CN105203466B - 一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法 - Google Patents
一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法 Download PDFInfo
- Publication number
- CN105203466B CN105203466B CN201510596051.XA CN201510596051A CN105203466B CN 105203466 B CN105203466 B CN 105203466B CN 201510596051 A CN201510596051 A CN 201510596051A CN 105203466 B CN105203466 B CN 105203466B
- Authority
- CN
- China
- Prior art keywords
- lake
- algae
- ndbi
- water
- 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
本发明提供一种富营养化湖泊非藻华条件下藻类总存量(表征量:叶绿素a总量,量纲:t)的遥感估算方法,包括:筛选判断湖泊非藻华条件的NDBI阈值;在生物光学模型模拟及实测数据的基础上,获取非藻华条件下NDBI与水体表层叶绿素a浓度间的定量关系,并推广至经过瑞利散射矫正的MODIS卫星影像数据;基于实测剖面数据,获取藻类表层总生物量与不同水深范围藻类总存量间的查找表;基于巢湖中庙及巢湖闸的同日水位及巢湖水下DEM,确定巢湖的水深空间分布情况;基于MODIS卫星影像的单元像元内藻类总存量的估算方法。基于本发明的方法,可准确获取富营养化湖泊非藻华条件下藻类总存量的年际、月际变化规律及其空间分布。
Description
技术领域
本发明涉及富营养化湖泊非藻华条件下藻类总存量遥感估算方法。
背景技术
藻类大量繁殖引起的水华现象是湖泊水体富营养化的重要特征(孔繁翔和高光,2005),我国已经成为世界上蓝藻水华暴发最严重、分布最广的国家之一(吴庆龙等,2008)。卫星遥感具有快速、大范围、周期性的特点,已成为湖泊蓝藻水华监测和预测预警不可或缺的技术手段(潘德炉和马荣华,2008)。目前,我国长江中下游富营养化湖泊(太湖、巢湖等)蓝藻水华面积的卫星遥感监测均已基本实现了业务化运行(马荣华等,2010;朱利等,2013),为政府及水环境管理部门提供了重要的决策依据。
事实上,由于蓝藻具有伪空胞(Vacuole)的特殊细胞结构,其自身具有浮力和根据环境变化(光照、水动力)调节浮力的能力(Walsby,1994;孔繁翔和宋立荣,2011),导致水体表层藻华面积经常会在数小时内发生剧烈变化,甚至出现短时间内大面积蓝藻水华聚集或消失的现象。因此,单独监测覆盖水华面积很难真实表征水体中藻类分布状况,只有获得水体内藻类总存量,才能准确把握蓝藻变化情势。
发明内容
本发明的目的在于提供一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法,可精确获取湖泊藻类总存量的时空分布,准确分析湖泊内藻总量发生、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。
本发明的上述目的通过独立权利要求的技术特征实现,从属权利要求以另选或有利的方式发展独立权利要求的技术特征。
为达成上述目的,本发明所采用的技术方案如下:
一种富营养化湖泊非藻华条件下藻类总存量(表征量:叶绿素a总量,量纲:t)的遥感估算方法,包括:筛选判断湖泊非藻华条件的NDBI阈值;在生物光学模型模拟及实测数据的基础上,获取非藻华条件下NDBI与水体表层叶绿素a浓度间的定量关系,并推广至经过瑞利散射矫正的MODIS卫星(MODerate-resolution Imaging spectroradiometer)影像数据;基于实测剖面数据,获取藻类表层总生物量与不同水深范围藻类总存量间的查找表;基于巢湖中庙及巢湖闸的同日水位及巢湖水下DEM,确定巢湖的水深空间分布情况;基于MODIS卫星影像的每个像元内藻类总存量的估算方法。基于该方法,可准确获取富营养化湖泊非藻华条件下藻类总存量的年际、月际变化规律及其空间分布。
作为进一步的示例,前述方法的具体实现包括:
1)筛选判断湖泊非藻华条件的NDBI阈值
其中所述判断湖泊非藻华条件的评价指数NDBI是指基于藻华以及悬浮物光谱响应特征,选择红、绿波段以及类似于NDVI表达形式,可避免高悬浮物对藻华监测的不利影响,并以该藻类指数作为判断藻华和非藻华的基本指数;基于野外实测数据,利用CART决策树,获取到NDBIRrs=0.24为非藻华和藻华条件的区分阈值;
2)在生物光学模型模拟及实测数据的基础上,获取非藻华条件下NDBI与水体表层叶绿素a浓度间的定量关系
在生物光学模型的基础上,结合巢湖的实测数据,进行不同情景下的数值模拟,确定NDBI与叶绿素a浓度的定量关系,利用野外实测数据构建基于Rrs数据的NDBI与表层叶绿素a浓度的定量关系;模拟巢湖地区在不同气溶胶类型及厚度、不同太阳高度角、卫星观测角以及方位角情况下,地面监测的遥感反射比Rrs与模拟的瑞利散射矫正后的Rrc之间的定量关系;将基于地面实测光谱数据的表层叶绿素a浓度反演算法应用至经过瑞利散射矫正的MODIS卫星影像数据,从而获取到湖泊全水域表层叶绿素a浓度空间分布;
3)基于实测剖面数据,获取藻类表层总生物量与不同水深范围藻类总存量间的查找表
基于巢湖地区的野外剖面监测数据,获取水体表层(40cm)内藻总量与不同水深范围单元水柱内的藻总量间的查找表;
4)基于巢湖中庙及巢湖闸的同日水位及巢湖水下DEM,确定巢湖的水深空间分布情况
通过巢湖闸与忠庙站的水位数据,计算得到全湖的水位数据;由湖底DEM得到湖底高程数据,通过水位数据减去高程数据全湖水深空间分布数据;
5)基于MODIS卫星影像的每个像元内藻类总存量的估算方法
利用水体表层叶绿素a浓度与NDBI间的定量关系、水体表层藻总量与水柱内藻总量查找表,基于MODIS卫星影像再结合巢湖同日的水深数据,即可获取卫星影像每个非藻华像元水柱内的藻类总存量。
基于前述步骤和方法,在对多幅时间序列的卫星影像处理后获取富营养化湖泊全湖的藻类总存量的年际、月际变化规律及其空间分布。
由以上本发明的技术方案可知,本发明的富营养化湖泊非藻华条件下藻类总存量卫星遥感估算方法,基于湖泊蓝藻水华遥感监测基本原理,确定对水体中无机悬浮物以及黄色物质不敏感的叶绿素a监测指数NDBI,基于野外实测数据通过CART决策树确定NDBI判断藻华与非藻华条件的阈值,继而利用非藻华条件下叶绿素a浓度与地面实测光谱的NDBI及经过瑞利散射矫正后的NDBI数据的定量关系这一核心,来实现对MODIS影像中对水体表层叶绿素a的遥感估算,再基于藻类表层总生物量与不同水深内藻类总存量见的查找表,以及富营养化湖泊的水深数据,获取非藻华条件下全湖藻类总存量的时空分布,可以更加客观真实地反映湖泊富营养化状况的时空分布。湖泊藻类总存量遥感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;湖泊藻类总存量的长期高精度监测,有助于科学评估年际间藻类总量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。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1是NDBI指数监测藻华的基本原理示意图。
图2是NDBI判断藻华与非藻华条件的CART决策树。
图3是理论模拟下NDBI与叶绿素a浓度间定量关系。
图4是不同气溶胶类型及其厚度,不同太阳高度角、卫星观测角以及方位角时,Rrs与Rrc间的定量关系。
图5是巢湖表层水体藻类总量与单元水柱内不同水深内藻总量的关系参量图。
图6是巢湖叶绿素a的MODIS卫星高精度监测空间分布结果(2010年12月4日)。
图7是某一段时期的(2003-2013年)非藻华条件下巢湖藻类总存量的时空分布结果汇总图。
图8是某一段时期的(2003-2013年)非藻华条件下巢湖藻类总存量的变化统计图。
前述图示1-8中,作为英文形式表达的各坐标、标识或其他表示,均为本领域所公知的,并不在本例中再做赘述。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是应为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
本发明给予MODIS卫星数据对富营养化湖泊非藻华条件下藻类总存量的遥感估算,上述目的是这样实现的:基于湖泊蓝藻水华遥感监测基本原理,确定对水体中无机悬浮物以及黄色物质不敏感的叶绿素a监测指数NDBI,基于野外实测数据通过CART决策树确定NDBI判断藻华与非藻华条件的阈值,继而利用非藻华条件下叶绿素a浓度与地面实测光谱的NDBI及经过瑞利散射矫正后的NDBI数据的定量关系这一核心,来实现对MODIS影像中对水体表层叶绿素a的遥感估算,再基于藻类表层总生物量与不同水深内藻类总存量见的查找表,以及富营养化湖泊的水深数据,获取非藻华条件下全湖藻类总存量的时空分布,可以更加客观真实地反映湖泊富营养化状况的时空分布。
作为示例性的描述,下面结合附图所示,对前述方法的实施进行具体说明
步骤1、筛选判断湖泊非藻华条件的NDBI阈值
对叶绿素a浓度变化敏感而又不受高悬浮物影响的叶绿素a评价指数NDBI是指基于叶绿素a以及悬浮物光谱响应特征,选择红、绿波段以及类似于NDVI表达形式,可避免高悬浮物对叶绿素a浓度估算的不利影响,并以该藻类指数作为叶绿素a浓度遥感监测指数。
具体地,基于水体光学活性物质(叶绿素a、无机悬浮物、黄色物质)的基本监测原理,研究水体中三种光学活性物质的光谱特征,并结合现有叶绿素a在二类水体中的反演算法,比较分析各自优缺点,选择准确估算叶绿素a浓度的同时,不受水体中无机悬浮物以及黄色物质的影响的监测指数作为蓝藻水华MODIS卫星监测的基本指数,以克服水体中其他光学活性物质对叶绿素a浓度监测的不利情况。
本例子中,由于高叶绿素a的水体在绿光波段(570nm)有个反射峰,而因叶绿素a在665nm的强吸收而造成红光波段的反射谷(图1),因此可以从MODIS对应的叶绿素a特征波段来估算叶绿素a的含量。图1是MODIS波段设置下高叶绿素a、高浑浊以及一般水体的光谱以及三者的差别,可以看出如果以555nm、645nm波段为两端基点,高叶绿素a水体与高浑浊水体具有最大的差别。根据此特点,提出了NDBI(Normalized difference bloom index)指数:
NDBIRrs=(Rrs(555)-Rrs(645))/(Rrs(555)+Rrs(645))(1)
其中,Rrs(λ)是地面测量获得的λ波长处水体遥感反射比。
为了获取藻华和非藻华的NDBI的阈值,以巢湖野外实测数据为基础,利用CART决策树分析(图2),确定NDBIRrs=0.24作为判断非藻华条件依据。
2、在生物光学模型模拟及实测数据的基础上,获取非藻华条件下NDBI与水体表层叶绿素a浓度间的定量关系
在生物光学模型的基础上,结合巢湖的实测数据,开展不同情景下的数值模拟,从理论上证明NDBI与叶绿素a浓度的定量关系,以及水体中其他光学活性物质对该算法影响。
本例子中,对于一般水体,水体的遥感反射比与水体的固有光学属性成正比关系,
a(λ)=aw(λ)+aph(λ)+ad(λ)+ag(λ)
bb(λ)=bbw(λ)+bbp(λ) (2)
其中aw和bbw对应着纯水的吸收系数和后向散射系数;而aph、ad和ag则是浮游植物色素、无机悬浮物和黄色物质的吸收系数,它们都与水体中相应物质的量存在着密切关系,bbp是水体中颗粒物的后向散射系数,在藻类含量不高的水体中,该系数与无机悬浮物有着密切关系。其中,
根据式(1),NDBI与叶绿素a浓度间存在以下关系,
根据式(4),NDBI和叶绿素a浓度间存在着单调关系,也就是NDBI随叶绿素a浓度的增加而增加。因此,假定水体中无机悬浮物浓度为50mg/L,在忽略黄色物质影响的情况下,图3为基于生物光学模型模拟的NDBI和水体表层叶绿素a浓度间定量关系。
根据我们2013-2014年在巢湖的野外实测的光谱数据以及相应的叶绿素a浓度数据,我们构建了基于实测光谱数据的巢湖表层水体叶绿素a的反演算法。
Chla=3.888·e15.83×NDBI(Rrs) (5)
考察巢湖地区在不同气溶胶类型及厚度、不同太阳高度角、卫星观测角以及方位角对地面监测的遥感反射比与模拟的瑞利散射矫正后的Rrc之间的定量关系的影响,并通过模拟数据确定两者之间的定量模型。
本例子中,要将基于实测光谱数据得到叶绿素a的反演算法推广至卫星影像数据,大气矫正不可忽略。但是目前仍然缺乏针对高浑浊水体有效的精确大气矫正算法,本次采用MODIS影像的瑞利散射矫正,也就是通过这种矫正,大气层顶的光学信息去除了瑞利散射的影响,依然包含着气溶胶信息以及地面信息。基于瑞利散射校正后的数据,NDBI表达为:
NDBIRrc=(Rrc(555)-Rrc(645))/(Rrc(555)+Rrc(645))(6)
其中,Rrc(λ)是经过瑞利校正的λ波长处的反射率。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)预测的瑞利反射率。
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+t0tRtarget (8)
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。
为了考察不同气溶胶类型及其厚度,以及卫星观测造成的影响,我们根据巢湖地区在不同气溶胶类型及厚度、不同太阳高度角、卫星观测角以及方位角对地面监测的遥感反射比与模拟的瑞利散射矫正后的Rrc之间的定量关系的影响(图4),并通过模拟数据确定两者之间的定量模型,
NDBID(Rrc)=0.605·NDBI(Rrs)+0.023。 (9)
将基于地面实测光谱数据的叶绿素a反演算法应用至经过瑞利散射矫正的卫星影像数据,基于式(5)和式(9),巢湖叶绿素a的MODIS卫星高精度反演模型如下,
Chla=1.935·e26.165×NDBI(Rrc) (10)
依据基于MODIS影像的瑞利散射矫正,结合公式(10)即可实现全影像中水体表层叶绿素a浓度的高精度估算。具体流程主要如下: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Geographic Lat/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MODIS 500m影像数据重采样为250m;②MODIS影像中逐一像元计算其在band1(645nm)和band4(555nm)的Rrc值;③根据公式(6)逐一像元计算NDBI值;④继而根据公式(10),即可得到计算后的水体表层叶绿素a空间分布结果。
3、基于实测剖面数据,获取藻类表层总生物量与不同水深范围藻类总存量间的查找表
基于巢湖2013-2014年野外剖面监测数据,获取了表层40cm的藻总量与水柱内藻量之间的关系,并在此基础上构建了不同深度的表层藻总量与水柱内藻总量的关系,其系数关系如下所示:
TA=adepth·Asurface+bdepth (11)
式中:TA是水柱内藻类总存量;adepth、bdepth是水深为depth时对应的参数;Asurface是表层藻类总量。不同水深内的表层藻总量与水柱内藻总量的关系参量见图5。在此基础上,进而构建出表层藻总量与水柱内藻总量的查找表;
4、基于巢湖中庙及巢湖闸的同日水位及巢湖水下DEM,确定巢湖的水深空间分布情况
水深数据是由湖区当天的水位数据与湖区DEM数据相减得到。计算中选取了巢湖闸站与忠庙站两个水文站点的实测数据,通过统计2006-2013年所有站点数据,得到两个站点的平均水位坡度差。对于缺少某一站点的天数采用该平均坡度差得到全湖的水位,对于包括两个站点的天数,采用实测的水位坡度差内插得到全湖的水位。再结合湖区DEM,用实测的水位数据与DEM数据相减,进而得到实测的水深数据;
5、基于MODIS卫星影像的每个像元内藻类总存量的估算方法
利用水体表层叶绿素a浓度与NDBI间的定量关系、水体表层藻总量与水柱内藻总量查找表,基于MODIS卫星影像再结合巢湖同日的水深数据,即可获取卫星影像每个非藻华像元水柱内的藻类总存量,基于前述方法即可得到全湖藻类总存量的空间分布(图6)。
依照上述步骤,结合2003-2013年巢湖的MODIS影像,即可获取巢湖长时间序列的叶绿素a时间和空间的变化趋势(图7)。基于前述的反演算法方法,在对多幅时间序列的卫星影像处理后获取富营养化湖泊叶绿素a浓度的年际、月际变化规律及其空间分布(图8)。
通过上述方法即可实现对某一MODIS影像中任一非藻华条件下的藻类总存量估算,更加客观真实地反映湖泊富营养化状况及其时空分布。非藻华条件下藻类总存量估算是开展湖泊藻类总存量遥感估算的第一步,为今后实现任意条件在湖泊藻类总存量的遥感估算服务;藻类总存量的遥感估算,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,即可实现湖泊藻类总存量的长期高精度监测(如图5),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。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (5)
1.一种富营养化湖泊非藻华条件下藻类总存量的遥感估算方法,其特征在于,该方法的实现包括以下步骤:
1)筛选判断湖泊非藻华条件的NDBI阈值
其中所述判断湖泊非藻华条件的评价指数NDBI是指基于藻华以及悬浮物光谱响应特征,以该藻类指数作为判断藻华和非藻华的基本指数;基于实测数据,利用CART决策树,获取到NDBIRrs=0.24为非藻华和藻华条件的区分阈值;
2)在生物光学模型模拟及实测数据的基础上,获取非藻华条件下NDBI与水体表层叶绿素a浓度间的定量关系
在生物光学模型的基础上,结合巢湖的实测数据,进行不同情景下的数值模拟,确定NDBI与叶绿素a浓度的定量关系,利用野外实测数据构建基于Rrs数据的NDBI与表层叶绿素a浓度的定量关系;模拟巢湖地区在不同气溶胶类型及厚度、不同太阳高度角、卫星观测角以及方位角情况下,地面监测的遥感反射比Rrs与模拟的瑞利散射矫正后的Rrc之间的定量关系;将基于地面实测光谱数据的表层叶绿素a浓度反演算法应用至经过瑞利散射矫正的MODIS卫星影像数据,从而获取到湖泊全水域表层叶绿素a浓度空间分布;
所述进行不同情景的数值模拟包括:
首先,在无机悬浮物浓度和黄色物质保持不变的情况下,获取NDBI与叶绿素a浓度间的定量关系;
其次,模拟叶绿素a和黄色物质浓度不变时,NDBI对无机悬浮物浓度的响应;
最后,模拟叶绿素a和无机悬浮物浓度保持不变时,黄色物质浓度变化对NDBI的影响;
3)基于实测剖面数据,获取藻类表层总生物量与不同水深范围藻类总存量间的查找表
基于巢湖地区野外剖面监测数据,获取水体表层40cm内藻总量与不同水深范围单元水柱内的藻总量间之间的关系,并在此基础上构建了不同深度的表层藻总量与水柱内藻总量的关系,其系数关系如下所示:
TA=adepth·Asurface+bdepth (11)
式中:TA是水柱内藻类总存量;adepth、bdepth是水深为depth时对应的参数;Asurface是表层藻类总量;在此基础上,进而构建出表层藻总量与水柱内藻总量的查找表;
4)基于巢湖中庙及巢湖闸的同日水位及巢湖水下DEM,确定巢湖的水深空间分布情况
通过巢湖闸与忠庙站的水位数据,计算得到全湖的水位数据;由湖底DEM得到湖底高程数据,通过水位数据减去高程数据全湖水深空间分布数据;
5)基于MODIS卫星影像的每个像元内藻类总存量的估算方法
利用水体表层叶绿素a浓度与NDBI间的定量关系、水体表层藻总量与水柱内藻总量查找表,基于MODIS卫星影像再结合巢湖同日的水深数据,获取卫星影像每个非藻华像元水柱内的藻类总存量,并在对多幅时间序列的卫星影像处理后获取富营养化湖泊全湖的藻类总存量的年际、月际变化规律及其空间分布。
2.根据权利要求1所述的富营养化湖泊非藻华条件下藻类总存量遥感估算方法,其特征在于,所述步骤1)中,叶绿素a以及无机悬浮物的光谱特征来自于巢湖野外实测的光谱数据Rrs,监测仪器为美国ASD公司的双通道地面光谱监测仪。
3.根据权利要求1所述的富营养化湖泊非藻华条件下藻类总存量遥感估算方法,其特征在于,所述步骤1)和步骤2)中,基于地面实测光谱数据的评价指数NDBI表达形式为:
(Rrs(555)-Rrs(645))/(Rrs(555)+Rrs(645))。
4.根据权利要求1所述的富营养化湖泊非藻华条件下藻类总存量遥感估算方法,其特征在于,所述步骤2)中,气溶胶类型参照SeaDas的LUT的结果,气溶胶厚度参照巢湖地区常年监测结果范围,观测角度则依据太阳、卫星和巢湖的相对位置确定。
5.根据权利要求1所述的富营养化湖泊非藻华条件下藻类总存量遥感估算方法,其特征在于,所述步骤2)中,应用于MODIS影像的NDBI指数表达形式为:
(Rrc(555)-Rrc(645))/(Rrc(555)+Rrc(645))
并且,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510596051.XA CN105203466B (zh) | 2015-09-17 | 2015-09-17 | 一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510596051.XA CN105203466B (zh) | 2015-09-17 | 2015-09-17 | 一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105203466A CN105203466A (zh) | 2015-12-30 |
CN105203466B true CN105203466B (zh) | 2018-11-02 |
Family
ID=54951261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510596051.XA Active CN105203466B (zh) | 2015-09-17 | 2015-09-17 | 一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105203466B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN108088805B (zh) * | 2017-12-15 | 2020-04-03 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊真光层内藻总量卫星遥感监测方法 |
CN113673737B (zh) * | 2020-05-14 | 2023-07-28 | 中国科学院南京地理与湖泊研究所 | 基于卫星遥感影像的藻型湖泊水体溶解二氧化碳估算方法 |
CN111650131B (zh) * | 2020-06-18 | 2023-12-19 | 中国科学院烟台海岸带研究所 | 一种高泥沙含量水体表层叶绿素a浓度反演方法 |
CN112816423A (zh) * | 2021-02-06 | 2021-05-18 | 岳阳市洞庭水环境研究所 | 一种蓝藻爆发分析方法及系统 |
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 |
CN114049243B (zh) * | 2021-10-26 | 2023-09-29 | 中山大学 | 一种浒苔堆积量估算方法、系统及存储介质 |
CN116908114B (zh) * | 2023-09-07 | 2023-12-01 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种流域颗粒有机碳通量遥感监测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3348834B2 (ja) * | 1998-10-26 | 2002-11-20 | 株式会社エヌ・ティ・ティ・データ | 水中物質の濃度推定方法及び装置、記録媒体 |
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 |
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 |
CN104820224B (zh) * | 2015-05-08 | 2017-11-03 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊水体叶绿素a的MODIS卫星高精度监测方法 |
-
2015
- 2015-09-17 CN CN201510596051.XA patent/CN105203466B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105203466A (zh) | 2015-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105203466B (zh) | 一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法 | |
CN105631904B (zh) | 一种富营养化湖泊藻类总存量遥感估算方法 | |
CN104820224B (zh) | 富营养化湖泊水体叶绿素a的MODIS卫星高精度监测方法 | |
CN104390917B (zh) | 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 | |
Kuc et al. | Sentinel-2 imagery for mapping and monitoring imperviousness in urban areas | |
Jamet et al. | Comparison of three SeaWiFS atmospheric correction algorithms for turbid waters using AERONET-OC measurements | |
CN105303030B (zh) | 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 | |
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 | |
Li et al. | Atmospheric correction of geostationary satellite ocean color data under high solar zenith angles in open oceans | |
CN108152289A (zh) | 富营养化湖泊真光层外藻总量遥感间接监测方法 | |
CN106315856A (zh) | 富营养化湖泊蓝藻水华和水生植被的modis卫星同步监测方法 | |
Matus-Hernández et al. | Predictive performance of regression models to estimate Chlorophyll-a concentration based on Landsat imagery | |
Matsui et al. | Improving the resolution of UAV-based remote sensing data of water quality of Lake Hachiroko, Japan by neural networks | |
Fuller et al. | Predicting water quality by relating Secchi-disk transparency and chlorophyll a measurements to satellite imagery for Michigan inland lakes, August 2002 | |
Lafon et al. | Determining ridge and runnel longshore migration rate using spot imagery | |
Mishra et al. | Evaluation of RapidEye data for mapping algal blooms in inland waters | |
Wang et al. | Water quality analysis in Lake Hachiroko, Japan, using ALOS AVNIR‐2 data | |
CN108088805B (zh) | 富营养化湖泊真光层内藻总量卫星遥感监测方法 | |
Kabiri | Remote sensing of water clarity in the near-shore zone using a cross-sensor-based method: feasibility study: Kish Island, Persian Gulf | |
Kaiser et al. | Spectral enhancement of SPOT imagery data to assess marine pollution near Port Said, Egypt | |
Despini et al. | Analysis of temperature maps of waterbodies obtained from ASTER TIR images | |
Deng et al. | Mapping bathymetry from multi-source remote sensing images: A case study in the Beilun Estuary, Guangxi, China | |
Zhu et al. | Spatiotemporal variations of total suspended matter in complex archipelagic regions using a sigmoid model and Landsat-8 imagery | |
Sabat-Tomala et al. | Application of HySpex hyperspectral images for verification of a two-dimensional hydrodynamic model | |
Sunar et al. | How efficient can Sentinel-2 data help spatial mapping of mucilage event in the Marmara Sea? |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |