CN112504979A - 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 - Google Patents
一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 Download PDFInfo
- Publication number
- CN112504979A CN112504979A CN202011261604.3A CN202011261604A CN112504979A CN 112504979 A CN112504979 A CN 112504979A CN 202011261604 A CN202011261604 A CN 202011261604A CN 112504979 A CN112504979 A CN 112504979A
- Authority
- CN
- China
- Prior art keywords
- pixel spectral
- remote sensing
- chlorophyll concentration
- sensing image
- pixel
- 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
- 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 title claims abstract description 178
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 155
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 155
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000003595 spectral effect Effects 0.000 claims abstract description 204
- 238000002310 reflectometry Methods 0.000 claims abstract description 98
- 238000005070 sampling Methods 0.000 claims abstract description 72
- 238000001228 spectrum Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012937 correction Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 229930002868 chlorophyll a Natural products 0.000 description 23
- 238000010521 absorption reaction Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004836 empirical method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 241000195493 Cryptophyta Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- UPYKUZBSLRQECL-UKMVMLAPSA-N Lycopene Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1C(=C)CCCC1(C)C)C=CC=C(/C)C=CC2C(=C)CCCC2(C)C UPYKUZBSLRQECL-UKMVMLAPSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 150000001746 carotenes Chemical class 0.000 description 1
- 235000005473 carotenes Nutrition 0.000 description 1
- 235000021466 carotenoid Nutrition 0.000 description 1
- 150000001747 carotenoids Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- NCYCYZXNIZJOKI-UHFFFAOYSA-N vitamin A aldehyde Natural products O=CC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C NCYCYZXNIZJOKI-UHFFFAOYSA-N 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
- 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
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
Abstract
本发明公开了一种基于高光谱遥感的水体叶绿素浓度反演方法及装置，其中方法包括：获取与目标区域对应的目标采样高光谱遥感影像；获取目标区域内若干采样站点的叶绿素浓度实测值；基于目标采样高光谱遥感影像获取与各采样站点对应的像元光谱曲线；从像元光谱曲线中获取若干第一像元光谱曲线；基于各第一像元光谱曲线获取与各第一像元光谱曲线对应的特征波段反射率；基于与各第一像元光谱曲线对应的特征波段反射率以及与各所述第一像元光谱曲线对应的叶绿素浓度实测值进行模型训练，获得叶绿素浓度的反演模型；基于叶绿素浓度反演模型对所述目标区域的高光谱遥感影像进行叶绿素浓度的反演。
Description
技术领域
本发明涉及水环境定量遥感技术领域，特别涉及一种基于高光谱遥感的水体叶绿素浓度反演方法及装置。
背景技术
针对内陆湖泊众多，且受工业污染和生活污染影响较大，导致湖泊藻类大量繁殖使得湖泊富营养化越来越严重的情况,目前，水质监测常用的方法有半经验法、半分析法、人工智能模型，使用的遥感数据源主要有SeaWIFS、MODIS、Landsat TM、SPOT、ERS-2等。半经验方法是考虑水质参数光谱特征对水质参数浓度的影响，利用光谱的特征波段或波段组合与水质参数浓度建立相关关系。半分析法是通过建立辐射传输模型来确定各组分与反射率之间的关系，利用建立的模型用反射率反向计算水体中各组分的含量。人工智能模型是利用多种人工智能算法模拟水体辐射传输过程。一旦人工智能模型训练好，可以快速地反演多个水体要素。
然而现有的方法均存在如下缺陷：半经验方法简单，多采用波段比值组合模型，但是建立的模型难以在时空尺度上进行推广。半分析方法由于涉及大量参数的测量，如水体的固有光学量和表观光学量，加上水体本身反射率较小，对参数的测量较为困难，在解析模型的推导过程中一些水质参数的吸收或散射系数需引用前人研究的经验公式，使得所得半分析模型的反演精度无法保证。人工智能模型的劣势是受训练样本的影响较大，因此训练样本应尽量覆盖可能的数值范围；但是现有技术多采用多光谱影像作为数据源，多光谱影像波段较少，光谱分辨率较低，无法精细地描绘水体的光谱曲线，因此可用于分析构建反演模型的波段较少。空间分辨率较低，从影像上提取影像值的位置与采样点的位置有偏差，由此引入的误差会对建立模型的反演精度有一定的影响。时间上影像获取时间与采样点叶绿素浓度获取时间不同步，会引入一定的不同步误差，对所建立的反演模型及反演精度仍具有一定的影响。
发明内容
本发明实施例的目的在于提供一种基于高光谱遥感的水体叶绿素浓度反演方法及装置，用于解决现有技术中对水体中叶绿素浓度监测不够准确的问题。
为了解决上述技术问题，本申请的实施例采用了如下技术方案：一种基于高光谱遥感的水体叶绿素浓度反演方法，包括如下步骤：
获取与目标区域对应的目标采样高光谱遥感影像；
获取所述目标区域内若干采样站点的叶绿素浓度实测值；
基于所述目标采样高光谱遥感影像获取与各所述采样站点对应的像元光谱曲线；
从所述像元光谱曲线中获取若干第一像元光谱曲线；
基于各所述第一像元光谱曲线获取与各所述第一像元光谱曲线对应的特征波段反射率；
基于与各所述第一像元光谱曲线对应的特征波段反射率以及与各所述第一像元光谱曲线对应的叶绿素浓度实测值进行模型训练，获得叶绿素浓度的反演模型；
基于所述叶绿素浓度反演模型对所述目标区域的高光谱遥感影像进行叶绿素浓度的反演。
可选的，所述获取与目标区域对应的目标采样高光谱遥感影像，具体包括：
获取与目标区域对应的原始采样高光谱遥感影像；
对所述原始采样高光谱遥感影像进行辐射亮度标定处理，获得辐射亮度标定后的第一高光谱遥感影像；
对所述第一高光谱遥感影像进行大气校正处理，获得第二高光谱遥感影像；
对所述第二高光谱遥感影像进行正射校正处理；获得第三高光谱遥感影像；
对所述第三高光谱遥感影像进行几何校正处理，获得所述目标采样高光谱遥感影像。
可选的，所述基于各所述第一像元光谱曲线获取与各所述第一像元光谱曲线对应的特征波段反射率，具体包括：
对各所述第一像元光谱曲线进行特征波段分析，获得与各所述第一像元光谱曲线对应的第一特征波段；
基于各所述第一特征波段获取与各所述第一特征波段对应的单波段反射率或波段反射率组合值，以获得所述与各第一像元光谱曲线对应的波段反射率。
可选的，所述模型训练，包括：基于与各所述第一像元光谱曲线对应的特征波段反射率以及与各所述第一像元光谱曲线对应的叶绿素浓度实测值进行相关度计算，获得与各所述第一像元光谱曲线对应的特征波段反射率与叶绿素浓度实测值的相关系数；
基于与各所述第一像元光谱曲线对应的相关系数对各所述第一像元光谱曲线进行筛选，获得用于进行模型训练的目标像元光谱曲线。
可选的，所述方法还包括：从所述像元光谱曲线中获取若干第二像元光谱曲线；
基于各所述第二像元光谱曲线获取与各所述第二像元光谱曲线对应的特征波段反射率；
基于各所述特征波段反射率以及所述叶绿素浓度反演模型计算获得与各所述第二像元光谱曲线对应的叶绿素浓度的反演值；
基于与各所述第二像元光谱曲线对应叶绿素浓度实测值以及与各所述第二像元光谱曲线对应的叶绿素浓度的反演值，对所述叶绿素浓度反演模型进行验证，以在验证符合预定条件的情况下，确定所述叶绿素浓度反演模型为目标叶绿素浓度反演模型。
为解决上述问题，本申请提供一种基于高光谱遥感的水体叶绿素浓度反演装置，包括：
第一获取模块，用于获取与目标区域对应的目标采样高光谱遥感影像；
第二获取模块，用于获取所述目标区域内若干采样站点的叶绿素浓度实测值；
第三获取模块，用于基于所述目标采样高光谱遥感影像获取与各所述采样站点对应的像元光谱曲线；
第四获取模块，用于从所述像元光谱曲线中获取若干第一像元光谱曲线；
第五获取模块，用于基于各所述第一像元光谱曲线获取与各所述第一像元光谱曲线对应的特征波段反射率；
模型训练模块，用于基于与各所述第一像元光谱曲线对应的特征波段反射率以及与各所述第一像元光谱曲线对应的叶绿素浓度实测值进行模型训练，获得叶绿素浓度的反演模型；
反演模块，用于基于所述叶绿素浓度反演模型对所述目标区域的高光谱遥感影像进行叶绿素浓度的反演。
可选的，所述第一获取模块，具体用于：
获取与目标区域对应的原始采样高光谱遥感影像；
对所述原始采样高光谱遥感影像进行辐射亮度标定处理，获得辐射亮度标定后的第一高光谱遥感影像；
对所述第一高光谱遥感影像进行大气校正处理，获得第二高光谱遥感影像；
对所述第二高光谱遥感影像进行正射校正处理；获得第三高光谱遥感影像；
对所述第三高光谱遥感影像进行几何校正处理，获得所述目标采样高光谱遥感影像。
可选的，所述第五获取模块，具体用于：
对各所述第一像元光谱曲线进行特征波段分析，获得与各所述第一像元光谱曲线对应的第一特征波段；
基于各所述第一特征波段获取与各所述第一特征波段对应的单波段反射率或波段反射率组合值，以获得所述与各第一像元光谱曲线对应的特征波段反射率。
可选的，还配置有筛选模块，所述筛选模块用于：
基于与各所述第一像元光谱曲线对应的特征波段反射率以及与各所述第一像元光谱曲线对应的叶绿素浓度实测值进行相关度计算，获得与各所述第一像元光谱曲线对应的特征波段反射率与叶绿素浓度实测值的相关系数；
基于与各所述第一像元光谱曲线对应的相关系数对各所述第一像元光谱曲线进行筛选，获得用于进行模型训练的目标像元光谱曲线。
可选的，所述装置能够进一步地：
从所述像元光谱曲线中获取若干第二像元光谱曲线；
基于各所述第二像元光谱曲线获取与各所述第二像元光谱曲线对应的特征波段反射率；
且
所述装置配置有验证模块，所述验证模块用于：
基于各所述特征波段反射率以及所述叶绿素浓度反演模型计算获得与各所述第二像元光谱曲线对应的叶绿素浓度的反演值；
基于与各所述第二像元光谱曲线对应叶绿素浓度实测值以及与各所述第二像元光谱曲线对应的叶绿素浓度的反演值，对所述叶绿素浓度反演模型进行验证，以在验证符合预定条件的情况下，确定所述叶绿素浓度反演模型为目标叶绿素浓度反演模型。
本发明通过获取与采样站点对应的像元光谱曲线的特征波段反射率，利于采样站点的叶绿素浓度实测值以及获得的特征波段反射率，计算获得叶绿素浓度反演模型，最后就可以利用该叶绿素浓度反演模型对目标区域的高光谱遥感影像进行反演计算，能够准确的获得目标区域的水体中的叶绿素浓度。
附图说明
图1为本发明实施例一种基于高光谱遥感的水体叶绿素浓度反演方法流程图
图2为本发明实施例中大气校正处理前的植被像元光谱曲线图；
图3本发明实施例中大气校校正处理后的植被像元光谱曲线图；
图4为本发明实施例中遥感影像中对应于采样站点的光谱曲线图；
图5为本发明实施例中一种基于高光谱遥感的水体叶绿素浓度反演装置结构框图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是，可以对此处申请的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例，并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时，鉴于以下详细说明，本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例；然而，应当理解，所申请的实施例仅仅是本申请的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此，本文所申请的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本申请的相同或不同实施例中的一个或多个。
本发明实施例提供一种基于高光谱遥感的水体叶绿素浓度反演方法，如图1所示，包括如下步骤：
步骤一：获取与目标区域对应的目标采样高光谱遥感影像；
本步骤在具体实施过程是需要先获取与目标区域对应的原始采样高光谱遥感影像，然后对原始采样高光谱遥感影像进行处理获得目标采样高光谱遥感影像，具体处理过程包括：对所述原始采样高光谱遥感影像进行辐射亮度标定处理，获得辐射亮度标定后的第一高光谱遥感影像；对所述第一高光谱遥感影像进行大气校正处理，获得第二高光谱遥感影像；对所述第二高光谱遥感影像进行正射校正处理；获得第三高光谱遥感影像；对所述第三高光谱遥感影像进行几何校正处理，获得所述目标采样高光谱遥感影像。
步骤二：获取所述目标区域内若干采样站点的叶绿素浓度实测值；
步骤三：基于所述目标采样高光谱遥感影像获取与各所述采样站点对应的像元光谱曲线；
步骤四：从所述像元光谱曲线中获取若干第一像元光谱曲线；
本步骤在具体实施过程中可以从像元光谱曲线中挑选出一部分作为第一像元光谱曲线，利用该部分第一像元光谱曲线来训练反演模型。
步骤五：基于各所述第一像元光谱曲线获取与各所述第一像元光谱曲线对应的特征波段反射率；
本步骤在具体实施过程中，需要先对各所述第一像元光谱曲线进行特征波段分析，获得与各所述第一像元光谱曲线对应的第一特征波段；然后基于各所述第一特征波段获取与各所述第一特征波段对应的单波段反射率或波段反射率组合值，以获得所述与各第一像元光谱曲线对应的波段反射率。
步骤六：基于与各所述第一像元光谱曲线对应的特征波段反射率以及与各所述第一像元光谱曲线对应的叶绿素浓度实测值进行模型训练，获得叶绿素浓度的反演模型；
步骤七：基于所述叶绿素浓度反演模型对所述目标区域的高光谱遥感影像进行叶绿素浓度的反演。
在一些实施例中，本申请可以基于模型训练方法实现，或者包括模型训练方法。在一些实施例中，本申请的模型训练的方式，可以在步骤六利用与各所述第一像元光谱曲线对应的特征波段反射率训练叶绿素浓度反演模型之前，还可以对各第一像元光谱曲线进行筛选，以筛选出符合预定条件的目标像元光谱曲线。具体筛选过程包括：基于与各所述第一像元光谱曲线对应的特征波段反射率以及与各所述第一像元光谱曲线对应的叶绿素浓度实测值进行相关度计算，获得与各所述第一像元光谱曲线对应的特征波段反射率与叶绿素浓度实测值的相关系数；基于与各所述第一像元光谱曲线对应的相关系数对各所述第一像元光谱曲线进行筛选，获得用于进行模型训练的目标像元光谱曲线。本实施例中通过对第一像元光谱曲线进行筛选来获得目标像元光谱曲线，然后就可以利用与目标像元光谱曲线对应的特征波段反射率以及叶绿素浓度实测值来进模型训练，能够使得训练获得的叶绿素浓度反演模型更加准确，为后续利用该模型准确的监测水体中的叶绿素浓度提供了基础。
本实施例中在步骤七获得叶绿素浓度反演模型之后，还可以利用像元光谱曲线中剩余部分的像元光谱曲线进一步对该模型进行验证。具体验证过程包括：从所述像元光谱曲线中获取若干第二像元光谱曲线；即通过对像元光谱曲线划分成两部分，一部分包括若干第一像元光谱曲线、用于训练模型，另一部分包括若干第二像元光谱曲线、用于验证模型。在获得若干第二像元光谱曲线后就可以基于各所述第二像元光谱曲线获取与各所述第二像元光谱曲线对应的特征波段反射率；然后基于各所述特征波段反射率以及所述叶绿素浓度反演模型计算获得与各所述第二像元光谱曲线对应的叶绿素浓度的反演值；接着就可以基于与各所述第二像元光谱曲线对应叶绿素浓度实测值以及与各所述第二像元光谱曲线对应的叶绿素浓度的反演值，对所述叶绿素浓度反演模型进行验证，验证其不符合预定条件的情况下，通过本申请各实施例的模型训练的方式，重新构建或者修正所述叶绿素浓度反演模型直至符合预定条件；或者经过对所述叶绿素浓度反演模型验证，在在验证符合预定条件的情况下，确定所述叶绿素浓度反演模型为目标叶绿素浓度反演模型。具体的在一些实施例中，通过利用获得的反演值和实测值来计算均方根误差和相对误差，然后根据误差是否符合预定的阈值来确定叶绿素浓度反演模型是否符合条件，在计算获得的均方根误差和相对误差符合预定的阈值的情况下，则可以验证叶绿素浓度反演模型符合条件，由此就可以确定该叶绿素浓度反演模型为目标叶绿素浓度反演模型，后续就可以利用该目标叶绿素浓度反演模型来对目标区域水体中的整体叶绿素浓度进行监测。本步骤中，在获取与各第二像元光谱曲线对应的特征波段反射率时，具体也是对各所述第二像元光谱曲线进行特征波段分析，获得与各所述第二像元光谱曲线对应的第二特征波段；然后基于各所述第二特征波段获取与各所述第二特征波段对应的单波段反射率或波段反射率组合值，以获得所述与各第二像元光谱曲线对应的特征波段反射率。
本发明通过获取与采样站点对应的像元光谱曲线的特征波段反射率，利于采样站点的叶绿素浓度实测值以及获得的特征波段反射率，计算获得叶绿素浓度反演模型，最后就可以利用该叶绿素浓度反演模型对目标区域的高光谱遥感影像进行反演计算，能够准确的获得目标区域的水体中的叶绿素浓度。
为了对上述实施例做进一步解释，本实施例结合一具体的应用场景进行说明。本实施例中的目标区域为太湖，具体针对的水体中的叶绿素a的浓度，即本实施例提供一种基于高光谱遥感的水体叶绿素a浓度反演方法，包括如下步骤：
步骤S1：读入珠海一号影像，获得与太湖对应的原始采样高光谱遥感影像，对原始采样高光谱遥感影像进行辐射定标、大气校正、正射校正、几何校正、镶嵌及裁剪等预处理，获得目标采样高光谱遥感影像。
本步骤中通过辐射定标将传感器记录的电压或数字量化值(DN)转换为绝对辐射亮度值的过程，即转换为辐射率的过程。根据水质参数反演需要，通过辐射定标工具将珠海一号高光谱遥感影像的DN值转化为辐射亮度值。本步骤中在具体实施时可以采用如下辐射定标公式：
式中，Le为辐射亮度值，gain为绝对辐射定标增益系数，DN为像元灰度值，TDIStage为积分级数，offset为绝对辐射定标偏移系数。
本步骤中，由于珠海一号高光谱影像的光谱分辨率为2.5nm，可以监测到光谱的细微差异，从而更好的刻画每个像元的反射光谱曲线。综合珠海一号高光谱数据的优点，可以大大提高水质监测的精度，在地表监测、水质环境监测等领域具有广阔的应用前景。
步骤在进行大气校正时，具体可以采用ENVI的FLAASH大气校正模块来对珠海一号高光谱影像进行大气校正。即将经过辐射定标的第一高光谱遥感影像输入，设置相应的影像中心点经纬度、传感器高度、大气模式以及气溶胶模式等参数。结果输出为影像的大气校正结果，即获得经过大气校正后的第二高光谱遥感影像。以影像中的植被像元为例，参见图2为植被像元大气校正前的光谱曲线，参见图3为植被像元大气校正后的光谱形状，通过对比可以看出校正前的光谱曲线受大气影响较大，校正后的植被像元光谱曲线趋于正常。在400-490nm谱段由于叶绿素和类胡萝卜素的强吸收作用反射率较低；550nm波长附近有绿光的反射峰；650-670nm谱段是叶绿素的强吸收带，反射率较低，故植被在600-700nm的反射光谱曲线有波谷存在且反射率较低；在700-750nm谱段植被的光谱曲线急剧上升，有陡而近乎直线的形态；750-1000nm植被具有强烈的反射特性，故具有高反射率数值。
在获得第二高光谱遥感影像后，就可以进行正射校正和几何校正处理了。其中，正射校正在本实施例中可以通过30m分辨率的DEM(Digital Elevation Model)在ENVI软件中对第二高光谱遥感影像进行正射校正，由此获得第三高光谱遥感影像。通过正射校正对影像空间和几何畸变进行校正。几何校正通过Landsat 8Pan影像与第二高光谱遥感影像选取同名地物控制点，并设置校正模型为二次多项式，重采样选用三次卷积方法进行校正。
本实施例中通过将同一时间获取的珠海一号高光谱影像通过ENVI软件中的无缝镶嵌工具(Seamless Mosaic)拼接，从而得到基本覆盖整个湖泊的影像，即可以获得太湖水域影像。通过上述步骤S1的处理后，就可以由原始像元DN值影像得到了每个影像元代表地物真实反射率的目标采样高光谱遥感影像。
步骤S2：获取与遥感影像准同步且均匀分布于太湖区域的采样站点的叶绿素a浓度数据；
本步骤中采样站点均匀分布于太湖区域，且叶绿素a浓度值的获取时间与珠海一号高光谱影像的获取时间同步。
步骤S3：基于所述目标采样高光谱遥感影像获取与各所述采样站点对应的像元光谱曲线；
本步骤可以基于采样站点经纬度坐标，来得到在目标采样高光谱遥感影像上对应于各采样站点的光谱曲线。进一步可以通过目视解译的方法剔除光谱曲线异常的采样站点数据，以使数据更加可靠、准确。
步骤S4：从所述像元光谱曲线中获取若干第一像元光谱曲线；
本步骤中通过对像元光谱曲线进行划分，来获得若干第一像元光谱曲线以及若干第二像元光谱曲线。具体的可以从像元光谱曲线随机挑选出2/3，来作为第一像元光谱曲线、用于模型建立，剩余1/3作为第二像元光谱曲线、用于模型验证。
步骤S5：分析各第一像元光谱曲线特征，选取与各第一像元光谱曲线对应的第一特征波段，基于各所述第一特征波段获取与各所述第一特征波段对应的单波段反射率或波段反射率组合值，以获得所述与各第一像元光谱曲线对应的特征波段反射率；基于与各所述第一像元光谱曲线对应的特征波段反射率以及与各所述第一像元光谱曲线对应的叶绿素浓度实测值进行相关度计算，获得与各所述第一像元光谱曲线对应的特征波段反射率与叶绿素浓度实测值的相关系数r；基于与各所述第一像元光谱曲线对应的相关系数对各所述第一像元光谱曲线进行筛选，获得用于进行模型训练的目标像元光谱曲线。
本步骤中在实施过程中具体采用波段反射率组合值，即采用波段组合B22/(B22-B19)来计算其与叶绿素a浓度的相关系数r，以此来得到相关性最高的单比差波段组合B22/(B22-B19)，即筛选出符合条件的像元光谱曲线。其中B19波段的中心波长为746nm；B22波段的中心波长为790nm。
本实施例中，从图4可以看出，太湖的遥感反射率曲线呈现典型的二类水体的特征，各采样点的光谱曲线具有相似的趋势。在446-500nm范围内，由于叶绿素a和黄色物质的吸收，水体反射率较低。在500nm-640nm波段，水体反射率逐渐增大。由于受叶绿素、胡萝卜素弱吸收作用以及细胞散射作用，580nm附近出现第一个反射峰；656nm附近出现第二个反射峰。在650-670nm之间由于叶绿素对红光的吸收形成反射谷。由于叶绿素a的荧光效应，在700nm附近形成荧光峰，该反射峰是水体藻类最显著的光谱特征，反射峰的位置和高度是叶绿素a浓度的指示，其出现的原因是由于水和叶绿素a的吸收在该处最小。纯水在730nm以后具有强吸收使得水体的反射率迅速降低。根据以往研究表明，440nm和685nm附近的反射率与叶绿素a浓度相关性较高，但是440nm附近受非色素颗粒物和黄色物质的影响较大。所以685nm附近反射率和其他光谱特征在反演叶绿素a浓度研究中最为常用。
本步骤中，在计算相关系数r时，具体可以采用皮尔逊相关系数r来描述特征波段反射率与叶绿素a浓度的线性关联度。若r>0，表示叶绿素a浓度与其呈正相关，若r<0，表示叶绿素a浓度与其呈负相关。具体计算公式为：
公式中，n为采样站点数；x为特征波段反射率，即可以为单波段反射率或波段反射率组合值；y为叶绿素a浓度实测值；
分别为x、y的均值。
本实施例中通过采用实测站点的2/3数据与步骤S1处理后得到的影像上站点对应的各波段值做相关系数分析，能够筛选出相关度符合要求的数据，为后续准确的训练获得反演模型提供了基础。本实施例在具体实施过程中可以采用matlab软件来计算单波段反射率或波段反射率组合值与叶绿素a浓度值之间的相关系数。
步骤S6：采用的波段组合方式有单波段与波段差值的比值、波段比值、波段差值和波段乘积等方式。本实施例具体是采用B22/(B22-B19)波段组合为自变量，以叶绿素a浓度为因变量建立反演模型。反演模型的表达式为：
y＝Ax2-Bx+C
其中，y为叶绿素a浓度值，x为波段组合方式B22/(B22-B19)。A、B和C分别为根据特征波段反射率以及与叶绿素浓度实测值进行模型训练所获得的参数。
B19与B22中心波长分别为746nm和790nm，对应于珠海一号高光谱遥感影像的近红外波段。
步骤S7：从所述像元光谱曲线中获取若干第二像元光谱曲线；
基于各所述第二像元光谱曲线获取与各所述第二像元光谱曲线对应的波段反射率；基于各所述波段反射率以及所述叶绿素浓度反演模型计算获得与各所述第二像元光谱曲线对应的叶绿素浓度的反演值；基于与各所述第二像元光谱曲线对应叶绿素浓度实测值以及与各所述第二像元光谱曲线对应的叶绿素浓度的反演值，对所述叶绿素浓度反演模型进行验证，以在验证符合预定条件的情况下，确定所述叶绿素浓度反演模型为目标叶绿素浓度反演模型。
本步骤在具体实施过程中，具体采用两种方法对模型进行验证，即通过计算均方根误差(RMSE)和相对误差(RE)来对模型进行验证，均方根误差(RMSE)和相对误差(RE)计算公式如下：
式中xi为反演值；xi为实测值；Δx为绝对误差；n为样本个数。本发明采用1/3站点数据验证模型反演的结果。由此就可以得到最大相对误差、最小相对误差、平均相对误差以及均方根误差RMSE。通过将计算获得的这些误差与预设的阈值比较，在误差小于预设的阈值的情况下，就可以确定训练获得的叶绿素浓度反演模型符合条件，可以用于对太湖水体整体叶绿素a浓度的监测。
步骤S8：基于所述叶绿素浓度反演模型对所述目标区域的高光谱遥感影像进行叶绿素浓度的反演。即将二次多项式模型应用于预处理后的遥感影像，得到太湖整体的叶绿素a浓度分布，实现了叶绿素a浓度的定量反演；
本本实施例中的一种基于高光谱遥感的叶绿素浓度反演方法。通过将反演模型应用于预处理后的高光谱遥感影像可以快速有效地提取水体的叶绿素a含量，实现对水体叶绿素a浓度的精细化监测。
本发明又一实施例提供一种基于高光谱遥感的水体叶绿素浓度反演装置，如图5所示，包括：
第一获取模块1，用于获取与目标区域对应的目标采样高光谱遥感影像；
第二获取模块2，用于获取所述目标区域内若干采样站点的叶绿素浓度实测值；具体的，可以通过人工输入叶绿素浓度实测值，以使该第二获取模块能够获得相应的数据。
第三获取模块3，用于基于所述目标采样高光谱遥感影像获取与各所述采样站点对应的像元光谱曲线；
第四获取模块4，用于从所述像元光谱曲线中获取若干第一像元光谱曲线；
第五获取模块5，用于基于各所述第一像元光谱曲线获取与各所述第一像元光谱曲线对应的特征波段反射率；
模型训练模块6，用于基于与各所述第一像元光谱曲线对应的特征波段反射率以及与各所述第一像元光谱曲线对应的叶绿素浓度实测值进行模型训练，获得叶绿素浓度的反演模型；
反演模块7，用于基于所述叶绿素浓度反演模型对所述目标区域的高光谱遥感影像进行叶绿素浓度的反演。
在具体实施过程中，所述第一获取模块，具体用于：获取与目标区域对应的原始采样高光谱遥感影像；对所述原始采样高光谱遥感影像进行辐射亮度标定处理，获得辐射亮度标定后的第一高光谱遥感影像；对所述第一高光谱遥感影像进行大气校正处理，获得第二高光谱遥感影像；对所述第二高光谱遥感影像进行正射校正处理；获得第三高光谱遥感影像；对所述第三高光谱遥感影像进行几何校正处理，获得所述目标采样高光谱遥感影像。
在具体实施过程中，所述第五获取模块，具体用于：对各所述第一像元光谱曲线进行特征波段分析，获得与各所述第一像元光谱曲线对应的第一特征波段；基于各所述第一特征波段获取与各所述第一特征波段对应的单波段反射率或波段反射率组合值，以获得所述与各第一像元光谱曲线对应的特征波段反射率。
在一些实施例中，本申请的装置还配置有筛选模块，各实施例中的筛选模块可以作为本申请各实施例的装置中的单独功能模块，也可以作为在一些实施例中的模型训练模块的功能模块。本申请各实施例中所涉及的筛选模块用于：基于与各所述第一像元光谱曲线对应的特征波段反射率以及与各所述第一像元光谱曲线对应的叶绿素浓度实测值进行相关度计算，获得与各所述第一像元光谱曲线对应的特征波段反射率与叶绿素浓度实测值的相关系数；基于与各所述第一像元光谱曲线对应的相关系数对各所述第一像元光谱曲线进行筛选，获得用于进行模型训练的目标像元光谱曲线。
本实施例中，本申请的一些实施例中的所述装置可以进一步配置为能够：从所述像元光谱曲线中获取若干第二像元光谱曲线；基于各所述第二像元光谱曲线获取与各所述第二像元光谱曲线对应的波段反射率。
在各种实施例中，上述功能配置可以至少通过对相应的获取模块进一步配置以实现，例如针对本申请实施例中的功能对应的第四获取模块、第五获取模块等，也可以作为本申请的装置的单独功能模块予以实现，当然也可以作为本申请一些实施例中的验证模块的功能模块。
在获取第二像元光谱曲线以及与各所述第二像元光谱曲线对应的特征波段反射率的基础上，本申请的实施例可以进一步配有验证模块，所述验证模块主要实现对叶绿素浓度反演模型的验证功能，具体用于：
基于各所述波段反射率以及所述叶绿素浓度反演模型计算获得与各所述第二像元光谱曲线对应的叶绿素浓度的反演值；基于与各所述第二像元光谱曲线对应叶绿素浓度实测值以及与各所述第二像元光谱曲线对应的叶绿素浓度的反演值，对所述叶绿素浓度反演模型进行验证，以验证其不符合预定条件的情况下，通过本申请各实施例的模型训练的方式，重新构建或者修正所述叶绿素浓度反演模型直至符合预定条件；或者经过对所述叶绿素浓度反演模型验证，在验证符合预定条件的情况下，确定所述叶绿素浓度反演模型为目标叶绿素浓度反演模型。
本实施例通过获取与采样站点对应的像元光谱曲线的特征波段反射率，利于采样站点的叶绿素浓度实测值以及获得的特征波段反射率，计算获得叶绿素浓度反演模型，最后就可以利用该叶绿素浓度反演模型对目标区域的高光谱遥感影像进行反演计算，能够准确的获得目标区域的水体中的叶绿素浓度。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.一种基于高光谱遥感的水体叶绿素浓度反演方法，其特征在于，
获取与目标区域对应的目标采样高光谱遥感影像；
获取所述目标区域内若干采样站点的叶绿素浓度实测值；
基于所述目标采样高光谱遥感影像获取与各所述采样站点对应的像元光谱曲线；
从所述像元光谱曲线中获取若干第一像元光谱曲线；
基于各所述第一像元光谱曲线获取与各所述第一像元光谱曲线对应的特征波段反射率；
基于与各所述第一像元光谱曲线对应的特征波段反射率以及与各所述第一像元光谱曲线对应的叶绿素浓度实测值进行模型训练，获得叶绿素浓度的反演模型；
基于所述叶绿素浓度反演模型对所述目标区域的高光谱遥感影像进行叶绿素浓度的反演。
2.如权利要求1所述的方法，其特征在于，所述获取与目标区域对应的目标采样高光谱遥感影像，具体包括：
获取与目标区域对应的原始采样高光谱遥感影像；
对所述原始采样高光谱遥感影像进行辐射亮度标定处理，获得辐射亮度标定后的第一高光谱遥感影像；
对所述第一高光谱遥感影像进行大气校正处理，获得第二高光谱遥感影像；
对所述第二高光谱遥感影像进行正射校正处理；获得第三高光谱遥感影像；
对所述第三高光谱遥感影像进行几何校正处理，获得所述目标采样高光谱遥感影像。
3.如权利要求1所述的方法，其特征在于，所述基于各所述第一像元光谱曲线获取与各所述第一像元光谱曲线对应的特征波段反射率，具体包括：
对各所述第一像元光谱曲线进行特征波段分析，获得与各所述第一像元光谱曲线对应的第一特征波段；
基于各所述第一特征波段获取与各所述第一特征波段对应的单波段反射率或波段反射率组合值，以获得所述与各第一像元光谱曲线对应的特征波段反射率。
4.如权利要求1或3所述的方法，其特征在于，所述模型训练，包括：
基于与各所述第一像元光谱曲线对应的特征波段反射率以及与各所述第一像元光谱曲线对应的叶绿素浓度实测值进行相关度计算，获得与各所述第一像元光谱曲线对应的特征波段反射率与叶绿素浓度实测值的相关系数；
基于与各所述第一像元光谱曲线对应的相关系数对各所述第一像元光谱曲线进行筛选，获得用于进行模型训练的目标像元光谱曲线。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
从所述像元光谱曲线中获取若干第二像元光谱曲线；
基于各所述第二像元光谱曲线获取与各所述第二像元光谱曲线对应的特征波段反射率；
基于与各所述第二像元光谱曲线对应的特征波段反射率以及所述叶绿素浓度反演模型计算获得与各所述第二像元光谱曲线对应的叶绿素浓度的反演值；
基于与各所述第二像元光谱曲线对应叶绿素浓度实测值以及与各所述第二像元光谱曲线对应的叶绿素浓度的反演值，对所述叶绿素浓度反演模型进行验证，以至少在验证其不符合预定条件的情况下，修正所述叶绿素浓度反演模型。
6.一种基于高光谱遥感的水体叶绿素浓度反演装置，其特征在于，包括：
第一获取模块，用于获取与目标区域对应的目标采样高光谱遥感影像；
第二获取模块，用于获取所述目标区域内若干采样站点的叶绿素浓度实测值；
第三获取模块，用于基于所述目标采样高光谱遥感影像获取与各所述采样站点对应的像元光谱曲线；
第四获取模块，用于从所述像元光谱曲线中获取若干第一像元光谱曲线；
第五获取模块，用于基于各所述第一像元光谱曲线获取与各所述第一像元光谱曲线对应的特征波段反射率；
模型训练模块，用于基于与各所述第一像元光谱曲线对应的特征波段反射率以及与各所述第一像元光谱曲线对应的叶绿素浓度实测值进行模型训练，获得叶绿素浓度的反演模型；
反演模块，用于基于所述叶绿素浓度反演模型对所述目标区域的高光谱遥感影像进行叶绿素浓度的反演。
7.如权利要求6所述的装置，其特征在于，所述第一获取模块，具体用于：
获取与目标区域对应的原始采样高光谱遥感影像；
对所述原始采样高光谱遥感影像进行辐射亮度标定处理，获得辐射亮度标定后的第一高光谱遥感影像；
对所述第一高光谱遥感影像进行大气校正处理，获得第二高光谱遥感影像；
对所述第二高光谱遥感影像进行正射校正处理；获得第三高光谱遥感影像；
对所述第三高光谱遥感影像进行几何校正处理，获得所述目标采样高光谱遥感影像。
8.如权利要求6所述的装置，其特征在于，所述第五获取模块，具体用于：
对各所述第一像元光谱曲线进行特征波段分析，获得与各所述第一像元光谱曲线对应的第一特征波段；
基于各所述第一特征波段获取与各所述第一特征波段对应的单波段反射率或波段反射率组合值，以获得所述与各第一像元光谱曲线对应的特征波段反射率。
9.如权利要求6所述的装置，其特征在于，还配置有筛选模块，所述筛选模块用于：
基于与各所述第一像元光谱曲线对应的特征波段反射率以及与各所述第一像元光谱曲线对应的叶绿素浓度实测值进行相关度计算，获得与各所述第一像元光谱曲线对应的特征波段反射率与叶绿素浓度实测值的相关系数；
基于与各所述第一像元光谱曲线对应的相关系数对各所述第一像元光谱曲线进行筛选，获得用于进行模型训练的目标像元光谱曲线。
10.如权利要求6所述的装置，其特征在于，至少通过对相应的获取模块进一步配置以实现：
从所述像元光谱曲线中获取若干第二像元光谱曲线；
基于各所述第二像元光谱曲线获取与各所述第二像元光谱曲线对应的特征波段反射率；
且
所述装置配置有验证模块，所述验证模块用于：
基于各所述特征波段反射率以及所述叶绿素浓度反演模型计算获得与各所述第二像元光谱曲线对应的叶绿素浓度的反演值；
基于与各所述第二像元光谱曲线对应叶绿素浓度实测值以及与各所述第二像元光谱曲线对应的叶绿素浓度的反演值，对所述叶绿素浓度反演模型进行验证，以至少在验证其不符合预定条件的情况下，修正所述叶绿素浓度反演模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011261604.3A CN112504979A (zh) | 2020-11-12 | 2020-11-12 | 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011261604.3A CN112504979A (zh) | 2020-11-12 | 2020-11-12 | 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112504979A true CN112504979A (zh) | 2021-03-16 |
Family
ID=74957232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011261604.3A Pending CN112504979A (zh) | 2020-11-12 | 2020-11-12 | 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112504979A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113255961A (zh) * | 2021-04-16 | 2021-08-13 | 长江水利委员会长江科学院 | 基于时序多源光谱遥感数据的湖泊水环境监测站点优化布局方法 |
| CN113533218A (zh) * | 2021-07-16 | 2021-10-22 | 中山大学 | 一种水体光活性重金属浓度的遥感反演方法及系统 |
| CN113537108A (zh) * | 2021-07-23 | 2021-10-22 | 安徽省农业科学院土壤肥料研究所 | 一种基于无人机高光谱遥感的农作物叶绿素含量反演方法 |
| CN113723228A (zh) * | 2021-08-16 | 2021-11-30 | 北京大学 | 地表类型占比的确定方法、装置、电子设备和存储介质 |
| CN113758885A (zh) * | 2021-09-09 | 2021-12-07 | 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 |
| CN114140697A (zh) * | 2021-09-02 | 2022-03-04 | 广东海启星海洋科技有限公司 | 海表流场遥感探测方法及装置 |
| CN115410086A (zh) * | 2022-08-26 | 2022-11-29 | 南方海洋科学与工程广东省实验室(广州) | 一种基于遥感影像的水质反演方法、装置以及设备 |
| CN116008267A (zh) * | 2022-12-09 | 2023-04-25 | 自然资源部第二海洋研究所 | 海洋叶绿素a浓度三维分布反演方法、终端及介质 |
| 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 |
| CN116542901A (zh) * | 2023-03-06 | 2023-08-04 | 广东工业大学 | 一种计算面状区域叶绿素a浓度平均值的方法及装置 |
| CN117451639A (zh) * | 2023-12-21 | 2024-01-26 | 内蒙古工业大学 | 一种基于遥感数据的水体叶绿素浓度反演方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109799199A (zh) * | 2018-12-26 | 2019-05-24 | 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 |
-
2020
- 2020-11-12 CN CN202011261604.3A patent/CN112504979A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109799199A (zh) * | 2018-12-26 | 2019-05-24 | 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 |
Non-Patent Citations (4)
| Title |
|---|
| 戴学芳: "《基于遥感影像的乌梁素海叶绿素a浓度及黄苔监测研究》", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 04 * |
| 潘梅娥 等: "《基于环境一号卫星影像的内陆水体叶绿素α浓度遥感定量反演模型研究》", vol. 13, no. 13, pages 4228 - 4232 * |
| 王伟东: "《基于UHD185成像光谱仪的冬小麦叶绿素监测》", vol. 37, no. 37, pages 1362 - 1369 * |
| 董会娇: "《基于遥感的唐山邱庄水库叶绿素浓度监测》", pages 32 - 35 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113255961A (zh) * | 2021-04-16 | 2021-08-13 | 长江水利委员会长江科学院 | 基于时序多源光谱遥感数据的湖泊水环境监测站点优化布局方法 |
| CN113533218A (zh) * | 2021-07-16 | 2021-10-22 | 中山大学 | 一种水体光活性重金属浓度的遥感反演方法及系统 |
| CN113533218B (zh) * | 2021-07-16 | 2023-03-14 | 中山大学 | 一种水体光活性重金属浓度的遥感反演方法及系统 |
| CN113537108B (zh) * | 2021-07-23 | 2024-02-23 | 安徽省农业科学院土壤肥料研究所 | 一种基于无人机高光谱遥感的农作物叶绿素含量反演方法 |
| CN113537108A (zh) * | 2021-07-23 | 2021-10-22 | 安徽省农业科学院土壤肥料研究所 | 一种基于无人机高光谱遥感的农作物叶绿素含量反演方法 |
| CN113723228A (zh) * | 2021-08-16 | 2021-11-30 | 北京大学 | 地表类型占比的确定方法、装置、电子设备和存储介质 |
| CN113723228B (zh) * | 2021-08-16 | 2024-04-26 | 北京大学 | 地表类型占比的确定方法、装置、电子设备和存储介质 |
| CN114140697A (zh) * | 2021-09-02 | 2022-03-04 | 广东海启星海洋科技有限公司 | 海表流场遥感探测方法及装置 |
| CN113758885A (zh) * | 2021-09-09 | 2021-12-07 | 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 |
| 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 |
| CN115410086A (zh) * | 2022-08-26 | 2022-11-29 | 南方海洋科学与工程广东省实验室(广州) | 一种基于遥感影像的水质反演方法、装置以及设备 |
| CN116008267A (zh) * | 2022-12-09 | 2023-04-25 | 自然资源部第二海洋研究所 | 海洋叶绿素a浓度三维分布反演方法、终端及介质 |
| 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 |
| 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 |
| CN116542901B (zh) * | 2023-03-06 | 2023-11-07 | 广东工业大学 | 一种计算面状区域叶绿素a浓度平均值的方法及装置 |
| CN116542901A (zh) * | 2023-03-06 | 2023-08-04 | 广东工业大学 | 一种计算面状区域叶绿素a浓度平均值的方法及装置 |
| CN117451639A (zh) * | 2023-12-21 | 2024-01-26 | 内蒙古工业大学 | 一种基于遥感数据的水体叶绿素浓度反演方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112504979A (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 | |
| CN108593569A (zh) | 基于光谱形态特征的高光谱水质参数定量反演方法 | |
| CN103712955B (zh) | 一种基于神经网络二次优化的二类水体大气校正方法 | |
| CN110836870B (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
| CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
| CN112051226A (zh) | 基于无人机载高光谱图像估算近海总悬浮物浓度的方法 | |
| CN110728642A (zh) | 一种针对goci卫星晨昏观测的神经网络大气校正方法 | |
| CN114384031A (zh) | 星-空-地高光谱遥感水体重金属污染立体监测方法 | |
| CN111538940A (zh) | 悬浮物浓度反演模型确定方法及悬浮物浓度确定方法 | |
| CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
| CN115235997A (zh) | 一种基于卫星高光谱影像的土壤质地反演方法 | |
| CN111241991B (zh) | 一种基于遥感影像的水质分类方法 | |
| CN114397277A (zh) | 一种无人机水体叶绿素遥感探测系统 | |
| CN113466143B (zh) | 土壤养分反演方法、装置、设备及介质 | |
| Zhao et al. | Retrieval of red solar-induced chlorophyll fluorescence with TROPOMI on the Sentinel-5 precursor mission | |
| CN113420497A (zh) | 浑浊湖泊总磷浓度遥感估算方法 | |
| CN113887493A (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
| CN113763272A (zh) | 一种富营养化湖泊光合有效辐射衰减系数遥感反演方法 | |
| CN116482317B (zh) | 湖泊水体营养状态实时监测方法、系统、设备及介质 | |
| CN111751295A (zh) | 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用 | |
| CN116773516A (zh) | 一种基于遥感数据的土壤碳含量分析系统 | |
| CN113496218B (zh) | 一种高光谱遥感敏感波段选择方式的评价方法和系统 | |
| CN110702228B (zh) | 一种航空高光谱影像的边缘辐射校正方法 | |
| CN113758885A (zh) | 一种水体内叶绿体色素浓度的测算方法及其系统 | |
| CN116380811B (zh) | 一种基于氧气吸收带的云检测方法 |
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 |