CN106525762A - 一种基于自适应模型的水质监测方法和水质监测装置 - Google Patents
一种基于自适应模型的水质监测方法和水质监测装置 Download PDFInfo
- Publication number
- CN106525762A CN106525762A CN201610978880.9A CN201610978880A CN106525762A CN 106525762 A CN106525762 A CN 106525762A CN 201610978880 A CN201610978880 A CN 201610978880A CN 106525762 A CN106525762 A CN 106525762A
- Authority
- CN
- China
- Prior art keywords
- data
- water quality
- band
- concentration
- model
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 199
- 238000012544 monitoring process Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 61
- 238000012806 monitoring device Methods 0.000 title claims abstract description 11
- 238000010219 correlation analysis Methods 0.000 claims abstract description 29
- 238000002310 reflectometry Methods 0.000 claims abstract description 23
- 229930002868 chlorophyll a Natural products 0.000 claims description 57
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 57
- 238000012851 eutrophication Methods 0.000 claims description 37
- 238000000605 extraction Methods 0.000 claims description 37
- 239000000725 suspension Substances 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 18
- 238000011160 research Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 238000003556 assay Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 239000003643 water by type Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 2
- 230000003628 erosive effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000003911 water pollution Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003651 drinking water Substances 0.000 description 2
- 235000020188 drinking water Nutrition 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 230000000050 nutritive effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Abstract
本发明公开了一种基于自适应模型的水质监测方法和水质监测装置,该方法包括步骤:获取待处理的遥感影像反射率数据,设置特征阈值提取水体区域作为采集研究区域;获取采集研究区域的水质数据,不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的水质监测模型。能够改善现有水质监测模型缺乏自动性、系统性和普适性问题。
Description
技术领域
本发明定量遥感影像信息提取技术领域,具体涉及一种基于自适应模型的水质监测方法和水质监测装置。
背景技术
传统水质监测方法费力费时,且仅能了解监测断面的水体污染状况,难以获取大尺度水体水质的变化趋势和空间分布状况,不能满足大范围、实时动态的监测评价要求。
目前的水质监测有所发展但仍处于研究阶段,基于遥感技术的监测模型建立缺乏自动型、系统性和普适性。
发明内容
技术问题提供一种能够改善现有水质监测模型缺乏自动性、系统性和普适性问题的水质监测方法和水质监测装置。
有鉴于此,本发明提供了一种基于自适应模型的水质监测方法,其特征在于,包括步骤:
获取待处理的遥感影像反射率数据,设置特征阈值提取水体区域作为采集研究区域;
获取采集研究区域的水质数据,不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的水质监测模型。所述遥感影像反射率数据中尤以水体遥感反射率最为重要。
进一步,所述获取采集研究区域的水质数据,不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的水质监测模型的步骤包括以下至少两个过程:
采集研究区域的叶绿素a浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的叶绿素a浓度提取模型;
采集研究区域的悬浮物浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的悬浮物监测模型;
采集研究区域的透明度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的透明度提取模型;
集研究区域的富营养化数据,和对应点的叶绿素a浓度及其组合分别相关性分析,通过比较相关系数得出最敏感组合,基于此建立自适应的水体富营养化监测模型。利用采集研究区域的叶绿素a浓度、悬浮物浓度、透明度实测数据和富营养化真值等数据作为水质监测的重要参数,分别与不同的波段或者波段组合进行最小二乘相关性分析,根据水质参数和水体遥感反射率之间的相关关系,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的水质参数提取模型,从而完成水质监测。其中,悬浮物浓度数据和透明度数据,有助于了解该处的水资源是否拥有能够作为生活饮用水之用的可能,并确定该处的悬浮物浓度是否超过最高允许排放浓度,若超过,则应当责令当地的污水和废水排放工厂或企业进行整改,若造成原因不是污废水排行的话,也能够及时的发现原因并进行整改;而,若能够较为精确的获知水体富营养化的程度的话,便于使用外力,逐步的改善这一水质污染现象,减少营养盐的输入输出失去平衡的情况,改善水质污染导致的系统物种失衡,单一物种疯长,系统的物质与能量的流动系统遭到破坏的情况发生;另,叶绿素a的监测,则有利于我们掌握水中或岸边的植被生长情况。
进一步,所述获取待处理的遥感影像反射率数据,设置特征阈值提取水体区域作为采集研究区域的步骤中,水体区域的提取是基于归一化差异综合水体指数CIWI实现的。
进一步,所述CIWI是归一化差异植被指数(NDVI)和近红外(NIR)相结合构造的水体提取特征模型,所述CIWI的计算公式如下:
公式中:Bnir和B'nir代表近红外波段的反射率;Br代表红波段的反射率;c通常取大于0的常数,比保证计算结果在整数区间;
若卫星数据只有一个近红外波段,则Bnir和B'nir取同一近红外波段值。CIWI的原理是在NDVI反映水体和植被、陆地辐射变化差异的基础上,加入近红外波段反射率的影响,通过乘性因子进一步提高水体和其他地物的区分度。
进一步,所述采集研究区域的叶绿素a浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的叶绿素a浓度提取模型的步骤包括过程:
选择卫星过境的时间进行水质样本采集,记录样本点的地理坐标,提交实验室进行化验分析,获取样本点处的叶绿素a浓度数据;
根据样本点的地理坐标,获取对应点在遥感影像上各个波段的反射率数据,并进行多种不同的线性或非线性组合;
将不同的波段或波段组合分别与叶绿素a实测数据进行基于最小二乘方法的曲线拟合,并获得多组拟合参数,然后分别计算拟合的叶绿素a浓度值与实测值之间的相关系数用于定量评价拟合的效果,从中选择最优作为建立反演模型所用的波段组合;
运用最优的波段组合建立反演模型,完成整幅影像内水体区域的叶绿素a浓度提取。
进一步,所述采集研究区域的悬浮物浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的悬浮物监测模型的步骤包括过程:
选择卫星过境的时间进行水质样本采集,记录样本点的地理坐标,提交实验室运用烘干称重的方法进行化验分析,获取样本点处的悬浮物浓度数据;
根据样本点的地理坐标,获取对应点在遥感影像上各个波段的反射率数据,并进行多种不同的线性或非线性组合;
将不同的波段或波段组合分别与悬浮物浓度实测数据进行基于最小二乘方法的曲线拟合,并获得多组拟合参数,然后分别计算拟合的悬浮物浓度值与实测值之间的相关系数用于定量评价拟合的效果,从中选择最优作为建立反演模型所用的波段组合;
运用最优的波段组合建立反演模型,完成整幅影像内水体区域的悬浮物浓度监测。
进一步,所述采集研究区域的透明度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的透明度提取模型的步骤包括:
选择卫星过境的时间进行水体透明度数据的采集工作,记录样本点的地理坐标,利用赛氏盘在水中的最大可见深度作为透明度真值;
根据样本点的地理坐标,获取对应点在遥感影像上各个波段的反射率数据,并进行多种不同的线性或非线性组合;
将不同的波段或波段组合分别与透明度实测数据进行基于最小二乘方法的曲线拟合,并获得多组拟合参数,然后分别计算拟合的透明度值与实测值之间的相关系数用于定量评价拟合的效果,从中选择最优作为建立反演模型所用的波段组合;
运用最优的波段组合建立反演模型,完成整幅影像内水体区域的透明度提取。
进一步,所述集研究区域的富营养化数据,和对应点的叶绿素a浓度及其组合分别相关性分析,通过比较相关系数得出最敏感组合,基于此建立自适应的水体富营养化监测模型的步骤包括过程:
国内外水体富营养化评价的基本指标通常为Chl-a、TN、TP、SD等。其中Chl-a浓度具有明显的光谱特征,是遥感反演水体富营养化较为成熟的参数,可以获得较高的反演精度,并且二类水体中Chl-a浓度是浮游植物分布的指示剂,是衡量水体初级生产力和富营养化的基本指标;
将专题叶绿素a提取的专题产品为输入数据,进一步分析水体富营养指数与叶绿素a浓度的相关性;
根据需求选择线性模型、二次多项式模型或三次多项式模型,以叶绿素a浓度或变换形式为自变量,以水体富营养化指数为因变量,建立反演模型,完成整幅影像内的水体富营养化监测。
其中,水体富营养化监测模型是基于自适应的叶绿素a浓度提取模型构建的,如此,则无需在构建水体富营养化监测模型再次提取相关的叶绿素a浓度数据,叶绿素a浓度数据只需一次处理即可适用于两个模型的建立,提高了数据处理的效率。
进一步,根据水体的反射特征建立水体指数,设置阈值组合设提取水体并进行膨胀腐蚀处理;通过采集卫星过顶时的水质样本数据,自适应的建立最优反演模型,完成水质参数的获取,根据水体的反射特征建立水体指数,对水体指数以及特征波段进行阈值组合设置。
进一步,所述水质监测模型包括二次多项式模型、三次多项式模型或e指数模型。
本发明还提供了一种使用了本发明任一公开的水质监测方法的水质监测装置,其特征在于,包括:
获取单元,用于获取待处理的遥感影像反射率数据;
第一处理单元,用于对所述遥感影像阈值的选取以及提取水体区域作为采集研究区域;
第一计算单元,用于利用研究区域的叶绿素a浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的叶绿素a浓度提取模型;
第二计算单元,用于利用研究区域的悬浮物浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的悬浮物浓度提取模型;
第三计算单元,用于利用研究区域的透明度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的水体透明度提取模型;
第四计算单元,用于利用研究区域的富营养化数据,和对应点的叶绿素a浓度及其组合分别进行相关性分析,通过比较相关系数得出最敏感组合,基于此建立自适应的水体富营养化监测模型。
采用上述技术方案,本发明至少可取得下述技术效果:
现有的水质监测方法已经不能满足大范围、实时动态的监测评价要求;本发明则利用遥感反演技术给水质的监测评价提供了更多的选择。通过合适的遥感数据,建立水质参数的遥感估测模型来监测水体中的水质参数浓度,它可以从空间和时间角度分析水质状况和变化情况,发现一些传统方法很难揭示的污染源迁移特征和污染源分布,具有监测范围广、快速、低成本和便于进行长期动态监测的优点;
而且,本发明还以遥感影像为数据基础,设置特征阈值进行水体区域的提取,如此,水质监测便仅对水体区域感兴趣;同时,根据水质数据和遥感影像反射率数据,特别是其中的水体遥感反射率之间的相关关系,自适应选择最敏感(优)波段或波段组合建立水质监测模型,进行水质参数的定量反演。针对当前水质监测技术的不足,突破地域和时域的限制,建立自适应的模型用于水质参数反演,能够实现湖泊、河流等水质的大范围、准实时监测,为及时、准确的了解水体水质状况和变化趋势提供动态数据基础。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据本发明实施例的内容和这些附图获得其他的附图。
图1是本实施例基于自适应模型的水质监测方法的流程图;
图2是本实施例基于自适应模型的水质监测装置的示意图。
贯穿附图,应该注意的是,相似的标号用于描绘相同或相似的元件、特征和结构。
具体实施方式
提供以下参照附图的描述来帮助全面理解由权利要求及其等同物限定的本公开的各种实施例。以下描述包括帮助理解的各种具体细节,但是这些细节将被视为仅是示例性的。因此,本领域普通技术人员将认识到,在不脱离本公开的范围和精神的情况下,可对本文所述的各种实施例进行各种改变和修改。另外,为了清晰和简洁,公知功能和构造的描述可被省略。
以下描述和权利要求书中所使用的术语和词汇不限于文献含义,而是仅由发明人用来使本公开能够被清晰和一致地理解。因此,对于本领域技术人员而言应该明显的是,提供以下对本公开的各种实施例的描述仅是为了示例性目的,而非限制由所附权利要求及其等同物限定的本公开的目的。
应该理解,除非上下文明确另外指示,否则单数形式也包括复数指代。因此,例如,对“组件表面”的引用包括对一个或更多个这样的表面的引用。
实施例一:
图1是本实施例基于自适应模型的水质监测方法的流程图,参考图1,本实施例公开了一种基于自适应模型的水质监测方法,该方法包括步骤:
S1:获取待处理的遥感影像反射率数据,设置特征阈值提取水体区域作为采集研究区域;
S2:获取采集研究区域的水质数据,不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的水质监测模型。所述遥感影像反射率数据中尤以水体遥感反射率最为重要。
采用上述技术方案,本发明至少可取得下述技术效果:
现有的水质监测方法已经不能满足大范围、实时动态的监测评价要求;本发明则利用遥感反演技术给水质的监测评价提供了更多的选择。通过合适的遥感数据,建立水质参数的遥感估测模型来监测水体中的水质参数浓度,它可以从空间和时间角度分析水质状况和变化情况,发现一些传统方法很难揭示的污染源迁移特征和污染源分布,具有监测范围广、快速、低成本和便于进行长期动态监测的优点;
而且,本发明还以遥感影像为数据基础,设置特征阈值进行水体区域的提取,如此,水质监测便仅对水体区域感兴趣;同时,根据水质数据和遥感影像反射率数据,特别是其中的水体遥感反射率之间的相关关系,自适应选择最敏感(优)波段或波段组合建立水质监测模型,进行水质参数的定量反演。针对当前水质监测技术的不足,突破地域和时域的限制,建立自适应的模型用于水质参数反演,能够实现湖泊、河流等水质的大范围、准实时监测,为及时、准确的了解水体水质状况和变化趋势提供动态数据基础。
通过提供不同地区不同时期的水质参数样本,能够建立自适应的水质参数反演模型,实现湖泊、河流等水质的大范围、准实时监测。
本实施例优选的,获取采集研究区域的水质数据,不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的水质监测模型的步骤包括以下至少两个过程:
采集研究区域的叶绿素a浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的叶绿素a浓度提取模型;
采集研究区域的悬浮物浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的悬浮物监测模型;
采集研究区域的透明度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的透明度提取模型;
集研究区域的富营养化数据,和对应点的叶绿素a浓度及其组合分别相关性分析,通过比较相关系数得出最敏感组合,基于此建立自适应的水体富营养化监测模型。利用采集研究区域的叶绿素a浓度、悬浮物浓度、透明度实测数据和富营养化真值等数据作为水质监测的重要参数,分别与不同的波段或者波段组合进行最小二乘相关性分析,根据水质参数和水体遥感反射率之间的相关关系,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的水质参数提取模型,从而完成水质监测。其中,悬浮物浓度数据和透明度数据,有助于了解该处的水资源是否拥有能够作为生活饮用水之用的可能,并确定该处的悬浮物浓度是否超过最高允许排放浓度,若超过,则应当责令当地的污水和废水排放工厂或企业进行整改,若造成原因不是污废水排行的话,也能够及时的发现原因并进行整改;而,若能够较为精确的获知水体富营养化的程度的话,便于使用外力,逐步的改善这一水质污染现象,减少营养盐的输入输出失去平衡的情况,改善水质污染导致的系统物种失衡,单一物种疯长,系统的物质与能量的流动系统遭到破坏的情况发生;另,叶绿素a的监测,则有利于我们掌握水中或岸边的植被生长情况。
上述的过程中,应当至少包含两个,可以同时进行模型创建,也可以先后进行模型创建,其中,水体富营养化监测模型的构建过程应当在自适应的叶绿素a浓度提取模型构建之后,如此,可以提高数据处理效率;当然,当包含全部四个过程时,本方法的水质监测能力和效果最强。
本实施例优选的,获取待处理的遥感影像反射率数据,设置特征阈值提取水体区域作为采集研究区域的步骤中,水体区域的提取是基于归一化差异综合水体指数CIWI实现的。
本实施例优选的,CIWI是归一化差异植被指数(NDVI)和近红外(NIR)相结合构造的水体提取特征模型,所述CIWI的计算公式如下:
公式中:Bnir和B'nir代表近红外波段的反射率;Br代表红波段的反射率;c通常取大于0的常数,比保证计算结果在整数区间;
若卫星数据只有一个近红外波段,则Bnir和B'nir取同一近红外波段值。CIWI的原理是在NDVI反映水体和植被、陆地辐射变化差异的基础上,加入近红外波段反射率的影响,通过乘性因子进一步提高水体和其他地物的区分度。
本实施例优选的,采集研究区域的叶绿素a浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的叶绿素a浓度提取模型的步骤包括过程:
选择卫星过境的时间进行水质样本采集,记录样本点的地理坐标,提交实验室进行化验分析,获取样本点处的叶绿素a浓度数据;
根据样本点的地理坐标,获取对应点在遥感影像上各个波段的反射率数据,并进行多种不同的线性或非线性组合;
将不同的波段或波段组合分别与叶绿素a实测数据进行基于最小二乘方法的曲线拟合,并获得多组拟合参数,然后分别计算拟合的叶绿素a浓度值与实测值之间的相关系数用于定量评价拟合的效果,从中选择最优作为建立反演模型所用的波段组合;
运用最优的波段组合建立反演模型,完成整幅影像内水体区域的叶绿素a浓度提取。
本实施例优选的,采集研究区域的悬浮物浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的悬浮物监测模型的步骤包括过程:
选择卫星过境的时间进行水质样本采集,记录样本点的地理坐标,提交实验室运用烘干称重的方法进行化验分析,获取样本点处的悬浮物浓度数据;
根据样本点的地理坐标,获取对应点在遥感影像上各个波段的反射率数据,并进行多种不同的线性或非线性组合;
将不同的波段或波段组合分别与悬浮物浓度实测数据进行基于最小二乘方法的曲线拟合,并获得多组拟合参数,然后分别计算拟合的悬浮物浓度值与实测值之间的相关系数用于定量评价拟合的效果,从中选择最优作为建立反演模型所用的波段组合;
运用最优的波段组合建立反演模型,完成整幅影像内水体区域的悬浮物浓度监测。
本实施例优选的,采集研究区域的透明度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的透明度提取模型的步骤包括:
选择卫星过境的时间进行水体透明度数据的采集工作,记录样本点的地理坐标,利用赛氏盘在水中的最大可见深度作为透明度真值;
根据样本点的地理坐标,获取对应点在遥感影像上各个波段的反射率数据,并进行多种不同的线性或非线性组合;
将不同的波段或波段组合分别与透明度实测数据进行基于最小二乘方法的曲线拟合,并获得多组拟合参数,然后分别计算拟合的透明度值与实测值之间的相关系数用于定量评价拟合的效果,从中选择最优作为建立反演模型所用的波段组合;
运用最优的波段组合建立反演模型,完成整幅影像内水体区域的透明度提取。
本实施例优选的,集研究区域的富营养化数据,和对应点的叶绿素a浓度及其组合分别相关性分析,通过比较相关系数得出最敏感组合,基于此建立自适应的水体富营养化监测模型的步骤包括过程:
国内外水体富营养化评价的基本指标通常为Chl-a、TN、TP、SD等。其中Chl-a浓度具有明显的光谱特征,是遥感反演水体富营养化较为成熟的参数,可以获得较高的反演精度,并且二类水体中Chl-a浓度是浮游植物分布的指示剂,是衡量水体初级生产力和富营养化的基本指;
将专题叶绿素a提取的专题产品为输入数据,进一步分析水体富营养指数与叶绿素a浓度的相关性;
根据需求选择线性模型、二次多项式模型或三次多项式模型,以叶绿素a浓度或变换形式为自变量,以水体富营养化指数为因变量,建立反演模型,完成整幅影像内的水体富营养化监测。其中,水体富营养化监测模型是基于自适应的叶绿素a浓度提取模型构建的,如此,则无需在构建水体富营养化监测模型再次提取相关的叶绿素a浓度数据,叶绿素a浓度数据只需一次处理即可适用于两个模型的建立,提高了数据处理的效率。
本实施例优选的,根据水体的反射特征建立水体指数,设置阈值组合设提取水体并进行膨胀腐蚀处理;通过采集卫星过顶时的水质样本数据,自适应的建立最优反演模型,完成水质参数的获取,根据水体的反射特征建立水体指数,对水体指数以及特征波段进行阈值组合设置。
本实施例优选的,水质监测模型包括二次多项式模型、三次多项式模型或e指数模型。
实施例二:
图2是本发明实施例二水质监测装置的示意图,参考图2,本发明还提供了一种使用了本发明任一公开的水质监测方法的水质监测装置,该装置包括:
获取单元10,用于获取待处理的遥感影像反射率数据;
第一处理单元20,用于对遥感影像阈值的选取以及提取水体区域作为采集研究区域;
装置还包括第一计算单元30、第二计算单元40、第三计算单元50和第四计算单元60中的至少一个;
其中:
第一计算单元30,用于利用研究区域的叶绿素a浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的叶绿素a浓度提取模型;
第二计算单元40,用于利用研究区域的悬浮物浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的悬浮物浓度提取模型;
第三计算单元50,用于利用研究区域的透明度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的水体透明度提取模型;
第四计算单元60,用于利用研究区域的富营养化数据,和对应点的叶绿素a浓度及其组合分别进行相关性分析,通过比较相关系数得出最敏感组合,基于此建立自适应的水体富营养化监测模型。
上述的各个单元之间,后四个计算单元不作先后数序限制,其中,包含四个计算单元时,水质监测最为全面。
上述方案可以广泛应用于河流、湖泊等水域的水质监测。通过采集足够的样本数据,算法能够自适应的建立反演模型并从中选择最优,实现实时、大范围的水质参数反演,为及时、准确的了解水体水质状况和变化趋势提供动态数据基础,为水资源保护和规划以及可持续发展提供科学决策依据,并对同一流域的水质分布规律和变化趋势作出研究和预测,同时作为常规水质监测方法的必要补充,还能发现一些常规方法难以揭示的污染源和污染迁移特征。
应该注意的是,如上所述的本公开的各种实施例通常在一定程度上涉及输入数据的处理和输出数据的生成。此输入数据处理和输出数据生成可在硬件或者与硬件结合的软件中实现。例如,可在移动装置或者相似或相关的电路中采用特定电子组件以用于实现与如上所述本公开的各种实施例关联的功能。另选地,依据所存储的指令来操作的一个或更多个处理器可实现与如上所述本公开的各种实施例关联的功能。如果是这样,则这些指令可被存储在一个或更多个非暂时性处理器可读介质上,这是在本公开的范围内。处理器可读介质的示例包括只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光学数据存储装置。另外,用于实现本公开的功能计算机程序、指令和指令段可由本公开所属领域的程序员容易地解释。
尽管已参照本公开的各种实施例示出并描述了本公开,但是本领域技术人员将理解,在不脱离由所附权利要求及其等同物限定的本公开的精神和范围的情况下,可对其进行形式和细节上的各种改变。
Claims (11)
1.一种基于自适应模型的水质监测方法,其特征在于,包括步骤:
获取待处理的遥感影像反射率数据,设置特征阈值提取水体区域作为采集研究区域;
获取采集研究区域的水质数据,不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的水质监测模型。
2.如权利要求1水质监测方法,其特征在于,所述获取采集研究区域的水质数据,不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的水质监测模型的步骤包括以下至少两个过程:
采集研究区域的叶绿素a浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的叶绿素a浓度提取模型;
采集研究区域的悬浮物浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的悬浮物监测模型;
采集研究区域的透明度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的透明度提取模型;
集研究区域的富营养化数据,和对应点的叶绿素a浓度及其组合分别相关性分析,通过比较相关系数得出最敏感组合,基于此建立自适应的水体富营养化监测模型。
3.如权利要求1水质监测方法,其特征在于,所述获取待处理的遥感影像反射率数据,设置特征阈值提取水体区域作为采集研究区域的步骤中,水体区域的提取是基于归一化差异综合水体指数CIWI实现的。
4.如权利要求1水质监测方法,其特征在于,所述CIWI是归一化差异植被指数(NDVI)和近红外(NIR)相结合构造的水体提取特征模型,所述CIWI的计算公式如下:
公式中:Bnir和B'nir代表近红外波段的反射率;Br代表红波段的反射率;c通常取大于0的常数,比保证计算结果在整数区间;
若卫星数据只有一个近红外波段,则Bnir和B'nir取同一近红外波段值。
5.如权利要求1水质监测方法,其特征在于,所述采集研究区域的叶绿素a浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的叶绿素a浓度提取模型的步骤包括过程:
选择卫星过境的时间进行水质样本采集,记录样本点的地理坐标,提交实验室进行化验分析,获取样本点处的叶绿素a浓度数据;
根据样本点的地理坐标,获取对应点在遥感影像上各个波段的反射率数据,并进行多种不同的线性或非线性组合;
将不同的波段或波段组合分别与叶绿素a实测数据进行基于最小二乘方法的曲线拟合,并获得多组拟合参数,然后分别计算拟合的叶绿素a浓度值与实测值之间的相关系数用于定量评价拟合的效果,从中选择最优作为建立反演模型所用的波段组合;
运用最优的波段组合建立反演模型,完成整幅影像内水体区域的叶绿素a浓度提取。
6.如权利要求1水质监测方法,其特征在于,所述采集研究区域的悬浮物浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的悬浮物监测模型的步骤包括过程:
选择卫星过境的时间进行水质样本采集,记录样本点的地理坐标,提交实验室运用烘干称重的方法进行化验分析,获取样本点处的悬浮物浓度数据;
根据样本点的地理坐标,获取对应点在遥感影像上各个波段的反射率数据,并进行多种不同的线性或非线性组合;
将不同的波段或波段组合分别与悬浮物浓度实测数据进行基于最小二乘方法的曲线拟合,并获得多组拟合参数,然后分别计算拟合的悬浮物浓度值与实测值之间的相关系数用于定量评价拟合的效果,从中选择最优作为建立反演模型所用的波段组合;
运用最优的波段组合建立反演模型,完成整幅影像内水体区域的悬浮物浓度监测。
7.如权利要求1水质监测方法,其特征在于,所述采集研究区域的透明度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的透明度提取模型的步骤包括:
选择卫星过境的时间进行水体透明度数据的采集工作,记录样本点的地理坐标,利用赛氏盘在水中的最大可见深度作为透明度真值;
根据样本点的地理坐标,获取对应点在遥感影像上各个波段的反射率数据,并进行多种不同的线性或非线性组合;
将不同的波段或波段组合分别与透明度实测数据进行基于最小二乘方法的曲线拟合,并获得多组拟合参数,然后分别计算拟合的透明度值与实测值之间的相关系数用于定量评价拟合的效果,从中选择最优作为建立反演模型所用的波段组合;
运用最优的波段组合建立反演模型,完成整幅影像内水体区域的透明度提取。
8.如权利要求5水质监测方法,其特征在于,所述集研究区域的富营养化数据,和对应点的叶绿素a浓度及其组合分别相关性分析,通过比较相关系数得出最敏感组合,基于此建立自适应的水体富营养化监测模型的步骤包括过程:
国内外水体富营养化评价的基本指标通常为Chl-a、TN、TP、SD等。其中Chl-a浓度具有明显的光谱特征,是遥感反演水体富营养化较为成熟的参数,可以获得较高的反演精度,并且二类水体中Chl-a浓度是浮游植物分布的指示剂,是衡量水体初级生产力和富营养化的基本指标;
将专题叶绿素a提取的专题产品为输入数据,进一步分析水体富营养指数与叶绿素a浓度的相关性;
根据需求选择线性模型、二次多项式模型或三次多项式模型,以叶绿素a浓度或变换形式为自变量,以水体富营养化指数为因变量,建立反演模型,完成整幅影像内的水体富营养化监测。
9.如权利要求1水质监测方法,其特征在于,根据水体的反射特征建立水体指数,设置阈值组合设提取水体并进行膨胀腐蚀处理;通过采集卫星过顶时的水质样本数据,自适应的建立最优反演模型,完成水质参数的获取,根据水体的反射特征建立水体指数,对水体指数以及特征波段进行阈值组合设置。
10.如权利要求1水质监测方法,其特征在于,所述水质监测模型包括二次多项式模型、三次多项式模型或e指数模型。
11.一种使用了如权利要求1-10任一所述的水质监测方法的水质监测装置,其特征在于,包括:
获取单元,用于获取待处理的遥感影像反射率数据;
第一处理单元,用于对所述遥感影像阈值的选取以及提取水体区域作为采集研究区域;
第一计算单元,用于利用研究区域的叶绿素a浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的叶绿素a浓度提取模型;
第二计算单元,用于利用研究区域的悬浮物浓度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的悬浮物浓度提取模型;
第三计算单元,用于利用研究区域的透明度数据,和不同的波段或者波段组合进行最小二乘相关性分析,通过比较相关系数得出最敏感波段或者波段组合,基于此建立自适应的水体透明度提取模型;
第四计算单元,用于利用研究区域的富营养化数据,和对应点的叶绿素a浓度及其组合分别进行相关性分析,通过比较相关系数得出最敏感组合,基于此建立自适应的水体富营养化监测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610978880.9A CN106525762A (zh) | 2016-11-07 | 2016-11-07 | 一种基于自适应模型的水质监测方法和水质监测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610978880.9A CN106525762A (zh) | 2016-11-07 | 2016-11-07 | 一种基于自适应模型的水质监测方法和水质监测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106525762A true CN106525762A (zh) | 2017-03-22 |
Family
ID=58349503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610978880.9A Pending CN106525762A (zh) | 2016-11-07 | 2016-11-07 | 一种基于自适应模型的水质监测方法和水质监测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106525762A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107421895A (zh) * | 2017-06-30 | 2017-12-01 | 中国水利水电科学研究院 | 一种多波段优化组合的水质参数浓度反演方法和装置 |
CN107590816A (zh) * | 2017-09-08 | 2018-01-16 | 哈尔滨工业大学 | 一种基于遥感图像的水体信息拟合方法 |
CN107677646A (zh) * | 2017-10-13 | 2018-02-09 | 中国水利水电科学研究院 | 一种改进dbpso的水质参数监测方法及装置 |
CN107885909A (zh) * | 2017-10-18 | 2018-04-06 | 中国水利水电科学研究院 | 一种水质遥感多模型协同反演的权重集结优化方法及装置 |
CN108195766A (zh) * | 2017-12-18 | 2018-06-22 | 河海大学 | 一种基于遥感影像的水质监测方法 |
CN108229356A (zh) * | 2017-12-23 | 2018-06-29 | 航天恒星科技有限公司 | 动态集成自然灾害遥感监测方法 |
CN108872092A (zh) * | 2018-04-19 | 2018-11-23 | 中科谱光科技(北京)有限公司 | 一种水质参数光谱智能检测分析系统及方法 |
CN108957479A (zh) * | 2018-07-24 | 2018-12-07 | 航天恒星科技有限公司 | 一种针对边境基础设施的遥感监测方法 |
CN109297968A (zh) * | 2018-11-21 | 2019-02-01 | 河南工业职业技术学院 | 一种生成面域水质监测结果的方法 |
CN109472504A (zh) * | 2018-11-19 | 2019-03-15 | 北京英视睿达科技有限公司 | 基于卫星遥感数据确定水环境热点网格的方法及装置 |
CN110672805A (zh) * | 2019-10-08 | 2020-01-10 | 核工业北京地质研究院 | 一种基于航空高光谱数据的水库水质参数定量反演方法 |
CN110836870A (zh) * | 2019-11-27 | 2020-02-25 | 中国科学院南京地理与湖泊研究所 | 基于gee的大区域湖泊透明度快速制图方法 |
CN111504915A (zh) * | 2020-04-27 | 2020-08-07 | 中国科学技术大学先进技术研究院 | 反演水体叶绿素浓度的方法、装置、设备及存储介质 |
CN111538940A (zh) * | 2020-05-12 | 2020-08-14 | 自然资源部第二海洋研究所 | 悬浮物浓度反演模型确定方法及悬浮物浓度确定方法 |
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 |
CN112014331A (zh) * | 2020-08-21 | 2020-12-01 | 中国第一汽车股份有限公司 | 一种水体污染的检测方法、装置、设备以及存储介质 |
CN112577909A (zh) * | 2020-11-27 | 2021-03-30 | 河北先河环保科技股份有限公司 | 水质参数的监测方法、装置、设备和存储介质 |
CN112834509A (zh) * | 2021-01-04 | 2021-05-25 | 中国海洋大学 | 一种海域叶绿素浓度获取方法、系统、介质、设备及应用 |
CN113008806A (zh) * | 2021-03-02 | 2021-06-22 | 农业农村部环境保护科研监测所 | 一种农产品产地重金属空间分布确定方法 |
CN113406015A (zh) * | 2021-05-31 | 2021-09-17 | 内蒙古师范大学 | 一种近岸和内陆水域水体的透明度计算方法和系统 |
CN113686788A (zh) * | 2021-09-18 | 2021-11-23 | 重庆星视空间科技有限公司 | 一种基于遥感波段组合的常规水质监测系统和方法 |
CN113945527A (zh) * | 2021-11-15 | 2022-01-18 | 江苏天汇空间信息研究院有限公司 | 基于卫星数据得到水质总磷参数反演最优模型的方法 |
CN114371152A (zh) * | 2022-03-22 | 2022-04-19 | 山东省科学院海洋仪器仪表研究所 | 一种漂流式海水透明度自动测量装置及透明度测量方法 |
CN115389439A (zh) * | 2022-10-28 | 2022-11-25 | 湖南长理尚洋科技有限公司 | 基于大数据的河流污染物监测方法及系统 |
CN115424134A (zh) * | 2022-08-26 | 2022-12-02 | 南方海洋科学与工程广东省实验室(广州) | 一种基于遥感影像的污染入海通量预测方法以及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101852722A (zh) * | 2010-05-20 | 2010-10-06 | 北京航空航天大学 | 一种实现水体叶绿素a遥感反演精度评估方法 |
-
2016
- 2016-11-07 CN CN201610978880.9A patent/CN106525762A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101852722A (zh) * | 2010-05-20 | 2010-10-06 | 北京航空航天大学 | 一种实现水体叶绿素a遥感反演精度评估方法 |
Non-Patent Citations (3)
Title |
---|
严恩萍等: "基于CIWI 模型的洪湖市水体识别及动态监测", 《水生态学杂质》 * |
徐祎凡等: "基于环境一号卫星多光谱影像数据的三湖一库富营养化状态评价", 《环境科学学报》 * |
祝令亚: "湖泊水质遥感监测与评价方法研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技I辑》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107421895A (zh) * | 2017-06-30 | 2017-12-01 | 中国水利水电科学研究院 | 一种多波段优化组合的水质参数浓度反演方法和装置 |
CN107590816A (zh) * | 2017-09-08 | 2018-01-16 | 哈尔滨工业大学 | 一种基于遥感图像的水体信息拟合方法 |
CN107590816B (zh) * | 2017-09-08 | 2021-06-15 | 哈尔滨工业大学 | 一种基于遥感图像的水体信息拟合方法 |
CN107677646B (zh) * | 2017-10-13 | 2020-06-05 | 中国水利水电科学研究院 | 一种改进dbpso的水质参数监测方法及装置 |
CN107677646A (zh) * | 2017-10-13 | 2018-02-09 | 中国水利水电科学研究院 | 一种改进dbpso的水质参数监测方法及装置 |
CN107885909A (zh) * | 2017-10-18 | 2018-04-06 | 中国水利水电科学研究院 | 一种水质遥感多模型协同反演的权重集结优化方法及装置 |
CN108195766A (zh) * | 2017-12-18 | 2018-06-22 | 河海大学 | 一种基于遥感影像的水质监测方法 |
CN108229356A (zh) * | 2017-12-23 | 2018-06-29 | 航天恒星科技有限公司 | 动态集成自然灾害遥感监测方法 |
CN108872092A (zh) * | 2018-04-19 | 2018-11-23 | 中科谱光科技(北京)有限公司 | 一种水质参数光谱智能检测分析系统及方法 |
CN108957479A (zh) * | 2018-07-24 | 2018-12-07 | 航天恒星科技有限公司 | 一种针对边境基础设施的遥感监测方法 |
CN109472504A (zh) * | 2018-11-19 | 2019-03-15 | 北京英视睿达科技有限公司 | 基于卫星遥感数据确定水环境热点网格的方法及装置 |
CN109297968A (zh) * | 2018-11-21 | 2019-02-01 | 河南工业职业技术学院 | 一种生成面域水质监测结果的方法 |
CN110672805A (zh) * | 2019-10-08 | 2020-01-10 | 核工业北京地质研究院 | 一种基于航空高光谱数据的水库水质参数定量反演方法 |
CN110836870A (zh) * | 2019-11-27 | 2020-02-25 | 中国科学院南京地理与湖泊研究所 | 基于gee的大区域湖泊透明度快速制图方法 |
CN110836870B (zh) * | 2019-11-27 | 2021-06-25 | 中国科学院南京地理与湖泊研究所 | 基于gee的大区域湖泊透明度快速制图方法 |
CN111504915A (zh) * | 2020-04-27 | 2020-08-07 | 中国科学技术大学先进技术研究院 | 反演水体叶绿素浓度的方法、装置、设备及存储介质 |
CN111538940A (zh) * | 2020-05-12 | 2020-08-14 | 自然资源部第二海洋研究所 | 悬浮物浓度反演模型确定方法及悬浮物浓度确定方法 |
CN111538940B (zh) * | 2020-05-12 | 2021-05-28 | 自然资源部第二海洋研究所 | 悬浮物浓度反演模型确定方法及悬浮物浓度确定方法 |
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 |
CN112014331A (zh) * | 2020-08-21 | 2020-12-01 | 中国第一汽车股份有限公司 | 一种水体污染的检测方法、装置、设备以及存储介质 |
CN112577909A (zh) * | 2020-11-27 | 2021-03-30 | 河北先河环保科技股份有限公司 | 水质参数的监测方法、装置、设备和存储介质 |
CN112834509A (zh) * | 2021-01-04 | 2021-05-25 | 中国海洋大学 | 一种海域叶绿素浓度获取方法、系统、介质、设备及应用 |
CN113008806A (zh) * | 2021-03-02 | 2021-06-22 | 农业农村部环境保护科研监测所 | 一种农产品产地重金属空间分布确定方法 |
CN113406015A (zh) * | 2021-05-31 | 2021-09-17 | 内蒙古师范大学 | 一种近岸和内陆水域水体的透明度计算方法和系统 |
CN113686788A (zh) * | 2021-09-18 | 2021-11-23 | 重庆星视空间科技有限公司 | 一种基于遥感波段组合的常规水质监测系统和方法 |
CN113945527A (zh) * | 2021-11-15 | 2022-01-18 | 江苏天汇空间信息研究院有限公司 | 基于卫星数据得到水质总磷参数反演最优模型的方法 |
CN114371152A (zh) * | 2022-03-22 | 2022-04-19 | 山东省科学院海洋仪器仪表研究所 | 一种漂流式海水透明度自动测量装置及透明度测量方法 |
CN115424134A (zh) * | 2022-08-26 | 2022-12-02 | 南方海洋科学与工程广东省实验室(广州) | 一种基于遥感影像的污染入海通量预测方法以及装置 |
CN115424134B (zh) * | 2022-08-26 | 2024-04-09 | 南方海洋科学与工程广东省实验室(广州) | 一种基于遥感影像的污染入海通量预测方法以及装置 |
CN115389439A (zh) * | 2022-10-28 | 2022-11-25 | 湖南长理尚洋科技有限公司 | 基于大数据的河流污染物监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106525762A (zh) | 一种基于自适应模型的水质监测方法和水质监测装置 | |
Fathizad et al. | The investigation of spatiotemporal variations of land surface temperature based on land use changes using NDVI in southwest of Iran | |
Kim et al. | Machine learning approaches to coastal water quality monitoring using GOCI satellite data | |
Stres et al. | Recently deglaciated high-altitude soils of the Himalaya: diverse environments, heterogenous bacterial communities and long-range dust inputs from the upper troposphere | |
Wu et al. | A localized contour tree method for deriving geometric and topological properties of complex surface depressions based on high-resolution topographical data | |
Zandi et al. | Evaluation of spatial interpolation techniques for mapping soil pH | |
Feki-Sahnoun et al. | Using general linear model, Bayesian Networks and Naive Bayes classifier for prediction of Karenia selliformis occurrences and blooms | |
CN104899473A (zh) | 一种河流断面退化评价方法 | |
Bonaccorso et al. | Estimating temporal changes in extreme rainfall in Sicily Region (Italy) | |
Griffith | Approximation of Gaussian spatial autoregressive models for massive regular square tessellation data | |
Zurqani et al. | Predicting the classes and distribution of salt-affected soils in Northwest Libya | |
Zervas et al. | HeLM: A macrophyte-based method for monitoring and assessment of Greek lakes | |
Huang et al. | Evaluation of the Geostationary Ocean Color Imager (GOCI) to monitor the dynamic characteristics of suspension sediment in Taihu Lake | |
Lindsay et al. | Measuring the significance of a divide to local drainage patterns | |
Kleindinst et al. | Categorizing the severity of paralytic shellfish poisoning outbreaks in the Gulf of Maine for forecasting and management | |
Guerrero et al. | Exploring the hydrological robustness of model‐parameter values with alpha shapes | |
Boutov et al. | Inter-annual variability and long term predictability of exchanges through the Strait of Gibraltar | |
Povak et al. | Machine learning and hurdle models for improving regional predictions of stream water acid neutralizing capacity | |
Wang et al. | An integrated approach for water scarcity evaluation—a case study of Yunnan, China | |
Imbrie et al. | Transfer functions: calibrating micropaleontological data in climatic terms | |
Millie et al. | Modeling phytoplankton abundance in Saginaw bay, Lake Huron: using artificial neural networks to discern functional influence of environmental variables and relevance to a great lakes observing system 1 | |
Vinh et al. | Monitoring the trophic state of shallow urban lakes using Landsat 8/OLI data: a case study of lakes in Hanoi (Vietnam) | |
Sgro et al. | A diatom quality index from a diatom-based total phosphorus inference model | |
Nowicki et al. | Operational system for automatic coastal upwelling detection in the Baltic Sea based on the 3D CEMBS model | |
Delle Rose | Sinkhole flooding and aquifer recharge in arid to Dry Sub-humid regions: A systematic review in the perspective of climate change |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20170322 |