CN116629459A - 一种基于遥感和降水对水域淹没范围进行预测的方法 - Google Patents
一种基于遥感和降水对水域淹没范围进行预测的方法 Download PDFInfo
- Publication number
- CN116629459A CN116629459A CN202310906323.6A CN202310906323A CN116629459A CN 116629459 A CN116629459 A CN 116629459A CN 202310906323 A CN202310906323 A CN 202310906323A CN 116629459 A CN116629459 A CN 116629459A
- Authority
- CN
- China
- Prior art keywords
- water
- remote sensing
- water area
- data
- precipitation
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 355
- 238000001556 precipitation Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000009826 distribution Methods 0.000 claims abstract description 78
- 238000003860 storage Methods 0.000 claims abstract description 53
- 230000015654 memory Effects 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000013441 quality evaluation Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 238000002310 reflectometry Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及遥感水文领域,公开了一种基于遥感和降水对水域淹没范围进行预测的方法,该方法包括:获取来水预报信息、目标水域范围内的流量数据、当前蓄水量、当前遥感影像和历史遥感影像;根据历史遥感影像分析不同时间对应的水域分布信息;根据来水预报信息、当前蓄水量和流量数据计算目标水域范围内的水域面积变化量;基于当前遥感影像、水域分布信息和水域面积变化量对水域面积分布进行预测,得到水域面积分布的预测结果。通过历史遥感影像对目标区域范围内每个图像像元对应位置的淹没情况进行分析,从而根据场次降水情况对降水可能造成的淹没区域范围进行预测,在保证精度的情况下有效提高了预测效率,可适用于水资源精细化控制管理需求。
Description
技术领域
本发明涉及遥感水文技术领域,具体涉及一种基于遥感和降水对水域淹没范围进行预测的方法。
背景技术
场次降水的湖/库区水域面积分布预报识别是区域水资源管理、防洪调度的关键。现有技术多基于来水信息,利用水文、水动力模型模拟预测场次降水湖/库区水域面积淹没风险范围,需要耗费大量人力物力和时间,对气象水文、下垫面条件等数据要求高,且预测精度很难达到要求。
发明内容
有鉴于此,本发明实施例提供了一种基于遥感和降水对水域淹没范围进行预测的方法,以解决现有技术预测效率低、精度差的问题。
第一方面,发明实施例提供了一种基于遥感和降水对水域淹没范围进行预测的方法,包括:
获取来水预报信息、目标水域范围内的流量数据、当前蓄水量、当前遥感影像和历史遥感影像;
根据历史遥感影像分析不同时间对应的水域分布信息;
根据来水预报信息、当前蓄水量和流量数据计算目标水域范围内的水域面积变化量;
基于当前遥感影像、水域分布信息和水域面积变化量对水域面积分布进行预测,得到水域面积分布的预测结果。
在一种可选的实施方式中,根据历史遥感影像分析不同时间对应的水域分布信息,包括:
对历史遥感影像进行图像处理,得到不同时间对应的遥感数据;
根据遥感数据对历史遥感影像中的每个像元的淹没情况进行识别分析,得到水域分布信息。
在一种可选的实施方式中,根据遥感数据对历史遥感影像中的每个像元的淹没情况进行识别分析,得到水域分布信息,包括:
从每个遥感数据中提取云层覆盖数据,根据云层覆盖数据分析每个遥感数据对应的云层覆盖度;
将云层覆盖度与预设覆盖阈值进行对比;
当云层覆盖度小于或等于预设覆盖阈值时,将对应的影像数据作为有效数据;
基于遥感数据计算每个像元的改进归一化差分水体指数、归一化植被指数和增强植被指数;
根据改进归一化差分水体指数、归一化植被指数和增强植被指数对每个像元的属性进行判断,得到多个水域像元;
对水域像元进行汇总得到水域分布信息。
在一种可选的实施方式中,方法还包括:
当云层覆盖度大于预设覆盖阈值时,将对应的影像数据作为无效数据;
获取无效数据对应的时间信息和来水信息,来水信息包括枯水期和丰水期;
分别对枯水期和丰水期对应的无效数据进行分析,得到多个水域像元。
在一种可选的实施方式中,对枯水期对应的无效数据进行分析,包括:
分别根据枯水期对应的每个无效数据的时间信息,从有效数据中选取时间距离最近的数据对无效数据进行替换;
基于替换后的无效数据计算每个像元的改进归一化差分水体指数、归一化植被指数和增强植被指数;
根据改进归一化差分水体指数、归一化植被指数和增强植被指数对每个像元的属性进行判断,得到多个水域像元。
在一种可选的实施方式中,对丰水期对应的无效数据进行分析,包括:
从遥感数据中提取多个水域像元的质量评估波段作为水域评估区间;
分别从丰水期对应的每个无效数据中提取云层覆盖数据和非云层覆盖数据;
将云层覆盖数据中每个像元的质量评估波段与水域评估区间进行对比,得到多个水域像元;
基于非云层覆盖数据计算每个像元的改进归一化差分水体指数、归一化植被指数和增强植被指数;
根据改进归一化差分水体指数、归一化植被指数和增强植被指数对每个像元的属性进行判断,得到多个水域像元。
在一种可选的实施方式中,根据来水预报信息、当前蓄水量和流量数据计算目标水域范围内的水域面积变化量,包括:
根据来水预报信息分析目标水域范围内的区间降水量;
根据区间降水量和流量数据分析目标水域范围内的蓄水变化量;
根据蓄水变化量、当前蓄水量和预设库容面积函数计算水域面积变化量。
在一种可选的实施方式中,基于当前遥感影像、水域分布信息和水域面积变化量对水域面积分布进行预测,得到水域面积分布的预测结果,包括:
根据水域分布信息分析每个像元的淹没概率;
基于水域面积变化量和遥感影像的预设像元空间分辨率计算待分配像元数量;
对当前遥感影像进行分析,得到当前淹没像元;
根据当前淹没像元从像元中筛选未淹没像元;
根据淹没概率对未淹没像元的优先级进行排序,得到分配序列;
根据待分配像元数量从分配序列中选取淹没概率高的像元进行分配,将分配后的像元和当前淹没像元构成的水域面积分布作为预测结果。
第二方面,本发明实施例提供了一种基于遥感和降水对水域淹没范围进行预测的装置,包括:
获取模块,用于获取来水预报信息、目标水域范围内的流量数据、当前蓄水量、当前遥感影像和历史遥感影像;
分析模块,用于根据历史遥感影像分析不同时间对应的水域分布信息;
计算模块,用于根据来水预报信息、当前蓄水量和流量数据计算目标水域范围内的水域面积变化量;
预测模块,用于基于当前遥感影像、水域分布信息和水域面积变化量对水域面积分布进行预测,得到水域面积分布的预测结果。
第三方面,本发明实施例提供了一种计算机设备,包括:
存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行本发明实施例提供的基于遥感和降水对水域淹没范围进行预测的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储计算机指令,计算机指令用于使计算机执行本发明实施例提供的基于遥感和降水对水域淹没范围进行预测的方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的基于遥感和降水对水域淹没范围进行预测的方法的流程示意图;
图2是根据本发明实施例的另一基于遥感和降水对水域淹没范围进行预测的方法的流程示意图;
图3是根据本发明实施例的又一基于遥感和降水对水域淹没范围进行预测的方法的流程示意图;
图4是根据本发明实施例的再一基于遥感和降水对水域淹没范围进行预测的方法的流程示意图;
图5是根据本发明实施例的基于遥感和降水对水域淹没范围进行预测的装置的结构框图;
图6是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
场次降水的湖/库区水域面积分布预报识别是区域水资源管理、防洪调度的关键。现有技术多基于来水信息,利用水文、水动力模型模拟预测场次降水湖/库区水域面积淹没风险范围,需要耗费大量人力物力和时间,对气象水文、下垫面条件等数据要求高,且预测精度很难达到要求。
本发明实施例提供了一种基于遥感和降水对水域淹没范围进行预测的方法,通过获取来水预报信息、目标水域范围内的流量数据、当前蓄水量、当前遥感影像和历史遥感影像;根据历史遥感影像分析不同时间对应的水域分布信息;根据来水预报信息、当前蓄水量和流量数据计算目标水域范围内的水域面积变化量;基于当前遥感影像、水域分布信息和水域面积变化量对水域面积分布进行预测,得到水域面积分布的预测结果。通过对历史遥感影像进行分析的方式,对目标水域范围内的水域分布情况进行分析,并根据来水预报信息对淹没范围进行高效、精准的预测,为湖/库区蒸发计算、水资源精细管理、洪水淹没预报调度等提供有力支撑。
根据本发明实施例,提供了一种基于遥感和降水对水域淹没范围进行预测的方法,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。
在本实施例中提供了一种基于遥感和降水对水域淹没范围进行预测的方法,可用于区域水资源管理、防洪调度等场景,图1是根据本发明实施例的基于遥感和降水对水域淹没范围进行预测的方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101:获取来水预报信息、目标水域范围内的流量数据、当前蓄水量、当前遥感影像和历史遥感影像。具体的,获取历史遥感影像的过程可以通过获取目标水域范围的矢量边界,根据应用需求使用ARCGIS中Buffer功能,进行边界扩充,制作掩膜,切割对应边界的历史时期遥感影像得到;来与预报信息对目标水域范围内的场次降水量进行了预告。
步骤S102:根据历史遥感影像分析不同时间对应的水域分布信息。具体的,通过对历史遥感影像进行分析可以得到每个像元在不同时间的淹没情况。
步骤S103:根据来水预报信息、当前蓄水量和流量数据计算目标水域范围内的水域面积变化量。具体的,通过计算水域面积变化量,便于后续分析降水后的水域面积。
步骤S104:基于当前遥感影像、水域分布信息和水域面积变化量对水域面积分布进行预测,得到水域面积分布的预测结果。具体的,通过水域面积变化量及水域分布信息中所包含的每个像元在不同时期的淹没信息对场次降雨后每个像元的淹没情况进行预测分析,使预测结果具有更高的可靠性。
通过上述步骤S101至步骤S104,本发明实施例提供的基于遥感和降水对水域淹没范围进行预测的方法,通过利用遥感技术得到的历史遥感图像对目标区域范围内每个图像像元对应位置的淹没情况进行分析,从而根据场次降水情况对降水可能造成的淹没区域范围进行预测,在保证精度的情况下有效提高了预测效率,可适用于水资源精细化控制管理需求。
在本实施例中提供了一种基于遥感和降水对水域淹没范围进行预测的方法,可用于区域水资源管理、防洪调度等场景,图2是根据本发明实施例的基于遥感和降水对水域淹没范围进行预测的方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201:获取来水预报信息、目标水域范围内的流量数据、当前蓄水量、当前遥感影像和历史遥感影像。具体的,此步骤进一步的描述与上述步骤S101相同,在此不再赘述。
步骤S202:根据历史遥感影像分析不同时间对应的水域分布信息。具体的,此步骤进一步的描述与上述步骤S102相同,在此不再赘述。
步骤S203:根据来水预报信息、当前蓄水量和流量数据计算目标水域范围内的水域面积变化量。具体的,此步骤进一步的描述与上述步骤S103相同,在此不再赘述。
步骤S204:基于当前遥感影像、水域分布信息和水域面积变化量对水域面积分布进行预测,得到水域面积分布的预测结果。具体的,此步骤进一步的描述与上述步骤S104相同,在此不再赘述。
具体地,上述的步骤S202,包括:
步骤S2021:对历史遥感影像进行图像处理,得到不同时间对应的遥感数据。具体的,图像处理过程涉及辐射定标、大气校正、影像拼接处理等。
步骤S2022:根据遥感数据对历史遥感影像中的每个像元的淹没情况进行识别分析,得到水域分布信息。
具体的,由于在不同时期目标水域范围内的水域覆盖面积不同,因此需要根据遥感数据对历史遥感影像中每个像元对应位置的淹没情况进行分析,便于后续判断该像元的淹没概率,当某一像元在历史时期经常被淹没时,说明该像元对应的位置被淹没概率高,一旦经历降水淹没范围变大时极有可能首先被淹没。
在一些可选的实施方式中,上述步骤S2022包括:
步骤a1,从每个遥感数据中提取云层覆盖数据,根据云层覆盖数据分析每个遥感数据对应的云层覆盖度。具体的,分析云层覆盖度是为了判断数据的可用度,若云层覆盖度过高,若采用与云层覆盖度低的数据同样的处理方式,容易造成误判,影响预测精度;
步骤a2,将云层覆盖度与预设覆盖阈值进行对比。
步骤a3,当云层覆盖度小于或等于预设覆盖阈值时,将对应的影像数据作为有效数据。
步骤a4,基于遥感数据计算每个像元的改进归一化差分水体指数、归一化植被指数和增强植被指数。
步骤a5,根据改进归一化差分水体指数、归一化植被指数和增强植被指数对每个像元的属性进行判断,得到多个水域像元。
步骤a6,对水域像元进行汇总得到水域分布信息。
具体的,对于有效数据,可以直接利用阈值反演获取水域分布:
式中,ρ green为绿波段反射率,ρ NIR为近红外波段反射率,ρ SWIR为短红外波段反射率,ρ red为绿波段反射率,ρ blue为绿波段反射率,MNDWI、NDVI和EVI分别表示改进归一化差分水体指数、归一化植被指数和增强植被指数;MNDWI>NDVI或MNDWI>EVI的像元确定为水域。
通过改进归一化差异水体指数可以更加容易的区分阴影和水体,从而使分析得到的像元淹没情况更加准确。
在一些可选的实施方式中,上述步骤a6之前还包括:
步骤b1,当云层覆盖度大于预设覆盖阈值时,将对应的影像数据作为无效数据。
步骤b2,获取无效数据对应的时间信息和来水信息,来水信息包括枯水期和丰水期。
步骤b3,分别对枯水期和丰水期对应的无效数据进行分析,得到多个水域像元。
具体的,由于无效数据被大量云层覆盖,无法直接准确分析被云覆盖部分的像元淹没情况,因此采用对不同时期的无效数据分别处理的方式,在尽量降低误差的情况下得到分析结果,使得对每个像元的分析具有更高的精度和准确度。
在一些可选的实施方式中,上述步骤b3中对枯水期对应的无效数据进行分析,包括:
步骤c1,分别根据枯水期对应的每个无效数据的时间信息,从有效数据中选取时间距离最近的数据对无效数据进行替换。
步骤c2,基于替换后的无效数据计算每个像元的改进归一化差分水体指数、归一化植被指数和增强植被指数。
步骤c3,根据改进归一化差分水体指数、归一化植被指数和增强植被指数对每个像元的属性进行判断,得到多个水域像元。
具体的,对于枯水期的目标水域,其水域分布不会在短期内产生较大变化,因此可以通过选用时间最近的有效数据进行替代的方式,保证每个像元数据分析的数据量,从而提高后续对每个像元淹没概率分析的精度。
在一些可选的实施方式中,上述步骤b3中对丰水期对应的无效数据进行分析,包括:
步骤d1,从遥感数据中提取多个水域像元的质量评估波段作为水域评估区间。
步骤d2,分别从丰水期对应的每个无效数据中提取云层覆盖数据和非云层覆盖数据。
步骤d3,将云层覆盖数据中每个像元的质量评估波段与水域评估区间进行对比,得到多个水域像元。
步骤d4,基于非云层覆盖数据计算每个像元的改进归一化差分水体指数、归一化植被指数和增强植被指数。
步骤d5,根据改进归一化差分水体指数、归一化植被指数和增强植被指数对每个像元的属性进行判断,得到多个水域像元。
具体的,将没有被云层覆盖的区域按照有效数据的方式进行分析,而被云层覆盖的区域,通过质量评估波段(Quality Assessment Band,QA波段)忽略云层影响,并通过建立水域评估区间将质量评估波段进行对比的方式,判断被云覆盖区域像元的淹没情况,具有较高的准确度。
在本实施例中提供了一种基于遥感和降水对水域淹没范围进行预测的方法,可用于区域水资源管理、防洪调度等场景,图3是根据本发明实施例的基于遥感和降水对水域淹没范围进行预测的方法的流程图,如图3所示,该流程包括如下步骤:
步骤S301:获取来水预报信息、目标水域范围内的流量数据、当前蓄水量、当前遥感影像和历史遥感影像。具体的,此步骤进一步的描述与上述步骤S101相同,在此不再赘述。
步骤S302:根据历史遥感影像分析不同时间对应的水域分布信息。具体的,此步骤进一步的描述与上述步骤S102相同,在此不再赘述。
步骤S303:根据来水预报信息、当前蓄水量和流量数据计算目标水域范围内的水域面积变化量。具体的,此步骤进一步的描述与上述步骤S103相同,在此不再赘述。
步骤S304:基于当前遥感影像、水域分布信息和水域面积变化量对水域面积分布进行预测,得到水域面积分布的预测结果。具体的,此步骤进一步的描述与上述步骤S104相同,在此不再赘述。
具体地,上述的步骤S303,包括:
步骤S3031:根据来水预报信息分析目标水域范围内的区间降水量。
步骤S3032:根据区间降水量和流量数据分析目标水域范围内的蓄水变化量。
步骤S3033:根据蓄水变化量、当前蓄水量和预设库容面积函数计算水域面积变化量。
具体的,流量数据包括入流量和出流量;根据下式计算水域面积变化量:
式中,△W为蓄水变化量;R入为入流量;R出为出流量;P区间为区间降水量;△S为水域面积变化量;W初为当前蓄水量;f(x)为预设库容面积函数。
通过分析水域面积变化量,便于后续分析降水后的水域面积,从而更加准确的判断将要被淹没的像元数量。
在本实施例中提供了一种基于遥感和降水对水域淹没范围进行预测的方法,可用于区域水资源管理、防洪调度等场景,图4是根据本发明实施例的基于遥感和降水对水域淹没范围进行预测的方法的流程图,如图4所示,该流程包括如下步骤:
步骤S401:获取来水预报信息、目标水域范围内的流量数据、当前蓄水量、当前遥感影像和历史遥感影像。具体的,此步骤进一步的描述与上述步骤S101相同,在此不再赘述。
步骤S402:根据历史遥感影像分析不同时间对应的水域分布信息。具体的,此步骤进一步的描述与上述步骤S102相同,在此不再赘述。
步骤S403:根据来水预报信息、当前蓄水量和流量数据计算目标水域范围内的水域面积变化量。具体的,此步骤进一步的描述与上述步骤S103相同,在此不再赘述。
步骤S404:基于当前遥感影像、水域分布信息和水域面积变化量对水域面积分布进行预测,得到水域面积分布的预测结果。具体的,此步骤进一步的描述与上述步骤S104相同,在此不再赘述。
具体地,上述的步骤S404,包括:
步骤S4041:根据水域分布信息分析每个像元的淹没概率。具体的,水域分布信息包含有每个像元在不同历史时期的淹没情况,通过汇总计算,可以得到每个像元的淹没概率,淹没概率越高的像元,在降水后被淹没的概率越大。
步骤S4042:基于水域面积变化量和遥感影像的预设像元空间分辨率计算待分配像元数量。具体的,根据水域面积变化量和遥感影像像元空间分辨率,模拟计算待分配像元个数:
式中,num表示待分配像元个数;s表示遥感影像像元空间分辨率(如,30 m×30 m=900 m2)。
步骤S4043:对当前遥感影像进行分析,得到当前淹没像元。具体的,分析过程参照上述步骤S2022,在此不再进行赘述。
步骤S4044:根据当前淹没像元从像元中筛选未淹没像元。
步骤S4045:根据淹没概率对未淹没像元的优先级进行排序,得到分配序列。
步骤S4046:根据待分配像元数量从分配序列中选取淹没概率高的像元进行分配,将分配后的像元和当前淹没像元构成的水域面积分布作为预测结果。
具体的,考虑到可能出现多个像元的淹没概率相同的情况,此过程还可以根据淹没概率划分像元类型,例如淹没概率N=100 %表示像元为永久水域;50 %<N<100 %为长期水域;25 %<N<50 %表示短期水域;0<N<25 %表示可能水域;根据像元类型,优先对淹没概率高的区间内的像元进行分配。分配方式可按照水域空间最临近准则(即:水域变化面积与降水前水域空间最接近),根据待分配像元的数量对当前未淹没像元进行随机匹配。
通过分析每个像元的淹没概率及本场次降水造成的面积变化,对降水后的水域面积分布进行预测,效率高速度快,有效利用了历史遥感图像,具有较高的准确度。
在本实施例中还提供了一种基于遥感和降水对水域淹没范围进行预测的装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种基于遥感和降水对水域淹没范围进行预测的装置,如图5所示,包括:
获取模块501,用于获取来水预报信息、目标水域范围内的流量数据、当前蓄水量、当前遥感影像和历史遥感影像。
分析模块502,用于根据历史遥感影像分析不同时间对应的水域分布信息。
计算模块503,用于根据来水预报信息、当前蓄水量和流量数据计算目标水域范围内的水域面积变化量。
预测模块504,用于基于当前遥感影像、水域分布信息和水域面积变化量对水域面积分布进行预测,得到水域面积分布的预测结果。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本实施例中的基于遥感和降水对水域淹没范围进行预测的装置是以功能单元的形式来呈现,这里的单元是指ASIC(Application Specific Integrated Circuit,专用集成电路)电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种计算机设备,具有上述图5所示的基于遥感和降水对水域淹没范围进行预测的装置。
请参阅图6,图6是本发明可选实施例提供的一种计算机设备的结构示意图,如图6所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,所述存储器20存储有可由至少一个处理器10执行的指令,以使所述至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括输入装置30和输出装置40。处理器10、存储器20、输入装置30和输出装置20可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置30可接收输入的数字或字符信息,以及产生与该计算机设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等。输出装置40可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。上述显示设备包括但不限于液晶显示器,发光二极管,显示器和等离子体显示器。在一些可选的实施方式中,显示设备可以是触摸屏。
该计算机设备还包括通信接口30,用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (11)
1.一种基于遥感和降水对水域淹没范围进行预测的方法,其特征在于,包括:
获取来水预报信息、目标水域范围内的流量数据、当前蓄水量、当前遥感影像和历史遥感影像;
根据所述历史遥感影像分析不同时间对应的水域分布信息;
根据所述来水预报信息、当前蓄水量和所述流量数据计算所述目标水域范围内的水域面积变化量;
基于所述当前遥感影像、水域分布信息和所述水域面积变化量对水域面积分布进行预测,得到水域面积分布的预测结果。
2.根据权利要求1所述的基于遥感和降水对水域淹没范围进行预测的方法,其特征在于,所述根据所述历史遥感影像分析不同时间对应的水域分布信息,包括:
对所述历史遥感影像进行图像处理,得到不同时间对应的遥感数据;
根据所述遥感数据对历史遥感影像中的每个像元的淹没情况进行识别分析,得到水域分布信息。
3.根据权利要求2所述的基于遥感和降水对水域淹没范围进行预测的方法,其特征在于,所述根据所述遥感数据对历史遥感影像中的每个像元的淹没情况进行识别分析,得到水域分布信息,包括:
从每个所述遥感数据中提取云层覆盖数据,根据所述云层覆盖数据分析每个所述遥感数据对应的云层覆盖度;
将所述云层覆盖度与预设覆盖阈值进行对比;
当所述云层覆盖度小于或等于预设覆盖阈值时,将对应的影像数据作为有效数据;
基于所述遥感数据计算每个像元的改进归一化差分水体指数、归一化植被指数和增强植被指数;
根据所述改进归一化差分水体指数、归一化植被指数和增强植被指数对每个像元的属性进行判断,得到多个水域像元;
对所述水域像元进行汇总得到水域分布信息。
4.根据权利要求3所述的基于遥感和降水对水域淹没范围进行预测的方法,其特征在于,在对所述水域像元进行汇总得到水域分布信息之前,所述方法还包括:
当所述云层覆盖度大于预设覆盖阈值时,将对应的影像数据作为无效数据;
获取所述无效数据对应的时间信息和来水信息,所述来水信息包括枯水期和丰水期;
分别对枯水期和丰水期对应的所述无效数据进行分析,得到多个水域像元。
5.根据权利要求4所述的基于遥感和降水对水域淹没范围进行预测的方法,其特征在于,对枯水期对应的所述无效数据进行分析,包括:
分别根据所述枯水期对应的每个无效数据的时间信息,从所述有效数据中选取时间距离最近的数据对所述无效数据进行替换;
基于替换后的所述无效数据计算每个像元的改进归一化差分水体指数、归一化植被指数和增强植被指数;
根据所述改进归一化差分水体指数、归一化植被指数和增强植被指数对每个像元的属性进行判断,得到多个水域像元。
6.根据权利要求4所述的基于遥感和降水对水域淹没范围进行预测的方法,其特征在于,对丰水期对应的所述无效数据进行分析,包括:
从所述遥感数据中提取多个所述水域像元的质量评估波段作为水域评估区间;
分别从所述丰水期对应的每个无效数据中提取云层覆盖数据和非云层覆盖数据;
将所述云层覆盖数据中每个像元的质量评估波段与所述水域评估区间进行对比,得到多个水域像元;
基于所述非云层覆盖数据计算每个像元的改进归一化差分水体指数、归一化植被指数和增强植被指数;
根据所述改进归一化差分水体指数、归一化植被指数和增强植被指数对每个像元的属性进行判断,得到多个水域像元。
7.根据权利要求1所述的基于遥感和降水对水域淹没范围进行预测的方法,其特征在于,所述根据所述来水预报信息、当前蓄水量和所述流量数据计算所述目标水域范围内的水域面积变化量,包括:
根据所述来水预报信息分析所述目标水域范围内的区间降水量;
根据所述区间降水量和所述流量数据分析所述目标水域范围内的蓄水变化量;
根据所述蓄水变化量、当前蓄水量和预设库容面积函数计算水域面积变化量。
8.根据权利要求1所述的基于遥感和降水对水域淹没范围进行预测的方法,其特征在于,所述基于所述当前遥感影像、水域分布信息和所述水域面积变化量对水域面积分布进行预测,得到水域面积分布的预测结果,包括:
根据所述水域分布信息分析每个像元的淹没概率;
基于所述水域面积变化量和遥感影像的预设像元空间分辨率计算待分配像元数量;
对所述当前遥感影像进行分析,得到当前淹没像元;
根据所述当前淹没像元从所述像元中筛选未淹没像元;
根据所述淹没概率对所述未淹没像元的优先级进行排序,得到分配序列;
根据所述待分配像元数量从所述分配序列中选取淹没概率高的像元进行分配,将分配后的像元和当前淹没像元构成的水域面积分布作为预测结果。
9.一种基于遥感和降水对水域淹没范围进行预测的装置,其特征在于,包括:
获取模块,用于获取来水预报信息、目标水域范围内的流量数据、当前蓄水量、当前遥感影像和历史遥感影像;
分析模块,用于根据所述历史遥感影像分析不同时间对应的水域分布信息;
计算模块,用于根据所述来水预报信息、当前蓄水量和所述流量数据计算所述目标水域范围内的水域面积变化量;
预测模块,用于基于所述当前遥感影像、水域分布信息和所述水域面积变化量对水域面积分布进行预测,得到水域面积分布的预测结果。
10.一种计算机设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-8任一项所述的基于遥感和降水对水域淹没范围进行预测的方法。
11.计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行权利要求1-8任一项所述的基于遥感和降水对水域淹没范围进行预测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906323.6A CN116629459B (zh) | 2023-07-24 | 2023-07-24 | 一种基于遥感和降水对水域淹没范围进行预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906323.6A CN116629459B (zh) | 2023-07-24 | 2023-07-24 | 一种基于遥感和降水对水域淹没范围进行预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116629459A true CN116629459A (zh) | 2023-08-22 |
CN116629459B CN116629459B (zh) | 2024-01-19 |
Family
ID=87592451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310906323.6A Active CN116629459B (zh) | 2023-07-24 | 2023-07-24 | 一种基于遥感和降水对水域淹没范围进行预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629459B (zh) |
Citations (9)
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 |
US20190316309A1 (en) * | 2018-04-17 | 2019-10-17 | One Concern, Inc. | Flood monitoring and management system |
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 |
US20200311842A1 (en) * | 2019-03-28 | 2020-10-01 | China Waterborne Transport Research Institute | Method for tracking, monitoring and evaluating ecological impact of channel project based on long-term time series satellite remote sensing data |
CN112700431A (zh) * | 2021-01-11 | 2021-04-23 | 武汉大学 | 基于遥感影像的洪水覆盖面的提取方法 |
CN115470612A (zh) * | 2022-07-26 | 2022-12-13 | 中国地质大学(北京) | 构造湖漫溢溃坝隐患预警方法、系统、介质及设备 |
CN116187554A (zh) * | 2023-02-15 | 2023-05-30 | 久瓴(上海)智能科技有限公司 | 流域的处理方法和装置、电子设备 |
CN116311039A (zh) * | 2023-02-16 | 2023-06-23 | 中国长江三峡集团有限公司 | 一种城市降水量反演方法、装置、计算机设备及存储介质 |
CN116403121A (zh) * | 2023-04-10 | 2023-07-07 | 西安电子科技大学 | 水体指数与极化信息多路径融合的遥感图像水域分割方法、系统及设备 |
-
2023
- 2023-07-24 CN CN202310906323.6A patent/CN116629459B/zh active Active
Patent Citations (9)
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 |
US20190316309A1 (en) * | 2018-04-17 | 2019-10-17 | One Concern, Inc. | Flood monitoring and management system |
US20200311842A1 (en) * | 2019-03-28 | 2020-10-01 | China Waterborne Transport Research Institute | Method for tracking, monitoring and evaluating ecological impact of channel project based on long-term time series satellite remote sensing data |
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 |
CN112700431A (zh) * | 2021-01-11 | 2021-04-23 | 武汉大学 | 基于遥感影像的洪水覆盖面的提取方法 |
CN115470612A (zh) * | 2022-07-26 | 2022-12-13 | 中国地质大学(北京) | 构造湖漫溢溃坝隐患预警方法、系统、介质及设备 |
CN116187554A (zh) * | 2023-02-15 | 2023-05-30 | 久瓴(上海)智能科技有限公司 | 流域的处理方法和装置、电子设备 |
CN116311039A (zh) * | 2023-02-16 | 2023-06-23 | 中国长江三峡集团有限公司 | 一种城市降水量反演方法、装置、计算机设备及存储介质 |
CN116403121A (zh) * | 2023-04-10 | 2023-07-07 | 西安电子科技大学 | 水体指数与极化信息多路径融合的遥感图像水域分割方法、系统及设备 |
Non-Patent Citations (5)
Title |
---|
万剑华;苏婧;盛辉;陈艳拢;: "利用静止轨道卫星开展绿潮业务化监测的可行性研究", 激光生物学报, no. 02, pages 63 - 68 * |
李大鹏;徐强;张霞;: "黑河中游生态土地面积的变化", 人民黄河, no. 11, pages 16 - 18 * |
王铭;宋开山;邵田田;吕冬梅;杜嘉;臧淑英;: "南美洲的地表水体制图研究", 地球信息科学学报, no. 10, pages 1260 - 1268 * |
罗竹;刘凯;张春亢;邓心远;马荣华;宋春桥;: "DEM在湖泊水文变化研究中的应用进展", 地球信息科学学报, no. 07, pages 108 - 119 * |
黄淑娥, 章毅之, 辜晓青: "基于遥感(RS)和地理信息系统(GIS)的鄱阳湖区洪涝灾害研究", 江西气象科技, no. 04, pages 44 - 46 * |
Also Published As
Publication number | Publication date |
---|---|
CN116629459B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021017998A1 (zh) | 文本位置定位方法和系统以及模型训练方法和系统 | |
CN108304775B (zh) | 遥感图像识别方法、装置、存储介质以及电子设备 | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
US20180096052A1 (en) | Systems and methods for management of multi-perspective customer segments | |
CN111402579A (zh) | 道路拥堵程度预测方法、电子装置及可读存储介质 | |
CN112101386B (zh) | 文本检测方法、装置、计算机设备和存储介质 | |
CN116452810A (zh) | 一种多层次语义分割方法、装置、电子设备及存储介质 | |
CN115953612A (zh) | 一种基于ConvNeXt的遥感影像植被分类方法和装置 | |
CN116629459B (zh) | 一种基于遥感和降水对水域淹没范围进行预测的方法 | |
CN116383521B (zh) | 主题词挖掘方法及装置、计算机设备及存储介质 | |
Freire Santana et al. | Multispectral image unsupervised segmentation using watershed transformation and cross-entropy minimization in different land use | |
CN111667450A (zh) | 一种船只数量统计方法、装置及电子设备 | |
CN106469437B (zh) | 图像处理方法和图像处理装置 | |
US20240161382A1 (en) | Texture completion | |
CN115100587A (zh) | 基于多元数据的区域乱采监测方法及装置 | |
Wu et al. | Salient object detection via reliable boundary seeds and saliency refinement | |
CN110827243B (zh) | 网格梁覆盖区域异常检测方法和装置 | |
CN111754419A (zh) | 图像处理方法、训练方法、装置、设备及计算机可读存储介质 | |
CN117474070B (zh) | 模型剪枝方法、人脸识别模型训练方法及人脸识别方法 | |
CN117370471B (zh) | 基于修剪平均的全局预测方法、装置、设备及存储介质 | |
CN115659900B (zh) | 用于呈现集成电路版图的方法、设备和介质 | |
CN116563674B (zh) | 样本图像增强方法、系统、电子设备及可读存储介质 | |
CN117473330B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN115801845B (zh) | 基于边缘计算的工业互联网数据采集方法及相关设备 | |
US20230116608A1 (en) | Management of recalibration of risk related models impacted by extreme weather events and climate change conditions |
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 |