CN111241991B - 一种基于遥感影像的水质分类方法 - Google Patents

一种基于遥感影像的水质分类方法 Download PDF

Info

Publication number
CN111241991B
CN111241991B CN202010018100.2A CN202010018100A CN111241991B CN 111241991 B CN111241991 B CN 111241991B CN 202010018100 A CN202010018100 A CN 202010018100A CN 111241991 B CN111241991 B CN 111241991B
Authority
CN
China
Prior art keywords
water quality
training
information
data
image data
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.)
Active
Application number
CN202010018100.2A
Other languages
English (en)
Other versions
CN111241991A (zh
Inventor
黄华文
叶张林
朱熹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Pushi Navigation Technology Co ltd
Original Assignee
Shanghai Pushi Navigation Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Pushi Navigation Technology Co ltd filed Critical Shanghai Pushi Navigation Technology Co ltd
Priority to CN202010018100.2A priority Critical patent/CN111241991B/zh
Publication of CN111241991A publication Critical patent/CN111241991A/zh
Application granted granted Critical
Publication of CN111241991B publication Critical patent/CN111241991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明属于水质检测领域，涉及到一种基于遥感影像的水质分类方法。于训练过程中，包括一预先准备训练数据集的过程：步骤A1，分别获取多个预定区域内的水质影像数据，每个水质影像数据中包括多个第一位置信息以及对应的水质反射率信息；步骤A2，分别获取多个预定区域内的水质样本数据，每个水质样本数据中包括多个第二位置信息，以及对应的水质参数信息；步骤A3，根据水质样本数据中的第二位置信息，匹配第一位置信息，得到对应的水质反射率信息；训练过程中采用预先准备的训练数据集训练得到识别模型。上述技术方案的有益效果是：利用无人机或者卫星等进行航拍，对获得遥感图像进行分析，具有监测范围广，时效性较好的优点。

Description

一种基于遥感影像的水质分类方法
技术领域
本发明属于水质检测领域，涉及到一种基于遥感影像的水质分类方法。
背景技术
在实际应用中，为了掌握水体污染物含量，维护和保证生活生产用水，需要对水体进行等级划分，对水体中各成分含量进行实时的测定，对水体中各种污染物含量(总磷、氨氮、溶解氧、高锰酸盐指数)的变化、扩散的方向和速度、污染源进行准确的估计，这就是常说的水质监测。
现在常用的监测手段主要包括两部分，一是人工采样分析，这种方法主要有独立时间点采样和积时式采样，我国多是利用船只、桥梁等在预先设计的监测点进行采样；二是自动监测，是在连续的时间段监测水质中各成分含量的改变，通常使用测量探头或者水泵抽水监测。
然而，采用人工采样分析的方法，需要在规定的时间内送检才能保证样本的时效性，这对采集和监测的设备以及监测人员的素质具有较高的要求；采用自动监测的方法，会在检测过程中受探头的制约，并且可以自动监测的项目较少，投资大，使用成本高，还容易受到外界环境影响。
发明内容
针对上述的现有技术的缺陷，本发明提供一种基于遥感影像的水质分类方法，其特征在于，包括一预先训练得到识别模型的训练过程，所述识别模型的输入数据为水质影像数据，所述识别模型的输出数据为水质参数结果；
于所述训练过程中，包括一预先准备训练数据集的过程，所述训练数据集中包括多个训练数据，每个所述训练数据依照下述步骤准备形成：
步骤A1，分别获取多个预定区域内的水质影像数据，每个所述水质影像数据中包括多个第一位置信息，以及对应每个所述第一位置信息的水质反射率信息；
步骤A2，分别获取多个所述预定区域内的水质样本数据，每个所述水质样本数据中包括多个第二位置信息，以及对应于每个所述第二位置信息的水质参数信息；
步骤A3，根据所述水质样本数据中的所述第二位置信息，匹配得到对应的所述第一位置信息，随后匹配得到所述第一位置信息所对应的所述水质反射率信息；
步骤A4，将所述步骤A3中相匹配的所述水质反射率信息和所述水质参数信息整合形成一个训练数据；
所述步骤A1和所述步骤A2并行进行；
多次重复执行所述步骤A1-A4，以形成包括多个所述训练数据的所述训练数据集；
所述训练过程中，采用预先准备的所述训练数据集训练得到所述识别模型，具体包括：
步骤B1，将所述训练数据集输入一训练模型；
步骤B2，根据所述神经网络模型的权值参数对多个所述训练数据集中的所述水质反射率信息进行调节，获取调节后的多个调节水质参数信息并作为训练结果输出；
步骤B3，将所述训练结果和所述训练数据集中对应的所述水质参数信息进行计算获取针对本次训练的相关系数，判断所述相关系数是否小于预设的相关阈值：
若是，则转向步骤B4；
若否，则转向步骤B5；
步骤B4，判断对所述神经网络模型的权值参数进行的调节次数是否达到一预设的调节阈值：
若是，则转向步骤B5；
若否，则根据所述相关阈值对所述神经网络模型的权值参数进行调节，随后返回所述步骤B1；
步骤B5，将训练形成的所述神经网络模型作为所述识别模型输出，随后退出所述训练过程。
优选的，所述水质分类方法还包括一识别过程：
步骤C1，获取预定区域内的水质影像数据；
步骤C2，将所述水质影像数据输入至训练形成的所述识别模型中；
步骤C3，采用所述识别模型处理得到对应的所述水质参数结果；
步骤C4，对所述水质参数结果进行处理得到最终的水质分类结果。
优选的，在获取多个预定区域内的水质影像数据之后，首先执行一第一预处理过程，所述第一预处理过程包括：
步骤D1，对所述水质影像数据进行辐射定标处理；
步骤D2，对所述水质影像数据进行大气校正处理；
步骤D3，对所述水质影像数据进行几何校正处理；
步骤D4，对所述水质影像数据进行切割处理。
优选的，其特征在于，在获取多组所述水质样本数据之后，首先执行一第二预处理过程，所述第二预处理过程包括：
步骤E1，对所述水质样本数据中的所述水质参数信息是否为零
若是，则删除对应的所述水质样本数据，随后转至步骤E2；
若否，则转至步骤E2；
步骤E2，对所述水质样本数据进行数据标准化处理。
优选的，每个所述水质影像数据中还包括多个第一时间信息，每个所述时间信息对应于获取所述水质影像数据的时间；
每个所述水质样本数据中还包括多个第二时间信息，每个所述时间信息对应于获取所述水质样本数据的时间。
优选的，所述步骤B3中，采用下述公式获取所述训练数据与所述训练结果之间的相关系数：
Figure BDA0002359686410000041
其中，
P用于表示所述相关系数；
Oi用于表示所述调节水质参数信息，i为所述调节水质参数信息在对应组中的排序序号；
Figure BDA0002359686410000042
为所述调节水质参数信息的平均值；
Oj′用于表示所述水质参数信息，j为所述水质参数信息在对应组中的排序序号；
Figure BDA0002359686410000043
为所述水质参数信息的平均值。
上述技术方案的有益效果是：利用无人机或者卫星等进行航拍，对获得遥感图像进行分析，具有监测范围广，时效性较好的优点。
附图说明
图1为本发明的一种较优实施例中的训练数据集的流程图；
图2为本发明的一种较优实施例中的训练识别模型的流程图；
图3为本发明的一种较优实施例中的识别过程的流程图；
图4为本发明的一种较优实施例中的第一预处理过程的流程图；
图5为本发明的一种较优实施例中的第二预处理过程的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
一种基于遥感影像的水质分类方法，如图1所示，包括一预先训练得到识别模型的训练过程，所述识别模型的输入数据为水质影像数据，所述识别模型的输出数据为水质参数结果；
于所述训练过程中，包括一预先准备训练数据集的过程，所述训练数据集中包括多个训练数据，每个所述训练数据依照下述步骤准备形成：
步骤A1，分别获取多个预定区域内的水质影像数据，每个所述水质影像数据中包括多个第一位置信息，以及对应每个所述第一位置信息的水质反射率信息；
步骤A2，分别获取多个所述预定区域内的水质样本数据，每个所述水质样本数据中包括多个第二位置信息，以及对应于每个所述第二位置信息的水质参数信息；
步骤A3，根据所述水质样本数据中的所述第二位置信息，匹配得到对应的所述第一位置信息，随后匹配得到所述第一位置信息所对应的所述水质反射率信息；
步骤A4，将所述步骤A3中相匹配的所述水质反射率信息和所述水质参数信息整合形成一个训练数据；
所述步骤A1和所述步骤A2并行进行；
多次重复执行所述步骤A1-A4，以形成包括多个所述训练数据的所述训练数据集；
所述训练过程中，采用预先准备的所述训练数据集训练得到所述识别模型，如图2所示，具体包括：
步骤B1，将所述训练数据集输入一训练模型；
步骤B2，根据所述神经网络模型的权值参数对多个所述训练数据集中的所述水质反射率信息进行调节，获取调节后的多个调节水质参数信息并作为训练结果输出；
步骤B3，将所述训练结果和所述训练数据集中对应的所述水质参数信息进行计算获取针对本次训练的相关系数，判断所述相关系数是否小于预设的相关阈值：
若是，则转向步骤B4；
若否，则转向步骤B5；
步骤B4，判断对所述神经网络模型的权值参数进行的调节次数是否达到一预设的调节阈值：
若是，则转向步骤B5；
若否，则根据所述相关阈值对所述神经网络模型的权值参数进行调节，随后返回所述步骤B1；
步骤B5，将训练形成的所述神经网络模型作为所述识别模型输出，随后退出所述训练过程。
具体地，根据《GB3838-2002地表水环境质量标准》，通过对溶解氧的浓度参数、高锰酸盐的浓度参数、氨氮的浓度参数与总磷的浓度参数的数值进行划分，可以得到对应的水质的分类结果。
因此，在准备训练数据集的过程中，于步骤A2中，在预定区域内的多个第二位置上获取水质样本数据，并对水质样本数据经过化验得到水质参数信息，此时的水质参数信息相应的包括溶解氧的浓度参数、高锰酸盐的浓度参数、氨氮的浓度参数与总磷的浓度参数。
于步骤A1中，通过无人机或者卫星进行航拍，获取预定区域的水质影像数据，对水质影像数据进行处理能够得到多个第一位置的水质反射率信息，此水质反射率信息包括七个波段的波段反射率In＝[I0,I1,I2,I3,I4,I5,I6]，于此处的波段划分为：I0对应的是450nm～800nm的波段反射率；I1对应的是403nm～423nm的波段反射率；I2对应的是433nm～453nm的波段反射率；I3对应的是450nm～515nm的波段反射率；I4对应的是525nm～600nm的波段反射率；I5对应的是630nm～680nm的波段反射率；I6对应的是784.5nm～899.5nm的波段反射率。
在根据水质反射率信息和水质参数信息形成训练数据集时，考虑到水质参数信息为实际获取的数据信息，而水质反射率信息需要输入识别模型并利用识别模型进行相应调节，因此，水质反射率信息可视为识别模型的输入值，而水质参数信息可视为识别模型的期望输出值，于步骤A3中，根据水质样本数据的第二位置信息，匹配得到对应的第一位置信息，随后匹配得到第一位置信息对应的水质反射率信息，实现训练数据之间的反演确定。
具体地，对神经网络模型进行训练的过程中，可以构建一具有1个隐含层的BP神经网络模型，隐含层中包括15个训练节点，利用对应的权值矩阵中的参数值和偏置值对多个水质反射率信息In＝[I0,I1,I2,I3,I4,I5,I6]进行调节，获取调节后的多个调节水质参数信息Oi＝[O0,O1,O2,O3]，并作为训练结果输出，将计算获取针对本次训练的相关系数，预设的相关阈值为0.8，判断神经网络模型输出的调节水质参数信息和期望的水质参数信息之间的相关系数值是否达到0.8，以及，预设一调节阈值为10000，判断神经网络模型是否调节了1万次，最后得到满足两个判断条件之一的神经网络模型并作为识别模型输出。
本发明的一种较优实施例中，所述水质分类方法还包括一识别过程，如图3所示：
步骤C1，获取预定区域内的水质影像数据；
步骤C2，将所述水质影像数据输入至训练形成的所述识别模型中；
步骤C3，采用所述识别模型处理得到对应的所述水质参数结果；
步骤C4，对所述水质参数结果进行处理得到最终的水质分类结果。
具体地，在实际操作中，只需要获取水质影像数据，并将所述水质影像数据输入识别模型中，即可得到对应的水质参数结果，根据《GB3838-2002地表水环境质量标准》，即可得到最终的水质分类结果，通过识别模型能够一次性获得大范围面积内的水质分类结果。
本发明的一种较优实施例中，在获取多个预定区域内的水质影像数据之后，首先执行一第一预处理过程，所述第一预处理过程，如图4所示，包括：
步骤D1，对所述水质影像数据进行辐射定标处理；
步骤D2，对所述水质影像数据进行大气校正处理；
步骤D3，对所述水质影像数据进行几何校正处理；
步骤D4，对所述水质影像数据进行切割处理。
具体地，于步骤D1中，采用下述公式对水质影像数据进行辐射定标处理，将卫星传感器记录的影像数据的灰度值转换成传感器的入射辐亮度值：
Figure BDA0002359686410000091
其中，Li为入射辐亮度值，DNi为影像数据的灰度值，Gaini为增益值，Biasi为偏置值。
由于水质影像数据在成像过程中会受到大气散射、折射及吸收等一系列因素的影响，从而导致接收到的地面辐射信息存在一定的辐射失真，因此，于步骤D2中，通过对光谱辐亮度进行大气校正，以消除大气散射、吸收、反射等引起的误差，获取反射率信息。
具体地，由于水质影像数据在成像过程中会受多种因素的综合影响，产生几何畸变，导致实际的预定区域内的地物的几何位置、形状、大小、尺寸、方位等特征与对应的水质影像数据的地物的特征不完全一致，因此，于步骤D3中，采用几何校正消除或改正影像的几何畸变。几何校正中包括几何粗校正和几何精校正，几何粗校正是根据产生几何畸变的原因，利用空间位置的变化关系，通过计算公式和辅助参数进行的校正；几何精校正是直接利用地面控制点，建立起像元坐标与目标物地理坐标之间的数学模型，实现不同坐标系统中像元位置变换的校正。
具体地，由于本技术方案是对水质进行分类，而预定区域内的不止包含水质区域，还包括楼房、树木等其他组成成份，因此需要根据预定区域内的水质的位置信息，进行切割才能得到经过水质区域的划分后的水质影像数据。
本发明的一种较优实施例中，其特征在于，在获取多组所述水质样本数据之后，首先执行一第二预处理过程，所述第二预处理过程，如图5所示，包括：
步骤E1，对所述水质样本数据中的所述水质参数信息是否为零
若是，则删除对应的所述水质样本数据；
若否，则转至步骤E1；
步骤E2，对所述水质样本数据进行数据标准化处理。
具体地，由于在水质样本数据的获取过程中可能会出现操作失误的情况，因此于步骤E1中，判断水质参数信息是否为零，若是，则删除相应的水质样本数据，以排除错误的水质样本数据对识别模型的训练干扰，以及水质样本数据包括四组物质的浓度参数，而这四种物质的数值范围、规格单位不完全相同，因此于步骤E2中，对水质样本数据进行标准化处理，产生均值为0，方差为1且无量纲的水质样本数据，具体采用下述公式(2)实现；
Figure BDA0002359686410000101
其中，Oi为标准化处理后的水质样本数据，xi为初始的水质样本数据，x为初始的水质样本数据的均值，s为方差采用下述公式(3)计算得到：
Figure BDA0002359686410000102
本发明的一种较优实施例中，每个所述水质影像数据中还包括多个第一时间信息，每个所述时间信息对应于获取所述水质影像数据的时间；
每个所述水质样本数据中还包括多个第二时间信息，每个所述时间信息对应于获取所述水质样本数据的时间。
具体地，不同时间的水质由于外力因素产生数值变化，会影响生成的训练数据集，从而导致识别模型在训练过程中产生误差，因此，水质影像数据和水质样本数据是设置于同一时间点分别进行处理获取，但由于实际操作中会产生相应的操作时间差，因此水质影像数据中包括多个第一时间信息，水质样本数据中还包括多个第二时间信息，可根据第二时间信息获取对应的第一时间的多组水质影像数据，并对其进行训练，以此消除时间误差对识别模型的影响。
本发明的一种较优实施例中，所述步骤B3中，采用下述公式获取所述训练数据与所述训练结果之间的相关系数：
Figure BDA0002359686410000111
其中，
P用于表示所述相关系数；
Oi用于表示所述调节水质参数信息，i为所述调节水质参数信息在对应组中的排序序号；
Figure BDA0002359686410000112
为所述调节调节水质参数信息的平均值；
Oj′用于表示所述水质参数信息，j为所述水质参数信息在对应组中的排序序号；
Figure BDA0002359686410000113
为所述水质参数信息的平均值。
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (6)

1.一种基于遥感影像的水质分类方法，其特征在于，包括一预先训练得到识别模型的训练过程，所述识别模型的输入数据为水质影像数据，所述识别模型的输出数据为水质参数结果；
于所述训练过程中，包括一预先准备训练数据集的过程，所述训练数据集中包括多个训练数据，每个所述训练数据依照下述步骤准备形成：
步骤A1，分别获取多个预定区域内的水质影像数据，每个所述水质影像数据中包括多个第一位置信息，以及对应每个所述第一位置信息的水质反射率信息；
步骤A2，分别获取多个所述预定区域内的水质样本数据，每个所述水质样本数据中包括多个第二位置信息，以及对应于每个所述第二位置信息的水质参数信息；
步骤A3，根据所述水质样本数据中的所述第二位置信息，匹配得到对应的所述第一位置信息，随后匹配得到所述第一位置信息所对应的所述水质反射率信息；
步骤A4，将所述步骤A3中相匹配的所述水质反射率信息和所述水质参数信息整合形成一个训练数据；
所述步骤A1和所述步骤A2并行进行；
多次重复执行所述步骤A1-A4，以形成包括多个所述训练数据的所述训练数据集；
所述训练过程中，采用预先准备的所述训练数据集训练得到所述识别模型，具体包括：
步骤B1，将所述训练数据集输入一训练模型；
步骤B2，根据神经网络模型的权值参数对多个所述训练数据集中的所述水质反射率信息进行调节，获取调节后的多个调节水质参数信息并作为训练结果输出；
步骤B3，将所述训练结果和所述训练数据集中对应的所述水质参数信息进行计算获取针对本次训练的相关系数，判断所述相关系数是否小于预设的相关阈值：
若是，则转向步骤B4；
若否，则转向步骤B5；
步骤B4，判断对所述神经网络模型的权值参数进行的调节次数是否达到一预设的调节阈值：
若是，则转向步骤B5；
若否，则根据所述相关阈值对所述神经网络模型的权值参数进行调节，随后返回所述步骤B1；
步骤B5，将训练形成的所述神经网络模型作为所述识别模型输出，随后退出所述训练过程。
2.根据权利要求1所述的一种基于遥感影像的水质分类方法，其特征在于，所述水质分类方法还包括一识别过程：
步骤C1，获取预定区域内的水质影像数据；
步骤C2，将所述水质影像数据输入至训练形成的所述识别模型中；
步骤C3，采用所述识别模型处理得到对应的所述水质参数结果；
步骤C4，对所述水质参数结果进行处理得到最终的水质分类结果。
3.根据权利要求1所述的一种基于遥感影像的水质分类方法，其特征在于，在获取多个预定区域内的水质影像数据之后，首先执行一第一预处理过程，所述第一预处理过程包括：
步骤D1，对所述水质影像数据进行辐射定标处理；
步骤D2，对所述水质影像数据进行大气校正处理；
步骤D3，对所述水质影像数据进行几何校正处理；
步骤D4，对所述水质影像数据进行切割处理。
4.根据权利要求1所述的一种基于遥感影像的水质分类方法，其特征在于，其特征在于，在获取多组所述水质样本数据之后，首先执行一第二预处理过程，所述第二预处理过程包括：
步骤E1，对所述水质样本数据中的所述水质参数信息是否为零若是，则删除对应的所述水质样本数据，随后转至步骤E2；
若否，则转至步骤E2；
步骤E2，对所述水质样本数据进行数据标准化处理。
5.如权利要求1所述的一种基于遥感影像的水质分类方法，其特征在于，每个所述水质影像数据中还包括多个第一时间信息，每个所述时间信息对应于获取所述水质影像数据的时间；
每个所述水质样本数据中还包括多个第二时间信息，每个所述时间信息对应于获取所述水质样本数据的时间。
6.如权利要求1所述的一种基于遥感影像的水质分类方法，其特征在于，所述步骤B3中，采用下述公式获取所述训练数据与所述训练结果之间的相关系数：
Figure FDA0002359686400000031
其中，
P用于表示所述相关系数；
Oi用于表示所述调节水质参数信息，i为所述调节水质参数信息在对应组中的排序序号；
Figure FDA0002359686400000041
为所述调节水质参数信息的平均值；
Oj′用于表示所述水质参数信息，j为所述水质参数信息在对应组中的排序序号；
Figure FDA0002359686400000042
为所述水质参数信息的平均值。/>
CN202010018100.2A 2020-01-08 2020-01-08 一种基于遥感影像的水质分类方法 Active CN111241991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010018100.2A CN111241991B (zh) 2020-01-08 2020-01-08 一种基于遥感影像的水质分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010018100.2A CN111241991B (zh) 2020-01-08 2020-01-08 一种基于遥感影像的水质分类方法

Publications (2)

Publication Number Publication Date
CN111241991A CN111241991A (zh) 2020-06-05
CN111241991B true CN111241991B (zh) 2023-03-28

Family

ID=70873023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010018100.2A Active CN111241991B (zh) 2020-01-08 2020-01-08 一种基于遥感影像的水质分类方法

Country Status (1)

Country Link
CN (1) CN111241991B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797902B (zh) * 2020-06-10 2023-12-22 西安邮电大学 一种基于图像数据分析的医学x线片放大率测量系统及方法
CN111738530B (zh) * 2020-07-29 2021-10-29 深圳江行联加智能科技有限公司 河流的水质预测方法、装置以及计算机可读存储介质
CN114137170B (zh) * 2021-11-18 2023-02-28 江苏云聚汇科技有限公司 一种水质在线监测控制系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108507949B (zh) * 2018-02-07 2020-11-13 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
CN108875821A (zh) * 2018-06-08 2018-11-23 Oppo广东移动通信有限公司 分类模型的训练方法和装置、移动终端、可读存储介质
CN109657392A (zh) * 2018-12-28 2019-04-19 北京航空航天大学 一种基于深度学习的高光谱遥感水深反演方法

Also Published As

Publication number Publication date
CN111241991A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN111241991B (zh) 一种基于遥感影像的水质分类方法
CN112051222A (zh) 一种基于高分卫星影像的河湖水质监测方法
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
CN110174359B (zh) 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法
CN111024618A (zh) 基于遥感影像的水质健康监测方法、装置及存储介质
CN110414738B (zh) 一种农作物产量预测方法及系统
CN108956505B (zh) 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置
CN113834787A (zh) 一种中小河道劣ⅴ类水体水质识别与量化方法
CN114384031A (zh) 星-空-地高光谱遥感水体重金属污染立体监测方法
CN114139444A (zh) 一种基于机器学习的近海海表温度反演方法
CN110389087B (zh) 一种污染天气下的pm2.5浓度卫星遥感估算方法
CN112557307B (zh) 天空地一体化湖库水质监测融合数据方法
CN110595968A (zh) 一种基于静止轨道卫星的pm2.5浓度估算方法
CN114219994A (zh) 一种基于空海协同观测的海洋光学卫星辐射定标方法
CN111007039A (zh) 中低分辨率遥感图像亚像元级水体自动提取方法和系统
CN110595960A (zh) 一种基于机器学习的pm2.5浓度遥感估算方法
CN116665057A (zh) 一种基于图像处理的河道水质监测方法及系统
CN114397277A (zh) 一种无人机水体叶绿素遥感探测系统
CN113189014A (zh) 一种融合卫星遥感和地面监测数据的臭氧浓度估算方法
CN114880933A (zh) 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统
CN112329790B (zh) 一种城市不透水面信息快速提取方法
CN117523406A (zh) 一种海洋水色水温扫描仪箝位修正方法及计算机可读介质
CN114720425B (zh) 一种基于图像识别的能见度监测系统及方法
Men et al. Atmospheric correction under cloud edge effects for Geostationary Ocean Color Imager through deep learning
CN115438566A (zh) 一种基于全连接和rnn神经网络的大气辐射传输模型模拟方法

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
GR01 Patent grant
GR01 Patent grant