CN112766202A - 基于卫星遥感的蓝藻信息实时指示方法、存储介质及设备 - Google Patents
基于卫星遥感的蓝藻信息实时指示方法、存储介质及设备 Download PDFInfo
- Publication number
- CN112766202A CN112766202A CN202110112532.4A CN202110112532A CN112766202A CN 112766202 A CN112766202 A CN 112766202A CN 202110112532 A CN202110112532 A CN 202110112532A CN 112766202 A CN112766202 A CN 112766202A
- Authority
- CN
- China
- Prior art keywords
- blue
- algae
- blue algae
- remote sensing
- satellite remote
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
Abstract
本发明公开了一种基于卫星遥感的蓝藻信息实时指示方法、存储介质及设备,获取待指示蓝藻水域的当前卫星遥感影像,对当前卫星遥感影像进行裁剪预处理,之后进行数据增强处理,得到当前输入数据;将当前输入数据输入到预先确定最优模型参数后的S‑UNet深度学习模型,进行分类处理后,确定精确的蓝藻分布范围;确定蓝藻爆发频率;计算蓝藻水华强度;将所述蓝藻分布范围、蓝藻爆发频率以及蓝藻水华强度进行实时显示,并在判断蓝藻爆发时,进行报警并发布蓝藻爆发区域的定位信息。优点:本发明中提出的基于蓝藻实时信息的实时指示系统可以为打捞工作提供可靠的技术支持,有效的提高蓝藻清理的效率,具有重要的经济和社会意义。
Description
技术领域
本发明涉及一种基于卫星遥感的蓝藻信息实时指示方法、存储介质及设备,属于目标识别技术领域。
背景技术
近年来湖水域蓝藻频繁爆发,导致水体水质恶化、生态系统受损,严重威胁到周边区域的用水安全、经济发展和生态环境。目前国内外学者研究了多种治理蓝藻水华得方法,包括化学、生物和物理法。化学法需要向水中引入化学药剂进行除藻,但在抑藻的同时也造成了二次污染。生物法通过栽种水生高等植物、建立生物栅等方式进行除藻,见效慢且容易引起湖泊生态系统的变化。比较下来,常规的物理除藻则较为友好,其中的引水换水、挖掘底泥、过滤与吸附方式因操作工艺复杂,同时需要投入大量的人力物力,很难适合大面积的水域除藻。机械除藻作为一种高效、环保的应急除藻手段,具有广阔的开发应用前景。该除藻方式一般应用在蓝藻富集区域,采用固定的除藻设施或除藻船对蓝藻富集区的蓝藻水华进行清除。但由于蓝藻水华时空变化剧烈,很难及时确定水华爆发的位置和规模,掌握准确可靠的水华信息对蓝藻的打捞治理至关重要。
以往对蓝藻水华的研究是通过实地测量采样后利用显微镜进行识别。这种方式可以提供准确的蓝藻信息,但需要耗费大量的人力物力,而且在时效性和准确性方面难以满足水华动态监测的要求。相较于传统的实地测量方式,卫星遥感具有全天候、低成本、覆盖范围广等特点,可根据蓝藻和水体光谱特征的差异将其区分开来。
传统的物理打捞方式多是通过风向确定蓝藻密集或稀疏的水域,再指派相应数量的船只前往不同密度的蓝藻覆盖区域进行打捞。这种方式对于复杂多变的蓝藻生物而言并不适用,因为外界环境的变化极易导致蓝藻的聚集或是扩散,人工达到指定位置后很难得到预期的蓝藻信息,从而无法准确及时进行打捞清理工作。由于受夏天季风和天气条件的影响,蓝藻的暴发和聚集较难预测,在一定程度上增加了打捞难度。同时,蓝藻暴发的不确定性,以及在时间和空间上的不均衡性,导致不同蓝藻打捞点之间打捞船的利用效率存在差异。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于卫星遥感的蓝藻信息实时指示方法、存储介质及设备,将实时蓝藻信息传送至工作人员手中,及时进行针对性蓝藻打捞,节省人力物力的同时也极大的提高了打捞效率。
为解决上述技术问题,本发明提供一种基于卫星遥感的蓝藻信息实时指示方法,获取待指示蓝藻水域的当前卫星遥感影像,对当前卫星遥感影像进行裁剪预处理,之后进行数据增强处理,得到当前输入数据;
将当前输入数据输入到预先确定最优模型参数后的S-UNet深度学习模型,进行分类处理后,确定精确的蓝藻分布范围;
对使用S-UNet模型分类后得到的蓝藻分布范围分别以1和0两种数值分别分配给有蓝藻的像元和无蓝藻的像元,从而生成二进制图像;统计二进制图像中像元一段时间内被蓝藻水华覆盖的次数,得到蓝藻爆发频率;
利用混合像元分解原理计算所述一段时间内对应的蓝藻分布范围中蓝藻水华强度;
将所述蓝藻分布范围、蓝藻爆发频率以及蓝藻水华强度进行实时显示,并在判断蓝藻爆发时,进行报警并发布蓝藻爆发区域的定位信息。
进一步的,所述确定最优模型参数后的S-UNet深度学习模型的确定过程包括:
获取待指示蓝藻水域的历史卫星遥感影像;
对历史卫星遥感影像进行裁剪预处理,之后进行数据增强处理,得到适合深度学习的数据集;
将数据集划分为训练集、验证集和测试集,利用训练集对S-UNet深度学习模型进行训练,利用验证集和测试集对训练好的S-UNet深度学习模型进行测试,确定最优的模型参数。
进一步的,所述定位信息的获取过程包括:
计算卫星遥感影像扫描点的地理经纬度,结合地理信息完成对蓝藻分布范围位置的判定。
进一步的,所述地理经纬度的计算过程包括:
根据t0时刻轨道根数,计算t观测时刻的卫星的瞬时轨道参数,根据t观测时刻的卫星的瞬时轨道参数、卫星姿态和扫描角,通过坐标的几何转换,计算出扫描点的地理经纬度。
进一步的,所述蓝藻水华强度通过基于混合像元分解方法进行计算,计算公式为:
其中NDVIv是蓝藻像元的NDVI,NDVIw是水体像元的NDVI,C为蓝藻水华强度,所述混合像元分解方法采用线性光谱混合模型。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据所述的方法中的任一方法。
一种计算设备,包括,一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据所述的方法中的任一方法的指令。
本发明所达到的有益效果:
本发明基于高时间分辨率的遥感影像处理得到实时蓝藻信息,因而可以做到蓝藻实时情况的真实反映。在此基础上,本发明提出的实时指示系统可将获取的蓝藻信息进行实时显示,因而有利于工作人员快速准确掌握蓝藻分布及密度。实时显示的蓝藻信息自带经纬度信息,通过与地图应用的连接可实时指导人工前往指定打捞地点进行作业,因而节省了因蓝藻变化导致蓝藻的预期情况与真实情况不符的问题,极大的节省力人力物力。本发明中提出的基于蓝藻实时信息的实时指示系统可以为打捞工作提供可靠的技术支持,有效的提高蓝藻清理的效率,具有重要的经济和社会意义。
附图说明
图1是本发明的流程示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
如图1所示,一种基于卫星遥感的蓝藻信息实时指示方法,包括:
(1)遥感影像实时处理云服务平台
该云服务平台基于GF-4、Himawari-8等高时间分辨率遥感影像,集数据的实时获取、处理以及分析为一体,形成遥感影像实时处理云平台,以卫星遥感技术为核心,通过云计算中心智能获取覆盖面积、爆发强度、爆发频率等蓝藻信息,为湖泊蓝藻机械打捞提供决策信息和服务运用,实现蓝藻信息实时获取与指示的系统平台。
1)数据实时下载及预处理
以Himawari-8卫星数据为例,开发了卫星遥感影像自动下载系统,基于不同卫星遥感数据所提供的下载方式和命名规则的分析结果,实现对高时间分辨率遥感影像的自动实时下载及数据预处理功能。
2)云支撑服务平台
该影像处理云平台采用软件即服务(SaaS)方式进行设计,包括面向服务的架构(SOA)设计和软件工程方法的结合。一方面,采用当前Web端国际主流的B/S结构模式进行互联网的交互应用,以便用户在不同地点、采用不同访问方式登陆系统。另一方面,面向服务的软件工程方法把ENVI和GIS的全部功能封装为Web-ENVI-GIS网络服务,从而实现被多种客户端跨平台、跨网络、跨语言地调用,并具备了服务聚合能力以集成来自其他服务器发布的ENVI和GIS服务。
(2)智能识别算法
通过深度学习与智能算法的结合,可实现蓝藻分布范围的精确提取。在此基础上,通过对多幅蓝藻分类后的二值化结果进行统计即可得到蓝藻的爆发频率分布。另外,采用特定的智能算法可计算得到蓝藻的爆发强度,具体的实现过程如下:
1)基于深度学习的蓝藻提取:
裁剪预处理的结果,并经过数据增强方法,制作成适合深度学习的数据集,将数据集划分为训练集、验证集和测试集,采用S-UNet深度学习模型进行训练和测试,保存最优的模型参数。对GF-4、Himawari-8数据进行一系列预处理,用S-UNet模型对预处理的结果进行分类,得到精确的蓝藻分布范围,通过对蓝藻范围统计即可获取蓝藻覆盖面积。
2)爆发频率计算
对使用S-UNet模型分类后得到的蓝藻分布分别以1和0两种数值分别分配给有蓝藻的像元和无蓝藻的像元,从而生成二进制图像。然后统计二进制图像中像元一段时间内被蓝藻水华覆盖的次数(具体时段根据需要确定),得到蓝藻的爆发频率。
3)爆发强度计算
归一化植被指数模型(NDVI)是近红外波段的反射率与红外波段反射率的比值,在一定程度上可以反映蓝藻水华强度。计算公式为:
其中RNir是近红外波段反射率,RRed是红色波段反射率。
针对NDVI模型,通过目视解译以及灰度值分割的方法来确定合适的阈值将蓝藻和水体进行有效区分,从而进行蓝藻水华的提取,判别公式为:
NDVI>NDVIt (4.2)
其中NDVI为像元的NDVI值,NDVIt为经过人机交互确定的阈值。对于水域内的像元,当像元NDVI值大于阈值时,可认定该像元为蓝藻水华像元,否则认为是水体像元。
线性光谱混合模型是混合像元分解中最常用的方法,在该模型中,像元在某一光谱波段的反射率是由构成像元的基本组分的反射率及其所占像元面积的比例为权重系数的线性组合。本文基于混合像元分解原理来计算蓝藻水华强度,考虑太湖湖区的组分主要是蓝藻和水体,可假设每个像元内只有蓝藻和水体,少量除蓝藻外的浮游植物被忽略。根据线性光谱混合模型,湖区内各个像元的NDVI则可表示为:
NDVI=NDVIv×C+NDVIw×(1-C) (4.3)
其中NDVI代表各个像元的NDVI值,NDVIv是蓝藻的NDVI值,通常采用0.81作为参考值。NDVIw是水体的NDVI值,通常采用-0.3作为参考值。C为蓝藻的覆盖强度。其中,NDVIv和NDVIw的取值参照国家卫星气象中心关于湖泊蓝藻水华卫星遥感监测技术导则中的相关规定进行确定。
将上述公式进行简化即可得到蓝藻覆盖强度的计算公式:
(3)信息实时指示
将经过以上计算得到的蓝藻信息实时显示在服务器端,当蓝藻爆发时,根据服务器端不同颜色显示的蓝藻爆发分布以及爆发强度可以实时获取蓝藻爆发信息;当蓝藻未出现爆发时,根据服务器端对长时间序列蓝藻爆发频率的统计可得到蓝藻爆发的高发区,为蓝藻爆发的防控和预警提供参考。
1)蓝藻信息的显示
服务器端完成蓝藻信息的计算后,通过客户端端完成蓝藻信息的实时接收,并在接收到每一帧数据后对数据进行蓝藻数量的初步判断,根据蓝藻数量以及范围以不同颜色或者同一颜色不同深浅加以区分并显示在客户端。客户端软件系统通过TCP协议连接访问服务器,接收来自服务器端的实时蓝藻信息。
2)蓝藻位置的确定
计算卫星遥感资料扫描点的地理经纬度,再结合地理信息完成对蓝藻空间位置的判定。卫星遥感资料的定位计算首先须根据t0时刻轨道根数,计算t观测时刻的卫星的瞬时轨道参数,然后根据t观测时刻的卫星的瞬时轨道参数、卫星姿态和扫描角,通过坐标的几何转换,计算出扫描点的地理经纬度。
3)定位信息的指示
服务器端的蓝藻信息通过TCP协议与卫星导航系统建立连接,并在客户端实时显示接收到的蓝藻分布、覆盖强度以及爆发频率等信息。然后客户端的电子地图则可以通过定位信息的指示前往指定区域及时进行蓝藻打捞。
相应的本发明还提供一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据所述的方法中的任一方法。
相应的本发明还提供一种计算设备,包括,一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据所述的方法中的任一方法的指令。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于卫星遥感的蓝藻信息实时指示方法,其特征在于,
获取待指示蓝藻水域的当前卫星遥感影像,对当前卫星遥感影像进行裁剪预处理,之后进行数据增强处理,得到当前输入数据;
将当前输入数据输入到预先确定最优模型参数后的S-UNet深度学习模型,进行分类处理后,确定精确的蓝藻分布范围;
对使用S-UNet模型分类后得到的蓝藻分布范围分别以1和0两种数值分别分配给有蓝藻的像元和无蓝藻的像元,从而生成二进制图像;统计二进制图像中像元一段时间内被蓝藻水华覆盖的次数,得到蓝藻爆发频率;
利用混合像元分解原理计算所述一段时间内对应的蓝藻分布范围中蓝藻水华强度;
将所述蓝藻分布范围、蓝藻爆发频率以及蓝藻水华强度进行实时显示,并在判断蓝藻爆发时,进行报警并发布蓝藻爆发区域的定位信息。
2.根据权利要求1所述的基于卫星遥感的蓝藻信息实时指示方法,其特征在于,所述确定最优模型参数后的S-UNet深度学习模型的确定过程包括:
获取待指示蓝藻水域的历史卫星遥感影像;
对历史卫星遥感影像进行裁剪预处理,之后进行数据增强处理,得到适合深度学习的数据集;
将数据集划分为训练集、验证集和测试集,利用训练集对S-UNet深度学习模型进行训练,利用验证集和测试集对训练好的S-UNet深度学习模型进行测试,确定最优的模型参数。
3.根据权利要求1所述的基于卫星遥感的蓝藻信息实时指示方法,其特征在于,所述定位信息的获取过程包括:
计算卫星遥感影像扫描点的地理经纬度,结合地理信息完成对蓝藻分布范围位置的判定。
4.根据权利要求3所述的基于卫星遥感的蓝藻信息实时指示方法,其特征在于,所述地理经纬度的计算过程包括:
根据t0时刻轨道根数,计算t观测时刻的卫星的瞬时轨道参数,根据t观测时刻的卫星的瞬时轨道参数、卫星姿态和扫描角,通过坐标的几何转换,计算出扫描点的地理经纬度。
6.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至5所述的方法中的任一方法。
7.一种计算设备,其特征在于,包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至5所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110112532.4A CN112766202B (zh) | 2021-01-27 | 2021-01-27 | 基于卫星遥感的蓝藻信息实时指示方法、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110112532.4A CN112766202B (zh) | 2021-01-27 | 2021-01-27 | 基于卫星遥感的蓝藻信息实时指示方法、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766202A true CN112766202A (zh) | 2021-05-07 |
CN112766202B CN112766202B (zh) | 2022-08-02 |
Family
ID=75706207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110112532.4A Active CN112766202B (zh) | 2021-01-27 | 2021-01-27 | 基于卫星遥感的蓝藻信息实时指示方法、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766202B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627280A (zh) * | 2021-07-23 | 2021-11-09 | 中国科学院南京地理与湖泊研究所 | 基于视频监控设备的湖泊滨岸带蓝藻水华监测与分析方法 |
CN113640226A (zh) * | 2021-08-12 | 2021-11-12 | 国家卫星海洋应用中心 | 绿潮空间覆盖率的反演方法、装置及电子设备 |
CN114049243A (zh) * | 2021-10-26 | 2022-02-15 | 中山大学 | 一种浒苔堆积量估算方法、系统及存储介质 |
CN114112945A (zh) * | 2021-12-31 | 2022-03-01 | 安徽大学 | 一种新型巢湖蓝藻水华监测系统 |
CN115719174A (zh) * | 2022-10-26 | 2023-02-28 | 生态环境部卫星环境应用中心 | 土地利用类型与蓝藻水华风险定量关系确定方法和装置 |
CN115760613A (zh) * | 2022-11-15 | 2023-03-07 | 江苏省气候中心 | 一种结合卫星影像和光流法的蓝藻水华短时预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109911995A (zh) * | 2019-03-04 | 2019-06-21 | 河海大学 | 一种兼具藻毒素脱除与藻液高效脱水的蓝藻资源化方法 |
CN110414488A (zh) * | 2019-08-20 | 2019-11-05 | 河海大学 | 基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法 |
-
2021
- 2021-01-27 CN CN202110112532.4A patent/CN112766202B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109911995A (zh) * | 2019-03-04 | 2019-06-21 | 河海大学 | 一种兼具藻毒素脱除与藻液高效脱水的蓝藻资源化方法 |
CN110414488A (zh) * | 2019-08-20 | 2019-11-05 | 河海大学 | 基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627280A (zh) * | 2021-07-23 | 2021-11-09 | 中国科学院南京地理与湖泊研究所 | 基于视频监控设备的湖泊滨岸带蓝藻水华监测与分析方法 |
CN113640226A (zh) * | 2021-08-12 | 2021-11-12 | 国家卫星海洋应用中心 | 绿潮空间覆盖率的反演方法、装置及电子设备 |
CN114049243A (zh) * | 2021-10-26 | 2022-02-15 | 中山大学 | 一种浒苔堆积量估算方法、系统及存储介质 |
CN114049243B (zh) * | 2021-10-26 | 2023-09-29 | 中山大学 | 一种浒苔堆积量估算方法、系统及存储介质 |
CN114112945A (zh) * | 2021-12-31 | 2022-03-01 | 安徽大学 | 一种新型巢湖蓝藻水华监测系统 |
CN115719174A (zh) * | 2022-10-26 | 2023-02-28 | 生态环境部卫星环境应用中心 | 土地利用类型与蓝藻水华风险定量关系确定方法和装置 |
CN115719174B (zh) * | 2022-10-26 | 2023-05-02 | 生态环境部卫星环境应用中心 | 土地利用类型与蓝藻水华风险定量关系确定方法和装置 |
CN115760613A (zh) * | 2022-11-15 | 2023-03-07 | 江苏省气候中心 | 一种结合卫星影像和光流法的蓝藻水华短时预测方法 |
CN115760613B (zh) * | 2022-11-15 | 2024-01-05 | 江苏省气候中心 | 一种结合卫星影像和光流法的蓝藻水华短时预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112766202B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766202B (zh) | 基于卫星遥感的蓝藻信息实时指示方法、存储介质及设备 | |
CN112734694A (zh) | 一种基于大数据的水质监测方法 | |
CN110929592A (zh) | 一种用于海上养殖区外边界的提取方法及系统 | |
CN110807429A (zh) | 基于tiny-YOLOv3的施工安全检测方法及系统 | |
CN103632158B (zh) | 森林防火监控方法及森林防火监控系统 | |
CN102708369B (zh) | 一种基于卫星图像的海冰参数提取方法 | |
CN104850836A (zh) | 基于深度卷积神经网络的害虫图像自动识别方法 | |
CN109214270A (zh) | 基于无人机影像的疑似违法违规用地信息快速提取方法 | |
CN202748370U (zh) | 一种对水体进行自动采样分析的系统 | |
KR102044246B1 (ko) | 해수표면온도 영상을 이용한 수온전선 산출 방법 및 이의 시스템 | |
CN101561932A (zh) | 一种动态复杂背景下的实时运动目标检测方法和装置 | |
CN106950574B (zh) | 一种大气中灰霾总量的遥感测算方法及装置 | |
CN115524294A (zh) | 一种离水式实时智能遥感水质监测方法 | |
CN115561176A (zh) | 一种基于特征自适应运算和机器学习融合的水质反演方法 | |
CN112990085A (zh) | 养殖塘变化检测方法、装置及计算机可读存储介质 | |
CN112668552A (zh) | 一种基于深度学习的水土保持措施图斑自动提取方法及系统 | |
CN115424134B (zh) | 一种基于遥感影像的污染入海通量预测方法以及装置 | |
Conopio et al. | Estimation of chlorophyll-a concentration in Laguna de Bay using Sentinel-3 satellite data | |
Liu et al. | CALC-2020: a new baseline land cover map at 10 m resolution for the circumpolar Arctic | |
Xia et al. | A multi-model fusion of convolution neural network and random forest for detecting settlements without electricity | |
Hansen | Google Earth Engine as a platform for making remote sensing of water resources a reality for monitoring Inland waters | |
Wang et al. | A New Remote Sensing Change Detection Data Augmentation Method based on Mosaic Simulation and Haze Image Simulation | |
Fabijanić et al. | Biofouling Estimation in Mariculture | |
CN109460700A (zh) | 一种面向作物分类的遥感数据处理方法及装置 | |
CN102169582B (zh) | 基于模式识别的蓝藻识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |