System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及利用遥感数据进行洪涝灾害监测的,尤其涉及一种基于主被动遥感的淮河流域洪涝灾害快速监测方法。
技术介绍
1、主被动遥感是指同时利用主动传感器(雷达)和被动传感器(光学传感器)获取地表信息的遥感技术。主动传感器具有独立的能源源,可以主动发射能量并接收反射或散射回来的信号,能够穿透云雾等遥感障碍物;被动传感器则是接收地表辐射能量的传感器,如可见光、红外等波段的光学传感器。主被动遥感结合可以获取丰富的地表信息,对洪涝灾害的监测和评估具有较高的潜力。
2、文献号为cn116029162b的专利文献公开一种利用星载gnss-r数据的洪涝灾害淹没范围监测方法和系统。该申请方案根据dem的时空分辨率与gnss-r数据高度适配,结合非相干假设,提升了地表反射率的校正精度,同时考虑田间持水量的影响,提高了洪涝灾害淹没范围处理结果的精度,但其同时存在,没有有效利用主被动遥感影像,不易快速获取较高的分类精度的问题。
技术实现思路
1、本专利技术的目的在于提供一种基于主被动遥感的淮河流域洪涝灾害快速监测方法,能够快速识别洪涝区域及承灾区灾损情况,精度高、范围广为淮河流域应急救灾提供有效参考依据。
2、本专利技术的目的可以通过以下技术方案实现:一种基于主被动遥感的淮河流域洪涝灾害快速监测方法,包括步骤:
3、s1、获取洪涝灾害后sentinel-1grd雷达遥感影像和洪涝灾害前sentinel-2光学遥感影像数据;
4、s2、对sentinel-1
5、s3、对预处理后的sentinel-1grd遥感影像数据进行vv和vh极化通道,计算双极化水体指数sdwi;
6、s4、基于sdwi指数,采用so-otsu算法提取sentinel-1grd遥感影像洪涝灾害区域矢量图斑;
7、s5、构建地物类型样本数据集,基于预处理后的sentinel-2遥感影像,采用模糊集支持向量机f-svm算法实现灾害前地物分类;
8、s6、对洪涝灾害后矢量图斑与洪涝灾害前地物分类结果进行叠加分析,获取承灾区范围以及受灾面积和类型。
9、进一步地:所述s2中sentinel-1数据预处理包括轨道校正、热噪声去除、辐射定标、相干滤波、地理编码、图像镶嵌拼接和影像裁剪。
10、进一步地:所述s2中sentinel-2数据预处理包括辐射定标、大气校正、几何校正、云掩膜、镶嵌拼接和图像裁剪。
11、进一步地:所述s3中双极化水体指数sdwi获取公式为:
12、
13、其中:vv为sentinel-1中vv后向散射系数,vh为sentinel-1中vh后向散射系数。
14、进一步地:所述s4中so-otsu算法为基于蛇优化so算法改进图像分割otsu算法,获取sentinel-1grd遥感影像最佳灰度阈值k*,步骤为:
15、s41、获取影像归一化的直方图分量pi,
16、pi=ni/mn (2)
17、其中,ni表示灰度级为i的像素数,mn为影像像素总数,mn=n0+n1+n2+…+n(l-1),则pi满足公式:
18、
19、s42、选取灰度阈值k,0<k<l-1,按阈值k把影像阈值化处理为c1和c2两类,计算像素被分到c1类和c2类中的概率p1(k)和p2(k):
20、
21、
22、其中,c1由图像中灰度值在范围[0,k]内的所有像素组成,c2由灰度值在范围[k+1,l-1]内的所有像素组成;
23、s43、计算分配到c1类的像素的平均灰度值m1(k)和分配到c2类的像素平均灰度值为m2(k)及影像全局均值分别为:
24、
25、
26、
27、s44、计算类间方差并把灰度阈值k引人类间方差公式为:
28、
29、
30、s45、将otsu算法中的灰度阈值k视为so算法中的蛇种群的坐标x,并根据公式(10)计算每一个蛇个体的适应度,把适应度取反,利用so算法模拟蛇行为模式在迭代中比较适应度,更新坐标x,最终找到灰度阈值k*。
31、进一步地:所述s45中so算法迭代结束条件为:so算法迭代得到的灰度阈值与前3次的结果相同,视为该优化过程已经收敛,结束迭代。
32、进一步地:所述s5中采用模糊集支持向量机f-svm算法实现灾害前地物分类,步骤包括:
33、s51、基于sentinel-2影像数据计算归一化植被指数ndvi、增强型植被指数evi、归一化水体指数ndwi和归一化建筑指数ndbi,公式为:
34、ndvi=(nir-r)/(nir+r) (11)
35、evi=2.5*(nir-r)/(nir+6.0*r-7.5*b+1) (12)
36、ndwi=(g-nir)/(g+nir) (13)
37、ndbi=(swir1-nir)/(swir1+nir) (14)
38、其中:r表示红光波段,nir表示近红外波段,b表示蓝光波段,g表示绿光波段,swir1表示短波红外1波段;
39、s52、依据ndvi、evi、ndwi和ndbi以及波段特征,对影像进行特征提取,构建地物特征集;
40、s53、基于sentinel-2影像的地物特征集构建耕地、建筑物、林地、水体和道路样本,并将样本分为训练样本和测试样本;
41、s54、利用f-svm算法对训练样本进行模型训练,并采用验证样本进行模型精度验证,获取最佳精度模型;
42、s55、基于最佳精度模型对灾害前sentinel-2影像进行地物类型分类。
43、进一步地:所述s6中,对洪涝灾害后提取的矢量图斑与洪涝灾害前地物类型分类结果进行叠加分析,包括步骤:
44、s61、利用矢量图斑与地物分类结果进行相交处理,对小碎斑矢量结果进行剔除;
45、s62、对相交结果进行分析,剔除原水体部分,获取洪涝灾害淹没区域,相交结果中耕地、建筑物、林地、水体和道路为承灾区域,分别统计承灾区域受灾面积和类型。
46、本专利技术的有益效果:
47、1、本专利技术基于灾后的sentinel-1主动雷达遥感数据和灾前sentinel-2被动光学遥感数据,采用so-otsu和f-svm算法,基于so-otsu算法实现sentinel-1数据的洪水水体提取、基于f-svm算法实现灾前土地利用分类结果,最后结合洪水水体提取结果和土地利用分类结果,实现洪涝灾害淹没区域、承灾区灾损情况,并统计不同地类淹没面积信息,从而实现淮河流域的洪涝灾害快速监测,解决现有技术中淮河流域洪涝灾害监测中精度不高、范围小的问题,为淮河流域应急救灾提供本文档来自技高网...
【技术保护点】
1.一种基于主被动遥感的淮河流域洪涝灾害快速监测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于主被动遥感的淮河流域洪涝灾害快速监测方法,其特征在于,所述S2中Sentinel-1数据预处理包括轨道校正、热噪声去除、辐射定标、相干滤波、地理编码、图像镶嵌拼接和影像裁剪。
3.根据权利要求1所述的一种基于主被动遥感的淮河流域洪涝灾害快速监测方法,其特征在于,所述S2中Sentinel-2数据预处理包括辐射定标、大气校正、几何校正、云掩膜、镶嵌拼接和图像裁剪。
4.根据权利要求1所述的一种基于主被动遥感的淮河流域洪涝灾害快速监测方法,其特征在于,所述S3中双极化水体指数SDWI获取公式为:
5.根据权利要求1所述的一种基于主被动遥感的淮河流域洪涝灾害快速监测方法,其特征在于,所述S4中SO-Otsu算法为基于蛇优化SO算法改进图像分割Otsu算法,获取Sentinel-1GRD遥感影像最佳灰度阈值k*,步骤为:
6.根据权利要求5所述的一种基于主被动遥感的淮河流域洪涝灾害快速监测方法,其特征在于,所述S45中SO算
7.根据权利要求1所述的一种基于主被动遥感的淮河流域洪涝灾害快速监测方法,其特征在于,所述S5中采用模糊集支持向量机F-SVM算法实现灾害前地物分类,步骤包括:
8.根据权利要求1所述的一种基于主被动遥感的淮河流域洪涝灾害快速监测方法,其特征在于,所述S6中,对洪涝灾害后提取的矢量图斑与洪涝灾害前地物类型分类结果进行叠加分析,包括步骤:
...【技术特征摘要】
1.一种基于主被动遥感的淮河流域洪涝灾害快速监测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于主被动遥感的淮河流域洪涝灾害快速监测方法,其特征在于,所述s2中sentinel-1数据预处理包括轨道校正、热噪声去除、辐射定标、相干滤波、地理编码、图像镶嵌拼接和影像裁剪。
3.根据权利要求1所述的一种基于主被动遥感的淮河流域洪涝灾害快速监测方法,其特征在于,所述s2中sentinel-2数据预处理包括辐射定标、大气校正、几何校正、云掩膜、镶嵌拼接和图像裁剪。
4.根据权利要求1所述的一种基于主被动遥感的淮河流域洪涝灾害快速监测方法,其特征在于,所述s3中双极化水体指数sdwi获取公式为:
5.根据权利要求1所述的一种基于主被动遥感的淮河流域洪涝灾害快速监测方法,其...
【专利技术属性】
技术研发人员:丁健,骆昌鑫,杨宝玉,余劭晖,陆思娣,
申请(专利权)人:合肥市自然资源和规划信息中心,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。