CN110688909A - 城市黑臭水体的识别方法、装置、设备以及存储介质 - Google Patents
城市黑臭水体的识别方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN110688909A CN110688909A CN201910836445.6A CN201910836445A CN110688909A CN 110688909 A CN110688909 A CN 110688909A CN 201910836445 A CN201910836445 A CN 201910836445A CN 110688909 A CN110688909 A CN 110688909A
- Authority
- CN
- China
- Prior art keywords
- water body
- neural network
- deep neural
- network model
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 52
- 238000004140 cleaning Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012952 Resampling Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 230000009977 dual effect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 241000195493 Cryptophyta Species 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 244000207740 Lemna minor Species 0.000 description 1
- 235000006439 Lemna minor Nutrition 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 235000001855 Portulaca oleracea Nutrition 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000010866 blackwater Substances 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000003403 water pollutant Substances 0.000 description 1
Images
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种城市黑臭水体的识别方法、装置、设备以及存储介质，该方法包括获取城市水体的遥感数据；对遥感数据进行预处理；利用预处理后的遥感数据计算水体清洁指数WCI；建立深度神经网络模型并将预处理后的数据以及水体清洁指数WCI导入所述深度神经网络模型；训练所述深度神经网络模型；通过训练好的深度神经网络模型识别城市水体；该黑臭水体的识别方法通过建立深度神经网络模型，利用该模型结合光谱水体指数与图像解译标志的双重判断标准，并在训练深度神经网络模型时辅佐人工验证，大大的提高了深度神经网络识别的准确率，同时由于利用深度神经网络模型来进行识别，大大的减小了运算数量，提高了识别效率。
Description
技术领域
本发明涉及城市水体识别领域，特别涉及一种城市黑臭水体的识别方法、装置、设备以及存储介质。
背景技术
城市黑臭水体是指城市建设城区内，呈现令人不悦的颜色和/或散发令人不适气味的统称，城市黑臭水体一般呈暗黑色、黑灰色、黑褐色、黄褐色以及灰绿色等。城市黑臭水体不仅严重破坏了城市水系的生态系统，而且还严重影响着居民身体健康和生活品质。
目前，随着遥感技术的发展，遥感监测实现了对河流低成本、高效率的监测，并且，我国遥感监测技术已达到亚米级水平，对于较为细小的河流，也同样具有监测能力，因此，遥感技术解决了黑臭水体识别的难题，不仅效率高，而且降低了黑臭水体识别的成本。
然而现有技术中，基于遥感的城市黑臭水体识别都是需要将遥感数据进行处理分析运算后得到结果，由于遥感数据量庞大，没经过一段时间重新对水体数据更新的时候都需要重新进行分析、运算才行，而且有时候还需要进行人工校验，效率低下，准确率也不够高。
发明内容
为了解决现有的城市黑臭水体识别效率低的问题，本发明提供一种高效率的黑臭水体的识别方法、装置、设备以及存储介质。
为了实现上述目的，本发明一方面提供一种城市黑臭水体的识别方法，包括：获取城市水体的遥感数据；对遥感数据进行预处理；利用预处理后的遥感数据计算水体清洁指数WCI；建立深度神经网络模型并将预处理后的数据以及水体清洁指数WCI导入所述深度神经网络模型；训练所述深度神经网络模型；通过训练好的深度神经网络模型识别城市水体。
在上述识别方法中，所述对遥感数据进行预处理，进一步包括：
正射校准，对获取的遥感影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像；
辐射定标，将图像的数字量化值转化为辐亮度数据；
图像融合，将低分辨率的多光谱影像与高空间分辨率的单波段影像进行重采样生成高空间分辨率的多光谱影像。
在上述识别方法中，所述水体清洁指数WCI＝|(b2-b1)/Δλ12|/|(b3-b2)/Δλ23|
其中，Δλ12＝λ2-λ1，Δλ23＝λ3-λ2；b1、b2、b3分别为遥感卫星PMS第1、2、3波段的反射率值；λ1、λ2、λ3分别为第1、2、3波段的中心波长。
在上述识别方法中，所述训练所述深度神经网络模型进一步包括：
构建图像解译标志；
结合图像解译标志以及水体清洁指数判断该水体是否属于黑臭水体；
若判断属于黑臭水体则人工实地走访检验；
将人工校验的结果反馈到深度神经网络模型用来修正所述深度神经网络模型。
在上述识别方法中，所述图像解译标志包括水体颜色、次生环境、河道淤塞以及岸边带垃圾堆放。
另一方面，本发明还提供一种城市黑臭水体的识别装置，其特征在于包括：
获取单元，用于获取城市水体的遥感数据
预处理单元，用于对遥感数据做预处理；
深度神经网络模型单元，用于建立深度神经网络模型以及对所述深度神经网络模型进行训练；
识别单元，用所述深度神经网络模型对城市水体进行识别。
在上述识别装置中，所述预处理模块具体是用于对遥感数据做如下处理：
正射校准，对获取的遥感影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像；
辐射定标，将图像的数字量化值转化为辐亮度数据；
图像融合，将低分辨率的多光谱影像与高空间分辨率的单波段影像进行重采样生成高空间分辨率的多光谱影像。
在上述识别装置中，所述获取单元通过GF-1遥感卫星获取城市水体数据。
另一方面，本发明还提供一种城市黑臭水体的识别设备，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述的一种城市黑臭水体的识别方法的步骤。
最后，本发明还提供一种存储介质，所述计算机存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的一种城市黑臭水体的识别方法的步骤。
本发明相对于现有技术的有益效果是：该黑臭水体的识别方法通过建立深度神经网络模型，利用该模型结合光谱水体指数与图像解译标志的双重判断标准，并在训练深度神经网络模型时辅佐人工验证，大大的提高了深度神经网络识别的准确率，同时由于利用深度神经网络模型来进行识别，大大的减小了运算数量，提高了识别效率。
附图说明
图1是本发明中黑臭水体的识别方法的流程图；
图2是黑臭水体光谱特征图；
图3是清洁指数WCI计算结果图；
图4是深度神经网络模型计算原理图；
图5是训练深度神经网络模型的流程图；
图6是本发明中黑臭水体的识别装置结构图；
图7是本发明中黑臭水体的识别设备结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提供一种黑臭水体的识别方法，包括：
S10：获取城市水体的遥感数据；获取高分一号(GF-1)卫星的遥感数据，该卫星搭载两台2m分辨率全色和8m分辨率多光谱相机PMS，4台16m分辨率多光谱相机WFV，在本实施例中，选择以2m分辨率全色、8m分辨率多光谱影像为数据源。
S20：对遥感数据进行预处理；预处理主要包括对数据进行正射校准，对获取的遥感影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像；
以及对数据进行辐射定标，将图像的数字量化值转化为辐亮度数据；辐射定标公式为
Le(le)＝Gain×DN+Offset
式中，Le(le)为定标后辐亮度，单位为W·m-2·sr-1·μm-1，DN为卫星载荷观测值；Gain为定标斜率，单位为W·m-2·sr-1·μm-1，Offset为绝对定标系数偏移量，单位为W·m-2·sr-1·μm-1。
大气校正的目的就是从传感器接收的总信号中去除大气的影响，得到真正含有水体信息的反射率数据。利用ENVI的FLAASH大气校正模块对GF-1PMS多光谱数据进行校正。根据影像经纬度、成像时间以及影像区域选取MLS大气模型，以及城市气溶胶模型，在此基础上实现影像大气校正。
还有对数据进行图像融合，即将低分辨率的多光谱影像与高空间分辨率的单波段影像进行重采样生成高空间分辨率的多光谱影像。
S30：利用预处理后的遥感数据计算水体清洁指数WCI；利用GF-1PMS影像提取的黑臭水体光谱特征如图2所示，可以看出从波段1到波段2，黑臭水体反射率相对于一般水体反射率总体上升缓慢，斜率较小，而从波段2到波段3，黑臭水体反射率上升幅度较大，斜率相对较大。取1、2波段与2、3波段斜率比值作为遥感识别黑臭水体的光谱水体指数，即
WCI＝|(b2-b1)/Δλ12|/|(b3-b2)/Δλ23|
其中，Δλ12＝λ2-λ1，Δλ23＝λ3-λ2；b1、b2、b3分别为遥感卫星PMS第1、2、3波段的反射率值；λ1、λ2、λ3分别为第1、2、3波段的中心波长。
黑臭水体样本和一般水体样本的清洁指数WCI计算结果如图3所示，一般水体的WCI光谱指数普遍明显高于黑臭水体，黑臭水体的WCI指数介于0.020—0.870，而一般水体的WCI指数均大于1。基于数理统计学的数值上下线分析原理，以黑臭水体样本点2倍标准差(2σ)作为不确定度，计算黑臭水体样本点WCI统计上限，结果为0.985，为便于应用和计算，本实施例中选取1作为区分黑臭水体与一般水体的阈值。即当0≤WCI≤1时，可判别水体为黑臭水体；当WIC＞1时，可判别水体为一般水体。
S40：建立深度神经网络模型并将预处理后的数据以及水体清洁指数WCI导入所述深度神经网络模型；本实施例中，深度神经网络模型可以利用卷积神经网络和结构长短期记忆网络联合实现，建立好深度神经网络模型后将之前的数据导入该模型中，并利用该模型进行上述相应的计算，如图4所示，每一个WCI值作为x，水体光谱颜色作为权值w输入于神经网络单元，神经元内会对输入与权重做乘法后求和，求和的结果与偏置做差，最终将结果放入判断函数中，由判断函数给出的最后输出，输出往往是二进制的。最后输出结果为0，表示不是黑臭水体；最后输出结果为1，表示是黑臭水体。
S50：训练所述深度神经网络模型；训练深度神经网络模型的目的就是为了提高识别的准确率以及识别速度，由于深度神经网络具有一定的记忆功能，之前处理过数据不需要重复处理，而且相类似的数据处理速度也会加快，具体的训练步骤如图5所示：
S501：构建图像解译标志；解译标志包括：(1)水体颜色。当氨氮、硫化氢等难溶于水的气体在上升过程中会携带污泥进入水相，形成大量吸附了FeS、MnS的带负电胶体的悬浮颗粒，使水体发黑，因此，水体颜色发黑、发灰是判断黑臭水体的一项重要标志，在PMS真彩色影像上，黑臭水体通常呈现黑色、灰黑色、灰绿色、褐色等颜色特征，而一般水体多为绿色、深绿色。
(2)次生环境。由于大量的含氮、磷等无机物的生活及工、农业污水排放，造成水体富营养化，藻类大量生长，形成次生环境问题，过度消耗水中氧气，进而藻类因缺氧大量死亡、腐烂，引发黑水团，使水体发生黑臭现象。这表明次生环境也是判断黑臭水体的一项潜在标志。当水体爆发次生环境问题，最常见的主要有藻类大量繁殖形成水华、浮萍泛滥等，随着时间的推移，水体逐渐恶化，形成黑臭。
(3)河道淤塞。城市水循环不足是引起黑臭水体的水动力学因素。城市引水和灌溉用水量的不断增加，导致河流上游来水量不断减少，随着废弃物不断增加，使河道不断淤浅，造成排水不畅，降低水体污染物的携冲能力和自净能力，为黑臭水体的形成提供了一定的形成条件。因此，河道淤塞是判别黑臭水体的依据之一。河道淤塞、断头浜、死水浜会造成河水无法流通，无法形成健康的生态循环体系。
(4)岸边带垃圾堆放。生活垃圾和建筑垃圾在河道岸边的堆放不仅会造成河道的堵塞，而且发酵后的生活垃圾还会散发异臭。在城乡结合部，由于生活垃圾回收机制的不健全，生活垃圾被肆意堆放在河道周边，发酵的生活垃圾是造成城市河流黑臭的重要来源之一。垃圾在影像上颜色不均匀、深浅不一，多灰白相间、呈斑点状。
S502：结合图像解译标志辅助黑臭水体光谱识别指数进一步剔除误判水体，当河流WCI指数显示为疑似黑臭水体，但该河流不存在任何黑臭水体解译标志现象，则将该河段判定为一般水体，否则反之。
S503：若判断属于黑臭水体则人工实地走访检验；
S504：将人工校验的结果反馈到深度神经网络模型用来修正所述深度神经网络模型。深度神经网络模型通过多次的修正和训练后能够快速的进行黑臭水体的识别，而且由于训练过程中的人工修正，大大的提高了识别的准确度。
S60：通过训练好的深度神经网络模型识别城市水体。
该黑臭水体的识别方法通过建立深度神经网络模型，利用该模型结合光谱水体指数与图像解译标志的双重判断标准，并在训练深度神经网络模型时辅佐人工验证，大大的提高了深度神经网络识别的准确率，同时由于利用深度神经网络模型来进行识别，大大的减小了运算数量，提高了识别效率。
另外，在本实施例中，本发明还提供一种城市黑臭水体的识别装置是对应上述实施例中的一种城市黑臭水体的识别方法，在所述识别装置中还包括若干单元，用于对应上述识别方法的相应步骤，实现相应的功能。由于上述实施例中已经对识别方法的步骤进行了详细的说明，故在此装置中不再赘述。
如图6所示，该识别装置包括获取单元11，用于获取城市水体的遥感数据；预处理单元12，用于对遥感数据做预处理；深度神经网络模型单元13，用于建立深度神经网络模型以及对所述深度神经网络模型进行训练；识别单元14，用所述深度神经网络模型对城市水体进行识别。
在上述识别装置中，所述获取单元11通过GF-1遥感卫星获取城市水体数据。
如图7所示，本发明还提供了一种城市黑臭水体的识别设备20，该数据处理设备包括存储器21、处理器22以及存储在存储器中并可在处理器上运行的计算机程序23，该处理器执行计算机程序时实现上述的城市黑臭水体的识别方法的步骤。
上述设备包括但不限于计算机、智能手机、平板电脑等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备的具体工作过程及其解决的技术问题和取得的技术效果，可以参考前述方法实施例中的对应过程及其解决的技术问题和取得的技术效果，在此不再赘述。
另外，本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何一种城市黑臭水体的识别方法的部分或全部步骤。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。
Claims (10)
1.一种城市黑臭水体的识别方法，其特征在于，包括：
获取城市水体的遥感数据；
对遥感数据进行预处理；
利用预处理后的遥感数据计算水体清洁指数WCI；
建立深度神经网络模型并将预处理后的数据以及水体清洁指数WCI导入所述深度神经网络模型；
训练所述深度神经网络模型；
通过训练好的深度神经网络模型识别城市水体。
2.根据权利要求1所述的识别方法，其特征在于，所述对遥感数据进行预处理，进一步包括：
正射校准，对获取的遥感影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像；
辐射定标，将图像的数字量化值转化为辐亮度数据；
图像融合，将低分辨率的多光谱影像与高空间分辨率的单波段影像进行重采样生成高空间分辨率的多光谱影像。
3.根据权利只要1所述的识别方法，其特征在于：所述水体清洁指数WCI＝|(b2-b1)/Δλ12|/|(b3-b2)/Δλ23|
其中，Δλ12＝λ2-λ1，Δλ23＝λ3-λ2；b1、b2、b3分别为遥感卫星PMS第1、2、3波段的反射率值；λ1、λ2、λ3分别为第1、2、3波段的中心波长。
4.根据权利要求1所述的识别方法，其特征在于，所述训练所述深度神经网络模型进一步包括：
构建图像解译标志；
结合图像解译标志以及水体清洁指数判断该水体是否属于黑臭水体；
若判断属于黑臭水体则人工实地走访检验；
将人工校验的结果反馈到深度神经网络模型用来修正所述深度神经网络模型。
5.根据权利要求4所述的识别方法，其特征在于：所述图像解译标志包括水体颜色、次生环境、河道淤塞以及岸边带垃圾堆放。
6.一种城市黑臭水体的识别装置，其特征在于包括：
获取单元，用于获取城市水体的遥感数据
预处理单元，用于对遥感数据做预处理；
深度神经网络模型单元，用于建立深度神经网络模型以及对所述深度神经网络模型进行训练；
识别单元，用所述深度神经网络模型对城市水体进行识别。
7.根据权利要求6所述的识别装置，其特征在于，所述预处理模块具体是用于对遥感数据做如下处理：
正射校准，对获取的遥感影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像；
辐射定标，将图像的数字量化值转化为辐亮度数据；
图像融合，将低分辨率的多光谱影像与高空间分辨率的单波段影像进行重采样生成高空间分辨率的多光谱影像。
8.根据权利要求6所述的识别装置，其特征在于：所述获取单元通过GF-1遥感卫星获取城市水体数据。
9.一种城市黑臭水体的识别设备，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的一种城市黑臭水体的识别方法的步骤。
10.一种存储介质，所述计算机存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的一种城市黑臭水体的识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910836445.6A CN110688909A (zh) | 2019-09-05 | 2019-09-05 | 城市黑臭水体的识别方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910836445.6A CN110688909A (zh) | 2019-09-05 | 2019-09-05 | 城市黑臭水体的识别方法、装置、设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110688909A true CN110688909A (zh) | 2020-01-14 |
Family
ID=69107745
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910836445.6A Pending CN110688909A (zh) | 2019-09-05 | 2019-09-05 | 城市黑臭水体的识别方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110688909A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112903945A (zh) * | 2021-02-26 | 2021-06-04 | 珠江水利委员会珠江水利科学研究院 | 一种基于常规水质参数的城市黑臭水体识别方法 |
| CN113743431A (zh) * | 2020-05-29 | 2021-12-03 | 阿里巴巴集团控股有限公司 | 一种数据选择方法及装置 |
| CN113780071A (zh) * | 2021-07-30 | 2021-12-10 | 中南安全环境技术研究院股份有限公司 | 一种黑臭水体遥感识别系统及方法 |
| CN113792689A (zh) * | 2021-09-18 | 2021-12-14 | 安徽师范大学 | 一种基于深度学习的城市黑臭水体遥感识别方法 |
| CN114298562A (zh) * | 2021-12-29 | 2022-04-08 | 神彩科技股份有限公司 | 水环境监测预警方法、装置、计算机设备、存储介质 |
| CN116702065A (zh) * | 2023-05-30 | 2023-09-05 | 浙江时空智子大数据有限公司 | 基于影像数据黑臭水体生态治理污染监测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107167431A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学院遥感与数字地球研究所 | 一种基于光谱指数模型的黑臭水体识别方法及系统 |
| CN108229425A (zh) * | 2018-01-29 | 2018-06-29 | 浙江大学 | 一种基于高分辨率遥感图像的水体识别方法 |
| CN109142296A (zh) * | 2018-08-16 | 2019-01-04 | 中国科学院合肥物质科学研究院 | 基于多源光谱特征的城市水体黑臭快速识别测定方法 |
| CN109325395A (zh) * | 2018-04-28 | 2019-02-12 | 二十世纪空间技术应用股份有限公司 | 图像的识别方法、卷积神经网络模型的训练方法及装置 |
| CN109766833A (zh) * | 2019-01-10 | 2019-05-17 | 中国科学院上海技术物理研究所 | 一种基于光谱特征的城市河道水质类型遥感识别方法 |
| CN110032928A (zh) * | 2019-02-27 | 2019-07-19 | 成都数之联科技有限公司 | 一种适用于颜色敏感的卫星遥感影像水体识别方法 |
-
2019
- 2019-09-05 CN CN201910836445.6A patent/CN110688909A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107167431A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学院遥感与数字地球研究所 | 一种基于光谱指数模型的黑臭水体识别方法及系统 |
| CN108229425A (zh) * | 2018-01-29 | 2018-06-29 | 浙江大学 | 一种基于高分辨率遥感图像的水体识别方法 |
| CN109325395A (zh) * | 2018-04-28 | 2019-02-12 | 二十世纪空间技术应用股份有限公司 | 图像的识别方法、卷积神经网络模型的训练方法及装置 |
| CN109142296A (zh) * | 2018-08-16 | 2019-01-04 | 中国科学院合肥物质科学研究院 | 基于多源光谱特征的城市水体黑臭快速识别测定方法 |
| CN109766833A (zh) * | 2019-01-10 | 2019-05-17 | 中国科学院上海技术物理研究所 | 一种基于光谱特征的城市河道水质类型遥感识别方法 |
| CN110032928A (zh) * | 2019-02-27 | 2019-07-19 | 成都数之联科技有限公司 | 一种适用于颜色敏感的卫星遥感影像水体识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李佳琦等: ""太原市黑臭水体遥感识别与地面验证"", 《遥感学报》 * |
| 石爱业等: ""基于神经网络证据理论的遥感图像数据融合与湖泊水质状况识别"", 《中国图像图形学报》 * |
| 郑友亮: ""基于卷积神经网络的沿海水质评价技术研究"", 《自动化与信息工程》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN113743431B (zh) * | 2020-05-29 | 2024-04-02 | 阿里巴巴集团控股有限公司 | 一种数据选择方法及装置 |
| CN113743431A (zh) * | 2020-05-29 | 2021-12-03 | 阿里巴巴集团控股有限公司 | 一种数据选择方法及装置 |
| CN112903945B (zh) * | 2021-02-26 | 2022-02-22 | 珠江水利委员会珠江水利科学研究院 | 一种基于常规水质参数的城市黑臭水体识别方法 |
| CN112903945A (zh) * | 2021-02-26 | 2021-06-04 | 珠江水利委员会珠江水利科学研究院 | 一种基于常规水质参数的城市黑臭水体识别方法 |
| CN113780071A (zh) * | 2021-07-30 | 2021-12-10 | 中南安全环境技术研究院股份有限公司 | 一种黑臭水体遥感识别系统及方法 |
| CN113780071B (zh) * | 2021-07-30 | 2024-01-30 | 中南安全环境技术研究院股份有限公司 | 一种黑臭水体遥感识别系统及方法 |
| CN113792689A (zh) * | 2021-09-18 | 2021-12-14 | 安徽师范大学 | 一种基于深度学习的城市黑臭水体遥感识别方法 |
| CN113792689B (zh) * | 2021-09-18 | 2022-09-09 | 安徽师范大学 | 一种基于深度学习的城市黑臭水体遥感识别方法 |
| CN114298562A (zh) * | 2021-12-29 | 2022-04-08 | 神彩科技股份有限公司 | 水环境监测预警方法、装置、计算机设备、存储介质 |
| CN116702065A (zh) * | 2023-05-30 | 2023-09-05 | 浙江时空智子大数据有限公司 | 基于影像数据黑臭水体生态治理污染监测方法及系统 |
| CN116702065B (zh) * | 2023-05-30 | 2024-04-16 | 浙江时空智子大数据有限公司 | 基于影像数据黑臭水体生态治理污染监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110688909A (zh) | 城市黑臭水体的识别方法、装置、设备以及存储介质 | |
| Chea et al. | Evidence of water quality degradation in lower Mekong basin revealed by self-organizing map | |
| Vo et al. | How remote sensing supports mangrove ecosystem service valuation: A case study in Ca Mau province, Vietnam | |
| Chen et al. | Probability mapping of soil thickness by random survival forest at a national scale | |
| Brooks et al. | A satellite-based multi-temporal assessment of the extent of nuisance Cladophora and related submerged aquatic vegetation for the Laurentian Great Lakes | |
| Im et al. | An automated binary change detection model using a calibration approach | |
| Ryu et al. | Environmentally associated spatial changes of a macrozoobenthic community in the Saemangeum tidal flat, Korea | |
| Nelson et al. | Land-cover change in upper Barataria Basin estuary, Louisiana, 1972–1992: increases in wetland area | |
| CN114387529A (zh) | 一种基于cart分类模型的黑臭水体提取方法 | |
| Sadat et al. | Spatiotemporal modeling of urban land cover changes and carbon storage ecosystem services: case study in Qaem Shahr County, Iran | |
| Matsui et al. | Improving the resolution of UAV-based remote sensing data of water quality of Lake Hachiroko, Japan by neural networks | |
| Kmoch et al. | EstSoil-EH: a high-resolution eco-hydrological modelling parameters dataset for Estonia | |
| CN110849821B (zh) | 基于贝叶斯定理的黑臭水体遥感识别方法 | |
| Santhosh et al. | Assessment of LULC change dynamics and its relationship with LST and spectral indices in a rural area of Bengaluru district, Karnataka India | |
| Catherine et al. | Projecting the impact of regional land-use change and water management policies on lake water quality: an application to periurban lakes and reservoirs | |
| Bayle et al. | Local environmental context drives heterogeneity of early succession dynamics in alpine glacier forefields | |
| Woltz et al. | A comprehensive assessment of mangrove species and carbon stock on Pohnpei, Micronesia | |
| Budak et al. | Improvement of spatial estimation for soil organic carbon stocks in Yuksekova plain using Sentinel 2 imagery and gradient descent–boosted regression tree | |
| Aires et al. | Modeling of surface sediment concentration in the Doce River basin using satellite remote sensing | |
| CN112697218B (zh) | 一种水库库容曲线重构方法 | |
| Zhu et al. | A cross-resolution transfer learning approach for soil moisture retrieval from Sentinel-1 using limited training samples | |
| Swart | Monitoring 40 years of land use change in the Mau Forest Complex, Kenya | |
| CN116702065A (zh) | 基于影像数据黑臭水体生态治理污染监测方法及系统 | |
| Ngo et al. | Assessment of fluctuations in wetland ecosystem areas resulting from anthropogenic activities in the Dong Rui commune, Quang Ninh Province, Vietnam | |
| CN115527108A (zh) | 一种基于多时相Sentinel-2快速识别水土流失人为扰动地块的方法 |
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: 20200114 |