论文部分内容阅读
雨洪模型作为海绵城市建设中内涝预测与雨水管网优化的一种重要技术,其高效建模与准确预测具有重大意义。下垫面矢量数据提取是雨洪模型构建的基础,然而,中低空间分辨率RS(Remote Sensing,遥感)数据存在混合像元的现象,以及高空间分辨率RS数据存在光谱局限性,导致自动提取下垫面数据过程中易出现“同物异谱,异物同谱”现象,降低了数据提取精度。本研究基于RS技术与GIS技术,扩充与优选了RS数据的光谱、纹理和几何特征数据层,实现了面向对象的下垫面自动提取;随后,基于Digital Water和Arcgis平台,分别使用基于像元和面向对象自动提取的下垫面矢量数据构建了雨洪模型,并在重庆南岸区融侨城2期D区用实测数据对模拟结果进行了对比验证。主要研究内容及结果如下:(1)结合传感器原理,研究对比了不同类型RS数据的特点及适用范围,为得到可接受的信噪比,RS数据的空间分辨率与光谱分辨率相互制约;分析了像元的数字化过程、像元对应的通用存储格式及对象的生成流程。(2)从Google earth获取研究区域高空间分辨率RS数据后,对RS数据进行了预处理,得到了目标区域外掩膜的RS数据;将经预处理后的RS数据进行了K-means迭代聚类,完成了基于像元的下垫面自动提取。结果表明,研究区域不透水面地表的占比为33.079%,透水地表中林地和草地的占比分别为19.037%和47.884%;其中,草地与未开发用地产生了混分现象,且部分区域出现了“同物异谱,异物同谱”的现象。(3)为弥补RS数据的光谱局限性并实现面向对象的下垫面自动提取。首先,在IDL语言环境下扩充了波段数据层Band U;随后,基于eCognition Developer平台,使用分形网络演变法生成了对象层,并进行了不同维度下的特征最优分析,选出最优光谱、纹理和几何特征组合;最后,基于优选与提取的Band U、Border Index、Band 3、GLCM-A、Compactness、Band 2、Band 1这7个特征数据层组合,使用K最邻近提取了下垫面,实现了研究区域内982个地物的精细化自动提取。计算结果显示,草地占比41.719%,不透水面地表占比32.697%,未开发用地占比4.581%,林地占比21.003%。为将两种自动提取方法应用在大尺度区域,提取了南岸区的下垫面数据,基于像元的自动提取结果显示,草地占比29.039%,不透水面地表占比21.534%,未开发用地占比2.670%,林地占比46.757%;面向对象的自动提取结果显示,草地占比27.492%,不透水面地表占比22.666%,未开发用地占比4.020%,林地占比45.822%。(4)基于Digital Water和Arcgis软件,利用下垫面矢量数据构建了雨洪模型。首先,进行栅矢数据转换,并调用提取后的gridcode,使用Python语言自动建立了下垫面属性库;随后,导入气象水文等资料,完成了雨洪模型的构建;最后,以2018年9月24日14:15~16:15的降雨序列作为模拟情景进行验证。结果表明,基于像元自动提取的矢量数据所建立的雨洪模型,峰值流量误差为12.34%,发生洪峰的时间在15:30,纳什效率系数为0.842;面向对象自动提取的矢量数据所建立的雨洪模型,峰值流量误差为9.56%,发生洪峰的时间在15:30,纳什效率系数为0.917。与前者所构建的雨洪模型相比,面向对象提取的矢量数据所建立的雨洪模型,峰值流量误差减少了2.78%,纳什效率系数提高了8.91%。