CN106315856A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN106315856A CN106315856A CN201610806794.XA CN201610806794A CN106315856A CN 106315856 A CN106315856 A CN 106315856A CN 201610806794 A CN201610806794 A CN 201610806794A CN 106315856 A CN106315856 A CN 106315856A
- Authority
- CN
- China
- Prior art keywords
- water body
- blue
- vegetation
- modis
- green alga
- 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
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/32—Biological treatment of water, waste water, or sewage characterised by the animals or plants used, e.g. algae
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/32—Biological treatment of water, waste water, or sewage characterised by the animals or plants used, e.g. algae
- C02F3/322—Biological treatment of water, waste water, or sewage characterised by the animals or plants used, e.g. algae use of algae
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2103/00—Nature of the water, waste water, sewage or sludge to be treated
- C02F2103/007—Contaminated open waterways, rivers, lakes or ponds
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Biotechnology (AREA)
- Organic Chemistry (AREA)
- Microbiology (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Biodiversity & Conservation Biology (AREA)
- Botany (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Cultivation Of Seaweed (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种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,包括:基于野外实测光谱数据,结合蓝藻水华、沉水植被和浮叶/挺水植被的光谱特点,构建能够分离含藻水体和含草水体的藻草指数(AGI);结合识别高浑浊水体的浑浊水体指数(TWI)以及区分沉水植被和浮叶/挺水植被的浮游藻类指数(FAI),确定基本分类方法;在历史获取的MODIS卫星数据的基础上,确定AGI、TWI以及FAI的分类阈值;最终完成分类决策树构建,实现蓝藻水华、沉水植被和浮叶/挺水植被在MODIS卫星影像上的同步监测。基于该方法,可准确获取富营养化湖泊蓝藻水华、沉水植被和浮叶/挺水植被的年际、月际变化规律及其空间分布。
Description
技术领域
本发明涉及遥感技术领域,尤其涉及大型富营养化湖泊蓝藻水华和水生植被的MODIS卫星高精度同步监测方法。
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、周期性、大范围的特点,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)。自2007年以来,太湖蓝藻水华面积的卫星遥感监测已基本实现了业务化运行(马荣华等,2010),为政府及水环境管理部门提供了重要的决策依据。
蓝藻水华水体在近红外波段具有明显的植物特征“陡坡效应”,是卫星监测蓝藻水华的主要依据(段洪涛等,2008)。蓝藻水华和水生植物共同拥有类似光谱特征,在光学遥感影像上,蓝藻水华和水生植物(尤其是挺水、浮叶植物)容易混淆;但是,太湖水生植物区主要位于镇湖湾、光福湾、胥口湾、东太湖等区域(张寿选等,2008;马荣华等,2010),与藻华易发区(太湖西部和北部)(马荣华等,2008;Hu et al.,2010)存在较大差异,因此,目前太湖蓝藻水华日常遥感监测中通常将东太湖水生植被区直接去除,该区域内不再考虑蓝藻水华的发生。
2012年以来,随着太湖各种污染整治和生态修复措施的深入实施,太湖梅梁湖、贡湖以及南太湖等藻华易发区域,出现了大量的水生植物(以菹草、马来眼子菜、荇菜为主),面积可达数十平方公里(Luo et al.,2014)。此时,传统太湖蓝藻水华日常遥感监测方法会将水生植物误判为蓝藻水华,严重影响了蓝藻水华的日常遥感监测精度;此外,为了减少大量水生植物对航运带来的不利影响,当地相关部门会定期收割,造成水生植物区的人为性变化;再加上太湖主要优势水生植物具有不同的生活史,生长期差异显著,水生植物的时空分布短期变化显著。综合上述因素,采取固定水生植物区分方式已无法适应水生植物的时空变化情形和满足蓝藻水华遥感高精度监测的要求。
因此,开展太湖水生植物与蓝藻水华的遥感自动识别研究,实现蓝藻水华和各种水生植物的日常同步遥感监测,是提高蓝藻水华遥感监测精度研究中亟待解决的一个科学问题和关键技术。
发明内容
本发明的目的在于提供大型富营养化湖泊蓝藻水华和水生植被的MODIS卫星高精度同步监测方法,可精确同步获取大型富营养化湖泊蓝藻水华和水生植被时空分布,准确评估水华蓝藻的实际强度和水生植物区范围,正确把握蓝藻水华及湖泊生态系统的情势,提高预测精度,为富营养化湖泊的水环境管理和决策提供重要的科技支撑。
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:
一种大型富营养化湖泊蓝藻水华和水生植被的MODIS卫星高精度同步监测方法,所述方法包括以下步骤:
1)构建分离含藻水体和含草水体的藻草指数(AGI);
其中,所述对分离含藻水体和含草水体的藻草指数(AGI)是指基于蓝藻水华、沉水植物和浮叶/挺水植物光谱响应特征,以蓝光与短波近红外波段为基线,选择绿波段的差值表达形式,可有效避免不同气溶胶类型、不同气溶胶厚度以及不同卫星观测角度对AGI数值变化的不利影响,并以该指数作为含藻水体和含草水体遥感监测基本指数;
其表达形式为:
2)构建识别高浑浊水体的浑浊水体指数(TWI)以及区分沉水植被和浮叶/挺水植被的浮游藻类指数(FAI);
在野外实测光谱数据的基础上,结合蓝藻水华、沉水植物和浮叶/挺水植物光谱响应特征,结合识别高浑浊水体的浑浊水体指数(TWI)排除高浑浊水体干扰,再综合浮游藻类指数(FAI)在区分沉水植被和浮叶/挺水植被的优势,确定蓝藻水华与沉水植被、浮叶/挺水植被的MODIS卫星遥感同步监测基本方法;
其中,识别高浑浊水体的浑浊水体指数(TWI)具体表达形式如下:
3)获取AGI、TWI以及FAI指数的分类阈值;
基于历史获取的MODIS卫星数据,结合富营养化湖泊野外实测经验,以统计学的方法,获取分离含藻水体和含草水体的AGI阈值、识别高浑浊水体的TWI阈值以及区分沉水植物与浮叶/挺水植物的FAI阈值;
4)构建基于MODIS卫星数据的蓝藻水华和水生植被的遥感同步监测方法;
基于前述步骤和方法,应用至经过瑞利散射矫正的MODIS卫星影像数据,基于前述的分类方法,采用分类决策树实现对蓝藻水华和水生植被进行遥感同步监测,在对多幅时间序列的卫星影像处理后获取富营养化湖泊蓝藻水华和水生植被的年际、月际变化规律及其空间分布。
作为本发明的进一步改进,所述AGI、TWI和FAI指数建立在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。
作为本发明的进一步改进,所述步骤1)和2)中,蓝藻水华、沉水植物和浮叶/挺水植物光谱响应特征来自于湖泊野外实测的光谱数据Rrs,采用的监测仪器为美国ASD公司的FieldSpec FR地面光谱监测仪(350-2500nm)。
作为本发明的进一步改进,所述步骤2)中应用于区分沉水植被和浮叶/挺水植被的浮游藻类指数(FAI)具体表达形式如下:
作为本发明的进一步改进,所述步骤1)中,气溶胶类型参照SeaDas的LUT的结果,气溶胶厚度参照湖泊地区常年监测结果范围,卫星观测角则依据太阳、卫星和湖泊的相对位置确定。
作为本发明的进一步改进,所述步骤1)至3)中,应用于MODIS影像的波段是λBLUE=469nm,λGREEN=555nm,λRED=645nm,λNIR=859nm,λSWIR=1240nm,并且,MODIS影像的AGI、TWI和FAI指数建立在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。
作为本发明的进一步改进,所述步骤4)中,分类决策树流程如图5所示,具体如下:
(1)获取MODIS Rrc数据,逐像元计算AGI、TWI以及FAI指数;
(2)采用TWI阈值识别高浑浊水体,排除高浑浊水体干扰;
(3)对排除高浑浊水体的Rrc数据用AGI阈值分离含藻水体和含草水体;
(4)对于含藻水体,利用FAI=-0.004识别蓝藻水华和一般湖水;对于含草水体,利用FAI阈值区分一般湖水、沉水植物和浮叶/挺水植物;
由以上本发明的技术方案可知,本发明的大型富营养化湖泊蓝藻水华和水生植被的MODIS卫星高精度同步监测方法,基于湖泊蓝藻水华和水生植被遥感监测基本原理,构建区分含藻水体和含草水体的AGI指数,和识别高浑浊水体的TWI指数,并借助于浮游藻类指数FAI区分沉水植物和浮叶/挺水植物,基于历史获取的MODIS Rrc数据,利用统计学方法确定AGI、TWI和FAI的阈值,最终通过分类决策树来实现对MODIS影像中的一般湖水、蓝藻水华、沉水植被以及浮叶/挺水植被的高精度同步监测,更加客观真实地反映湖泊蓝藻水华和水生植被的时空分布。大型富营养化湖泊蓝藻水华和水生植被的MODIS卫星高精度同步监测方法,可精确同步获取大型富营养化湖泊蓝藻水华和水生植被时空分布,精确评估水华蓝藻的实际强度和水生植物区范围,正确把握蓝藻水华及湖泊生态系统的情势,提高预测精度,为富营养化湖泊的水环境管理和决策提供重要的科技支撑。
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,将通过实施例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AGI指数区分含藻水体和含草水体的基本原理示意图。
图2是基于实测Rrs光谱数据的AGI指数监测湖水、蓝藻水华、沉水植物和浮叶/挺水植物数值范围示意图;其中,W为湖水,C为蓝藻水华,S为沉水植物,F为浮叶/挺水植物。
图3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对AGI稳定性影响。
图4是获取AGI、TWI和FAI阈值的流程图;图中Roi_i为大太湖水域,Roi_ii为胥口湾区无水草区,Roi_iii为胥口湾区沉水植物区。
图5是蓝藻水华、沉水植物和浮叶/挺水植物MODIS卫星同步监测的分类决策树。
图6是太湖蓝藻水华和水生植物的MODIS卫星高精度监测空间分布结果(2013年8月9日)。
图7是基于AGI、TWI和FAI的分类决策树对于高悬浮物影响的应用示意图。
前述图示1-7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。
本实施例以太湖为例,对本发明的方法作进一步描述。
本发明给予MODIS卫星数据对大型富营养化湖泊蓝藻水华和水生植被的高精度同步监测方法,上述目的是这样实现的:
构建分离含藻水体和含草水体的藻草指数(AGI);
结合识别高浑浊水体的浑浊水体指数(TWI)以及区分沉水植被和浮叶/挺水植被的浮游藻类指数(FAI),确定基本分类方法;
结合2010-2016年MODIS的Rrc数据,获取AGI、TWI以及FAI指数的分类阈值;
构建基于MODIS卫星数据的蓝藻水华和水生植被的遥感同步监测方法。
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、构建分离含藻水体和含草水体的藻草指数(AGI);
分离含藻水体和含草水体的藻草指数(AGI)是指基于蓝藻水华、沉水植物和浮叶/挺水植物光谱响应特征,以蓝光与短波近红外波段为基线,选择绿波段的差值表达形式,可有效避免不同气溶胶类型、不同气溶胶厚度以及不同卫星观测角度对AGI数值变化的不利影响,并以该指数作为含藻水体和含草水体遥感监测基本指数;
具体地,基于一般湖水、蓝藻水华、沉水植物和浮叶/挺水植物的光谱响应特征,并结合现有各类植被指数和藻华识别指数,比较分析各自优缺点,选择含藻水体和含草水体具有典型差异的波段,并参照对大气状况和卫星观测条件不敏感的基线指数形式,构建区分含藻水体和含草水体的MODIS卫星监测基本指数,以克服对大气状况和卫星观测条件对MODIS卫星遥感监测的不利情况。
本实施例中,由于蓝藻水华和各种水生植被均在700nm之后的近红外有显著的抬升效应,且蓝藻水华在近红外的抬升高度难以实现与水生植被的区分(图1)。但是蓝藻水华因叶绿素a在442nm的强吸收而造成蓝光波段的反射谷,但是水生植被该特点并不明显,此外,在蓝藻水华在572nm处有一个强烈的反射峰,尽管浮叶/挺水植物也具有该特点,但是沉水植物的反射峰明显偏低,因此,可以从MODIS对应的上述特征波段来区分含藻水体和含草水体。图1是MODIS波段设置下蓝藻水华、各种水生植被、高浑浊以及一般水体的光谱,可以看出如果以469nm、1240nm波段为两端基点,利用在555nm波段与基线间的高度差即可区分含藻水体和含草水体。此外,基于蓝光波段(469nm)和短波红外波段(1240nm)为基线,可以滤除一定的大气状况和卫星观测条件的影响。根据此特点,提出了AGI(Algae and Grassindex)指数:
其中,Rrc,λ是MODIS卫星Rrc数据获得的中心为λ波段的水体遥感反射比,λBLUE=469nm,λGREEN=555nm,λSWIR=1240nm。
图2是基于实测Rrs光谱数据,蓝藻水华、沉水植物和浮叶/挺水植物的AGI数值范围,进一步证明了AGI可以准确区分含藻水体和含草水体。此外,通过考察太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AGI数值的影响(图3),发现AGI对不同大气状况和卫星观测条件具有较好的鲁棒性和稳定性。
步骤2、结合识别高浑浊水体的浑浊水体指数(TWI)以及区分沉水植被和浮叶/挺水植被的浮游藻类指数(FAI),确定基本分类方法;
在野外实测光谱数据的基础上,结合蓝藻水华、沉水植物和浮叶/挺水植物光谱响应特征,结合识别高浑浊水体的浑浊水体指数(TWI)排除高浑浊水体干扰,再综合浮游藻类指数(FAI)在区分沉水植被和浮叶/挺水植被的优势,确定蓝藻水华与沉水植被、浮叶/挺水植被的MODIS卫星遥感同步监测基本方法。
本实施例中,高浑浊水体在555nm附近有类似于蓝藻水华和浮叶/挺水植物的反射峰,但是在665nm并没有叶绿素a的吸收峰,因此,可以利用MODIS的645nm波段作为识别高浑浊水体的基本波段,考虑到大气状态和卫星观测条件差异,最终以645nm和1240nm波段的差值作为识别高浑浊水体的TWI指数。此外,沉水植物在可见光-近红外光谱信息因水体的强吸收明显低于浮叶/挺水植物,因此,利用以MODIS的645nm,859nm和1240nm为基础波段的浮游藻类指数FAI(Hu,2009),实现沉水植物和浮叶/挺水植物的区分。TWI和FAI指数具体如下表示:
其中,Rrc,λ是MODIS卫星Rrc数据获得的中心为λ波段的水体遥感反射比,λred=645nm,λNIR=859nm,λSWIR=1240nm。
步骤3、获取AGI、TWI以及FAI指数的分类阈值;
基于2010-2016年MODIS卫星数据,结合太湖野外实测经验,如图4所示,选取大太湖(Open Lake)水域(Roi_i)、胥口湾(Xukou lake)区(Roi_ii为无水草区;Roi_iii为沉水植物区)等为实验区,按照不同筛选要求,以统计学的方法,获取分离含藻水体和含草水体的AGI阈值、识别高浑浊水体的TWI阈值以及区分沉水植物与浮叶/挺水植物的FAI阈值。
本实施例中,MODIS影像仅瑞利散射矫正,也就是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。瑞利散射矫正过程如下(Hu et al.,2004):
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 et al.,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 (5)
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。
步骤4、构建基于MODIS卫星数据的蓝藻水华和水生植被的遥感同步监测方法;
基于前述步骤和方法,应用至经过瑞利散射矫正的MODIS卫星影像数据,基于前述的分类方法,在对多幅时间序列的卫星影像处理后获取富营养化湖泊蓝藻水华和水生植被的年际、月际变化规律及其空间分布。
基于MODIS影像的瑞利散射矫正,根据图5分类决策树即可实现全影像中蓝藻水华、沉水植物与浮叶/挺水植物的同步监测。决策分类树的流程是:基于TWI阈值删除高浑浊水体;基于AGI阈值,把剩余水体分为含藻水体和含草水体;对于含藻水体,利用FAI=-0.004(Hu et al.,2010)识别蓝藻水华和一般湖水;对于含草水体,利用FAI阈值区分一般湖水、沉水植物和浮叶/挺水植物。
具体流程主要如下:①对获取的MODIS影像进行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和1000m影像数据重采样为250m;②MODIS影像中逐一像元计算其在band 1(645nm)、band 2(859nm)、band 3(469nm)、band 4(555nm)和band 5(1240nm)的Rrc值;③根据公式(1)-(3)逐一像元计算AGI、TWI和FAI值;④继而根据AGI、TWI和FAI的阈值,即可得到全湖的蓝藻水华、沉水植物与浮叶/挺水植物空间分布情况(见图6)。
此外,我们还将该分类方法进行了高浑浊水体干扰对比试验,结果分别如图7所示,相比较发现方法能够准确去除高浑浊水体的干扰,具有较高的精度,具有一定的普适性。
通过上述方法即可实现精确同步获取大型富营养化湖泊蓝藻水华和水生植被时空分布,准确评估水华蓝藻的实际强度和水生植物区范围,正确把握蓝藻水华及湖泊生态系统的情势,提高预测精度,为富营养化湖泊的水环境管理和决策提供重要的科技支撑。
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 (7)
1.一种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,其特征在于,所述方法包括以下步骤:
1)构建分离含藻水体和含草水体的藻草指数(AGI);
其中,所述对分离含藻水体和含草水体的藻草指数(AGI)是指基于蓝藻水华、沉水植物和浮叶/挺水植物光谱响应特征,以蓝光与短波近红外波段为基线,选择绿波段的差值表达形式,并以该指数作为含藻水体和含草水体遥感监测基本指数;其表达形式为:
式中,Rrc,λ为MODIS卫星数据经过瑞利散射校正后获得的中心为λ波段的水体遥感反射比;
2)构建识别高浑浊水体的浑浊水体指数(TWI)以及区分沉水植被和浮叶/挺水植被的浮游藻类指数(FAI);
其中,识别高浑浊水体的浑浊水体指数(TWI)具体表达形式如下:
3)获取AGI、TWI以及FAI指数的分类阈值;
基于历史获取的MODIS卫星数据,结合富营养化湖泊野外实测数据,以统计学的方法,获取分离含藻水体和含草水体的AGI阈值、识别高浑浊水体的TWI阈值以及区分沉水植物与浮叶/挺水植物的FAI阈值;
4)构建基于MODIS卫星数据的蓝藻水华和水生植被的遥感同步监测方法;
基于前述阈值,采用分类决策树实现对蓝藻水华和水生植被进行遥感同步监测,在对多幅时间序列的卫星影像处理后获取富营养化湖泊蓝藻水华和水生植被的年际、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蓝藻水华和水生植被的MODIS卫星同步监测方法,其特征在于,所述AGI、TWI和FAI指数建立在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,其特征在于,所述步骤1)和步骤2)中,蓝藻水华、沉水植物和浮叶/挺水植物光谱响应特征来自于湖泊野外实测的光谱数据Rrs,采用的监测仪器为美国ASD公司的FieldSpec FR 地面光谱监测仪(350-2500nm)。
4.根据权利要求1所述的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,其特征在于,所述步骤2)中区分沉水植被和浮叶/挺水植被的浮游藻类指数(FAI)具体表达形式如下:
。
5.根据权利要求1所述的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,其特征在于,所述步骤1)中,气溶胶类型参照SeaDas的LUT的结果,气溶胶厚度参照湖泊地区常年监测结果范围,卫星观测角则依据太阳、卫星和湖泊的相对位置确定。
6.根据权利要求1所述的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,其特征在于,所述步骤1)至3)中,应用于MODIS影像的波段是λBLUE=469nm,λGREEN=555nm,λRED=645nm,λNIR=859nm,λSWIR=1240nm。
7.根据权利要求1所述的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,其特征在于,所述步骤4)中,在已知AGI、TWI和FAI分类阈值的前提下,分类决策树流程具体如下:
(1)获取MODIS Rrc数据,逐像元计算AGI、TWI以及FAI指数;
(2)采用TWI阈值识别高浑浊水体,排除高浑浊水体干扰;
(3)对排除高浑浊水体的Rrc数据用AGI阈值分离含藻水体和含草水体;
(4)对于含藻水体,利用FAI=-0.004识别蓝藻水华和一般湖水;对于含草水体,利用FAI阈值区分一般湖水、沉水植物和浮叶/挺水植物;
根据前述流程,获取全湖的蓝藻水华、沉水植物与浮叶/挺水植物空间分布情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610806794.XA CN106315856B (zh) | 2016-09-07 | 2016-09-07 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610806794.XA CN106315856B (zh) | 2016-09-07 | 2016-09-07 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106315856A true CN106315856A (zh) | 2017-01-11 |
CN106315856B CN106315856B (zh) | 2019-02-26 |
Family
ID=57786439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610806794.XA Active CN106315856B (zh) | 2016-09-07 | 2016-09-07 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106315856B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108088805A (zh) * | 2017-12-15 | 2018-05-29 | 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 |
CN109060614A (zh) * | 2018-09-04 | 2018-12-21 | 中国科学院南海海洋研究所 | 一种海洋大气光学参数的测量方法及设备 |
CN109740180A (zh) * | 2018-11-30 | 2019-05-10 | 北京航空航天大学 | 一种基于几何光学模型的稀疏水生植被冠层方向反射率模拟方法 |
CN110414488A (zh) * | 2019-08-20 | 2019-11-05 | 河海大学 | 基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法 |
CN111368779A (zh) * | 2020-03-13 | 2020-07-03 | 武汉大学 | 一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法 |
CN112179854A (zh) * | 2020-09-30 | 2021-01-05 | 中国科学院南京地理与湖泊研究所 | 基于p-fui水色指数的富营养化湖泊蓝藻水华遥感监测方法 |
CN112990111A (zh) * | 2021-04-20 | 2021-06-18 | 北京英视睿达科技有限公司 | 臭氧生成高值区的识别方法、装置、存储介质及设备 |
CN115760613A (zh) * | 2022-11-15 | 2023-03-07 | 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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005123940A3 (en) * | 2004-01-22 | 2006-09-14 | Univ Bowling Green State | Method and apparatus for detecting phycocyanin-pigmented algae and bacteria from reflected light |
CN102914505A (zh) * | 2012-09-27 | 2013-02-06 | 国家海洋局第二海洋研究所 | 利用modis水色遥感数据的海洋赤潮藻种判别方法 |
CN103760112A (zh) * | 2014-01-23 | 2014-04-30 | 中国科学院南京地理与湖泊研究所 | 基于遥感的湖泊水体蓝藻丰度的估算方法 |
CN105303030A (zh) * | 2015-09-17 | 2016-02-03 | 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 |
CN105631904A (zh) * | 2015-09-21 | 2016-06-01 | 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总存量遥感估算方法 |
-
2016
- 2016-09-07 CN CN201610806794.XA patent/CN106315856B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005123940A3 (en) * | 2004-01-22 | 2006-09-14 | Univ Bowling Green State | Method and apparatus for detecting phycocyanin-pigmented algae and bacteria from reflected light |
US20070111275A1 (en) * | 2004-01-22 | 2007-05-17 | Bowling Green State University | Method and apparatus for detecting phycocyanin-pigmented algae and bacteria from reflected light |
CN102914505A (zh) * | 2012-09-27 | 2013-02-06 | 国家海洋局第二海洋研究所 | 利用modis水色遥感数据的海洋赤潮藻种判别方法 |
CN103760112A (zh) * | 2014-01-23 | 2014-04-30 | 中国科学院南京地理与湖泊研究所 | 基于遥感的湖泊水体蓝藻丰度的估算方法 |
CN105303030A (zh) * | 2015-09-17 | 2016-02-03 | 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 |
CN105631904A (zh) * | 2015-09-21 | 2016-06-01 | 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总存量遥感估算方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108088805A (zh) * | 2017-12-15 | 2018-05-29 | 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 |
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 |
CN109060614B (zh) * | 2018-09-04 | 2020-12-11 | 中国科学院南海海洋研究所 | 一种海洋大气光学参数的测量方法及设备 |
CN109060614A (zh) * | 2018-09-04 | 2018-12-21 | 中国科学院南海海洋研究所 | 一种海洋大气光学参数的测量方法及设备 |
CN109740180A (zh) * | 2018-11-30 | 2019-05-10 | 北京航空航天大学 | 一种基于几何光学模型的稀疏水生植被冠层方向反射率模拟方法 |
CN110414488A (zh) * | 2019-08-20 | 2019-11-05 | 河海大学 | 基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法 |
CN111368779A (zh) * | 2020-03-13 | 2020-07-03 | 武汉大学 | 一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法 |
CN111368779B (zh) * | 2020-03-13 | 2022-03-04 | 武汉大学 | 一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法 |
CN112179854A (zh) * | 2020-09-30 | 2021-01-05 | 中国科学院南京地理与湖泊研究所 | 基于p-fui水色指数的富营养化湖泊蓝藻水华遥感监测方法 |
CN112179854B (zh) * | 2020-09-30 | 2022-05-27 | 中国科学院南京地理与湖泊研究所 | 基于p-fui水色指数的富营养化湖泊蓝藻水华遥感监测方法 |
CN112990111A (zh) * | 2021-04-20 | 2021-06-18 | 北京英视睿达科技有限公司 | 臭氧生成高值区的识别方法、装置、存储介质及设备 |
CN112990111B (zh) * | 2021-04-20 | 2021-08-31 | 北京英视睿达科技有限公司 | 臭氧生成高值区的识别方法、装置、存储介质及设备 |
CN115760613A (zh) * | 2022-11-15 | 2023-03-07 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN106315856B (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN106971146B (zh) | 基于三查技术的水体异常遥感动态监控方法、装置和系统 | |
Belluco et al. | Mapping salt-marsh vegetation by multispectral and hyperspectral remote sensing | |
Husson et al. | Unmanned aircraft systems help to map aquatic vegetation | |
CN108256534B (zh) | 一种基于高分遥感影像的筏式海水养殖区域提取方法 | |
CN105631904B (zh) | 一种富营养化湖泊藻类总存量遥感估算方法 | |
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 | |
Oyama et al. | Monitoring levels of cyanobacterial blooms using the visual cyanobacteria index (VCI) and floating algae index (FAI) | |
Moriya et al. | Mapping mosaic virus in sugarcane based on hyperspectral images | |
McKinna et al. | A simple, binary classification algorithm for the detection of Trichodesmium spp. within the Great Barrier Reef using MODIS imagery | |
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 | |
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 | |
CN106442420A (zh) | 一种定性与定量结合的水质监测方法 | |
Li et al. | Estimation of chlorophyll-a concentrations in a highly turbid eutrophic lake using a classification-based MODIS land-band algorithm | |
CN111310640A (zh) | Landsat8影像绿潮自适应阈值分区智能检测方法 | |
Na et al. | Assessing breeding habitat suitability for the endangered red-crowned crane (Grus japonensis) based on multi-source remote sensing data | |
Chen et al. | 3D model construction and ecological environment investigation on a regional scale using UAV remote sensing | |
Koponen et al. | Water quality classification of lakes using 250-m MODIS data | |
KR20220077428A (ko) | 유인 또는 무인 항공기에서 획득된 다분광 영상을 이용한 원격 모자반 탐지방법 및 그 시스템 | |
Davaasuren et al. | Extent and health of mangroves in Lac Bay Bonaire using satellite data | |
Pe'eri et al. | Macroalgae and eelgrass mapping in Great Bay Estuary using AISA hyperspectral imagery | |
Smith et al. | Using hyperspectral imaging for the assessment of mudflat surface stability | |
Dekker et al. | Feasibility Study for an Aquatic Ecosystem Earth Observing System Version 1.2. | |
Reif et al. | Ground Truth sampling to support remote sensing research and development submersed aquatic vegetation species discrimination using an airborne hyperspectral/lidar system | |
ĐUROVIĆ et al. | Monitoring the eutrophication using Landsat 8 in the Boka Kotorska Bay |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |