CN108020511A - 一种浅水草型湖泊水质参数遥感监测方法与装置 - Google Patents
一种浅水草型湖泊水质参数遥感监测方法与装置 Download PDFInfo
- Publication number
- CN108020511A CN108020511A CN201610942791.9A CN201610942791A CN108020511A CN 108020511 A CN108020511 A CN 108020511A CN 201610942791 A CN201610942791 A CN 201610942791A CN 108020511 A CN108020511 A CN 108020511A
- Authority
- CN
- China
- Prior art keywords
- water
- water plant
- quality parameter
- water quality
- mrow
- 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
-
- 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
-
- 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
- G01N2021/1797—Remote sensing in landscape, e.g. crops
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)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种浅水草型湖泊水质参数遥感监测方法,包括步骤:获取湖泊区域的时间序列卫星遥感影像数据,使用归一化差分水体指数MNDWI提取水体;计算水体的归一化差分植被指数NDVI和归一化差分水草指数NDAPI,以快速提取水草覆盖区及水草生长状况;对水草覆盖区构建植被指数时谱立方体影像,实现对水草种类的精细分区;利用水草种类、水草生长状况对水质的指示作用,实现分区、分季节反演水草覆盖区水质参数;形成水质参数空间分布图。本发明的提出的方法,根据地物的独特物候特性和遥感植被指数时间谱分析技术,实现遥感卫星影像上水草种类的精细识别,可简单、快速地实现浅水草型湖泊的水质参数反演。
Description
技术领域
本发明属于测量领域,具体涉及一种利用卫星遥感数据获取水体性质参数的方法。
背景技术
在我国长江中下游和黄淮海平原上有许多平均水深小于4米的浅水湖,当水中营养盐丰富,水底为多腐殖质的淤泥时,便会导致水生植物大量繁殖,使这些湖泊逐步发展成为草型湖泊。浅水草型湖泊作为淡水蓄水池,为湖泊周围的城市居民提供生活用水,这些湖泊的水质与人们的生活息息相关,因此对内陆浅水草型湖泊展开水质监测工作十分重要。常规的水质监测工作需要现场采集水样,对于较大的湖区还需要设计许多监测点,加上后期的水样分析,这都使水体监测耗费大量人力物力。而通过卫星遥感图像可以方便快捷的监测大范围湖区的水质状况,随着遥感技术的不断发展,根据不同湖区水体的光谱特点,建立符合该湖区的遥感监测模型,实现水质关键参数的定量分析。
遥感常用的水质参数有叶绿素a浓度、悬浮物浓度、水体浊度等,其中叶绿素a浓度是水生浮游生物的直接反应,也是水体富营养化的主要参考量,而悬浮物是造成水浑浊的主要原因,其浓度是水污染程度的指标之一;浊度是水体透明度的衡量,在一定程度上也反映了水体的悬浮物浓度的大小,但是浊度还与悬浮物的成分、颗粒大小、形状及其表面的反射性能有关(《湖泊科学》第14卷第3期193-202页;《红外与毫米波学报》第28卷第2期124-128页)。
然而传统的遥感水质监测模型对于水生植物水体大都通过植被指数等方法将其识别出来并掩膜掉,并没有反映出这部分水体的水质状况。与藻型湖泊不同,浅水草型湖泊的水体光谱会混入大量水生植物的植被信息,使其水质参量的遥感反演难以进行。在浅水草型湖泊中,水生植物生长茂盛,常常覆盖大片湖区,若直接掩膜忽略水生植物则达不到监测水质的需求。浅水草型湖泊的特殊性使得传统的内陆湖泊水质遥感监测方法难以达到其全湖范围的水质监测要求。不同种类的水草及其生长状况与该区域的水体水质有着密切的联系,如何利用水草对水质的指示作用,解决含有大量水草覆盖的浅水草型湖泊水体水质参数监测是值得关注的一个问题。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种适合典型浅水草型内陆湖泊水质参数遥感监测方法,以突破水草覆盖区难以遥感反演水体水质参数的难题,为典型浅水草型内陆湖泊水质参数遥感监测的业务化运行提供一种新思路。
本发明的第二个目的是提出一种适合典型浅水草型内陆湖泊水质参数的遥感监测装置。
实现本发明目的的技术方案为:
一种浅水草型湖泊水质参数遥感监测方法,其特征在于,包括步骤:
S1获取湖泊区域的时间序列卫星遥感影像数据;使用改进的归一化差分水体指数MNDWI提取水体;
S2计算水体的归一化差分植被指数NDVI和归一化差分水草指数NDAPI,以便快速提取水草覆盖区;
判断NDVI和NDAPI是否满足预设值,若是,则确定为非水草覆盖区,其水质参数通过遥感模型反演;否则,则确定为水草覆盖区;
S3对水草覆盖区构建植被指数时谱立方体影像,根据不同水草的物候特性,使用支持向量机SVM分类的方法,实现对水草种类的精细分区;
使用迭代式自组织数据分析算法ISODATA,实现对水草的生长状况分类,将水草覆盖区分为水草盖度大和水草盖度小的水域;
S4利用水草种类、水草生长状况对水质的指示作用,将水草覆盖区的水质参数按照其生长特性设成对应的经验值区间,实现分区、分季节反演水草覆盖区的水质参数;
S5对非水草覆盖区,利用遥感模型反演水质参数,最后形成水质参数空间分布图。
通常,遥感图像先进行预处理,所述预处理的方法包括辐射定标、几何校正、大气校正中的一种或多种。
其中,步骤S1中,MNDWI计算550~580nm的绿波段与1400~1800nm的短红外波段的差比和;植被指数NDVI计算650~680nm的红光吸收谷波段与790~810nm的近红外反射峰波段的差比和,NDAPI的计算690~720nm的红波段与800—820nm近红外波段的反射峰的差比和。
其中,步骤S1中所述归一化差分水体指数MNDWI(Modified NormalizedDifference Water Index),用于提取内陆湖泊中的水体区域,计算公式如下:
MNDWI介于-1与1之间,MNDWI大于0的像元确定为水体,当像元的MNDWI大于预设值时,则确定该像元为水体。
所述归一化差分植被指数NDVI(Normalized Difference Vegetation Index),是遥感领域使用最为广泛的植被指数,定义为叶绿素最强吸收谷的红波段反射率与由叶片结构导致的近红外波段峰值反射率的差和比。NDVI反应了植被覆盖等信息,计算公式如下:
其中,步骤S1中所述的归一化差分水草指数NDAPI(Normalized DifferenceAquatic Plant Index),计算公式如下:
式中R1计算公式如下:
R1=Max(R690-720nm) (4)
式中R2计算公式如下:
R2=Max(R800-820nm) (5)
对满足NDVI和NDAPI预设条件的水草覆盖区,构建遥感植被指数NDVI时间谱立方体影像,依据不同水草之间的物候差异,使用支持向量机分类SVM算法识别水草的种类,实现对水草种类的精细分区。
其中,步骤S2中,对符合MNDWI预设条件的水体像元计算NDVI和NDAPI,并分别作阈值判断,以快速提取水草覆盖区域:NDVI为正值的像元为水草覆盖区,且在近红外波段的遥感反射率出现峰值为包含水草的水体,像元的NDAPI大于0.5时,代表该像元为非水草覆盖区。
因水草同样具备植被光谱特性,水草覆盖区的NDVI通常为正值;水体在近红外波段的遥感反射率很低,因此当像元的NDAPI接近1时,代表该像元为非水草覆盖区,而包含水草的水体在近红外波段的遥感反射率会出现一个峰值,NDAPI也会随之降低,当水草盖度很大时,NDAPI会出现负值。
其中,对满足NDVI和NDAPI预设条件的水草覆盖区,通过ISODATA算法将水草覆盖区分成水草盖度大和水草盖度小两类,实现对水草生长状况的精细分区;
进一步地,提取一年四季的时间序列卫星遥感影像数据,比较于所述的湖泊区域遥感植被指数NDVI的时间谱图像(即MODIS植被指数时间序列曲线),利用植被指数时间谱图像将不同类别的地物区分出来。所述地物包括土地、农田、水体、不同品种的水草、湿地等。
其中,所述水质参数包括叶绿素浓度、总悬浮物浓度和浊度。
其中,步骤S5中,将不同季节和不同水草覆盖的水体实测的水质参数与该水体对应的像元的NDAPI比较,设定经验值区间,实现分区、分季节反演水草覆盖区的水质参数。水质状况与水草的种类和生长状况密切相关,并且水草在不同生长期,其生理特征有很大差异,因此,在不同季节、不同水草种类覆盖区下,按各水草的生长状况,即水草盖度的大小,将水质参数设成相应的经验值区间,实现分区、分季节反演水草覆盖区的水质参数。
本发明还提出一种浅水草型湖泊水质参数遥感监测装置,包括:
数据预处理模块,用于对遥感数据进行预处理,所述预处理包括辐射定标、几何校正、大气校正中的一种或多种,以提取带有水体自身特性信息的离水辐亮度;
指数计算模块,用于计算多光谱或高光谱影像的MNDWI、NDVI和NDAPI参量,其中,又包括三个子模块,即MNDWI计算模块、NDVI计算模块和NDAPI计算模块;
阈值判断模块,用于判断所得的MNDWI、NDVI和NDAPI是否满足预设条件;
水草覆盖区精细分类模块,使用支持向量机分类SVM和/或人工神经网络ANN算法对构建的遥感植被指数NDVI时间谱立方体影像分类,以识别水草的种类,通过ISODATA算法将水草覆盖区分成水草盖度大和水草盖度小两类,达到结合水草的种类和生长状况特征指示水质的目的;
水质参数反演模块,其中又包括非水草覆盖区水体水质参数遥感反演子模块和水草覆盖区水体水质参数反演子模块。
与现有技术相比,本发明的优点和有益效果在于:
本发明基于对遥感数据和实测数据的比较分析,得出覆盖水草水域卫星遥感数据的反演方法,准确地反映了水草区域的水质参数,填补了遥感数据分析对浅水草型湖泊反演技术的空白;
本发明的提出的方法,根据地物的独特物候特性和遥感植被指数时间谱分析技术,实现遥感卫星影像上水草种类的识别,通过在红-近红外波段计算水草生长状况参数(如NDVI、NDAPI等),充分利用不同种类水草及其生长状况对水质的指示作用,进而间接反演水草覆盖区水质参数,可简单、快速地实现浅水草型湖泊的水质参数反演。分区、分季节反演的方法为浅水草型湖泊水质参数遥感反演的业务化运行提供了新思路。
附图说明
图1为本发明实施例提供的一种考虑水草种类与生境的浅水草型湖泊水质参数遥感监测方法的流程图;
图2为本发明实施例提供的不同水草水体的光谱曲线图;
图3为本发明实施例1提供的遥感植被指数时间谱图像(MODIS植被指数时间序列曲线),图3中曲线1为农田,2为湿地,3为光叶眼子菜,4为菹草,5为水体;
图4为本发明实施例提供的不同水草水体的平均水质参数差异图;
图5为本发明实施例提供的不同季节菹草覆盖区的水质参数差异图;
图6为本发明实施例提供的水草覆盖区与非水草覆盖区各采样点的悬浮物浓度图;
图7为本发明实施例提供的一种考虑水草种类与生境的浅水草型湖泊水质参数遥感监测装置的结构示意图。
图8为实施例1得出的微山湖悬浮物浓度水质参数空间分布图。
具体实施方式
以下实施例用于说明本发明,但不用于限定本发明的范围。
如无特别说明,实施例中采用的手段均为本领域公知的技术手段。
实施例1:
本实施例反演的区域为微山湖地区。操作流程见图1。
S1获取湖泊区域的时间序列卫星遥感影像数据,对遥感图像进行预处理,预处理的方法包括辐射定标、几何校正、大气校正,均采用常规条件进行处理;利用式(1)计算绿波段(560nm)与短红外波段(如1600nm)的归一化差分水体指数MNDWI,大于预设值“0”的像元提取为水体;
S2提取为水体的像元,用式(2)计算水体的归一化差分植被指数NDVI,计算的波段取670nm和800nm;用式(3)计算在红波段(690—720nm)和近红外波段(800—820nm)水体的归一化差分水草指数NDAPI,计算的波段取690-720nm的反射峰值和800-820nm的反射峰;以快速提取水草覆盖区:
指数NDVI判断 | NDVI>0 | NDVI≤0 |
指数NDAPI判断 | NDAPI≤0.5 | NDAPI>0.5 |
提取结果 | 水草覆盖区 | 非水草覆盖区 |
图2为利用地面便携式光谱仪获取的不同水草的水体在400-1000nm波段范围的遥感反射率光谱曲线。如图2所示,有水生植物生长的水体,其光谱曲线具有明显的植被特征,因此水草覆盖区以NDVI为正值来判定。
S3对水草覆盖区构建植被指数时谱立方体影像,根据不同水草的物候特性,使用支持向量机SVM分类的方法,实现对水草种类的精细分区;
使用迭代式自组织数据分析算法ISODATA,实现对水草的生长状况分类,将水草覆盖区分为水草盖度大和水草盖度小的水域。
S4利用水草种类、水草生长状况对水质的指示作用,将水草覆盖区的水质参数按照其生长特性设成对应的经验值区间,实现分区、分季节反演水草覆盖区的水质参数。
从图2中可以看出,不同种类水草的光谱曲线形状极为相似,很难区分,因此需要利用不同水草的独特物候特性,构建植被指数时间谱曲线来精细区别。
提取一年四季的时间序列卫星遥感影像数据,比较于图3的微山湖区域MODIS植被指数时间序列曲线,空间分辨率为500m,时间分辨率为16天,一年可以获取23个时相的MODIS NDVI数据,利用植被指数时谱曲线可将不同类别的地物区分出来。如图3所示,农田1的时谱曲线有双峰特征,在夏季会有一个低谷;湿地2的NDVI从春季开始上升,到夏季末达到峰值,然后开始下降;光叶眼子菜3的NDVI变化趋势和湿地的一致,也是从春季开始上升,到夏季末达到峰值,然后开始下降,但是NDVI的数值较小;菹草4的NDVI从初春开始上升,到春末的时候达到峰值,然后急速下降,此后一直保持较低的状态;水体5的NDVI一直保持较低的状态,且变化不大。因此,由植被指数时谱曲线区分地物准确度很高。
图4为2015年6月微山湖不同水草水体的平均水质参数差异图,图4显示,不同种类水草覆盖区的水质参数具有较大差异,因此有必要按水草种类分区反演水质参数,依照各水草的特征将对应的水草覆盖区水质参数生成相应的经验值区间。
图5的不同季节菹草覆盖区的水质参数差异图,图5显示,4月菹草覆盖区的水质要明显优于6月;主要是因为春季菹草生长茂盛,对水质的净化作用最为显著,而夏季菹草会逐渐衰退腐烂,导致水质受到污染;由于水草在不同生长期,其生理特征有很大差异,因此在水草覆盖区,必须要分季节反演水质参数。
具体地,图6示出了微山湖水草覆盖区与非水草覆盖区各采样点(横坐标)的悬浮物浓度差异,各采样点采用网格法均匀布设,即设计每个网格长、宽各覆盖0.05度,面积约为15平方公里。图6显示非水草覆盖区的悬浮物浓度普遍偏高,而水草覆盖区的悬浮物浓度相对较低,且水草盖度越大,悬浮物浓度越小。水草的生长状况对水质有一定的指示作用,因此利用水草生长状况将不同水草盖度区域水质参数设成对应的经验值区间,例如:对于菹草,6月份,NDAPI<0.34,其悬浮物浓度的经验值区间设为0~10mg/L,0.34<NDAPI<0.5,其悬浮物浓度的经验值区间设为10~20mg/L.....直至悬浮物浓度为120mg/L(在提取水草覆盖区步骤中,NDAPI有负值,其悬浮物浓度为0~10mg/L。NDAPI比较小时,都归为水草盖度大的水域)。其他植物和不同季节同法分设区间。
S5对非水草覆盖区,利用遥感模型反演水质参数,最后形成水质参数空间分布图。本实施例提供了悬浮物浓度反演的结果图8,悬浮物设置的经验值区间为0~120mg/L共八个区间,原图为彩色,各区间用不同颜色标识。由图8可直观地了解到微山湖区域的水质分布。
实施例2浅水草型湖泊水质参数遥感监测装置
图7为本实施例所提供的一种考虑水草种类与生境的浅水草型湖泊水质参数遥感监测装置的结构示意图。如图7所示,所述装置包括:
数据预处理模块,用于遥感数据进行预处理,包括辐射定标、几何校正、大气校正等;
指数计算模块,用于遥感影像的MNDWI、NDVI和NDAPI等参量,其中,又包括三个模块,即MNDWI计算模块、NDVI计算模块和NDAPI计算模块;
阈值判断模块,用于判断所得的MNDWI、NDVI和NDAPI是否满足预设条件;
水草覆盖区分类模块,通过支持向量机分类SVM和迭代式自组织数据分析ISODATA算法分别实现水草种类的识别和水草盖度大小的区分。
水质参数反演模块,主要包括非水草覆盖区水体水质参数遥感反演子模块和水草覆盖区水体水质参数反演子模块。
通过以上实施方式的描述,本领域的技术人员可以清楚地了解到本发明可以通过硬件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质中,包括若干指令用以使得一台计算机设备执行本发明各个实施例所述的方法。
本领域技术人员可以理解附图只是一个优选实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施例中的装置中的模块可以按照实施例描述进行分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
以上的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通工程技术人员对本发明的技术方案做出的各种变型和改进,均应落入本发明的权利要求书确定的保护范围内。
Claims (10)
1.一种浅水草型湖泊水质参数遥感监测方法,其特征在于,包括步骤:
S1获取湖泊区域的时间序列卫星遥感影像数据;使用改进的归一化差分水体指数MNDWI提取水体;
S2计算水体的归一化差分植被指数NDVI和归一化差分水草指数NDAPI,以快速提取水草覆盖区;
判断NDVI和NDAPI是否满足预设值,若是,则确定为非水草覆盖区,其水质参数通过遥感模型反演;否则,则确定为水草覆盖区;
S3对水草覆盖区构建植被指数时谱立方体影像,根据不同水草的物候特性,使用支持向量机SVM和/或人工神经网络ANN的分类方法,实现对水草种类的精细分区;
使用迭代式自组织数据分析算法ISODATA,实现对水草的生长状况分类,将水草覆盖区分为水草盖度大和水草盖度小的水域;
S4利用水草种类、水草生长状况对水质的指示作用,将水草覆盖区的水质参数按照其生长特性设成对应的经验值区间,实现分区、分季节反演水草覆盖区的水质参数;
S5对非水草覆盖区,利用遥感模型反演水质参数,最后形成水质参数空间分布图。
2.如权利要求1所述的浅水草型湖泊水质参数遥感监测方法,其特征在于,步骤S1中,MNDWI计算550~580nm的绿波段与1400~1800nm的短红外波段的差比和;植被指数NDVI计算650~680nm的红光吸收谷波段与790~810nm的近红外反射峰波段的差比和,NDAPI的计算690~720nm的红波段与800~820nm近红外波段的反射峰的差比和。
3.如权利要求1所述的浅水草型湖泊水质参数遥感监测方法,其特征在于,步骤S1中所述归一化差分水体指数MNDWI,用于提取内陆湖泊中的水体区域,计算公式如下:
<mrow>
<mi>M</mi>
<mi>N</mi>
<mi>D</mi>
<mi>W</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>G</mi>
<mi>R</mi>
<mi>E</mi>
<mi>E</mi>
<mi>N</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>S</mi>
<mi>W</mi>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>G</mi>
<mi>R</mi>
<mi>E</mi>
<mi>E</mi>
<mi>N</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>S</mi>
<mi>W</mi>
<mi>I</mi>
<mi>R</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
MNDWI介于-1与1之间,MNDWI大于预设值0时,则确定该像元为水体。
4.如权利要求1所述的浅水草型湖泊水质参数遥感监测方法,其特征在于,步骤S1中所述的归一化差分水草指数NDAPI,计算公式如下:
<mrow>
<mi>N</mi>
<mi>D</mi>
<mi>A</mi>
<mi>P</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>R</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>R</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中R1计算公式如下:
R1=Max(R690-720nm) (4)
式中R2计算公式如下:
R2=Max(R800-820nm) (5)
对满足NDVI和NDAPI预设条件的水草覆盖区,构建遥感植被指数NDVI时间谱立方体影像,依据不同水草之间的物候差异,使用支持向量机分类SVM和/或人工神经网络ANN算法识别水草的种类,实现对水草种类的精细分区。
5.如权利要求1所述的浅水草型湖泊水质参数遥感监测方法,其特征在于,步骤S2中,对符合MNDWI预设条件的水体像元计算NDVI和NDAPI,并分别作阈值判断,以快速提取水草覆盖区域:NDVI为正值的像元为水草覆盖区,且在近红外波段的遥感反射率出现峰值为包含水草的水体,像元的NDAPI大于0.5时,代表该像元为非水草覆盖区。
6.如权利要求5所述的浅水草型湖泊水质参数遥感监测方法,其特征在于,步骤S3中,对满足NDVI和NDAPI预设条件的水草覆盖区,通过ISODATA算法将水草覆盖区分成水草盖度大和水草盖度小两类,实现对水草生长状况的精细分区。
7.如权利要求6所述的浅水草型湖泊水质参数遥感监测方法,其特征在于,步骤S4中,提取一年四季的时间序列卫星遥感影像数据,比较于所述的湖泊区域遥感植被指数NDVI的时间谱图像,利用植被指数时间谱图像将不同类别的地物区分出来。
8.如权利要求1~7任一项所述的浅水草型湖泊水质参数遥感监测方法,其特征在于,所述水质参数包括叶绿素浓度、总悬浮物浓度和浊度。
9.如权利要求1~7任一项所述的浅水草型湖泊水质参数遥感监测方法,其特征在于,步骤S5中,将不同季节和不同水草覆盖的水体实测的水质参数与该水体对应的像元的NDAPI比较,设定经验值区间,实现分区、分季节反演水草覆盖区的水质参数。
10.一种浅水草型湖泊水质参数遥感监测装置,其特征在于,包括:
数据预处理模块,用于对遥感数据进行预处理,所述预处理包括辐射定标、几何校正、大气校正中的一种或多种,以提取带有水体自身特性信息的离水辐亮度;
指数计算模块,用于计算多光谱或高光谱影像的MNDWI、NDVI和NDAPI参量,其中,又包括三个子模块,即MNDWI计算模块、NDVI计算模块和NDAPI计算模块;
阈值判断模块,用于判断所得的MNDWI、NDVI和NDAPI是否满足预设条件;
水草覆盖区精细分类模块,使用支持向量机分类SVM和/或人工神经网络ANN算法对构建的遥感植被指数NDVI时间谱立方体影像分类,以识别水草的种类,通过ISODATA算法将水草覆盖区分成水草盖度大和水草盖度小两类,达到结合水草的种类和生长状况特征指示水质的目的;
水质参数反演模块,其中又包括非水草覆盖区水体水质参数遥感反演子模块和水草覆盖区水体水质参数反演子模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610942791.9A CN108020511B (zh) | 2016-11-01 | 2016-11-01 | 一种浅水草型湖泊水质参数遥感监测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610942791.9A CN108020511B (zh) | 2016-11-01 | 2016-11-01 | 一种浅水草型湖泊水质参数遥感监测方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108020511A true CN108020511A (zh) | 2018-05-11 |
CN108020511B CN108020511B (zh) | 2020-06-30 |
Family
ID=62070703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610942791.9A Active CN108020511B (zh) | 2016-11-01 | 2016-11-01 | 一种浅水草型湖泊水质参数遥感监测方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108020511B (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764132A (zh) * | 2018-05-28 | 2018-11-06 | 河海大学 | 一种湖泊湿地遥感图像误差检测方法 |
CN109063553A (zh) * | 2018-06-22 | 2018-12-21 | 中国矿业大学 | 一种土地整治后农田作物生长缺陷区遥感快速诊断方法 |
CN109115770A (zh) * | 2018-06-14 | 2019-01-01 | 中科禾信遥感科技(苏州)有限公司 | 一种大范围农作物遥感监测方法及装置 |
CN109190497A (zh) * | 2018-08-09 | 2019-01-11 | 成都天地量子科技有限公司 | 一种基于时序多光谱卫星影像的耕地识别方法 |
CN109543552A (zh) * | 2018-10-29 | 2019-03-29 | 华南农业大学 | 基于生长期多特征提取的水稻生长区域制图方法及系统 |
CN109543654A (zh) * | 2018-12-14 | 2019-03-29 | 常州大学 | 一种反映农作物生长状况的改进型植被指数的构建方法 |
CN109581372A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种生态环境遥感监测方法 |
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 |
CN110196239A (zh) * | 2019-06-12 | 2019-09-03 | 中国科学院南京地理与湖泊研究所 | 浑浊水体浮游植物吸收系数光谱遥感反演方法 |
CN110208193A (zh) * | 2019-05-09 | 2019-09-06 | 航天恒星科技有限公司 | 一种基于光学遥感卫星影像的珊瑚礁一体化监测方法 |
CN110208878A (zh) * | 2019-06-14 | 2019-09-06 | 广西海佩智能科技有限公司 | 绿色屋顶气象监测与热岛效应影响评估方法 |
CN110376202A (zh) * | 2019-06-13 | 2019-10-25 | 浙江水利水电学院 | 基于成像高光谱技术的茶树炭疽病病斑识别方法 |
CN110598251A (zh) * | 2019-08-05 | 2019-12-20 | 中国科学院南京地理与湖泊研究所 | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 |
CN111024618A (zh) * | 2019-11-25 | 2020-04-17 | 广州丰泽源水利科技有限公司 | 基于遥感影像的水质健康监测方法、装置及存储介质 |
CN111199195A (zh) * | 2019-12-26 | 2020-05-26 | 中科禾信遥感科技(苏州)有限公司 | 一种基于遥感图像的池塘状态全自动监测方法和装置 |
CN111507303A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种湿地植物种类检测方法 |
CN111753647A (zh) * | 2020-05-11 | 2020-10-09 | 广东无限阵列科技有限公司 | 一种禽畜养殖舍棚的自动识别方法、装置及存储介质 |
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 |
CN112101309A (zh) * | 2020-11-12 | 2020-12-18 | 北京道达天际科技有限公司 | 基于深度学习分割网络的地物目标识别方法和装置 |
CN113378848A (zh) * | 2021-07-08 | 2021-09-10 | 湖南元想科技有限公司 | 南荻收割区或弃割区分布提取方法、系统及存储介质 |
CN113433075A (zh) * | 2021-05-08 | 2021-09-24 | 中科海慧(天津)科技有限公司 | 一种简单的黑臭水体遥感快速监测方法 |
CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
CN113484245A (zh) * | 2021-07-05 | 2021-10-08 | 重庆市规划和自然资源调查监测院 | 一种丘陵山区水田种植模式遥感快速监测方法、系统及计算机可读存储介质 |
CN113947726A (zh) * | 2021-10-29 | 2022-01-18 | 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 |
CN114581784A (zh) * | 2022-05-07 | 2022-06-03 | 自然资源部第二海洋研究所 | 一种长时序逐年红树林遥感监测产品的构建方法 |
CN115984711A (zh) * | 2022-12-30 | 2023-04-18 | 中国科学院空天信息创新研究院 | 一种基于卫星遥感的非蓝藻水华监测方法和系统 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102052918A (zh) * | 2010-11-04 | 2011-05-11 | 北京师范大学 | 基于湖泊水生植被蔓延的沼泽化动态监测与预警技术 |
CN102087617A (zh) * | 2011-02-01 | 2011-06-08 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的水华分布提取方法 |
CN103743700A (zh) * | 2014-01-17 | 2014-04-23 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 |
-
2016
- 2016-11-01 CN CN201610942791.9A patent/CN108020511B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102052918A (zh) * | 2010-11-04 | 2011-05-11 | 北京师范大学 | 基于湖泊水生植被蔓延的沼泽化动态监测与预警技术 |
CN102087617A (zh) * | 2011-02-01 | 2011-06-08 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的水华分布提取方法 |
CN103743700A (zh) * | 2014-01-17 | 2014-04-23 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 |
Non-Patent Citations (2)
Title |
---|
曹引: "草型湖泊水质遥感监测技术及应用研究", 《CNKI中国优秀硕士学位论文全文数据库》 * |
李俊生等: "基于实测光谱数据的太湖水华和水生高等植物识别", 《湖泊科学》 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764132A (zh) * | 2018-05-28 | 2018-11-06 | 河海大学 | 一种湖泊湿地遥感图像误差检测方法 |
CN108764132B (zh) * | 2018-05-28 | 2022-02-11 | 河海大学 | 一种湖泊湿地遥感图像误差检测方法 |
CN109115770A (zh) * | 2018-06-14 | 2019-01-01 | 中科禾信遥感科技(苏州)有限公司 | 一种大范围农作物遥感监测方法及装置 |
CN109115770B (zh) * | 2018-06-14 | 2019-05-24 | 中科禾信遥感科技(苏州)有限公司 | 一种大范围农作物遥感监测方法及装置 |
CN109063553A (zh) * | 2018-06-22 | 2018-12-21 | 中国矿业大学 | 一种土地整治后农田作物生长缺陷区遥感快速诊断方法 |
CN109190497A (zh) * | 2018-08-09 | 2019-01-11 | 成都天地量子科技有限公司 | 一种基于时序多光谱卫星影像的耕地识别方法 |
CN109543552A (zh) * | 2018-10-29 | 2019-03-29 | 华南农业大学 | 基于生长期多特征提取的水稻生长区域制图方法及系统 |
CN109543552B (zh) * | 2018-10-29 | 2021-05-28 | 华南农业大学 | 基于生长期多特征提取的水稻生长区域制图方法及系统 |
CN109581372B (zh) * | 2018-12-10 | 2021-01-05 | 北京航天泰坦科技股份有限公司 | 一种生态环境遥感监测方法 |
CN109581372A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种生态环境遥感监测方法 |
CN109543654B (zh) * | 2018-12-14 | 2023-04-18 | 常州大学 | 一种反映农作物生长状况的改进型植被指数的构建方法 |
CN109543654A (zh) * | 2018-12-14 | 2019-03-29 | 常州大学 | 一种反映农作物生长状况的改进型植被指数的构建方法 |
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 |
CN110208193A (zh) * | 2019-05-09 | 2019-09-06 | 航天恒星科技有限公司 | 一种基于光学遥感卫星影像的珊瑚礁一体化监测方法 |
CN110208193B (zh) * | 2019-05-09 | 2021-11-26 | 航天恒星科技有限公司 | 一种基于光学遥感卫星影像的珊瑚礁一体化监测方法 |
CN110196239A (zh) * | 2019-06-12 | 2019-09-03 | 中国科学院南京地理与湖泊研究所 | 浑浊水体浮游植物吸收系数光谱遥感反演方法 |
CN110376202A (zh) * | 2019-06-13 | 2019-10-25 | 浙江水利水电学院 | 基于成像高光谱技术的茶树炭疽病病斑识别方法 |
CN110376202B (zh) * | 2019-06-13 | 2021-11-19 | 浙江水利水电学院 | 基于成像高光谱技术的茶树炭疽病病斑识别方法 |
CN110208878A (zh) * | 2019-06-14 | 2019-09-06 | 广西海佩智能科技有限公司 | 绿色屋顶气象监测与热岛效应影响评估方法 |
CN110598251A (zh) * | 2019-08-05 | 2019-12-20 | 中国科学院南京地理与湖泊研究所 | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 |
CN111024618A (zh) * | 2019-11-25 | 2020-04-17 | 广州丰泽源水利科技有限公司 | 基于遥感影像的水质健康监测方法、装置及存储介质 |
CN111199195A (zh) * | 2019-12-26 | 2020-05-26 | 中科禾信遥感科技(苏州)有限公司 | 一种基于遥感图像的池塘状态全自动监测方法和装置 |
CN111199195B (zh) * | 2019-12-26 | 2023-07-18 | 中科禾信遥感科技(苏州)有限公司 | 一种基于遥感图像的池塘状态全自动监测方法和装置 |
CN111507303A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种湿地植物种类检测方法 |
CN111753647B (zh) * | 2020-05-11 | 2021-01-29 | 广东无限阵列科技有限公司 | 一种禽畜养殖舍棚的自动识别方法、装置及存储介质 |
CN111753647A (zh) * | 2020-05-11 | 2020-10-09 | 广东无限阵列科技有限公司 | 一种禽畜养殖舍棚的自动识别方法、装置及存储介质 |
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 |
CN112101309A (zh) * | 2020-11-12 | 2020-12-18 | 北京道达天际科技有限公司 | 基于深度学习分割网络的地物目标识别方法和装置 |
CN113433075A (zh) * | 2021-05-08 | 2021-09-24 | 中科海慧(天津)科技有限公司 | 一种简单的黑臭水体遥感快速监测方法 |
CN113484245A (zh) * | 2021-07-05 | 2021-10-08 | 重庆市规划和自然资源调查监测院 | 一种丘陵山区水田种植模式遥感快速监测方法、系统及计算机可读存储介质 |
CN113484245B (zh) * | 2021-07-05 | 2022-11-22 | 重庆市规划和自然资源调查监测院 | 一种丘陵山区水田种植模式遥感快速监测方法、系统及计算机可读存储介质 |
CN113378848A (zh) * | 2021-07-08 | 2021-09-10 | 湖南元想科技有限公司 | 南荻收割区或弃割区分布提取方法、系统及存储介质 |
CN113378848B (zh) * | 2021-07-08 | 2024-01-30 | 湖南元想科技有限公司 | 南荻收割区或弃割区分布提取方法、系统及存储介质 |
CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
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 |
CN113947726A (zh) * | 2021-10-29 | 2022-01-18 | 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 |
CN114581784B (zh) * | 2022-05-07 | 2022-08-12 | 自然资源部第二海洋研究所 | 一种长时序逐年红树林遥感监测产品的构建方法 |
CN114581784A (zh) * | 2022-05-07 | 2022-06-03 | 自然资源部第二海洋研究所 | 一种长时序逐年红树林遥感监测产品的构建方法 |
CN115984711A (zh) * | 2022-12-30 | 2023-04-18 | 中国科学院空天信息创新研究院 | 一种基于卫星遥感的非蓝藻水华监测方法和系统 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN108020511B (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108020511A (zh) | 一种浅水草型湖泊水质参数遥感监测方法与装置 | |
Frazier et al. | Water body detection and delineation with Landsat TM data | |
Van Deventer et al. | Using thematic mapper data to identify contrasting soil plains and tillage practices | |
CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
Zhang et al. | Study of land cover classification based on knowledge rules using high-resolution remote sensing images | |
CN105243367A (zh) | 一种基于卫星遥感数据的水体范围监测方法和装置 | |
Shi et al. | Detection of coastal saline land uses with multi-temporal Landsat images in Shangyu City, China | |
Zhang et al. | Remote sensing of impervious surfaces in tropical and subtropical areas | |
Zhang et al. | Mapping freshwater marsh species in the wetlands of Lake Okeechobee using very high-resolution aerial photography and lidar data | |
Chen et al. | 3D model construction and ecological environment investigation on a regional scale using UAV remote sensing | |
MH Yossif | Change detection of land cover and salt affected soils at Siwa Oasis, Egypt | |
Davaasuren et al. | Extent and health of mangroves in Lac Bay Bonaire using satellite data | |
Mohler et al. | Using UAV imagery to map invasive Phragmites australis on the Crow Island State Game Area, Michigan, USA | |
Qi et al. | An adaptive threshold selected method from remote sensing image based on water index | |
Vannier et al. | Detection of wooded hedgerows in high resolution satellite images using an object-oriented method | |
CN113129320B (zh) | 一种从航空正射影像中提取养殖水塘边界的方法和系统 | |
Lan et al. | Spectral index-spatially correlated water extraction method based on GF-5 hyperspectral satellite images | |
Li et al. | Aquatic vegetation mapping based on remote sensing imagery: An application to Honghu Lake | |
Schmid et al. | Spectral characterisation of land surface composition to determine soil erosion within semiarid rainfed cultivated areas | |
Feng et al. | Object-based land cover mapping using adaptive scale segmentation from ZY-3 satellite images | |
Garg | Texture based information extraction from high resolution images using object based classification approach | |
Kim-Anh et al. | Soil salinity assessment by using near-infrared channel and Vegetation Soil Salinity Index derived from Landsat 8 OLI data: a case study in the Tra Vinh Province, Mekong Delta, Vietnam | |
Powell et al. | Remote Sensing of Lake Clarity | |
Cao et al. | An object-oriented approach to map wetland vegetation: a case study of yellow river delta | |
Chen et al. | Object-based Random Forest classification of land cover from remotely sensed imagery for industrial and mining reclamation |
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 |