CN112858181A - 黑臭水体监测方法、装置及电子设备 - Google Patents
黑臭水体监测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112858181A CN112858181A CN202110042375.4A CN202110042375A CN112858181A CN 112858181 A CN112858181 A CN 112858181A CN 202110042375 A CN202110042375 A CN 202110042375A CN 112858181 A CN112858181 A CN 112858181A
- Authority
- CN
- China
- Prior art keywords
- water body
- black
- odorous
- target area
- odor
- 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 330
- 238000012544 monitoring process Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000010586 diagram Methods 0.000 claims abstract description 32
- 239000007789 gas Substances 0.000 claims description 116
- 238000005070 sampling Methods 0.000 claims description 25
- 238000012806 monitoring device Methods 0.000 claims description 4
- GETQZCLCWQTVFV-UHFFFAOYSA-N trimethylamine Chemical compound CN(C)C GETQZCLCWQTVFV-UHFFFAOYSA-N 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 9
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 8
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- LSDPWZHWYPCBBB-UHFFFAOYSA-N Methanethiol Chemical compound SC LSDPWZHWYPCBBB-UHFFFAOYSA-N 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- 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
- 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
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种黑臭水体监测方法、装置及电子设备,涉及遥感技术领域。根据目标区域的遥感图像生成目标区域的第一分布图,第一分布图包括黑臭水体在目标区域中的分布位置,根据黑臭水体的分布位置,获取目标区域中目标监测点的黑臭水体散发的恶臭气体的臭气浓度值,根据恶臭气体的臭气浓度值确定恶臭气体对应的臭气强度值,根据不同黑臭等级对应的臭气强度值的范围,确定目标监测点的黑臭等级,根据遥感图像中目标监测点的位置,生成第二分布图,在第二分布图中对应目标监测点的空间位置标注目标监测点的黑臭等级。如此,可以确定目标区域中黑臭水体的分布位置及黑臭等级,实现对黑臭水体的监测。
Description
技术领域
本申请涉及遥感技术领域,更具体地,涉及一种黑臭水体监测方法、装置及电子设备。
背景技术
城市中的黑臭水体降低了景观质量和居民幸福感,因此需要对黑臭水体进行监测和整治,但是由于黑臭水体监测范围广,面积大,往往需要投入较多的人力物力,并且通过人工排查监测的方式效率比较低。
发明内容
有鉴于此,本申请提出了一种黑臭水体监测方法、装置及电子设备,以改善上述问题。
第一方面,本申请实施例提供了一种黑臭水体监测方法,所述方法包括:根据目标区域的遥感图像生成目标区域的第一分布图,所述第一分布图包括黑臭水体在所述目标区域中的分布位置;根据所述黑臭水体的分布位置,获取目标区域中目标监测点的黑臭水体散发的恶臭气体的臭气浓度值;根据所述恶臭气体的臭气浓度值确定所述恶臭气体对应的臭气强度值;根据不同黑臭等级对应的臭气强度值的范围,确定目标监测点的黑臭等级;根据所述遥感图像中目标监测点的位置,生成第二分布图,在所述第二分布图中对应目标监测点的空间位置标注所述目标监测点的黑臭等级。
第二方面,本申请实施例提供了一种黑臭水体监测装置,所述装置包括:第一分布图生成模块、臭气强度值确定模块、污染等级确定模块及第二分布图生成模块。第一分布图生成模块,用于根据目标区域的遥感图像生成目标区域的第一分布图,所述第一分布图包括黑臭水体在所述目标区域中的分布位置,根据所述黑臭水体的分布位置,获取目标区域中目标监测点的黑臭水体散发的恶臭气体的臭气浓度值;臭气强度值确定模块,用于根据所述恶臭气体的臭气浓度值确定所述恶臭气体对应的臭气强度值;污染等级确定模块,用于根据不同黑臭等级对应的臭气强度值的范围,确定目标监测点的黑臭等级;第二分布图生成模块,用于根据所述遥感图像中目标监测点的位置,生成第二分布图,在所述第二分布图中对应目标监测点的空间位置标注所述目标监测点的黑臭等级。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储器;一个或多个程序,其中所述一个或多个程序被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配置用于执行上述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有程序代码,所述程序代码可被处理器调用执行上述的方法。
相对于现有技术,本申请提供的方案中,根据目标区域的遥感图像生成目标区域的第一分布图,其中,第一分布图包括黑臭水体在所述目标区域中的分布位置,根据黑臭水体的分布位置,获取目标区域中目标监测点的黑臭水体散发的恶臭气体的臭气浓度值。进一步地,根据恶臭气体的臭气浓度值确定恶臭气体对应的臭气强度值,根据不同黑臭等级对应的臭气强度值的范围,确定目标监测点的黑臭等级,并且根据遥感图像中目标监测点的位置,生成第二分布图,在第二分布图中对应目标监测点的空间位置标注目标监测点的黑臭等级。如此,可以先通过获取的目标区域的遥感图像确定恶臭水体的分布位置,再根据分布位置获取采集到的黑臭水体散发的恶臭气体的臭气浓度值,并根据臭气浓度值确定黑臭水体的黑臭等级,从而提高了黑臭水体监测的效率。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述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申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请一实施例提供的黑臭水体监测方法的流程示意图。
图2示出了图3所示步骤S110在一种实施方式中的子步骤流程示意图。
图3示出了图2所示步骤S112在一种实施方式中的子步骤流程示意图。
图4示出了图2所示步骤S114在一种实施方式中的子步骤流程示意图。
图5示出了本申请一实施例提供的黑臭水体监测方法的另一流程示意图。
图6示出了本申请一实施例提供的黑臭水体监测方法的又一流程示意图。
图7示出了本申请另一实施例提供的黑臭水体监测方法的流程示意图。
图8是根据本申请一实施例提供的一种黑臭水体监测装置的框图。
图9是本申请实施例的用于执行根据本申请实施例的黑臭水体监测方法的电子设备的框图。
图10是本申请实施例的用于保存或者携带实现根据本申请实施例的黑臭水体监测方法的程序代码的存储单元。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
实际应用中,黑臭水体中一般包含了硫化氢、氨氮及其他易挥发的小分子化合物,因此黑臭水体会散发出臭味,若城市中的水体包含较多的黑臭水体,则会降低该城市的景观质量以及该城市居民的幸福感,基于此,需要对黑臭水体进行监测和整治,现有技术中监测黑臭水体的方式可以有多种,一种方式中,可以通过人工排查,对城市中的所有水体都进行人工监测判断监测的水体是否为黑臭水体,通过人工排查的方式尽管可靠,但是排查周期长,并且会耗费较多的人力物力资源;另一种实施方式中,通过遥感技术获取黑臭水体在遥感图像上的反射特征,并结合水质反演的各种参数对黑臭水体进行识别,遥感图像上因污染物不同,黑臭水体反应出的光谱特征也不尽相同,由于城市里面的水体本身受污染,所以仅仅通过遥感技术监测城市里的水体是否为黑臭水体是不准确的,可能会有误判现象。
发明人经过长期的研究,提出一种黑臭水体监测方法、装置及电子设备,可以提高对黑臭水体监测的准确性和效率,并且对黑臭水体进行黑臭等级的划分。下面对该内容进行详细描述。
请参照图1,图1为本申请一实施例提供的一种黑臭水体监测方法的流程示意图。下面对该方法包括的步骤进行阐述。
步骤S110,根据目标区域的遥感图像生成目标区域的第一分布图,所述第一分布图包括黑臭水体在所述目标区域中的分布位置。
本申请实施例中,目标区域可以是某个排查监测黑臭水体的目标城市,也可以是目标城市中选定的区域,或者是其他任意选择的区域范围。根据目标区域的遥感图像生成该目标区域中黑臭水体的分布图,包括了目标区域中黑臭水体的分布位置,定义该分布图为第一分布图。也就是说,在该目标区域的第一分布图中标注了目标区域中黑臭水体的分布位置,即,可以根据第一分布图确定黑臭水体在目标区域中的位置信息,该位置信息可以通过经度和纬度表示,也可以通过其他表示地理位置信息的方式进行表示,在本申请实施例中并不限定。
在本申请实施例中,可以是在包括目标区域的遥感图像中标注目标区域的黑臭水体分布位置,作为第一分布图;也可以是根据遥感图像中黑臭水体的分布位置,生成新的图像,作为第一分布图。
本申请实施例中,可以通过图2所示的步骤生成目标区域的第一分布图,即,步骤S110可以包括图2所述的步骤。
步骤S111,获取所述目标区域的遥感图像。
在本实施例中,目标区域的遥感图像可以为高分辨率卫星影像,可以通过遥感技术来获取目标区域的高分辨率卫星影像。其中,遥感技术是从远距离感知目标反射或自身辐射的电磁波、可见光、红外线,对目标进行探测和识别的技术,可以通过人造卫星、飞机或其他飞行器上收集地物目标的电磁辐射信息,判认地球环境和资源的技术;遥感图像是指记录各种地物电磁波大小的胶片或照片,遥感图像可以包括航空像片和卫星相片。在实际应用中,可以通过获取高分辨率卫星影像来为黑臭水体的监测提供更详细、更准确的数据来源。
步骤S112,根据水体的图像特征,在所述遥感图像中确定所述目标区域的水体,生成标注所述目标区域中水体分布位置的第一分布图。
在本实施例中,水体包括一般水体和黑臭水体,其中一般水体即为没有受到污染且无恶臭气味的水体,不包括测氨氮、硫化氢、甲烷等黑臭水体特有的恶臭气体,或者恶臭气体的气味浓度极低可以忽略不计。目标区域的遥感图像中包括了不同波段,图像特征可以包括蓝波段、绿波段、红波段及近红外波段,水体与其他地物在遥感图像中的图像特征不同,即,可以根据水体与其他地物的图像特征的差异来确定水体在目标区域的遥感图像中的分布位置,并根据水体的分布位置和已获取的目标区域的遥感图像生成第一分布图。
可选地,根据遥感图像确定目标区域水体的分布位置可以通过多尺度分割的方法对遥感图像进行面向对象的分类,根据光谱、形状及紧致度标准,将影像分割为不同尺度的对象,分割过程中需要确定以下因子,分割尺度、波段权重、均质性因子(色彩、紧致度、光滑度)。通过计算每个层次上对象标准差的均值来确定最佳分割尺度,并且依据最佳分割尺度对影像进行分割。由于水体在近红外波段反射率较小,因此将近红外波段权重值设置较大,即需要根据需要分类的物体的实际情况调整紧致度、光滑度因子的权重值。在进行多尺度分割完成后,针对样本构建特征空间,通过最邻近分类法对影像进行分类,分类中可以包括水体、道路、建筑物及植被等,即,通过对遥感图像进行多尺度分割和面向对象分类确定了目标区域中水体的分布位置。
遥感图像中表示水体的子图像在遥感图像中表示的分布位置,即为遥感图像中水体的分布位置。
发明人通过研究发现,在实际分类确定遥感图像中的水体时,由于遥感图像中阴影的图像特征与水体的图像特征相似,从而容易将阴影也确定为水体,导致水体位置的标注不准确。因此,在本申请实施例中,可以从根据水体的图像特征确定的子图像中,去除遥感图像中的阴影部分,确定遥感图像中的水体。具体可以通过图3所示的步骤确定目标区域的水体,即,步骤S112可以包括图3所示的步骤。
步骤S112-1,将所述遥感图像中分割为多个子图像,其中同一子图像的各个部分之间的相似度在预设相似度范围内,所述多个子图像包括表示水体的一个或多个第一子图像以及表示暗地物的一个或多个第二子图像。
实际应用中,可以通过多尺度分割对遥感图像进行分割,得到多个图斑,并对多个图斑进行聚类,将每个图斑视为一个待分类样本,在特征空间中计算待分类样本与各类训练样本之间的距离,将待分类样本归属到最近的训练样本对象所在的类别。
在本实施例中,暗地物即为遥感图像中的阴影部分,其中,暗地物可以包括建筑物阴影、沥青路和浓密植被等地物。以去除建筑物对应的阴影为例,可以根据水体的图像特征以及建筑物的特征,确定聚类后获得的子图像中表示水体的第一子图像以及表示建筑物的第二子图像。第一子图像以及第二子图像的数量并不限定,由实际聚类结果确定。在目标区域中,聚类得到的表示水体的第一子图像可能有多个,也可能是一个;聚类得到的表示建筑物的第二子图像可能有多个,也可能是一个。另外,聚类得到的各个子图像的形状也并不限定,由实际聚类结果确定。步骤S112-2,对于每一第一子图像,若相邻的所有子图像中,有大于或等于一半数量的子图像为第二子图像,确定该第一子图像不是水体。
步骤S112-3,若相邻的所有子图像中,有小于一半数量的子图像为第二子图像,确定该第一子图像是水体。
可选地,由于水体的图像特征和建筑物阴影的图像特征比较接近,所以导致一些建筑物阴影被划分至水体分类里,为了避免建筑物阴影被划分至水体分类里,可以通过表示水体的第一子图像相邻的所有子对象为建筑物的个数来判断该第一子图像是否为水体,即,若该第一子图像相邻的所有子图像为表示建筑物的第二子图像的数量小于相邻的所有子图像数量的一半,则该第一子图像为水体。实际应用中,还可以通过判断表示水体的每一第一子图像周围相邻的所有子图像中为标识建筑物的第二子图像的比例来确定第一子图像是否为水体,对应地,可以通过如下公式对第一子图像是否为水体进行判断:
上述公式中的i表示第i个第一子图像,j表示第i个第一子图像相邻的所有子图像中的第j个,Aij包括1和0两种取值,当Aij的值为1时,代表第i个第一子图像的第j个相邻对象是建筑物,当Aij的值为0时,代表第i个第一子图像的第j个相邻对象不是建筑物。上述公式中的n表示需要判断的水体的第一子图像周围所有的子图像有n个,Si为需要判断的水体的第一子图像周围所有的子图像的Aij值的平均值,当Si的值大于0.5时,则确定该需要判定的水体的第一子图像是阴影;当Si的值小于或等于0.5时,则确定该需要判定的水体的第一子图像是水体。
可以理解,对目标区域中的遥感图像中所有水体都进行多尺度分割,对分割的水体的每个第一子图像都是用上述公式计算Si的值,并根据计算出的Si的值逐一排除出被误分进水体分类的建筑物阴影,提高对水体分布位置判断的准确性。
步骤S113,获取所述目标区域中的水体指数。
步骤S114,根据所述水体指数将所述目标区域的水体划分为一般水体和所述黑臭水体。
可选地,通过步骤S112确定的水体包括了一般水体和黑臭水体,进一步地,需要区分出水体中的一般水体和黑臭水体。本实施例中,可以通过获取目标区域中水体的水体指数来对目标区域中的水体进行划分。其中,水体指数由水体的图像特征中各个波段决定,获取所述目标区域内的水体在遥感图像中不同波段的波谱值,根据不同波段的波谱值计算所述目标区域内水体的水体指数,具体地,由于一般水体通常是清透灰绿色,黑臭水体一般墨绿色或者黑绿色等,相较于黑臭水体,一般水体可见光范围内反射率较低、红波段和近红外有较强的吸收性,近红外反射率最小,而黑臭水体在近红外波段反射率较高,因此,可以通过蓝波段、绿波段、红波段以及近红波段对水体指数进行表示,以区分黑臭水体以及正常水体。
其中,可以通过如下公式计算水体的水体指数:
上述公式中的B代表蓝波段、G代表绿波段、R代表红波段、NIR代表近红波段、NNDWI代表水体指数。
基于此,根据计算出的水体指数将水体划分一般水体和黑臭水体具体可以包括图4所示的步骤。
步骤S114-1,判断所述目标区域的水体指数与水体阈值的大小,若所述目标区域的水体指数大于所述水体阈值,确定所述目标区域的水体为所述黑臭水体。
步骤S114-2,若所述目标区域的水体指数小于或等于所述水体阈值,确定所述目标区域的水体为所述一般水体。
本实施例中,水体阈值为提前预设的一个固定值,如0.6。由于一般水体可见光范围内反射率较低、红波段和近红外有较强的吸收性,近红外反射率最小,而黑臭水体在近红外波段反射率较高,因此黑臭水体的水体指数一般较大。示例性地,若目标区域中某水体的水体指数为0.8,由于该水体指数大于水体阈值0.6,因此确定目标区域的水体为黑臭水体;若目标区域中某水体的水体指数为0.4,由于该水体指数小于水体阈值0.6,因此确定目标区域的水体为一般水体。
实际应用中,需要提前对目标区域中的黑臭水体进行采样统计确定预设的水体阈值,具体地,可以通过图5所示的步骤确定本实施例中的水体阈值。
步骤S114-3,获取所述目标区域中预先确定为黑臭水体和一般水体的多个采样点的水体指数。
可选地,根据目标区域的第一分布图汇总黑臭水体和一般水体的分布位置,在第一分布图中选择多个采样点,通过人工的方式在目标区域中对应的水体位置处进行数据采集分析,确定每个采样点的实际水体指数。
步骤S114-4,根据所述多个采样点的水体指数确定水体阈值,所述水体阈值用以划分所述目标区域的水体为一般水体或所述黑臭水体。
可选地,确定水体阈值的方式可以有多种,一种方式中,计算多个采样点的黑臭水体的水体指数的平均值以及多个采样点的一般水体的水体指数的平均值,根据黑臭水体的水体指数的平均值和一般水体的水体指数的平均值确定水体阈值的大小。示例性地,黑臭水体的水体指数的平均值为0.7,一般水体的水体指数的平均值为0.6,则可以将0.6确定为水体阈值,对应地,水体指数大于水体阈值的水体被划分为黑臭水体,水体指数小于或等于水体阈值的水体被划分为一般水体。另一种方式中,计算所有采样点的水体指数的平均值,将所有采样点的水体指数的平均值确定为水体阈值,示例性地,若选择的所有采样点的水体指数分别为0.3、0.4、0.6、0.5、0.7,则可以计算出所有采样点的水体指数的平均值为0.5,则可以确定水体阈值为0.5。
步骤S115,在所述第一分布图中标注所述黑臭水体。
将通过步骤S111-步骤S114确定的黑臭水体的分布位置标注在第一分布图中。
步骤S120,根据所述黑臭水体的分布位置,获取目标区域中目标监测点的黑臭水体散发的恶臭气体的臭气浓度值。
在本申请实施例中,根据第一分布图中黑臭水体的分布位置,可以根据需要确定监测点,该监测点为需要监测黑臭等级的黑臭水体。本申请实施例中,以一个监测点为例进行说明,定义该监测点为目标监测点,对目标区域中目标监测点的黑臭水体散发的恶臭气体进行实地取样,并根据取样的数据确定黑臭水体散发的恶臭气体的臭气浓度值。
可选的,可以通过携带气味传感器的无人机对目标区域中目标监测点的黑臭水体散发的恶臭气体进行实地取样,增加取样的便捷性,例如对于较宽的河水,通过无人机进行河中取样,而不需要取样的用户实际到达河中进行取样;对于封闭无法通达的水体,也可以通过无人机携带气味传感器取样。
针对同一目标监测点,可以多次获取黑臭水体散发的恶臭气体的浓度值,根据每次获取的浓度值计算平均浓度值,将该平均浓度值作为目标监测点的黑臭水体散发的恶臭气体的臭气浓度值。
其中,目标监测点可以是一个或多个,本申请实施例对此没有限制,多个目标监测点可以沿着水域分布方向确定。
步骤S130,根据所述恶臭气体的臭气浓度值确定所述恶臭气体对应的臭气强度值。
可选地,臭气强度值与臭气浓度值一般有一定的对应关系,因此可以根据获取到的恶臭气体的臭气浓度值计算对应的臭气强度值,本实施例中,臭气浓度值和臭气强度值呈对数关系,Yi=Ki*lgXi为计算臭气强度值的公式,其中,Yi代表第i种恶臭气体臭气强度值,Xi代表第i种恶臭气体的臭气浓度值,Ki代表第i种恶臭气体的气体参数值,其中,恶臭气体可以为一种或者多种,该气体参数值为一个固定的值,并且每种恶臭气体对应的气体参数值是不同的。
本实施例以目标监测点的恶臭水体只包含一种恶臭气体为例。实际应用中,根据恶臭气体的臭气浓度值确定臭气强度值的前提条件是已知了该恶臭气体的气体参数值,基于此,本申请中需要确定该恶臭气体的气体参数值,确定恶臭气体的气体参数值的具体步骤可以如图6所示。
步骤S131-1,获取采集的所述目标区域中的黑臭水体散发的恶臭气体的臭气浓度值和臭气强度值。
步骤S131-2,根据采集的所述臭气浓度值和所述臭气强度值,确定对应的恶臭气体的气体参数值,其中,所述气体参数值表示臭气浓度值与臭气强度值之间的关系,所述气体参数值用于根据获取到的所述目标区域中目标监测点的黑臭水体散发的恶臭气体的臭气浓度值计算对应的臭气强度值。
在本实施例中,可以多次采样获取目标区域中黑臭水体散发的某种恶臭气体的臭气浓度值和臭气强度值,基于多个臭气浓度值及多个臭气强度值计算出对应的参数值,进而根据计算出的多个参数值确定该恶臭气体的气体参数值。
在一种实施方式中,可以将计算出的多个参数值的平均值作为该恶臭气体的气体参数值。例如,若在B1位置处监测到A类恶臭气体的臭气浓度值为10,臭气强度值为2.5;在B2位置处监测到A类恶臭气体的臭气浓度值为16,臭气强度值为3;在B3位置处监测到A类恶臭气体的臭气浓度值为25,臭气强度值为3.5。根据步骤S130中的公式Yi=K*lgXi,可以计算出在B1位置处A类恶臭气体的参数值为2.50,在B2位置处A类恶臭气体的参数值为2.49,在B3位置处A类恶臭气体的参数值为2.14,进而可以获取到上述三个参数值的平均值为2.37,可以将该平均值2.37作为A类恶臭气体的气体参数值。在本实施例中,可以尽可能多地进行采样,以获取该恶臭气体的多个参数值,基于此,可以提高根据多个参数值确定的恶臭气体的气体参数值的准确性。
实际应用中,可以在目标区域中不同位置多次获取某恶臭气体的臭气浓度值和臭气强度值,计算出多个参数值,并基于多个参数值确定该恶臭气体的气体参数值;也可以在非目标区域中多次获取该恶臭气体的臭气浓度值和臭气强度值,计算出多个参数值,并基于多个参数值确定该恶臭气体的气体参数值,其中,非目标区域的黑臭水体散发的恶臭气体需要包含该恶臭气体。
在另一些实施方式中,气体参数值还可以由专业人士凭经验来确定,即,可以由专业人士在上述多个参数值中来选择最合适的参数值作为该恶臭气体的气体参数值。
在本实施例中,对确定恶臭气体的气体参数值的方式在此不作限制。
步骤S140,根据不同黑臭等级对应的臭气强度值的范围,确定目标监测点的黑臭等级。
本申请实施例中,黑臭水体的黑臭等级包含多种等级,即黑臭等级可以分为轻度黑臭、中度黑臭及重度黑臭,不同的黑臭等级对应的臭气强度值的范围不同,需要根据步骤S130确定的最强的臭气强度值来确定对应的黑臭等级,对应地,判断目标监测点的最强的臭气强度值位于哪种黑臭等级对应的臭气强度值的范围中,并根据判断结果确定该目标监测点的黑臭等级。
示例性地,轻度黑臭等级对应的臭气强度值的范围为0-0.4,中度黑臭等级对应的臭气强度值的范围为0.4-0.6,臭气强度值大于0.6的恶臭气体统一划分至重度黑臭等级。若目标监测点的恶臭气体的臭气强度值为0.5,则确定该目标监测点的黑臭等级为中度黑臭。
步骤S150,根据所述遥感图像中目标监测点的位置,生成第二分布图,在所述第二分布图中对应目标监测点的空间位置标注所述目标监测点的黑臭等级。
可选地,可以在遥感图像中目标监测点位置处标注该目标监测点的黑臭等级,生成第二分布图,也可以通过在第一分布图中目标监测点位置处标注该目标监测点的黑臭等级,生成第二分布图,即标注了黑臭等级的第一分布图即为上述提到的第二分布图。
可选的,可以通过反距离插值法在遥感图像中目标监测点以外的其他黑臭水体的位置处标注出对应的黑臭等级。其中,反距离插值法是一种空间插值方法,插值点与样本点间的距离为权重进行加权平均,离插值点越近的样本赋予的权重越大,即插值点与样本点之间的相似性与距离成反比。对应地,针对本实施例,目标监测点即为样本点,除目标监测点以外的其他水体即可看作插值点,即插值点的黑臭等级由两个样本点(即两个目标监测点)的黑臭等级确定。
实际应用中,还可以同时对多个目标监测点进行黑臭水体的监测,即通过步骤S110-步骤S150分别确定每个目标监测点的黑臭水体的黑臭等级,并分别将每个目标监测点的黑臭水体的黑臭等级标注在每个目标监测点在遥感图像中的空间位置处。
在本申请实施例中,可以通过遥感技术大致确定黑臭水体在目标区域中的分布位置,再对已确定分布位置的黑臭水体进行采样提取,并根据采样获取到的黑臭水体中散发的一种恶臭气体的臭气浓度值对黑臭水体进行黑臭等级的划分,提高了对黑臭水体监测的准确性和效率,同时也实现了对目标区域中黑臭水体的黑臭等级的划分。
本实施例中,恶臭气体可以包含多种,对应地,图7为本申请另一实施例提供的一种黑臭水体监测方法的流程示意图。
步骤S710,根据目标区域的遥感图像生成目标区域的第一分布图,所述第一分布图包括黑臭水体在所述目标区域中的分布位置。
步骤S720,根据所述黑臭水体的分布位置,获取目标区域中目标监测点的黑臭水体散发的恶臭气体的臭气浓度值。
步骤S710-步骤S720与步骤S110-步骤S120类似,在此不再赘述。
步骤S730,对于每一种恶臭气体,根据该恶臭气体的臭气浓度值确定该恶臭气体的臭气强度值。
步骤S740,从所述多种恶臭气体分别对应的臭气强度值中,确定最强的臭气强度值。
本实施例中,黑臭水体散发的恶臭气体可以有多种,例如氨气、三甲胺、硫化氢及甲硫醇等。因此,需要分别根据每种恶臭气体的臭气浓度值计算对应的臭气强度值,并且将每种恶臭气体的臭气强度值都进行两两比较,确定出其中最强的臭气强度值。
示例性地,监测到目标监测点的黑臭水体散发的气体包括氨气、三甲胺及硫化氢,则需要分别确定氨气、三甲胺及硫化氢的臭气强度值,例如,氨气的臭气强度值为0.5,三甲胺的臭气强度值为0.4,硫化氢的臭气强度值为0.6,确定三种气体中臭气强度值最大的作为该目标监测点的臭气强度值,即该目标监测点的臭气强度值为0.6。
可选地,为了提高对黑臭水体监测的准确性,可以通过对一个目标监测点进行多次采样来降低采样误差,进一步地,针对在一个目标监测点多次进行采样的情况,该目标监测点的恶臭气体的臭气强度值为该恶臭气体每次采样计算得到的臭气强度值的平均值。示例性地,对目标监测点进行了三次采样,对应地,氨气三次采样计算出的臭气强度值分别为0.7、0.5、0.6,三甲胺三次采样计算出的臭气强度值分别为0.4、0.3、0.2,硫化氢三次采样计算出的臭气强度值分别为0.6、0.6、0.3,则该目标监测点的氨气、三甲胺及硫化氢的臭气强度值的平均值分别为0.6、0.3、0.5,进一步地,三种气体中最强的臭气强度值为0.6,即该目标监测点的臭气强度值为0.6。
步骤S750,根据不同黑臭等级对应的臭气强度值的范围,确定所述最强的臭气强度值对应的黑臭等级,作为所述目标监测点的黑臭等级。
本实施例中,不同的黑臭等级对应的臭气强度值的范围也不同,需要判断步骤S740确定的最强的臭气强度值位于哪种黑臭等级对应的臭气强度值的范围中,并根据判断结果确定该目标监测点的黑臭等级。
示例性地,轻度黑臭等级对应的臭气强度值的范围为0-0.4,中度黑臭等级对应的臭气强度值的范围为0.4-0.6,臭气强度值大于0.6的恶臭气体统一划分至重度黑臭等级。仍以目标监测点最强的臭气强度值为0.6为例,则确定该目标监测点的黑臭等级为中度黑臭。
步骤S760,根据所述遥感图像中目标监测点的位置,生成第二分布图,在所述第二分布图中对应目标监测点的空间位置标注所述目标监测点的黑臭等级。
步骤S760与步骤S150类似,在此不再赘述。
在本实施例中,通过遥感技术大致确定黑臭水体在目标区域中的分布位置,再对已确定分布位置的黑臭水体进行采样提取,并根据采样获取到的黑臭水体中散发的多种恶臭气体中臭气浓度值最大的一种恶臭气体确定对应目标监测点的臭气强度值,并根据臭气强度值对该目标监测点的黑臭水体的黑臭等级进行划分,提高了对黑臭水体监测的准确性和效率,同时也实现了对目标区域中黑臭水体的黑臭等级的划分。
请参照图8,其中示出了本申请实施例提供的一种黑臭水体监测装置800的结构框图。该装置800可以包括:第一分布图生成模块810、臭气强度值确定模块820、污染等级确定模块830和第二分布图生成模块840。
第一分布图生成模块810用于根据目标区域的遥感图像生成目标区域的第一分布图,所述第一分布图包括黑臭水体在所述目标区域中的分布位置。
臭气强度值确定模块820用于根据所述黑臭水体的分布位置,获取目标区域中目标监测点的黑臭水体散发的恶臭气体的臭气浓度值,根据所述恶臭气体的臭气浓度值确定所述恶臭气体对应的臭气强度值。
污染等级确定模块830用于根据不同黑臭等级对应的臭气强度值的范围,确定目标监测点的黑臭等级。
第二分布图生成模块840用于根据所述遥感图像中目标监测点的位置,生成第二分布图,在所述第二分布图中对应目标监测点的空间位置标注所述目标监测点的黑臭等级。
可选地,第一分布图生成模块810还可以用于获取所述目标区域的遥感图像,根据水体的图像特征,在所述遥感图像中确定所述目标区域的水体,生成标注所述目标区域中水体分布位置的第一分布图,获取所述目标区域中的水体指数,根据所述水体指数将所述目标区域的水体划分为一般水体和所述黑臭水体,在所述第一分布图中标注所述黑臭水体。
可选地,第一分布图生成模块820还可以用于判断所述目标区域的水体指数与水体阈值的大小,若所述目标区域的水体指数大于所述水体阈值,确定所述目标区域的水体为所述黑臭水体,若所述目标区域的水体指数小于或等于所述水体阈值,确定所述目标区域的水体为所述一般水体。
可选地,第一分布图生成模块820还可以用于将所述遥感图像中分割为多个子图像,其中同一子图像的各个部分之间的相似度在预设相似度范围内,所述多个子图像包括表示水体的一个或多个第一子图像以及表示暗地物的一个或多个第二子图像,对于每一第一子图像,若相邻的所有子图像中,有大于或等于一半数量的子图像为第二子图像,确定该第一子图像不是水体,若相邻的所有子图像中,有小于一半数量的子图像为第二子图像,确定该第一子图像是水体。
可选地,污染等级确定模块830还可以用于对于每一种恶臭气体,根据该恶臭气体的臭气浓度值确定该恶臭气体的臭气强度值,从所述多种恶臭气体分别对应的臭气强度值中,确定最强的臭气强度值,根据不同黑臭等级对应的臭气强度值的范围,确定所述最强的臭气强度值对应的黑臭等级,作为所述目标监测点的黑臭等级。
参照图9,其中示出了本申请实施例提供的一种电子设备900的结构框图,本申请实施例提供的黑臭水体监测方法以由该电子设备900执行。
本申请实施例中的电子设备900可以包括一个或多个如下部件:处理器901、存储902、以及一个或多个应用程序,其中一个或多个应用程序可以被存储在存储器902中并被配置为由一个或多个处理器901执行,一个或多个程序配置用于执行如前述方法实施例所描述的方法。
处理器901可以包括一个或者多个处理核。处理器901利用各种接口和线路连接整个电子设备900内的各个部分,通过运行或执行存储在存储器902内的指令、程序、代码集或指令集,以及调用存储在存储器902内的数据,执行电子设备900的各种功能和处理数据。可选地,处理器901可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器901可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器901中,单独通过一块通信芯片进行实现。
存储器902可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。存储器902可用于存储指令、程序、代码、代码集或指令集。存储器902可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储电子设备900在使用中所创建的数据(比如上述的各种对应关系)等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,所显示或讨论的模块相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
请参考图10,其示出了本申请实施例提供的一种计算机可读存储介质的结构框图。该计算机可读介质1000中存储有程序代码,所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质1000可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读存储介质1000包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质1000具有执行上述方法中的任何方法步骤的程序代码1010的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码1010可以例如以适当形式进行压缩。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解: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,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种黑臭水体监测方法,其特征在于,所述方法包括:
根据目标区域的遥感图像生成目标区域的第一分布图,所述第一分布图包括黑臭水体在所述目标区域中的分布位置;
根据所述黑臭水体的分布位置,获取目标区域中目标监测点的黑臭水体散发的恶臭气体的臭气浓度值;
根据所述恶臭气体的臭气浓度值确定所述恶臭气体对应的臭气强度值;
根据不同黑臭等级对应的臭气强度值的范围,确定目标监测点的黑臭等级;
根据所述遥感图像中目标监测点的位置,生成第二分布图,在所述第二分布图中对应目标监测点的空间位置标注所述目标监测点的黑臭等级。
2.根据权利要求1所述的方法,其特征在于,所述根据目标区域的遥感图像生成目标区域的第一分布图,包括:
获取所述目标区域的遥感图像;
根据水体的图像特征,在所述遥感图像中确定所述目标区域的水体,生成标注所述目标区域中水体分布位置的第一分布图;
获取所述目标区域中的水体指数;
根据所述水体指数将所述目标区域的水体划分为一般水体和所述黑臭水体;
在所述第一分布图中标注所述黑臭水体。
3.根据权利要求2所述的方法,其特征在于,所述根据所述水体指数将所述目标区域的水体划分为一般水体和所述黑臭水体,包括:
判断所述目标区域的水体指数与水体阈值的大小,若所述目标区域的水体指数大于所述水体阈值,确定所述目标区域的水体为所述黑臭水体;
若所述目标区域的水体指数小于或等于所述水体阈值,确定所述目标区域的水体为所述一般水体。
4.根据权利要求3所述的方法,其特征在于,所述根据所述水体指数将所述目标区域的水体划分为一般水体和所述黑臭水体之前,所述方法还包括:
获取所述目标区域中预先确定为黑臭水体和一般水体的多个采样点的水体指数;
根据所述多个采样点的水体指数确定水体阈值,所述水体阈值用以划分所述目标区域的水体为一般水体或所述黑臭水体。
5.根据权利要求2所述的方法,其特征在于,在所述根据水体的图像特征,在所述遥感图像确定所述目标区域的水体,包括:
将所述遥感图像中分割为多个子图像,其中同一子图像的各个部分之间的相似度在预设相似度范围内,所述多个子图像包括表示水体的一个或多个第一子图像以及表示暗地物的一个或多个第二子图像;
对于每一第一子图像,
若相邻的所有子图像中,有大于或等于一半数量的子图像为第二子图像,确定该第一子图像不是水体;
若相邻的所有子图像中,有小于一半数量的子图像为第二子图像,确定该第一子图像是水体。
6.根据权利要求1所述的方法,其特征在于,所述恶臭气体包括多种,所述根据所述恶臭气体的臭气浓度值确定所述恶臭气体对应的臭气强度值;根据不同黑臭等级对应的臭气强度值的范围,确定目标监测点的黑臭等级,包括:
对于每一种恶臭气体,根据该恶臭气体的臭气浓度值确定该恶臭气体的臭气强度值;
从所述多种恶臭气体分别对应的臭气强度值中,确定最强的臭气强度值;
根据不同黑臭等级对应的臭气强度值的范围,确定所述最强的臭气强度值对应的黑臭等级,作为所述目标监测点的黑臭等级。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取采集的所述目标区域中的黑臭水体散发的恶臭气体的臭气浓度值和臭气强度值;
根据采集的所述臭气浓度值和所述臭气强度值,确定对应的恶臭气体的气体参数值,其中,所述气体参数值表示臭气浓度值与臭气强度值之间的关系,所述气体参数值用于根据获取到的所述目标区域中目标监测点的黑臭水体散发的恶臭气体的臭气浓度值计算对应的臭气强度值。
8.一种黑臭水体监测装置,其特征在于,所述装置包括:
第一分布图生成模块,用于根据目标区域的遥感图像生成目标区域的第一分布图,所述第一分布图包括黑臭水体在所述目标区域中的分布位置;
臭气强度值确定模块,用于根据所述黑臭水体的分布位置,获取目标区域中目标监测点的黑臭水体散发的恶臭气体的臭气浓度值,根据所述恶臭气体的臭气浓度值确定所述恶臭气体对应的臭气强度值;
污染等级确定模块,用于根据不同黑臭等级对应的臭气强度值的范围,确定目标监测点的黑臭等级;
第二分布图生成模块,用于根据所述遥感图像中目标监测点的位置,生成第二分布图,在所述第二分布图中对应目标监测点的空间位置标注所述目标监测点的黑臭等级。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个程序,其中所述一个或多个程序被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配置用于执行如权利要求1-7中任意一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有程序代码,所述程序代码可被处理器调用执行如权利要求1-7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110042375.4A CN112858181A (zh) | 2021-01-13 | 2021-01-13 | 黑臭水体监测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110042375.4A CN112858181A (zh) | 2021-01-13 | 2021-01-13 | 黑臭水体监测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112858181A true CN112858181A (zh) | 2021-05-28 |
Family
ID=76003362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110042375.4A Pending CN112858181A (zh) | 2021-01-13 | 2021-01-13 | 黑臭水体监测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112858181A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113624930A (zh) * | 2021-07-12 | 2021-11-09 | 武汉青绿山水科技有限公司 | 一种黑臭水体分析评价系统及方法 |
CN117233102A (zh) * | 2023-11-15 | 2023-12-15 | 广东泓禹生态环境科技有限公司 | 一种基于大数据分析的水环境监测处理方法和系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0791985A (ja) * | 1993-09-22 | 1995-04-07 | Toto Ltd | 臭気濃度分布表示装置 |
CN108918432A (zh) * | 2018-05-15 | 2018-11-30 | 四川理工学院 | 基于Landsat8影像的水域提取方法及装置 |
CN109319940A (zh) * | 2018-11-30 | 2019-02-12 | 珠江水利委员会珠江水利科学研究院 | 一种水生态修复装置、系统及修复方法 |
CN109374537A (zh) * | 2018-09-30 | 2019-02-22 | 中国科学院遥感与数字地球研究所 | 城市黑臭水体识别方法及装置 |
WO2019102660A1 (ja) * | 2017-11-27 | 2019-05-31 | コニカミノルタ株式会社 | ニオイ検出装置及びプログラム |
CN110115936A (zh) * | 2019-03-29 | 2019-08-13 | 上海复纯环保科技有限公司 | 一种恶臭气体处理装置 |
CN110954490A (zh) * | 2019-12-03 | 2020-04-03 | 交通运输部天津水运工程科学研究所 | 一种评价河道生态恢复状况的方法 |
CN110987815A (zh) * | 2019-12-17 | 2020-04-10 | 深圳慧格科技服务咨询有限公司 | 空天地一体水环境监测预警系统 |
CN110987955A (zh) * | 2019-12-05 | 2020-04-10 | 南京师范大学 | 一种基于决策树的城市黑臭水体分级方法 |
CN110987825A (zh) * | 2019-12-05 | 2020-04-10 | 南京师范大学 | 一种基于光谱匹配的城市黑臭水体分级方法 |
CN111353462A (zh) * | 2020-03-12 | 2020-06-30 | 四川轻化工大学 | 一种遥感卫星影像数据的处理方法 |
CN111380836A (zh) * | 2020-03-04 | 2020-07-07 | 平安国际智慧城市科技股份有限公司 | 基于遥感影像的黑臭水定位方法、装置及其相关设备 |
-
2021
- 2021-01-13 CN CN202110042375.4A patent/CN112858181A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0791985A (ja) * | 1993-09-22 | 1995-04-07 | Toto Ltd | 臭気濃度分布表示装置 |
WO2019102660A1 (ja) * | 2017-11-27 | 2019-05-31 | コニカミノルタ株式会社 | ニオイ検出装置及びプログラム |
CN108918432A (zh) * | 2018-05-15 | 2018-11-30 | 四川理工学院 | 基于Landsat8影像的水域提取方法及装置 |
CN109374537A (zh) * | 2018-09-30 | 2019-02-22 | 中国科学院遥感与数字地球研究所 | 城市黑臭水体识别方法及装置 |
CN109319940A (zh) * | 2018-11-30 | 2019-02-12 | 珠江水利委员会珠江水利科学研究院 | 一种水生态修复装置、系统及修复方法 |
CN110115936A (zh) * | 2019-03-29 | 2019-08-13 | 上海复纯环保科技有限公司 | 一种恶臭气体处理装置 |
CN110954490A (zh) * | 2019-12-03 | 2020-04-03 | 交通运输部天津水运工程科学研究所 | 一种评价河道生态恢复状况的方法 |
CN110987955A (zh) * | 2019-12-05 | 2020-04-10 | 南京师范大学 | 一种基于决策树的城市黑臭水体分级方法 |
CN110987825A (zh) * | 2019-12-05 | 2020-04-10 | 南京师范大学 | 一种基于光谱匹配的城市黑臭水体分级方法 |
CN110987815A (zh) * | 2019-12-17 | 2020-04-10 | 深圳慧格科技服务咨询有限公司 | 空天地一体水环境监测预警系统 |
CN111380836A (zh) * | 2020-03-04 | 2020-07-07 | 平安国际智慧城市科技股份有限公司 | 基于遥感影像的黑臭水定位方法、装置及其相关设备 |
CN111353462A (zh) * | 2020-03-12 | 2020-06-30 | 四川轻化工大学 | 一种遥感卫星影像数据的处理方法 |
Non-Patent Citations (9)
Title |
---|
丁潇蕾: "基于水体吸收系数的城市黑臭水体遥感识别与分级方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》 * |
七珂珂: "基于多源高分影像的城市黑臭水体遥感分级识别", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》 * |
包景岭 等: "《恶臭污染源解析及预警应急系统》", 31 August 2012, 中国环境科学出版社 * |
申广荣 等: "《资源环境信息学》", 30 June 2016, 上海交通大学出版社 * |
申茜 等: "城市黑臭水体遥感监测与筛查研究进展", 《应用生态学报》 * |
章艳锋: "北京城市水环境监控预警信息管理与决策支持平台研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》 * |
葛冉等: "苏北农村缓流水体中嗅味物质识别及浓度变化特征", 《生态与农村环境学报》 * |
靳海霞等: "基于高分二号卫星融合数据的城镇黑臭水体遥感监测研究", 《国土资源科技管理》 * |
鱼滨 等, 西安电子科技大学出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113624930A (zh) * | 2021-07-12 | 2021-11-09 | 武汉青绿山水科技有限公司 | 一种黑臭水体分析评价系统及方法 |
CN113624930B (zh) * | 2021-07-12 | 2024-03-15 | 武汉青绿山水科技有限公司 | 一种黑臭水体分析评价系统及方法 |
CN117233102A (zh) * | 2023-11-15 | 2023-12-15 | 广东泓禹生态环境科技有限公司 | 一种基于大数据分析的水环境监测处理方法和系统 |
CN117233102B (zh) * | 2023-11-15 | 2024-01-26 | 广东泓禹生态环境科技有限公司 | 一种基于大数据分析的水环境监测处理方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095303B (zh) | 模型训练方法及林地变化检测方法及系统及装置及介质 | |
US11615615B2 (en) | Method and apparatus for extracting mountain landscape buildings based on high-resolution remote sensing images | |
CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
Huo et al. | Supervised spatial classification of multispectral LiDAR data in urban areas | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
CN112858181A (zh) | 黑臭水体监测方法、装置及电子设备 | |
CN107895136B (zh) | 一种煤矿区域识别方法及系统 | |
Tang et al. | A multiple-point spatially weighted k-NN method for object-based classification | |
CN111553204A (zh) | 一种基于遥感影像的输电杆塔检测方法 | |
Sadeghi et al. | Design and implementation of an expert system for updating thematic maps using satellite imagery (case study: changes of Lake Urmia) | |
CN113240208A (zh) | 光伏发电输出功率预测方法、装置及计算机可读存储介质 | |
CN110929739B (zh) | 一种自动化的不透水面范围遥感迭代提取方法 | |
CN116822980A (zh) | 一种基矢量引导的典型地表要素智能监测方法及系统 | |
WO2023229705A1 (en) | System and method for automatically estimating gas emission parameters | |
Andersen | Classification and estimation of forest and vegetation variables in optical high resolution satellites: a review of methodologies | |
Halim et al. | Land use/land cover mapping for conservation of UNESCO Global Geopark using object and pixel-based approaches | |
CN114359630A (zh) | 绿色、蓝色和灰色基础设施分类方法、装置、系统与介质 | |
Angeli et al. | Image simplification using Kohonen maps: Application to satellite data for cloud detection and land cover mapping | |
Varamesh et al. | Comparison of conventional and advanced classification approaches by Landsat-8 imagery. | |
CN117787813B (zh) | 基于细粒度特征约束的城中村识别方法、装置及电子设备 | |
Colaninno et al. | Defining Densities for Urban Residential Texture, through Land use Classification, from Landsat TM Imagery: Case Study of Spanish Mediterranean Coast | |
Bochow et al. | Automatic shadow detection in hyperspectral VIS-NIR images | |
Münzinger et al. | Mapping the Urban Forest in Detail: From LiDAR Point Clouds to 3D Tree Models | |
Granados-López et al. | Pixel‐Based Image Processing for CIE Standard Sky Classification through ANN |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |
|
RJ01 | Rejection of invention patent application after publication |