CN111595785A - 基于气象数据的蓝藻水华的预测方法和装置 - Google Patents
基于气象数据的蓝藻水华的预测方法和装置 Download PDFInfo
- Publication number
- CN111595785A CN111595785A CN202010493176.0A CN202010493176A CN111595785A CN 111595785 A CN111595785 A CN 111595785A CN 202010493176 A CN202010493176 A CN 202010493176A CN 111595785 A CN111595785 A CN 111595785A
- Authority
- CN
- China
- Prior art keywords
- bloom
- water
- pixel
- detected
- 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
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
-
- 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
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于气象数据的蓝藻水华的预测方法和装置,其中,所述方法包括以下步骤:获取待测水域在设定时间范围内的卫星影像和气象数据;根据卫星影像得到待测水域的水面反射率数据;根据水面反射率数据提取卫星影像中的水华像元和非水华像元,以得到卫星影像中每个像元对应的待测水域区域发生水华的次数;根据每个待测水域区域发生水华的次数得到其发生水华的先验概率;根据气象数据得到每个待测水域区域在未来发生水华的条件概率;根据先验概率和条件概率预测每个待测水域区域在未来发生水华的概率。本发明能够较为准确地预测湖泊中不同空间位置的水华发生概率,为水华防治提供数据支持。
Description
技术领域
本发明涉及水华预测技术领域,具体涉及一种基于气象数据的蓝藻水华的预测方法和一种基于气象数据的蓝藻水华的预测装置。
背景技术
众所周知的是,水华频繁爆发是内陆水环境富营养化的结果,并且随着环境的日益污染,内陆湖泊、水库等水体在夏秋季均会大量发生水华,导致水生植物聚集、漂浮于水面,不仅影响水面景观,而且其分解释放藻毒素等有害物质,威胁饮用水安全,此外,水生植物腐烂还会对水体造成二次污染,因此,水华的预防和治理是水环境管理的一项重要内容。
然而,水华发生受到水中营养盐、气候等多种因素影响,其发生的机理还不十分清楚,目前还没有十分准确、有效的预测方法。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此,本发明的一个目的在于提出一种基于气象数据的蓝藻水华的预测方法,能够较为准确地预测湖泊中不同空间位置的水华发生概率,为水华防治提供数据支持。
本发明的第二个目的在于提出一种基于气象数据的蓝藻水华的预测装置。
为达到上述目的,本发明实施例提出了一种基于气象数据的蓝藻水华的预测方法,包括以下步骤:获取待测水域在设定时间范围内的卫星影像和气象数据;根据所述卫星影像得到所述待测水域的水面反射率数据;根据所述水面反射率数据提取所述卫星影像中的水华像元和非水华像元,以得到所述卫星影像中每个像元对应的所述待测水域区域发生水华的次数;根据每个所述待测水域区域发生水华的次数得到其发生水华的先验概率;根据所述气象数据得到每个所述待测水域区域在未来发生水华的条件概率;根据所述先验概率和所述条件概率预测每个所述待测水域区域在未来发生水华的概率。
根据本发明实施例提出的基于气象数据的蓝藻水华的预测方法,通过获取待测水域在设定时间范围内的卫星影像和气象数据,并根据所述卫星影像得到所述待测水域的水面反射率数据,同时根据所述水面反射率数据提取所述卫星影像中的水华像元和非水华像元,以得到所述卫星影像中每个像元对应的所述待测水域区域发生水华的次数,进而根据每个所述待测水域区域发生水华的次数得到其发生水华的先验概率,然后根据所述气象数据得到每个所述待测水域区域在未来发生水华的条件概率,最后根据所述先验概率和所述条件概率预测每个所述待测水域区域在未来发生水华的概率,由此,能够较为准确地预测湖泊中不同空间位置的水华发生概率,为水华防治提供数据支持。
另外,根据本发明上述实施例提出的基于气象数据的蓝藻水华的预测方法还可以具有如下附加的技术特征:
根据本发明的一个实施例,对所述卫星影像进行大气校正以得到所述待测水域的水面反射率数据。
根据本发明的一个实施例,根据所述水面反射率数据提取所述卫星影像中的水华像元和非水华像元,包括:根据所述水面反射率数据得到所述卫星影像中每个像元的BLOOM指数;根据所述BLOOM指数判断对应像元是否为所述水华像元;若所述BLOOM指数大于等于零,则判断对应像元为所述水华像元;若所述BLOOM指数小于零,则判断相应像元为所述非水华像元。
进一步地,通过下列公式得到所述卫星影像中每个像元的BLOOM指数:
BLOOM=RNIR-R′NIR
R′NIR=RRED+(RSWIR-RRED)*(λNIR-λRED)/(λSWIR-λRED)
其中,RNIR、RRED、RSWIR分别为大气校正后近红外、红光、短波红外的水面反射率数据,λNIR、λRED、λSWIR分别为所述卫星影像在近红外、红光、短波红外的波长数据。
进一步地,通过下列公式得到每个所述待测水域区域发生水华的先验概率:
其中,N为所述卫星影像的总数目,c1为所述水华像元,number of c1为该像元对应的待测水域区域发生水华的次数。
进一步地,通过下列公式得到每个所述待测水域区域在未来发生水华的条件概率:
其中,s=1,2,…,7,表示未来1-7天,i=1,2,fj为状态变量,j=1…5,分别表示当日平均风速、0到3日累积日照、当日气压、0到7日累积气温、当日平均相对湿度。
进一步地,通过下列公式预测每个所述待测水域区域在未来发生水华的概率:
其中,F为状态变量的值,F={f1,f2,f3,f4,f5}。
为达到上述目的,本发明第二方面实施例提出了一种基于气象数据的蓝藻水华的预测装置,包括:获取模块,所述获取模块用于获取待测水域在设定时间范围内的卫星影像和气象数据;第一处理模块,所述第一处理模块用于根据所述卫星影像得到所述待测水域的水面反射率数据;提取模块,所述提取模块用于根据所述水面反射率数据提取所述卫星影像中的水华像元和非水华像元,以得到所述卫星影像中每个像元对应的所述待测水域区域发生水华的次数;第二处理模块,所述第二处理模块用于根据每个所述待测水域区域发生水华的次数得到其发生水华的先验概率;第三处理模块,所述第三处理模块用于根据所述气象数据得到每个所述待测水域区域在未来发生水华的条件概率;预测模块,所述预测模块用于根据所述先验概率和所述条件概率预测每个所述待测水域区域在未来发生水华的概率。
根据本发明实施例提出的基于气象数据的蓝藻水华的预测装置,通过设置获取模块、第一处理模块、提取模块、第二处理模块、第三处理模块和预测模块,其中,获取模块用于获取待测水域在设定时间范围内的卫星影像和气象数据,第一处理模块用于根据卫星影像得到待测水域的水面反射率数据,提取模块用于根据水面反射率数据提取卫星影像中的水华像元和非水华像元,以得到卫星影像中每个像元对应的待测水域区域发生水华的次数,第二处理模块用于根据每个待测水域区域发生水华的次数得到其发生水华的先验概率,第三处理模块用于根据气象数据得到每个待测水域区域在未来发生水华的条件概率,预测模块用于根据先验概率和条件概率预测每个待测水域区域在未来发生水华的概率,由此,能够较为准确地预测湖泊中不同空间位置的水华发生概率,为水华防治提供数据支持。
另外,根据本发明上述实施例提出的基于气象数据的蓝藻水华的预测装置还可以具有如下附加的技术特征:
根据本发明的一个实施例,所述第一处理模块用于对所述卫星影像进行大气校正以得到所述待测水域的水面反射率数据。
根据本发明的一个实施例,所述提取模块具体用于:根据所述水面反射率数据得到所述卫星影像中每个像元的BLOOM指数;根据所述BLOOM指数判断对应像元是否为所述水华像元;若所述BLOOM指数大于等于零,则判断对应像元为所述水华像元;若所述BLOOM指数小于零,则判断相应像元为所述非水华像元。
附图说明
图1为本发明实施例的基于气象数据的蓝藻水华的预测方法的流程图;
图2为本发明一个具体实施例的云南滇江中水华发生概率预测结果示意图;
图3为本发明实施例的基于气象数据的蓝藻水华的预测装置的方框示意图。
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做出创造性劳动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,本发明是针对我国内陆富营养化湖泊水体提出的,因为我国内陆富营养化湖泊水体所含营养盐已超出了水华爆发对营养的需求,导致气温等气候条件的变化成为了这些富营养化湖泊水体发生水华的关键因素,因此提出了基于气象数据的蓝藻水华的预测方法和预测装置。
图1为本发明实施例的基于气象数据的蓝藻水华的预测方法的流程图。
如图1所示,本发明实施例的基于气象数据的蓝藻水华的预测方法,包括以下步骤:
S1,获取待测水域在设定时间范围内的卫星影像和气象数据。
在本发明的一个实施例中,可通过网站获取待测水域在设定时间范围内,例如5年内的卫星影像和气象数据,其中,卫星影像可为卫星遥感影像,气象数据可包括温度、日照、风速和湿度。
S2,根据卫星影像得到待测水域的水面反射率数据。
在本发明的一个实施例中,可对卫星影像进行大气校正以得到待测水域的水面反射率数据,例如可通过对卫星影像进行大气校正以得到待测水域的近红外、红光、短波红外的水面反射率数据。
S3,根据水面反射率数据提取卫星影像中的水华像元和非水华像元,以得到卫星影像中每个像元对应的待测水域区域发生水华的次数。
具体地,上述步骤S3中根据水面反射率数据提取卫星影像中的水华像元和非水华像元,包括:根据水面反射率数据得到卫星影像中每个像元的BLOOM指数;根据BLOOM指数判断对应像元是否为水华像元;若BLOOM指数大于等于零,则判断对应像元为水华像元;若BLOOM指数小于零,则判断相应像元为非水华像元。
其中,可通过下列公式得到卫星影像中每个像元的BLOOM指数:
BLOOM=RNIR-R′NIR
R′NIR=RRED+(RSWIR-RRED)*(λNIR-λRED)/(λSWIR-λRED)
其中,RNIR、RRED、RSWIR分别为大气校正后近红外、红光、短波红外的水面反射率数据,λNIR、λRED、λSWIR分别为卫星影像在近红外、红光、短波红外的波长数据。
进一步地,可统计待测水域在设定时间范围内,例如5年内的所有卫星影像中的水华像元和非水华像元,从而得到卫星影像中每个像元对应的待测水域区域在设定时间范围内,例如5年内发生水华的次数。
S4,根据每个待测水域区域发生水华的次数得到其发生水华的先验概率。
具体地,可通过下列公式得到每个待测水域区域发生水华的先验概率:
其中,N为卫星影像的总数目,c1为水华像元,number o fc1为该像元对应的待测水域区域发生水华的次数。
S5,根据气象数据得到每个待测水域区域在未来发生水华的条件概率。
具体地,可通过下列公式得到每个待测水域区域在未来,例如未来1-7天发生水华的条件概率:
其中,s=1,2,…,7,表示未来1-7天,i=1,2,fj为状态变量,j=1…5,分别表示当日平均风速、0到3日累积日照、当日气压、0到7日累积气温、当日平均相对湿度。
S6,根据先验概率和条件概率预测每个待测水域区域在未来发生水华的概率。
具体地,可通过下列公式预测每个待测水域区域在未来,例如未来1-7天发生水华的概率:
其中,F为状态变量的值,F={f1,f2,f3,f4,f5}。
为使本领域技术人员更清楚地理解本发明,下面将结合具体实施例阐述本发明的基于气象数据的蓝藻水华的预测方法。
在本发明的一个具体实施例中,可以云南滇池作为待测水域,同时可采用云南滇池的卫星影像和气象数据,其中,卫星影像可采用MODIS影像。
具体地,可通过相应网站,例如http://oceancolor.gsfc.nasa.gov/网站获取云南滇池在设定时间范围,例如2002-2018年间总共872张MODIS影像,并可通过气象网站,例如http://cdc.cma.gov.cn/网站获取对应日期的气象数据。
进一步地,可对获取的MODIS影像进行大气校正,例如可采用ENVI数据处理软件对获取的MODIS影像进行大气校正,以得到云南滇池的水面反射率数据。
进一步地,可根据云南滇池的水面反射率数据对所有获取的MODIS影像,即2002-2018年间总共872张MODIS影像提取水华像元和非水华像元,其中,水华像元和非水华像元可通过BLOOM指数进行判断,若BLOOM指数大于等于零,则判断对应像元为水华像元;若BLOOM指数小于零,则判断相应像元为非水华像元。
其中,可通过下列公式得到MODIS影像中每个像元的BLOOM指数:
BLOOM=RNIR-R′NIR
R′NIR=RRED+(RSWIR-RRED)*(λNIR-λRED)/(λSWIR-λRED)
其中,RNIR、RRED、RSWIR分别为大气校正后近红外、红光、短波红外的水面反射率数据,λNIR、λRED、λSWIR分别为MODIS影像在近红外、红光、短波红外的波长数据,并将水华像元记为c1,非水华像元记为c2。
进一步地,可统计云南滇池在设定时间范围内,即2002-2018年间的所有MODIS影像中的水华像元和非水华像元,从而得到MODIS影像中每个像元对应的云南滇池区域在设定时间范围内,即2002-2018年间发生水华的次数。
进一步地,可根据MODIS影像中每个像元对应的云南滇池区域在设定时间范围内,即2002-2018年间发生水华的次数得到每个云南滇池区域发生水华的先验概率:
其中,N为MODIS影像的总数目,c1为水华像元,number of c1为该像元对应的云南滇池区域发生水华的次数。
进一步地,可通过下列公式得到每个云南滇池区域在未来,例如未来1-7天发生水华的条件概率:
其中,s=1,2,…,7,表示未来1-7天,i=1,2,fj为状态变量,j=1…5,分别表示当日平均风速、0到3日累积日照、当日气压、0到7日累积气温、当日平均相对湿度。
进一步地,可通过下列公式预测每个云南滇池区域在未来,例如未来1-7天发生水华的概率:
其中,F为状态变量的值,F={f1,f2,f3,f4,f5}。
综上,可得到图2所示的每个云南滇池区域在未来,例如未来1-7天发生水华的概率图,由图2可知,MODIS影像中在2002-2018年间频繁发生水华的像元对应的云南滇江区域在未来发生水华的概率较高,极少发生水华的像元对应的云南滇江区域在未来发生水华的概率较低。通过本发明实施例的基于气象数据的蓝藻水华的预测方法,能够预测云南滇江中不同空间位置在未来某天发生水华的概率。
根据本发明实施例提出的基于气象数据的蓝藻水华的预测方法,通过获取待测水域在设定时间范围内的卫星影像和气象数据,并根据卫星影像得到待测水域的水面反射率数据,同时根据水面反射率数据提取卫星影像中的水华像元和非水华像元,以得到卫星影像中每个像元对应的待测水域区域发生水华的次数,进而根据每个待测水域区域发生水华的次数得到其发生水华的先验概率,然后根据气象数据得到每个待测水域区域在未来发生水华的条件概率,最后根据先验概率和条件概率预测每个待测水域区域在未来发生水华的概率,由此,能够较为准确地预测湖泊中不同空间位置的水华发生概率,为水华防治提供数据支持。
对应上述实施例提出的基于气象数据的蓝藻水华的预测方法,本发明还提出了一种基于气象数据的蓝藻水华的预测装置。
如图3所示,本发明实施例的基于气象数据的蓝藻水华的预测装置包括获取模块10、第一处理模块20、提取模块30、第二处理模块40、第三处理模块50和预测模块60。其中,获取模块10用于获取待测水域在设定时间范围内的卫星影像和气象数据;第一处理模块20用于根据卫星影像得到待测水域的水面反射率数据;提取模块30用于根据水面反射率数据提取卫星影像中的水华像元和非水华像元,以得到卫星影像中每个像元对应的待测水域区域发生水华的次数;第二处理模块40用于根据每个待测水域区域发生水华的次数得到其发生水华的先验概率;第三处理模块50用于根据气象数据得到每个待测水域区域在未来发生水华的条件概率;预测模块60用于根据先验概率和条件概率预测每个待测水域区域在未来发生水华的概率。
在本发明的一个实施例中,获取模块10可通过网站获取待测水域在设定时间范围内,例如5年内的卫星影像和气象数据,其中,卫星影像可为卫星遥感影像,气象数据可包括温度、日照、风速和湿度。
在本发明的一个实施例中,第一处理模块20可对卫星影像进行大气校正以得到待测水域的水面反射率数据,例如可通过对卫星影像进行大气校正以得到待测水域的近红外、红光、短波红外的水面反射率数据。
在本发明的一个实施例中,提取模块30可具体用于根据水面反射率数据得到卫星影像中每个像元的BLOOM指数,进而可根据BLOOM指数判断对应像元是否为水华像元,其中,若BLOOM指数大于等于零,则判断对应像元为水华像元,若BLOOM指数小于零,则判断相应像元为非水华像元。
具体地,提取模块30可通过下列公式得到卫星影像中每个像元的BLOOM指数:
BLOOM=RNIR-R′NIR
R′NIR=RRED+(RSWIR-RRED)*(λNIR-λRED)/(λSWIR-λRED)
其中,RNIR、RRED、RSWIR分别为大气校正后近红外、红光、短波红外的水面反射率数据,λNIR、λRED、λSWIR分别为卫星影像在近红外、红光、短波红外的波长数据。
进一步地,提取模块30可统计待测水域在设定时间范围内,例如5年内的所有卫星影像中的水华像元和非水华像元,从而得到卫星影像中每个像元对应的待测水域区域在设定时间范围内,例如5年内发生水华的次数。
在本发明的一个实施例中,第二处理模块40可通过下列公式得到每个待测水域区域发生水华的先验概率:
其中,N为卫星影像的总数目,c1为水华像元,number o fc1为该像元对应的待测水域区域发生水华的次数。
在本发明的一个实施例中,第三处理模块50可通过下列公式得到每个待测水域区域在未来,例如未来1-7天发生水华的条件概率:
其中,s=1,2,…,7,表示未来1-7天,i=1,2,fj为状态变量,j=1…5,分别表示当日平均风速、0到3日累积日照、当日气压、0到7日累积气温、当日平均相对湿度。
在本发明的一个实施例中,预测模块60可通过下列公式预测每个待测水域区域在未来,例如未来1-7天发生水华的概率:
其中,F为状态变量的值,F={f1,f2,f3,f4,f5}。
为使本领域技术人员更清楚地理解本发明,下面将结合具体实施例阐述本发明的基于气象数据的蓝藻水华的预测装置。
在本发明的一个具体实施例中,可以云南滇池作为待测水域,同时可采用云南滇池的卫星影像和气象数据,其中,卫星影像可采用MODIS影像。
具体地,获取模块10可通过相应网站,例如http://oceancolor.gsfc.nasa.gov/网站获取云南滇池在设定时间范围,例如2002-2018年间总共872张MODIS影像,并可通过气象网站,例如http://cdc.cma.gov.cn/网站获取对应日期的气象数据。
进一步地,第一处理模块20可对获取的MODIS影像进行大气校正,例如可采用ENVI数据处理软件对获取的MODIS影像进行大气校正,以得到云南滇池的水面反射率数据。
进一步地,提取模块30可根据云南滇池的水面反射率数据对所有获取的MODIS影像,即2002-2018年间总共872张MODIS影像提取水华像元和非水华像元,其中,水华像元和非水华像元可通过BLOOM指数进行判断,若BLOOM指数大于等于零,则判断对应像元为水华像元;若BLOOM指数小于零,则判断相应像元为非水华像元。
其中,提取模块30可通过下列公式得到MODIS影像中每个像元的BLOOM指数:
BLOOM=RNIR-R′NIR
R′NIR=RRED+(RSWIR-RRED)*(λNIR-λRED)/(λSWIR-λRED)
其中,RNIR、RRED、RSWIR分别为大气校正后近红外、红光、短波红外的水面反射率数据,λNIR、λRED、λSWIR分别为MODIS影像在近红外、红光、短波红外的波长数据,并将水华像元记为c1,非水华像元记为c2。
进一步地,提取模块30可统计云南滇池在设定时间范围内,即2002-2018年间的所有MODIS影像中的水华像元和非水华像元,从而得到MODIS影像中每个像元对应的云南滇池区域在设定时间范围内,即2002-2018年间发生水华的次数。
进一步地,第二处理模块40可根据MODIS影像中每个像元对应的云南滇池区域在设定时间范围内,即2002-2018年间发生水华的次数得到每个云南滇池区域发生水华的先验概率:
其中,N为MODIS影像的总数目,c1为水华像元,number of c1为该像元对应的云南滇池区域发生水华的次数。
进一步地,第三处理模块50可通过下列公式得到每个云南滇池区域在未来,例如未来1-7天发生水华的条件概率:
其中,s=1,2,…,7,表示未来1-7天,i=1,2,fj为状态变量,j=1…5,分别表示当日平均风速、0到3日累积日照、当日气压、0到7日累积气温、当日平均相对湿度。
进一步地,预测模块60可通过下列公式预测每个云南滇池区域在未来,例如未来1-7天发生水华的概率:
其中,F为状态变量的值,F={f1,f2,f3,f4,f5}。
综上,可得到图2所示的每个云南滇池区域在未来,例如未来1-7天发生水华的概率图,由图2可知,MODIS影像中在2002-2018年间频繁发生水华的像元对应的云南滇江区域在未来发生水华的概率较高,极少发生水华的像元对应的云南滇江区域在未来发生水华的概率较低。通过本发明实施例的基于气象数据的蓝藻水华的预测装置,能够预测云南滇江中不同空间位置在未来某天发生水华的概率。
根据本发明实施例提出的基于气象数据的蓝藻水华的预测装置,通过设置获取模块、第一处理模块、提取模块、第二处理模块、第三处理模块和预测模块,其中,获取模块用于获取待测水域在设定时间范围内的卫星影像和气象数据,第一处理模块用于根据卫星影像得到待测水域的水面反射率数据,提取模块用于根据水面反射率数据提取卫星影像中的水华像元和非水华像元,以得到卫星影像中每个像元对应的待测水域区域发生水华的次数,第二处理模块用于根据每个待测水域区域发生水华的次数得到其发生水华的先验概率,第三处理模块用于根据气象数据得到每个待测水域区域在未来发生水华的条件概率,预测模块用于根据先验概率和条件概率预测每个待测水域区域在未来发生水华的概率,由此,能够较为准确地预测湖泊中不同空间位置的水华发生概率,为水华防治提供数据支持。
在本发明中,除非另有明确的规定和限定,术语“相连”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于气象数据的蓝藻水华的预测方法,其特征在于,包括以下步骤:
获取待测水域在设定时间范围内的卫星影像和气象数据;
根据所述卫星影像得到所述待测水域的水面反射率数据;
根据所述水面反射率数据提取所述卫星影像中的水华像元和非水华像元,以得到所述卫星影像中每个像元对应的所述待测水域区域发生水华的次数;
根据每个所述待测水域区域发生水华的次数得到其发生水华的先验概率;
根据所述气象数据得到每个所述待测水域区域在未来发生水华的条件概率;
根据所述先验概率和所述条件概率预测每个所述待测水域区域在未来发生水华的概率。
2.根据权利要求1所述的基于气象数据的蓝藻水华的预测方法,其特征在于,其中,对所述卫星影像进行大气校正以得到所述待测水域的水面反射率数据。
3.根据权利要求2所述的基于气象数据的蓝藻水华的预测方法,其特征在于,根据所述水面反射率数据提取所述卫星影像中的水华像元和非水华像元,包括:
根据所述水面反射率数据得到所述卫星影像中每个像元的BLOOM指数;
根据所述BLOOM指数判断对应像元是否为所述水华像元;
若所述BLOOM指数大于等于零,则判断对应像元为所述水华像元;
若所述BLOOM指数小于零,则判断相应像元为所述非水华像元。
4.根据权利要求3所述的基于气象数据的蓝藻水华的预测方法,其特征在于,其中,通过下列公式得到所述卫星影像中每个像元的BLOOM指数:
BLOOM=RNIR-R′NIR
R′NIR=RRED+(RSWIR-RRED)*(λNIR-λRED)/(λSWIR-λRED)
其中,RNIR、RRED、RSWIR分别为大气校正后近红外、红光、短波红外的水面反射率数据,λNIR、λRED、λSWIR分别为所述卫星影像在近红外、红光、短波红外的波长数据。
8.一种基于气象数据的蓝藻水华的预测装置,其特征在于,包括:
获取模块,所述获取模块用于获取待测水域在设定时间范围内的卫星影像和气象数据;
第一处理模块,所述第一处理模块用于根据所述卫星影像得到所述待测水域的水面反射率数据;
提取模块,所述提取模块用于根据所述水面反射率数据提取所述卫星影像中的水华像元和非水华像元,以得到所述卫星影像中每个像元对应的所述待测水域区域发生水华的次数;
第二处理模块,所述第二处理模块用于根据每个所述待测水域区域发生水华的次数得到其发生水华的先验概率;
第三处理模块,所述第三处理模块用于根据所述气象数据得到每个所述待测水域区域在未来发生水华的条件概率;
预测模块,所述预测模块用于根据所述先验概率和所述条件概率预测每个所述待测水域区域在未来发生水华的概率。
9.根据权利要求8所述的基于气象数据的蓝藻水华的预测装置,其特征在于,其中,所述第一处理模块用于对所述卫星影像进行大气校正以得到所述待测水域的水面反射率数据。
10.根据权利要求9所述的基于气象数据的蓝藻水华的预测装置,其特征在于,其中,所述提取模块具体用于:
根据所述水面反射率数据得到所述卫星影像中每个像元的BLOOM指数;
根据所述BLOOM指数判断对应像元是否为所述水华像元;
若所述BLOOM指数大于等于零,则判断对应像元为所述水华像元;
若所述BLOOM指数小于零,则判断相应像元为所述非水华像元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010493176.0A CN111595785B (zh) | 2020-06-03 | 2020-06-03 | 基于气象数据的蓝藻水华的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010493176.0A CN111595785B (zh) | 2020-06-03 | 2020-06-03 | 基于气象数据的蓝藻水华的预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111595785A true CN111595785A (zh) | 2020-08-28 |
CN111595785B CN111595785B (zh) | 2022-12-23 |
Family
ID=72189941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010493176.0A Active CN111595785B (zh) | 2020-06-03 | 2020-06-03 | 基于气象数据的蓝藻水华的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111595785B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116485045A (zh) * | 2023-06-21 | 2023-07-25 | 中科三清科技有限公司 | 一种建立水华预测模型的方法、水华预测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855404A (zh) * | 2012-09-11 | 2013-01-02 | 北京工商大学 | 湖库水华应急治理决策方案的筛选方法 |
-
2020
- 2020-06-03 CN CN202010493176.0A patent/CN111595785B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855404A (zh) * | 2012-09-11 | 2013-01-02 | 北京工商大学 | 湖库水华应急治理决策方案的筛选方法 |
Non-Patent Citations (3)
Title |
---|
GELMAN A ET.AL: "Bayesian data analysis", 《CHAPMAN AND HALL》 * |
袁兆杰: "基于案例图像特征的ETM+图像中湖泊蓝藻水华的识别", 《中国博士学位论文全文数据库 工程科技Ⅰ辑 》 * |
陈莉琼等: "基于气象数据的洱海蓝藻水华驱动因子及预警研究", 《华中师范大学学报( 自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116485045A (zh) * | 2023-06-21 | 2023-07-25 | 中科三清科技有限公司 | 一种建立水华预测模型的方法、水华预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111595785B (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111595785B (zh) | 基于气象数据的蓝藻水华的预测方法和装置 | |
Wynne et al. | Relating spectral shape to cyanobacterial blooms in the Laurentian Great Lakes | |
Jia et al. | Long-term spatial and temporal monitoring of cyanobacteria blooms using MODIS on google earth engine: A case study in Taihu Lake | |
Shahzad et al. | Empirical estimation of suspended solids concentration in the Indus Delta Region using Landsat-7 ETM+ imagery | |
Rodríguez-López et al. | Spectral analysis using LANDSAT images to monitor the chlorophyll-a concentration in Lake Laja in Chile | |
Martins et al. | Remote sensing of large reservoir in the drought years: Implications on surface water change and turbidity variability of Sobradinho reservoir (Northeast Brazil) | |
CN113177183B (zh) | 一种基于海洋遥感图像的海水污染监测预警方法及系统 | |
Chen et al. | Remote sensing assessment of sediment re-suspension during Hurricane Frances in Apalachicola Bay, USA | |
CN109523510B (zh) | 基于多光谱遥感影像的河道水质空间异常区域检测方法 | |
CN112784748A (zh) | 一种基于改进的YOLOv3的微藻识别方法 | |
Matsui et al. | Improving the resolution of UAV-based remote sensing data of water quality of Lake Hachiroko, Japan by neural networks | |
CN108133182B (zh) | 一种基于云成像的新能源发电预测方法及装置 | |
CN117008217A (zh) | 一种融合自注意力模块与Unet模型的短时强降水预报方法 | |
Janssens et al. | Rivers running green: water hyacinth invasion monitored from space | |
CN107576399B (zh) | 面向modis林火探测的亮温预测方法和系统 | |
CN113420497B (zh) | 浑浊湖泊总磷浓度遥感估算方法 | |
Zhou et al. | An improved Forel–Ule index method for trophic state assessments of inland waters using Landsat 8 and sentinel archives | |
Canziani et al. | Artificial neural networks and remote sensing in the analysis of the highly variable Pampean shallow lakes | |
Guo et al. | Distribution characteristics of green algae in Yellow Sea using an deep learning automatic detection procedure | |
Tang et al. | Spatiotemporal deep-learning-based algal bloom prediction for Lake Okeechobee using multisource data fusion | |
CN111273376A (zh) | 降尺度的海表净辐射确定方法、系统、设备及存储介质 | |
Ratté-Fortin et al. | A novel algorithm of cloud detection for water quality studies using 250 m downscaled MODIS imagery | |
CN115063437B (zh) | 一种红树林冠层可见光图像指数特征分析方法及系统 | |
CN113592770B (zh) | 一种去除水草影响的藻华遥感识别方法 | |
CN115578650A (zh) | 一种基于地表温度图像预测干旱指数的方法及装置 |
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 |