基于遥感影像的山区细小水系提取方法技术

本发明专利技术涉及河流信息解译技术领域，公开了一种基于遥感影像的山区细小水系提取方法，旨在解决现有山区细小水系提取存在精度不足的问题，方案主要包括：基于卫星的合成孔径雷达影像时间序列，采用随机森林算法初步提取山区细小水系；基于数字高程模型求解流域的平均坡度与集水面积的相关关系，并解译其首个转折点处的集水面积并将其作为临界集水面积；利用临界集水面积校正初步提取的结果以得到流域最终的山区细小水系

【技术实现步骤摘要】
基于遥感影像的山区细小水系提取方法


[0001]本专利技术涉及河流信息解译
，特别涉及一种基于遥感影像的山区细小水系提取方法
。

技术介绍

[0002]细小水系是河网水系的重要组成部分，其协助连接了岩石圈
、
水圈和大气圈，对于维持生物多样性
、
生物地球化学过程和河流系统功能的完整性起到关键作用
。
但由于实地标注的巨大工作量，细小水系在流域尺度的分布还是未知的
。
因此，采用基于遥感影像和数字高程模型的方法来提取流域尺度的细小水系则更为可行
。
[0003]遥感影像具备优异的时空分辨率，是一种可靠的河流信息提取方法
。
其中，光学遥感影像已广泛应用于地表水系的监测
。
其中，
McFeeters
等
(1996)
基于可见光波段和近红外波段的反差提出了归一化差异型水体指数以快速提取影像中的水体信息；徐涵秋
(2006)
则使用短波红外波段替换近红外波段，提出了修正的归一化差异水体指数，以更好地抑制植被信息
。
虽然水体指数阈值法是一种直观
、
简洁的水系提取方法，但由于水体在不同地区波谱特性差异显著，水体指数阈值法仅考虑水体的光谱特征，其提取的水体精度往往不佳
。
同时，光学遥感影像极易受到云体的遮盖，在云体密集的区域无法有效地监测地表
。
基于数字高程模型的河流水系提取方法也得到广泛的应用，此类方法多认为满足某种表征河道生成特征阈值的像素为河道
。
如
O'Callaghan
和
Mark(1984)
采用集水面积阈值确定流域的水系，
Peckham(1995)
采用斯特拉勒级数确定流域的水系
。
然而，基于开源数字高程模型的河道水系提取算法受限于较粗的时空分辨率，难以提取细小的山区细小水系，尤其是间歇性河流
。
[0004]因此，全天候工作的合成孔径雷达影像被广泛应用于多云地区的河流提取
。
如
Klemenjak
等
(2012)
结合支持向量机和最大似然分类提取了合成孔径雷达影像中的河流；
Zhu
等
(2014)
充分利用水体在合成孔径雷达影像中的灰度特性及形态特性进行河流的提取，其结果显著优于传统的灰度阈值方法
。
合成孔径雷达影像能够穿透云层持续监测目标，这为提取时间动态的水体提供了可能，但合成孔径雷达影像固有的斑噪声问题削弱了其针对山区细小水系的提取精度
。

技术实现思路

[0005]本专利技术旨在解决现有山区细小水系提取存在精度不足的问题，提出一种基于遥感影像的山区细小水系提取方法
。
[0006]本专利技术解决上述技术问题所采用的技术方案是：
[0007]基于遥感影像的山区细小水系提取方法，包括以下步骤：
[0008]步骤
1、
获取山区流域的遥感影像，并对所述遥感影像进行多时相滤波处理，所述遥感影像包括卫星以年为单位的升轨影像和降轨影像的后向散射时间序列；
[0009]步骤
2、
从所述遥感影像中获取四段时间序列，并分别计算所述四段时间序列的第一数理统计特征，所述四段时间序列为每年7至
10
月的升轨影像的后向散射时间序列
、
每年
12
至3月的升轨影像的后向散射时间序列
、
每年7至
10
月的降轨影像的后向散射时间序列和每年
12
至3月的降轨影像的后向散射时间序列；
[0010]步骤
3、
根据谷歌地球遥感影像绘制细小水系，并获取谷歌地球遥感影像对应的四段时间序列的第二数理统计特征，将绘制结果及其对应的第二数理统计特征组合作为训练样本训练随机森林模型；
[0011]步骤
4、
将所述第一数理统计特征输入至训练完成的随机森林模型中进行分类识别，得到山区细小水系的初步提取结果；
[0012]步骤
5、
利用数字高程模型数据建立山区流域内集水面积与平均坡度值的相关关系曲线，解译曲线第一个转折点处的集水面积并将其作为维持河道的临界集水面积；
[0013]步骤
6、
将所述细小水系的初步提取结果中不满足临界集水面积的部分剔除，得到山区细小水系的最终提取结果
。
[0014]进一步地，所述步骤1具体包括：
[0015]步骤
11、
从地理空间数据云网站下载雷达卫星数据产品，获得遥感影像；
[0016]步骤
12、
对各年对应的遥感影像分别进行多时相滤波，计算公式如下；
[0017][0018]式中，
(x,y)
为遥感影像中的像素坐标，
I
i
(x,y)
为第
i
幅遥感影像中
(x,y)
位置的像素值，
N
为遥感影像的总数，
J
k
(x,y)
为多时相滤波后第
k
幅遥感影像中
(x,y)
位置的像素值，为第
i
幅遥感影像中所有像素值的空间平均值，为第
k
幅遥感影像中所有像素值的空间平均值，为多时相滤波后第
k
幅遥感影像中所有像素值的空间平均值，多时相滤波时满足
[0019]进一步地，步骤2中，所述第一数理统计特征和第二数理统计特征包括：中位数
、
极差
、
标准差
、
变差系数
、
峰度和偏度
。
[0020]进一步地，所述第一数理统计特征的计算公式如下：
[0021][0022][0023][0024][0025][0026][0027]式中，
Md
t
为第
t
个像素的中位数，
R
t
为第
t
个像素的极差，
SD
t
为第
t
个像素的标准差，
CV
t
为第
t
个像素的变差系数，
Ku
t
为第
t
个像素的峰度，
Sk
t
为第
t
个像素的偏度值，为第
i
幅遥感影像中第
t
个像素的值，
i
＝
1,2
，
…
，
n
，
n
为遥感影像的总数量，
sort
为将各遥感本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于遥感影像的山区细小水系提取方法，其特征在于，包括以下步骤：步骤
1、
获取山区流域的遥感影像，并对所述遥感影像进行多时相滤波处理，所述遥感影像包括卫星以年为单位的升轨影像和降轨影像的后向散射时间序列；步骤
2、
从所述遥感影像中获取四段时间序列，并分别计算所述四段时间序列的第一数理统计特征，所述四段时间序列为每年7至
10
月的升轨影像的后向散射时间序列
、
每年
12
至3月的升轨影像的后向散射时间序列
、
每年7至
10
月的降轨影像的后向散射时间序列和每年
12
至3月的降轨影像的后向散射时间序列；步骤
3、
根据谷歌地球遥感影像绘制细小水系，并获取谷歌地球遥感影像对应的四段时间序列的第二数理统计特征，将绘制结果及其对应的第二数理统计特征组合作为训练样本训练随机森林模型；步骤
4、
将所述第一数理统计特征输入至训练完成的随机森林模型中进行分类识别，得到山区细小水系的初步提取结果；步骤
5、
利用数字高程模型数据建立山区流域内集水面积与平均坡度值的相关关系曲线，解译曲线第一个转折点处的集水面积并将其作为维持河道的临界集水面积；步骤
6、
将所述细小水系的初步提取结果中不满足临界集水面积的部分剔除，得到山区细小水系的最终提取结果
。2.
根据权利要求1所述的基于遥感影像的山区细小水系提取方法，其特征在于，所述步骤1具体包括：步骤
11、
从地理空间数据云网站下载雷达卫星数据产品，获得遥感影像；步骤
12、
对各年对应的遥感影像分别进行多时相滤波，计算公式如下；式中，
(x,y)
为遥感影像中的像素坐标，
I
i
(x,y)
为第
i
幅遥感影像中
(x,y)
位置的像素值，
N
为遥感影像的总数，
J
k
(x,y)
为多时相滤波后第
k
幅遥感影像中
(x,y)
位置的像素值，为第
i
幅遥感影像中所有像素值的空间平均值，为第
k
幅遥感影像中所有像素值的空间平均值，为多时相滤波后第
k
幅遥感影像中所有像素值的空间平均值，多时相滤波时满
3.
根据权利要求1所述的基于遥感影像的山区细小水系提取方法，其特征在于，步骤2中，所述第一数理统计特征和第二数理统计特征包括：中位数
、
极差
、
标准差
、
变差系数
、
峰度和偏度
。4.
根据权利要求3所述的基于遥感影像的山区细小水系提取方法，其特征在于，所述第一数理统计特征的计算公式如下：一数理统计特征的计算公式如下：一数理统计特征的计算公式如下：
式中，
Md
t
为第
t
个像素的中位数，
R
t
为第
t
个像素的极差，
SD
t
为第
t
个像素的标准差，
CV
t
为第
t
个像素的变差系数，
Ku
t
为第
t
个像素的峰度，
Sk
t
为第
t
个像素的偏度值，为第
i
幅遥感影像中第<...

【专利技术属性】
技术研发人员：马顺刚，康有，张波，张军良，王飞龙，
申请(专利权)人：中国电建集团成都勘测设计研究院有限公司，
类型：发明
国别省市：