造成水陆边界难以准确分离,获取的洪涝淹没与DEM叠加的高程值误差较大;(3)基于空间插值的洪涝淹没异常值大,导致模拟的洪涝最大淹没水深噪声难以有效抑制,造成估算的误差较大。
发明内容
本发明的目的是为了解决现有利用卫星遥感进行流域性洪涝最大水深计算存在的上述问题,提出了一种基于多模态遥感的洪涝最大淹没水深空间模拟方法,结合多模态卫星遥感、JRC最大水体范围产品、水文水动力耦合模型及高精度DEM等多源数据提取高频次的洪涝淹没边界,通过分位数阈值和高程约束的自然邻点插值法去除高程异常和优化淹没边界,引入高斯低通滤波平滑淹没水深空间数据的噪声,从而实现流域性洪涝最大淹没水深空间模拟。
本发明的技术方案为:一种基于多模态遥感的洪涝最大淹没水深空间模拟方法,包括以下步骤:
S1、采集研究区域的多源数据并进行预处理。
S2、根据预处理后的多源数据,提取研究区域的洪涝淹没范围并进行校正和优化。
S3、根据校正和优化后的洪涝淹没范围,基于数字高程模型数据提取研究区域的洪涝淹没水深。
S4、根据洪涝淹没水深空间网格计算流程,基于时序多模态遥感数据对研究区域进行洪涝最大淹没水深空间模拟和精度验证。
进一步地,步骤S1中的多源数据包括多模态遥感数据、JRC最大水体范围产品数据、水文水动力耦合模型模拟的基础数据和实测洪涝淹没水深数据。
进一步地,多模态遥感数据包括多源雷达影像数据和多源光学影像数据;多源雷达影像数据的预处理包括轨道校正、滤波处理、辐射定标、地形校正、地理编码、图像镶嵌和裁剪;多源光学影像数据的预处理包括辐射定标、大气校正、波段融合、几何校正和图像裁剪。
进一步地,JRC最大水体范围产品数据的预处理方法为:将JRC最大水体范围产品数据与多模态遥感数据进行影像配准,提取得到JRC最大水体范围的边界。
进一步地,水文水动力耦合模型模拟的基础数据包括降雨数据、土地利用数据、地形数据、河网分布数据、建筑物分布数据、河道堤防高程数据、河道断面糙率数据和河道断面形状数据。
进一步地,步骤S2包括以下分步骤:
S21、根据预处理后的多模态遥感数据,利用水体信息增强指数,采用阈值法对多模态遥感影像进行二值分类,水体区域赋值为1,非水体区域赋值为0,形成多模态遥感的洪涝淹没范围。
S22、通过JRC最大水体范围对多模态遥感的洪涝淹没范围进行校正,同时为水体区域赋值为1,非水体区域赋值为0,得到校正后的洪涝淹没范围:
F=|W∩J|
其中F表示校正后的洪涝淹没范围,W表示多模态遥感的洪涝淹没范围,J表示JRC最大水体范围。
S23、基于水文水动力耦合模型优化校正后的洪涝淹没范围,同时为水体区域赋值为1,非水体区域赋值为0,得到优化后的洪涝淹没范围:
Fm=|F∩M|
其中Fm表示优化后的洪涝淹没范围,M表示水文水动力耦合模型模拟的洪涝淹没范围。
进一步地,步骤S3包括以下分步骤:
S31、将研究区域的数字高程模型数据与优化后的洪涝淹没范围进行叠加,得到洪涝淹没范围边界数字高程集合:
其中H表示洪涝淹没范围边界数字高程集合,d(x,y)表示点(,y)的数字高程模型数据,Fm(x,y)=1表示优化后的水体区域。
S32、对洪涝淹没范围边界数字高程集合中的高程点进行从小到大统计排序并去除异常高程点:
其中hi表示第i个高程点的高程值,i=1,2,3…n,n表示洪涝淹没范围边界数字高程集合中的边界像素点总数,[]表示空值,表示排序后第/>个高程点对应的高程值。
S33、采用高程约束的自然邻点插值法对去除异常高程点后的洪涝淹没范围边界数字高程集合进行插值优化,得到平滑的洪涝淹没边界高程值:
其中h(x)表示待插值点x处的高程值,wi表示第i个高程点的权重系数,Si表示待插值点x的Voronoi图被第i个自然邻点的Voronoi图分割的面积,S表示待插值点x的Voronoi图的总面积,m表示待插值点x的自然邻点个数。
S34、针对洪涝淹没范围内的像素点,在包含八个方向的八邻域内,将与中心像素之间的向下梯度最大的矢量作为该像素点的流向矢量。
S35、根据每个像素点的流向矢量计算每个像素点的洪涝深度,得到网格化的洪涝淹没水深空间模拟结果:
ΔH(<i,j>)=hD(<i,j>)-H(<i,j>)
其中ΔH(<i,j>)表示像素点<i,j>的洪涝深度,H(<i,j>)表示像素点<i,j>的数字高程值,hD(<i,j>)表示通过流向矢量与像素点<i,j>连接的洪涝淹没边界像素的高程值。
S36、基于高斯低通滤波算法对网格化的洪涝淹没水深空间模拟结果进行平滑,得到研究区域的洪涝淹没水深:
其中D(x,y)表示高程频率域的原点到淹没水深(x,y)点的距离,σ表示低通滤波的截止频率,Q(x,y)表示研究区域的洪涝淹没水深。
进一步地,步骤S4包括以下分步骤:
S41、基于预处理后的多模态遥感数据,获取时序洪涝淹没水深空间模拟数据Qj(x,y),j=1,2,...,K为时序多源遥感影像获得的洪涝淹没水深模拟数据的时间顺序编码,K为编码总数。
S42、根据时序洪涝淹没水深空间模拟数据Qj(x,y),通过最大值合成计算,得到点(x,y)位置的最大淹没水深:
Qmax(x,y)=max{Q1(x,y),Q2(x,y),...,QK(x,y)}
其中Qmax(x,y)表示点(x,y)位置在监测时期的最大淹没水深。
S43、将Qmax(x,y)与实测洪涝淹没水深数据进行精度验证,当误差小于或等于10%时,输出Qmax(x,y)作为研究区域的洪涝最大淹没水深空间模拟结果。
本发明的有益效果是:
(1)本发明能够通过多源多模态卫星遥感数据快速模拟大范围的洪涝淹没水深空间分布,并且能够消除多种误差,模拟精度高,区域推广性强。
(2)本发明通过多源多模态遥感数据融合,提高了监测洪涝时序数据的时间频次,能够准确模拟洪涝最大淹没水深。
(3)现有多模态卫星遥感影像具有混合像元的特性,洪涝淹没边界容易出现异常值,本发明引入分位数阈值法去除高程异常点,并采用自然邻点插值法优化洪涝淹没边界,计算结果可靠。
(4)本发明引入了高斯低通滤波去除淹没水深异常值,平滑了噪声,能够获取准确的洪涝淹没水深数据。
附图说明
图1所示为本发明实施例提供的一种基于多模态遥感的洪涝最大淹没水深空间模拟方法。
图2所示为本发明实施例提供的一种基于多模态遥感的洪涝最大淹没水深空间模拟结果。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解,附图中示出和描述的实施方式仅仅是示例性的,意在阐释本发明的原理和精神,而并非限制本发明的范围。
本发明实施例提供了一种基于多模态遥感的洪涝最大淹没水深空间模拟方法,如图1所示,包括以下步骤S1~S4:
S1、采集研究区域的多源数据并进行预处理。
本发明实施例中,多源数据包括多模态遥感数据、JRC最大水体范围产品数据、水文水动力耦合模型模拟的基础数据和实测洪涝淹没水深数据。
其中,多模态遥感数据包括多源雷达影像数据和多源光学影像数据。多源雷达影像数据包括哨兵一号、高分三号、RADARSAT等雷达遥感数据,多源光学影像数据包括Landsat、SPOT、GF系列、MODIS、哨兵二号等光学数据。
多源雷达影像数据的预处理包括轨道校正、滤波处理、辐射定标、地形校正、地理编码、图像镶嵌和裁剪;多源光学影像数据的预处理包括辐射定标、大气校正、波段融合、几何校正和图像裁剪。
预处理后的多源雷达影像数据、多源光学影像数据和数字高程模型数据进行影像配准和重采样,空间分辨率统一至30m,构建洪涝灾害多模态遥感数据集。
本发明实施例中,JRC最大水体范围产品数据的预处理方法为:将JRC最大水体范围产品数据与多模态遥感数据进行影像配准,提取得到研究区域JRC最大水体范围的边界。
本发明实施例中,水文水动力耦合模型模拟的基础数据包括降雨数据、土地利用数据、地形数据、河网分布数据、建筑物分布数据、河道堤防高程数据、河道断面糙率数据和河道断面形状数据。
本发明实施例中,收集研究区域同监测时段实测的水位站点观测数据,通过高程转换计算,作为实测洪涝淹没水深数据,验证基于遥感模拟的洪涝淹没水深精度。
S2、根据预处理后的多源数据,提取研究区域的洪涝淹没范围并进行校正和优化。
步骤S2包括以下分步骤S21~S23:
S21、根据预处理后的多模态遥感数据,利用归一化水体指数、归一化植被指数、后向散射系数等水体信息增强指数,采用阈值法对多模态遥感影像进行二值分类,水体区域赋值为1,非水体区域赋值为0,形成多模态遥感的洪涝淹没范围。
S22、通过JRC最大水体范围对多模态遥感的洪涝淹没范围进行校正,同时为水体区域赋值为1,非水体区域赋值为0,得到校正后的洪涝淹没范围:
F=|W∩J|
其中F表示校正后的洪涝淹没范围,W表示多模态遥感的洪涝淹没范围,J表示JRC最大水体范围。
S23、基于水文水动力耦合模型优化校正后的洪涝淹没范围,同时为水体区域赋值为1,非水体区域赋值为0,得到优化后的洪涝淹没范围:
Fm=|F∩M|
其中Fm表示优化后的洪涝淹没范围,M表示水文水动力耦合模型模拟的洪涝淹没范围。
由于遥感的混合像元影响,校正后的洪涝淹没范围存在空间不连续现象,为了进一步精确洪涝淹没范围,本发明实施例中应用水文水动力耦合模型求得的洪涝淹没范围与校正后的洪涝淹没范围进行叠加,有助于提高洪涝淹没范围的精度。
水文水动力耦合模型采用二维浅水控制方程,二维浅水控制方程的水流连续方程和动量方程具体为:
其中h为水深(m),z为水位(m),即底高程z0与h的加和,q为源项,u、v分别为x、y方向上的流速(m/s),n为糙率(s·m-1/3),g为重力加速度,取值为9.81m/s2,t为时间。
将采集的基础数据作为水文水动力耦合模型的输入数据,通过MIKE软件对上述水文水动力耦合模型进行构建,设置时间步长,进行洪涝淹没过程模拟,即可得到水文水动力耦合模型模拟的洪涝淹没范围M。
S3、根据校正和优化后的洪涝淹没范围,基于数字高程模型数据提取研究区域的洪涝淹没水深。
步骤S3包括以下分步骤S31~S36:
S31、将研究区域的数字高程模型数据与优化后的洪涝淹没范围进行叠加,得到洪涝淹没范围边界数字高程集合:
其中H表示洪涝淹没范围边界数字高程集合,d(x,y)表示点(,y)的数字高程模型数据,Fm(x,y)=1表示优化后的水体区域。
S32、对洪涝淹没范围边界数字高程集合中的高程点进行从小到大统计排序并去除异常高程点:
其中hi表示第i个高程点的高程值,i=1,2,3…n,n表示洪涝淹没范围边界数字高程集合中的边界像素点总数,[]表示空值,表示排序后第/>个高程点对应的高程值。
本发明实施例中,针对遥感数据混合像元特性,提取的洪涝边界高程点具有离散性,因此基于连通水体水面差有限原则,对洪涝淹没边界数字高程集合H中的高程点进行统计并排序以剔除误差点,使洪涝淹没边界更为平滑。洪涝淹没范围边界数字高程值从小到大依次为h1,h2,h3,…,hi,…hn,以第个高程点对应的高程值为阈值,对洪涝边界做进一步优化,去除异常高程点。
S33、采用高程约束的自然邻点插值法对去除异常高程点后的洪涝淹没范围边界数字高程集合进行插值优化,得到平滑的洪涝淹没边界高程值:
其中h(x)表示待插值点x处的高程值,wi表示第i个高程点的权重系数,Si表示待插值点x的Voronoi图被第i个自然邻点的Voronoi图分割的面积,S表示待插值点x的Voronoi图的总面积,m表示待插值点x的自然邻点个数,本发明实施例中m取值为6。
本发明实施例中,高程约束的自然邻点插值方法基于Delaunay三角形网格和Voronoi图的基础上进行高程空间插值,连接像素点所有三角形网格的外心,就能得到Voronoi图。
采用洪涝淹没边界高程点异常值处理和自然邻点插值可去除淹没高程异常点,获得较为平滑的洪涝淹没边界高程值。
S34、针对洪涝淹没范围内的像素点,在包含八个方向的八邻域内,将与中心像素之间的向下梯度最大的矢量作为该像素点的流向矢量。
S35、根据每个像素点的流向矢量计算每个像素点的洪涝深度,得到网格化的洪涝淹没水深空间模拟结果:
ΔH(<i,j>)=hD(<i,j>)-(<i,j>)
其中ΔH(<i,j>)表示像素点<i,j>的洪涝深度,H(<i,j>)表示像素点<i,j>的数字高程值,hD(<i,j>)表示通过流向矢量与像素点<i,j>连接的洪涝淹没边界像素的高程值。
S36、基于高斯低通滤波算法对网格化的洪涝淹没水深空间模拟结果进行平滑,得到研究区域的洪涝淹没水深:
其中D(x,y)表示高程频率域的原点到淹没水深(x,y)点的距离,σ表示低通滤波的截止频率,用于衡量高斯曲线的广度,Q(x,y)表示研究区域的洪涝淹没水深。
本发明实施例中,由于水面曲率和波动,造成洪涝淹没水深存在较明显的空间噪声,利用高斯低通滤波算法对上述洪涝淹没水深空间模拟数据进行滤波,去除随机噪声、周期性噪声,平滑洪涝淹没水深空间分布。
S4、根据洪涝淹没水深空间网格计算流程,基于时序多模态遥感数据对研究区域进行洪涝最大淹没水深空间模拟和精度验证。
步骤S4包括以下分步骤S41~S43:
S41、基于预处理后的多模态遥感数据,获取时序洪涝淹没水深空间模拟数据Qj(x,y),j=1,2,...,K为时序多源遥感影像获得的洪涝淹没水深模拟数据的时间顺序编码,K为编码总数。
S42、根据时序洪涝淹没水深空间模拟数据Qj(x,y),通过最大值合成计算,得到点(x,y)位置的最大淹没水深:
Qmax(x,y)=max{Q1(x,y),Q2(x,y),...,QK(x,y)}
其中Qmax(x,y)表示点(x,y)位置在监测时期的最大淹没水深。
S43、将Qmax(x,y)与实测洪涝淹没水深数据进行精度验证,当误差小于或等于10%时,输出Qmax(x,y)作为研究区域的洪涝最大淹没水深空间模拟结果。
本发明实施例中,基于多模态遥感的洪涝最大淹没水深空间模拟结果如图2所示。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.一种基于多模态遥感的洪涝最大淹没水深空间模拟方法,其特征在于,包括以下步骤:
S1、采集研究区域的多源数据并进行预处理;
S2、根据预处理后的多源数据,提取研究区域的洪涝淹没范围并进行校正和优化;
S3、根据校正和优化后的洪涝淹没范围,基于数字高程模型数据提取研究区域的洪涝淹没水深;
S4、根据洪涝淹没水深空间网格计算流程,基于时序多模态遥感数据对研究区域进行洪涝最大淹没水深空间模拟和精度验证;
所述步骤S1中的多源数据包括多模态遥感数据、JRC最大水体范围产品数据、水文水动力耦合模型模拟的基础数据和实测洪涝淹没水深数据;
所述多模态遥感数据包括多源雷达影像数据和多源光学影像数据;
所述多源雷达影像数据的预处理包括轨道校正、滤波处理、辐射定标、地形校正、地理编码、图像镶嵌和裁剪;
所述多源光学影像数据的预处理包括辐射定标、大气校正、波段融合、几何校正和图像裁剪;
所述JRC最大水体范围产品数据的预处理方法为:将JRC最大水体范围产品数据与多模态遥感数据进行影像配准,提取得到JRC最大水体范围的边界;
所述水文水动力耦合模型模拟的基础数据包括降雨数据、土地利用数据、地形数据、河网分布数据、建筑物分布数据、河道堤防高程数据、河道断面糙率数据和河道断面形状数据;
所述步骤S2包括以下分步骤:
S21、根据预处理后的多模态遥感数据,利用水体信息增强指数,采用阈值法对多模态遥感影像进行二值分类,水体区域赋值为1,非水体区域赋值为0,形成多模态遥感的洪涝淹没范围;
S22、通过JRC最大水体范围对多模态遥感的洪涝淹没范围进行校正,同时为水体区域赋值为1,非水体区域赋值为0,得到校正后的洪涝淹没范围:
F=|W∩J|
其中F表示校正后的洪涝淹没范围,W表示多模态遥感的洪涝淹没范围,J表示JRC最大水体范围;
S23、基于水文水动力耦合模型优化校正后的洪涝淹没范围,同时为水体区域赋值为1,非水体区域赋值为0,得到优化后的洪涝淹没范围:
Fm=|F∩M|
其中Fm表示优化后的洪涝淹没范围,M表示水文水动力耦合模型模拟的洪涝淹没范围;
所述步骤S3包括以下分步骤:
S31、将研究区域的数字高程模型数据与优化后的洪涝淹没范围进行叠加,得到洪涝淹没范围边界数字高程集合:
其中H表示洪涝淹没范围边界数字高程集合,d(x,y)表示点(x,y)的数字高程模型数据,Fm(x,y)=1表示优化后的水体区域;
S32、对洪涝淹没范围边界数字高程集合中的高程点进行从小到大统计排序并去除异常高程点:
其中hi表示第i个高程点的高程值,i=1,2,3…n,n表示洪涝淹没范围边界数字高程集合中的边界像素点总数,[]表示空值,表示排序后第/>个高程点对应的高程值;
S33、采用高程约束的自然邻点插值法对去除异常高程点后的洪涝淹没范围边界数字高程集合进行插值优化,得到平滑的洪涝淹没边界高程值:
其中h(x)表示待插值点x处的高程值,wi表示第i个高程点的权重系数,Si表示待插值点x的Voronoi图被第i个自然邻点的Voronoi图分割的面积,S表示待插值点x的Voronoi图的总面积,m表示待插值点x的自然邻点个数;
S34、针对洪涝淹没范围内的像素点,在包含八个方向的八邻域内,将与中心像素之间的向下梯度最大的矢量作为该像素点的流向矢量;
S35、根据每个像素点的流向矢量计算每个像素点的洪涝深度,得到网格化的洪涝淹没水深空间模拟结果:
ΔH(<i,j>)=hD(<i,j>)-H(<i,j>)
其中ΔH(<i,j>)表示像素点<i,j>的洪涝深度,H(<i,j>)表示像素点<i,j>的数字高程值,hD(<i,j>)表示通过流向矢量与像素点<i,j>连接的洪涝淹没边界像素的高程值;
S36、基于高斯低通滤波算法对网格化的洪涝淹没水深空间模拟结果进行平滑,得到研究区域的洪涝淹没水深:
其中D(x,y)表示高程频率域的原点到淹没水深(x,y)点的距离,σ表示低通滤波的截止频率,Q(x,y)表示研究区域的洪涝淹没水深;
所述步骤S4包括以下分步骤:
S41、基于预处理后的多模态遥感数据,获取时序洪涝淹没水深空间模拟数据Qj(x,y),j=1,2,…,K为时序多源遥感影像获得的洪涝淹没水深模拟数据的时间顺序编码,K为编码总数;
S42、根据时序洪涝淹没水深空间模拟数据Qj(x,y),通过最大值合成计算,得到点(x,y)位置的最大淹没水深:
Qmax(x,y)=max{Q1(x,y),Q2(x,y),…,QK(x,y)}
其中Qmax(x,y)表示点(x,y)位置在监测时期的最大淹没水深;
S43、将Qmax(x,y)与实测洪涝淹没水深数据进行精度验证,当误差小于或等于10%时,输出Qmax(x,y)作为研究区域的洪涝最大淹没水深空间模拟结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310224414.1A CN116305902B (zh) | 2023-03-09 | 2023-03-09 | 一种基于多模态遥感的洪涝最大淹没水深空间模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310224414.1A CN116305902B (zh) | 2023-03-09 | 2023-03-09 | 一种基于多模态遥感的洪涝最大淹没水深空间模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116305902A CN116305902A (zh) | 2023-06-23 |
CN116305902B true CN116305902B (zh) | 2023-09-19 |
Family
ID=86830032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310224414.1A Active CN116305902B (zh) | 2023-03-09 | 2023-03-09 | 一种基于多模态遥感的洪涝最大淹没水深空间模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116305902B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036222B (zh) * | 2023-08-18 | 2024-04-19 | 广东省水利水电科学研究院 | 融合多尺度极化sar图像的水体检测方法、装置及介质 |
CN117152561B (zh) * | 2023-09-08 | 2024-03-19 | 中国水利水电科学研究院 | 一种洪涝灾害重置成本遥感样本集构建及更新方法 |
CN117114371B (zh) * | 2023-10-24 | 2024-02-13 | 山东锋士信息技术有限公司 | 一种基于卫星遥感的现代水网防汛监测与调度方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844709A (zh) * | 2016-03-25 | 2016-08-10 | 中国水利水电科学研究院 | 复杂河道地形流域洪水演进虚拟仿真的淹没线追踪方法 |
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 |
CN112099016A (zh) * | 2020-11-09 | 2020-12-18 | 中国水利水电科学研究院 | 一种天地协同的洪涝灾情应急监测系统和方法 |
CN112381285A (zh) * | 2020-11-12 | 2021-02-19 | 中国科学院空天信息创新研究院 | 一种基于遥感的洪涝淹没预测方法 |
CN115620162A (zh) * | 2022-10-26 | 2023-01-17 | 浙江大学 | 一种基于决策级数据融合的洪涝淹没区域提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3114428A1 (en) * | 2018-09-28 | 2020-04-02 | Aquanty Inc. | Method and system of real-time simulation and forecasting in a fully-integrated hydrologic environment |
US11907819B2 (en) * | 2019-11-20 | 2024-02-20 | University Of Connecticut | Systems and methods to generate high resolution flood maps in near real time |
-
2023
- 2023-03-09 CN CN202310224414.1A patent/CN116305902B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844709A (zh) * | 2016-03-25 | 2016-08-10 | 中国水利水电科学研究院 | 复杂河道地形流域洪水演进虚拟仿真的淹没线追踪方法 |
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 |
CN112099016A (zh) * | 2020-11-09 | 2020-12-18 | 中国水利水电科学研究院 | 一种天地协同的洪涝灾情应急监测系统和方法 |
CN112381285A (zh) * | 2020-11-12 | 2021-02-19 | 中国科学院空天信息创新研究院 | 一种基于遥感的洪涝淹没预测方法 |
CN115620162A (zh) * | 2022-10-26 | 2023-01-17 | 浙江大学 | 一种基于决策级数据融合的洪涝淹没区域提取方法 |
Non-Patent Citations (1)
Title |
---|
基于水平集的洪涝淹没范围时空模拟方法;张连翀等;国土资源遥感(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116305902A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116305902B (zh) | 一种基于多模态遥感的洪涝最大淹没水深空间模拟方法 | |
CN111008941A (zh) | 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 | |
Papasaika et al. | Fusion of digital elevation models using sparse representations | |
CN110427857A (zh) | 一种基于遥感数据融合的输电线路地质灾害分析方法 | |
CN111710027B (zh) | 一种隧道三维几何重建方法 | |
CN111951392A (zh) | 一种基于时间序列遥感影像和水位监测数据的洲滩枯水位以上地形重建方法 | |
CN113222283A (zh) | 一种基于数字孪生的山洪预报预警方法及系统 | |
CN112113545B (zh) | 一种基于多维海面信息的内波振幅反演方法 | |
Vetter et al. | Estimating changes of riverine landscapes and riverbeds by using airborne LiDAR data and river cross-sections | |
CN112509134A (zh) | 一种潮滩数字高程模型构建方法及系统 | |
CN114463644A (zh) | 河流流量遥感监测方法及装置 | |
CN115980745A (zh) | 地下开采沉陷区智能识别方法、装置、电子设备及存储介质 | |
Pfeifer et al. | LiDAR data filtering and digital terrain model generation | |
CN117423002B (zh) | 一种基于dem的小尺度潮滩图像处理方法 | |
CN113834547B (zh) | 一种河流虚拟站水位时序重建方法及系统 | |
Barrile et al. | Analysis of hydraulic risk territories: comparison between LIDAR and other different techniques for 3D modeling | |
Feng et al. | A hierarchical network densification approach for reconstruction of historical ice velocity fields in East Antarctica | |
CN103886582A (zh) | 一种利用特征点Voronoi图优选的星载合成孔径干涉雷达影像配准方法 | |
Papaioannou et al. | The effect of riverine terrain spatial resolution on flood modeling and mapping | |
Athanasiou et al. | Global Coastal Characteristics (GCC): A global dataset of geophysical, hydrodynamic, and socioeconomic coastal indicators | |
Bacalhau et al. | Bathymetry of reservoirs using altimetric data associated to optical images | |
CN116068511B (zh) | 一种基于深度学习的InSAR大尺度系统误差改正方法 | |
CN113516764B (zh) | 基于数字高程模型的湖库水下三维地形模拟方法及装置 | |
Van Liem et al. | Assessment of shoreline changes for setback zone establishment from Son Tra (Da Nang city) to Cua Dai (Hoi An city), Vietnam | |
Wang et al. | Deriving natural coastlines using multiple satellite remote sensing 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |