CN111504915B - 反演水体叶绿素浓度的方法、装置、设备及存储介质 - Google Patents
反演水体叶绿素浓度的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111504915B CN111504915B CN202010347334.1A CN202010347334A CN111504915B CN 111504915 B CN111504915 B CN 111504915B CN 202010347334 A CN202010347334 A CN 202010347334A CN 111504915 B CN111504915 B CN 111504915B
- Authority
- CN
- China
- Prior art keywords
- water body
- inversion
- correlation coefficients
- model
- information
- 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
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
- 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
- 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
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种反演水体叶绿素浓度的方法、装置、设备及存储介质,所述反演水体叶绿素浓度的方法包括:基于观测塔群采集待测水体的光谱图像,对所述光谱图像进行预处理,得到波段图信息;将所述波段图信息输入至目标反演模型;根据目标反演模型,计算得到水体叶绿素的目标浓度。本发明通过观测塔群采集待测水体的光谱信息并进行预处理,有利于提高水体叶绿素浓度监测的精确度。此外,因目标反演模型由多个采样点的水体叶绿素实测浓度、初始波段图信息结合基于多个预设模型的模型优选机制训练得到,所以目标反演模型具有高通用性且反演结果精确度高,有利于提高水体叶绿素浓度监测的精确度,达到长时间精确、稳定地监测水体叶绿素浓度的效果。
Description
技术领域
本发明涉及水色遥感技术领域,尤其涉及一种反演水体叶绿素浓度的方法、装置、设备及存储介质。
背景技术
叶绿素a浓度是浮游植物体内最重要的色素之一,通过监测水体中叶绿素a浓度大小数据就可以获取浮游植物的生长分布情况和水体富营养化的程度。因此,叶绿素a浓度是重要的水质参数。
水体光谱特征的测量与分析是水色遥感的基础方向之一。目前对于水体光谱信息的获取主要是通过便携式光谱仪定点采样、无人机载多光谱相机拍摄及卫星遥感这三种方式。但是通过便携式光谱仪定点采样的方式由于人工采集存在较大误差、无人机载多光谱相机拍摄的方式存在负载续航问题、卫星遥感容易被大气环境影响,使得在现有技术下针对某个特定区域的不同时间段的监测效率低,并且监测的内陆水体光谱信息中水体叶绿素浓度精确率较低。
发明内容
本发明的主要目的在于提供一种反演水体叶绿素浓度的方法、装置、设备及存储介质,旨在解决现有技术针对某个特定区域的不同时间段的监测效率低,并且监测的内陆水体光谱信息中水体叶绿素浓度精确率较低的技术问题。
为实现上述目的,本发明实施例提供一种反演水体叶绿素浓度的方法,所述反演水体叶绿素浓度的方法包括:
基于观测塔群采集待测水体的光谱图像,对所述光谱图像进行预处理,得到波段图信息;
将所述波段图信息输入至目标反演模型;
根据目标反演模型,计算得到水体叶绿素的目标浓度。
优选地,所述预处理包括归一化处理和平滑处理,所述对所述光谱图像进行预处理,得到波段图信息的步骤包括:
获取天空光的反射信息,并根据所述反射信息对所述光谱图像进行归一化处理;
根据滤波算法对经归一化处理的所述光谱图像进行平滑处理,得到波段图信息。
优选地,所述基于观测塔群采集待测水体的光谱图像的步骤之前包括:
基于观测塔群采集多个时间点的多个初始光谱图像,对多个所述初始光谱图像进行预处理,得到多个初始波段图;
获取与多个所述初始光谱图对应水体叶绿素的实测浓度;
根据多个所述初始波段图、多个所述实测浓度,分别对多个预设模型进行反演训练,得到时间轴上与反演训练对应的多个相关系数,其中所述时间轴基于多个所述时间点的时间先后关系形成;
根据所述时间轴上与反演训练对应的多个所述相关系数以及多个所述预设模型,生成目标反演模型。
优选地,所述预设模型包括一阶微分模型、波段比值模型、三波段模型、四波段模型;所述根据多个所述初始波段图、多个所述实测浓度,分别对多个预设模型进行反演训练,得到时间轴上与反演训练对应的多个相关系数的步骤包括:
将多个所述初始波段图和多个所述实测浓度传输到所述一阶微分模型进行反演训练,得到所述时间轴上与反演训练对应的多个第一相关系数;
将多个所述初始波段图和多个所述实测浓度传输到所述波段比值模型进行反演训练,得到所述时间轴上与反演训练对应的多个第二相关系数;
将多个所述初始波段图和多个所述实测浓度传输到所述三波段模型进行反演训练,得到所述时间轴上与反演训练对应的多个第三相关系数;
将多个所述初始波段图和多个所述实测浓度传输到所述四波段模型进行反演训练,得到所述时间轴上与反演训练对应的多个第四相关系数;
将多个所述第一相关系数、多个所述第二相关系数、多个所述第三相关系数和多个所述第四相关系数确定为多个所述相关系数。
优选地,所述根据所述时间轴上与反演训练对应的多个所述相关系数与多个所述预设模型,生成目标反演模型的步骤包括:
将时间轴上的多个所述相关系数输入随机森林或决策树,其中多个所述相关系数包括由所述第一相关系数形成的第一数据集、由所述第二相关系数形成的第二数据集、由所述第三相关系数形成的第三数据集、由所述第四相关系数形成的第四数据集;
基于随机森林或决策树分别对多个所述第一数据集、所述第二数据集、所述第三数据集、所述第四数据集进行分类和决策,得到多个处理结果;
根据多个所述处理结果,从多个所述预设模型中确定出目标反演模型。
优选地,所述基于观测塔群采集多个时间点的多个初始光谱图像的步骤之前包括:
获取待测水体的区域信息,生成多个采样点;
基于多个所述采样点,确定多个观测塔的搭建点信息,所述观测塔至少包含有用于拍摄光谱图像的高光谱设备和用于控制所述高光谱设备拍摄角度的云台;
将多个所述观测塔的搭建点信息进行连接,形成观测塔群,以对初始光谱图像进行采集。
优选地,所述将多个所述观测塔的搭建点信息进行连接,形成观测塔群的步骤之后包括:
获取所述高光谱设备拍摄平面与太阳入射平面的第一角度信息,以及所述高光谱设备拍摄平面与海面法线方向的第二角度信息;
接收基于第一预设角度范围输入的第一调整信息,并根据所述第一调整信息,对所述第一角度信息进行调整,生成第一目标角度;
接收基于第二预设角度范围输入的第二调整信息,并根据所述第二调整信息,对所述第二角度信息进行调整,生成第二目标角度。
为实现上述目的,本发明还提供一种反演水体叶绿素浓度的装置,所述反演水体叶绿素浓度的装置包括:
采集模块,用于基于观测塔群采集待测水体的光谱图像,对所述光谱图像进行预处理,得到波段图信息;
输入模块,用于将所述波段图信息输入至目标反演模型;
计算模块,用于根据目标反演模型,计算得到水体叶绿素的目标浓度。
进一步地,为实现上述目的,本发明还提供一种反演水体叶绿素浓度的设备,所述反演水体叶绿素浓度的设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的反演水体叶绿素浓度的程序,所述反演水体叶绿素浓度的程序被所述处理器执行时实现上述的反演水体叶绿素浓度的方法的步骤。
此外,为实现上述目的,本发明还提供一种存储介质,所述存储介质上存储有反演水体叶绿素浓度的程序,所述反演水体叶绿素浓度的程序被处理器执行时实现上述的反演水体叶绿素浓度的方法的步骤。
本发明实施例提供一种反演水体叶绿素浓度的方法、装置、设备及存储介质,所述反演水体叶绿素浓度的方法包括:基于观测塔群采集待测水体的光谱图像,对所述光谱图像进行预处理,得到波段图信息;将所述波段图信息输入至目标反演模型;根据目标反演模型,计算得到水体叶绿素的目标浓度。本发明通过观测塔群对待测水体进行光谱信息采集,有效地减少人工采集的误差,提高水体叶绿素浓度监测的精确度;通过观测塔群对待测水体进行光谱信息采集,有利于实现长时间多点采集,丰富采样数据,提高水体叶绿素浓度监测的精确度。通过观测塔群对待测水体进行光谱信息采集,有利于提高水体叶绿素浓度监测的稳定性,提高水体叶绿素浓度监测的精确度。通过对光谱图像进行预处理,有利于获取更加完善有效的高光谱信息,提高水体叶绿素浓度监测的精确度。此外,因反演模型由多个采样点的水体叶绿素实测浓度、波段图信息结合基于多个预设模型的模型优选机制进行训练得到,所以目标反演模型具有高通用性且反演结果精确度高,有利于提高水体叶绿素浓度监测的精确度,达到长时间精确、稳定地监测水体叶绿素浓度的有益效果。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的反演水体叶绿素浓度的设备结构示意图;
图2为本发明反演水体叶绿素浓度的方法第一实施例的流程示意图;
图3为本发明反演水体叶绿素浓度的方法第二实施例的流程示意图;
图4为本发明反演水体叶绿素浓度的装置较佳实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种反演水体叶绿素浓度的方法、装置、设备及存储介质,所述反演水体叶绿素浓度的方法包括:基于观测塔群采集待测水体的光谱图像,对所述光谱图像进行预处理,得到波段图信息;将所述波段图信息输入至目标反演模型;根据目标反演模型,计算得到水体叶绿素的目标浓度。本发明通过观测塔群对待测水体进行光谱信息采集,有效地减少人工采集的误差,提高水体叶绿素浓度监测的精确度;通过观测塔群对待测水体进行光谱信息采集,有利于实现长时间多点采集,丰富采样数据,提高水体叶绿素浓度监测的精确度。通过观测塔群对待测水体进行光谱信息采集,有利于提高水体叶绿素浓度监测的稳定性,提高水体叶绿素浓度监测的精确度。通过对光谱图像进行预处理,有利于获取更加完善有效的高光谱信息,提高水体叶绿素浓度监测的精确度。此外,因反演模型由多个采样点的水体叶绿素实测浓度、波段图信息结合基于多个预设模型的模型优选机制进行训练得到,所以目标反演模型具有高通用性且反演结果精确度高,有利于提高水体叶绿素浓度监测的精确度,达到长时间精确、稳定地监测水体叶绿素浓度的有益效果。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的反演水体叶绿素浓度的设备结构示意图。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
本发明实施例反演水体叶绿素浓度的设备可以是PC,也可以是平板电脑、便携计算机等可移动式终端设备。
如图1所示,该反演水体叶绿素浓度的设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的反演水体叶绿素浓度的设备结构并不构成对反演水体叶绿素浓度的设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及反演水体叶绿素浓度的程序。
在图1所示的设备中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的反演水体叶绿素浓度的程序,并执行以下操作:
基于观测塔群采集待测水体的光谱图像,对所述光谱图像进行预处理,得到波段图信息;
将所述波段图信息输入至目标反演模型;
根据目标反演模型,计算得到水体叶绿素的目标浓度。
进一步地,所述预处理包括归一化处理和平滑处理,所述对所述光谱图像进行预处理,得到波段图信息的步骤包括:
获取天空光的反射信息,并根据所述反射信息对所述光谱图像进行归一化处理;
根据滤波算法对经归一化处理的所述光谱图像进行平滑处理,得到波段图信息。
进一步地,所述基于观测塔群采集待测水体的光谱图像的步骤之前,处理器1001可以用于调用存储器1005中存储的反演水体叶绿素浓度的程序,并执行以下操作:
基于观测塔群采集多个时间点的多个初始光谱图像,对多个所述初始光谱图像进行预处理,得到多个初始波段图;
获取与多个所述初始光谱图对应水体叶绿素的实测浓度;
根据多个所述初始波段图、多个所述实测浓度,分别对多个预设模型进行反演训练,得到时间轴上与反演训练对应的多个相关系数,其中所述时间轴基于多个所述时间点的时间先后关系形成;
根据所述时间轴上与反演训练对应的多个所述相关系数与多个所述预设模型,生成目标反演模型。
进一步地,所述预设模型包括一阶微分模型、波段比值模型、三波段模型、四波段模型;所述根据多个所述初始波段图、多个所述实测浓度,分别对多个预设模型进行反演训练,得到时间轴上与反演训练对应的多个相关系数的步骤包括:
将多个所述初始波段图和多个所述实测浓度传输到所述一阶微分模型进行反演训练,得到所述时间轴上与反演训练对应的多个第一相关系数;
将多个所述初始波段图和多个所述实测浓度传输到所述波段比值模型进行反演训练,得到所述时间轴上与反演训练对应的多个第二相关系数;
将多个所述初始波段图和多个所述实测浓度传输到所述三波段模型进行反演训练,得到所述时间轴上与反演训练对应的多个第三相关系数;
将多个所述初始波段图和多个所述实测浓度传输到所述四波段模型进行反演训练,得到所述时间轴上与反演训练对应的多个第四相关系数;
将多个所述第一相关系数、多个所述第二相关系数、多个所述第三相关系数和多个所述第四相关系数确定为多个所述相关系数。
进一步地,所述根据所述时间轴上与反演训练对应的多个所述相关系数与多个所述预设模型,生成目标反演模型的步骤包括:
将时间轴上的多个所述相关系数输入随机森林或决策树,其中多个所述相关系数包括由所述第一相关系数形成的第一数据集、由所述第二相关系数形成的第二数据集、由所述第三相关系数形成的第三数据集、由所述第四相关系数形成的第四数据集;
基于随机森林或决策树分别对多个所述第一数据集、所述第二数据集、所述第三数据集、所述第四数据集进行分类和决策,得到多个处理结果;
根据多个所述处理结果,从多个所述预设模型中确定出目标反演模型。
进一步地,所述基于观测塔群采集多个时间点的多个初始光谱图像的步骤之前,处理器1001可以用于调用存储器1005中存储的反演水体叶绿素浓度的程序,并执行以下操作:
获取待测水体的区域信息,生成多个采样点;
基于多个所述采样点,确定多个观测塔的搭建点信息,所述观测塔至少包含有用于拍摄光谱图像的高光谱设备和用于控制所述高光谱设备拍摄角度的云台;
将多个所述观测塔的搭建点信息进行连接,形成观测塔群,以对初始光谱图像进行采集。
进一步地,所述将多个所述观测塔的搭建点信息进行连接,形成观测塔群的步骤之后,处理器1001可以用于调用存储器1005中存储的反演水体叶绿素浓度的程序,并执行以下操作:
获取所述高光谱设备拍摄平面与太阳入射平面的第一角度信息,以及所述高光谱设备拍摄平面与海面法线方向的第二角度信息;
接收基于第一预设角度范围输入的第一调整信息,并根据所述第一调整信息,对所述第一角度信息进行调整,生成第一目标角度;
接收基于第二预设角度范围输入的第二调整信息,并根据所述第二调整信息,对所述第二角度信息进行调整,生成第二目标角度。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
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。
参照图2,本发明第一实施例提供一种反演水体叶绿素浓度的方法的流程示意图。该实施例中,所述反演水体叶绿素浓度的方法包括:
步骤S10,基于观测水塔采集待测水体的光谱图像,对所述光谱图像进行预处理,得到波段图信息;
本实施例中反演水体叶绿素浓度的方法应用于服务器,服务器分别与由多个观测塔构建的观测塔群进行通信连接,其中观测塔上搭载有云台和高光谱设备,高光谱设备用于拍摄水体光谱图像,云台用于控制高光谱设备的倾斜拍摄角度。
进一步地,服务器通过观测塔群上搭载的高光谱设备,拍摄待测水体采样点的光谱图像;进一步地,服务器对拍摄的光谱图像进行预处理,其中预处理至少包含归一化处理与平滑处理;进一步地,服务器根据预处理的结果,得到表征待测水体采样点遥感反射率的波段图信息。
进一步地,对所述光谱图像进行预处理,得到波段图信息的步骤包括:
步骤S11,获取天空光反射信息,并根据所述反射信息对所述光谱图像进行归一化处理;
步骤S12,根据滤波算法对经归一化处理的所述光谱图像进行平滑处理,得到波段图信息。
可以理解地,为最小化天空光反射、太阳耀光、水体悬浮物对光谱信息的影响,在拍摄完光谱图像后需进行光谱信息预处理。进一步地,服务器使用标准板测量天空光反射,对采集到的光谱图像进行归一化处理,其中天空光表征地平面上接收的整个天空半球的扩散光,归一化为将需要处理的数据经过算法处理后,限制在一定范围内,归一化算法可以为(0,1)标准化、Z-score标准化、Sigmoid函数等,本实施例中不做限定,标准板为一种以刨花板为基材,表面经“三聚氰胺”(MELAMINE)专业加工处理,具耐磨,抗刻划,耐高温,易清洁,耐酸碱等优点的复合型饰板。进一步地,服务器利用窗口宽度为2m+1的Savitzky-Goaly滤波算法对光谱图像进行平滑处理,剔除高频异常值和噪声点。其中m为光谱图像的中的横向坐标,Savitzky-Goaly滤波算法为一种在时域内基于局域多项式最小二乘法拟合的滤波方法。进一步地,服务器根据由光谱图像进行归一化处理与平滑处理后的光谱信息,得到表征待测水体采样点遥感反射率的波段图信息。
步骤S20,将所述波段图信息输入至目标反演模型;
进一步地,服务器将经处理得到的待测水体采样点的波段图信息输入至目标反演模型,以便于目标反演模型根据波段图信息计算出待测水体叶绿素的浓度。其中目标反演模型根据时间轴上与反演训练对应的多个相关系数以及多个所述预设模型生成。其中多个相关系数为基于初始波段图与实测浓度,分别与多个预设模型进行计算得到,多个预设模型至少包含一阶微分模型、波段比值模型、三波段模型以及四波段模型。
步骤S30,根据目标反演模型,计算得到水体叶绿素的目标浓度。
进一步地,在将经处理得到的表征待测水体采样点遥感反射率的波段图输入至目标反演模型后,服务器接收目标反演模型对表征待测水体采样点遥感反射率的波段图信息进行计算的结果,得到待测水体叶绿素的目标浓度。
本实施例提供一种反演水体叶绿素浓度的方法、装置、设备及存储介质,所述反演水体叶绿素浓度的方法包括:基于观测塔群采集待测水体的光谱图像,对所述光谱图像进行预处理,得到波段图信息;将所述波段图信息输入至目标反演模型;根据目标反演模型,计算得到目标水体叶绿素的浓度。本发明通过观测塔群对待测水体进行光谱信息采集,有效地减少人工采集的误差,提高水体叶绿素浓度监测的精确度;通过观测塔群对待测水体进行光谱信息采集,有利于实现长时间多点采集,丰富采样数据,提高水体叶绿素浓度监测的精确度。通过观测塔群对待测水体进行光谱信息采集,有利于提高水体叶绿素浓度监测的稳定性,提高水体叶绿素浓度监测的精确度。通过对光谱图像进行预处理,有利于获取更加完善有效的高光谱信息,提高水体叶绿素浓度监测的精确度。此外,因反演模型由多个采样点的水体叶绿素实测浓度、波段图信息结合基于多个预设模型的模型优选机制进行训练得到,所以目标反演模型具有高通用性且反演结果精确度高,有利于提高水体叶绿素浓度监测的精确度,达到长时间精确、稳定地监测水体叶绿素浓度的有益效果。
进一步的,参照图3,基于本发明反演水体叶绿素浓度的方法的第一实施例,提出本发明反演水体叶绿素浓度的方法的第二实施例,在本实施例中,采集待测水体的光谱图像的步骤之前包括:
步骤S40,基于观测塔群采集多个时间点的多个初始光谱图像,对多个所述初始光谱图像进行预处理,得到多个初始波段图;
进一步地,服务器调用观测塔群搭载的高光谱设备,拍摄在多个时间点下多个采样点的多个初始光谱图像。进一步地,服务器获取拍摄得到的多个初始光谱图像并进行预处理,具体地,对多个初始光谱图像进行归一化处理,并根据滤波算法对经过归一化处理后的初始光谱图像进行平滑处理,得到表征待测水体采样点遥感反射率的多个初始波段图。
步骤S50,获取与多个所述初始光谱图对应水体叶绿素的实测浓度;
进一步地,服务器调用用于检测水体叶绿素浓度的检测仪,检测与多个初始光谱图对应水体叶绿素的当前水体叶绿素浓度,作为水体叶绿素的实测浓度。
步骤S60,根据多个所述初始波段图、多个所述实测浓度,分别对多个预设模型进行反演训练,得到时间轴上与反演训练对应的多个相关系数,其中所述时间轴基于多个所述时间点的时间先后关系形成;
进一步地,服务器中设置有用于反演叶绿素浓度的一阶微分模型、波段比值模型、三波段模型以及四波段模型。进一步地,服务器将预处理得到的多个初始波段图和检测的多个实测浓度,根据一阶微分模型进行反演训练,得到时间轴上与反演训练对应的多个第一相关系数,其中第一相关系数通过对各波段一阶微分值和实测浓度的相关性分析得到,表征光谱反射率一阶微分值与实测浓度的相关性,所述时间轴基于多个所述时间点的时间先后关系形成;根据波段比值模型进行反演训练,得到时间轴上与反演训练对应的多个第二相关系数,其中第二相关系数通过对各波段的波段比值和实测浓度的相关性分析得到,表征光谱反射率波段比值与实测浓度的相关性;根据三波段模型进行反演训练,得到时间轴上与反演训练对应的多个第三相关系数,其中第三相关系数通过对各波段的三波段值和实测浓度的相关性分析得到,表征光谱反射率三波段值与实测浓度的相关性;根据四波段模型进行反演训练,得到时间轴上与反演训练对应的多个第四相关系数,其中第四相关系数通过对各波段的四波段值和实测浓度的相关性分析得到,表征光谱反射率四波段值与实测浓度的相关性。
步骤S70,根据所述时间轴上与反演训练对应的多个所述相关系数以及多个所述预设模型,生成目标反演模型。
进一步地,服务器将时间轴上的多个所述相关系数输入随机森林或决策树,基于随机森林分别对多个相关系数对应的多个数据集进行分类和决策,得到多个处理结果,所述处理结果为表征多个预设模型计算得到的反演叶绿素浓度与叶绿素实测浓度之间的差异值;或基于决策树分别对多个相关系数对应的多个数据集进行分类和决策,得到多个处理结果,所述处理结果为表征多个预设模型计算得到的反演叶绿素浓度与叶绿素实测浓度之间的差异值。进一步地,服务器根据多个处理结果,从多个预设模型中优选出差异值最小的处理结果对应的模型为目标反演模型。
本实施例通过观测塔群采集多个时间点下多个采样点的水体光谱图像度,对光谱图像进行预处理得到初始波段图,并检测多个时间点下多个采样点的水体叶绿素实测浓;将多个初始波段图与实测浓度分别根据一阶微分模型、波段比值模型、三波段模型、四波段模型进行反演训练,得到时间轴上与反演训练对应的多个相关系数,并基于决策树或随机森林对与多个相关系数对应的多个数据集进行分类和决策,得到多个处理结果,根据多个处理结果,从多个预设模型中优选出目标反演模型。本实施例通过多个预设模型对多个初始波段图与实测浓度进行反演训练,并基于决策树或随机森林对与多个相关系数对应的多个数据集进行分类和决策,得到通用的目标反演模型,由丰富的数据训练得到的目标反演模型具有高通用性且反演结果精确度高,有利于提高水体叶绿素浓度监测的精确度。
进一步地,基于本发明反演水体叶绿素浓度的方法的第二实施例,提出本发明反演水体叶绿素浓度的方法的第三实施例,在本实施例中,所述预设模型包括一阶微分模型、波段比值模型、三波段模型、四波段模型;所述根据多个所述初始波段图、多个所述实测浓度,分别对多个预设模型进行反演训练,得到时间轴上与反演训练对应的多个相关系数的步骤包括:
步骤S61,将多个所述初始波段图和多个所述实测浓度传输到所述一阶微分模型进行反演训练,得到所述时间轴上与反演训练对应的多个第一相关系数;
步骤S62,将多个所述初始波段图和多个所述实测浓度传输到所述波段比值模型进行反演训练,得到所述时间轴上与反演训练对应的多个第二相关系数;
步骤S63,将多个所述初始波段图和多个所述实测浓度传输到所述三波段模型进行反演训练,得到所述时间轴上与反演训练对应的多个第三相关系数;
步骤S64,将多个所述初始波段图和多个所述实测浓度传输到所述四波段模型进行反演训练,得到所述时间轴上与反演训练对应的多个第四相关系数;
步骤S65,将多个所述第一相关系数、多个所述第二相关系数、多个所述第三相关系数和多个所述第四相关系数确定为多个所述相关系数。
进一步地,服务器根据经预处理获得的多个初始波段图与检测的多个实测浓度,通过一阶微分模型进行反演训练,得到时间轴上与反演训练对应的多个第一相关系数。具体地,使用公式(1)对包含光谱信息的多个初始波段图进行一阶微分处理。通过对多个初始波段图中各波段一阶微分值和多个叶绿素实测浓度的相关性分析,得到光谱反射率一阶微分值与反演叶绿素浓度之间的多个第一相关系数。
其中,R为第一相关系数,λ为波长。
进一步地,服务器将经预处理获得的多个初始波段图与检测的多个实测浓度,通过波段比值模型进行反演训练,具体地,利用公式(2)进行计算,通过对多个初始波段图中各波段比值和多个叶绿素实测浓度进行相关性分析,得到时间轴上与反演训练对应的多个第二相关系数。
其中R为第二相关系数,本实施例优选702nm及674nm波长的反射比作为自变量,叶绿素实测浓度作为因变量进行拟合。
进一步地,服务器将经预处理获得的多个初始波段图与检测的多个实测浓度,通过三波段模型进行反演训练,具体地,利用公式(3)进行计算,通过对多个初始波段图中的三波段值和多个叶绿素实测浓度进行相关性分析,得到时间轴上与反演训练对应的多个第三相关系数。
[R-1(λ1)-R-1(λ2)]R(λ3)∝Cchla (3)
其中,R为第三相关系数,波长λ1,λ2,λ3在本实施例分别优选为671nm、730nm、763nm。
进一步地,服务器将经预处理获得的多个初始波段图与检测的多个实测浓度,通过四波段模型进行反演训练,具体地,利用公式(4)进行计算,通过对多个初始波段图中四波段值和多个叶绿素实测浓度进行相关性分析,得到时间轴上与反演训练对应的多个第四相关系数。
[R-1(λ1)-R-1(λ2)]×[R-1(λ4)-R-1(λ3)]∝Cchla(4)
其中,R为第四相关系数,在本实施例中波长λ1,λ2,λ3,λ4的取值范围分别优选为650nm-680nm,685nm-715nm,720nm-740nm和740nm-770nm。
进一步地,服务器将多个第一相关系数、多个第二相关系数、多个第三相关系数和多个第四相关系数确定为多个相关系数,以便于根据多个相关系数与多个预设模型生成目标反演模型。
进一步地,根据所述时间轴上与反演训练对应的多个所述相关系数与多个所述预设模型,生成目标反演模型的步骤包括:
步骤S71,将时间轴上的多个所述相关系数输入随机森林或决策树,其中多个所述相关系数包括由所述第一相关系数形成的第一数据集、由所述第二相关系数形成的第二数据集、由所述第三相关系数形成的第三数据集、由所述第四相关系数形成的第四数据集;
步骤S72,基于随机森林或决策树分别对多个所述第一数据集、所述第二数据集、所述第三数据集、所述第四数据集进行分类和决策,得到多个处理结果;
步骤S73,根据多个所述处理结果,从多个所述预设模型中确定出目标反演模型。
进一步地,服务器分别将时间轴上的多个所述相关系数输入到随机森林中,基于随机森林对由第一相关系数形成的第一数据集、由第二相关系数形成的第二数据集、由第三相关系数形成的第三数据集、由第四相关系数形成的第四数据集进行分类和决策,得到多个处理结果,所述处理结果为表征多个预设模型计算得到的反演叶绿素浓度与叶绿素实测浓度之间的差异值;或基于决策树对由第一相关系数形成的第一数据集、由第二相关系数形成的第二数据集、由第三相关系数形成的第三数据集、由第四相关系数形成的第四数据集进行分类和决策,得到多个处理结果,所述处理结果为表征多个预设模型计算得到的反演叶绿素浓度与叶绿素实测浓度之间的差异值。进一步地,服务器接收随机森林或决策树分析预测的多个处理结果,根据处理结果从多个预设模型中优选出表征当前最优反演模型的目标反演模型,具体地,服务器根据接收的多个处理结果,对多个差异值进行比较,并将差异值最小的处理结果对应的模型确定为目标反演模型。可以理解地,目标反演模型根据由多个时间点构成的时间轴上的多个相关系数确定,因此目标反演模型表征当前时间段内的最优反演模型,由目标反演模型计算的叶绿素浓度,相对于采集的叶绿素实测浓度与单个时间点采集的光谱信息计算得到的反演叶绿素浓度,具有更高的精确度。
本实施例中通过将经预处理获得的多个初始波段图与检测的多个实测浓度,分别与多个预设模型进行反演训练,得到多个相关系数,并将多个相关系数输入到随机森林或决策树进行分类和决策,得到目标反演模型,因目标反演模型由基于多个预设模型的模型优选机制进行反演训练,并根据随机森林或决策树进行分类和决策得到,由丰富的数据训练得到的目标反演模型具有高通用性且反演结果精确度高,通过目标反演模型进行水体叶绿素的反演,有利于提高水体叶绿素浓度监测的精确度。
进一步地,基于本发明反演水体叶绿素浓度的方法的第一实施例、第二实施例或第三实施例,提出本发明反演水体叶绿素浓度的方法的第四实施例,在本实施例中,所述基于塔群的设备采集多个光谱图像与多个叶绿素的实测浓度的步骤之前还包括:
步骤a,获取待测水体的区域信息,生成多个采样点;
步骤b,基于多个所述采样点,确定多个观测塔的搭建点信息,所述观测塔至少包含有用于拍摄光谱图像的高光谱设备和用于控制所述高光谱设备拍摄角度的云台;
步骤c,将多个所述观测塔的搭建点信息进行连接,形成观测塔群,以对初始光谱图像进行采集。
进一步地,服务器确定由待测水体的多个采样点组成的区域信息,根据区域信息生成表征待测水体最适采样位置的多个采样点。进一步地,服务器根据多个采样点,确定出多个观测塔的搭建点信息,以便于根据搭建点信息搭建观测塔。进一步地,服务器将多个观测塔的搭建点信息进行连接,以将多个观测塔形成塔群,便于多个采样点同时进行光谱图像采集,大幅度丰富采样数据,有利于提高水体叶绿素浓度监测的精确度,其中连接方式可以为两两连接、依次连接、中心点连接等,本实施例中不作限定。可以理解地,为提高数据检测的准确性,观测塔数量及分布与采样点保持一致,在观测塔上搭载云台和高光谱设备,以便拍摄待测水体的光谱图像,以及根据云台控制高光谱设备的倾斜拍摄角度。
进一步地,所述将多个所述观测塔的搭建点信息进行连接,形成观测塔群的步骤之后包括:
步骤d,获取所述高光谱设备拍摄平面与太阳入射平面的第一角度信息,以及所述高光谱设备拍摄平面与海面法线方向的第二角度信息;
步骤e,接收基于第一预设角度范围输入的第一调整信息,并根据所述第一调整信息,对所述第一角度信息进行调整,生成第一目标角度;
步骤f,接收基于第二预设角度范围输入的第二调整信息,并根据所述第二调整信息,对所述第二角度信息进行调整,生成第二目标角度。
进一步地,在完成塔群的高光谱设备搭载后,服务器调整高光谱设备在观测平面内的拍摄角度,使得天空光辐亮度的观测方向天顶角等于水面测量时的观测角,以便减小天空光在水面的反射。具体地,服务器获取高光谱设备拍摄平面与太阳入射平面的第一角度信息,并接收用户根据当前需求基于第一角度范围输入的第一调整信息,根据第一调整信息,对第一角度信息进行调整,得到表征高光谱设备拍摄平面与太阳入射平面的当前最适角度的第一目标角度。进一步地,服务器获取高光谱设备拍摄平面与海面法线方向的第二角度信息,并接收用户根据当前需求基于第二角度范围输入的第二调整信息,根据第二调整信息,对第二角度信息进行调整,得到表征高光谱设备拍摄平面与海面法线方向的当前最适角度的第二目标角度。例如,当前高光谱设备拍摄平面与太阳入射平面的第一角度为30°,高光谱设备拍摄平面与海面法线方向的第二角度为20°,服务器获取高光谱设备观测平面与太阳入射平面的第一角度范围为90°-135°,高光谱设备与海面法线方向的第二角度范围为30°-45°,并接收用户根据当前需求输入的第一调整角度+85°,第二调整角度+15°,则生成第一目标角度115°,以便于避免太阳光直射,生成第二目标角度35°,以便于避免太阳光反射。
本实施例根据待测水体的区域信息生成多个采样点,并根据多个采样点确定多个观测塔的搭建点信息,将多个观测塔的搭建点信息进行连接,形成观测塔群。通过构建观测塔群,实现多点实时检测,提高检测效率,有利于提高水体叶绿素浓度监测的精确度,通过设置观测几何,避免太阳光直射和反射带来的影响,同时减少待测水体上船舶或其他物体阴影对光场的破坏,有利于提高水体叶绿素浓度监测的精确度。
进一步地,本发明还提供一种反演水体叶绿素浓度的装置。
参照图4,图4为本发明反演水体叶绿素浓度的装置的较佳实施例的功能模块示意图。
所述反演水体叶绿素浓度的装置包括:
采集模块10,用于基于观测塔群采集待测水体的光谱图像,对所述光谱图像进行预处理,得到波段图信息;
输入模块20,用于将所述波段图信息输入至目标反演模型;
计算模块30,用于根据目标反演模型,计算得到水体叶绿素的目标浓度。
进一步地,所述采集模块10包括:
第一获取单元,用于获取天空光反射信息,并根据所述反射信息对所述光谱图像进行归一化处理;
处理单元,用于根据滤波算法对经归一化处理的所述光谱图像进行平滑处理,得到波段图信息。
进一步地,所述采集模块10还包括:
采集单元,用于基于观测塔群采集多个时间点的多个初始光谱图像,对多个所述初始光谱图像进行预处理,得到多个初始波段图;
第二获取单元,用于获取与多个所述初始光谱图对应水体叶绿素的实测浓度;
第一训练单元,用于根据多个所述初始波段图、多个所述实测浓度,分别对多个预设模型进行反演训练,得到时间轴上与反演训练对应的多个相关系数,其中所述时间轴基于多个所述时间点的时间先后关系形成;
第一生成单元,用于根据所述时间轴上与反演训练对应的多个所述相关系数以及多个所述预设模型,生成目标反演模型。
进一步地,所述采集模块10还包括:
第二训练单元,用于将多个所述初始波段图和多个所述实测浓度传输到所述一阶微分模型进行反演训练,得到所述时间轴上与反演训练对应的多个第一相关系数;
第三训练单元,用于将多个所述初始波段图和多个所述实测浓度传输到所述波段比值模型进行反演训练,得到所述时间轴上与反演训练对应的多个第二相关系数;
第四训练单元,用于将多个所述初始波段图和多个所述实测浓度传输到所述三波段模型进行反演训练,得到所述时间轴上与反演训练对应的多个第三相关系数;
第五训练单元,用于将多个所述初始波段图和多个所述实测浓度传输到所述四波段模型进行反演训练,得到所述时间轴上与反演训练对应的多个第四相关系数;
第一确定单元,用于将多个所述第一相关系数、多个所述第二相关系数、多个所述第三相关系数和多个所述第四相关系数作为多个所述相关系数。
进一步地,所述采集模块10还包括:
输入单元,用于将时间轴上的多个所述相关系数输入随机森林或决策树,其中多个所述相关系数包括由所述第一相关系数形成的第一数据集、由所述第二相关系数形成的第二数据集、由所述第三相关系数形成的第三数据集、由所述第四相关系数形成的第四数据集;
决策单元,用于基于随机森林或决策树分别对多个所述第一数据集、所述第二数据集、所述第三数据集、所述第四数据集进行分类和决策,得到多个处理结果;
第二确定单元,用于根据多个所述处理结果,从多个所述预设模型中确定出目标反演模型。
进一步地,所述采集模块10还包括:
第二生成单元,用于获取待测水体的区域信息,生成多个采样点;
第三确定单元,用于基于多个所述采样点,确定多个观测塔的搭建点信息,所述观测塔至少包含有用于拍摄光谱图像的高光谱设备和用于控制所述高光谱设备拍摄角度的云台;
连接单元,用于将多个所述观测塔的搭建点信息进行连接,形成观测塔群,以对初始光谱图像进行采集。
进一步地,所述采集模块10还包括:
第三获取单元,用于获取所述高光谱设备拍摄平面与太阳入射平面的第一角度信息,以及所述高光谱设备拍摄平面与海面法线方向的第二角度信息;
第一接收单元,用于接收基于第一预设角度范围输入的第一调整信息,并根据所述第一调整信息,对所述第一角度信息进行调整,生成第一目标角度;
第二接收单元,用于接收基于第二预设角度范围输入的第二调整信息,并根据所述第二调整信息,对所述第二角度信息进行调整,生成第二目标角度。
在本发明反演水体叶绿素浓度的装置和存储介质的实施例中,包含了上述反演水体叶绿素浓度的方法各实施例的全部技术特征,说明和解释内容与上述反演水体叶绿素浓度的方法各实施例基本相同,在此不做累述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是固定终端,如物联网智能设备,包括智能空调、智能电灯、智能电源、智能路由器等智能家居;也可以是移动终端,包括智能手机、可穿戴的联网AR/VR装置、智能音箱、自动驾驶汽车等诸多联网设备)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种反演水体叶绿素浓度的方法,其特征在于,所述反演水体叶绿素浓度的方法包括:
基于观测塔群采集多个时间点的多个初始光谱图像,对多个所述初始光谱图像进行预处理,得到多个初始波段图;
获取与多个所述初始光谱图对应水体叶绿素的实测浓度;
根据多个所述初始波段图、多个所述实测浓度,分别对多个预设模型进行反演训练,得到时间轴上与反演训练对应的多个相关系数,其中所述时间轴基于多个所述时间点的时间先后关系形成;
根据所述时间轴上与反演训练对应的多个所述相关系数,基于决策树或随机森林对与多个所述相关系数对应的多个数据集进行分类和决策,得到多个处理结果,根据多个所述处理结果,从多个所述预设模型中优选出目标反演模型;
基于所述观测塔群采集待测水体的光谱图像,对所述光谱图像进行预处理,得到波段图信息;
将所述波段图信息输入至所述目标反演模型;
根据所述目标反演模型,计算得到水体叶绿素的目标浓度。
2.如权利要求1所述的反演水体叶绿素浓度的方法,其特征在于,所述预处理包括归一化处理和平滑处理,所述对所述光谱图像进行预处理,得到波段图信息的步骤包括:
获取天空光的反射信息,并根据所述反射信息对所述光谱图像进行归一化处理;
根据滤波算法对经归一化处理的所述光谱图像进行平滑处理,得到波段图信息。
3.如权利要求1所述的反演水体叶绿素浓度的方法,其特征在于,所述预设模型包括一阶微分模型、波段比值模型、三波段模型、四波段模型;所述根据多个所述初始波段图、多个所述实测浓度,分别对多个预设模型进行反演训练,得到时间轴上与反演训练对应的多个相关系数的步骤包括:
将多个所述初始波段图和多个所述实测浓度传输到所述一阶微分模型进行反演训练,得到所述时间轴上与反演训练对应的多个第一相关系数;
将多个所述初始波段图和多个所述实测浓度传输到所述波段比值模型进行反演训练,得到所述时间轴上与反演训练对应的多个第二相关系数;
将多个所述初始波段图和多个所述实测浓度传输到所述三波段模型进行反演训练,得到所述时间轴上与反演训练对应的多个第三相关系数;
将多个所述初始波段图和多个所述实测浓度传输到所述四波段模型进行反演训练,得到所述时间轴上与反演训练对应的多个第四相关系数;
将多个所述第一相关系数、多个所述第二相关系数、多个所述第三相关系数和多个所述第四相关系数确定为多个所述相关系数。
4.如权利要求3所述的反演水体叶绿素浓度的方法,其特征在于,所述根据所述时间轴上与反演训练对应的多个所述相关系数,基于决策树或随机森林对与多个所述相关系数对应的多个数据集进行分类和决策,得到多个处理结果,根据多个所述处理结果,从多个所述预设模型中优选出目标反演模型的步骤包括:
将所述时间轴上的多个所述相关系数输入随机森林或决策树,其中多个所述相关系数包括由所述第一相关系数形成的第一数据集、由所述第二相关系数形成的第二数据集、由所述第三相关系数形成的第三数据集、由所述第四相关系数形成的第四数据集;
基于随机森林或决策树分别对多个所述第一数据集、所述第二数据集、所述第三数据集、所述第四数据集进行分类和决策,得到多个所述处理结果;
根据多个所述处理结果,从多个所述预设模型中确定出所述目标反演模型。
5.如权利要求1-4任一项所述的反演水体叶绿素浓度的方法,其特征在于,所述基于观测塔群采集多个时间点的多个初始光谱图像的步骤之前包括:
获取待测水体的区域信息,生成多个采样点;
基于多个所述采样点,确定多个观测塔的搭建点信息,所述观测塔至少包含有用于拍摄光谱图像的高光谱设备和用于控制所述高光谱设备拍摄角度的云台;
将多个所述观测塔的搭建点信息进行连接,形成观测塔群,以对初始光谱图像进行采集。
6.如权利要求5所述的反演水体叶绿素浓度的方法,其特征在于,所述将多个所述观测塔的搭建点信息进行连接,形成观测塔群的步骤之后包括:
获取所述高光谱设备拍摄平面与太阳入射平面的第一角度信息,以及所述高光谱设备拍摄平面与海面法线方向的第二角度信息;
接收基于第一预设角度范围输入的第一调整信息,并根据所述第一调整信息,对所述第一角度信息进行调整,生成第一目标角度;
接收基于第二预设角度范围输入的第二调整信息,并根据所述第二调整信息,对所述第二角度信息进行调整,生成第二目标角度。
7.一种反演水体叶绿素浓度的装置,其特征在于,所述反演水体叶绿素浓度的装置包括:
模型生成模块,用于基于观测塔群采集多个时间点的多个初始光谱图像,对多个所述初始光谱图像进行预处理,得到多个初始波段图;获取与多个所述初始光谱图对应水体叶绿素的实测浓度;根据多个所述初始波段图、多个所述实测浓度,分别对多个预设模型进行反演训练,得到时间轴上与反演训练对应的多个相关系数,其中所述时间轴基于多个所述时间点的时间先后关系形成;根据所述时间轴上与反演训练对应的多个所述相关系数,基于决策树或随机森林对与多个所述相关系数对应的多个数据集进行分类和决策,得到多个处理结果,根据多个所述处理结果,从多个所述预设模型中优选出目标反演模型;
采集模块,用于基于观测塔群采集待测水体的光谱图像,对所述光谱图像进行预处理,得到波段图信息;
输入模块,用于将所述波段图信息输入至目标反演模型;
计算模块,用于根据目标反演模型,计算得到水体叶绿素的目标浓度。
8.一种反演水体叶绿素浓度的设备,其特征在于,所述反演水体叶绿素浓度的设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的反演水体叶绿素浓度的程序,所述反演水体叶绿素浓度的程序被所述处理器执行时实现如权利要求1-6中任一项所述的反演水体叶绿素浓度的方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有反演水体叶绿素浓度的程序,所述反演水体叶绿素浓度的程序被处理器执行时实现如权利要求1-6中任一项所述的反演水体叶绿素浓度的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010347334.1A CN111504915B (zh) | 2020-04-27 | 2020-04-27 | 反演水体叶绿素浓度的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010347334.1A CN111504915B (zh) | 2020-04-27 | 2020-04-27 | 反演水体叶绿素浓度的方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111504915A CN111504915A (zh) | 2020-08-07 |
CN111504915B true CN111504915B (zh) | 2023-07-04 |
Family
ID=71871465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010347334.1A Active CN111504915B (zh) | 2020-04-27 | 2020-04-27 | 反演水体叶绿素浓度的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111504915B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131746B (zh) * | 2020-09-24 | 2024-05-31 | 中国科学院空天信息创新研究院 | 叶绿素a浓度反演方法及系统 |
CN112526098A (zh) * | 2020-12-04 | 2021-03-19 | 广东省科学院广州地理研究所 | 一种基于连续小波系数的二类水体叶绿素a浓度反演方法 |
CN112834509A (zh) * | 2021-01-04 | 2021-05-25 | 中国海洋大学 | 一种海域叶绿素浓度获取方法、系统、介质、设备及应用 |
CN114913406A (zh) * | 2021-01-29 | 2022-08-16 | 南京农业大学 | 一种基于光学特性参数反演的叶绿素含量估测方法 |
CN113758885B (zh) * | 2021-09-09 | 2024-05-07 | 中国科学院合肥物质科学研究院 | 一种水体内叶绿体色素浓度的测算方法及其系统 |
CN113945548A (zh) * | 2021-10-14 | 2022-01-18 | 广州浩宇生物科技有限公司 | 一种样品中叶酸含量检测方法 |
CN115524294A (zh) * | 2022-09-19 | 2022-12-27 | 南京中科深瞳科技研究院有限公司 | 一种离水式实时智能遥感水质监测方法 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101852722B (zh) * | 2010-05-20 | 2012-07-04 | 北京航空航天大学 | 一种实现水体叶绿素a遥感反演精度评估方法 |
CN102200576B (zh) * | 2011-03-10 | 2013-01-09 | 王桥 | 叶绿素a浓度反演方法及系统 |
CN102354328B (zh) * | 2011-06-29 | 2014-11-12 | 北京师范大学 | 全球陆表的lai产品反演方法及系统 |
CN102750455B (zh) * | 2012-07-10 | 2015-03-25 | 中国科学院对地观测与数字地球科学中心 | 一种水环境遥感反演模型选择方法及装置 |
CN103630238B (zh) * | 2013-11-22 | 2016-01-13 | 中国科学院南京地理与湖泊研究所 | 一种浅水湖泊水面成像光谱采集系统及同步自动监测方法 |
CN103970994B (zh) * | 2014-05-05 | 2016-09-14 | 南京师范大学 | 基于数据同化的内陆水体叶绿素浓度多模型协同反演方法 |
CN103983584B (zh) * | 2014-05-30 | 2016-06-01 | 中国科学院遥感与数字地球研究所 | 一种内陆二类水体叶绿素a浓度的反演方法及装置 |
CN106525762A (zh) * | 2016-11-07 | 2017-03-22 | 航天恒星科技有限公司 | 一种基于自适应模型的水质监测方法和水质监测装置 |
CN107036974A (zh) * | 2016-11-18 | 2017-08-11 | 中国水利水电科学研究院 | 基于确定性集合建模的水质参数多模型协同反演方法 |
CN107014763B (zh) * | 2017-04-07 | 2019-11-26 | 山东理工大学 | 叶绿素遥感反演装置及方法 |
CN107025467B (zh) * | 2017-05-09 | 2018-10-26 | 环境保护部卫星环境应用中心 | 一种水体分类模型的建立方法及装置 |
CN107421895A (zh) * | 2017-06-30 | 2017-12-01 | 中国水利水电科学研究院 | 一种多波段优化组合的水质参数浓度反演方法和装置 |
CN107271405A (zh) * | 2017-06-30 | 2017-10-20 | 中国水利水电科学研究院 | 一种多模型协同的水质参数浓度反演方法和装置 |
CN108286962B (zh) * | 2018-01-31 | 2019-11-05 | 中国科学院遥感与数字地球研究所 | 一种水环境光谱库的建立方法及系统 |
CN108872092A (zh) * | 2018-04-19 | 2018-11-23 | 中科谱光科技(北京)有限公司 | 一种水质参数光谱智能检测分析系统及方法 |
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 |
CN109799199B (zh) * | 2018-12-26 | 2021-07-13 | 环境保护部卫星环境应用中心 | 一种叶绿素a浓度的协同反演方法 |
CN109635249B (zh) * | 2019-01-09 | 2020-06-30 | 中国科学院遥感与数字地球研究所 | 水体浊度反演模型建立方法、检测方法及装置 |
CN110598251B (zh) * | 2019-08-05 | 2021-11-09 | 中国科学院南京地理与湖泊研究所 | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 |
CN111007021A (zh) * | 2019-12-31 | 2020-04-14 | 北京理工大学重庆创新中心 | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 |
-
2020
- 2020-04-27 CN CN202010347334.1A patent/CN111504915B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111504915A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111504915B (zh) | 反演水体叶绿素浓度的方法、装置、设备及存储介质 | |
CN112504979B (zh) | 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 | |
CN108037081B (zh) | 一种酿酒葡萄成熟度监测方法和系统 | |
CN112014331A (zh) | 一种水体污染的检测方法、装置、设备以及存储介质 | |
CN104501959A (zh) | 一种红外图谱关联智能探测方法及装置 | |
CN109974854B (zh) | 一种框幅式fpi高光谱图像的辐射校正方法 | |
CN104884937A (zh) | 图像测量方法、系统、设备和程序 | |
CN1924610A (zh) | 利用陆地卫星数据反演森林郁闭度和蓄积量的方法 | |
KR102502154B1 (ko) | 이산화탄소 포집량 예측 시스템 | |
Kirby et al. | Assessing the Raspberry Pi as a low-cost alternative for acquisition of near infrared hemispherical digital imagery | |
CN113358224A (zh) | 一种光谱反射率检测方法及系统 | |
CN101059427A (zh) | 多光谱成像技术快速无损测量茶树含氮量的方法 | |
CN115292616B (zh) | 基于光谱不变理论的植被蓝天空反照率估算方法及装置 | |
CN115494008A (zh) | 近红外光谱仪与机器视觉结合的烟叶质量检测方法及系统 | |
CN107945162A (zh) | 基于计算机视觉技术对红火蚁巢的检测识别方法 | |
CN117434034B (zh) | 一种基于光谱库的水质多源遥感数据快速反演方法 | |
CN108182679B (zh) | 基于照片的雾霾检测方法和装置 | |
CN115290572B (zh) | 一种基于主动照明的赤潮偏振监测装置及其监测方法 | |
CN113466142A (zh) | 一种多尺度果品散射偏振光谱成像定量检测方法 | |
CN112816441A (zh) | 一种设施园艺作物生长状况检测方法及装置 | |
CN116413233B (zh) | 一种塔基遥感斜程大气透过率获取方法 | |
CN115598071A (zh) | 植物生长分布状态检测方法及装置 | |
CN114577750A (zh) | 含碳气体探测系统、方法、设备及计算机可读存储介质 | |
CN109241637B (zh) | 一种可适用于光谱分析的智能建模系统及方法 | |
Hu et al. | Application of Vis-NIR hyperspectral imaging in agricultural products detection |
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 |