CN111024618A - 基于遥感影像的水质健康监测方法、装置及存储介质 - Google Patents
基于遥感影像的水质健康监测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111024618A CN111024618A CN201911167357.8A CN201911167357A CN111024618A CN 111024618 A CN111024618 A CN 111024618A CN 201911167357 A CN201911167357 A CN 201911167357A CN 111024618 A CN111024618 A CN 111024618A
- Authority
- CN
- China
- Prior art keywords
- water quality
- remote sensing
- function
- detection area
- target detection
- 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
Images
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
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/85—Investigating moving fluids or granular solids
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G01N2021/1765—Method using an image detector and processing of image signal
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/127—Calibration; base line adjustment; drift compensation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于遥感影像的水质健康监测方法,其通过采用目标检测区域的历史监测资料以及遥感影像进行BP神经网络模型的训练得出目标检测区域的水质参数反演模型,然后将水质参数反演模型应用于水质参数的检测,实现水质健康的精准监测,解决了现有技术中水质健康监测采用解决了传统的以典型断面监测及水生生态调查为主的水质健康监测而不能够长时间、全空间角度对目标检测区域的水质健康状况的变化进行检测的问题。本发明还提供了一种基于遥感影像的水质健康监测装置和存储介质。
Description
技术领域
本发明涉及水库水质监测与评估,尤其涉及一种利用遥感技术来实现水库水质健康监测方法、装置及存储介质。
背景技术
目前,传统的水库的水质监测与健康评估主要是以典型断面监测及水生生态调查为主,难以从长时间序列、全空间角度来了解检测区域中水质的健康状况变化趋势。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供基于遥感影像的水质健康监测方法,其能够解决现有技术中难以从长时间、全空间的角度来对水质健康状况进行监测。
本发明的目的之二在于提供基于遥感影像的水质健康监测装置,其能够解决现有技术中难以从长时间、全空间的角度来对水质健康状况进行监测。
本发明的目的之三在于提供一种存储介质,其能够解决现有技术中难以从长时间、全空间的角度来对水质健康状况进行监测。
本发明的目的之一采用如下技术方案实现:
基于遥感影像的水质健康监测方法,所述水质健康监测方法包括:
模型建立步骤:获取目标检测区域的历史监测资料和遥感影像,并根据目标检测区域的历史监测资料得出目标检测区域的水质参数,然后根据日期选取多组同一日期所对应的目标检测区域的遥感影像以及目标检测区域的水质参数,并将目标检测区域的遥感影像作为BP神经网络的输入层,将目标检测区域的水质参数作为BP神经网络的输出层,进行模型训练得出水质参数反演模型;
监测步骤:获取预设时间段的目标检测区域的遥感影像,并依据水质参数反演模型得出目标检测区域的水质参数在预设时间段内的变化状况。
进一步地,所述模型建立步骤包括:
数据采集步骤:获取目标检测区域的历史监测资料与遥感影像;其中,每个历史监测资料的监测日期均与对应遥感影像的卫星过境日期相同;
数据预处理步骤:对目标检测区域的历史监测资料进行筛选得出水质参数的监测值,以及对目标检测区域的遥感影像进行预处理;
模型建立步骤:根据日期选取多组预处理后遥感影像与对应水质参数的监测值,并将预处理后的遥感影像的7个波段发射率值作为BP神经网络的输入层,水质参数的监测值作为BP神经网络的输出层进行BP神经网络模型训练得出水质参数反演模型。
进一步地,所述预处理包括辐射定标、大气校正、影像裁剪和水体提取;其中,辐射定标用于将遥感影像中的每个像元的原始DN值转换成大气外层表观发射率;大气校正用于将遥感影像的大气外层表观发射率转换为地表真实反射率;影像裁剪用于根据目标检测区域的外边界范围对大气校正后的遥感影像进行裁剪;水体提取用于对遥感影像中水体进行提取。
进一步地,水体提取的方法包括单波段阈值法、归一化差异植被指数法NDVI、归一化差异水体指数法NDWI以及改进的归一化差异水体指数法MNDWI。
进一步地,所述水质参数包括叶绿素a浓度、高锰酸盐指数、总氮、总磷、透明度、气温和重金属含量,每个水质参数均对应一个水质参数反演模型。
进一步地,BP神经网络模型训练时:
当水质参数为叶绿素a浓度时,BP神经网络的隐含层节点数为8,输出层、隐含层、输出层的传递函数分别为tansig函数、logsig函数、purelin函数,训练函数为traingdm函数、学习速率0.025、动量因子取0.9、最大训练迭代次数为30000、期望误差取0.001,训练性能函数采用msereg函数;
当水质参数为高锰酸盐指数时,BP神经网络隐含层节点数为4,输出层、隐含层、输出层的传递函数分别为logsig函数、tansig函数、purelin函数,训练函数为trainbr函数、学习速率0.05、动量因子取0.9、最大训练迭代次数为3000、期望误差取0.001,训练性能函数采用msereg函数;
当水质参数为总氮浓度时,BP神经网络隐含层节点数为10,输出层、隐含层、输出层的传递函数分别为purelin函数、logsig函数、purelin函数,训练函数为trainlm函数、学习速率0.025、动量因子取0.9、最大训练迭代次数为3000、期望误差取0.01,训练性能函数采用msereg函数;
当水质参数为总磷浓度时,BP神经网络隐含层节点数为6,输出层、隐含层、输出层的传递函数分别为purelin函数、logsig函数、purelin函数,训练函数为trainlm函数、学习速率0.025、动量因子取0.9、最大训练迭代次数为3000、期望误差取0.01,训练性能函数采用msereg函数;
当水质参数为透明度时,BP神经网络隐含层节点数为12,输出层、隐含层、输出层的传递函数分别为logsig函数、logsig函数、purelin函数,训练函数为trainlm函数、学习速率0.025、动量因子取0.9、最大训练迭代次数为30000、期望误差取0.0001,训练性能函数采用msereg函数。
进一步地,所述水质健康监测方法包括:评价步骤:根据评价指标对水质参数反演模型进行评价,判断水质参数反演模型预测的准确性;所述评价指标包括水质参数反演模组的预测值与实测值的相关系数、均方误差、决定系数和均方根误差。
进一步地,所述水质健康监测方法包括:水质营养评价步骤:根据预设规则对目标检测区域的每个水质参数在预设时间段内的变化状况,计算得出目标检测区域在预设时间段内的水质的营养状况指数,以及根据营养状况指数对目标检测区域的水质的营养状态进行分级。
本发明的目的之二采用如下技术方案实现:
基于遥感影像的水质健康监测装置,包括存储器和处理器,所述存储器上存储有可在处理器上运行的水质健康监测程序,所述水质健康监测程序为计算机程序,所述处理器执行所述水质健康监测程序时实现如本发明目的之一采用的基于遥感影像的水质健康监测方法的步骤。
本发明的目的之三采用如下技术方案实现:
一种存储介质,所述存储介质为计算机可读存储介质,其上存储有水质健康监测程序,所述水质健康监测程序为计算机程序,所述水质健康监测程序被处理器执行时实现如本发明目的之一采用的基于遥感影像的水质健康监测方法的步骤。
相比现有技术,本发明的有益效果在于:
本发明通过针对目标检测区域的水质的历史监测资料获取水质参数的监测值,以及获取通过卫星产品等获取的目标检测区域的遥感影像,依据日期选取多组目标检测区域的遥感影像以及对应的水质参数的监测值进行模型训练得出每个水质参数反演模型,然后将水质参数反演模型应用到水质健康监测中,实现对目标检测区域的水质参数的变化状况进行监测,大大提高了水质参数的准确定、精准性,解决了传统的以典型断面监测及水生生态调查为主的水质健康监测而不能够长时间、全空间角度对目标检测区域的水质健康状况的变化进行检测的问题。
附图说明
图1为大气校正前的植被光谱曲线;
图2为大气校正后的植被光谱曲线;
图3为大沙河水库矢量范围示意图;
图4为叶绿素a反演模型的样本值与预测值的对比图;
图5为叶绿素a反演模型回归分析图;
图6为高锰酸盐指数反演模型的样本值与预测值的对比图;
图7为高锰酸盐指数反演模型回归分析图;
图8为总氮反演模型的样本值与预测值的对比图;
图9为总氮反演模型回归分析图;
图10为总磷反演模型的样本值与预测值的对比图;
图11为总磷反演模型回归分析图;
图12为透明度反演模型的样本值与预测值的对比图;
图13为透明度反演模型回归分析图;
图14为某大沙河水库2013年10月3日至2018年2月3日的12期的叶绿素a浓度均值折线图;
图15为本发明提供的基于遥感影像的水质健康监测方法流程图;
图16为图15中步骤S1的流程图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例一
本发明提供了一种基于遥感的水质健康监测评估系统,利用遥感技术来实现对水库水质的健康状况进行区域性、整体性的研究,在水土流失、景观格局变化等动态变化的基础上,结合水质监测项目中的水质参数进行反演,得出每个水质参数的反演模型,然后将其应用于水质参数的监测中,实现水质参数的精准监测,使得对水体富营养化状态的研究更为精准,更为准确地检测水库水质的健康状况。
本系统主要包括以下几个部分:数据采集部分、数据预处理部分、水质参数反演模型建立部分和水质监测与评估部分。
(一)数据采集部分:收集、整理水库水质的监测资料与遥感影像等原始数据,并对原始数据进行筛选等。
例如,本实施例以江某市某大沙河水库为例来说明:首先获取水库水质的历史的监测资料,通过某市水文分局提供某大沙河水库大坝中上、库中中上、灯山坝中上三个水质监测站点每个月一次的水质监测资料。其中,监测资料中的水质参数一般包括叶绿素a浓度、高锰酸盐指数、总氮、总磷、透明度、气温、重金属含量等。然后获取水库的遥感影像,也即是从卫星产品等中提取目标检测区的时间序列的原始影像,并对原始影像影响进行预处理。比如,原始影像可从国家基础科学数据共享服务平台(www.gscloud.com)获取。另外,原始影像的卫星过镜日期应与水库水质的监测资料的监测日期相近,并且原始影像的范围覆盖整个水库面积,以达到空-地基本同步的观测要求。
(二)数据预处理部分
其中,预处理包括辐射定标、大气校正、影像剪裁和水体提取等,本实施例中的所有预处理操作均在遥感影像专业处理平台ENVI上实现的。
(1)辐射定标:辐射定标是后续数据处理的基础,是将影像中的每个像元的原始DN值转换成大气外层表观反射率的过程。
其中,原始DN值表示为像元的亮度值,记录像元所承载地物的灰度信息,是一个无单位的整数值,其大小与传感器的辐射分辨率、地物发射率、大气透过率和散射率有关。大气外层表观反射率为辐射亮度值。
原始DN值转换成大气外层表观反射率的转换公式为:L=DN×Gain+Offset(1)。其中,L为辐射亮度值(也即是大气外层表观反射率),Gain为绝对辐射定标系数增益,Offset为偏移量。当通过ENVI平台进行辐射定标时,通过选择传感器类型时,ENVI平台会自动从影像中获取DN值,从影像头文件中获取Gain值、Offset值。
通用遥感栅格影像数据都会存储为二进制的字节流,为达到最佳的空间处理能力,通常是以最简单的BSQ(Band SeQuential,按波段顺序存储)格式来存储,而后续的FLAASH大气校正需要的影像数据存储方式为BIL(Band Interleaved by Line,按波段像元交叉存储),即先存储第一个波段的第一行,接着是第二个波段的第一行,第三个波段第一行,交叉存储直到所有波段都存储完为止。因此需要将BSQ格式存储的数据转换为以BIL存储的数据。在辐射定标过程中,完成了上述BSQ格式向BIL格式的转换,在这个过程中,每个波段中心波长可自动转换,即输入影像头文件中各波段的中心波长值将赋予输出影像头文件中。完成存储格式转换之后,根据公式(1)将辐射定标后的影像进行输出,输出影像各像元辐射亮度值数据类型为浮点型(Float),缩放系数为0.1。
ENVI平台界面最大能同时叠加显示影像中三个通道的数值。为了真实还原人眼所见,该ENVI平台默认叠加显示真彩色[R,G,B]三通道,对应于Landsat8-OLI影像(其中,Landsat8为美国陆地卫星计划(Landsat)的第八颗卫星,该卫星搭载了两个传感器:TIRS(Thermal Infrared Sensor,热红外传感器)和OLI(Operational Land Imager,多光谱地成像仪),本实施例以传感器OLI的数据为例来说)中的[Band4,Band3,Band2]三个波段。
以2017年10月30日大沙河水库地区Landsat8-OLI影像为例,通过ENVI平台对该影像进行辐射定标时,其输出结果如下:
辐射定标前Landsat8-OLI影像的各个参数值为:
Geo(地理坐标):22°32'47.73”N,112°23'59.34”E
Proj(投影):UTM,Zone 49N,WGS-84
Data(值):[7648,8699,9520]。
辐射定标后Landsat8-OLI影像的各个参数值为:
Geo(地理坐标):22°32'47.73”N,112°23'59.34”E
Proj(投影):UTM,Zone 49N,WGS-84
Data(值):[2.682467,4.444515,5.893034]。
从上可知,通过ENVI平台对Landsat8-OLI影像进行辐射定标后,将Landsat8-OLI影像的原始DN值(7648,8699,9520)转换为大气表观反射率值(2.682467,4.444515,5.893034),实现了影像的亮度值转换为辐射亮度值,为后续的FLAASH大气校正做好了准备。
(2)大气校正:大气校正是将大气表观反射率(辐射亮度值)转换为地表真实反射率,进而消除大气散射、吸收、反射引起的误差。
FLAASH大气校正是一种以MODTRAN4+为传输模型的大气校正方法,它可以调整包含不透明层和卷云的分类图,还可以调整人为因素引起的波谱平滑,可以对SPOT、Landsat等高光谱、多光谱等影像进行快速校正分析;并且不需要野外场地测量的辅助信息,具有算法精确度高的特点,是高光谱辐射能量影像反射率反演的首选大气校正模型。因此本实例采用FLAASH大气校正对辐射校正后的数据进行处理。
FLAASH大气校正前,首先应将影像数据的BSQ存储格式转换成BIL格式,并向转换后的BIL格式影像数据赋予各波段的中心波长,这部分操作在辐射定标操作时便已完成;然后向ENVI平台中的FLAASH大气校正工具输入影像的相关参数,设定大气模型和气溶胶模型,输入光谱响应函数,进而实现影像数据的大气校正。
ENVI平台中的FLAASH大气校正工具涉及到的主要输入参数包括中心经度、中心纬度、过境日期、过境时间GMT、大气模型、水气反演、最小内存、传感器类型、传感器高度、地面高程、像元大小、气溶胶模型、气溶胶反演以及初始能见度。
其中:当选择传感器类型后,FLAASH大气校正工具将自动选择相应类型的传感器波段响应函数,同时设置传感器高度和像元大小。
中心经度、中心纬度、过境日期、过境时间GMT自动从BIL格式的影像数据的头文件中获取;地面高程可从ENVI平台自带的Elvation(GMTED2010.jp2)文件获取。
ENVI平台提供标准MODTRAN(MODerate spectral resolution atmosphericTRANsmittance algorithm and computer model,中等光谱分辨率大气透过率及辐射传输算法和计算模型)六种大气模型。在应用时,可基于季节-纬度信息来选择合适的大气模型,本实例中包括MLS(Mid-Latitude Summer,中纬度夏季)和T(Tropical,热带)两种大气模型,如表1所示:
表1
对于水气反演可根据影像数据来选择是否可用,比如对于Landsat8 OLI影像数据,水气反演不可用。
ENVI平台中提供了五种气溶胶模型,包括No Aerosol(无气溶胶)、Rural(乡村)、Urban(城市)、Maritime(海面)和Tropospheric(对流层)。在实际应用中,可基于检测目标区域所处位置选择对应的气溶胶模型。
对于气溶胶反演,一般选择2-Band(K-T),即使用K-T(Kaufman-Tanre气溶胶反演)方法。
初始能见度,一般根据天气条件来估算对应的初始能见度,如表2所示。
天气条件 | 估算初始能见度/Km |
晴朗 | 40~100 |
薄雾天气 | 20~30 |
大雾天气 | ≤15 |
表2
本发明中的大气校正是通过ENVI平台中的FLAASH大气校正工具来实现,例如对某大沙河水库的Landsat8 OLI影像进行大气校正后得到以下参数:
Geo(地理坐标):22°32'47.73”N,112°23'59.34”E
Map(投影):643940.1709,2494003.1836
Data(值):[297,419,316]。
从以上参数可知,经过大气校正后将Landsat8-OLI影像的大气表观反射率(2.682467,4.444515,5.893034)转换为地表真实反射率(297,419,316)。
从图1和图2所示,经过大气校正能有效消除大气吸收、散射作用造成的误差,校正后影像的植被区域准确反映植被真实光谱曲线,影像质量有所提高,大气校正的效果明显。
(3)影像裁剪:影像裁剪是根据目标检测区域的外边界范围对大气校正后的影像进行不规则裁剪。如图3所示为大沙河水库矢量范围示意图。在对影像进行裁剪时,根据图3中的大沙河水库矢量范围对影像进行裁剪,可以将处于大沙河水库矢量范围的外边界以外的影像去除,避免对后续的处理造成干扰。
(4)水体提取:一般来说,水库有大大小小的陆地区域,而陆地区域的表面覆盖了植被,容易影像反演结果的准确性,因此,对水库进行水体提取,提出水域中心的陆地区域。
在大多数卫星传感器的波长范围内,水体的吸收能力较强,但反射能力较弱,并且反射率有随波长增加而减少的趋势。比如,清澈水体在蓝波段:当波长为0.48μm~0.58μm时,其反射率介于4%~5%之间;在波长为0.58μm时,其反射率下降至2%~3%;在波长超过0.74μm,特别是在近红外波段到中红外波段(0.74μm~2.50μm)时,水体对入射光的吸收能力达到最强,而其反射率几近于零,因此水体会在影像中的色调偏暗。也即是:对于清洁水体在各波段的反射率高低依次为:蓝波段>绿波段>红波段>近红外波段>中红外波段。
而对于植被、建筑物、裸地等在近红外波段和中红外波段有较高的反射率,因此,可通过水体与其他非水体对于金红外波段到中红外波段的发射率不同,导致其在影像中的色调不同,对影像中的水体进行提取,剔除非水体的内容,便于后续的计算。
基于以上原理,一般来说水体提取方法,包括单波段阈值法、归一化差异植被指数法NDVI、归一化差异水体指数法NDWI以及改进的归一化差异水体指数法MNDWI。每种水体提取方法各有各的优点,其适应范围不同,可根据实际的遥感影像来选择对应的水体提取方法实现对遥感影像中水体的提取。
比如,某大沙河水库周边的植被比较丰富,由于归一化植被指数法NDWI能够很好的抑制植被信息,增强水体信息,因此采用归一化植被指数法NDWI对,某大沙河水库水体信息进行提取,进而去除周边植被信息。
归一化差异水体指数法NDWI表示为:NDWI=(Green-NIR)/(Green+NIR)(2)。其中,Green为绿波段,对应于Landsat8-OLI影像的第三波段;NIR为近红外波段,对应于Landsat8-OLI影像文件的第五波段。
本发明通过在ENVI平台中实现对水体的提取,具体为:首先利用ENVI_Toolbox_Band Math工具进行归一化差异水体指数法NDWI的波段运算得出NDWI值;然后通过ENVI_Toolbox_Build Mask工具以及阈值-0.18对NDWI值进行分割,建立水体掩膜;最后利用ENVI_Toolbox_Apply Mask工具将水体掩膜应用于某大沙河水库的影像进而得出某大沙河水库的水体提取结果。其中,在建立水体掩膜时,当NDWI值大于或等于-0.18时,掩膜值取1;当NDWI值小于-0.18时,掩膜值取0。
在通过水体提取后,影像中能很好的达到水陆分离,有效剔除大沙河水体水域中心的陆地区域,达到去除植被的目的。
(三)水质参数反演模型建立
在水库水质实测数据的基础上,结合上述预处理后的水库水质的遥感影像,建立以遥感影像为输入变量的水库水质参数反演模型,同时并对水质参数反演模型进行精度评价。
(1)相关性分析
在水质参数反演模型建立之前,首先对卫星各波段与水质参数进行相关性分析。其中,相关性分析是对变量间相关程序进行测算,并用适当的统计指标表示出来,根据相关系数的大小来进行相关性分析。而相关系数是恒流变量相关程序的一个量值。在统计学中一般用样本的相关系数r来判断总体相关系数,计算公式为:其中,n为样本个数;xi、yi分别为样本x的第i项、样本y的第i项;分别为样本x的平均值、样本y的平均值。
相关系数r的取值范围在-1和+1之间,即-1≤r≤+1,其中:
1)0<r<+1时,表明变量之间存在正相关关系,即两个变量的变动方向相同;
2)-1<r<0时,表明变量之间存在负相关关系,即两个变量的变动方向相反;
3)若r=1表明变量完全呈正相关;若r=-1,则表明变量之间完全负相关;r=0,说明变量之间不存在相关性。|r|值越大,说明变量之间的相关性越好。
例如,按照空-地基本同步观测、影像能见度高的要求,得到34组实测值与影像相匹配的数据,对影像各波段反射率与水质参数之间的相关性进行研究对比,各研究因子均取自然对数,如表3。
表3(2)水质参数反演模型
本发明通过基于BP(Back Propagation)神经网络来构建每个水质参数的反演模型。其中,BP神经网络是非线性变换单元组成的最简单、最普遍、最通用的一种神经网络形式。而BP神经网络是多层前馈神经网络,采用误差反向传播学习算法,由输入层、隐含成和输出层组成;相邻层之间的神经元由权值相连接,同一层内神经元之间是平行的、无连接关系。神经元的传输函数为非线性函数。
BP神经网络是一种监督式的学习网络,其主要思想是:对于q个输入学习样本P1、P2、P3、…、Pq,已知其对应的输出样本T1、T2、T3、…、Tq,学习的目的是用网络的实际输出A1、A2、A3、…、Aq与目标输出样本T1、T2、T3、…、Tq之间的误差来修正其权值,使实际输出与目标输出尽可能地接近,使得网络输出层的误差平方和达到最小,它是通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差变化而逐渐逼近目标,每一次权值和偏差的变化都与网络误差的影响成正比,并以反向传播的方式传递到每一层。
BP神经网络的学习由正向传播和反向传播两个阶段组成。第一阶段:训练样本从输入层经隐含层,传向输出层,在输出端产生输出信号;整个过程汇总网络权值是固定不变的,每个神经元的状态只影响下一层神经元的状态,如果在输出层不能得到期望的输出,则转入误差信号反向传播,由此进入第二阶段。第二阶段:误差信号(即网络实际输出与期望输出之间的差值)由输出端开始逐层向前传播,这就是误差信号反向传播,在误差信号传播的过程中,网络的权值和阈值由误差反馈进行调节,通过权值和阈值的不断修正使网络的实际输出更接近期望输出。
基于前述BP神经网络,选取经过预处理后的遥感影像的七个波段反射率值作为输入层,水质参数作为输出层进行训练,建立该水质参数反演模型。本实施例中通过对每个水质参数:叶绿素a浓度、高锰酸盐指数、总氮浓度、总磷浓度、透明度分别对应建立一个水质参数反演模型。每个水质参数反演模型在训练时,输入层参数相同,输出层参数为对应水质参数的实测值进行模型训练。
在进行水质参数反演模型训练过程中,首先进行BP神经网络结构的确定,然后进行传递函数的选取以及期望误差的选取,最后再进行模型训练。
其一,BP神经网络设计的最关键步骤是隐含层的神经元节点数的选择,它直接影响网络对复杂问题的映射能力。而目前在隐含层节点数选取上,目前并没有一个统一的计算方法,但隐含层节点数过少,则网络收敛速度过慢达不到精度的要求;节点数过多,则增加了计算量,也会导致过拟合,降低网络的泛化能力。在具体设计中,比较实际的做法是通过采用“试错法”,通过对神经网络训练性能的比较,来确定隐含层的最佳节点数。
因此,本实施例中的输入层节点数为7(也即是遥感影像的七个波段反射率值),隐含层节点数i,输出节点数1(各个水质参数),确定了7-i-1的三层BP神经网络的结构。
其二、训练前馈网络的第一步是建立网络对象。BP神经网络的传递函数包括logsig函数、tansig函数、purelin函数等多种。Log-sigmoid型传递函数logsig函数的输入值可取任意值,输出值在0到1之间。tan-sigmod型传递函数tansig函数的输入值可取任意值,输出值在-1到+1之间。线性传递函数purelin函数的输入与输出值可取任意值。理论上已经证明:具有偏差和至少一个S型隐含层加上一个线性输出层的网络,能够逼近任何有理函数。因此,BP神经网络的输入层、隐含层、输出层的传递函数可根据模型的不同选择合适的传递函数。
其三、在设计BP神经网络的训练过程中,期望误差值应通过对比训练后确定一个合适的值,所谓的“合适”,是相对于所需要的隐含层节点数来确定,因为较小的期望误差值是靠增加隐含层节点以及训练时间来获得的。一般情况下,作为对比,可以同时对两个不同期望误差值的网络进行训练,最后通过综合分析来确定采用其中一个网络。
具体地,本实例中从上述的34组水质参数的实测值与影像相对应的数据中选取28组作为训练样本,剩余6组作为检验数据。
针对每个水质参数反演模型的训练实现如下:
A、叶绿素a(Chla)反演模型
选取影像的7个波段反射率值作为输入层,叶绿素a浓度的实测值作为输出期望值,进行模型训练。
其中,BP神经网络的隐含层节点数,选取最佳为8。输入层、隐含层、输出层传递函数分别为tansig函数、logsig函数、purelin函数。训练函数采用traingdm函数,学习速率0.025,动量因子取0.9,最大训练迭代次数为30000,期望误差取0.001。训练性能函数使用msereg函数,该msereg函数通过增加网络权和基的均方差选项来修改总体的均方差,使网络有更小的权和基,让网络更光滑,更不容易产生过拟合现象。
首先通过BP神经网络模型对28组样本的叶绿素a浓度进行仿真测试,进而将叶绿素a浓度的样本值和预测值,并将二者进行对比,然后对仿真测试结果进行回归分析。如图4所示为叶绿素a反演模型的样本值与预测值的对比图;如5图所示为叶绿素a反演模型回归分析图。图4中:横坐标表示样本序号,纵坐标表示叶绿素a浓度,“□”代表模型的预测值,“◇”表示样本的实测值。其中,吻合程度代表叶绿素a反演模型的仿真程度;从图4中可知,样本的实测值和预测值较为吻合,并且,计算得出的二者的相对误差最小值为0.00055%,最大值为19.55%,仿真程度较好。从图5中可知,“○”表示样本值与预测值之间的相关性程度,也即是对叶绿素a反演模型进行回归分析后,其样本值与预测值的决定系数R2为0.9655,则相关系数r达到了0.98,模型的预测效果较好。
B、高锰酸盐指数(CODMn)反演模型
同理,依据上述叶绿素a反演模型的训练方法,实现高锰酸盐指数反演模型。
具体为:选取影像的7个波段反射率值作为输入层,高锰酸盐指数的实测值作为输出期望值,进行模型训练。
其中,BP神经网络的隐含层神经元的最佳节点数为4。输入层、隐含层、输出层传递函数分别为logsig函数、tansig函数、purelin函数。训练函数采用trainbr函数,学习速率0.05,动量因子取0.9,最大训练迭代次数为30000,期望误差取0.001。训练性能函数使用msereg函数。
同理,通过BP神经网络模型对28组样本进行高锰酸盐指数的仿真测试,将高锰酸盐指数的样本值和预测值,并进行对比,然后对仿真测试结果进行回归分析。比如经过80次迭代运算后得出结果,如图6所示为高锰酸盐指数反演模型样本值与预测值对比图;图7为高锰酸盐指数反演模型回归分析图。
C、总氮(TN)反演模型
同理,选取影像的7个波段反射率值作为输入层,总氮浓度的实测值作为输出期望值,进行模型训练。
其中,BP神经网络的隐含层神经元的最佳节点数为10。输入层、隐含层、输出层传递函数分别为purelin函数、logsig函数、purelin函数。训练函数采用trainlm函数,学习速率0.025,动量因子取0.9,最大训练迭代次数为30000,期望误差取0.01。训练性能函数使用msereg函数。
同理,通过BP神经网络模型对28组样本进行总氮的仿真测试,将总氮的样本值和预测值,并进行对比,然后对仿真测试结果进行回归分析。比如经过16次迭代运算后得出结果,如图8为总氮反演模型样本值与预测值对比图,如图9为总氮反演模型回归分析图。
D、总磷(TP)反演模型的实现
同理,选取影像的7个波段反射率值作为输入层,总磷浓度的实测值作为输出期望值,进行模型训练。
其中,BP神经网络的隐含层神经元的最佳节点数为6。输入层、隐含层、输出层传递函数分别为purelin函数、logsig函数、purelin函数。训练函数采用trainlm函数,学习速率0.025,动量因子取0.9,最大训练迭代次数为30000,期望误差取0.01。训练性能函数使用msereg函数。
同理,通过BP神经网络模型对28组样本进行总磷的仿真测试,将总磷的样本值和预测值,并进行对比,然后对仿真测试结果进行回归分析。比如经过11次迭代运算后得出结果,如图10为总磷反演模型样本值与预测值对比图,如图11为总磷反演模型回归分析图。
E、透明度(SD)反演模型
同理,选取影像的7个波段反射率值作为输入层,透明度浓度的实测值作为输出期望值,进行模型训练。
其中,BP神经网络的隐含层神经元的最佳节点数为12。输入层、隐含层、输出层传递函数分别为logsig函数、logsig函数、purelin函数。训练函数采用trainlm函数,学习速率0.025,动量因子取0.9,最大训练迭代次数为30000,期望误差取0.0001。训练性能函数使用msereg函数。
同理,通过BP神经网络模型对28组样本进行透明度的仿真测试,将透明度的样本值和预测值,并进行对比,然后对仿真测试结果进行回归分析。比如,经过8次迭代运算后得出结果,如图12为透明度反演模型样本值与预测值对比图,如图13为透明度反演模型回归分析图。
另外,为了验证通过BP神经网络模型得出的水质参数反演模型的准确性,并为后续大沙河水库水质健康分析提供理论依据。本发明对上述的6组检验数据采用以下评价指标:水质参数反演模型预测值与实测值的相关系数(Coefficient of correlation,r)、平均相对误差(Mean Relative Error,e)、决定系数(Coefficient of determination,R2)、均方根误差(Rootmean square error,RMSE)对水质参数反演模型的精度进行评价。其中,相关系数反映了预测值与实测值的相关关系,相关系数越大代表相关关系越明显。平均相对误差反映了预测值的可信程度,预测值越接近实测值,则平均相对误差越小,结果越可信。决定系数反映了预测值与实测值拟合程度,决定系数的绝对值越接近1表示拟合性越好。均方根误差反映了预测值偏离实测值的程度,均方根误差的值越接近0代表反演精度越高。
(四)水质监测与健康分析
通过BP神经网络模型建立了各个水质参数反演模型,将其应用于水库遥感影像,进而反演出对应时间的水库的水质参数值,达到水质参数变化监测的目的。再按照《地表水资源指令评价技术规程》(SL395-2007)计算水库的营养状态指数,并进行营养状态分级并分析。
其中,富营养化有从贫营养、中营养、轻度富营养、中毒富营养到重度富营养的过程。此过程中,水库营养盐浓度及与之相关的生物生产了从低向高逐渐转变。本实施例主要以叶绿素a、总磷、总氮、高锰酸盐指数、透明度五个评价项目对水库的营养状态进行评价。
根据营养状态指数对水库的营养状态进行分级,具体可参考表4为水库影响状态评价标准及分级标准。
表4
本实施例还给出了关于水库富营养化评价赋分标准,如表5所示。
EI | EU赋分 |
10 | 100 |
42 | 80 |
45 | 70 |
50 | 60 |
60 | 50 |
62.5 | 30 |
65 | 10 |
70 | 0 |
表5
进一步地,水库健康分为5级,分别为理想状况、健康、亚健康、不健康、病态,如表6为水库健康评估分级表。
表6
例如,本实施例以某大沙河水库2013年10月3日至2018年2月3日的12期影像图进行叶绿素a、高锰酸盐指数、总氮、总磷、透明度的变化监测,取对应影像中水质参数均值,并结合表4、表5以及表6可实现对某大沙河水库的整体水质状况的判断、分类等。例如,如图14为大沙河水库2013年10月3日至2018年2月3日的12期的叶绿素a浓度均值折线图。
实施例二
基于遥感影像的水质健康监测方法,应用于如实施例一提供的基于遥感影像的水质监控监测系统,如图15所示,水质健康监测方法包括:
步骤S1、获取目标检测区域的历史监测资料和遥感影像,然后根据时间选取多组同一时间所对应的目标检测区域的遥感影像以及目标检测区域的水质参数,并将目标检测区域的遥感影像作为BP神经网络的输入层,将目标检测区域的水质参数作为BP神经网络的输出层,进行模型训练进而得出水质参数反演模型;
步骤S2、获取预设时间段的目标检测区域的遥感影像,并依据水质参数反演模型得出目标检测区域的水质参数在预设时间段内的变化状况。
进一步地,如图16所示,所述步骤S1包括:
步骤S11、获取目标检测区域的监测资料与遥感影像;其中,每个监测资料的监测日期均与对应遥感影像的卫星过境日期相同;
步骤S12:分别对目标检测区域的监测资料进行筛选得出每个水质参数的监测值,以及对目标检测区域的遥感影像进行预处理;
步骤S13:选取遥感影像的7个波段发射率值作为BP神经网络的输入层,水质参数的监测值作为BP神经网络的输出层进行BP神经网络模型训练得出每个水质参数反演模型。
进一步地,所述水质健康监测方法包括:步骤S3、根据评价指标对水质参数反演模型进行评价,判断水质参数反演模型预测的准确性。
步骤S4:根据预设规则对目标检测区域的每个水质参数在预设时间段内的变化状况,计算得出目标检测区域在预设时间段内的水质的营养状况指数,以及根据营养状况指数对目标检测区域的水质的营养状态进行分级。
实施例三
基于遥感影像的水质健康监测装置,包括存储器和处理器,所述存储器上存储有可在处理器上运行的水质健康监测程序,所述水质健康监测程序为计算机程序,所述处理器执行所述水质健康监测程序时实现如实施例二采用的基于遥感影像的水质健康监测方法的步骤。
实施例四
一种存储介质,所述存储介质为计算机可读存储介质,其上存储有水质健康监测程序,所述水质健康监测程序为计算机程序,所述水质健康监测程序被处理器执行时实现如实施例一采用的基于遥感影像的水质健康监测方法的步骤。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.基于遥感影像的水质健康监测方法,其特征在于,所述水质健康监测方法包括:
模型建立步骤:获取目标检测区域的历史监测资料和遥感影像,并根据目标检测区域的历史监测资料得出目标检测区域的水质参数,然后根据日期选取多组同一日期所对应的目标检测区域的遥感影像以及目标检测区域的水质参数,并将目标检测区域的遥感影像作为BP神经网络的输入层,将目标检测区域的水质参数作为BP神经网络的输出层,进行模型训练得出水质参数反演模型;
监测步骤:获取预设时间段的目标检测区域的遥感影像,并依据水质参数反演模型得出目标检测区域的水质参数在预设时间段内的变化状况。
2.根据权利要求1所述的基于遥感影像的水质健康监测方法,其特征在于,所述模型建立步骤包括:
数据采集步骤:获取目标检测区域的历史监测资料与遥感影像;其中,每个历史监测资料的监测日期均与对应遥感影像的卫星过境日期相同;
数据预处理步骤:对目标检测区域的历史监测资料进行筛选得出水质参数的监测值,以及对目标检测区域的遥感影像进行预处理;
模型建立步骤:根据日期选取多组预处理后遥感影像与对应水质参数的监测值,并将预处理后的遥感影像的7个波段发射率值作为BP神经网络的输入层,水质参数的监测值作为BP神经网络的输出层进行BP神经网络模型训练得出水质参数反演模型。
3.根据权利要求2所述的基于遥感影像的水质健康监测方法,其特征在于,所述预处理包括辐射定标、大气校正、影像裁剪和水体提取;其中,辐射定标用于将遥感影像中的每个像元的原始DN值转换成大气外层表观发射率;大气校正用于将遥感影像的大气外层表观发射率转换为地表真实反射率;影像裁剪用于根据目标检测区域的外边界范围对大气校正后的遥感影像进行裁剪;水体提取用于对遥感影像中水体进行提取。
4.根据权利要求3所述的基于遥感影像的水质健康监测方法,其特征在于,水体提取的方法包括单波段阈值法、归一化差异植被指数法NDVI、归一化差异水体指数法NDWI以及改进的归一化差异水体指数法MNDWI。
5.根据权利要求2所述的基于遥感影像的水质健康监测方法,其特征在于,所述水质参数包括叶绿素a浓度、高锰酸盐指数、总氮、总磷、透明度、气温和重金属含量,每个水质参数均对应一个水质参数反演模型。
6.根据权利要求5所述的基于遥感影像的水质健康监测方法,其特征在于,BP神经网络模型训练时:
当水质参数为叶绿素a浓度时,BP神经网络的隐含层节点数为8,输出层、隐含层、输出层的传递函数分别为tansig函数、logsig函数、purelin函数,训练函数为traingdm函数、学习速率0.025、动量因子取0.9、最大训练迭代次数为30000、期望误差取0.001,训练性能函数采用msereg函数;
当水质参数为高锰酸盐指数时,BP神经网络隐含层节点数为4,输出层、隐含层、输出层的传递函数分别为logsig函数、tansig函数、purelin函数,训练函数为trainbr函数、学习速率0.05、动量因子取0.9、最大训练迭代次数为3000、期望误差取0.001,训练性能函数采用msereg函数;
当水质参数为总氮浓度时,BP神经网络隐含层节点数为10,输出层、隐含层、输出层的传递函数分别为purelin函数、logsig函数、purelin函数,训练函数为trainlm函数、学习速率0.025、动量因子取0.9、最大训练迭代次数为3000、期望误差取0.01,训练性能函数采用msereg函数;
当水质参数为总磷浓度时,BP神经网络隐含层节点数为6,输出层、隐含层、输出层的传递函数分别为purelin函数、logsig函数、purelin函数,训练函数为trainlm函数、学习速率0.025、动量因子取0.9、最大训练迭代次数为3000、期望误差取0.01,训练性能函数采用msereg函数;
当水质参数为透明度时,BP神经网络隐含层节点数为12,输出层、隐含层、输出层的传递函数分别为logsig函数、logsig函数、purelin函数,训练函数为trainlm函数、学习速率0.025、动量因子取0.9、最大训练迭代次数为30000、期望误差取0.0001,训练性能函数采用msereg函数。
7.根据权利要求1所述的基于遥感影像的水质健康监测方法,其特征在于,所述水质健康监测方法包括:评价步骤:根据评价指标对水质参数反演模型进行评价,判断水质参数反演模型预测的准确性;所述评价指标包括水质参数反演模组的预测值与实测值的相关系数、均方误差、决定系数和均方根误差。
8.根据权利要求1所述的基于遥感影像的水质健康监测方法,其特征在于,所述水质健康监测方法包括:水质营养评价步骤:根据预设规则对目标检测区域的每个水质参数在预设时间段内的变化状况,计算得出目标检测区域在预设时间段内的水质的营养状况指数,以及根据营养状况指数对目标检测区域的水质的营养状态进行分级。
9.基于遥感影像的水质健康监测装置,包括存储器和处理器,所述存储器上存储有可在处理器上运行的水质健康监测程序,所述水质健康监测程序为计算机程序,其特征在于:所述处理器执行所述水质健康监测程序时实现如权利要求1-8中任一项所述的基于遥感影像的水质健康监测方法的步骤。
10.一种存储介质,所述存储介质为计算机可读存储介质,其上存储有水质健康监测程序,所述水质健康监测程序为计算机程序,其特征在于:所述水质健康监测程序被处理器执行时实现如权利要求1-8中任一项所述的基于遥感影像的水质健康监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911167357.8A CN111024618A (zh) | 2019-11-25 | 2019-11-25 | 基于遥感影像的水质健康监测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911167357.8A CN111024618A (zh) | 2019-11-25 | 2019-11-25 | 基于遥感影像的水质健康监测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111024618A true CN111024618A (zh) | 2020-04-17 |
Family
ID=70206644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911167357.8A Pending CN111024618A (zh) | 2019-11-25 | 2019-11-25 | 基于遥感影像的水质健康监测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111024618A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680626A (zh) * | 2020-06-09 | 2020-09-18 | 重庆大学 | 一种基于多层卷积神经网络的水环境遥感数据建模方法 |
CN111897318A (zh) * | 2020-06-12 | 2020-11-06 | 中国环境科学研究院 | 基于无人船的水体污染智能调查方法及装置 |
CN112014324A (zh) * | 2020-09-04 | 2020-12-01 | 中国水利水电科学研究院 | 一种基于多源监测数据的水体营养状态评价方法 |
CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
CN112147978A (zh) * | 2020-08-25 | 2020-12-29 | 中国运载火箭技术研究院 | 一种采用神经网络的遥测数据处理方法 |
CN112508204A (zh) * | 2020-11-19 | 2021-03-16 | 雾实(福建)科技有限公司 | 一种海面藻类短期预报方法、装置、设备和介质 |
CN112597939A (zh) * | 2020-12-29 | 2021-04-02 | 中国科学院上海高等研究院 | 地表水体分类提取方法、系统、设备及计算机存储介质 |
CN113780177A (zh) * | 2021-09-10 | 2021-12-10 | 中国科学院南京地理与湖泊研究所 | 一种非接触式实时原位水质监测方法 |
CN113820311A (zh) * | 2021-09-18 | 2021-12-21 | 重庆星视空间科技有限公司 | 一种基于遥感组合反演公式的水质重金属监测方法及装置 |
CN113916808A (zh) * | 2021-09-02 | 2022-01-11 | 自然资源部第二海洋研究所 | 一种营养盐浓度的获得方法、装置、终端设备及存储介质 |
CN114169646A (zh) * | 2021-12-31 | 2022-03-11 | 中科三清科技有限公司 | 水华预测方法、装置、电子设备及计算机可读存储介质 |
CN114324337A (zh) * | 2022-01-06 | 2022-04-12 | 吉林省水利水电勘测设计研究院 | 一种利用遥感影像进行水质分析系统和方法 |
CN114384015A (zh) * | 2022-01-12 | 2022-04-22 | 中国环境科学研究院 | 一种基于多源遥感和机器学习的水环境监测方法 |
CN114943696A (zh) * | 2022-05-13 | 2022-08-26 | 南方海洋科学与工程广东省实验室(广州) | 基于遥感影像的海洋环境变化监测方法、装置及介质 |
CN115410086A (zh) * | 2022-08-26 | 2022-11-29 | 南方海洋科学与工程广东省实验室(广州) | 一种基于遥感影像的水质反演方法、装置以及设备 |
CN116165680A (zh) * | 2023-02-14 | 2023-05-26 | 中科三清科技有限公司 | 反演模型更新方法、装置、存储介质与芯片 |
CN116361737A (zh) * | 2023-03-31 | 2023-06-30 | 北控水务(中国)投资有限公司 | 一种湖泊异常动态监测方法、装置、电子设备及存储介质 |
CN116680609A (zh) * | 2023-05-29 | 2023-09-01 | 广东省水利水电科学研究院 | 河库连通河网地区的抽水水库的污染源分析方法 |
CN116912676A (zh) * | 2023-06-05 | 2023-10-20 | 广东省水利水电科学研究院 | 一种水浮莲变化检测方法、装置、电子设备及存储介质 |
CN116952906A (zh) * | 2023-09-20 | 2023-10-27 | 南京航天宏图信息技术有限公司 | 水体健康状态评估方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107885909A (zh) * | 2017-10-18 | 2018-04-06 | 中国水利水电科学研究院 | 一种水质遥感多模型协同反演的权重集结优化方法及装置 |
CN108020511A (zh) * | 2016-11-01 | 2018-05-11 | 中国科学院遥感与数字地球研究所 | 一种浅水草型湖泊水质参数遥感监测方法与装置 |
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 |
-
2019
- 2019-11-25 CN CN201911167357.8A patent/CN111024618A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108020511A (zh) * | 2016-11-01 | 2018-05-11 | 中国科学院遥感与数字地球研究所 | 一种浅水草型湖泊水质参数遥感监测方法与装置 |
CN107885909A (zh) * | 2017-10-18 | 2018-04-06 | 中国水利水电科学研究院 | 一种水质遥感多模型协同反演的权重集结优化方法及装置 |
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 |
Non-Patent Citations (7)
Title |
---|
刘建萍等: "遥感技术在湖泊叶绿素a监测中的应用研究——以太湖为例", 《环境监控与预警》 * |
朱云芳等: "基于GF-1 WFV影像和BP神经网络的太湖叶绿素a反演", 《环境科学学报》 * |
朱婧婧 等: "基于反演因子筛选下的 BP 神经网络模型在水体叶绿素a含量反演中的可行性研究——以太湖为例", 《鲁东大学学报(自然科学版)》 * |
杨柳等: "基于BP神经网络的温榆河水质参数反演模型研究", 《水资源与水工程学报》 * |
翟召坤 等: "基于GF-1卫星WFV数据的潘家口水库水质参数遥感估算模型研究", 《中国水利水电科学研究院学报》 * |
赵玉芹等: "渭河水质遥感反演的人工神经网络模型研究", 《遥感技术与应用》 * |
陈晓江: "城市河湖水质参数关系及营养状态的评价方法", 《技术物理教学》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680626A (zh) * | 2020-06-09 | 2020-09-18 | 重庆大学 | 一种基于多层卷积神经网络的水环境遥感数据建模方法 |
CN111897318A (zh) * | 2020-06-12 | 2020-11-06 | 中国环境科学研究院 | 基于无人船的水体污染智能调查方法及装置 |
CN111897318B (zh) * | 2020-06-12 | 2021-11-23 | 中国环境科学研究院 | 基于无人船的水体污染智能调查方法及装置 |
US20210389766A1 (en) * | 2020-06-12 | 2021-12-16 | Chinese Research Academy Of Environmental Sciences | Methods and Apparatuses for Water Body Pollution Intelligent Investigation Utilizing Unmanned Ships |
CN112147978A (zh) * | 2020-08-25 | 2020-12-29 | 中国运载火箭技术研究院 | 一种采用神经网络的遥测数据处理方法 |
CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
CN112014324A (zh) * | 2020-09-04 | 2020-12-01 | 中国水利水电科学研究院 | 一种基于多源监测数据的水体营养状态评价方法 |
CN112508204A (zh) * | 2020-11-19 | 2021-03-16 | 雾实(福建)科技有限公司 | 一种海面藻类短期预报方法、装置、设备和介质 |
CN112597939A (zh) * | 2020-12-29 | 2021-04-02 | 中国科学院上海高等研究院 | 地表水体分类提取方法、系统、设备及计算机存储介质 |
CN112597939B (zh) * | 2020-12-29 | 2023-11-07 | 中国科学院上海高等研究院 | 地表水体分类提取方法、系统、设备及计算机存储介质 |
CN113916808B (zh) * | 2021-09-02 | 2022-05-27 | 自然资源部第二海洋研究所 | 一种营养盐浓度的获得方法、装置、终端设备及存储介质 |
CN113916808A (zh) * | 2021-09-02 | 2022-01-11 | 自然资源部第二海洋研究所 | 一种营养盐浓度的获得方法、装置、终端设备及存储介质 |
CN113780177A (zh) * | 2021-09-10 | 2021-12-10 | 中国科学院南京地理与湖泊研究所 | 一种非接触式实时原位水质监测方法 |
CN113820311A (zh) * | 2021-09-18 | 2021-12-21 | 重庆星视空间科技有限公司 | 一种基于遥感组合反演公式的水质重金属监测方法及装置 |
CN113820311B (zh) * | 2021-09-18 | 2024-03-15 | 重庆星视空间科技有限公司 | 一种基于遥感组合反演公式的水质重金属监测方法及装置 |
CN114169646A (zh) * | 2021-12-31 | 2022-03-11 | 中科三清科技有限公司 | 水华预测方法、装置、电子设备及计算机可读存储介质 |
CN114324337A (zh) * | 2022-01-06 | 2022-04-12 | 吉林省水利水电勘测设计研究院 | 一种利用遥感影像进行水质分析系统和方法 |
CN114384015A (zh) * | 2022-01-12 | 2022-04-22 | 中国环境科学研究院 | 一种基于多源遥感和机器学习的水环境监测方法 |
CN114943696A (zh) * | 2022-05-13 | 2022-08-26 | 南方海洋科学与工程广东省实验室(广州) | 基于遥感影像的海洋环境变化监测方法、装置及介质 |
CN114943696B (zh) * | 2022-05-13 | 2024-06-28 | 南方海洋科学与工程广东省实验室(广州) | 基于遥感影像的海洋环境变化监测方法、装置及介质 |
CN115410086A (zh) * | 2022-08-26 | 2022-11-29 | 南方海洋科学与工程广东省实验室(广州) | 一种基于遥感影像的水质反演方法、装置以及设备 |
CN116165680A (zh) * | 2023-02-14 | 2023-05-26 | 中科三清科技有限公司 | 反演模型更新方法、装置、存储介质与芯片 |
CN116361737A (zh) * | 2023-03-31 | 2023-06-30 | 北控水务(中国)投资有限公司 | 一种湖泊异常动态监测方法、装置、电子设备及存储介质 |
CN116361737B (zh) * | 2023-03-31 | 2023-09-22 | 北控水务(中国)投资有限公司 | 一种湖泊异常动态监测方法、装置、电子设备及存储介质 |
CN116680609A (zh) * | 2023-05-29 | 2023-09-01 | 广东省水利水电科学研究院 | 河库连通河网地区的抽水水库的污染源分析方法 |
CN116912676A (zh) * | 2023-06-05 | 2023-10-20 | 广东省水利水电科学研究院 | 一种水浮莲变化检测方法、装置、电子设备及存储介质 |
CN116952906A (zh) * | 2023-09-20 | 2023-10-27 | 南京航天宏图信息技术有限公司 | 水体健康状态评估方法、装置、电子设备及存储介质 |
CN116952906B (zh) * | 2023-09-20 | 2024-01-12 | 南京航天宏图信息技术有限公司 | 水体健康状态评估方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111024618A (zh) | 基于遥感影像的水质健康监测方法、装置及存储介质 | |
CN109581372B (zh) | 一种生态环境遥感监测方法 | |
CN110186823B (zh) | 一种气溶胶光学厚度反演方法 | |
CN111795936B (zh) | 一种基于查找表的多光谱遥感影像大气校正系统、方法及存储介质 | |
CN112232234B (zh) | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 | |
CN112051222A (zh) | 一种基于高分卫星影像的河湖水质监测方法 | |
CN108303044B (zh) | 一种叶面积指数获取方法及系统 | |
CN111368817B (zh) | 一种基于地表类型进行热效应定量评价方法及系统 | |
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 | |
CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
CN105004320B (zh) | 一种高分卫星数据陆表植被覆盖度反演方法及系统 | |
CN111415309B (zh) | 一种基于最小反射率法的高分辨率遥感影像大气校正方法 | |
CN116359137B (zh) | 多水域城市生态环境遥感监测方法 | |
CN109635249B (zh) | 水体浊度反演模型建立方法、检测方法及装置 | |
CN113553907A (zh) | 一种基于遥感技术的森林生态环境状况评价方法 | |
CN112733596A (zh) | 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用 | |
CN113744249B (zh) | 一种海洋生态环境损害调查方法 | |
CN112364289B (zh) | 一种通过数据融合提取水体信息的方法 | |
CN112329790B (zh) | 一种城市不透水面信息快速提取方法 | |
CN105913023A (zh) | 基于多光谱图像和sar图像的黄河冰凌协同检测方法 | |
CN115690632A (zh) | 一种内陆河流水体的水环境监测方法 | |
CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
CN114119630B (zh) | 基于耦合图谱特征的海岸线深度学习遥感提取方法 | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
CN117035066A (zh) | 一种耦合地理加权与随机森林的地表温度降尺度方法 |
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: 20200417 |