CN109282798A - 一种基于遥感影像提取湖库高浑浊区的方法 - Google Patents
一种基于遥感影像提取湖库高浑浊区的方法 Download PDFInfo
- Publication number
- CN109282798A CN109282798A CN201811285859.6A CN201811285859A CN109282798A CN 109282798 A CN109282798 A CN 109282798A CN 201811285859 A CN201811285859 A CN 201811285859A CN 109282798 A CN109282798 A CN 109282798A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- lake
- area
- reservoir
- muddy area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000003595 spectral effect Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 9
- 239000000725 suspension Substances 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000013618 particulate matter Substances 0.000 claims description 2
- 230000000149 penetrating effect Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 7
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000011017 operating method Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910001385 heavy metal Inorganic materials 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000195493 Cryptophyta Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241001062009 Indigofera Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000005422 algal bloom Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种基于遥感影像提取湖库高浑浊区的方法,包括:基于实测数据和环境卫星(HJ1A/B)蓝、绿、红光波段遥感反射率构建总悬浮物浓度遥感估算模型进而获得总悬浮物浓度空间分布格局;基于HJ1A/B蓝、绿、红光波段遥感反射率构建湖库高浑浊区提取指数,进而提取湖库高浑浊区;进行遥感估算模型和高浑浊区提取指数的有效性分析。本发明适用于各类内陆湖泊或水库,同时操作方法简便,易于推广和应用。
Description
技术领域
本发明涉及环境科学及监测技术领域,涉及一种基于遥感影像提取湖库高浑浊区的方法,尤其涉及一种强降雨过程引起的湖库高浑浊区的遥感影像提取方法。
背景技术
湖库高浑浊区水体是沉积物、营养物、重金属、有机污染物和淡水的混合体,这些物质对光具有强烈的吸收和散射作用,影响着湖泊生态系统结构和功能。高浑浊区水体对湖泊生态系统的影响是多方面的,主要包括:
1)来自农业、工业和生活污水的营养物使高浑浊区的营养盐浓度急剧增加,从而增加了有害藻华的发生率。
2)湖库高浑浊区中较高的总悬浮物浓度严重影响水下光场分布、水生生物初级生产力以及浮游植物群落结构。
3)湖库高浑浊区沉积物中的携带大量重金属、化肥和农药,严重影响水体的生物地球化学循环,进而影响水生生物的生长和人类的健康。
4)湖库高浑浊区中的高浓度悬浮物,严重影响着水体中光的传输,进而影响着水温和溶氧的垂直分布,水温垂向混合速率降低,冬季表层水的冷却时间变长,改变着近岸水体的温跃层和氧跃层结构,最终影响着水生植物和水生动物的垂直迁移。
湖库高浑浊区的形成和演化受多种因素的影响,如科氏力、潮汐以及风力等。高浑浊区的宽度以及沿岸前进的距离主要取决于河流径流量的大小,并且近岸的凹凸和地形的起伏都可能导致高浑浊区宽度的变化。传统的对高浑浊区的研究主要集中在对湖库高浑浊区某一特定位置,特定时刻水体的生物,化学和物理参数的监测,但由于高浑浊区的变化快,作用范围广,这些特定时刻、特定位置的监测不能反应其发生及发展过程。遥感数据可以实现内陆湖泊或水库高频,大规模观测,并可用于追踪高浑浊区的时空变化。然而,目前为止,没有或较少利用遥感方法对湖库高浑浊区进行自动化提取的研究。
发明内容
本发明的目的在于提供一种基于遥感影像提取湖库高浑浊区的方法,适用于强降雨过程引起的内陆湖泊或水库高浑浊区,同时操作方法简便,便与推广和应用。
为实现上述目的,本发明采用如下技术方案:
一种基于遥感影像提取湖库高浑浊区的方法,所述方法包括以下步骤:
S1、基于实测遥感反射率数据和HJ1A/B影像蓝、绿、红光波段遥感反射率构建总悬浮物浓度的遥感估算模型,获得总悬浮物浓度的空间分布;
S2、基于HJ1A/B影像蓝、绿、红光波段遥感反射率构建湖库高浑浊区指数,提取湖库高浑浊区;计算方法如下:
Rrs'(560)=Rrs(660)+(560-660)/(475-660)*(Rrs(475)-Rrs(660))
PI=Rrs(560)-Rrs'(560)
式中PI为湖库高浑浊区指数,Rrs(475),Rrs(560)和Rrs(660)分别为HJ-1A/B的蓝、绿和红光波段遥感反射率;
基于PI指数提取高浑浊区:当PI≥0时,为高浑浊区,当PI<0时,为非高浑浊区;
S3、基于实时监测的总悬浮物浓度验证S1构建的总悬浮物浓度的遥感估算模型的有效性;
S4、将提取的高浑浊区和HJ1A/B原始影像进行对比,验证湖库高浑浊区指数的有效性。
作为本发明的进一步改进,所述步骤S1中总悬浮物浓度的遥感估算模型的构建方法具体为:
通过多种形式(单波段,波段比值,以及多波段等)对HJ 1A/B的CCD传感器4个波段遥感反射率进行组合运算,将这些组合作为总悬浮颗粒物浓度的估算因子,并且分析这些因子与总悬浮颗粒物浓度之间的相关性。选择与总悬浮颗粒物浓度相关性好的估算因子进行回归分析并建立回归方程。进一步的,悬浮物浓度的空间分布获取方法具体为:基于HJ-1A/B影像数据和构建的总悬浮物浓度遥感估算模型,反演得到悬浮物浓度的空间分布。悬浮物浓度空间分布的空间分辨率为30m*30m。
作为本发明的进一步改进,所述步骤S2还包括:
采用3*3的窗口对上述获得的高浑浊区进行中值滤波运算:
G=median{Xi}
式中Xi为待滤波像元值,G为中值滤波运算结果。采用PI指数初步提取高浑浊区范围,然后利用中值滤波的方法去除漂浮物离散点引起的误判,可获取较精确的湖库高浑浊区。
作为本发明的进一步改进,所述步骤S3中遥感估算模型的有效性分析具体包括:
若建立的遥感估算模型与实时监测的总悬浮物浓度空间格局高度一致,并且两者之间存在极显著正相关,则构建的遥感估算模型为有效的遥感估算模型,否则,构建的遥感估算模型为无效的遥感估算模型。如果验证出来模型无效,则基于实测TSM浓度和HJ1A/B三个波段遥感反射率(Rrs(475),Rrs(560)和Rrs(660))拟合出新的模型系数。
作为本发明的进一步改进,所述步骤S4中湖库高浑浊区提取指数的有效性分析具体包括:
若提取的湖库高浑浊区面积以及高浑浊区总悬浮物浓度和成像前七天累计降雨量存在极显著正相关,则所构建的湖库高浑浊区指数为有效的高浑浊区提取指数,否则,构建的湖库高浑浊区提取指数为无效的高浑浊区提取指数。高浑浊区提取指数的有效性验证可用于筛选适用湖库,如果提取的高浑浊区和HJ1A/B原始影像不一致,并且提取的高浑浊区面积,总悬浮物浓度和成像前七天累计降雨量不存在显著正相关,则本发明的方法对该湖库不适用。
本发明的有益效果是:
(1)基于高空间、高时间分辨率影像,自动快速获取强降雨过程引起的湖库高浑浊区范围,并且有效去除漂浮物离散点引起的误判。
(2)操作较为简便,所需成本低,该方法仅需要知道研究湖泊或水库的遥感反射率影像就可提取湖库高浑浊区范围和面积,不依赖于总悬浮物的反演精度。
(3)本发明丰富和发展了强降雨过程对湖泊水库影响识别方法,可以广泛应用于开展外源输入对内陆湖泊水库生态环境演化的研究,深化内陆湖泊水库水文过程及其生态环境效应方面认识。
附图说明
图1为本发明中一种基于遥感影像提取湖库高浑浊区的方法流程图;
图2为本发明实施例1中基于HJ-1A/B数据的总悬浮物浓度遥感估算模型构建与验证图;
图3为本发明实施例1中三次不同降雨引起的高浑浊区范围假彩色影像;
图4为本发明实施例1中基于PI指数和中值滤波后提取的高浑浊区范围;
图5为本发明实施例1中基于遥感估算模型估算得到的降雨前和降雨后新安江总悬浮浓度空间分布以及基于PI指数和中值滤波后提取的湖库高浑浊区范围;
图6为本发明实施例1中成像前七天累计降雨量和高浑浊区面积以及高浑浊区总悬浮物浓度均值相关性分析图。
具体实施方式
以下将结合附图所示的各实施方式对本发明进行详细描述。但这些实施方式并不限制本发明,本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
实施例1
如图1所示,本发明公开了一种基于遥感影像提取湖库高浑浊区的方法,其包括:
S1、基于实测数据和HJ 1A/B蓝、绿、红光波段遥感反射率构建总悬浮物遥感估算模型进而获得总悬浮物浓度空间分布格局;
“总悬浮物遥感估算模型”的构建方法具体为:
通过多种形式(单波段,波段比值,以及多波段等)对HJ 1A/B的CCD传感器4个波段遥感反射率进行组合运算,将这些组合作为总悬浮颗粒物浓度的估算因子,并且分析这些因子与总悬浮颗粒物浓度之间的相关性。选择与总悬浮颗粒物浓度相关性好的估算因子进行回归分析并建立回归方程。
S2、基于HJ1A/B蓝、绿、红光波段遥感反射率构建湖库高浑浊区指数,进而提取湖库高浑浊区;
“湖库高浑浊区指数”(Plume index:PI)的计算方法具体为:
Rrs'(560)=Rrs(660)+(560-660)/(475-660)*(Rrs(475)-Rrs(660))
PI=Rrs(560)-Rrs'(560)
式中Rrs(475),Rrs(560)和Rrs(660)分别为HJ-1A/B CCD的蓝、绿和红光波段遥感反射率,当PI≥0时,为高浑浊区,当PI<0时,为非高浑浊区。
采用3*3的窗口对上述获得的高浑浊区进行中值滤波运算:
G=median{Xi}
式中Xi为待滤波像元值,G为中值滤波运算结果。
S3、根据遥感估算的总悬浮物浓度和实时监测的总悬浮物浓度是否一致,并且两者之间是否存在极显著正相关,进行遥感估算模型的有效性分析;
遥感估算模型的有效性分析具体包括:
若建立的遥感估算模型与实时监测的总悬浮物浓度空间格局高度一致,并且两者之间存在极显著正相关,则构建的遥感估算模型为有效的遥感估算模型,否则,构建的遥感估算模型为无效的遥感估算模型。
S4、根据提取的高浑浊区和HJ1A/B原始影像进行对比,将提取的高浑浊区面积以及高浑浊区总悬浮物浓度和成像前七天累计降雨量是否一致,并且两者之间是否存在极显著正相关,进行湖库高浑浊区指数的有效性分析。
湖库高浑浊区指数的有效性分析具体包括:
若提取的高浑浊区面积以及高浑浊区总悬浮物浓度和成像前七天累计降雨量存在极显著正相关,则所构建的湖库高浑浊区指数为有效的高浑浊区提取指数,否则,构建的高浑浊区提取指数为无效的高浑浊区提取指数。
实施例2
下面以深水湖泊千岛湖(水深为38.55±16.01m)为实例,对本发明做进一步说明。千岛湖位于钱塘江上游,是长江三角洲地区最重要的饮用水源之一,随着经济的发展和人口的快速增加,千岛湖流域内原有的土地逐渐向城市或农业用地转换,植被森林固有的蓄水能力遭到破坏,强降雨引起较大的地表径流将携带大量的颗粒物,营养盐,污染物,以及重金属等进入新安江水库,从而增加了藻类暴发的次数和规模。
本发明方法所需数据和资料如下:
1)气象数据:浙江省杭州市淳安县淳安气象站2009-2014年长期逐日降雨数据,用于计算成像前七日累计降雨量。
2)悬浮物浓度数据:2013年12月,2013年5月以及2014年7月千岛湖60个站点观测到的悬浮物浓度空间格局、2009-2014年HJ-1A/B遥感影像提取千岛湖悬浮物浓度空间格局,用于评价高浑浊区提取指数的准确性和可行性。
采用实施例1的方法进行总悬浮物浓度遥感估算模型构建和高浑浊区提取。
获取总悬浮物浓度遥感估算模型如下:
CTSM=-44.97Rrs(475)+4.29Rrs(560)+46.10Rrs(660)+0.33(R2=0.78,N=116);
图2为基于HJ-1A/B数据的总悬浮物浓度遥感估算模型构建与验证图,其中120个数据对(影像过境时间2013/12/2和2014/7/29,对应采样时间为2013/12/1-2013/12/3和214/7/30-2014/8/1)用于模型的构建,35个数据对(影像过境时间2014/5/28,对应采样时间为2013/12/1-2014/5/27-2014/5/29)用于模型的验证。通过此图可以确定模型的精度较高(均方根误差,归一化均方根误差,以及相对误差均值分别为0.50mg L-1、39%和33%),利用独立的样本对模型进行验证,模型的均方根误差,归一化均方根误差,以及相对误差均值分别为0.53mg L-1、18.57%和20%,该模型能够较好的用于新安江水库总悬浮物遥感估算。
图3为三次不同降雨引起的高浑浊区范围假彩色影像,其中图3A是一次强降雨(成像前七日累计降雨量:25.9mm)后于2009年3月10日获取的假彩色影像,可以看到明显的高浑浊区;图3B是另一次较大的强降雨(成像前七日累计降雨量:76.2mm)后于2010年3月18日获取的假彩色影像,同样可以看到明显的高浑浊区,并且高浑浊区范围显著大于图3A中的高浑浊区范围;图3C是一次更大程度强降雨(成像前七日累计降雨量:168.2mm)后于2010年3月11日获取的假彩色影像,同样可以看到明显的高浑浊区,并且高浑浊区范围显著大于图3A,3B中的形成的高浑浊区范围。
图4为基于PI指数和中值滤波后提取的高浑浊区范围,其中图4A是基于PI指数和中值滤波方法对2009年3月10日的影像提取获得的高浑浊区范围,图4B是基于PI指数和中值滤波方法对2010年3月18日的影像提取获得的高浑浊区范围,图4C是基于PI指数和中值滤波方法对2010年3月11日的影像提取获得的高浑浊区范围,对比图3和图4可以看出,本文所构建的高浑浊区提取指数具有较好的提取结果。
图5为基于遥感估算模型估算得到的降雨前和降雨后新安江总悬浮浓度空间分布以及基于PI指数和中值滤波后提取的高浑浊区范围,图5A,5B,5C和5D详细地显示了最大一次强降雨过程引起的高浑浊区的形成和演化过程,其中图5A是强降雨事件前的影像,没有检测到高浑浊区,图5B,5C和5D分别为强降雨事件后的影像,图5B表明,在2010年3月11日,成像前七天累计降雨量最大,高浑浊区达到高峰,高浑浊区总悬浮物浓度均值达到7.69±1.34mg/L,高浑浊区面积为149.08km2,高浑浊区向东北方向扩展13.34公里。图5C表明,2010年3月12日(强降雨事件发生三天后),高浑浊区面积由149.08km2减小到78.16km2,高浑浊区向东北方向扩展距离也显著减少。图5D为紧接的一次强降雨后的影像,持续两天的强降雨(累计降雨量为76.2mm),再次形成较大的高浑浊区范围,高浑浊区面积增加到105.94km2。
图6为成像前七天累计降雨量和高浑浊区面积以及高浑浊区总悬浮物浓度均值相关性分析图,结果表明成像前七天累计降雨量和高浑浊区面积以及高浑浊区总悬浮物浓度均值显著性相关,随着降雨量的增大,高浑浊区面积和高浑浊区总悬浮物浓度逐渐增加。
应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施方式中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于遥感影像提取湖库高浑浊区的方法,其特征在于,所述方法包括以下步骤:
S1、基于实测遥感反射率数据和HJ1A/B影像蓝、绿、红光波段遥感反射率构建总悬浮物浓度的遥感估算模型,获得总悬浮物浓度的空间分布;
S2、基于HJ1A/B影像蓝、绿、红光波段遥感反射率构建湖库高浑浊区指数,提取湖库高浑浊区;计算方法如下:
Rrs'(560)=Rrs(660)+(560-660)/(475-660)*(Rrs(475)-Rrs(660))
PI=Rrs(560)-Rrs'(560)
式中PI为湖库高浑浊区指数,Rrs(475),Rrs(560)和Rrs(660)分别为HJ-1A/B的蓝、绿和红光波段遥感反射率;
基于PI指数提取高浑浊区:当PI≥0时,为高浑浊区,当PI<0时,为非高浑浊区;
S3、基于实时监测的总悬浮物浓度验证S1构建的总悬浮物浓度的遥感估算模型的有效性;
S4、将提取的高浑浊区和HJ1A/B原始影像进行对比,验证湖库高浑浊区指数的有效性。
2.根据权利要求1所述的一种基于遥感影像提取湖库高浑浊区的方法,其特征在于,所述步骤S1中,总悬浮物浓度遥感估算模型的构建方法为:
通过单波段、波段比值以及多波段的形式对HJ1A/B的CCD传感器影像的4个波段遥感反射率进行组合运算,将这些组合作为总悬浮颗粒物浓度的估算因子,分析各估算因子与总悬浮颗粒物浓度之间的相关性,选择与总悬浮颗粒物浓度相关性好的估算因子进行回归分析并建立回归方程。
3.根据权利要求1所述的一种基于遥感影像提取湖库高浑浊区的方法,其特征在于,所述步骤S1中总悬浮物浓度的空间分布获取方法为:
基于HJ-1A/B影像数据和构建的总悬浮物浓度遥感估算模型,反演得到悬浮物浓度的空间分布。
4.根据权利要求1所述的一种基于遥感影像提取湖库高浑浊区的方法,其特征在于,所述步骤S1中悬浮物浓度的空间分布的空间分辨率为30m*30m。
5.根据权利要求1所述的一种基于遥感影像提取湖库高浑浊区的方法,其特征在于,所述步骤S2中还包括:
采用3*3的窗口对获得的高浑浊区进行中值滤波运算:
G=median{Xi}
式中Xi为待滤波像元值,G为中值滤波运算结果。
6.根据权利要求1所述的一种基于遥感影像提取湖库高浑浊区的方法,其特征在于,所述步骤S3中遥感估算模型的有效性分析具体包括:
若建立的遥感估算模型与实时监测的总悬浮物浓度空间格局高度一致,并且两者之间存在极显著正相关,则构建的遥感估算模型为有效的遥感估算模型,否则,构建的遥感估算模型为无效的遥感估算模型。
7.根据权利要求1所述的一种基于遥感影像提取湖库高浑浊区的方法,其特征在于,所述步骤S4中湖库高浑浊区指数的有效性分析具体包括:
若提取的高浑浊区面积以及高浑浊区总悬浮物浓度和成像前七天累计降雨量一致,并且提取的高浑浊区面积以及高浑浊区总悬浮物浓度和成像前七天累计降雨量存在极显著正相关,则所构建的湖库高浑浊区指数为有效的高浑浊区提取指数,否则,构建的湖库高浑浊区提取指数为无效的高浑浊区提取指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285859.6A CN109282798A (zh) | 2018-10-31 | 2018-10-31 | 一种基于遥感影像提取湖库高浑浊区的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285859.6A CN109282798A (zh) | 2018-10-31 | 2018-10-31 | 一种基于遥感影像提取湖库高浑浊区的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109282798A true CN109282798A (zh) | 2019-01-29 |
Family
ID=65174746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811285859.6A Pending CN109282798A (zh) | 2018-10-31 | 2018-10-31 | 一种基于遥感影像提取湖库高浑浊区的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109282798A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113340825A (zh) * | 2021-06-17 | 2021-09-03 | 重庆大学 | 一种在高浊度背景干扰下叶绿素a浓度的测算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106126826A (zh) * | 2016-06-27 | 2016-11-16 | 中国科学院南京地理与湖泊研究所 | 一种基于viirs传感器的浑浊湖泊水体悬浮物浓度估算方法 |
-
2018
- 2018-10-31 CN CN201811285859.6A patent/CN109282798A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106126826A (zh) * | 2016-06-27 | 2016-11-16 | 中国科学院南京地理与湖泊研究所 | 一种基于viirs传感器的浑浊湖泊水体悬浮物浓度估算方法 |
Non-Patent Citations (2)
Title |
---|
张伟: ""基于HJ CCD影像的鄱阳湖总悬浮物浓度反演与时空化研究"", 《中国博士学位论文全文数据库工程科技I辑》 * |
田小娟: ""MODIS辅助深圳湾HJ CDD影像悬浮泥沙浓度反演研究"", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113340825A (zh) * | 2021-06-17 | 2021-09-03 | 重庆大学 | 一种在高浊度背景干扰下叶绿素a浓度的测算方法 |
CN113340825B (zh) * | 2021-06-17 | 2022-02-15 | 重庆大学 | 一种在高浊度背景干扰下叶绿素a浓度的测算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schaffelke et al. | Water quality in the inshore Great Barrier Reef lagoon: Implications for long-term monitoring and management | |
Page et al. | Influence of watershed runoff on nutrient dynamics in a southern California salt marsh | |
Sun et al. | Effect of reclamation time and land use on soil properties in Changjiang River Estuary, China | |
CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 | |
Liu et al. | Multi-decadal trends and influences on dissolved organic carbon distribution in the Barataria Basin, Louisiana from in-situ and Landsat/MODIS observations | |
Zhao et al. | A study of sediment transport in a shallow estuary using MODIS imagery and particle tracking simulation | |
CN109282798A (zh) | 一种基于遥感影像提取湖库高浑浊区的方法 | |
Paringit et al. | Sediment yield modelling for small agricultural catchments: land‐cover parameterization based on remote sensing data analysis | |
Paul | Limnological aspects of the Uvs Nuur Basin in northwest Mongolia | |
Gao et al. | Field observation of lateral detritus carbon flux in a coastal wetland | |
Paulsen et al. | Temporal changes in seawater carbonate chemistry and carbon export from a Southern California estuary | |
Laosuwan et al. | Analysis of Content and Distribution of Chlorophyll-a on the Sea Surface through Data from Aqua/MODIS Satellite. | |
Milbrandt et al. | Local and regional effects of reopening a tidal inlet on estuarine water quality, seagrass habitat, and fish assemblages | |
McKenzie et al. | Marine Monitoring Program: Inshore seagrass, annual report for the sampling period 1st June 2013-31st May 2014 | |
Terada | Rainfall induced water and nutrient fluxes at a mangrove estuary | |
Krumholz | Macrophyte communities in the Peel–Harvey Estuary: historical trends and current patterns in biomass and distribution | |
DeFries | Effects of land-use history on sedimentation in the Potomac Estuary, Maryland | |
Gama et al. | Phytoplankton chlorophyll a concentration and community structure of two temporarily open/closed estuaries | |
Vilibić et al. | Near-surface ocean temperature variations across temporal scales in the coastal eastern Adriatic | |
Abouabdillah | Hydrological modeling in a data-poor Mediterranean catchment (Merguellil, Tunisia). Assessing scenarios of land management and climate change | |
Huggins et al. | Dissolved oxygen fluctuation regimes in streams of the western corn belt plains ecoregion | |
Biswas et al. | Effects of rising seas and geomorphological changes in the islands of northern Bay of Bengal | |
Liblik et al. | Environmental impact of water exchange blocking in a strait–a multidisciplinary study in the Baltic Sea | |
McKenzie et al. | Reef Rescue Marine Monitoring Program: Inshore seagrass, annual report for the sampling period 1st June 2012-31st May 2013 | |
Wise | Nutrient Dynamics in Tidally Restricted Regions of the Elkhorn Slough National Estuarine Research Reserve |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190129 |