CN117346744A - 基于涨退潮时星载主被动遥感信息的测量水深反演方法 - Google Patents
基于涨退潮时星载主被动遥感信息的测量水深反演方法 Download PDFInfo
- Publication number
- CN117346744A CN117346744A CN202311639859.2A CN202311639859A CN117346744A CN 117346744 A CN117346744 A CN 117346744A CN 202311639859 A CN202311639859 A CN 202311639859A CN 117346744 A CN117346744 A CN 117346744A
- Authority
- CN
- China
- Prior art keywords
- water
- water depth
- tide
- satellite
- data
- 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 164
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000000630 rising effect Effects 0.000 title claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 238000005259 measurement Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 3
- 238000011065 in-situ storage Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/008—Surveying specially adapted to open water, e.g. sea, lake, river or canal measuring depth of open water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/776—Validation; Performance evaluation
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Hydrology & Water Resources (AREA)
- Probability & Statistics with Applications (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
Abstract
本发明属于卫星海洋遥感技术领域,具体公开一种基于涨退潮时星载主被动遥感信息的测量水深反演方法。用于海岸带浅水区域的水深获取。具体步骤为:首先基于长时间序列多光谱影像确定海岸带的裸露潮滩区域的范围,利用测高卫星获取裸露潮滩高程数据,并作为约束信息结合大潮高潮时的多光谱遥感影像数据构建星载主被动融合水深反演模型,最后将大潮低潮时的多光谱数据代入构建的水深反演模型以获取更深水区域的水深反演结果。本发明实现了海岸带浅水区域的水深获取,对于海岸带Ⅱ类水体的水深反演及无实测水深数据区域的水深获取均具有重要的技术支撑。
Description
技术领域
本发明属于卫星海洋遥感技术领域,尤其涉及一种基于涨退潮时星载主被动遥感信息的无原位测量水深反演方法。
背景技术
海岸带在海洋系统和沿海生态系统对人类社会发挥着重要作用,特别是在全球变暖导致海平面上升的时代。对海岸带区域来说,潮滩是最广泛的沿海生态系统之一。由于测绘潮间带的困难,大多潮滩的分布和状况仍然未知。因此,获取海岸带区域精确的水深测量数据有着极为重要的意义,并且可以为海洋相关方面的应用提供关键信息,如海岸带管理、海洋军事、航海安全与海洋环境保护等。传统测深方式上,单波束、多波束回声测深仪及机载激光雷达测深(ALB)系统可以获取高精度的浅水区域水深数据。然而,受限于船载和机载平台,这些传统测量手段无法应用于不易或不宜到达的海域,且成本高,测量效率低。
当前利用遥感卫星测深是绘制全球范围海岸带区域水深图的重要替代测量方法。传统的使用多光谱遥感图像的水深反演模型通常需要现场原位测量数据作为训练数据,但在世界各地偏远地区无法获得船载或机载测量数据。近年来随着星载激光雷达传感器的发展,星载激光雷达可获取浅海区域水下测深点,但对水质要求较高(Ⅰ类水体),在Ⅱ类水体海域应用受限。原因在于难以获取精确的水下测深脚点,导致水深反演模型的约束训练数据集缺失,一定程度上限制了星载主被动水深反演在我国近海海岸带的应用推广。因此,有必要针对这种问题,提出一种基于涨退潮时星载主被动遥感信息的无原位测量水深反演方法,以实现对Ⅱ类水体海域的主被动融合测深。
发明内容
本发明的目的在于提供一种基于涨退潮时星载主被动遥感信息的测量水深反演方法,有效解决现有技术中,星载主被动融合水深反演难以应用于II类水体的问题。
为解决上述技术问题,本发明采用的技术方案是:一种基于涨退潮时星载主被动遥感信息的测量水深反演方法,包括以下步骤。
S1、基于长时间序列多光谱影像提取海岸带的最低水线及最高水线之间的裸露潮滩区域,所述最低水线是指大潮最低水位,所述最高水线是指大潮最高水位。
S2、利用测高卫星获取裸露潮滩高程数据。
S3、以裸露潮滩高程数据作为约束信息,并结合大潮高潮时的多光谱影像数据构建星载主被动融合水深反演模型。
S4、将大潮低潮时的多光谱数据代入所述星载主被动融合水深反演模型,获得更深水区域的水深反演结果。
进一步地,步骤S1包括:1.1、利用GEE平台结合平台中公开获取的Sentinel-2多光谱遥感卫星影像数据集,选择一个落潮时间范围及一个涨潮时间范围分别提取海岸带的最低水线和最高水线,并去除多云像素,利用.median()中值函数获取中位数影像并合成无云影像。
1.2、利用自动提取水体指数并使用最大类间方差法选取所述无云影像中水体像
素的最佳阈值提取水体,所述自动提取水体指数表示为:(1);其中,
GREEN代表多光谱影像中的绿光波段,NIR代表多光谱影像中的近红外波段,SWIR1、SWIR2代
表多光谱影像中的短红外线波段,GREEN、NIR、SWIR1和SWIR2分别代表Sentinel-2影像波段
中的3、8、11、12 波段。
1.3、删除小于所选尺寸的水体像素以移除二值水陆图像中所有的内陆水体,并对二值水陆分离图像矢量化以获取陆地区域的多边形轮廓,从而提取海岸线。
1.4、重复步骤1.1~1.3以提取所选区域的涨潮及落潮时间的海岸线,获取海岸带的裸露潮滩区域。
进一步地,步骤S2包括:2.1、选取ICESat-2测高数据以获取裸露潮滩高程,寻找覆盖步骤S1所得到的裸露潮滩区域且处于落潮时ICESat-2 ATL03测高数据。
2.2、利用基于密度的聚类算法提取ICESat-2 ATL03数据中的信号光子,通过式
(2)计算:(2),其中,MinPts为最小包含点数,SN1为对应的信号光子
数目,SN2为对应的噪声光子数目,利用提取的信号光子点获取裸露潮滩高程数据。
进一步地,步骤S3包括:3.1、获取大潮高潮时的Sentinel-2多光谱影像数据,并进
行大气校正和辐射校正,利用归一化水体指数进行水陆分离,所述归一化水体指数表示为:(3)。
3.2、将步骤S2获取的裸露潮滩高程数据和经步骤3.1预处理后的Sentinel-2多光
谱影像数据代入波段比值模型进行训练构建星载主被动融合水深反演模型,所述波段比值
模型表示为:(4),其中,z代表水深值,L(λ1)代表Sentinel-2多
光谱影像中绿光波段的反射率,和L(λ2)代表Sentinel-2多光谱影像中蓝光波段的反射率;
m0和m1为经训练后得到的波段比值模型系数。
3.3、利用机载激光雷达测深数据进行星载主被动融合水深反演模型验证。
进一步地,步骤S4包括:4.1、利用步骤3.1对大潮低潮时的Sentinel-2多光谱影像进行预处理,对预处理后的大潮低潮时的Sentinel-2多光谱影像提取浅水区域(水深<10m)并剔除深水区域。
4.2、将经步骤3.2计算得到的m0和m1代入经步骤4.1处理后的Sentinel-2多光谱影像中,利用波段比值模型反演得到更深水区域的水深反演结果。
相比现有技术,本发明的有益技术效果是:本发明对于测量船无法到达的浅水区域且水质较差的Ⅱ类水体区域也能够获取水深,大大扩展了遥感水深反演的覆盖范围。对于海岸带Ⅱ类水体的水深反演及无实测水深数据区域的水深获取均具有重要的数据支撑作用。
附图说明
图1是本发明的方法流程图。
图2是本发明实施例1训练构建的星载主被动融合水深反演模型示意图。
图3是本发明实施例1所测水域的水深反演结果示意图。
具体实施方式
实施例1:本实施例采取某水域的Sentinel-2多光谱卫星遥感影像,结合该水域的ICESat-2 ATL03数据。通过DBSCAN提取的裸露潮滩高程数据,以及该水域的机载激光雷达测深数据,通过基于涨退潮时星载主被动遥感信息的测量水深反演方法得到了星载主被动融合水深反演模型结果。
所述基于涨退潮时星载主被动遥感信息的测量水深反演方法,参照图1,包括以下步骤: S1、基于长时间序列多光谱影像提取海岸带的最低水线及最高水线之间的裸露潮滩区域,所述最低水线是指大潮最低水位,所述最高水线是指大潮最高水位。
对于海岸区域潮间带的范围获取,利用传统测量方式通常比较困难且成本较高,因此可以利用全球高分辨率多光谱遥感影像。利用GEE(Google Earth Engine)平台的多光谱遥感卫星影像数据集可以获取长时序影像数据,利用自动提取水体指数(AWEI)和最大类间方差法(Otsu)提取水体,删除小于所选尺寸的水体像素以移除所有的内陆水体,并对二值水陆分离图像矢量化快速获取陆地区域的多边形轮廓,提取出海岸线,快速获取海岸带的裸露潮滩区域。
在本实施例中,具体包括以下步骤:1.1、利用GEE平台结合平台中公开获取的Sentinel-2(哨兵2号)多光谱遥感卫星影像数据集“COPERNICUS/S2”,选择一个落潮时间范围提取海岸带的最低水线及一个涨潮时间范围提取海岸带的最高水线,并去除多云像素,利用.median()中值函数获取中位数影像并合成无云影像。
1.2、利用自动提取水体指数并使用最大类间方差法选取所述无云影像中水体像
素的最佳阈值提取水体,所述自动提取水体指数表示为:(1);其中,
GREEN代表多光谱影像中的绿光波段,NIR代表多光谱影像中的近红外波段,SWIR1、SWIR2代
表多光谱影像中的短红外线波段,GREEN、NIR、SWIR1和SWIR2分别代表Sentinel-2影像波段
中的3、8、11、12 波段。
1.3、删除小于所选尺寸的水体像素以移除二值水陆图像中所有的内陆水体,并对二值水陆分离图像矢量化以获取陆地区域的多边形轮廓,从而提取海岸线。
1.4、重复步骤1.1~1.3以提取所选区域的涨潮及落潮时间的海岸线,获取海岸带的裸露潮滩区域。
S2、利用测高卫星获取裸露潮滩高程数据。
为获取裸露潮滩区域间高程,需要寻找覆盖Sentinel-2影像中裸露潮滩区域且处于落潮时的卫星测高数据(本实施例选取ICESat-2 ATL03数据为例),并利用基于密度的聚类算法(DBSCAN)有效提取出ICESat-2 ATL03数据的信号光子,以获取裸露潮滩的高程信息。
在本实施例中,具体包括以下步骤:2.1、选取ICESat-2(冰、云和陆地高程卫星2号)测高数据以获取裸露潮滩高程,寻找覆盖步骤S1所得到的裸露潮滩区域且处于落潮时ICESat-2 ATL03测高数据。
2.2、利用DBSCAN提取ICESat-2 ATL03数据中的信号光子,通过式(2)计算: (2),其中,MinPts为最小包含点数,SN1为对应的信号光子数目,SN2
为对应的噪声光子数目,利用提取的信号光子点获取裸露潮滩高程数据。
S3、以裸露潮滩高程作为约束信息,并结合大潮高潮时的多光谱影像数据构建星载主被动融合水深反演模型。
利用ICESat-2 ATL03得到的裸露潮滩高程信息结合大潮最高水位时的Sentinel-2多光谱影像数据构建星载主被动融合水深反演模型。首先需要对大潮最高水位时的Sentinel-2多光谱影像数据进行大气校正和辐射校正,并利用归一化水体指数(NDWI)进行水陆分离。将覆盖裸露潮滩区域的ICESat-2 ATL03高程数据减去最低水线处的高程得到水深数据,接着将多光谱影像蓝绿波段反射率值与水深数据代入波段比值模型进行训练,并利用机载激光雷达测深(ALB)数据进行星载主被动融合水深反演模型验证。
在本实施例中,具体包括以下步骤:3.1、获取大潮高潮时的Sentinel-2多光谱影
像数据,并进行大气校正和辐射校正,利用归一化水体指数进行水陆分离,所述归一化水体
指数表示为:(3),其中,GREEN代表多
光谱影像中的绿光波段;NIR代表多光谱影像中的近红外波段。
3.2、将步骤2.2获取的裸露潮滩高程数据和经步骤3.1预处理后的Sentinel-2多
光谱影像数据代入波段比值模型进行训练构建星载主被动融合水深反演模型,所述波段比
值模型表示为:(4),其中,z代表水深值,L(λ1)代表Sentinel-2
多光谱影像中绿光波段的反射率,和L(λ2)代表Sentinel-2多光谱影像中蓝光波段的反射
率;m0和m1为经训练后得到的波段比值模型系数,所述训练后的波段比值模型即所述星载主
被动融合水深反演模型。
3.3、利用机载激光雷达测深数据进行星载主被动融合水深反演模型验证。
对利用Sentinel-2数据和ICESat-2数据训练后的波段比值模型即星载主被动融合水深反演模型代入机载激光雷达测深数据进行验证,用于比较水深反演结果。如图2所示,横坐标x的实测水深值代表机载激光雷达测深数据,纵坐标y的反演水深值代表利用波段比值模型计算出的水深值,波段比值模型的相关系数(R2)为0.77,均方根差(RMSE)为0.88m。
S4、将大潮低潮时的多光谱数据代入构建的星载主被动融合水深反演模型,即可获得更深水区域的水深反演结果。
对预处理后的大潮最低水位时的Sentinel-2多光谱影像提取浅水区域并剔除深水区域,并将浅水区域代入构建好的水深反演波段比值模型即星载主被动融合水深反演模型进行水深计算,得到该区域更深水深范围的水深反演结果。
在本实施例中,具体包括以下步骤:4.1、利用步骤3.1对大潮低潮时的Sentinel-2多光谱影像进行预处理,对预处理后的大潮低潮时的Sentinel-2多光谱影像提取浅水区域并剔除深水区域,所述浅水区域的水深小于10m。
4.2、将经步骤3.2计算得到的m0和m1代入经步骤4.1处理后的Sentinel-2多光谱影像中,利用波段比值模型即公式(4)反演得到该区域更深水深范围的水深反演结果,如图3所示,展示了所测水域0~7.75m的水深反演结果图。
本实施例对于测量船无法到达的浅水区域且水质较差的Ⅱ类水体区域也能获取水深,大大扩展了遥感水深反演的覆盖范围。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (5)
1.一种基于涨退潮时星载主被动遥感信息的测量水深反演方法,其特征在于,包括以下步骤:
S1、基于长时间序列多光谱影像提取海岸带的最低水线及最高水线之间的裸露潮滩区域,所述最低水线是指大潮最低水位,所述最高水线是指大潮最高水位;
S2、利用测高卫星获取裸露潮滩高程数据;
S3、以裸露潮滩高程数据作为约束信息,并结合大潮高潮时的多光谱影像数据构建星载主被动融合水深反演模型;
S4、将大潮低潮时的多光谱数据代入所述星载主被动融合水深反演模型,获得更深水区域的水深反演结果。
2.根据权利要求1所述的基于涨退潮时星载主被动遥感信息的测量水深反演方法,其特征在于,步骤S1包括:
S1.1、利用GEE平台结合平台中公开获取的Sentinel-2多光谱遥感卫星影像数据集,选择一个落潮时间范围及一个涨潮时间范围分别提取海岸带的最低水线和最高水线,并去除多云像素,利用.median()中值函数获取中位数影像并合成无云影像;
S1.2、利用自动提取水体指数并使用最大类间方差法选取所述无云影像中水体像素的最佳阈值提取水体,所述自动提取水体指数表示为:
(1);
其中,GREEN代表多光谱影像中的绿光波段,NIR代表多光谱影像中的近红外波段,SWIR1、SWIR2代表多光谱影像中的短红外线波段,GREEN、NIR、SWIR1和SWIR2分别代表Sentinel-2影像波段中的3、8、11、12 波段;
S1.3、删除小于所选尺寸的水体像素以移除二值水陆图像中所有的内陆水体,并对二值水陆分离图像矢量化以获取陆地区域的多边形轮廓,从而提取海岸线;
S1.4、重复步骤S1.1~S1.3以提取所选区域的涨潮及落潮时间的海岸线,获取海岸带的裸露潮滩区域。
3.根据权利要求2所述的基于涨退潮时星载主被动遥感信息的测量水深反演方法,其特征在于,步骤S2包括:
S2.1、选取ICESat-2测高数据以获取裸露潮滩高程,寻找覆盖步骤S1所得到的裸露潮滩区域且处于落潮时ICESat-2 ATL03测高数据;
S2.2、利用基于密度的聚类算法提取ICESat-2 ATL03数据中的信号光子,通过式(2)计算:(2),其中,MinPts为最小包含点数,SN1为对应的信号光子数目,SN2为对应的噪声光子数目,利用提取的信号光子点获取裸露潮滩高程数据。
4.根据权利要求3所述的基于涨退潮时星载主被动遥感信息的测量水深反演方法,其特征在于,步骤S3包括:
S3.1、获取大潮高潮时的Sentinel-2多光谱影像数据,并进行大气校正和辐射校正,利用归一化水体指数进行水陆分离,所述归一化水体指数表示为:
(3);
S3.2、将步骤S2获取的裸露潮滩高程数据和经步骤S3.1预处理后的Sentinel-2多光谱影像数据代入波段比值模型进行训练构建星载主被动融合水深反演模型,所述波段比值模型表示为:(4),其中,z代表水深值,L(λ1)代表Sentinel-2多光谱影像中绿光波段的反射率,和L(λ2)代表Sentinel-2多光谱影像中蓝光波段的反射率;m0和m1为经训练后得到的波段比值模型系数;
S3.3、利用机载激光雷达测深数据进行星载主被动融合水深反演模型验证。
5.根据权利要求4所述的基于涨退潮时星载主被动遥感信息的测量水深反演方法,其特征在于,步骤S4包括:
S4.1、利用步骤S3.1对大潮低潮时的Sentinel-2多光谱影像进行预处理,对预处理后的大潮低潮时的Sentinel-2多光谱影像提取浅水区域并剔除深水区域,所述浅水区域的水深小于10m;
S4.2、将经步骤S3.2计算得到的m0和m1代入经步骤S4.1处理后的Sentinel-2多光谱影像中,利用波段比值模型反演得到更深水区域的水深反演结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639859.2A CN117346744B (zh) | 2023-12-04 | 2023-12-04 | 基于涨退潮时星载主被动遥感信息的测量水深反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639859.2A CN117346744B (zh) | 2023-12-04 | 2023-12-04 | 基于涨退潮时星载主被动遥感信息的测量水深反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117346744A true CN117346744A (zh) | 2024-01-05 |
CN117346744B CN117346744B (zh) | 2024-03-19 |
Family
ID=89366972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311639859.2A Active CN117346744B (zh) | 2023-12-04 | 2023-12-04 | 基于涨退潮时星载主被动遥感信息的测量水深反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117346744B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118363007A (zh) * | 2024-06-19 | 2024-07-19 | 自然资源部第二海洋研究所 | 一种基于潮滩遥感淹没频率校正的潮滩地形时序监测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150156475A1 (en) * | 2012-06-28 | 2015-06-04 | Zte Corporation | Method and Device for Implementing Stereo Imaging |
KR101798405B1 (ko) * | 2017-05-23 | 2017-11-16 | 주식회사 환경과학기술 | 위성 영상 수심 추출 자동화 시스템 및 방법 |
CN109489637A (zh) * | 2018-11-08 | 2019-03-19 | 清华大学 | 水量变化监测方法、装置、计算机设备和存储介质 |
CN109801306A (zh) * | 2019-01-22 | 2019-05-24 | 首都师范大学 | 基于高分遥感影像的潮沟提取方法 |
US20220383633A1 (en) * | 2019-10-23 | 2022-12-01 | Beijing University Of Civil Engineering And Architecture | Method for recognizing seawater polluted area based on high-resolution remote sensing image and device |
CN115508854A (zh) * | 2022-09-05 | 2022-12-23 | 山东科技大学 | 一种利用星载单光子激光雷达海面点云反演水深的方法 |
CN116758049A (zh) * | 2023-07-10 | 2023-09-15 | 天津师范大学 | 一种基于主被动卫星遥感的城市洪涝立体监测方法 |
CN116817869A (zh) * | 2023-08-31 | 2023-09-29 | 山东科技大学 | 一种利用激光雷达数据的海底光子信号确定方法 |
-
2023
- 2023-12-04 CN CN202311639859.2A patent/CN117346744B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150156475A1 (en) * | 2012-06-28 | 2015-06-04 | Zte Corporation | Method and Device for Implementing Stereo Imaging |
KR101798405B1 (ko) * | 2017-05-23 | 2017-11-16 | 주식회사 환경과학기술 | 위성 영상 수심 추출 자동화 시스템 및 방법 |
CN109489637A (zh) * | 2018-11-08 | 2019-03-19 | 清华大学 | 水量变化监测方法、装置、计算机设备和存储介质 |
US20200149888A1 (en) * | 2018-11-08 | 2020-05-14 | Tsinghua University | Method and device for monitoring water volume change, computer device and storage medium |
CN109801306A (zh) * | 2019-01-22 | 2019-05-24 | 首都师范大学 | 基于高分遥感影像的潮沟提取方法 |
US20220383633A1 (en) * | 2019-10-23 | 2022-12-01 | Beijing University Of Civil Engineering And Architecture | Method for recognizing seawater polluted area based on high-resolution remote sensing image and device |
CN115508854A (zh) * | 2022-09-05 | 2022-12-23 | 山东科技大学 | 一种利用星载单光子激光雷达海面点云反演水深的方法 |
CN116758049A (zh) * | 2023-07-10 | 2023-09-15 | 天津师范大学 | 一种基于主被动卫星遥感的城市洪涝立体监测方法 |
CN116817869A (zh) * | 2023-08-31 | 2023-09-29 | 山东科技大学 | 一种利用激光雷达数据的海底光子信号确定方法 |
Non-Patent Citations (3)
Title |
---|
李景刚;黄诗峰;李纪人;: "ENVISAT卫星先进合成孔径雷达数据水体提取研究――改进的最大类间方差阈值法", 自然灾害学报, no. 03, 15 June 2010 (2010-06-15) * |
雷宁;付延光;杨龙;周兴华;阳凡林;王朝阳;孙维康;: "一种建立南海浅海海域高精度潮汐模型方法的研究", 海洋科学进展, no. 03, 15 July 2016 (2016-07-15) * |
马毅;张杰;张靖宇;张震;王锦锦;: "浅海水深光学遥感研究进展", 海洋科学进展, no. 03, 15 July 2018 (2018-07-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118363007A (zh) * | 2024-06-19 | 2024-07-19 | 自然资源部第二海洋研究所 | 一种基于潮滩遥感淹没频率校正的潮滩地形时序监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117346744B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hodúl et al. | Satellite derived photogrammetric bathymetry | |
Pe’eri et al. | Satellite remote sensing as a reconnaissance tool for assessing nautical chart adequacy and completeness | |
Yamano et al. | Evaluation of various satellite sensors for waterline extraction in a coral reef environment: Majuro Atoll, Marshall Islands | |
CN117346744B (zh) | 基于涨退潮时星载主被动遥感信息的测量水深反演方法 | |
Xu et al. | Deriving highly accurate shallow water bathymetry from Sentinel-2 and ICESat-2 datasets by a multitemporal stacking method | |
CN101672646A (zh) | 一种卫星图像自动几何精校正方法 | |
CN111781146A (zh) | 利用高分辨率卫星光学影像的波浪参数反演方法 | |
Baban | The evaluation of different algorithms for bathymetric charting of lakes using Landsat imagery | |
Murase et al. | A photogrammetric correction procedure for light refraction effects at a two-medium boundary | |
CN112013822A (zh) | 基于改进gwr模型的多光谱遥感水深反演方法 | |
CN111402162A (zh) | 卫星遥感图像的晴空数据集处理方法 | |
CN113960625B (zh) | 一种基于星载单光子激光主被动遥感融合的水深反演方法 | |
LaRocque et al. | Wetland mapping in New Brunswick, Canada with LANDSAT5-TM, alos-Palsar, and RADARSAT-2 imagery | |
Zhang et al. | Satellite-derived bathymetry model in the Arctic waters based on support vector regression | |
Xu et al. | Machine learning based estimation of coastal bathymetry from ICESat-2 and Sentinel-2 data | |
Xie et al. | Machine-Learning-Method-Based inversion of shallow bathymetric maps using ICESat-2 ATL03 data | |
Kumari et al. | Remote sensing image based nearshore bathymetry extraction of Mangaluru coast for planning coastal reservoir | |
Carignan et al. | Digital elevation model of Astoria, Oregon: Procedures, data sources and analysis | |
CN114594503B (zh) | 一种浅海地形反演方法、计算机设备及存储介质 | |
Liu et al. | Bathymetric ability of SPOT-5 multi-spectral image in shallow coastal water | |
CN113516764B (zh) | 基于数字高程模型的湖库水下三维地形模拟方法及装置 | |
Daly et al. | The new era of regional coastal bathymetry from space: a showcase for West Africa using sentinel-2 imagery | |
Dewi et al. | The application of satellite derived bathymetry for coastline mapping | |
Hayes et al. | Estimating dredge-induced turbidity using drone imagery | |
Zhang et al. | Reconstruction of large complex sand-wave bathymetry with adaptive partitioning combining satellite imagery and sparse multi-beam data |
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 |