CN110988286A - 一种智能水资源长期探测系统 - Google Patents
一种智能水资源长期探测系统 Download PDFInfo
- Publication number
- CN110988286A CN110988286A CN201911309563.8A CN201911309563A CN110988286A CN 110988286 A CN110988286 A CN 110988286A CN 201911309563 A CN201911309563 A CN 201911309563A CN 110988286 A CN110988286 A CN 110988286A
- Authority
- CN
- China
- Prior art keywords
- data
- remote sensing
- module
- water
- infrared
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (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
本发明涉及一种智能水资源长期探测系统本发明涉及一种智能水资源长期探测系统,为了避免了传统的随水探测装置容易丢失和检测误差大的缺陷,不使用流动型检测方式,而是采用了固定位置的红外光谱探测站。采用卫星遥感图像和地面红外光谱采集相结合的方式,基于模型将卫星遥感图像和地面建立的红外光谱采集站有机结合,进行空天一体3D模型的建立。建立该模型可以使得水资源的探测更加准确,且直观性更好。
Description
技术领域
本发明涉及水资源探测领域,尤其涉及一种智能水资源长期探测系统。
背景技术
水质监测,是监视和测定水体中污染物的种类、各类污染物的浓度及变化趋势,评价水质状况的过程。监测范围十分广泛,包括未被污染和已受污染的天然水(江、河、湖、海和地下水)及各种各样的工业排水等。主要监测项目可分为两大类:一类是反映水质状况的综合指标,如温度、色度、浊度、pH值、电导率、悬浮物、溶解氧、化学需氧量和生化需氧量等;另一类是一些有毒物质,如酚、氰、砷、铅、铬、镉、汞和有机农药等。为客观的评价江河和海洋水质的状况,除上述监测项目外,有时需进行流速和流量的测定。
申请号:201811273285.0公开了一种基于高分辨率遥感影像的水质定量方法,其水质定量方法,包括以下步骤:S1,通过卫星遥感获取影像数据,获取水层数据;S2,对S1中获取的影像数据进行图像分割;S3,对S2中图像分割后的基础数据进行统计;S4,对S3中的基础数据进行遥感校正和图像交换。去除大气、太阳等造成的影响,使校正后的影响数据能准确反映部分水体的情况,通过定量反映水体的总体情况。然而现有的基于遥感的水质监测方式要么直接基于遥感数据进行观察,要么将其与水的某一个指标进行关联;关联的精确度不高,且效果不好。
尤其目前的水质监测中难以解决水质监测的时间和空间的问题,即难以实现长期的检测,也难以实现全空间的监测。
发明内容
针对上述内容,为解决上述问题,提供一种智能水资源长期探测系统,包括实验室水下探测模块、红外监测站模块、卫星遥感模块、数据融合模块和3D填图模块;
实验室水下探测模块包括水下探测器,水下探测器用于收集水域内不同深度位置的水样,并带回实验室进行分析,分析水样的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据;
红外监测站模块的数量为多个,设置于水域岸边,用于收集确定位置的水域的红外高光谱,红外高光谱的波长范围为0.5-25微米;
卫星遥感模块用于收集不同的卫星遥感数据,卫星遥感数据包括LANDSAT数据、SPOT数据、RADARSAT数据、SATER数据;
数据融合模块收集实验室水下探测模块、红外监测站模块、卫星遥感模块的数据,并根据同一时间且同一地点获取的实验室水下探测模块的数据与红外监测站模块的数据建立陆地监测模型,陆地监测模型以红外高光谱数据为输入,输出水样的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中的至少一种;
数据融合模块根据同一时间且同一地点的红外高光谱数据和卫星遥感数据建立遥感监测模型,建立遥感监测模型时先将红外高光谱数据输入陆地监测模型,获得水样的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中的至少一种;然后将输出结果结合卫星遥感数据建立遥感监测模块;
遥感监测模型以卫星遥感数据为输入,输出水样的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中的至少一种;
3D填图模块内存储有3D地图数据,3D填图模块将地图上每一个点的遥感监测模块的输出结果中的不同成分的浓度以不同颜色填图至3D地图数据,实现3D填图。
陆地监测模型的建立方法如下:
红外监测站模块设置有竖直设置在水域岸边的监测塔,实验室水下探测模块包括水下探测器和实验室检测系统;水下探测器安装在红外监测站的监测塔上,并使用线缆连接;水下探测器可以被线缆下放至水下,并深入水下进行水下取样,取样后收集水下探测器,并记录采样的时间和位置,多个水下探测器的水样被实验室检测系统进行样品分析;分析的项目数为m项;
分析项目包括离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据,并将分析结果发送至数据融合模块;
多个红外监测站的检测塔对水域的表面进行红外高光谱分析,并将分析结果发送至数据融合模块;
数据融合模块首先将高光谱数据进行叠加,将每一像素的高光谱数据进行加和,得到叠加的高光谱数据,然后将高光谱数据进行去噪;去噪后的高光谱数据被平均分成n段光谱区间,每个光谱区间的长度为10-30nm;
然后数据融合模块将离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据分别与高光谱数据中的每一段光谱区间内的光谱的峰值进行最小二乘法的线性回归,得到m×n个回归模型,以交互验证时的交互验证均方根误差RMSECV作为每个回归模型相关性的衡量标准;然后筛选出RMSECV最低或者RMSECV小于一定范围的回归模型,作为陆地监测模型;实现陆地监测模型中以红外光谱为输入可以得到相应的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中至少一项的数据。
遥感监测模型的建立方法如下:
首先利用卫星遥感模块收集不同的卫星遥感数据,卫星遥感数据包括LANDSAT数据、SPOT数据、RADARSAT数据、SATER数据,且数据包括遥感的时间,发送至数据融合模块;数据融合模块从LANDSAT数据、SPOT数据、RADARSAT数据、SATER数据中抽取红外监测站对应的位置的遥感光谱数据;
数据融合模块将相同时间的遥感光谱数据和红外高光谱数据进行对应,将红外高光谱数据输入陆地监测模型,从而获取离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中至少一项的数据;然后将分析结果和遥感光谱数据进行匹配,就得到了同一时刻的遥感光谱数据和其对应时间和位置的水质数据;水质数据为离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中至少一项,其中可以获取的项数为r项;
数据融合模块将红外监测站对应的位置的遥感光谱数据一定范围内的像素的光谱进行叠加,得到叠加的遥感光谱数据,然后将遥感光谱数据进行去噪;去噪后的遥感光谱数据被平均分成k段光谱区间,每个光谱区间的长度为5-10nm;
然后数据融合模块将对应的r项水质数据分别与遥感光谱数据中的每一段光谱区间内的光谱的峰值进行最小二乘法的线性回归,得到r×k个回归模型,以交互验证时的交互验证均方根误差RMSECV作为每个回归模型相关性的衡量标准;然后筛选出RMSECV最低或者RMSECV小于一定范围的回归模型,作为遥感监测模型;实现遥感监测模型中以遥感光谱为输入可以得到相应的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中至少一项的数据。
3D填图模块的工作方式如下:
在得到了遥感监测模型后,将获取的遥感光谱数据范围内的所有水域位置每一个像素的遥感光谱数据代入遥感监测模型,然后将遥感监测模型输出的水质数据填至3D地图数据中对应的水域位置,从而实现整个水域位置的水质数据的填图;
对于不同的水质数据,使用不同的颜色进行填图,对于相同的水质数据,使用不同的颜色进行数值的区分。
本发明的有益效果为:
本发明使用实验室检测的方式获取水下的水质数据,检测项目更加全面,且精确度高;在保证了水质数据检测精确的前提下将其与红外光谱数据进行关联建模,从而实现了可以对于水质的全天候的监测;解决了水质检测的时间问题;
在解决了时间问题后结合遥感的光谱数据,在将红外光谱检测的水质数据和遥感数据进行关联建模,从而实现了对于整个水域的监测,解决了水质检测的空间问题;如此,本发明即保证了水质的精确度,又同时解决了时间和空间的问题,从而使得水质检测可以常年累月的自动进行;而且对于水质检测和红外监测还可以时常进行模型的更新,从而保证监测的精确性。
附图说明
被包括来提供对所公开主题的进一步认识的附图,将被并入此说明书并构成该说明书的一部分。附图也阐明了所公开主题的实现,以及连同详细描述一起用于解释所公开主题的实现原则。没有尝试对所公开主题的基本理解及其多种实践方式展示超过需要的结构细节。
图1为本发明的系统结构示意图。
具体实施方式
本发明的优点、特征以及达成所述目的的方法通过附图及后续的详细说明将会明确。
实施例:
一种智能水资源长期探测系统,包括实验室水下探测模块、红外监测站模块、卫星遥感模块、数据融合模块和3D填图模块;
实验室水下探测模块包括水下探测器1,水下探测器1用于收集水域内不同深度位置的水样,并带回实验室进行分析,分析水样的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据;
红外监测站模块的数量为多个,设置于水域岸边2,用于收集确定位置的水域的红外高光谱,红外高光谱的波长范围为0.5-25微米;
卫星遥感模块用于收集不同的卫星遥感数据,卫星遥感数据包括LANDSAT数据、SPOT数据、RADARSAT数据、SATER数据;
数据融合模块收集实验室水下探测模块、红外监测站模块、卫星遥感模块的数据,并根据同一时间且同一地点获取的实验室水下探测模块的数据与红外监测站模块的数据建立陆地监测模型,陆地监测模型以红外高光谱数据为输入,输出水样的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中的至少一种;
数据融合模块根据同一时间且同一地点的红外高光谱数据和卫星遥感数据建立遥感监测模型,建立遥感监测模型时先将红外高光谱数据输入陆地监测模型,获得水样的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中的至少一种;然后将输出结果结合卫星遥感数据建立遥感监测模块;
遥感监测模型以卫星遥感数据为输入,输出水样的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中的至少一种;
3D填图模块内存储有3D地图数据,3D填图模块将地图上每一个点的遥感监测模块的输出结果中的不同成分的浓度以不同颜色填图至3D地图数据,实现3D填图。
陆地监测模型的建立方法如下:
红外监测站模块设置有竖直设置在水域岸边2的监测塔3,实验室水下探测模块包括水下探测器1和实验室检测系统;水下探测器1安装在红外监测站的监测塔3上,并使用线缆连接;水下探测器1可以被线缆下放至水下,并深入水下进行水下取样,取样后收集水下探测器1,并记录采样的时间和位置,多个水下探测器1的水样被实验室检测系统进行样品分析;分析的项目数为m项;
分析项目包括离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据,并将分析结果发送至数据融合模块;
多个红外监测站的检测塔对水域的表面进行红外高光谱分析,并将分析结果发送至数据融合模块;
数据融合模块首先将高光谱数据进行叠加,将每一像素的高光谱数据进行加和,得到叠加的高光谱数据,然后将高光谱数据进行去噪;去噪后的高光谱数据被平均分成n段光谱区间,每个光谱区间的长度为10-30nm;
然后数据融合模块将离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据分别与高光谱数据中的每一段光谱区间内的光谱的峰值进行最小二乘法的线性回归,得到m×n个回归模型,以交互验证时的交互验证均方根误差RMSECV作为每个回归模型相关性的衡量标准;然后筛选出RMSECV最低或者RMSECV小于一定范围的回归模型,作为陆地监测模型;实现陆地监测模型中以红外光谱为输入可以得到相应的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中至少一项的数据。
遥感监测模型的建立方法如下:
首先利用卫星遥感模块收集不同的卫星遥感数据,卫星遥感数据包括LANDSAT数据、SPOT数据、RADARSAT数据、SATER数据,且数据包括遥感的时间,发送至数据融合模块;数据融合模块从LANDSAT数据、SPOT数据、RADARSAT数据、SATER数据中抽取红外监测站对应的位置的遥感光谱数据;
数据融合模块将相同时间的遥感光谱数据和红外高光谱数据进行对应,将红外高光谱数据输入陆地监测模型,从而获取离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中至少一项的数据;然后将分析结果和遥感光谱数据进行匹配,就得到了同一时刻的遥感光谱数据和其对应时间和位置的水质数据;水质数据为离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中至少一项,其中可以获取的项数为r项;
数据融合模块将红外监测站对应的位置的遥感光谱数据一定范围内的像素的光谱进行叠加,得到叠加的遥感光谱数据,然后将遥感光谱数据进行去噪;去噪后的遥感光谱数据被平均分成k段光谱区间,每个光谱区间的长度为5-10nm;
然后数据融合模块将对应的r项水质数据分别与遥感光谱数据中的每一段光谱区间内的光谱的峰值进行最小二乘法的线性回归,得到r×k个回归模型,以交互验证时的交互验证均方根误差RMSECV作为每个回归模型相关性的衡量标准;然后筛选出RMSECV最低或者RMSECV小于一定范围的回归模型,作为遥感监测模型;实现遥感监测模型中以遥感光谱为输入可以得到相应的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中至少一项的数据。
3D填图模块的工作方式如下:
在得到了遥感监测模型后,将获取的遥感光谱数据范围内的所有水域位置每一个像素的遥感光谱数据代入遥感监测模型,然后将遥感监测模型输出的水质数据填至3D地图数据中对应的水域位置,从而实现整个水域位置的水质数据的填图;
对于不同的水质数据,使用不同的颜色进行填图,对于相同的水质数据,使用不同的颜色进行数值的区分。
红外监测站模块设置有竖直设置在水域岸边2的监测塔,监测塔的设置间距不得大于遥感图像中的跨度距离,即使得每一张遥感图像中至少有2个监测塔出现;实现对于卫星遥感的位置对应;监测塔的数量总数不少于100座;从而使得可以保证数据量在100以上,保证建模的准确性。
所谓的离子浓度数据包括:铜(Cu)、铬(Cr)、镍(Ni)、锰(Mn)、铁(Fe)、砷(As)、铅(Pb)、镉(Cd)、锌(Zn)的离子浓度数据;
泥沙含量数据为河流中相应深度的泥沙含量;
深度数据为相应的水域的水深数据,由于水深是对光谱有影响,因此水深是可以使用红外光谱进行关联和建模的;
COD浓度数据为对应的深度的COD的浓度;
pH值数据:为对应水域的pH值;
水温数据为对应水域的水温,水温会对各种有机物和生物的生存具有影响,因此其也会反映在水的高光谱和遥感光谱上;
氨氮浓度数据和磷酸盐浓度数据为水域内一定深度的氨氮浓度数据和磷酸盐浓度数据。
以上所述,仅为本发明的优选实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种智能水资源长期探测系统,包括实验室水下探测模块、红外监测站模块、卫星遥感模块、数据融合模块和3D填图模块;其特征在于:
实验室水下探测模块包括水下探测器(1),水下探测器(1)用于收集水域内不同深度位置的水样,并带回实验室进行分析,分析水样的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据;
红外监测站模块的数量为多个,设置于水域岸边(2),用于收集确定位置的水域的红外高光谱,红外高光谱的波长范围为0.5-25微米;
卫星遥感模块用于收集不同的卫星遥感数据,卫星遥感数据包括LANDSAT数据、SPOT数据、RADARSAT数据、SATER数据;
数据融合模块收集实验室水下探测模块、红外监测站模块、卫星遥感模块的数据,并根据同一时间且同一地点获取的实验室水下探测模块的数据与红外监测站模块的数据建立陆地监测模型,陆地监测模型以红外高光谱数据为输入,输出水样的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中的至少一种;
数据融合模块根据同一时间且同一地点的红外高光谱数据和卫星遥感数据建立遥感监测模型,建立遥感监测模型时先将红外高光谱数据输入陆地监测模型,获得水样的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中的至少一种;然后将输出结果结合卫星遥感数据建立遥感监测模块;
遥感监测模型以卫星遥感数据为输入,输出水样的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中的至少一种;
3D填图模块内存储有3D地图数据,3D填图模块将地图上每一个点的遥感监测模块的输出结果中的不同成分的浓度以不同颜色填图至3D地图数据,实现3D填图。
2.根据权利要求1所述的智能水资源长期探测系统,其特征在于:
陆地监测模型的建立方法如下:
红外监测站模块设置有竖直设置在水域岸边(2)的监测塔(3),实验室水下探测模块包括水下探测器(1)和实验室检测系统;水下探测器(1)安装在红外监测站的监测塔(3)上,并使用线缆连接;水下探测器(1)可以被线缆下放至水下,并深入水下进行水下取样,取样后收集水下探测器(1),并记录采样的时间和位置,多个水下探测器(1)的水样被实验室检测系统进行样品分析;分析的项目数为m项;
分析项目包括离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据,并将分析结果发送至数据融合模块;
多个红外监测站的检测塔对水域的表面进行红外高光谱分析,并将分析结果发送至数据融合模块;
数据融合模块首先将高光谱数据进行叠加,将每一像素的高光谱数据进行加和,得到叠加的高光谱数据,然后将高光谱数据进行去噪;去噪后的高光谱数据被平均分成n段光谱区间,每个光谱区间的长度为10-30nm;
然后数据融合模块将离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据分别与高光谱数据中的每一段光谱区间内的光谱的峰值进行最小二乘法的线性回归,得到m×n个回归模型,以交互验证时的交互验证均方根误差RMSECV作为每个回归模型相关性的衡量标准;然后筛选出RMSECV最低或者RMSECV小于一定范围的回归模型,作为陆地监测模型;实现陆地监测模型中以红外光谱为输入可以得到相应的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中至少一项的数据。
3.根据权利要求2所述的智能水资源长期探测系统,其特征在于:
遥感监测模型的建立方法如下:
首先利用卫星遥感模块收集不同的卫星遥感数据,卫星遥感数据包括LANDSAT数据、SPOT数据、RADARSAT数据、SATER数据,且数据包括遥感的时间,发送至数据融合模块;数据融合模块从LANDSAT数据、SPOT数据、RADARSAT数据、SATER数据中抽取红外监测站对应的位置的遥感光谱数据;
数据融合模块将相同时间的遥感光谱数据和红外高光谱数据进行对应,将红外高光谱数据输入陆地监测模型,从而获取离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中至少一项的数据;然后将分析结果和遥感光谱数据进行匹配,就得到了同一时刻的遥感光谱数据和其对应时间和位置的水质数据;水质数据为离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中至少一项,其中可以获取的项数为r项;
数据融合模块将红外监测站对应的位置的遥感光谱数据一定范围内的像素的光谱进行叠加,得到叠加的遥感光谱数据,然后将遥感光谱数据进行去噪;去噪后的遥感光谱数据被平均分成k段光谱区间,每个光谱区间的长度为5-10nm;
然后数据融合模块将对应的r项水质数据分别与遥感光谱数据中的每一段光谱区间内的光谱的峰值进行最小二乘法的线性回归,得到r×k个回归模型,以交互验证时的交互验证均方根误差RMSECV作为每个回归模型相关性的衡量标准;然后筛选出RMSECV最低或者RMSECV小于一定范围的回归模型,作为遥感监测模型;实现遥感监测模型中以遥感光谱为输入可以得到相应的离子浓度数据、泥沙含量数据、深度数据、COD浓度数据、pH值数据、水温数据、氨氮浓度数据、磷酸盐浓度数据中至少一项的数据。
4.根据权利要求3所述的智能水资源长期探测系统,其特征在于:
3D填图模块的工作方式如下:
在得到了遥感监测模型后,将获取的遥感光谱数据范围内的所有水域位置每一个像素的遥感光谱数据代入遥感监测模型,然后将遥感监测模型输出的水质数据填至3D地图数据中对应的水域位置,从而实现整个水域位置的水质数据的填图;
对于不同的水质数据,使用不同的颜色进行填图,对于相同的水质数据,使用不同的颜色进行数值的区分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911309563.8A CN110988286B (zh) | 2019-12-18 | 2019-12-18 | 一种智能水资源长期探测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911309563.8A CN110988286B (zh) | 2019-12-18 | 2019-12-18 | 一种智能水资源长期探测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110988286A true CN110988286A (zh) | 2020-04-10 |
CN110988286B CN110988286B (zh) | 2020-08-25 |
Family
ID=70095480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911309563.8A Expired - Fee Related CN110988286B (zh) | 2019-12-18 | 2019-12-18 | 一种智能水资源长期探测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110988286B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111735503A (zh) * | 2020-07-26 | 2020-10-02 | 榆林学院 | 一种基于大数据的水资源监控系统及其监控方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070111275A1 (en) * | 2004-01-22 | 2007-05-17 | Bowling Green State University | Method and apparatus for detecting phycocyanin-pigmented algae and bacteria from reflected light |
CN103604423A (zh) * | 2013-11-22 | 2014-02-26 | 中国科学院南京地理与湖泊研究所 | 一种浅水湖泊遥感野外自动监测系统及监测方法 |
CN105300864A (zh) * | 2015-12-07 | 2016-02-03 | 广州地理研究所 | 一种悬浮泥沙定量遥感方法 |
KR20170112404A (ko) * | 2016-03-31 | 2017-10-12 | 광주과학기술원 | 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법 |
CN107421895A (zh) * | 2017-06-30 | 2017-12-01 | 中国水利水电科学研究院 | 一种多波段优化组合的水质参数浓度反演方法和装置 |
CN108169445A (zh) * | 2017-12-26 | 2018-06-15 | 潘远新 | 一种有效的湖泊水质监测系统 |
CN108507949A (zh) * | 2018-02-07 | 2018-09-07 | 浙大正呈科技有限公司 | 一种基于高分遥感卫星的河道水质监测方法 |
CN108593569A (zh) * | 2018-07-02 | 2018-09-28 | 中国地质环境监测院 | 基于光谱形态特征的高光谱水质参数定量反演方法 |
CN110060177A (zh) * | 2019-04-17 | 2019-07-26 | 四川万江一泓环境科技有限责任公司 | 一种空天地一体水质在线监测与污染溯源系统 |
-
2019
- 2019-12-18 CN CN201911309563.8A patent/CN110988286B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070111275A1 (en) * | 2004-01-22 | 2007-05-17 | Bowling Green State University | Method and apparatus for detecting phycocyanin-pigmented algae and bacteria from reflected light |
CN103604423A (zh) * | 2013-11-22 | 2014-02-26 | 中国科学院南京地理与湖泊研究所 | 一种浅水湖泊遥感野外自动监测系统及监测方法 |
CN105300864A (zh) * | 2015-12-07 | 2016-02-03 | 广州地理研究所 | 一种悬浮泥沙定量遥感方法 |
KR20170112404A (ko) * | 2016-03-31 | 2017-10-12 | 광주과학기술원 | 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법 |
CN107421895A (zh) * | 2017-06-30 | 2017-12-01 | 中国水利水电科学研究院 | 一种多波段优化组合的水质参数浓度反演方法和装置 |
CN108169445A (zh) * | 2017-12-26 | 2018-06-15 | 潘远新 | 一种有效的湖泊水质监测系统 |
CN108507949A (zh) * | 2018-02-07 | 2018-09-07 | 浙大正呈科技有限公司 | 一种基于高分遥感卫星的河道水质监测方法 |
CN108593569A (zh) * | 2018-07-02 | 2018-09-28 | 中国地质环境监测院 | 基于光谱形态特征的高光谱水质参数定量反演方法 |
CN110060177A (zh) * | 2019-04-17 | 2019-07-26 | 四川万江一泓环境科技有限责任公司 | 一种空天地一体水质在线监测与污染溯源系统 |
Non-Patent Citations (2)
Title |
---|
李慕尧: "水体污染卫星遥感监测探讨", 《北方环境》 * |
许大力等: "近海岸悬浮泥沙遥感反演模型的分析探讨", 《测绘与空间地理信息》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111735503A (zh) * | 2020-07-26 | 2020-10-02 | 榆林学院 | 一种基于大数据的水资源监控系统及其监控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110988286B (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Hyperspectral inversion of soil heavy metals in Three-River Source Region based on random forest model | |
CN112734694A (zh) | 一种基于大数据的水质监测方法 | |
CN111597756A (zh) | 一种基于无人机多光谱数据的水质参数反演方法 | |
Karaska et al. | AVIRIS measurements of chlorophyll, suspended minerals, dissolved organic carbon, and turbidity in the Neuse River, North Carolina | |
CN115266632A (zh) | 一种水体污染源无人机高光谱遥感排查方法 | |
CN113420497B (zh) | 浑浊湖泊总磷浓度遥感估算方法 | |
CN116148188A (zh) | 空天地一体化湖泊水质溯源方法、系统、设备及存储介质 | |
CN113203694A (zh) | Msi的湖泊富营养指数遥感估算方法 | |
CN114858221B (zh) | 一种基于水域营养状态预测的水华智能预警系统及方法 | |
CN115690632A (zh) | 一种内陆河流水体的水环境监测方法 | |
CN113436153A (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
CN113673737A (zh) | 基于卫星遥感影像的藻型湖泊水体溶解二氧化碳估算方法 | |
CN110988286B (zh) | 一种智能水资源长期探测系统 | |
CN113780177A (zh) | 一种非接触式实时原位水质监测方法 | |
CN114705632A (zh) | 一种利用卫星遥感反射率估算水库营养状态指数的方法 | |
Liu et al. | A satellite-based hybrid model for trophic state evaluation in inland waters across China | |
CN116912704A (zh) | 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 | |
Kazemzadeh et al. | Remote sensing of temporal and spatial variations of suspended sediment concentration in Bahmanshir Estuary, Iran | |
Wang et al. | Ammonia nitrogen monitoring of urban rivers with UAV-borne hyperspectral remote sensing imagery | |
Astuti et al. | Spatio-temporal dynamics of inherent optical properties in oligotrophic northern Gulf of Mexico estuaries | |
Goldman et al. | Distrbuted Sensing Systems for Water Quality Assesment and Management | |
Tong et al. | Quantitative monitoring of inland water using remote sensing of the upper reaches of the Huangpu River, China | |
Historillo et al. | Color and image analysis approach in determination of soluble copper in water using tannic reaction analysis | |
Liu | Application and Outlook of Remote Sensing Technology in Water Environment Monitoring | |
CN108982521A (zh) | 可视化土壤健康水平检测设备 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200825 Termination date: 20211218 |
|
CF01 | Termination of patent right due to non-payment of annual fee |