CN103743700B - 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 - Google Patents
一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 Download PDFInfo
- Publication number
- CN103743700B CN103743700B CN201410023795.8A CN201410023795A CN103743700B CN 103743700 B CN103743700 B CN 103743700B CN 201410023795 A CN201410023795 A CN 201410023795A CN 103743700 B CN103743700 B CN 103743700B
- Authority
- CN
- China
- Prior art keywords
- algal tufa
- pixel
- fai
- algal
- tufa
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种大型浅水湖泊蓝藻水华MODIS卫星高精度监测方法,其特征在于:筛选对大气气溶胶类型及厚度不敏感的蓝藻水华(简称藻华)识别指数;结合2000-2013年同步的MODIS与Landsat TM/ETM+卫星影像以及水陆信息的梯度分析结果,获取藻华纯像元指数阈值;选用像元生长算法(APA)精确计算藻华混合像元(指部分被藻华覆盖的像元)内的藻华面积;进而估算湖泊全水域蓝藻水华实际面积及其区域分布。本发明可以精确获取浅水湖泊蓝藻水华时空分布,准确分析蓝藻水华发生、发展状况及趋势,科学评估湖泊污染治理与生态修复效果,为水利、环保等部门的水资源管理、水环境保护的科学决策提供科技支撑。
Description
技术领域
本发明涉及一种大型浅水湖泊蓝藻水华MODIS卫星高精度监测方法。
背景技术
目前,卫星遥感技术在蓝藻水华监测中已经得到了广泛的应用,为获取蓝藻水华的时空分布规律以及蓝藻水华的预测预警提供了基础和依据。但实践中发现,即使使用同一幅遥感影像,不同部门、不同人员获取的藻华水华面积存在一定差异,究其原因,主要是包括藻华识别指数不同、藻华指数对气溶胶的敏感性不同、忽略混合像元的藻华计算以及水生植被的误判等方面。MODIS(MODerate-resolutionImagingspectroradiometer)数据具有较高的时间分辨率(0.5d)和光谱分辨率,且有长时间序列数据,可以生产几乎实时的图像,而且该数据质量稳定、获取容易,成本低廉,是非常理想的监测藻华遥感数据源。
水体遥感反射率Rrs是其水体各种物质的综合反映,蓝藻水华与非水华普通水体光谱上最大的差别在于近红外波段;水华水体具有较为明显的反射峰,形成近红外平台,而非水华水体没有,这也是利用卫星监测藻华的依据。国内外较常用的藻华监测算法主要有单波段法、比值法、归一化植被指数法(NormalizedDifferenceVegetativeIndex,NDVI)、增强型植被指数法(EnhancedVegetationIndex,EVI)、浮游藻类指数法(Floatingalgaeindex,FAI)等5种。
表1MODIS藻华水体各类识别模式
首先,卫星传感器接收到的信号为TOA(TopofAtmosphere)总辐亮度,包括离水辐亮度、大气分子散射(也称Rayleigh散射)、气溶胶散射、海面白帽以及太阳直射辐射在海面的反射等,其中来自水体的离水辐射约占10%,大气的程辐射约占90%(Kirk,1994),水体信息的小信号信息几乎淹没在大气中,因此大气影响的剔除在水色遥感反演中显得尤为重要,大气校正成为水色遥感的关键技术(任敬萍和赵进平,2002)。目前为止,湖泊水体的大气校正还没有实现快速、批量的业务化处理,大多仍旧使用陆地光学遥感中基于辐射传输的大气校正方法(Dekkeretal.,2001;Ammenbergetal.,2002;王建平等,2003;马荣华和戴锦芳,2005b;唐军武等,2005;尹球等,2005;吴传庆等,2006;Duanetal.,2008)。但是由于湖泊水体受人类活动的影响更为强烈,物质陆源较多,不同湖泊的水质、物质组成等差异较大,近红外波段散射特性的变化具有很大的不确定性;湖泊水体面积一般较小,受陆地的影响,气溶胶变化较为强烈,而水体在近红外波段的信号很弱,难以准确测量;另外,湖泊中存在大面积的光学浅水,离水辐射除包含来自水体的贡献外,也包含来自湖底底质的贡献。因此,高精度地获取近红外波段水体离水辐射的迭代关系存在很大困难,基于两个近红外波段(765和865nm)离水辐射为零的、被广泛采用的Gordon标准大气修正算法已不再适用;而传统的基于辐射传输模型的校正方法需要实时实地的大气参数,目前尚不能实现业务化。尽管目前国际水色遥感界已提出了多种针对“亮像元”(即近红外离水辐射非零)的大气校正算法(ZhaoandNakajima,1997;Arnoneetal.,1998;Ruddicketal.,2000;Huetal.,2000;Lavenderetal.,2005;VidotandSante,2005),但基本还处于区域性试验阶段。
卫星影像都是栅格影像,像元大小取决于空间分辨率;如MODIS卫星影像最高空间分辨率为250m,低空间分辨率较低不利于识别出藻华较为破碎的空间分布特征。按照现有传统藻华监测方法,MODIS影像中像元仅识别为藻华像元和非藻华像元,忽略了混合像元的情况,如果藻华识别阈值设置比较保守,仅仅能识别出全部被藻华覆盖的区域,忽略了部分被藻华覆盖的区域,如果藻华识别阈值设置宽松,尽管包括了部分被藻华覆盖的混合像元,但该混合像元中没有藻华的区域面积也会被一起统计,将会导致藻华覆盖总面积增加。因此,利用MODIS数据准确估算藻华的实际覆盖面积,混合像元中盖度计算成为亟待解决的一个科学问题。
此外,水华与水生植被光谱类似,目前所有算法都很难实现完全区分,实现业务化运行。
本发明旨在选择对气溶胶类型和厚度均布敏感的浮游藻类指数(FAI)为藻华识别基本指数的基础上,通过对2000-2013年同步MODIS影像和LandsatTM/ETM+影像的梯度分析和统计分析获取纯藻华像元的FAI阈值,采用像元生长算法(AlgaePixel-growingAlgorithm,APA)实现对藻华混合像元中藻华面积的估算,客观反映湖泊藻华面积的高精度估算及其时空分布。蓝藻面积的高精度监测可以有效的实现对湖泊藻华风险以及对水源区进行有效评估;湖泊蓝藻面积的长期高精度监测,有助于科学评估年际间藻华实际强度的变化及其发展趋势,有效评估湖泊污染治理和生态修复的绩效,为水利、环保等部门的水资源管理、水环境保护的科学决策提供科技支撑。
参考文献
[文献1]AmmenbergP,FlinkP,LindellT,Pierson,D,StrombeckN.Bioopticalmodellingcombinedwithremotesensingtoassesswaterquality.InternationalJournalofRemoteSensing.2002,23:1621-1638;
[文献2]ArnoneRA,MartinolichP,GouldRW,StumpfR,LadnerS.CoastalOpticalPropertiesUsingSeaWiFS,OceanOpticsXIVKailua-KonaHawaii,SPIE-theInternationSocietyforOpticalEngineering.November10-13,1998;
[文献3]DekkerAG,VosRJ,PetersSWM.Comparisonofremotesensingdata,modelresultsandinsitudatafortotalsuspendedmatter(TSM)inthesouthernFrisianlakes.TheScienceoftheTotalEnvironment.2001,268:197-214;
[文献4]DuanH,ZhangY,ZhangB,SongK,WangZ,LiuD,LiF.Estimationofchlorophyll-aconcentrationandtrophicstatesforinlandlakesinNortheastChinafromLandsatTMdataandfieldspectralmeasurements.InternationalJournalofRemoteSensing.2008,29(3):767-786;
[文献5]GallegosCL,NealePJ.Partitioningspectralabsorptionincase2waters:discriminationofdissolvedandparticulatecomponents.AppliedOptics.2002,41:4220-4233;
[文献6]GordonHR,WangM.Influenceofoceanicwhitecapsonatmosphericcorrectionofoceancolorsensors.AppliedOptics.1994,33(33):7754-7763;
[文献7]GowerJ.F.R.ObservationofinsitufluorescenceofchlorophyllinSeanichInlet.Boundary-layerMeteorology,1980,18:235-245;
[文献8]HookerSB,EsaiasWE,FeldmanGC,GreggWW,McClainCR.AnoverviewofSeaWiFSandoceancolor.InNASATechnicalMemorandum.104566,1992,Vol.1;
[文献9]HuC,CarderKL,FrankEM.AtmosphericcorrectionofSeaWiFSimageryoverturbidcoastalwaters:apracticalmethod.RemoteSensingofEnvironment.2000,74(2):195-206;
[文献10]HuC.M.Anoveloceancolorindextodetectfloatingalgaeintheglobaloceans.Remotesensingofenvironment,2009,113(10):2118-2129;
[文献11]HuC.M.,LeeZ.P.,MaRH.,etal.ModerateResolutionImagingSpectroradiometer(MODIS)ObservationsofCyanobacteriaBloomsinTaihuLake,China.MarineScienceFacultyPublications,2010b,40;
[文献12]HuC.M.,LiD.Q.,ChenC.S.,etal.OntherecurrentUlvaproliferabloomsintheYellowSeaandEastChinaSea.JournalofGeophysicalResearch,2010a,115,C05017;
[文献13]Hu,C.M.,&He,M.X.OriginandoffshoreextentoffloatingalgaeinOlympicsailingarea.Eos,AmericanGeophysicalUnionTransactions,2008,89(33):302-303;
[文献14]HueteA.R.,&JusticeC.MODISvegetationindex(MOD13)algorithmtheoreticalbasisdocumentVer.3.1999;
[文献15]KirkJTO.Lightandphotosynthesisinacquaticecosystems.Cambridge:CambridgeUniversityPress.1994;
[文献16]LavenderSJ,PinkertonMH,MooreGF.ModificationtotheatmosphericcorrectionofSeaWiFSoceancolorimagesoverturbidwaters.ContinentalShelfResearch.2005,25:539-555;
[文献17]RouseJ.W.,HaasR.H.,SchellJ.A.,etal.MonitoringvegetationsystemsintheGreatPlainswithERTS.ThirdERTSSymposium,1973,NASASP-351I:309-317;
[文献18]RuddickKG,OvidioF,RijkeboerM.AtmosphericcorrectionofSeaWiFSimageryforturbidcoastalandinlandWaters.AppliedOptics.2000,39(6):897-912;
[文献19]VidotJ,SanterR.Atmosphericcorrectionforinlandwaters-applicationtoSeaWiFS.InternationalJournalofRemoteSensing.2005,26(17):3663-3682;
[文献20]WangM,ShiW.EstimationofoceancontributionattheMODISnear-infraredwavelengthsalongtheeastoftheU.S.:Twocasestudies.GeophysicalResearchLetters,2005,32,L13606;
[文献21]ZhaoFengsheng,NakajimaT.Simultaneousdeterminationofwater-leavingreflectanceandaerosolopticalthicknessfromCoastalZoneColorScannermeasurements.AppliedOptics.1997,36(27):6949-6956;
[文献22]陈云,戴锦芳.基于遥感数据的太湖蓝藻水华信息识别方法.湖泊科学,2008,20(2):179-183;
[文献23]段洪涛,张寿选,张渊智.太湖蓝藻水华遥感监测方法.湖泊科学,2008,20(2):145-152;
[文献24]孔繁翔,高光.大型浅水富营养化湖泊中蓝藻水华形成机理的思考.生态学报,2005,25(3):589-593;
[文献25]李红军,郑力,雷玉平,等.基于EOS/MODIS数据的NDVI与EVI比较研究.地理科学进展,2007,26(1):26-32;
[文献26]李炎,商少凌,张彩云,等.基于可见光与近红外遥感反射率关系的藻华水体识别模式.科学通报,2005,50(22):2555-2561;
[文献27]马荣华,戴锦芳.太湖水色遥感中叶绿素和悬浮物的高光谱分析.见:庄逢甘,陈述彭.中国遥感应用协会2005年年会论文集,江苏南京.2005b:236-245;
[文献28]马荣华,孔繁翔,段洪涛,等.基于卫星遥感的太湖蓝藻水华时空分布规律认识.湖泊科学,2008,20(6):687-694;
[文献29]尚琳琳,马荣华,段洪涛,等.利用MODIS影像提取太湖蓝藻水华的尺度差异性分析.湖泊科学,2011,23(6):847-854;
[文献30]任敬萍,赵进平.二类水体水色遥感的主要进展与发展前景.地球科学进展,2002,17(3):363-371;
[文献31]宋瑜,宋晓东,郭青海,等.太湖藻华水体的遥感监测与预警.光谱学与光谱分析,2011,31(3):753-757;
[文献32]唐军武,田国良,汪小勇,王晓梅,宋庆君.水体光谱测量与分析I:水面以上法.遥感学报,2004,8(1):37-44;
[文献33]王建平,程声通,贾海峰,王志石,邓宇华.用TM影像进行湖泊水色反演研究的人工神经网络模型.环境科学,2003,24(2):73-76;
[文献34]吴传庆,王桥,杨志峰.基于混合像元分解的水体遥感图像去云法.遥感学报,2006,10(2):176-183;
[文献35]谢国清,李蒙,鲁韦坤,等.滇池蓝藻水华光谱特征、遥感识别及暴发气象条件.湖泊科学,2010,22(3):327-336;
[文献36]徐京萍,张柏,李方,等.基于MODIS数据的太湖蓝藻水华识别模式.湖泊科学,2008,20(2):191-195;
[文献37]尹球,巩彩兰,匡定波,周宁,胡勇,张风丽,许卫东.湖泊水质卫星遥感方法及其应用.红外与毫米波学报,2005,24(3):198-202;
[文献38]张涛,苏奋振,杨晓梅,等.MODIS遥感数据提取赤潮信息方法与应用——以珠江口为例.地球信息科学学报,2009,11(2):244-249;
[文献39]周立国,冯学智,王春红,等.太湖蓝藻水华的MODIS卫星监测.湖泊科学,2008,20(2):203-207。
发明内容
本发明的目的在于提供一种大型浅水湖泊蓝藻水华MODIS卫星高精度监测方法,能够可以精确获取浅水湖泊藻华时空分布,准确分析藻华发生、发展状况及趋势,科学评估湖泊污染治理与生态修复效果,为水利、环保等部门的水资源管理、水环境保护的科学决策提供科技支撑。
为了实现上述目的,本发明所采用的技术方案如下:
一种大型浅水湖泊蓝藻水华MODIS(MODerate-resolutionImagingspectroradiometer)卫星高精度监测方法,其特征在于,筛选对大气气溶胶类型及厚度不敏感的藻华识别指数;结合2000-2013年同步的MODIS与LandsatTM/ETM+卫星影像以及水陆信息的梯度分析结果,获取藻华纯像元指数阈值;选用像元生长算法(APA)精确计算藻华混合像元内的藻华面积;进而估算湖泊全水域藻华实际面积及其区域分布。
具体地,所述的方法包括如下步骤:
1、确定藻华MODIS卫星监测指数
基于藻华常用监测指数的的基本监测原理,研究各指数在藻华与非藻华水体的光谱特征,比较分析各自优缺点,选择准确识别藻华的同时,对气溶胶类型及其厚度不敏感的藻类指数作为蓝藻水华MODIS卫星监测的基本指数,以克服大气条件对蓝藻水华监测的不利情况;
2、藻华纯像元的监测指数阈值
基于藻华水体与非藻华水体存在明显的指数梯度差异,通过筛选出2001-2012年期间MODIS和TM/ETM+同步影像,依据指数梯度分析法,分析同步影像藻华识别面积间的关系,结合尺度转换函数,获取藻华纯像元的监测指数阈值;
3、藻华混合像元内蓝藻面积估算方法
基于藻华识别指数的纯像元阈值,假定藻华混合像元的遥感信息可以先行分解为藻华信息和非藻华信息,以及在遥感像元3×3窗口中,中心像元的监测指数值可以表示为窗口内最大和最小值的线性组合,实现藻华混合像元内蓝藻面积的精确估算;
4、大型浅水湖泊藻华面积的高精度估算
依据基于藻华识别指数的纯像元阈值,获取MODIS影像中藻华纯像元的基本分布,根据临近像元相关、逐步向外扩展的原则,实现全影像中藻华面积的高精度估算。
本发明的有点及效果:本案基于湖泊藻华遥感监测基本原理,确定对气溶胶类型和厚度不敏感的藻华监测指数,通过建立像元生长算法(APA)这一核心算法,成功实现了对MODIS影像中藻华混合像元的藻华面积估算,更加客观真实地反映湖泊藻华面积的高精度估算及其时空分布。蓝藻面积的高精度监测可以有效的实现对湖泊藻华风险以及对水源区进行有效评估;湖泊蓝藻面积的长期高精度监测,有助于科学评估年际间藻华实际强度的变化及其发展趋势,有效评估湖泊污染治理和生态修复的绩效,为水利、环保等部门的水资源管理、水环境保护的科学决策提供科技支撑。
下面结合具体实施对本发明进行详细描述。本发明的保护范围并不以具体实施方式为限,而是由权利要求加以限定。
附图说明
图1FAI指数识别藻华与非藻华水体的基本原理;
图2FAI指数对不同气溶胶类型及其厚度的敏感性分析;
图3MODIS藻华纯像元FAI阈值确定方法;
图4APA算法的基本流程;
图5太湖藻华MODIS卫星高精度监测空间分布结果(2013年11月19日);
图62001-2012年太湖藻华MODIS卫星高精度监测结果汇总图。
具体实施方式
下面通过具体实施例对本发明所述的技术方案给予进一步详细的说明,但有必要指出以下实验只用于对发明内容的描述,并不构成对本发明保护范围的限制。
本发明给予MODIS卫星数据对大型浅水湖泊藻华面积进行高精度监测,上述目的是这样实现的:筛选对大气气溶胶类型及厚度不敏感的藻华识别指数;结合2000-2013年同步的MODIS与LandsatTM/ETM+卫星影像以及水陆信息的梯度分析结果,获取藻华纯像元指数阈值;选用像元生长算法(APA)精确计算藻华混合像元内的藻华面积;进而估算湖泊全水域藻华实际面积及其区域分布。
步骤如下:
1、确定藻华MODIS卫星监测指数
由于非藻华水体在近红外和短波红外的强吸收,而藻华水体在近红外波段反射率较高(图1),因此从MODIS等光学影像上可以轻易辨识出藻华。图1是MODIS波段设置下藻华、非藻华水体的光谱以及两者的差别,可以看出如果以645nm、1240nm波段为两端基点,以859nm波段为中心波长,藻华与非藻华水体具有最大的差别。根据此特点,提出了FAI(Floatingalgaeindex)指数(Huetal.,2009;2010):
FAI=Rrc(859)-Rrc’(859),
Rrc’(859)=Rrc(645)+(Rrc(1240)-Rrc(645))×(859-645)/(1240-645)(1)
其中,Rrc(λ)是经过瑞利校正的λ波长处的反射率,Rrc’(859)是基于645nm和1240nm波段线性内插得到的859nm波段相对反射率。Rrc是MODIS数据进行瑞利散射校正,然后基于Hu等(2004)的研究将其转换为瑞利散射校正后的反射率:
式中,是校正臭氧和其他气体吸收效应后的传感器辐射率,F0是获取数据时的大气圈外太阳辐照度,θ0是太阳天顶角,Rr是采用6S(Vermote等,1997)预测的瑞丽反射率。
基于辐射传输理论以及假定一个非耦合的海洋—大气系统,Rrc可以表达为:
Rrc=Ra+totRtarget(3)式中,Ra是气溶胶反射率(包括来自于气溶胶分子的相互作用),Rtarget是野外实测目标(藻类或者水体)的表面反射率,t0是从太阳到目标物的大气透射率,t是从目标物到卫星传感器的大气透射率。由于受风和水流的影响,浮游藻类通常呈现一种水面浮油的形态,因此t可以看作浮游藻类的光透射率。
图2显示的是FAI、NDVI和EVI敏感性分析对比。研究表明,即使在场景边缘,τa(869)=0.4时,FAI(藻类)仅仅减小50%,,而NDVI(藻类)和EVI(藻类)减小大约70%。对于相同的太阳高度角和方位角条件下,不同的气溶胶类型对FAI(藻类)几乎没有任何影响,而NDVI(藻类)和EVI(藻类)则出现很大的差异。同样条件下,不同的气溶胶类型也会导致NDVI(水)和EVI(水)急剧变化,而FAI(水)依然保持相对稳定。显然,FAI是针对藻类和水体的三个指数中最稳定的指数,因此,能比NDVI和EVI更好的识别水体中的浮游藻类。
2、藻华纯像元的监测指数阈值
由于藻华水体在影像上与非藻华水体存在明显差别,藻华水体边缘通常存在明显的变化(sharpchange),针对FAI影像就是不同像元间具有比较大的梯度。按照上述思路确定非藻华像元和藻华纯像元的基本阈值。对于非藻华像元,具体步骤为:1)针对430景MODIS影像,分别自动生成其FAI图像;2)通过计算水陆边界上每一个像元FAI与其临近的3×3像元间的差值,计算其梯度,制作梯度柱状分布图,取平均值作为藻华纯像元FAI阈值为0.02;3)通过统计水域中所有430景FAI平均阈值减去其2倍标准偏差,即得到无藻华像元FAI判断阈值-0.004。对于藻华纯像元,具体步骤为:1)筛选出2000-2013年期间MODIS和TM/ETM+同步影像24景;2)假定TM/ETM+影像中仅存在藻华纯像元和非藻华像元,按照梯度分析法得到藻华面积;3)将从TM/ETM+得到的藻华面积应用到同步的MODIS影像中,在同等藻华面积的情况下,获取该MODIS影像中藻华纯像元的FAI分布;4)将24景MODIS影像中藻华纯像元汇总后,形成MODIS藻华纯像元的FAI值分布直方图,按照获取非藻华像元FAI基本阈值的方法,得到藻华纯像元的FAI基本阈值0.05(图3)。
3、藻华混合像元内蓝藻面积估算方法
“藻华”是指藻类大量生长繁殖,上浮至水体表面并连接成片的现象。所谓“藻华盖度”,是指某一混合像元中藻华完全覆盖的面积占该像元面积的百分比。如何利用遥感影像中的信息来准确估算混合像元中“藻华盖度”,是实现藻华MODIS精确监测的难点和关键。
MODIS在太湖水域中的像元可以分成三类:纯藻华像元、非藻华像元以及混合像元。纯藻华像元表示该像元完全被藻华所覆盖,盖度为1或者100%;而非藻华像元表示该像元中不存在藻华,盖度为0。
APA算法,基于FAI计算的纯像元,并有两个假设:
假设1:任意一个混合像元的遥感信息可以线性分解为藻华信息和非藻华信息:
FAImixed=α·FAIalgae+(1-α)·FAlnon-algae(4)式中:Ralgae、Rnon-algae和Rmixed分别表示纯藻华、非藻华以及混合像元中的遥感信息(如遥感反射率等);β为混合像元中的藻华盖度。基于上式可知:
FAI=mα+k(5)式中m、k为常数。
假设2:在3×3窗口中,中心像元的FAI值可以表示为最大和最小FAI值的线性组合:
FAI=γFAImax+(1-γ)FAImin(6)
将Rmax=mαmax+k和Rmin=mαmin+k带入上式得到,
mα+k=γ(mαmax+k)+(1-γ)(mαmin+k)(7)
即α=γαmax+(1-γ)αmin(8)
因此,式(8)中只要αmax或αmin为已知即可估算混合像元中的藻华盖度。
4、大型浅水湖泊藻华面积的高精度估算
依据基于藻华识别指数的纯像元阈值,获取MODIS影像中藻华纯像元的基本分布,根据临近像元相关、逐步向外扩展的原则,实现全影像中藻华面积的高精度估算。具体流程主要如下(图4):①对获取的MODIS影像进行了几何纠正和辐射定标计算。几何纠正采用GeographicLat/Lon投影,结合1B数据中的经纬度信息进行校正,校正后的位置精度达到0.5个像素。在ERDAS中利用湖泊矢量边界,通过掩膜技术提取湖泊水域,除去岛屿植被的影响,利用最近邻法,将MODIS500m影像数据重采样为250m;②MODIS影像中逐一像元计算其FAI值;③根据FAI的阈值,逐像元判断出研究区域中纯藻华像元,令其藻华盖度为1,得到藻华初始空间分布;④以该区域作为计算生长点,基于各像元在3×3像元窗口范围内,与其最大、最小FAI值像元间的线性分解关系,在其最大像元盖度非0时,计算中心像元的盖度值(最小像元盖度未知时,假设为0),逐像元计算后,得到该步计算后的藻华盖度空间分布结果;⑤进入下一步计算,重复上一步过程,得到该步新的计算结果,如此循环计算下去,直至满足计算停止条件,即可得到最终藻华盖度空间分布(图5)。每个湖区的藻华盖度的分布结果详见表2。
通过上述方法即可实现对某一MODIS影像中藻华混合像元的藻华面积估算,更加客观真实地反映湖泊藻华面积的高精度估算及其时空分布。蓝藻面积的高精度监测可以有效的实现对湖泊藻华风险以及对水源区进行有效评估;此外,将MODIS历史影像通过上述方法逐一计算后,即可实现湖泊蓝藻面积的长期高精度监测(如图6),有助于科学评估年际间藻华实际强度的变化及其发展趋势,有效评估湖泊污染治理和生态修复的绩效,为水利、环保等部门的水资源管理、水环境保护的科学决策提供科技支撑。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (5)
1.一种大型浅水湖泊蓝藻水华MODIS卫星高精度监测方法,其特征在于:
1)确定对大气气溶胶类型及厚度不敏感的藻华识别指数;
其中所述对大气气溶胶类型及厚度不敏感的藻华识别指数为浮游藻类指数(FAI),是指基于藻华常用监测指数的基本监测原理,将对气溶胶类型及其厚度不敏感的藻类指数作为藻华识别指数;
2)获取藻华纯像元的监测指数阈值;
基于藻华水体与非藻华水体存在明显的指数梯度差异,通过筛选出2001-2012年期间MODIS和LandsatTM/ETM+同步影像,依据指数梯度分析法,分析同步影像藻华识别面积间的关系,结合尺度转换函数,获取藻华纯像元的监测指数阈值;
3)使用像元生长算法精确计算藻华混合像元内的藻华面积;
基于藻华识别指数的纯像元阈值,假定藻华混合像元的遥感信息线性分解为藻华信息和非藻华信息,以及在遥感像元3×3窗口中,中心像元的监测指数值表示为窗口内最大和最小值的线性组合,实现藻华混合像元内蓝藻面积的精确估算;
像元生长算法,基于FAI计算的纯像元,并有两个假设:
假设1:任意一个混合像元的遥感信息可以线性分解为藻华信息和非藻华信息:
FAImixed=α·FAIalgae+(1-α)·FAInon-algae(4)式中:FAIalgae、FAInon-algae和FAImixed分别表示纯藻华、非藻华以及混合像元中的FAI值;α为混合像元中的藻华盖度;基于上式可知:
FAImixed=mα+k(5)
式中m、k为常数;
假设2:在3×3窗口中,中心像元的FAI值可以表示为最大和最小FAI值的线性组合:
FAIcenter=γFAImax+(1-γ)FAImin(6)
式中,γ是3×3窗口中的中心像元FAI分解为最大和最小FAI值的分解系数;
将FAIcenter=mαcenter+k,FAImax=mαmax+k和FAImin=mαmin+k带入上式得到,
mαcenter+k=γ(mαmax+k)+(1-γ)(mαmin+k)(7)
即αcenter=γαmax+(1-γ)αmin(8);
4)计算湖泊全水域藻华实际面积及其区域分布;
依据基于藻华识别指数的纯像元阈值,获取MODIS影像中藻华纯像元的基本分布,根据临近像元相关、逐步向外扩展的原则,实现全影像中藻华面积的高精度估算。
2.根据权利要求1所述的大型浅水湖泊蓝藻水华MODIS卫星高精度监测方法,其特征在于,所述步骤1)中,藻华识别指数均建立在MODIS卫星影像的辐射定标、几何纠正和大气瑞利散射校正的基础上。
3.根据权利要求1所述的大型浅水湖泊蓝藻水华MODIS卫星高精度监测方法,其特征在于,所述步骤2)中,藻华纯像元指像元内100%被藻华覆盖的像元。
4.根据权利要求1所述的大型浅水湖泊蓝藻水华MODIS卫星高精度监测方法,其特征在于,所述步骤2)中,藻华纯像元阈值获取采用遥感图像梯度分析以及直方图统计分析的方法。
5.根据权利要求1所述的大型浅水湖泊蓝藻水华MODIS卫星高精度监测方法,其特征在于,所述步骤3)中,藻华混合像元中藻华面积是以藻华纯像元的标准光谱为参考的藻华覆盖面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410023795.8A CN103743700B (zh) | 2014-01-17 | 2014-01-17 | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410023795.8A CN103743700B (zh) | 2014-01-17 | 2014-01-17 | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103743700A CN103743700A (zh) | 2014-04-23 |
CN103743700B true CN103743700B (zh) | 2016-07-06 |
Family
ID=50500738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410023795.8A Active CN103743700B (zh) | 2014-01-17 | 2014-01-17 | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103743700B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104374713B (zh) * | 2014-12-03 | 2017-04-19 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊水体藻类垂向分布类型modis遥感监测方法 |
CN104390917B (zh) * | 2014-12-03 | 2017-04-19 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊水体叶绿素a 的MODIS卫星高精度监测方法 |
CN104596448B (zh) * | 2015-02-11 | 2017-05-24 | 中国科学院南京地理与湖泊研究所 | 基于藻类指数频次法的富营养水体水生植被遥感提取方法 |
CN105184251B (zh) * | 2015-08-31 | 2018-08-14 | 中国科学院遥感与数字地球研究所 | 一种基于高分一号卫星图像的水华区域的识别方法及装置 |
CN105138994A (zh) * | 2015-08-31 | 2015-12-09 | 中国科学院遥感与数字地球研究所 | 一种基于高光谱遥感图像的水华识别方法及装置 |
CN105303030B (zh) * | 2015-09-17 | 2018-11-16 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊藻类高斯垂向分布结构参数的modis遥感估算方法 |
CN106092929A (zh) * | 2016-06-07 | 2016-11-09 | 同济大学 | 富营养化水库表层水体藻类分布Landsat遥感监测方法 |
CN106468658B (zh) * | 2016-09-05 | 2019-08-02 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊藻蓝素的modis遥感监测方法 |
CN106408005B (zh) * | 2016-09-05 | 2020-05-05 | 中国科学院南京地理与湖泊研究所 | 基于modis色素浓度估算的富营养化湖泊水质风险评价方法 |
CN106290389B (zh) * | 2016-09-05 | 2018-09-11 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊modis影像的藻华和非藻华条件分类方法 |
CN108020511B (zh) * | 2016-11-01 | 2020-06-30 | 中国科学院遥感与数字地球研究所 | 一种浅水草型湖泊水质参数遥感监测方法与装置 |
CN106990216B (zh) * | 2017-04-01 | 2019-03-29 | 河海大学 | 一种浅水湖泊水华风险分析预警系统及其分析预警方法 |
CN106875636A (zh) * | 2017-04-05 | 2017-06-20 | 南京理工大学 | 基于无人机的蓝藻监测预警方法及系统 |
CN108303383A (zh) * | 2018-02-07 | 2018-07-20 | 中国科学院南海海洋研究所 | 海底界面高光谱辐射采集方法及系统 |
CN109115770B (zh) * | 2018-06-14 | 2019-05-24 | 中科禾信遥感科技(苏州)有限公司 | 一种大范围农作物遥感监测方法及装置 |
CN109282798A (zh) * | 2018-10-31 | 2019-01-29 | 中国科学院南京地理与湖泊研究所 | 一种基于遥感影像提取湖库高浑浊区的方法 |
CN109709061B (zh) * | 2019-01-11 | 2021-03-16 | 中国科学院烟台海岸带研究所 | 一种太阳耀光非敏感水体指数的去耀光方法 |
CN111027766B (zh) * | 2019-12-09 | 2023-09-26 | 国家海洋局北海预报中心 | 绿潮生物量预报方法、装置、设备及介质 |
CN111680266B (zh) * | 2020-05-12 | 2023-08-25 | 南京信息工程大学 | 一种测算海洋漂浮大型藻类等效分散密度的方法 |
CN111598027B (zh) * | 2020-05-21 | 2021-07-06 | 黄风华 | 一种基于遥感大数据的区域性浅水种植区分布系统及方法 |
CN112232234B (zh) * | 2020-10-20 | 2021-04-16 | 生态环境部卫星环境应用中心 | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 |
CN112989281B (zh) * | 2021-02-20 | 2023-09-12 | 中国科学院南京地理与湖泊研究所 | 一种基于遥感藻总量的藻华预测方法 |
CN113140000A (zh) * | 2021-03-26 | 2021-07-20 | 中国科学院东北地理与农业生态研究所 | 基于卫星光谱的水体信息估算方法 |
CN113640226B (zh) * | 2021-08-12 | 2022-05-20 | 国家卫星海洋应用中心 | 绿潮空间覆盖率的反演方法、装置及电子设备 |
CN115760613B (zh) * | 2022-11-15 | 2024-01-05 | 江苏省气候中心 | 一种结合卫星影像和光流法的蓝藻水华短时预测方法 |
CN116310772B (zh) * | 2023-05-18 | 2023-07-28 | 德州华恒环保科技有限公司 | 基于多光谱图像的水环境污染识别方法 |
CN117745754A (zh) * | 2023-12-18 | 2024-03-22 | 中国科学院空天信息创新研究院 | 一种蓝藻水华自动化监测方法和系统 |
CN118091070A (zh) * | 2024-04-19 | 2024-05-28 | 航天宏图信息技术股份有限公司 | 蓝藻水华监测预警的方法、系统、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2004100491A4 (en) * | 2004-06-24 | 2004-09-16 | Wan, Weijian Dr | A Direct and Automatic Image Processing Program for Continental Scale Composition of Map Gridded MODIS DATA |
CN1731216A (zh) * | 2005-08-19 | 2006-02-08 | 广州地理研究所 | 一种大面积作物种植面积及其产量的遥感检测估算方法 |
CN101963664A (zh) * | 2010-09-28 | 2011-02-02 | 中国科学院东北地理与农业生态研究所 | 基于水陆地物分类信息的微波遥感混合像元分解方法 |
CN102135531A (zh) * | 2010-12-24 | 2011-07-27 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊72小时蓝藻水华预测方法 |
CN102141517A (zh) * | 2011-01-05 | 2011-08-03 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊翌年蓝藻水华首次发生水域预测方法 |
AU2012101249A4 (en) * | 2012-08-17 | 2012-09-20 | Beijing Normal University | Method for Generating High Spatial Resolution NDVI Time Series Data |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101089220B1 (ko) * | 2010-02-18 | 2011-12-02 | 공주대학교 산학협력단 | 시공간 연속성을 이용한 식생 지수 보정방법 |
-
2014
- 2014-01-17 CN CN201410023795.8A patent/CN103743700B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2004100491A4 (en) * | 2004-06-24 | 2004-09-16 | Wan, Weijian Dr | A Direct and Automatic Image Processing Program for Continental Scale Composition of Map Gridded MODIS DATA |
CN1731216A (zh) * | 2005-08-19 | 2006-02-08 | 广州地理研究所 | 一种大面积作物种植面积及其产量的遥感检测估算方法 |
CN101963664A (zh) * | 2010-09-28 | 2011-02-02 | 中国科学院东北地理与农业生态研究所 | 基于水陆地物分类信息的微波遥感混合像元分解方法 |
CN102135531A (zh) * | 2010-12-24 | 2011-07-27 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊72小时蓝藻水华预测方法 |
CN102141517A (zh) * | 2011-01-05 | 2011-08-03 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊翌年蓝藻水华首次发生水域预测方法 |
AU2012101249A4 (en) * | 2012-08-17 | 2012-09-20 | Beijing Normal University | Method for Generating High Spatial Resolution NDVI Time Series Data |
Non-Patent Citations (3)
Title |
---|
Temporal and spatial variability of chlorophyll a concentration in Lake Taihu using MODIS time-series data;Yuchao Zhang et al.;《Hydrobiologia》;20110228;第661卷(第1期);第235-250页 * |
利用MODIS影像提取太湖蓝藻水华的尺度差异性分析;尚琳琳 等;《湖泊科学》;20111231;第23卷(第6期);第847-854页 * |
基于MODIS数据的太湖藻华水体识别模式;徐京萍 等;《湖泊科学》;20081231;第20卷(第2期);第191-195页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103743700A (zh) | 2014-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103743700B (zh) | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 | |
CN101424741B (zh) | 卫星遥感海雾特征量的实时提取方法 | |
Marquez et al. | Intra-hour DNI forecasting based on cloud tracking image analysis | |
Zhao et al. | An overview of satellite remote sensing technology used in China’s environmental protection | |
CN109190538A (zh) | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 | |
CN113537018B (zh) | 基于多时相卫星遥感和无人机技术的水土保持监测方法 | |
CN104374713B (zh) | 一种富营养化湖泊水体藻类垂向分布类型modis遥感监测方法 | |
CN104820224A (zh) | 富营养化湖泊水体叶绿素a的MODIS卫星高精度监测方法 | |
CN101114023A (zh) | 一种基于模型的湖泊湿地泛洪遥感监测方法 | |
Li et al. | Estimation of chlorophyll-a concentrations in a highly turbid eutrophic lake using a classification-based MODIS land-band algorithm | |
CN105631904A (zh) | 一种富营养化湖泊藻类总存量遥感估算方法 | |
CN103824077A (zh) | 一种基于多源遥感数据的城市不透水层率息提取方法 | |
CN101281142A (zh) | 一种测量大气能见度的方法 | |
CN108169142A (zh) | 基于遥感影像的水色异常快速定位方法和装置 | |
CN112084712A (zh) | 融合主被动微波遥感信息的洪水淹没范围动态模拟方法 | |
CN109859247A (zh) | 近地面场景红外小目标检测方法 | |
CN105447833A (zh) | 基于偏振的雾天图像重构方法 | |
CN110632032A (zh) | 一种基于地表反射率库的沙尘暴监测方法 | |
Fujita et al. | Application of masked two-dimensional Fourier spectra for improving the accuracy of STIV-based river surface flow velocity measurements | |
Zhang et al. | Automated surface water extraction combining Sentinel-2 imagery and OpenStreetMap using presence and background learning (PBL) algorithm | |
CN116878748A (zh) | 一种激光与图像融合的智能气体泄漏定位方法及装置 | |
CN109767465B (zh) | 一种基于h8/ahi的白天雾快速提取的方法 | |
Deng et al. | Mapping bathymetry from multi-source remote sensing images: a case study in the Beilun estuary, Guangxi, China | |
Yu et al. | Automatic extraction of green tide using dual polarization Chinese GF-3 SAR images | |
Liang et al. | A spatial resolution effect analysis of remote sensing bathymetry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |