CN117423002A - 一种基于dem的小尺度潮滩图像处理方法 - Google Patents

一种基于dem的小尺度潮滩图像处理方法 Download PDF

Info

Publication number
CN117423002A
CN117423002A CN202311741623.XA CN202311741623A CN117423002A CN 117423002 A CN117423002 A CN 117423002A CN 202311741623 A CN202311741623 A CN 202311741623A CN 117423002 A CN117423002 A CN 117423002A
Authority
CN
China
Prior art keywords
tide
elevation
data
area
low
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
Application number
CN202311741623.XA
Other languages
English (en)
Other versions
CN117423002B (zh
Inventor
余景
王子文
陈丕茂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Sea Fisheries Research Institute Chinese Academy Fishery Sciences
Original Assignee
South China Sea Fisheries Research Institute Chinese Academy Fishery Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China Sea Fisheries Research Institute Chinese Academy Fishery Sciences filed Critical South China Sea Fisheries Research Institute Chinese Academy Fishery Sciences
Priority to CN202311741623.XA priority Critical patent/CN117423002B/zh
Publication of CN117423002A publication Critical patent/CN117423002A/zh
Application granted granted Critical
Publication of CN117423002B publication Critical patent/CN117423002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • 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
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • 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
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于DEM的小尺度潮滩图像处理方法，涉及图像处理技术领域，利用遥感和地理信息系统工具对海岸带的水边线进行处理，实现潮滩分类和面积量算，通过遥感影像使用BP神经网络模型提取瞬时水边线，生成高潮水边线集和低潮水边线集，依据潮位数据给水边线赋值，将具有高程属性的在ArcGIS中生成DEM，将潮间带划分为高潮区、瞬时水边线区和低潮区三个部分计算面积，三部分面积加和即为潮间带面积，提取水边线信息，并结合数据获取时刻的潮汐信息反演潮滩地形DEM，对潮滩进行分类并量算面积，大大提高工作效率和测量精度，为相应海域的稳定治理、生态保护、资源开发及近岸工程建设等提供参考依据和资料基础。

Description

一种基于DEM的小尺度潮滩图像处理方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于DEM的小尺度潮滩图像处理方法。
背景技术
潮滩处于陆地与海洋的交界，是研究海岸动态和环境变迁的参照物，潮滩又称为潮间带，潮间带介于低潮线和高潮线之间，由于潮间带高潮时被淹没，低潮时出露的特殊性，对于潮滩的提取及分类目前仍存在困难。现有提取潮间带的方法主要有两种方法：实地测量方法和基于潮位的推算方法，实地测量方法是利用测量仪器采集潮间带附近特征点，标记在数字地形图上并连接成潮间带，基于潮位的推算方法是对水位线进行潮位校正得到潮间带，是一种利用潮汐数据来推断和映射潮滩范围的技术。
上述两种潮间带的提取方法存在以下缺陷：
由于实地测量方法需要获取潮间带附近大量的特征点，因此必须进行大量野外工作，一是人工成本高，二是特征点的采集周期长，工作效率低；虽然基于潮位的推算方法的周期短且效率较高，但基于潮位的推算方法仅适用于规律的地形（即在面向不规律的地形使用时，容易导致推算误差大甚至出现错误），使用局限性大。
基于此，本发明提出一种基于DEM的小尺度潮滩图像处理方法，提取水边线信息，并结合数据获取时刻的潮汐信息反演潮滩地形DEM，对潮滩进行分类并量算面积，适用范围广，大大提高工作效率和测量精度，以解决现有方法存在的问题。
发明内容
本发明的目的是提供一种基于DEM的小尺度潮滩图像处理方法，以解决背景技术中不足。
为了实现上述目的，本发明提供如下技术方案：一种基于DEM的小尺度潮滩图像处理方法，所述处理方法包括以下步骤：
S1：系统端口从遥感卫星中获取潮滩多时相高分辨率的遥感影像数据、通过验潮站获取实测潮汐数据、通过合成孔径雷达获取陆地DEM数据和基于多波束声纳实测海底地形数据；
S2：将获取的遥感影像数据导入ENVI软件，ENVI软件首先对遥感影像数据进行辐射定标，将遥感影像数据的像元灰度值转换成辐射亮度值，然后通过ENVI软件中的FLASH模块对影像进行大气校正，并将遥感影像数据的辐亮度值转变为潮滩地物的地表反射率，使处理后的遥感影像数据达到质量标准；
S3：将不同时期遥感影像数据分割成由同类特征像元组成的多个对象，忽略对象内部的纹理特性，并根据光谱、空间信息对多个对象进行处理后获取不同时期遥感影像数据的瞬时水边线；
S4：利用训练完成的水边线提取模型提取其他时刻遥感影像数据中的瞬时水边线信息，根据瞬时水边线的位置，划分高潮水边线集和低潮水边线集；
S5：将不同时期高潮线与低潮线之间的面积代入ArcGIS软件计算得到面积均值作为瞬时水边线区域面积；
S6：使用FVCOM潮汐模型计算得到高潮高程平均值，融合高潮高程平均值和已有陆地DEM模型获取高潮DEM模型，将高潮DEM模型与平均高潮高程面相切提取高潮线和平均高潮潮线之间的区域，导入ArcGIS软件计算得到高潮区面积；
S7：使用FVCOM潮汐模型计算得到低潮高程平均值，融合低潮高程平均值和已有陆地DEM模型获取低潮DEM模型，将低潮DEM模型与平均低潮高程面相切来提取低潮线和平均低潮潮线之间的区域，导入ArcGIS软件计算得到低潮区面积；
S8：ArcGIS软件将高潮区面积、瞬时水边线区域面积和低潮区面积相加得到潮间带区域面积。
在一个优选的实施方式中，步骤S5中，计算瞬时水边线区域面积包括以下步骤：
S5.1：将不同时期的高潮线和低潮线的矢量数据导入ArcGIS软件中；
S5.2：使用ArcGIS软件进行高潮线和低潮线之间的空间交集操作，生成新的图层，新的图层将包含高潮线与低潮线的重叠区域；
S5.3：对新生成的图层进行属性表的面积计算，在属性表中新建一个字段，使用Calculate-Geometry工具计算每个要素的面积；
S5.4：使用Summary-Statistics工具，对计算得到的面积字段进行统计计算面积均值，将面积均值输出为瞬时水边线区域面积。
在一个优选的实施方式中，步骤S6中，计算获取高潮区面积包括以下步骤：
S6.1：利用FVCOM潮汐模型计算得到高潮期间的潮汐高程数据后，计算高潮高程平均值；
S6.2：将已有的陆地DEM模型与计算得到的高潮高程平均值融合构建高潮DEM模型；
S6.3：将高潮DEM模型与平均高潮高程面相切，提取高潮区域；
S6.4：将提取的高潮区域数据转换为矢量数据后导入ArcGIS软件中，在ArcGIS软件中计算高潮区域的面积。
在一个优选的实施方式中，步骤S6.3中，将高潮DEM模型与平均高潮高程面相切，提取高潮区域包括以下步骤：
S6.3.1：计算高潮DEM模型中每个像元的高程值与高潮高程平均值的差值；
S6.3.2：定义高潮高程阈值，用于确定高潮区域，生成二值遮罩，二值遮罩大于高潮高程阈值的区域标记为高潮，二值遮罩小于等于高潮高程阈值的区域标记为非高潮，生成高潮区域遮罩；
S6.3.3：使用生成的高潮区域遮罩对矢量化后的区域提取高潮区域。
在一个优选的实施方式中，步骤S7中，计算低潮区域的面积包括以下步骤：
S7.1：利用FVCOM潮汐模型计算得到低潮期间的潮汐高程数据后，计算低潮高程平均值；
S7.2：将已有的陆地DEM模型与计算得到的低潮高程平均值融合构建低潮DEM模型；
S7.3：将低潮DEM模型与平均低潮高程面相切，提取低潮区域；
S7.4：将提取的低潮区域数据转变为矢量数据后导入ArcGIS软件中，在ArcGIS软件中计算低潮区域的面积。
在一个优选的实施方式中，步骤S7.3中，将低潮DEM模型与平均低潮高程面相切，提取低潮区域包括以下步骤：
S7.3.1：计算低潮DEM模型中每个像元的高程值与低潮高程平均值的差值；
S7.3.2：定义低潮高程阈值，用于确定低潮区域，生成二值遮罩，二值遮罩小于低潮高程阈值的区域标记为低潮，二值遮罩大于等于低潮高程阈值的区域标记为非低潮，生成低潮区域遮罩；
S7.3.3：使用生成的低潮区域遮罩对矢量化后的区域提取低潮区域。
在一个优选的实施方式中，所述高潮高程阈值的定义步骤为：
利用FVCOM潮汐模型获取海岸区域，高潮期间的潮汐高程数据，建立高潮高程数据集，计算高潮高程数据集中的高潮高程平均值；
将高潮高程平均值作为基础高潮高程阈值，则动态高潮高程阈值，式中，/>为高潮高程平均值，/>，n为高潮高程数据集中的数据点数量，/>表示第i个数据点处的高潮高程值；
所述低潮高程阈值的定义步骤为：
利用FVCOM潮汐模型获取海岸区域，低潮期间的潮汐高程数据，建立低潮高程数据集，计算低潮高程数据集中的低潮高程平均值；
将低潮高程平均值作为基础低潮高程阈值，则动态低潮高程阈值，式中，/>为低潮高程平均值，/>，m为低潮高程数据集中的数据点数量，/>表示第j个数据点处的低潮高程值。
在一个优选的实施方式中，步骤S4中，水边线提取模型的建立包括以下步骤：
S4.1：将剩余遥感影像数据整理为数据集，将数据集输入数据矩阵，并为每个样本提供相应的水边线标签；
S4.2：将数据集按照比例划分为训练组、验证组和测试组，数据集80%用于训练、10%用于验证、10%用于测试；
S4.3：使用深度学习框架构建BP神经网络模型，定义输入层、隐藏层和输出层的结构；
S4.4：依据预设的优化器和损失函数，使用训练组的数据对模型进行训练，同时使用验证组的数据验证BP神经网络模型性能，验证合格后输出水边线提取模型。
在一个优选的实施方式中，步骤S4中，划分高潮水边线集和低潮水边线集包括以下步骤：
S4.4：利用训练完成的水边线提取模型对其他时刻的遥感影像进行预测，得到瞬时水边线的位置信息；
S4.5：从验潮站实测潮汐数据中确定每个时刻的潮汐状态，包括潮汐水位高度或潮差信息了；
S4.6：确保潮汐数据的时间戳与遥感影像的时间戳对应，通过时间戳的匹配将潮汐数据与遥感影像的时间对应；
S4.7：判断每个时刻的潮汐状态，将实时潮汐与预设的潮汐阈值进行对比，实时潮汐大于等于潮汐阈值判定为高潮，实时潮汐小于潮汐阈值判定为低潮；
S4.8：根据潮汐状态，将瞬时水边线划分为高潮水边线集和低潮水边线集。
在一个优选的实施方式中，当处理后的遥感影像数据达不到质量标准时，需要对相应步骤进行重复处理，但在实际应用过程中，我们发现，若遥感影像数据在预处理过程中的重复步骤过多，可能会导致预处理后遥感影像数据在后续使用时出现局部失真或模糊等质量缺陷，由于此类缺陷较小，系统通常无法自主检测，若局部失真或迷糊的区域位于海岸线上，还会影响后续潮间带面积的准确度；
因此，为了使系统能够对这种微小缺陷进行感知，我们涉及以下方案：
获取遥感影像数据在辐射定标、大气校正中的重复处理次数，分别为两项处理步骤加权计算获取缺陷系数，表达式为：
，式中，/>为缺陷系数，/>为辐射定标重复处理次数，为大气校正重复处理次数，/>、/>分别为辐射定标重复处理次数与大气校正重复处理次数的权重。且/>；
由缺陷系数的计算表达式可知，缺陷系数越大，表明遥感影像受到重复处理后，出现微小缺陷的概率越大，因此，为了区域遥感影像存在/不存在微小缺陷，我们将计算获取的缺陷系数与缺陷阈值进行对比；
若缺陷系数大于缺陷阈值，分析遥感影像受到重复处理后，存在现微小缺陷，若缺陷系数小于等于缺陷阈值，分析遥感影像受到重复处理后，不存在现微小缺陷；
当分析遥感影像存在微小缺陷时，需要重新通过遥感卫星遥感影像数据，以保障遥感影像的使用质量；
若多次获取的遥感影像数据经过分析后均存在微小缺陷，则可能表明遥感卫星存在问题或当前环境对遥感卫星采集的遥感影像质量影响过大。
在一个优选的实施方式中，步骤S3中，获取不同时期遥感影像数据的瞬时水边线包括以下步骤：
S3.1：选择遥感影像数据，遥感影像数据选择时段之间具有时间间隔；
S3.2：使用图像分割算法将遥感影像划分为不同的对象，同一对象内的像元具有相关特征；
S3.3：选择像元中与瞬时水边线相关的特征，包括光谱特征、形状特征；
S3.4：基于像元的光谱值、形状特征通过支持向量机分类对象；
S3.5：基于形态学处理方法对分类结果进行优化，平滑边界或去除的错误分类；
S3.6：根据分类结果中瞬时水边线连接的像元，提取瞬时水边线的位置信息。
在上述技术方案中，本发明提供的技术效果和优点：
本发明利用遥感和地理信息系统工具对海岸带的水边线进行处理，实现潮滩分类和面积量算，通过遥感影像使用BP神经网络模型提取瞬时水边线，生成高潮水边线集和低潮水边线集，依据潮位数据给水边线赋值，将具有高程属性的在ArcGIS中生成DEM，将潮间带划分为高潮区、瞬时水边线区和低潮区三个部分计算面积，三部分面积加和即为潮间带面积，潮滩处于陆地与海洋的交界，是研究海岸动态和环境变迁的参照物，提取水边线信息，并结合数据获取时刻的潮汐信息反演潮滩地形DEM，对潮滩进行分类并量算面积，大大提高工作效率和测量精度，为相应海域的稳定治理、生态保护、资源开发及近岸工程建设等提供参考依据和资料基础。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
图2为本发明的水边线划分示意图。
图3为本发明的遥感影像水边线示意图。
图4为本发明的遥感影像潮间带区域示意图。
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。
实施例：请参阅图1所示，本实施例所述一种基于DEM的小尺度潮滩图像处理方法，所述处理方法包括以下步骤：
系统端口从遥感卫星中获取潮滩多时相高分辨率的遥感影像数据、通过验潮站获取实测潮汐数据（包括实测整点潮位数据、潮汐表等）、通过合成孔径雷达（SAR）获取陆地DEM数据和基于多波束声纳实测海底地形数据，具体为：
1）潮滩多时相高分辨率遥感影像数据：
数据来源：遥感卫星；
设备：高分辨率卫星，例如世界各地的卫星，如Landsat、Sentinel系列等；
获取方法：卫星定期拍摄潮滩地区的影像，形成多时相的高分辨率遥感影像，卫星可采用多光谱、红外线等传感器，以获取不同波段的数据，提供更多地表信息；
2）实测潮汐数据：
数据来源：验潮站；
设备：潮汐计、浮标、水位计等；
获取方法：在潮滩周围设置验潮站，通过潮汐计等设备实时监测潮汐变化，潮汐表记录整点潮位数据，包括涨潮、落潮的时间和潮位高度等信息；
3）陆地DEM数据：
数据来源：合成孔径雷达（SAR）；
设备：SAR卫星；
获取方法：SAR卫星通过发射微波，并接收反射回来的信号，可生成高分辨率的陆地DEM数据，这些数据反映了地表的高程信息，包括山脉、河流、平原等地形特征；
4）海底地形数据：
数据来源：多波束声纳；
设备：多波束声纳设备；
获取方法：多波束声纳在船只上安装，通过发射多个声波束，测量声波返回的时间和强度，从而生成详细的海底地形数据，这些数据可用于绘制海底地形图，包括水深、海底地形等信息。
遥感影像数据在获取时存在着不可避免的误差，在解译分析遥感影像数据之前需要进行预处理，预处理包括辐射定标、大气校正等，大气校正可以消除遥感影像数据中由大气散射引起的辐射误差，从而获得地物反射率、辐射率、地表温度等真实物理模型参数，将获取的遥感影像数据导入ENVI软件，ENVI软件首先对遥感影像数据进行辐射定标，将遥感影像数据的像元灰度值（Digital-Number，DN值）转换成辐射亮度值，然后通过ENVI软件中的FLASH模块对影像进行大气校正，并将遥感影像数据的辐亮度值转变为潮滩地物的地表反射率，使处理后的遥感影像数据达到质量标准，具体为：
1）辐射定标（Radiometric-Calibration）：
目的：辐射定标是将遥感影像数据的数字值（Digital-Number，DN值）转换为辐射亮度值，以便更准确地表示地表的辐射特性，
步骤：使用遥感卫星的辐射校正参数，例如辐射定标系数，对DN值进行转换，这通常涉及到卫星的传感器特性、太阳辐射等因素，ENVI软件提供了工具和算法来执行这一步骤，
2）大气校正（Atmospheric-Correction）：
目的：大气校正是为了去除大气影响，使得遥感影像更精确地反映地表的特征，
步骤：使用ENVI软件中的FLASH（Fast-Line-of-sight-Atmospheric-Analysis-of-Spectral-Hypercubes）模块进行大气校正，FLASH模块使用大气传输模型，通过遥感影像中的云、气溶胶等信息，估算并校正大气散射和吸收效应，
3）地表反射率计算：
目的：将遥感影像数据的辐亮度值转换为地表反射率，使得不同遥感影像之间以及不同波段之间的数据可比，
步骤：通过FLASH模块进行大气校正后，ENVI软件可以提供工具来进行地表反射率计算，这包括使用卫星和大气参数、太阳天顶角、观测角等信息，以及影像中的黑体和白板校正。
当处理后的遥感影像数据达不到质量标准时，需要对相应步骤进行重复处理，但在实际应用过程中，我们发现，若遥感影像数据在预处理过程中的重复步骤过多，可能会导致预处理后遥感影像数据在后续使用时出现局部失真或模糊等质量缺陷，由于此类缺陷较小，系统通常无法自主检测，若局部失真或迷糊的区域位于海岸线上，还会影响后续潮间带面积的准确度；
因此，为了使系统能够对这种微小缺陷进行感知，我们涉及以下方案：
获取遥感影像数据在辐射定标、大气校正中的重复处理次数，分别为两项处理步骤加权计算获取缺陷系数，表达式为：
，式中，/>为缺陷系数，/>为辐射定标重复处理次数，为大气校正重复处理次数，/>、/>分别为辐射定标重复处理次数与大气校正重复处理次数的权重。且/>；
由缺陷系数的计算表达式可知，缺陷系数越大，表明遥感影像受到重复处理后，出现微小缺陷的概率越大，因此，为了区域遥感影像存在/不存在微小缺陷，我们将计算获取的缺陷系数与缺陷阈值进行对比；
若缺陷系数大于缺陷阈值，分析遥感影像受到重复处理后，存在现微小缺陷，若缺陷系数小于等于缺陷阈值，分析遥感影像受到重复处理后，不存在现微小缺陷；
当分析遥感影像存在微小缺陷时，需要重新通过遥感卫星遥感影像数据，以保障遥感影像的使用质量；
若多次获取的遥感影像数据经过分析后均存在微小缺陷，则可能表明遥感卫星存在问题或当前环境对遥感卫星采集的遥感影像质量影响过大。
选取不同时期的遥感影像数据，使用基于规则的面向对象特征提取方法提取不同时期遥感影像数据的瞬时水边线，基于规则的面向对象特征提取方法基本原理是利用相应的图像分割方法，将图像分割成由同类特征像元组成的多个大小不等的对象，忽略对象内部的纹理特性，并根据光谱、空间信息等对影像进行处理，面向对象法的主要步骤包括：影像分割、特征选取、对象分类和后续处理，具体原理为：
请参阅图3所示，选择具有合适时段的遥感影像，确保时段之间具有一定的时间间隔，以捕捉地物的变化，使用图像分割算法将遥感影像划分为不同的对象或区域，使得同一对象内的像元具有相似的特征，选择与瞬时水边线相关的特征，包括光谱特征（如不同波段的反射率）、形状特征等，基于像元的光谱值、形状特征通过支持向量机（SVM）进行对象分类，规则可以根据研究区域和数据特点进行调整，以提高分类精度，基于形态学处理方法对分类结果进行进一步优化，去除的错误分类或平滑边界，以改善分类结果的空间连续性和一致性，根据分类结果中瞬时水边线连接的像元，提取瞬时水边线的位置信息，水边线为图3中海岸边缘黑色线条。
请参阅图2所示，将剩余遥感影像数据作为输入数据矩阵，按照比例划分为训练组、验证组、测试组，训练BP神经网络模型后得到水边线提取模型，利用训练完成的水边线提取模型提取其他时刻遥感影像数据中的瞬时水边线信息，根据瞬时水边线的位置，划分高潮水边线集和低潮水边线集，MLWS为高潮滩的最高水位线，MLWN为高潮滩的最低水位线，MHWN为低潮滩的最高水位线，MHWS为低潮滩的最低水位线；
将剩余遥感影像数据整理为数据集，将数据集输入数据矩阵，并为每个样本提供相应的水边线标签（二值标签，表示水/非水），每个样本在数据矩阵中可以表示为一行或一列，将数据集按照比例划分为训练组、验证组和测试组，例如，80%用于训练，10%用于验证，10%用于测试，使用深度学习框架（如Keras、TensorFlow或PyTorch）构建BP神经网络模型，定义输入层、隐藏层和输出层的结构，依据预设的优化器和损失函数，使用训练组的数据对模型进行训练，同时使用验证组的数据进行性能验证，验证合格后输出水边线提取模型，部分代码展示如下：
#示例代码（使用Keras）：model=Sequential()；
#添加输入层、隐藏层等：model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])；model.fit(X_train,y_train,epochs=50,batch_size=32,validation_data=(X_val,y_val))。
利用训练完成的水边线提取模型对其他时刻的遥感影像进行预测，得到瞬时水边线的位置信息，部分代码展示如下：
#示例代码（使用Keras）：predicted_water_edge=model.predict(X_other_time)；
从验潮站实测潮汐数据中确定每个时刻的潮汐状态，包括潮汐水位高度或潮差等信息，确保潮汐数据的时间戳与遥感影像的时间戳对应，将潮汐数据与遥感影像的时间对应起来，这可以通过时间戳的匹配或插值来实现，判断每个时刻的潮汐状态（高潮或低潮），将实时潮汐与预设的潮汐阈值进行对比，实时潮汐大于等于潮汐阈值判定为高潮，实时潮汐小于潮汐阈值判定为低潮，部分代码展示如下：
#示例：判断潮汐状态：high_tide_indices=np.where(tide_levels>threshold)[0]；low_tide_indices=np.where(tide_levels<=threshold)[0]；
根据潮汐状态，将瞬时水边线划分为高潮水边线集和低潮水边线集，部分代码展示如下：
#示例：根据潮汐状态划分水边线集：high_tide_water_edge=predicted_water_edge[high_tide_indices]low_tide_water_edge=predicted_water_edge[low_tide_indices]。
ArcGIS软件对提取出的多时相瞬时水边线所包含的面积进行量算，瞬时水边线之间的区域频繁受到潮汐因素的影响，长时期内两线间的面积不断变化，将一定时期两线间面积的均值看作平均受潮水影响的面积；
将划分的高潮水边线集数据导入ArcGIS软件，将水边线离散成点，使栅格数据格式转矢量数据格式，利用FVCOM潮汐模型获取卫星过境时刻的潮位值，将校正后潮位值作为瞬时水边线的高程值，将构建DEM模型和已有陆地DEM模型融合获取高潮DEM模型，使用FVCOM潮汐模型计算得到高潮高程平均值，将高潮DEM模型与平均高潮高程面相切来提取一般高潮线和平均高潮潮线之间的区域，导入ArcGIS软件计算得到高潮区面积；
低潮水边线数据集导入ArcGIS软件，将水边线离散成点，使栅格数据格式转矢量数据格式，使用FVCOM潮汐模型获取卫星过境时刻的潮位值，赋高程值，构建DEM模型和已有陆地DEM模型融合获取低潮DEM模型，使用FVCOM潮汐模型计算得到低潮高程平均值，将低潮DEM模型与平均低潮高程面相切来提取一般低潮线和平均低潮潮线之间的区域，导入ArcGIS软件计算得到低潮区面积。
将高潮区面积、瞬时水边线区域面积和低潮区面积相加得到潮间带区域面积，即为平均高潮潮位和平均低潮潮位之间所包围的潮间带区域面积。
海陆融合数字高程模型（Digital-Elevation-Model，DEM），数字高程模型DEM是高程的数字化表达，通过一组有序数值阵列形式实现对地面地形的数字化模拟，其反映的是不包含自然及人工地物在内的“裸地”高程信息。
FVCOM潮汐模型是无结构网格的、有限体积的三维原始方程的海洋模式，模型主要包括动量方程、连续方程、温盐方程以及状态方程，水平方向上是三角网格，垂向上是σ坐标，它可以较好地拟合复杂岸线，目前广泛用于近岸海洋数值模拟研究。
将FVCOM潮汐模型用来计算瞬时水边线处的潮位和其他关键潮位，垂直方向上依据水深划分为11层，潮滩的水深、岸线等资料由多波束声纳获取，河网分辨率最高分辨率约50m，外海开边界潮汐考虑9个主要分潮M2、S2、N2、K2、K1、O1、P1、Q1、M4，根据获取的水文站实测潮汐数据，对FVCOM潮汐模型计算结果校正，将获取的潮位值校正为1985高程基准下的高程值，具体如下：
FVCOM潮汐模型应用：使用FVCOM潮汐模型进行计算，FVCOM是一种数值模型，用于模拟沿海和近海区域的水动力学过程，包括潮汐现象；
垂直方向划分为11层：在模型中，水体垂直方向被划分为11个层次，这有助于更精细地模拟水体垂直分布的变化；
多波束声纳获取潮滩水深和岸线资料：使用多波束声纳获取潮滩的水深和岸线等地形信息，这些数据对于模型的精度和准确性至关重要；
河网分辨率最高为50m：河网的空间分辨率最高为50米，这表示在模型中对河网进行建模时，空间格点的最小间隔为50米；
外海开边界潮汐考虑9个主要分潮：在模型外海的边界处，考虑了9个主要分潮，包括M2、S2、N2、K2、K1、O1、P1、Q1、M4，这些是潮汐中的主要频率成分，模拟它们可以更准确地捕捉潮汐变化；
根据水文站实测潮汐数据进行校正：使用水文站实测的潮汐数据，对FVCOM模型计算得到的潮汐模拟结果进行校正，这是为了提高模型的准确性，确保模拟结果与实际观测数据一致；
将获取的潮位值校正为1985高程基准下的高程值：对获取的潮位值进行校正，将其调整为参考高程基准，这里指的是1985年的高程基准，这样可以确保模型计算的潮位值与特定高程标准一致，以便进行水文和地理空间数据的一致性分析。
本方法针对小尺度区域，利用遥感（Remote-Sensing，RS）和地理信息系统（Geographic-Information-System，GIS）工具对海岸带的水边线进行处理，实现潮滩分类和面积量算，通过遥感影像使用BP神经网络模型提取瞬时水边线，生成高潮水边线集和低潮水边线集，依据潮位数据给水边线赋值，将具有高程属性的在ArcGIS中生成DEM，将潮间带划分为高潮区、瞬时水边线区和低潮区三个部分计算面积，三部分面积加和即为潮间带面积，潮滩处于陆地与海洋的交界，是研究海岸动态和环境变迁的参照物，提取水边线信息，并结合数据获取时刻的潮汐信息反演潮滩地形DEM，对潮滩进行分类并量算面积，大大提高工作效率和测量精度，为相应海域的稳定治理、生态保护、资源开发及近岸工程建设等提供参考依据和资料基础。
将不同时期高潮线与低潮线之间的面积代入ArcGIS软件计算得到面积均值作为瞬时水边线区域面积，包括以下步骤：
将不同时期的高潮线和低潮线的矢量数据导入ArcGIS中，确保数据的投影和坐标系一致，使用ArcGIS的工具进行高潮线和低潮线之间的空间交集操作，生成新的图层，这个新的图层将包含高潮线与低潮线重叠的区域，对生成的新图层进行属性表的面积计算，在属性表中新建一个字段，使用"Calculate-Geometry"工具计算每个要素的面积，使用"Summary-Statistics"工具，对计算得到的面积字段进行统计计算面积均值，将面积均值输出为瞬时水边线区域面积；
上述步骤在ArcGIS中可以通过使用ArcPy脚本来完成，ArcPy脚本示例代码如下：
#导入ArcPy模块：importarcpy；
#设置工作环境：arcpy.env.workspace="路径到你的工作空间"；
#导入高潮线和低潮线的矢量数据：high_tide_line="路径到高潮线数据"low_tide_line="路径到低潮线数据"#执行空间交集intersect_output="路径到输出的空间交集图层"arcpy.analysis.Intersect([high_tide_line,low_tide_line],intersect_output)
#计算面积：arcpy.management.CalculateGeometryAttributes(intersect_output,[["AREA","AREA_GEODESIC"]],"METERS")；
#统计均值：output_table="路径到输出统计表"arcpy.analysis.Statistics(intersect_output,output_table,[["AREA","MEAN"]])。
使用FVCOM潮汐模型计算得到高潮高程平均值，融合高潮高程平均值和已有陆地DEM模型获取高潮DEM模型，将高潮DEM模型与平均高潮高程面相切提取一般高潮线和平均高潮潮线之间的区域，导入ArcGIS软件计算得到高潮区面积，具体为：
利用FVCOM潮汐模型，计算得到高潮期间的潮汐高程数据，然后计算高潮高程平均值，将已有的陆地DEM模型与计算得到的高潮高程平均值融合，以构建高潮DEM模型，这可以通过将两者相加或者取最大值等方式融合，将高潮DEM模型与平均高潮高程面相切，提取高潮区域，将提取的高潮区域数据转换为矢量数据后导入ArcGIS软件中，在ArcGIS中使用相应的工具（如"Calculate-Geometry"）计算高潮区域的面积，通过选择面积单位和计算选项来完成；
将高潮DEM模型与平均高潮高程面相切，提取高潮区域包括以下步骤：
计算高潮DEM模型中每个像元的高程值与高潮高程平均值的差值，这可以通过对两个DEM模型逐像元相减来实现，定义一个高潮高程阈值，用于确定高潮区域，高潮高程阈值可以基于平均高潮高程和潮汐变化的幅度来选择，生成二值遮罩，其中大于高潮高程阈值的区域标记为高潮，小于等于高潮高程阈值的区域标记为非高潮，使用生成的高潮区域遮罩，通过矢量化后的区域提取高潮区域，对提取的高潮区域进行一些后处理步骤，例如去除小的孤立区域，进行平滑处理等，以获取更合理的高潮区域。
使用FVCOM潮汐模型计算得到低潮高程平均值，融合低潮高程平均值和已有陆地DEM模型获取低潮DEM模型，将低潮DEM模型与平均低潮高程面相切来提取一般低潮线和平均低潮潮线之间的区域，导入ArcGIS软件计算得到低潮区面积；
利用FVCOM潮汐模型，计算得到低潮期间的潮汐高程数据，然后计算低潮高程平均值，将已有的陆地DEM模型与计算得到的低潮高程平均值融合，以构建低潮DEM模型，这可以通过将两者相加或者取最小值等方式融合，将低潮DEM模型与平均低潮高程面相切，提取低潮区域，将提取的低潮区域数据转变为矢量数据后导入ArcGIS软件中，在ArcGIS中使用相应的工具（如"Calculate-Geometry"）计算低潮区域的面积，通过选择面积单位和计算选项来完成；
将低潮DEM模型与平均低潮高程面相切，提取低潮区域包括以下步骤：
计算低潮DEM模型中每个像元的高程值与低潮高程平均值的差值，这可以通过对两个DEM模型逐像元相减来实现，定义一个低潮高程阈值，用于确定低潮区域，低潮高程阈值可以基于平均低潮高程和潮汐变化的幅度来选择，生成二值遮罩，其中小于低潮高程阈值的区域标记为低潮，大于等于低潮高程阈值的区域标记为非低潮，使用生成的低潮区域遮罩，通过矢量化后的区域提取低潮区域，对提取的低潮区域进行一些后处理步骤，例如去除小的孤立区域，进行平滑处理等，以获取更合理的低潮区域。
ArcGIS软件将高潮区面积、瞬时水边线区域面积和低潮区面积相加得到潮间带区域面积；
将高潮区面积标记为，低潮区面积标记为/>，瞬时水边线区域面积标记为，则潮间带区域面积/>，并将潮间带区域在遥感影响数据中进行可视化标记，如图4所示，标记包括色彩带标记，例如在灰度图像中，将白色作为潮间带区域的标记颜色，将潮间带划分为高潮区、瞬时水边线区和低潮区三个部分计算面积，三部分面积加和即为潮间带面积，潮滩处于陆地与海洋的交界，是研究海岸动态和环境变迁的参照物，提取水边线信息，并结合数据获取时刻的潮汐信息反演潮滩地形DEM，对潮滩进行分类并量算面积，大大提高工作效率和测量精度，为相应海域的稳定治理、生态保护、资源开发及近岸工程建设等提供参考依据和资料基础。
具体的，由于海岸线的潮汐是不确定因素，且在不同时间和不同区域的海岸线潮汐浮动也不一致，因此，为了保障本申请对高潮区域和低潮区域划分的准确性，本申请提出以下方案：
高潮区域划分：先利用FVCOM潮汐模型获取海岸区域，高潮期间的潮汐高程数据，建立高潮高程数据集，计算高潮高程数据集中的高潮高程平均值，表达式为：，式中，/>为高潮高程平均值，/>，n为高潮高程数据集中的数据点数量，/>表示第i个数据点处的高潮高程值；
计算高潮高程数据集的标准差，表达式为：/>；式中，/>为高潮高程平均值，/>，n为高潮高程数据集中的数据点数量，/>表示第i个数据点处的高潮高程值；
将高潮高程平均值作为基础高潮高程阈值，则动态高潮高程阈值，通过高潮高程数据集的标准差/>来动态调节基础高潮高程阈值得到动态高潮高程阈值，使得本申请在面向不同时间和不同区域的海岸线使用时，能够更加适配该海岸线进行高潮区域划分，且准确性更高。
低潮区域划分：先利用FVCOM潮汐模型获取海岸区域，低潮期间的潮汐高程数据，建立低潮高程数据集，计算低潮高程数据集中的低潮高程平均值，表达式为：，式中，/>为低潮高程平均值，/>，m为低潮高程数据集中的数据点数量，/>表示第j个数据点处的低潮高程值；/>
计算低潮高程数据集的标准差，表达式为：/>；式中，/>为低潮高程平均值，/>，m为低潮高程数据集中的数据点数量，/>表示第j个数据点处的低潮高程值；
将低潮高程平均值作为基础低潮高程阈值，则动态低潮高程阈值，通过低潮高程数据集的标准差/>来动态调节基础低潮高程阈值得到动态低潮高程阈值，使得本申请在面向不同时间和不同区域的海岸线使用时，能够更加适配该海岸线进行低潮区域划分，且准确性更高；
通过标准差来调节高潮高程阈值和低潮高程阈值，从而使得生成的动态高潮高程阈值和动态低潮高程阈值更加符合当前海岸线使用，这样不仅增加了本申请的适用性，而且引入一些随机数据，使得高潮、低潮区域的划分更为准确。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.一种基于DEM的小尺度潮滩图像处理方法，其特征在于：所述处理方法包括以下步骤：
S1：系统端口从遥感卫星中获取潮滩多时相高分辨率的遥感影像数据、通过验潮站获取实测潮汐数据、通过合成孔径雷达获取陆地DEM数据和基于多波束声纳实测海底地形数据；
S2：将获取的遥感影像数据导入ENVI软件，ENVI软件首先对遥感影像数据进行辐射定标，将遥感影像数据的像元灰度值转换成辐射亮度值，然后通过ENVI软件中的FLASH模块对影像进行大气校正，并将遥感影像数据的辐亮度值转变为潮滩地物的地表反射率，使处理后的遥感影像数据达到质量标准；
S3：将不同时期遥感影像数据分割成由同类特征像元组成的多个对象，忽略对象内部的纹理特性，并根据光谱、空间信息对多个对象进行处理后获取不同时期遥感影像数据的瞬时水边线；
S4：利用训练完成的水边线提取模型提取其他时刻遥感影像数据中的瞬时水边线信息，根据瞬时水边线的位置，划分高潮水边线集和低潮水边线集；
S5：将不同时期高潮线与低潮线之间的面积代入ArcGIS软件计算得到面积均值作为瞬时水边线区域面积；
S6：使用FVCOM潮汐模型计算得到高潮高程平均值，融合高潮高程平均值和已有陆地DEM模型获取高潮DEM模型，将高潮DEM模型与平均高潮高程面相切提取高潮线和平均高潮潮线之间的区域，导入ArcGIS软件计算得到高潮区面积；
S7：使用FVCOM潮汐模型计算得到低潮高程平均值，融合低潮高程平均值和已有陆地DEM模型获取低潮DEM模型，将低潮DEM模型与平均低潮高程面相切来提取低潮线和平均低潮潮线之间的区域，导入ArcGIS软件计算得到低潮区面积；
S8：ArcGIS软件将高潮区面积、瞬时水边线区域面积和低潮区面积相加得到潮间带区域面积。
2.根据权利要求1所述的一种基于DEM的小尺度潮滩图像处理方法，其特征在于：步骤S5中，计算瞬时水边线区域面积包括以下步骤：
S5.1：将不同时期的高潮线和低潮线的矢量数据导入ArcGIS软件中；
S5.2：使用ArcGIS软件进行高潮线和低潮线之间的空间交集操作，生成新的图层，新的图层将包含高潮线与低潮线的重叠区域；
S5.3：对新生成的图层进行属性表的面积计算，在属性表中新建一个字段，使用Calculate-Geometry工具计算每个要素的面积；
S5.4：使用Summary-Statistics工具，对计算得到的面积字段进行统计计算面积均值，将面积均值输出为瞬时水边线区域面积。
3.根据权利要求1所述的一种基于DEM的小尺度潮滩图像处理方法，其特征在于：步骤S6中，计算获取高潮区面积包括以下步骤：
S6.1：利用FVCOM潮汐模型计算得到高潮期间的潮汐高程数据后，计算高潮高程平均值；
S6.2：将已有的陆地DEM模型与计算得到的高潮高程平均值融合构建高潮DEM模型；
S6.3：将高潮DEM模型与平均高潮高程面相切，提取高潮区域；
S6.4：将提取的高潮区域数据转换为矢量数据后导入ArcGIS软件中，在ArcGIS软件中计算高潮区域的面积。
4.根据权利要求3所述的一种基于DEM的小尺度潮滩图像处理方法，其特征在于：步骤S6.3中，将高潮DEM模型与平均高潮高程面相切，提取高潮区域包括以下步骤：
S6.3.1：计算高潮DEM模型中每个像元的高程值与高潮高程平均值的差值；
S6.3.2：定义高潮高程阈值，用于确定高潮区域，生成二值遮罩，二值遮罩大于高潮高程阈值的区域标记为高潮，二值遮罩小于等于高潮高程阈值的区域标记为非高潮，生成高潮区域遮罩；
S6.3.3：使用生成的高潮区域遮罩对矢量化后的区域提取高潮区域。
5.根据权利要求4所述的一种基于DEM的小尺度潮滩图像处理方法，其特征在于：步骤S7中，计算低潮区域的面积包括以下步骤：
S7.1：利用FVCOM潮汐模型计算得到低潮期间的潮汐高程数据后，计算低潮高程平均值；
S7.2：将已有的陆地DEM模型与计算得到的低潮高程平均值融合构建低潮DEM模型；
S7.3：将低潮DEM模型与平均低潮高程面相切，提取低潮区域；
S7.4：将提取的低潮区域数据转变为矢量数据后导入ArcGIS软件中，在ArcGIS软件中计算低潮区域的面积。
6.根据权利要求5所述的一种基于DEM的小尺度潮滩图像处理方法，其特征在于：步骤S7.3中，将低潮DEM模型与平均低潮高程面相切，提取低潮区域包括以下步骤：
S7.3.1：计算低潮DEM模型中每个像元的高程值与低潮高程平均值的差值；
S7.3.2：定义低潮高程阈值，用于确定低潮区域，生成二值遮罩，二值遮罩小于低潮高程阈值的区域标记为低潮，二值遮罩大于等于低潮高程阈值的区域标记为非低潮，生成低潮区域遮罩；
S7.3.3：使用生成的低潮区域遮罩对矢量化后的区域提取低潮区域。
7.根据权利要求6所述的一种基于DEM的小尺度潮滩图像处理方法，其特征在于：所述高潮高程阈值的定义步骤为：
利用FVCOM潮汐模型获取海岸区域，高潮期间的潮汐高程数据，建立高潮高程数据集，计算高潮高程数据集中的高潮高程平均值；
将高潮高程平均值作为基础高潮高程阈值，则动态高潮高程阈值，式中，/>为高潮高程平均值，/>，n为高潮高程数据集中的数据点数量，/>表示第i个数据点处的高潮高程值；
所述低潮高程阈值的定义步骤为：
利用FVCOM潮汐模型获取海岸区域，低潮期间的潮汐高程数据，建立低潮高程数据集，计算低潮高程数据集中的低潮高程平均值；
将低潮高程平均值作为基础低潮高程阈值，则动态低潮高程阈值，式中，/>为低潮高程平均值，/>，m为低潮高程数据集中的数据点数量，/>表示第j个数据点处的低潮高程值。
8.根据权利要求1所述的一种基于DEM的小尺度潮滩图像处理方法，其特征在于：步骤S4中，水边线提取模型的建立包括以下步骤：
S4.1：将剩余遥感影像数据整理为数据集，将数据集输入数据矩阵，并为每个样本提供相应的水边线标签；
S4.2：将数据集按照比例划分为训练组、验证组和测试组，数据集80%用于训练、10%用于验证、10%用于测试；
S4.3：使用深度学习框架构建BP神经网络模型，定义输入层、隐藏层和输出层的结构；
S4.4：依据预设的优化器和损失函数，使用训练组的数据对模型进行训练，同时使用验证组的数据验证BP神经网络模型性能，验证合格后输出水边线提取模型。
9.根据权利要求8所述的一种基于DEM的小尺度潮滩图像处理方法，其特征在于：步骤S4中，划分高潮水边线集和低潮水边线集包括以下步骤：
S4.4：利用训练完成的水边线提取模型对其他时刻的遥感影像进行预测，得到瞬时水边线的位置信息；
S4.5：从验潮站实测潮汐数据中确定每个时刻的潮汐状态，包括潮汐水位高度或潮差信息了；
S4.6：确保潮汐数据的时间戳与遥感影像的时间戳对应，通过时间戳的匹配将潮汐数据与遥感影像的时间对应；
S4.7：判断每个时刻的潮汐状态，将实时潮汐与预设的潮汐阈值进行对比，实时潮汐大于等于潮汐阈值判定为高潮，实时潮汐小于潮汐阈值判定为低潮；
S4.8：根据潮汐状态，将瞬时水边线划分为高潮水边线集和低潮水边线集。
10.根据权利要求1所述的一种基于DEM的小尺度潮滩图像处理方法，其特征在于：步骤S3中，获取不同时期遥感影像数据的瞬时水边线包括以下步骤：
S3.1：选择遥感影像数据，遥感影像数据选择时段之间具有时间间隔；
S3.2：使用图像分割算法将遥感影像划分为不同的对象，同一对象内的像元具有相关特征；
S3.3：选择像元中与瞬时水边线相关的特征，包括光谱特征、形状特征；
S3.4：基于像元的光谱值、形状特征通过支持向量机分类对象；
S3.5：基于形态学处理方法对分类结果进行优化，平滑边界或去除的错误分类；
S3.6：根据分类结果中瞬时水边线连接的像元，提取瞬时水边线的位置信息。
CN202311741623.XA 2023-12-18 2023-12-18 一种基于dem的小尺度潮滩图像处理方法 Active CN117423002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311741623.XA CN117423002B (zh) 2023-12-18 2023-12-18 一种基于dem的小尺度潮滩图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311741623.XA CN117423002B (zh) 2023-12-18 2023-12-18 一种基于dem的小尺度潮滩图像处理方法

Publications (2)

Publication Number Publication Date
CN117423002A true CN117423002A (zh) 2024-01-19
CN117423002B CN117423002B (zh) 2024-03-15

Family

ID=89523325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311741623.XA Active CN117423002B (zh) 2023-12-18 2023-12-18 一种基于dem的小尺度潮滩图像处理方法

Country Status (1)

Country Link
CN (1) CN117423002B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117908108A (zh) * 2024-03-20 2024-04-19 山东省地质矿产勘查开发局第二水文地质工程地质大队(山东省鲁北地质工程勘察院) 一种海洋地震实时监测系统
CN117908108B (zh) * 2024-03-20 2024-05-28 山东省地质矿产勘查开发局第二水文地质工程地质大队(山东省鲁北地质工程勘察院) 一种海洋地震实时监测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761375A (zh) * 2014-01-13 2014-04-30 河海大学 一种基于遥感水边线的潮滩dem率定方法
CN109190538A (zh) * 2018-08-24 2019-01-11 华北水利水电大学 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法
CN112509134A (zh) * 2020-12-14 2021-03-16 中国自然资源航空物探遥感中心 一种潮滩数字高程模型构建方法及系统
CN112926468A (zh) * 2021-03-03 2021-06-08 河海大学 一种潮滩高程自动提取方法
CN114612793A (zh) * 2022-02-22 2022-06-10 中国自然资源航空物探遥感中心 基于水边线高频次观测的多时相遥感海岸线与潮滩检测方法
CN115082809A (zh) * 2022-06-23 2022-09-20 宁波大学 一种基于遥感影像大数据的潮滩演变监测新方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761375A (zh) * 2014-01-13 2014-04-30 河海大学 一种基于遥感水边线的潮滩dem率定方法
CN109190538A (zh) * 2018-08-24 2019-01-11 华北水利水电大学 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法
CN112509134A (zh) * 2020-12-14 2021-03-16 中国自然资源航空物探遥感中心 一种潮滩数字高程模型构建方法及系统
CN112926468A (zh) * 2021-03-03 2021-06-08 河海大学 一种潮滩高程自动提取方法
CN114612793A (zh) * 2022-02-22 2022-06-10 中国自然资源航空物探遥感中心 基于水边线高频次观测的多时相遥感海岸线与潮滩检测方法
CN115082809A (zh) * 2022-06-23 2022-09-20 宁波大学 一种基于遥感影像大数据的潮滩演变监测新方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117908108A (zh) * 2024-03-20 2024-04-19 山东省地质矿产勘查开发局第二水文地质工程地质大队(山东省鲁北地质工程勘察院) 一种海洋地震实时监测系统
CN117908108B (zh) * 2024-03-20 2024-05-28 山东省地质矿产勘查开发局第二水文地质工程地质大队(山东省鲁北地质工程勘察院) 一种海洋地震实时监测系统

Also Published As

Publication number Publication date
CN117423002B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
US20220043182A1 (en) Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data
Schumann et al. The utility of spaceborne radar to render flood inundation maps based on multialgorithm ensembles
CN107063197B (zh) 一种基于空间信息技术的水库特征曲线提取方法
Kang et al. Topographic mapping on large-scale tidal flats with an iterative approach on the waterline method
CN103363962B (zh) 一种基于多光谱影像的湖泊水储量遥感估算方法
CN104613944A (zh) 一种基于gwr和bp神经网络的分布式水深预测方法
Getirana et al. Improving hydrological information acquisition from DEM processing in floodplains
CN111951392A (zh) 一种基于时间序列遥感影像和水位监测数据的洲滩枯水位以上地形重建方法
CN112113545B (zh) 一种基于多维海面信息的内波振幅反演方法
CN103761375A (zh) 一种基于遥感水边线的潮滩dem率定方法
Benassai et al. Sea wave modeling with X-band COSMO-SkyMed© SAR-derived wind field forcing and applications in coastal vulnerability assessment
CN112926468A (zh) 一种潮滩高程自动提取方法
CN112381033A (zh) 海上风机引起的潮间带冲淤状况卫星遥感定量评估方法
KR101870263B1 (ko) 기후변화시나리오의 역학적 상세화 방법을 이용한 기후변화 고해상도 자료생상 및 표출시스템
Gao et al. Monitoring terrain elevation of intertidal wetlands by utilising the spatial-temporal fusion of multi-source satellite data: A case study in the Yangtze (Changjiang) Estuary
CN114943161A (zh) 一种基于多源遥感数据的内陆湖泊地形反演方法
Medeiros et al. A Random Forest model based on lidar and field measurements for parameterizing surface roughness in coastal modeling
CN117409168B (zh) 实时动态渲染的洪水预报及洪灾模拟方法和系统
CN114170524A (zh) 一种高时-空卫星数据融合的单日潮滩数字地形构建方法
Athanasiou et al. Global Coastal Characteristics (GCC): A global dataset of geophysical, hydrodynamic, and socioeconomic coastal indicators
CN117423002B (zh) 一种基于dem的小尺度潮滩图像处理方法
Getirana et al. Evaluating parameter effects in a DEM ‘burning’process based on land cover data
CN112836449B (zh) 一种用于率定水文模型的方法
Duncan et al. DOWA validation against ASCAT satellite winds
White Utilization of LIDAR and NOAA's vertical datum transformation tool (VDatum) for shoreline delineation

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