CN111624164B - 基于光谱标准差特征分析的海洋溢油油种高光谱识别方法 - Google Patents
基于光谱标准差特征分析的海洋溢油油种高光谱识别方法 Download PDFInfo
- Publication number
- CN111624164B CN111624164B CN202010195765.0A CN202010195765A CN111624164B CN 111624164 B CN111624164 B CN 111624164B CN 202010195765 A CN202010195765 A CN 202010195765A CN 111624164 B CN111624164 B CN 111624164B
- Authority
- CN
- China
- Prior art keywords
- oil
- reflectivity
- hyperspectral
- characteristic
- standard deviation
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- 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
- G01N2021/1793—Remote sensing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
- Y02A20/204—Keeping clear the surface of open water from oil spills
Landscapes
- Physics & Mathematics (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)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于光谱标准差特征分析的海洋溢油油种高光谱识别方法,识别方法包括如下步骤:基于已获取的各油品的高光谱辐亮度,确定所述各油品的反射率;基于所述各油品的反射率,通过包络线去除法获得归一化后的反射率;基于归一化后的反射率,采用光谱标准差阈值的特征分析方法获得所述油品种类可分性特征波段区间;基于所述油品种类可分性特征波段区间,确定待识别油品的反射率对应的油品种类,所述油品种类可分性特征波段区间为反射率光谱中能够区分出不同油品的特征波段区间。本发明提供的海洋溢油油种高光谱识别方法中,首先通过包络线去除法获得归一化后的反射率,然后基于油品种类可分性特征波段区间确定待识别的反射率对应的油品种类,大大提高了油种识别精度。
Description
技术领域
本发明涉及遥感应用技术领域,特别地涉及一种基于光谱标准差特征分析的海洋溢油油种高光谱识别方法。
背景技术
近年来,随着海洋石油资源的不断勘探和开采,石油加工业和海上运输业的快速发展,海上溢油突发事件频发,对海洋经济发展造成严重危害。海面溢油的来源及类型大致可分为以下四大类:一是海洋石油勘探过程中,由于意外事故或操作失误,造成油品从石油平台外泄,该溢油类型以原油为主;二是港口码头装卸货期间或沿海输油管道老化破裂,造成油品泄漏,最终流入海洋,该溢油类型以原油为主;三是大型油轮在运输航线附近因触礁,碰撞等意外原因,造成运载的油品大量泄漏到海洋中,该溢油类型涉及到的种类较多,轻质油和重质油均有可能;四是游轮或货轮等船舶在正常营运中有意排放到海洋中的燃料油或其他油类物质,该溢油类型主要以用于船舶发动机燃料的重柴油和轻柴油为主。上述油种均是海面溢油的典型种类。
海面溢油类型涉及到溯源处罚和溢油清理方案的制定,溢油种类的正确识别对快速有效地处置海面污染有重要的意义。现有的溢油鉴别标准主要根据相色谱/质谱分析的实验室化学鉴别手段,虽然能够对油种和组分进行精确地分析,但需要现场取样,总体检测速度较慢。近年来,遥感光谱分析成为溢油鉴别的新兴手段。油膜的光谱特性与它们的化学成分、基本分子振动,以及这些振动的组合有关,不同种类油品C-H键的光谱吸收特征是区分油品种类的重要依据。但传统光学遥感数据只包含几个波段,容易丢失光谱吸收特征信息。由于大气的瑞利散射和气溶胶散射,海面反射率低,来自海水的有用信号只占全部信号的一小部分,如果再失去光谱吸收特征信息,就使海面油膜信息的反演愈加困难。原油和重油光谱吸收明显,与轻质油光谱差异较大,但不同种类轻质油的有效识别尚未获得实质突破。
发明内容
有鉴于此,本发明提供一种基于光谱标准差特征分析的海洋溢油油种高光谱识别方法,以解决现有识别方法存在的识别精度差的问题。
本发明提供的一种基于光谱标准差特征分析的海洋溢油油种高光谱识别方法的技术方案是:
一种基于光谱标准差特征分析的海洋溢油油种高光谱识别方法,包括如下步骤:
基于已获取的各油品高光谱辐亮度,确定所述各油品的反射率;
基于所述各油品的反射率,通过包络线去除法获得归一化后的反射率;
基于归一化后的反射率,采用光谱标准差阈值的特征分析方法获得所述油品种类可分性特征波段区间;
基于所述油品种类可分性特征波段区间,确定待识别油品的反射率对应的油品种类,所述油品种类可分性特征波段区间为反射率光谱中能够区分出不同油品的特征波段区间。
优选地,所述油品种类可分性特征波段区间通过如下方式确定:
基于不同油品、海水、天空光和漫反射标准参照板分别在不同太阳高度角下的高光谱辐亮度,确定不同油品的反射率;
基于反射率,通过包络线去除法确定归一化后的反射率;
基于各归一化后的反射率,通过光谱标准差阈值的特征光谱分析法确定不同油品之间的可分性特征波段区间。
优选地,所述反射率通过如下方式确定:
基于海水的高光谱辐亮度和天空光的高光谱辐亮度,确定离水辐亮度;
基于漫反射标准参照板的高光谱辐亮度,确定海面入射辐照度;
基于所述离水辐亮度和所述海面入射辐照度,确定不同油品的反射率。
优选地,通过包络线去除法确定归一化后的反射率,包括执行如下公式所表征的操作:
式中,λi表示第i波段;Rci表示波段i的包络线去除后的值;Ri表示波段i的原始光谱反射率;Rstart和Rend分别表示吸收光谱曲线上的起始点和末端点的原始反射率;λstart和λend分别表示吸收光谱曲线上的起始点的波长和末端点的波长;K表示吸收光谱曲线中起始点波段和末端点波段之间的斜率。
优选地,油品i与油品j的可分性特征波段区间的获取方法包括:
按上述判断方式得到符合要求的光谱波长并形成所述可分性特征波段区间。
优选地,不同油品之间的可分性特征波段区间包括:
柴油与汽油的可分性特征波段为500-630nm;
柴油与棕榈油的可分性特征波段为375-450nm;
汽油与棕榈油的可分性特征波段为385-455nm,485-550nm。
优选地,利用目标识别模型进行海洋溢油油种的识别,所述目标识别模型通过如下方式训练获得:
获取不同种类的油品在不同太阳高度角下的两组样本高光谱辐亮度,其中一组作为训练集,另外一组作为测试集;
基于预先确定的油品种类可分性特征波段区间,对所述训练集进行标识;
将所述训练集输入预先建立的初始识别模型中,以所述训练集对应的标识作为期望输出,训练所述初始识别模型,获得初始参数;
基于所述训练集和所述测试集,通过交叉验证法修正所述初始参数;
基于所述修正后的初始参数,确定所述目标识别模型。
优选地,所述目标识别模型为支持向量机模型。
优选地,所述模型为C-SVC模型。
本发明提供的基于光谱标准差特征分析的海洋溢油油种高光谱识别方法中,首先通过包络线去除法获得归一化后的反射率,然后采用光谱标准差阈值的特征分析方法确定油品种类可分性特征波段区间,再基于油品种类可分性特征波段区间确定待识别油品的反射率对应的油品种类,大大提高了油种识别精度。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是本发明具体实施例提供的基于光谱标准差特征分析的海洋溢油油种高光谱识别方法流程图;
图2是本发明具体实施例提供的油品种类可分性特征波段区间的确定方法流程图;
图3是本发明具体实施例提供的反射率的确定方法流程图;
图4是本发明具体实施例得到的5种典型油品和海水的光谱反射率曲线图;
图5是本发明具体实施例得到的采用包络线去除法处理后的5种典型油品和海水的光谱反射率曲线图;
图6是本发明具体实施例柴油和棕榈油包络线去除前后的反射率光谱曲线图;
图7是本发明具体实施例柴油和汽油包络线去除前后的反射率光谱曲线图;
图8是本发明具体实施例汽油和棕榈油包络线去除前后的反射率光谱曲线图;
图9是本发明具体实施例使用网格法参数寻优的过程示意图;
图10是本发明具体实施例全光谱范围油种识别结果示意图;
图11是本发明具体实施例基于特征波段的油种识别结果示意图。
具体实施方式
下面结合实施例对本发明作进一步说明。
针对现有识别方法存在的识别精度低的问题,本实施例提供了一种基于光谱标准差特征分析的海洋溢油油种高光谱识别方法,如图1所示,其包括如下步骤:
S10、基于已获取的各油品高光谱辐亮度,确定各油品的反射率;
S20、基于各油品的反射率,通过包络线去除法获得归一化后的反射率;
S30、基于归一化后的反射率,采用光谱标准差阈值的特征分析方法获得油品种类可分性特征波段区间;
S40、基于所述油品种类可分性特征波段区间,确定待识别油品的反射率对应的油品种类,所述油品种类可分性特征波段区间为反射率光谱中能够区分出不同油品的特征波段区间。
首先,通过采集到的高光谱辐亮度数据进行油品识别,高光谱数据具有图谱合一的特点,且光谱分辨率高,细节信息突出,可以根据油膜的光谱特征差异来识别油品的种类。
其次,由于油品的光谱曲线具有相似的光谱特征,很难直接从原始光谱中提取各种油品的特征信息,而本申请中通过包络线去除法获得归一化后的反射率,从而有效地突出光谱曲线的吸收和反射特征,使得可以在同一基准线上对比吸收特征,有利于提高油种识别的精度。
进一步地,采用光谱标准差阈值的特征分析方法确定油品种类可分性特征波段区间,基于油品种类可分性特征波段区间来确定油品种类,能够有效提高油品尤其是轻质油间的识别精度。
其中,如图2所示,步骤S40中的油品种类可分性特征波段区间可通过如下方式确定:
S100、基于不同油品、海水、天空光和漫反射标准参照板分别在不同太阳高度角下的高光谱辐亮度,确定不同油品的反射率;
S200、基于反射率,通过包络线去除法确定归一化后的反射率;
S300、基于各归一化后的反射率,通过光谱标准差阈值的特征光谱分析法确定不同油品之间的可分性特征波段区间。
其中,如图3所示,步骤S100中反射率可通过如下方式确定:
S110、基于海水的高光谱辐亮度和天空光的高光谱辐亮度,确定离水辐亮度;
S120、基于漫反射标准参照板的高光谱辐亮度,确定海面入射辐照度;
S130、基于所述离水辐亮度和所述海面入射辐照度,确定不同油品的反射率。
下面给出5种典型的溢油油种(原油、重油、柴油、棕榈油、汽油)的遥感反射率数据的获取方法。
模拟真实的海洋环境设计了室外溢油实验,使用地物光谱仪采集了两天内共18组不同太阳高度角下的海水、原油、重油、柴油、棕榈油、汽油、天空光和漫反射标准参照板的高光谱辐亮度数据。采用公式(1)~(3)将辐亮度数据转化为5种油品的遥感反射率数据。其中第一天的九组数据用于光谱分析和建模,第二天的九组数据用于验证模型的溢油识别精度。
在忽略太阳耀斑和白帽等外界影响情况下,离水辐亮度为:
(2)
式中,Es(λ)表示海面入射辐照度,可由测量标准板得出:
Es(λ)=Lp(λ)π/ρp(λ)
(3)
式中,ρp(λ)表示标准板的反射率,要求在10%-35%之间;Lp(λ)表示测得的标准板辐亮度。
由于1.4μm和1.9μm附近受水的强吸收带所支配,这两个吸收带是影响溢油短波红外光谱响应的主要谱带,这里样本在强吸收带的范围反射率异常,且考虑到光谱仪感知光谱的末端存在系统的测量误差,故本实施例在360-1340nm、1440-1800nm和1980-2400nm的光谱范围内研究溢油的光谱响应,采用上述方法得到的5种典型油品和海水的光谱反射率曲线如图4所示。
步骤S200中,包络线去除法即用原始光谱曲线上的值除以对应包络线上的值,采用的公式如下所示:
Scr=(S/C)
(4)
式中,Scr为包络线去除后的结果;S表示原始波谱;C表示包络线。
将上述公式扩展开,则可以用公式(5)表示
(5)
式中,λi表示第i波段;Rci表示波段i的包络线去除后的值;Ri表示波段i的原始光谱反射率;Rstart和Rend分别表示吸收光谱曲线上的起始点和末端点的原始反射率;λstart和λend分别表示吸收光谱曲线上的起始点的波长和末端点的波长;K表示吸收光谱曲线中起始点波段和末端点波段之间的斜率。
图5示出采用包络线去除法处理后的5种典型油品和海水的光谱反射率曲线。
步骤S300中通过光谱标准差阈值的特征光谱分析法能够反映样本总体相对于平均值的离散程度,具体地,油品i与油品j的可分性特征波段区间的获取方法包括:
若在光谱波长λ处,油品i与油品j光谱反射率差值的绝对值大于两种油品光谱样本反射率分别在波段λ处的标准差STDEV(σλ,i)和STDEV(σλ,j)之和,即满足下述公式(6),则油品i与油品j在波长λ处具有可分性;
(6)
按上述判断方式得到符合要求的光谱波长并形成所述可分性特征波段区间。
图6示出柴油和棕榈油包络线去除前后的反射率光谱曲线,灰色区域为可分性区间,由图6可知,包络线去除前,柴油和棕榈油的可分性区间为380-445nm,包络线去除后,柴油和棕榈油的可分性区间为375-450nm。
图7示出柴油和汽油包络线去除前后的反射率光谱曲线,灰色区域为可分性区间,由图7可知,包络线去除前,柴油和汽油不存在可分性区间,包络线去除后,柴油和汽油的可分性区间为500-630nm。
图8示出汽油和棕榈油去除前后的反射率光谱曲线,灰色区域为可分性区间,由图8可知,包络线去除前,汽油和棕榈油的可分性区间为390-490nm,包络线去除后,汽油和棕榈油的可分性区间为385-455nm,485-550nm。
进一步地,本申请利用目标识别模型进行海洋溢油油种的识别,目标识别模型通过如下方式训练获得:
获取不同种类的油品在不同太阳高度角下的两组样本高光谱辐亮度,其中一组作为训练集,另外一组作为测试集;
基于预先确定的油品种类可分性特征波段区间,对所述训练集进行标识;
将所述训练集输入预先建立的初始识别模型中,以所述训练集对应的标识作为期望输出,训练所述初始识别模型,获得初始参数;
基于所述训练集和所述测试集,通过交叉验证法修正所述初始参数;
基于所述修正后的初始参数,确定所述目标识别模型。
优选地,本申请采用支持向量机模型,在一个优选的实施例中,采用的是支持向量机中的C-SVC模型,其思想是建立一个分类超平面作为决策曲面,使得正例和反例之间的隔离边缘最大化。核函数选择的是RBF(Radial Basis Function),故决策函数为
其中,ωi表示支持向量的系数,γ是核函数中的参数,xi表示支持向量,x是待预测标签的样本,b为偏置系数。
采用SVM作分类预测时需要调节相关的参数(主要是惩罚参数c和核函数参数g),本实施例采用的参数寻优法是网格法,让c和g在一定范围的网格内取值,寻找最佳的惩罚参数(best-c)和核函数参数(best-g),并利用交叉验证(Cross Validation)的方法对结果进行测试。训练集选择了第一天的九组数据,即柴油、棕榈油、汽油、原油、重油和海水共54个样本。测试集选择的是第二天的九组数据共54个样本。图9显示了使用网格法参数寻优的过程,最终选择的最佳惩罚参数best-c=2,最佳的核函数参数best-g=0.125。利用最佳的参数进行SVM模型训练,得到总体的油种识别精度为43/54=79.63%(参照图10)。原油、重油等重质油的识别效果较好,达到8/9=88.89%,轻质油种中的汽油和棕榈油识别效果一般,仅有55.56%和66.67%。
针对汽油和棕榈油存在较差的识别效果,基于包络线去除后的轻质油可分特征波段范围,即375-455nm和485-630nm,开展油种识别实验,得到总体的油种识别精度为45/54=83.33%(参照图11)。与基于全波段的识别效果相比,精度整体提高了3.7%,其中,除柴油和汽油外,其他油种识别率均有显著提高。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (7)
1.一种基于光谱标准差特征分析的海洋溢油油种高光谱识别方法,其特征在于,包括如下步骤:
基于已获取的各油品高光谱辐亮度,确定所述各油品的反射率;
基于所述各油品的反射率,通过包络线去除法获得归一化后的反射率;
基于归一化后的反射率,采用光谱标准差阈值的特征分析方法获得油品种类可分性特征波段区间;
基于所述油品种类可分性特征波段区间,确定待识别油品的反射率对应的油品种类,所述油品种类可分性特征波段区间为反射率光谱中能够区分出不同油品的特征波段区间;
所述油品种类可分性特征波段区间通过如下方式确定:
基于不同油品、海水、天空光和漫反射标准参照板分别在不同太阳高度角下的高光谱辐亮度,确定不同油品的反射率;
基于反射率,通过包络线去除法确定归一化后的反射率;
基于各归一化后的反射率,通过光谱标准差阈值的特征光谱分析法确定不同油品之间的可分性特征波段区间;
所述反射率通过如下方式确定:
基于海水的高光谱辐亮度和天空光的高光谱辐亮度,确定离水辐亮度;
基于漫反射标准参照板的高光谱辐亮度,确定海面入射辐照度;
基于所述离水辐亮度和所述海面入射辐照度,确定不同油品的反射率。
4.根据权利要求1所述的基于光谱标准差特征分析的海洋溢油油种高光谱识别方法,其特征在于,不同油品之间的可分性特征波段区间包括:
柴油与汽油的可分性特征波段为500-630nm;
柴油与棕榈油的可分性特征波段为375-450nm;
汽油与棕榈油的可分性特征波段为385-455nm,485-550nm。
5.根据权利要求1所述的基于光谱标准差特征分析的海洋溢油油种高光谱识别方法,其特征在于,利用目标识别模型进行海洋溢油油种的识别,所述目标识别模型通过如下方式训练获得:
获取不同种类的油品在不同太阳高度角下的两组样本高光谱辐亮度,其中一组作为训练集,另外一组作为测试集;
基于预先确定的油品种类可分性特征波段区间,对所述训练集进行标识;
将所述训练集输入预先建立的初始识别模型中,以所述训练集对应的标识作为期望输出,训练所述初始识别模型,获得初始参数;
基于所述训练集和所述测试集,通过交叉验证法修正所述初始参数;
基于所述修正后的初始参数,确定所述目标识别模型。
6.根据权利要求5所述的基于光谱标准差特征分析的海洋溢油油种高光谱识别方法,其特征在于,所述目标识别模型为支持向量机模型。
7.根据权利要求6所述的基于光谱标准差特征分析的海洋溢油油种高光谱识别方法,其特征在于,所述模型为C-SVC模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010195765.0A CN111624164B (zh) | 2020-03-19 | 2020-03-19 | 基于光谱标准差特征分析的海洋溢油油种高光谱识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010195765.0A CN111624164B (zh) | 2020-03-19 | 2020-03-19 | 基于光谱标准差特征分析的海洋溢油油种高光谱识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111624164A CN111624164A (zh) | 2020-09-04 |
CN111624164B true CN111624164B (zh) | 2023-06-02 |
Family
ID=72270888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010195765.0A Active CN111624164B (zh) | 2020-03-19 | 2020-03-19 | 基于光谱标准差特征分析的海洋溢油油种高光谱识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111624164B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114993965B (zh) * | 2022-05-13 | 2023-04-18 | 中煤嘉沣(湖南)环保科技有限责任公司 | 一种污染源自动识别方法以及系统 |
CN115049917B (zh) * | 2022-08-17 | 2022-11-15 | 上海与光彩芯科技有限公司 | 神经网络的训练方法、物体检测方法和智能终端设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102997856A (zh) * | 2012-12-12 | 2013-03-27 | 南京大学 | 一种基于参数查找表的海洋溢油油膜厚度高光谱遥感估算方法 |
CN108254074A (zh) * | 2017-12-07 | 2018-07-06 | 毕研盟 | 一种高光谱遥感仪器在轨光谱定标方法 |
CN108776144A (zh) * | 2018-06-12 | 2018-11-09 | 南京大学 | 一种基于基团光谱特征的海洋溢油乳化物遥感识别方法 |
CN110609017A (zh) * | 2019-09-12 | 2019-12-24 | 大连海事大学 | 一种基于反射率光谱的溢油风化时间分析方法及应用 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101732111B1 (ko) * | 2016-06-30 | 2017-05-02 | 서울시립대학교 산학협력단 | 위성영상을 이용한 기름유출 탐지장치 및 방법 |
-
2020
- 2020-03-19 CN CN202010195765.0A patent/CN111624164B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102997856A (zh) * | 2012-12-12 | 2013-03-27 | 南京大学 | 一种基于参数查找表的海洋溢油油膜厚度高光谱遥感估算方法 |
CN108254074A (zh) * | 2017-12-07 | 2018-07-06 | 毕研盟 | 一种高光谱遥感仪器在轨光谱定标方法 |
CN108776144A (zh) * | 2018-06-12 | 2018-11-09 | 南京大学 | 一种基于基团光谱特征的海洋溢油乳化物遥感识别方法 |
CN110609017A (zh) * | 2019-09-12 | 2019-12-24 | 大连海事大学 | 一种基于反射率光谱的溢油风化时间分析方法及应用 |
Non-Patent Citations (2)
Title |
---|
多模式融合下的海洋溢油高光谱成像油种识别方法;万剑华等;《发光学报》;20160415(第04期);第473-480页 * |
黄河三角洲典型植被地物光谱特征分析与可分性查找表;任广波等;《海洋环境科学》;20150620(第03期);第420-426页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111624164A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111624164B (zh) | 基于光谱标准差特征分析的海洋溢油油种高光谱识别方法 | |
CN102997856B (zh) | 一种基于参数查找表的海洋溢油油膜厚度高光谱遥感估算方法 | |
WO2021034910A1 (en) | System and method for cyber-physical inspection and monitoring of nonmetalic structures | |
Yang et al. | Characterization analysis and identification of common marine oil spill types using hyperspectral remote sensing | |
CN101923649A (zh) | 一种基于荧光光谱的溢油种类识别方法 | |
Saponaro et al. | Evaluation of aerosol and cloud properties in three climate models using MODIS observations and its corresponding COSP simulator, as well as their application in aerosol–cloud interactions | |
Kim et al. | Modelling of ship resistance and power consumption for the global fleet: The MariTEAM model | |
Cepowski | Regression formulas for the estimation of engine total power for tankers, container ships and bulk carriers on the basis of cargo capacity and design speed | |
CN115359363A (zh) | 海岸带塑料垃圾的卫星遥感探测与识别方法、系统、设备 | |
Tong et al. | Identification of tropical cyclones via deep convolutional neural network based on satellite cloud images | |
CN115076620A (zh) | 基于改进upemd和dtwsvm的埋地输油管道泄漏检测方法 | |
Dumas-Lefebvre et al. | Aerial observations of sea ice breakup by ship waves | |
CN111257875A (zh) | 一种基于sar的海面溢油监测方法及装置 | |
CN117330550B (zh) | 基于遥感图像和光谱图像的溢油溯源方法、终端、系统 | |
Wang et al. | Waveform decontamination for improving satellite radar altimeter data over nearshore area: Upgraded algorithm and validation | |
Yang et al. | Identification of marine oil spill pollution using hyperspectral combined with thermal infrared remote sensing | |
Wang et al. | Spatial reconstruction of long-term (2003–2020) sea surface p CO 2 in the South China Sea using a machine-learning-based regression method aided by empirical orthogonal function analysis | |
Zhou et al. | Oil spills identification in SAR image using mRMR and SVM model | |
Liu et al. | Characteristics of Physical and Biochemical Parameters within Mesoscale Eddies in the Southern Ocean | |
Doerffer et al. | Algorithm Theoretical Bases Document (ATBD) for L2 processing of MERIS data of case 2 waters, 4 th reprocessing | |
Lin et al. | SITool (v1. 0)–a new evaluation tool for large-scale sea ice simulations: application to CMIP6 OMIP | |
Orescanin et al. | A Study on the Effect of Commonly Used Data Augmentation Techniques on Sonar Image Artifact Detection Using Deep Neural Networks | |
Gonzaga et al. | Utilization of sentinel-2 imagery in the estimation of plastics among floating debris along the coast of manila bay | |
TRISAKTI et al. | Study of modis-aqua data for mapping total suspended matter (tsm) in coastal waters | |
de Jager et al. | Rotational drift in Antarctic sea ice: pronounced cyclonic features and differences between data products |
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 |