一种消落带变化监测方法

技术领域

本公开涉及卫星遥感技术领域，具体涉及一种消落带变化监测方法。

背景技术

消落带(消落区)是由于季节性水位涨落，导致河流、湖泊、水库周围形成周期性裸露于水面的地表。消落带的形成影响着库区、河流等水域生态环境，是水体与陆地生物系统物质转换活跃地带，对污染物的净化功能显著。从生态学角度来说，消落带相当于大自然的“肾”。因此，该地带是典型的生态脆弱区，大部分原生植物无法承受长时间水淹，致使大量植物消失，造成消落带水土流失、污染阻力减弱，同时引起附近滑坡、崩塌等地质灾害发生。

长久以来，大部分学者主要侧重于消落带生态环境、植物群落及地质灾害的研究和治理工作，而消落带范围的时序变化在一定程度上也反应了水资源变化情况，对水域生态环境至关重要。目前消落带范围的确定主要通过外业人员实地调查，成本高、效率低、耗时长，不利于大范围水域生态环境的治理和修复。

发明内容

本申请的目的是针对以上问题，提供一种消落带变化监测方法。

第一方面，本申请提供一种消落带变化监测方法，包括以下步骤：

获取遥感影像数据；

在获取的遥感影像数据中标记出水体样本；

根据水体样本进行模型训练形成满足设定分类需求的水体提取模型；

获取第一时间点遥感影像，根据水体提取模型对第一时间点遥感影像提取出第一水体区域结果；

获取第二时间点遥感影像，根据水体提取模型对第二时间点遥感影像提取出第二水体区域结果，其中第二时间点与第一时间点的时间间隔为设定时间间隔；

由第一水体区域结果及第二水体区域结果分析出第一时间点至第二时间点的时间间隔内水体区域变化情况。

根据本申请实施例提供的技术方案，在遥感影像数据中根据水体对近红外具有强吸收特性标记出所述水体样本。

根据本申请实施例提供的技术方案，所述根据水体样本进行模型训练形成满足设定分类要求的水体提取模型，具体包括：根据神经总卷积网络，利用像素点的DN值信息进行相邻像素点信息对比，训练出水体提取模型。

根据本申请实施例提供的技术方案，所述第一水体区域结果包括多类监测区域的第一输出结果，每类监测区域的第一输出结果包括该监测区域在第一时间点的水体区域信息：所述第二水体区域结果包括多类监测区域的第二输出结果，每类监测区域的第一输出结果包括该监测区域在第二时间点的水体区域信息。

根据本申请实施例提供的技术方案，所述水体区域变化情况包括第一水体区域结果中与第二水体区域结果中各个相同监测区域的第一输出结果与第二输出结果的变化情况。

本发明的有益效果：本申请提供一种消落带变化监测方法，利用卫星遥感数据提取水体区域即消落带范围，并根据设定时间间隔的遥感数据进行对比从而得出监测消落带变化情况，反演水域环境随时间、季节变化规律，为水域生态环境评估及治理提供有效支撑，实现水域生态环境评估治理工作高时效、低成本。

附图说明

图1为本申请第一种实施例的流程图。

具体实施方式

为了使本领域技术人员更好地理解本发明的技术方案，下面结合附图对本申请进行详细描述，本部分的描述仅是示范性和解释性，不应对本申请的保护范围有任何的限制作用。

如图1所示为本申请的第一种实施例的流程图，包括以下步骤：

S1、获取遥感影像数据。

本实施例中，获取的遥感影像数据是高光谱分辨率的遥感影像数据。

S2、在获取的遥感影像数据中标记出水体样本。

本实施例中，在遥感影像数据中根据水体对近红外具有强吸收的特性标记出所有水体样本。

S3、根据水体样本进行模型训练形成满足设定分类需求的水体提取模型。

本实施例中，根据大量的水体样本，通过深度学习方法对水体样本进行训练，并根据神经总卷积网络原理，利用像素点的DN值信息进行相邻像素点信息对比，训练出水体提取模型。经过本步骤后，将遥感影像数据输入训练后的水体提取模型后可识别出不同类的数据，并将每类数据中的水体区域也即消落带范围提出出来。本实施例中，遥感每类数据的划分原则是按照系统预设规则设定的，如按照区域划分类别，或者按照水域划分类别。遥感影像中可能包含多个区域，每个区域可能都包含水域(也存在某些区域不存在水域环境的可能)，可选择对所有包含水域的区域进行消落带监测或者选择其中设定的一个或多个区域进行其消落带监测，因此将监测区域的原则设定好之后，将一帧遥感影像数据输入水体提取模型后，模型需要先将需要监测的各个区域提取出来，然后再提取中该监测区域中的消落带范围，本实施例中，每一个要监测的区域即为一类数据。

S4、获取第一时间点遥感影像，根据水体提取模型对第一时间点遥感影像提取出第一水体区域结果。

本实施例中，所述第一水体区域结果包括多类监测区域的第一输出结果，每类监测区域的第一输出结果包括该监测区域在第一时间点的水体区域信息。

本实施例中，输入水体提取模型的第一时间点遥感影像中包含所有需要监测的监测区域的影像信息，一个监测区域为一类数据也可称为一类监测区域，需要监测的区域在进行模型训练时预先设定，因此第一时间点遥感影像通过水体提取模型后输出各类需要监测的监测区域中的消落带范围。

S5、获取第二时间点遥感影像，根据水体提取模型对第二时间点遥感影像提取出第二水体区域结果，其中第二时间点与第一时间点的时间间隔为设定时间间隔。

本实施例中，第一时间点与第二时间点的时间间隔为长时间序列或者两期时间序列，设定时间间隔根据实际需要而设定，例如设定时间间隔可设置为一个月或者一季度或者一年度等。

本实施例中，所述第二水体区域结果包括多类监测区域的第二输出结果，每类监测区域的第一输出结果包括该监测区域在第二时间点的水体区域信息。

本实施例中，输入水体提取模型的第二时间点遥感影像中包含所有需要监测的监测区域的影像信息，因此第二时间点遥感影像通过水体提取模型后输出各类需要监测的监测区域中的消落带范围。

S6、由第一水体区域结果及第二水体区域结果分析出第一时间点至第二时间点的时间间隔内水体区域变化情况。

本实施例中，所述水体区域变化情况包括第一水体区域结果中与第二水体区域结果中各个相同监测区域的第一输出结果与第二输出结果的变化情况，也即各个监测区域的消落带范围变化情况。

以下以举例方式对上述各步骤进行说明：

获取大量包含A水库、B河流、C湖泊的遥感影像数据，A水库、B河流、C湖泊作为三类监测目标或称为三类监测区域；

在遥感影像数据中分别标记出A水库、B河流、C湖泊的水体样本；

按照水体样本进行深度学习训练，以训练出水体提取模型，根据该水体提取模型可识别出遥感影像中是否含有上述三类监测目标，若含有将其识别出来，并提取出其中的消落带范围；

获取第一时间点遥感影像，输入水体提取模型中，假设本例中第一时间点遥感影像含有上述三类监测目标的数据，则第一水体区域结果为A水库的消落带范围A1、B河流的消落带范围B1、C湖泊的消落带范围C1。

获取第二时间点遥感影像输入水体提取模型中，(第二时间点是第一时间点后的半年时间间隔)，输出第二水体区域结果，第二水体区域结果包括A水库的消落带范围A2、B河流的消落带范围B2、C湖泊的消落带范围C2；

根据范围A1与范围A2进行比较可得出A水库在第一时间点后半年时间间隔内的消落带范围变化，以便根据变化进行科学分析与趋势预测；根据范围B1与范围B2进行比较可得出B河流在第一时间点后半年时间间隔内的消落带范围变化，以便根据变化进行科学分析与趋势预测；根据范围C1与范围C2进行比较可得出C湖泊在第一时间点后半年时间间隔内的消落带范围变化，以便根据变化进行科学分析与趋势预测。从而实现对目标监测区域的消落带范围及变化的自动高效监测。

本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实例的说明只是用于帮助理解本申请的方法及其核心思想。以上所述仅是本申请的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将申请的构思和技术方案直接应用于其它场合的，均应视为本申请的保护范围。