CN117173578B - 雪线高程检测方法、装置、计算机设备及存储介质 - Google Patents
雪线高程检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117173578B CN117173578B CN202311440831.6A CN202311440831A CN117173578B CN 117173578 B CN117173578 B CN 117173578B CN 202311440831 A CN202311440831 A CN 202311440831A CN 117173578 B CN117173578 B CN 117173578B
- Authority
- CN
- China
- Prior art keywords
- snow
- preset
- coverage rate
- elevation
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000002844 melting Methods 0.000 claims abstract description 28
- 230000008018 melting Effects 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000010586 diagram Methods 0.000 claims description 53
- 230000008859 change Effects 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 241000533950 Leucojum Species 0.000 claims 5
- 102100040079 A-kinase anchor protein 4 Human genes 0.000 description 3
- 101710109924 A-kinase anchor protein 4 Proteins 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000005413 snowmelt Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 101100503387 Schizosaccharomyces pombe (strain 972 / ATCC 24843) fsc1 gene Proteins 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种雪线高程检测方法、装置、计算机设备及存储介质,该方法获取目标区域在融雪末期的平均积雪覆盖率对应的积雪区域栅格图像,基于积雪区域栅格图像和预设冰川编目数据,确定目标区域的积雪覆盖率阈值;基于积雪覆盖率阈值,对积雪区域栅格图像进行雪线提取,得到雪线像元栅格图像;基于雪线像元栅格图像和预设数字高程模型,确定目标区域的雪线高程,由于通过积雪区域栅格图像和预设冰川编目数据,实现了对目标区域的积雪覆盖率阈值的动态率定,提高了积雪覆盖率阈值的准确性,同时根据积雪覆盖率阈值对目标区域的积雪区域栅格图像进行雪线提取,提高了雪线提取效率和准确性,从而提高了雪线高程的检测效率和准确性。
Description
技术领域
本申请涉及遥感图像处理技术领域,具体涉及一种雪线高程检测方法、装置、计算机设备及存储介质。
背景技术
雪线即冰川积雪边界线,融雪末期冰川积雪边界线与冰川物质平衡线近似,即雪线高程即为雪线的海拔高度,其变化,能够反映区域水资源重要组成成分冰川积雪的变化情况,同时作为重要的气候指示器,其动态变化能够揭示区域气候的变化趋势。
相关技术中,对冰川积雪边线界和雪线海拔高度的监测方式主要是人工实地测量和人工遥感影像目视解译,耗费大量人力物力,并且不能大范围和长时间的进行观测,雪线高程检测效率低下。
发明内容
本申请实施例提供一种雪线高程检测方法、装置、计算机设备及存储介质,以解决人工检测存在的雪线高程检测效率低的技术问题。
一方面,本申请提供一种雪线高程检测方法,包括:
获取目标区域在融雪末期的平均积雪覆盖率对应的积雪区域栅格图像;
基于所述积雪区域栅格图像和预设冰川编目数据,确定所述目标区域的积雪覆盖率阈值;
基于所述积雪覆盖率阈值,对所述积雪区域栅格图像进行雪线提取,得到雪线像元栅格图像;
基于所述雪线像元栅格图像和预设数字高程模型,确定所述目标区域的雪线高程。
一方面,本申请提供一种雪线高程检测装置,包括:
获取模块,用于获取目标区域在融雪末期的平均积雪覆盖率对应的积雪区域栅格图像;
第一确定模块,用于基于所述积雪区域栅格图像和预设冰川编目数据,确定所述目标区域的积雪覆盖率阈值;
提取模块,用于基于所述积雪覆盖率阈值,对所述积雪区域栅格图像进行雪线提取,得到雪线像元栅格图像;
第二确定模块,用于基于所述雪线像元栅格图像和预设数字高程模型,确定所述目标区域的雪线高程。
一方面,本申请提供一种计算机设备,计算机设备包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述雪线高程检测方法中的步骤。
一方面,本申请提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述雪线高程检测方法中的步骤。
本申请实施例提供了一种雪线高程检测方法、装置、计算机设备及存储介质,该方法获取目标区域在融雪末期的平均积雪覆盖率对应的积雪区域栅格图像,基于积雪区域栅格图像和预设冰川编目数据,确定目标区域的积雪覆盖率阈值;基于积雪覆盖率阈值,对积雪区域栅格图像进行雪线提取,得到雪线像元栅格图像;基于雪线像元栅格图像和预设数字高程模型,确定目标区域的雪线高程,由于通过积雪区域栅格图像和预设冰川编目数据,实现了对目标区域的积雪覆盖率阈值的动态率定,提高了积雪覆盖率阈值的准确性,同时根据积雪覆盖率阈值对目标区域的积雪区域栅格图像进行雪线提取,提高了雪线提取效率和准确性,从而提高了雪线高程的检测效率和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为一个实施例中雪线高程检测方法的流程图;
图2为一个实施例中目标区域在2000年归一化差异积雪指数分布的示意图;
图3为一个实施例中积雪区域栅格图像的示意图;
图4为一个实施例中进行多项式拟合的示意图;
图5为一个实施例中3×3邻域示意图;
图6为一个实施例中积雪二值化栅格图像的示意图;
图7为一个实施例中雪线像元栅格图像的示意图;
图8为一个实施例中雪线高程的示意图;
图9为一个实施例中高程变化序列示意图;
图10为一个实施例中雪线高程检测装置的结构框图;
图11为一个实施例中计算机设备的结构框图。
具体实施方式
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,所描述的实施例仅仅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,本领域普通技术人员在没有作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。
如图1所示,在一个实施例中,提供了一种雪线高程检测方法,该雪线高程检测方法可以应用于终端,也可以应用于服务器,本实施例以应用于服务器举例说明。该雪线高程检测方法具体包括以下步骤:
步骤102,获取目标区域在融雪末期的平均积雪覆盖率对应的积雪区域栅格图像。
其中,目标区域是指需要进行雪线高程检测的江河源区,融雪末期可以是一年中的6月至9月时期。
积雪覆盖率即为FSC,可以通过目标区域中积雪遥感图像的NDSI(归一化差异积雪指数,Normalized Difference Snow Index)进行转换得到。平均积雪覆盖率是指目标区域在融雪末期的各个月份的积雪覆盖率的均值,也可以是融雪末期的积雪覆盖率,此处不作限制。积雪区域栅格图像为平均积雪覆盖率对应的栅格图。
在本实施例中,获取目标区域在融雪末期的平均积雪覆盖率对应的积雪区域栅格图像,可以包括:获取目标区域在融雪末期的归一化差异积雪指数集合,所述归一化差异积雪指数集合包括多个归一化差异积雪指数;采用预设的像素转换规则,对各个所述归一化差异积雪指数进行像素转换,得到多个积雪像素值;基于所述积雪像素值,生成所述积雪区域栅格图像。
其中,积雪像素值即为归一化差异积雪指数对应的平均积雪覆盖率的像素赋值。
其中,预设的像素转换规则为预先设置的用于将归一化差异积雪指数转换为积雪覆盖率的规则公式,该像素转换规则包括一个平均积雪覆盖率转换公式和像素赋值规则,平均积雪覆盖率转换公式为:
;
式中,FSC表示为归一化差异积雪指数对应的平均积雪覆盖率,NDSI为归一化差异积雪指数。
像素赋值规则如下:
(1)若计算得到 FSC ≤ 0,则积雪像素值赋值为FSC1=0;
(2)若计算得到 0<FSC ≤ 100,则积雪像素值为FSC1= FSC;
(3)若计算得到 FSC>100,则积雪像素值为FSC1=100。
上述像素赋值规则中,FSC1表示为积雪像素值。
在一个具体实施方式中,获取目标区域对应的积雪遥感图像,其积雪数据采用归一化差异积雪指数(NDSI)表示,取值范围为0~100,可用时间范围为2000-02-24~2022-09-11,空间分辨率为500m,时间分辨率为1天,并已做云掩膜处理,然后,筛选出2000~2020年研究区域融雪末期(6~9月)的所有数据,并计算每一年融雪末期的归一化差异积雪指数,如图2所示,为目标区域在2000年归一化差异积雪指数分布的示意图,然后对各个归一化差异积雪指数转化为平均积雪覆盖率,对各个积雪平均覆盖率进行积雪像素值赋值,得到各个平均积雪覆盖率对应的积雪像素值,该多个积雪像素值生成积雪区域栅格图像,如图3所示,为积雪区域栅格图像的示意图。
本实施例中,通过获取目标区域在融雪末期的平均积雪覆盖率对应的积雪区域栅格图像,以便后续基于积雪区域栅格图像对目标区域的雪线进行高效分析。
步骤104,基于所述积雪区域栅格图像和预设冰川编目数据,确定所述目标区域的积雪覆盖率阈值。
其中,预设冰川编目数据是指现有的冰川编目数据级集中的一种,如RGI6.0,CGI2或者GGI18数据等,预设冰川编目数据中的数据为矢量格式数据。
积雪覆盖率阈值是用于准确划分积雪区域栅格图像中积雪覆盖范围的平均积雪覆盖率的最佳值,在划分积雪区域和非积雪区域时,需要设定积雪覆盖率的阈值,即本实施例中的积雪覆盖率阈值,将大于积雪覆盖率阈值的区域判定为积雪覆盖区域,小于或者等于积雪覆盖率阈值的区域判定为非积雪覆盖区域,随着积雪覆盖率阈值的变化,积雪覆盖范围也会随之动态改变,积雪覆盖率阈值越大,积雪覆盖范围越小,积雪覆盖率阈值越小,积雪覆盖范围越大。因此,本实施例中,为了确保积雪覆盖范围划分的准确性,根据积雪区域栅格图像和预设冰川编目数据对积雪覆盖率的阈值进行动态率定,以便后续提高雪线提取的准确性和提取效率。同时,根据积雪区域栅格图像充分考虑了目标区域自身的积雪覆盖范围的划分,因此,提高了积雪覆盖率阈值的准确性,同时还可以针对不同的目标区域确定对应的积雪覆盖率阈值,具有广泛适应性。
在本实施例中,所述基于所述积雪区域栅格图像和预设冰川编目数据,确定所述目标区域的积雪覆盖率阈值,可以包括:设置多个预设积雪覆盖率阈值;针对每个所述预设积雪覆盖率阈值,确定所述积雪区域栅格图像对应的第一积雪范围矢量图和所述预设冰川编目数据对应的第二积雪范围矢量图;计算所述第一积雪范围矢量图与所述第二积雪范围矢量图的积雪交并比,得到各个预设积雪覆盖率阈值对应的积雪交并比;基于各个所述预设积雪覆盖率阈值和各自对应的所述积雪交并比,进行数据拟合,得到所述预设积雪覆盖率阈值与所述积雪交并比对应关系的拟合曲线表达式;对所述拟合曲线表达式进行规划求解,得到所述积雪覆盖率阈值。
其中,预设积雪覆盖率阈值可以是0,2,4,6……100,具体可以根据实际情况进行设置,此处不作限制。
第一积雪范围矢量图为一个预设积雪覆盖率阈值(如FSC2=2,FSC2表示预设积雪覆盖率阈值)下,积雪区域栅格图像的积雪覆盖范围对应的矢量图,在确定了预设积雪覆盖率阈值后,则可以将积雪区域栅格图像划分为积雪区域和非积雪区域,得到积雪覆盖范围的栅格图,将积雪覆盖范围的栅格图转换为矢量图,即可得到第一积雪范围矢量图。
第二积雪范围矢量图为一个预设积雪覆盖率阈值(如FSC_Value =2,FSC_Value表示预设积雪覆盖率阈值)下,预设冰川编目数据的积雪覆盖范围对应的矢量图,在确定了预设积雪覆盖率阈值后,则可以将预设冰川编目数据划分为积雪区域和非积雪区域,得到积雪覆盖范围的矢量图,也即第二积雪范围矢量图。
交并比是是指两个边界框交集和并集之比,本实施例中的积雪交并比是指第一积雪范围矢量图与第二积雪范围矢量图的交集,与第一积雪范围矢量图与第二积雪范围矢量图的并集之间的比值。
具体地,在确定了一个预设积雪覆盖率阈值,将积雪区域栅格图像中积雪像素值大于预设积雪覆盖率阈值的区域确定为积雪区域,将积雪区域栅格图像中积雪像素值小于或者等于预设积雪覆盖率阈值的区域确定为非积雪区域,从而得到该预设积雪覆盖率阈值下的积雪区域栅格图像对应的积雪覆盖范围的栅格图,将该积雪覆盖范围的栅格图转化为矢量图,从而得到第一积雪范围矢量图;同理,将预设冰川编目数据中大于预设积雪覆盖率阈值的区域确定为积雪区域,将预设冰川编目数据中小于或者等于预设积雪覆盖率阈值的区域确定为非积雪区域,从而得到该预设积雪覆盖率阈值下的第二积雪范围矢量图,然后,计算第一积雪范围矢量图与第二积雪范围矢量图的交集,交集用I表示、及第一积雪范围矢量图与第二积雪范围矢量图的并集之间的比值,并集用U表示,计算I/U的比值,即可得到一个预设积雪覆盖率阈值对应的积雪交并比,该积雪交并比用Ratio表示,接着,根据各个预设积雪覆盖率阈值FSC_Value,和各自对应的积雪交并比Ratio,进行数据拟合,得到FSC_Value与Ratio对应关系的拟合曲线表达式,对拟合曲线表达式进行规划求解,得到积雪覆盖率阈值。
在这个实施例中,基于各个所述预设积雪覆盖率阈值和各自对应的所述积雪交并比,进行数据拟合,得到所述预设积雪覆盖率阈值与所述积雪交并比对应关系的拟合曲线表达式,可以包括:将所述预设积雪覆盖率阈值作为自变量、各自对应的所述积雪交并比作为因变量,进行多项式拟合,得到所述拟合曲线表达式。
其中,多项式拟合是指将因变量和自变量之间的函数为多项式函数,例如,y=a.x6+b.x5+c.x4+d.x3+e.x2+f.x1+g,其中,y为因变量,x为自变量,a、b、c、d、e、f、g为多项式的系数。
具体地,将预设积雪覆盖率阈值FSC_Value作为自变量、各自对应的积雪交并比Ratio作为因变量,进行多项式拟合,可以是将预设积雪覆盖率阈值FSC_Value作为横坐标,各自对应的积雪交并比Ratio作为纵坐标,在二维坐标系上进行描点,采用多项式拟合,得到拟合曲线表达式。
在这个实施例中,所述对所述拟合曲线表达式进行规划求解,得到所述积雪覆盖率阈值,可以包括:基于所述拟合曲线表达式,计算最大因变量对应的自变量,得到所述积雪覆盖率阈值。
具体地,由于Ratio为积雪交并比,且交并比越大,表明与该交并比对应积雪覆盖率阈值更为准确,因此,本实施例中,求解最大因变量对应的自变量,作为积雪覆盖率阈值,确保了积雪覆盖率阈值为最佳的积雪覆盖率阈值,以便后续基于最佳的积雪覆盖率阈值进行雪线准确高效提取,有利于提高雪线提取的准确性和效率。
在一个具体实施方式中,设置51个预设积雪覆盖率阈值,分别是0,2,4,6……100,其中,预设积雪覆盖率阈值与积雪交并比的对应关系表如表1所示,表1为预设积雪覆盖率阈值与积雪交并比的对应关系表:
表1:预设积雪覆盖率阈值与积雪交并比的对应关系表
由于积雪覆盖范围在形态上不完全是连片且完整的,这使得积雪交并比Ratio不能够达到1,且存在一定的波动。为了取得最佳的积雪覆盖率阈值,对预设积雪覆盖率阈值和各自对应的积雪交并比进行多项式拟合,如图4所示,为进行多项式拟合的示意图,L1为进行多项式拟合后的曲线,L1的拟合曲线表达式如下:
其中,x表示为积雪覆盖率阈值,y表示为积雪交并比。对该拟合曲线表达式进行规划求解,即求取最大y对应的x值即为积雪覆盖率阈值,此时积雪覆盖率阈值为48.3192。
步骤106,基于所述积雪覆盖率阈值,对所述积雪区域栅格图像进行雪线提取,得到雪线像元栅格图像。
其中,雪线像元栅格图像是指雪线对应的像元形成的栅格图像。
具体地,在确定了积雪覆盖率阈值后,可以将积雪区域栅格图像中积雪像素值大于积雪覆盖率阈值的区域确定为积雪区域,将积雪区域栅格图像中积雪像素值小于或者等于积雪覆盖率阈值的区域确定为非积雪区域,从而得到积雪覆盖率阈值下的积雪区域栅格图像对应的积雪覆盖范围的栅格图,然后对积雪覆盖率阈值下的积雪区域栅格图像对应的积雪覆盖范围的栅格图进行雪线提取,如可以采用对积雪覆盖率阈值下的积雪区域栅格图像对应的积雪覆盖范围的栅格图进行邻域分析,提取雪线,得到雪线像元栅格图像。
在这个实施例中,所述基于所述积雪覆盖率阈值,对所述积雪区域栅格图像进行雪线提取,得到雪线像元栅格图像,可以包括:基于所述积雪覆盖率阈值,将所述积雪区域栅格图像进行二值化处理,得到积雪二值化栅格图像;对所述积雪二值化栅格图像进行邻域分析,生成积雪边界线栅格图像;从所述积雪边界线栅格图像中提取雪线像元,得到所述雪线像元栅格图像。
其中,二值化处理是指对将积雪区域栅格图像划分为积雪区域和非积雪区域的图像处理方式,用于后续提取积雪区域栅格图像的雪线,雪线像元栅格图像是指雪线像元的栅格图。
具体地,对积雪二值化栅格图像进行邻域分析,可以是对二值化栅格图做一个大小为n×n(n为大于1的整数,如3×3)的焦点分析,生成包含有积雪像元和非积雪像元的栅格图,即积雪边界线栅格图像,在一个示例中,对积雪二值化栅格图像进行3×3邻域分析,如图5所示,为一个3×3邻域示意图,由于雪线是区分雪线像元和非雪线像元的边界,因此,针对中间的一个像元P1,若P1周边的8个像元P2均为雪线像元,则判定P1是非雪线像元,若P1周边的8个像元P2有一个或者1个以上,则判定P1是雪线像元。如图6所示,为积雪二值化栅格图像的示意图,然后,从积雪边界线栅格图像中提取雪线像元,得到雪线像元的栅格图,即雪线像元栅格图像。如图7所示,为雪线像元栅格图像的示意图。
本实施例中,通过积雪覆盖率阈值,对积雪区域栅格图像进行雪线提取,得到雪线像元栅格图像,由于积雪覆盖率阈值是最佳的积雪覆盖率阈值,从而确保了雪线像元栅格图像的准确性,以便后续提高雪线高程计算的准确性。
步骤108,基于所述雪线像元栅格图像和预设数字高程模型,确定所述目标区域的雪线高程。
其中,预设数字高程模型是指现有的数字高程模型(Digital Elevation Model,简称DEM),用于计算海拔高度,即本实施例中的雪线高程。
具体地,将雪线像元栅格图像与数字高程模型进行相叠合,即可确定目标区域的雪线高程,如图8所示,为雪线高程的示意图。
本实施例中,通过将雪线像元栅格图像和预设数字高程模型进行相叠合,确定雪线高程,实现了对目标区域的雪线高程的检测,可以理解地,本实施例中由于通过积雪区域栅格图像和预设冰川编目数据,实现了对目标区域的积雪覆盖率阈值的动态率定,提高了积雪覆盖率阈值的准确性,同时根据积雪覆盖率阈值对目标区域的积雪区域栅格图像进行雪线提取,提高了雪线提取效率和准确性,从而提高了雪线高程的检测效率和准确性。
上述雪线高程检测方法中,通过积雪区域栅格图像和预设冰川编目数据,实现了对目标区域的积雪覆盖率阈值的动态率定,提高了积雪覆盖率阈值的准确性,同时根据积雪覆盖率阈值对目标区域的积雪区域栅格图像进行雪线提取,提高了雪线提取效率和准确性,从而提高了雪线高程的检测效率和准确性。
进一步地,在步骤108基于所述雪线像元栅格图像和预设数字高程模型,确定所述目标区域的雪线高程之后,还可以包括:获取所述目标区域的多个历史融雪末期对应的雪线高程,得到所述多个历史雪线高程;根据所述历史融雪末期的时间先后顺序,将所述历史雪线高程转化为高程变化序列;基于所述高程变化序列进行趋势分析,确定所述目标区域的雪线变化趋势。
具体地,首先获取目标区域的多个历史融雪末期对应的多个历史雪线高程,然后,根据历史融雪末期的时间先后顺序,将历史雪线高程转化为高程变化序列,该转化过程可以是根据各个不同时间及对应的历史雪线高程进行拟合分析,其中的拟合分析可以是线性拟合、移动平均或者5周期移动移动平均的方式,得到高程变化序列,根据高程变化序列分析确定目标区域的雪线变化趋势,实现了对目标区域雪线高程的变化情况的分析。
在一个示例中,如表2所示,为2000至2020年的雪线高程数据表:
表2:2000至2020年的雪线高程数据表
对表2中的数据进行拟合分析,生成高程变化序列,如图9所示,为表2中数据表对应的高程变化序列示意图。
如图10所示,在一个实施例中,提出了一种雪线高程检测装置10000,包括:
获取模块1002,用于获取目标区域在融雪末期的平均积雪覆盖率对应的积雪区域栅格图像;
第一确定模块1004,用于基于所述积雪区域栅格图像和预设冰川编目数据,确定所述目标区域的积雪覆盖率阈值;
提取模块1006,用于基于所述积雪覆盖率阈值,对所述积雪区域栅格图像进行雪线提取,得到雪线像元栅格图像;
第二确定模块1008,用于基于所述雪线像元栅格图像和预设数字高程模型,确定所述目标区域的雪线高程。
在一个实施例中,第一确定模块1004具体用于:
设置多个预设积雪覆盖率阈值;
针对每个所述预设积雪覆盖率阈值,确定所述积雪区域栅格图像对应的第一积雪范围矢量图和所述预设冰川编目数据对应的第二积雪范围矢量图;
计算所述第一积雪范围矢量图与所述第二积雪范围矢量图的积雪交并比,得到各个预设积雪覆盖率阈值对应的积雪交并比;
基于各个所述预设积雪覆盖率阈值和各自对应的所述积雪交并比,进行数据拟合,得到所述预设积雪覆盖率阈值与所述积雪交并比对应关系的拟合曲线表达式;
对所述拟合曲线表达式进行规划求解,得到所述积雪覆盖率阈值。
在一个实施例中,第一确定模块1004具体还用于:
将所述预设积雪覆盖率阈值作为自变量、各自对应的所述积雪交并比作为因变量,进行多项式拟合,得到所述拟合曲线表达式。
在一个实施例中,第一确定模块1004具体还用于:
基于所述拟合曲线表达式,计算最大因变量对应的自变量,得到所述积雪覆盖率阈值。
在一个实施例中,获取模块1002具体用于:
所述获取目标区域在融雪末期的平均积雪覆盖率对应的积雪区域栅格图像,包括:
获取所述目标区域在融雪末期的归一化差异积雪指数集合,所述归一化差异积雪指数集合包括多个归一化差异积雪指数;
采用预设的像素转换规则,对各个所述归一化差异积雪指数进行像素转换,得到多个积雪像素值;
基于所述积雪像素值,生成所述积雪区域栅格图像。
在一个实施例中,提取模块1006具体用于:
基于所述积雪覆盖率阈值,将所述积雪区域栅格图像进行二值化处理,得到积雪二值化栅格图像;
对所述积雪二值化栅格图像进行邻域分析,生成积雪边界线栅格图像;
从所述积雪边界线栅格图像中提取雪线像元,得到所述雪线像元栅格图像。
在一个实施例中,雪线高程检测装置1000还包括:
第一获取模块,用于获取所述目标区域的多个历史融雪末期对应的雪线高程,得到所述多个历史雪线高程;
转换模块,用于根据所述历史融雪末期的时间先后顺序,将所述历史雪线高程转化为高程变化序列;
第三确定模块,用于基于所述高程变化序列进行趋势分析,确定所述目标区域的雪线变化趋势。
图11示出了一个实施例中计算机设备的结构框图。该计算机设备具体可以是服务器,所述服务器包括但不限于高性能计算机和高性能计算机集群。如图11所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现雪线高程检测方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行雪线高程检测方法。本领域技术人员可以理解,图11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,本申请提供的雪线高程检测方法可以实现为一种计算机程序的形式,计算机程序可在如图11所示的计算机设备上运行。计算机设备的存储器中可存储组成雪线高程检测装置的各个程序模板。比如,获取模块1002,第一确定模块1004,提取模块1006,第二确定模块1008。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:获取目标区域在融雪末期的平均积雪覆盖率对应的积雪区域栅格图像;基于所述积雪区域栅格图像和预设冰川编目数据,确定所述目标区域的积雪覆盖率阈值;基于所述积雪覆盖率阈值,对所述积雪区域栅格图像进行雪线提取,得到雪线像元栅格图像;基于所述雪线像元栅格图像和预设数字高程模型,确定所述目标区域的雪线高程。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:获取目标区域在融雪末期的平均积雪覆盖率对应的积雪区域栅格图像;基于所述积雪区域栅格图像和预设冰川编目数据,确定所述目标区域的积雪覆盖率阈值;基于所述积雪覆盖率阈值,对所述积雪区域栅格图像进行雪线提取,得到雪线像元栅格图像;基于所述雪线像元栅格图像和预设数字高程模型,确定所述目标区域的雪线高程。
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,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,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、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种雪线高程检测方法,其特征在于,包括:
获取目标区域在融雪末期的平均积雪覆盖率对应的积雪区域栅格图像;
基于所述积雪区域栅格图像和预设冰川编目数据,确定所述目标区域的积雪覆盖率阈值,其中,所述基于所述积雪区域栅格图像和预设冰川编目数据,确定所述目标区域的积雪覆盖率阈值,包括:
设置多个预设积雪覆盖率阈值;
针对每个所述预设积雪覆盖率阈值,确定所述积雪区域栅格图像对应的第一积雪范围矢量图和所述预设冰川编目数据对应的第二积雪范围矢量图;
计算所述第一积雪范围矢量图与所述第二积雪范围矢量图的积雪交并比,得到各个预设积雪覆盖率阈值对应的积雪交并比;
基于各个所述预设积雪覆盖率阈值和各自对应的所述积雪交并比,进行数据拟合,得到所述预设积雪覆盖率阈值与所述积雪交并比对应关系的拟合曲线表达式,包括:
将所述预设积雪覆盖率阈值作为自变量、各自对应的所述积雪交并比作为因变量,进行多项式拟合,得到所述拟合曲线表达式;
对所述拟合曲线表达式进行规划求解,得到所述积雪覆盖率阈值,包括:
基于所述拟合曲线表达式,计算最大因变量对应的自变量,得到所述积雪覆盖率阈值;
基于所述积雪覆盖率阈值,对所述积雪区域栅格图像进行雪线提取,得到雪线像元栅格图像;
基于所述雪线像元栅格图像和预设数字高程模型,确定所述目标区域的雪线高程。
2.如权利要求1所述的雪线高程检测方法,其特征在于,所述获取目标区域在融雪末期的平均积雪覆盖率对应的积雪区域栅格图像,包括:
获取所述目标区域在融雪末期的归一化差异积雪指数集合,所述归一化差异积雪指数集合包括多个归一化差异积雪指数;
采用预设的像素转换规则,对各个所述归一化差异积雪指数进行像素转换,得到多个积雪像素值;
基于所述积雪像素值,生成所述积雪区域栅格图像。
3.如权利要求1所述的雪线高程检测方法,其特征在于,所述基于所述积雪覆盖率阈值,对所述积雪区域栅格图像进行雪线提取,得到雪线像元栅格图像,包括:
基于所述积雪覆盖率阈值,将所述积雪区域栅格图像进行二值化处理,得到积雪二值化栅格图像;
对所述积雪二值化栅格图像进行邻域分析,生成积雪边界线栅格图像;
从所述积雪边界线栅格图像中提取雪线像元,得到所述雪线像元栅格图像。
4.如权利要求1所述的雪线高程检测方法,其特征在于,在所述基于所述雪线像元栅格图像和预设数字高程模型,确定所述目标区域的雪线高程之后,还包括:
获取所述目标区域的多个历史融雪末期对应的雪线高程,得到所述多个历史雪线高程;
根据所述历史融雪末期的时间先后顺序,将所述历史雪线高程转化为高程变化序列;
基于所述高程变化序列进行趋势分析,确定所述目标区域的雪线变化趋势。
5.一种雪线高程检测装置,其特征在于,包括:
获取模块,用于获取目标区域在融雪末期的平均积雪覆盖率对应的积雪区域栅格图像;
第一确定模块,用于基于所述积雪区域栅格图像和预设冰川编目数据,确定所述目标区域的积雪覆盖率阈值,其中,所述基于所述积雪区域栅格图像和预设冰川编目数据,确定所述目标区域的积雪覆盖率阈值,包括:
设置多个预设积雪覆盖率阈值;
针对每个所述预设积雪覆盖率阈值,确定所述积雪区域栅格图像对应的第一积雪范围矢量图和所述预设冰川编目数据对应的第二积雪范围矢量图;
计算所述第一积雪范围矢量图与所述第二积雪范围矢量图的积雪交并比,得到各个预设积雪覆盖率阈值对应的积雪交并比;
基于各个所述预设积雪覆盖率阈值和各自对应的所述积雪交并比,进行数据拟合,得到所述预设积雪覆盖率阈值与所述积雪交并比对应关系的拟合曲线表达式,包括:
将所述预设积雪覆盖率阈值作为自变量、各自对应的所述积雪交并比作为因变量,进行多项式拟合,得到所述拟合曲线表达式;
对所述拟合曲线表达式进行规划求解,得到所述积雪覆盖率阈值,包括:
基于所述拟合曲线表达式,计算最大因变量对应的自变量,得到所述积雪覆盖率阈值;
提取模块,用于基于所述积雪覆盖率阈值,对所述积雪区域栅格图像进行雪线提取,得到雪线像元栅格图像;
第二确定模块,用于基于所述雪线像元栅格图像和预设数字高程模型,确定所述目标区域的雪线高程。
6.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述雪线高程检测方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述雪线高程检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311440831.6A CN117173578B (zh) | 2023-11-01 | 2023-11-01 | 雪线高程检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311440831.6A CN117173578B (zh) | 2023-11-01 | 2023-11-01 | 雪线高程检测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117173578A CN117173578A (zh) | 2023-12-05 |
CN117173578B true CN117173578B (zh) | 2024-02-06 |
Family
ID=88943479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311440831.6A Active CN117173578B (zh) | 2023-11-01 | 2023-11-01 | 雪线高程检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173578B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10012056B1 (en) * | 2017-04-28 | 2018-07-03 | Shale Specialists, LLC | Method for forecasting well production and determining ultimate recoveries using bubble point decline curve analysis |
CN110136194A (zh) * | 2019-05-21 | 2019-08-16 | 吉林大学 | 基于星载多光谱遥感数据的积雪覆盖度测算方法 |
CN114494864A (zh) * | 2022-01-17 | 2022-05-13 | 中国科学院地理科学与资源研究所 | 基于遥感数据的积雪物候信息的提取方法 |
CN116246272A (zh) * | 2022-11-28 | 2023-06-09 | 中国科学院空天信息创新研究院 | 针对国产卫星多光谱图像质量标记的云雪区分方法 |
CN116882204A (zh) * | 2023-09-05 | 2023-10-13 | 成都理工大学 | 一种无实测径流资料地区暴雨-融雪洪峰径流强度估算方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7915011B2 (en) * | 2009-03-05 | 2011-03-29 | E.I. Du Pont De Nemours And Company | Host cell modifications that improve peptide production and downstream processing |
US20170228743A1 (en) * | 2016-02-05 | 2017-08-10 | Weather Analytics, LLC | Crop forecasting with incremental feature selection and spectrum constrained scenario generation |
CN114359728B (zh) * | 2021-12-31 | 2022-09-13 | 生态环境部卫星环境应用中心 | 一种河道类型遥感提取方法 |
-
2023
- 2023-11-01 CN CN202311440831.6A patent/CN117173578B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10012056B1 (en) * | 2017-04-28 | 2018-07-03 | Shale Specialists, LLC | Method for forecasting well production and determining ultimate recoveries using bubble point decline curve analysis |
CN110136194A (zh) * | 2019-05-21 | 2019-08-16 | 吉林大学 | 基于星载多光谱遥感数据的积雪覆盖度测算方法 |
CN114494864A (zh) * | 2022-01-17 | 2022-05-13 | 中国科学院地理科学与资源研究所 | 基于遥感数据的积雪物候信息的提取方法 |
CN116246272A (zh) * | 2022-11-28 | 2023-06-09 | 中国科学院空天信息创新研究院 | 针对国产卫星多光谱图像质量标记的云雪区分方法 |
CN116882204A (zh) * | 2023-09-05 | 2023-10-13 | 成都理工大学 | 一种无实测径流资料地区暴雨-融雪洪峰径流强度估算方法 |
Non-Patent Citations (3)
Title |
---|
Comparison of snow indexes in estimating snow cover fraction in a mountainous area in Northwestern China;Jintang Lin et al.;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;第9卷(第4期);第725-729页 * |
FY- 3A/MERSI 积雪制图中NDSI 指标建立及积雪判识模型研究———以祁连山区为例;韩涛等;《冰川冻土》;第40卷(第3期);第511-527页 * |
长江上游大尺度分布式水文模型的构建及应用;许继军等;《水利学报》;第38卷(第2期);第182-190页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117173578A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021532459A (ja) | 標的細胞標識方法、装置、記憶媒体及び端末デバイス | |
CN110544298B (zh) | 变电站建模方法、装置、计算机设备和存储介质 | |
CN110517334B (zh) | 一种矢量地图数据获取的方法及装置 | |
Caracciolo et al. | Exploiting historical rainfall and landslide data in a spatial database for the derivation of critical rainfall thresholds | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
CN110673146B (zh) | 气象预测图检测方法、装置、计算机设备和可读存储介质 | |
Van den Berg et al. | Copula-based downscaling of spatial rainfall: a proof of concept | |
Metz et al. | Accurate stream extraction from large, radar-based elevation models. | |
LU501209B1 (en) | Method and apparatus for improving spatial resolution of data, computer-readable storage medium, and terminal device | |
CN117173578B (zh) | 雪线高程检测方法、装置、计算机设备及存储介质 | |
CN117150437A (zh) | 多源卫星海面风场数据融合方法、装置、设备及介质 | |
CN110674324A (zh) | 雷达数据存储方法、装置、计算机设备和存储介质 | |
Schumann et al. | Evaluating uncertain flood inundation predictions with uncertain remotely sensed water stages | |
Han et al. | A non-destructive approach to estimate buttress volume using 3D point cloud data | |
CN102706326B (zh) | 光束法空中三角测量文件数据处理方法 | |
CN111476308A (zh) | 基于先验几何约束的遥感影像分类方法、装置和电子设备 | |
CN115271332A (zh) | 一种旱情监测方法 | |
Roussel et al. | Classification of high-voltage power line structures in low density ALS data acquired over broad non-urban areas | |
Silva et al. | Automatic road extraction in rural areas, based on the Radon transform using digital images | |
CN115393586A (zh) | 农田育种区域划分方法、装置、计算机设备及介质 | |
CN112668578A (zh) | 指针式仪表读数方法、装置、计算机设备和存储介质 | |
CN113077513B (zh) | 视觉定位方法、装置和计算机设备 | |
Drzewiecki et al. | Multifractal parameters in prediction of land-use components on satellite images | |
CN117035558B (zh) | 一种农产品质量检测方法、系统及存储介质 | |
CN114722645B (zh) | 影响径流变化的因素贡献率获取方法、系统、介质和设备 |
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 |