CN112763426A - 一种循环优化的高光谱大数据水质全天候动态监测方法 - Google Patents
一种循环优化的高光谱大数据水质全天候动态监测方法 Download PDFInfo
- Publication number
- CN112763426A CN112763426A CN202011537226.7A CN202011537226A CN112763426A CN 112763426 A CN112763426 A CN 112763426A CN 202011537226 A CN202011537226 A CN 202011537226A CN 112763426 A CN112763426 A CN 112763426A
- Authority
- CN
- China
- Prior art keywords
- water quality
- water
- hyperspectral
- data
- monitoring
- 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 297
- 238000012544 monitoring process Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000011065 in-situ storage Methods 0.000 claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000000701 chemical imaging Methods 0.000 claims abstract description 15
- 230000007774 longterm Effects 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 12
- 230000008901 benefit Effects 0.000 claims description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 239000003643 water by type Substances 0.000 claims description 6
- 241000192700 Cyanobacteria Species 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 4
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 229930002868 chlorophyll a Natural products 0.000 claims description 4
- 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 description 4
- 238000012821 model calculation Methods 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000011574 phosphorus Substances 0.000 claims description 4
- 229910052698 phosphorus Inorganic materials 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 239000003153 chemical reaction reagent Substances 0.000 claims description 3
- 238000012851 eutrophication Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 2
- 239000000463 material Substances 0.000 claims 1
- 239000010865 sewage Substances 0.000 abstract 1
- 238000009434 installation Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010561 standard procedure Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000011179 visual inspection 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Abstract
本发明涉及一种循环优化的高光谱大数据水质全天候动态监测方法，步骤S1、建立全天候动态监测系统；步骤S2、建立初步水质反演模型，解算水体水质浓度指标；步骤S3、通过与作业区域的机载高光谱成像系统获取的水体影像叠加分析，标识出水质参数浓度的空间分布，分析排污口及污染超标重点关注水域，对重点关注水域进行进一步监测：步骤S4、根据实时监测数据搭建特定点位的水质反演模型；步骤S5、用神经网络深度学习对长期采集的水体高光谱大数据进行训练学习，定期对原位光谱水质在线监测仪、便携式高光谱检测设备的反演模型精准优化。全天候长期动态监测水体环境信息，神经网络学习手段对水体高光谱数据进行处理，利用深度学习优化水质反演模型。
Description
技术领域
本发明涉及水质监测技术领域，特别是一种循环优化的高光谱大数据水质全天候动态监测方法。
背景技术
河流湖泊作为一种大自然的“馈赠”，对人类的生产、生活等方面起至关重要的作用，其永续稳定发展是人类社会进步的前提。然而，随着人类社会的不断发展，人类在追求经济效益时，难免对河流湖泊资源进行过度使用，使其出现水域面积萎缩、水质恶化等问题，制约了经济的发展，因此，河流湖泊的水环境现状引起有关部门重视，已将对水体水环境实时监测与预测预警提上日程。
传统河流湖泊的水质检测是通过人工取水采样的方法，存在耗费时间长，工作效率低、水体样本位置不固定等问题，使得检测结果不具备全面性和时效性。为了弥补单一采用人工水体采样的不足，在专利CN110887792A中将无人机搭载微型高光谱仪用于采集河流水体高光谱影像，并与河流中人工采集的水样化验数据作为原始数据，结合实验室配置的各浓度等级的水样光谱数据，搭建水质反演模型，从而计算得到水质指标浓度，但此项专利仅在某一时间段对河流湖泊进行单次监测，所得结果虽对特定的时间段来说监测精度符合性高，但由于水体流动性比较大，定期的水质监测结果已无法满足水质指标浓度的时效性。在CN110865040A中利用卫星高光谱遥感数据、机载高光谱遥感数据、地面高光谱仪器数据与水体水样数据，根据多源高光谱监测数据建立水质参数反演模型，通过基于人工智能的反演模型对水质参数建模，进而获得各类水质参数的反演结果，并结合空间信息对水质浓度的分布情况及污染源分析提供依据，但此项专利也同上述专利一样不仅存在数据时效性问题，还存在民用高光谱卫星短缺，连续性难，水质方面技术不成熟等问题，同时卫星数据本身易受大气、云层等因素影响，这些因素不仅导致数据处理过程复杂，还会导致数据成果的准确性降低。
发明内容
为解决上述问题，本发明的目的是提供一种循环优化的高光谱大数据水质全天候动态监测方法，便于水环境的实时监测与基于水体的高光谱大数据分析水质预测预警的需要。
本发明实施例中采用以下方案实现：提供一种循环优化的高光谱大数据水质全天候动态监测方法,按照以下步骤实现：
步骤S1、将便携式高光谱水质检测仪、机载高光谱成像系统、原位光谱水质在线监测仪、浮标式自动监测站和后端监测平台连接建立全天候动态监测系统；
步骤S2、通过便携式高光谱水质检测仪获取指定点位的数据，建立初步水质反演模型，并解算水体的水质浓度指标，初步了解水体水质情况；
步骤S3、利用机载高光谱成像系统对水域进行大面积高光谱数据采集，以获取指定区域的水体影像数据和高光谱数据，从中提取出水体环境参数的各种特征光谱，并用相应的高光谱反演算法实现水体指标的定量反演，从而获取水体的各类水质浓度指标，并根据该水质浓度指标对初步水质反演模型进行本地化修正；通过与作业区域的机载高光谱成像系统获取的水体影像叠加分析，标识出各个水质参数浓度的空间分布，由此分析出排污口及污染超标的重点关注水域，对重点关注水域进行进一步监测：
步骤S4、重点关注水域地面特定点位布设原位光谱水质在线监测仪，进行非接触式的连续采集水体光谱数据，同时测定多个水质参数，实现实时在线水质观测；在重点关注水域的特定点位布设浮标式自动监测站，全天候长期采集被测水域的水环境数据，用于水质分析的补充信息，配合人工定期采集指定水域特定点位的水体水样；所述原位光谱水质在线监测仪、所述浮标式水质自动监测站配合定期人工采集水样工作以“闭合环”采集检修链形式对重点水域进行长期水质动态监测，以获取实时监测数据，根据所述实时监测数据搭建特定点位的水质反演模型；步骤S5、利用神经网络深度学习对长期采集的水体高光谱大数据进行训练学习，不断优化特定点位的水质反演模型，根据优化后的特定点位的水质反演模型定期对所述原位光谱水质在线监测仪、便携式高光谱检测设备的反演模型进行精准优化；以提高检测精度。
本发明一实施例中，步骤S3中包括以下子步骤：
步骤S31、根据作业环境选择合适的搭载平台；
步骤S32、按照已设置好的航飞路线对河流湖泊进行飞行采集，同步采集目标的影像数据和高光谱影像，并对采集数据进行实时存储；
步骤S33、对上述采集的原始光谱数据进行数据还原、辐射校正、光谱定标、几何校正、影像拼接等多项处理，目的是对原始光谱数据去除探测器的条纹噪声，从而计算目标的绝对辐亮度，标定光谱中心波长，对高光谱数据的几何扭曲进行校正，得到具有实用性的高光谱数据；
步骤S34、对步骤S33中具有实用性的高光谱数据进行理化分析和模型计算，可计算水体中叶绿素a、蓝藻、悬浮物、总氮、总磷、化学需氧量、氨氮等指标浓度，对初步水质反演模型进行本地化修正；
步骤S34、根据计算结果分析出重点关注水域。
本发明一实施例中，所述机载高光谱成像系统可采用以下系统搭载：多旋翼无人机，具有体积小、重量轻、结构简单控制灵活、成本低，用于小面积内陆水域作业；固定翼无人机，具有飞行距离长、巡航面大、飞行速度快、可按预设航线巡航的优势，用于大面积水域的作业；民用的直升机与小型运输机，具有载荷量大、航程远、稳定性高、用于面积广阔的市级、省级及海域区域作业。
本发明一实施例中，步骤S5中所述神经网络深度学习由三个部分组成，第一层X1,X2,…Xn作为神经网络深度学习的输入层；第二层作为神经网络的隐含层；第三层Y1,Y2,…Yn作为神经网络深度学习的输出层，层与层之间连接的权重为ωij,ωjk，激励函数为sigmoid函数，该函数表达式为f(x)＝1/(1+e-x)；X和Y是自变量和因变量，当输入和输出节点的个数为n时，神经网络则表示从n个自变量到n个因变量的映射关系。
本发明一实施例中，所述步骤S5中的神经网落深度学习包含以下子步骤：步骤S51、神经网络正向输出值传播，输入值通过隐含层权系数输出成果，输入值为一时间段连续的变量Xi，见公式(5.1)
式中，O为预测输出值；a、ωij和b、ωjk分别表示与隐含层连接的阈值与权值；数量；f为隐含层的激励函数，为sigmoid函数，该函数表达式为f(x)＝1/(1+e-x)；
步骤S52、神经网络反向误差传播，输出的误差由实测值Yk与预测输出值Ok之间的差值；采用最优梯度下降法利用该误差值对连接权值ωij、ωjk进行更新，见公式(5.2—5.4):
ek＝Yk-Ok,k＝1,2,…,m (5.2)
ωjk＝ωjk+η*Hj*ek,j＝1,2,…,l；k＝1,2,…,m；η＞0 (5.4)
式中，ek为期望值与输出值之差；ωij是输入层与隐含层的连接权值；ωjk是隐含层与输出层的连接权值；η为学习效率；
步骤S53、对神经网络正反双向传播的计算过程循环进行，利用2)中误差值对连接权值阈值进行更新，见公式(5.5—5.6)：
bk＝bk+ek,k＝1,2,…,m (5.6)
式中，aj是权值ωij的阈值；bk是权值ωjk的阈值；
步骤S54、学习结果判别，规定全局误差是否趋向极小值Htotal＝∑1/2(Yk-Ok)2≤1*10-5，若满足则输出该预测值。
本发明一实施例中，所述原位光谱水质在线监测仪用于进行非接触式的水体光谱数据连续面状采集，不需要消耗任何试剂，基于水体要素与水体遥感反射率之间的关系，结合生物光学模型所研发，采用400-1000nm光谱范围，测定水体富营养化参数。
本发明一实施例中，所述的浮标式自动监测站实现对水体进行全天候实时监测、地图监测、照片监测、数据预警、历史数据查询等功能，用于水质分析的补充信息。
本发明的有益效果：本发明提供一种循环优化的高光谱大数据水质全天候动态监测方法，1.可通过定点监测仪平台(原位光谱水质在线监测仪、浮标式自动监测站)全天候长期动态监测水体环境信息；2.可利用定点监测仪长期获取水体高光谱数据，从而形成水体高光谱数据库；3.可借助神经网络学习手段对水体高光谱数据进行处理，既可以实现水质情况预测，又可以利用深度学习优化水质反演模型。从而使相关部门能及时、有针对性的控制水体水质。
附图说明
图1是一种循环优化的高光谱大数据水质全天候动态监测方法流程图。
图2是神经网络只包含单个隐含层的网络模型。
具体实施方式
下面结合附图对本发明做进一步说明。
请参阅图1至图2，本发明提供一种循环优化的高光谱大数据水质全天候动态监测方法，按照以下步骤实现：
步骤S1、将便携式高光谱水质检测仪、机载高光谱成像系统、原位光谱水质在线监测仪、浮标式自动监测站和后端监测平台连接建立全天候动态监测系统；后端监测平台用于对数据进行处理和展示；原位光谱水质在线监测仪、浮标式自动监测站实现全天候24小时长期实时监测；
步骤S2、通过便携式高光谱水质检测仪获取指定点位的数据，建立初步水质反演模型，并解算水体的水质浓度指标，初步了解水体水质情况；
步骤S3、利用机载高光谱成像系统对水域进行大面积高光谱数据采集，以获取指定区域的水体影像数据和高光谱数据，从中提取出水体环境参数的各种特征光谱，并用相应的高光谱反演算法实现水体指标的定量反演，从而获取水体的各类水质浓度指标，并根据该水质浓度指标对初步水质反演模型进行本地化修正；通过与作业区域的机载高光谱成像系统获取的水体影像叠加分析，标识出各个水质参数浓度的空间分布，由此分析出排污口及污染超标的重点关注水域，对重点关注水域进行进一步监测：
步骤S4、重点关注水域地面特定点位布设原位光谱水质在线监测仪，进行非接触式的连续采集水体光谱数据，同时测定多个水质参数，实现实时在线水质观测；在重点关注水域的特定点位布设浮标式自动监测站，全天候长期采集被测水域的水环境数据，用于水质分析的补充信息，配合人工定期采集指定水域特定点位的水体水样；所述原位光谱水质在线监测仪、所述浮标式水质自动监测站配合定期人工采集水样工作以“闭合环”采集检修链形式对重点水域进行长期水质动态监测，以获取实时监测数据，根据所述实时监测数据搭建特定点位的水质反演模型；
步骤S5、利用神经网络深度学习对长期采集的水体高光谱大数据进行训练学习，不断优化特定点位的水质反演模型，根据优化后的特定点位的水质反演模型定期对所述原位光谱水质在线监测仪、便携式高光谱检测设备的反演模型进行精准优化；以提高检测精度。
本发明一实施例中，步骤S3中包括以下子步骤：
步骤S31、根据作业环境选择合适的搭载平台；
步骤S32、按照已设置好的航飞路线对河流湖泊进行飞行采集，同步采集目标的影像数据和高光谱影像，并对采集数据进行实时存储；
步骤S33、对上述采集的原始光谱数据进行数据还原、辐射校正、光谱定标、几何校正、影像拼接等多项处理，目的是对原始光谱数据去除探测器的条纹噪声，从而计算目标的绝对辐亮度，标定光谱中心波长，对高光谱数据的几何扭曲进行校正，得到具有实用性的高光谱数据；
步骤S34、对步骤S33中具有实用性的高光谱数据进行理化分析和模型计算，可计算水体中叶绿素a、蓝藻、悬浮物、总氮、总磷、化学需氧量、氨氮等指标浓度，对初步水质反演模型进行本地化修正；
步骤S34、根据计算结果分析出重点关注水域。
本发明一实施例中，所述机载高光谱成像系统可采用以下系统搭载：多旋翼无人机，具有体积小、重量轻、结构简单控制灵活、成本低，用于小面积内陆水域作业；固定翼无人机，具有飞行距离长、巡航面大、飞行速度快、可按预设航线巡航的优势，用于大面积水域的作业；民用的直升机与小型运输机，具有载荷量大、航程远、稳定性高、用于面积广阔的市级、省级及海域区域作业。
请参阅图2，本发明一实施例中，该深度学习网络结构通常由多层神经网络组成，每层网络包括多个神经元，神经元可以通过连接权值与多个其他的神经元连接并输出，将每一层网络节点的输出结果作为下一层网络节点的输入值，从而形成多个网络节点；步骤S5中所述神经网络深度学习由三个部分组成，第一层X1,X2,…Xn作为神经网络深度学习的输入层；第二层作为神经网络的隐含层；第三层Y1,Y2,…Yn作为神经网络深度学习的输出层，层与层之间连接的权重为ωij,ωjk，激励函数为sigmoid函数，该函数表达式为f(x)＝1/(1+e-x)；X和Y是自变量和因变量，当输入和输出节点的个数为n时，神经网络则表示从n个自变量到n个因变量的映射关系。以水体采集的高光谱大数据为基础，利用一段时间采集的水质数据来预测未来水质变化，严格来说，神经网络训练步骤如下：
1)输入值为某一时间段连续的变量Xn；
2)输入与输出之前通过隐含层连接的权系数Wik；
3)输出值为某一时间点实测值作为阈值θn；
4)对于每个输出值定义一个变换函数fn[Xn,Wik,θn(i≠j)]，最常见的情形为f(∑iWik*Xn-θn)，通过神经网络正反向运算，对隐含层的权系数进行多次更新优化，最终得到最优的变换函数应用到水质变化的预测值。
本发明一实施例中，所述步骤S5中的神经网落深度学习包含以下子步骤：步骤S51、神经网络正向输出值传播，输入值通过隐含层权系数输出成果，输入值为一时间段连续的变量Xi，见公式(5.1)
式中，O为预测输出值；a、ωij和b、ωjk分别表示与隐含层连接的阈值与权值；数量；f为隐含层的激励函数，为sigmoid函数，该函数表达式为f(x)＝1/(1+e-x)；
步骤S52、神经网络反向误差传播，输出的误差由实测值Yk与预测输出值Ok之间的差值；采用最优梯度下降法利用该误差值对连接权值ωij、ωjk进行更新，见公式(5.2—5.4):
ek＝Yk-Ok,k＝1,2,…,m (5.2)
ωjk＝ωjk+η*Hj*ek,j＝1,2,…,l；k＝1,2,…,m；η＞0 (5.4)
式中，ek为期望值与输出值之差；ωij是输入层与隐含层的连接权值；ωjk是隐含层与输出层的连接权值；η为学习效率；
步骤S53、对神经网络正反双向传播的计算过程循环进行，利用2)中误差值对连接权值阈值进行更新，见公式(5.5—5.6)：
bk＝bk+ek,k＝1,2,…,m (5.6)
式中，aj是权值ωij的阈值；bk是权值ωjk的阈值；
步骤S54、学习结果判别，规定全局误差是否趋向极小值Htotal＝∑1/2(Yk-Ok)2≤1*10-5，若满足则输出该预测值。
本发明一实施例中，所述原位光谱水质在线监测仪用于进行非接触式的水体光谱数据连续面状采集，不需要消耗任何试剂，基于水体要素与水体遥感反射率之间的关系，结合生物光学模型所研发，采用400-1000nm光谱范围，测定水体富营养化参数；该设备包括云台、光谱传感器、视频相机、光照计、工控机、GPS模块、无线模块和电源模块。其中云台设置于被测水体上方，为所述的光谱传感器提供角度调整的平台，搭载视频相机和光谱传感器镜头；工控机作为“数据中转传输站”，既控制转动模块，控制云台转动，又控制光谱传感器和视频相机对水体区域的数据采集与存储工作，又控制光照计测量当前水体区域的光照度，并将所得水体相关数据传输至监控平台；GPS模块对当前架设的原位光谱水质在线监测仪的地理位置进行定位；无线模块作为“载体”，可进行远程控制和数据传输，将光谱数据、GPS信息、设备标识号及相关的运行信息传输至监控平台，在平台上可以实时查看水体影像信息及反演的水质参数。
本发明一实施例中，所述浮标式自动监测站主要包括浮标平台和数据管理云平台，浮标平台集成了多类水质传感器和气象传感器，包括：DO传感器、pH传感器、ORP传感器、电导率传感器、盐度传感器、浊度传感器、风速传感器、多参数气象传感器、翻斗式雨量计及工业照相机，可将设备测量数据与定点遥感数据进行比对和校准，由于该设备投放在水域中，则采用太阳能供电系统，可连续工作15个阴雨天采集水质数据，通过无线传输至软件云平台，可实现对水体进行全天候实时监测、地图监测、照片监测、数据预警、历史数据查询等功能，用于水质分析的补充信息。
本发明一实施例中，所述人工定期采取定点水体水样数据，按照《地表水环境质量标准》(GB3838-2002)的国标方法对水样数据进行水质检测分析，其原因在于：1.利用人工检测的水质数据，与各设备自动获取水质数据进行比对，在国标误差允许范围内，视为上述的水体定点采集设备处于正常作业，无需对上述的定点采集设备进行检修；2.在上述的机载高光谱成像系统所得水质反演模型的基础上，利用人工采样检测的水质数据与上述的定点采集设备获取的实时监测成果搭建固定水域的水质反演模型，该模型对固定水域的水质更具实用性，因此定期的模型优化更新使水质检测结果更具准确性。
本发明具有以下工作原理：
便携式高光谱水质检测设备作为便携式水质检测仪，具有易于携带，操作简便，不受野外地理环境的干扰，专业的技术人员通过便携式高光谱水质检测设备检测河流湖泊水域时，可获取该河流湖泊水域零散点位的光谱数据，该检测设备自动处理光谱数据得到初步水质反演模型，并解算出水质浓度指标。同时，对该水域周边地形情况进行了解，从而选择合适的搭载平台并规划其航飞路线，便于后续数据采集。
机载高光谱成像系统，首先根据作业环境选择合适的搭载平台；然后按照已设置好的航飞路线对河流湖泊进行飞行采集，同步采集目标的影像数据和高光谱影像，并对采集数据进行实时存储；最后对上述采集的原始光谱数据进行数据还原、辐射校正、光谱定标、几何校正、影像拼接等多项处理，目的是对原始光谱数据去除探测器的条纹噪声，从而计算目标的绝对辐亮度，标定光谱中心波长，对高光谱数据的几何扭曲进行校正，得到具有实用性的高光谱数据；对上述的高光谱数据进行理化分析和模型计算，可计算水体中叶绿素a、蓝藻、悬浮物、总氮、总磷、化学需氧量、氨氮等指标浓度，对初步水质反演模型进行本地化修正。1.所述的原位光谱水质在线监测仪：(1)布设原则与点位选取：根据上述的成果分析出水污染、水质指标浓度高等水域，有关部门根据上述的水质浓度分析结果决定哪些水域视为重点水域，将监测仪设备布设在重点水域的地面。先在重点水域地面选择定点安装金属底座，并需考虑附近走线供电与4G网络覆盖情况，便于后续采集数据信息上传至监测云平台；(2)将装有各类仪器的原位光谱水质在线监测系统的前端设备与立杆先进行固定安装，再准备立杆，此操作考虑安装人员的安全性，应安装固定在桥梁、码头等有条件安装、维护的安全地点；(3)固定立杆，上电调试，安装完成，开始水环境数据的采集工作，前端设备将获取的水质数据和影像经过4G网络传输至固定水域原位光谱水质的后端监测平台，在平台上可实现实时查看影像及反演的水质指标；2.同步所述的浮标式水质自动监测站：(1)布设原则与电位选取：根据上述的成果分析水污染、水质指标浓度高等水域，有关部门根据分析结果的决定投放浮标式自动监测站的位置。在固定水域布设此设备，对该水域水质情况以“点状”形式进行全天候动态监测：(2)设备安装：1)上述设备的电源设备安装与接线，采用的是清洁能源供电系统—太阳能；2)设备的锚与锚链进行安装，使设备能漂浮在水域中，起到平稳作用；3)水质传感器安装与接线；4)将浮标式水质自动监测站投放在被测水域中，监测包括但不限于DO、pH、电导率、浊度、盐度、ORP等参数，同时接入多种气象环境传感器，监测包括但不限于温湿度、光照度、大气压力、风速、雨量等参数，实现长期动态监测水域环境的基本信息；3.配合人工定期在上述的固定水域的特定点位采集水体水样数据，按照国标方法进行水质检测，同上述的实时监测数据搭建特定点位的水质反演模型，对上述的机载高光谱成像系统的反演模型进行精准优化，同时利用神经网络深度学习对长期采集的水体高光谱大数据进行训练学习。可以对水质的预测预警和水质改良工作前后对比成效分析起到关键性的作用。
所述的便携式高光谱水质检测设备的模型参数根据上述的固定水域的特定点位模型参数进行定期优化更新，提高便携式高光谱水质检测设备的检测精度，便于日常野外水体环境的视察巡检。
以上所述仅为本发明的较佳实施例，不能理解为对本申请的限制，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (7)
1.一种循环优化的高光谱大数据水质全天候动态监测方法，其特征在于：按照以下步骤实现：
步骤S1、将便携式高光谱水质检测仪、机载高光谱成像系统、原位光谱水质在线监测仪、浮标式自动监测站和后端监测平台连接建立全天候动态监测系统；
步骤S2、通过便携式高光谱水质检测仪获取指定点位的数据，建立初步水质反演模型，并解算水体的水质浓度指标，初步了解水体水质情况；
步骤S3、利用机载高光谱成像系统对水域进行大面积高光谱数据采集，以获取指定区域的水体影像数据和高光谱数据，从中提取出水体环境参数的各种特征光谱，并用相应的高光谱反演算法实现水体指标的定量反演，从而获取水体的各类水质浓度指标，并根据该水质浓度指标对初步水质反演模型进行本地化修正；通过与作业区域的机载高光谱成像系统获取的水体影像叠加分析，标识出各个水质参数浓度的空间分布，由此分析出排污口及污染超标的重点关注水域，对重点关注水域进行进一步监测：
步骤S4、重点关注水域地面特定点位布设原位光谱水质在线监测仪，进行非接触式的连续采集水体光谱数据，同时测定多个水质参数，实现实时在线水质观测；在重点关注水域的特定点位布设浮标式自动监测站，全天候长期采集被测水域的水环境数据，用于水质分析的补充信息，配合人工定期采集指定水域特定点位的水体水样；所述原位光谱水质在线监测仪、所述浮标式水质自动监测站配合定期人工采集水样工作以“闭合环”采集检修链形式对重点水域进行长期水质动态监测，以获取实时监测数据，根据所述实时监测数据搭建特定点位的水质反演模型；
步骤S5、利用神经网络深度学习对长期采集的水体高光谱大数据进行训练学习，不断优化特定点位的水质反演模型，根据优化后的特定点位的水质反演模型定期对所述原位光谱水质在线监测仪、便携式高光谱检测设备的反演模型进行精准优化；以提高检测精度。
2.根据权利要求1所述的一种循环优化的高光谱大数据水质全天候动态监测方法，其特征在于：步骤S3中包括以下子步骤：
步骤S31、根据作业环境选择合适的搭载平台；
步骤S32、按照已设置好的航飞路线对河流湖泊进行飞行采集，同步采集目标的影像数据和高光谱影像，并对采集数据进行实时存储；
步骤S33、对上述采集的原始光谱数据进行数据还原、辐射校正、光谱定标、几何校正、影像拼接等多项处理，目的是对原始光谱数据去除探测器的条纹噪声，从而计算目标的绝对辐亮度，标定光谱中心波长，对高光谱数据的几何扭曲进行校正，得到具有实用性的高光谱数据；
步骤S34、对步骤S33中具有实用性的高光谱数据进行理化分析和模型计算，可计算水体中叶绿素a、蓝藻、悬浮物、总氮、总磷、化学需氧量、氨氮等指标浓度，对初步水质反演模型进行本地化修正；
步骤S34、根据计算结果分析出重点关注水域。
3.根据权利要求2所述的一种循环优化的高光谱大数据水质全天候动态监测方法，其特征在于：所述机载高光谱成像系统可采用以下系统搭载：多旋翼无人机，具有体积小、重量轻、结构简单控制灵活、成本低，用于小面积内陆水域作业；固定翼无人机，具有飞行距离长、巡航面大、飞行速度快、可按预设航线巡航，用于大面积水域的作业；民用的直升机与小型运输机，具有载荷量大、航程远、稳定性高、用于面积广阔的市级、省级及海域区域作业。
4.根据权利要求1所述的一种循环优化的高光谱大数据水质全天候动态监测方法，其特征在于：步骤S5中所述神经网络深度学习由三个部分组成，第一层X1，X2，…Xn作为神经网络深度学习的输入层；第二层作为神经网络的隐含层；第三层Y1，Y2，…Yn作为神经网络深度学习的输出层，层与层之间连接的权重为ωij，ωjk，激励函数为sigmoid函数，该函数表达式为f(x)＝1/(1+e-x)；X和Y是自变量和因变量，当输入和输出节点的个数为n时，神经网络则表示从n个自变量到n个因变量的映射关系。
5.根据权利要求4所述的一种循环优化的高光谱大数据水质全天候动态监测方法，其特征在于：所述步骤S5中的神经网落深度学习包含以下子步骤：
步骤S51、神经网络正向输出值传播，输入值通过隐含层权系数输出成果，输入值为一时间段连续的变量Xi，见公式(5.1)
式中，O为预测输出值；a、ωij和b、ωjk分别表示与隐含层连接的阈值与权值；数量；f为隐含层的激励函数，为sigmoid函数，该函数表达式为f(x)＝1/(1+e-x)；
步骤S52、神经网络反向误差传播，输出的误差由实测值Yk与预测输出值Ok之间的差值；采用最优梯度下降法利用该误差值对连接权值ωij、ωjk进行更新，见公式(5.2-5.4)：
ek＝Yk-Ok，k＝1，2，...，m (5.2)
ωjk＝ωjk+η*Hj*ek，j＝1，2，...，l；k＝1，2，...，m；η＞0 (5.4)
式中，ek为期望值与输出值之差；ωij是输入层与隐含层的连接权值；ωjk是隐含层与输出层的连接权值；η为学习效率；
步骤S53、对神经网络正反双向传播的计算过程循环进行，利用2)中误差值对连接权值阈值进行更新，见公式(5.5-5.6)：
bk＝bk+ek，k＝1，2，...，m (5.6)
式中，aj是权值ωij的阈值；bk是权值ωjk的阈值；
步骤S54、学习结果判别，规定全局误差是否趋向极小值Htotal＝∑1/2(Yk-Ok)2≤1*10-5，若满足则输出该预测值；
步骤S55、通过优化后的水质反演模型不断更新设备算法，提高水质监测精度。
6.根据权利要求1所述的一种循环优化的高光谱大数据水质全天候动态监测方法，其特征在于：所述原位光谱水质在线监测仪用于进行非接触式的水体光谱数据连续面状采集，不需要消耗任何试剂，基于水体要素与水体遥感反射率之间的关系，结合生物光学模型所研发，采用400-1000nm光谱范围，测定水体富营养化参数。
7.根据权利要求1所述的一种循环优化的高光谱大数据水质全天候动态监测方法，其特征在于：所述浮标式自动监测站实现对水体进行全天候实时监测、地图监测、照片监测、数据预警、历史数据查询等功能，用于水质分析的补充信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011537226.7A CN112763426A (zh) | 2020-12-23 | 2020-12-23 | 一种循环优化的高光谱大数据水质全天候动态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011537226.7A CN112763426A (zh) | 2020-12-23 | 2020-12-23 | 一种循环优化的高光谱大数据水质全天候动态监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112763426A true CN112763426A (zh) | 2021-05-07 |
Family
ID=75695218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011537226.7A Pending CN112763426A (zh) | 2020-12-23 | 2020-12-23 | 一种循环优化的高光谱大数据水质全天候动态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112763426A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113449789A (zh) * | 2021-06-24 | 2021-09-28 | 北京市生态环境监测中心 | 基于大数据的全光谱水质监测设备监测水质的质控方法 |
| CN113484257A (zh) * | 2021-06-24 | 2021-10-08 | 北京市生态环境监测中心 | 基于神经网络和全光谱吸光度的水质浓度计算系统及方法 |
| CN113607726A (zh) * | 2021-08-03 | 2021-11-05 | 广东新大禹环境科技股份有限公司 | 一种重金属废水的水质监测系统装置及水质监测方法 |
| CN113744427A (zh) * | 2021-11-05 | 2021-12-03 | 天津天元海科技开发有限公司 | 一种基于无人机遥感的航标巡检系统及巡检方法 |
| CN113780177A (zh) * | 2021-09-10 | 2021-12-10 | 中国科学院南京地理与湖泊研究所 | 一种非接触式实时原位水质监测方法 |
| CN114814071A (zh) * | 2022-06-17 | 2022-07-29 | 武汉正元环境科技股份有限公司 | 基于离子色谱法的水质检测方法 |
| CN115159787A (zh) * | 2022-07-26 | 2022-10-11 | 苏州金螳螂园林绿化景观有限公司 | 一种水禽湖湖水监测处理方法 |
| CN116306322A (zh) * | 2023-05-18 | 2023-06-23 | 天津中科谱光信息技术有限公司 | 一种基于高光谱数据的水体总磷浓度反演方法和装置 |
| CN117110214A (zh) * | 2023-09-01 | 2023-11-24 | 河北华厚天成环保技术有限公司 | 一种基于无人机高光谱成像的水质分析系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120310578A1 (en) * | 2011-06-03 | 2012-12-06 | Radiometrics Corporation | Correcting noncontact infrared thermometer data by removing contamination of the intervening atmosphere |
| CN108593569A (zh) * | 2018-07-02 | 2018-09-28 | 中国地质环境监测院 | 基于光谱形态特征的高光谱水质参数定量反演方法 |
| WO2018214190A1 (zh) * | 2017-06-19 | 2018-11-29 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
| CN109341774A (zh) * | 2018-11-09 | 2019-02-15 | 鄢正连 | 地空一体化农业监测系统及方法 |
| CN110672805A (zh) * | 2019-10-08 | 2020-01-10 | 核工业北京地质研究院 | 一种基于航空高光谱数据的水库水质参数定量反演方法 |
| CN110887792A (zh) * | 2019-12-17 | 2020-03-17 | 深圳慧格科技服务咨询有限公司 | 一种基于无人机高光谱影像的河流水质快速监测系统 |
| CN111007021A (zh) * | 2019-12-31 | 2020-04-14 | 北京理工大学重庆创新中心 | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 |
| CN111982831A (zh) * | 2020-07-01 | 2020-11-24 | 深圳市迈珂斯环保科技有限公司 | 一种基于高光谱技术的水质在线监测方法、装置和系统 |
| CN112070234A (zh) * | 2020-09-04 | 2020-12-11 | 中国科学院南京地理与湖泊研究所 | 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法 |
-
2020
- 2020-12-23 CN CN202011537226.7A patent/CN112763426A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120310578A1 (en) * | 2011-06-03 | 2012-12-06 | Radiometrics Corporation | Correcting noncontact infrared thermometer data by removing contamination of the intervening atmosphere |
| WO2018214190A1 (zh) * | 2017-06-19 | 2018-11-29 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
| CN108593569A (zh) * | 2018-07-02 | 2018-09-28 | 中国地质环境监测院 | 基于光谱形态特征的高光谱水质参数定量反演方法 |
| CN109341774A (zh) * | 2018-11-09 | 2019-02-15 | 鄢正连 | 地空一体化农业监测系统及方法 |
| CN110672805A (zh) * | 2019-10-08 | 2020-01-10 | 核工业北京地质研究院 | 一种基于航空高光谱数据的水库水质参数定量反演方法 |
| CN110887792A (zh) * | 2019-12-17 | 2020-03-17 | 深圳慧格科技服务咨询有限公司 | 一种基于无人机高光谱影像的河流水质快速监测系统 |
| CN111007021A (zh) * | 2019-12-31 | 2020-04-14 | 北京理工大学重庆创新中心 | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 |
| CN111982831A (zh) * | 2020-07-01 | 2020-11-24 | 深圳市迈珂斯环保科技有限公司 | 一种基于高光谱技术的水质在线监测方法、装置和系统 |
| CN112070234A (zh) * | 2020-09-04 | 2020-12-11 | 中国科学院南京地理与湖泊研究所 | 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法 |
Non-Patent Citations (3)
| Title |
|---|
| 曹文熙 等: "赤潮的高光谱监测及预警方法", 热带海洋学报, vol. 29, no. 02, pages 17 - 24 * |
| 朱玉东 等: "太湖蓝藻水华一体化监测系统应用", 水利信息化, no. 01, pages 33 - 38 * |
| 杨振 等: "无人机高光谱遥感的水质参数反演与模型构建", 测绘科学, vol. 45, no. 09, pages 60 - 64 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113484257B (zh) * | 2021-06-24 | 2023-11-14 | 北京市生态环境监测中心 | 基于神经网络和全光谱吸光度的水质浓度计算系统及方法 |
| CN113484257A (zh) * | 2021-06-24 | 2021-10-08 | 北京市生态环境监测中心 | 基于神经网络和全光谱吸光度的水质浓度计算系统及方法 |
| CN113449789A (zh) * | 2021-06-24 | 2021-09-28 | 北京市生态环境监测中心 | 基于大数据的全光谱水质监测设备监测水质的质控方法 |
| CN113449789B (zh) * | 2021-06-24 | 2024-05-03 | 北京市生态环境监测中心 | 基于大数据的全光谱水质监测设备监测水质的质控方法 |
| CN113607726A (zh) * | 2021-08-03 | 2021-11-05 | 广东新大禹环境科技股份有限公司 | 一种重金属废水的水质监测系统装置及水质监测方法 |
| CN113780177A (zh) * | 2021-09-10 | 2021-12-10 | 中国科学院南京地理与湖泊研究所 | 一种非接触式实时原位水质监测方法 |
| CN113744427A (zh) * | 2021-11-05 | 2021-12-03 | 天津天元海科技开发有限公司 | 一种基于无人机遥感的航标巡检系统及巡检方法 |
| CN114814071A (zh) * | 2022-06-17 | 2022-07-29 | 武汉正元环境科技股份有限公司 | 基于离子色谱法的水质检测方法 |
| CN115159787A (zh) * | 2022-07-26 | 2022-10-11 | 苏州金螳螂园林绿化景观有限公司 | 一种水禽湖湖水监测处理方法 |
| CN115159787B (zh) * | 2022-07-26 | 2024-04-16 | 苏州金螳螂园林绿化景观有限公司 | 一种水禽湖湖水监测处理方法 |
| CN116306322A (zh) * | 2023-05-18 | 2023-06-23 | 天津中科谱光信息技术有限公司 | 一种基于高光谱数据的水体总磷浓度反演方法和装置 |
| CN116306322B (zh) * | 2023-05-18 | 2023-08-25 | 天津中科谱光信息技术有限公司 | 一种基于高光谱数据的水体总磷浓度反演方法和装置 |
| CN117110214A (zh) * | 2023-09-01 | 2023-11-24 | 河北华厚天成环保技术有限公司 | 一种基于无人机高光谱成像的水质分析系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112763426A (zh) | 一种循环优化的高光谱大数据水质全天候动态监测方法 | |
| CN106971146B (zh) | 基于三查技术的水体异常遥感动态监控方法、装置和系统 | |
| US11650190B2 (en) | Hyperspectral sensing system and methods | |
| Rodríguez-López et al. | Spectral analysis using LANDSAT images to monitor the chlorophyll-a concentration in Lake Laja in Chile | |
| CN110887792A (zh) | 一种基于无人机高光谱影像的河流水质快速监测系统 | |
| CN106407656A (zh) | 一种基于高分辨率卫星影像数据的气溶胶光学厚度反演方法 | |
| Tian et al. | Estimating PM2. 5 from multisource data: A comparison of different machine learning models in the Pearl River Delta of China | |
| CN115185292A (zh) | 基于地空一体化的空气污染智能监测方法及平台 | |
| Takano et al. | Spatial variations in daytime methane and carbon dioxide emissions in two urban landscapes, Sakai, Japan | |
| CN114813651A (zh) | 一种结合差分学习率与光谱几何特征的遥感水质反演方法 | |
| Lian et al. | Sensitivity to the sources of uncertainties in the modeling of atmospheric CO 2 concentration within and in the vicinity of Paris | |
| CN115795996A (zh) | 一种基于现实网络图的图神经网络的城市数据实时管理方法及其系统 | |
| CN116026767A (zh) | 一种快速排查入河入海排污口位置的方法 | |
| Cao et al. | Inversion and distribution of total suspended matter in water based on remote sensing images—A case study on Yuqiao Reservoir, China | |
| CN113780177A (zh) | 一种非接触式实时原位水质监测方法 | |
| CN114397277A (zh) | 一种无人机水体叶绿素遥感探测系统 | |
| Salyuk et al. | Determination of the chlorophyll a concentration by MODIS-Aqua and VIIRS satellite radiometers in Eastern Arctic and Bering Sea | |
| CN116563733A (zh) | 一种基于无人机高光谱与热红外的水质监测方法 | |
| CN109406361B (zh) | 一种基于遥感技术的干旱区灰霾污染预警方法 | |
| CN113552034B (zh) | 浅水湖泊悬浮颗粒物浓度modis影像遥感反演方法 | |
| CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统 | |
| Qi et al. | Evaluating multivariable statistical methods for downscaling nighttime land surface temperature in urban areas | |
| Lim et al. | Air pollution determination using remote sensing technique | |
| Xiao et al. | Evaluation method of water quality for river based on multi-spectral remote sensing data | |
| LU500691B1 (en) | Non-touching Real-time In-situ Water Quality Detection Method |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210630 Address after: 352100 3rd floor, building 28, district a, Jingang Mingdu, No.1 Wan'an West Road, Jiaocheng District, Ningde City, Fujian Province Applicant after: Ningde satellite Big Data Technology Co.,Ltd. Applicant after: BEIJING ZHIKE YUANDA DATA TECHNOLOGY Co.,Ltd. Address before: 352100 3rd floor, building 28, district a, Jingang Mingdu, No.1 Wan'an West Road, Jiaocheng District, Ningde City, Fujian Province Applicant before: Ningde satellite Big Data Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right |