CN117496377A - 基于无人机监测河口湿地连通度的方法 - Google Patents
基于无人机监测河口湿地连通度的方法 Download PDFInfo
- Publication number
- CN117496377A CN117496377A CN202311324239.XA CN202311324239A CN117496377A CN 117496377 A CN117496377 A CN 117496377A CN 202311324239 A CN202311324239 A CN 202311324239A CN 117496377 A CN117496377 A CN 117496377A
- Authority
- CN
- China
- Prior art keywords
- tidal
- connectivity
- key
- node
- channel
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000004891 communication Methods 0.000 claims abstract description 15
- 239000004575 stone Substances 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 13
- 210000004906 toe nail Anatomy 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 11
- 239000000945 filler Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims description 2
- 238000002310 reflectometry Methods 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims 1
- 230000003595 spectral effect Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 241001149258 Sporobolus alterniflorus Species 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 241000251468 Actinopterygii Species 0.000 description 4
- 235000015097 nutrients Nutrition 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 235000013305 food Nutrition 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 239000013049 sediment Substances 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 235000014676 Phragmites communis Nutrition 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 235000013601 eggs Nutrition 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 241000902900 cellular organisms Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009469 supplementation Effects 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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了基于无人机监测河口湿地连通度的方法，通过五个步骤进行：提取河口湿地大尺度潮沟水道空间网络拓扑数据、高连通关键潮沟区段垫脚石微单元识别、采集关键潮沟垫脚石微单元动态影像、关键潮沟垫脚石微单元连通度动态量化分析、基于关键潮沟微单元评估无人机监测河口湿地连通度效果。本发明有效还原了不同潮汐状态下该关键潮沟微单元连通状况，克服了单一通过遥感图像监测潮沟系统受空间分辨率、时间分辨率、光谱特性的限制性影响和挑战，有利于在规模庞大、结构复杂的河口湿地潮沟网络中准确而迅速地发现重要节点，精准评估关键微潮沟单元连通性，具有高度的可靠性。
Description
技术领域
本发明属于河口湿地监测技术领域，涉及河口湿地连通性调查监测技术领域，具体涉及一种基于无人机监测河口湿地连通度的方法。
背景技术
位于河口和近海交界面的河口湿地是世界上最重要的生态系统之一，异质性的地形地貌、植被、沉积物和水盐动态使其具有复杂多样的生境结构，各种沉积物、营养物和有机物都经由此处，在两个生态系统之间进行交换，并为在生态系统之间迁移的渔业物种提供丰富的食物和庇护所。河口湿地是近海渔业资源生境链中极为重要的纽带，其连通性状况对近海渔业资源的可持续利用至关重要。近几十年来，受到围垦、生物入侵、大型工程建设等影响，河口湿地经历了严重的丧失和功能退化过程，湿地自然连通性大为降低，向河口水域输出物质/营养的通量和组分结构发生了显著改变，已经对河口及近海渔业生态系统功能造成了严重的负面影响。因此，研究查明河口湿地连通性现状，能为河口多生态系统下的关键栖息地系统保护及整体修复，以及近海渔业资源的可持续利用提供科学依据和管理建议。
河口湿地的形态一般以纵横交错的潮沟作为主要载体，鱼类通过潮沟在河口湿地生境中进行主动运动和迁移，湿地物质和营养要素主要通过潮沟和潮汐横向运动进行运输和交换。因此，监测和度量河口湿地的连通度，主要是对湿地潮沟空间形式的连通性进行描绘和量化。河口潮沟空间形式多样，从蜿蜒的单独渠道到复杂的渠道网络，包括环路、分叉等拓扑网络结构。目前对于河口湿地形态的研究多基于遥感图像(主要是高分辨率卫星图像)可对潮沟空间形式的单独和整体状况进行提取：例如，可以通过计算曲率、宽度、周长与面积比等指数，量化单条潮沟运送物质营养通量的容量及效率；也可以通过计算密度、级别、节点连通率、网络连通度等指标，量化潮沟整体连通性强度以及关键潮沟节点的交互能力。但该种方式多只能进行较大潮沟的探测或分辨，对于容易被植被遮挡的细潮沟对比度不强，难以实现精细化探测。在生态修复项目实施过程中，相较于对整个河口湿地潮沟进行大规模系统修复，监测诊断关键潮沟区段或链接节点连通性程度并进行精准生态修复，是更为可行的优先方案。
在潮沟系统中，不同的潮沟类型在空间拓扑网络结构中连通度不同，对营养、物质、能量的传递效率也不同，其中垫脚石类别的关键高连通空间结构需要重点关注和优先识别。垫脚石(stepping-stones)是一个拓扑网络内大多数最短路径经过的节点(每两个节点之间存在最短路径)，在使用最短路径路由算法的网络中，这类节点刻画了信息流经给定节点的可能性，负载了高效流转的信息流，垫脚石数量越多能有效地促进网络的连通效率。在河口湿地潮沟网络中，这类垫脚石的范围大小一般较小(10-100m2)，属于潮沟体系中的小尺度微系统单元，其空间结构极易受潮水水位变化、沉积物淤积、边缘植被生长遮挡及围垦工程等动态变化因素影响。通过过境时间固定、拍摄角度固定的卫星遥感影像，其本身具有精度低、数据量少、可视性差等局限性，无法全面反映这类关键微潮沟单位的拓扑空间网络形式，不能满足精准生态修复的研究和监测要求。
无人机(unmanned aerial vehicle，UAV)低空遥感是近年来兴起的新型监测技术，具有轻便、易操作、工作效率高等优势，它的发展使得高精度、高时效性的遥感影像获取成为可能，能够克服上述缺陷，已有大量研究应用无人机摄影测量评估河口湿地潮沟地形、地貌演变动态的潜力，但应用无人机对微潮沟单位的连通性完整监测尚未被研究。
发明内容
本发明是为解决上述技术问题进行的，提供一种基于无人机监测河口湿地连通度的方法。通过应用简单灵活的无人机测量程序，构建一套创新的监测方法，用于跟踪短时间尺度内关键潮沟区段的空间网络拓扑结构变化，从而提高对潮汐系统连通度的监测效率和准确度，为关键生境识别和定点生态修复提供精准技术支撑。
本发明的技术路线如下：先利用高空间分辨卫星遥感片源和成熟的遥感影像监督分类方法，对河口湿地潮沟进行识别及矢量特征提取，生成空间网络拓扑图；而后进行高连通关键潮沟区段垫脚石微单元识别，获取重要垫脚石节点；再利用无人机采集关键潮沟垫脚石微单元完整动态影像，在原有的一维纵向网络中添加额外的节点或区段形成二维横向水系；随后基于截面积、β指数、归一化的网络节点中心性进行微单元连通度动态量化分析，通过对比不同潮水时期三个指标间的差异，对潮沟的连通性进行评价。
为了实现上述目的，本发明所采用的技术方案如下：
本发明提供的基于无人机监测河口湿地连通度的方法，具有如下步骤：
A：提取河口湿地大尺度潮沟水道空间网络拓扑数据
由于潮沟与周围潮滩、植被有明显光谱差异和形状纹理差异，利用高空间分辨卫星遥感片源和成熟的遥感影像监督分类方法，对河口湿地潮沟进行识别：先对卫星遥感片源进行预处理及目视解译校正，得到潮沟通道分布图(二进制栅格格式)；而后通过ConeforSensinode 2.6在ArcGIS中的扩展插件创建几何网络，基于二值栅格中心线提取提取潮沟线性矢量特征；然后将潮沟简化为网络中的线，潮沟之间的交点与各自的端点作为网络中的点，生成节点(node)文件与距离(distance)文件，并进行拓扑规则检查，改正错误的节点和弧段，生成河口潮沟空间网络拓扑图，并用于随后的高连通关键潮沟区段或链接节点的识别。
由遥感数据提取的潮沟空间网络拓扑图通常被视为一维纵向栖息地，这种分辨率和方法下的水系形成了经典的树枝状网络结构。
B、高连通关键潮沟区段垫脚石微单元识别
识别河口潮沟网络垫脚石潮沟区段或节点，得到河口湿地潮沟网络介数指标值，根据值的频度统计量设定高中低三档阈值，选择高档介数值的潮沟区段或节点为关键潮沟垫脚石微单元。
使用介数指标可以准确找到网络中某些“流量”非常大的重要垫脚石节点，任一节点的介数指标均会随着经过该节点的信息流的增加而增大。其中，介数指标值计算公式为：设网络具有n个节点，则节点x的介数指标值CB(x)定义为：
式中：gjk为节点j和节点k之间的最短路径数：gjk(x)为节点j与节点k之间经过节点x的介数：(n-1)(n-2)/2为最大可能的点介数(任意其他两节点测地线都经过节点x)。
C、应用无人机采集关键潮沟垫脚石微单元完整动态影像
由于高低潮水位的波动变化，关键潮沟区段和节点的连通性和可用性会随之发生剧烈变化，这会影响生物群(尤其是鱼类)的种群结构。因此，在关键潮沟区段和节点这一微单元水平上进行潮水全周期完整动态监测，具有重要意义。
在水位变化中，位于洪泛区的潮沟区段和节点的拓扑特征(例如，潮沟的大小和间距)也发生变化，在原有的一维纵向网络中添加额外的节点或区段(图1a、b)，形成二维横向水系(图1c、d)，这对于利用湿地潮沟产卵、觅食、躲避高速水流的鱼类种群尤其重要，也构成了河景的重要部分。
本发明的具体实施例中，选择了大疆公司(DJI Corporation)的大疆御Mavic2pro无人机对采样潮沟区段进行实地勘测摄影，对遥感影像提取的潮沟通道进行补充修正。为保证航拍任务的安全实施，并确保能够获取高质量的潮沟影像数据，尽可能在天气晴朗、风速较小的气象条件下开展航拍任务。根据潮汐周期，确定最低潮和最高潮的时间点，在最低潮和最高潮时间段内对步骤B中确定的关键潮沟区段和节点选择部分潮沟样段进行无人机航拍，采集关键潮沟垫脚石微单元动态影像。
D、关键潮沟垫脚石微单元连通度动态量化分析
本发明选取了3个常用的连通度指标，对关键潮沟垫脚石微单元的连通度进行量化及动态分析：
(1)截面积：指潮沟对潮汐水流的容纳量，潮沟区段容纳量越大表示水文连通强度越强。这一指标通常用潮沟区段的宽度、深度表示，通过PhotoScan对无人机照片进行数字化重构，生成潮沟的三维地形和数字高程模型DEM，测量计算其宽度和深度。
(2)β指数(βindex)：该指标通常用于描述空间拓扑网络结构的连通性，由网络中路径和节点的比值表示。β指数越大，表示拓扑网络复杂程度越高，常在水系网络中用于表示每个节点交互连通能力的强弱：
β指数＝2L/N
其中：L为路径数，N为节点数。
(3)归一化节点中心性：为了比较不同规模网络中的节点中心性，需要对指标进行归一化处理。计算公式为设网络具有n个节点，由于具有n个节点的网络中节点的度不会超过n-1，则归一化节点中心性指标定义为：
式中：d(x)表示与节点x直接相连的节点数；n为网络节点的总数；n-1表示最大可能的邻点数。
E、从单个关键潮沟微单元评估无人机监测河口湿地连通度效果
通过比较潮水全周期(最低潮和最高潮)中，关键潮沟区段和节点的3个常用的连通度指标差异，评估高低潮水位的波动变化下，关键潮沟垫脚石微单元的连通度和可用性的变化，验证该方法监测河口湿地连通度的有效性。
本发明的有益效果如下：
本发明以高连通关键潮沟区段垫脚石微单元为研究重点，先结合遥感图像的解译，快速定位潮沟关键垫脚石区段，然后利用无人机采集的关键潮沟动态影像进行二维补充，有效还原了不同潮汐状态下该关键潮沟微单元连通状况，克服了单一通过遥感图像监测潮沟系统受空间分辨率、时间分辨率、光谱特性的限制性影响和挑战，有利于在规模庞大、结构复杂的河口湿地潮沟网络中准确而迅速地发现重要节点，精准评估关键微潮沟单元连通性，具有高度的可靠性。
本发明独创性的将这种方法应用于一个小单元(垫脚石潮沟区段或节点)调查整个网络连通性(河口湿地连通性)的可行性，并评估可达到的实际精度水平。在进行湿地项目改造时，能够为项目提供重要连通性线路进行绕避，防止连通性阻断，有助于生态环境的维护。
附图说明
图1为高低潮潮沟微单元不同淹水状况(a、c)及拓扑结构节点和弧段变化(b、d)。
图2为本发明具体实施方式中航拍任务设置的界面图。
图3为本发明具体实施方式中潮沟区域的正射影像。
图4为本发明具体实施方式中潮沟区域的数字高程模型图。
图5为本发明具体实施方式中潮沟的剖面图。
图6为本发明具体实施方式中潮沟矢量图及其关键节点示意图，其中(a)低潮时期潮沟矢量图，(b)高潮时期潮沟矢量图。
具体实施方式
下面结合本发明的附图和实施例对本发明的实施作详细说明，以下实施例是在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体操作过程，但本发明的保护范围不限于下述的实施例。
本实施例中，以长江口东滩盐沼湿地为例，采用无人机对其河口湿地连通度的方法的监测步骤进行详细描述。本发明方法也适用于其他河口湿地类型的连通度监测。
一、长江口东滩盐沼湿地
研究区域位于长江口崇明岛最东侧的东滩湿地(121°47′-122°05′E，31°25′-31°38′N)。崇明东滩湿地是位于长江口的淤涨型滨海湿地，其潮汐活动属于非正规半日潮，潮差变化较大，平均潮差为2.4-3.08m，最大潮高可达到4.62-5.95m。潮沟是在潮流作用下冲刷滩面而成的面状沟渠，由海向陆逐渐延伸，其主干高级别潮沟在向海一侧，向陆一侧是呈树枝状分叉的低级别潮沟，东滩北部和中部潮沟分布较稀疏，南部潮沟分布较密集。由于滩涂围垦和互花米草入侵，使东滩湿地潮间带潮沟发育遭到抑制，部分退化，甚至消失。由2001年与2020年东滩潮沟分布情况变化的对比图显示研究区域北部范围内的自然潮沟由于围垦几近消失，中、南部潮滩向陆一侧的低级别潮沟退化，整体向东退缩了约3km。东滩潮汐通道的边缘主要由三种植物物种覆盖，包括密集的芦苇、互花米草和稀疏的海三棱藨草。芦苇和互花米草通常可以生长到1.5-2.0m，而海三棱藨草的生长高度约为0.3-0.7m，潮沟边缘的植被生长和斑块演化定殖遮挡、切割了潮汐通道部分区段的连续性。
二、基于无人机监测河口湿地连通度
第一步：提取河口湿地大尺度潮沟水道空间网络拓扑数据
(1)卫星遥感图片预处理及校正
对于河口湿地潮沟进行遥感识别及提取，需要选择较高空间分辨卫星遥感片源(1m-30m级别均可)。本研究使用2020年分辨率为15m的Landsat 8遥感影像进行潮沟廊道的识别，应用ENVI 5.3软件，对遥感影像进行辐射定标和FLAASH大气校正等预处理，将光学波段数据校准得到大气顶部反射率。潮沟通道提取时，先利用归一化水体指数(INDWI)结合形态学等图像处理方法，再通过大津法(OTSU)阈值分割得以实现，经目视解译修正并利用Arc-GIS10.3软件，对潮沟进行矢量化处理。
式中：Bgreen为绿光波段；Bnir为近红外波段。
(2)生成潮沟空间网络拓扑图
在ArcGIS10.2中创建几何网络，将潮沟简化为网络中的线，潮沟之间的交点与各自的端点作为中的点，并结合步骤三中的无人机动态影像进行拓扑规则检查，改正错误的节点和弧段。通过ConeforSensinode 2.6在ArcGIS中的扩展插件生成节点(node)文件与距离(distance)文件，距离文件为在设定的阈值范围内进行搜索相连接的节点或廊道后生成，再利用Conefor Sensinode 2.6新建工程，进行连接度与重要性指数的计算。具体如下：
将河流与沟渠简化为图中的线，得到潮沟通道分布图(二进制栅格格式)。通过ConeforSensinode 2.6在ArcGIS中的扩展插件创建几何网络，基于二值栅格中心线提取提取潮沟线性矢量特征，将潮沟简化为网络中的线，潮沟之间的交点与各自的端点作为网络中的点，生成节点(node)文件与距离(distance)文件，并进行拓扑规则检查，改正错误的节点和弧段，生成河口潮沟空间网络拓扑图，并用于随后的高连通关键潮沟区段或链接节点的识别。由遥感数据提取的潮沟空间网络拓扑图通常被视为一维纵向栖息地，这种分辨率和方法下的水系形成了经典的树枝状网络结构。
第二步：高连通关键潮沟区段垫脚石微单元识别
应用igraph R软件包识别河口潮沟网络垫脚石潮沟区段或节点。垫脚石在igraph中对应为介数指标命令(estimate_betweenness)，使用介数指标可以准确找到网络中某些“流量”非常大的重要垫脚石节点，任一节点的介数指标均会随着经过该节点的信息流的增加而增大。介数指标CB(x)计算公式为设网络具有n个节点，则节点x的介数指标定义为：
式中：gjk为节点j和节点k之间的最短路径数：gjk(x)为节点j与节点k之间经过节点x的介数：(n-1)(n-2)/2为最大可能的点介数(任意其他两节点测地线都经过节点x)。
应用介数指标命令(estimate_betweenness)文件，得到河口湿地潮沟网络介数指标值CB(x)，根据值的频度统计量设定高中低三档阈值，选择高档介数值的潮沟区段或节点为关键垫脚石潮沟微单元。
第三步：应用无人机采集关键潮沟垫脚石微单元完整动态影像
在水位变化中，位于洪泛区的潮沟区段和节点的拓扑特征(例如，潮沟的大小和间距)也发生变化，在原有的一维纵向网络中添加额外的节点或区段(图1a、b)，形成二维横向水系(图1c、d)，这对于利用湿地潮沟产卵、觅食、躲避高速水流的鱼类种群尤其重要，也构成了河景的重要部分。
选择大疆公司(DJI Corporation)的大疆御Mavic 2pro无人机对采样潮沟区段进行实地勘测摄影，对遥感影像提取的潮沟通道进行补充修正。为保证航拍任务的安全实施，并确保能够获取高质量的潮沟影像数据，尽可能在天气晴朗、风速较小的气象条件下开展航拍任务。
根据潮汐周期，确定最低潮和最高潮的时间点，在最低潮和最高潮时间段内对步骤二中确定的关键潮沟区段和节点选择部分潮沟样段进行无人机航拍。在无人机航拍软件设置航拍区域以及飞行参数，为保证后期构建潮沟微单元空间结构的准确性，需保证无人机在平均50米或100米的高度进行飞行，航向重叠率大于75％，旁向重叠率大于70％，云台俯仰角度在45°左右，拍照模式为等时间间隔拍照(3s)。以上飞行参数设置后，所规划的航拍区域共计26个航点，主航线条数为12条。该过程分别对潮沟区域的最低潮和最高潮进行航拍采集。具体设置示例如图2所示。
在高，低潮期间总共飞行了约5.5小时，共拍摄了6840幅图像，完成不同潮汐周期下潮沟微单元完整动态影像采集，将潮沟简化为网络中的线，潮沟之间的交点与各自的端点作为中的点，对遥感影像提取的潮沟通道进行补充修正，改正由植被遮挡的改正错误的节点和弧段，补充高低潮间新形成的节点和弧段，并进行拓扑规则检查。
第四步：关键潮沟垫脚石微单元连通度动态量化分析
对截面积、β指数、归一化的网络节点中心性三个连通度指标进行计算，对关键潮沟垫脚石微单元的连通度进行量化及动态分析。
(1)截面积
截面积中的宽和水深参数通过无人机照片进行三维地形和数字高程模型DEM数字化重构计算，具体如下：将无人机航拍任务采集的潮沟区域的影响数据导入至PhotoScan中，分别构建最低潮和最高潮影响下的潮沟区域三维地形，并生成正射影像和数字高程模型。PhotoScan的操作过程主要包括添加照片、对齐照片、构建网格、构建纹理、生成数字高程模型和正射影像。潮沟区域的正射影像和数字高程模型分别如图3、图4所示。
将所构建的数字高程模型通过Global Mapper打开，并利用工具测量最低潮条件下的潮沟剖面参数，如图5所示。分别对最低潮和最高潮区域潮沟的数字高程模型进行分析，以固定参照物为基准，计算潮汐作用下潮沟区域的水深。
(2)β指数
该指标通常用于描述空间拓扑网络结构的连通性，由网络中路径和节点的比值表示。β指数越大，表示拓扑网络复杂程度越高，常在水系网络中用于表示每个节点交互连通能力的强弱。β指数值通过潮沟微单元拓扑网络中计算得到：
β指数＝2L/N
其中：L为路径数，N为节点数。
(3)归一化网络节点中心性
为了根据比较不同规模的网络中的节点的中心性，需要对指标进行归一化处理。计算公式为设网络具有n个节点，由于具有n个节点的网络中节点的度不会超过n-1，则归一化节点中心性指标定义为：
式中：d(x)表示与节点x直接相连的节点数；n为网络节点的总数；n-1表示最大可能的邻点数。
第五步：从单个关键潮沟微单元评估无人机监测河口湿地连通度效果
潮沟低潮时期及高潮时期的矢量图如图6所示，整条主潮沟低潮时期与高潮时期一维纵向连通性没有明显差异(图6a)，然而，高潮时期，整条潮沟网络的的二维横向连通性明显高于低潮时期，原有的一维纵向网络中增加了多个额外的节点或区段(图6b)。
选取多个关键节点进行具体量化，结果显示，低潮时期与高潮时期3个连通度指标均有显著差异(表1)：低潮时期所示范区域关键潮沟节点水体的截面面积平均值为0.14m2，β指数为0.36，节点中心性为2；高潮时期，所示范区域关键潮沟节点水体的截面面积为4.48m2，β指数为1.99，节点中心性为7.2。说明不同潮水时期潮沟的连通性有明显变化，该方法能克服单一通过遥感监测潮沟系统受空间分辨率、时间分辨率、光谱特性的限制性，具有精准评估潮沟连通性及监测其变动的效用。在进行湿地改造时，通过连通性评价可绕开差异大的地段，防止连通性阻断。
表1低、高潮时期时所示范区域关键潮沟连通指数
以上已对本发明创造的较佳实施例进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明创造精神的前提下还可作出种种的等同的变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (5)
1.一种基于无人机监测河口湿地连通度的方法，其特征在于，包括如下步骤：
A、提取河口湿地大尺度潮沟水道空间网络拓扑数据
利用高空间分辨卫星遥感片源和成熟的遥感影像监督分类方法，对河口湿地潮沟进行识别；先对卫星遥感片源进行预处理及校正，得到潮沟通道分布图并提取提取潮沟线性矢量特征；然后将潮沟简化为网络中的线，潮沟之间的交点与各自的端点作为网络中的点，生成节点文件与距离文件，并进行拓扑规则检查，改正错误的节点和弧段，生成河口潮沟空间网络拓扑图，并用于随后的高连通关键潮沟区段或链接节点的识别；
B、高连通关键潮沟区段垫脚石微单元识别
识别河口潮沟网络垫脚石潮沟区段或节点，得到河口湿地潮沟网络介数指标值，根据值的频度统计量设定高中低三档阈值，选择高档介数值的潮沟区段或节点为关键潮沟垫脚石微单元，
其中，所述介数指标值的获取方法如下：设网络具有n个节点，则节点x的介数指标值CB(x)定义为：
式中：gjk为节点j和节点k之间的最短路径数：gjk(x)为节点j与节点k之间经过节点x的介数：(n-1)(n-2)/2为最大可能的点介数；
C、采集关键潮沟垫脚石微单元动态影像
采用无人机航拍形式进行，规划好航点及主航线后，在最低潮和最高潮时间段内对步骤2中确定的关键潮沟区段和节点选择部分潮沟样段进行无人机航拍；
D、关键潮沟垫脚石微单元连通度动态量化分析
选取截面积、β指数以及网络节点中心性作为连通度指标，对关键潮沟垫脚石微单元的连通度进行量化及动态分析，
其中，所述截面积通过潮沟的宽度和深度计算得到；
β指数用于表示每个节点交互连通能力的强弱，越大表示拓扑网络复杂程度越高，β指数＝2L/N，其中：L为路径数，N为节点数；
归一化节点中心性指标CD(x)定义为：
式中：d(x)表示与节点x直接相连的节点数；n为网络节点的总数；n-1表示最大可能的邻点数。
E、基于关键潮沟微单元评估无人机监测河口湿地连通度效果
通过比较潮水最低潮和最高潮中关键潮沟区段和节点的3个连通度指标差异，评估高低潮水位的波动变化下，关键潮沟垫脚石微单元的连通度和可用性的变化。
2.根据权利要求1所述的基于无人机监测河口湿地连通度的方法，其特征在于：
其中，步骤A中，对于河口湿地潮沟进行遥感识别及提取，选取1m-30m级别遥感图像作为高空间分辨卫星遥感片源；
所述预处理及校正方法如下：对遥感影像进行辐射定标和FLAASH大气校正预处理后，将光学波段数据校准得到大气顶部反射率；潮沟通道提取先利用归一化水体指数结合形态学图像处理方法处理，再通过大津法阈值分割得以实现，经目视解译修正利用Arc-GIS10.3软件，对潮沟进行矢量化处理，
所述归一化水体指数公式如下：
式中：INDWI为归一化水体指数；Bgreen为绿光波段；Bnir为近红外波段。
3.根据权利要求1所述的基于无人机监测河口湿地连通度的方法，其特征在于：
其中，步骤A中，改正错误的节点和弧段的方法如下：基于步骤C中采集到的不同潮汐周期下潮沟微单元完整动态影像，将潮沟简化为网络中的线，潮沟之间的交点与各自的端点作为中的点，对遥感影像提取的潮沟通道进行补充修正，改正由植被遮挡的改正错误的节点和弧段，补充高低潮间新形成的节点和弧段，并进行拓扑规则检查。
4.根据权利要求1所述的基于无人机监测河口湿地连通度的方法，其特征在于：
步骤C中，选择了大疆公司的大疆御Mavic 2pro无人机对采样潮沟区段进行实地勘测摄影，对遥感影像提取的潮沟通道进行补充修正；为保证航拍任务的安全实施，并确保能够获取高质量的潮沟影像数据，尽可能在天气晴朗、风速较小的气象条件下开展航拍任务。
5.根据权利要求1所述的基于无人机监测河口湿地连通度的方法，其特征在于：
其中，步骤D中，截面积中的宽和水深参数通过无人机照片进行三维地形和数字高程模型DEM数字化重构计算得到：将无人机航拍任务采集的潮沟区域的影像数据导入至PhotoScan中，分别构建最低潮和最高潮影响下的潮沟区域三维地形，并生成正射影像和数字高程模型；将所构建的数字高程模型通过Global Mapper打开，并利用工具测量最低潮条件下的潮沟剖面参数；分别对最低潮和最高潮区域潮沟的数字高程模型进行分析，以固定参照物为基准，计算潮汐作用下潮沟区域的水深。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311324239.XA CN117496377A (zh) | 2023-10-13 | 2023-10-13 | 基于无人机监测河口湿地连通度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311324239.XA CN117496377A (zh) | 2023-10-13 | 2023-10-13 | 基于无人机监测河口湿地连通度的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117496377A true CN117496377A (zh) | 2024-02-02 |
Family
ID=89679017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311324239.XA Pending CN117496377A (zh) | 2023-10-13 | 2023-10-13 | 基于无人机监测河口湿地连通度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117496377A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117784243A (zh) * | 2024-02-27 | 2024-03-29 | 中国石油大学(华东) | 基于亚地震断裂系统拓扑结构的连通性评价方法 |
-
2023
- 2023-10-13 CN CN202311324239.XA patent/CN117496377A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117784243A (zh) * | 2024-02-27 | 2024-03-29 | 中国石油大学(华东) | 基于亚地震断裂系统拓扑结构的连通性评价方法 |
| CN117784243B (zh) * | 2024-02-27 | 2024-04-30 | 中国石油大学(华东) | 基于亚地震断裂系统拓扑结构的连通性评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110132238B (zh) | 用于地形影像数字高程模型的无人机测绘方法 | |
| Schumann et al. | Progress in integration of remote sensing–derived flood extent and stage data and hydraulic models | |
| Degerli et al. | Using the remote sensing method to simulate the land change in the year 2030 | |
| CN109063569A (zh) | 一种基于遥感影像的语义级变化检测方法 | |
| CN106650618A (zh) | 一种基于随机森林模型的人口数据空间化方法 | |
| CN112926468B (zh) | 一种潮滩高程自动提取方法 | |
| CN117496377A (zh) | 基于无人机监测河口湿地连通度的方法 | |
| CN109636904B (zh) | 一种基于uav航测地形数据的噪声处理技术 | |
| CN109341665B (zh) | 一种淤地坝淤积状况调查系统和方法 | |
| CN110986876A (zh) | 一种基于无人机反演淤泥质潮沟水下地形的方法 | |
| CN113432549B (zh) | 一种基于无人机摄影测量的潮沟三维参量提取方法及系统 | |
| Wang et al. | Quantitative evaluation of gully erosion using multitemporal UAV data in the southern black soil region of Northeast China: A case study | |
| CN111222536A (zh) | 一种基于决策树分类的城市绿色空间信息提取方法 | |
| Wang et al. | PVNet: A novel semantic segmentation model for extracting high-quality photovoltaic panels in large-scale systems from high-resolution remote sensing imagery | |
| Gong et al. | Parameterizing the Yellow River Delta tidal creek morphology using automated extraction from remote sensing images | |
| CN110569733B (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 | |
| Eichmanns et al. | Influence of sand trapping fences on dune toe growth and its relation with potential aeolian sediment transport | |
| Bertin et al. | Assessment of RTK Quadcopter and structure-from-motion photogrammetry for fine-scale monitoring of coastal topographic complexity | |
| Papaioannou et al. | Remote sensing methodology for roughness estimation in ungauged streams for different hydraulic/hydrodynamic modeling approaches | |
| Sun et al. | GABLE: A first fine-grained 3D building model of China on a national scale from very high resolution satellite imagery | |
| CN208937029U (zh) | 一种淤地坝淤积状况调查装置 | |
| Sun et al. | Deep learning for check dam area extraction with optical images and digital elevation model: A case study in the hilly and gully regions of the Loess Plateau, China | |
| Senn et al. | On‐site geometric calibration of RPAS mounted sensors for SfM photogrammetric geomorphological surveys | |
| CN106023178A (zh) | 一种基于梯度方向聚类的遥感数据中单棵树的检测方法 | |
| CN114612751A (zh) | 一种基于语义学习的整机点云数据的下采样方法 |
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 |