CN112577955A - 一种水华水体检测方法和系统 - Google Patents
一种水华水体检测方法和系统 Download PDFInfo
- Publication number
- CN112577955A CN112577955A CN202011321057.3A CN202011321057A CN112577955A CN 112577955 A CN112577955 A CN 112577955A CN 202011321057 A CN202011321057 A CN 202011321057A CN 112577955 A CN112577955 A CN 112577955A
- Authority
- CN
- China
- Prior art keywords
- water body
- remote sensing
- water
- bloom
- classification model
- 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 190
- 241000192710 Microcystis aeruginosa Species 0.000 title claims abstract description 101
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 238000002310 reflectometry Methods 0.000 claims abstract description 106
- 238000013145 classification model Methods 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000003595 spectral effect Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 49
- 238000010276 construction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 241000195493 Cryptophyta Species 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000013505 freshwater Substances 0.000 description 2
- 230000009021 linear effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 210000000476 body water Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 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 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000003440 toxic substance Substances 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G01N2021/1765—Method using an image detector and processing of image signal
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种水华水体检测方法和系统。该检测方法包括：采用陆地成像仪获取待检测水体的第一遥感影像，并获取所述第一遥感影像的水体遥感反射率，记为第一水体遥感反射率；采用光谱成像仪获取待检测区域的第二遥感影像，并获取所述第二遥感影像的水体遥感反射率，记为第二水体遥感反射率；获取水华检测模型；所述水华检测模型为训练好的极端随机树分类模型；采用所述水华检测模型根据所述第一水体遥感反射率和所述第二水体遥感反射率确定所述待检测水体是否为水华水体。本发明提供的水华水体检测方法和系统，能够在充分利用各个波段检测水华信息的同时，提高了水华水体的检测准确性。
Description
技术领域
本发明涉及水华检测领域，特别是涉及一种水华水体检测方法和系统。
背景技术
水华是指发生在淡水水体中，因水体富营养化引起氮磷含量过高，在良好的光照以及温度条件下，水体中藻类或浮游生物突然过度增殖、富集于水体表层的自然现象。由于藻类或浮游生物生长需要耗费氧气，藻类或浮游生物过度增殖并富集，耗尽水体中氧气，导致藻类或浮游生物死亡，并释放出内含的叶绿素以及有毒物质，改变水体的颜色，污染水质，毒害水生动植物。不仅对水体生态环境造成危害或潜在危害，影响到饮用水源地的供水安全，危害水体周边地区的人类健康。我国大多数淡水湖泊处于富营养化状态，各种规模的水华现象时有发生，因此，水华监测是内陆湖泊水体监测的一项重要工作内容。遥感监测具有快速、大范围、周期性的特点，已经成为水华监测的重要手段，几乎所有的卫星遥感传感器都能够识别和监测蓝藻水华的空间分布和暴发范围。国内外专家学者对水华的遥感监测进行了大量的研究，构建了各种监测方法。目前水华遥感监测最常用的方法是根据水华的遥感信息构建各种指数模型，使用各种特征波段信息的特征来识别水华。由于内陆湖泊水体组分复杂多样，不同浓度的不同组分，其特征波段相互叠加和影响，导致水华遥感信息中的特征波段难以确定。同时，利用部分波段数据构建各种指数模型无法充分利用各个波段中包含的水华信息。
因此，本领域亟需提供一种能够充分利用各个波段精确完成水华信息检测的方法或系统。
发明内容
本发明的目的是提供一种能够充分利用各个波段检测水华信息的方法和系统，以提高水华水体的检测准确性。
为实现上述目的，本发明提供了如下方案：
一种水华水体检测方法，包括：
采用陆地成像仪获取待检测水体的第一遥感影像，并获取所述第一遥感影像的水体遥感反射率，记为第一水体遥感反射率；所述第一水体遥感反射率包括所述第一遥感影像中不同影像波段的水体遥感反射率；
采用光谱成像仪获取待检测区域的第二遥感影像，并获取所述第二遥感影像的水体遥感反射率，记为第二水体遥感反射率；所述第二水体遥感反射率包括所述第二遥感影像中不同影像波段的水体遥感反射率；
获取水华检测模型；所述水华检测模型为训练好的极端随机树分类模型；
采用所述水华检测模型根据所述第一水体遥感反射率和所述第二水体遥感反射率确定所述待检测水体是否为水华水体。
优选的，所述获取水华检测模型，之前还包括：
获取训练样本；所述训练样本包括：水华区域的水体遥感反射率和非水华区域的水体遥感反射率；
获取极端随机树分类模型；
根据所述训练样本采用随机参数搜索和网格参数搜索相结合的方法构建参数调优矩阵；
根据所述参数调优矩阵确定所述极端随机树分类模型的参数，得到所述训练好的极端随机树分类模型。
优选的，所述根据所述训练样本采用随机参数搜索和网格参数搜索相结合的方法构建参数调优矩阵，具体包括：
以所述极端随机树分类模型的初始参数为起点将所述训练样本输入所述极端随机树分类模型，采用试错法，以设定的训练样本比例为步长，确定参数调优矩阵；所述参数调优矩阵包括不同步长下不同参数变化的影响值。
优选的，所述根据所述参数调优矩阵确定所述极端随机树分类模型的参数，得到所述训练好的极端随机树分类模型，具体包括：
降序排列所述参数调优矩阵中的所述影响值；
根据所述影响值确定所述极端随机树分类模型的参数。
优选的，所述设定的训练样本比例为10％。
对应于上述提供的水华水体检测方法，本发明还对应提供了一种检测系统，该水华水体检测系统，包括：
第一获取模块，用于采用陆地成像仪获取待检测水体的第一遥感影像，并获取所述第一遥感影像的水体遥感反射率，记为第一水体遥感反射率；所述第一水体遥感反射率包括所述第一遥感影像中不同影像波段的水体遥感反射率；
第二获取模块，用于采用光谱成像仪获取待检测区域的第二遥感影像，并获取所述第二遥感影像的水体遥感反射率，记为第二水体遥感反射率；所述第二水体遥感反射率包括所述第二遥感影像中不同影像波段的水体遥感反射率；
水华检测模型获取模块，用于获取水华检测模型；所述水华检测模型为训练好的极端随机树分类模型；
水体水华检测模块，用于采用所述水华检测模型根据所述第一水体遥感反射率和所述第二水体遥感反射率确定所述待检测水体是否为水华水体。
优选的，还包括：
训练样本获取模块，用于获取训练样本；所述训练样本包括：水华区域的水体遥感反射率和非水华区域的水体遥感反射率；
极端随机树分类模型获取模块，用于获取极端随机树分类模型；
参数调优矩阵构建模块，用于根据所述训练样本采用随机参数搜索和网格参数搜索相结合的方法构建参数调优矩阵；
极端随机树分类模型训练模块，用于根据所述参数调优矩阵确定所述极端随机树分类模型的参数，得到所述训练好的极端随机树分类模型。
优选的，所述参数调优矩阵构建模块，具体包括：
参数调优矩阵构建单元，用于将以所述极端随机树分类模型的初始参数为起点将所述训练样本输入所述极端随机树分类模型，采用试错法，以设定的训练样本比例为步长，确定参数调优矩阵；所述参数调优矩阵包括不同步长下不同参数变化的影响值。
优选的，所述极端随机树分类模型训练模块，具体包括：
降序排列单元，用于降序排列所述参数调优矩阵中的所述影响值；
参数确定单元，用于根据所述影响值确定所述极端随机树分类模型的参数。
此外，本发明还提供了一种计算机可读的存储介质。该存储介质中存储有计算机程序；其中，所述计算机程序被设置为运行时执行上述水华水体检测方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的水华水体检测方法和系统，通过采用陆地成像仪和光谱成像仪能够精确获得水体遥感反射率，然后采用水华检测模型就可以精确得到待检测水体是否为水华水体，进而能够在充分利用各个波段检测水华信息的同时，提高了水华水体的检测准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的水华水体检测方法的流程图；
图2为本发明提供的水华水体检测系统的结构示意图。
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。
本发明的目的是提供一种能够充分利用各个波段检测水华信息的方法和系统，以提高水华水体的检测准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的水华水体检测方法的流程图，如图1所示，一种水华水体检测方法，包括：
步骤100：采用陆地成像仪获取待检测水体的第一遥感影像，并获取第一遥感影像的水体遥感反射率，记为第一水体遥感反射率。第一水体遥感反射率包括第一遥感影像中不同影像波段的水体遥感反射率。
该步骤中，需要对Landsat8陆地成像仪(Operational Land Imager，OLI)、Sentinel2多光谱成像仪(Multispectral Instrument，MSI)采集的遥感影像进行大气校正，以获取水体遥感反射率Rrs，具体为：
使用SeaDAS软件l2gen模块处理Landsat8 OLI遥感数据，获取水体在443nm、483nm、561nm、592nm、613nm、655nm、865nm、1609nm和2201nm的水体遥感反射率Rrs，即第一水体遥感反射率。
使用SNAP软件的SEN2COR模块，处理Sentinel2 MSI遥感数据，获取水体在442nm、492nm、559nm、665nm、704nm、739nm、780nm、833nm、864nm、1610nm和2186nm的水体遥感反射率Rrs，即第二水体遥感反射率。
步骤101：采用光谱成像仪获取待检测区域的第二遥感影像，并获取第二遥感影像的水体遥感反射率，记为第二水体遥感反射率。第二水体遥感反射率包括第二遥感影像中不同影像波段的水体遥感反射率。
步骤102：获取水华检测模型。水华检测模型为训练好的极端随机树分类模型。
步骤103：采用水华检测模型根据第一水体遥感反射率和第二水体遥感反射率确定待检测水体是否为水华水体。其中，当水华检测模型输出为0时，待检测水体为非水华水体，当水华检测模型输出为1时，待检测水体为水华水体。
为了进一步提高检测结果的准确性，上述步骤102获取得到的水华检测模型是基于极端随机树分类模型训练而成的，其具体过程包括：
获取训练样本。训练样本包括：水华区域的水体遥感反射率和非水华区域的水体遥感反射率。
获取极端随机树分类模型。
根据训练样本采用随机参数搜索和网格参数搜索相结合的方法构建参数调优矩阵，具体为：以极端随机树分类模型的初始参数为起点将训练样本输入极端随机树分类模型，采用试错法，以设定的训练样本比例(优选10％)为步长，确定参数调优矩阵。参数调优矩阵包括不同步长下不同参数变化的影响值。
根据参数调优矩阵确定极端随机树分类模型的参数，得到训练好的极端随机树分类模型，具体为：
降序排列参数调优矩阵中的影响值。
根据影响值确定极端随机树分类模型的参数。
在上述极端随机树分类模型的训练过程中，本发明优选通过地面采样，获取地面湖泊水体水华发生的分布数据，并结合Landsat8和Sentinel2遥感数据的分辨率，生成地面水体水华覆盖数据，包含经纬度以及水华是否覆盖信息。通过地面调查等方法，获取水生植物分布区域数据。
然后基于所采集的地面湖泊水体水华发生的分布数据确定得到构建水体信息数据集。该数据集包括2部分数据，即水华区域的水体遥感反射率和非水华区域的水体遥感反射率。
进一步，基于构建的数据集，把数据集按照随机划分的方法，分为训练数据集(占总样本数量的75％)和测试数据集(占总样本数量的25％)，每个数据集中均包含了水华水体样本和非水华水体样本的遥感反射率。
使用训练数据集，采用随机参数搜索和网格参数搜索相结合的方法，对极端随机树分类模型的参数进行调优。调优过程具体为：
首先，确定极端随机树算法参数调优顺序，构建极端随机树分类模型参数调优矩阵。即以极端随机树的默认参数为起点，输入训练数据集训练极端随机树分类模型，采用试错法，以10％为步长，确定10％变化步长下该参数改变对模型精确度的变化，根据该变化的大小，确定每一个参数对模型精度影像的大小，构建参数调优矩阵。
然后，按照参数调优矩阵的结果，对极端随机树分类模型进行参数调优。即按照参数调优矩阵的结果，根据对模型精度影响由大到小的顺序，依次对模型参数进行调优，最后确定整个模型的参数。
对应于上述提供的水华水体检测方法，本发明还对应提供了一种检测系统，如图2所示，该水华水体检测系统，包括：第一获取模块1、第二获取模块2、水华检测模型获取模块3和水体水华检测模块4。
其中，第一获取模块1用于采用陆地成像仪获取待检测水体的第一遥感影像，并获取第一遥感影像的水体遥感反射率，记为第一水体遥感反射率。第一水体遥感反射率包括第一遥感影像中不同影像波段的水体遥感反射率。
第二获取模块2用于采用光谱成像仪获取待检测区域的第二遥感影像，并获取第二遥感影像的水体遥感反射率，记为第二水体遥感反射率。第二水体遥感反射率包括第二遥感影像中不同影像波段的水体遥感反射率。
水华检测模型获取模块3用于获取水华检测模型。水华检测模型为训练好的极端随机树分类模型。
水体水华检测模块4用于采用水华检测模型根据第一水体遥感反射率和第二水体遥感反射率确定待检测水体是否为水华水体。
作为本发明的一优选实施例，上述提供的水华水体检测系统还包括：训练样本获取模块、极端随机树分类模型获取模块、参数调优矩阵构建模块和极端随机树分类模型训练模块。
其中，训练样本获取模块用于获取训练样本。训练样本包括：水华区域的水体遥感反射率和非水华区域的水体遥感反射率。
极端随机树分类模型获取模块用于获取极端随机树分类模型。
参数调优矩阵构建模块用于根据训练样本采用随机参数搜索和网格参数搜索相结合的方法构建参数调优矩阵。
极端随机树分类模型训练模块用于根据参数调优矩阵确定极端随机树分类模型的参数，得到训练好的极端随机树分类模型。
作为本发明的另一优选实施例，上述参数调优矩阵构建模块具体包括：参数调优矩阵构建单元。
其中，参数调优矩阵构建单元用于将以极端随机树分类模型的初始参数为起点将训练样本输入极端随机树分类模型，采用试错法，以设定的训练样本比例为步长，确定参数调优矩阵。参数调优矩阵包括不同步长下不同参数变化的影响值。
作为本发明的又一优选实施例，上述极端随机树分类模型训练模块具体包括：降序排列单元和参数确定单元。
其中，降序排列单元用于降序排列参数调优矩阵中的影响值。
参数确定单元用于根据影响值确定极端随机树分类模型的参数。
此外，因本发明提供的上述检测方法的执行主体为计算机，因此，本发明还提供了一种计算机可读的存储介质。该存储介质中存储有计算机程序。其中，计算机程序被设置为运行时执行上述水华水体检测方法。
综上，本发明相较于现有技术具有以下优点：
1、可精确地获取内陆湖泊水体遥感反射率信息。由于水体对阳光光源反射信号非常微弱，使用其他的数据，比如地面反射率等信息，无法准确的反应水体的反射信号，因此采用了适合内陆湖泊水体信号获取的大气校正方法，获取水体遥感反射率，从而准确的获取水体遥感信号，提高水华发生区域的提取精度。
2、SeaDAS软件为美国宇航局NASA为Landsat8 OLI遥感影像处理而专门开发的软件，l2gen模块集成了针对OLI遥感影像的大气处理方法和处理参数，生成的L2产品数据中水体遥感反射率结果准确率高。SNAP软件为欧洲空间局为Sentinel2 MSI遥感影像处理而专门开发的软件，SEN2COR为针对Sentinel2 MSI遥感影像数据大气校正，生成L2产品数据而专门开发的软件。
使用Landsat OLI遥感数据，可以获取准确的水体遥感反射率数据。
使用Sentinel2 MSI遥感数据，可以获得目前空间分辨率(最高达10米)、时间分辨率最短(5天)的光学遥感数据，便于内陆湖泊的水华信息监测。
3、可精确地获取匹配不同分辨率的遥感影像的地面覆盖信息。针对不同分辨率的遥感影像，获取相匹配的地面采样数据，减少重复调查而导致的数据冗余，提高地面采样效率和水华发生区域提取精度。
4、合成总的数据集包含了非水华水体和水华水体的遥感反射率数据样本，提高了处理效率和处理速度。
5、使用极端随机树分类模型不仅考虑了水体遥感反射率和水华信息之间的线性效应，同时也考虑了非线性效应，可以有效的克服传统的采用特定波段或者使用特定波段构建指数模型提取水华信息中仅仅考虑线性效应的局限性。
6、使用了Landsat8 OLI或者Sentinel2 MSI传感器获取的所有的水体信息作为输入数据，有效的克服了内陆水体复杂的组分导致水体中水华信息特征波段难以确定的局限性。
7、使用了一种极端随机树分类模型参数调优策略，可以有效的对模型参数调优，获取计算结果精度高的模型残水，最终提高所构建模型的计算精度和计算效率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种水华水体检测方法，其特征在于，包括：
采用陆地成像仪获取待检测水体的第一遥感影像，并获取所述第一遥感影像的水体遥感反射率，记为第一水体遥感反射率；所述第一水体遥感反射率包括所述第一遥感影像中不同影像波段的水体遥感反射率；
采用光谱成像仪获取待检测区域的第二遥感影像，并获取所述第二遥感影像的水体遥感反射率，记为第二水体遥感反射率；所述第二水体遥感反射率包括所述第二遥感影像中不同影像波段的水体遥感反射率；
获取水华检测模型；所述水华检测模型为训练好的极端随机树分类模型；
采用所述水华检测模型根据所述第一水体遥感反射率和所述第二水体遥感反射率确定所述待检测水体是否为水华水体。
2.根据权利要求1中公开的水华水体检测方法，其特征在于，所述获取水华检测模型，之前还包括：
获取训练样本；所述训练样本包括：水华区域的水体遥感反射率和非水华区域的水体遥感反射率；
获取极端随机树分类模型；
根据所述训练样本采用随机参数搜索和网格参数搜索相结合的方法构建参数调优矩阵；
根据所述参数调优矩阵确定所述极端随机树分类模型的参数，得到所述训练好的极端随机树分类模型。
3.根据权利要求2中公开的水华水体检测方法，其特征在于，所述根据所述训练样本采用随机参数搜索和网格参数搜索相结合的方法构建参数调优矩阵，具体包括：
以所述极端随机树分类模型的初始参数为起点将所述训练样本输入所述极端随机树分类模型，采用试错法，以设定的训练样本比例为步长，确定参数调优矩阵；所述参数调优矩阵包括不同步长下不同参数变化的影响值。
4.根据权利要求3中公开的水华水体检测方法，其特征在于，所述根据所述参数调优矩阵确定所述极端随机树分类模型的参数，得到所述训练好的极端随机树分类模型，具体包括：
降序排列所述参数调优矩阵中的所述影响值；
根据所述影响值确定所述极端随机树分类模型的参数。
5.根据权利要求2中公开的水华水体检测方法，其特征在于，所述设定的训练样本比例为10％。
6.一种水华水体检测系统，其特征在于，包括：
第一获取模块，用于采用陆地成像仪获取待检测水体的第一遥感影像，并获取所述第一遥感影像的水体遥感反射率，记为第一水体遥感反射率；所述第一水体遥感反射率包括所述第一遥感影像中不同影像波段的水体遥感反射率；
第二获取模块，用于采用光谱成像仪获取待检测区域的第二遥感影像，并获取所述第二遥感影像的水体遥感反射率，记为第二水体遥感反射率；所述第二水体遥感反射率包括所述第二遥感影像中不同影像波段的水体遥感反射率；
水华检测模型获取模块，用于获取水华检测模型；所述水华检测模型为训练好的极端随机树分类模型；
水体水华检测模块，用于采用所述水华检测模型根据所述第一水体遥感反射率和所述第二水体遥感反射率确定所述待检测水体是否为水华水体。
7.根据权利要求6中公开的水华水体检测系统，其特征在于，还包括：
训练样本获取模块，用于获取训练样本；所述训练样本包括：水华区域的水体遥感反射率和非水华区域的水体遥感反射率；
极端随机树分类模型获取模块，用于获取极端随机树分类模型；
参数调优矩阵构建模块，用于根据所述训练样本采用随机参数搜索和网格参数搜索相结合的方法构建参数调优矩阵；
极端随机树分类模型训练模块，用于根据所述参数调优矩阵确定所述极端随机树分类模型的参数，得到所述训练好的极端随机树分类模型。
8.根据权利要求7中公开的水华水体检测系统，其特征在于，所述参数调优矩阵构建模块，具体包括：
参数调优矩阵构建单元，用于将以所述极端随机树分类模型的初始参数为起点将所述训练样本输入所述极端随机树分类模型，采用试错法，以设定的训练样本比例为步长，确定参数调优矩阵；所述参数调优矩阵包括不同步长下不同参数变化的影响值。
9.根据权利要求8中公开的水华水体检测系统，其特征在于，所述极端随机树分类模型训练模块，具体包括：
降序排列单元，用于降序排列所述参数调优矩阵中的所述影响值；
参数确定单元，用于根据所述影响值确定所述极端随机树分类模型的参数。
10.一种计算机可读的存储介质，其特征在于，所述存储介质中存储有计算机程序；其中，所述计算机程序被设置为运行时执行权利要求1-5中任意一项所述的水华水体检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011321057.3A CN112577955A (zh) | 2020-11-23 | 2020-11-23 | 一种水华水体检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011321057.3A CN112577955A (zh) | 2020-11-23 | 2020-11-23 | 一种水华水体检测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112577955A true CN112577955A (zh) | 2021-03-30 |
Family
ID=75123126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011321057.3A Pending CN112577955A (zh) | 2020-11-23 | 2020-11-23 | 一种水华水体检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112577955A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113203694A (zh) * | 2021-04-26 | 2021-08-03 | 中国科学院东北地理与农业生态研究所 | Msi的湖泊富营养指数遥感估算方法 |
| CN115906505A (zh) * | 2022-12-12 | 2023-04-04 | 武汉大学 | 基于gnss信号的水面水华密度遥感探测方法及系统 |
| CN118429789A (zh) * | 2024-07-04 | 2024-08-02 | 江苏省沿海开发投资有限公司 | 水产病害数据处理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206990270U (zh) * | 2017-06-29 | 2018-02-09 | 淮阴师范学院 | 一种远程水质检测装置 |
| CN108956505A (zh) * | 2018-09-18 | 2018-12-07 | 航天信德智图（北京）科技有限公司 | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 |
| CN109389143A (zh) * | 2018-06-19 | 2019-02-26 | 北京九章云极科技有限公司 | 一种数据分析处理系统及自动建模方法 |
| CN110082349A (zh) * | 2019-02-01 | 2019-08-02 | 南京师范大学 | 一种基于olci的内陆富营养化湖泊水体蓝藻生物量比例遥感估算方法 |
| CN111368779A (zh) * | 2020-03-13 | 2020-07-03 | 武汉大学 | 一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法 |
| CN111855600A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 内陆湖泊水体cdom光谱吸收系数遥感反演模型和方法 |
-
2020
- 2020-11-23 CN CN202011321057.3A patent/CN112577955A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206990270U (zh) * | 2017-06-29 | 2018-02-09 | 淮阴师范学院 | 一种远程水质检测装置 |
| CN109389143A (zh) * | 2018-06-19 | 2019-02-26 | 北京九章云极科技有限公司 | 一种数据分析处理系统及自动建模方法 |
| CN108956505A (zh) * | 2018-09-18 | 2018-12-07 | 航天信德智图（北京）科技有限公司 | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 |
| CN110082349A (zh) * | 2019-02-01 | 2019-08-02 | 南京师范大学 | 一种基于olci的内陆富营养化湖泊水体蓝藻生物量比例遥感估算方法 |
| CN111368779A (zh) * | 2020-03-13 | 2020-07-03 | 武汉大学 | 一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法 |
| CN111855600A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 内陆湖泊水体cdom光谱吸收系数遥感反演模型和方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113203694A (zh) * | 2021-04-26 | 2021-08-03 | 中国科学院东北地理与农业生态研究所 | Msi的湖泊富营养指数遥感估算方法 |
| CN113203694B (zh) * | 2021-04-26 | 2023-04-07 | 中国科学院东北地理与农业生态研究所 | Msi的湖泊富营养指数遥感估算方法 |
| CN115906505A (zh) * | 2022-12-12 | 2023-04-04 | 武汉大学 | 基于gnss信号的水面水华密度遥感探测方法及系统 |
| CN115906505B (zh) * | 2022-12-12 | 2024-05-24 | 武汉大学 | 基于gnss信号的水面水华密度遥感探测方法及系统 |
| CN118429789A (zh) * | 2024-07-04 | 2024-08-02 | 江苏省沿海开发投资有限公司 | 水产病害数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112577955A (zh) | 一种水华水体检测方法和系统 | |
| KR102501581B1 (ko) | 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법 | |
| Novoa et al. | Water quality assessment using satellite-derived chlorophyll-a within the European directives, in the southeastern Bay of Biscay | |
| Smith et al. | Satellite ocean color based harmful algal bloom indicators for aquaculture decision support in the southern Benguela | |
| Chen et al. | Remote sensing estimation of chlorophyll-A in case-II waters of coastal areas: Three-band model versus genetic algorithm–artificial neural networks model | |
| CN107607486B (zh) | 一种土壤全氮检测方法及装置 | |
| CN114241331B (zh) | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 | |
| CN116148188A (zh) | 空天地一体化湖泊水质溯源方法、系统、设备及存储介质 | |
| Ye et al. | Real-time observation, early warning and forecasting phytoplankton blooms by integrating in situ automated online sondes and hybrid evolutionary algorithms | |
| Huang et al. | Using remote sensing to track variation in phosphorus and its interaction with chlorophyll-a and suspended sediment | |
| Shang et al. | Remote estimates of CDOM using Sentinel-2 remote sensing data in reservoirs with different trophic states across China | |
| Amani et al. | Spectral Analysis of wetlands in Newfoundland using Sentinel 2A and Landsat 8 imagery | |
| Zhang et al. | Comparison of various approaches for estimating leaf water content and stomatal conductance in different plant species using hyperspectral data | |
| CN113436153A (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
| Wu et al. | Detecting mangrove photosynthesis with solar-induced chlorophyll fluorescence | |
| Bagheri et al. | Chlorophyll-a estimation in New Jersey's coastal waters using Thematic Mapper data | |
| Hang et al. | Estimation of chlorophyll-a concentration in Lake Taihu from Gaofen-1 wide-field-of-view data through a machine learning trained algorithm | |
| CN115078262A (zh) | 一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法 | |
| Dong et al. | Subfossil cladocerans as quantitative indicators of past ecological conditions in Yangtze River Basin lakes, China | |
| CN114019082A (zh) | 一种土壤有机质含量监测方法和系统 | |
| Hansen et al. | Development of sub-seasonal remote sensing chlorophyll-a detection models | |
| Borges et al. | Monitoring cyanobacteria occurrence in freshwater reservoirs using semi-analytical algorithms and orbital remote sensing | |
| Waxter | Analysis of Landsat satellite data to monitor water quality parameters in Tenmile Lake, Oregon | |
| Dörnhöfer et al. | Water colour analysis of Lake Kummerow using time series of remote sensing and in situ data | |
| Dahanayaka et al. | Monitoring eutrophication trends in Bolgoda North Lake, Sri Lanka by satellite remote sensing |
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 |