CN116452985A - 地表水监测方法、装置、计算机设备和存储介质 - Google Patents

地表水监测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116452985A
CN116452985A CN202310187504.8A CN202310187504A CN116452985A CN 116452985 A CN116452985 A CN 116452985A CN 202310187504 A CN202310187504 A CN 202310187504A CN 116452985 A CN116452985 A CN 116452985A
Authority
CN
China
Prior art keywords
pixel
water body
target area
type
determining
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
Application number
CN202310187504.8A
Other languages
English (en)
Other versions
CN116452985B (zh
Inventor
李洛祺
龙笛
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202310187504.8A priority Critical patent/CN116452985B/zh
Publication of CN116452985A publication Critical patent/CN116452985A/zh
Application granted granted Critical
Publication of CN116452985B publication Critical patent/CN116452985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请涉及一种地表水监测方法、装置、计算机设备和存储介质。方法包括：获取待监测区域在预设时间段对应的光学卫星影像和合成孔径雷达卫星影像，确定光学卫星影像中的第一目标区域；第一目标区域为光学卫星影像中观测数据的数据量小于等于预设数据量的像元所在的区域；确定合成孔径雷达卫星影像中与第一目标区域对应的第二目标区域中像元对应的水体类型，确定光学卫星影像中的其他区域中像元对应的水体类型，根据第二目标区域中像元对应的水体类型和其他区域中像元对应的水体类型，确定待监测区域在预设时间段对应的地表水监测结果。采用本方法能够提高对待监测区域的地表水信息监测的准确性。

Description

地表水监测方法、装置、计算机设备和存储介质
技术领域
本申请涉及地表水监测技术领域，特别是涉及一种地表水监测方法、装置、计算机设备和存储介质。
背景技术
地表水是对气候变化与人类活动最为敏感的水体存在形式之一，地表水的趋势性变化会影响人类可获取的总水量，地表水的季节性变化会影响人类可获取水资源的地点与时间。地表水的变化受到降水、气温等气象因子的显著影响，也受到煤矿挖掘、超采地下水等人类活动的影响。因此，对于地表水的监测尤为重要。
传统技术中，通过光学卫星对待监测区域的地表水的信息进行监测得到监测结果，但是，由于在待监测区域存在多云雨区域的情况下，可见光波段与近红外波段的电磁波穿透性较差，难以穿透云层被光学卫星接收，因而，使用光学卫星得到的多云雨地区的地表水的监测结果的准确性较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高对待监测区域的地表水信息监测的准确性的地表水监测方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种地表水监测方法。该方法包括：
获取待监测区域在预设时间段对应的光学卫星影像和合成孔径雷达卫星影像；
确定该光学卫星影像中的第一目标区域；该第一目标区域为该光学卫星影像中观测数据的数据量小于等于预设数据量的像元所在的区域；
确定该合成孔径雷达卫星影像中与该第一目标区域对应的第二目标区域中像元对应的水体类型；
确定该光学卫星影像中的其他区域中像元对应的水体类型；该其他区域为该光学卫星影像中除该第一目标区域之外的区域；
根据该第二目标区域中像元对应的水体类型和该其他区域中像元对应的水体类型，确定该待监测区域在该预设时间段对应的地表水监测结果。
在其中一个实施例中，该确定该合成孔径雷达卫星影像中与该第一目标区域对应的第二目标区域中像元对应的水体类型，包括：
获取该第二目标区域中像元对应的后向散射系数；
根据该第二目标区域中像元对应的后向散射系数，确定该第二目标区域中像元对应的水体类型。
在其中一个实施例中，该根据该第二目标区域中像元对应的后向散射系数，确定该第二目标区域中像元对应的水体类型，包括：
若该第二目标区域中像元对应的后向散射系数大于或等于第一预设阈值，则将大于或等于第一预设阈值的后向散射系数的像元对应的水体类型确定为非水体像元类型。
在其中一个实施例中，该方法还包括：
若该第二目标区域中像元对应的后向散射系数小于该第一预设阈值，则获取小于该第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型；
根据小于该第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型，确定小于该第一预设阈值的后向散射系数的像元对应的水体类型。
在其中一个实施例中，该根据小于该第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型，确定该第二目标区域中小于该第一预设阈值的后向散射系数的像元对应的水体类型，包括：
若小于该第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的占比大于第二预设阈值，则确定小于该第一预设阈值的后向散射系数的像元对应的水体类型为水体像元类型；
若小于该第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的占比小于等于该第二预设阈值，则确定小于该第一预设阈值的后向散射系数的像元对应的水体类型为非水体像元类型。
在其中一个实施例中，该确定该光学卫星影像中的其他区域中像元对应的水体类型，包括：
获取该光学卫星影像中第三目标区域中像元在多个历史时间段对应的历史水体类型；该第三目标区域为该其他区域中的积雪覆盖区域和/或山体覆盖区域；
根据该第三目标区域中像元在多个历史时间段对应的历史水体类型，确定该第三目标区域中像元对应的水体类型；
根据第四目标区域中像元对应的各波段的大气顶层反射率、几何判别分析算法，确定该第四目标区域中像元对应的新型水体指数；
根据该第四目标区域中像元对应的新型水体指数，确定该第四目标区域中像元对应的水体类型；该第四目标区域为该其他区域中除该第三目标区域之外的区域。
在其中一个实施例中，该根据该第三目标区域中像元在多个历史时间段对应的历史水体类型，确定该第三目标区域中像元对应的水体类型，包括：
若该第三目标区域中像元对应的历史水体类型中水体像元类型的占比大于第二预设阈值，则确定大于第二预设阈值的占比对应的像元的水体类型为水体像元类型；
若该第三目标区域中像元对应的历史水体类型中水体像元类型的占比小于等于该第二预设阈值，则确定小于等于该第二预设阈值的占比对应的像元的水体类型为非水体像元类型。
在其中一个实施例中，该根据该第四目标区域中像元对应的新型水体指数，确定该第四目标区域中像元对应的水体类型，包括：
若该第四目标区域中像元对应的新型水体指数大于第三预设阈值，则确定该大于第三预设阈值的新型水体指数的像元对应的水体类型为水体像元类型；
若该第四目标区域中像元对应的新型水体指数小于等于该第三预设阈值，则确定小于等于该第三预设阈值的新型水体指数的像元对应的水体类型为非水体像元类型。
第二方面，本申请还提供了一种地表水监测装置。该装置包括：
获取模块，用于获取待监测区域在预设时间段对应的光学卫星影像和合成孔径雷达卫星影像；
第一确定模块，用于确定该光学卫星影像中的第一目标区域；该第一目标区域为该待监测区域中观测数据的数据量小于等于预设数据量的像元所在的区域；
第二确定模块，用于确定该合成孔径雷达卫星影像中与该第一目标区域对应的第二目标区域中像元对应的水体类型；
第三确定模块，用于确定该光学卫星影像中的其他区域中像元对应的水体类型；该其他区域为待监测区域中不包括第一目标区域的区域；
第四确定模块，用于根据该第二目标区域中像元对应的水体类型和该其他区域中像元对应的水体类型，确定该待监测区域在该预设时间段对应的地表水分布信息。
第三方面，本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：
获取待监测区域在预设时间段对应的光学卫星影像和合成孔径雷达卫星影像；
确定该光学卫星影像中的第一目标区域；该第一目标区域为该光学卫星影像中观测数据的数据量小于等于预设数据量的像元所在的区域；
确定该合成孔径雷达卫星影像中与该第一目标区域对应的第二目标区域中像元对应的水体类型；
确定该光学卫星影像中的其他区域中像元对应的水体类型；该其他区域为该光学卫星影像中除该第一目标区域之外的区域；
根据该第二目标区域中像元对应的水体类型和该其他区域中像元对应的水体类型，确定该待监测区域在该预设时间段对应的地表水监测结果。
第四方面，本申请还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取待监测区域在预设时间段对应的光学卫星影像和合成孔径雷达卫星影像；
确定该光学卫星影像中的第一目标区域；该第一目标区域为该光学卫星影像中观测数据的数据量小于等于预设数据量的像元所在的区域；
确定该合成孔径雷达卫星影像中与该第一目标区域对应的第二目标区域中像元对应的水体类型；
确定该光学卫星影像中的其他区域中像元对应的水体类型；该其他区域为该光学卫星影像中除该第一目标区域之外的区域；
根据该第二目标区域中像元对应的水体类型和该其他区域中像元对应的水体类型，确定该待监测区域在该预设时间段对应的地表水监测结果。
第五方面，本申请还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取待监测区域在预设时间段对应的光学卫星影像和合成孔径雷达卫星影像；
确定该光学卫星影像中的第一目标区域；该第一目标区域为该光学卫星影像中观测数据的数据量小于等于预设数据量的像元所在的区域；
确定该合成孔径雷达卫星影像中与该第一目标区域对应的第二目标区域中像元对应的水体类型；
确定该光学卫星影像中的其他区域中像元对应的水体类型；该其他区域为该光学卫星影像中除该第一目标区域之外的区域；
根据该第二目标区域中像元对应的水体类型和该其他区域中像元对应的水体类型，确定该待监测区域在该预设时间段对应的地表水监测结果。
上述地表水监测方法、装置、计算机设备和存储介质，通过获取待监测区域在预设时间段对应的光学卫星影像和合成孔径雷达卫星影像，确定光学卫星影像中的第一目标区域，进而确定合成孔径雷达卫星影像中与第一目标区域对应的第二目标区域中像元对应的水体类型，并确定光学卫星影像中的其他区域中像元对应的水体类型，最后根据第二目标区域中像元对应的水体类型和其他区域中像元对应的水体类型，确定待监测区域在预设时间段对应的地表水监测结果。传统技术中，通过光学卫星对待监测区域的地表水的信息进行监测得到监测结果，但是，由于在待监测区域存在多云雨区域的情况下，可见光波段与近红外波段的电磁波穿透性较差，难以穿透云层被光学卫星接收，因而，使用光学卫星得到的多云雨地区的地表水的监测结果的准确性较低。本申请中，通过将光学卫星影像与合成孔径雷达(Synthetic Aperture Radar，SAR)卫星影像相结合，对待监测区域的地表水的信息进行监测。因为SAR卫星发射并接收到的微波波段穿透力较强，该微波波段可以穿过云层被SAR卫星所接收到。因此，使用SAR卫星可以实现对多云雨区域的地表水的监测。因而，通过将光学卫星影像与SAR卫星影像相结合对待监测区域的地表水的信息进行监测，提高了对待监测区域的地表水信息监测的准确性。
附图说明
图1是本申请实施例提供的计算机设备的内部结构图；
图2是本申请实施例提供的一种地表水监测方法的流程示意图；
图3是本申请实施例提供的第二目标区域中像元对应的水体类型确定方法的流程示意图之一；
图4是本申请实施例提供的第二目标区域中像元对应的水体类型确定方法的流程示意图之二；
图5是本申请实施例提供的第二目标区域中像元对应的水体类型确定方法的流程示意图之三；
图6是本申请实施例提供的一种其他区域中像元对应的水体类型确定方法的流程示意图；
图7是本申请实施例提供的一种第三目标区域中像元对应的水体类型确定方法的流程示意图；
图8是本申请实施例提供的一种第四目标区域中像元对应的水体类型确定方法的流程示意图；
图9是本申请实施例提供的一种地表水监测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的实施例可以应用于如图1所示的计算机设备上，参照图1，图1是本申请实施例中提供的计算机设备的内部结构图。该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种资源伸缩方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，如图2所示，图2是本申请实施例提供的一种地表水监测方法的流程示意图，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S201，获取待监测区域在预设时间段对应的光学卫星影像和合成孔径雷达卫星影像。
其中，光学卫星为反射太阳光成像的卫星，合成孔径雷达卫星为利用合成孔径原理实现高分辨的微波成像的卫星，预设时间段可以是包含当前时间在内的一个当前时间段，或者，预设时间段可以是当前时间之前的一个时间段，预设时间段可以为一个月、一个季度等；
本实施例中，以预设时间段是当前时间之前的一个时间段为例，若当前时间为2022年11月1日，则预设时间段可以为2022年10月份，选取待监测区域在2022年10月份的Landsat 8卫星的影像和Sentinel-2卫星的影像作为光学卫星影像，选取Sentinel-1卫星的影像作为SAR卫星的影像。
获取待监测区域在预设时间段对应的光学卫星影像和合成孔径雷达卫星影像，可以通过以下两种方式实现：
方式一：首先将待监测区域的地图矢量文件导入谷歌地球引擎(Google EarthEngine GEE)，GEE中存储有待监测区域的光学卫星影像和SAR卫星影像，获取待监测区域在预设时间段内的Landsat 8卫星影像、Sentinel-2卫星影像和Sentinel-1卫星影像。将获取到的Landsat 8卫星影像、Sentinel-2卫星影像和Sentinel-1卫星影像作为待监测区域在预设时间段对应的光学卫星影像和合成孔径雷达卫星影像。
方式二：可选地，对于获取到的Landsat 8卫星影像、Sentinel-2卫星影像，可以进行去云处理，即去除掉光学卫星影像中多云雨区域的观测数据。具体地，利用Landsat 8卫星影像文件中自带的QA_PIXEL波段对Landsat 8卫星影像进行去云处理；利用GEE提供的Sentinel-2云概率数据集(Sentinel-2:Cloud Probability)对Sentinel-2卫星影像进行去云处理。将去云处理之后的待监测区域在预设时间段内对应的Landsat 8卫星影像和Sentinel-2卫星影像作为待监测区域在预设时间段内对应的光学卫星影像；将Sentinel-1卫星影像作为待监测区域在预设时间段对应的合成孔径雷达卫星影像。
S202，确定光学卫星影像中的第一目标区域；第一目标区域为光学卫星影像中观测数据的数据量小于等于预设数据量的像元所在的区域。
示例性地，若通过上述方式一得到待监测区域在预设时间段内对应的光学卫星影像，则将光学卫星影像中观测数据的数据量小于等于预设数据量的像元所在的区域作为第一目标区域。
可选地，若通过上述方式二得到待监测区域在预设时间段内对应的光学卫星影像，则将光学卫星影像中经过去云处理的像元对应的区域作为第一目标区域。其中，经过去云处理的区域中像元对应的的观测数据的数据量为0，去云处理的区域中像元对应的的观测数据的数据量小于等于预设数据量。
S203，确定合成孔径雷达卫星影像中与第一目标区域对应的第二目标区域中像元对应的水体类型。
其中，合成孔径雷达卫星影像中各像元的位置与光学卫星影像中的各像元的位置相对应，像元对应的水体类型可以分为水体像元类型和非水体像元类型，属于水体像元类型的像元表示的是该像元对应的区域存在地表水，属于非水体像元类型的像元表示的是该像元对应的区域不存在地表水。
因为光学卫星影像中第一目标区域的观测数据的数据量较少，无法直接利用光学卫星影像对第一目标区域的地表水分布信息进行监测，此时需要根据合成孔径雷达卫星影像与第一目标区域对应的多个历史时间段内对应的历史水体类型，确定第一目标区域的地表水分布信息。示例性地，确定第一目标区域之后，根据合成孔径雷达卫星中的观测数据，确定与第一目标区域对应的第二目标区域中像元对应的水体类型。
S204，确定光学卫星影像中的其他区域中像元对应的水体类型；其他区域为光学卫星影像中除第一目标区域之外的区域。
本实施例中，可以根据其他区域中像元对应的各波段的大气顶层反射率，确定光学卫星影像中的其他区域中像元对应的水体类型。也可以根据其他区域中像元对应的各波段的大气顶层反射率乘以第一预设系数得到的乘积结果，确定光学卫星影像中的其他区域中像元对应的水体类型。
S205，根据第二目标区域中像元对应的水体类型和其他区域中像元对应的水体类型，确定待监测区域在预设时间段对应的地表水监测结果。
待监测区域分为其他区域和第一目标区域，因为第一目标区域与第二目标区域相对应，所以第二目标区域中像元对应的水体类型和第一目标区域对应的水体类型相同，根据第二目标区域中像元对应的水体类型和其他区域中像元对应的水体类型，确定待监测区域在预设时间段内对应的地表水监测结果。
上述地表水监测方法中，通过获取待监测区域在预设时间段对应的光学卫星影像和合成孔径雷达卫星影像，确定光学卫星影像中的第一目标区域，进而确定合成孔径雷达卫星影像中与第一目标区域对应的第二目标区域中像元对应的水体类型，并确定光学卫星影像中的其他区域中像元对应的水体类型，最后根据第二目标区域中像元对应的水体类型和其他区域中像元对应的水体类型，确定待监测区域在预设时间段对应的地表水监测结果。传统技术中，通过光学卫星对待监测区域的地表水的信息进行监测得到监测结果，但是，由于在待监测区域存在多云雨区域的情况下，可见光波段与近红外波段的电磁波穿透性较差，难以穿透云层被光学卫星接收，因而，使用光学卫星得到的多云雨地区的地表水的监测结果的准确性较低。本申请中，通过将光学卫星影像与合成孔径雷达(SyntheticAperture Radar，SAR)卫星影像相结合，对待监测区域的地表水的信息进行监测。因为SAR卫星所接收到的微波波段穿透力较强，该微波波段可以穿过云层被SAR卫星所接收到。因此，使用SAR卫星可以实现对多云雨区域的地表水的监测。因而，通过将光学卫星影像与SAR卫星影像相结合对待监测区域的地表水的信息进行监测，提高了对待监测区域的地表水信息监测的准确性。
图3是本申请实施例提供的第二目标区域中像元对应的水体类型确定方法的流程示意图之一，本实施例涉及的是如何确定合成孔径雷达卫星影像中与第一目标区域对应的第二目标区域中像元对应的水体类型的一种可能的实现方式，在上述实施例的基础上，如图3所示，上述S203包括：
S301，确定第二目标区域中像元对应的后向散射系数。
示例性地，可以直接获取Sentinel-1卫星中像元对应的后向散射系数，也可以先获取Sentinel-1卫星经过垂直-垂直(Vertical-Vertical，VV)极化后的影像，提取Sentinel-1卫星经过VV极化后的影像中第二目标区域的各像元对应的后向散射系数。
S302，根据第二目标区域中像元对应的后向散射系数，确定第二目标区域中像元对应的水体类型。
结合上述举例进行介绍，确定第二目标区域中像元对应的后向散射系数之后，根据期望最大化(Expectation Maximization，E-M)算法和第二目标区域中像元对应的后向散射系数，确定第一预设阈值，具体地，设第二目标区域中像元对应的后向散射系数服从广义高斯分布和广义高斯混合分布，广义高斯分布如公式(1)所示，广义高斯混合分布如公式(2)所示：
其中，x表示第二目标区域中各像元对应的后向散射系数，是一个标量，k表示像元的水体类型，k＝0表示非水体像元类型，k＝1表示水体像元类型，pk(x|θk)表示的是当像元属于第k类时，观测到的该像元的后向散射系数为x的条件概率，θk＝[αk，βk，μk]为广义高斯分布的参数，Γ(·)为伽马函数，p(x)为第二目标区域中各像元的向散射系数为x的概率；Pk为第k类像元在第二目标区域中的所有像元中所占比例，也即在第二目标区域中随机选取一个像元，该像元属于第k类的概率。
由于公式(1)和公式(2)所建立的模型比较复杂，难以直接求得极大似然估计的解析解，此时，需要利用数值优化E-M算法对公式(1)和公式(2)进行求解，首先根据E-M算法对公式(1)和公式(2)进行求解，得到水体像元类型分布函数与非水体像元类型分布函数，进而根据水体像元类型分布函数与非水体像元类型分布函数求得第一预设阈值，最后通过第二目标区域中像元对应的后向散射系数与第一预设阈值进行比较，确定第二目标区域中像元对应的水体类型。
本实施例中，若待监测区域在预设时间段内只有一张合成孔径雷达卫星影像，则直接获取该影像中像元的后向散射系数。若待监测区域在预设时间段内有多张合成孔径雷达卫星影像，则将多张合成孔径雷达卫星影像中像元的后向散射系数的中位数作为待监测区域的合成孔径雷达卫星影像中像元的后向散射系数。
可选地，若待监测区域在预设时间段内有多张合成孔径雷达卫星影像，则将多张合成孔径雷达卫星影像中像元的后向散射系数的平均数作为待监测区域的合成孔径雷达卫星影像中像元的后向散射系数，本实施例在此不作限制。
本申请实施例中，通过确定第二目标区域中像元对应的后向散射系数，根据第二目标区域中像元对应的后向散射系数，确定第二目标区域中像元对应的水体类型。实现了对于多云雨区域的地表水信息的监测，进而提高了对于待监测区域地表水信息的监测的准确性。
在其中一个实施例中，上述S202，根据第二目标区域中像元对应的后向散射系数，确定第二目标区域中像元对应的水体类型，还可以包括以下内容：
若第二目标区域中像元对应的后向散射系数大于或等于第一预设阈值，则将大于或等于第一预设阈值的后向散射系数的像元对应的水体类型确定为非水体像元类型。
结合上述举例进行介绍，非水体像元类型的像元对应的后向散射系数大于水体像元类型的像元对应的后向散射系数，确定第一预设阈值之后，将第二目标区域中像元对应的后向散射系数与第一预设阈值进行比较，若第二目标区域中像元对应的后向散射系数大于或等于第一预设阈值，则将大于或等于第一预设阈值的后向散射系数的像元对应的水体类型确定为非水体像元类型。例如，若第二目标区域中的像元1对应的后向散射系数为0.07，第一预设阈值为0.05，则确定像元1对应的水体类型为非水体像元类型。
本申请实施例中，若第二目标区域中像元对应的后向散射系数大于或等于第一预设阈值，则将大于或等于第一预设阈值的后向散射系数的像元对应的水体类型确定为非水体像元类型，实现了对于多云雨区域地表水信息的监测，进而提高了对于待监测区域地表水信息的监测的准确性。
图4是本申请实施例提供的第二目标区域中像元对应的水体类型确定方法的流程示意图之二，本实施例涉及的是如何根据第二目标区域中像元对应的后向散射系数，确定第二目标区域中像元对应的水体类型的一种可能的实现方式，在上述实施例的基础上，如图4所示，上述方法还包括：
S401，若第二目标区域中像元对应的后向散射系数小于第一预设阈值，则获取小于第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型。
具体地，可用以下公式(3)和公式(4)表示合成孔径雷达卫星中对于第二目标区域各像元的水体类型的判定过程。
其中，为Sentinel-1卫星影像中第二目标区域的像元i的水体类型分类结果，VVi表示的是像元i的后向散射系数，ThresholdVV表示的是第一预设阈值。
若第二目标区域中像元i对应的后向散射系数VVi小于第一预设阈值ThresholdVV，则获取小于第一预设阈值ThresholdVV的后向散射系数VVi的像元i在多个历史时间段内对应的历史水体类型。一个历史时间段的时长与预设时间段的时长相同，例如，预设时间段为2022年11月，则一个历史时间段为一个月。以多个历史时间段包括2022年3月到10月的时间为例，则共包括8个历史时间段。
可选地，小于第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型，可以通过多个历史时间段的光学卫星影像中各像元对应的观测数据计算得到。
S402，根据小于第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型，确定小于第一预设阈值的后向散射系数的像元对应的水体类型。
若小于第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的数量大于第一预设数量，则确定小于第一预设阈值的后向散射系数的像元对应的水体类型为水体像元类型。若小于第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的数量小于等于第一预设数量，则确定小于第一预设阈值的后向散射系数的像元对应的水体类型为非水体像元类型。
例如，可以将第一预设数量设为6次，若像元i在2022年3月到10月期间有7次被判定为水体像元类型，1次被判定为非水体像元类型，则将确定像元i对应的水体类型为水体像元类型。若像元i在2022年3月到10月期间有4次被判定为水体像元类型，4次被判定为非水体像元类型，因为像元i在3月到10月期间对应的水体像元类型的占比小于第二预设阈值6次，则确定像元i的水体类型为非水体像元类型。
本申请实施例中，若第二目标区域中像元对应的后向散射系数小于第一预设阈值，则获取小于第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型，根据小于第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型，确定小于第一预设阈值的后向散射系数的像元对应的水体类型。进而实现了对第二目标区域中像元对应的水体类型的确定。
图5是本申请实施例提供的第二目标区域中像元对应的水体类型确定方法的流程示意图之三。本实施例涉及的是如何根据小于第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型，确定第二目标区域中小于第一预设阈值的后向散射系数的像元对应的水体类型的一种可能的实现方式，在上述实施例的基础上，如图5所示，上述S402包括：
S501，若小于第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的占比大于第二预设阈值，则确定小于第一预设阈值的后向散射系数的像元对应的水体类型为水体像元类型。
S502，若小于第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的占比小于等于第二预设阈值，则确定小于第一预设阈值的后向散射系数的像元对应的水体类型为非水体像元类型。
结合上述举例进行介绍，将第二预设阈值设为50％，若像元i在2022年3月到10月期间有7次被判定为水体像元类型，1次被判定为非水体像元类型，则小于第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的占比为87.5％，大于第二预设阈值50％，此时，确定像元i对应的水体类型为水体像元类型。若像元i在2022年3月到10月期间有3次被判定为水体像元类型，5次被判定为非水体像元类型，因为像元i在3月到10月期间对应的水体像元类型的占比为37.5％，小于第二预设阈值50％，则确定像元i的水体类型为非水体像元类型。
本申请实施例中，若小于第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的占比大于第二预设阈值，则确定小于第一预设阈值的后向散射系数的像元对应的水体类型为水体像元类型。若小于第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的占比小于等于第二预设阈值，则确定小于第一预设阈值的后向散射系数的像元对应的水体类型为非水体像元类型。本实施例通过合成孔径雷达卫星确定第二目标区域的地表水信息，提高了对于待监测区域地表水信息的监测的准确性。
图6是本申请实施例提供的一种其他区域中像元对应的水体类型确定方法的流程示意图，本申请实施例涉及的是如何述确定光学卫星影像中的其他区域中像元对应的水体类型的一种可能的实现方式，在上述实施例的基础上，如图6所示，上述S204包括：
S601，获取光学卫星影像中第三目标区域中像元在多个历史时间段对应的历史水体类型；第三目标区域为其他区域中的积雪覆盖区域和/或山体覆盖区域。
其中，一个历史时间段的时长与预设时间段的时长相同，例如，预设时间段为2022年11月，则一个历史时间段为一个月。以多个历史时间段包括2022年3月到10月的时间为例，则共包括8个历史时间段。
因为待监测区域中的积雪覆盖区域与山体覆盖区域会影响对该区域地表水的监测，所以，需要先在光学卫星影像中确定含有积雪覆盖区域和/或山体覆盖区域的第三目标区域。
可以根据以下方式确定积雪覆盖区域，以Landsat 8卫星的影像和Sentinel-2卫星的影像作为光学卫星影像为例进行介绍，对于积雪覆盖区域，首先，获取Landsat 8卫星影像和Sentinel-2卫星影像中像元的六个波段对应的大气顶层反射率，六个波段分别为：蓝色波段、绿色波段、红色波段、近红外波段、短波近红外波段1和短波近红外波段2；根据各像元对应的各大气顶层反射率确定各像元的归一化差异水体指数与修正归一化差异水体指数。公式(5)表示的是归一化差异水体指数的计算，公式(6)表示的是修正归一化差异水体指数的计算。
其中，NDWI表示归一化差异水体指数，MNDWI表示修正归一化差异水体指数，GREEN表示的是绿色波段的大气顶层反射率，NIR表示的是近红外波段的大气顶层反射率，SWIR1表示的是短波近红外波段1的大气顶层反射率，SWIR2表示的是短波近红外波段2的大气顶层反射率。
本实施例中，若待监测区域的光学卫星影像在预设时间段内只有一帧，则直接获取中像元的同一个波段分别对应的大气顶层反射率，若待监测区域的光学卫星影像在预设时间段内有多帧，则将各光学卫星影像中像元的同一个波段对应的大气顶层反射率的中位数作为待监测区域的光学卫星影像中像元的同一个波段对应的大气顶层反射率。例如，以绿色波段为例，若待监测区域的光学卫星影像在预设时间段内有3张，分别为影像X、Y、Z，影像X中的像元i对应的绿色波段的大气顶层反射率为0.01，影像Y中的像元i对应的绿色波段的大气顶层反射率为0.02，影像Z中的像元i对应的绿色波段的大气顶层反射率为0.03，则将0.02作为像元i对应的绿色波段的大气顶层反射率。
可选地，若待监测区域的光学卫星影像在预设时间段内有多帧，也可以将各光学卫星影像中像元的同一个波段对应的大气顶层反射率的平均数作为待监测区域的光学卫星影像中像元的同一个波段对应的大气顶层反射率，本实施例在此不作限定。
确定归一化差异水体指数与修正归一化差异水体指数之后，根据光学卫星影像中各像元对应的各波段的大气顶层反射率、几何判别分析算法(Geometric LinearDiscrimination Analysis，GLDA)、归一化差异水体指数和修正归一化差异水体指数，确定光学卫星影像中各像元对应的雪水分类指数(Snow Water Extraction Index，SWEI)，雪水分类指数的计算如公式(7)所示：
SWEI＝βTx
β＝[-0.051，-0.463，0.654，-0.083，0.382，-0.401，0.155，-0.146]T
x＝[B，G，R，NIR，SWIR1，SWIR2，NDWI，MNDWI]T (7)
其中，β是利用几何判别分析算法并结合积雪覆盖的光学卫星影像样本进行训练得到的参数，B表示蓝色波段对应的大气顶层反射率，G表示绿色波段对应的大气顶层反射率，R表示红色波段对应的大气顶层反射率，NDWI表示归一化差异水体指数，MNDWI表示修正归一化差异水体指数，GREEN表示的是绿色波段的大气顶层反射率，NIR表示的是近红外波段的大气顶层反射率，SWIR1表示的是短波近红外波段1的大气顶层反射率，SWIR2表示的是短波近红外波段2的大气顶层反射率。
得到光学卫星影像中各像元的雪水分类指数后，将雪水分类指数大于第四预设阈值的像元所在的区域确定为积雪覆盖区域。
对于山体覆盖区域，首先选择与预设时间段最为接近的数字高程模型(DigitalElevation Model，DEM)，利用DEM计算各像元所在区域处的坡度值，将坡度值大于3度的区域确定为山体覆盖区域。最后将积雪覆盖区域和/或山体覆盖区域，确定为第三目标区域，获取光学卫星影像中第三目标区域中像元在多个历史时间段对应的历史水体类型。
S602，根据第三目标区域中像元在多个历史时间段对应的历史水体类型，确定第三目标区域中像元对应的水体类型。
若第三目标区域中像元对应的历史水体类型中水体像元类型的数量大于第二预设数量，则确定大于第二预设数量对应的像元的水体类型为水体像元类型。若第三目标区域中像元对应的历史水体类型中水体像元类型的数量小于等于第二预设数量，则确定小于等于第二预设数量对应的像元的水体类型为非水体像元类型。
结合上述举例进行介绍，将第二预设数量设为6次，若像元j在2022年3月到10月期间有7次被判定为水体像元类型，1次被判定为非水体像元类型，则将确定像元j对应的水体类型为水体像元类型。若像元j在2022年3月到10月期间有4次被判定为水体像元类型，4次被判定为非水体像元类型，因为像元j在3月到10月期间对应的水体像元类型的占比小于第二预设阈值6次，则确定像元j的水体类型为非水体像元类型。
S603，根据第四目标区域中像元对应的各波段的大气顶层反射率、几何判别分析算法，确定第四目标区域中像元对应的新型水体指数。
示例性地，根据以下公式(8)计算新型水体指数(Water Detection Index,WDI)：
WDI＝βTx
β＝[-0.171，0.674，-0.534，-0.252，-0.055，0.358，-0.030，0.207]T
x＝[B，G，R，NIR，SWIR1，SWIR2，NDWI，MNDWI]T (8)
其中β是利用几何判别分析算法并结合光学卫星影像样本进行训练得到的参数，B表示蓝色波段对应的大气顶层反射率，G表示绿色波段对应的大气顶层反射率，R表示红色波段对应的大气顶层反射率，NDWI表示归一化差异水体指数，MNDWI表示修正归一化差异水体指数，GREEN表示的是绿色波段的大气顶层反射率，NIR表示的是近红外波段的大气顶层反射率，SWIR1表示的是短波近红外波段1的大气顶层反射率，SWIR2表示的是短波近红外波段2的大气顶层反射率。
S604，根据第四目标区域中像元对应的新型水体指数，确定第四目标区域中像元对应的水体类型；第四目标区域为其他区域中除第三目标区域之外的区域。
示例性地，可以根据第四目标区域中像元对应的新型水体指数乘以第一预设系数得到的乘积结果，确定第四目标区域中像元对应的水体类型；
本申请实施例中，获取光学卫星影像中第三目标区域中像元在多个历史时间段对应的历史水体类型；第三目标区域为其他区域中的积雪覆盖区域和/或山体覆盖区域，根据第三目标区域中像元在多个历史时间段对应的历史水体类型，确定第三目标区域中像元对应的水体类型；根据第四目标区域中像元对应的各波段的大气顶层反射率、几何判别分析算法，确定第四目标区域中像元对应的新型水体指数，根据第四目标区域中像元对应的新型水体指数，确定第四目标区域中像元对应的水体类型，第四目标区域为其他区域中除第三目标区域之外的区域。本实施例通过对第三目标区域和第四目标区域中像元对应的水体类型的确定，消除了积雪覆盖与山体覆盖对于待监测区域的地表水信息监测的影响，提高了对于待监测区域的地表水信息的监测的准确性。
图7是本申请实施例提供的一种第三目标区域中像元对应的水体类型确定方法的流程示意图，本实施例涉及的是如何根据第三目标区域中像元在多个历史时间段对应的历史水体类型，确定第三目标区域中像元对应的水体类型的一种可能的实现方式，在上述实施例的基础上，如图7所示，上述S602包括：
S701，若第三目标区域中像元对应的历史水体类型中水体像元类型的占比大于第二预设阈值，则确定大于第二预设阈值的占比对应的像元的水体类型为水体像元类型。
S702，若第三目标区域中像元对应的历史水体类型中水体像元类型的占比小于等于第二预设阈值，则确定小于等于第二预设阈值的占比对应的像元的水体类型为非水体像元类型。
结合上述举例进行介绍，将第二预设阈值设为50％，若像元j在2022年3月到10月期间有7次被判定为水体像元类型，1次被判定为非水体像元类型，则像元对应的历史水体类型中水体像元类型的占比为87.5％，大于第二预设阈值50％，此时，将确定像元j对应的水体类型为水体像元类型。若像元j在2022年3月到10月期间有3次被判定为水体像元类型，5次被判定为非水体像元类型，因为像元j在3月到10月期间对应的水体像元类型的占比为37.5％，小于第二预设阈值50％，则确定像元j的水体类型为非水体像元类型。
本申请实施例中，若第三目标区域中像元对应的历史水体类型中水体像元类型的占比大于第二预设阈值，则确定大于第二预设阈值的占比对应的像元的水体类型为水体像元类型，若第三目标区域中像元对应的历史水体类型中水体像元类型的占比小于等于第二预设阈值，则确定小于等于第二预设阈值的占比对应的像元的水体类型为非水体像元类型。本实施例通过对第三目标区域中像元对应的水体类型的确定，消除了积雪覆盖与山体覆盖对于待监测区域的地表水信息监测的影响，提高了对于待监测区域的地表水信息的监测的准确性。
图8是本申请实施例提供的一种第四目标区域中像元对应的水体类型确定方法的流程示意图，本实施例涉及的是如何述根据第四目标区域中像元对应的新型水体指数，确定第四目标区域中像元对应的水体类型的一种可能的实现方式，在上述实施例的基础上，如图8所示，上述S604包括：
S801，若第四目标区域中像元对应的新型水体指数大于第三预设阈值，则确定大于第三预设阈值的新型水体指数的像元对应的水体类型为水体像元类型。
S802，若第四目标区域中像元对应的新型水体指数小于等于第三预设阈值，则确定小于等于第三预设阈值的新型水体指数的像元对应的水体类型为非水体像元类型。
第三预设阈值通过于目视校验得到，本实施例中将第三预设阈值设置为0.06，若光学卫星为一种卫星，则确定大于第三预设阈值的新型水体指数的像元对应的水体类型为水体像元类型，确定小于等于第三预设阈值的新型水体指数的像元对应的水体类型为非水体像元类型。
对于光学卫星为两种及两种以上的卫星，只要有一个光学卫星影像中第四目标区域的像元对应的水体类型为水体像元类型，则确定第四目标区域的像元对应的水体类型为水体像元类型，若所有光学卫星影像中第四目标区域的像元对应的水体类型都为非水体像元类型，则确定第四目标区域的像元对应的水体类型为非水体像元类型。以Landsat 8卫星的影像和Sentinel-2卫星的影像作为光学卫星影像，若Landsat 8卫星影像中第四目标区域的像元i对应的水体类型为水体像元类型，Sentinel-2卫星影像中第四目标区域的像元i对应的水体类型为非水体像元类型，则确定第四目标区域的像元对应的水体类型为水体像元类型；若Landsat 8卫星影像中第四目标区域的像元i对应的水体类型为非水体像元类型，Sentinel-2卫星影像中第四目标区域的像元i对应的水体类型为非水体像元类型，则确定第四目标区域的像元对应的水体类型为非水体像元类型。
本申请实施例中，根据第四目标区域中像元对应的各波段的大气顶层反射率、几何判别分析算法，确定第四目标区域中像元对应的新型水体指数，若第四目标区域中像元对应的新型水体指数大于第三预设阈值，则确定大于第三预设阈值的新型水体指数的像元对应的水体类型为水体像元类型，若第四目标区域中像元对应的新型水体指数小于等于第三预设阈值，则确定小于等于第三预设阈值的新型水体指数的像元对应的水体类型为非水体像元类型。根据第四目标区域中像元对应的新型水体指数，对第四目标区域中像元对应的水体类型进行确定，提高了对于待监测区域的地表水信息的监测的准确性。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的表水监测方法的表水监测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个表水监测装置实施例中的具体限定可以参见上文中对于表水监测方法的限定，在此不再赘述。
在一个实施例中，如图9所示，提供了一种表水监测装置900，包括：获取模块901、第一确定模块902、第二确定模块903、第三确定模块904和第四确定模块905，其中：
获取模块901，用于获取待监测区域在预设时间段对应的光学卫星影像和合成孔径雷达卫星影像；
第一确定模块902，用于确定光学卫星影像中的第一目标区域；第一目标区域为待监测区域中观测数据的数据量小于等于预设数据量的像元所在的区域；
第二确定模块903，用于确定合成孔径雷达卫星影像中与第一目标区域对应的第二目标区域中像元对应的水体类型；
第三确定模块904，用于确定光学卫星影像中的其他区域中像元对应的水体类型；其他区域为待监测区域中不包括第一目标区域的区域；
第四确定模块905，用于根据第二目标区域中像元对应的水体类型和其他区域中像元对应的水体类型，确定待监测区域在预设时间段对应的地表水分布信息。
在其中一个实施例中，第二确定模块903包括：
第一确定单元，用于确定第二目标区域中像元对应的后向散射系数；
第二确定单元，用于根据第二目标区域中像元对应的后向散射系数，确定第二目标区域中像元对应的水体类型。
在其中一个实施例中，第二确定单元具体用于，若第二目标区域中像元对应的后向散射系数大于或等于第一预设阈值，则将大于或等于第一预设阈值的后向散射系数的像元对应的水体类型确定为非水体像元类型。
在其中一个实施例中，第二确定单元具体用于，若第二目标区域中像元对应的后向散射系数小于第一预设阈值，则获取小于第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型，根据小于第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型，确定小于第一预设阈值的后向散射系数的像元对应的水体类型。
在其中一个实施例中，第二确定单元具体用于，若小于第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的占比大于第二预设阈值，则确定小于第一预设阈值的后向散射系数的像元对应的水体类型为水体像元类型，若小于第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的占比小于等于第二预设阈值，则确定小于第一预设阈值的后向散射系数的像元对应的水体类型为非水体像元类型。
在其中一个实施例中，第三确定模块904包括：
获取单元，用于获取光学卫星影像中第三目标区域中像元在多个历史时间段对应的历史水体类型；第三目标区域为其他区域中的积雪覆盖区域和/或山体覆盖区域；
第三确定单元，用于根据第三目标区域中像元在多个历史时间段对应的历史水体类型，确定第三目标区域中像元对应的水体类型；
第四确定单元，用于根据第四目标区域中像元对应的各波段的大气顶层反射率、几何判别分析算法，确定第四目标区域中像元对应的新型水体指数；
第五确定单元，用于根据第四目标区域中像元对应的新型水体指数，确定第四目标区域中像元对应的水体类型；第四目标区域为其他区域中除第三目标区域之外的区域。
在其中一个实施例中，第三确定单元具体用于若第三目标区域中像元对应的历史水体类型中水体像元类型的占比大于第二预设阈值，则确定大于第二预设阈值的占比对应的像元的水体类型为水体像元类型，若第三目标区域中像元对应的历史水体类型中水体像元类型的占比小于等于第二预设阈值，则确定小于等于第二预设阈值的占比对应的像元的水体类型为非水体像元类型。
在其中一个实施例中，第五确定单元具体用于，若第四目标区域中像元对应的新型水体指数大于第三预设阈值，则确定大于第三预设阈值的新型水体指数的像元对应的水体类型为水体像元类型，若第四目标区域中像元对应的新型水体指数小于等于第三预设阈值，则确定小于等于第三预设阈值的新型水体指数的像元对应的水体类型为非水体像元类型。
上述地表水监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待监测区域在预设时间段对应的光学卫星影像和合成孔径雷达卫星影像；
确定光学卫星影像中的第一目标区域；第一目标区域为光学卫星影像中观测数据的数据量小于等于预设数据量的像元所在的区域；
确定合成孔径雷达卫星影像中与第一目标区域对应的第二目标区域中像元对应的水体类型；
确定光学卫星影像中的其他区域中像元对应的水体类型；其他区域为光学卫星影像中除第一目标区域之外的区域；
根据第二目标区域中像元对应的水体类型和其他区域中像元对应的水体类型，确定待监测区域在预设时间段对应的地表水监测结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定第二目标区域中像元对应的后向散射系数；
根据第二目标区域中像元对应的后向散射系数，确定第二目标区域中像元对应的水体类型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
若第二目标区域中像元对应的后向散射系数大于或等于第一预设阈值，则将大于或等于第一预设阈值的后向散射系数的像元对应的水体类型确定为非水体像元类型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
若第二目标区域中像元对应的后向散射系数小于第一预设阈值，则获取小于第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型；
根据小于第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型，确定小于第一预设阈值的后向散射系数的像元对应的水体类型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
若小于第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的占比大于第二预设阈值，则确定小于第一预设阈值的后向散射系数的像元对应的水体类型为水体像元类型；
若小于第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的占比小于等于第二预设阈值，则确定小于第一预设阈值的后向散射系数的像元对应的水体类型为非水体像元类型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取光学卫星影像中第三目标区域中像元在多个历史时间段对应的历史水体类型；第三目标区域为其他区域中的积雪覆盖区域和/或山体覆盖区域；
根据第三目标区域中像元在多个历史时间段对应的历史水体类型，确定第三目标区域中像元对应的水体类型；
根据第四目标区域中像元对应的各波段的大气顶层反射率、几何判别分析算法，确定第四目标区域中像元对应的新型水体指数；
根据第四目标区域中像元对应的新型水体指数，确定第四目标区域中像元对应的水体类型；第四目标区域为其他区域中除第三目标区域之外的区域。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
若第三目标区域中像元对应的历史水体类型中水体像元类型的占比大于第二预设阈值，则确定大于第二预设阈值的占比对应的像元的水体类型为水体像元类型；
若第三目标区域中像元对应的历史水体类型中水体像元类型的占比小于等于第二预设阈值，则确定小于等于第二预设阈值的占比对应的像元的水体类型为非水体像元类型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
若第四目标区域中像元对应的新型水体指数大于第三预设阈值，则确定大于第三预设阈值的新型水体指数的像元对应的水体类型为水体像元类型；
若第四目标区域中像元对应的新型水体指数小于等于第三预设阈值，则确定小于等于第三预设阈值的新型水体指数的像元对应的水体类型为非水体像元类型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待监测区域在预设时间段对应的光学卫星影像和合成孔径雷达卫星影像；
确定光学卫星影像中的第一目标区域；第一目标区域为光学卫星影像中观测数据的数据量小于等于预设数据量的像元所在的区域；
确定合成孔径雷达卫星影像中与第一目标区域对应的第二目标区域中像元对应的水体类型；
确定光学卫星影像中的其他区域中像元对应的水体类型；其他区域为光学卫星影像中除第一目标区域之外的区域；
根据第二目标区域中像元对应的水体类型和其他区域中像元对应的水体类型，确定待监测区域在预设时间段对应的地表水监测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定第二目标区域中像元对应的后向散射系数；
根据第二目标区域中像元对应的后向散射系数，确定第二目标区域中像元对应的水体类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若第二目标区域中像元对应的后向散射系数大于或等于第一预设阈值，则将大于或等于第一预设阈值的后向散射系数的像元对应的水体类型确定为非水体像元类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若第二目标区域中像元对应的后向散射系数小于第一预设阈值，则获取小于第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型；
根据小于第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型，确定小于第一预设阈值的后向散射系数的像元对应的水体类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若小于第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的占比大于第二预设阈值，则确定小于第一预设阈值的后向散射系数的像元对应的水体类型为水体像元类型；
若小于第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的占比小于等于第二预设阈值，则确定小于第一预设阈值的后向散射系数的像元对应的水体类型为非水体像元类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取光学卫星影像中第三目标区域中像元在多个历史时间段对应的历史水体类型；第三目标区域为其他区域中的积雪覆盖区域和/或山体覆盖区域；
根据第三目标区域中像元在多个历史时间段对应的历史水体类型，确定第三目标区域中像元对应的水体类型；
根据第四目标区域中像元对应的各波段的大气顶层反射率、几何判别分析算法，确定第四目标区域中像元对应的新型水体指数；
根据第四目标区域中像元对应的新型水体指数，确定第四目标区域中像元对应的水体类型；第四目标区域为其他区域中除第三目标区域之外的区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若第三目标区域中像元对应的历史水体类型中水体像元类型的占比大于第二预设阈值，则确定大于第二预设阈值的占比对应的像元的水体类型为水体像元类型；
若第三目标区域中像元对应的历史水体类型中水体像元类型的占比小于等于第二预设阈值，则确定小于等于第二预设阈值的占比对应的像元的水体类型为非水体像元类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若第四目标区域中像元对应的新型水体指数大于第三预设阈值，则确定大于第三预设阈值的新型水体指数的像元对应的水体类型为水体像元类型；
若第四目标区域中像元对应的新型水体指数小于等于第三预设阈值，则确定小于等于第三预设阈值的新型水体指数的像元对应的水体类型为非水体像元类型。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取待监测区域在预设时间段对应的光学卫星影像和合成孔径雷达卫星影像；
确定光学卫星影像中的第一目标区域；第一目标区域为光学卫星影像中观测数据的数据量小于等于预设数据量的像元所在的区域；
确定合成孔径雷达卫星影像中与第一目标区域对应的第二目标区域中像元对应的水体类型；
确定光学卫星影像中的其他区域中像元对应的水体类型；其他区域为光学卫星影像中除第一目标区域之外的区域；
根据第二目标区域中像元对应的水体类型和其他区域中像元对应的水体类型，确定待监测区域在预设时间段对应的地表水监测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定第二目标区域中像元对应的后向散射系数；
根据第二目标区域中像元对应的后向散射系数，确定第二目标区域中像元对应的水体类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若第二目标区域中像元对应的后向散射系数大于或等于第一预设阈值，则将大于或等于第一预设阈值的后向散射系数的像元对应的水体类型确定为非水体像元类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若第二目标区域中像元对应的后向散射系数小于第一预设阈值，则获取小于第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型；
根据小于第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型，确定小于第一预设阈值的后向散射系数的像元对应的水体类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若小于第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的占比大于第二预设阈值，则确定小于第一预设阈值的后向散射系数的像元对应的水体类型为水体像元类型；
若小于第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的占比小于等于第二预设阈值，则确定小于第一预设阈值的后向散射系数的像元对应的水体类型为非水体像元类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取光学卫星影像中第三目标区域中像元在多个历史时间段对应的历史水体类型；第三目标区域为其他区域中的积雪覆盖区域和/或山体覆盖区域；
根据第三目标区域中像元在多个历史时间段对应的历史水体类型，确定第三目标区域中像元对应的水体类型；
根据第四目标区域中像元对应的各波段的大气顶层反射率、几何判别分析算法，确定第四目标区域中像元对应的新型水体指数；
根据第四目标区域中像元对应的新型水体指数，确定第四目标区域中像元对应的水体类型；第四目标区域为其他区域中除第三目标区域之外的区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若第三目标区域中像元对应的历史水体类型中水体像元类型的占比大于第二预设阈值，则确定大于第二预设阈值的占比对应的像元的水体类型为水体像元类型；
若第三目标区域中像元对应的历史水体类型中水体像元类型的占比小于等于第二预设阈值，则确定小于等于第二预设阈值的占比对应的像元的水体类型为非水体像元类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若第四目标区域中像元对应的新型水体指数大于第三预设阈值，则确定大于第三预设阈值的新型水体指数的像元对应的水体类型为水体像元类型；
若第四目标区域中像元对应的新型水体指数小于等于第三预设阈值，则确定小于等于第三预设阈值的新型水体指数的像元对应的水体类型为非水体像元类型。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (11)

1.一种地表水监测方法，其特征在于，所述方法包括：
获取待监测区域在预设时间段对应的光学卫星影像和合成孔径雷达卫星影像；
确定所述光学卫星影像中的第一目标区域；所述第一目标区域为所述光学卫星影像中观测数据的数据量小于等于预设数据量的像元所在的区域；
确定所述合成孔径雷达卫星影像中与所述第一目标区域对应的第二目标区域中像元对应的水体类型；
确定所述光学卫星影像中的其他区域中像元对应的水体类型；所述其他区域为所述光学卫星影像中除所述第一目标区域之外的区域；
根据所述第二目标区域中像元对应的水体类型和所述其他区域中像元对应的水体类型，确定所述待监测区域在所述预设时间段对应的地表水监测结果。
2.根据权利要求1所述的方法，其特征在于，所述确定所述合成孔径雷达卫星影像中与所述第一目标区域对应的第二目标区域中像元对应的水体类型，包括：
获取所述第二目标区域中像元对应的后向散射系数；
根据所述第二目标区域中像元对应的后向散射系数，确定所述第二目标区域中像元对应的水体类型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第二目标区域中像元对应的后向散射系数，确定所述第二目标区域中像元对应的水体类型，包括：
若所述第二目标区域中像元对应的后向散射系数大于或等于第一预设阈值，则将大于或等于第一预设阈值的后向散射系数的像元对应的水体类型确定为非水体像元类型。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
若所述第二目标区域中像元对应的后向散射系数小于所述第一预设阈值，则获取小于所述第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型；
根据小于所述第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型，确定小于所述第一预设阈值的后向散射系数的像元对应的水体类型。
5.根据权利要求4所述的方法，其特征在于，所述根据小于所述第一预设阈值的后向散射系数的像元在多个历史时间段内对应的历史水体类型，确定所述第二目标区域中小于所述第一预设阈值的后向散射系数的像元对应的水体类型，包括：
若小于所述第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的占比大于第二预设阈值，则确定小于所述第一预设阈值的后向散射系数的像元对应的水体类型为水体像元类型；
若小于所述第一预设阈值的后向散射系数的像元对应的历史水体类型中水体像元类型的占比小于等于所述第二预设阈值，则确定小于所述第一预设阈值的后向散射系数的像元对应的水体类型为非水体像元类型。
6.根据权利要求1所述的方法，其特征在于，所述确定所述光学卫星影像中的其他区域中像元对应的水体类型，包括：
获取所述光学卫星影像中第三目标区域中像元在多个历史时间段对应的历史水体类型；所述第三目标区域为所述其他区域中的积雪覆盖区域和/或山体覆盖区域；
根据所述第三目标区域中像元在多个历史时间段对应的历史水体类型，确定所述第三目标区域中像元对应的水体类型；
根据第四目标区域中像元对应的各波段的大气顶层反射率、几何判别分析算法，确定所述第四目标区域中像元对应的新型水体指数；
根据所述第四目标区域中像元对应的新型水体指数，确定所述第四目标区域中像元对应的水体类型；所述第四目标区域为所述其他区域中除所述第三目标区域之外的区域。
7.根据权利要求6所述的方法，其特征在于，所述根据所述第三目标区域中像元在多个历史时间段对应的历史水体类型，确定所述第三目标区域中像元对应的水体类型，包括：
若所述第三目标区域中像元对应的历史水体类型中水体像元类型的占比大于第二预设阈值，则确定大于第二预设阈值的占比对应的像元的水体类型为水体像元类型；
若所述第三目标区域中像元对应的历史水体类型中水体像元类型的占比小于等于所述第二预设阈值，则确定小于等于所述第二预设阈值的占比对应的像元的水体类型为非水体像元类型。
8.根据权利要求6所述的方法，其特征在于，所述根据所述第四目标区域中像元对应的新型水体指数，确定所述第四目标区域中像元对应的水体类型，包括：
若所述第四目标区域中像元对应的新型水体指数大于第三预设阈值，则确定所述大于第三预设阈值的新型水体指数的像元对应的水体类型为水体像元类型；
若所述第四目标区域中像元对应的新型水体指数小于等于所述第三预设阈值，则确定小于等于所述第三预设阈值的新型水体指数的像元对应的水体类型为非水体像元类型。
9.一种地表水监测装置，其特征在于，所述装置包括：
获取模块，用于获取待监测区域在预设时间段对应的光学卫星影像和合成孔径雷达卫星影像；
第一确定模块，用于确定所述光学卫星影像中的第一目标区域；所述第一目标区域为所述待监测区域中观测数据的数据量小于等于预设数据量的像元所在的区域；
第二确定模块，用于确定所述合成孔径雷达卫星影像中与所述第一目标区域对应的第二目标区域中像元对应的水体类型；
第三确定模块，用于确定所述光学卫星影像中的其他区域中像元对应的水体类型；所述其他区域为待监测区域中不包括第一目标区域的区域；
第四确定模块，用于根据所述第二目标区域中像元对应的水体类型和所述其他区域中像元对应的水体类型，确定所述待监测区域在所述预设时间段对应的地表水分布信息。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN202310187504.8A 2023-02-21 2023-02-21 地表水监测方法、装置、计算机设备和存储介质 Active CN116452985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310187504.8A CN116452985B (zh) 2023-02-21 2023-02-21 地表水监测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310187504.8A CN116452985B (zh) 2023-02-21 2023-02-21 地表水监测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN116452985A true CN116452985A (zh) 2023-07-18
CN116452985B CN116452985B (zh) 2023-10-31

Family

ID=87119079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310187504.8A Active CN116452985B (zh) 2023-02-21 2023-02-21 地表水监测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116452985B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147746A (zh) * 2019-05-09 2019-08-20 武汉大学 基于Sentinel-2影像快速提取最大和最小可能地表水体范围的方法和系统
CN111767801A (zh) * 2020-06-03 2020-10-13 中国地质大学（武汉） 一种基于深度学习的遥感影像水域自动提取方法及系统
CN113705441A (zh) * 2021-08-27 2021-11-26 中国科学院南京地理与湖泊研究所 协同多光谱和sar影像的高时空分辨率地表水体提取方法
CN114022789A (zh) * 2022-01-10 2022-02-08 成都国星宇航科技有限公司 水体信息提取方法、装置、电子设备及存储介质
CN114021656A (zh) * 2021-11-08 2022-02-08 中国科学院东北地理与农业生态研究所 基于gee云平台和光学与雷达数据融合的水体提取方法
CN114202698A (zh) * 2021-12-15 2022-03-18 南京大学 联合主被动遥感数据的水体精准提取方法
US20220156492A1 (en) * 2020-11-18 2022-05-19 Satsure Analytics India Private Limited System for producing satellite imagery with high-frequency revisits using deep learning to monitor vegetation
CN114821348A (zh) * 2021-01-28 2022-07-29 中国科学院空天信息创新研究院 一种海冰制图方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147746A (zh) * 2019-05-09 2019-08-20 武汉大学 基于Sentinel-2影像快速提取最大和最小可能地表水体范围的方法和系统
CN111767801A (zh) * 2020-06-03 2020-10-13 中国地质大学（武汉） 一种基于深度学习的遥感影像水域自动提取方法及系统
US20220156492A1 (en) * 2020-11-18 2022-05-19 Satsure Analytics India Private Limited System for producing satellite imagery with high-frequency revisits using deep learning to monitor vegetation
CN114821348A (zh) * 2021-01-28 2022-07-29 中国科学院空天信息创新研究院 一种海冰制图方法
CN113705441A (zh) * 2021-08-27 2021-11-26 中国科学院南京地理与湖泊研究所 协同多光谱和sar影像的高时空分辨率地表水体提取方法
CN114021656A (zh) * 2021-11-08 2022-02-08 中国科学院东北地理与农业生态研究所 基于gee云平台和光学与雷达数据融合的水体提取方法
CN114202698A (zh) * 2021-12-15 2022-03-18 南京大学 联合主被动遥感数据的水体精准提取方法
CN114022789A (zh) * 2022-01-10 2022-02-08 成都国星宇航科技有限公司 水体信息提取方法、装置、电子设备及存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHRISTIAN TOTTRUP等: "Surface Water Dynamics from Space: A Round Robin Intercomparison of Using Optical and SAR High-Resolution Satellite Observations for Regional Surface Water Detection", 《REMOTE SENSING》, vol. 14, no. 10, pages 1 - 21 *
LIJUAN ZHU等: "Assessing degradation of lake wetlands in Bashang Plateau, China based on long-term time series Landsat images using wetland degradation index", 《ECOLOGICAL INDICATORS》, vol. 139, pages 1 - 14 *
LUOQI LI等: "High-spatiotemporal-resolution mapping of surface water in China using optical and radar images from Landsat and Sentinel satellites", 《HTTPS://UI.ADSABS.HARVARD.EDU/ABS/2022AGUFM.H41E..06L/ABSTRACT》 *
岩腊等: "基于多源信息的水资源立体监测研究综述", 《遥感学报》, vol. 24, no. 07, pages 787 - 803 *
李辉: "陕西省湿地水体时空演变遥感监测与影响因素解析", 《中国优秀硕士学位论文全文数据库_工程科技Ⅰ辑》, pages 027 - 1884 *
覃巧婷: "基于Sentinel-1和Sentinel-2的漓江流域地表水体动态变化监测研究", 《中国优秀硕士学位论文全文数据库_基础科学辑》, pages 008 - 628 *

Also Published As

Publication number Publication date
CN116452985B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
Guo et al. FSDAF 2.0: Improving the performance of retrieving land cover changes and preserving spatial details
EP3853807B1 (en) Generation of synthetic high-elevation digital images from temporal sequences of high-elevation digital images
Wang et al. Hyperspectral unmixing using double reweighted sparse regression and total variation
Cheng et al. Cloud removal for remotely sensed images by similar pixel replacement guided with a spatio-temporal MRF model
Weiss et al. An effective approach for gap-filling continental scale remotely sensed time-series
CA3104652C (en) Detection and replacement of transient obstructions from high elevation digital images
Ling et al. Super-resolution land-cover mapping using multiple sub-pixel shifted remotely sensed images
Giustarini et al. Accounting for image uncertainty in SAR-based flood mapping
Soja et al. Mapping above-ground biomass in tropical forests with ground-cancelled P-band SAR and limited reference data
Gladkova et al. Quantitative restoration for MODIS band 6 on Aqua
EP3408828B1 (en) Systems and methods for detecting imaged clouds
Xu et al. Spatial and temporal image fusion via regularized spatial unmixing
Cai et al. A comparison of object-based and contextual pixel-based classifications using high and medium spatial resolution images
Yin et al. Mapping urban expansion using night-time light images from Luojia1-01 and International Space Station
US20240061101A1 (en) Retrieval method and apparatus for reservoir water storage
Zhou et al. Dual-branch neural network for sea fog detection in geostationary ocean color imager
CN115587946A (zh) 一种基于多尺度网络的遥感影像去雾方法
Kamarianakis et al. Evaluating remotely sensed rainfall estimates using nonlinear mixed models and geographically weighted regression
CN117409330B (zh) 水生植被识别方法、装置、计算机设备和存储介质
Tamber et al. Accounting for label errors when training a convolutional neural network to estimate sea ice concentration using operational ice charts
Hu et al. Soil moisture retrieval using convolutional neural networks: Application to passive microwave remote sensing
CN114612315A (zh) 一种基于多任务学习的高分辨率影像缺失区域重建方法
Zhang et al. Random cross-observation intensity consistency method for large-scale SAR images mosaics: An example of Gaofen-3 SAR images covering China
Nardelli et al. Evaluation of different covariance models for the operational interpolation of high resolution satellite Sea Surface Temperature data over the Mediterranean Sea
CN116452985B (zh) 地表水监测方法、装置、计算机设备和存储介质

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