GEE利用SAR数据进行洪涝灾害提取以及水体识别

已于 2024-09-09 14:47:21 修改
阅读量2.2k 收藏 40
点赞数 12
分类专栏： GEE 文章标签： javascript
于 2024-06-16 16:34:15 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/a1093795561/article/details/132890221
版权

用SAR提取水体和洪涝灾害研究，现将成果分享（完整代码附在最后），代码完成参考了许多大佬的知识结晶。

功能一：得到水域

新建矩形区域aoi，步骤如下：

c6e90a6688ac0edb12a41a15ecd847b6.png

根据如下论文，获取了巢湖洪涝灾害发生的时间，以提取出水域时间。

999ed3d7d2597c4a0aba3a72ff1053f8.png

 

    绘制SAR的灰度直方图，就是后散射系数直方图，利用峰值阈值法（论文里有详细介绍）提取出水域。如下图峰值大概位于-25.

0c11353de089af634da0b7cf11ca9773.png

// ==========添加VH灰度直方图===========

// 获取影像集合
var collection = ee.ImageCollection('COPERNICUS/S1_GRD')
                  .filterBounds(aoi)
                  .filterDate('2020-06-01', '2020-06-10')
                  .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VH'));

// 选择一个影像
var image = collection.first().select('VH');


// 计算直方图数据
var histogramData = ui.Chart.image.histogram({
  image: image,
  region: aoi,
  scale: 10,
  maxPixels: 1e13 // 增加最大像素限制
});

// 设置横轴刻度间隔为10
var options = {
  title: 'VH Polarization Histogram',
  colors: ['#33a02c'], // 设置颜色
  hAxis: {
    title: 'VH Value',
    ticks: ee.List.sequence(-40, 0, 10), // 设置横轴坐标数值间隔为10
    viewWindow: {
      min: -40,
      max: 0
    }
  },
  vAxis: {
    title: 'Frequency'
  },
  chartArea: {
    backgroundColor: {
      stroke: '#CCCCCC',
      strokeWidth: 1
    }
  },
  legend: {
    position: 'none' // 隐藏图例，因为直方图通常不需要图例
  }
};

// 应用自定义的刻度间隔和颜色
var histogram = histogramData.setOptions(options);

// 添加直方图到控制台
print(histogram);

// ==========添加水体检测===========
// 设置水体阈值，基于 VH 极化数据
var water_threshold = -25; // 这个值可以根据具体情况调整

// 提取水体范围
var before_water = before_filtered.lt(water_threshold).selfMask();
var after_water = after_filtered.lt(water_threshold).selfMask();

// 显示水体范围
Map.addLayer(before_water, {palette: '0000FF'}, 'Water Before Flood', 0);
Map.addLayer(after_water, {palette: '00FF00'}, 'Water After Flood', 1);

// 计算洪水前后的水体面积
var before_water_area = before_water.multiply(ee.Image.pixelArea()).reduceRegion({
  reducer: ee.Reducer.sum(),
  geometry: aoi,
  scale: 10,
  bestEffort: true
}).getNumber('VH').divide(10000).round();

var after_water_area = after_water.multiply(ee.Image.pixelArea()).reduceRegion({
  reducer: ee.Reducer.sum(),
  geometry: aoi,
  scale: 10,
  bestEffort: true
}).getNumber('VH').divide(10000).round();

print('Water area before flood (ha):', before_water_area);
print('Water area after flood (ha):', after_water_area);

功能二：提取出洪涝区域。

利用两景影像的差异提取出洪涝发生区域。

代码如下：

// ==========aoi设置===========
var aoi = ee.FeatureCollection(geometry4);
// ==========时间设置===========
// 洪水发生前的影像时间段
var before_start= '2020-06-01';
var before_end='2020-06-10';
// 洪水发生后的影像时间段
var after_start='2020-09-10';
var after_end='2020-09-15';
// Sentinel - 1 SAR极化方式设置, 这里选用 VH ，也可以使用 VV
var polarization = "VH";
// 设置轨道方式，有上轨道和下轨道，根据研究区的数据有无选择
var pass_direction = "ASCENDING"; // ASCENDING
// 设置变化的阈值，由于基本原理是利用SAR数据在洪水变化前后的差异
var difference_threshold = 1.25;
// ==========影像导入===========
// 选择SAR影像
var collection= ee.ImageCollection('COPERNICUS/S1_GRD')
.filter(ee.Filter.eq('instrumentMode','IW'))
.filter(ee.Filter.listContains('transmitterReceiverPolarisation', polarization))
.filter(ee.Filter.eq('orbitProperties_pass',pass_direction)) 
.filter(ee.Filter.eq('resolution_meters',10))
.filterBounds(aoi)
.select(polarization);
// 筛选洪水前后的SAR数据
// 洪水发生前
var before_collection = collection.filterDate(before_start, before_end);
// 洪水发生后
var after_collection = collection.filterDate(after_start,after_end);
// 对筛选的数据进行镶嵌和裁减
var before = before_collection.mosaic().clip(aoi);
var after = after_collection.mosaic().clip(aoi);
// 对数据进行滤波
// 设置滤波半径
var smoothing_radius = 50;
// 应用滤波
var before_filtered = before.focal_mean(smoothing_radius, 'circle', 'meters');
var after_filtered = after.focal_mean(smoothing_radius, 'circle', 'meters');
// 显示影像
Map.centerObject(aoi,8);
Map.addLayer(before_filtered, {min:-25,max:0}, 'Before Flood',0);
Map.addLayer(after_filtered, {min:-25,max:0}, 'After Flood',1);
// ==========两景影像的差别===========
// 利用洪水发生时的影像减去洪水发生前的影像
var difference = after_filtered.divide(before_filtered);
// 应用预定义的差分阈值并创建泛滥范围掩膜
var threshold = difference_threshold;
var difference_binary = difference.gt(threshold);
var difference_binary = difference_binary.updateMask(difference_binary.eq(1))
// 计算像素的连通性，以消除那些连接到8个或更少邻居的像素
// 这一操作降低了洪水范围的噪音(椒盐现象-小碎点)
var connections = difference_binary.connectedPixelCount()//.reproject(difference.projection(), null, 10);    
var flooded = difference_binary.updateMask(connections.gte(8));
//  去除上述洪水淹没范围中坡度大于5度的区域
// 计算坡度
var DEM = ee.Image('WWF/HydroSHEDS/03VFDEM');
var terrain = ee.Algorithms.Terrain(DEM);
var slope = terrain.select('slope');
// 创建一个图像，只包含高程波段
var elevation = DEM.select('b1');
// 导出图像
Export.image.toDrive({
  image: elevation,
  description: 'HydroSHEDS_Elevation',
  scale: 30, // 根据需要选择合适的缩放比例
  region: aoi
});
// 最终的洪水淹没范围
var flooded = flooded.updateMask(slope.lt(5));
Map.addLayer(flooded,{palette:"0000FF"},'Flooded areas');
// 计算洪水面积
// 将每个像素转化为像元面积
var flood_pixelarea = flooded.select(polarization)
                            .multiply(ee.Image.pixelArea());
 
// 统计所有像元的和，默认的面积是 ㎡
var flood_stats = flood_pixelarea.reduceRegion({
  reducer: ee.Reducer.sum(),              
  geometry: aoi,
  scale: 10, 
  bestEffort: true // 为true时可以减少计算时间
  });
  
// 将 平方米转化为 公顷
var flood_area_ha = flood_stats
  .getNumber(polarization)
  .divide(10000)
  .round();// 四舍五入
  
  // 显示淹没范围面积结果
  print('area/ha', flood_area_ha);
// 导出栅格格式 tif
Export.image.toDrive({
  image: flooded, 
  description: 'Flood_extent_raster',
  fileNamePrefix: 'flooded',
  region: aoi, 
  maxPixels: 1e10
});
 
// 导出shp格式
// 栅格转矢量
var flooded_vec = flooded.reduceToVectors({
  scale: 10,
  geometryType:'polygon',
  geometry: aoi,
  eightConnected: false,
  bestEffort:true,
  tileScale:2,
});
 
// 导出shp结果
Export.table.toDrive({
  collection:flooded_vec,
  description:'Flood_extent_vector',
  fileFormat:'SHP',
  fileNamePrefix:'flooded_vec'
});

根据需求导出文件，将洪涝以及水体的数据转为了shp。

// 导出水体范围栅格格式 tif
Export.image.toDrive({
  image: before_water, 
  description: 'Water_before_flood',
  fileNamePrefix: 'water_before_flood',
  region: aoi, 
  maxPixels: 1e10
});

Export.image.toDrive({
  image: after_water, 
  description: 'Water_after_flood',
  fileNamePrefix: 'water_after_flood',
  region: aoi, 
  maxPixels: 1e10
});

// 导出水体范围矢量格式 shp
var before_water_vec = before_water.reduceToVectors({
  scale: 10,
  geometryType: 'polygon',
  geometry: aoi,
  eightConnected: false,
  bestEffort: true,
  tileScale: 2,
});

var after_water_vec = after_water.reduceToVectors({
  scale: 10,
  geometryType: 'polygon',
  geometry: aoi,
  eightConnected: false,
  bestEffort: true,
  tileScale: 2,
});

Export.table.toDrive({
  collection: before_water_vec,
  description: 'Water_before_flood_vector',
  fileFormat: 'SHP',
  fileNamePrefix: 'water_before_flood_vec'
});

Export.table.toDrive({
  collection: after_water_vec,
  description: 'Water_after_flood_vector',
  fileFormat: 'SHP',
  fileNamePrefix: 'water_after_flood_vec'
});

// 导出遥感影像
Export.image.toDrive({
  image: before_filtered,
  description: 'BeforeFloodFiltered',
  scale: 10, // 导出比例尺，与影像分辨率一致
  region: aoi, // 导出区域
  maxPixels: 1e9 // 最大像素数限制，根据需要调整
});

Export.image.toDrive({
  image: after_filtered,
  description: 'AfterFloodFiltered',
  scale: 10,
  region: aoi,
  maxPixels: 1e9
});

结果图：

31da2aa67e238647f541d37151314ffe.png

完整代码：

// ==========aoi设置===========
var aoi = ee.FeatureCollection(geometry4);
// ==========时间设置===========
// 洪水发生前的影像时间段
var before_start= '2020-06-01';
var before_end='2020-06-10';
// 洪水发生后的影像时间段
var after_start='2020-09-10';
var after_end='2020-09-15';
// Sentinel - 1 SAR极化方式设置, 这里选用 VH ，也可以使用 VV
var polarization = "VH";
// 设置轨道方式，有上轨道和下轨道，根据研究区的数据有无选择
var pass_direction = "ASCENDING"; // ASCENDING
// 设置变化的阈值，由于基本原理是利用SAR数据在洪水变化前后的差异
var difference_threshold = 1.25;
// ==========影像导入===========
// 选择SAR影像
var collection= ee.ImageCollection('COPERNICUS/S1_GRD')
.filter(ee.Filter.eq('instrumentMode','IW'))
.filter(ee.Filter.listContains('transmitterReceiverPolarisation', polarization))
.filter(ee.Filter.eq('orbitProperties_pass',pass_direction)) 
.filter(ee.Filter.eq('resolution_meters',10))
.filterBounds(aoi)
.select(polarization);
// 筛选洪水前后的SAR数据
// 洪水发生前
var before_collection = collection.filterDate(before_start, before_end);
// 洪水发生后
var after_collection = collection.filterDate(after_start,after_end);
// 对筛选的数据进行镶嵌和裁减
var before = before_collection.mosaic().clip(aoi);
var after = after_collection.mosaic().clip(aoi);
// 对数据进行滤波
// 设置滤波半径
var smoothing_radius = 50;
// 应用滤波
var before_filtered = before.focal_mean(smoothing_radius, 'circle', 'meters');
var after_filtered = after.focal_mean(smoothing_radius, 'circle', 'meters');
// 显示影像
Map.centerObject(aoi,8);
Map.addLayer(before_filtered, {min:-25,max:0}, 'Before Flood',0);
Map.addLayer(after_filtered, {min:-25,max:0}, 'After Flood',1);
// ==========两景影像的差别===========
// 利用洪水发生时的影像减去洪水发生前的影像
var difference = after_filtered.divide(before_filtered);
// 应用预定义的差分阈值并创建泛滥范围掩膜
var threshold = difference_threshold;
var difference_binary = difference.gt(threshold);
var difference_binary = difference_binary.updateMask(difference_binary.eq(1))
// 计算像素的连通性，以消除那些连接到8个或更少邻居的像素
// 这一操作降低了洪水范围的噪音(椒盐现象-小碎点)
var connections = difference_binary.connectedPixelCount()//.reproject(difference.projection(), null, 10);    
var flooded = difference_binary.updateMask(connections.gte(8));
//  去除上述洪水淹没范围中坡度大于5度的区域
// 计算坡度
var DEM = ee.Image('WWF/HydroSHEDS/03VFDEM');
var terrain = ee.Algorithms.Terrain(DEM);
var slope = terrain.select('slope');
// 创建一个图像，只包含高程波段
var elevation = DEM.select('b1');
// 导出图像
Export.image.toDrive({
  image: elevation,
  description: 'HydroSHEDS_Elevation',
  scale: 30, // 根据需要选择合适的缩放比例
  region: aoi
});
// 最终的洪水淹没范围
var flooded = flooded.updateMask(slope.lt(5));
Map.addLayer(flooded,{palette:"0000FF"},'Flooded areas');
// 计算洪水面积
// 将每个像素转化为像元面积
var flood_pixelarea = flooded.select(polarization)
                            .multiply(ee.Image.pixelArea());
 
// 统计所有像元的和，默认的面积是 ㎡
var flood_stats = flood_pixelarea.reduceRegion({
  reducer: ee.Reducer.sum(),              
  geometry: aoi,
  scale: 10, 
  bestEffort: true // 为true时可以减少计算时间
  });
  
// 将 平方米转化为 公顷
var flood_area_ha = flood_stats
  .getNumber(polarization)
  .divide(10000)
  .round();// 四舍五入
  
  // 显示淹没范围面积结果
  print('area/ha', flood_area_ha);
// 导出栅格格式 tif
Export.image.toDrive({
  image: flooded, 
  description: 'Flood_extent_raster',
  fileNamePrefix: 'flooded',
  region: aoi, 
  maxPixels: 1e10
});
 
// 导出shp格式
// 栅格转矢量
var flooded_vec = flooded.reduceToVectors({
  scale: 10,
  geometryType:'polygon',
  geometry: aoi,
  eightConnected: false,
  bestEffort:true,
  tileScale:2,
});
 
// 导出shp结果
Export.table.toDrive({
  collection:flooded_vec,
  description:'Flood_extent_vector',
  fileFormat:'SHP',
  fileNamePrefix:'flooded_vec'
});

// ==========添加VH灰度直方图===========

// 获取影像集合
var collection = ee.ImageCollection('COPERNICUS/S1_GRD')
                  .filterBounds(aoi)
                  .filterDate('2020-06-01', '2020-06-10')
                  .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VH'));

// 选择一个影像
var image = collection.first().select('VH');


// 计算直方图数据
var histogramData = ui.Chart.image.histogram({
  image: image,
  region: aoi,
  scale: 10,
  maxPixels: 1e13 // 增加最大像素限制
});

// 设置横轴刻度间隔为10
var options = {
  title: 'VH Polarization Histogram',
  colors: ['#33a02c'], // 设置颜色
  hAxis: {
    title: 'VH Value',
    ticks: ee.List.sequence(-40, 0, 10), // 设置横轴坐标数值间隔为10
    viewWindow: {
      min: -40,
      max: 0
    }
  },
  vAxis: {
    title: 'Frequency'
  },
  chartArea: {
    backgroundColor: {
      stroke: '#CCCCCC',
      strokeWidth: 1
    }
  },
  legend: {
    position: 'none' // 隐藏图例，因为直方图通常不需要图例
  }
};

// 应用自定义的刻度间隔和颜色
var histogram = histogramData.setOptions(options);

// 添加直方图到控制台
print(histogram);

// ==========添加水体检测===========
// 设置水体阈值，基于 VH 极化数据
var water_threshold = -25; // 这个值可以根据具体情况调整

// 提取水体范围
var before_water = before_filtered.lt(water_threshold).selfMask();
var after_water = after_filtered.lt(water_threshold).selfMask();

// 显示水体范围
Map.addLayer(before_water, {palette: '0000FF'}, 'Water Before Flood', 0);
Map.addLayer(after_water, {palette: '00FF00'}, 'Water After Flood', 1);

// 计算洪水前后的水体面积
var before_water_area = before_water.multiply(ee.Image.pixelArea()).reduceRegion({
  reducer: ee.Reducer.sum(),
  geometry: aoi,
  scale: 10,
  bestEffort: true
}).getNumber('VH').divide(10000).round();

var after_water_area = after_water.multiply(ee.Image.pixelArea()).reduceRegion({
  reducer: ee.Reducer.sum(),
  geometry: aoi,
  scale: 10,
  bestEffort: true
}).getNumber('VH').divide(10000).round();

print('Water area before flood (ha):', before_water_area);
print('Water area after flood (ha):', after_water_area);




// 导出水体范围栅格格式 tif
Export.image.toDrive({
  image: before_water, 
  description: 'Water_before_flood',
  fileNamePrefix: 'water_before_flood',
  region: aoi, 
  maxPixels: 1e10
});

Export.image.toDrive({
  image: after_water, 
  description: 'Water_after_flood',
  fileNamePrefix: 'water_after_flood',
  region: aoi, 
  maxPixels: 1e10
});

// 导出水体范围矢量格式 shp
var before_water_vec = before_water.reduceToVectors({
  scale: 10,
  geometryType: 'polygon',
  geometry: aoi,
  eightConnected: false,
  bestEffort: true,
  tileScale: 2,
});

var after_water_vec = after_water.reduceToVectors({
  scale: 10,
  geometryType: 'polygon',
  geometry: aoi,
  eightConnected: false,
  bestEffort: true,
  tileScale: 2,
});

Export.table.toDrive({
  collection: before_water_vec,
  description: 'Water_before_flood_vector',
  fileFormat: 'SHP',
  fileNamePrefix: 'water_before_flood_vec'
});

Export.table.toDrive({
  collection: after_water_vec,
  description: 'Water_after_flood_vector',
  fileFormat: 'SHP',
  fileNamePrefix: 'water_after_flood_vec'
});

// 导出遥感影像
Export.image.toDrive({
  image: before_filtered,
  description: 'BeforeFloodFiltered',
  scale: 10, // 导出比例尺，与影像分辨率一致
  region: aoi, // 导出区域
  maxPixels: 1e9 // 最大像素数限制，根据需要调整
});

Export.image.toDrive({
  image: after_filtered,
  description: 'AfterFloodFiltered',
  scale: 10,
  region: aoi,
  maxPixels: 1e9
});

 

 

基于SAR影像的鱼塘提取
如果想成为中心，那么就到中心去吧。
05-02 2068
文章目录相关背景1 方法概述2 标记区域提取2 前景区域提取4 困难边界修复5 源码 相关背景 养殖塘是主要渔业国家水产养殖的主要承载体，养殖塘开发利用带来巨大经济效益的同时也加速了周边环境恶化。遥感技术具有成本低、多时相、覆盖广等特点，利用遥感技术对客观监测养殖塘的时空变化，从而实现养殖塘变迁对周边生态影响的科学认知。 虽然人工提取养殖塘可以达到最高的精度，但人力资源成本过多，因此更需要自动提取方法。利用深度卷积神经网络(DCNN)可以很好地实现自动提取，这些网络在图像分类、对象检测、语义分割等许多计算机
GEE 案例：利用sentinel-1数据和OTSU大津法计算洪水区域和人口受灾区域
此星光明博客
09-28 710
在本例中，提供两张Sentinel图像（Sentinel-1 SAR和Sentinel-2光学图像）来检测洪水区域并估计受影响的人群。由于云层覆盖率高，利用光学带训练网络的算法（例如机器学习技术）无法完全提取泛洪像素，特别是在阴影区域和多云像素中。相比之下，发射微波波长信号的主动传感器提供了一种查看不可见区域（例如多云像素）的替代方案（\cite{ANUSHA}）。因此，在这项工作中，使用Sentinel-1的合成口径雷达（SAR）产品来创建洪水淹没地图。
【ArcGIS教程】基于DEM数据的洪水淹没分析——提取淹没区并计算淹没区洪水量
最新发布
weixin_45469245的博客
02-08 2733
使用ArcGIS开展洪水淹没区分析、提取淹没区并计算淹没区洪水量的详细说明，如果想获取教程中实验数据，请关注微信公众号【GIS小能手】然后在后台留言。
sar数据集_[ENVI SARscape] 基于高分三号SAR数据提取水体信息
weixin_39936792的博客
12-08 6564
重要提醒本文为简要介绍，详细文档见文章末尾分享链接。星载合成孔径雷达(SAR)不受天气影响，获取的SAR图像中水体后向散射系数相对较低(图像上表现为黑色)，星载雷达遥感是目前洪涝灾害、水情监测的重要技术手段之一。常用的数据源包括高分三号、Sentinel-1等。目前SAR数据格式主要有两种：单视复数(SLC)和强度数据(Pwr)。SLC数据通过多视处理可以得到雷达强度数据。技术流程如下图...
Google Earth Engine（GEE）——批量计算水体面积、监测洪水情况并导出面积最大的影像、水体、excel表格
weixin_46493028的博客
07-13 4168
Google Earth Engine（GEE）——批量计算水体面积、监测洪水情况并导出面积最大的影像、水体、excel表格
论文笔记（五）FWENet：基于SAR图像的洪水水体提取深度卷积神经网络（CVPR）
在这里做笔记
11-28 6156
本研究利用Sentinel-1 SAR图像作为数据源，提出了一种名为洪水体提取的新模型用于洪水信息提取的卷积神经网络（FWENet）
论文笔记（四）：影像图中水体识别与提取技术研究综述
在这里做笔记
11-18 3632
基于合成孔径图像与光 学图像，总结影像图识别算法通用性与匹配校准，对高精度全自动化影像信息提取算法进行 了展望。
基于Sentinel-1遥感数据的水体提取
qq_36904533的博客
05-14 4212
本文利用SAR遥感图像进行水体信息的提取，相比光学影像，SAR图像不受天气影响，在应急情况下应用最多，针对水体，在发生洪涝时一般天气都是阴雨天，云较多，光学影像质量较差，基本上都是利用SAR影像对受灾范围进行评估，故此本文重点描述SAR影像中的水体提取问题，目前应用较多的是Sentinel-1数据。 本文结构：哨兵（Sentinel）系列卫星为欧空局“哥白尼计划”的地球观测卫星系列之一，由两颗卫星组成, 分别为Sentinel-1A和Sentinel-1B, 载有C波段合成孔径雷达， Sentinel-1
关于SAR图像的洪水变化检测
wangxiaotan620的博客
08-08 4857
对于洪水区域的提取很多文献采用的变化检测技术，因为SAR图像全天时、全天候、不受云雨限制的原因，目前对提取洪水区域更多采用的是SAR图像，可选用的SAR图像也比较多，比如Sentinel-1、ASRA、TerraSAR、ALOS等。 由于SAR图像中，水体的后向散射系数比较低，所以通常选用的是 ...
GEE案例-利用GEE中的Sentinel-1哨兵 1 号卫星数据绘制洪水（水体）淹没图.pdf
08-21
在本教程中，我们将介绍使用哥白尼哨兵-1 号任务的合成孔径雷达 (SAR) 数据绘制洪水地图的步骤。 我们将使用 JavaScript 代码片段来演示这一过程。 第 1 步 数据采集和过滤：第一步是从哥白尼哨兵-1 号任务中采集...
基于星载SAR图像水域提取的一种新方法_
03-20
合成孔径雷达, 是一种主动式微波传感器, 能够全天时、全天候对地观测, 而传统的光学遥感方式对空气能见度要求很高, 特别在灾害性天气时具有独特的优势。所以在洪涝灾害应急测绘保障方面, 发挥着不可替代的重要作用。从影像中识别提取所需的地物地形要素, 人工的识别操作无疑是最准确的, 但也是最慢的。在灾害面前, 时间就是生命、时间就是财产, 计算机程序自动识别和提取要素是最快捷的, 比传统手工提取更快捷, 能够在第一时间为了解灾情、抗灾救灾、灾后重建提供数据基础。本文以影像水域提取为切入点, 抛砖引玉的介绍了一种水域提取的可行方案。
SAR水体监测
03-31
这是我从IEEE数据库中下载的文献，有关SAR图像用于水体监测的知识
单波段单极化SAR图像水体和居民地信息提取方法研究
06-30
SAR图像上水体和居民地信息的提取在实际应用中具有重要的意义。为了更好地提取SAR图像上水体 和居民地，以单波段单极化Radarsat—l SAR图像为研究对象，首先利用半变异函数分析样本图像的结构特性来确定 纹理信息提取的最佳参数；然后，在此基础上基于灰度共生矩阵计算SAR图像均值、角二阶矩和熵3种纹理测度， 建立了适于图像分类的多维特征空间，从而有效地增强了水体和居民地信息；最后通过样本采集，使用支持向量机 分类器进行水体和居民地信息提取，并采用近期归一化植被指数(NDVI)数据和分类结果进行目标层融合来消除 山体因素的影响，信息提取的结果显示，分类总体精度为82．57％ ，Kappa系数为0．58，较准确地提取了水体和居民 地信息。
GEE案例：利用GEE的哨兵 1 号和哨兵 2 号数据自动监测地表水动态
此星光明博客
08-20 895
利用谷歌地球引擎的哨兵 1 号和哨兵 2 号数据自动监测地表水动态对洪水进行动态监测对于水资源管理和灾害预防非常重要。利用遥感技术获取多时地表水分布图有助于阐明水量扩大的趋势，以便迅速制定措施。哨兵-1 号合成孔径雷达（SAR）观测数据的空间分辨率高、重访周期短、穿透云层能力强，因此特别适用于这项任务。然而，由于数据采集和处理的巨大压力，从大量合成孔径雷达图像中快速、准确地绘制洪水地图仍然具有挑战性。
PIE-Engine使用哨兵1影像提取洪水范围
自度度人 自觉觉他
01-26 5077
1 背景 洪涝灾害是突发事件，具有持续时间短、危害性大等特征。基于卫星遥感技术，人们可实现快速、准确的洪涝淹没范围提取，直观地显示其空间分布及其动态变化和发展规律，从而使得其在洪涝灾害监测中发挥着越来越重要的作用。 光学传感器，如MODIS、Landsat TM等均被用于提取洪水淹没范围。但是洪灾发生时，天气往往多云多雨，光学传感器波段不能穿透云层，因此无法获取有效地面信息。 星载合成孔径雷达（SAR）具有全天候、全天时的工作能力和宽覆盖的优势，不受云、雨、雾的影响，可在夜间工作，尤其适合洪涝淹没范围监测。
卫星勘测洪水数据网站
D2443639541的博客
05-08 1186
建国以来 新中国成立后，1954年特大洪水有多可怕？听老人们说，是继上古传说“洪水淹天”之后，受灾面积超575万公顷，京广铁路超百天停摆。 淮河流域罕见地下来近3个月的降雨，造成全流域大洪水，淮河干流中渡站三十日最大洪量为531亿立方米，超过1931年。湖南、湖北、江西、安徽、江苏五省，有123个县市受灾，淹没耕地4755万亩，受灾人数达到3000万。 淮北平原呈现出一大片洪泛区，其中河南省淮北平原几乎出现大洪水。安徽省洪涝灾害最严重，全省2620万亩农田被淹，房屋倒塌168万间，因灾死亡达1098人
通过哨兵1号SAR数据获取桂林619洪水内涝情况
中科GIS地理信息培训
07-29 1554
2024年6月19日，广西桂林受持续强降雨及漓江上游水库相继泄洪影响，主要河流水位迅速暴涨，遭遇桂林1998年以来最大洪水，引发内涝灾害。传统的光学遥感在雨天无法穿透云层，因此想要获得洪涝数据必须使用SAR雷达影像。我们老师处理了5月27日和6月20的数据，拼接提取了桂林市的DSM数据，并与大家一起探讨如何从雷达数据中获取水体信息。
GEE学习笔记之用时序数据提取洪水
晚来天欲雪，能饮一杯无？
02-25 1498
在本博客中，我们将使用Landsat8绘制柬埔寨的水体。我们将应用云移除并计算NDWI。
GEE云平台：基于NDWI的Landsat数据水体提取与面积计算
总结来说，这份代码利用GEE的强大功能实现了基于NDWI的水体检测，通过对landsat数据的时空筛选、合成和指数计算，为研究者提供了一个实用的工具，可用于水体变化监测、水资源管理等领域。同时，计算面积覆盖功能有助...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值