CN117315501B - 一种基于水体斑块形状和相邻关系的遥感水体分类方法 - Google Patents
一种基于水体斑块形状和相邻关系的遥感水体分类方法 Download PDFInfo
- Publication number
- CN117315501B CN117315501B CN202311373264.7A CN202311373264A CN117315501B CN 117315501 B CN117315501 B CN 117315501B CN 202311373264 A CN202311373264 A CN 202311373264A CN 117315501 B CN117315501 B CN 117315501B
- Authority
- CN
- China
- Prior art keywords
- water
- water body
- data
- river
- plaque
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 348
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000011160 research Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 239000002352 surface water Substances 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000012876 topography Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000001788 irregular Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 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
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06V10/70—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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于水体斑块形状和相邻关系的遥感水体分类方法,包括以下步骤:步骤1、将原始水体数据与数字地形高程数据提取出的河流水系位置数据进行叠置分析,得到初级河流水体数据;步骤2、采用邻近分析的方法对原始水体数据中的水体斑块进行识别,得到模糊水体数据;步骤3、计算模糊水体数据中水体斑块的形状指数,剔除其中的河流水体,得到筛选后的模糊水体数据;将其与初级河流水体数据作擦除操作,得到最终河流数据;步骤4、根据不同水体的形状特征对筛选后的模糊水体数据分类。本发明所述方法,能够快速有效的对大面积流域水体进行分类,准确度高,可靠性强,适用范围广,为陆表水域变化研究提供科学依据。
Description
技术领域
本发明涉及遥感水体分类技术领域,尤其涉及一种基于水体斑块形状和相邻关系的遥感水体分类方法。
背景技术
陆表水域是全球水循环主要组成部分之一,常以河流、湖泊、水库等水体形式存在。陆表水域的空间分布一定程度上反映着陆表水资源的储存、利用状况,而其波动或变化体现着气候变化、地表过程及人类活动对水循环、物质迁移及生态系统变化的影响。因此,全面实时掌握陆表水域的空间分布特征、持续监测其动态变化,是推动水循环研究、加强水资源管理的一项重要基础工作。
以往的研究针对光谱特征相同但代表不同地物类型的对象,提出了三种相互补充的形状量测因子(致密度、圆度和凸性)来分类在Landsat影像上形态迥异的不同水体对象,其核心是确定水体的形状。但仅依靠水体形状无法准确识别出水体类型,一是河流和湖泊通常为一体,从形态学角度难以将二者区分开,一些断流的河道也容易识别为湖泊;二是受遥感影像分辨率的限制,较低分辨率情况下水体的边缘模糊,形状难以界定。因此如何对遥感影像中的水体实现快速、准确分类是本领域需要解决的技术问题。
分形几何学诞生于上世纪70年代末80年代初,它的建立是由于传统欧式几何学在许多方面的不足,由此衍生出的一门研究不规则几何形态的新兴学科,由Mandelbrot最先提出。分形是不规则的、不完整的意思,它可以是一种具有自相似性的图形、现象或物理过程等。
发明内容
本发明的目的在于提供一种基于水体斑块形状和相邻关系的遥感水体分类方法,以解决上述技术问题。
为实现上述目的,本发明提供如下技术方案:
本发明公开一种基于水体斑块形状和相邻关系的遥感水体分类方法,所述方法包括以下步骤:
步骤1、根据研究区数字地形高程数据提取河流水系位置及拓扑关系,获取研究区的遥感水体数据作为“原始水体数据”,并将“原始水体数据”与数字地形高程数据提取出的河流水系位置数据进行叠置分析,得到“初级河流水体数据”;
步骤2、采用邻近分析的方法对“原始水体数据”中的水体斑块进行识别,先对非水体斑块进行识别剔除,再对剩余的水体斑块进行识别归类,得到“模糊水体数据”;
步骤3、计算“模糊水体数据”中水体斑块的形状指数,根据不同水体类型的水体特征与形状指数划分水体斑块类型,剔除其中的河流水体,得到“筛选后的模糊水体数据”;将“初级河流水体数据”与“筛选后的模糊水体数据”作擦除操作处理,得到“最终河流数据”,即判定出研究区的河流水体类型;
步骤4、根据不同水体的形状特征对“筛选后的模糊水体数据”分类,划分出水库、坑塘水体类型,剩余为湖泊水体类型;最终将研究区水体划分为四种水体类型即河流、湖泊、水库和坑塘。
进一步的是,步骤1中所述根据研究区数字地形高程数据提取河流水系位置及拓扑关系的具体过程为:根据地表水流由高至低流淌的自然法则计算研究区数字地形高程数据中每一网格点的汇水能力,汇水能力大于设定阈值的网格点即属于汇水线,将这些汇水能力大于设定阈值的离散网格点连接起来即为提取的汇水线,进而得到该区域的河流水系位置和拓扑关系。
进一步的是,步骤1中所述将“原始水体数据”与数字地形高程提取出的河流水系位置数据进行叠置分析的具体过程为:首先将研究区的遥感水体数据在Arcgis软件中由栅格格式转换为矢量格式;其次利用数字地形高程数据提取的河流水系位置图与遥感水体数据进行叠置分析,判断遥感水体数据是否落在数字地形高程数据提取的河流水系位置图上,如果落在数字地形高程数据提取的河流水系位置图上,则识别为“初级河流水体数据”。
进一步的是,步骤2中所述对非水体斑块进行识别剔除的具体过程为:将“原始水体数据”利用Arcgis软件中的分割工具对相邻的水体斑块进行分割,判断水体斑块与河流水系的距离是否超过设定阈值,设定阈值为2个分辨率单元,超过设定阈值则判定为水体斑块与河流水系不接连,即识别为非水体斑块,进行剔除。
进一步的是,步骤2中所述对剩余的水体斑块进行识别归类的具体过程为:在Arcgis软件中,进行邻近工具操作,在邻近工具中输入水体斑块和邻近水体斑块的距离,设定阈值为2个分辨率单元,输出结果中Near_Dist=-1代表未发现邻近水体斑块,则将该水体斑块识别为“模糊水体数据”。
进一步的是,步骤3中所述不同水体类型的水体特征具体为:河流呈弯曲线状;水库呈面状,有普查坐标数据并与河道连接;湖泊呈独立斑块状,面积大于0.1km2;坑塘呈独立斑块状,面积小于等于0.1km2;
所述形状指数k的计算公式为:
式中,k为形状指数,无量纲;p为水体分形曲线长度,m;s为曲线包围的面积,m2。
本发明的有益效果是:本发明所述的一种基于水体斑块形状和相邻关系的遥感水体分类方法,结合水体斑块形状特征以及相邻水体斑块的邻居关系对遥感水体进行识别和分类,能够快速有效的对大面积流域水体进行分类,准确度高,可靠性强,适用范围广,为陆表水域变化研究提供科学依据。
下面结合附图及具体实施方式对本发明作进一步详细说明。
附图说明
图1为海河流域的原始水体数据示意图;
图2为海河流域的DEM数据示意图;
图3为提取的海河流域的河流水系位置及拓扑关系示意图;
图4为海河流域的原始水体数据与DEM数据叠置分析过程示意图;
图5为海河流域的模糊水体数据示意图;
图6为海河流域的水体分类结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明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。
本发明公开一种基于水体斑块形状和相邻关系的遥感水体分类方法,所述方法包括以下步骤:
步骤1、根据研究区数字地形高程(DEM)数据提取河流水系位置及拓扑关系,获取研究区的遥感水体数据作为“原始水体数据”,并将“原始水体数据”与数字地形高程数据提取出的河流水系位置数据进行叠置分析,得到“初级河流水体数据”。
根据研究区DEM数据提取河流水系位置及拓扑关系,具体为根据地表水流由高至低流淌的自然法则计算DEM数据中每一网格点的汇水能力,汇水能力大于设定阈值的网格点即属于汇水线,将这些汇水能力大于设定阈值的离散网格点连接起来便可以将汇水线提取出来,得到该区域的河流水系位置和拓扑关系。在这个过程中,首先填补原始DEM中的洼地部分得到无洼地高程矩阵;然后在无洼地高程矩阵的基础上去计算水流方向矩阵;最后在水流方向矩阵的基础上再去计算水流累积矩阵;在得到上述三个矩阵后,便可进行水文特性提取和汇水区域计算等一系列水文分析操作。
研究区的遥感水体数据一般通过全球JRC(Joint Research Centre of theEuropean Commission)遥感水体数据来获取,作为“原始水体数据”,然后将其与DEM提取的河流水系位置数据进行叠置分析,判定“原始水体数据”是否落入DEM提取的河流水体位置上,如果在则判定为“初级河流水体数据”,如果不在则判定为其他水体类型。比如在北方地区存在较多的断流河道,这些河道中的水体容易被误判为独立的湖泊,但掌握了河流的位置及拓扑关系,就可以区分是河道内的河流水体还是其他水体类型。
具体的,首先将研究区的遥感水体数据在Arcgis软件中由栅格格式转换为矢量格式;其次利用DEM提取的河流水系位置图(矢量格式)与遥感水体数据(矢量格式)进行叠置分析,判断遥感水体数据是否落在DEM提取的河流水系位置图上,如果落在DEM提取的河流水系位置图上,则识别为“初级河流水体数据”。
步骤2、采用邻近分析的方法对“原始水体数据”中的水体斑块进行识别,先对非水体斑块进行识别剔除,再对剩余的水体斑块进行识别归类,得到“模糊水体数据”。
以往的水体分类经常无法判定遥感水体数据中的水体斑块是阴影误差还是真实水体,建筑物阴影、黑色地表物体都可能被提取为水体。通常小型的散落真实水体需要依托河流存在,能够补水而不至于干涸,基于这一特点,采用邻近分析方法,对“原始水体数据”中的水体斑块进行识别。
具体的,将“原始水体数据”利用Arcgis软件的分割工具对相邻的水体斑块进行分割,将不与河流水系连接的水体斑块识别为非水体斑块,非水体斑块大部分为山体、建筑物阴影,被遥感卫星误识别为水体,需要剔除。具体操作过程中,判断水体斑块与河流水系的距离是否超过设定阈值,设定阈值为2个分辨率单元,超过设定阈值则判定为不接连,即识别为非水体斑块。
对非水体斑块剔除后,进一步识别剩余水体斑块的类型。在Arcgis软件中,进行邻近(Near)工具操作,在邻近工具中输入水体斑块和邻近水体斑块的距离,设定阈值为2个分辨率单元(2×30m),输出结果中Near_Dist=-1代表未发现邻近水体斑块,即60m内无其他邻近水体斑块,则该水体斑块为湖泊等其他非河流水体的可能性较大,将这些水体斑块识别为“模糊水体数据”,此时的“模糊水体数据”仍有可能是河流,在下一步再进行识别。
步骤3、计算“模糊水体数据”中水体斑块的形状指数,根据不同水体类型的水体特征与形状指数划分水体斑块类型,剔除其中的河流水体,得到“筛选后的模糊水体数据”;将“初级河流水体数据”与“筛选后的模糊水体数据”作擦除操作处理,得到“最终河流数据”,即判定出研究区的河流水体类型。
不同水体类型的水体特征表现为:湖泊、水库、坑塘呈面状,河流呈弯曲的线状。不同类型的水体其形状各不一致:湖泊的边界一般较平坦光滑,河流呈窄而长的线性形状,坑塘形状较圆滑近似椭圆,小水库形状也较圆滑但边界有一部分呈直线,大水库由于受地形影响其边界呈山体等高线形状。
从形状规则程度来看,由于不同水体类型的形状都不同,因此水体斑块的形状指数也有明显的差异,计算斑块的形状指数,通过设定阈值可将水体进一步详细分类。
形状指数k的计算公式为:
式中,k为形状指数,无量纲;p为水体分形曲线长度,m;s为曲线包围的面积,m2。
圆的形状指数最大,正方形次之。一般情形,形状越不规则,其形状指数越小。因此,河流的形状指数较湖泊、水库、坑塘要小。各类型水体的水体特征与形状指数如表1所示。
表1各类型水体的水体特征与形状指数
计算“模糊水体数据”中水体斑块的形状指数,通过设定阈值剔除河流水体,得到“筛选后的模糊水体数据”。将“初级河流水体数据”与“筛选后的模糊水体数据”在Arcgis软件中作擦除(Erase)操作处理,得到“最终河流数据”,即能够判定出研究区的河流水体类型。
步骤4、根据不同水体的形状特征对“筛选后的模糊水体数据”分类,划分出水库、坑塘水体类型,剩余为湖泊水体类型;最终将研究区水体划分为四种水体类型即河流、湖泊、水库和坑塘。
“筛选后的模糊水体数据”已经剔除了河流水体,其中含有湖泊、水库和坑塘等水体类型,进一步根据不同水体的形状特征对“筛选后的模糊水体数据”分类,先划分出水库、坑塘水体类型,剩余即为湖泊水体类型。
具体的,根据水库有水利普查坐标点、坑塘面积远小于湖泊等水体特点,在不同图层中采用叠加、擦除等操作,区分出湖泊、水库与坑塘水体。先根据坐标点数据从“筛选后的模糊水体数据”中分离出水库水体,再从“筛选后的模糊水体数据”中分离出面积小于等于0.1km2的水体斑块,即为坑塘水体,剩余即为湖泊水体。最终将水体分为四种类型即河流、湖泊、水库和坑塘。
实施例一
本实施例是上述方法的具体应用实例,本实施例选取海河流域作为研究区。
本实施例公开了一种基于水体斑块形状和相邻关系的遥感水体分类方法,所述方法包括以下步骤:
步骤1、以海河流域2000年的Landsat5影像提取的地表水体数据为基础,作为“原始水体数据”,如图1所示。海河流域基于30m分辨率的DEM数据如图2所示,在Arcgis软件中使用Spatial Analyst Tools中的水文分析工具,提取河流水系位置及拓扑关系信息如图3所示,将其作为先验知识,与“原始水体数据”进行叠置分析,得到“初级河流水体数据”,如图4、图5所示。
步骤2、将“原始水体数据”利用Arcgis软件的分割工具对相邻的水体斑块进行分割,首先将非水体斑块识别出来并剔除,再进一步识别剩余水体斑块的类型。利用Arcgis软件中邻近工具进行判定,将Near_Dist=-1的水体数据挑选出来,得到“模糊水体数据”。海河流域共得到128938个水体识别点,即“模糊水体数据”,结果如图5所示。
步骤3、根据上述形状指数的计算公式来计算海河流域的“模糊水体数据”中水体斑块的形状指数,并根据表1中的水体特征与形状指数的阈值范围划分水体斑块类型。剔除其中的河流水体,得到“筛选后的模糊水体数据”;将“初级河流数据”与“筛选后的模糊水体数据”在Arcgis软件中作Erase操作处理,得到“最终河流数据”,即判定出海河流域的河流水体类型。
步骤4、根据不同水体的形状特征对“筛选后的模糊水体数据”进行分类,最终将海河流域水体分为四种类型,即河流、湖泊、水库和坑塘,如图6所示。
最后应说明的是,以上所述仅用以说明本发明的技术方案而非限制,尽管参照较佳布置方案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。
Claims (4)
1.一种基于水体斑块形状和相邻关系的遥感水体分类方法,其特征在于,所述方法包括以下步骤:
步骤1、根据研究区数字地形高程数据提取河流水系位置及拓扑关系,获取研究区的遥感水体数据作为“原始水体数据”,并将“原始水体数据”与数字地形高程数据提取出的河流水系位置数据进行叠置分析,得到“初级河流水体数据”;
步骤2、采用邻近分析的方法对“原始水体数据”中的水体斑块进行识别,先对非水体斑块进行识别剔除,再对剩余的水体斑块进行识别归类,得到“模糊水体数据”;
步骤3、计算“模糊水体数据”中水体斑块的形状指数,根据不同水体类型的水体特征与形状指数划分水体斑块类型,剔除其中的河流水体,得到“筛选后的模糊水体数据”;将“初级河流水体数据”与“筛选后的模糊水体数据”作擦除操作处理,得到“最终河流数据”,即判定出研究区的河流水体类型;
步骤4、根据不同水体的形状特征对“筛选后的模糊水体数据”分类,划分出水库、坑塘水体类型,剩余为湖泊水体类型;最终将研究区水体划分为四种水体类型即河流、湖泊、水库和坑塘;
步骤1中所述根据研究区数字地形高程数据提取河流水系位置及拓扑关系的具体过程为:根据地表水流由高至低流淌的自然法则计算研究区数字地形高程数据中每一网格点的汇水能力,汇水能力大于设定阈值的网格点即属于汇水线,将这些汇水能力大于设定阈值的离散网格点连接起来即为提取的汇水线,进而得到该区域的河流水系位置和拓扑关系;
步骤2中所述对非水体斑块进行识别剔除的具体过程为:将“原始水体数据”利用Arcgis软件中的分割工具对相邻的水体斑块进行分割,判断水体斑块与河流水系的距离是否超过设定阈值,设定阈值为2个分辨率单元,超过设定阈值则判定为水体斑块与河流水系不接连,即识别为非水体斑块,进行剔除。
2.根据权利要求1所述的一种基于水体斑块形状和相邻关系的遥感水体分类方法,其特征在于,步骤1中所述将“原始水体数据”与数字地形高程提取出的河流水系位置数据进行叠置分析的具体过程为:首先将研究区的遥感水体数据在Arcgis软件中由栅格格式转换为矢量格式;其次利用数字地形高程数据提取的河流水系位置图与遥感水体数据进行叠置分析,判断遥感水体数据是否落在数字地形高程数据提取的河流水系位置图上,如果落在数字地形高程数据提取的河流水系位置图上,则识别为“初级河流水体数据”。
3.根据权利要求1所述的一种基于水体斑块形状和相邻关系的遥感水体分类方法,其特征在于,步骤2中所述对剩余的水体斑块进行识别归类的具体过程为:在Arcgis软件中,进行邻近工具操作,在邻近工具中输入水体斑块和邻近水体斑块的距离,设定阈值为2个分辨率单元,输出结果中Near_Dist=-1代表未发现邻近水体斑块,则将该水体斑块识别为“模糊水体数据”。
4.根据权利要求1所述的一种基于水体斑块形状和相邻关系的遥感水体分类方法,其特征在于,步骤3中所述不同水体类型的水体特征具体为:河流呈弯曲线状;水库呈面状,有普查坐标数据并与河道连接;湖泊呈独立斑块状,面积大于0.1km2;坑塘呈独立斑块状,面积小于等于0.1km2;
所述形状指数k的计算公式为:
式中,k为形状指数,无量纲;p为水体分形曲线长度,m;s为曲线包围的面积,m2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311373264.7A CN117315501B (zh) | 2023-10-23 | 2023-10-23 | 一种基于水体斑块形状和相邻关系的遥感水体分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311373264.7A CN117315501B (zh) | 2023-10-23 | 2023-10-23 | 一种基于水体斑块形状和相邻关系的遥感水体分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117315501A CN117315501A (zh) | 2023-12-29 |
CN117315501B true CN117315501B (zh) | 2024-04-12 |
Family
ID=89237239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311373264.7A Active CN117315501B (zh) | 2023-10-23 | 2023-10-23 | 一种基于水体斑块形状和相邻关系的遥感水体分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117315501B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092930A (zh) * | 2017-04-21 | 2017-08-25 | 中国科学院遥感与数字地球研究所 | 一种将数字规划地图(dlg)数据用于高分辨率遥感图像地表覆盖分类的方法 |
CN109919070A (zh) * | 2019-02-28 | 2019-06-21 | 南京师范大学 | 一种剖面形态自适应拟合的海岸线遥感推算方法 |
CN110688961A (zh) * | 2019-09-30 | 2020-01-14 | 北京大学 | 一种河网拓扑信息提取方法及系统 |
CN111310681A (zh) * | 2020-02-24 | 2020-06-19 | 中国科学院地理科学与资源研究所 | 一种融入地学知识的红树林分布遥感提取方法 |
CN111339989A (zh) * | 2020-03-12 | 2020-06-26 | 北京观澜智图科技有限公司 | 一种水体提取方法、装置、设备及存储介质 |
CN114091239A (zh) * | 2021-10-26 | 2022-02-25 | 中国长江三峡集团有限公司 | 一种提高生成流域及河流精度的方法 |
CN114494897A (zh) * | 2021-12-23 | 2022-05-13 | 中国矿业大学 | 一种融合斑块形状指数的高分辨率遥感影像道路提取方法 |
CN114724049A (zh) * | 2022-04-11 | 2022-07-08 | 中国科学院南京地理与湖泊研究所 | 基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法 |
CN115294183A (zh) * | 2022-08-05 | 2022-11-04 | 河海大学 | 一种基于多源遥感数据的碟型子湖水体时序提取方法 |
CN116222500A (zh) * | 2023-05-08 | 2023-06-06 | 山东锋士信息技术有限公司 | 一种基于遥感数据的全河段河道断面面积动态监测方法 |
-
2023
- 2023-10-23 CN CN202311373264.7A patent/CN117315501B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092930A (zh) * | 2017-04-21 | 2017-08-25 | 中国科学院遥感与数字地球研究所 | 一种将数字规划地图(dlg)数据用于高分辨率遥感图像地表覆盖分类的方法 |
CN109919070A (zh) * | 2019-02-28 | 2019-06-21 | 南京师范大学 | 一种剖面形态自适应拟合的海岸线遥感推算方法 |
CN110688961A (zh) * | 2019-09-30 | 2020-01-14 | 北京大学 | 一种河网拓扑信息提取方法及系统 |
CN111310681A (zh) * | 2020-02-24 | 2020-06-19 | 中国科学院地理科学与资源研究所 | 一种融入地学知识的红树林分布遥感提取方法 |
CN111339989A (zh) * | 2020-03-12 | 2020-06-26 | 北京观澜智图科技有限公司 | 一种水体提取方法、装置、设备及存储介质 |
CN114091239A (zh) * | 2021-10-26 | 2022-02-25 | 中国长江三峡集团有限公司 | 一种提高生成流域及河流精度的方法 |
CN114494897A (zh) * | 2021-12-23 | 2022-05-13 | 中国矿业大学 | 一种融合斑块形状指数的高分辨率遥感影像道路提取方法 |
CN114724049A (zh) * | 2022-04-11 | 2022-07-08 | 中国科学院南京地理与湖泊研究所 | 基于高分辨率遥感影像数据的内陆养殖坑塘水面识别方法 |
CN115294183A (zh) * | 2022-08-05 | 2022-11-04 | 河海大学 | 一种基于多源遥感数据的碟型子湖水体时序提取方法 |
CN116222500A (zh) * | 2023-05-08 | 2023-06-06 | 山东锋士信息技术有限公司 | 一种基于遥感数据的全河段河道断面面积动态监测方法 |
Non-Patent Citations (1)
Title |
---|
"湖盆数据未知的湖泊动态库容遥感监测方法";朱长明 等;《测绘学报》;20150331;第44卷(第3期);第309-315页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117315501A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Glacial lake inventory of high-mountain Asia in 1990 and 2018 derived from Landsat images | |
CN102054274B (zh) | 一种海岸带水体遥感信息全自动提取方法 | |
CN111028255B (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
Matkan et al. | Road extraction from lidar data using support vector machine classification | |
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 | |
CN103646246A (zh) | 一种基于决策树模型的多光谱遥感影像河流信息提取方法 | |
CN114067114B (zh) | 一种基于藻类细胞形态的面积核分割计数方法 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN114821355B (zh) | 海岸线自动化识别方法和装置 | |
CN116704333B (zh) | 一种基于激光点云数据的单株林木检测方法 | |
Qin et al. | OpenGF: An ultra-large-scale ground filtering dataset built upon open ALS point clouds around the world | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
CN110084302A (zh) | 一种基于遥感图像的裂缝检测方法 | |
Liu et al. | Derivation of spatially detailed lentic habitat map and inventory at a basin scale by integrating multispectral Sentinel-2 satellite imagery and USGS Digital Elevation Models | |
CN102542259B (zh) | 一种近岸陆上水体的识别方法 | |
CN117315501B (zh) | 一种基于水体斑块形状和相邻关系的遥感水体分类方法 | |
CN108694415B (zh) | 图像特征提取方法、装置及水源图像分类方法、装置 | |
CN110569733A (zh) | 基于遥感大数据平台的湖泊长时序连续水域变化重建方法 | |
CN114743059B (zh) | 一种综合地形地貌特征的海底地理实体自动分类方法 | |
CN116805413A (zh) | 一种基于三维点云的油茶苗期表型特征自动计算方法 | |
Ichoku et al. | Application of fractal techniques to the comparative evaluation of two methods of extracting channel networks from digital elevation models | |
CN116109935A (zh) | 基于深度学习与随机森林的典型尾矿库遥感目标识别方法 | |
Jiang et al. | Dynamics of coastal land-based aquaculture pond in China and Southeast Asia from 1990 to 2020 | |
CN112613464A (zh) | 一种基于无人机影像匹配点云的高原梯田提取方法 | |
Mu et al. | Canopy lidar point cloud data k-means clustering watershed segmentation method |
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 |