CN109557030A - 一种基于无人机遥感的水质要素反演方法 - Google Patents
一种基于无人机遥感的水质要素反演方法 Download PDFInfo
- Publication number
- CN109557030A CN109557030A CN201811137954.1A CN201811137954A CN109557030A CN 109557030 A CN109557030 A CN 109557030A CN 201811137954 A CN201811137954 A CN 201811137954A CN 109557030 A CN109557030 A CN 109557030A
- Authority
- CN
- China
- Prior art keywords
- water quality
- target component
- remote sensing
- correlation
- aerial vehicle
- 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
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
本发明公开了一种基于无人机遥感的水质要素反演方法,属于水质监测技术领域,首先确定目标区域,确定目标要素,并在目标区域分布采样点;采用无人机搭载多光谱相机,在目标区域上空对采样点进行拍摄,得到对应的图像;将对应的图像进行软件分析得到光谱特征数据,利用数据计算得到该采样点处对应的光谱参数;通过相关性分析得出与水质中各目标要素相关性最高的光谱参数;确定水质中各目标要素反演模型;将与目标要素相关性最高的光谱参数输入到该目标要素反演模型中,输出值即为该目标要素浓度含量,本发明将无人机遥感与水质监测相结合,整个水质要素的反演过程中涉及到的设备包括无人机和光谱相机,检测过程更为简便,操作简单,准确率高。
Description
技术领域
本发明属于水质监测技术领域,具体是涉及一种基于无人机遥感的水质要素反演方 法。
背景技术
目前,受人类活动影响,水资源污染越来越严重,近半数水资源受到严重污染。当下城市环境中水污染的防治是生态环境治理的重中之重,在过去的几十年里,因为对于 基本生活需求的保障以及对于经济发展速度的过分追求,导致了我国整体生态环境遭到 破坏,尤其是整体水环境遭到了不断的恶化。目前我国水质监测主要依靠人工监测,人 工监测通过实地采样,采样后送至检测,周期很长且需要消耗大量人力物力。
无人驾驶飞机简称无人机(unmanned aerial vehicle,UAV),是一种有动力、可控制, 能携带多种设备,执行多种任务,并能重复使用的无人驾驶航空器。无人机与遥感技术的结合,即无人机遥感,是结合无人驾驶飞行器技术、遥感传感器技术、遥测遥控技术、 通讯技术、GPS差分定位技术和遥感应用技术的综合技术,具有低成本、低损耗、可重 复使用且风险小等诸多优势。无人机遥感的高时效、高分辨率等性能,是传统卫星遥感 所无法比拟的,越来越受到研究者和生产者的青睐,大大扩大了遥感的应用范围和用户 群。
从上世纪末开始,遥感技术就已经积极的应用在了水质检测方面。与此同时,近几年无人机技术得到了迅猛的发展,无人机相对来说较为灵活,容易控制,且具有较高的 空间分辨率,可以通过不同高度的拍摄,监测各种类型、各种大小的研究区域状况,因 此,无人机遥感在环境监测以及农业方面已经有了广泛的应用。但是水质反演需要的是 水面受到阳光照射得到的光谱反射率,需要较多的光谱波段信息,是一般传感器不能满 足的,需要专门的多光谱传感器获取资料。但是现有技术中利用无人机遥感技术进行水 质监测时,往往过于依赖卫星数据,无法获取即时的数据,导致水质监测不够准确。
如何得到基于遥感技术的适用于水质监测的方法具有重要的研究意义。
发明内容
发明目的:为了克服现有技术中存在的不足,现有技术中水质监测主要依靠人工监 测,人工监测通过实地采样,采样后送至检测,周期很长且需要消耗大量人力物力;现有技术中利用无人机遥感技术进行水质监测时,往往过于依赖卫星数据,无法获取即时 的数据,导致水质监测不够准确。本发明提供一种基于无人机遥感的水质要素反演方法, 将无人机遥感与水质监测相结合,检测过程更为简便,操作简单;水质监测智能高效, 准确率高;应用更为广泛。
技术方案:为实现上述目的,本发明的基于无人机遥感的水质要素反演方法,该方法包括以下步骤:
S1,确定目标区域,确定目标区域水样对应的目标要素,并在目标区域分布采样点, 设置采样点位置坐标;
S2,采用无人机搭载多光谱相机,在目标区域上空对采样点进行拍摄,得到该采样点处对应的图像;
S3,将所述采样点处对应的图像进行软件分析,得到光谱特征数据,利用该光谱特征数据计算得到该采样点处对应的一组光谱参数Vi(i=1,2,3...n),n为正整数;
S4,通过相关性分析得出与水质中各目标要素相关性最高的光谱参数;
S5,确定水质中各目标要素反演模型;
S6,将所述步骤S4中与目标要素相关性最高的光谱参数输入到该目标要素反演模型中,输出值即为该目标要素浓度含量。
进一步地,所述步骤S1中确定目标区域水样对应的目标要素包括以下步骤:采集采样点处水样,并进行检测分析,得到可以对水质进行评价并且与特征数据相关性较强 的水质要素。
进一步地,所述步骤S2中多光谱相机具备5个光谱波段,分别是:Blue(0.450μ m-0.515μm)、Green(0.525μm-0.605μm)、Red(0.630μm-0.690μm)、Red edge position(0.670μm-0.760μm)、NIR(0.770μm-0.890μm)。
进一步地,所述步骤S3包括以下步骤:将所述步骤S2中采样点处对应的图像数据输入到图像数据校正转换模型,对图像数据进行几何校正。
进一步地,所述光谱特征数据为各个波段的光谱反射率,分别为:R1、R2、R3、R4、 R5。
进一步地,所述步骤S4中通过person相关性分析得出与水质中各目标要素相关性最高的光谱参数。
进一步地,目标区域水样对应的目标要素包括总磷、悬浮物和浊度。
进一步地,所述步骤S5中,采用模型(一)作为水质中总磷浓度含量反演模型, 采用计算模型(二)作为水质中悬浮物浓度含量反演模型,采用计算模型(三)作为水 质中浊度浓度含量反演模型:
其中,模型(一)中ytp为水质中总磷浓度含量,vtp为与水质中总磷相关性最高的光谱参数,a,b为常数;模型(二)中yssd为水质中悬浮物浓度含量,vssd为与水质中 悬浮物相关性最高的光谱参数,p1、p2、p3为常数;模型(三)中ytbd为水质中浊度 浓度含量,vtbd为与水质中浊度相关性最高的光谱参数,p1、p2、p3、p4为常数。
有益效果:本发明与现有技术比较,具有的优点是:
1、本发明提供的一种基于无人机遥感的水质要素反演方法,将无人机遥感与水质监测相结合,整个水质要素的反演过程中涉及到的设备包括无人机和光谱相机,并通过 一些物理及化学手段检测获取水质要素数据,检测过程更为简便,操作简单;
2、本发明相比传统水质要素反演中过于依赖卫星数据,无法获得即时的数据,且在城市水系的应用上不够准确,本发明智能高效,准确率高;
3、本发明提供的水质要素反演模型应用更为广泛;
4、本发明中无人机遥感与水质监测的结合,具有空间全覆盖、快速和成本低的优势。再加上无人机遥感可以重复使用,具有较高的分辨率,带来的海量数据可以方便地 分析和预测水质在空间和时间上的分布和变化情况,发现一些常规方法难以揭示的污染 源和污染物迁移特征,十分适宜城市水系的污染治理需求;
5、本发明中采样点处对应的图像数据输入到图像数据校正转换模型,对图像数据进行几何校正,解决水面的镜面反射问题,尽可能的消除外界环境对数据的准确度影响,将数据保持在一个稳定的水平。
附图说明
图1是本发明步骤流程图1。
图2是本发明步骤流程图2。
图3是使用三个选定的模型对于获取的多光谱图像各象元进行解算,得到目标区域 的总磷、悬浮物浓度、浊度反演估算结果示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
实施例一:
本实施例的一种基于无人机遥感的水质要素反演方法,参照图1和图2,包括以下步骤:确定目标区域,确定目标区域水样对应的目标要素,并在目标区域分布采样点, 设置采样点位置坐标;采用无人机搭载多光谱相机,在目标区域上空对采样点进行拍摄, 得到该采样点处对应的图像;将所述采样点处对应的图像进行软件分析,得到光谱特征 数据,利用该光谱特征数据计算得到该采样点处对应的一组光谱参数Vi(i=1,2,3...n),n 为正整数;通过相关性分析得出与水质中各目标要素相关性最高的光谱参数;确定水质 中各目标要素反演模型;将与目标要素相关性最高的光谱参数输入到该目标要素反演模 型中,输出值即为该目标要素浓度含量;
具体来说,首先选定未知水样的区域位置,通过对区域进行布点设置,按照水域的面积与形状确定采样点,做好采样点的经纬度确定,然后将所采水样送至相关实验室进 行检测,得到需要反演的要素含量浓度。在进行水样采集的同时,在同一时间,同一光 照情况下,操作无人机在水域上空进行拍摄,然后对图片数据进行处理,得到相应的光 谱反射率数据。将获得的实测数据与通过图像得到的光谱反射率数据进行数据拟合,建 立相应参数的水质要素反演模型。根据反演模型得到对应参数的区域浓度分布图,完成 反演。
实施例二:
本实施例的一种基于无人机遥感的水质要素反演方法,基于实施例一,确定目标区 域水样对应的目标要素包括以下步骤:采集采样点处水样,并进行检测分析,得到可以对水质进行评价并且与特征数据相关性较强的水质要素。可以对水质进行评价并且与光谱反射率相关性较强的几种要素含量,包括总磷(tp)、浊度(tub)、悬浮物(ss)浓度三种 要素,目标区域水样对应的目标要素包括总磷、悬浮物和浊度。
实施例三:
本实施例的一种基于无人机遥感的水质要素反演方法,基于实施例二,采用无人机 搭载多光谱相机,在目标区域上空对采样点进行拍摄,得到该采样点处对应的图像:多光谱相机具备5个光谱波段,分别是:Blue(0.450μm-0.515μm)、Green(0.525μm -0.605μm)、Red(0.630μm-0.690μm)、Red edge position(0.670μm-0.760μm)、 NIR(0.770μm-0.890μm):
将采样点处对应的图像数据输入到图像数据校正转换模型,对图像数据进行几何校 正,模拟参照卫星图像校正处理的模型,对图像数据进行几何校正的处理,主要是为了解决水面的镜面反射问题,因为相较于卫星,无人机的飞行高度可以使得其图像处理过 程中忽略大气以及地球表面曲度的影响,力求尽可能的消除外界环境对数据的准确度影 响,将数据保持在一个稳定的水平。
而后将数据转换成反演模型所需要的光谱特征量,即各个波段的光谱反射率,将获 取图像在ENVI5.1软件中进行解译,识别出实验水域,根据实验室送检采样点对应的样点位置构建兴趣区,以兴趣区范围内对应要素的平均反射率光谱值作为光谱特征数据为各个波段的光谱反射率,分别为:R1、R2、R3、R4、R5(分别为R1、R2、R3、 R4、R5五组数据按照blue、green、red、red edge、nir分别对应),选择覆盖整个拍摄 区域的光谱图像导入ENVI5.1,选择band math工具,首先在工具中计算对应的光谱参 数,而后分别将三个参数的模型输入band math工具栏,依次得到对应三种参数浓度的 值的三个计算结果,再通过raster color slices工具,得到三个参数分别对应的浓度分布 图;
光谱特征数据的处理:每一个对应的采样点有其对应的5个光谱波段的数据,光谱反射率,分别为:R1、R2、R3、R4、R5,在具体分析的时候,还可以通过波段计算的 方式在5个单波段反射率的基础上衍生出更多的光谱参数,如表1所示,通过光谱反 射率,分别为:R1、R2、R3、R4、R5,得到9个光谱参数V1~V11;V1~V11均是通 过R1、R2、R3、R4、R5计算得到。
表1
将9个不同的光谱参数分别与三种反演要素的实测浓度值按样点一一对应进行person相关性分析,最终选择与3个不同的反演要素值相关性最高的光谱参数进行拟合,通过person相关性分析得出与水质中各目标要素相关性最高的光谱参数。相关性分析参照表2所示,表2为光谱参数与总磷(tp)、浊度(tub)、悬浮物(ss)浓度的相关系数。
表2
如表2所示,进行数据相关性分析,分别将测得的总磷浓度、悬浮物浓度以及浊度与相对应的各种光谱参数(V1~V11)进行相关性分析。样本数n=79,在相关性分析的 基础上,在相关性分析的基础上,选择每个水质要素指标所对应的若干显著水平<0.05 的符合统计学要求的光谱参数数据进行下一部数据分析。通过分析,如表2所示结果: 符合总磷(TP)要求的光谱参数分别有V5、V7-V11、V14、V16八组光谱参数;符合 悬浮物浓度(SS)要求的光谱参数分别有V4、V5、V7-V10、V13、V14、V16九组光 谱参数;符合浊度(TUB)要求的光谱参数分别有V4、V5、V7-V11、V14、V16八组 光谱参数,最终选择显著性为0,相关性较高的光谱参数作为与某要素相关性最高的光 谱参数:于是得到:与总磷(tp)值相关性最高的光谱参数是V5;与悬浮物浓度(ss) 相关性最高的光谱参数是V5;与浊度(tub)相关性最高的光谱参数是V4;
实施例四:
本实施例的一种基于无人机遥感的水质要素反演方法,基于实施例三,分别建立3个不同的反演模型。采用模型(一)作为水质中总磷浓度含量反演模型,采用计算模型 (二)作为水质中悬浮物浓度含量反演模型,采用计算模型(三)作为水质中浊度浓度 含量反演模型:
其中,模型(一)中ytp为水质中总磷浓度含量,vtp为与水质中总磷相关性最高的光谱参数,a,b为常数,vtp=V5;模型(二)中yss为水质中悬浮物浓度含量,vss为与 水质中悬浮物相关性最高的光谱参数,p1、p2、p3为常数,vss=V5;模型(三)中ytub为水质中浊度浓度含量,vtub为与水质中浊度相关性最高的光谱参数,p4、p5、p6为常 数,vtub=V4。
在确定水质要素反演模型中,对应的总磷(TP)、悬浮物浓度(SS)、浊度(TUB) 作为因变量,对数据进行拟合,针对每种水质参数指标分别构建一元线性回归模型,记 为UTP、USS、UTUB;指数函数模型,记为ETP、ESS、ETUB;幂函数模型PTP、PSS、 PTUB;多项式模型PLTP、PLSS、PLTUB,共计三个指标,12个模型。不同参数与不 同水质要素指标的反演模型如表3所示,对应选定模型的拟合结果如表3所示;
表3
各水质参数的反演模型测定系数R2都在0.7左右,其中总磷(TP)的四个模型中,指数函数模型(ETP)与多项式模型(PLTP)的测定系数R2相等,均为0.7829;悬浮 物浓度(SS)的四个模型中,多项式模型(PLSS)的测定系数R2较高,为0.7503;浊 度(TUB)的四个模型中,多项式模型(PLTUB)的测定系数R2最高,为0.7334。将 悬浮物浓度(SS)与浊度(TUB)二参数的反演模型均选定为多项式模型(分别为PLSS、 PLTUB),而对于总磷(TP)来说,对于指数函数模型(ETP)以及多项式模型(PLTP) 进行标准误差RMSE进行比较,选择RMSE较小的模型也就是指数函数模型(ETP)作 为总磷参数的最终反演模型。
对应的总磷(TP)、悬浮物浓度(SS)、浊度(TUB)的水质要素反演模型估测模型 精度检验如表4所示:
表4
综上所述,因此采用模型(一)作为水质中总磷浓度含量反演模型,采用计算模型(二)作为水质中悬浮物浓度含量反演模型,采用计算模型(三)作为水质中浊度浓度 含量反演模型:
其中,模型(一)中ytp为水质中总磷浓度含量,vtp为与水质中总磷相关性最高的光谱参数,a,b为常数,vtp=V5;模型(二)中yss为水质中悬浮物浓度含量,vss为与 水质中悬浮物相关性最高的光谱参数,p1、p2、p3为常数,vss=V5;模型(三)中ytub为水质中浊度浓度含量,vtub为与水质中浊度相关性最高的光谱参数,p4、p5、p6为常 数,vtub=V4。
实施例五:
本实施例的一种基于无人机遥感的水质要素反演方法,基于实施例四,
采用模型(一)作为水质中总磷浓度含量反演模型,采用计算模型(二)作为水质中悬浮物浓度含量反演模型,采用计算模型(三)作为水质中浊度浓度含量反演模型:
其中,模型(一)中ytp为水质中总磷浓度含量,vtp为与水质中总磷相关性最高的光谱 参数,a,b为常数,a=0.03149,b=0.6285,vtp=V5;模型(二)中yss为水质中悬浮物 浓度含量,vss为与水质中悬浮物相关性最高的光谱参数,p1、p2、p3为常数, p1=8.333,p2=-60.08,p3=89.22,vss=V5;模型(三)中ytub为水质中浊度浓度含量, vtub为与水质中浊度相关性最高的光谱参数,p4、p5、p6为常数, p4=21.56,p5=-27.62,p6=24.03,vtub=V4。
上述模型中提到的相关参数数值,适应于限定的实验区域,在不同的区域需要通过原始 数据的验证调节参数值。
选择覆盖整个拍摄区域的光谱图像导入ENVI5.1,选择band math工具,首先在工具中计算对应的光谱参数,而后分别将三个参数的模型输入band math工具栏,依次得 到对应三种参数浓度的值的三个计算结果,再通过raster color slices工具,得到三个参数分别对应的浓度分布图。
实施例六:
本实施例的一种基于无人机遥感的水质要素反演方法,基于实施例五,
分别使用三个选定的模型对于获取的多光谱图像各象元进行解算,得到目标区域的 总磷、悬浮物浓度、浊度反演估算结果,如图3所示。首先通过将目标区域从多光谱图 像中提取出来,而后将先前三个参数对应的反演模型代入波段运算工具,计算出区域内 每一个象元值的水质参数进行计算,最后对于反演结果通过不同浓度进行分级显示,可 以直观的看出东湖区域的总磷、悬浮物浓度以及浊度的空间分布规律。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的技术人员来说, 在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为 本发明的保护范围。
Claims (8)
1.一种基于无人机遥感的水质要素反演方法,其特征在于,该方法包括以下步骤:
S1,确定目标区域,确定目标区域水样对应的目标要素,并在目标区域分布采样点,设置采样点位置坐标;
S2,采用无人机搭载多光谱相机,在目标区域上空对采样点进行拍摄,得到该采样点处对应的图像;
S3,将所述采样点处对应的图像进行软件分析,得到光谱特征数据,利用该光谱特征数据计算得到该采样点处对应的一组光谱参数Vi(i=1,2,3...n),n为正整数;
S4,通过相关性分析得出与水质中各目标要素相关性最高的光谱参数;
S5,确定水质中各目标要素反演模型;
S6,将所述步骤S4中与目标要素相关性最高的光谱参数输入到该目标要素反演模型中,输出值即为该目标要素浓度含量。
2.根据权利要求1所述的基于无人机遥感的水质要素反演方法,其特征在于,所述步骤S1中确定目标区域水样对应的目标要素包括以下步骤:采集采样点处水样,并进行检测分析,得到可以对水质进行评价并且与特征数据相关性较强的水质要素。
3.根据权利要求1所述的基于无人机遥感的水质要素反演方法,其特征在于,所述步骤S2中多光谱相机具备5个光谱波段,分别是:Blue(0.450μm-0.515μm)、Green(0.525μm-0.605μm)、Red(0.630μm-0.690μm)、Red edge position(0.670μm-0.760μm)、NIR(0.770μm-0.890μm)。
4.根据权利要求1所述的基于无人机遥感的水质要素反演方法,其特征在于,所述步骤S3包括以下步骤:将所述步骤S2中采样点处对应的图像数据输入到图像数据校正转换模型,对图像数据进行几何校正。
5.根据权利要求3所述的基于无人机遥感的水质要素反演方法,其特征在于,所述光谱特征数据为各个波段的光谱反射率,分别为:R1、R2、R3、R4、R5。
6.根据权利要求1所述的基于无人机遥感的水质要素反演方法,其特征在于,所述步骤S4中通过person相关性分析得出与水质中各目标要素相关性最高的光谱参数。
7.根据权利要求2所述的基于无人机遥感的水质要素反演方法,其特征在于,目标区域水样对应的目标要素包括总磷、悬浮物和浊度。
8.根据权利要求7所述的基于无人机遥感的水质要素反演方法,其特征在于,所述步骤S5中,采用模型(一)作为水质中总磷浓度含量反演模型,采用计算模型(二)作为水质中悬浮物浓度含量反演模型,采用计算模型(三)作为水质中浊度浓度含量反演模型:
其中,模型(一)中ytp为水质中总磷浓度含量,vtp为与水质中总磷相关性最高的光谱参数,a,b为常数;模型(二)中yss为水质中悬浮物浓度含量,vss为与水质中悬浮物相关性最高的光谱参数,p1、p2、p3为常数;模型(三)中ytub为水质中浊度浓度含量,vtub为与水质中浊度相关性最高的光谱参数,p4、p5、p6为常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811137954.1A CN109557030A (zh) | 2018-09-28 | 2018-09-28 | 一种基于无人机遥感的水质要素反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811137954.1A CN109557030A (zh) | 2018-09-28 | 2018-09-28 | 一种基于无人机遥感的水质要素反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109557030A true CN109557030A (zh) | 2019-04-02 |
Family
ID=65864697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811137954.1A Pending CN109557030A (zh) | 2018-09-28 | 2018-09-28 | 一种基于无人机遥感的水质要素反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109557030A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110954484A (zh) * | 2019-12-09 | 2020-04-03 | 南京搜天数据科技有限公司 | 一种使用无人机多光谱数据进行城市河流水质评价的方法 |
CN111462256A (zh) * | 2020-03-26 | 2020-07-28 | 佛山科学技术学院 | 一种基于计算机视觉的水质监测方法及系统 |
CN112461779A (zh) * | 2020-12-16 | 2021-03-09 | 重庆商勤科技有限公司 | 机载光谱遥感监测VOCs污染的方法、装置及存储介质 |
CN112565726A (zh) * | 2020-12-10 | 2021-03-26 | 广州极飞科技有限公司 | 作业处方图的确定方法、作业控制方法及相关装置 |
CN113109281A (zh) * | 2021-04-13 | 2021-07-13 | 中国科学院成都生物研究所 | 一种基于高光谱遥感的水质参数定量反演模型及其构建方法 |
CN115561181A (zh) * | 2022-10-26 | 2023-01-03 | 中科合肥智慧农业协同创新研究院 | 一种基于无人机多光谱数据的水质反演方法 |
CN116626255A (zh) * | 2023-07-21 | 2023-08-22 | 深圳市天地互通科技有限公司 | 一种水质应急快检系统及储能式水质应急快检移动终端 |
Citations (2)
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 |
CN106769903A (zh) * | 2017-01-12 | 2017-05-31 | 南京渔管家物联网科技有限公司 | 一种养殖水体藻类浓度检测方法 |
-
2018
- 2018-09-28 CN CN201811137954.1A patent/CN109557030A/zh active Pending
Patent Citations (2)
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 |
CN106769903A (zh) * | 2017-01-12 | 2017-05-31 | 南京渔管家物联网科技有限公司 | 一种养殖水体藻类浓度检测方法 |
Non-Patent Citations (1)
Title |
---|
TUNG-CHING SU 等: "Application of Multispectral Sensors Carried on Unmanned Aerial Vehicle (UAV) to Trophic State Mapping of Small Reservoirs: A Case Study of Tain-Pu Reservoir in Kinmen, Taiwan", 《REMOTE SENSING》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110954484A (zh) * | 2019-12-09 | 2020-04-03 | 南京搜天数据科技有限公司 | 一种使用无人机多光谱数据进行城市河流水质评价的方法 |
CN111462256A (zh) * | 2020-03-26 | 2020-07-28 | 佛山科学技术学院 | 一种基于计算机视觉的水质监测方法及系统 |
CN111462256B (zh) * | 2020-03-26 | 2023-04-25 | 佛山科学技术学院 | 一种基于计算机视觉的水质监测方法及系统 |
CN112565726A (zh) * | 2020-12-10 | 2021-03-26 | 广州极飞科技有限公司 | 作业处方图的确定方法、作业控制方法及相关装置 |
CN112461779A (zh) * | 2020-12-16 | 2021-03-09 | 重庆商勤科技有限公司 | 机载光谱遥感监测VOCs污染的方法、装置及存储介质 |
CN113109281A (zh) * | 2021-04-13 | 2021-07-13 | 中国科学院成都生物研究所 | 一种基于高光谱遥感的水质参数定量反演模型及其构建方法 |
CN113109281B (zh) * | 2021-04-13 | 2022-11-29 | 中国科学院成都生物研究所 | 一种基于高光谱遥感的水质参数定量反演模型及其构建方法 |
CN115561181A (zh) * | 2022-10-26 | 2023-01-03 | 中科合肥智慧农业协同创新研究院 | 一种基于无人机多光谱数据的水质反演方法 |
CN115561181B (zh) * | 2022-10-26 | 2024-05-07 | 中科合肥智慧农业协同创新研究院 | 一种基于无人机多光谱数据的水质反演方法 |
CN116626255A (zh) * | 2023-07-21 | 2023-08-22 | 深圳市天地互通科技有限公司 | 一种水质应急快检系统及储能式水质应急快检移动终端 |
CN116626255B (zh) * | 2023-07-21 | 2023-11-21 | 深圳市天地互通科技有限公司 | 一种水质应急快检系统及储能式水质应急快检移动终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109557030A (zh) | 一种基于无人机遥感的水质要素反演方法 | |
CN109507119A (zh) | 一种基于无人机光谱的水质要素浓度检测方法 | |
CN111007021A (zh) | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 | |
CN107909607B (zh) | 一种年度区域植被覆盖度计算方法 | |
CN105260709B (zh) | 基于图像处理的水表检定方法、装置及系统 | |
CN105865424B (zh) | 一种基于非线性模型的多光谱遥感水深反演方法及装置 | |
CN105260710B (zh) | 基于图像处理的水表检定方法、装置及系统 | |
CN112051222A (zh) | 一种基于高分卫星影像的河湖水质监测方法 | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
CN104504389B (zh) | 一种基于卷积神经网络的卫星云量计算方法 | |
CN108876917A (zh) | 一种森林地上生物量遥感估测通用模型构建方法 | |
CN110826693B (zh) | 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 | |
CN105300482B (zh) | 基于图像处理的水表检定方法、装置及系统 | |
CN103955583B (zh) | 一种确定夜晚灯光数据提取城市建成区阈值的方法 | |
CN111597756A (zh) | 一种基于无人机多光谱数据的水质参数反演方法 | |
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 | |
CN106228130B (zh) | 基于模糊自编码网络的遥感影像云检测方法 | |
CN107064068A (zh) | 一种浑浊水体颗粒有机碳浓度的遥感反演方法 | |
CN103942555B (zh) | 一种植物氮素含量丰缺图像检测方法 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN107991243A (zh) | 一种基于航空高光谱遥感数据的高海拔地区水体提取方法 | |
CN109870419B (zh) | 一种采用航空高光谱数据预测黑土氮磷钾含量的方法 | |
CN110927065B (zh) | 遥感辅助的湖库chl-a浓度空间插值方法优选方法和装置 | |
CN114397277A (zh) | 一种无人机水体叶绿素遥感探测系统 | |
CN115494007A (zh) | 基于随机森林的土壤有机质高精度快速检测方法及装置 |
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 |
Application publication date: 20190402 |
|
RJ01 | Rejection of invention patent application after publication |