CN111291621A - 定量评价近岸水产养殖塘对近海Chl-a浓度影响的方法 - Google Patents

定量评价近岸水产养殖塘对近海Chl-a浓度影响的方法 Download PDF

Info

Publication number
CN111291621A
CN111291621A CN202010038357.4A CN202010038357A CN111291621A CN 111291621 A CN111291621 A CN 111291621A CN 202010038357 A CN202010038357 A CN 202010038357A CN 111291621 A CN111291621 A CN 111291621A
Authority
CN
China
Prior art keywords
chlorophyll
concentration
offshore
aquaculture pond
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.)
Granted
Application number
CN202010038357.4A
Other languages
English (en)
Other versions
CN111291621B (zh
Inventor
罗菊花
孙喆
杨井志成
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.)
Nanjing Institute of Geography and Limnology of CAS
Original Assignee
Nanjing Institute of Geography and Limnology of CAS
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 Nanjing Institute of Geography and Limnology of CAS filed Critical Nanjing Institute of Geography and Limnology of CAS
Priority to CN202010038357.4A priority Critical patent/CN111291621B/zh
Publication of CN111291621A publication Critical patent/CN111291621A/zh
Application granted granted Critical
Publication of CN111291621B publication Critical patent/CN111291621B/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
    • G06V20/188—Vegetation
    • 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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Farming Of Fish And Shellfish (AREA)

Abstract

本发明提出一种定量评价近岸水产养殖塘对近海Chl‑a浓度影响的方法，首先获取研究区的遥感影像，并提取近岸水产养殖塘的空间分布；下载并处理叶绿素a浓度数据产品；其次，下载和处理海岸线数据，并基于处理后的海岸线数据建立评价样区；最后，基于水产养殖数据与叶绿素a浓度数据产品，统计样区内近岸水产养殖面积和叶绿素a浓度均值，以水产养殖面积为自变量，叶绿素a浓度均值为因变量，采用皮尔逊相关分析，定量评价水产养殖塘对近海叶绿素a浓度时空分布的影响。本发明的方法能够在区域或国家尺度定量评价近岸水产养殖塘对近海叶绿素a浓度时空分布的影响，为沿海国家水产养殖业可持续发展规划与近海水环境保护政策的制定提供理论指导。

Description

定量评价近岸水产养殖塘对近海Chl-a浓度影响的方法
技术领域
本发明属于遥感应用领域，涉及定量评价近岸水产养殖塘对近海Chl-a浓度影响的方法。
背景技术
水产养殖业作为世界上增长最快的食品生产部门之一，是许多国家重要的食品供应产业，是全球粮食安全和蛋白质摄入的重要贡献部门。然而，在动物食品需求、经济效益和社会发展等因素的驱动下，全球水产养殖业在过去三十年中蓬勃发展。水产养殖面积和规模不断地扩大，使大面积宝贵的陆海环境转变，随之而来的是自然资源系统供应力的丧失，从而造成了一系列生态环境问题，如生境退化、地表地下水污染、水体富营养化和疾病传播等。因此，掌握近岸水产养殖塘的空间分布现状及对近海水环境的定量影响，可为水产养殖业可持续发展与近海水环境保护提供科学指导。
传统的养殖塘监测方法为人工测绘，该方法耗费大量的人力物力且不适用于大范围监测。而遥感具有实时、快速和大尺度的优势，为养殖塘的大尺度的监测研究提供了一种更加高效便捷的手段。目前，关于近岸水产养殖塘对近海水环境影响评价研究，主要为定性的描述或采用野外取样实验室分析的方法，比较养殖塘内和养殖塘外的水质变化而开展的小范围定量评价，缺乏在宏观尺度大范围的定量评价方法，很难为区域或国家尺度的水产养殖塘可持续发展规划和近海水环境保护提供决策支持。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种基于遥感的大尺度定量评价近岸水产养殖塘对近海叶绿素a浓度时空分布影响的方法，为区域或国家尺度的水产养殖塘可持续发展规划和近海水环境保护的政策制定等提供理论支撑。
本发明的上述技术目的通过如下技术方案实现：
一种定量评价近岸水产养殖塘对近海Chl-a浓度影响的方法，包括步骤如下：
步骤一、下载覆盖研究区的高质量遥感影像，进行影像数据预处理；
步骤二、基于预处理后的影像提取遥感影像中的水产养殖塘像元；
步骤三、下载月合成的叶绿素a浓度数据，并对叶绿素a浓度数据进行处理；
步骤四、获取海岸线矢量数据，进行海岸线数据处理；
步骤五、基于处理后的海岸线数据，向内陆建立X距离范围的缓冲区作为近岸水产养殖塘的样区，向海洋建立不同距离的缓冲区作为叶绿素a浓度的样区；
步骤六、统计每个近岸水产养殖塘样区内水产养殖塘的面积与对应的叶绿素a浓度样区内年平均叶绿素a浓度值，并进行相关性分析，获取近岸水产养殖塘对近海叶绿素a浓度空间分布的影响；
步骤七、基于空间影响分析，获取显著影响范围，向海洋建立显著影响范围的缓冲区作为样区，统计样区内各月份的叶绿素a浓度值，并与近岸水产养殖塘样区内水产养殖塘的面积进行相关性分析，分析水产养殖塘对不同月份的近海叶绿素a浓度分布的动态影响。
进一步的，所述步骤一中，选用水产养殖开展时期的LandsatTM/ETM/OLI遥感影像，并利用ENVI软件进行预处理；影像预处理包括辐射校正、几何校正和研究区裁剪，其中所述辐射校正指辐射定标和大气校正。
进一步的，所述步骤二中，基于决策树分类的方法进行近岸水产养殖塘像元提取；利用eCognition8.9软件进行特征输入与样本选择；此外，样本的选择应满足种类丰富、数量适中和分布均匀的要求；利用See5软件训练样本并获取水产养殖塘决策树分类模型，基于水产养殖塘决策树分类模型提取近岸水产养殖塘像元。
进一步的，所述步骤三中，选用普利茅斯海洋实验室叶绿素a浓度数据产品，该产品的数据格式为科学数据集NetCDF格式。
进一步的，所述步骤三中，叶绿素a浓度数据产品分别利用Matlab软件进行批量格式转换和利用IDL进行批量研究区剪裁。
进一步的，所述步骤三中，对月合成叶绿素a浓度数据采用反距离加权(IDW)的方法进行数据填充，计算公式如下：
Y＝∑(XD3)/∑(1D3) (1)
式中，D为从缺失像元到所有非缺失像元的距离(以像素为单位)，X为未缺失像元的值。
进一步的，所述步骤四中，海岸线数据来源于于Natural Earth；基于软件Arcgis10.4处理海岸线数据，包括概化和等长打断。
进一步的，所述步骤五中，向内陆建立X距离的缓冲区，20km<X<80km；对不同范围的缓冲区的建立方式为：设定定值步长M建立叶绿素a样区，基于相关关系趋势，在拐点处设定小于M的步长值，对样区进行加密处理。
进一步的，所述步骤六中，相关性分析采用皮尔逊相关分析，利用SPSS软件获取水产养殖塘的面积和年平均叶绿素a浓度值的相关性系数R和对应的检验值P，即p-value，并分析水产养殖塘对近海叶绿素a浓度空间分布的动态影响。
进一步的，所述步骤七中，基于水产养殖塘的面积数据与各月份的叶绿素a浓度值，采用皮尔逊相关分析，分析水产养殖塘对近海叶绿素a浓度分布的时间动态影响。
本发明的方法能够快速、大尺度地定量评价评价近岸水产养殖塘对近海叶绿素a浓度时空分布的影响，其分析结果可为沿海国家水产养殖业的可持续发展规划与近海水环境保护政策的制定提供科学指导。
附图说明
图1为本发明方法的流程图。
图2为本发明叶绿素a浓度数据产品处理后的效果图。
图3为本发明2015年越南近岸水产养殖塘空间分布图。
图4为本发明养殖塘样区和叶绿素样区建立的结果示意图。
图5为本发明水产养殖面积对近海不同缓冲区的叶绿素a浓度影响的动态变化图。
图6为本发明水产养殖面积与不同月份近海叶绿素a浓度的相关关系图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步说明。
研究区位于越南东部近岸区域，范围为越南海岸线向内陆延伸40km(8°10′～21°57′N，102°09′～109°30′E)。研究区地势平坦开阔，拥有长达3260km的海岸线，濒临中国南海、北部湾和泰国湾等海域。该区地处热带季风气候，全年高温湿润，有明显旱雨季，每年6月到10月为雨季，降水充沛；11月到次年5月为旱季，干燥少雨，全年降水量为约为1500～2000mm。研究区拥有丰富的泻湖、河口和三角洲等水资源，为水产养殖业的发展提供天然有利条件。此外，研究区适合百种鱼类和虾蟹等经济水产品生长，目前发展以池塘养殖为主，稻田养鱼、畜牧养鱼和红树林水产养殖等为辅的多种养殖模式。据FAO报道，至2014年越南水产养殖总量位居世界第四，是世界上水产养殖业大国。
步骤一：从网站(http://glovis.usgs.gov)上下载2015年覆盖研究区的LandsatOLI遥感影像，并利用ENVI软件预处理；
其中，影像预处理包括辐射校正、几何校正和研究区裁剪，其中所述辐射校正指辐射定标和大气校正。
步骤二：利用eCognition 8.9输入特征并构建水产养殖塘样本集，利用See5软件训练样本集并输出水产养殖塘决策树分类模型，在eCognition 8.9中构建与执行决策树，获取越南近岸水产养殖塘空间分布数据。
其中，首先利用eCognition 8.9进行多尺度分割获取分割对象，分割阈值为30，形状因子与紧密度分别为0.1和0.5。其次，将分类特征(红波段、绿波段、蓝波段、近红外波段、NDWI、NDVI、形状指数和长度)输入分割对象。然后，构建样本集，样本集包括两类分别为：养殖塘样本与非养殖塘样本，每类样本数量一般不少于100个，且尽量均匀分布在整景影像中。将样本集输入至See 5软件中训练样本，并获取分类特征模型。最后，利用eCognition8.9软件构建并执行决策树分类模型。
步骤三：从网站(https://www.oceancolour.org/)上下载2015年1-12月的月合成叶绿素a浓度数据产品；分别利用Matlab软件进批量格式转换和利用IDL进行批量研究区剪裁；并对叶绿素a浓度数据采用反距离加权(IDW)的方法进行填充，计算公式如下：
Y＝∑(X/D3)/∑(1/D3) (1)
(1)式中，D为从缺失像元到所有非缺失像元的距离(以像素为单位)，X为未缺失像元的值，填充结果如图2所示。
步骤四：从网站(https://www.Naturalearthdata.com/)上下载详细的海岸线矢量数据；利用Arcgis10.4软件，对曲折的海岸线数据进行概化(最大偏移值为0.5)和等长打断(30段)。
步骤五：基于等长打断后的海岸线数据，向内陆建立40km范围的缓冲区作为近岸水产养殖塘的样区，由海岸线向海洋建立不同范围的缓冲区作为叶绿素a浓度的样区，如图4所示。
其中，不同范围的缓冲区的建立首先以20km为步长建立叶绿素a样区，通过分析相关关系趋势，在拐点处进行步长为5km范围与10km范围的样区加密处理。
步骤六：基于12个月的月合成叶绿素a浓度数据，获取年叶绿素a浓度平均数据；利用arcgis10.4软件，统计样区内水产养殖塘的面积与年平均叶绿素a浓度值，并在SPSS进行Pearson分析，获取相关性系数(R)和对应的检验P(p-value)值，分析近岸水产养殖塘对近海叶绿素a浓度空间分布的影响。
结果(图5)显示，在40km处R2达到最大，水产养殖面积与叶绿素a浓度的相关性最大。在80km之后，相关系数呈下降趋势，水产养殖塘的面积对叶绿素a浓度影响的强度越来越小，特别在100km之后R2大幅下降，水产养殖塘的面积对叶绿素a浓度的影响强度持续下降，当距离海岸线180km时，R2下降至0.29，水产养殖塘的面积对叶绿素a浓度的影响已不明显。因此，越南近岸水产养殖塘对叶绿素a的显著影响的空间范围为海岸线向海80km内。
步骤七：基于空间影响分析，获取显著影响范围为80km，因此，沿海岸线向海洋方向建立80km的缓冲区作为叶绿素a浓度样区，利用Arcgis10.4统计样区内1-12月的叶绿素a浓度均值，并以样区内水产养殖塘的面积为自变量，各样区内各月份的月平均叶绿素a浓度值为因变量，在SPSS中进行Pearson相关分析，获取相关性系数(R)和对应的检验P(p-value)值，分析水产养殖塘对近海不同月份的叶绿素a浓度的影响。
各个月份水产养殖塘的面积与叶绿素a浓度均值的相关关系如图6所示，水产养殖塘与12个月的叶绿素a浓度均呈现显著相关(p<＝0.001)，但相关性有差异：3月、5月和10月相关性较高，其中10月相关性最高，其R2达到0.58；而1月、2月和7月相关性较低，R2分别为0.34、0.37和0.38。以季节来看，春季和秋季水产养殖面积与叶绿素a浓度整体相关性最好，而冬季的相关性较小。

Claims (10)

1.一种定量评价近岸水产养殖塘对近海Chl-a浓度影响的方法，其特征在于，包括如下步骤：
步骤一、下载覆盖研究区的遥感影像，并进行影像数据预处理；
步骤二、基于预处理后的影像提取遥感影像中的水产养殖塘像元；
步骤三、下载月合成的叶绿素a浓度数据，并对叶绿素a浓度数据进行处理；
步骤四、获取海岸线数据，进行海岸线数据处理；
步骤五、基于处理后的海岸线数据，向内陆建立X距离范围的缓冲区作为近岸水产养殖塘的样区，向海洋建立不同距离的缓冲区作为叶绿素a浓度的样区；
步骤六、统计每个近岸水产养殖塘样区内水产养殖塘的面积与对应的叶绿素a样区内的年均叶绿素a浓度值，并进行相关性分析，获取近岸水产养殖塘对近海叶绿素a浓度空间分布的影响；
步骤七、基于空间影响分析获取显著影响范围，向海洋建立显著影响范围的缓冲区作为样区，统计样区内各月份的叶绿素a浓度值，并与近岸水产养殖塘样区内水产养殖塘的面积进行相关性分析，评价水产养殖塘对不同月份的近海叶绿素a浓度的影响。
2.根据权利要求1所述的方法，其特征在于，所述步骤一中，选用水产养殖开展时期的Landsat TM/ETM/OLI遥感影像，并利用ENVI软件进行预处理；影像预处理包括辐射校正、几何校正和研究区裁剪，其中所述辐射校正指辐射定标和大气校正。
3.根据权利要求1所述的方法，其特征在于，所述步骤二中，基于决策树分类的方法进行近岸水产养殖塘像元提取；利用eCognition 8.9软件进行特征输入与样本选择；样本的选择满足种类丰富、数量适中和分布均匀的要求；利用See5软件训练样本并获取水产养殖塘决策树分类模型，基于水产养殖塘决策树分类模型提取近岸水产养殖塘像元。
4.根据权利要求1所述的方法，其特征在于，所述步骤三中，选用普利茅斯海洋实验室叶绿素a浓度数据产品，数据格式选择科学数据集NetCDF格式。
5.根据权利要求4所述的方法，其特征在于，所述步骤三中，基于Matlab软件对叶绿素a浓度数据产品进行批量格式转换，并利用IDL批量研究区裁剪。
6.根据权利要求5所述的方法，其特征在于，所述步骤三中，对月合成叶绿素a浓度数据采用反距离加权的方法进行数据填充，计算公式如下：
Y＝∑（X/D3)/∑(1/D3) (1)
式中，D为从缺失像元到所有非缺失像元的距离，以像素为距离单位；X为未缺失像元的值。
7.根据权利要求1所述的方法，其特征在于，所述步骤四中，海岸线数据来源于于NaturalEarth；对获取的海岸线数据进行概化和等长打断处理。
8.根据权利要求1所述的方法，其特征在于，所述步骤五中，向内陆建立X距离的缓冲区，20km<X<80km；对不同范围的缓冲区的建立方式为：设定定值步长M建立叶绿素a样区，基于相关关系R的变化趋势，在拐点处设定小于M的步长值，对样区进行加密处理。
9.根据权利要求1所述的方法，其特征在于，所述步骤六中，相关性分析采用皮尔逊相关分析，利用SPSS软件获取水产养殖塘的面积和年平均叶绿素a浓度值的相关性系数R和对应的检验值P，即p-value，并分析水产养殖塘对近海叶绿素a浓度空间分布的动态影响。
10.根据权利要求1所述的方法，其特征在于，所述步骤七中，基于水产养殖塘的面积数据与各月份的叶绿素a浓度值，采用皮尔逊相关分析，分析水产养殖塘对不同月份的近海叶绿素a浓度分布的动态影响。
CN202010038357.4A 2020-01-14 2020-01-14 定量评价近岸水产养殖塘对近海Chl-a浓度影响的方法 Active CN111291621B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010038357.4A CN111291621B (zh) 2020-01-14 2020-01-14 定量评价近岸水产养殖塘对近海Chl-a浓度影响的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010038357.4A CN111291621B (zh) 2020-01-14 2020-01-14 定量评价近岸水产养殖塘对近海Chl-a浓度影响的方法

Publications (2)

Publication Number Publication Date
CN111291621A true CN111291621A (zh) 2020-06-16
CN111291621B CN111291621B (zh) 2023-05-16

Family

ID=71018079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010038357.4A Active CN111291621B (zh) 2020-01-14 2020-01-14 定量评价近岸水产养殖塘对近海Chl-a浓度影响的方法

Country Status (1)

Country Link
CN (1) CN111291621B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158840A (zh) * 2021-04-01 2021-07-23 中国科学院南京地理与湖泊研究所 一种基于高清遥感影像的内河岸线资源利用类型提取方法
CN117093806A (zh) * 2023-10-16 2023-11-21 国家卫星气象中心(国家空间天气监测预警中心) 基于遥感的全空间覆盖海上大气co2柱浓度计算方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256534A (zh) * 2018-01-29 2018-07-06 中国科学院地理科学与资源研究所 一种基于高分遥感影像的筏式海水养殖区域提取方法
CN109190538A (zh) * 2018-08-24 2019-01-11 华北水利水电大学 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法
CN109409441A (zh) * 2018-11-16 2019-03-01 福州大学 基于改进随机森林的近岸水体叶绿素a浓度遥感反演方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256534A (zh) * 2018-01-29 2018-07-06 中国科学院地理科学与资源研究所 一种基于高分遥感影像的筏式海水养殖区域提取方法
CN109190538A (zh) * 2018-08-24 2019-01-11 华北水利水电大学 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法
CN109409441A (zh) * 2018-11-16 2019-03-01 福州大学 基于改进随机森林的近岸水体叶绿素a浓度遥感反演方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
孙桂清 等: "河北扇贝养殖海域叶绿素a含量分布特征及初级生产力估算" *
李斌 等: "烟台四十里湾叶绿素a和初级生产力的分布特征" *
林晶;: "福建近岸海域叶绿素浓度时空分布特征" *
沙慧敏 等: "用MODIS遥感数据反演东海海表温度、叶绿素a浓度年际变化的研究" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158840A (zh) * 2021-04-01 2021-07-23 中国科学院南京地理与湖泊研究所 一种基于高清遥感影像的内河岸线资源利用类型提取方法
CN117093806A (zh) * 2023-10-16 2023-11-21 国家卫星气象中心(国家空间天气监测预警中心) 基于遥感的全空间覆盖海上大气co2柱浓度计算方法
CN117093806B (zh) * 2023-10-16 2024-02-09 国家卫星气象中心(国家空间天气监测预警中心) 基于遥感的全空间覆盖海上大气co2柱浓度计算方法

Also Published As

Publication number Publication date
CN111291621B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN108020511B (zh) 一种浅水草型湖泊水质参数遥感监测方法与装置
Xue et al. A fast and easy method for predicting agricultural waste compost maturity by image-based deep learning
Lin et al. Macroalgal bioindicators (growth, tissue N, δ15N) detect nutrient enrichment from shrimp farm effluent entering Opunohu Bay, Moorea, French Polynesia
CN110082349B (zh) 一种基于olci的内陆富营养化湖泊水体蓝藻生物量比例遥感估算方法
CN111291621B (zh) 定量评价近岸水产养殖塘对近海Chl-a浓度影响的方法
CN106442422A (zh) 水草型湖泊水草区水质遥感间接监测方法
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
Milbrandt et al. Evidence for the production of marine fluorescent dissolved organic matter in coastal environments and a possible mechanism for formation and dispersion
CN111368779A (zh) 一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法
CN105427305A (zh) 一种绿潮信息提取方法
Zheng et al. What causes the great green tide disaster in the South Yellow Sea of China in 2021?
Mao et al. How does fish functional diversity respond to environmental changes in two large shallow lakes?
CN112763429A (zh) 一种蓝藻水华的立体监测方法
CN115393704A (zh) 一种面向对象的稻虾田遥感自动化监测方法
CN111241962A (zh) 一种剥离人类活动对生态系统生境质量影响的方法
CN107944413A (zh) 基于光谱指数排序法的水生植被遥感分类阈值计算方法
CN114881834A (zh) 城市群生态系统服务的驱动关系分析方法及系统
Zhang et al. Carbon dioxide uptake overrides methane emission at the air-water interface of algae-shellfish mariculture ponds: Evidence from eddy covariance observations
CN110175525B (zh) 一种耐盐黄秋葵品种快速筛选方法
Luoto et al. Diatom-inferred total phosphorus from dystrophic Lake Arapisto, Finland, in relation to Holocene paleoclimate
CN111862134B (zh) 基于Sentinel-1与GEE的近岸水产养殖塘提取方法
CN112528726A (zh) 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统
Kumar et al. Spatiotemporal monitoring of hydrilla [Hydrilla verticillata (L. f.) Royle] to aid management actions
CN115078261A (zh) 一种基于随机森林模型的内陆湖泊总磷浓度遥感监测方法
Singh et al. A review on remote sensing as a tool for irrigation monitoring and management

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