CN111368779A - 一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法 - Google Patents
一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法 Download PDFInfo
- Publication number
- CN111368779A CN111368779A CN202010176108.1A CN202010176108A CN111368779A CN 111368779 A CN111368779 A CN 111368779A CN 202010176108 A CN202010176108 A CN 202010176108A CN 111368779 A CN111368779 A CN 111368779A
- Authority
- CN
- China
- Prior art keywords
- pixel
- index
- risk assessment
- tsi
- cyanobacterial bloom
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012502 risk assessment Methods 0.000 title claims abstract description 42
- 230000008447 perception Effects 0.000 title claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 63
- 238000012544 monitoring process Methods 0.000 claims abstract description 47
- 235000016709 nutrition Nutrition 0.000 claims abstract description 40
- 241000195493 Cryptophyta Species 0.000 claims abstract description 39
- 238000013210 evaluation model Methods 0.000 claims abstract description 9
- 238000002310 reflectometry Methods 0.000 claims description 26
- 238000012851 eutrophication Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 235000003715 nutritional status Nutrition 0.000 claims description 5
- 241000192700 Cyanobacteria Species 0.000 abstract description 4
- 230000035764 nutrition Effects 0.000 description 11
- 238000011160 research Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development 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
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 235000003784 poor nutrition Nutrition 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 108010053210 Phycocyanin Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V20/188—Vegetation
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于遥感数据应用技术领域，公开了一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法，获取待监测湖泊的监测影像信息，构建监测评估模型，根据监测影像信息、监测评估模型对待监测湖泊进行蓝藻水华实时风险评估，得到风险评估结果；采用的监测评估模型中计算的指标包括：营养状态指数TSI、蓝藻水华与水生植被水域的判别指数CMI、浮游藻类指数FAI。本发明解决了现有技术中蓝藻水华风险评估的时效性及覆盖面存在局限的问题，能够对蓝藻水华爆发的风险进行评估，得到短期预警结果。
Description
技术领域
本发明涉及遥感数据应用技术领域，尤其涉及一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法。
背景技术
自20世纪80年代以来，湖泊近地表浮游植物大量繁殖，蓝藻水华的爆发频率和强度也在全球范围内持续增加，已成为众多淡水湖泊所面临的重要水环境问题之一。湖泊蓝藻水华主要是在湖泊富营养化使水体内营养盐满足蓝藻生长的前提下，气象与水文条件共同作用的结果。富营养化水体中蓝藻的大量繁殖，会带来一系列严重的环境问题(水质恶化、水功能下降、危害人类健康等)，严重影响水生生态系统的生态结构、功能和美观。而水生植物作为湖泊的主要初级生产者，对净化水质、调节浮游植物的过量生长有积极作用，也在一定程度上反映了水域内的气象和水文状况。因此，针对富营养化湖泊，特别是有富营养化发展趋势的湖泊，通过整合富营养化、水生植物和湖泊蓝藻分布的信息，可以有效评估和感知蓝藻水华爆发的潜在风险水平，对实现跨流域的水环境管理具有重大意义。
Landsat8 OLI以其在时间分辨率和空间分辨率上的综合优势，良好的数据连续性以及丰富的光谱波段，已被广泛应用于内陆湖泊的生物地球化学成分研究，包括水色三要素(叶绿素，无机悬浮物和有机黄色物质)、水体营养状态、水生植被以及藻类相关指标的研究。目前蓝藻水华风险评估主要是通过历史的地面站点监测及相关统计数据，对一个或多个评估指标进行打分综合，得到湖泊内不同固定区域的蓝藻水华爆发的风险评级结果。而部分基于遥感的蓝藻水华风险评估研究，主要是根据叶绿素、蓝藻生物标志物色素藻青蛋白浓度及两者比率的反演结果，对长时序历史数据进行分析，得到湖泊内不同固定区域的风险评级结果。这两种方式均是通过对长时序历史数据的分析，对湖泊内不同固定区域的蓝藻水华爆发风险进行评级，属于一种静态的评估方式。而蓝藻水华的致灾过程往往十分迅速，是蓝藻细菌在短时间内大量繁殖、上浮聚集到水面形成灾害的结果。因此，这种静态的评估方式存在一定的局限性。总之，目前尚未有一种基于Landsat8 OLI数据的蓝藻水华风险评估与动态感知方法。
发明内容
本申请实施例通过提供一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法，解决了现有技术中蓝藻水华风险评估的时效性及覆盖面存在局限的问题。
本申请实施例提供一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法，获取待监测湖泊的监测影像信息；构建监测评估模型；根据所述监测影像信息、所述监测评估模型对待监测湖泊进行蓝藻水华实时风险评估，得到风险评估结果；
其中，所述监测评估模型中计算的指标包括：营养状态指数TSI、蓝藻水华与水生植被水域的判别指数CMI、浮游藻类指数FAI。
优选的，包括以下步骤：
步骤1、通过Landsat 8 OLI获取待监测湖泊的监测影像信息；
步骤2、根据所述监测影像信息，通过改进的归一化差异水体指数MNDWI提取待监测湖泊的水域边界；
步骤3、计算待监测湖泊水域内的营养状态指数TSI，得到营养状态指标信息；
步骤4、根据营养状态指标信息筛选出异常影像；
步骤5、计算所述异常影像对应的蓝藻水华与水生植被水域的判别指数CMI、浮游藻类指数FAI，得到水生植物指标信息、藻类相关指标信息；
步骤6、获取TSI的分类阈值，根据所述营养状态指标信息将水域划分为多种T像元，并对所述多种T像元分别进行标记赋值；
步骤7、获取CMI的分类阈值、FAI的分类阈值，根据所述水生植物指标信息、所述藻类相关指标信息将水域划分为多种C像元，并对所述多种C像元分别进行标记赋值；
步骤8、根据C像元的标记赋值信息、T像元的标记赋值信息，得到每个像元对应的风险评估结果。
优选的，所述步骤3中，所述营养状态指数TSI的计算公式如下：
TSI＝12.14ln(αt-w(λ))+45.69
其中，αt-w表示水域的吸收系数。
优选的，所述步骤4的具体实现方式为：在选定时段内，获得每幅影像TSI的实时监测曲线图，并结合影像的TSI均值、TSI标准差，筛选出所述异常影像。
优选的，所述步骤5中，所述蓝藻水华与水生植被水域的判别指数CMI的计算公式如下：
所述浮游藻类指数FAI的计算公式如下：
其中，
表示绿光波段的瑞利散射反射率，
表示蓝光波段的瑞利散射反射率，
表示短波红外波段的瑞利散射反射率；λgreen表示绿光波段对应的波长，λblue表示蓝光波段对应的波长，λswir表示短波红外波段对应的波长；
表示近红外波段的瑞利散射反射率，
表示红光波段的瑞利散射反射率；λnir表示近红外波段对应的波长，λred表示红光波段对应的波长。
优选的，所述步骤6中，所述多种T像元包括第一T像元、第二T像元；所述第一T像元表示富营养化，所述第二T像元表示贫/中营养化；
所述步骤7中，所述多种C像元包括第一C像元、第二C像元、第三C像元；所述第一C像元、所述第二C像元、所述第三C像元分别表示为纯水、水生植被、蓝藻。
优选的，所述步骤6中，针对每个像元，若像元的TSI大于所述TSI的分类阈值，则将像元划分为所述第一T像元；否则，划分为所述第二T像元。
优选的，所述步骤7中，所述将水域划分为多种C像元包括以下子步骤：
步骤701、针对每个像元，将像元的CMI与所述CMI的分类阈值进行比较；若大于，则进入步骤702，否则，进入步骤703；
步骤702、将像元的FAI与所述FAI的分类阈值进行比较；若大于，则判定像元为所述第三C像元；否则，判定像元为所述第一C像元；
步骤703、将像元的FAI与所述FAI的分类阈值进行比较；若大于，则判定像元为所述第二C像元；否则，判定像元为所述第一C像元。
优选的，所述步骤6中，所述TSI的分类阈值为50，所述第一T像元标记为T1，赋值为1；所述第二T像元标记为T0，赋值为0；
所述步骤7中，所述第一C像元标记为C0，赋值为0；所述第二C像元标记为C-1.5，赋值为-1.5；所述第三C像元标记为C1.5，赋值为1.5。
优选的，所述步骤8中，将C像元的赋值与T像元的赋值进行叠加，得到每个像元对应的风险值，根据所述风险值得到评级结果。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
在本申请实施例中，获取待监测湖泊的监测影像信息，构建监测评估模型，然后根据监测影像信息、监测评估模型对待监测湖泊进行蓝藻水华实时风险评估，得到风险评估结果。本发明的监测评估模型中计算的指标包括：营养状态指数TSI、蓝藻水华与水生植被水域的判别指数CMI、浮游藻类指数FAI。不同于现有的相关蓝藻水华的风险评估算法，本发明基于假设浮游植物(蓝藻)的快速生长受到水生植物的抑制，而富营养化则可能触发或者加速这种快速生长，基于湖泊的历史营养状态变化趋势和偏态分布情况，根据影像反映的湖泊信息进行分析，对蓝藻水华爆发的风险进行评估，从而得到针对该时段的短期预警结果。
附图说明
为了更清楚地说明本实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法的框架示意图；
图2为本发明实施例3中来源于《全国地表水水质监测月报》的龙感湖2014—2018年的营养化状态变化情况统计；
图3为本发明实施例3中龙感湖2014—2018年间，基于Landsat 8 OLI的所有影像TSI的实时监测曲线图；
图4为本发明实施例3中龙感湖2018年1月11日TSI、CMI、FAI等级划分及风险评估结果图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例1：
实施例1提供一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法，首先获取待监测湖泊的监测影像信息；构建监测评估模型；然后根据所述监测影像信息、所述监测评估模型对待监测湖泊进行蓝藻水华实时风险评估，得到风险评估结果。
其中，所述监测评估模型中计算的指标包括：营养状态指数TSI、蓝藻水华与水生植被水域的判别指数CMI、浮游藻类指数FAI。
参看图1，实施例1主要包括以下步骤：
步骤1、通过Landsat 8 OLI获取待监测湖泊的监测影像信息。
步骤2、根据所述监测影像信息，通过改进的归一化差异水体指数MNDWI提取待监测湖泊的水域边界。
步骤3、计算待监测湖泊水域内的营养状态指数TSI，得到营养状态指标信息。
其中，所述营养状态指数TSI的计算公式如下：
TSI＝12.14ln(αt-w(λ))+45.69
其中，αt-w表示水域的吸收系数。
步骤4、根据营养状态指标信息筛选出异常影像。
一种具体实现方式为：在选定时段内，获得每幅影像TSI的实时监测曲线图，并结合影像的TSI均值、TSI标准差，筛选出所述异常影像。
步骤5、计算所述异常影像对应的蓝藻水华与水生植被水域的判别指数CMI、浮游藻类指数FAI，得到水生植物指标信息、藻类相关指标信息。
其中，所述蓝藻水华与水生植被水域的判别指数CMI的计算公式如下：
所述浮游藻类指数FAI的计算公式如下：
其中，
表示绿光波段的瑞利散射反射率，
表示蓝光波段的瑞利散射反射率，
表示短波红外波段的瑞利散射反射率；λgreen表示绿光波段对应的波长，λblue表示蓝光波段对应的波长，λswir表示短波红外波段对应的波长；
表示近红外波段的瑞利散射反射率，
表示红光波段的瑞利散射反射率；λnir表示近红外波段对应的波长，λred表示红光波段对应的波长。
步骤6、获取TSI的分类阈值，根据所述营养状态指标信息将水域划分为多种T像元，并对所述多种T像元分别进行标记赋值。
一种具体实现方式为：所述多种T像元包括第一T像元、第二T像元；所述第一T像元表示富营养化，所述第二T像元表示贫/中营养化。
针对每个像元，若像元的TSI大于所述TSI的分类阈值，则将像元划分为所述第一T像元；否则，划分为所述第二T像元。
所述TSI的分类阈值为50，所述第一T像元标记为T1，赋值为1；所述第二T像元标记为T0，赋值为0。
步骤7、获取CMI的分类阈值、FAI的分类阈值，根据所述水生植物指标信息、所述藻类相关指标信息将水域划分为多种C像元，并对所述多种C像元分别进行标记赋值。
一种具体实现方式为：所述多种C像元包括第一C像元、第二C像元、第三C像元；所述第一C像元、所述第二C像元、所述第三C像元分别表示为纯水、水生植被、蓝藻。
所述将水域划分为多种C像元包括以下子步骤：
步骤701、针对每个像元，将像元的CMI与所述CMI的分类阈值进行比较；若大于，则进入步骤702，否则，进入步骤703；
步骤702、将像元的FAI与所述FAI的分类阈值进行比较；若大于，则判定像元为所述第三C像元；否则，判定像元为所述第一C像元；
步骤703、将像元的FAI与所述FAI的分类阈值进行比较；若大于，则判定像元为所述第二C像元；否则，判定像元为所述第一C像元。
所述第一C像元标记为C0，赋值为0；所述第二C像元标记为C-1.5，赋值为-1.5；所述第三C像元标记为C1.5，赋值为1.5。
步骤8、根据C像元的标记赋值信息、T像元的标记赋值信息，得到每个像元对应的风险评估结果。
一种具体实现方式为：将C像元的赋值与T像元的赋值进行叠加，得到每个像元对应的风险值，根据所述风险值得到评级结果。
实施例1针对营养状态趋向于富营养化发展或者已处于一定的富营养化水平，且有一定的水生植物和藻类生长的湖泊，能够开展蓝藻水华的实时风险评估与动态感知，提供短期预警。
实施例2：
实施例2提供一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法，参看图1，具体包括以下步骤：
步骤1，筛选并获取研究时段内，指定湖泊的所有Landsat 8 OLI高质量少云影像。
步骤2，通过改进后的归一化差分水体指数(Modified Normalized DifferenceWater Index，MNDWI)获取指定湖泊的边界。计算湖泊内的营养状态指标、水生植物指标以及藻类相关指标，分别涉及营养状态指数(The Trophic State Index，TSI)、蓝藻水华与水生植被水域的判别指数(Cyanobacteria And Macrophytes Index，CMI)以及浮游藻类指数(Floating Algae Index，FAI)。
具体包括的以下子步骤：
步骤2.1，对所获影像进行大气校正，获取红、绿、蓝、近红外、短波红外波段的瑞利散射反射率Rrc(λ)，以及地表反射率Rrs(λ)。利用地表反射率Rrs(λ)，通过准分析算法QAA_V6，获取水域的吸收系数at-w(λ)。
步骤2.2，基于“步骤2.1”中得到的输出参数，计算湖泊边界提取指数MNDWI，获取每幅影像的MNDWI计算结果(水域的MNDWI值大于0)，并将其用于湖泊边界的动态提取。MNDWI的计算公式如下：
其中，
表示绿光波段的瑞利散射反射率，
表示短波红外波段的瑞利散射反射率。
步骤2.3，基于上一步骤提取的湖泊水域，开展湖泊内营养状态评估指标TSI的具体计算，相关公式如下：
TSI＝12.14ln(αt-w(λ))+45.69 (2)
其中，at-w表示水域的吸收系数。
步骤3，根据研究时段内TSI的计算结果，筛选出异常影像，进一步计算该日期的CMI和FAI值，进行重点监测。具体步骤如下：
步骤3.1，在选定时段内，得到每幅影像TSI的实时监测曲线图及相关统计量(均值、标准差)。通过目视解读曲线图的变化、数据分布情况，结合影像的TSI均值、标准差进行辅助分析，选定异常影像进行重点监测。
步骤3.2，对异常影像的CMI、FAI进行计算。结合TSI、CMI、FAI三个指标的计算结果，开展异常影像所在日期的蓝藻水华实时风险评估与动态感知，开展短期预警工作。CMI、FAI的计算公式如下：
其中，
表示绿光波段的瑞利散射反射率，
表示蓝光波段的瑞利散射反射率，
表示短波红外波段的瑞利散射反射率；λgreen表示绿光波段对应的波长，λblue表示蓝光波段对应的波长，λswir表示短波红外波段对应的波长；
表示近红外波段的瑞利散射反射率，
表示红光波段的瑞利散射反射率；λnir表示近红外波段对应的波长，λred表示红光波段对应的波长。
步骤4，根据TSI、CMI和FAI的计算结果，采取合适的阈值，将富营养化像素标记为Tx，水生植物和蓝藻像素标记为Cx，并赋予相应的风险值R，下标x为对应的风险值，如R(T0)＝0。其中，阈值的获取、T或C像元的标记及赋值的具体步骤如下：
步骤4.1，根据TSI的营养状态等级划分标准，可以将水域的营养状态划分为贫营养、中营养、富营养三个类别。在本方法中，贫营养和中营养两种营养状态均标记为T0(T0＝0)，而富营养状态标记为T1(T1＝1)。其中富营养的判定阈值为50，即
步骤4.2，对所筛选的异常日期的Landsat影像，通过最大类间方差法、梯度统计方法分别计算该影像CMI、FAI的阈值，分别记为
进一步的，结合蓝藻水华和水生植被的CMI、FAI值关系，如等式(5)所示。根据图1中的流程设计图，基于CMI、FAI的阈值，通过对蓝藻和其他水生植物的分布区域进行判定和划分，可将水域划分为纯水、水生植被以及蓝藻三种像元，并将这三种像元分别标记为C0、C1.5、C-1.5，对应的风险值分别为0、1.5和-1.5。
步骤5，根据湖泊像元的标记和赋值结果，求解T像元区域和C像元区域的交并集，并将T像元与C像元的值进行叠加，最终得到每个像元的风险值R及评级结果，交并集的组合方式及结果见表1。其中，风险值为正表示风险区域，为负表示安全区域。其绝对值越大，表示其风险/安全等级越高。
表1蓝藻水华爆发风险等级划分表
实施例2是一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法，基于湖泊的历史营养状态变化趋势和偏态分布情况，筛选可能出现异常的日期进行重点监测，根据对该日期当日或近期影像反映的湖泊信息进行分析，对该时段蓝藻水华爆发的风险进行评估，从而得到针对该时段的短期预警结果。
实施例3：
实施例3以具体湖泊作为研究区，进行风险评估与动态感知。
首先选取符合本方法研究特征的湖泊作为研究区。龙感湖是长江中下游典型的跨省市的草型湖泊，水生植物和浮游藻类的分布都十分丰富，蓝藻是该湖泊的优势种之一。同时，据中国环境监测总站2014—2018年期间，每月公布的《全国地表水水质监测报告》的统计数据表明，龙感湖富营养化问题日趋严重，如图2所示。
基于龙感湖的生态条件、营养状态以及地理位置特征，本实施例选取龙感湖作为本发明的具体实施说明对象，研究时段为2014—2018年。以下为针对该实例对象开展具体的实施流程：
步骤1，在USGS官网上，筛选并获取龙感湖在2014—2018年期间的高质量可用Landsat 8 OLI一级卫星影像，共24幅。
步骤2，通过改进后的归一化差分水体指数(Modified Normalized DifferenceWater Index，MNDWI)获取龙感湖的边界。利用Matlab软件(下同)，基于Landsat8 OLI数据编程实现龙感湖的营养状态指数(The Trophic State Index，TSI)、蓝藻水华与水生植被水域的判别指数(Cyanobacteria And Macrophytes Index，CMI)以及浮游藻类指数(Floating Algae Index，FAI)的计算，具体包括的以下子步骤：
步骤2.1，利用软件ACOLITE(版本时间为2019年3月26日)，对下载的24幅Landsat8OLI影像进行大气校正，获取红、绿、蓝、近红外、短波红外波段瑞利散射反射率Rrc(λ)，以及地表反射率Rrs(λ)。借助ACOLITE内置的准分析算法(QAA_V6)，利用地表反射率Rrs(λ)，推算得到水域的吸收系数at-w(443)。
步骤2.2，基于“步骤2.1”中得到的输出参数，计算龙感湖所有影像的湖泊边界提取指数MNDWI，得到每幅影像的对应日期的湖泊边界提取结果(水域的MNDWI值大于0)，并将其用于当日湖泊边界的动态提取。MNDWI的计算公式如下：
步骤2.3，基于“步骤2.1”中得到的遥感反射率、水体吸收系数结果，以及“步骤2.2”中的龙感湖水域提取结果，编程计算龙感湖2014—2018年所有影像的营养状态评估指标TSI。相关公式如下：
TSI＝12.14ln(αt-w(443))+45.69 (2)
步骤3，根据2014—2018年TSI的计算结果(共29幅影像)，筛选出异常影像，进一步计算该日期的CMI和FAI值，进行重点监测。具体步骤如下：
步骤3.1，计算得到2014—2018年间所有影像TSI的实时监测曲线图及相关统计量(均值、标准差)，详见图3。通过目视解读曲线图的变化、数据分布情况，结合影像的TSI均值、标准差进行辅助分析，选定异常影像进行重点监测。
进一步的，本实例分析发现在2014—2018年有影像的日期中，龙感湖在2018年1月11日的营养状态指标TSI的均值达到最大，为49.6，标准差为2.4。这一结果表明龙感湖在该日的TSI值偏高，且异常值偏多。因此，本实施例选取2018年1月11日的龙感湖作为研究对象，开展进一步的风险评估工作。
步骤3.2，基于“步骤3.1”中的筛选结果，对龙感湖在2018年1月11日的CMI、FAI进行计算。CMI、FAI的计算公式如下：
步骤4，根据TSI、CMI和FAI的计算结果，采取合适的阈值，将富营养化像素标记为Tx，水生植物和蓝藻像素标记为Cx，并赋予相应的风险值R，下标x为对应的风险值，如R(T0)＝0。其中，阈值的获取、T或C像元的标记及赋值的具体步骤如下：
步骤4.1，根据TSI的营养状态等级划分标准，可以将龙感湖的营养状态划分为贫营养、中营养、富营养三个类别。
进一步的，在本实施例中，贫营养和中营养两种营养状态均标记为T0(T0＝0)，而富营养状态标记为T1(T1＝1)。富营养的判定阈值为50，即
根据这一划分准则，龙感湖的营养状态划分结果见图4(c)。
步骤4.2，基于2014—2018年共计29幅Landsat影像的FAI计算结果，利用梯度统计方法，对龙感湖FAI的阈值进行计算，得到
然后针对2018年1月11日的Landsat影像的CMI计算结果，通过最大类间方差法计算该影像CMI的阈值，得到
根据CMI、FAI的阈值，龙感湖CMI、FAI值的分布如图4(a-b)所示。
进一步的，结合蓝藻水华和水生植被的CMI、FAI值关系，如等式(5)所示。根据图1中的流程设计图，基于CMI、FAI的阈值，通过对蓝藻和其他水生植物的分布区域进行判定和划分，可将水域划分为纯水、水生植被以及蓝藻三种像元，并将这三种像元分别标记为C0、C1.5、C-1.5，对应的风险值分别为0、1.5和-1.5。
步骤5，基于“步骤4”中像元的标记、赋值结果，对T像元和C像元所在区域进行交并集的求解和值的叠加，最终得到每个像元的风险值R及评级结果，交并集的组合方式及结果见表1。其中，风险值为正表示风险区域，为负表示安全区域。其绝对值越大，表示其风险/安全等级越高。进一步的，基于表1的划分准则，计算得到了龙感湖的风险评估结果，如图4(d)所示。
表1蓝藻水华爆发风险等级划分表
综上，本发明针对湖泊开展蓝藻水华的实时风险评估与动态感知，能够提供短期预警。
本发明实施例提供的一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法至少包括如下技术效果：
(1)基于卫星遥感数据的蓝藻水华风险评估结果，是基于全湖统一的划分标准、评估准则得到的，可有效解决湖泊跨行政区、跨部门统一管理的问题。在统一的数据源及准则下，可为内陆湖泊提供标准一致，结果可靠的湖泊蓝藻水华的预警信息，特别是城市群湖泊的统一管理。
(2)适用于原位传感器布设少、人工调查难以覆盖的区域。利用卫星遥感数据获取的面数据可以全面覆盖地面原位传感器以及人工检查难以抵达的区域，拓宽了蓝藻水华风险评估的空间范围。
(3)本方法得到的评估结果是一种面数据的风险普查方法，可进一步为地面站点的科学布设、湖泊蓝藻水华的关键监测时段/区域提供参考，在蓝藻水华严重爆发前及时发布预警信息和管理，体现了一种“防大于治”的思想。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法，其特征在于，获取待监测湖泊的监测影像信息；构建监测评估模型；根据所述监测影像信息、所述监测评估模型对待监测湖泊进行蓝藻水华实时风险评估，得到风险评估结果；
其中，所述监测评估模型中计算的指标包括：营养状态指数TSI、蓝藻水华与水生植被水域的判别指数CMI、浮游藻类指数FAI。
2.根据权利要求1所述的基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法，其特征在于，包括以下步骤：
步骤1、通过Landsat 8 OLI获取待监测湖泊的监测影像信息；
步骤2、根据所述监测影像信息，通过改进的归一化差异水体指数MNDWI提取待监测湖泊的水域边界；
步骤3、计算待监测湖泊水域内的营养状态指数TSI，得到营养状态指标信息；
步骤4、根据营养状态指标信息筛选出异常影像；
步骤5、计算所述异常影像对应的蓝藻水华与水生植被水域的判别指数CMI、浮游藻类指数FAI，得到水生植物指标信息、藻类相关指标信息；
步骤6、获取TSI的分类阈值，根据所述营养状态指标信息将水域划分为多种T像元，并对所述多种T像元分别进行标记赋值；
步骤7、获取CMI的分类阈值、FAI的分类阈值，根据所述水生植物指标信息、所述藻类相关指标信息将水域划分为多种C像元，并对所述多种C像元分别进行标记赋值；
步骤8、根据C像元的标记赋值信息、T像元的标记赋值信息，得到每个像元对应的风险评估结果。
3.根据权利要求1所述的基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法，其特征在于，所述步骤3中，所述营养状态指数TSI的计算公式如下：
TSI＝12.14ln(αt-w(λ))+45.69
其中，at-w表示水域的吸收系数。
4.根据权利要求1所述的基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法，其特征在于，所述步骤4的具体实现方式为：在选定时段内，获得每幅影像TSI的实时监测曲线图，并结合影像的TSI均值、TSI标准差，筛选出所述异常影像。
5.根据权利要求1所述的基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法，其特征在于，所述步骤5中，所述蓝藻水华与水生植被水域的判别指数CMI的计算公式如下：
所述浮游藻类指数FAI的计算公式如下：
其中，
表示绿光波段的瑞利散射反射率，
表示蓝光波段的瑞利散射反射率，
表示短波红外波段的瑞利散射反射率；
表示绿光波段对应的波长，λblue表示蓝光波段对应的波长，λswir表示短波红外波段对应的波长；
表示近红外波段的瑞利散射反射率，
表示红光波段的瑞利散射反射率；λnir表示近红外波段对应的波长，λred表示红光波段对应的波长。
6.根据权利要求1所述的基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法，其特征在于，所述步骤6中，所述多种T像元包括第一T像元、第二T像元；所述第一T像元表示富营养化，所述第二T像元表示贫/中营养化；
所述步骤7中，所述多种C像元包括第一C像元、第二C像元、第三C像元；所述第一C像元、所述第二C像元、所述第三C像元分别表示为纯水、水生植被、蓝藻。
7.根据权利要求6所述的基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法，其特征在于，所述步骤6中，针对每个像元，若像元的TSI大于所述TSI的分类阈值，则将像元划分为所述第一T像元；否则，划分为所述第二T像元。
8.根据权利要求6所述的基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法，其特征在于，所述步骤7中，所述将水域划分为多种C像元包括以下子步骤：
步骤701、针对每个像元，将像元的CMI与所述CMI的分类阈值进行比较；若大于，则进入步骤702，否则，进入步骤703；
步骤702、将像元的FAI与所述FAI的分类阈值进行比较；若大于，则判定像元为所述第三C像元；否则，判定像元为所述第一C像元；
步骤703、将像元的FAI与所述FAI的分类阈值进行比较；若大于，则判定像元为所述第二C像元；否则，判定像元为所述第一C像元。
9.根据权利要求6所述的基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法，其特征在于，所述步骤6中，所述TSI的分类阈值为50，所述第一T像元标记为T1，赋值为1；所述第二T像元标记为T0，赋值为0；
所述步骤7中，所述第一C像元标记为C0，赋值为0；所述第二C像元标记为C-1.5，赋值为-1.5；所述第三C像元标记为C1.5，赋值为1.5。
10.根据权利要求6所述的基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法，其特征在于，所述步骤8中，将C像元的赋值与T像元的赋值进行叠加，得到每个像元对应的风险值，根据所述风险值得到评级结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010176108.1A CN111368779B (zh) | 2020-03-13 | 2020-03-13 | 一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010176108.1A CN111368779B (zh) | 2020-03-13 | 2020-03-13 | 一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111368779A true CN111368779A (zh) | 2020-07-03 |
| CN111368779B CN111368779B (zh) | 2022-03-04 |
Family
ID=71208910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010176108.1A Active CN111368779B (zh) | 2020-03-13 | 2020-03-13 | 一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111368779B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112577955A (zh) * | 2020-11-23 | 2021-03-30 | 淮阴师范学院 | 一种水华水体检测方法和系统 |
| CN112989692A (zh) * | 2021-02-10 | 2021-06-18 | 中国科学院南京地理与湖泊研究所 | 基于遥感数据的湖泊富营养化反演方法 |
| CN114897422A (zh) * | 2022-06-01 | 2022-08-12 | 中国长江三峡集团有限公司 | 蓝藻水华损失评估方法、装置、电子设备及存储介质 |
| CN115695738A (zh) * | 2022-12-30 | 2023-02-03 | 北京世纪农丰土地科技有限公司 | 一种生态保护修复中水体富营养化问题的监测系统 |
| CN115719174A (zh) * | 2022-10-26 | 2023-02-28 | 生态环境部卫星环境应用中心 | 土地利用类型与蓝藻水华风险定量关系确定方法和装置 |
| CN115760613A (zh) * | 2022-11-15 | 2023-03-07 | 江苏省气候中心 | 一种结合卫星影像和光流法的蓝藻水华短时预测方法 |
| CN115907471A (zh) * | 2022-11-22 | 2023-04-04 | 安徽农业大学 | 基于VineCopula函数的湖泊蓝藻风险诊断方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104833637A (zh) * | 2015-04-17 | 2015-08-12 | 中国科学院遥感与数字地球研究所 | 基于植被指数时谱数据的蓝藻水华监测方法及装置 |
| US20150339323A1 (en) * | 2014-05-22 | 2015-11-26 | The United States of America, as represented by the Administrator of the U.S. Environmental Protec | Cyanobacteria assessment network |
| CN106315856A (zh) * | 2016-09-07 | 2017-01-11 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊蓝藻水华和水生植被的modis卫星同步监测方法 |
| US20180114592A1 (en) * | 2014-10-21 | 2018-04-26 | uBiome, Inc. | Method and system for characterizing allergy-related conditions associated with microorganisms |
| CN110082349A (zh) * | 2019-02-01 | 2019-08-02 | 南京师范大学 | 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 |
| CN110414488A (zh) * | 2019-08-20 | 2019-11-05 | 河海大学 | 基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法 |
| US20190367388A1 (en) * | 2017-02-16 | 2019-12-05 | Jon Baker | Systems and methods for controlling aquatic pests with sulfurous acid |
-
2020
- 2020-03-13 CN CN202010176108.1A patent/CN111368779B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150339323A1 (en) * | 2014-05-22 | 2015-11-26 | The United States of America, as represented by the Administrator of the U.S. Environmental Protec | Cyanobacteria assessment network |
| US20180114592A1 (en) * | 2014-10-21 | 2018-04-26 | uBiome, Inc. | Method and system for characterizing allergy-related conditions associated with microorganisms |
| CN104833637A (zh) * | 2015-04-17 | 2015-08-12 | 中国科学院遥感与数字地球研究所 | 基于植被指数时谱数据的蓝藻水华监测方法及装置 |
| CN106315856A (zh) * | 2016-09-07 | 2017-01-11 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊蓝藻水华和水生植被的modis卫星同步监测方法 |
| US20190367388A1 (en) * | 2017-02-16 | 2019-12-05 | Jon Baker | Systems and methods for controlling aquatic pests with sulfurous acid |
| CN110082349A (zh) * | 2019-02-01 | 2019-08-02 | 南京师范大学 | 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 |
| CN110414488A (zh) * | 2019-08-20 | 2019-11-05 | 河海大学 | 基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| RON MORFITT 等: "Landsat-8 Operational Land Imager (OLI) Radiometric Performance On-Orbit", 《REMOTE SENSING》 * |
| 邓建明 等: "广义可加模型在R中的快捷实现及蓝藻水华预测分析中的应用", 《生态学杂志》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112577955A (zh) * | 2020-11-23 | 2021-03-30 | 淮阴师范学院 | 一种水华水体检测方法和系统 |
| CN112989692A (zh) * | 2021-02-10 | 2021-06-18 | 中国科学院南京地理与湖泊研究所 | 基于遥感数据的湖泊富营养化反演方法 |
| CN114897422A (zh) * | 2022-06-01 | 2022-08-12 | 中国长江三峡集团有限公司 | 蓝藻水华损失评估方法、装置、电子设备及存储介质 |
| CN114897422B (zh) * | 2022-06-01 | 2023-07-11 | 中国长江三峡集团有限公司 | 蓝藻水华损失评估方法、装置、电子设备及存储介质 |
| CN115719174A (zh) * | 2022-10-26 | 2023-02-28 | 生态环境部卫星环境应用中心 | 土地利用类型与蓝藻水华风险定量关系确定方法和装置 |
| CN115719174B (zh) * | 2022-10-26 | 2023-05-02 | 生态环境部卫星环境应用中心 | 土地利用类型与蓝藻水华风险定量关系确定方法和装置 |
| CN115760613A (zh) * | 2022-11-15 | 2023-03-07 | 江苏省气候中心 | 一种结合卫星影像和光流法的蓝藻水华短时预测方法 |
| CN115760613B (zh) * | 2022-11-15 | 2024-01-05 | 江苏省气候中心 | 一种结合卫星影像和光流法的蓝藻水华短时预测方法 |
| CN115907471A (zh) * | 2022-11-22 | 2023-04-04 | 安徽农业大学 | 基于VineCopula函数的湖泊蓝藻风险诊断方法 |
| CN115695738A (zh) * | 2022-12-30 | 2023-02-03 | 北京世纪农丰土地科技有限公司 | 一种生态保护修复中水体富营养化问题的监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111368779B (zh) | 2022-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368779B (zh) | 一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法 | |
| Wang et al. | Mapping and quantifying Sargassum distribution and coverage in the Central West Atlantic using MODIS observations | |
| Han et al. | Estimating and mapping chlorophyll‐a concentration in Pensacola Bay, Florida using Landsat ETM+ data | |
| Binding et al. | EOLakeWatch; delivering a comprehensive suite of remote sensing algal bloom indices for enhanced monitoring of Canadian eutrophic lakes | |
| Le et al. | Climate-driven chlorophyll-a changes in a turbid estuary: Observations from satellites and implications for management | |
| Roelfsema et al. | Spatial distribution of benthic microalgae on coral reefs determined by remote sensing | |
| Casal et al. | Remote sensing with SPOT-4 for mapping kelp forests in turbid waters on the south European Atlantic shelf | |
| Miller et al. | SeaWiFS discrimination of harmful algal bloom evolution | |
| Karaska et al. | AVIRIS measurements of chlorophyll, suspended minerals, dissolved organic carbon, and turbidity in the Neuse River, North Carolina | |
| Li et al. | Remote-sensing monitoring for spatio-temporal dynamics of sand dredging activities at Poyang Lake in China | |
| Chen et al. | Remote sensing analysis of rainstorm effects on sediment concentrations in Apalachicola Bay, USA | |
| Chen et al. | A risk assessment method for remote sensing of cyanobacterial blooms in inland waters | |
| Warren et al. | Remote sensing of Qatar nearshore habitats with perspectives for coastal management | |
| Ma et al. | Unbalanced impacts of nature and nurture factors on the phenology, area and intensity of algal blooms in global large lakes: MODIS observations | |
| Wang et al. | Mapping water clarity in North American lakes and reservoirs using Landsat images on the GEE platform with the RGRB model | |
| Zhao et al. | Monitoring HABs in the shallow Arabian Gulf using a qualitative satellite-based index | |
| Berberoglu | Sustainable management for the Eastern Mediterranean coast of Turkey | |
| Nayak et al. | Coastal geomorphological and land use and land cover study on some sites of Gulf of Kachchh, Gujarat, West Coast of India using multi-temporal remote sensing data | |
| Wu et al. | Dramatic mariculture expansion and associated driving factors in Southeastern China | |
| Visitacion et al. | Detection of algal bloom in the coastal waters of boracay, philippines using Normalized Difference Vegetation Index (NDVI) and Floating Algae Index (FAI) | |
| Agyemang et al. | Accuracy assessment of supervised classification of submersed macrophytes: the case of the Gavaraget region of Lake Sevan, Armenia | |
| Walker et al. | Assessment of different indices (vegetation, salinity) and salt effected area trend analysis using Shannon entropy approach-a case study in a semi-arid region of India using RS/GIS. | |
| Gilbert et al. | Zooplankton body size versus taxonomy in Mediterranean wetlands: implications for aquatic ecosystem evaluation | |
| Paisley et al. | Identification of macro-invertebrate taxa as indicators of nutrient enrichment in rivers | |
| Zhe et al. | Dynamics of coastal aquaculture ponds in Vietnam from 1990 to 2015 using Landsat data |
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 |