CN117372891A - 一种利用卫星遥感影像进行水深反演的方法 - Google Patents
一种利用卫星遥感影像进行水深反演的方法 Download PDFInfo
- Publication number
- CN117372891A CN117372891A CN202311666078.2A CN202311666078A CN117372891A CN 117372891 A CN117372891 A CN 117372891A CN 202311666078 A CN202311666078 A CN 202311666078A CN 117372891 A CN117372891 A CN 117372891A
- Authority
- CN
- China
- Prior art keywords
- water
- remote sensing
- points
- calculating
- subareas
- 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 214
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 12
- 210000000746 body region Anatomy 0.000 claims abstract description 11
- 238000002310 reflectometry Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 74
- 238000012937 correction Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 9
- 239000003673 groundwater Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- UBAZGMLMVVQSCD-UHFFFAOYSA-N carbon dioxide;molecular oxygen Chemical compound O=O.O=C=O UBAZGMLMVVQSCD-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009827 uniform distribution 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
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- 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
- G06V10/40—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
- G06V10/457—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 by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Hydrology & Water Resources (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Astronomy & Astrophysics (AREA)
- Radar, Positioning & Navigation (AREA)
- Biochemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及卫星遥感领域，且公开了一种利用卫星遥感影像进行水深反演的方法，用于解决当水域发生变化时，所选测量点不再具备代表性的问题，该方法包括：将检测区域划分为若干子区域，计算判断子区域的水域代表性指数是否达标，若不达标，则在不达标的子区域内筛选最优组合测量点作为子区域的测量点；消除太阳耀斑对卫星影像的影响，并对卫星遥感进行技术预处理；通过图像处理技术，识别和提取预处理后的遥感影像中的水体区域，并计算其反射率；根据反射率建立水深反演模型，并根据已知水深的地面实测数据对模型进行矫正和验证，有效提高了所选取测量点的代表性，使水域发生变化时仍可获取准确的水深数据。
Description
技术领域
本发明涉及卫星遥感领域，更具体地涉及一种利用卫星遥感影像进行水深反演的方法。
背景技术
卫星遥感影像进行水深反演是利用卫星传感器获取的遥感影像数据，通过特定的算法和模型，推断水体的深度信息。这过程可以提供有关水体深度分布的空间信息，对于水资源管理、环境监测和地学研究等领域具有重要意义。
现有卫星遥感影像进行水深反演的过程中，是通过实验人员在不同水深范围的位置选择有代表性的地理位置作为控制点与检查点，卫星通过对这些点进行检测，得到相应的模型，并进行水深反演，此方法会导致当水域发生变化时，因为对控制点与检查点的选择不再具有代表性，无法在水域发生变化时获取准确的水深数据。
针对上述问题，本发明提出一种解决方案。
发明内容
为了克服现有技术的上述缺陷，本发明提供了一种利用卫星遥感影像进行水深反演的方法，以解决上述背景技术中存在的问题。
为实现上述目的，本发明提供如下技术方案：
一种利用卫星遥感影像进行水深反演的方法，包括以下步骤：
步骤一：将检测区域划分为若干子区域，计算判断子区域的水域代表性指数，若子区域的水域代表性指数不达标，则在不达标的子区域中平均选取若干测量待选点，在测量待选点中筛选若干测量待选点进行组合测量，使用Apriori算法对最终组合测量点进行确定，并对组合测量点进行组合评估，将最优组合测量点作为该子区域的组合测量点；
步骤二：消除太阳耀斑对卫星影像的影响，根据水体选择波段和传感器，通过卫星遥感传输的遥感影像进行遥感技术预处理；
步骤三：通过图像处理技术，识别和提取预处理后的遥感影像中水体区域，并计算其反射率；
步骤四：根据反射率建立水深反演模型，并根据已知水深的地面实测数据对模型进行矫正和验证。
优选的，所述计算判断子区域的水域代表性指数计算步骤为：
将检测区划分为若干子区域，记子区域数为i，i从1、2、……、n；
通过降雨差系数与地下水开采系数计算子区域中心点的水域代表性指数；
将子区域中心点的水域代表性指数与预设阈值进行对比。
优选的，将子区域的水域代表性指数与预设阈值进行对比，若水域代表性指数大于预设阈值，则判定将子区域中心点作为该子区域的测量点，若水域代表性指数小于预设阈值，则重新选定测量待选点，并在测量待选点中筛若干测量待选点进行组合测量。
优选的，所述使用Apriori算法对最终测量点进行确定步骤为：
在子区域中平均选取若干点，作为测量待选点，记测量待选点数为x，x从1、2、……m，将子区域内所有测量待选点进行组合，则会得到个集合；
根据以往该子区域内测量待选点作为测量点的数据计算每组组合的支持度与置信度，并将小于最小支持度与小于最小置信度的测量点筛选掉；
按优序图法对所有测量待选点水域代表性指数进行计算，提取各测量待选点的水域代表性指数，对所有集合进行整体水域代表性指数计算，并通过整体水域代表性指数与水域代表性指数计算得到综合代表性指数；
将所有集合的综合水域代表性指数从大到小进行排序，选取综合水域代表性指数最大集合中的测量待选点作为子区域的组合测量点。
优选地，所述消除太阳耀斑对卫星影像的影响步骤为：
步骤1：将所有光子按固定的高程间隔分层，统计每一层的光子数量，设置分割线，划分水面光子与水下光子；
步骤2：采用DBSCAN算法对水面和水下光子进行聚类，过滤水面反射噪声，同时聚类稀疏的水下地形光子；
步骤3：进行海底光子的折射校正。
优选地，所述进行海底光子的折射校正步骤为：
从传播方向上进行改正，根据ATL03数据集计算入射角，根据折射定律计算折射角/>，通过计算入射角与折射角，确定光线在空气-水界面发生折射后的传播方向；
根据余弦定律计算折射前后光子位置的变化距离，然后依据正弦定理计算得到角度，通过折射前后光子位置的变化距离与角度/>计算出光子的准确位置。
优选的，所述通过卫星遥感传输的遥感影像进行遥感技术预处理为，通过卫星遥感对选取的测量点进行检测获取初始图像，并对卫星遥感传输的遥感影像进行大气校正与几何矫正。
本发明的技术效果和优点：
通过将检测区域划分为若干子区域，计算判断子区域的水域代表性指数，若子区域的水域代表性指数不达标，则在不达标的子区域中平均选取若干测量待选点，在测量待选点中筛选若干测量点进行组合测量，使用Apriori算法对最终测量点进行确定，并对组合测量点进行组合评估，将最优组合测量点作为该子区域的组合测量点。
此方法可以选出最具代表性的位置进行水深反演，保证该位置在发生水域变化时也具有代表性，可以在水域发生变化时仍可以获取准确的水深数据。
附图说明
图1为本发明的整体流程图。
图2为光子折射改正示意图。
具体实施方式
下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，另外，在以下的实施方式中记载的各结构的形态只不过是例示，本发明所涉及的一种利用卫星遥感影像进行水深反演的方法并不限定于在以下的实施方式中记载的各结构，在本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式都属于本发明保护的范围。
本发明提供了一种利用卫星遥感影像进行水深反演的方法，包括以下步骤：
步骤一：将检测区域划分为若干子区域，计算判断子区域的水域代表性指数，若子区域的水域代表性指数不达标，则在不达标的子区域中平均选取若干测量待选点，在测量待选点中筛选若干测量点进行组合测量，并对组合测量点进行组合评估，将最优组合测量点作为该子区域的组合测量点；
步骤二：消除太阳耀斑对卫星影像的影响，根据水体选择波段和传感器，通过卫星遥感传输的遥感影像进行遥感技术预处理，如几何矫正；
步骤三：通过图像处理技术，识别和提取预处理后的遥感影像中水体区域，并计算其反射率；
步骤四：根据反射率建立水深反演模型，并根据已知水深的地面实测数据对模型进行矫正和验证。
当水域发生变化时，可能导致之前选择的水深反演测量点不再具备代表性，从而影响测量数据的准确性，水域变化可能包括水深、地形、底质等方面的变化，这些变化可能影响水域的生态系统和水文条件。水深的变化可能是最直观的影响因素，如果水深发生显著变化，之前选择的测量点可能无法反映新的水深分布。若地形发生变化，如河床的移动或水域的扩张/收缩，也可能使之前选择的测量点失去代表性。同时底质类型的改变可能影响水域的生态环境，从而影响生物群落和水文条件，使得之前的测量点不再具备代表性，水域中生物群落的变化也可能导致测量点失去代表性。
本实施例中，需要具体说明的是，计算判断子区域的水域代表性指数步骤为：
将检测区划分为若干子区域，记子区域数为i，i从1、2、……、n；
计算子区域中心点的水域代表性指数；
将子区域中心点的水域代表性指数与预设阈值进行对比。
本实施例中，需要具体说明的是，所述水域代表性指数计算公式为，其中RF表示为降雨差系数，AF表示为地下水开采系数，a1、a2表示为RF降雨差系数、AF地下水开采系数权重系数，具体值由专业人员测试所得，本实施例以湖泊为例。
所述降雨差系数表示为该子区域与整片水域降雨时水深变化差，其计算步骤为：
计算降雨时湖泊平均水深变化，其计算公式为，其中P表示为降雨量，V表示为湖泊的蓄水量。
取子区域中心点作为代表点进行测量，在降雨前测量与地平面的差值J1，降雨后测量与地平面的差值J2，计算降雨前后子区域水平面变化，其计算公式为。
计算降雨差系数，其计算公式为，降雨差系数越大，则表明降雨时该子区域水深变化与湖泊平均水深变化差越大，则此子区域的代表性越小，若降雨差系数越小，则表明子区域的代表性越大。
所述地下水开采系数计算步骤为：
计算地下水开采时，湖泊平均水深变化，其计算公式为，其中/>表示为地上水位的变化，Q表示开采的地下水流量，T是透水系数，S表示截面积，/>表示圆周率。
取子区域中心点作为代表点进行测量，在地下水开采前测量与地平面的差值J3，地下水开采后测量与地平面的差值J4，计算地下水开采前后子区域水平面变化，其计算公式为。
计算地下水开采系数，其计算公式为，地下水开采系数越大，则表明进行地下水开采时该子区域水深变化与湖泊平均变化差越大，则此子区域的代表性越小，若地下水开采系数越小，则表明子区域的代表性越大。
所述透水系数表示单位渗透面积上的水流通过体积，在地下水文和岩土工程中经常用于描述地下水的渗透和流动特性。
所述截面积通常是指地下水流动的横截面积，即地下水流经的岩土体或地下水层的横截面，如果地下水流是通过某种岩土体，可以使用该岩土体的截面积。
将子区域的水域代表性指数与预设阈值进行对比，若水域代表性指数大于预设阈值，则判定可将子区域中心点作为该子区域的测量点，若水域代表性指数小于预设阈值，则重新选定测量待选点，并在测量待选点中筛若干测量点进行组合测量。
所述测量待选点中筛若干测量点进行组合测量步骤为，重新选定测量待选点，对各测量待选点进行上述水域代表性指数的计算，得到各测量待选点的水域代表性指数，使用Apriori算法对最终测量点进行确定。
所述使用Apriori算法对最终测量点进行确定步骤为：
在子区域中平均选取若干点，作为测量待选点，记测量待选点数为x，x从1、2、……m；
则将子区域内所有测量待选点进行组合，则会得到个集合，其中减去1是因为排除了空集的情况，例如集合C1{a，b}。
根据以往该子区域内测量待选点作为测量点的数据计算每组组合的支持度，计算公式为，其中N(AS)表示为总记录数，N(ab)表示为同时包含集合C1内所有测量待选点的记录数，支持度越高，表明集合在整个数据集中普遍性越高，集合中测量待选点使用频率越高。
根据以往该子区域内测量待选点作为测量点的数据计算每组组合的置信度，计算公式为，其中P（b）表示为只有测量待选点b的概率，P（ab）表示为测量待选点a和测量待选点b同时存在的概率。
设定最小支持度ZCmin与最小置信度ZXmin，将各测量点的支持度和置信度与最小支持度和最小置信度进行比照，将小于最小支持度与小于最小置信度的测量点筛选掉，得到新的集合组。
按优序图法对新的集合组中的所有测量待选点水域代表性指数进行计算。
对中各测量待选点进行优序图幅值，如表1所示：
表1
提取各测量待选点的水域代表性指数，对集合组中各所有集合进行整体水域代表性指数计算，例如集合/>，其整体水域代表性指数计算为/>。
通过整体水域代表性指数与水域代表性指数计算得到综合代表性指数，其中SKall表示为整体水域代表性指数，所述SI均表示为集合中的平均水域代表性指数，例如集合/>，其计算公式为/>，其中SIa表示为a测量待选点的水域代表性指数，SIb表示为b测量待选点的水域代表性指数，SIc表示为c测量待选点的水域代表性指数，其中b1、b2表示为SKall整体水域代表性指数与SI均集合中的平均水域代表性指数的权重系数。
将集合组中所有集合的综合水域代表性指数从大到小进行排序，选取综合水域代表性指数最大集合中的测量待选点作为子区域的组合测量点。
在卫星遥感影像进行水深反演的过程中，控制点和检查点是用于验证和校正水深反演模型的关键元素。控制点通常用于训练水深反演模型。这些点的水深是通过实地测量获得的准确数据，可以用于建立模型的基准。也可以用于校正卫星遥感影像提取的水深值，确保模型的输出与实测值一致，提高水深反演的准确性。控制点的选择需要考虑到其在研究区域内的代表性，以确保模型对整个区域的水深变化有较好的反演能力。
检查点用于验证水深反演模型的准确性，这些点通常位于模型训练时未使用的地区，用于评估模型在新地理环境中的适用性。通过比较检查点的实测水深和模型反演水深之间的差异，可以评估模型的误差和精度，帮助识别模型的局限性和改进空间分辨率，并且设置检查点有助于评估水深反演模型的稳健性，即在不同地理条件和时间尺度下的表现如何。
控制点与检查点的数量比例对反演水深精度没有影响。本文将各50%的测量点分别作为控制点和检查点，将数据组中水深进行升序排列，间隔挑选控制点与检查点，保证水深段均匀分配的同时也保证控制点与检查点数量接近 1:1。
本实施例中，需要具体说明的是，所述根据水体选择波段和传感器，是对卫星遥感影响进行光谱分析，识别水体在可见光、红外和近红外波段的反映特征，确定水体的光学响应。
本实施例中，需要具体说明的是，所述对遥感影像进行遥感技术预处理，便于消除太阳耀斑影响。
所述消除太阳耀斑影响步骤如下：
步骤1：将所有光子按固定的高程间隔分层，统计每一层的光子数量。由于水面光子数量最多且高程波动较小，因此光子最多地层即为水面所在位置。将该层底端作为分割线，可划分水面光子与水下光子。
步骤2：采用DBSCAN算法对水面和水下光子进行聚类，以过滤水面反射噪声，同时聚类稀疏的水下地形光子。为提高DBSCAN算法的适应性，按照沿轨方向以50m为间隔将光子分割成若干段，每段均设定 epsilon和MinPts两个参数，其中epsilon 为两点间最小距离，MinPts为区域内最少光子点个数。MinPts定义公式为，其中SN1表示为每一段内信号和噪声的预期光子数，其计算公式为/>，其中N1是光子总数，包括信号光子与噪声光子，h1是当前分段内所有光子点的高程范围，/>是沿轨距离，SN2是预期的噪声光子数。
所述预期的噪声光子数计算公式为，其中N2对应于有较少测深光子的水深层中的光子数，h2是相应层的高度。
步骤3：进行海底光子的折射校正：
首先从传播方向上进行改正。如图2所示，L1为入射激光，L2为折射后光线，F1为折射改正前光子位置，F2为改正后位置。
ATL03数据集中提供了每个光子的太阳高度角refelev，因此入射角可以利用公式/>计算得到，然后根据折射定律计算折射角/>，其公式为/>，本实施例取空气折射率为1.00029，水体折射率为1.34116。通过计算入射角和折射角，可以确定光线在空气-水界面发生折射后的传播方向。这是进行折射改正的第一步，可以校正进入水体的光线方向的改变，消除水体折射效应对光子位置的影响。
所述ATL03数据集是NASA ICESat-2卫星任务产生的一种数据集。ICESat-2是一颗使用激光高度测量仪器的卫星，主要任务是监测水域水深数据。具体来说，ATL03数据集包含有关地球水域水深的信息，ATL03数据集在科学研究领域中被广泛应用，尤其是在对水域水深的研究中，这些数据对于监测水域水深具有重要的意义，ATL03数据集为现有常规技术手段，再此不做赘述。
其次从传播速度上进行改正。S1为未考虑折射效应时光子在水下的传播路径长度；S2为考虑折射效应后光子的传播路径长度。将光子折射改正前的深度定义为D，则S1计算公式为，S2计算公式为/>，进一步，根据余弦定律计算折射前后光子位置的变化距离，其公式为/>，然后依据正弦定理可以计算得到/>，其计算公式为/>，其中/>。最终，折射效应导致的光子在轨迹方向和高程方向上的改变量可表示为/>，/>，/>。通过上述计算，可以对水面以下的光子进行改正，以消除水体折射效应，获取光子的准确位置。
通过卫星遥感对从测量点中选取的控制点进行检测获取初始图像，对卫星遥感传输的遥感影像进行大气校正与几何矫正，大气校正是水深反演过程中的一个重要步骤，它主要用于消除地震数据中由大气效应引起的干扰，几何矫正主要用于纠正地震数据中的几何变形和失真。
所述大气校正可以消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧等物质对地物反射的影响，消除大气分子和气溶胶散射的影响，还可以反演地物真实反射率的过程。在遥感图像处理中，大气校正对于提高影像质量、降低图像噪声、抑制大气散射等具有重要作用。
所述几何校正的目的是将原始影像的几何畸变消除，恢复其正确的地理空间位置和方向，同时保证影像的物理尺寸和形状不发生变化。通过几何校正，可以将不同来源和不同分辨率的遥感影像进行配准和集成，提高遥感影像的质量和精度，从而更好地应用于地学研究、资源调查、环境监测等领域。
水深反演中，通过阈值分割识别并提取遥感影像中的水体区域步骤为：
选择一个适当的阈值来区分水体和非水体区域。阈值的选择可能基于直方图分析、试错法、自适应阈值等方法。通常，水体在灰度图像中通常具有相对较低的灰度值。
将灰度图像进行二值化，将超过阈值的像素置为1（代表水体），将低于阈值的像素置为0（代表非水体）。
对二值化后的图像进行噪声去除，可以使用形态学操作（腐蚀、膨胀、开运算、闭运算等）来平滑和连接水体区域。
对二值化后的图像进行连通区域分析，识别和标记连通的水体区域。
根据连通区域的标记，提取水体区域。
进行可能的后处理步骤，如填充孤立的小区域、去除非水体区域的残余等，以进一步提高水体区域的准确性。
本实施例中，需要具体说明的是，所述反射率计算公式为，其中R表示为水体的反射率，Iwhater表示水体的亮度值，Idark表示暗区的亮度值，Iwhite表示白区的亮度值。所述暗区的亮度值为非水区域的亮度值，白区的亮度值为非反射区域的亮度值。
根据反射率建立水深反演模型，并根据已知水深的地面实测数据对模型进行矫正和验证。
使用已知的水深数据通过在测量点中选取得的检查点对模型进行验证，以确保模型的准确性和可靠性。可以比较模型计算出的水深与已知水深数据的差异，如果差异较大，需要对模型进行调整和修正。
如果模型计算出的水深与已知水深数据的差异较大，需要对模型的参数进行调整。将修正后的模型应用于未知区域的水深反演中，得到该区域的水深分布情况。将模型计算出的水深与已知水深数据进行对比分析，进一步验证模型的准确性和可靠性。如果差异较大，需要再次调整和修正模型。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种利用卫星遥感影像进行水深反演的方法，其特征在于，包括以下步骤：
步骤一：将检测区域划分为若干子区域，计算判断子区域的水域代表性指数，若子区域的水域代表性指数不达标，则在不达标的子区域中平均选取若干测量待选点，在测量待选点中筛选若干测量待选点进行组合测量，使用Apriori算法对最终组合测量点进行确定，并对组合测量点进行组合评估，将最优组合测量点作为该子区域的组合测量点；
步骤二：消除太阳耀斑对卫星影像的影响，根据水体选择波段和传感器，通过卫星遥感传输的遥感影像进行遥感技术预处理；
步骤三：通过图像处理技术，识别和提取预处理后的遥感影像中水体区域，并计算其反射率；
步骤四：根据反射率建立水深反演模型，并根据已知水深的地面实测数据对模型进行矫正和验证。
2.根据权利要求1所述的一种利用卫星遥感影像进行水深反演的方法，其特征在于：所述计算判断子区域的水域代表性指数计算步骤为：将检测区划分为若干子区域，记子区域数为i，i从1、2、……、n；
通过降雨差系数与地下水开采系数计算子区域中心点的水域代表性指数；
将子区域中心点的水域代表性指数与预设阈值进行对比。
3.根据权利要求2所述的一种利用卫星遥感影像进行水深反演的方法，其特征在于：将子区域的水域代表性指数与预设阈值进行对比，若水域代表性指数大于预设阈值，则判定将子区域中心点作为该子区域的测量点，若水域代表性指数小于预设阈值，则重新选定测量待选点，并在测量待选点中筛若干测量待选点进行组合测量。
4.根据权利要求1所述的一种利用卫星遥感影像进行水深反演的方法，其特征在于：所述使用Apriori算法对最终组合测量点进行确定步骤为：
在子区域中平均选取若干点，作为测量待选点，记测量待选点数为x，x从1、2、……m，将子区域内所有测量待选点进行组合，则会得到个集合；
根据以往该子区域内测量待选点作为测量点的数据计算每组组合的支持度与置信度，并将小于最小支持度与小于最小置信度的测量点筛选掉；
按优序图法对所有测量待选点水域代表性指数进行计算，提取各测量待选点的水域代表性指数，对所有集合进行整体水域代表性指数计算，并通过整体水域代表性指数与水域代表性指数计算得到综合代表性指数；
将所有集合的综合水域代表性指数从大到小进行排序，选取综合水域代表性指数最大集合中的测量待选点作为子区域的组合测量点。
5.根据权利要求1所述的一种利用卫星遥感影像进行水深反演的方法，其特征在于：所述消除太阳耀斑对卫星影像的影响步骤为：
步骤1：将所有光子按固定的高程间隔分层，统计每一层的光子数量，设置分割线，划分水面光子与水下光子；
步骤2：采用DBSCAN算法对水面和水下光子进行聚类，过滤水面反射噪声，同时聚类稀疏的水下地形光子；步骤3：进行海底光子的折射校正。
6.根据权利要求5所述的一种利用卫星遥感影像进行水深反演的方法，其特征在于：所述进行海底光子的折射校正步骤为：
从传播方向上进行改正，根据ATL03数据集计算入射角，根据折射定律计算折射角，通过计算入射角与折射角，确定光线在空气-水界面发生折射后的传播方向；
根据余弦定律计算折射前后光子位置的变化距离，然后依据正弦定理计算得到角度，通过折射前后光子位置的变化距离与角度/>计算出光子的准确位置。
7.根据权利要求1所述的一种利用卫星遥感影像进行水深反演的方法，其特征在于：所述通过卫星遥感传输的遥感影像进行遥感技术预处理为：通过卫星遥感对选取的测量点进行检测获取初始图像，并对卫星遥感传输的遥感影像进行大气校正与几何矫正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311666078.2A CN117372891B (zh) | 2023-12-07 | 2023-12-07 | 一种利用卫星遥感影像进行水深反演的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311666078.2A CN117372891B (zh) | 2023-12-07 | 2023-12-07 | 一种利用卫星遥感影像进行水深反演的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117372891A true CN117372891A (zh) | 2024-01-09 |
| CN117372891B CN117372891B (zh) | 2024-02-13 |
Family
ID=89400703
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311666078.2A Active CN117372891B (zh) | 2023-12-07 | 2023-12-07 | 一种利用卫星遥感影像进行水深反演的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117372891B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105445751A (zh) * | 2015-11-18 | 2016-03-30 | 国家海洋局第一海洋研究所 | 一种浅水区域水深比值遥感反演方法 |
| CN105865424A (zh) * | 2016-04-13 | 2016-08-17 | 中测新图(北京)遥感技术有限责任公司 | 一种基于非线性模型的多光谱遥感水深反演方法及装置 |
| CN105930304A (zh) * | 2016-04-13 | 2016-09-07 | 中测新图(北京)遥感技术有限责任公司 | 基于半分析模型的多光谱遥感水深反演方法及装置 |
| CN108961402A (zh) * | 2018-06-19 | 2018-12-07 | 河海大学 | 多卫星遥感降水反演在大尺度复杂流域的时空精度标定方法 |
| CN110132246A (zh) * | 2019-04-03 | 2019-08-16 | 自然资源部第一海洋研究所 | 基于残差分区的水深遥感探测方法 |
| CN110568416A (zh) * | 2019-09-17 | 2019-12-13 | 南京莱斯网信技术研究院有限公司 | 一种基于遥感影像的雷达有效检测区域提取方法 |
| 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 |
| CN111947628A (zh) * | 2020-08-25 | 2020-11-17 | 自然资源部第一海洋研究所 | 基于固有光学参数的线性水深反演方法 |
| CN113255144A (zh) * | 2021-06-02 | 2021-08-13 | 中国地质大学（武汉） | 基于FUI分区和Ransac的浅海遥感水深反演方法 |
| CN113639716A (zh) * | 2021-07-29 | 2021-11-12 | 北京航空航天大学 | 一种基于深度残差收缩网络的水深遥感反演方法 |
| CN114758218A (zh) * | 2022-04-25 | 2022-07-15 | 中交上海航道勘察设计研究院有限公司 | 一种适用于高光谱卫星影像的高浊度水下地形反演方法 |
| CN115983669A (zh) * | 2022-12-01 | 2023-04-18 | 生态环境部南京环境科学研究所 | 一种简化河湖地表水水质评价的方法与系统 |
| CN116148188A (zh) * | 2022-12-26 | 2023-05-23 | 江苏省苏力环境科技有限责任公司 | 空天地一体化湖泊水质溯源方法、系统、设备及存储介质 |
| WO2023109718A1 (zh) * | 2021-12-15 | 2023-06-22 | 深圳先进技术研究院 | 一种模糊聚类遥感影像分割方法、系统、终端及存储介质 |
| CN116972814A (zh) * | 2023-07-13 | 2023-10-31 | 自然资源部第二海洋研究所 | 主被动遥感融合的浅海水深探测方法、设备及存储介质 |
-
2023
- 2023-12-07 CN CN202311666078.2A patent/CN117372891B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105445751A (zh) * | 2015-11-18 | 2016-03-30 | 国家海洋局第一海洋研究所 | 一种浅水区域水深比值遥感反演方法 |
| CN105865424A (zh) * | 2016-04-13 | 2016-08-17 | 中测新图(北京)遥感技术有限责任公司 | 一种基于非线性模型的多光谱遥感水深反演方法及装置 |
| CN105930304A (zh) * | 2016-04-13 | 2016-09-07 | 中测新图(北京)遥感技术有限责任公司 | 基于半分析模型的多光谱遥感水深反演方法及装置 |
| CN108961402A (zh) * | 2018-06-19 | 2018-12-07 | 河海大学 | 多卫星遥感降水反演在大尺度复杂流域的时空精度标定方法 |
| 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 |
| CN110132246A (zh) * | 2019-04-03 | 2019-08-16 | 自然资源部第一海洋研究所 | 基于残差分区的水深遥感探测方法 |
| CN110568416A (zh) * | 2019-09-17 | 2019-12-13 | 南京莱斯网信技术研究院有限公司 | 一种基于遥感影像的雷达有效检测区域提取方法 |
| CN111947628A (zh) * | 2020-08-25 | 2020-11-17 | 自然资源部第一海洋研究所 | 基于固有光学参数的线性水深反演方法 |
| CN113255144A (zh) * | 2021-06-02 | 2021-08-13 | 中国地质大学（武汉） | 基于FUI分区和Ransac的浅海遥感水深反演方法 |
| CN113639716A (zh) * | 2021-07-29 | 2021-11-12 | 北京航空航天大学 | 一种基于深度残差收缩网络的水深遥感反演方法 |
| WO2023109718A1 (zh) * | 2021-12-15 | 2023-06-22 | 深圳先进技术研究院 | 一种模糊聚类遥感影像分割方法、系统、终端及存储介质 |
| CN114758218A (zh) * | 2022-04-25 | 2022-07-15 | 中交上海航道勘察设计研究院有限公司 | 一种适用于高光谱卫星影像的高浊度水下地形反演方法 |
| CN115983669A (zh) * | 2022-12-01 | 2023-04-18 | 生态环境部南京环境科学研究所 | 一种简化河湖地表水水质评价的方法与系统 |
| CN116148188A (zh) * | 2022-12-26 | 2023-05-23 | 江苏省苏力环境科技有限责任公司 | 空天地一体化湖泊水质溯源方法、系统、设备及存储介质 |
| CN116972814A (zh) * | 2023-07-13 | 2023-10-31 | 自然资源部第二海洋研究所 | 主被动遥感融合的浅海水深探测方法、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| HAIBIN SU 等: "Geographically Adaptive Inversion Model for Improving Bathymetric Retrieval From Satellite Multispectral Imagery", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, vol. 52, no. 1, pages 465 - 476, XP011532152, DOI: 10.1109/TGRS.2013.2241772 * |
| MENGYUAN LIU 等: "Nearshore Depth Estimation Using Fine-Resolution Remote Sensing of Ocean Surface Waves", SENSORS, pages 1 - 19 * |
| 曹乔波: "四种水深反演算法的比较与分析", 地球科学前沿, vol. 13, no. 5, pages 526 - 536 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117372891B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Song et al. | Quantification of lake clarity in China using Landsat OLI imagery data | |
| Hijma et al. | A protocol for a geological sea‐level database | |
| Dai et al. | A spatiotemporal probabilistic modelling of storm‐induced shallow landsliding using aerial photographs and logistic regression | |
| Boak et al. | Shoreline definition and detection: a review | |
| CN115311821B (zh) | 一种基于数字孪生技术的地质灾害智能监测云平台 | |
| CN114091613B (zh) | 一种基于高分联合组网数据的森林生物量估算方法 | |
| CN114241331B (zh) | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 | |
| CN108444569A (zh) | 一种基于筛选的卫星测高数据提取湖库水位的方法 | |
| CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
| CN114201732A (zh) | 一种基于Sentinel-2A影像的浅海海域水深反演方法 | |
| CN114297938A (zh) | 一种基于神经网络的光学浅水水底深度的反演方法 | |
| CN108334989B (zh) | 基于遥感影像的湖库chl-a监测站点优化方法和装置 | |
| Lee et al. | New approach for snow cover detection through spectral pattern recognition with MODIS data | |
| Athearn et al. | Mapping elevations of tidal wetland restoration sites in San Francisco Bay: comparing accuracy of aerial lidar with a singlebeam echosounder | |
| CN114758218A (zh) | 一种适用于高光谱卫星影像的高浊度水下地形反演方法 | |
| Li et al. | A high-resolution Antarctic grounding zone product from ICESat-2 laser altimetry | |
| Hieronymi et al. | Ocean color atmospheric correction methods in view of usability for different optical water types | |
| CN116817869A (zh) | 一种利用激光雷达数据的海底光子信号确定方法 | |
| CN110132246B (zh) | 基于残差分区的水深遥感探测方法 | |
| CN117423013B (zh) | 基于地质大数据的成矿潜力预测方法 | |
| Putz-Perrier et al. | Distribution of faults and extensional strain in fractured carbonates of the North Malta Graben | |
| CN117372891B (zh) | 一种利用卫星遥感影像进行水深反演的方法 | |
| Qing et al. | An optical water classification and quality control model (oc_qc model) for spectral diffuse attenuation coefficient | |
| CN114255051B (zh) | 基于立体测绘卫星的正射产品的真实性检验方法 | |
| CN115035340A (zh) | 遥感影像分类结果验证方法 |
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 |