CN111723479A - 面向过程的富营养化湖泊藻总量遥感估算方法 - Google Patents
面向过程的富营养化湖泊藻总量遥感估算方法 Download PDFInfo
- Publication number
- CN111723479A CN111723479A CN202010528288.5A CN202010528288A CN111723479A CN 111723479 A CN111723479 A CN 111723479A CN 202010528288 A CN202010528288 A CN 202010528288A CN 111723479 A CN111723479 A CN 111723479A
- Authority
- CN
- China
- Prior art keywords
- chl
- vertical
- algae
- pixel
- remote sensing
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Immunology (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及面向过程的富营养化湖泊藻总量遥感估算方法,所述藻总量以叶绿素a含量表征,所述方法包括:构建二叉树,对遥感影像数据的每个像元进行Chl‑a垂向分布类型判断,将像元划分为Chl‑a垂向均一分布和Chl‑a垂向幂函数分布类型;基于像元Chl‑a垂向分布类型确定像元对应的Chl‑a垂向分布函数;对Chl‑a垂向分布函数做积分计算,并结合像元大小获取每个像元对应水柱内的藻总量;所有像元的藻总量之和即为湖泊藻总量。本发明的方法构建了基于像元尺度的富营养湖泊水柱内Chl‑a垂向分布类型辨识方法,基于遥感表层Chl‑a实现Chl‑a垂向分布函数的参数化,可实现不同像元对应水柱内的藻总量遥感估算。
Description
技术领域
本发明涉及卫星遥感技术及其应用领域,具体涉及面向过程的富营养化湖泊藻总量遥感估算方法。
背景技术
藻含量是富营养化湖泊监测的一个重要指标,能综合湖泊水质情况。在剧烈人为活动影响下,湖泊富营养化情形日益加重,浮游植物呈暴发式增多。浮游植物会降低水体透明度从而不利于水生植被生长,其分解还会消耗水体溶解氧从而恶化水质。为监测富营养湖泊藻含量,传统方法是通过设置有限采样点进行定期野外调查,遥感技术实现了高频高空间的监测湖泊表层藻含量。然而,蓝藻等在低风速时会在水柱内发生垂向移动形成表层藻华,而强风能搅动湖水使藻类在水柱内均一分布。因此,为更科学的监测湖泊富营养化情况,有必要监测水柱内藻总量。
目前,已报道的湖泊藻总量遥感方法是先根据实测数据构建表层藻含量与水柱内藻总量的经验关系式,然后由遥感反演的表层藻含量推算水柱内藻总量。本质上,这是一种面向结果的藻总量遥感方法,没有解析藻类在水柱内的垂向分布。此外,该方法用像元处水深计算经验关系式的系数,一天内不同时刻得到的系数是一致的;而表层藻含量在一天内会发生变化,会使同一天内的藻总量结果不一致;因此,已有方法存在一定局限性。
发明内容
为了遥感估算富营养湖泊藻总量,借助于不同气象条件下获取的水柱内不同深度藻含量实测数据,本发明构建了一种面向过程的富营养化湖泊藻总量遥感估算方法,即考虑了遥感像元对应水柱内的藻类垂向分布。
为实现上述技术目的,本发明根据可获取的多源数据辨识和参数化富营养化湖泊藻含量垂向分布函数,并结合遥感像元大小计算藻总量,即一定面积的水面所对应的水柱内的总藻量,所述藻总量以叶绿素a含量表征。具体方案如下:
构建二叉树,对遥感影像数据的每个像元进行Chl-a垂向分布类型判断,将像元划分为Chl-a垂向均一分布和Chl-a垂向幂函数分布类型;
基于其Chl-a垂向分布类型确定像元对应的Chl-a垂向分布函数;
对Chl-a垂向分布函数做积分计算,并结合像元大小获取每个像元对应水柱内的藻总量;所有像元的藻总量之和即为湖泊藻总量。
本发明的Chl-a垂向分布类型包括垂向均一分布类型和垂向幂函数分布类型。藻类垂向分布类型可分为均一、幂函数、指数、高斯分布,但直接应用四种类型进行划分为实际总量遥感估算带来了极大的困难,一是,像元藻类垂向分布函数的确定,现有技术虽然将像元藻类垂向分布分为四类,但最后遥感识别的每景遥感数据的藻类垂向分布其实只有两类;二是不确定参数多,对后续像元尺度参数化造成困难。本发明将均表征表层存在藻最大的幂函数、指数、高斯分布统一用幂函数表示,而得到的藻总量遥感结果也满足精度要求。
对于属于垂向均一分布的像元,以表层Chl-a浓度表征任意深度Chl-a浓度;
对于属于垂向幂函数分布的像元,用幂函数表征各深度的Chl-a浓度,即:
其中C0为表层Chl-a浓度;z为水深,n1、n2为系数;
结合实测数据估算n1、n2数值,获取垂向幂函数分布情况下Chl-a垂向分布函数。
进一步的,基于表层Chl-a浓度对n1、n2进行参数化;先基于实测表层Chl-a浓度数据建立表层Chl-a浓度和n2的关系模型,实现n2的参数化,之后基于遥感的表层Chl-a浓度和n2的实现n1的参数化。
进一步的,所述二叉树的结点要素为:像元是否发生藻华、像元表层Chl-a浓度、风速。
进一步的,基于二叉树的像元藻类垂向分布类型判断方式为:
计算像元表层Chl-a浓度,获取湖面风速;
如果像元满足:①发生藻华;或②不发生藻华、表层Chl-a浓度>T2且湖面风速>T3,则像元属于垂向幂函数分布;否则属于垂向均一分布;
其中T2、T3为阈值。结合像元垂向分布类型的划分,利用是否发生藻华、表层Chl-a浓度和风速三个因素构建二叉树进行藻类垂向分布类型确定,实现科学合理的像元尺度的藻类垂向分布类型确定及函数参数化。
进一步的,所述像元是否发生藻华基于像元浮游藻类指数FAI数值确定。优选的,所述FAI阈值为0.02,采用稍高的阈值可以减少数据噪声影响而误判为藻华的情形。
所述T2基于实测剖面数据确定。
进一步的,所述水深由数字高程模型和水位计算得到。
进一步的,所述遥感影像数据为MODIS遥感数据。
本发明将Chl-a剖面概化为垂向均一和幂函数衰减两种类型,并用线性函数表示垂向均一分布的Chl-a剖面,用幂函数统一表征垂向不均一的Chl-a剖面分布,对不同遥感像元,用风速、表层Chl-a和藻华发生与否等信息辨识Chl-a垂向分布类型,并用实测及遥感反演的表层Chl-a浓度对幂函数的两个参数构建了合理的参数化方法,最后由每个像元的参数化剖面函数积分计算像元尺度的藻总量,解决了不同像元对应水柱内Chl-a剖面分布类型的模型概化和遥感识别及不同遥感像元Chl-a垂向结构模型参数化的问题,提高针对像元尺度的藻总量估算的计算效率,同时也确保了精度。本发明构建的基于像元尺度的富营养湖泊水柱内Chl-a垂向分布类型辨识方法,基于遥感表层Chl-a实现Chl-a垂向分布函数的参数化,可实现不同像元对应水柱内的藻总量遥感估算。
附图说明
图1是Chl-a垂向分布类型辨识流程图。
图2是Chl-a垂向幂函数分布情况下分布函数参数化方法。
图3是采用实测数据对本发明的藻总量估算结果进行验证。
图4是采用实测数据对现有藻总量估算结果进行验证。
具体实施方式
实施例以中国典型富营养湖泊-巢湖为例,基于MODIS遥感数据,具体说明应用本发明的方法实现湖泊藻总量遥感估算的方法,以下结合附图1和2进一步说明具体实施方式:包括:
(1)对遥感影像数据的每个像元进行Chl-a垂向分布类型判断;
像元藻类垂向分布类型基于像元是否发生藻华、像元表层Chl-a浓度和风速确定,其中,像元是否发生藻华基于像元FAI数值确定。
基于现有报道的公式(1)、(2)计算像元浮游藻类指数(FAI)和表层Chl-a浓度:
FAI=Rrc(859)-Rrc(859)
Ratio=(exp(Rrc(645))-exp(Rrc(859)))/(exp(Rrc(645))+exp(Rrc(859)))
Chl-a=-5399.99×Ratio+187.17;N=196;R2=0.59;p<0.01 (2)
其中,Rrc(645)、Rrc(859)和Rrc(1240)分别是MODIS遥感数据中心波长为645nm,859nm和1240nm的波段的反射率。
如图1所示,对每个遥感像元,如果FAI>T1(0.02),则发生藻华,Chl-a垂向分布为幂函数衰减类型。对不发生藻华的像元,如果表层Chl-a<T2(10mg/m3),则Chl-a垂向均一分布,否则判断对应像元的风速是大于T3(2.75m/s)。如果风速>T3,则Chl-a垂向均一分布,否则为幂函数衰减类型。
(2)建立不同分布类型的分布函数;
对于属于垂向均一分布的像元,以表层Chl-a浓度表征任意深度Chl-a浓度;
对于属于垂向幂函数分布的像元,用幂函数表征各深度的Chl-a浓度,即:
其中C0为表层Chl-a浓度;z为水深,n1、n2为系数;
结合实测数据估算n1、n2数值,获取垂向幂函数分布情况下Chl-a垂向分布函数。
由巢湖的实测数据可得,参数n2与表层Chl-a浓度的对数存在显著线性相关(图2a)。结合遥感的表层Chl-a浓度(假设水深为0.01m)和n2,可以计算得到参数n1。图2b表明,估算得到的n1与实测数据拟合的n1具有很好的一致性,平均绝对误差(MAPD)、均方根误差(RMSE)和偏差(bias)分别为27.29%、10.65mg/m3和-12.68%。
(3)结合像元大小、水深和Chl-a垂向分布函数计算每个像元对应水柱内的藻总量。其中,水深由数字高程模型和水位计算得到。对MODIS遥感数据,像元大小为250m×250m。
每个像元的藻总量之和即为巢湖的藻总量。
基于实测数据检验本发明藻总量的效果,结果如图3所示,在不同采样数目的情况下本发明均具有较高的精度。
采用背景技术所述方法(先根据实测数据构建表层藻含量与水柱内藻总量的经验关系式,然后由遥感反演的表层藻含量推算水柱内藻总量)作为对照,如图4所示,可以看出,现有方法相对于实测数据在Chla浓度增高(藻华)时存在很大误差,估算精度低。
Claims (10)
1.一种面向过程的富营养化湖泊藻总量遥感估算方法,其特征在于,所述藻总量以叶绿素a含量表征,包括:
构建二叉树,对遥感影像数据的每个像元进行Chl-a垂向分布类型判断,将像元划分为Chl-a垂向均一分布和Chl-a垂向幂函数分布类型;
基于像元Chl-a垂向分布类型确定像元对应的Chl-a垂向分布函数;
对Chl-a垂向分布函数做积分计算,并结合像元大小获取每个像元对应水柱内的藻总量;所有像元的藻总量之和即为湖泊藻总量。
3.根据权利要求2所述的方法,其特征在于,基于表层Chl-a浓度对n1、n2进行参数化;先基于实测表层Chl-a浓度数据建立表层Chl-a浓度和n2的关系模型,实现n2的参数化,之后基于遥感的表层Chl-a浓度和n2的实现n1的参数化。
4.根据权利要求1所述的方法,其特征在于,所述二叉树的结点要素为:像元是否发生藻华、像元表层Chl-a浓度、风速。
5.根据权利要求1或4所述的方法,其特征在于,基于二叉树的像元藻类垂向分布类型判断方式为:
计算像元表层Chl-a浓度,获取湖面风速;
如果像元满足:①发生藻华;或②不发生藻华、表层Chl-a浓度>T2且湖面风速>T3,则像元属于垂向幂函数分布;否则属于垂向均一分布;
其中T2、T3为阈值。
6.根据权利要求4或5所述的方法,其特征在于,所述像元是否发生藻华基于像元浮游藻类指数FAI数值确定。
7.根据权利要求6所述的方法,其特征在于,所述FAI阈值为0.02。
8.根据权利要求5所述的方法,其特征在于,所述T2基于实测剖面数据确定。
9.根据权利要求1所述的方法,其特征在于,水深由数字高程模型和水位计算得到。
10.根据权利要求1所述的方法,其特征在于,所述遥感影像数据为MODIS遥感数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010528288.5A CN111723479B (zh) | 2020-06-11 | 2020-06-11 | 面向过程的富营养化湖泊藻总量遥感估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010528288.5A CN111723479B (zh) | 2020-06-11 | 2020-06-11 | 面向过程的富营养化湖泊藻总量遥感估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111723479A true CN111723479A (zh) | 2020-09-29 |
CN111723479B CN111723479B (zh) | 2023-02-28 |
Family
ID=72566387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010528288.5A Active CN111723479B (zh) | 2020-06-11 | 2020-06-11 | 面向过程的富营养化湖泊藻总量遥感估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723479B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114858221A (zh) * | 2022-07-05 | 2022-08-05 | 中国长江三峡集团有限公司 | 一种基于水域营养状态预测的水华智能预警系统及方法 |
CN117972304A (zh) * | 2024-04-01 | 2024-05-03 | 泰山学院 | 一种浮游植物类群藻总量遥感估算方法及系统 |
CN117972304B (zh) * | 2024-04-01 | 2024-06-21 | 泰山学院 | 一种浮游植物类群藻总量遥感估算方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050164333A1 (en) * | 2004-01-22 | 2005-07-28 | Bowling Green State University | Method and apparatus for detecting phycocyanin-pigmented algae and bacteria from reflected light |
CN105303030A (zh) * | 2015-09-17 | 2016-02-03 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊藻类高斯垂向分布结构参数的modis遥感估算方法 |
CN105631904A (zh) * | 2015-09-21 | 2016-06-01 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊藻类总存量遥感估算方法 |
CN108152289A (zh) * | 2017-12-14 | 2018-06-12 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊真光层外藻总量遥感间接监测方法 |
-
2020
- 2020-06-11 CN CN202010528288.5A patent/CN111723479B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050164333A1 (en) * | 2004-01-22 | 2005-07-28 | Bowling Green State University | Method and apparatus for detecting phycocyanin-pigmented algae and bacteria from reflected light |
CN105303030A (zh) * | 2015-09-17 | 2016-02-03 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊藻类高斯垂向分布结构参数的modis遥感估算方法 |
CN105631904A (zh) * | 2015-09-21 | 2016-06-01 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊藻类总存量遥感估算方法 |
CN108152289A (zh) * | 2017-12-14 | 2018-06-12 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊真光层外藻总量遥感间接监测方法 |
Non-Patent Citations (2)
Title |
---|
张玉超等: "巢湖2016年蓝藻水华时空分布及环境驱动力分析", 《环境科学》 * |
梁其椿等: "巢湖藻类高斯垂向分布结构参数的遥感估算", 《湖泊科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114858221A (zh) * | 2022-07-05 | 2022-08-05 | 中国长江三峡集团有限公司 | 一种基于水域营养状态预测的水华智能预警系统及方法 |
CN117972304A (zh) * | 2024-04-01 | 2024-05-03 | 泰山学院 | 一种浮游植物类群藻总量遥感估算方法及系统 |
CN117972304B (zh) * | 2024-04-01 | 2024-06-21 | 泰山学院 | 一种浮游植物类群藻总量遥感估算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111723479B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423537B (zh) | 一种基于自适应阈值的地表温度降尺度的方法 | |
CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
Ebrahimian et al. | Extensive comparison of various infiltration estimation methods for furrow irrigation under different field conditions | |
CN107729651A (zh) | 基于多维度的坡面细沟发育形态特征综合量化方法 | |
CN111723479B (zh) | 面向过程的富营养化湖泊藻总量遥感估算方法 | |
CN111947628A (zh) | 基于固有光学参数的线性水深反演方法 | |
Chen et al. | Spatiotemporal evolution of chlorophyll-a concentration from MODIS data inversion in the middle and lower reaches of the Hanjiang River, China | |
CN113806943A (zh) | 一种基于关键水情变量与植被固碳速率关系的湿地植被固碳速率预测方法 | |
Nursyahid et al. | Plant age identification system of outdoor hydroponic cultivation based on digital image processing | |
CN111273376B (zh) | 降尺度的海表净辐射确定方法、系统、设备及存储介质 | |
CN117078821A (zh) | 基于深度学习的植物快速三维渲染与表征提取工具 | |
CN116861298A (zh) | 一种无资料地区的流域水文模型参数估计方法 | |
CN114965300B (zh) | 基于光学水体类型和bp神经网络算法构建bp-turb的湖泊浊度制图方法 | |
CN116070132A (zh) | 基于多源遥感数据预测海水透明度和海表温度的方法 | |
CN112989281B (zh) | 一种基于遥感藻总量的藻华预测方法 | |
Li et al. | Learning and inferring the diurnal variability of cyanobacterial blooms from high-frequency time-series satellite-based observations | |
Torres et al. | Preliminary investigation on chlorophyll-a and total suspended matter concentration in Manila Bay using Himawari-8 AHI and Sentinel-3 OLCI C2RCC | |
CN113140000A (zh) | 基于卫星光谱的水体信息估算方法 | |
Zhou et al. | Intelligent monitoring of water quality based on image analytics | |
CN113155751A (zh) | 富营养化湖泊poc垂向结构类型的遥感识别方法 | |
CN110991333A (zh) | 一种地上生物量预警方法 | |
CN108647889A (zh) | 森林净初级生产力估计及认知方法 | |
CN115438523B (zh) | 海洋三维叶绿素浓度数据重构方法、装置、设备及介质 | |
CN116630811B (zh) | 一种河流提取方法、装置、终端设备和可读存储介质 | |
CN112380984B (zh) | 一种基于遥感的盐沼植被缓流能力空间评价方法 |
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 |