CN106442422A - 水草型湖泊水草区水质遥感间接监测方法 - Google Patents
水草型湖泊水草区水质遥感间接监测方法 Download PDFInfo
- Publication number
- CN106442422A CN106442422A CN201611020301.6A CN201611020301A CN106442422A CN 106442422 A CN106442422 A CN 106442422A CN 201611020301 A CN201611020301 A CN 201611020301A CN 106442422 A CN106442422 A CN 106442422A
- Authority
- CN
- China
- Prior art keywords
- water
- area
- pasture
- water quality
- research
- 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.)
- Pending
Links
Classifications
-
- 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
- G01N21/55—Specular reflectivity
- G01N21/552—Attenuated total reflection
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及水质遥感监测领域，尤其涉及水草型湖泊水草区水质遥感监测方法，通过获取研究区水草归一化植被指数时谱曲线，获取水草种类及其物候特征，结合单时相高光谱和多光谱影像对研究区水草进行识别，利用水草对水质的指示作用，克服传统遥感手段因水草的阻碍作用难以对水草区水质进行遥感反演的问题。
Description
技术领域
本发明涉及水质遥感监测领域，尤其涉及一种基于归一化植被指数时谱曲线、高光谱指数和归一化水体指数的水草识别以及水草对水质指示作用的水草型湖泊水草区水质遥感间接监测方法。
背景技术
水是生命之源，是人类生产生活必不可少的重要资源。随着经济社会的快速发展，水资源需求量不断增加，加上人类活动的干扰，水环境不断恶化。随着水污染问题的日益严重，水质监测成为社会经济可持续发展必须解决的重大问题，尤其是内陆湖泊水体，其水质已经对国民的生产和生活用水安全产生威胁，实现对湖泊水质准确、快速的监测对保障国民用水安全和给政府提供决策具有重要意义。常规水质监测多采用实验室分析手段，虽然精度较高，但费时、费力且只能获取监测断面上水质状况，难以满足对水质进行大范围、多时相动态监测的需求。
遥感技术作为一种区域性监测手段，可克服常规水质监测方法的不足，随着遥感技术的不断发展，遥感技术应用于水质监测的研究越来越多，其中以藻型湖泊水质遥感监测居多，而草型湖泊研究相对较少。草型湖泊中水草的存在会严重影响卫星传感器获取水体光谱，阻碍水草生长区域水体水质参数反演，草型湖泊大部分区域均有水草分布，难以直接对水草型湖泊水草区水质进行遥感监测。
发明内容
有鉴于此，本发明的主要目的在于提供一种水草型湖泊水草区水质遥感间接监测方法，通过对草型湖泊水草区以及不同水草物候特征的识别，结合水草对水质的指示作用，实现草型湖泊水草区水质的遥感间接监测。
为了达到上述目的，本发明的技术方案为：
水草型湖泊水草区水质遥感间接监测方法，包括以下过程：
研究区水草区水质参数获取步骤：通过在研究区进行实地采样实验，获取水草区水样，记录采样点经纬度信息，水草区水体浊度利用地物光谱仪现场测量，水样于24小时内运送至实验室进行分析，获取沉水植物和漂叶植物生长区水体叶绿素a浓度和总悬浮物浓度、TN、TP，水体浊度采用浊度仪现场测定；
预处理步骤：从卫星数据源获取和研究区采样时间同步或准同步的单时相高光谱和多光谱遥感影像以及多时相的多光谱遥感影像，对影像进行预处理；
研究区归一化植被指数时谱曲线构建步骤：从经过预处理的多时相多光谱遥感影像中得到研究区归一化植被指数，将一年内获取的所有时间点的所述归一化植被指数数据按照时间先后顺序进行叠加，获得归一化植被指数时谱曲线；
研究区水草种类识别步骤：根据获取的时谱曲线，利用支持向量机对研究区进行地物分类，获得研究区地物分类图，得到研究区不同水草的分布情况；
研究区水华和水生高等植物识别步骤：从经过预处理的单时相高光谱影像中获得研究区高光谱指数，通过阈值分割得到研究区漂叶植物、沉水植物和水华分布区域；
研究区漂叶植物识别步骤：从经过预处理的单时相多光谱遥感影像中得到研究区归一化水体指数，设定阈值，获得研究区漂叶植物分布区域；
研究区水草区水质指示步骤：利用高光谱和多光谱影像识别出的沉水植物和漂叶植物分布区域，与年度植被指数时谱曲线相结合，对研究区水质做出指示。
具体的，预处理步骤包括：
根据所述遥感影像的质量等级，对空间分辨率高于30m的影像先进行正射校正，然后对所有影像进行辐射校正、大气校正和几何校正，若一景影像无法覆盖研究区时，对多景影像进行拼接和融合，最后利用研究区矢量文件对研究区进行裁剪。
具体的，研究区归一化植被指数时谱曲线构建步骤包括：
从经过预处理得到的研究区多时相多光谱遥感影像中获取研究区归一化植被指数，将一年内获取的所有时间点的所述归一化植被指数数据按照时间先后顺序进行叠加，获得研究区归一化植被指数时谱曲线。
具体的，研究区水草种类识别步骤包括：
根据研究区归一化植被指数时谱曲线，利用支持向量机分类(SVC)算法，对研究区地物进行分类，获得研究区地物分类图，得到研究区不同水草的分布情况，研究中SVC选用核函数径向基核函数，计算公式如下：
K(xi,xj)＝exp(-||xi-xj||2/σ2)
式中，xi为支持向量；xj为待分类样本；σ为核参数。
具体的，研究区水华和水生高等植物识别步骤包括：
从经过预处理的高光谱影像中获得研究区叶绿素光谱指数(CSI)、藻青蛋白指数(PSI)、水草光谱指数(MSI)、近红外平均反射率指数(ARNI)；
CSI计算公式表示为：
式中，R(700nm)为叶绿素在700nm附近荧光峰的反射率，R(675nm)为叶绿素在675nm附近吸收峰的反射率。
PSI计算公式表示为：
式中，R(650nm)为650nm附近相对反射峰的反射率，R(625nm)为藻青蛋白在625nm附近吸收峰的反射率。
MSI计算公式表示为：
式中，R(700nm)为叶绿素在700nm附近荧光峰的反射率，R(815nm)为815nm附近反射峰峰的反射率。
ARNI计算公式表示为：
ARNI＝average[R(750～820nm)]
式中，R(750～820nm)指750～820nm波段范围反射率。
根据采样点的经纬度，从经过预处理的高光谱影像上选择对应的像素点，获取像素点遥感反射率，计算CSI、MSI、PSI和ARNI，结合各个像素点对应的水草类型，率定沉水植物、漂叶植物和水华的判定阈值，沉水植物判别公式如下:
CSI≥CSI(阈值1)，并且PSI<PSI(阈值1)，
并且MSI<MSI(阈值1)，并且ARNI<ARNI(阈值1)
漂叶植物判别公式如下：
CSI≥CSI(阈值1)，并且PSI<PSI(阈值1)，
并且MSI<MSI(阈值1)，并且ARNI≥ARNI(阈值1)
水华判别公式如下：
CSI≥CSI(阈值2)，并且PSI≥PSI(阈值2)
根据所述判别公式识别漂叶植物和水华分布区域。
具体的，研究区漂叶植物识别步骤：
根据采样点的经纬度，从经过预处理的高光谱影像上选择对应的像素点，获取像素点遥感反射率，从影像上获取归一化水体指数(NDWI)，率定漂叶植物判定阈值，判定公式如下：
NDWI<NDWI(阈值3)
所述归一化水体指数公式表示为：
NDWI＝(Green-NIR)/(Green+NIR)
式中，Green表示绿波段反射率，NIR表示近红外波段反射率。
根据所述判别公式识别漂叶植物分布区域。
具体的，研究区水质指示步骤包括：
根据采样点统计得到沉水植物和处于生长期的漂叶植物分布区域水质参数浓度分布情况，该区域水质较好，水质参数浓度保持较低水平，从高光谱和多光谱影像中识别出的沉水植物和漂叶植物分布区域，与年度植被指数时谱曲线以及水草种类分布图相结合，对研究区水质做出指示；
所述的沉水植物和漂叶植物对水质的指示作用，具体包括：
对于处于生长期的水草分布区域，水质参数浓度保持较低水平，水质较好，其中，对于沉水植物分布区域，水草必然处于生长期，如若处于凋亡期，则会浮于水面转变成漂叶植物，对于漂叶植物，根据研究区水草分类图，判定水草种类，结合该种水草的时谱曲线与影像时间判定水草处于生长期或者凋亡期；
沉水植物和处于生长期的漂叶植物分布区域水质参数浓度范围可表示为：
Cchl_a≤Cchl_a(阈值4)
CTSM≤CTSM(阈值5)
Ctur≤Ctur(阈值6)
所述阈值根据沉水植物和处于生长期的漂叶植物分布区域采样点水质参数浓度统计获得。
本发明提供的水草型湖泊水草区水质遥感监测方法，通过实地取样获取研究区部分水草区水质参数浓度；从卫星数据源中获取和研究区采样时间同步或准同步的单时相高光谱和多光谱遥感影像以及多时相的多光谱遥感影像，并对影像进行预处理；从经过预处理的多时相多光谱影像获取研究区归一化植被指数；将一年内获取的研究区所有时间点的所述归一化植被指数数据按照时间先后顺序进行叠加，获得研究区典型地物归一化植被指数时谱曲线，对典型地物进行分类；从经过预处理的高光谱遥感影像获取研究区叶绿素光谱指数、藻青蛋白指数、水草光谱指数和近红外平均反射率指数，设定阈值，获取研究区漂叶植物、沉水植物和水华分布区域；从经过预处理的单时相多光谱遥感影像中获取研究区归一化水体指数，设定阈值，获得研究区的漂叶植物区域；沉水植物和处于生长期的漂叶植物分布区域水质较好，水质参数浓度在一定范围内波动，处于凋亡期的漂叶植物和水华区域水质较差，利用高光谱和多光谱识别出沉水植物和漂叶植物，结合水草的时谱曲线和分布情况，判断水草长势，利用水草对水质的指示作用得到水草区水质分布状况，实现水草区水质遥感定性监测，解决由于水草对遥感器水体光谱信息获取的阻碍作用而导致水草型湖泊水草区水质难以直接利用遥感进行监测的问题。
本发明提供的水草型湖泊水草区水质遥感监测方法，通过获取研究区水草归一化植被指数时谱曲线，获取水草种类及其物候特征，结合单时相高光谱和多光谱影像对研究区水草进行识别，利用水草对水质的指示作用，克服传统遥感手段因水草的阻碍作用难以对水草区水质进行遥感反演的问题。
附图说明
图1是本发明的方法流程图；
图2是实施例南四湖典型地物时谱曲线；
图3是实施例2014年南四湖典型地物分类图；
图4是实施例2013年4月24日南四湖水草区水质分布图；
图5是实施例2015年6月6日南四湖水草区水质分布图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本实施例以典型草型湖泊南四湖为例来说明。
如图1所示，本发明实施例所述的水草型湖泊水质遥感监测方法包括：
南四湖水草区水质参数获取步骤101：草型湖泊南四湖进行野外实验，获取南四湖水草区水质参数数据；
影像预处理步骤102：获取覆盖南四湖区域的环境小卫星高光谱数据和高分1号遥感影像以及多时相MODIS NDVI产品，并对影像进行预处理。
南四湖归一化植被指数时谱曲线构建步骤103：从经过预处理的多时相MODISNDVI数据中得到南四湖归一化植被指数，将一年内获取的所有时间点的所述归一化植被指数数据按照时间先后顺序进行叠加，获得归一化植被指数时谱曲线，如图2所示；
其中，所述NDVI数据，时间分辨率为16天，所以一年共有23幅数据；
南四湖水草种类识别步骤104：根据获取的时谱曲线，选择一定数量南四湖典型地物(湿地、农田、光叶眼子菜、菹草)样本训练支持向量机，利用训练好的支持向量机对南四湖进行地物分类，获得南四湖地物分类图，如图3所示，得到南四湖不同水草的分布情况；
南四湖水华和水生高等植物识别步骤105：从经过预处理的单时相高光谱影像上获得研究区高光谱指数，通过阈值分割得到研究区漂叶植物、沉水植物和水华分布区域；
南四湖漂叶植物识别步骤106：从经过预处理的单时相多光谱遥感影像中得到南四湖归一化水体指数，设定阈值，获得南四湖漂叶植物分布区域；
南四湖水草区水质指示步骤107：利用高光谱和多光谱影像识别出的沉水植物和漂叶植物分布区域，与水草植被指数时谱曲线相结合，对南四湖水质做出指示，得到南四湖水草区水质分布图；
实施时，所述南四湖水草区水质参数获取步骤101包括：
通过在南四湖进行实地采样实验，获取水草区水样，记录采样点经纬度信息，水草区水体浊度利用地物光谱仪现场测量，水样于24小时内运送至实验室进行分析，获取沉水植物和漂叶植物生长区水体叶绿素a浓度和总悬浮物浓度；
实施时，影像预处理步骤102包括：
从卫星数据源中获取南四湖2014年一年内所有MODIS NDVI数据和一景2015年6月6日南四湖高分1号WFV1影像以及1景2013年4月24日HJ1A HSI数据，先对高分1号WFV1影像先进行正射校正，然后对所有影像进行辐射校正、大气校正和几何校正，利用南四湖矢量文件对研究区进行裁剪。
实施时，南四湖归一化植被指数时谱曲线构建步骤103包括：
从经过预处理得到的南四湖一年内所有MODIS NDVI产品中获取南四湖归一化植被指数，将获取的所有时间点的所述归一化植被指数数据按照时间先后顺序进行叠加，获得南四湖归一化植被指数时谱曲线。
实施时，南四湖水草种类识别步骤104包括：
根据南四湖归一化植被指数时谱曲线，利用支持向量机分类(SVC)算法，对南四湖地物进行分类，获得南四湖地物分类图，得到南四湖不同水草的分布情况，研究中SVC选用核函数径向基核函数，计算公式如下：
K(xi,xj)＝exp(-||xi-xj||2/σ2)
式中，xi为支持向量；xj为待分类样本；σ为核参数。
实施时，南四湖水华和水生高等植物识别步骤105包括：
从经过预处理的环境星HSI高光谱影像中获得南四湖叶绿素光谱指数(CSI)、藻青蛋白指数(PSI)、水草光谱指数(MSI)、近红外平均反射率指数(ARNI)；
CSI计算公式表示为：
式中，R(700nm)为叶绿素在700nm附近荧光峰的反射率，R(675nm)为叶绿素在675nm附近吸收峰的反射率。
PSI计算公式表示为：
式中，R(650nm)为650nm附近相对反射峰的反射率，R(625nm)为藻青蛋白在625nm附近吸收峰的反射率。
MSI计算公式表示为：
式中，R(700nm)为叶绿素在700nm附近荧光峰的反射率，R(815nm)为815nm附近反射峰峰的反射率。
ARNI计算公式表示为：
ARNI＝average[R(750～820nm)]
式中，R(750～820nm)指750～820nm波段范围反射率。
根据采样点的经纬度，从经过预处理的环境星HSI高光谱影像上选择对应的像素点，获取像素点遥感反射率，计算CSI、MSI、PSI和ARNI，结合各个像素点对应的水草类型，率定沉水植物、漂叶植物和水华的判定阈值，沉水植物判别公式如下:
CSI≥CSI(阈值1)，并且PSI<PSI(阈值2)，
并且MSI<MSI(阈值3)，并且ARNI<ARNI(阈值4)
漂叶植物判别公式如下：
CSI≥CSI(阈值1)，并且PSI<PSI(阈值2)，
并且MSI<MSI(阈值3)，并且ARNI≥ARNI(阈值4)
水华判别公式如下：
CSI≥CSI(阈值1)，并且PSI≥PSI(阈值2)
所述判别公式中，阈值1取0.09，阈值2取0.02，阈值3取0.35，阈值4取0.018。
实施时，南四湖漂叶植物识别步骤106包括：
根据采样点的经纬度，从经过预处理的环境星HSI高光谱影像选择对应的像素点，获取像素点遥感反射率，从影像上获取归一化水体指数(NDWI)，率定漂叶植物判定阈值，判定公式如下：
NDWI<NDWI(阈值5)
所述归一化水体指数公式表示为：
NDWI＝(Green-NIR)/(Green+NIR)
式中，Green表示绿波段反射率，NIR表示近红外波段反射率。
所述判别公式中阈值5取-0.1。
实施时，南四湖水质指示步骤107包括：
根据采样点统计得到沉水植物和处于生长期的漂叶植物分布区域水质参数浓度分布情况，从HJ1A HSI高光谱和高分1号WFV1影像中识别出的沉水植物和漂叶植物分布区域，与植被指数时谱曲线以及水草种类分布图相结合，对南四湖水质做出指示，得到南四湖水草区水体叶绿素a浓度分布图；
所述的沉水植物和漂叶植物对水质的指示作用，具体包括：
对于处于生长期的水草分布区域，水质参数浓度保持较低水平，水质较好，其中，对于沉水植物分布区域，水草必然处于生长期，如若处于凋亡期，则会浮于水面转变成漂叶植物，对于漂叶植物，根据南四湖水草分类图，判定水草种类，结合该种水草的时谱曲线与影像时间判定水草处于生长期或者凋亡期；
沉水植物和处于生长期的漂叶植物分布区域水质参数浓度范围可表示为：
Cchl_a<Cchl_a(阈值6)
CTSM<CTSM(阈值7)
Ctur<Ctur(阈值8)
所述阈值中阈值6取8ug/L，阈值7取15mg/L，阈值8取15NTU，从HJ1A HSI高光谱和高分1号WFV1影像中识别出的沉水植物和漂叶植物分布区域，与年度植被指数时谱曲线以及水草种类分布图相结合，根据所述阈值，获得2013年4月24日南四湖水草区水质分布图，如图4，以叶绿素a浓度为例；2015年6月6日南四湖水草区水质分布图，如图5，叶绿素a浓度为例。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.水草型湖泊水草区水质遥感间接监测方法，其特征在于，包括：
水草区水质参数浓度获取步骤：通过实地采样实验，获取研究区水草区水样，水草区水质参数包括：叶绿素a浓度、总悬浮物浓度、TN、TP、水体浊度；
预处理步骤：从卫星数据源获取研究区的单时相高光谱和多光谱遥感影像以及多时相的多光谱遥感影像，并对该影像进行预处理，提取研究区；
研究区典型地物归一化植被指数时谱曲线获取步骤：从经过预处理的多时相多光谱遥感影像中获得研究区归一化植被指数，获得研究区不同地物归一化植被指数时谱曲线；
研究区水草种类识别步骤：根据获取的地物归一化植被指数时谱曲线，利用支持向量机对研究区进行地物分类，获得研究区地物分类图，得到研究区不同水草的分布情况；
研究区水华和水生高等植物识别步骤：从经过预处理的单时相高光谱影像中获得研究区高光谱指数，通过阈值分割得到研究区漂叶植物、沉水植物和水华分布区域；
研究区漂叶植物识别步骤：从经过预处理的单时相多光谱遥感影像中获得研究区归一化水体指数，通过阈值分割，获得研究区漂叶植物生长区域；
研究区水草区水质间接监测步骤：经高光谱和多光谱识别出的沉水植物、漂叶植物和水华分布区域，结合水草归一化植被指数时谱曲线和水草分类图，获得漂叶植物的长势，利用沉水植物和处于生长期的漂叶植物对水质的指示作用实现水草区水质间接监测，统计处于凋亡期的漂叶植物和水华面积。
2.根据权利要求1所述的水草型湖泊水草区水质遥感间接监测方法，其特征在于，所述的预处理步骤包括：根据所述遥感影像的质量等级，对空间分辨率高于30m的影像先进行正射校正，然后对所有影像进行辐射校正、大气校正和几何校正，若一景影像无法覆盖研究区时，对多景影像进行拼接和融合，最后利用研究区矢量文件对研究区进行裁剪。
3.根据权利要求1所述的水草型湖泊水草区水质遥感间接监测方法，其特征在于，所述的水草归一化植被指数时谱曲线构建步骤包括：从经过预处理的多时相多光谱遥感影像中得到研究区归一化植被指数，将一年内获取的所有时间点的归一化植被指数数据按照时间先后顺序进行叠加，提取每个像元的归一化植被指数时谱曲线，获得研究区典型地物的归一化植被指数时谱曲线，即为水草归一化植被指数时谱曲线。
4.根据权利要求1所述的水草型湖泊水草区水质遥感间接监测方法，其特征在于，所述的研究区水草区水质间接监测步骤包括：对于水草类型为沉水植物的，统计部分沉水植物生长区域水质参数浓度范围，用以表征沉水植物生长区域水质参数浓度，实现沉水植物生长区水质遥感间接监测。
5.根据权利要求1所述的水草型湖泊水草区水质遥感间接监测方法，其特征在于，所述的研究区水草区水质间接监测步骤包括：对于水草类型为漂叶植物的，结合不同植物的归一化植被指数时谱曲线，识别漂叶植物长势，如若处于生长期，统计部分漂叶植物生长区域水质参数浓度范围，用以表征漂叶植物生长区域水质参数浓度，实现漂叶植物生长区水质遥感间接监测，如若处于凋亡期，统计其面积。
6.根据权利要求1所述的水草型湖泊水草区水质遥感间接监测方法，其特征在于，研究区水草区水质间接监测步骤包括：对于水华分布区域，水质较差，统计其面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611020301.6A CN106442422A (zh) | 2016-11-18 | 2016-11-18 | 水草型湖泊水草区水质遥感间接监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611020301.6A CN106442422A (zh) | 2016-11-18 | 2016-11-18 | 水草型湖泊水草区水质遥感间接监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106442422A true CN106442422A (zh) | 2017-02-22 |
Family
ID=58220366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611020301.6A Pending CN106442422A (zh) | 2016-11-18 | 2016-11-18 | 水草型湖泊水草区水质遥感间接监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106442422A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107271405A (zh) * | 2017-06-30 | 2017-10-20 | 中国水利水电科学研究院 | 一种多模型协同的水质参数浓度反演方法和装置 |
| CN107449870A (zh) * | 2017-09-04 | 2017-12-08 | 张厚冰 | 一种池优质水草病害的快速诊断方法 |
| CN108357669A (zh) * | 2018-01-03 | 2018-08-03 | 华南农业大学 | 一种基于无人机的河湖排污遥感智能监测系统 |
| CN108507949A (zh) * | 2018-02-07 | 2018-09-07 | 浙大正呈科技有限公司 | 一种基于高分遥感卫星的河道水质监测方法 |
| CN109255939A (zh) * | 2018-09-13 | 2019-01-22 | 泉州市华祥工业设计有限公司 | 水污染智能无线监测方法及系统 |
| CN110987063A (zh) * | 2019-11-18 | 2020-04-10 | 广东岭秀科技有限公司 | 一种遥感监测河湖水文水生态要素的方法 |
| CN111982831A (zh) * | 2020-07-01 | 2020-11-24 | 深圳市迈珂斯环保科技有限公司 | 一种基于高光谱技术的水质在线监测方法、装置和系统 |
| JP2021032898A (ja) * | 2019-08-22 | 2021-03-01 | ▲広▼州大学 | 反復分類に基づく水域識別方法及び装置 |
| CN112818751A (zh) * | 2021-01-08 | 2021-05-18 | 江苏省无锡环境监测中心 | 一种基于物联网的水生态完整性动态评估方法 |
| CN113310909A (zh) * | 2021-05-14 | 2021-08-27 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的水质测定方法及设备 |
| CN116165680A (zh) * | 2023-02-14 | 2023-05-26 | 中科三清科技有限公司 | 反演模型更新方法、装置、存储介质与芯片 |
| CN117110217A (zh) * | 2023-10-23 | 2023-11-24 | 安徽农业大学 | 一种立体化水质监测方法及系统 |
-
2016
- 2016-11-18 CN CN201611020301.6A patent/CN106442422A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| 曹引: "《草型湖泊水质遥感监测技术及应用研究》", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107271405A (zh) * | 2017-06-30 | 2017-10-20 | 中国水利水电科学研究院 | 一种多模型协同的水质参数浓度反演方法和装置 |
| CN107449870A (zh) * | 2017-09-04 | 2017-12-08 | 张厚冰 | 一种池优质水草病害的快速诊断方法 |
| CN108357669A (zh) * | 2018-01-03 | 2018-08-03 | 华南农业大学 | 一种基于无人机的河湖排污遥感智能监测系统 |
| CN108357669B (zh) * | 2018-01-03 | 2022-04-12 | 华南农业大学 | 一种基于无人机的河湖排污遥感智能监测系统 |
| CN108507949B (zh) * | 2018-02-07 | 2020-11-13 | 浙大正呈科技有限公司 | 一种基于高分遥感卫星的河道水质监测方法 |
| CN108507949A (zh) * | 2018-02-07 | 2018-09-07 | 浙大正呈科技有限公司 | 一种基于高分遥感卫星的河道水质监测方法 |
| CN109255939A (zh) * | 2018-09-13 | 2019-01-22 | 泉州市华祥工业设计有限公司 | 水污染智能无线监测方法及系统 |
| CN109255939B (zh) * | 2018-09-13 | 2020-04-10 | 泉州市华祥工业设计有限公司 | 水污染智能无线监测方法及系统 |
| JP2021032898A (ja) * | 2019-08-22 | 2021-03-01 | ▲広▼州大学 | 反復分類に基づく水域識別方法及び装置 |
| CN110987063A (zh) * | 2019-11-18 | 2020-04-10 | 广东岭秀科技有限公司 | 一种遥感监测河湖水文水生态要素的方法 |
| CN111982831A (zh) * | 2020-07-01 | 2020-11-24 | 深圳市迈珂斯环保科技有限公司 | 一种基于高光谱技术的水质在线监测方法、装置和系统 |
| CN112818751A (zh) * | 2021-01-08 | 2021-05-18 | 江苏省无锡环境监测中心 | 一种基于物联网的水生态完整性动态评估方法 |
| CN113310909A (zh) * | 2021-05-14 | 2021-08-27 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的水质测定方法及设备 |
| CN113310909B (zh) * | 2021-05-14 | 2022-04-26 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的水质测定方法及设备 |
| CN116165680A (zh) * | 2023-02-14 | 2023-05-26 | 中科三清科技有限公司 | 反演模型更新方法、装置、存储介质与芯片 |
| CN117110217A (zh) * | 2023-10-23 | 2023-11-24 | 安徽农业大学 | 一种立体化水质监测方法及系统 |
| CN117110217B (zh) * | 2023-10-23 | 2024-01-12 | 安徽农业大学 | 一种立体化水质监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106442422A (zh) | 水草型湖泊水草区水质遥感间接监测方法 | |
| Wang et al. | Ensemble machine-learning-based framework for estimating total nitrogen concentration in water using drone-borne hyperspectral imagery of emergent plants: A case study in an arid oasis, NW China | |
| Shi et al. | Remote sensing of cyanobacterial blooms in inland waters: present knowledge and future challenges | |
| Lunetta et al. | Evaluation of cyanobacteria cell count detection derived from MERIS imagery across the eastern USA | |
| Stratoulias et al. | Assessment of ecophysiology of lake shore reed vegetation based on chlorophyll fluorescence, field spectroscopy and hyperspectral airborne imagery | |
| Nuarsa et al. | Relationship between rice spectral and rice yield using MODIS data | |
| Hong et al. | Monitoring the vertical distribution of HABs using hyperspectral imagery and deep learning models | |
| Akhtman et al. | Application of hyperspectural images and ground data for precision farming | |
| Shi et al. | Remote estimation of cyanobacteria-dominance in inland waters | |
| Zabihi et al. | A review of major factors influencing the accuracy of mapping green-attack stage of bark beetle infestations using satellite imagery: Prospects to avoid data redundancy | |
| Gomes et al. | Satellite estimates of euphotic zone and Secchi disk depths in a colored dissolved organic matter-dominated inland water | |
| Zolfaghari et al. | Impact of spectral resolution on quantifying cyanobacteria in lakes and reservoirs: A machine-learning assessment | |
| Wu et al. | Tracking the phenology and expansion of Spartina alterniflora coastal wetland by time series MODIS and Landsat images | |
| Zeng et al. | Optically-derived estimates of phytoplankton size class and taxonomic group biomass in the Eastern Subarctic Pacific Ocean | |
| Yang et al. | Monitoring water color anomaly of lakes based on an integrated method using Landsat-8 OLI images | |
| Mollaee | Estimation of phytoplankton chlorophyll-a concentration in the western basin of Lake Erie using Sentinel-2 and Sentinel-3 data | |
| Singh et al. | A review on remote sensing as a tool for irrigation monitoring and management | |
| Xia et al. | Weed resistance assessment through airborne multimodal data fusion and deep learning: A novel approach towards sustainable agriculture | |
| Mbuh | Use of hyperspectral remote sensing to estimate water quality | |
| Wang et al. | Monitoring phycocyanin concentrations in high-latitude inland lakes using Sentinel-3 OLCI data: The case of Lake Hulun, China | |
| Tan et al. | Estimating soil salinity in mulched cotton fields using UAV-based hyperspectral remote sensing and a Seagull Optimization Algorithm-Enhanced Random Forest Model | |
| Yu et al. | Hyperspectral database prediction of ecological characteristics for grass species of alpine grasslands | |
| Zhou et al. | Remote estimation of cyanobacterial blooms using the risky grade index (RGI) and coverage area index (CAI): a case study in the Three Gorges Reservoir, China | |
| Luo et al. | Evergreen broadleaf greenness and its relationship with leaf flushing, aging, and water fluxes | |
| Wang et al. | Monitoring wheat stripe rust using remote sensing technologies in China |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |