密集長序遙感數(shù)據(jù)的水文信息挖掘與應(yīng)用探討

密集長序遙感數(shù)據(jù)的水文信息挖掘與應(yīng)用初探北京師范大學(xué)地理科學(xué)學(xué)部

遙感科學(xué)國家重點(diǎn)實驗室（聯(lián)合）2018年11月10日匯報人：蔣衛(wèi)國2018水利遙感與3S產(chǎn)業(yè)發(fā)展高峰論壇，深圳主題：新時代的水利遙感與3S產(chǎn)業(yè)化1匯報提綱密集長序水文遙感的研究背景密集長序遙感的水文研究探索密集長序遙感的水文應(yīng)用思考2一、密集長序水文遙感的研究背景大數(shù)據(jù)技術(shù)為遙感大數(shù)據(jù)自動分析與深度挖掘帶來了機(jī)遇與挑戰(zhàn)（李德仁院士，周成虎院士，李建成院士等）。遙感大數(shù)據(jù)：運(yùn)用大數(shù)據(jù)思維與手段，聚焦于從多種來源、多種介質(zhì)、多種頻段、多種分辨率的海量遙感數(shù)據(jù)集中獲取價值信息的理論、方法、技術(shù)與活動的統(tǒng)稱。遙感大數(shù)據(jù)技術(shù)具有5V特征：

：Volume(體量大)、Variety(多樣性)、Velocity(變化快)、Veracity(準(zhǔn)確性)、Value(價值大)。1.1.遙感大數(shù)據(jù)的機(jī)遇與特征3一、密集長序水文遙感的研究背景1.1.遙感大數(shù)據(jù)的機(jī)遇與特征在軌運(yùn)行衛(wèi)星多(1400多顆衛(wèi)星,300多顆遙感衛(wèi)星)我國遙感衛(wèi)星多(陸地觀測40多,氣象9顆,海洋2顆)遙感數(shù)據(jù)量多(PB/EB級，高分二號10分鐘過境下傳的數(shù)據(jù)超過4.8TB)41.2.密集長序遙感數(shù)據(jù)的類型1981-2018NOAA/MODIS/FY等低空間高時間分辨率遙感數(shù)據(jù)1974-2018Landsat/HJ/CEBERS/哨兵等中空間分辨率遙感數(shù)據(jù)2000-2018SPOT/IKONOS/QB等高分辨率遙感數(shù)據(jù)2013-至今國產(chǎn)高分辨率遙感數(shù)據(jù)一、密集長序水文遙感的研究背景2018年2067年1974年時間間隔尺度：年、月、天、小時序列越長，間隔越短，時序分析越有亮點(diǎn)2013年51.2.密集長序遙感數(shù)據(jù)的類型一、密集長序水文遙感的研究背景全球覆蓋（19840316-20151010）Landsat系列衛(wèi)星61.3.密集長序遙感數(shù)據(jù)的研究應(yīng)用-水體遙感一、密集長序水文遙感的研究背景2016年9月2016年12月荷蘭的GennadiiDonchyts，歐盟聯(lián)合研究中心(JRC)的Pekel等與Google合作，全球近30年超過300萬張LANDSAT衛(wèi)星圖像，利用1000臺計算機(jī)并行處理并提取水體，繪制成30米分辨率全球地表水分布的高清晰地圖，揭示過去地表水分布造成的巨大變化。71.3.密集長序遙感數(shù)據(jù)的研究應(yīng)用-水體遙感一、密集長序水文遙感的研究背景2015年11月澳大利亞25年18萬多張LANDSAT衛(wèi)星圖像，280萬個樣本，通過邏輯回歸樹方法自動提取水體，繪制25年積水頻率圖，分析極端水旱災(zāi)害的水文過程。81.3.密集長序遙感數(shù)據(jù)的研究應(yīng)用-降水遙感一、密集長序水文遙感的研究背景（Sun,etal.,2018,

ReviewsofGeophysics）降水遙感產(chǎn)品，集成站點(diǎn)數(shù)據(jù)、衛(wèi)星觀測數(shù)據(jù)以及大氣模型模擬數(shù)據(jù)，具有時間尺度長、空間分辨率較高等優(yōu)點(diǎn)，就被應(yīng)用于降水相關(guān)研究。91.3.密集長序遙感數(shù)據(jù)的研究應(yīng)用-水儲量遙感一、密集長序水文遙感的研究背景GRACE重力衛(wèi)星由美國航天局及德國空間飛行中心聯(lián)合于2002年聯(lián)合發(fā)射，通過精確定位和相互跟蹤探測地球重力場及變化——這種變化主要反映陸地水儲量的變化。主要有三個數(shù)據(jù)中心估算反演水儲量數(shù)據(jù)：CSR,GFZ,JPL?；贕RACE數(shù)據(jù)監(jiān)測洪水災(zāi)害事件。（

Reageretal.,2009,GeophysicalResearchLetters）101.4.密集長序多源的水文數(shù)據(jù)基礎(chǔ)一、密集長序水文遙感的研究背景氣象水文水環(huán)境監(jiān)測數(shù)據(jù)1951-2018降雨站點(diǎn)數(shù)據(jù)1980-2018水文站點(diǎn)數(shù)據(jù)2000-2018水環(huán)境站點(diǎn)數(shù)據(jù)

水文遙感監(jiān)測大數(shù)據(jù)1981-2018NOAAAHVRR/MODIS/FY等低分辨率遙感數(shù)據(jù)1974-2018Landsat/HJ/CEBERS/哨兵等中分辨率遙感數(shù)據(jù)2000-2018SPOT/IKONOS/QB/OBVIEW等高分辨率遙感數(shù)據(jù)

水文遙感反演數(shù)據(jù)2003-2015GRACE水儲量數(shù)據(jù)

2003-2015ICESAT水位數(shù)據(jù)1997-2007TRMM降雨量數(shù)據(jù)2014-GPM/GMI降雨量數(shù)據(jù)2015-SMAPRADAR土壤含水量數(shù)據(jù)水文模型模擬數(shù)據(jù)1948-2016GLDAS水文產(chǎn)品水文眾包數(shù)據(jù)

社交媒體、移動終端、公共平臺等水文眾包數(shù)據(jù)111.5.密集長序遙感的水體識別方法一、密集長序水文遙感的研究背景（1）水體指數(shù)法根據(jù)水體在水體指數(shù)和植被指數(shù)中的特定區(qū)間，建立水體識別方程。一般將NDWI與NDVI結(jié)合，建立關(guān)于NDWI和NDVI的水體概率分段函數(shù)，如（只是節(jié)選公式的一部分，實際情況要復(fù)雜的多）：（2）經(jīng)典監(jiān)督分類法采用傳統(tǒng)的監(jiān)督分類方法，如支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、決策樹等，選擇足夠多（一般是海量）的樣本點(diǎn)。通常，為了突出水體特征，除了輸入反射率數(shù)據(jù)外，還將多個水體指數(shù)、植被指數(shù)作為特征變量一起輸入，如：（3）針對水體識別的特定方法與之前的監(jiān)督分類方法不同，該方法將更多的精力放在水體上，針對性更強(qiáng)，如設(shè)計對水體信息更加敏感的目標(biāo)函數(shù)、針對水體信息挖掘的智能、專家系統(tǒng)等。12二、密集長序遙感的水文信息挖掘探索一種水體遙感提取算法研發(fā)與全球典型應(yīng)用基于密集長序LANDSAT數(shù)據(jù)的水體提取與分析基于密集長序MODIS數(shù)據(jù)的水體提取及過程分析基于GRACE數(shù)據(jù)的水儲量估算與變化識別分析132.1.一種新型簡易高效的水體遙感提取算法研發(fā)與全球典型應(yīng)用二、密集長序遙感的水文信息挖掘探索方法導(dǎo)向：選定智能優(yōu)化方法：離散粒子群優(yōu)化算法(PSO)，集成其他方法：光譜匹配方法。應(yīng)用導(dǎo)向：自動提取水體，適合不同類型的水體區(qū)域。產(chǎn)出導(dǎo)向：申請發(fā)明專利，在RemoteSensingofEnvironment發(fā)表文章，方法有創(chuàng)新性，應(yīng)用有普適性，全球選擇多個區(qū)域。引用：KaiJia,WeiguoJiang,2018,RemoteSensingofEnvironment14基于光譜匹配和離散粒子群優(yōu)化的水體提取算法(SMDPSO)二、密集長序遙感的水文信息挖掘探索2.1.一種新型簡易高效的水體遙感提取算法研發(fā)與全球典型應(yīng)用引用：KaiJia,WeiguoJiang,2018,RemoteSensingofEnvironment15二、密集長序遙感的水文信息挖掘探索樣例示意圖：局部迭代尋優(yōu)、最優(yōu)水體自動提取2.1.一種新型簡易高效的水體遙感提取算法研發(fā)與全球典型應(yīng)用引用：KaiJia,WeiguoJiang,2018,RemoteSensingofEnvironment16A加拿大西北海岸巖溶湖群寒帶苔原氣候B巴西亞馬遜流域馬瑙斯熱帶雨林氣候C德國漢堡水上城市溫帶海洋性氣候D1尼日利亞約貝河旱季熱帶稀疏草原氣候D2尼日利亞約貝河雨季熱帶稀疏草原氣候E孟加拉灣河網(wǎng)熱帶季風(fēng)氣候F中國黃河沿岸池塘群溫帶季風(fēng)氣候G澳大利亞鹽湖群亞熱帶沙漠和草原氣候二、密集長序遙感的水文信息挖掘探索區(qū)域選擇：8個測試區(qū)，數(shù)據(jù)：Landsat8遙感圖像2.1.一種新型簡易高效的水體遙感提取算法研發(fā)與全球典型應(yīng)用引用：KaiJia,WeiguoJiang,2018,RemoteSensingofEnvironment17二、密集長序遙感的水文信息挖掘探索2.1.一種新型簡易高效的水體遙感提取算法研發(fā)與全球典型應(yīng)用KaiJia,2018,RemoteSensingofEnvironment目視評估：德國漢堡水上城市,水體識別:優(yōu)于監(jiān)督分類（SVM）加拿大西北海岸巖溶湖群,淺灘識別：優(yōu)于監(jiān)督分類（SVM）引用：KaiJia,WeiguoJiang,2018,RemoteSensingofEnvironment18二、密集長序遙感的水文信息挖掘探索2.1.一種新型簡易高效的水體遙感提取算法研發(fā)與全球典型應(yīng)用目視評估：中國黃河沿岸池塘群,池塘邊界識別優(yōu)；尼日利亞約貝河旱季/雨季，荒漠水體識別：稍微低于監(jiān)督分類（SVM）引用：KaiJia,WeiguoJiang,2018,RemoteSensingofEnvironment19二、密集長序遙感的水文信息挖掘探索2.1.一種新型簡易高效的水體遙感提取算法研發(fā)與全球典型應(yīng)用定量化評估：總體精度和Kappa系數(shù)高：勝過非監(jiān)督分類，略勝于監(jiān)督分類錯分和漏分誤差低，穩(wěn)定性：勝過非監(jiān)督分類和監(jiān)督分類；引用：KaiJia,WeiguoJiang,2018,RemoteSensingofEnvironment20二、密集長序遙感的水文信息挖掘探索2.1.一種新型簡易高效的水體遙感提取算法研發(fā)與全球典型應(yīng)用敏感性分析：對內(nèi)陸水體不敏感，不同的內(nèi)陸水體作為標(biāo)準(zhǔn)水體光譜得出的分類精度幾乎一致。引用：KaiJia,WeiguoJiang,2018,RemoteSensingofEnvironment21二、密集長序遙感的水文信息挖掘探索2.1.一種新型簡易高效的水體遙感提取算法研發(fā)與全球典型應(yīng)用實例應(yīng)用：2013年東北洪水淹沒制圖，1984～2018白洋淀水資源分析。KaiJia,WeiguoJiang,2018,RemoteSensingofEnvironmentXiaoyaWang,WeiguoJiang,2018,Water22二、密集長序遙感的水文信息挖掘探索2.1.一種新型簡易高效的水體遙感提取算法研發(fā)與全球典型應(yīng)用實例應(yīng)用：1984～2018白洋淀水資源分析。引用：XiaoyaWang,WeiguoJiang,2018,Water23二、密集長序遙感的水文信息挖掘探索2.1.一種新型簡易高效的水體遙感提取算法研發(fā)與全球典型應(yīng)用實例應(yīng)用：1984～2018白洋淀水資源分析。引用：XiaoyaWang,WeiguoJiang,2018,Water242.2.基于密集長序LANDSAT數(shù)據(jù)的城市湖泊水體提取引用:YueDeng，WeiguoJiang，2017，RemoteSensing武漢城市圈38年1375幅圖像二、密集長序遙感的水文信息挖掘探索252.2.基于密集長序LANDSAT數(shù)據(jù)的城市湖泊水體提取二、密集長序遙感的水文信息挖掘探索（1）收集訓(xùn)練樣本和多特征波段指數(shù)（10萬個，6個波段5個指數(shù)）（2）利用隨機(jī)森林樹方法自動提取水體（3）過濾影響湖泊無關(guān)水體（4）提取結(jié)果及精度驗證（5）分析水體變化及應(yīng)用利用RandomForest隨機(jī)森林樹模型、海量樣本和多特征向量自動提取水體引用:YueDeng，WeiguoJiang，2017，RemoteSensing262.2.基于密集長序LANDSAT數(shù)據(jù)的城市湖泊水體提取二、密集長序遙感的水文信息挖掘探索水體提取精度效果好，繪制了38年的積水頻率圖，可識別出最大水體、最小水體、穩(wěn)定性水體、季節(jié)性水體等。平均精度:93.11%;標(biāo)準(zhǔn)差:2.26%引用:YueDeng，WeiguoJiang，2017，RemoteSensing272.2.基于密集長序LANDSAT數(shù)據(jù)的城市湖泊水體提取二、密集長序遙感的水文信息挖掘探索分析城市建設(shè)擴(kuò)展對湖泊濕地面積的侵占。引用:YueDeng，WeiguoJiang，2017，RemoteSensing28二、密集長序遙感的水文信息挖掘探索分析洪水災(zāi)害及干旱災(zāi)害對河流湖泊的影響。引用:YueDeng，WeiguoJiang，2017，RemoteSensing2.2.基于密集長序LANDSAT數(shù)據(jù)的城市湖泊水體提取292.3.基于密集長序MODIS數(shù)據(jù)的水體提取與過程分析2000-2016年8天250米21736幅10個向量MODIS數(shù)據(jù)70萬個水體與非水體樣本點(diǎn)20個大湖大河LANDSAT驗證影像二、密集長序遙感的水文信息挖掘探索30引用:PinzengRao，WeiguoJiang，2018，RemoteSensing密集長序地表水體提取過程8天500米和16天250米水體融合，產(chǎn)生8天250米的水體二、密集長序遙感的水文信息挖掘探索2.3.基于密集長序MODIS數(shù)據(jù)的水體提取與過程分析31二、密集長序遙感的水文信息挖掘探索2.3.基于密集長序MODIS數(shù)據(jù)的水體提取與過程分析引用:PinzengRao，WeiguoJiang，2018，RemoteSensing17年每8天的775期全國水體圖，疊加計算水體積水頻率，淹沒頻率，干旱頻率等，可提取最大水體、最小水體、消落帶。積水頻率圖洞庭湖積水頻率圖鄱陽湖積水頻率圖32二、密集長序遙感的水文信息挖掘探索2.3.基于密集長序MODIS數(shù)據(jù)的水體提取與過程分析引用:PinzengRao，WeiguoJiang，2018，RemoteSensing

水資源時空分布分析，統(tǒng)計分析穩(wěn)定水體、季節(jié)水體，增加和減少的穩(wěn)定水體。332013年7-9月松花江洪水演變過程2016年7月宜昌-武漢洪水演變過程二、密集長序遙感的水文信息挖掘探索2.3.基于密集長序MODIS數(shù)據(jù)的水體提取與過程分析引用:PinzengRao，WeiguoJiang，2018，RemoteSensing水旱災(zāi)害變化過程分析，識別出洪水淹沒區(qū)域，統(tǒng)計淹沒災(zāi)情影響，等等。342.4.基于GRACE重力衛(wèi)星的水儲量估算與變化識別分析2003-2015年每月GRACE水儲量變化趨勢空間分布二、密集長序遙感的水文信息挖掘探索35引用：ZhengChen，WeiguoJiang，2017，ScientificReports;陳坤，蔣衛(wèi)國,2018，自然資源學(xué)報2003-2015年水儲量異常頻率和水儲量累計虧損體積經(jīng)度與緯度帶平均的水儲量異常時空格局二、密集長序遙感的水文信息挖掘探索2.4.基于GRACE重力衛(wèi)星的水儲量估算與變化識別分析36引用：ZhengChen，WeiguoJiang，2017，ScientificReports;陳坤，蔣衛(wèi)國,2018，自然資源學(xué)報2003-2015年松花江水儲量盈余與洪澇關(guān)系2003-2015年松花江水儲量虧損與干旱關(guān)系二、密集長序遙感的水文信息挖掘探索2.4.基于GRACE重力衛(wèi)星的水儲量估算與變化識別分析37引用：ZhengChen，WeiguoJiang，2017，ScientificReports;陳坤，蔣衛(wèi)國,2018，自然資源學(xué)報3.1.科學(xué)問題挖掘與分析38要素維S時序曲線水文要素曲線1974～2018年**區(qū)域的長序密集遙感圖像，專題水文參數(shù)（降雨、水位、水量、水體…）的四維可視化表達(dá)研究問題：時間變化問題、空間異質(zhì)問題、要素關(guān)聯(lián)問題、系統(tǒng)綜合問題、耦合集成問題、過程機(jī)理問題……三、密集長序遙感的水文應(yīng)用思考3.2行業(yè)需求-暴雨災(zāi)害監(jiān)測預(yù)警