CN106769903B - 一种养殖水体藻类浓度检测方法 - Google Patents
一种养殖水体藻类浓度检测方法 Download PDFInfo
- Publication number
- CN106769903B CN106769903B CN201710022574.2A CN201710022574A CN106769903B CN 106769903 B CN106769903 B CN 106769903B CN 201710022574 A CN201710022574 A CN 201710022574A CN 106769903 B CN106769903 B CN 106769903B
- Authority
- CN
- China
- Prior art keywords
- water body
- type
- algae
- concentration
- water
- 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
Images
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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (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
本发明公开了一种可以实时检测养殖水体藻类浓度的检测方法,该方法利用光谱传感器采集养殖水体光谱参数,再利用反演模型快速得到整个养殖场水体的藻类浓度,检测速度快,帮助养殖人员及时发现水体的水质问题。并且本发明将养殖水体分为藻类主导型水体、混合型水体和无机悬浮物主导型水体,并分别对三种水体提供了三种不同的三波段反演模型,将水体藻类浓度的检测误差从未分类时的38.72%降到了10.50%(藻类主导型)、25.01%(混合型)和18.25%(无机悬浮物主导型)。
Description
技术领域
本发明涉及水质检测领域,尤其涉及一种用于检测养殖水体藻类浓度的检测方法。
背景技术
养殖区域的水质对养殖水产品来说是非常重要的,我国一直有“养鱼需先养水”的说法,而藻类浓度是水质优劣最重要的参数之一。由于藻类繁殖是细胞分裂方式,能够在短时间内爆发,严重影响养殖水体水质,因此高频率的实时监测藻类浓度变得尤为重要。
现有针对水体藻类浓度快速检测有三种方式:一是通过采水样实验的方式;二是通过荧光传感器放入水中测量得到;三是通过光谱传感器进行模型估算反演得到。前两种方法得到的是单个采样点的点状数据,后者得到的是一个区域的面状的藻类浓度分布数据。采用光谱传感器模型反演的方式更适用于在水产养殖过程中快速得到整个养殖场水体的藻类浓度。然而光谱反演方法和技术主要集中于利用卫星遥感对湖泊河流等进行大尺度的估算,由于大尺度的方法和模型无法适用于小尺度的水产养殖,而且湖泊水质与养殖塘口水质有本质区别,反演模型必须基于实测数据建立优化。因此需要建立一种针对于水产养殖水体的藻类浓度实时检测方法。
发明内容
本发明要解决的技术问题是提供一种用于检测养殖水体藻类浓度的检测方法。
为解决上述技术问题,本发明采用的技术方案为:一种养殖水体藻类浓度检测方法,该方法利用光谱反演的方式快速检测水体藻类浓度。为了提高反演的精度,本发明将养殖水体进行了分类,并且对每一类水体各提供了一种反演模型。具体包括如下步骤:
步骤(1):对待检测养殖水体所在地区的多处水体进行采样,采样数据包括多光谱数据和叶绿素a的浓度。
步骤(2):建立叶绿素a浓度的反演模型
Chla=u×[R-1(λ1)-R-1(λ2)]×R(λ3)+v
其中Chla为叶绿素a的浓度;
λ1、λ2和λ3为三波段光波的波长;
λ1对应光谱第一波段的波长,λ1的取值范围是660nm-690nm,第一波段是藻类中叶绿素a色素吸收最强的波段,在光谱曲线中表现为波谷;
λ2对应光谱第二波段的波长,λ2取值700nm,叶绿素a对第二波段光的吸收远小于其对第一波段光的吸收,悬浮物、黄色物质的吸收在一二波段近似,所以R-1(λ1)-R-1(λ2)组合后只受藻类吸收和悬浮物后向散射影响
λ3对应光谱第三波段的波长,λ3取值范围是720-800nm;所有物质对第三波段光的吸收都接近于0,而悬浮物的后向散射在波段2和波段3处近似相等,通过三个波段的组合最大程度的减少了水体其他物质对藻类在光谱响应上的影响;
u、v为修正系数。
步骤(3):计算每个样本的光谱参数A1和A2,依据如下规则对该水体进行分类;a、如果A1>180且A2<180,则将该水体判定为藻类主导型水体,简称类型一水体;b、如果A1≤180且A2<180,则将该水体判定为混合型水体,简称类型二水体;c、如果A2≥180,则将该水体判定为无机悬浮物主导型水体,简称类型三水体;
所述光谱数据包括遥感反射率/波长曲线,A1是指波长630nm,670nm和720nm三点连线在670nm点处的夹角,670nm处光谱受藻类强吸收,因此用670nm处的夹角分离藻类主导型水体;
A2是指波长670nm,720nm和760nm三点连线在720nm处的夹角;后向散射随波段增加呈指数下降,而720nm处光谱主要受悬浮物后向散射影响,悬浮物浓度越高其下降的幅度越大,因此720nm处的光谱夹角可以用来分离无机悬浮物主导型水体。
步骤(4):利用所有属于类型一水体的采样数据拟合得到类型一水体的叶绿素a的反演模型的修正系数u1和v1,得到类型一水体的叶绿素a的反演模型;
利用所有属于类型二水体的采样数据拟合得到类型二水体的叶绿素a的反演模型的修正系数u2和v2,得到类型二水体的叶绿素a的反演模型;
利用所有属于类型三水体的采样数据拟合得到类型三水体的叶绿素a的反演模型的修正系数u3和v3,得到类型三水体的叶绿素a的反演模型。
步骤(5):采集待检测养殖水体的多光谱数据。
步骤(6):依据步骤(3)的规则对待检测养殖水体进行类型确认,依据待检测养殖水体的类型选择步骤(4)中的对应模型反演待检测养殖水体的叶绿素a浓度。
具体的,所述步骤(1)和步骤(5)采用Snap Shot多光谱相机作为光谱传感器采集水体的多光谱数据。
具体的,所述步骤(1)中叶绿素浓度测定采用“热乙醇法”。
前述的水体藻类浓度检测方法要求事先采样以确定反演模型的修正系数u和v,为了方便无法进行大量采样实验的用户使用本方法,本发明依据自采样的200多个样本,拟合了修正系数,进而提供一种更为简化的养殖水体藻类浓度检测方法,具体包括如下步骤:
步骤(1):采集待检测养殖水体的多光谱数据;
步骤(2):计算待检测养殖水体的光谱参数A1和A2,依据如下规则对该水体进行分类;a、如果A1>180且A2<180,则将该水体判定为藻类主导型水体,简称类型一水体;b、如果A1≤180且A2<180,则将该水体判定为混合型水体,简称类型二水体;c、如果A2≥180,则将该水体判定为无机悬浮物主导型水体,简称类型三水体;
所述光谱数据包括遥感反射率/波长曲线,A1是指波长630nm,670nm和720nm三点连线在670nm点处的夹角,A2是指波长670nm,720nm和760nm三点连线在720nm处的夹角;
步骤(3):依据待检测养殖水体的类型,选择如下三种叶绿素a浓度反演模型中的对应模型反演待检测养殖水体叶绿素a的浓度
类型一:Chla=74.37×[R-1(670)-R-1(700)]*R(720)+15.60
类型二:Chla=130.5×[R-1(670)-R-1(700)]*R(760)+10.23
类型三:Chla=86.27×[R-1(670)-R-1(700)]*R(780)+10.45
有益效果:(1)本发明提供了一种可以实时检测养殖水体藻类浓度的检测方法,该方法利用多光谱传感器采集水体光谱参数,再利用反演模型快速得到整个养殖场水体的藻类浓度,检测速度快,帮助养殖人员及时发现水体的水质问题。(2)本发明将养殖水体分为藻类主导型水体、混合型水体和无机悬浮物主导型水体,并分别对三种水体提供了三种不同的三波段反演模型,将水体藻类浓度的检测误差从未分类时的38.72%降到了10.50%(藻类主导型)、25.01%(混合型)和18.25%(无机悬浮物主导型)。
附图说明
图1是实施例1不同类型水体遥感反射率光谱均值图。
图2是实施例1水体分类流程图。
图3是实施例1未分类水体反演模型拟合图。
图4是实施例1类型一水体反演模型拟合图。
图5是实施例1类型二水体反演模型拟合图。
图6是实施例1类型三水体反演模型拟合图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明。
实施例1
本实施例通过小型无人机搭载Snap Shot多光谱相机正射拍摄了257个养殖水体样本,并对所有的水体样本进行了水质采样。本实施例Snap Shot多光谱相机采集了所有水体样本的遥感反射率/波长曲线,图1是不同类型水体遥感反射率光谱均值图。本实施例利用“热乙醇法”测定了水体样本中的叶绿素a浓度,利用常规的干燥、烘烧和称重法测定了水体样本中的总悬浮物浓度和有机、无机悬浮物浓度。本实施例将这257个水体样本中的202个用作建模样本,剩余的55个用作验证验本。
如图2所示,本实施例计算了所有水体样本的光谱参数A1和A2,依据如下规则对所有水体样本进行分类:a、如果A1>180且A2<180,则将该水体判定为藻类主导型水体,简称类型一水体;b、如果A1≤180且A2<180,则将该水体判定为混合型水体,简称类型二水体;c、如果A2≥180,则将该水体判定为无机悬浮物主导型水体,简称类型三水体;A1是指遥感反射率/波长曲线中波长630nm,670nm和720nm三点连线在670nm点处的夹角,A2是指遥感反射率/波长曲线中波长670nm,720nm和760nm三点连线在720nm处的夹角。
表1是分类后所有水体样本水质参数汇总表,其中TSM表示总悬浮物浓度,OSM表示有机悬浮物浓度,ISM表示无机悬浮物浓度,Chla表示叶绿素a。
表1
叶绿素a浓度的反演模型采用三波段模型:
Chla=u×[R-1(λ1)-R-1(λ2)]×R(λ3)+v
其中Chla为叶绿素a的浓度;
λ1、λ2和λ3为三波段光波的波长;
λ1对应光谱第一波段的波长,λ1的取值范围是660nm-690nm,第一波段是藻类中叶绿素a色素吸收最强的波段,在光谱曲线中表现为波谷;
λ2对应光谱第二波段的波长,λ2取值700nm,叶绿素a对第二波段光的吸收远小于其对第一波段光的吸收,悬浮物、黄色物质的吸收在一二波段近似,所以R-1(λ1)-R-1(λ2)组合后只受藻类吸收和悬浮物后向散射影响
λ3对应光谱第三波段的波长,λ3取值范围是720-800nm;所有物质对第三波段光的吸收都接近于0,而悬浮物的后向散射在波段2和波段3处近似相等,通过三个波段的组合最大程度的减少了水体其他物质对藻类在光谱响应上的影响;
u、v为修正系数。
利用202个建模样本拟合出分类前和分类后的水体藻类浓度反演模型:
未分类:Chla=87.13×[R-1(670)-R-1(700)]*R(720)+11.70
类型一:Chla=74.37×[R-1(670)-R-1(700)]*R(720)+15.60
类型二:Chla=130.5×[R-1(670)-R-1(700)]*R(760)+10.23
类型三:Chla=86.27×[R-1(670)-R-1(700)]*R(780)+10.45
分类前和分类后的模型拟合图如图3至图6所示。
用55个水体样本对上述的反演模型进行验证,结果如表2所示:
表2
可以看出,在对水体进行分类之后再使用三波段模型进行叶绿素a浓度的反演,其精度明显提高。
虽然说明书中对本发明的实施方式进行了说明,但这些实施方式只是作为提示,不应限定本发明的保护范围。在不脱离本发明宗旨的范围内进行各种省略、置换和变更均应包含在本发明的保护范围内。
Claims (1)
1.一种养殖水体藻类浓度检测方法,其特征在于包括如下步骤:
步骤(1):采集待检测养殖水体的多光谱数据;
步骤(2):计算待检测养殖水体的光谱参数A1和A2,依据如下规则对该水体进行分类;a、如果A1>180且A2<180,则将该水体判定为藻类主导型水体,简称类型一水体;b、如果A1≤180且A2<180,则将该水体判定为混合型水体,简称类型二水体;c、如果A2≥180,则将该水体判定为无机悬浮物主导型水体,简称类型三水体;
所述多光谱数据包括遥感反射率/波长曲线,A1是指波长630nm,670nm和720nm三点连线在670nm点处的夹角,A2是指波长670nm,720nm和760nm三点连线在720nm处的夹角;
步骤(3):依据待检测养殖水体的类型,选择如下三种叶绿素a浓度反演模型中的对应模型反演待检测养殖水体叶绿素a的浓度
类型一:Chla=74.37×[R-1(670)-R-1(700)]*R(720)+15.60
类型二:Chla=130.5×[R-1(670)-R-1(700)]*R(760)+10.23
类型三:Chla=86.27×[R-1(670)-R-1(700)]*R(780)+10.45。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710022574.2A CN106769903B (zh) | 2017-01-12 | 2017-01-12 | 一种养殖水体藻类浓度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710022574.2A CN106769903B (zh) | 2017-01-12 | 2017-01-12 | 一种养殖水体藻类浓度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106769903A CN106769903A (zh) | 2017-05-31 |
CN106769903B true CN106769903B (zh) | 2020-05-19 |
Family
ID=58948027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710022574.2A Active CN106769903B (zh) | 2017-01-12 | 2017-01-12 | 一种养殖水体藻类浓度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106769903B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109507119A (zh) * | 2018-09-28 | 2019-03-22 | 浙江农林大学 | 一种基于无人机光谱的水质要素浓度检测方法 |
CN109557030A (zh) * | 2018-09-28 | 2019-04-02 | 浙江农林大学 | 一种基于无人机遥感的水质要素反演方法 |
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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101303337A (zh) * | 2008-07-09 | 2008-11-12 | 刘静玲 | 一种水体营养状态评价方法 |
CN101477036A (zh) * | 2009-01-13 | 2009-07-08 | 中国科学院遥感应用研究所 | 基于分段协同模型的内陆水体叶绿素a浓度遥感监测方法 |
CN101858857A (zh) * | 2010-05-14 | 2010-10-13 | 同济大学 | 富营养化水体中浮游植物叶绿素a的分析测定方法 |
CN102200576A (zh) * | 2011-03-10 | 2011-09-28 | 王桥 | 叶绿素a浓度反演方法及系统 |
CN102508959A (zh) * | 2011-10-31 | 2012-06-20 | 南京师范大学 | 反演高浑浊度水体中叶绿素a浓度的四波段半分析模型 |
CN103473707A (zh) * | 2013-09-17 | 2013-12-25 | 山东大学 | 建立城市河网水体光谱库的方法与应用 |
CN103983584A (zh) * | 2014-05-30 | 2014-08-13 | 中国科学院遥感与数字地球研究所 | 一种内陆二类水体叶绿素a浓度的反演方法及装置 |
CN104217254A (zh) * | 2014-08-29 | 2014-12-17 | 中国水产科学研究院东海水产研究所 | 一种渔场渔情速预报运行系统的构建方法 |
CN105158172A (zh) * | 2015-08-22 | 2015-12-16 | 中国城市科学研究会 | 一种内陆ii类水体水色参数遥感反演的分析方法 |
-
2017
- 2017-01-12 CN CN201710022574.2A patent/CN106769903B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101303337A (zh) * | 2008-07-09 | 2008-11-12 | 刘静玲 | 一种水体营养状态评价方法 |
CN101477036A (zh) * | 2009-01-13 | 2009-07-08 | 中国科学院遥感应用研究所 | 基于分段协同模型的内陆水体叶绿素a浓度遥感监测方法 |
CN101858857A (zh) * | 2010-05-14 | 2010-10-13 | 同济大学 | 富营养化水体中浮游植物叶绿素a的分析测定方法 |
CN102200576A (zh) * | 2011-03-10 | 2011-09-28 | 王桥 | 叶绿素a浓度反演方法及系统 |
CN102508959A (zh) * | 2011-10-31 | 2012-06-20 | 南京师范大学 | 反演高浑浊度水体中叶绿素a浓度的四波段半分析模型 |
CN103473707A (zh) * | 2013-09-17 | 2013-12-25 | 山东大学 | 建立城市河网水体光谱库的方法与应用 |
CN103983584A (zh) * | 2014-05-30 | 2014-08-13 | 中国科学院遥感与数字地球研究所 | 一种内陆二类水体叶绿素a浓度的反演方法及装置 |
CN104217254A (zh) * | 2014-08-29 | 2014-12-17 | 中国水产科学研究院东海水产研究所 | 一种渔场渔情速预报运行系统的构建方法 |
CN105158172A (zh) * | 2015-08-22 | 2015-12-16 | 中国城市科学研究会 | 一种内陆ii类水体水色参数遥感反演的分析方法 |
Non-Patent Citations (1)
Title |
---|
广西北海凡纳滨对虾养殖池塘叶绿素a和微藻的变化;廖思明 等;《广西科学》;20120531;第19卷(第2期);160-164 * |
Also Published As
Publication number | Publication date |
---|---|
CN106769903A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108593569B (zh) | 基于光谱形态特征的高光谱水质参数定量反演方法 | |
CN107589075B (zh) | 一种浅水湖泊固有光学参数的olci遥感监测方法 | |
CN106769903B (zh) | 一种养殖水体藻类浓度检测方法 | |
Alawadi | Detection of surface algal blooms using the newly developed algorithm surface algal bloom index (SABI) | |
CN102997856B (zh) | 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 | |
Sun et al. | A semi-analytical approach for detecting suspended particulate composition in complex turbid inland waters (China) | |
CN104316473A (zh) | 一种基于高光谱图像对鸡种蛋孵化早期胚胎性别鉴定的方法 | |
CN108956505B (zh) | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 | |
Zhang et al. | Estimation of chlorophyll-a concentration in estuarine waters: case study of the Pearl River estuary, South China Sea | |
Sun et al. | Specific inherent optical quantities of complex turbid inland waters, from the perspective of water classification | |
CN109406457A (zh) | 一种基于半分析模型的沉水植被光谱水体影响校正方法 | |
Bang-iam et al. | Design and fabrication of artificial neural network-digital image-based colorimeter for protein assay in natural rubber latex and medical latex gloves | |
CN108827907A (zh) | 一种基于近红外光谱对彩棉色度的快速测定方法 | |
Sun et al. | A novel support vector regression model to estimate the phycocyanin concentration in turbid inland waters from hyperspectral reflectance | |
CN105803070B (zh) | 一种小麦叶片内条锈病菌dna相对含量测量方法 | |
CN116229288A (zh) | 基于无人机多光谱影像的城市河道tsm浓度反演方法 | |
CN115290572A (zh) | 一种基于主动照明的赤潮偏振监测装置及其监测方法 | |
CN106092951B (zh) | 一种藻蓝蛋白浓度遥感估算的四波段模型方法 | |
CN108732142A (zh) | 基于三维荧光光谱的海水藻类赤潮及毒性检测方法 | |
CN109269994A (zh) | 一种化学需氧量的识别方法、装置、存储介质及设备 | |
Belcher et al. | Experimental determination of reflectance spectra of Antarctic krill (Euphausia superba) in the Scotia Sea | |
CN107991249B (zh) | 一种内陆水体叶绿素a浓度的普适性遥感估算方法 | |
Stoń-Egiert et al. | Distributions of photosynthetic and photoprotecting pigment concentrations in the water column in the Baltic Sea: an improved mathematical description | |
Sent | Remote sensing for water quality studies: test of Suspended Particulate Matter and turbidity algorithms for Portuguese transitional and inland waters | |
Chang et al. | RGB imaging based estimation of leaf chlorophyll content |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |