CN116563610A - 基于地表流水物理模拟的高原山区易覆冰微地形识别方法 - Google Patents
基于地表流水物理模拟的高原山区易覆冰微地形识别方法 Download PDFInfo
- Publication number
- CN116563610A CN116563610A CN202310392672.0A CN202310392672A CN116563610A CN 116563610 A CN116563610 A CN 116563610A CN 202310392672 A CN202310392672 A CN 202310392672A CN 116563610 A CN116563610 A CN 116563610A
- Authority
- CN
- China
- Prior art keywords
- topography
- micro
- ice
- plateau
- area
- 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 193
- 238000012876 topography Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004088 simulation Methods 0.000 title claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 7
- 238000000638 solvent extraction Methods 0.000 claims abstract description 3
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 18
- 238000009825 accumulation Methods 0.000 claims description 17
- 230000001174 ascending effect Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 210000003323 beak Anatomy 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 description 14
- 238000012795 verification Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000011248 coating agent Substances 0.000 description 4
- 238000000576 coating method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
Classifications
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于地表流水物理模拟的高原山区易覆冰微地形识别方法,包括收集高原山区数字高程模型DEM及相关信息集;将所需识别的区域进行分区,提取和形成高原山区山脊、山谷地形特征信息集;提取和形成高原山区垭口微地形特征信息集;提取和形成高原山区迎风坡和背风坡地形特征信息集;提取和形成高原山区水汽上行区、山脊水汽区、山谷水汽区、垭口水汽区地形特征信息集;抽取需要分类区域的典型场景,对易覆冰微地形分类精度验证,通过精准率、召回率指标和计算F1S,完成易覆冰微地形分类;通过设定高原山区易覆冰区域的微地形识别精度阈值,对易覆冰区域的微地形识别不满足识别精度要求时及时进行修正,提升分类地形识别精度。
Description
技术领域
本发明涉及电网防灾减灾领域,特别是基于地表流水物理模拟的高原山区易覆冰微地形识别方法。
背景技术
局部地区的微小地形特征会导致在小范围内气象特征产生综合巨变,使得该地点某些气象因子特别增强,覆冰量级发生突变,从而可能危及输电线路安全运行,这样的地点称为易覆冰微地形。微地形是相对较小的局部范围内地势高低起伏的变化形态,包括迎风坡、风口、垭口、峡谷、分水岭、山脊、湖泊、江河、背风坡、林带等范围相对较小的局部地形。
目前研究发现易覆冰微地形对高原山区覆冰影响较大,并试图从气象、地形等方面着手进行分析,由于微地形对局部气候影响的存在,使得部分地区,即使在同一山体的同一高度位置,不同地理形态都会出现较大的覆冰差异,尤其是高原山区复杂的地理气候特征,使得对微地形的准确识别更是难上加难。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有的基于地表流水物理模拟的高原山区易覆冰微地形识别方法中存在的问题,提出了本发明。
因此,本发明所要解决的问题在于如何提供基于地表流水物理模拟的高原山区易覆冰微地形识别方法。
为解决上述技术问题,本发明提供如下技术方案:基于地表流水物理模拟的高原山区易覆冰微地形识别方法,其包括,收集高原山区数字高程模型DEM及相关信息集;将所需识别的区域进行分区,提取和形成高原山区山脊、山谷地形特征信息集;提取和形成高原山区垭口微地形特征信息集;提取和形成高原山区迎风坡和背风坡地形特征信息集;提取和形成高原山区水汽上行区、山脊水汽区、山谷水汽区、垭口水汽区地形特征信息集;抽取需要分类区域的典型场景,对易覆冰微地形分类精度验证,通过精准率和召回率指标,计算F1S,完成易覆冰微地形分类。
作为本发明所述基于地表流水物理模拟的高原山区易覆冰微地形识别方法的一种优选方案,其中:数字高程模型DEM采用SRTM数据,每经纬度方格提供一个文件,精度有1角秒和3角秒两种,称作SRTM1和SRTM3,分别对应的精度为30米和90米分辨率数据。
作为本发明所述基于地表流水物理模拟的高原山区易覆冰微地形识别方法的一种优选方案,其中:提取和形成高原山区山脊、山谷地形特征信息集的步骤如下:采用邻域分析对高原山区区域进行DEM正、负地形的提取;计算汇流累计量;进行山脊地形提取并矢量化;对山脊区提取结果进行分析;通过利用反地形DEM提取山脊区的思想来提取山谷地形并矢量化处理。
作为本发明所述基于地表流水物理模拟的高原山区易覆冰微地形识别方法的一种优选方案,其中:提取和形成高原山区迎风坡和背风坡地形特征信息集的过程为:所述计算汇流累计量的步骤为:对DEM进行洼地填充;以无洼地DEM作为输入,采用D8流向算法对其进行水流方向计算,得到水流方向矩阵;以水流方向数据作为输入数据,以区域的水流方向为基础数据,依次计算每一格网点处的水量值,求得区域的汇流累积量结果,并对汇流累积量数据进行栅格分析,提取汇流累积量值为0的栅格单元作为概略山脊区;首次提取的汇流累积量零值对其邻域分析以去噪,并利用重分类方法将邻域分析结果进行二值化处理,得到粗略的山脊地形提取结果。
作为本发明所述基于地表流水物理模拟的高原山区易覆冰微地形识别方法的一种优选方案,其中:提取和形成高原山区迎风坡和背风坡地形特征信息集的过程为:提取每个待识别的山坡单元,循环计算每个山坡单元的坡向,并将山坡单元划分为迎风坡和背风坡,坡度计算采用拟合曲面法,拟合曲面采用二次曲面,即3×3的窗口,每个窗口的中心为一个高程点,其中,中心点e的坡度和坡向的计算公式如下:
Aspect=Slopesn/Slopewe
其中,Slope为坡度,Aspect为坡向,Slopewe为X方向的坡度,Slopesn为Y方向的坡度;Slopewe、Slopesn的计算可以采用如下方法计算:
其中,上式中的Cellsize为格网DEM的间隔长度,Slopewe为X方向的坡度,Slopesn为Y方向的坡度,e1~e8分别为3×3每个像元素的高程值。
作为本发明所述基于地表流水物理模拟的高原山区易覆冰微地形识别方法的一种优选方案,其中:提取和形成高原山区水汽上行区、山脊水汽区、山谷水汽区、垭口水汽区地形特征信息集的具体步骤为:定义大型水体缓冲区范围内且属于迎风坡地形的区域为水汽上行区;采用近实时Landsat8 OLI多光谱遥感影像数据来进行水体边界提取;对提取的大型水域边界进行缓冲区分析,将水体缓冲区与迎风坡地形区进行栅格叠置分析,求取交叉栅格单元,确定每个待分山坡单元的水汽上行区位置;提取和形成高原山区山脊水汽区、山谷水汽区、垭口水汽区地形特征信息集。
作为本发明所述基于地表流水物理模拟的高原山区易覆冰微地形识别方法的一种优选方案,其中:水体边界提取基于Landsat8影像计算的改进归一化差异水体指数,公式如下:
其中,Green为遥感影像的绿光波段,MIR为中红外波段,在Landsat 8影像中分别为第3和第5波段,基于MNDWI指数进行阈值分割划分出水体和非水体边界。
作为本发明所述基于地表流水物理模拟的高原山区易覆冰微地形识别方法的一种优选方案,其中:抽取需要分类区域的典型场景,对易覆冰微地形分类精度验证,通过精准率和召回率指标,计算F1S,完成易覆冰微地形分类的具体步骤为:编制易覆冰微地形分类精度验证的混淆矩阵;计算分类事件识别的精准率、召回率和F1S;对易覆冰微地形分类精度进行判断,并当不满足要求时进行修正处理。
作为本发明所述基于地表流水物理模拟的高原山区易覆冰微地形识别方法的一种优选方案,其中:计算分类事件识别的精准率、召回率和F1S的具体步骤为:精准率Precision,对微地形类型A的具体计算公式如下:
其中,TPA为当易覆冰地形实际为微地形类型A,并被判断为A微地形类型;FPA为当易覆冰地形实际为非A微地形类型,并被判断为微地形类型A,其中A为山脊、山谷、垭口、迎风坡、背风坡和水汽上行区的其中一种;
召回率Recall,对微地形类型A的具体计算公式如下:
其中,FNA为当易覆冰地形实际为微地形类型A,并被判断为非A微地形类型,TPA为当易覆冰地形实际为非A微地形类型,并被判断为非A微地形类型;
F1S对微地形类型A的具体计算公式如下:
其中,FIS是为精准率和召回率的调和平均值。
作为本发明所述基于地表流水物理模拟的高原山区易覆冰微地形识别方法的一种优选方案,其中:对易覆冰微地形分类精度进行判断时,设定易覆冰微地形A的分类精度阈值为ψA,判断F1SA是否满足易覆冰微地形A的分类精度阈值ψA的要求,满足时则判断为地形分类完成;当不满足要求时,则调整高原山区数字高程模型DEM的分辨率,重新进行识别和判断,至F1SA满足易覆冰微地形A的分类精度阈值ψA的要求。
本发明有益效果为:本发明引入卫星遥感影像识别DEM中的真实洼地和伪洼地,在对DEM进行洼地填充过程中更有效的对真实洼地进行填充处理;考虑到水体的边界动态变化和水体附近缓冲区的影响,采用卫星遥感影像提取大型水体的真实边界,实现对水汽上行区、山脊水汽区、山谷水汽区、垭口水汽区地形的划分;通过地表流水物理模拟算法和流域分割算法,实现了高原山区易覆冰区域的含山脊、山谷、垭口、迎风坡、背风坡、水汽上行区、山脊水汽区、山谷水汽区、垭口水汽区等微地形的精准分类,和现有技术相比,能更加全面的描述高原山区易覆冰区域的微地形特征;高原山区易覆冰区域的微地形精准分类能够基于DEM快速识别大尺度区域输电线路微地形类型,同时结合区域冰区图可提取不同等级覆冰的易覆冰微地形区,易覆冰微地形区能够为电网的冬季覆冰巡检路线规划、防融冰设备终端布设提供空间优化意见;通过设定高原山区易覆冰区域的微地形识别精度阈值,对易覆冰区域的微地形识别不满足识别精度要求时及时进行修正,提升分类地形识别精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为实施例1中DEM正地形的提取结果(左)、负地形的提取(右)。
图2为实施例1中水文分析计算汇流累积量(左),提取汇流累积量0值栅格(右)。
图3为实施例1中山脊微地形区提取(左)与山脊线矢量化(右)。
图4为实施例1中垭口微地形识别结果图。
图5为实施例1中拟合曲面窗口中心分布图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1~图5,为本发明第一个实施例,该实施例提供了一种基于地表流水物理模拟的高原山区易覆冰微地形识别方法,包括:
S1:收集高原山区数字高程模型DEM及相关信息集。
S1.1:数字高程模型DEM采用SRTM数据每经纬度方格提供一个文件,精度有1角秒和3角秒两种,称作SRTM1和SRTM3,分别对应的精度为30米和90米分辨率数据。
更进一步的,SRTM1的文件里面包含3601×3601个采样点的高度数据,SRTM3的文件里面包含1201×1201个采样点的高度数据。
S1.2:相关信息集包括输电线路覆冰观测数据和输电线路数据。输电线路覆冰观测数据来源于人工观测数据和终端自动观测数据。
进一步的,人工观冰数据主要包含的属性信息包括:输电线路所属电网公司、所属局、电压等级、输电线路名称、杆塔编号、观冰线路段、观冰日期、经纬度、天气情况、气温、观冰方法、覆冰类型、覆冰厚度、设计冰厚、覆冰比值等信息。
具体的,覆冰在线监测终端数据,覆冰终端监测覆冰数据主要包含等值覆冰厚度、数据观测时间、气温、湿度、风速、风向、雨量、气压等属性信息。
输电线路数据包括输电线路的杆塔位、输电线路走向GIS矢量数据,其属性数据主要包含输电线路所属电网公司、管理局、电压等级、输电线路名称、杆塔编号、杆塔空间坐标等信息。
S2:将需要识别的区域分为F个不同大小的分区,选择自定义H×Z大小的领域窗口,提取和形成高原山区山脊、山谷地形特征信息集。
S2.1:采用邻域分析对高原山区区域进行DEM正、负地形的提取。
S2.1.1:滑动栅格DEM计算该窗口下所有栅格的平均高程值,并将该值赋予该时刻下邻域中心栅格的像元值。
S2.1.2:提取过程完成生成均值DEM栅格图像。
S2.1.3:基于原始DEM数据减去均值DEM数据得到概略DEM,对概略DEM进行两次重分类处理,得到DEM的正、负地形区。
S2.1.4:邻域分析过程中,不同邻域窗口大小会影响着正负地形的结果,故本研究采用不同分析窗口地物信息差异程度的最大值为基本思想,利用均值变点分析法,得到最佳邻域分析窗口。
S2.2:计算汇流累计量。
S2.2.1:对DEM进行洼地填充,利用GIS软件在进行汇流累积量计算之前,要对DEM数据洼地填平处理,得到无洼地DEM,以避免因地形起伏等原因,基于摄影测量技术和等高线内插法生成的数字高程模型产生地形误差,造成洼地误差,同时洼地的存在则会阻碍水流的正常流动,导致提取的地形特征线不连续。
S2.2.2:对水流方向矩阵计算。以无洼地DEM作为输入,采用D8流向算法对其进行水流方向计算,得到水流方向矩阵。
S2.2.3:进行汇流累积量计算。以水流方向数据作为输入数据,按照自然社会规律,水流往往从高的地方流向低的地方,以区域的水流方向最为基础数据,依次计算每一格网点处的水量值,从而求得区域的汇流累积量结果,并对汇流累积量数据进行栅格分析,提取汇流累积量值为0的栅格单元作为概略山脊区。
S2.2.4:汇流累积量零值提取。为避免提取过程中存在噪点的干扰,首次提取的汇流累积量零值结果会出现破碎、分布不连续等现象,因此需要对其邻域分析以去除噪声(3×3邻域分析);最后利用重分类方法将邻域分析结果进行二值化处理,即将接近1的值设置为1,其它设置为0,得当粗略的山脊地形提取结果。
进一步的,结合GIS栅格计算器,以汇流累积量作为数据输入计算汇流累积量值为0的栅格单元,从而获得需要分析区域的汇流累计量零值结果图,如图2。
S2.3:山脊地形提取与矢量化。
进一步的,将S2.1中计算得到的正地形区与汇流累计量二值化结果进行栅格叠加分析,得到山脊微地形区,并将可将山脊地形区进行中心线矢量化处理,如图3。
S2.4:山脊区提取结果分析。
进一步的,利用数字高程DEM数据制作出地形晕渲图,依据太阳光对地面照射所产生的影响不同,即明暗效果不同,将其以灰度或彩色的形式输出,直观地表达地面的起伏变化。将提取得到的山脊区叠加到地貌晕渲图上,判断特征线提取是否正确,发现山脊线和伪山脊区进行编辑,得到精确的山脊提取结果。
S2.5:山谷地形提取与矢量化处理。
进一步的,山谷地形区通过利用反地形DEM提取山脊区的思想来提取。
具体的,在反地形中,山脊线与原始格网DEM上的山谷线是对应的,选择一个较大的高程值,用此高程值减去原始DEM高程,得到的结果与原始DEM数据正好相反,对反地形上的山脊线进行提取,就可以将山谷线提取出来。
S3:提取和形成高原山区垭口微地形特征信息集;
进一步的,垭口主要分布在区域的山顶点、山谷点以及山脊线和山谷线构成的特征线交汇处,根据提取的山脊区和山谷区进行栅格求交分析,得到垭口地形特征信息集,如图4。
S4:提取和形成高原山区迎风坡和背风坡地形特征信息集。
进一步的,提取每个待识别的山坡单元,循环计算每个山坡单元的坡向,对于每个待分山坡单元,搜索该栅格单元位置最邻近气象站,计算该气象站的多年冬季平均风向,对比坡向和冬季风向,将坡向和风向夹角在90°以内为山坡单元划分为迎风坡,否则为背风坡。
坡度计算一般采用拟合曲面法。拟合曲面一般采用二次曲面,即3×3的窗口,每个窗口的中心为一个高程点,中心点e的坡度和坡向的计算公式如下:
Aspect=Slopesn/Slopewe
其中,Slope为坡度,Aspect为坡向,Slopewe为X方向的坡度,Slopesn为Y方向的坡度;Slopewe、Slopesn的计算可以采用如下方法计算:
其中,上式中的Cellsize为格网DEM的间隔长度,Slopewe为X方向的坡度,Slopesn为Y方向的坡度,如图5e1~e8分别为3×3每个像元素的高程值。
S5:提取和形成高原山区水汽上行区、山脊水汽区、山谷水汽区、垭口水汽区地形特征信息集。
S5.1:定义水汽上行区,定义大型水体缓冲区范围内且属于迎风坡地形的区域为水汽上行区,解决在大型水库、湖泊和河流经过区域大气水汽较多,水汽容易在大气上空聚集,在风场和地形的配合作用下极易导致输电线路覆冰的问题。
S5.2:水体边界提取。在步骤4的基础上,采用近实时Landsat8 OLI多光谱遥感影像数据来进行水体边界提取,卫星遥感的实时数据获取和大范围对地观测能够很好的监测和反映真实水体变化,基于Landsat8影像计算的改进归一化差异水体指数可以获取水体覆盖范围,公式如下:
其中,Green为遥感影像的绿光波段,MIR为中红外波段,在Landsat 8影像中分别为第3和第5波段,基于MNDWI指数进行阈值分割划分出水体和非水体边界。
S5.3:提取水汽上行区,对提取的大型水域边界进行缓冲区分析,将水体缓冲区与迎风坡地形区进行栅格叠置分析,求取交叉栅格单元,确定每个待分山坡单元的水汽上行区位置。
S5.4:提取和形成高原山区山脊水汽区、山谷水汽区、垭口水汽区地形特征信息集。
进一步的,在水汽影响区地形范围内,存在特殊的山脊、山谷和垭口等地形特征,该类地形在水汽作用下,由于气流辐合,容易形成水汽聚集和风口。对提取的大型水域边界进行缓冲区分析,将水体缓冲区与山脊、山谷、垭口地形区进行栅格叠置分析,求取交叉栅格单元,确定山脊水汽区、山谷水汽区、垭口水汽区。
S6:综合S2-S5,得到高原山区易覆冰区域的含山脊、山谷、垭口、迎风坡、背风坡、水汽上行区、山脊水汽区、山谷水汽区、垭口水汽区等微地形的特征信息集。
S7:抽取需要分类区域的典型场景,对易覆冰微地形分类精度验证,通过精准率和召回率指标,计算F1S,完成易覆冰微地形分类。
S7.1:混淆矩阵计算方法如下:
当易覆冰地形实际为微地形类型A,并被判断为A微地形类型,记作TPA;
当易覆冰地形实际为微地形类型A,并被判断为非A微地形类型,记作F NA;
当易覆冰地形实际为非A微地形类型,并被判断为微地形类型A,记作F PA;
当易覆冰地形实际为非A微地形类型,并被判断为非A微地形类型,记作TNA。
其中A为山脊、山谷、垭口、迎风坡、背风坡和水汽上行区的其中一种。
S7.2:具体的,计算分类事件识别的精准率、召回率和F1S的具体步骤为:精准率Precision,对微地形类型A的具体计算公式如下:
其中,TPA为当易覆冰地形实际为微地形类型A,并被判断为A微地形类型;FPA为当易覆冰地形实际为非A微地形类型,并被判断为微地形类型A,其中A为山脊、山谷、垭口、迎风坡、背风坡和水汽上行区的其中一种;
召回率Recall,对微地形类型A的具体计算公式如下:
其中,FNA为当易覆冰地形实际为微地形类型A,并被判断为非A微地形类型,TPA为当易覆冰地形实际为非A微地形类型,并被判断为非A微地形类型。
S7.3:F1S对微地形类型A的具体计算公式如下:
其中,FIS是为精准率和召回率的调和平均值。
S7.4:对易覆冰微地形分类精度进行判断,并当不满足要求时进行修正处理。
进一步的,设定易覆冰微地形A的分类精度阈值为ψA,(ψA由工作人员结合实际需求设定,默认值可设置为0.8,随着精度增加,可将数据提高)判断是否满足易覆冰微地形A的分类精度阈值ψA的要求。
当满足时,则判断为地形分类完成。
当不满足要求时,则调整高原山区数字高程模型DEM的分辨率,完成S2-S6的重新识别和判断,直至满足易覆冰微地形A的分类精度阈值ψA的要求。
本发明引入卫星遥感影像识别DEM中的真实洼地和伪洼地,在对DEM进行洼地填充过程中更有效的对真实洼地进行填充处理;考虑到水体的边界动态变化和水体附近缓冲区的影响,采用卫星遥感影像提取大型水体的真实边界,实现对水汽上行区、山脊水汽区、山谷水汽区、垭口水汽区地形的划分;通过地表流水物理模拟算法和流域分割算法,实现了高原山区易覆冰区域的含山脊、山谷、垭口、迎风坡、背风坡、水汽上行区、山脊水汽区、山谷水汽区、垭口水汽区等微地形的精准分类,和现有技术相比,能更加全面的描述高原山区易覆冰区域的微地形特征;高原山区易覆冰区域的微地形精准分类能够基于DEM快速识别大尺度区域输电线路微地形类型,同时结合区域冰区图可提取不同等级覆冰的易覆冰微地形区,易覆冰微地形区能够为电网的冬季覆冰巡检路线规划、防融冰设备终端布设提供空间优化意见;通过设定高原山区易覆冰区域的微地形识别精度阈值,对易覆冰区域的微地形识别不满足识别精度要求时及时进行修正,提升分类地形识别精度。
实施例2
参照表1,为本发明第二个实施例,在第一个实施例的基础之上,为了验证其有益效果,提供了本发明的实施案例。
结合现有覆冰监测所在布点确定为验证点,准确识别验证点的微地形类型,通过S2-S6得到基于SRTM1的高原山区易覆冰区域的含山脊、山谷、垭口、迎风坡、背风坡、水汽上行区、山脊水汽区、山谷水汽区、垭口水汽区等微地形的特征信息集,自动识别验证点的微地形类型。
设置易覆冰微地形A的分类精度阈值为ψA为0.8,通过步骤S7.1-S7.3计算算法分类结果与经验判别结果之间的混淆矩阵和分类精度,如表1:
表1易覆冰微地形识别精度指标计算表
验证区域 | 准确率 | 精确率Precision | 召回率Recall | F1S |
区域A | 91.90% | 89.60% | 92.00% | 90.78% |
区域B | 87.30% | 87.60% | 87.20% | 87.40% |
区域C | 86.20% | 86.70% | 86.20% | 86.45% |
区域D | 84.30% | 86.50% | 83.10% | 84.77% |
ψA由工作人员结合实际需求设定,默认值可设置为0.8,均可满足精度要求;若按照微地形分为设为0.85,则区域D的F1S为0.84,不满足0.85的精度要求,则针对区域D重新利用SRTM3的模型进行S2-S6,验证点区域均满足ψA的精度要求。
与以往技术存在主要的技术优势:通过设定高原山区易覆冰区域的微地形识别精度阈值,对易覆冰区域的微地形识别不满足识别精度要求时及时进行修正,提升分类地形识别精度。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于地表流水物理模拟的高原山区易覆冰微地形识别方法,其特征在于:包括,
收集高原山区数字高程模型DEM及相关信息集;
将所需识别的区域进行分区,提取和形成高原山区山脊、山谷地形特征信息集;
提取和形成高原山区垭口微地形特征信息集;
提取和形成高原山区迎风坡和背风坡地形特征信息集;
提取和形成高原山区水汽上行区、山脊水汽区、山谷水汽区、垭口水汽区地形特征信息集;
抽取需要分类区域的典型场景,对易覆冰微地形分类精度验证,通过精准率和召回率指标,计算F1S,完成易覆冰微地形分类。
2.如权利要求1所述的基于地表流水物理模拟的高原山区易覆冰微地形识别方法,其特征在于:所述数字高程模型DEM采用SRTM数据,每经纬度方格提供一个文件,精度有1角秒和3角秒两种,称作SRTM1和SRTM3,分别对应的精度为30米和90米分辨率数据。
3.如权利要求1所述的基于地表流水物理模拟的高原山区易覆冰微地形识别方法,其特征在于:所述提取和形成高原山区山脊、山谷地形特征信息集的步骤如下:
采用邻域分析对高原山区区域进行DEM正、负地形的提取;
计算汇流累计量;
进行山脊地形提取并矢量化;
对山脊区提取结果进行分析;
通过利用反地形DEM提取山脊区的思想来提取山谷地形并矢量化处理。
4.如权利要求3所述的基于地表流水物理模拟的高原山区易覆冰微地形识别方法,其特征在于:所述提取和形成高原山区迎风坡和背风坡地形特征信息集的过程为:所述计算汇流累计量的步骤为:
对DEM进行洼地填充;
以无洼地DEM作为输入,采用D8流向算法对其进行水流方向计算,得到水流方向矩阵;
以水流方向数据作为输入数据,以区域的水流方向为基础数据,依次计算每一格网点处的水量值,求得区域的汇流累积量结果,并对汇流累积量数据进行栅格分析,提取汇流累积量值为0的栅格单元作为概略山脊区;
针对首次提取的汇流累积量零值,对其邻域分析以去噪,并利用重分类方法将邻域分析结果进行二值化处理,得到粗略的山脊地形提取结果。
5.如权利要求1所述的基于地表流水物理模拟的高原山区易覆冰微地形识别方法,其特征在于:所述提取和形成高原山区迎风坡和背风坡地形特征信息集的过程为:提取每个待识别的山坡单元,循环计算每个山坡单元的坡向,并将山坡单元划分为迎风坡和背风坡,坡度计算采用拟合曲面法,拟合曲面采用二次曲面,即3×3的窗口,每个窗口的中心为一个高程点,其中,中心点e的坡度和坡向的计算公式如下:
Aspect=Slopesn/Slopewe
其中,Slope为坡度,Aspect为坡向,Slopewe为X方向的坡度,Slopesn为Y方向的坡度;Slopewe、Slopesn的计算可以采用如下方法计算:
其中,上式中的Cellsize为格网DEM的间隔长度,Slopewe为X方向的坡度,Slopesn为Y方向的坡度,e1~e8分别为3×3每个像元素的高程值。
6.如权利要求5所述的基于地表流水物理模拟的高原山区易覆冰微地形识别方法,其特征在于:所述提取和形成高原山区水汽上行区、山脊水汽区、山谷水汽区、垭口水汽区地形特征信息集的具体步骤为:
定义大型水体缓冲区范围内且属于迎风坡地形的区域为水汽上行区;
采用近实时Landsat8 OLI多光谱遥感影像数据来进行水体边界提取;
对提取的大型水域边界进行缓冲区分析,将水体缓冲区与迎风坡地形区进行栅格叠置分析,求取交叉栅格单元,确定每个待分山坡单元的水汽上行区位置;
提取和形成高原山区山脊水汽区、山谷水汽区、垭口水汽区地形特征信息集。
7.如权利要求5或6所述的基于地表流水物理模拟的高原山区易覆冰微地形识别方法,其特征在于:所述水体边界提取基于Landsat8影像计算的改进归一化差异水体指数,公式如下:
其中,Green为遥感影像的绿光波段,MIR为中红外波段,在Landsat 8影像中分别为第3和第5波段,基于MNDWI指数进行阈值分割划分出水体和非水体边界。
8.如权利要求1所述的基于地表流水物理模拟的高原山区易覆冰微地形识别方法,其特征在于:所述抽取需要分类区域的典型场景,对易覆冰微地形分类精度验证,通过精准率和召回率指标,计算F1S,完成易覆冰微地形分类的具体步骤为:
编制易覆冰微地形分类精度验证的混淆矩阵;
计算分类事件识别的精准率、召回率和F1S;
对易覆冰微地形分类精度进行判断,并当不满足要求时进行修正处理。
9.如权利要求8所述的基于地表流水物理模拟的高原山区易覆冰微地形识别方法,其特征在于:所述计算分类事件识别的精准率、召回率和F1S的具体步骤为:精准率Precision,对微地形类型A的具体计算公式如下:
其中,TPA为当易覆冰地形实际为微地形类型A,并被判断为A微地形类型;FPA为当易覆冰地形实际为非A微地形类型,并被判断为微地形类型A,其中A为山脊、山谷、垭口、迎风坡、背风坡和水汽上行区的其中一种;
召回率Recall,对微地形类型A的具体计算公式如下:
其中,FNA为当易覆冰地形实际为微地形类型A,并被判断为非A微地形类型,TPA为当易覆冰地形实际为非A微地形类型,并被判断为非A微地形类型;
F1S对微地形类型A的具体计算公式如下:
其中,FIS是为精准率和召回率的调和平均值。
10.如权利要求9所述的基于地表流水物理模拟的高原山区易覆冰微地形识别方法,其特征在于:所述对易覆冰微地形分类精度进行判断时,设定易覆冰微地形A的分类精度阈值为ψA,判断F1SA是否满足易覆冰微地形A的分类精度阈值ψA的要求,满足时则判断为地形分类完成;当不满足要求时,则调整高原山区数字高程模型DEM的分辨率,重新进行识别和判断,至F1SA满足易覆冰微地形A的分类精度阈值ψA的要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310392672.0A CN116563610A (zh) | 2023-04-13 | 2023-04-13 | 基于地表流水物理模拟的高原山区易覆冰微地形识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310392672.0A CN116563610A (zh) | 2023-04-13 | 2023-04-13 | 基于地表流水物理模拟的高原山区易覆冰微地形识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116563610A true CN116563610A (zh) | 2023-08-08 |
Family
ID=87488912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310392672.0A Pending CN116563610A (zh) | 2023-04-13 | 2023-04-13 | 基于地表流水物理模拟的高原山区易覆冰微地形识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563610A (zh) |
-
2023
- 2023-04-13 CN CN202310392672.0A patent/CN116563610A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
Duncan et al. | Comparison of Late Pleistocene and modern glacier extents in central Nepal based on digital elevation data and satellite imagery | |
CN103530499A (zh) | 山区地表温度基线构建的一种方法及应用 | |
CN113591572B (zh) | 基于多源数据和多时相数据的水土流失定量监测方法 | |
CN107330422A (zh) | 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法 | |
CN105740642A (zh) | 基于多源遥感数据的modis卫星火点准确性判别方法 | |
CN106485254A (zh) | 一种输电线路通道地表特征变化自动提取方法 | |
CN114359243B (zh) | 一种季节性小微湿地动态监测方法 | |
Faour et al. | GIS-based approach to the assessment of coastal vulnerability to sea level rise: Case study on the Eastern Mediterranean | |
CN111738104A (zh) | 一种基于地理信息系统提取地形类别的方法 | |
Cai et al. | Impact of the 2008 Olympic Games on urban thermal environment in Beijing, China from satellite images | |
CN114386771A (zh) | 一种基于遥感的水环境污染“源-汇”风险识别方法及系统 | |
Solaimani et al. | Land use/cover change detection based on remote sensing data (A case study; Neka Basin) | |
Sono et al. | Spatiotemporal evolution of West Africa’s urban landscape characteristics applying harmonized DMSP-OLS and NPP-VIIRS nighttime light (NTL) data | |
Berkovic | Wind regimes and their relation to synoptic variables using self-organizing maps | |
CN116563610A (zh) | 基于地表流水物理模拟的高原山区易覆冰微地形识别方法 | |
CN115937676A (zh) | 一种基于dem的大尺度沙丘地貌精细分类方法 | |
Arlisa et al. | Flood vulnerability analysis using random forest method in Gresik Regency, Indonesia | |
Chen et al. | The urban morphology classification under local climate zone scheme based on the improved method-A case study of Changsha, China | |
CN113688903B (zh) | 一种输电线路易覆冰微地形分类方法 | |
CN117274660A (zh) | 一种电网防冰减灾的微地形微气象数据库建立方法及系统 | |
AI-Mashagbah et al. | Estimation of changes in the Dead Sea surface water area through multiple water index algorithms and geospatial techniques | |
Bouchayer | Synthesis of distributed snowpack simulations relevant for avalanche hazard forecasting | |
Nael et al. | Spatial analysis of the land suitability for cocoa plantations in East Dusun District | |
CN118114800A (zh) | 输电线路覆冰监测终端优化布点方法及系统 |
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 |