CN111426637A - 一种利用无人机获取城市黑臭河流水质参数的方法 - Google Patents
一种利用无人机获取城市黑臭河流水质参数的方法 Download PDFInfo
- Publication number
- CN111426637A CN111426637A CN202010298497.5A CN202010298497A CN111426637A CN 111426637 A CN111426637 A CN 111426637A CN 202010298497 A CN202010298497 A CN 202010298497A CN 111426637 A CN111426637 A CN 111426637A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- image
- odorous
- black
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000003595 spectral effect Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 9
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000010365 information processing Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 17
- 238000012544 monitoring process Methods 0.000 description 17
- 238000002310 reflectometry Methods 0.000 description 13
- 238000011835 investigation Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
Abstract
本发明公开了一种利用无人机获取城市黑臭河流水质参数的方法,包括步骤:步骤一、通过其上安装有多光谱传感器的无人机进行河流多光谱数据获取;步骤二、根据步骤一中获取的河流多光谱数据进行数据处理并进行影像拼接得到数字正射影像;步骤三、使用遥感图像处理软件,对拼接后得到的数字正射影像进行标准假彩色合成;步骤四、使用监督图像分类方法提取水体范围;步骤五、基于黑臭水体光谱特征,构建黑臭水体光谱指数模型,并使用黑臭水体光谱指数模型对水体区域进行处理分级。本发明适用于较小尺度的城市黑臭河流快速调查,且具有较高的预测精度,反演精度期望在85%左右。
Description
技术领域
本发明涉及遥感技术领域,尤其涉及利用无人机获取城市黑臭河流水质参数的方法。
背景技术
常规的水质监测方法是在水域范围内布置大量的监测点,通过人工取样进行实时实地监测,监测和分析过程复杂、周期长,需要耗费大量人力物力,还受到气候和水文等自然条件的限制,并且这种方法只能了解监测断面上的表面水质状况,只具有局部和典型的代表意义。
但是地面调查存在如下缺点:
(1)人员必须到河流现场取样,然后进行仪器分析:传统的人工实地监测方法工作量大、投资高、时间长,已不能满足水环境保护工作的需求,遥感技术因具有成本低、速度快、资料同步性好、大面积观测等优点已经被广泛地应用于水质要素反演中。将卫星遥感技术应用于水质监测,其方法已经较为成熟,也取得了较多的成果,但是因为卫星遥感影像的分辨率限制,导致卫星遥感水质反演只能针对水域面积较大的区域,针对城市小微水域无法适用,存在一定的局限性。
(2)河流中心或者调查取样人员不易到达河流的所有区域:受地理环境和周边空间的限制,在进行城市河流水质采样分析时,由于现场环境限制,采用人员不可能到达河流覆盖的所有区域。
城市黑臭水体通常分布范围较广,河宽一般较窄,易受到两岸环境(居民点、建筑工地、工厂)影响;水流速度较小,水面多漂浮树叶等杂质,常出现“断头”现象.由于城市河道水面通常低于路面,且设有护栏,因此常规的地面采样监测不易采集河道中心水质信息,难以全面划定黑臭水体分布范围,增加监测难度,遥感技术以其宏观、大面积同步观测以及持续观测的特点,为城市水体的监测提供了一种新的技术手段。
遥感技术因具有成本低、速度快、资料同步性好、大面积观测等优点已经被广泛地应用于水质动态监测。例如,利用IKONOS影像和WorldView-Ⅱ影像可反演出温瑞塘河水的总氮、总磷等参数,平均相对误差分别为15.31%和18.95%,现有技术中还利用该反演模型建立了研究区总氮和总磷的浓度空间分布图(冼翠玲等,2017)。遥感影像还常常应用于水体浊度的反演,研究表明可以取得较好的效果,决定系数R2可达到0.71(冯奇等,2017)。这些研究表明,将卫星遥感技术应用于水质监测,其方法已经较为成熟,也取得了较多的成果。
但是现有卫星遥感技术存在如下缺点:
(1)成本高:随着地理信息科学与相关产业的发展,世界各国对遥感数据的需求急剧增长,然而,对于许多不发达和发展中国家而言,目前发展耗资巨大的航天遥感系统存在技术和资金上的困难,无论是卫星发射平台还是载荷的应用研制,成本都是很高的。将无人机作为航空摄影和对地观测的遥感平台为应对这种困难提供了一种新的解决方案。
(2)空间分辨率低,小型河流数据无法获取:由于卫星遥感影像的分辨率限制,目前多应用于大面积水域的水质监测,对于小微水域中水质参数的空间分布情况,需要采用新的方法予以解决。
(3)时间分辨率低,调查周期长:卫星遥感影像易受大气云层影响,影像数据获取周期较长,不能及时的监测水质污染状况。
现有技术中又提出了无人机遥感技术,该技术有其他遥感技术不可替代的优点。它以固定翼无人机、多旋翼无人机和垂直起降无人机等作为遥感平台获取实时高分辨率遥感影像数据,既能克服有人航空遥感受制于长航时、大机动、恶劣气象条件、危险环境等的影响,又能弥补卫星因天气和时间无法获取感兴趣区遥感信息的空缺,提供多角度、高分辨率影像,还能避免地面遥感工作范围小、视野窄、工作量大等因素。而且,随着计算机、通信技术的迅速发展以及各种重量轻、体积小、探测精度高的数字化新型传感器的不断面世,无人机的性能不断提高,使无人机遥感技术具有结构简单、成本低、风险小、灵活机动、实时性强等独特优点,正逐步成为卫星遥感、有人机遥感和地面遥感的有效补充手段,给遥感应用注入了新鲜血液。
但是现有技术方案没有专门针对城市黑臭水体水质,进行水质调查参数反演的。因为卫星遥感影像的分辨率限制,导致卫星遥感水质反演只能针对水域面积较大的区域,存在一定的局限性,反演精度较低,约为75%左右。
发明内容
发明目的:本发明针对上述不足,提出了一种利用无人机获取城市黑臭河流水质参数的方法,适用于较小尺度的城市黑臭河流快速调查,且具有较高的预测精度,反演精度期望在85%左右。
技术方案:
一种利用无人机获取城市黑臭河流水质参数的方法,包括步骤:
步骤一、通过其上安装有多光谱传感器的无人机进行河流多光谱数据获取;
步骤二、根据步骤一中获取的河流多光谱数据进行数据处理并进行影像拼接得到数字正射影像;
步骤三、使用遥感图像处理软件,对拼接后得到的数字正射影像进行标准假彩色合成;
步骤四、使用监督图像分类方法提取水体范围;
步骤五、基于黑臭水体光谱特征,构建黑臭水体光谱指数模型,并使用黑臭水体光谱指数模型对水体区域进行处理分级。
步骤一包括:
(a)在飞行前,手持无人机,对标准参考板拍照获取到标准参考板影像;
(b)无人机飞行航线及飞行参数设计:所述无人机飞行航线采用双航线法,航线平行于河流中心线分别设置前进与返回航线,航线宽度的设置满足图像重叠度的要求;飞行高度为20~100m;选择风速小于2m/s,能见度6km以上的晴天,飞行速度为8~10m/s;
(c)根据多光谱传感器中的传感器参数计算在指定飞行高度下的地面图像的分辨率。
所述航线宽度的设置满足图像重叠度的要求具体为:航线宽度的设置满足图像重叠度75%的要求,即相邻2张航片之间有75%的重合区域。
步骤二中,使用标准参考板影像进行光谱校正;对无人机获取的多光谱数据进行拼接处理,处理过程中首先进行自动空三加密后,生成数字表面模型,最终输出数字正射影像。
步骤三中,对拼接后的无人机多光谱数据进行标准假彩色合成,将近红外波段对应红色,红光波段对应于绿色,绿光波段对应于蓝色得到的假彩色合成图像,用于后续信息处理工作的底图。
步骤四中,使用遥感图像处理软件,支持向量机方法对多光谱影像进行有监分类,采用Radial Basis Function构造分类器,模型参数r为0.083,惩罚系数C=100;对分类后的多光谱影像与对应的实际地物类型进行精度比较,以百分比的形式表示;水体分类精度要求设置为90%,若未达到,则调整训练区,重新分类;
对分类后的水体影像进行3*3窗口的聚合操作,再进行同样窗口大小的筛选操作,去除孤立像元和太小面积的类别;之后,把水体的栅格影像转换为shp文件格式,形成精细化的水体边界。
步骤五中,结合地面河流水质测定指标,按一般水体N1、轻度黑臭N2和重度黑臭N3三个类型分级后,获得河道内黑臭水体的空间分布情况。
还包括步骤六,在无人机飞行同时,同步开展地面采样与人工判别验证,每个采样验证点通过仪器测量水体的四项生化指标,有一项超标时,判别为该类型水体;地面采样点每间隔400m设置一个。
所述无人机为大疆六旋翼无人机-经纬MATRICE 600PRO,所述多光谱传感器为Micasense Rededge;
在飞行前,将Micasense Rededge传感器设置为自动获取数据,采样频率1Hz,获取到的是5个波段的多光谱数据,每个数据格式为TIFF;最终获取到的多光谱数据为16-bitTIFF文件,每次相机触发可采集5张不同波段照片,每张大小1280×960像素。
所述无人机的飞行高度设置为50m。
有益效果:正常水体反射率在蓝光波段和红光波段相类似,绿光波段明显高出红光波段很多,反射率变化十分明显;而黑臭水体反射率整体变化比较平缓,与正常水体有明显差异。通过无人机高分辨率多光谱数据采集,信息处理技术(辐射定标、影像拼接、水域提取)等处理后,获得水体遥感反射率。构建多波段黑臭水体指数,结合部分地面现场采样测试数据,对指数图进行分级后,就可以评估出较大面积水体水质的空间分布情况。本发明与现有技术相比,适用于较小尺度的城市黑臭河流快速调查,且具有较高的预测精度,反演精度期望在85%左右。
附图说明
图1为本发明的流程图。
图2为黑臭水体与一般水体的反射率曲线。
图3为本发明中航线覆盖示意图。
图4为河流无人机图像重叠率的示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。
本发明利用无人机获取城市黑臭河流水质参数的方法,涉及如下技术:
(1)无人机技术:无人机遥感系统包括飞行平台、飞控系统(又称自动驾驶仪,autopilot system等)、地面监控系统(又称地面站,GCS)、任务设备(如,普通单反相机、红外相机等)、数据传输系统(datalink)、发射和回收系统及地面保障设备等部分。
(2)多光谱技术:多光谱传感器指在可见光和红外谱段范围同时获得同一目标的多个不同谱段图像的遥感器,其安装在无人机上。在该波谱范围内,太阳辐射通量密度占总辐射通量密度的85%以上,成像效果较好。
(3)辐射定标:影像的像元值是经过量化的、无量纲的DN值,而进行水质监测需要用到的是绝对辐射亮度值,辐射定标就是从DN值获得辐亮度值的过程。
(4)河流多光谱影像的光谱特征:如图2所示,城市黑臭水体遥感反射率较一般正常水体低,560nm处出现峰值,在668-717nm范围内整体走势较平缓,这一段与正常水体差异较大。黑臭水体光谱所表现出的这种特征可以作为其遥感识别的重要依据。
本发明采用的无人机为大疆六旋翼无人机-经纬MATRICE 600PRO,采用的多光谱传感器为Micasense Rededge。
图1为本发明的流程图,如图1所示,本发明利用无人机获取城市黑臭河流水质参数的方法包括如下步骤:
步骤一、通过无人机进行河流数据获取,包括:
(a)无人机飞行航线设计
图3为本发明中航线覆盖示意图。如图3所示,本发明采用双航线法,航线平行于河流中心线分别设置前进与返回航线,航线宽度的设置需同时满足图像重叠度75%的要求,即相邻2张航片之间有75%的重合区域;在飞行前,MicasenseRededge传感器设置为自动获取数据,采样频率1Hz,获取到的是5个波段的多光谱数据,每帧数据格式为TIFF。
(b)飞行高度设计
对于河流调查,建议高度为50m,介于20~100m之间效果较好。
(c)计算得到图像地面分辨率
依据Micasense Rededge传感器参数(表1),使用自带的计算软件,可以得到指定飞行高度下的地面图像的分辨率。当飞行高度在80米时,地面的空间分辨率约为5cm。飞行高度高,会导致太低的空间分辨率,影响后期数据处理精度。
Item | Value |
Lens Focal Length | 5.5mm |
Lens Field of View | 47.2deg.HFOV |
Imager Size | 4.8mm x 3.6mm |
Imager Resolution | 1280x 960pixels |
表1Micasense Rededge传感器参数
(d)飞行速度选择
对于美国Micasense无人机多光谱仪,采用8m/s的飞行速度,可以兼顾安全与采集效率。同时,选择风速小于2m/s,能见度6km以上的晴天,通过人工或自动航线方式飞行。
(e)参考板校正
飞行前、后均必须采用参考板校正,以消除光照变化的影响。手持无人机,按动相机快门,对标准参考板拍照获取到标准参考板影像,用于后期数据处理。
最终获取到的多光谱数据为16-bit TIFF文件,每次相机触发可采集5张不同波段照片,每张大小1280×960像素。
步骤二、根据步骤一中获取的河流多光谱数据进行数据处理;
使用标准参考板影像进行光谱校正,修正不同光照条件对地物反射率的影响。用标准参考板的各波段标准反射率,参与校正无人机多光谱数据的处理过程,获得更加准确的地物反射率。(以美国Micasense RedEdge为例)用Micasense自带标准参考板5个波段提供的标准反射率,参与校正Pix4DMapper无人机多光谱数据的处理。使用Pix4DMapper软件进行无人机影像的拼接处理。处理过程中首先进行自动空三加密后,生成数字表面模型(DSM),最终输出数字正射影像(DOM)。
步骤三、标准假彩色合成图像
使用遥感图像处理软件,对拼接后的无人机多光谱数据进行标准假彩色合成,将近红外波段对应红色,红光波段对应于绿色,绿光波段对应于蓝色得到的假彩色合成图像,用于后续信息处理工作的底图。假彩色合成是为了更好地进行遥感图像解译,比真彩色更便于识别地物类型,范围大小等。
步骤四、使用监督图像分类方法提取水体范围
使用遥感图像处理软件,支持向量机(Support vector machine,SVM)方法对多光谱影像进行有监分类,采用Radial Basis Function构造分类器,模型参数r为0.083,惩罚系数C=100。水体分类精度需达到90%,否则调整训练区,重新分类。所述训练区指遥感图像分类时,对不同地物类型,人工先在图像上选取的不同典型区域,用以统计图像类别特征指标,进行整幅图像分类时使用。
图像分类精度评价方法:
精度评价的定义即是对分类后的特定对象与对应的实际地物类型进行精度比较,以百分比的形式表示出来。
(a)总体精度
正确分类数占总体抽样总数的百分比既是总体精度。它反映的是总体全部类别的分类正确程度。计算公式:
式中,POA是总体精度,Xii为每一种类别i的正确分类数,M是抽样总数。
(b)总体Kappa系数
Kappa系数是测定两幅影像之间的吻合程度的指标,计算公式为:
式中,K即为Kappa系数,N为样本总个数,m为分类类型总数,Ppi为类所在的列总数,qqi为类所在的总行数,Pii为该类别被正确分类的样本数。
Kappa系数需要达到80%以上。
对分类后的水体影像进行3*3窗口的聚合操作,再进行同样窗口大小的筛选操作,去除孤立像元和太小面积的类别。之后,把水体的栅格影像转换为shp文件格式,形成精细化的水体边界。
步骤五、使用黑臭水体光谱指数模型对水体区域进行处理分级
基于黑臭水体光谱特征,构建一种光谱指数表征模型,用下述公式1所示:
式中,Rrs(Blue)、Rrs(Green)、Rrs(Red)和Rrs(Nir)分别为多光谱无人机影像蓝、绿、红和近红外遥感反射率值,N为常数。通过对黑臭水体指数图,选取合适的阈值,进行量化分级。结合地面河流水质测定指标,按一般水体N1、轻度黑臭N2和重度黑臭N3三个类型分级后,可以获得河道内黑臭水体的空间分布情况,达到水体监测评价的目的。
步骤六、水体监测结果精度评价
无人机飞行同时,同步开展地面采样与人工判别验证,每个采样验证点通过仪器测量水体的四项生化指标,有一项超标时,判别为该类型水体。地面采样点每间隔400m设置一个。
表2黑臭水体生化判别指标
注:*当水体很浅无法给出透明度时,透明度为空。
正常水体反射率在蓝光波段和红光波段相类似,绿光波段明显高出红光波段很多,反射率变化十分明显;而黑臭水体反射率整体变化比较平缓,与正常水体有明显差异。通过本发明的无人机进行高分辨率多光谱数据采集,再通过信息处理技术(辐射定标、影像拼接、水域提取)等处理后,获得水体遥感反射率。构建多波段黑臭水体指数,结合部分地面现场采样测试数据,对指数图进行分级后,就可以评估出较大面积水体水质的空间分布情况。本发明与现有技术相比,适用于较小尺度的城市黑臭河流快速调查,且具有较高的预测精度,反演精度期望在85%左右。
以上详细描述了本发明的优选实施方式,但是本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换(如数量、形状、位置等),这些等同变换均属于本发明的保护。
Claims (10)
1.一种利用无人机获取城市黑臭河流水质参数的方法,其特征在于:包括步骤:
步骤一、通过其上安装有多光谱传感器的无人机进行河流多光谱数据获取;
步骤二、根据步骤一中获取的河流多光谱数据进行数据处理并进行影像拼接得到数字正射影像;
步骤三、使用遥感图像处理软件,对拼接后得到的数字正射影像进行标准假彩色合成;
步骤四、使用监督图像分类方法提取水体范围;
步骤五、基于黑臭水体光谱特征,构建黑臭水体光谱指数模型,并使用黑臭水体光谱指数模型对水体区域进行处理分级。
2.根据权利要求1所述的利用无人机获取城市黑臭河流水质参数的方法,其特征在于:步骤一包括:
(a)在飞行前,手持无人机,对标准参考板拍照获取到标准参考板影像;
(b)无人机飞行航线及飞行参数设计:所述无人机飞行航线采用双航线法,航线平行于河流中心线分别设置前进与返回航线,航线宽度的设置满足图像重叠度的要求;飞行高度为20~100m;选择风速小于2m/s,能见度6km以上的晴天,飞行速度为8~10m/s;
(c)根据多光谱传感器中的传感器参数计算在指定飞行高度下的地面图像的分辨率。
3.根据权利要求2所述的利用无人机获取城市黑臭河流水质参数的方法,其特征在于:所述航线宽度的设置满足图像重叠度的要求具体为:航线宽度的设置满足图像重叠度75%的要求,即相邻2张航片之间有75%的重合区域。
4.根据权利要求1所述的利用无人机获取城市黑臭河流水质参数的方法,其特征在于:步骤二中,使用标准参考板影像进行光谱校正;对无人机获取的多光谱数据进行拼接处理,处理过程中首先进行自动空三加密后,生成数字表面模型,最终输出数字正射影像。
5.根据权利要求1所述的利用无人机获取城市黑臭河流水质参数的方法,其特征在于:步骤三中,对拼接后的无人机多光谱数据进行标准假彩色合成,将近红外波段对应红色,红光波段对应于绿色,绿光波段对应于蓝色得到的假彩色合成图像,用于后续信息处理工作的底图。
6.根据权利要求1所述的利用无人机获取城市黑臭河流水质参数的方法,其特征在于:步骤四中,使用遥感图像处理软件,支持向量机方法对多光谱影像进行有监分类,采用Radial Basis Function构造分类器,模型参数r为0.083,惩罚系数C=100;对分类后的多光谱影像与对应的实际地物类型进行精度比较,以百分比的形式表示;水体分类精度要求设置为90%,若未达到,则调整训练区,重新分类;
对分类后的水体影像进行3*3窗口的聚合操作,再进行同样窗口大小的筛选操作,去除孤立像元和太小面积的类别;之后,把水体的栅格影像转换为shp文件格式,形成精细化的水体边界。
7.根据权利要求1所述的利用无人机获取城市黑臭河流水质参数的方法,其特征在于:步骤五中,结合地面河流水质测定指标,按一般水体N1、轻度黑臭N2和重度黑臭N3三个类型分级后,获得河道内黑臭水体的空间分布情况。
8.根据权利要求1所述的利用无人机获取城市黑臭河流水质参数的方法,其特征在于:还包括步骤六,在无人机飞行同时,同步开展地面采样与人工判别验证,每个采样验证点通过仪器测量水体的四项生化指标,有一项超标时,判别为该类型水体;地面采样点每间隔400m设置一个。
9.根据权利要求1所述的利用无人机获取城市黑臭河流水质参数的方法,其特征在于:所述无人机为大疆六旋翼无人机-经纬MATRICE 600PRO,所述多光谱传感器为MicasenseRededge;
在飞行前,将Micasense Rededge传感器设置为自动获取数据,采样频率1Hz,获取到的是5个波段的多光谱数据,每个数据格式为TIFF;最终获取到的多光谱数据为16-bit TIFF文件,每次相机触发可采集5张不同波段照片,每张大小1280×960像素。
10.根据权利要求1所述的利用无人机获取城市黑臭河流水质参数的方法,其特征在于:所述无人机的飞行高度设置为50m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010298497.5A CN111426637A (zh) | 2020-04-16 | 2020-04-16 | 一种利用无人机获取城市黑臭河流水质参数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010298497.5A CN111426637A (zh) | 2020-04-16 | 2020-04-16 | 一种利用无人机获取城市黑臭河流水质参数的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111426637A true CN111426637A (zh) | 2020-07-17 |
Family
ID=71558014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010298497.5A Pending CN111426637A (zh) | 2020-04-16 | 2020-04-16 | 一种利用无人机获取城市黑臭河流水质参数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111426637A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084843A (zh) * | 2020-07-28 | 2020-12-15 | 北京工业大学 | 一种基于半监督学习的多光谱河道遥感监测方法 |
CN113450425A (zh) * | 2021-06-08 | 2021-09-28 | 河海大学 | 一种基于阴影去除的城市黑臭水体遥感制图方法 |
CN114088723A (zh) * | 2021-11-23 | 2022-02-25 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种水环境水质跟踪监测方法 |
CN114324202A (zh) * | 2021-11-12 | 2022-04-12 | 江苏久智环境科技服务有限公司 | 基于光谱分析的小流域水质监测方法 |
CN114368795A (zh) * | 2021-12-31 | 2022-04-19 | 天健创新(北京)监测仪表股份有限公司 | 一种在线式黑臭水体的多模态辨识方法及系统 |
WO2022252242A1 (zh) * | 2021-06-04 | 2022-12-08 | 江苏南大五维电子科技有限公司 | 一种基于多光谱图像的水污染区域识别方法和系统 |
CN117541951A (zh) * | 2024-01-10 | 2024-02-09 | 深圳块织类脑智能科技有限公司 | 基于无人机多光谱遥感的污染水体检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107167431A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学院遥感与数字地球研究所 | 一种基于光谱指数模型的黑臭水体识别方法及系统 |
CN109118457A (zh) * | 2018-09-30 | 2019-01-01 | 中国科学院遥感与数字地球研究所 | 遥感影像处理方法及装置 |
CN109472294A (zh) * | 2018-10-15 | 2019-03-15 | 广州地理研究所 | 一种城市水体的识别方法、装置、储存介质及设备 |
CN110954484A (zh) * | 2019-12-09 | 2020-04-03 | 南京搜天数据科技有限公司 | 一种使用无人机多光谱数据进行城市河流水质评价的方法 |
CN110987955A (zh) * | 2019-12-05 | 2020-04-10 | 南京师范大学 | 一种基于决策树的城市黑臭水体分级方法 |
-
2020
- 2020-04-16 CN CN202010298497.5A patent/CN111426637A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107167431A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学院遥感与数字地球研究所 | 一种基于光谱指数模型的黑臭水体识别方法及系统 |
CN109118457A (zh) * | 2018-09-30 | 2019-01-01 | 中国科学院遥感与数字地球研究所 | 遥感影像处理方法及装置 |
CN109472294A (zh) * | 2018-10-15 | 2019-03-15 | 广州地理研究所 | 一种城市水体的识别方法、装置、储存介质及设备 |
CN110987955A (zh) * | 2019-12-05 | 2020-04-10 | 南京师范大学 | 一种基于决策树的城市黑臭水体分级方法 |
CN110954484A (zh) * | 2019-12-09 | 2020-04-03 | 南京搜天数据科技有限公司 | 一种使用无人机多光谱数据进行城市河流水质评价的方法 |
Non-Patent Citations (6)
Title |
---|
侍昊等: "基于微型无人机遥感数据的城市水环境信息提取初探", 《中国环境监测》 * |
李颖等: "SVM和ANN在多光谱遥感影像分类中的比较研究", 《海洋测绘》 * |
温爽等: "基于高分影像的城市黑臭水体遥感识别:以南京为例", 《环境科学》 * |
申茜等: "城市黑臭水体遥感监测与筛查研究进展", 《应用生态学报》 * |
赵文吉等: "《ENVI遥感影像处理专题与实践》", 30 April 2007, 中国环境科学出版社 * |
赵虎等: "《遥感与数字图像处理》", 31 January 2019, 西南交通大学出版社 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084843A (zh) * | 2020-07-28 | 2020-12-15 | 北京工业大学 | 一种基于半监督学习的多光谱河道遥感监测方法 |
CN112084843B (zh) * | 2020-07-28 | 2024-03-12 | 北京工业大学 | 一种基于半监督学习的多光谱河道遥感监测方法 |
WO2022252242A1 (zh) * | 2021-06-04 | 2022-12-08 | 江苏南大五维电子科技有限公司 | 一种基于多光谱图像的水污染区域识别方法和系统 |
CN113450425A (zh) * | 2021-06-08 | 2021-09-28 | 河海大学 | 一种基于阴影去除的城市黑臭水体遥感制图方法 |
CN114324202A (zh) * | 2021-11-12 | 2022-04-12 | 江苏久智环境科技服务有限公司 | 基于光谱分析的小流域水质监测方法 |
CN114324202B (zh) * | 2021-11-12 | 2024-04-02 | 江苏久智环境科技服务有限公司 | 基于光谱分析的小流域水质监测方法 |
CN114088723A (zh) * | 2021-11-23 | 2022-02-25 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 一种水环境水质跟踪监测方法 |
CN114368795A (zh) * | 2021-12-31 | 2022-04-19 | 天健创新(北京)监测仪表股份有限公司 | 一种在线式黑臭水体的多模态辨识方法及系统 |
CN117541951A (zh) * | 2024-01-10 | 2024-02-09 | 深圳块织类脑智能科技有限公司 | 基于无人机多光谱遥感的污染水体检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111426637A (zh) | 一种利用无人机获取城市黑臭河流水质参数的方法 | |
Bao et al. | Monitoring of beach litter by automatic interpretation of unmanned aerial vehicle images using the segmentation threshold method | |
CN106971146B (zh) | 基于三查技术的水体异常遥感动态监控方法、装置和系统 | |
CN109581372B (zh) | 一种生态环境遥感监测方法 | |
CN108593569B (zh) | 基于光谱形态特征的高光谱水质参数定量反演方法 | |
Rivas Casado et al. | Automated identification of river hydromorphological features using UAV high resolution aerial imagery | |
KR102450019B1 (ko) | 드론을 이용한 수질현황 모니터링 방법 및 시스템 | |
CN110887792A (zh) | 一种基于无人机高光谱影像的河流水质快速监测系统 | |
Zou et al. | 3D land cover classification based on multispectral LiDAR point clouds | |
CN101424741A (zh) | 卫星遥感海雾特征量的实时提取方法 | |
CN106315856A (zh) | 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 | |
Corbane et al. | Remote sensing of soil surface characteristics from a multiscale classification approach | |
CN110889327A (zh) | 一种基于热红外图像的水域周边排污口智能检测方法 | |
CN111047566A (zh) | 无人机和多光谱卫星影像进行水生植被年变化统计的方法 | |
Mucsi et al. | The evaluation and application of an urban land cover map with image data fusion and laboratory measurements | |
CN114021656A (zh) | 基于gee云平台和光学与雷达数据融合的水体提取方法 | |
Schreyers et al. | A field guide for monitoring riverine macroplastic entrapment in water hyacinths | |
Hidayati et al. | A comparative study of various indices for extraction urban impervious surface of Landsat 8 OLI | |
CN105092575A (zh) | 评估沙尘暴强度的方法和装置 | |
CN114397277A (zh) | 一种无人机水体叶绿素遥感探测系统 | |
KR102175195B1 (ko) | 초분광 영상을 활용한 하천수 혼합 유해화학물질 식별 능력 개선을 위한 분광라이브러리 특성화를 위한 장치 및 방법 | |
Ehlers et al. | Automated techniques for environmental monitoring and change analyses for ultra high resolution remote sensing data | |
Dehm et al. | SUAS based multispectral imagery for monitoring wetland inundation and vegetation | |
Jacq et al. | Structure-from-motion, multi-view stereo photogrammetry applied to line-scan sediment core images | |
Rossini et al. | Mapping surface features of an alpine glacier through multispectral and thermal drone surveys |
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 |
Application publication date: 20200717 |
|
RJ01 | Rejection of invention patent application after publication |