CN106066210A - 一种含油污染水体的识别方法及装置 - Google Patents
一种含油污染水体的识别方法及装置 Download PDFInfo
- Publication number
- CN106066210A CN106066210A CN201610409535.3A CN201610409535A CN106066210A CN 106066210 A CN106066210 A CN 106066210A CN 201610409535 A CN201610409535 A CN 201610409535A CN 106066210 A CN106066210 A CN 106066210A
- Authority
- CN
- China
- Prior art keywords
- water body
- data
- index
- body region
- wave band
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 183
- 239000010802 sludge Substances 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 28
- 210000000746 body region Anatomy 0.000 claims abstract description 95
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 56
- 239000002699 waste material Substances 0.000 claims abstract description 44
- 238000007689 inspection Methods 0.000 claims abstract description 43
- 238000012937 correction Methods 0.000 claims abstract description 16
- 239000000284 extract Substances 0.000 claims abstract description 6
- 230000003595 spectral effect Effects 0.000 claims description 10
- 230000005457 Black-body radiation Effects 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 238000013481 data capture Methods 0.000 claims description 3
- 230000000149 penetrating effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 241001269238 Data Species 0.000 description 17
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0037—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the heat emitted by liquids
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请提供一种含油污染水体的识别方法及装置，其中，所述方法包括：获取预设检验区的原始卫星数据，所述原始卫星数据中包括光谱数据和热红外数据；对所述原始卫星数据进行辐射校正，得到各个所述波段数据对应的辐射亮度值；根据所述光谱数据中的波段数据对应的辐射亮度值确定所述预设检验区中各个区域对应的水体指数，并基于所述水体指数从所述预设检验区中提取水体区域；根据各个所述波段数据对应的辐射亮度值确定所述水体区域对应的含油废液指数，并基于所述含油废液指数从所述水体区域中识别含油污染水体区域。本申请提供的一种含油污染水体的识别方法及装置，能够有效地识别含油污染的水体。
Description
技术领域
本申请涉及污染水体的识别技术领域，特别涉及一种含油污染水体的识别方法及装置。
背景技术
陆表含油污染水体主要指表面浮有厚油的水体以及高浓度油水混合的水体，工业生产中会产生该类含油污染废液，不及时治理会对生态环境产生很大的影响。产生该类废液的化工企业周围往往地广人稀但生态脆弱，这更是增加了该类含油污染水体的监管的难度。
目前对于水体的提取的研究只是局限于区分是否是水体，对于水体属性的划分更多的集中于水色遥感的探讨，关注的辐射光谱也主要集中在可见光到近红外波段，对于该类含油污染水体探讨的较少。也就是说，目前水体的遥感提取研究致力于划分水体与非水体，对于水体属性的划分也集中于水色遥感的研究，但是对水体是否含油污染的识别尚属空白。
应该注意，上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本申请的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
本申请实施方式的目的在于提供一种含油污染水体的识别方法及装置，能够有效地识别含油污染的水体。
为实现上述目的，本申请一方面提供一种含油污染水体的识别方法，所述方法包括：获取预设检验区的原始卫星数据，所述原始卫星数据中包括光谱数据和热红外数据，所述光谱数据和所述热红外数据中分别包括多个波段数据；对所述原始卫星数据进行辐射校正，得到各个波段数据对应的辐射亮度值；根据所述光谱数据中的波段数据对应的辐射亮度值确定所述预设检验区中各个区域对应的水体指数，并基于所述水体指数从所述预设检验区中提取水体区域；根据所述光谱数据和所述热红外数据中各个波段数据对应的辐射亮度值确定所述水体区域对应的含油废液指数，并基于所述含油废液指数从所述水体区域中识别出含油污染水体区域。
为实现上述目的，本申请另一方面提供一种含油污染水体的识别装置，所述装置包括：原始卫星数据获取单元，用于获取预设检验区的原始卫星数据，所述原始卫星数据中包括光谱数据和热红外数据，所述光谱数据和所述热红外数据中分别包括多个波段数据；辐射校正单元，用于对所述原始卫星数据进行辐射校正，得到各个波段数据对应的辐射亮度值；水体区域提取单元，用于根据所述光谱数据中的波段数据对应的辐射亮度值确定所述预设检验区中各个区域对应的水体指数，并基于所述水体指数从所述预设检验区中提取水体区域；识别单元，用于根据所述光谱数据和所述热红外数据中各个波段数据对应的辐射亮度值确定所述水体区域对应的含油废液指数，并基于所述含油废液指数从所述水体区域中识别出含油污染水体区域。
由以上本申请实施方式提供的技术方案可见，本申请根据原始卫星数据中各个波段数据对应的辐射亮度值，可以确定出所述预设检验区中各个区域对应的水体指数。通过所述水体指数对水体区域进行提取，能够提高水体区域提取的精度。本申请通过确定所述水体区域对应的含油废液指数，从而可以有效地从水体区域中识别出含油污染水体区域，并且能够保证识别含油污染水体区域的精度。
参照后文的说明和附图，详细公开了本申请的特定实施方式，指明了本申请的原理可以被采用的方式。应该理解，本申请的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本申请的实施方式包括许多改变、修改和等同。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。
应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
所包括的附图用来提供对本申请实施方式的进一步的理解，其构成了说明书的一部分，用于例示本申请的实施方式，并与文字描述一起来阐释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本申请提供的一种含油污染水体的识别方法流程图；
图2为本申请中确定含油废液指数的方法流程图；
图3为本申请提供的一种含油污染水体的识别装置功能模块图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施方式，都应当属于本申请保护的范围。
图1为本申请实施方式提供的一种含油污染水体的识别方法流程图。虽然下文描述流程包括以特定顺序出现的多个操作，但是应该清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。如图1所示，所述方法可以包括以下几个步骤。
步骤S1：获取预设检验区的原始卫星数据，所述原始卫星数据中包括光谱数据和热红外数据，所述光谱数据和所述热红外数据中分别包括多个波段数据。
目前，各种卫星传感器对地观测获得的多光谱、多时相、多分辨率的遥感卫星数据为遥感监测提供了丰富而有效地数据支持，长达40年历史的Landsat系列卫星数据无疑是应用最广泛的卫星数据，它们在环境变化监测中发挥了无可比拟的重要作用。新发射的Landsat8卫星除了保持原有Lansat7卫星的基本特点外，其近红外波段光谱范围的收窄可以去除0.825μm处的水汽吸收影响，数据辐射分辨率的提高可避免极亮/极暗区灰度过饱和现象，这对反射率较低的水体的细微特征识别有很大帮助，对于本发明中待识别的地表结构提供了数据支撑。
在本实施方式中，所述预设检验区可以为发生含油污染的区域。在本申请实际实施过程中，所述预设检验区例如可以为准噶尔盆地或者内蒙古腾格里沙漠污染区。
在本实施方式中，所述原始卫星数据可以是从Landsat8卫星处获取的数据。所述原始卫星数据中可以包括光谱数据和热红外数据。所述光谱数据中可以包括第一预设数量的波段数据，所述热红外数据中可以包括第二预设数量的波段数据。具体地，在实际应用过程中，从Landsat8卫星处获取的原始卫星数据可以来自两个主要载荷，分别为OLI(陆地成像仪)和TIRS(热红外传感器)。所述OLI可以提供9个波段数据，所述TIRS可以提供2个波段数据，其中，所述OLI提供的9个波段数据的光谱范围可以为0.433微米至1.390微米，所述TIRS提供的2个波段数据的光谱范围可以为10.6微米至12.5微米。在本实施方式中，所述原始卫星数据中的各个所述波段数据对应的光谱范围均可以不相同。
步骤S2：对所述原始卫星数据进行辐射校正，得到各个所述波段数据对应的辐射亮度值。
在本实施方式中，所述原始卫星数据往往为二进制数据，其往往无法直接被使用。因此，在本实施方式中，可以对所述原始卫星数据进行辐射校正，从而可以将所述二进制数据转换为可识别的辐射亮度值。这样，经过辐射校正之后，便可以得到所述原始卫星数据中各个波段数据对应的辐射亮度值。
在本实施方式中，在对所述原始卫星数据进行辐射校正时，可以对所述原始卫星数据的头文件信息进行分析，所述头文件信息中可以包含辐射校正所需的定标参数。在对所述头文件信息进行分析后，可以获取所述定标参数，这样，便可以根据所述定标参数对所述原始卫星数据进行辐射校正，从而得到各个所述波段数据对应的辐射亮度值。
步骤S3：根据所述光谱数据中的波段数据对应的辐射亮度值确定所述预设检验区中各个区域对应的水体指数，并基于所述水体指数从所述预设检验区中提取水体区域。
在本实施方式中，所述原始卫星数据覆盖的范围往往为整个预设检验区，根据所述原始卫星数据得到的辐射亮度值也往往对应着整个预设检验区。在本实施方式中，可以通过对所述光谱数据中的波段数据对应的辐射亮度值进行分析，以确定出所述预设检验区中各个区域对应的水体指数。所述水体指数可以用来对所述预设检验区中的水体区域进行识别，从而可以基于所述水体指数从所述预设检验区中提取水体区域。
在本实施方式中，可以按照下述公式确定所述预设检验区中各个区域对应的水体指数：
MNDWI＝(p(Green)-p(MIR))/(p(Green)+p(MIR))
其中，MNDWI为所述水体指数，p(Green)为所述光谱数据中绿光波段数据对应的辐射亮度值，p(MIR)为所述光谱数据中中红外波段数据对应的辐射亮度值。
具体地，假设实际应用场景中，所述OLI提供的光谱数据中可以包括9个波段数据，那么这9个波段数据可以根据光谱范围从小到大的顺序依次被编为1至9号。那么在本实施方式中，所述绿光波段数据可以对应着3号波段数据，所述中红外波段数据可以对应着7号波段数据。这样，在实际应用场景中便可以根据下述公式计算所述预设检验区中各个区域对应的水体指数：
MNDWI＝(Band3-Band7)/(Band3+Band7)
其中，Band3表示3号波段数据对应的辐射亮度值，Band7表示7号波段数据对应的辐射亮度值。
在本实施方式中，在确定出所述预设检验区中各个区域对应的水体指数之后，可以基于所述水体指数从所述预设检验区中提取水体区域。具体地，可以预先设置水体提取阈值。所述水体提取阈值可以根据所述预设检验区所处地理位置的不同而相应改变。然后可以将所述预设检验区中各个区域对应的水体指数与所述预设水体提取阈值进行比较，并可以将所述预设检验区中所述水体指数大于或者等于所述水体提取阈值的区域确定为所述水体区域。这样，通过所述水体指数对水体区域进行提取，能够提高水体区域提取的精度，进而保证了后续识别含油污染水体的精度。
步骤S4：根据所述光谱数据和所述热红外数据中各个波段数据对应的辐射亮度值确定所述水体区域对应的含油废液指数，并基于所述含油废液指数从所述水体区域中识别出含油污染水体区域。
在本实施方式中，在确定出所述预设检验区中的水体区域后，可以根据各个所述波段数据对应的辐射亮度值确定所述水体区域对应的含油废液指数，并基于所述含油废液指数从所述水体区域中识别含油污染水体区域。
在本实施方式中，所述含油废液指数可以用来表征水体区域中含油量的多少。具体地，请参阅图2，在本申请一优选实施方式中可以根据以下几个子步骤来确定所述水体区域对应的含油废液指数。
步骤S41：根据所述光谱数据中的波段数据对应的辐射亮度值确定所述水体区域对应的地表比辐射率；
步骤S42：根据所述地表比辐射率以及所述热红外数据中波段数据对应的辐射亮度值，确定所述水体区域对应的地表温度；
步骤S43：根据所述光谱数据中的波段数据对应的辐射亮度值以及所述地表温度，确定所述水体区域对应的含油废液指数。
在本实施方式中，首先可以利用光谱数据中的波段数据对应的辐射亮度值确定出地表比辐射率。具体地，在本实施方式中可以按照下述公式确定所述地热比辐射率：
ε＝0.004Pv+0.986
其中，ε为所述地热比辐射率，Pv为植被覆盖度。
在本实施方式中，所述植被覆盖度可以按照下述公式进行计算：
Pv＝(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)
其中，Pv为所述植被覆盖度，NDVI表示所述归一化植被指数，NDVIsoil表示纯土壤的植被指数，NDVIveg表示纯植被的植被指数。
在本实施方式中，所述归一化植被指数可以根据所述光谱数据中的波段数据对应的辐射亮度值进行计算，具体的计算公式可以如下所示：
NDVI＝(p(Red)-p(NIR))/(p(Red)+p(NIR))
其中，NDVI表示所述归一化植被指数，p(Red)表示所述光谱数据中红光波段数据对应的辐射亮度值，p(NIR)表示所述光谱数据中近红外波段数据对应的辐射亮度值。
具体地，假设实际应用场景中，所述OLI提供的光谱数据中可以包括9个波段数据，那么这9个波段数据可以根据光谱范围从小到大的顺序依次被编为1至9号。那么在本实施方式中，所述红光波段数据可以对应着4号波段数据，所述近红外波段数据可以对应着5号波段数据。那么在实际应用场景中，可以根据下述公式计算所述归一化植被指数：
NDVI＝(Band4-Band5)/(Band4+Band5)
其中，Band4表示所述4号波段数据对应的辐射亮度值，Band5表示所述5号波段数据对应的辐射亮度值。
在本实施方式中，在确定所述地表比辐射率之后，可以根据所述地表比辐射率以及所述热红外数据中波段数据对应的辐射亮度值，确定所述水体区域对应的地表温度。具体地，所述水体区域对应的地表温度可以利用普朗克公式对所述水体区域对应的黑体辐射亮度进行换算得到。因此，在本实施方式中，首先可以根据所述地表比辐射率以及所述热红外数据中波段数据对应的辐射亮度值，按照下述公式确定所述水体区域对应的黑体辐射亮度：
B(Ts)＝[Lλ-Lup-τ(1-ε)Ldown]/τε
其中，B(Ts)表示所述黑体辐射亮度，Lλ表示所述热红外波段对应的辐射亮度值，Lup表示大气向上辐射亮度值，Ldown表示大气向下辐射亮度值，τ为大气在热红外波段的透过率，ε为所述地热比辐射率。
在本实施方式中，所述大气向上辐射亮度值、大气向下辐射亮度值以及大气在热红外波段的透过率均可以根据NASA(美国国家航空航天局)公布的数据查询得到。在实际应用场景中，假设所述OLI提供了9个波段数据，所述TIRS提供了2个波段数据，那么根据各个波段数据的光谱范围按照从小到大的顺序进行编号，所述TIRS提供的2个波段数据可以分别编为10号和11号。在本实施方式中，所述热红外波段对应的辐射亮度值可以为10号波段数据对应的辐射亮度值。对于准噶尔盆地而言，所述大气在热红外波段的透过率可以取0.92，所述大气向上辐射亮度值可以为0.59W/(m2·sr·μm)，所述大气向下辐射亮度值可以为1.02W/(m2·sr·μm)；对于腾格里沙漠而言，所述大气在热红外波段的透过率可以取0.97，所述大气向上辐射亮度值可以为0.19W/(m2·sr·μm)，所述大气向下辐射亮度值可以为0.35W/(m2·sr·μm)。
在本实施方式中，在确定出所述水体区域对应的黑体辐射亮度之后，可以根据热红外传感常数以及所述黑体辐射亮度，按照下述公式确定所述水体区域对应的地表温度：
Ts＝K2/ln(K1/B(Ts)+1)
其中，Ts为所述地表温度，K1为第一热红外传感常数，K2为第二热红外传感常数。
具体地，在实际应用场景中，所述第一热红外传感常数可以为774.89W/(m2·sr·μm)，所述第二热红外传感常数可以为1321.08K。
在本实施方式中，可以根据所述光谱数据中的波段数据对应的辐射亮度值以及所述地表温度，确定所述水体区域对应的含油废液指数。具体地，确定所述含油废液指数的公式可以如下所示：
OCWI＝(p(Green)-p(NIR))/Ts
其中，OCWI为所述含油废液指数，p(Green)为所述光谱数据中绿光波段数据对应的辐射亮度值，p(NIR)表示所述光谱数据中近红外波段数据对应的辐射亮度值，Ts为所述地表温度。
在实际应用场景中，所述绿光波段数据例如可以为3号波段数据，所述近红外波段数据例如可以为5号波段数据。
在本实施方式中，在确定出所述含油废液指数之后，可以基于所述含油废液指数从所述水体区域中识别含油污染水体区域。具体地，可以预先设置含油废液指数阈值，该阈值例如可以为1，那么可以将所述水体区域中含油废液指数大于所述含油废液指数阈值的区域确定为含油污染水体区域。也就是说，可以将所述水体区域中含油废液指数大于1的区域确定为含油污染水体区域，从而可以从水体区域中识别出含油污染水体区域。
由以上本申请实施方式提供的技术方案可见，本申请根据原始卫星数据中各个波段数据对应的辐射亮度值，可以确定出所述预设检验区中各个区域对应的水体指数。通过所述水体指数对水体区域进行提取，能够提高水体区域提取的精度。本申请通过确定所述水体区域对应的含油废液指数，从而可以有效地从水体区域中识别出含油污染水体区域，并且能够保证识别含油污染水体区域的精度。
本申请还提供一种含油污染水体的识别装置。请参阅图3，所述装置可以包括：
原始卫星数据获取单元100，用于获取预设检验区的原始卫星数据，所述原始卫星数据中包括光谱数据和热红外数据，所述光谱数据和所述热红外数据中分别包括多个波段数据；
辐射校正单元200，用于对所述原始卫星数据进行辐射校正，得到各个所述波段数据对应的辐射亮度值；
水体区域提取单元300，用于根据所述光谱数据中的波段数据对应的辐射亮度值确定所述预设检验区中各个区域对应的水体指数，并基于所述水体指数从所述预设检验区中提取水体区域；
识别单元400，用于根据所述光谱数据和所述热红外数据中各个波段数据对应的辐射亮度值确定所述水体区域对应的含油废液指数，并基于所述含油废液指数从所述水体区域中识别出含油污染水体区域。
在本申请一优选实施方式中，所述水体区域提取单元300具体可以包括：
水体区域确定模块，用于将所述预设检验区中所述水体指数大于或者等于预设水体提取阈值的区域确定为所述水体区域。
在本申请一优选实施方式中，所述识别单元400具体包括：
地表比辐射率确定模块，用于根据所述光谱数据中的波段数据对应的辐射亮度值确定所述水体区域对应的地表比辐射率；
地表温度确定模块，用于根据所述地表比辐射率以及所述热红外数据中波段数据对应的辐射亮度值，确定所述水体区域对应的地表温度；
含油废液指数确定模块，用于根据所述光谱数据中的波段数据对应的辐射亮度值以及所述地表温度，确定所述水体区域对应的含油废液指数。
在本申请一优选实施方式中，所述地表比辐射率确定模块具体包括：
归一化植被指数确定模块，用于根据所述光谱数据中的波段数据对应的辐射亮度值确定所述水体区域对应的归一化植被指数；
植被覆盖度确定模块，用于根据所述归一化植被指数确定植被覆盖度；
确定模块，用于根据所述植被覆盖度确定所述水体区域对应的地表比辐射率。
在本申请一优选实施方式中，所述识别单元400还包括：
含油污染水体区域确定模块，用于将所述水体区域中含油废液指数大于预设含油废液指数阈值的区域确定为含油污染水体区域。
需要说明的是，上述各个功能模块的具体实现方式以及各个参数的计算公式均与步骤S1至S4中的描述一致，这里便不再赘述。
由以上本申请实施方式提供的技术方案可见，本申请根据原始卫星数据中各个波段数据对应的辐射亮度值，可以确定出所述预设检验区中各个区域对应的水体指数。通过所述水体指数对水体区域进行提取，能够提高水体区域提取的精度。本申请通过确定所述水体区域对应的含油废液指数，从而可以有效地从水体区域中识别出含油污染水体区域，并且能够保证识别含油污染水体区域的精度。
在本说明书中，诸如第一和第二这样的形容词仅可以用于将一个元素或动作与另一元素或动作进行区分，而不必要求或暗示任何实际的这种关系或顺序。在环境允许的情况下，参照元素或部件或步骤(等)不应解释为局限于仅元素、部件、或步骤中的一个，而可以是元素、部件、或步骤中的一个或多个等。
上面对本申请的各种实施方式的描述以描述的目的提供给本领域技术人员。其不旨在是穷举的、或者不旨在将本发明限制于单个公开的实施方式。如上所述，本申请的各种替代和变化对于上述技术所属领域技术人员而言将是显而易见的。因此，虽然已经具体讨论了一些另选的实施方式，但是其它实施方式将是显而易见的，或者本领域技术人员相对容易得出。本申请旨在包括在此已经讨论过的本发明的所有替代、修改、和变化，以及落在上述申请的精神和范围内的其它实施方式。
本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。尤其，对于装置实施方式而言，由于其基本相似于方法实施方式，所以描述的比较简单，相关之处参见方法实施方式的部分说明即可。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施方式描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。
Claims (11)
1.一种含油污染水体的识别方法，其特征在于，包括：
获取预设检验区的原始卫星数据，所述原始卫星数据中包括光谱数据和热红外数据，所述光谱数据和所述热红外数据中分别包括多个波段数据；
对所述原始卫星数据进行辐射校正，得到各个波段数据对应的辐射亮度值；
根据所述光谱数据中的波段数据对应的辐射亮度值确定所述预设检验区中各个区域对应的水体指数，并基于所述水体指数从所述预设检验区中提取水体区域；
根据所述光谱数据和所述热红外数据中各个波段数据对应的辐射亮度值确定所述水体区域对应的含油废液指数，并基于所述含油废液指数从所述水体区域中识别出含油污染水体区域。
2.根据权利要求1所述的方法，其特征在于，对所述原始卫星数据进行辐射校正，得到各个波段数据对应的辐射亮度值具体包括：
从所述原始卫星数据的头文件信息中获取定标参数，并根据所述定标参数对所述原始卫星数据进行辐射校正，得到各个波段数据对应的辐射亮度值。
3.根据权利要求1所述的方法，其特征在于，按照下述公式确定所述预设检验区中各个区域对应的水体指数：
MNDWI＝(p(Green)-p(MIR))/(p(Green)+p(MIR))
其中，MNDWI为所述水体指数，p(Green)为所述光谱数据中绿光波段数据对应的辐射亮度值，p(MIR)为所述光谱数据中中红外波段数据对应的辐射亮度值。
4.根据权利要求1或3所述的方法，其特征在于，基于所述水体指数从所述预设检验区中提取水体区域具体包括：
将所述预设检验区中所述水体指数大于或者等于预设水体提取阈值的区域确定为所述水体区域。
5.根据权利要求1所述的方法，其特征在于，根据所述光谱数据和所述热红外数据中各个波段数据对应的辐射亮度值确定所述水体区域对应的含油废液指数具体包括：
根据所述光谱数据中的波段数据对应的辐射亮度值确定所述水体区域对应的地表比辐射率；
根据所述地表比辐射率以及所述热红外数据中波段数据对应的辐射亮度值，确定所述水体区域对应的地表温度；
根据所述光谱数据中的波段数据对应的辐射亮度值以及所述地表温度，确定所述水体区域对应的含油废液指数。
6.根据权利要求5所述的方法，其特征在于，根据所述光谱数据中的波段数据对应的辐射亮度值确定所述水体区域对应的地表比辐射率具体包括：
根据所述光谱数据中的波段数据对应的辐射亮度值确定所述水体区域对应的归一化植被指数；
根据所述归一化植被指数确定植被覆盖度；
根据所述植被覆盖度确定所述水体区域对应的地表比辐射率。
7.根据权利要求6所述的方法，其特征在于，按照下述公式确定所述水体区域对应的归一化植被指数：
NDVI＝(p(Red)-p(NIR))/(p(Red)+p(NIR))
其中，NDVI表示所述归一化植被指数，p(Red)表示所述光谱数据中红光波段数据对应的辐射亮度值，p(NIR)表示所述光谱数据中近红外波段数据对应的辐射亮度值；
按照下述公式确定所述植被覆盖度：
Pv＝(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)
其中，Pv为所述植被覆盖度，NDVIsoil表示纯土壤的植被指数，NDVIveg表示纯植被的植被指数；
按照下述公式确定所述地热比辐射率：
ε＝0.004Pv+0.986
其中，ε为所述地热比辐射率。
8.根据权利要求5所述的方法，其特征在于，根据所述地表比辐射率以及所述热红外数据中波段数据对应的辐射亮度值，确定所述水体区域对应的地表温度具体包括：
根据所述地表比辐射率以及所述热红外数据中波段数据对应的辐射亮度值，按照下述公式确定所述水体区域对应的黑体辐射亮度：
B(Ts)＝[Lλ-Lup-τ(1-ε)Ldown]/τε
其中，B(Ts)表示所述黑体辐射亮度，Lλ表示所述热红外波段对应的辐射亮度值，Lup表示大气向上辐射亮度值，Ldown表示大气向下辐射亮度值，τ为大气在热红外波段的透过率，ε为所述地热比辐射率；
根据热红外传感常数以及所述黑体辐射亮度，按照下述公式确定所述水体区域对应的地表温度：
Ts＝K2/ln(K1/B(Ts)+1)
其中，Ts为所述地表温度，K1为第一热红外传感常数，K2为第二热红外传感常数。
9.根据权利要求5所述的方法，其特征在于，按照下述公式确定所述水体区域对应的含油废液指数：
OCWI＝(p(Green)-p(NIR))/Ts
其中，OCWI为所述含油废液指数，p(Green)为所述光谱数据中绿光波段数据对应的辐射亮度值，p(NIR)表示所述光谱数据中近红外波段数据对应的辐射亮度值，Ts为所述地表温度。
10.根据权利要求1所述的方法，其特征在于，基于所述含油废液指数从所述水体区域中识别含油污染水体区域具体包括：
将所述水体区域中含油废液指数大于预设含油废液指数阈值的区域确定为含油污染水体区域。
11.一种含油污染水体的识别装置，其特征在于，包括：
原始卫星数据获取单元，用于获取预设检验区的原始卫星数据，所述原始卫星数据中包括光谱数据和热红外数据，所述光谱数据和所述热红外数据中分别包括多个波段数据；
辐射校正单元，用于对所述原始卫星数据进行辐射校正，得到各个波段数据对应的辐射亮度值；
水体区域提取单元，用于根据所述光谱数据中的波段数据对应的辐射亮度值确定所述预设检验区中各个区域对应的水体指数，并基于所述水体指数从所述预设检验区中提取水体区域；
识别单元，用于根据所述光谱数据和所述热红外数据中各个波段数据对应的辐射亮度值确定所述水体区域对应的含油废液指数，并基于所述含油废液指数从所述水体区域中识别出含油污染水体区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610409535.3A CN106066210B (zh) | 2016-06-12 | 2016-06-12 | 一种含油污染水体的识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610409535.3A CN106066210B (zh) | 2016-06-12 | 2016-06-12 | 一种含油污染水体的识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106066210A true CN106066210A (zh) | 2016-11-02 |
| CN106066210B CN106066210B (zh) | 2019-01-18 |
Family
ID=57421285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610409535.3A Active CN106066210B (zh) | 2016-06-12 | 2016-06-12 | 一种含油污染水体的识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106066210B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110390277A (zh) * | 2019-07-04 | 2019-10-29 | 中科卫星应用德清研究院 | 复杂下垫面水体识别方法及黑臭水体预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1279970A2 (en) * | 2001-05-31 | 2003-01-29 | Starlab Barcelona SL | A system for monitoring a feature of a surface with broad swath and high resolution |
| US20120089332A1 (en) * | 2010-10-08 | 2012-04-12 | Korea Meteorological Administration | System for Detecting Oil Spills and Method Thereof |
| CN102721652A (zh) * | 2012-06-18 | 2012-10-10 | 中国科学院地理科学与资源研究所 | 一种基于modis光学遥感数据的高反射率海洋溢油检测方法 |
| CN102997856A (zh) * | 2012-12-12 | 2013-03-27 | 南京大学 | 一种基于参数查找表的海洋溢油油膜厚度高光谱遥感估算方法 |
| CN104748857A (zh) * | 2015-03-05 | 2015-07-01 | 北京师范大学 | 一种城市地表温度反演方法及系统 |
| CN104933703A (zh) * | 2015-05-22 | 2015-09-23 | 同济大学 | 一种基于水体指数的亚像元级水体提取方法 |
| CN105243367A (zh) * | 2015-10-12 | 2016-01-13 | 水利部水利信息中心 | 一种基于卫星遥感数据的水体范围监测方法和装置 |
-
2016
- 2016-06-12 CN CN201610409535.3A patent/CN106066210B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1279970A2 (en) * | 2001-05-31 | 2003-01-29 | Starlab Barcelona SL | A system for monitoring a feature of a surface with broad swath and high resolution |
| US20120089332A1 (en) * | 2010-10-08 | 2012-04-12 | Korea Meteorological Administration | System for Detecting Oil Spills and Method Thereof |
| CN102721652A (zh) * | 2012-06-18 | 2012-10-10 | 中国科学院地理科学与资源研究所 | 一种基于modis光学遥感数据的高反射率海洋溢油检测方法 |
| CN102997856A (zh) * | 2012-12-12 | 2013-03-27 | 南京大学 | 一种基于参数查找表的海洋溢油油膜厚度高光谱遥感估算方法 |
| CN104748857A (zh) * | 2015-03-05 | 2015-07-01 | 北京师范大学 | 一种城市地表温度反演方法及系统 |
| CN104933703A (zh) * | 2015-05-22 | 2015-09-23 | 同济大学 | 一种基于水体指数的亚像元级水体提取方法 |
| CN105243367A (zh) * | 2015-10-12 | 2016-01-13 | 水利部水利信息中心 | 一种基于卫星遥感数据的水体范围监测方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 曲先超: "基于MODIS的海面溢油指数研究及应用", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110390277A (zh) * | 2019-07-04 | 2019-10-29 | 中科卫星应用德清研究院 | 复杂下垫面水体识别方法及黑臭水体预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106066210B (zh) | 2019-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106650689B (zh) | 一种沿海城市时间序列土地利用信息提取方法 | |
| Zhan et al. | The 250 m global land cover change product from the Moderate Resolution Imaging Spectroradiometer of NASA's Earth Observing System | |
| Veraverbeke et al. | Assessing fire severity using imaging spectroscopy data from the Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) and comparison with multispectral capabilities | |
| Apan | Land cover mapping for tropical forest rehabilitation planning using remotely-sensed data | |
| Huemmrich et al. | Arctic tundra vegetation functional types based on photosynthetic physiology and optical properties | |
| Han et al. | Mapping hydrothermally altered rocks with Landsat 8 imagery: A case study in the KSM and Snow field zones, northwestern British Columbia | |
| Clark | Comparison of multi-seasonal Landsat 8, Sentinel-2 and hyperspectral images for mapping forest alliances in Northern California | |
| Restrepo-Coupe et al. | MODIS vegetation products as proxies of photosynthetic potential along a gradient of meteorologically and biologically driven ecosystem productivity | |
| Xia et al. | A simple method based on the thermal anomaly index to detect industrial heat sources | |
| Liu et al. | Using SPOT 5 fusion-ready imagery to detect Chinese tamarisk (saltcedar) with mathematical morphological method | |
| Wijata et al. | Taking Artificial Intelligence Into Space Through Objective Selection of Hyperspectral Earth Observation Applications: To bring the “brain” close to the “eyes” of satellite missions | |
| Bektas Balcik et al. | Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul | |
| Deák et al. | Heterogeneous forest classification by creating mixed vegetation classes using EO-1 Hyperion | |
| CN106066210A (zh) | 一种含油污染水体的识别方法及装置 | |
| Zhao et al. | Fusion and assessment of high-resolution WorldView-3 satellite imagery using NNDiffuse and Brovey algotirhms | |
| Lei et al. | Analysis of spatiotemporal difference of NDVI in an arid coal mining region using remote sensing | |
| Moosavi et al. | Application of Taguchi method to satellite image fusion for object-oriented mapping of Barchan dunes | |
| Hu et al. | Comparison of absolute and relative radiometric normalization use Landsat time series images | |
| Novelli et al. | The contribution of Landsat 8 TIRS sensor data to the identification of plastic covered vineyards | |
| Conant | 1990 and beyond: satellite remote sensing and ecological anthropology | |
| Hagolle et al. | SPOT4 (Take5): Time series over 45 sites to prepare Sentinel-2 applications and methods | |
| Bannari et al. | Potential and limits of vegetation indices compared to evaporite mineral indices for soil salinity discrimination and mapping | |
| Mitchell et al. | Flight Considerations and hyperspectral image classifications for dryland vegetation management from a fixed-wing UAS | |
| Mezned et al. | Multitemporal and multisensory Landsat ETM+ and OLI 8 data for mine waste change detection in northern Tunisia | |
| Yu et al. | Oil spill detection using hyperspectral infrared camera |
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 |