CN117710804A - 基于改进植被指数法的遥感亚像元反演径流量方法 - Google Patents
基于改进植被指数法的遥感亚像元反演径流量方法 Download PDFInfo
- Publication number
- CN117710804A CN117710804A CN202410146413.4A CN202410146413A CN117710804A CN 117710804 A CN117710804 A CN 117710804A CN 202410146413 A CN202410146413 A CN 202410146413A CN 117710804 A CN117710804 A CN 117710804A
- Authority
- CN
- China
- Prior art keywords
- water body
- remote sensing
- target
- width
- pixels
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 177
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000011144 upstream manufacturing Methods 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 8
- 238000011835 investigation Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于改进植被指数法的遥感亚像元反演径流量方法,结合MNDWI阈值法提取遥感卫星数据中的目标水体影像;利用遥感数据计算目标水体的宽度,以及利用遥感亚像元反演目标水体的宽度,将精度高的目标水体宽度作为目标宽度;根据目标水体的目标宽度对目标水体的流速和深度进行遥感估算,计算细小河流的径流量。本发明基于改进植被指数法的亚像元分解遥感反演径流技术,与传统径流反演技术相比,改进的植被指数方法能够分解像元更高精度的提取河道宽度,满足一些山区细小河流的精度要求,进而有效的应用在对精度要求较高的细小河流的流量反演中,提高径流量反演效果,具有较好的经济性、实用性、灵活性,同时具备一定的物理机制。
Description
技术领域
本发明涉及水文地理学技术,特别涉及基于改进植被指数法的遥感亚像元反演径流量方法。
背景技术
现有遥感反演河道径流量的方法主要是首先基于遥感影像数据提取水体,对河宽、比降、河深等水力学参数进行估算,然后采用关系拟合法和曼宁公式计算径流量。在此过程中,水体提取是河流径流量反演的关键环节。光学遥感提取水体主要包括水体指数法和植被指数法,其中水体指数法包括例如NDWI(Normalized Difference Water Index, 归一化水体指数)、MNDWI(Modified Normalized Difference Water Index改进归一化水体指数),原理是基于不同波段的反射或吸收特性,将水体与陆地区分开来,提取水体在遥感图像中的特征。水体指数的计算方法较为成熟,但数据质量易受云和恶劣天气影响,并且需要适当波段的遥感数据,提取出的水体宽度受到像素的限制。相比之下,植被指数法基于水体和陆地之间的差异,采用高分辨率的多光谱或者高光谱遥感数据,可以更准确的捕捉水体中河宽的参数值。
遥感数据具有受地面限制少、覆盖范围广和易于获得等优点。现有的遥感反演径流量技术主要是利用水体指数法获取河宽,这种方法在很大程度上依赖于图像本身的分辨率,而受现有非商业卫星图像的空间分辨率限制,阻碍了河流宽度(如宽度<30米)的准确量化。通过卫星影像测量河流宽度时,误差来自于水和陆地混合的像素点,原因是河流边界通常贯穿图像像素,而不是沿其边缘,导致河流边界很难准确地捕捉。现有的混合像元影响精度问题的径流反演方法无法满足细小河流的精度要求。因此,小河流,例如宽度小于一个像素大小的河流(Sentinel的分辨率为10m),很难在遥感图像中识别。
发明内容
发明目的:针对以上问题,本发明目的是提供一种基于改进植被指数法的遥感亚像元反演径流量方法。
技术方案:本发明的一种基于改进植被指数法的遥感亚像元反演径流量方法,包括如下步骤:
步骤1,结合MNDWI阈值法提取遥感卫星数据中的目标水体影像;
步骤2,分别利用遥感数据计算目标水体的宽度,以及利用遥感亚像元反演目标水体的宽度,对比两种方法得到的目标水体宽度的精度,将精度高的目标水体宽度作为目标宽度;
步骤3,根据目标水体的目标宽度对目标水体的流速和深度进行遥感估算,根据目标宽度、深度和流速计算细小河流的径流量。
进一步,步骤1包括:
基于GEE云平台提供的Sentinel-2遥感卫星数据,利用绿波段与中红外波段计算遥感卫星影像的归一化差异水体指数MNDWI,计算表达式为:
,
其中,代表绿色波段反射率,/>代表中红外波段的反射率;/>交化范围为[a,b],a≥-1,b≤1;
设定阈值t 0 将MNDWI影像划分为两类,即将a≤t 0 部分划分为非水体,将t 0 <b部分划分为目标水体;将非水体和目标水体在遥感卫星影像中出现概率分别记为与/>,计算目标水体与非水体影像的类间方差σ,计算表达式为:
,
其中,M为MNDWI影像整体均值,,/>表示非水体影像的MNDWI指数均值,/>表示目标水体影像的MNDWI指数均值;
根据影像类间方差σ计算最优阈值,计算表达式为:
,
利用最优阈值对MNDWI影像进行分割,当像元的MNDWI大于等于/>时,判断该遥感影像部分为目标水体,反之则视为非水体剔除,得到二值化的影像数据表示为:
,
其中,A表示二值化分割影像中水体贡献数值。
进一步,步骤2中利用遥感亚像元反演目标水体的宽度包括如下步骤:
步骤21,在遥感卫星影像中选择两侧均有植被分布的、相对顺直的河段,以该河段的多年最大河宽为基准,垂直于河流流向方向选取大于最大河宽的单排像元作为兴趣区ROI;
步骤22,基于Sentinel-2的遥感卫星影像计算ROI中混合像元和纯植被像元的归一化植被指数NDVI,通过不同范围的NDVI统计混合像元、纯水体像元和纯植被像元个数;
步骤23,通过纯水体像元个数计算水体面积,计算表达式为:
,
其中,为纯水体像元对应的水体面积,/>为纯水体像元个数,/>为像元分辨率;
步骤24,根据混合像元内植被面积、水体面积与NDVI的关系,构建植被指数与水体之间的关系式:,其中/>为混合像元的归一化植被指数,/>为纯植被像元的归一化植被指数,/>为混合像元中水体对应面积,/>为待确定的常数,利用该关系式对混合像元进行亚像素分解;
步骤25,根据Ovitalmap提供的红绿蓝RGB影像测量得到水体总面积,再根据公式计算/>,根据第一模型求得/>的值,进而确定植被指数与水体之间的关系式;
步骤26,根据确定的植被指数与水体之间的关系式以及步骤22中归一化植被指数NDVI计算不同ROI时对应的和/>,进而得到水体总面积/>,根据水体总面积,在小于10m的亚像素尺度上计算对应目标水体的宽度/>,计算表达式为:
,
其中,为给定河段的长度。
进一步,步骤2中利用遥感数据计算目标水体的宽度包括:
基于Sentinel-2遥感数据,利用Arc GIS软件/GEE云平台计算得到研究区内水体像素个数、研究区内所有像素个数/>、以及整个研究区影像总面积/>,根据如下公式计算研究区内水体总面积/>:
,
利用水体总面积计算对应目标水体的宽度。
进一步,步骤3中根据目标水体的目标宽度对目标水体的流速和深度进行遥感估算包括:
计算河段上下游落差与河段总长度的比值,计算表达式为:
,
其中,H表示比降,H U 是上游断面的高程,H D 是下游断面的高程,D是上下游断面之间河段总长度;
计算流速,表达式为:
,
其中,为目标水体的目标宽度;
计算糙率n,表达式为:
,
其中,为天然顺直、光滑、均匀渠道的基本糙率;/>为水面不规则的影响参数;/>为考虑河道横断面形状和尺寸变化的影响参数;/>为阻水物的影响参数;/>为植被的影响参数;/>为河道曲折变化的影响参数;
根据径流量计算公式估算河流水深,计算表达式为:
。
进一步,步骤3中计算细小河流的径流量的表达式为:。
有益效果:本发明与现有技术相比,其显著优点是:
本发明基于改进植被指数法的亚像元分解遥感反演径流技术,与传统径流反演技术相比,改进的植被指数方法能够分解像元更高精度的提取河道宽度,满足一些山区细小河流的精度要求,进而有效的应用在对精度要求较高的细小河流的流量反演中,提高径流量反演效果,具有较好的经济性、实用性、灵活性,同时具备一定的物理机制。
附图说明
图1为基于改进植被指数法的遥感亚像元反演径流量方法的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。
本实施例所述的基于改进植被指数法的遥感亚像元反演径流量方法,流程图如图1所示,该方法包括如下步骤:
步骤1,结合MNDWI阈值法提取遥感卫星数据中的目标水体影像;
步骤2,分别利用遥感数据计算目标水体的宽度,以及利用遥感亚像元反演目标水体的宽度,对比两种方法得到的目标水体宽度的精度,将精度高的目标水体宽度作为目标宽度;
步骤3,根据目标水体的目标宽度对目标水体的流速和深度进行遥感估算,根据目标宽度、深度和流速计算细小河流的径流量。
上述步骤1包括:
基于GEE(google earth engine)云平台提供的Sentinel-2遥感卫星数据,利用绿波段与中红外波段计算遥感卫星影像的归一化差异水体指数MNDWI,计算表达式为:
,
其中,代表绿色波段反射率,/>代表中红外波段的反射率;/>交化范围为[a,b],a≥-1,b≤1;
设定阈值t 0 将MNDWI影像划分为两类,即将a≤t 0 部分划分为非水体,将t 0 <b部分划分为目标水体;将非水体和目标水体在遥感卫星影像中出现概率分别记为与/>,计算目标水体与非水体影像的类间方差σ,计算表达式为:
,
其中,M为MNDWI影像整体均值,,/>表示非水体影像的MNDWI指数均值,/>表示目标水体影像的MNDWI指数均值;
根据影像类间方差σ计算最优阈值,计算表达式为:
,
利用最优阈值对MNDWI影像进行分割,当像元的MNDWI大于等于/>时,判断该遥感影像部分为目标水体,反之则视为非水体剔除,得到二值化的影像数据表示为:
,
其中,A表示二值化分割影像中水体贡献数值。
在上述步骤1中基于GEE云平台提供的哨兵2遥感卫星数据,利用绿波段和与中红外波段来计算归一化差异水体指数MNDWI,在此基础上利用Otsu大津法对目标河段进行二值化处理,以计算水体面积。根据图像灰度特性,设定一个阈值将图像分为背景和目标两部分,使这两部分的类内方差最小,类间方差最大。
步骤2中利用遥感亚像元反演目标水体的宽度包括如下步骤:
步骤21,在遥感卫星影像中选择两侧均有植被分布的、相对顺直的河段,以该河段的多年最大河宽为基准,垂直于河流流向方向选取大于最大河宽的单排像元作为兴趣区ROI;
步骤22,基于Sentinel-2的遥感卫星影像计算ROI中混合像元和纯植被像元的归一化植被指数NDVI,通过不同范围的NDVI统计混合像元、纯水体像元和纯植被像元个数;
步骤23,通过纯水体像元个数计算水体面积,计算表达式为:
,
其中,为纯水体像元对应的水体面积,/>为纯水体像元个数,/>为像元分辨率;
步骤24,根据混合像元内植被面积、水体面积与NDVI的关系,构建植被指数与水体之间的关系式:,其中/>为混合像元的归一化植被指数,/>为纯植被像元的归一化植被指数,/>为混合像元中水体对应面积,/>为待确定的常数,利用该关系式对混合像元进行亚像素分解,利用同一时段NDVI的比值去除植被生长对NDVI的影响;
步骤25,根据Ovitalmap提供更高分辨率的红绿蓝RGB影像测量得到水体总面积,再根据公式/>计算/>,根据第一模型求得/>的值,进而确定植被指数与水体之间的关系式;
步骤26,根据确定的植被指数与水体之间的关系式以及步骤22中归一化植被指数NDVI计算不同ROI时对应的和/>,进而得到水体总面积/>,根据水体总面积,在小于10m的亚像素尺度上计算对应目标水体的宽度/>,计算表达式为:
,
其中,为给定河段的长度。
在上述步骤22中,ROI内NDVI的最大值记为NDVImax,NDVI的最小值记为NDVImin。NVDI值大于等于0.9×NDVImax的像元被认为是纯植被像元,NVDI值小于等于1.1×NDVImin被认为是纯水体像元,NDVI值大于1.1×NDVImin且小于0.9×NDVImax的像元被认为是混合像元,三者间关系为纯植被像元个数加上纯水体像元个数等于ROI所有像元个数。NDVI的计算公式为:近红外(NIR)与红光(Red)之差与之和的比值,即:NDVI= (NIR - Red) / (NIR +Red)),通过不同范围的NDVI区分混合像元(既包含水体又包含植被的像元)、纯水体像元(只包含水体的像元)和纯植被像元(只包含植被的像元),表示为:
纯植被像元:,
纯水体像元:,
混合像元:。
进一步,上述步骤2中利用遥感数据计算目标水体的宽度包括:
基于Sentinel-2遥感数据,利用Arc GIS软件/GEE云平台计算得到研究区内水体像素个数、研究区内所有像素个数/>、以及整个研究区影像总面积/>,根据如下公式计算研究区内水体总面积/>:/>;
利用水体总面积计算对应目标水体的宽度。
进一步,上述步骤3中根据目标水体的目标宽度对目标水体的流速和深度进行遥感估算包括:
计算河段上下游落差与河段总长度的比值,计算表达式为:
,
其中,H表示比降,H U 是上游断面的高程,H D 是下游断面的高程,D是上下游断面之间河段总长度;如采用SARscape所提供30 m分辨率的SRTM DEM数据计算河段落差,在Arc GIS软件中,以30 m河段间隔提取河流中心线上的高程值进行比降计算;
计算流速,表达式为:
,
其中,为目标水体的目标宽度;
计算糙率n,表达式为:
,
其中,为天然顺直、光滑、均匀渠道的基本糙率;/>为水面不规则的影响参数;/>为考虑河道横断面形状和尺寸变化的影响参数;/>为阻水物的影响参数;/>为植被的影响参数;/>为河道曲折变化的影响参数;
根据径流量计算公式估算河流水深,计算表达式为:
。
在一个示例中,参考下表1中关于糙率的取值。
表1 糙率取值范围
进一步,步骤3中计算细小河流的径流量的表达式为:。
根据计算得到的细小河流的宽度和/>,比较两者的精度,将精度更大的作为目标宽度W,建立水力学模型,输入河宽、水深、流速反演得到细小河流的径流量。
本发明基于GEE云平台提供的哨兵2(Sentinel-2)遥感卫星数据结合改进的植被指数法提取目标水体,改进的植被指数法可以考虑植被生长对河宽反演的影响。通过研究区水体像素个数占总研究区比例得到水体面积,结合河段长度计算河宽。结合数字高程模型(DEM)对河长、河宽、糙率、比降、河深和流速等水力学参数进行遥感估算。基于改进的植被指数法,建立植被指数与水体之间关系式,对混合像元进行亚像元分解,在小于10m的亚像素尺度上计算出河宽,提升河宽遥感计算精度。根据计算得到的河宽,建立水力学模型,反演得到细小河流的径流量。
通常径流观测站在无人区或者地形复杂的地区无法布设,而此前的遥感反演径流量方法主要局限于图像的分辨率,更多的应用于宽度较大的河流,然而由于河道边界不能很好的识别,本发明基于改进植被指数法的亚像元分解遥感反演径流技术,与传统径流反演技术相比,改进的植被指数方法能够分解像元更高精度的提取河道宽度,满足一些山区细小河流的精度要求,进而有效的应用在对精度要求较高的细小河流的流量反演中,提高径流量反演效果,具有较好的经济性、实用性、灵活性,同时具备一定的物理机制。
Claims (6)
1.基于改进植被指数法的遥感亚像元反演径流量方法,其特征在于,包括如下步骤:
步骤1,结合MNDWI阈值法提取遥感卫星数据中的目标水体影像;
步骤2,分别利用遥感数据计算目标水体的宽度,以及利用遥感亚像元反演目标水体的宽度,对比两种方法得到的目标水体宽度的精度,将精度高的目标水体宽度作为目标宽度;
步骤3,根据目标水体的目标宽度对目标水体的流速和深度进行遥感估算,根据目标宽度、深度和流速计算细小河流的径流量。
2.根据权利要求1所述的基于改进植被指数法的遥感亚像元反演径流量方法,其特征在于,步骤1包括:
基于GEE云平台提供的Sentinel-2遥感卫星数据,利用绿波段与中红外波段计算遥感卫星影像的归一化差异水体指数MNDWI,计算表达式为:
,
其中,代表绿色波段反射率,/>代表中红外波段的反射率;/>交化范围为[a,b],a≥-1,b≤1;
设定阈值t 0 将MNDWI影像划分为两类,即将a≤t 0 部分划分为非水体,将t 0 <b部分划分为目标水体;将非水体和目标水体在遥感卫星影像中出现概率分别记为与/>,计算目标水体与非水体影像的类间方差σ,计算表达式为:
,
其中,M为MNDWI影像整体均值,,/>表示非水体影像的MNDWI指数均值,/>表示目标水体影像的MNDWI指数均值;
根据影像类间方差σ计算最优阈值,计算表达式为:
,
利用最优阈值对MNDWI影像进行分割,当像元的MNDWI大于等于/>时,判断该遥感影像部分为目标水体,反之则视为非水体剔除,得到二值化的影像数据表示为:
,
其中,A表示二值化分割影像中水体贡献数值。
3.根据权利要求2所述的基于改进植被指数法的遥感亚像元反演径流量方法,其特征在于,步骤2中利用遥感亚像元反演目标水体的宽度包括如下步骤:
步骤21,在遥感卫星影像中选择两侧均有植被分布的、相对顺直的河段,以该河段的多年最大河宽为基准,垂直于河流流向方向选取大于最大河宽的单排像元作为兴趣区ROI;
步骤22,基于Sentinel-2的遥感卫星影像计算ROI中混合像元和纯植被像元的归一化植被指数NDVI,通过不同范围的NDVI统计混合像元、纯水体像元和纯植被像元个数;
步骤23,通过纯水体像元个数计算水体面积,计算表达式为:
,
其中,为纯水体像元对应的水体面积,/>为纯水体像元个数,/>为像元分辨率;
步骤24,根据混合像元内植被面积、水体面积与NDVI的关系,构建植被指数与水体之间的关系式:,其中/>为混合像元的归一化植被指数,/>为纯植被像元的归一化植被指数,/>为混合像元中水体对应面积,/>为待确定的常数,利用该关系式对混合像元进行亚像素分解;
步骤25,根据Ovitalmap提供的红绿蓝RGB影像测量得到水体总面积,再根据公式计算/>,根据第一模型求得/>的值,进而确定植被指数与水体之间的关系式;
步骤26,根据确定的植被指数与水体之间的关系式以及步骤22中归一化植被指数NDVI计算不同ROI时对应的和/>,进而得到水体总面积/>,根据水体总面积,在小于10m的亚像素尺度上计算对应目标水体的宽度/>,计算表达式为:
,
其中,为给定河段的长度。
4.根据权利要求1所述的基于改进植被指数法的遥感亚像元反演径流量方法,其特征在于,步骤2中利用遥感数据计算目标水体的宽度包括:
基于Sentinel-2遥感数据,利用Arc GIS软件/GEE云平台计算得到研究区内水体像素个数、研究区内所有像素个数/>、以及整个研究区影像总面积/>,根据如下公式计算研究区内水体总面积/>:
,
利用水体总面积计算对应目标水体的宽度。
5.根据权利要求3或4所述的基于改进植被指数法的遥感亚像元反演径流量方法,其特征在于,步骤3中根据目标水体的目标宽度对目标水体的流速和深度进行遥感估算包括:
计算河段上下游落差与河段总长度的比值,计算表达式为:
,
其中,H表示比降,H U 是上游断面的高程,H D 是下游断面的高程,D是上下游断面之间河段总长度;
计算流速,表达式为:
,
其中,为目标水体的目标宽度;
计算糙率n,表达式为:
,
其中,为天然顺直、光滑、均匀渠道的基本糙率;/>为水面不规则的影响参数;/>为考虑河道横断面形状和尺寸变化的影响参数;/>为阻水物的影响参数;/>为植被的影响参数;/>为河道曲折变化的影响参数;
根据径流量计算公式估算河流水深,计算表达式为:
。
6.根据权利要求5所述的基于改进植被指数法的遥感亚像元反演径流量方法,其特征在于,步骤3中计算细小河流的径流量的表达式为:。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410146413.4A CN117710804B (zh) | 2024-02-02 | 2024-02-02 | 基于改进植被指数法的遥感亚像元反演径流量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410146413.4A CN117710804B (zh) | 2024-02-02 | 2024-02-02 | 基于改进植被指数法的遥感亚像元反演径流量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117710804A true CN117710804A (zh) | 2024-03-15 |
CN117710804B CN117710804B (zh) | 2024-04-30 |
Family
ID=90162709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410146413.4A Active CN117710804B (zh) | 2024-02-02 | 2024-02-02 | 基于改进植被指数法的遥感亚像元反演径流量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117710804B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108896117A (zh) * | 2018-05-10 | 2018-11-27 | 北京师范大学 | 一种遥感水文站监测河流径流的方法 |
CN113139901A (zh) * | 2021-04-15 | 2021-07-20 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种流域尺度植被净初级生产力遥感精细反演方法 |
KR20210106036A (ko) * | 2020-02-18 | 2021-08-30 | 단국대학교 산학협력단 | 초분광영상을 이용한 하천 지형측량 방법 |
CN114463644A (zh) * | 2021-12-31 | 2022-05-10 | 中国科学院空天信息创新研究院 | 河流流量遥感监测方法及装置 |
CN116451481A (zh) * | 2023-04-19 | 2023-07-18 | 北京首创大气环境科技股份有限公司 | 基于GEE云平台和Sentinel-2影像的水质多参数快速反演方法 |
CN116737858A (zh) * | 2023-06-20 | 2023-09-12 | 长江水利委员会水文局 | 基于卫星遥感数据反演的林间穿透雨计算方法 |
-
2024
- 2024-02-02 CN CN202410146413.4A patent/CN117710804B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108896117A (zh) * | 2018-05-10 | 2018-11-27 | 北京师范大学 | 一种遥感水文站监测河流径流的方法 |
KR20210106036A (ko) * | 2020-02-18 | 2021-08-30 | 단국대학교 산학협력단 | 초분광영상을 이용한 하천 지형측량 방법 |
CN113139901A (zh) * | 2021-04-15 | 2021-07-20 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种流域尺度植被净初级生产力遥感精细反演方法 |
CN114463644A (zh) * | 2021-12-31 | 2022-05-10 | 中国科学院空天信息创新研究院 | 河流流量遥感监测方法及装置 |
CN116451481A (zh) * | 2023-04-19 | 2023-07-18 | 北京首创大气环境科技股份有限公司 | 基于GEE云平台和Sentinel-2影像的水质多参数快速反演方法 |
CN116737858A (zh) * | 2023-06-20 | 2023-09-12 | 长江水利委员会水文局 | 基于卫星遥感数据反演的林间穿透雨计算方法 |
Non-Patent Citations (3)
Title |
---|
史卓琳;黄昌;: "河流水情要素遥感研究进展", 地理科学进展, no. 04, 28 April 2020 (2020-04-28), pages 142 - 156 * |
史宜梦: "基于GEE云平台的黄河源区河流径流量遥感反演研究", 遥感技术与应用, vol. 37, no. 1, 20 February 2022 (2022-02-20), pages 186 - 195 * |
李文苹: "基于像元分解的内陆地表水提取方法研究——以黄河流域不同水体类型为例", 中国优秀硕士学位论文全文数据库 基础科学辑, no. 2018, 15 February 2018 (2018-02-15), pages 012 - 39 * |
Also Published As
Publication number | Publication date |
---|---|
CN117710804B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
CN102750701B (zh) | 针对Landsat TM和ETM图像的厚云及其阴影检测方法 | |
CN105243367A (zh) | 一种基于卫星遥感数据的水体范围监测方法和装置 | |
CN109740485B (zh) | 基于光谱分析和深度卷积神经网络的水库或塘坝识别方法 | |
CN111881816B (zh) | 一种长时序的河湖围埂养殖区域监测方法 | |
JP6822569B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN112013822A (zh) | 基于改进gwr模型的多光谱遥感水深反演方法 | |
CN111402169A (zh) | 一种海岸带潮汐影响下遥感植被指数时间序列的修复方法 | |
CN116305902B (zh) | 一种基于多模态遥感的洪涝最大淹没水深空间模拟方法 | |
CN112037244B (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN115880586A (zh) | 基于混合特征网络的卫星遥感影像云雪检测方法 | |
CN113705441A (zh) | 协同多光谱和sar影像的高时空分辨率地表水体提取方法 | |
CN108198178B (zh) | 大气程辐射值的确定方法和装置 | |
Mustafa et al. | RETRACTED: Water surface area detection using remote sensing temporal data processed using MATLAB | |
CN117710804B (zh) | 基于改进植被指数法的遥感亚像元反演径流量方法 | |
CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
Xie et al. | Derivation of supraglacial debris cover by machine learning algorithms on the gee platform: A case study of glaciers in the Hunza valley | |
CN114418911B (zh) | 一种对遥感影像统计回归降尺度并提高水体清晰度的方法 | |
CN112229771B (zh) | 基于悬浮物示踪的江水倒灌入湖遥感监测方法 | |
CN115457325A (zh) | 一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法 | |
CN115330747A (zh) | 基于DPS-Net深度学习的水稻植株计数、定位和大小估计方法 | |
CN115147728A (zh) | 一种基于雷达数据和光学数据协同的塘坝快速识别方法 | |
Cipolletti et al. | Border extrapolation using fractal attributes in remote sensing images | |
CN111696054B (zh) | 基于全极化sar图像的橡胶坝体检测方法 |
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 |