CN112014331A - 一种水体污染的检测方法、装置、设备以及存储介质 - Google Patents
一种水体污染的检测方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112014331A CN112014331A CN202010852155.3A CN202010852155A CN112014331A CN 112014331 A CN112014331 A CN 112014331A CN 202010852155 A CN202010852155 A CN 202010852155A CN 112014331 A CN112014331 A CN 112014331A
- Authority
- CN
- China
- Prior art keywords
- water body
- image data
- remote sensing
- sensing image
- concentration
- 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 261
- 238000000034 method Methods 0.000 title claims abstract description 57
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims abstract description 101
- 229930002868 chlorophyll a Natural products 0.000 claims abstract description 97
- 230000003595 spectral effect Effects 0.000 claims abstract description 69
- 238000002310 reflectometry Methods 0.000 claims abstract description 61
- 238000012937 correction Methods 0.000 claims abstract description 54
- 238000005065 mining Methods 0.000 claims abstract description 51
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000011109 contamination Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 239000007787 solid Substances 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000003911 water pollution Methods 0.000 description 19
- 239000003245 coal Substances 0.000 description 15
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012851 eutrophication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- 239000000725 suspension Substances 0.000 description 5
- 239000000443 aerosol Substances 0.000 description 4
- 229930002875 chlorophyll Natural products 0.000 description 4
- 235000019804 chlorophyll Nutrition 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 239000002351 wastewater Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000132092 Aster Species 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 208000013685 acquired idiopathic sideroblastic anemia Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- UBAZGMLMVVQSCD-UHFFFAOYSA-N carbon dioxide;molecular oxygen Chemical compound O=O.O=C=O UBAZGMLMVVQSCD-UHFFFAOYSA-N 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 231100000481 chemical toxicant Toxicity 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
- 238000003809 water extraction 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
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N15/075—Investigating concentration of particle suspensions by optical means
-
- 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
- G01N2021/178—Methods for obtaining spatial resolution of the property being measured
-
- 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
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Dispersion Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例公开了一种水体污染的检测方法、装置、设备以及存储介质，该方法包括：对原始遥感影像数据进行大气校正，得到第一遥感影像数据；对第一遥感影像数据进行水体校正，得到第一遥感影像数据中水体的地表反射率；基于地表反射率，建立叶绿素a与水体的光谱波段的第一经验反演模型、以及悬浮物与水体的光谱波段的第二经验反演模型；将第二遥感影像数据输入第一经验反演模型和第二经验反演模型，得到叶绿素a的浓度和悬浮物的浓度；根据叶绿素a的浓度和悬浮物的浓度、识别水体与矿区的污染关系。通过叶绿素a和悬浮物的浓度两个指标可视化遥感影像数据，能够更直观地反映水体与矿区的污染关系，为水质的监测与治理提供参考依据。
Description
技术领域
本发明实施例涉及遥感技术，尤其涉及一种水体污染的检测方法、装置、设备以及存储介质。
背景技术
煤矿在给人们带来经济利益的同时，也给周围的环境带来了污染。
以水资源污染为例，煤矿的开采以及运输使得周围地表水的悬浮物浓度较高，悬浮物是各种重金属和有毒化学物质的载体，这些悬浮物会直接进入到水体中光的通量，对水体造成污染；一方面，融入水体的有害物质会造成水体的富营养化，危害水中的生物，另一方面，这些有害物质会通过食物链进入人体危害人类身体健康。因此，矿区地表的水体检测对于防控水体污染、保障人民健康而言非常重要。
常规的水体污染的检测方法是通过采集野外的水样，进行化验，并根据化验结果采用单一参数评价指数法或多参数的综合评价进行水质评价。该方法虽然能够对众多的水质指标做出精确的分析和评价，但耗时耗力，并且只能了解取样地表的局部水质情况，不能对整个水域的水体情况进行检测。
发明内容
本发明实施例提供一种水体污染的检测方法、装置、设备以及存储介质，以解决现有的水质检测方法不能对整个水域的水体情况进行检测的问题。
第一方面，本发明实施例提供了一种水体污染的检测方法，包括：
对原始遥感影像数据进行大气校正，得到第一遥感影像数据，其中，所述原始遥感影像数据为与矿区相邻水体所在地表的卫星图像数据；
对所述第一遥感影像数据进行水体校正，得到所述第一遥感影像数据中水体的地表反射率，其中，所述水体包含叶绿素a和悬浮物；
基于所述地表反射率，建立所述叶绿素a与所述水体的光谱波段的第一经验反演模型、以及所述悬浮物与所述水体的光谱波段的第二经验反演模型；
将包含所述水体且经过大气校正后的第二遥感影像数据输入所述第一经验反演模型和所述第二经验反演模型，得到所述叶绿素a的浓度和所述悬浮物的浓度；
根据所述叶绿素a的浓度和所述悬浮物的浓度、识别所述水体与所述矿区的污染关系。
第二方面，本发明实施例还提供了一种水体污染的检测装置，包括：
数据获取模块，用于对原始遥感影像数据进行大气校正，得到第一遥感影像数据，其中，所述原始遥感影像数据为与矿区相邻水体所在地表的卫星图像数据；
第一计算模块，用于对所述第一遥感影像数据进行水体校正，得到所述第一遥感影像数据中水体的地表反射率，其中，所述水体包含叶绿素a和悬浮物；
模型建立模块，用于基于所述地表反射率，建立所述叶绿素a与所述水体的光谱波段的第一经验反演模型、以及所述悬浮物与所述水体的光谱波段的第二经验反演模型；
第二计算模块，用于将包含所述水体且经过大气校正后的第二遥感影像数据输入所述第一经验反演模型和所述第二经验反演模型，得到所述叶绿素a的浓度和所述悬浮物的浓度；
污染检测模块，用于根据所述叶绿素a的浓度和所述悬浮物的浓度、识别所述水体与所述矿区的污染关系。
第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的水体污染的检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的水体污染的检测方法。
在本实施例中，对原始遥感影像数据进行大气校正，得到第一遥感影像数据，可以消除大气和光照等因素对地物反射的影响，再次对第一遥感影像数据进行水体校正，能够从卫星图像数据中精确地提取水体参数，得到第一遥感影像数据中水体的地表反射率；再者，叶绿素a和悬浮物是反映水体富营养化程度、污染程度的最主要因子，基于地表反射率，建立水体中叶绿素a与水体的光谱波段的第一经验反演模型，以及建立水体中悬浮物与水体的光谱波段的第二经验反演模型，能够得出水体中叶绿素及生物量的空间分布信息，从而达到监测水体富营养化的目的；而后将第一经验反演模型与第二经验反演模型应用于校正后的第二遥感影像数据，可以直接获得第二遥感影像数据中所含水体的叶绿素a的浓度和悬浮物的浓度；因为矿区所排放的废水、废渣等污染物会对其附近的水体造成污染，矿井水的主要污染物是悬浮物，且矿井水中的有机物会使得水体富营养化(以叶绿素a的浓度为主要检测指标)，因此通过叶绿素a的浓度和悬浮物的浓度两个指标可视化遥感影像数据，能够更为直观地反映水体与矿区的污染关系，以解决现有的水质检测方法不能对整个水域的水体情况进行检测的问题，为水质的监测与治理提供参考依据，同时也提高了水质检测的效率。
附图说明
图1是本发明实施例一提供的一种水体污染的检测方法的流程图；
图2是本发明实施例一提供的一种遥感影像数据的大气校正前后对比图；
图3是本发明实施例一提供的一种点位布设的示意图；
图4是本发明实施例一提供的一种叶绿素a的浓度的分布图；
图5是本发明实施例一提供的一种叶绿素a的浓度的分布图；
图6是本发明实施例一提供的一种叶绿素a的浓度随距离变化的关系图；
图7是本发明实施例一提供的一种悬浮物的浓度的分布图；
图8是本发明实施例一提供的一种悬浮物的浓度的分布图；
图9是本发明实施例一提供的一种悬浮物的浓度随距离变化的关系图；
图10是本发明实施例一提供的一种叶绿素a的浓度和悬浮物的浓度的变化图；
图11为本发明实施例二提供的一种水体污染的检测装置的结构框图；
图12为本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
应注意到：在本发明实施例的描述中，术语“第一”、“第二”、“第三”等次序词仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一
图1为本发明实施例一提供的一种水体污染的检测方法的流程图，本实施例可适用于对江河、湖泊、湿地等水域进行污染检测的情况，该方法可以由水体污染的检测装置来执行，可用于自然水质的监测和污染源的分析。该水体污染的检测装置可以由软件和/或硬件实现，可配置在计算机设备中，例如，服务器、实验操作设备、检测仪器等等，该方法具体包括如下步骤：
步骤110、对原始遥感影像数据进行大气校正，得到第一遥感影像数据；
其中，遥感是指通过电磁波与地物的相互作用，以波普和空间两维成像方式来探测地物特性的技术。遥感影像数据是指记录各种地物电磁波大小的胶片或照片，在计算机处理过程中一般为数字图像，按获取方式主要分为飞机拍摄的航空像片和卫星拍摄的卫星像片。目前，最为常用的开源的卫星遥感影像数据是由美国Landsat系列卫星所携带的各类传感器采集到的卫星像片，包括主题成像仪(TM)和增强型主题成像仪(ETM+)采集到的TM/ETM+影像数据。
在本实施例中，原始遥感影像数据为卫星拍摄的卫星像片，特指包含与污染源相邻水体所在地表的卫星图像数据，该污染源可能是煤矿、废水厂、垃圾处理厂等。再者，第一遥感影像数据是指经过大气校正后的卫星图像数据，前缀“第一”仅用于与其他的遥感影像数据进行区分。根据实现需要，可以具有任意数目的原始遥感影像数据和第一遥感影像数据，本实施例对此不作限制。
因为原始遥感影像数据中的大气信息占据卫星观测的水体总信号90％以上，因此为了从原始遥感影像数据中获取到更加精确的水体参数，需要对原始遥感影像数据进行大气校正。然而，大气校正是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。大气校正的目的是消除大气和光照等因素对地物反射的影响,广义上讲是获得地物反射率、辐射率或者地表温度等真实物理模型参数，狭义上是获取地物真实反射率数据，用来消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧等物质对地物反射的影响,消除大气分子和气溶胶散射的影响。
目前，遥感影像数据的大气校正方法有很多，可以分成绝对大气校正方法和相对大气校正方法两种，绝对大气校正方法是指将遥感影像数据中的DN(Digital Number)值转换为地表反射率、地表辐射率、地表温度等的方法，相对大气校正方法是指校正后得到的遥感影像数据，相同的DN值表示相同的地物反射率，其结果不考虑地物的实际反射率。常见的绝对大气校正方法包括基于辐射传输模型、MORTRAN模型、LOWTRAN模型、ATCOR模型、6S模型等等，常见的相对大气校正方法包括基于统计的不变目标法、直方图匹配法等。需要说明的是，本实施例对原始遥感影像数据进行大气校正所采用的大气校正方法不作限制。
在本实施例的一个具体示例中，步骤110可以包括以下具体步骤：
步骤111、获取原始遥感影像数据的大气参数值；
步骤112、将大气参数值输入到Flaash模块中，并选择大气模型的类型以对原始遥感影像数据进行大气校正，得到第一遥感影像数据。
其中，Flaash模块(Fast line-of-sight atmospheric analysis of spectralhypercubes)是一种大气校正模块。Flaash模块适用于高光谱遥感数据(如HyMap，AVIRIS，HYIDCE，HYPERION，Probe-1，CASI和AISA)和多光谱遥感数据(如陆地资源卫星，SPOT，IRS和ASTER)的大气校正。当遥感数据中包含合适的光谱波段时，用Flaash模块还可以反演水气、气溶胶等参数。
在本实施例中，大气参数值可以包括观测数据中的几何信息，例如太阳天顶角、太阳方位角、卫星方位角等，还可以包括气溶胶类型参数、气溶胶含量参数、光谱参数等等。在Flaash模块中，可以根据数据获取时间选择相应的大气模型，例如中纬度夏季、中纬度冬季、极地夏季、极地冬季和美国标准大气模型等。在本示例中，选择中纬度冬季的大气模型对原始遥感影像数据进行大气校正，得到第一遥感影像数据。如图2所示，(a)为大气校正前的原始遥感影像数据，(b)为大气校正后的第一遥感影像数据，图2是将上述方法应用于南四湖的遥感影像数据的大气校正前后对比图，第一遥感影像数据比原始遥感影像数据更为清晰。
步骤120、对第一遥感影像数据进行水体校正，得到第一遥感影像数据中水体的地表反射率；
其中，该水体包含叶绿素a和悬浮物。
由于卫星传感器获得的遥感影像数据每个通道/波段的光谱分辨率与实际水体环境中采集到的数据光谱分辨率不一致，因此需要对实际水域布设相应的点位进行水体的采样，再根据采样数据计算出实际水体的遥感反射率，通过该实际水体的遥感反射率对卫星采集的遥感影像数据进行水体校正，以保持地面实测光谱分辨率与遥感影像数据光谱分辨率的一致性。
在本实施例中，步骤120可以具体包括如下步骤：
步骤121、采用水表面以上的测量方法对与矿区相邻的水体进行采样，得到第一光谱数据；
其中，第一光谱数据即光谱数据，光谱数据是由成像光谱仪在一定条件下测得的各类地物反射光谱数据，成像光谱仪是以多路、连续并具有高光谱分辨率方式获取图像信息的仪器，地物反射光谱是指地物的反射率随入射波长而变化的规律，地物反射光谱具有时间性和空间性，在本实施例中，光谱数据也是具有时间性和空间性，即不同时间与空间光谱特征不同。需要说明的是，第一光谱数据的数量可以是任意，本实施例对此不作限定。
具体的，可以采用以下方式获取第一光谱数据：采集仪器的观测平面与太阳入射平面的夹角在90°到135°之间(背向太阳的方向)，采集仪器与水体平面的法线方向的夹角在30度到45度范围内，以避免误差；选择在湖面风平浪静的情况下，从10：00到16：00间对水体进行光谱测量，收集第一光谱数据。其中，水域点位的布设需考虑水体离矿区的远近及叶绿素a、悬浮物浓度的变化，以便对其进行时空分析，例如，图3为本实施例中与矿区相邻水体的一种点位布设的示意图，图3中的小圆圈为预先布设的点位。
步骤122、对第一光谱数据进行低通滤波，得到水体的第二光谱数据；
在本实施例中，采用长度为9的海明窗(Hamming)作为滤波器模板对第一光谱数据的光谱曲线进行低通滤波，由此消除高频成分(毛刺)，使曲线变得平滑，以获得水体的第二光谱数据。
由于第二光谱数据中包含了天空反射光，该天空反射光是不带有任何水体信息的，需要进一步剔除，步骤123和步骤124则是对第二光谱数据做更进一步的数据处理，以得到只包含水体组分信息的光谱数据，获得实际水体的遥感反射率。
步骤123、将第二光谱数据中水面以上的上行辐射率减去天空漫散射光的辐射率，得到离水辐亮度；
如公式(1)所示：
Lsw＝Lau-r*Lsky (1)
其中，Lsw为离水辐亮度，Lau为水面以上的上行辐射率，Lsky为天空光辐射率，r*Lsky为天空光在水面反射以后进入采集仪器的信号，不含有水体信息，r为气-水界面对天空光的反射比。
在本实施例中，离水辐亮度是指光线经由水面射入水体，经过水体以及水体各组分的吸收和散射作用后，射出水面的辐射，由水中散射亮度和水中反射亮度组成；辐亮度也可以指扩散源在某方向上单位投影面积和单位立体角内发射的辐射功率。辐射率是指衡量物体表面以辐射的形式释放能量相对强弱的能力；物体的辐射率等于物体在一定温度下辐射的能量与同一温度下黑体辐射能量之比。黑体的辐射率等于1，其他物体的辐射率介于0和1之间。辐射率仅仅与物体表面的性质(成分、结构)有关。在给定温度条件下，任何物体的辐射率在数值上等于此物体的吸收率。
步骤124、将离水辐亮度除以水面入射辐照度，得到水体的遥感反射率；
如公式(2)所示：
其中，Rrs为遥感反射率，Lsw为离水辐亮度，Ed是水面入射辐照度，Lsky为天空光辐射率，Lad为水面以上的下行辐射率，r为气-水界面对天空光的反射比，r取0.022。
在本示例中，辐照度表示入射到单位接收表面积上的辐射功率，水面入射辐照度Ed包括太阳直射光和天空漫散射光的辐照度的总和，遥感反射率是指地物表面反射能量与到达物体表面的入射能量的比值；再者，r的取值一般选择经验值，例如水面平静时，在5m/s左右风速的情况下，r可取0.025；在10m/s左右风速情况下，r取值在0.026-0.028的范围内。
步骤125、根据水体的遥感反射率，计算第一遥感影像数据中水体的地表反射率。
在本实施例中，可以根据公式(3)计算第一遥感影像数据中水体的地表反射率：
其中R是第一遥感影像数据中水体的地表反射率，地表反射率是指地面反射辐能量与入射辐能量之比；λ为卫星传感器的光谱通道的波长，λmin为卫星传感器的光谱通道的起始波长，λmax为卫星传感器的光谱通道的终止波长；r(λ)为对应λ波长的水体的遥感反射率，f(λ)为光谱响应函数。需要说明的是，在遥感技术中，光谱通道一般是指传感器选择接收电磁波的能力，实际上就是指传感器的工作波段。传感器的每一个工作波段，都称为一个通道。
步骤130、基于地表反射率，建立叶绿素a与水体的光谱波段的第一经验反演模型、以及悬浮物与水体的光谱波段的第二经验反演模型；
由于经验模型简单易用且具有较高的精度，本实施例采用经验模型进行水质参数的反演。经验模型是通过建立单个光谱波段或光谱波段组合值与地面监测的水质参数之间的统计关系来计算水质参数值。常用的水质参数方程如公式(4)所示：
Y＝a(X)b+c (4)
式(4)中Y为水质参数(例如叶绿素a的浓度、悬浮物的浓度等)，X为某波段的反射率或波段组合值。系数a、b、c的值随着用于建立回归方程实验数据的不同而不同。
在本实施例的一种具体实现方式中，步骤130可以包括如下具体步骤：
步骤131、采用单波段阈值法对地表反射率进行筛选，提取第一遥感影像数据中水体的第三光谱数据；
目前，关于水体提取的方法有很多种，例如单波段阈值法、基于阈值的多波段谱间关系法、基于阈值的水体指数法。
由于每个地物有独特的波谱反射率，可利用这种差异将其分开，本实施例即采用单波段阈值法提取第一遥感影像数据中水体的第三光谱数据。一般情况下，水体吸收最强的波段为TM5波段(中红外波段)，在这个波段的水体的地表反射率几乎为0，通过选取TM5波段的第一遥感影像数据，选取阈值T，即水体提取的应用模型为TM5≤T。将第一遥感影像数据中地表反射率小于该阈值的水体信息提取出来，得到第三光谱数据。
步骤132、计算第三光谱数据中各波段组合值与叶绿素a之间的第一相关系数；
其中，第三光谱数据为含有各种波段的光谱数据，波段数较多，数据量较大，在本实施例中，以TM遥感影像数据为例，TM影像数据共有7个波段，分别为TM1(蓝光波段)、TM2(绿光波段)、TM3(红光波段)、TM4(近红外波段)、TM5(短波红外波段)、TM6(热红外波段)、TM7(中红外波段)，第三光谱数据中各波段的组合值可以是以上7个波段中任意两者的线性组合，例如，TM1+TM2，或者，TM3-TM1，等等。
步骤133、计算第三光谱数据中各波段组合值与悬浮物之间的第二相关系数；
在本实施例中，第一相关系数和第二相关系数都是相关系数，该相关系数的通用计算公式如公式(5)所示：
其中，r是相关系数，n为样本量，X和Y分别是两个数据集，Xi和Yi分别是第i个样本的(X,Y)，
和
分别是X和Y数据集的均值，SX和SY分别是两个数据集的标准差。
在第一相关系数的计算过程中，X和Y分别为叶绿素a和第三光谱数据中各波段组合值；在第二相关系数的计算过程中，X和Y分别为悬浮物和第三光谱数据中各波段组合值。
步骤134、选择第一相关系数为最大值的波段组合值与叶绿素a建立第一经验反演模型为Y1＝-2.1139*(TM3-TM2)+0.0043；
在本实施例中，将计算得到的第一相关系数进行排序，筛选出最大值的第一相关系数，确定该最大值所对应的波段组合值(即TM3-TM2)，本示例中TM3-TM2与叶绿素浓度的相关系数达到0.746，相关性最大；参考公式(4)，采用最小二乘法建立叶绿素a与该波段组合值的第一经验反演模型。其中，Y1为叶绿素a的浓度，TM2为遥感影像的绿光波段，TM3为遥感影像的红光波段。
步骤135、选择第二相关系数为最大值的波段组合值与悬浮物建立第二经验反演模型为Y2＝2740.9*(TM3-TM1)+10.825；
在本实施例中，将计算得到的第二相关系数进行排序，筛选出最大值的第二相关系数，确定该最大值所对应的波段组合值(即TM3-TM1)，本示例中TM3-TM1与悬浮物的相关系数高达0.847，相关性最大；参考公式(4)，采用最小二乘法建立悬浮物与该波段组合值的第二经验反演模型。其中，Y2为悬浮物的浓度，TM1为遥感影像的蓝光波段，TM3为遥感影像的红光波段。
步骤140、将包含水体且经过大气校正后的第二遥感影像数据输入第一经验反演模型和第二经验反演模型，得到叶绿素a的浓度和悬浮物的浓度；
在本实施例中，第二遥感影像数据为包含水体且经过大气校正后的TM/ETM+影像数据，将第一经验反演模型和第二经验反演模型应用于第二遥感影像数据，进行叶绿素a的浓度和悬浮物的浓度的提取。
步骤150、根据叶绿素a的浓度和悬浮物的浓度、识别水体与矿区的污染关系。
相关研究表明矿区水体污染主要来自废气、废水、废渣的排放，煤矿的开采会使水体中叶绿素a的浓度、悬浮物的浓度较高。
需要说明的是，叶绿素含量(以叶绿素a的浓度为主要参考)是水体理化性质动态变化的综合反映指标，悬浮物浓度的监测则对河流、水质的研究以及湖泊的开发等具有重要意义。在叶绿素a的浓度过高时是会掩盖悬浮物的浓度的真实数值，同样，悬浮物的浓度过高也会掩盖叶绿素a的浓度，当两个参数相互影响时得到的数据是不具备参考价值的；此时通过卫星传感器采集到的遥感影像数据也是不能完全反映出叶绿素a和悬浮物在水体中的真实含量。
因此，在本实施例中，可以通过在空间位置、时间序列这两个方面对叶绿素a的浓度和悬浮物的浓度进行统计分析，确定叶绿素a的浓度和悬浮物的浓度在空间位置上、时间序列上的变化趋势，以识别水体与矿区的污染关系。例如，可以通过叶绿素a的浓度随水体与矿区的距离远近的变化程度来判断叶绿素a的浓度在空间位置上的变化趋势，当水体与矿区距离较远时(除去水体中心位置)，叶绿素a的浓度可能会有所降低；也可以通过悬浮物的浓度随水体与矿区的距离远近的变化程度来判断悬浮物的浓度在空间位置上的变化趋势，当水体与矿区距离越近，悬浮物的浓度可能会越高；还可以通过统计某一水域在一段时间内(几年、十几年)的叶绿素a的浓度和悬浮物的浓度的增长/下降，例如以折线绘图的形式表示每一年的浓度数据，通过不同年份之间的数据连线的折线的斜率来分析浓度的变化趋势(较之前增长/下降)，以识别水体在不同时间段受到矿区的污染程度。
以南四湖的遥感影像数据为例，通过上述方法对该遥感影像数据进行处理后，在空间位置上和时间序列上对叶绿素a的浓度和悬浮物的浓度进行分析，以确定南四湖的水质与矿区污染的关系。图4和图5为南四湖叶绿素a的浓度的分布图，图6是2004年南四湖叶绿素a的浓度随距离变化的关系图，由图4、图6可知，2004年南四湖叶绿素a含量距离矿区越近浓度越低，由于矿区附近悬浮物浓度较高导致其掩盖叶绿素a的部分特征，使叶绿素a浓度在矿区附近出现低值；湖泊中心达到0.020mg/L，距中心附近处叶绿素a浓度值较平稳，约0.013mg/L，随着距矿区越远浓度值逐渐降低，可见距矿区越远对南四湖水质的影响越弱。
图7和图8为南四湖悬浮物的浓度的分布图，图9是2004年南四湖悬浮物的浓度随距离变化的关系图，由图7、8、9可知，2004-2014年间，南四湖湖泊中心悬浮物浓度总体上高于湖泊边缘浓度，说明矿区活动对湖泊中心处的影响更小；从距煤矿区域远近来看，煤矿区域附近悬浮物浓度较高，2004年悬浮物浓度最大值为45.7409mg/L在煤矿区域附近，随着距矿区越远悬浮物浓度呈下降趋势，最低值为12.8327mg/L，下降了71.96％，之后悬浮物浓度趋于平稳，可见煤矿开采使得水体中悬浮物的浓度升高，对水质污染具有显著影响。随着距煤矿越远，水体的悬浮物浓度越低，由此得出煤矿活动对水体中悬浮物的影响较大。
由于大气云层等影响导致叶绿素a及悬浮物的浓度值可能出现误差，为了避免结果的偶然性，本实施例选取1994-2014年南四湖叶绿素a和悬浮物浓度的平均值，以此分析其浓度变化规律。图10是南四湖叶绿素a的浓度和悬浮物的浓度的变化图(煤矿于2000年开始开采)。由图10可知，2000年南四湖附近煤矿进行了开采。从叶绿素a浓度变化曲线看出，煤矿开采前(图10中圆圈圈出来的数据)由于干旱，叶绿素a浓度由0.0057mg/L上升到0.0093mg/L；2000年以后叶绿素a浓度呈上升状态，到2007年上升了83.9％，说明在2000年之后煤矿开采对南四湖产生严重影响；2004年叶绿素a浓度的上升趋势变慢，表明当地开始对南四湖污染问题进行治理，但治理效果较不明显；2007年叶绿素a浓度达到最大值0.0104mg/L并开始呈下降趋势，是由于南四湖水质治理效果显著。此后，叶绿素a浓度处于稳定的波动状态。从1994-2014年悬浮物浓度变化曲线可以看出2000年后煤矿开采活动使得悬浮物浓度出现上升趋势，由13.3988mg/L上升至2004年的27.6084mg/L，此时悬浮物浓度达到峰值并开始下降，说明治理有了明显效果。之后，悬浮物浓度曲线呈现稳定的波动状态。
在本实施例中，对原始遥感影像数据进行大气校正，得到第一遥感影像数据，可以消除大气和光照等因素对地物反射的影响，再次对第一遥感影像数据进行水体校正，能够从卫星图像数据中精确地提取水体参数，得到第一遥感影像数据中水体的地表反射率；再者，叶绿素a和悬浮物是反映水体富营养化程度、污染程度的最主要因子，基于地表反射率，建立水体中叶绿素a与水体的光谱波段的第一经验反演模型，以及建立水体中悬浮物与水体的光谱波段的第二经验反演模型，能够得出水体中叶绿素及生物量的空间分布信息，从而达到监测水体富营养化的目的；而后将第一经验反演模型与第二经验反演模型应用于校正后的第二遥感影像数据，可以直接获得第二遥感影像数据中所含水体的叶绿素a的浓度和悬浮物的浓度；因为矿区所排放的废水、废渣等污染物会对其附近的水体造成污染，矿井水的主要污染物是悬浮物，且矿井水中的有机物会使得水体富营养化(以叶绿素a的浓度为主要检测指标)，因此通过叶绿素a的浓度和悬浮物的浓度两个指标可视化遥感影像数据，能够更为直观地反映水体与矿区的污染关系，以解决现有的水质检测方法不能对整个水域的水体情况进行检测的问题，为水质的监测与治理提供参考依据，同时也提高了水质检测的效率。
实施例二
图11为本发明实施例二提供的一种水体污染的检测装置的结构示意图，该装置具体可以包括如下模块：
数据获取模块210，用于对原始遥感影像数据进行大气校正，得到第一遥感影像数据，其中，所述原始遥感影像数据为与矿区相邻水体所在地表的卫星图像数据；
第一计算模块220，用于对所述第一遥感影像数据进行水体校正，得到所述第一遥感影像数据中水体的地表反射率，其中，所述水体包含叶绿素a和悬浮物；
模型建立模块230，用于基于所述地表反射率，建立所述叶绿素a与所述水体的光谱波段的第一经验反演模型、以及所述悬浮物与所述水体的光谱波段的第二经验反演模型；
第二计算模块240，用于将包含所述水体且经过大气校正后的第二遥感影像数据输入所述第一经验反演模型和所述第二经验反演模型，得到所述叶绿素a的浓度和所述悬浮物的浓度；
污染检测模块250，用于根据所述叶绿素a的浓度和所述悬浮物的浓度、识别所述水体与所述矿区的污染关系。
在本发明的一个实施例中，所述数据获取模块210包括：
参数获取子模块，用于获取所述原始遥感影像数据的大气参数值；
大气校正子模块，用于将所述大气参数值输入到Flaash模块中，并选择大气模型的类型以对原始遥感影像数据进行大气校正，得到所述第一遥感影像数据。
在本发明的一个实施例中，所述第一计算模块220包括：
第一数据获取子模块，用于采用水表面以上的测量方法对与矿区相邻的水体进行采样，得到第一光谱数据；
第二数据获取子模块，用于对所述第一光谱数据进行低通滤波，得到所述水体的第二光谱数据；
离水辐亮度计算子模块，用于将所述第二光谱数据中水面以上的上行辐射率减去天空漫散射光的辐射率，得到离水辐亮度；
遥感反射率计算子模块，用于将所述离水辐亮度除以水面入射辐照度，得到所述水体的遥感反射率；
地表反射率计算子模块，用于根据所述水体的遥感反射率，计算所述第一遥感影像数据中水体的地表反射率。
在本发明的一个实施例中，所述第一数据获取子模块包括：
第一夹角设置单元，用于采集仪器的观测平面与太阳入射平面的夹角在90度到135度范围内；
第二夹角设置单元，用于所述采集仪器与水体平面的法线方向的夹角在30度到45度范围内；
光谱测量单元，用于选择在湖面风平浪静的情况下，从10：00到16：00间对所述水体进行光谱测量，得到所述第一光谱数据。
所述地表反射率计算子模块还用于：
根据以下公式计算所述第一遥感影像数据中水体的地表反射率：
其中R是所述第一遥感影像数据中水体的地表反射率，λ为卫星传感器的光谱通道的波长，λmin为卫星传感器的光谱通道的起始波长，λmax为卫星传感器的光谱通道的终止波长，r(λ)为对应λ波长的所述水体的遥感反射率，f(λ)为光谱响应函数。
在本发明的一个实施例中，所述模型建立模块230包括：
第三数据获取子模块，用于采用单波段阈值法对所述地表反射率进行筛选，提取所述第一遥感影像数据中水体的第三光谱数据；
第一相关系数计算子模块，用于计算所述第三光谱数据中各波段组合值与所述叶绿素a之间的第一相关系数；
第二相关系数计算子模块，用于计算所述第三光谱数据中各波段组合值与所述悬浮物之间的第二相关系数；
第一经验模型建立子模块，用于选择所述第一相关系数为最大值的波段组合值与所述叶绿素a建立所述第一经验反演模型为Y1＝-2.1139*(TM3-TM2)+0.0043；其中，Y1为叶绿素a的浓度，TM2为遥感影像的绿光波段，TM3为遥感影像的红光波段。
第二经验模型建立子模块，用于选择所述第二相关系数为最大值的波段组合值与所述悬浮物建立所述第二经验反演模型为Y2＝2740.9*(TM3-TM1)+10.825；其中，Y2为悬浮物的浓度，TM1为遥感影像的蓝光波段，TM3为遥感影像的红光波段。
在本发明的一个实施例中，所述污染检测模块250包括：
第一统计子模块，用于在空间位置上统计所述叶绿素a的浓度和所述悬浮物的浓度；
第二统计子模块，用于在时间序列上统计所述叶绿素a的浓度和悬浮物的浓度；
污染识别子模块，用于确定所述叶绿素a的浓度和所述悬浮物的浓度在所述空间位置上、所述时间序列上的变化趋势，以识别所述水体与所述矿区的污染关系。
本发明实施例所提供的水体污染的检测装置可执行本发明任意实施例所提供的水体污染的检测方法，具备执行方法相应的功能模块和有益效果。
实施例三
图12为本发明实施例三提供的一种计算机设备的结构示意图。如图12所示，该计算机设备包括处理器400、存储器401、通信模块402、输入装置403和输出装置404；计算机设备中处理器400的数量可以是一个或多个，图12中以一个处理器400为例；计算机设备中的处理器400、存储器401、通信模块402、输入装置403和输出装置404可以通过总线或其他方式连接，图12中以通过总线连接为例。
存储器401作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本实施例中的水体污染的检测方法对应的模块(例如，如图11所示的水体污染的检测装置中的数据获取模块210、第一计算模块220、模型建立模块230、第二计算模块240和污染检测模块250)。处理器400通过运行存储在存储器401中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的水体污染的检测方法。
存储器401可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器401可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器401可进一步包括相对于处理器400远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块402，用于与显示屏建立连接，并实现与显示屏的数据交互。
输入装置403可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入，还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。
输出装置404可以包括扬声器等音频设备。
需要说明的是，输入装置403和输出装置404的具体组成可以根据实际情况设定。
处理器400通过运行存储在存储器401中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的电子白板的连接节点控制方法。
本实施例提供的计算机设备，可执行本发明任一实施例提供的水体污染的检测方法，具体相应的功能和有益效果。
实施例四
本发明实施例四还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现一种水体污染的检测方法，该方法包括：
对原始遥感影像数据进行大气校正，得到第一遥感影像数据，其中，所述原始遥感影像数据为与矿区相邻水体所在地表的卫星图像数据；
对所述第一遥感影像数据进行水体校正，得到所述第一遥感影像数据中水体的地表反射率，其中，所述水体包含叶绿素a和悬浮物；
基于所述地表反射率，建立所述叶绿素a与所述水体的光谱波段的第一经验反演模型、以及所述悬浮物与所述水体的光谱波段的第二经验反演模型；
将包含所述水体且经过大气校正后的第二遥感影像数据输入所述第一经验反演模型和所述第二经验反演模型，得到所述叶绿素a的浓度和所述悬浮物的浓度；
根据所述叶绿素a的浓度和所述悬浮物的浓度、识别所述水体与所述矿区的污染关系。
当然,本发明实施例所提供的计算机可读存储介质,其计算机程序不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的水体污染的检测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述水体污染的检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种水体污染的检测方法，其特征在于，包括：
对原始遥感影像数据进行大气校正，得到第一遥感影像数据，其中，所述原始遥感影像数据为与矿区相邻水体所在地表的卫星图像数据；
对所述第一遥感影像数据进行水体校正，得到所述第一遥感影像数据中水体的地表反射率，其中，所述水体包含叶绿素a和悬浮物；
基于所述地表反射率，建立所述叶绿素a与所述水体的光谱波段的第一经验反演模型、以及所述悬浮物与所述水体的光谱波段的第二经验反演模型；
将包含所述水体且经过大气校正后的第二遥感影像数据输入所述第一经验反演模型和所述第二经验反演模型，得到所述叶绿素a的浓度和所述悬浮物的浓度；
根据所述叶绿素a的浓度和所述悬浮物的浓度、识别所述水体与所述矿区的污染关系。
2.根据权利要求1所述的方法，其特征在于，所述对原始遥感影像数据进行大气校正，得到第一遥感影像数据，包括：
获取所述原始遥感影像数据的大气参数值；
将所述大气参数值输入到Flaash模块中，并选择大气模型的类型以对原始遥感影像数据进行大气校正，得到所述第一遥感影像数据。
3.根据权利要求1所述的方法，其特征在于，所述对所述第一遥感影像数据进行水体校正，得到所述第一遥感影像数据中水体的地表反射率，包括：
采用水表面以上的测量方法对与矿区相邻的水体进行采样，得到第一光谱数据；
对所述第一光谱数据进行低通滤波，得到所述水体的第二光谱数据；
将所述第二光谱数据中水面以上的上行辐射率减去天空漫散射光的辐射率，得到离水辐亮度；
将所述离水辐亮度除以水面入射辐照度，得到所述水体的遥感反射率；
根据所述水体的遥感反射率，计算所述第一遥感影像数据中水体的地表反射率。
4.根据权利要求3所述的方法，其特征在于，所述采用水表面以上的测量方法对与矿区相邻的水体进行采样，得到第一光谱数据，包括：
采集仪器的观测平面与太阳入射平面的夹角在90度到135度范围内；
所述采集仪器与水体平面的法线方向的夹角在30度到45度范围内；
选择在湖面风平浪静的情况下，从10：00到16：00间对所述水体进行光谱测量，得到所述第一光谱数据。
5.根据权利要求3所述的方法，其特征在于，所述根据所述水体的遥感反射率，计算所述第一遥感影像数据中水体的地表反射率，包括：
根据以下公式计算所述第一遥感影像数据中水体的地表反射率：
其中R是所述第一遥感影像数据中水体的地表反射率，λ为卫星传感器的光谱通道的波长，λmin为卫星传感器的光谱通道的起始波长，λmax为卫星传感器的光谱通道的终止波长，r(λ)为对应λ波长的所述水体的遥感反射率，f(λ)为光谱响应函数。
6.根据权利要求5所述的方法，其特征在于，所述基于所述地表反射率，建立所述叶绿素a与所述水体的光谱波段的第一经验反演模型、以及所述悬浮物与所述水体的光谱波段的第二经验反演模型，包括：
采用单波段阈值法对所述地表反射率进行筛选，提取所述第一遥感影像数据中水体的第三光谱数据；
计算所述第三光谱数据中各波段组合值与所述叶绿素a之间的第一相关系数；
计算所述第三光谱数据中各波段组合值与所述悬浮物之间的第二相关系数；
选择所述第一相关系数为最大值的波段组合值与所述叶绿素a建立所述第一经验反演模型为Y1＝-2.1139*(TM3-TM2)+0.0043；
选择所述第二相关系数为最大值的波段组合值与所述悬浮物建立所述第二经验反演模型为Y2＝2740.9*(TM3-TM1)+10.825；
其中，Y1为叶绿素a的浓度，Y2为悬浮物的浓度，TM1为遥感影像的蓝光波段，TM2为遥感影像的绿光波段，TM3为遥感影像的红光波段。
7.根据权利要求6所述的方法，其特征在于，所述根据所述叶绿素a的浓度和所述悬浮物的浓度、识别所述水体与所述矿区的污染关系，包括：
在空间位置上统计所述叶绿素a的浓度和所述悬浮物的浓度；
在时间序列上统计所述叶绿素a的浓度和悬浮物的浓度；
确定所述叶绿素a的浓度和所述悬浮物的浓度在所述空间位置上、所述时间序列上的变化趋势，以识别所述水体与所述矿区的污染关系。
8.一种水体污染的检测装置，其特征在于，包括：
数据获取模块，用于对原始遥感影像数据进行大气校正，得到第一遥感影像数据，其中，所述原始遥感影像数据为与矿区相邻水体所在地表的卫星图像数据；
第一计算模块，用于对所述第一遥感影像数据进行水体校正，得到所述第一遥感影像数据中水体的地表反射率，其中，所述水体包含叶绿素a和悬浮物；
模型建立模块，用于基于所述地表反射率，建立所述叶绿素a与所述水体的光谱波段的第一经验反演模型、以及所述悬浮物与所述水体的光谱波段的第二经验反演模型；
第二计算模块，用于将包含所述水体且经过大气校正后的第二遥感影像数据输入所述第一经验反演模型和所述第二经验反演模型，得到所述叶绿素a的浓度和所述悬浮物的浓度；
污染检测模块，用于根据所述叶绿素a的浓度和所述悬浮物的浓度、识别所述水体与所述矿区的污染关系。
9.一种计算机设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的水体污染的检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的水体污染的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010852155.3A CN112014331A (zh) | 2020-08-21 | 2020-08-21 | 一种水体污染的检测方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010852155.3A CN112014331A (zh) | 2020-08-21 | 2020-08-21 | 一种水体污染的检测方法、装置、设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112014331A true CN112014331A (zh) | 2020-12-01 |
Family
ID=73505537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010852155.3A Pending CN112014331A (zh) | 2020-08-21 | 2020-08-21 | 一种水体污染的检测方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112014331A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112763425A (zh) * | 2020-12-14 | 2021-05-07 | 广东省科学院广州地理研究所 | 一种河口浑浊带识别方法和识别系统 |
| CN113049500A (zh) * | 2021-03-19 | 2021-06-29 | 杭州海康威视数字技术股份有限公司 | 水质检测模型训练和水质检测方法、电子设备及存储介质 |
| CN113536606A (zh) * | 2021-09-15 | 2021-10-22 | 成都同飞科技有限责任公司 | 一种水体水质变化检测方法及系统、存储介质和装置 |
| CN113552034A (zh) * | 2021-07-12 | 2021-10-26 | 大连理工大学 | 浅水湖泊悬浮颗粒物浓度modis影像遥感反演方法 |
| CN113916808A (zh) * | 2021-09-02 | 2022-01-11 | 自然资源部第二海洋研究所 | 一种营养盐浓度的获得方法、装置、终端设备及存储介质 |
| CN114018338A (zh) * | 2021-11-17 | 2022-02-08 | 天津市水利科学研究院 | 基于光谱指数模型的水体识别系统 |
| CN114841083A (zh) * | 2022-07-04 | 2022-08-02 | 江苏瑞立环保工程股份有限公司 | 基于空间污染治理大数据的水体污泥自动分析模型及方法 |
| CN115639159A (zh) * | 2022-12-08 | 2023-01-24 | 航天宏图信息技术股份有限公司 | 一种基于多光谱影像的废水污染监测方法和装置 |
| CN116067897A (zh) * | 2022-12-27 | 2023-05-05 | 二十一世纪空间技术应用股份有限公司 | 一种基于集成因子体系的叶绿素a浓度反演方法、系统 |
| CN113450425B (zh) * | 2021-06-08 | 2023-07-28 | 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 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105092476A (zh) * | 2015-08-20 | 2015-11-25 | 中山大学 | 同时反演内陆水体混浊度、cod和叶绿素浓度的方法 |
| RU2015102402A (ru) * | 2015-01-26 | 2016-08-10 | Федеральное государственное казенное военное образовательное учреждение высшего профессионального образования "Военно-космическая академия имени А.Ф. Можайского" Министерства обороны Российской Федерации | Способ оценки уровня загрязнения акваторий по гиперспектральным данным аэрокосмического зондирования |
| 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 |
| CN106950197A (zh) * | 2017-03-03 | 2017-07-14 | 环境保护部卫星环境应用中心 | 排污口污染水体的遥感提取方法、装置和系统 |
| CN107014763A (zh) * | 2017-04-07 | 2017-08-04 | 山东理工大学 | 叶绿素遥感反演装置及方法 |
| CN110865040A (zh) * | 2019-11-29 | 2020-03-06 | 深圳航天智慧城市系统技术研究院有限公司 | 天空地一体化高光谱水质监测分析方法 |
| CN111272662A (zh) * | 2019-11-18 | 2020-06-12 | 深圳市深水水务咨询有限公司 | 一种基于遥感光谱的城市黑臭水体识别方法 |
| AU2020101095A4 (en) * | 2020-06-23 | 2020-07-23 | Tarim University | A Satellite Remote Sensing Monitoring Method for the Content of Chlorophyll A in the Canopy of Jujube Trees |
-
2020
- 2020-08-21 CN CN202010852155.3A patent/CN112014331A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2015102402A (ru) * | 2015-01-26 | 2016-08-10 | Федеральное государственное казенное военное образовательное учреждение высшего профессионального образования "Военно-космическая академия имени А.Ф. Можайского" Министерства обороны Российской Федерации | Способ оценки уровня загрязнения акваторий по гиперспектральным данным аэрокосмического зондирования |
| CN105092476A (zh) * | 2015-08-20 | 2015-11-25 | 中山大学 | 同时反演内陆水体混浊度、cod和叶绿素浓度的方法 |
| 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 |
| CN106950197A (zh) * | 2017-03-03 | 2017-07-14 | 环境保护部卫星环境应用中心 | 排污口污染水体的遥感提取方法、装置和系统 |
| CN107014763A (zh) * | 2017-04-07 | 2017-08-04 | 山东理工大学 | 叶绿素遥感反演装置及方法 |
| CN111272662A (zh) * | 2019-11-18 | 2020-06-12 | 深圳市深水水务咨询有限公司 | 一种基于遥感光谱的城市黑臭水体识别方法 |
| CN110865040A (zh) * | 2019-11-29 | 2020-03-06 | 深圳航天智慧城市系统技术研究院有限公司 | 天空地一体化高光谱水质监测分析方法 |
| AU2020101095A4 (en) * | 2020-06-23 | 2020-07-23 | Tarim University | A Satellite Remote Sensing Monitoring Method for the Content of Chlorophyll A in the Canopy of Jujube Trees |
Non-Patent Citations (2)
| Title |
|---|
| 赵文吉等: "3S综合实习指导书 以野鸭湖湿地为例", 31 March 2012, 北京：中国环境科学出版社, pages: 142 * |
| 邢晓达等: "基于HJ-CCD的漫湾坝区河流悬浮物浓度遥感反演", 遥感技术与应用, vol. 31, no. 4, 31 August 2016 (2016-08-31), pages 682 - 690 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112763425B (zh) * | 2020-12-14 | 2021-12-28 | 广东省科学院广州地理研究所 | 一种河口浑浊带识别方法和识别系统 |
| CN112763425A (zh) * | 2020-12-14 | 2021-05-07 | 广东省科学院广州地理研究所 | 一种河口浑浊带识别方法和识别系统 |
| CN113049500A (zh) * | 2021-03-19 | 2021-06-29 | 杭州海康威视数字技术股份有限公司 | 水质检测模型训练和水质检测方法、电子设备及存储介质 |
| CN113049500B (zh) * | 2021-03-19 | 2022-12-06 | 杭州海康威视数字技术股份有限公司 | 水质检测模型训练和水质检测方法、电子设备及存储介质 |
| CN113450425B (zh) * | 2021-06-08 | 2023-07-28 | 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 |
| CN113552034B (zh) * | 2021-07-12 | 2022-05-13 | 大连理工大学 | 浅水湖泊悬浮颗粒物浓度modis影像遥感反演方法 |
| CN113552034A (zh) * | 2021-07-12 | 2021-10-26 | 大连理工大学 | 浅水湖泊悬浮颗粒物浓度modis影像遥感反演方法 |
| CN113916808B (zh) * | 2021-09-02 | 2022-05-27 | 自然资源部第二海洋研究所 | 一种营养盐浓度的获得方法、装置、终端设备及存储介质 |
| CN113916808A (zh) * | 2021-09-02 | 2022-01-11 | 自然资源部第二海洋研究所 | 一种营养盐浓度的获得方法、装置、终端设备及存储介质 |
| CN113536606A (zh) * | 2021-09-15 | 2021-10-22 | 成都同飞科技有限责任公司 | 一种水体水质变化检测方法及系统、存储介质和装置 |
| CN114018338A (zh) * | 2021-11-17 | 2022-02-08 | 天津市水利科学研究院 | 基于光谱指数模型的水体识别系统 |
| CN114018338B (zh) * | 2021-11-17 | 2023-08-22 | 天津市水利科学研究院 | 基于光谱指数模型的水体识别系统 |
| CN114841083A (zh) * | 2022-07-04 | 2022-08-02 | 江苏瑞立环保工程股份有限公司 | 基于空间污染治理大数据的水体污泥自动分析模型及方法 |
| CN114841083B (zh) * | 2022-07-04 | 2022-09-06 | 江苏瑞立环保工程股份有限公司 | 基于空间污染治理大数据的水体污泥自动分析方法 |
| CN115639159A (zh) * | 2022-12-08 | 2023-01-24 | 航天宏图信息技术股份有限公司 | 一种基于多光谱影像的废水污染监测方法和装置 |
| CN116067897A (zh) * | 2022-12-27 | 2023-05-05 | 二十一世纪空间技术应用股份有限公司 | 一种基于集成因子体系的叶绿素a浓度反演方法、系统 |
| CN116067897B (zh) * | 2022-12-27 | 2024-02-09 | 二十一世纪空间技术应用股份有限公司 | 一种基于集成因子体系的叶绿素a浓度反演方法、系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112014331A (zh) | 一种水体污染的检测方法、装置、设备以及存储介质 | |
| Xie et al. | Evaluation of Landsat 8 OLI imagery for unsupervised inland water extraction | |
| Garcia et al. | Quantification of floating macroalgae blooms using the scaled algae index | |
| Jin et al. | Comparison of different satellite bands and vegetation indices for estimation of soil organic matter based on simulated spectral configuration | |
| Jiang et al. | Remote estimation of chlorophyll a concentrations over a wide range of optical conditions based on water classification from VIIRS observations | |
| Han et al. | A smartphone-based soil color sensor: For soil type classification | |
| Slonecker et al. | The new Landsat 8 potential for remote sensing of colored dissolved organic matter (CDOM) | |
| Binding et al. | An algorithm for the retrieval of suspended sediment concentrations in the Irish Sea from SeaWiFS ocean colour satellite imagery | |
| Zhao et al. | Assessment of satellite-derived diffuse attenuation coefficients and euphotic depths in south Florida coastal waters | |
| Chen et al. | Evaluation of a three-band model for estimating chlorophyll-a concentration in tidal reaches of the Pearl River Estuary, China | |
| CN112766075A (zh) | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 | |
| CN109300133B (zh) | 一种城市河网区水体提取方法 | |
| Wang et al. | Estimation of chlorophyll a content in inland turbidity waters using WorldView-2 imagery: a case study of the Guanting Reservoir, Beijing, China | |
| Kirby et al. | Assessing the Raspberry Pi as a low-cost alternative for acquisition of near infrared hemispherical digital imagery | |
| CN115235997A (zh) | 一种基于卫星高光谱影像的土壤质地反演方法 | |
| Jiang et al. | An absorption-specific approach to examining dynamics of particulate organic carbon from VIIRS observations in inland and coastal waters | |
| Peddle et al. | Radiometric image processing | |
| CN108734150B (zh) | 应用于林火热点判别的avhrr传感器多时相红外辐射归一方法 | |
| CN108198178B (zh) | 大气程辐射值的确定方法和装置 | |
| Liu et al. | Combination of effective color information and machine learning for rapid prediction of soil water content | |
| CN111521575B (zh) | 质控物质选择方法及装置 | |
| CN117491293A (zh) | 一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法 | |
| Isenstein et al. | Multispectral remote sensing of harmful algal blooms in Lake Champlain, USA | |
| Ilangakoon et al. | Estimating leaf area index by bayesian linear regression using terrestrial Lidar, LAI-2200 plant canopy analyzer, and landsat tm spectral indices | |
| Mbuh | Use of hyperspectral remote sensing to estimate water quality |
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 |