CN106971146B - 基于三查技术的水体异常遥感动态监控方法、装置和系统 - Google Patents
基于三查技术的水体异常遥感动态监控方法、装置和系统 Download PDFInfo
- Publication number
- CN106971146B CN106971146B CN201710124756.0A CN201710124756A CN106971146B CN 106971146 B CN106971146 B CN 106971146B CN 201710124756 A CN201710124756 A CN 201710124756A CN 106971146 B CN106971146 B CN 106971146B
- Authority
- CN
- China
- Prior art keywords
- water body
- remote sensing
- mrow
- msub
- image
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
-
- 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
- G01N2021/1793—Remote sensing
Landscapes
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于三查技术的水体异常遥感动态监控方法、装置和系统，属于水体异常监测领域，该方法利用中低空间分辨率遥感影像开展巡查，发现水体异常区；利用高空间分辨率遥感影像开展详查，识别和提取水体异常区；利用地面监测数据、无人机数据开展核查，对水体异常区进行核实和确认。本发明可最及时的发现水体异常区，并对水体异常区予以确认和核实，避免传统方法对水环境污染发现、识别、确认不及时的情况；利用中低空间分辨率遥感数据进行巡查、高空间分辨率遥感数据进行详查、无人机及地面监测数据进行核查的三查模式，可实现快速、自动化的获取水体异常区的分布特征，实现了简单、高效、迅速、准确、实时地提取水体异常区的分布状况。
Description
技术领域
本发明涉及水体异常监测领域，特别是指一种基于三查技术的水体异常遥感动态监控方法、装置和系统。
背景技术
水体异常是水体中营养物质过剩，水质参数浓度超标、水生生物爆发型增值、或引起水体功能下降的外源性物质输入而导致的水体的功能下降的现象。突发水环境事件及水体富营养化导致的水体功能下降是水体异常的主要表现形式。水体异常导致水环境的景观、鱼贝类及野生生物保护、工业用水、农业用水、航运等功能严重下降，以及水体污染及突发水环境事件导致的水质型缺水，水体中有毒有害物质严重超标导致水质严重恶化，严重威胁到了工农业的生产、饮用水安全和人类自身的健康。据有关部门监测，中国七大水系中一半以上河段水质受到污染，全国90％的城市水域污染严重，50％的城镇水源不符合饮用水标准，40％的水源已不能饮用。据统计目前水中污染物已达2千多种(2221)主要为有机化学物、碳化物、金属物，其中自来水里有765种(190种对人体有害，20种致癌，23种疑癌，18种促癌，56种致突变，引起肿瘤)。
常规的水体异常监测方法是利用船只等交通工具通过现场采样、带回实验室进行室内分析，获取水体异常(水环境污染及水环境事件)的相关信息，该种方法优点是能精确提取导致水环境污染物的含量，或获取水环境事件的发生位置信息，缺点是耗费大量人力、物力和财力，而且获取的水环境污染区及水环境事件的分布范围不精确、有一定的局限性。随着遥感技术的发展，水体异常发展到了利用遥感影像进行监测。水体异常(水环境污染或水环境事件)中不同类型异常光谱特征差异较大，部分可以利用遥感技术进行监测。目前，对于水体异常的遥感监测主要利用多光谱遥感影像进行图像预处理后对水质参数进行遥感反演，通过水质参数的阈值设置，提取水体异常区，该种方法可有效的获取部分水体异常区的空间位置分布特征和面积统计信息，可大大的节省常规水环境检测的人力、物力和财力成本。
该方法中的遥感影像获取是通过人为方式查询、下载、预处理及利用事先建立的水质参数反演模型，被动的利用遥感影像进行水体异常的信息提取。一般情况是对已知发生的水体异常区进行遥感监测，获取其分布位置和面积特征，该方法虽然一定程度上解决了常规方法大量耗费人力、物力和财力成本，但是没有充分利用海量遥感数据进行第一时间发现异常，缺乏时效性，不能对水体进行实时动态监控。
发明内容
本发明提供一种基于三查技术的水体异常遥感动态监控方法、装置和系统，本发明可最及时的发现水体异常区，并对水体异常区予以确认和核实，避免传统方法对水环境污染发现、识别、确认不及时的情况；其次可实现快速、自动化的获取水体异常区的分布特征，实现了简单、高效、迅速、准确、实时地提取水体异常区的分布状况。
为解决上述技术问题，本发明提供技术方案如下：
一种基于三查技术的水体异常遥感动态监控方法，包括：
步骤1：获取包含水体部分的不同空间分辨率的多光谱遥感影像；
步骤2：对中低空间分辨率的多光谱遥感影像进行预处理，获取中低空间分辨率的遥感反射率影像；
步骤3：对所述中低空间分辨率的遥感反射率影像进行水陆分离和去云处理，得到水体部分的中低空间分辨率的遥感反射率影像；
步骤4：对水体部分的中低空间分辨率的遥感反射率影像进行聚类分析，得到初步确定的水体异常区；
步骤5：提取所述初步确定的水体异常区的经纬度信息，得到疑似水体异常区的范围；
步骤6：利用所述疑似水体异常区的范围，查询覆盖该区域的同期高空间分辨率的多光谱遥感影像；
步骤7：对所述高空间分辨率的多光谱遥感影像进行预处理，获取高空间分辨率的遥感反射率影像；
步骤8：对所述高空间分辨率的遥感反射率影像进行水陆分离和去云处理，得到水体部分的高空间分辨率的遥感反射率影像；
步骤9：利用所述水体部分的高空间分辨率的遥感反射率影像，获取特征参数分布图；
步骤10：通过设置阈值，提取所述特征参数分布图中水色异常的区域，得到详查后的水体异常区的分布位置和面积；
步骤11：利用所述详查后的水体异常区实测的水质参数和/或无人机数据对所述详查后的水体异常区进行核查和修正；
步骤12：提取经过核查和修正后的水体异常区的分布位置和面积。
进一步的，所述步骤9包括：
步骤91：采用归一化植被指数法，提取疑似水体异常区的归一化植被指数NDVI，所述归一化植被指数NDVI通过如下公式得到：
其中RRed、RNIR分别是红波段、近红外波段的高空间分辨率的遥感反射率影像；
所述阈值范围为(0,1]。
进一步的，所述步骤9包括：
步骤91’：采用归一化水体指数法，提取疑似水体异常区的归一化水体指数NDWI，所述归一化水体指数NDWI通过如下公式得到：
其中RGrenn、RNIR分别是绿波段、近红外波段的高空间分辨率的遥感反射率影像；
所述阈值范围为[-1,0)。
进一步的，所述预处理包括辐射校正和几何校正。
进一步的，所述步骤4包括：
步骤41：利用迭代自组织数据分析方法对水体部分的中低空间分辨率的遥感反射率影像聚类成水体异常区和水体正常区2个类别，所述水体异常区即为初步确定的水体异常区。
一种基于三查技术的水体异常遥感动态监控装置，包括：
第一影像获取模块，用于获取包含水体部分的不同空间分辨率的多光谱遥感影像；
第一预处理模块，用于对中低空间分辨率的多光谱遥感影像进行预处理，获取中低空间分辨率的遥感反射率影像；
第一水陆分离和去云处理模块，用于对所述中低空间分辨率的遥感反射率影像进行水陆分离和去云处理，得到水体部分的中低空间分辨率的遥感反射率影像；
聚类模块，用于对水体部分的中低空间分辨率的遥感反射率影像进行聚类分析，得到初步确定的水体异常区；
第一提取模块，用于提取所述初步确定的水体异常区的经纬度信息，得到疑似水体异常区的范围；
第二影像获取模块，用于利用所述疑似水体异常区的范围，查询覆盖该区域的同期高空间分辨率的多光谱遥感影像；
第二预处理模块，用于对所述高空间分辨率的多光谱遥感影像进行预处理，获取高空间分辨率的遥感反射率影像；
第二水陆分离和去云处理模块，用于对所述高空间分辨率的遥感反射率影像进行水陆分离和去云处理，得到水体部分的高空间分辨率的遥感反射率影像；
特征参数分布图获取模块，用于利用所述水体部分的高空间分辨率的遥感反射率影像，获取特征参数分布图；
第二提取模块，用于通过设置阈值，提取所述特征参数分布图中水色异常的区域，得到详查后的水体异常区的分布位置和面积；
核查和修正模块，用于利用所述详查后的水体异常区实测的水质参数和/或无人机数据对所述详查后的水体异常区进行核查和修正；
第三提取模块，用于提取经过核查和修正后的水体异常区的分布位置和面积。
进一步的，所述特征参数分布图获取模块包括：
归一化植被指数提取单元，用于采用归一化植被指数法，提取疑似水体异常区的归一化植被指数NDVI，所述归一化植被指数NDVI通过如下公式得到：
其中RRed、RNIR分别是红波段、近红外波段的高空间分辨率的遥感反射率影像；
所述阈值范围为(0,1]。
进一步的，所述特征参数分布图获取模块包括：
归一化水体指数提取单元，用于采用归一化水体指数法，提取疑似水体异常区的归一化水体指数NDWI，所述归一化水体指数NDWI通过如下公式得到：
其中RGrenn、RNIR分别是绿波段、近红外波段的高空间分辨率的遥感反射率影像；
所述阈值范围为[-1,0)。
进一步的，所述预处理包括辐射校正和几何校正；
所述聚类模块包括：
迭代自组织数据分析单元，用于利用迭代自组织数据分析方法对水体部分的中低空间分辨率的遥感反射率影像聚类成水体异常区和水体正常区2个类别，所述水体异常区即为初步确定的水体异常区。
一种基于三查技术的水体异常遥感动态监控系统，包括：
中低空间分辨率图像采集设备，用于获取中低空间分辨率的多光谱遥感影像；
高空间分辨率图像采集设备，用于获取高空间分辨率的多光谱遥感影像；
无人机和/或地面监测站，用于获取水体异常区实测的水质参数；
以及，上述的基于三查技术的水体异常遥感动态监控装置；
所述中低空间分辨率图像采集设备，高空间分辨率图像采集设备，无人机或地面监测站，和基于三查技术的水体异常遥感动态监控装置数据连接。
本发明具有以下有益效果：
本发明首先获取中低空间分辨率遥感影像的反射率，之后进行水陆分离及去云处理得到水域部分遥感反射率，并对遥感反射率进行聚类分析，获取水体正常区和水体异常区；之后对水体异常区进行边界提取，利用提取的边界信息查询同区域的高空间分辨率遥感影像；之后对高空间分辨率遥感影像进行几何及辐射校正后获取高空间分辨率影像的遥感反射率；并对高空间分辨率的遥感反射率影像进行水陆分离和去云处理，得到水体部分的高空间分辨率的遥感反射率影像；之后利用水环境特征参数对发现的疑似水体异常区进行特征指数提取；利用阈值提取水体异常区，获取水体异常区的分布特征；之后利用地面实测水质参数或无人机数据对详查的水体异常区进行确认和核实，最终获取水体异常区的分布位置和面积。
本发明可最及时的发现水体异常区，并对水体异常区予以确认和核实，避免传统方法对水环境污染发现、识别、确认不及时的情况；其次利用中低空间分辨率遥感数据进行巡查、高空间分辨率遥感数据进行详查、无人机及地面监测数据进行核查的三查模式，可实现快速、自动化的获取水体异常区的分布特征，实现了简单、高效、迅速、准确、实时地提取水体异常区的分布状况。
附图说明
图1为本发明的基于三查技术的水体异常遥感动态监控方法流程图；
图2为本发明的基于三查技术的水体异常遥感动态监控方法一个具体应用示例的示意图；
图3为本发明的基于三查技术的水体异常遥感动态监控装置示意图；
图4为本发明的基于三查技术的水体异常遥感动态监控系统示意图。
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。
一方面，本发明提供一种基于三查技术的水体异常遥感动态监控方法，如图1所示，包括：
步骤1：获取包含水体部分的不同空间分辨率的多光谱遥感影像。多光谱遥感影像是指包含多个波段的遥感影像，波段数一般为几个到十几个。空间分辨率是指像素所代表的地面范围的大小，即扫描仪的瞬时视场，或地面物体能分辨的最小单元。本步骤中，一般从图像采集设备(搭载在卫星上的光谱仪等)获取多光谱遥感影像。
步骤2：对中低空间分辨率的多光谱遥感影像进行预处理，获取中低空间分辨率的遥感反射率影像。中低空间分辨率一般指一个像素所代表的地面范围大于20m以上。
步骤3：对中低空间分辨率的遥感反射率影像进行水陆分离和去云处理，得到水体部分的中低空间分辨率的遥感反射率影像。本步骤中，利用特定波段的信息，对影像进行边缘检测，检测出岛礁和大陆的轮廓，进行裁剪，完成水陆分离。或者利用已知的水体边界，对中低空间分辨率的遥感反射率影像进行裁剪。本发明可以采用红波段阈值法进行去云处理。
步骤4：对水体部分的中低空间分辨率的遥感反射率影像进行聚类分析，得到初步确定的水体异常区。本步骤利用中低空间分辨率的遥感反射率影像，对水体异常进行遥感识别，通常通过聚类的方法，将水体分成正常区和异常区。
步骤5：提取初步确定的水体异常区的经纬度信息，得到疑似水体异常区的范围。获得的多光谱遥感影像上包含有经纬度信息，对应提取即可。
步骤6：利用疑似水体异常区的范围，查询覆盖该区域的同期高空间分辨率的多光谱遥感影像。高空间分辨率一般指一个像素所代表的地面范围一般小于20m。
步骤7：对高空间分辨率的多光谱遥感影像进行预处理，获取高空间分辨率的遥感反射率影像。
步骤8：对高空间分辨率的遥感反射率影像进行水陆分离和去云处理，得到水体部分的高空间分辨率的遥感反射率影像。水陆分离和去云处理方法同前述。
步骤9：利用水体部分的高空间分辨率的遥感反射率影像，获取特征参数分布图。特征参数分布图一般是指水色异常分布图。
步骤10：通过设置阈值，提取特征参数分布图中水色异常的区域，得到详查后的水体异常区的分布位置和面积。阈值一般根据经验设定。
步骤11：利用详查后的水体异常区实测的水质参数和/或无人机数据对详查后的水体异常区进行核查和修正。用于核查和修正的数据有如下几种：实际采样测量、网络媒体公布的水质参数、无人机航拍的数据。无人机航拍的数据，主要是通过目视的方法查看有无异常。如果该区域没有存在水体异常，或水体异常区与详查后的水体异常区不符，则对详查后的水体异常区进行修正。
步骤12：提取经过核查和修正后的水体异常区的分布位置和面积，获得最终的水体异常区。
本发明首先获取中低空间分辨率遥感影像的反射率，之后进行水陆分离及去云处理得到水域部分遥感反射率，并对遥感反射率进行聚类分析，获取水体正常区和水体异常区；之后对水体异常区进行边界提取，利用提取的边界信息查询同区域的高空间分辨率遥感影像；之后对高空间分辨率遥感影像进行几何及辐射校正后获取高空间分辨率影像的遥感反射率；并对高空间分辨率的遥感反射率影像进行水陆分离和去云处理，得到水体部分的高空间分辨率的遥感反射率影像；之后利用水环境特征参数对发现的疑似水体异常区进行特征指数提取；利用阈值提取水体异常区，获取水体异常区的分布特征；之后利用地面实测水质参数或无人机数据对详查的水体异常区进行确认和核实，最终获取水体异常区的分布位置和面积。
本发明可最及时的发现水体异常区，并对水体异常区予以确认和核实，避免传统方法对水环境污染发现、识别、确认不及时的情况；其次利用中低空间分辨率遥感数据进行巡查、高空间分辨率遥感数据进行详查、无人机及地面监测数据进行核查的三查模式，可实现快速、自动化的获取水体异常区的分布特征，实现了简单、高效、迅速、准确、实时地提取水体异常区的分布状况。
本发明可以采用多种方式获取特征参数分布图，例如，对于浒苔、水华、水葫芦等近红外有明显反射峰的环境污染，采用归一化植被指数法(Normalized DifferenceVegetation Index,NDVI)，具体步骤如下：
步骤91：采用归一化植被指数法，提取疑似水体异常区的归一化植被指数NDVI，归一化植被指数NDVI通过如下公式得到：
其中RRed、RNIR分别是红波段、近红外波段的高空间分辨率的遥感反射率影像；
此时，在步骤10中，阈值范围为(0,1]。即当NDVI大于0时，认为水体被浒苔覆盖，为水体异常区。
遥感影像中，近红外波段的反射值与红光波段的反射值之差比上两者之和，即为归一化植被指数。归一化植被指数是反映农作物长势和营养信息的重要参数之一。用于检测植被生长状态、植被覆盖度和消除部分辐射误差等。本发明将其用来检测水体中的浒苔、水华、水葫芦等水体异常。
对于工业排污、赤潮、溢油等近红外无明显反射峰的环境污染，采用归一化水体指数法(Normalized Difference Water Index,NDWI)，具体步骤如下：
步骤91’：采用归一化水体指数法，提取疑似水体异常区的归一化水体指数NDWI，归一化水体指数NDWI通过如下公式得到：
其中RGrenn、RNIR分别是绿波段、近红外波段的高空间分辨率的遥感反射率影像；
此时，在步骤10中，阈值范围为[-1,0)。
归一化水体指数，用遥感影像的特定波段进行归一化差值处理，以凸显影像中的水体信息。是基于绿波段与近红外波段的归一化比值指数。用来提取影像中的水体信息，效果较好。
本发明中，前述的预处理包括辐射校正和几何校正。辐射校正(radiometriccorrection)是指对由于外界因素，数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正，消除或改正因辐射误差而引起影像畸变的过程。遥感成像的时候，由于飞行器的姿态、高度、速度以及地球自转等因素的影响，造成图像相对于地面目标发生几何畸变，这种畸变表现为像元相对于地面目标的实际位置发生挤压、扭曲、拉伸和偏移等，针对几何畸变进行的误差校正就叫几何校正。
进一步的，本发明的步骤4包括：
步骤41：利用迭代自组织数据分析方法对水体部分的中低空间分辨率的遥感反射率影像聚类成水体异常区和水体正常区2个类别，水体异常区即为初步确定的水体异常区。具体步骤如下：
设有N个模式样本X1，X2，……，XN；
K——期望的聚类中心数(K＝2)；
θN——每一类中至少应包含的样本数；
θs——类内样本标准差阈值；
θc——两个聚类中心之间的最小距离阈值；
L——一次迭代中允许合并的最多对数；
I——允许迭代的次数。
具体步骤如下：
第一步：任选C个聚类中心z1(1)，z2(1)，……，zc(1)；定义算法参数K，。其中c不要求等于希望的聚类中心数K，θN，θs，θc，L，I。其中C不要求等于希望的聚类中心书K。
第二步：分配N个样本按最近邻规则分配到C个聚类中。若∣X-Zi∣<∣X-Zj∣,i＝1,2,……,j,i≠j，则X∈Xi，其中Xi表示分类到聚类中心Zj的样本子集，Ni为Xi的样本个数。
第三步：若Ni<θN，则去除Xi，使C＝C-1，也就是将样本数比θN少的样本子集删去。
第四步：修正各聚类中心Zi：
第五步：计算Xi中样本与各聚类中心间的平均距离：
第六步：计算总体的平均距离：
其中N为样本集中样本总数。
第七步：判断分裂、合并及迭代运算步骤。
(1)若迭代已达I次，置θc＝0，转到第十一步，算法结束。
(2)若c≤K/2，即聚类中心小于或等于希望数的一半，转到第八步，将已有类分裂；
(3)若迭代次数是偶数，或c≥2K，即聚类中心数目大于期望数的两倍，则转到第十一步，进行合并处理。
(4)若(2)和(3)不满足则继续，转入第八步。
第八步：计算每个聚类中心样本距离的标准差向量。对第Xi类有：
σi＝[σi1，σi2，…，σin，]T，i＝1，2，…，c；
其中各分量为
式中，n是样本维数，即xi是n维模式向量；xij是Xi类样本xi的第j个分量，zij是Xi类聚类中心zi的第j个分量，所以σij是xi的第i个分量的标准差。
第九步：求出σi中最大分量σimax，i＝1,2，…，c；
第十步：若σimax>θs,i＝1,2，…，c；同时满足一下条件之一：
(1)类内平均距离大于总体平均距离；
(2)聚类数小于期望数的一半；
则将Xi分成两个新的聚类中心。
第十一步：计算全部聚类中心的两两距离dij
第十二步：若dij>θc，则转到第十四步，否则将dij<θc的值升序排列；
第十三步：逐对合并，算出新的聚类中心；
第十四步：迭代处理，若是最后一次迭代，l＝I算法结束，否则：
(1)不修改参数，l＝l+1，转到第二步；
(2)需要人工输入参数，l＝l+1，转到第一步。
下面通过一个具体的实施例对上述方法进行详细说明，此实施例的水体异常以浒苔为例，水体以青岛附近海域为例。
如图2中(a)所示，利用低分辨率MODIS影像数据对青岛附近海域进行水色异常提取，经过巡查发现有大量浒苔分布，尤其在东南部海域。
如图2中(b)所示，通过巡查后，对发现水色异常的区域进行了GF-1数据查询、检索，预处理、异常提取等流程，发现青岛沿岸海域存在大量浒苔；
如图2中(c)所示，利用网络媒体，新闻报道，微博等新闻载体对报道的环境舆情进行了查询，经过核实，该区域确实存在大量浒苔。
具体步骤如下：
1、获取低空间分辨率的MODIS影像，对所述影像进行几何及辐射校正，获取遥感反射率影像。modis是搭载在terra和aqua卫星上的一个重要的传感器，是卫星上唯一将实时观测数据通过x波段向全世界直接广播，并可以免费接收数据并无偿使用的星载仪器，全球许多国家和地区都在接收和使用modis数据。
2、对遥感反射率进行水陆分离及去云处理，得到水域部分的遥感反射率。
3、对水域部分的遥感反射率进行聚类分析，分成疑似浒苔区和正常水体。
4、提取疑似浒苔区经纬度信息，获取疑似浒苔区的分布范围。
5、利用疑似浒苔区的分布范围，查询同时期该区域的高空间分辨率遥感影像GF1-WFV。GF1-WFV是高分一号卫星的影像数据，其空间分辨率能达到16m(多光谱)。
6、对GF1-WFV影像进行几何及辐射校正，获取该区域的遥感反射率影像。
7、对所述遥感反射率影像进行图像波段运算，计算NDVI，获取疑似浒苔区的NDVI分布图。
8、设置NDVI阈值，提取NDVI>0的区域，获取浒苔分布范围和面积。
9、利用地面同区域的实测浒苔分布范围对详查获取的浒苔分布范围进行核实和验证。
10、对所述经过核实和验证后的浒苔分布范围提取其位置分布和面积特征，最终获取浒苔的分布位置和面积。
本发明利用中低空间分辨率遥感影像开展巡查，采用迭代自组织数据分析方法发现水体异常区；利用高空间分辨率遥感影像开展详查，采用水环境污染反演算法，识别和提取水体异常区；利用地面监测数据、无人机数据或新闻报道开展核查，采用数据离散化及尺度变换进行空间映射，对详查的水体异常区进行核实和确认。
另一方面，本发明提供一种基于三查技术的水体异常遥感动态监控装置100，该装置一般为服务器，数据处理中心等，如图3所示，包括：
第一影像获取模块101，用于获取包含水体部分的不同空间分辨率的多光谱遥感影像。
第一预处理模块102，用于对中低空间分辨率的多光谱遥感影像进行预处理，获取中低空间分辨率的遥感反射率影像。
第一水陆分离和去云处理模块103，用于对中低空间分辨率的遥感反射率影像进行水陆分离和去云处理，得到水体部分的中低空间分辨率的遥感反射率影像。
聚类模块104，用于对水体部分的中低空间分辨率的遥感反射率影像进行聚类分析，得到初步确定的水体异常区。
第一提取模块105，用于提取初步确定的水体异常区的经纬度信息，得到疑似水体异常区的范围。
第二影像获取模块106，用于利用疑似水体异常区的范围，查询覆盖该区域的同期高空间分辨率的多光谱遥感影像。
第二预处理模块107，用于对高空间分辨率的多光谱遥感影像进行预处理，获取高空间分辨率的遥感反射率影像。
第二水陆分离和去云处理模块108，用于对高空间分辨率的遥感反射率影像进行水陆分离和去云处理，得到水体部分的高空间分辨率的遥感反射率影像。
特征参数分布图获取模块109，用于利用水体部分的高空间分辨率的遥感反射率影像，获取特征参数分布图。
第二提取模块110，用于通过设置阈值，提取所述特征参数分布图中水色异常的区域，得到详查后的水体异常区的分布位置和面积
核查和修正模块111，用于利用水体异常区实测的水质参数和/或无人机数据对详查后的水体异常区进行核查和修正。
第三提取模块112，用于提取经过核查和修正后的水体异常区的分布位置和面积。
本发明可最及时的发现水体异常区，并对水体异常区予以确认和核实，避免传统方法对水环境污染发现、识别、确认不及时的情况；其次利用中低空间分辨率遥感数据进行巡查、高空间分辨率遥感数据进行详查、无人机及地面监测数据进行核查的三查模式，可实现快速、自动化的获取水体异常区的分布特征，实现了简单、高效、迅速、准确、实时地提取水体异常区的分布状况。
进一步的，特征参数分布图获取模块包括：
归一化植被指数提取单元，用于采用归一化植被指数法，提取疑似水体异常区的归一化植被指数NDVI，归一化植被指数NDVI通过如下公式得到：
其中RRed、RNIR分别是红波段、近红外波段的高空间分辨率的遥感反射率影像；
阈值范围为(0,1]。
进一步的，特征参数分布图获取模块包括：
归一化水体指数提取单元，用于采用归一化水体指数法，提取疑似水体异常区的归一化水体指数NDWI，归一化水体指数NDWI通过如下公式得到：
其中RGrenn、RNIR分别是绿波段、近红外波段的高空间分辨率的遥感反射率影像；
阈值范围为[-1,0)。
优选的，预处理包括辐射校正和几何校正；
聚类模块包括：
迭代自组织数据分析单元，用于利用迭代自组织数据分析方法对水体部分的中低空间分辨率的遥感反射率影像聚类成水体异常区和水体正常区2个类别，水体异常区即为初步确定的水体异常区。
再一方面，本发明还提供一种基于三查技术的水体异常遥感动态监控系统，如图4所示，包括：
中低空间分辨率图像采集设备200，用于获取中低空间分辨率的多光谱遥感影像，部署在卫星上。一般为中低空间分辨率成像光谱仪或CCD相机等。
高空间分辨率图像采集设备300，用于获取高空间分辨率的多光谱遥感影像，部署在卫星上。般为高空间分辨率CCD相机等。
无人机400和/或地面监测站500，用于获取水体异常区实测的水质参数或水体异常区照片。
以及，上述的基于三查技术的水体异常遥感动态监控装置100。
中低空间分辨率图像采集设备200，高空间分辨率图像采集设备300，无人机400或地面监测站500，和基于三查技术的水体异常遥感动态监控装置数据100连接。
本发明可最及时的发现水体异常区，并对水体异常区予以确认和核实，避免传统方法对水环境污染发现、识别、确认不及时的情况；其次利用中低空间分辨率遥感数据进行巡查、高空间分辨率遥感数据进行详查、无人机及地面监测数据进行核查的三查模式，可实现快速、自动化的获取水体异常区的分布特征，实现了简单、高效、迅速、准确、实时地提取水体异常区的分布状况。
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 (9)
1.一种基于三查技术的水体异常遥感动态监控方法，其特征在于，包括：
步骤1：获取包含水体部分的不同空间分辨率的多光谱遥感影像；
步骤2：对中低空间分辨率的多光谱遥感影像进行预处理，获取中低空间分辨率的遥感反射率影像；
步骤3：对所述中低空间分辨率的遥感反射率影像进行水陆分离和去云处理，得到水体部分的中低空间分辨率的遥感反射率影像；
步骤4：对水体部分的中低空间分辨率的遥感反射率影像进行聚类分析，得到初步确定的水体异常区；
步骤5：提取所述初步确定的水体异常区的经纬度信息，得到疑似水体异常区的范围；
步骤6：利用所述疑似水体异常区的范围，查询覆盖该区域的同期高空间分辨率的多光谱遥感影像；
步骤7：对所述高空间分辨率的多光谱遥感影像进行预处理，获取高空间分辨率的遥感反射率影像；
步骤8：对所述高空间分辨率的遥感反射率影像进行水陆分离和去云处理，得到水体部分的高空间分辨率的遥感反射率影像；
步骤9：利用所述水体部分的高空间分辨率的遥感反射率影像，获取特征参数分布图；
步骤10：通过设置阈值，提取所述特征参数分布图中水色异常的区域，得到详查后的水体异常区的分布位置和面积；
步骤11：利用所述详查后的水体异常区实测的水质参数和/或无人机数据对所述详查后的水体异常区进行核查和修正；
步骤12：提取经过核查和修正后的水体异常区的分布位置和面积；
所述步骤4包括：
步骤41：利用迭代自组织数据分析方法对水体部分的中低空间分辨率的遥感反射率影像聚类成水体异常区和水体正常区2个类别，所述水体异常区即为初步确定的水体异常区。
2.根据权利要求1所述的基于三查技术的水体异常遥感动态监控方法，其特征在于，所述步骤9包括：
步骤91：采用归一化植被指数法，提取疑似水体异常区的归一化植被指数NDVI，所述归一化植被指数NDVI通过如下公式得到：
<mrow>
<mi>N</mi>
<mi>D</mi>
<mi>V</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>N</mi>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>Re</mi>
<mi>d</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>N</mi>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>Re</mi>
<mi>d</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中RRed、RNIR分别是红波段、近红外波段的高空间分辨率的遥感反射率影像；
所述阈值范围为(0,1]。
3.根据权利要求1所述的基于三查技术的水体异常遥感动态监控方法，其特征在于，所述步骤9包括：
步骤91’：采用归一化水体指数法，提取疑似水体异常区的归一化水体指数NDWI，所述归一化水体指数NDWI通过如下公式得到：
<mrow>
<mi>N</mi>
<mi>D</mi>
<mi>W</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>G</mi>
<mi>r</mi>
<mi>e</mi>
<mi>e</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>N</mi>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>G</mi>
<mi>r</mi>
<mi>e</mi>
<mi>e</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>N</mi>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中RGrenn、RNIR分别是绿波段、近红外波段的高空间分辨率的遥感反射率影像；
所述阈值范围为[-1,0)。
4.根据权利要求1-3任一所述的基于三查技术的水体异常遥感动态监控方法，其特征在于，所述预处理包括辐射校正和几何校正。
5.一种基于三查技术的水体异常遥感动态监控装置，其特征在于，包括：
第一影像获取模块，用于获取包含水体部分的不同空间分辨率的多光谱遥感影像；
第一预处理模块，用于对中低空间分辨率的多光谱遥感影像进行预处理，获取中低空间分辨率的遥感反射率影像；
第一水陆分离和去云处理模块，用于对所述中低空间分辨率的遥感反射率影像进行水陆分离和去云处理，得到水体部分的中低空间分辨率的遥感反射率影像；
聚类模块，用于对水体部分的中低空间分辨率的遥感反射率影像进行聚类分析，得到初步确定的水体异常区；
第一提取模块，用于提取所述初步确定的水体异常区的经纬度信息，得到疑似水体异常区的范围；
第二影像获取模块，用于利用所述疑似水体异常区的范围，查询覆盖该区域的同期高空间分辨率的多光谱遥感影像；
第二预处理模块，用于对所述高空间分辨率的多光谱遥感影像进行预处理，获取高空间分辨率的遥感反射率影像；
第二水陆分离和去云处理模块，用于对所述高空间分辨率的遥感反射率影像进行水陆分离和去云处理，得到水体部分的高空间分辨率的遥感反射率影像；
特征参数分布图获取模块，用于利用所述水体部分的高空间分辨率的遥感反射率影像，获取特征参数分布图；
第二提取模块，用于通过设置阈值，提取所述特征参数分布图中水色异常的区域，得到详查后的水体异常区的分布位置和面积；
核查和修正模块，用于利用所述详查后的水体异常区实测的水质参数和/或无人机数据对所述详查后的水体异常区进行核查和修正；
第三提取模块，用于提取经过核查和修正后的水体异常区的分布位置和面积；
所述聚类模块包括：
迭代自组织数据分析单元，用于利用迭代自组织数据分析方法对水体部分的中低空间分辨率的遥感反射率影像聚类成水体异常区和水体正常区2个类别，所述水体异常区即为初步确定的水体异常区。
6.根据权利要求5所述的基于三查技术的水体异常遥感动态监控装置，其特征在于，所述特征参数分布图获取模块包括：
归一化植被指数提取单元，用于采用归一化植被指数法，提取疑似水体异常区的归一化植被指数NDVI，所述归一化植被指数NDVI通过如下公式得到：
<mrow>
<mi>N</mi>
<mi>D</mi>
<mi>V</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>N</mi>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>Re</mi>
<mi>d</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>N</mi>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>Re</mi>
<mi>d</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中RRed、RNIR分别是红波段、近红外波段的高空间分辨率的遥感反射率影像；
所述阈值范围为(0,1]。
7.根据权利要求5所述的基于三查技术的水体异常遥感动态监控装置，其特征在于，所述特征参数分布图获取模块包括：
归一化水体指数提取单元，用于采用归一化水体指数法，提取疑似水体异常区的归一化水体指数NDWI，所述归一化水体指数NDWI通过如下公式得到：
<mrow>
<mi>N</mi>
<mi>D</mi>
<mi>W</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>G</mi>
<mi>r</mi>
<mi>e</mi>
<mi>e</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>N</mi>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>G</mi>
<mi>r</mi>
<mi>e</mi>
<mi>e</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>N</mi>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中RGrenn、RNIR分别是绿波段、近红外波段的高空间分辨率的遥感反射率影像；
所述阈值范围为[-1,0)。
8.根据权利要求5-7任一所述的基于三查技术的水体异常遥感动态监控装置，其特征在于，所述预处理包括辐射校正和几何校正。
9.一种基于三查技术的水体异常遥感动态监控系统，其特征在于，包括：
中低空间分辨率图像采集设备，用于获取中低空间分辨率的多光谱遥感影像；
高空间分辨率图像采集设备，用于获取高空间分辨率的多光谱遥感影像；
无人机和/或地面监测站，用于获取水体异常区实测的水质参数；
以及，权利要求5-8任一所述的基于三查技术的水体异常遥感动态监控装置；
所述中低空间分辨率图像采集设备，高空间分辨率图像采集设备，无人机或地面监测站，和基于三查技术的水体异常遥感动态监控装置数据连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710124756.0A CN106971146B (zh) | 2017-03-03 | 2017-03-03 | 基于三查技术的水体异常遥感动态监控方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710124756.0A CN106971146B (zh) | 2017-03-03 | 2017-03-03 | 基于三查技术的水体异常遥感动态监控方法、装置和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106971146A CN106971146A (zh) | 2017-07-21 |
| CN106971146B true CN106971146B (zh) | 2018-04-03 |
Family
ID=59328824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710124756.0A Active CN106971146B (zh) | 2017-03-03 | 2017-03-03 | 基于三查技术的水体异常遥感动态监控方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106971146B (zh) |
Families Citing this family (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107453803B (zh) * | 2017-09-20 | 2018-08-10 | 中城泰信（苏州）科技发展股份有限公司 | 一种遥感云核的异常核查方法 |
| PL3477286T3 (pl) * | 2017-10-25 | 2023-06-26 | F. Hoffmann-La Roche Ag | Sposoby i urządzenia do pomiarów analitycznych |
| CN108169142B (zh) * | 2017-12-20 | 2019-02-22 | 环境保护部卫星环境应用中心 | 基于遥感影像的水色异常快速定位方法和装置 |
| CN108253943B (zh) * | 2017-12-24 | 2020-08-21 | 航天恒星科技有限公司 | 一种基于卫星遥感影像的赤潮浒苔一体化监测方法 |
| CN108230631A (zh) * | 2017-12-29 | 2018-06-29 | 南京林业大学 | 湖泊外来水生植物物种检测与侵入风险预警系统 |
| CN110082295A (zh) * | 2018-01-25 | 2019-08-02 | 芯视界（北京）科技有限公司 | 水质监测系统及方法 |
| CN108830876B (zh) * | 2018-05-28 | 2022-03-08 | 河海大学 | 一种水域轮廓提取及面积检测方法 |
| CN109272460A (zh) * | 2018-08-29 | 2019-01-25 | 北京观微科技有限公司 | 水田信息提取方法及系统 |
| CN109377476B (zh) * | 2018-09-20 | 2020-10-23 | 中国农业大学 | 遥感影像云检测特征参数的动态阈值获取方法及装置 |
| CN109815880A (zh) * | 2019-01-20 | 2019-05-28 | 景遥（上海）信息技术有限公司 | 基于低空遥感影像和深度学习的水葫芦识别系统及方法 |
| CN111239148B (zh) * | 2019-03-11 | 2020-12-04 | 青田县君翔科技有限公司 | 水质检测方法 |
| CN111723599A (zh) * | 2019-03-18 | 2020-09-29 | 华东师范大学 | 基于无人机影像植株定位信息自动提取的系统及方法 |
| CN110378290A (zh) * | 2019-07-22 | 2019-10-25 | 中国水利水电科学研究院 | 一种多云光学影像数据洪涝水体信息快速提取方法及系统 |
| CN111047566B (zh) * | 2019-12-04 | 2023-07-14 | 昆明市滇池高原湖泊研究院 | 无人机和多光谱卫星影像进行水生植被年变化统计的方法 |
| CN111380836B (zh) * | 2020-03-04 | 2024-08-16 | 平安国际智慧城市科技股份有限公司 | 基于遥感影像的黑臭水定位方法、装置及其相关设备 |
| CN111307727B (zh) * | 2020-03-13 | 2020-10-30 | 生态环境部卫星环境应用中心 | 基于时序遥感影像的水体水色异常识别方法和装置 |
| CN112069999A (zh) * | 2020-09-07 | 2020-12-11 | 广东生太修复科技有限公司 | 智能黑臭水处理方法及相关装置 |
| CN112232234B (zh) * | 2020-10-20 | 2021-04-16 | 生态环境部卫星环境应用中心 | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 |
| CN111967454B (zh) * | 2020-10-23 | 2021-01-08 | 自然资源部第二海洋研究所 | 基于混合像元的绿潮覆盖比例提取模型确定方法及设备 |
| CN113324923B (zh) * | 2021-06-07 | 2023-07-07 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
| CN113435291B (zh) * | 2021-06-22 | 2022-10-28 | 生态环境部华南环境科学研究所 | 一种排污口排查工作量核算方法、系统、装置及存储介质 |
| CN113947726B (zh) * | 2021-10-29 | 2022-07-01 | 江苏天汇空间信息研究院有限公司 | 基于互联网的生态河湖区域监管系统 |
| CN114781537B (zh) * | 2022-05-07 | 2024-04-16 | 自然资源部第二海洋研究所 | 一种基于高分辨率卫星影像的入海排口疑似排污识别方法 |
| CN116912704A (zh) * | 2023-06-02 | 2023-10-20 | 生态环境部环境规划院 | 一种基于遥感及地面核查技术的地表水磷污染物溯源方法 |
| CN116758106B (zh) * | 2023-07-13 | 2024-02-27 | 江苏中天吉奥信息技术股份有限公司 | 基于无人机的水流登记单元界线核实方法 |
| CN117274827B (zh) * | 2023-11-23 | 2024-02-02 | 江苏国态环保集团有限公司 | 一种智慧环境环保远程实时监测预警方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104636629A (zh) * | 2015-03-05 | 2015-05-20 | 香港中文大学深圳研究院 | 一种突发性水质污染事件的分析方法及装置 |
| CN105761286A (zh) * | 2016-02-29 | 2016-07-13 | 环境保护部卫星环境应用中心 | 基于多光谱遥感影像的水色异常对象提取方法及系统 |
| CN106353256A (zh) * | 2016-11-10 | 2017-01-25 | 哈尔滨工业大学 | 一种基于多光谱遥感图像的水体藻类污染检测方法 |
-
2017
- 2017-03-03 CN CN201710124756.0A patent/CN106971146B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104636629A (zh) * | 2015-03-05 | 2015-05-20 | 香港中文大学深圳研究院 | 一种突发性水质污染事件的分析方法及装置 |
| CN105761286A (zh) * | 2016-02-29 | 2016-07-13 | 环境保护部卫星环境应用中心 | 基于多光谱遥感影像的水色异常对象提取方法及系统 |
| CN106353256A (zh) * | 2016-11-10 | 2017-01-25 | 哈尔滨工业大学 | 一种基于多光谱遥感图像的水体藻类污染检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106971146A (zh) | 2017-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Bao et al. | Monitoring of beach litter by automatic interpretation of unmanned aerial vehicle images using the segmentation threshold method | |
| Goodbody et al. | Assessing the status of forest regeneration using digital aerial photogrammetry and unmanned aerial systems | |
| Sona et al. | UAV multispectral survey to map soil and crop for precision farming applications | |
| CN104881865B (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
| Saha et al. | Land cover classification using IRS LISS III image and DEM in a rugged terrain: a case study in Himalayas | |
| Lizarazo et al. | Automatic mapping of land surface elevation changes from UAV-based imagery | |
| KR101965235B1 (ko) | 무인기 원격탐사를 통한 잘피군락지 분포조사방법 | |
| CN111426637A (zh) | 一种利用无人机获取城市黑臭河流水质参数的方法 | |
| Li et al. | Ultrahigh-resolution boreal forest canopy mapping: Combining UAV imagery and photogrammetric point clouds in a deep-learning-based approach | |
| CN115266632A (zh) | 一种水体污染源无人机高光谱遥感排查方法 | |
| Rukhovich et al. | Maps of averaged spectral deviations from soil lines and their comparison with traditional soil maps | |
| CN113744249B (zh) | 一种海洋生态环境损害调查方法 | |
| CN114112906B (zh) | 一种基于无人机低空遥感和局部地形的水体特征提取系统 | |
| CN117409339A (zh) | 一种用于空地协同的无人机作物状态视觉识别方法 | |
| CN111310640A (zh) | Landsat8影像绿潮自适应阈值分区智能检测方法 | |
| Tao et al. | Recognition of ecological vegetation fairy circles in intertidal salt marshes from UAV LiDAR point clouds | |
| CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
| CN110428013B (zh) | 一种农作物遥感分类方法及系统 | |
| CN115661634A (zh) | 城市生态网络空间要素精准识别方法 | |
| Chen et al. | 3D model construction and ecological environment investigation on a regional scale using UAV remote sensing | |
| CN116543300A (zh) | 一种基于语义分割的云-气溶胶层次分类方法 | |
| Ghale | Multitemporal change detection on Urmia lake and its catchment area using remote sensing and geographical information systems | |
| Duan et al. | Denoising and classification of urban ICESat-2 photon data fused with Sentinel-2 spectral images | |
| CN108242078A (zh) | 一种三维可视化的地表环境模型生成方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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 |