CN112989692A - 基于遥感数据的湖泊富营养化反演方法 - Google Patents

基于遥感数据的湖泊富营养化反演方法 Download PDF

Info

Publication number
CN112989692A
CN112989692A CN202110182752.4A CN202110182752A CN112989692A CN 112989692 A CN112989692 A CN 112989692A CN 202110182752 A CN202110182752 A CN 202110182752A CN 112989692 A CN112989692 A CN 112989692A
Authority
CN
China
Prior art keywords
lake
remote sensing
data
landsat
eutrophication
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
Application number
CN202110182752.4A
Other languages
English (en)
Inventor
胡旻琪
马荣华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Institute of Geography and Limnology of CAS
Original Assignee
Nanjing Institute of Geography and Limnology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Institute of Geography and Limnology of CAS filed Critical Nanjing Institute of Geography and Limnology of CAS
Priority to CN202110182752.4A priority Critical patent/CN112989692A/zh
Publication of CN112989692A publication Critical patent/CN112989692A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)

Abstract

本发明涉及一种基于遥感数据的湖泊富营养化反演方法，基于Landsat‑8内陆湖泊的地表反射率产品数据集和对应的实测叶绿素a浓度，将湖泊水体划分为两类，并结合基线法进行波段组合，针对两类水体分别构建营养状态指数TSI的反演模型。采用本发明的方法能够实现Landsat‑8OLI在湖泊营养状态指数TSI的估算，且算法具有一定的普适性，能够适用于大尺度的湖泊富营养化遥感估算；此外，本发明对中小型湖泊进行观测，弥补了传统中分辨率水色卫星无法观测的局限性，有助于提高湖泊富营养化反演精度和观测尺度，从而为湖泊水体富营养化监测、治理和湖泊水环境的可持续发展提供参考。

Description

基于遥感数据的湖泊富营养化反演方法
技术领域
本发明属于遥感技术领域，具体涉及基于遥感数据的湖泊富营养化反演方法。
背景技术
随着经济发展同全球气候变化的大背景下，内陆水体的富营养化已经成为一个严重的全球性问题(Wen et al.2019)。湖泊富营养化导致蓝藻水华爆发频繁，湖泊水质恶化及生态系统功能退化(Adrian et al.2009；Duan et al.2009；Huisman et al.2018)。国际湖泊环境委员会对全球湖泊状况的调查显示，有54％的亚洲湖泊、53％的欧洲湖泊、48％的北美湖泊、41％的南美湖泊和28％的非洲湖泊受到富营养化的影响(www.lescienze.it)。因此，湖泊富营养化监测已经成为目前内陆湖泊最迫切的现实需求(IOCCG 2018)。水体营养状态是描述水体生态特征和判断水质状况的重要指标(Adamovich et al.2016)，与全球水体碳循环紧密联系(Holgerson and Raymond 2016)，获取大尺度、长时序的湖泊营养状态评估结果，对于了解湖泊富营养化进程、支持社会经济及环境部门决策与治理都具有重要意义。
目前利用遥感手段评价湖泊的富营养化研究大部分集中于反演水色参数，间接计算营养状态指数。一方面，针对特定湖泊或特定区域建立经验性算法，在大尺度湖泊营养状态监测方面的适用性较低，或者仅计算采样当年的营养状态指数，缺少时间尺度上的数据扩展。另一方面，内陆水体光学遥感仍主要依赖于MODIS(250m和500m)，MERIS(300m)和Sentinel(300m)等中分辨率卫星传感器(Duan et al.2017；Li et al.2012；Pahlevan etal.2020)，不仅无法观测较为详细的空间细节，更难以实现对中小型湖泊(面积<100km2)的营养状态监测(Cao et al.2020)。实际上，全球有63.48％的湖泊面积小于100km2，在中国，74.27％的湖泊面积在1km2至10km2(Downing et al.2006；Ma et al.2011)，这些中小型湖泊是内陆湖泊的重要组成，监测这些水体则要求卫星传感器具备更高的空间分辨率(Mouwet al.2015)。Landsat-8卫星免费提供全球30m空间分辨率的影像数据集，其精细的图像质量与光谱范围可满足小型湖泊的观测(Chen et al.2019)，尤其在443nm附近的波段有助于沿岸和内陆的研究。此外，Landsat 5TM、Landsat 7ETM和Landsat 8OLI能够提供近40年影像数据集，不仅大大提高了遥感监测湖泊区域的空间细节成像能力，也填补了1980-2000年的水色卫星观测空白(McClain 2009)，有助于实现中国长时间序列的湖泊营养状态反演与分析。
目前，已有许多研究结合不同卫星传感器的波段设置及各个湖泊水环境的差异，建立定量反演模型实现了对湖泊的富营养化遥感反演。评价方法主要分为三类：(1)通过遥感反演叶绿素(Thiemann and Kaufmann 2000；Wang et al.2008)，透明度(Le etal.2008)，悬浮物(Liu et al.2019)等水质参数进一步计算得到TSI；(2)通过直接建立特征波段或波段组合(Iwashita et al.2004)等与TSI之间的关系模型反演TSI；(3)利用水色Forel-Ule指数(Chen et al.2019；Wang et al.2018)、光学活性物质吸收系数(aOACs)(Shi et al.2019；Wen et al.2019；Zhang et al.2018)，机器学习(Watanabe etal.2020)等其他方法对TSI进行建模。然而，由于水体本身光学性质的复杂性，传感器接受的辐射信息易受外界因素的干扰，常规遥感器的分辨率比较低以及遥感数据处理技术不够成熟等原因，富营养化遥感监测方面尚存在一些不足：(1)相关水质参数的遥感反演精度有限，间接法可能比直接法产生更大的不确定性(Babin 2003；Odermatt et al.2012；Olmanson et al.2008；Sass et al.2007；Song et al.2012)；(2)由于内陆水域光学特性的高度复杂性，TSI相关参数的遥感反演算法大多基于经验方法；导致算法的适用性受到极大限制(Babin 2003；Shi et al.2013)；(3)基于水体表层的水质参数测量结果构建模型具有局限性，遥感所获取到的光学信息而是一定深度内水体信息的综合反映(Shang etal.2011；Shi et al.2014)，富营养化评价的指标选择需要进一步确定。
另一方面，随着对地观测技术的发展和卫星遥感影像分辨率的不断提高，对于大数据处理的复杂程度及工作量，基于目前常用的遥感分析工具无法在较快时间内完成，对于运行内存、硬件性能及存储空间都是极大的考验(Bian et al.2020)。2010年谷歌联合美国地质调查局开发的Google Earth Engine(GEE)，拥有超过40年的PB级遥感数据，如陆地卫星Landsat、MODIS、国家海洋和大气管理局高分辨率卫星NOAA AVHRR、哨兵卫星Sentinel1、2、3和5-P，以及陆地高级观测卫星ALOS数据(Gorelick et al.2017)，在大范围、长时间序列的遥感分析处理上具有无可比拟的优势(Chen et al.2017；Wang et al.2020)，到目前为止，GEE已广泛应用于土地利用/覆盖变化(Liu et al.2018)、水稻(Dong etal.2016)、湿地(Jennifer et al.2017；Tang et al.2016)、藻华(Hu et al.2010；Zhanget al.2015)以及开阔地表水体(Pekel et al.2016；Zou et al.2017；Zou et al.2018)的大规模应用，显示出水色遥感研究的巨大潜力，为Landsat-8湖泊富营养化遥感反演研究提供了契机。
参考文献：
Adamovich,B.V.,Zhukova,T.V.,Mikheeva,T.M.,Kovalevskaya,R.Z.,&Luk’yanova,E.V.(2016).Long-term variations of the trophic state index in theNarochanskie Lakes and its relation with the major hydroecologicalparameters.Water Resources,43,809-817
Adrian,R.,Reilly,C.M.O.,Zagarese,H.,Baines,S.B.,Hessen,D.O.,Keller,W.,Livingstone,D.M.,Sommaruga,R.,Straile,D.,&Van Donk,E.(2009).Lakes assentinels of climate change.Limnology and Oceanography,54,2283-2297
Babin,M.,Stramski,D.,Ferrari,G.M.,Claustre,H.,Bricaud,A.,Obolensky,G.,Hoepffner,N.
(2003).Variations in the light absorption coefficients ofphytoplankton,nonalgal particles,and dissolved organic matter in coastalwaters around Europe.Journal of Geophysical Research Oceans,108
Bian,J.,Li,A.,Lei,G.,Zhang,Z.,&Nan,X.(2020).Global high-resolutionmountain green cover index mapping based on Landsat images and Google EarthEngine.ISPRS Journal ofPhotogrammetry and Remote Sensing,162,63-76
Cao,Z.,Ma,R.,Duan,H.,Pahlevan,N.,Melack,J.,Shen,M.,&Xue,K.(2020).Amachine learning approach to estimate chlorophyll-a from Landsat-8measurements in inland lakes.Remote Sensing of Environment,248,111974
Chen,B.,Xiao,X.,Li,X.,Pan,L.,Doughty,R.,Ma,J.,Dong,J.,Qin,Y.,Zhao,B.,&Wu,Z.(2017).A mangrove forest map of China in 2015:Analysis of timeseries Landsat 7/8 and Sentinel-1Aimagery in Google Earth Engine cloudcomputing platform.ISPRS Journal of Photogrammetry and Remote Sensing,131,104-120
Chen,Q.,Huang,M.,&Tang,X.(2019).Eutrophication assessment of seasonalurban lakes in China Yangtze River Basin using Landsat 8-derived Forel-Uleindex:Asix-year(2013–2018)observation.Science of The Total Environment
Le,C.F.,Li,Y.M.,Zha,Y.,Sun,D.Y.,&Wang,L.Z.(2008).Euphotic depth:retrieval from in situ reflectance and application in assessingeutrophication.Acta Ecologica Sinica,28,2614-2621Dong,J.,Xiao,X.,Menarguez,M.A.,Zhang,G.,Qin,Y.,Thau,D.,Biradar,C.,&Moore,B.(2016).
Mapping paddy rice planting area in northeastern Asia with Landsat 8images,phenology-based algorithm and Google Earth Engine.Remote Sensing ofEnvironment,142-154
Downing,J.A.,Prairie,Y.T.,Cole,J.J.,Duarte,C.M.,Tranvik,L.J.,Striegl,R.G.,McDowell,W.H.,Kortelainen,P.,Caraco,N.F.,Melack,J.M.,&Middelburg,J.J.(2006).The global abundance and size distribution of lakes,ponds,andimpoundments.Limnology and Oceanography,51,2388-2397Duan,H.,Ma,R.,Xu,X.,Kong,F.,Zhang,S.,Kong,W.,Hao,J.,&Shang,L.(2009).Two-Decade Reconstruction of AlgalBlooms in China's Lake Taihu.Environmental Science&Technology,43,3522-3528
Duan,H.,Tao,M.,Loiselle,S.A.,Zhao,W.,Cao,Z.,Ma,R.,&Tang,X.(2017).MODIS observations of cyanobacterial risks in a eutrophic lake:Implicationsfor long-term safety evaluation in drinking-water source.Water Research,S0043135417304980
Gorelick,N.,Hancher,M.,Dixon,M.,Ilyushchenko,S.,&Moore,R.(2017).Google Earth Engine:Planetary-scale geospatial analysis for everyone.RemoteSensing of Environment,202
Holgerson,M.A.,&Raymond,P.A.(2016).Large contribution to inland waterCO2 and CH4emissions from very small ponds.Nature Geoscience,9,222-226
Hu,C.,Lee,Z.,Ma,R.,Yu,K.,Li,D.,&Shang,S.(2010).MODIS observations ofcyanobacteria blooms in Taihu Lake,China
Huisman,J.,Codd,G.A.,Paerl,H.W.,Ibelings,B.W.,Verspagen,J.M.H.,&Visser,P.M.(2018).Cyanobacterial blooms.Nature Reviews Microbiology,16,471-483
IOCCG(2018).Earth Observations in Support of Global Water QualityMonitoring.In S.Greb,A.Dekker,&C.Binding(Eds.),Reports of the InternationalOcean-Colour Coordinating Group.Dartmouth,Canada
Iwashita,K.,Kudoh,K.,Fujii,H.,&Nishikawa,H.(2004).Satellite analysisfor water flow of Lake Inbanuma.Advances in Space Research,33,284-289
Jennifer,H.,Evan,D.L.,Gregory,M.D.,&Jahan,K.(2017).Google EarthEngine,Open-Access Satellite Data,and Machine Learning in Support of Large-Area Probabilistic Wetland Mapping.Remote Sensing,9,1315-1315
Li,Y.,Wang,Q.,Wu,C.,Zhao,S.,&Huang,C.(2012).Estimation of Chlorophylla Concentration Using NIR/Red Bands of MERIS and Classification Procedure inInland Turbid Water.IEEE Transactions on Geoence&Remote Sensing,50,988-997
Liu,D.,Duan,H.,Yu,S.,Shen,M.,&Xue,K.(2019).Human-inducedeutrophication dominates the bio-optical compositions of suspended particlesin shallow lakes:Implications for remote sensing.Science of The TotalEnvironment,667,112-123
Liu,X.,Hu,G.,Chen,Y.,Li,X.,Xu,X.,Li,S.,Pei,F.,&Wang,S.(2018).High-resolution multi-temporal mapping of global urban land using Landsat imagesbased on the Google Earth Engine Platform.Remote Sensing of Environment,209,227-239
Ma,R.,Yang,G.,Duan,H.,Jiang,J.,Wang,S.,Feng,X.,Li,A.,Kong,F.,Xue,B.,Wu,J.,&Li,S.(2011).China’s lakes at present:Number,area and spatialdistribution.SCIENCE CHINA Earth Sciences,54,283-289
McClain,C.R.(2009).ADecade of Satellite Ocean ColorObservations.Annual Review of Marine Science,1,19-42
Mouw,C.B.,Greb,S.,Aurin,D.,DiGiacomo,P.M.,Lee,Z.,Twardowski,M.,Binding,C.,Hu,C.,Ma,R.,Moore,T.,Moses,W.,&Craig,S.E.(2015).Aquatic colorradiometry remote sensing of coastal and inland waters:Challenges andrecommendations for future satellite missions.Remote Sensing of Environment,160,15-30
Odermatt,D.,Gitelson,A.,Brando,V.E.,&Schaepman,M.(2012).Review ofconstituent retrieval in optically deep and complex waters from satelliteimagery.Remote Sensing of Environment,118,116-126
Olmanson,LG,Bauer,ME,Brezonik,&PL(2008).A20-year Landsat waterclarity census of Minnesota's 10,000 lakes.Remote Sensing of Environment,2008,112(11),4086-4097
Pahlevan,N.,Smith,B.,Schalles,J.,Binding,C.E.,&Stumpf,R.(2020).Seamless retrievals of chlorophyll-a from Sentinel-2(MSI)and Sentinel-3(OLCI)in inland and coastal waters:A machine-learning approach.Remote Sensingof Environment,240,111604
Pekel,J.-F.,Cottam,A.,Gorelick,N.,&Belward,A.S.(2016).High-resolutionmapping of global surface water and its long-term changes.Nature,540,418-422
Sass,G.Z.,Creed,I.F.,Bayley,S.E.,&Devito,K.J.(2007).Understandingvariation in trophic status of lakes on the Boreal Plain:A20 yearretrospective using Landsat TM imagery.Remote Sensing of Environment,109,127-141
Shang,S.,Lee,Z.,&Wei,G.(2011).Characterization of MODIS-derivedeuphotic zone depth:Results for the China Sea.Remote Sensing of Environment,115,180-186
Shi,K.,Li,Y.,Li,L.,&Lu,H.(2013).Absorption characteristics ofoptically complex inland waters:Implications for water opticalclassification.Journal of Geophysical Research Biogeoences,118,860–874
Shi,K.,Zhang,Y.,Liu,X.,Wang,M.,&Qin,B.(2014).Remote sensing ofdiffuse attenuation coefficient of photosynthetically active radiation inLake Taihu using MERIS data
Shi,K.,Zhang,Y.,Song,K.,Liu,M.,Zhou,Y.,Zhang,Y.,Li,Y.,Zhu,G.,&Qin,B.(2019).A semi-analytical approach for remote sensing of trophic state ininland waters:Bio-optical mechanism and application.Remote Sensing ofEnvironment,232,111349
Song,K.,Li,L.,Li,S.,Tedesco,L.,Hall,B.,&Li,L.(2012).HyperspectralRemote Sensing of Total Phosphorus(TP)in Three Central Indiana Water SupplyReservoirs.Water,Air,&Soil Pollution,223,1481-1502
Tang,Z.,Li,Y.,Gu,Y.,Jiang,W.,Xue,Y.,Hu,Q.,LaGrange,T.,Bishop,A.,Drahota,J.,&Li,R.(2016).Assessing Nebraska playa wetland inundation statusduring 1985–2015 using Landsat data and Google Earth Engine.EnvironmentalMonitoring and Assessment,188,654
Thiemann,S.,&Kaufmann,H.(2000).Determination of Chlorophyll Contentand Trophic State of Lakes Using Field Spectrometer and IRS-1C Satellite Datain the Mecklenburg Lake District,Germany.Remote Sensing of Environment,73,227-235
Wang,S.,Li,J.,Bing,Z.,Evangelos,S.,Tyler,A.N.,Qian,S.,Zhang,F.,Tiit,K.,Lehmann,M.K.,&Wu,Y.(2018).Trophic state assessment of global inland watersusing a MODIS-derived Forel-Ule index.Remote Sensing of Environment,217,444-460
Wang,X.,Xiao,X.,Zou,Z.,Hou,L.,Qin,Y.,Dong,J.,Doughty,R.B.,Chen,B.,Zhang,X.,Chen,Y.,Ma,J.,Zhao,B.,&Li,B.(2020).Mapping coastal wetlands of Chinausing time series Landsat images in 2018 and Google Earth Engine.ISPRSJournal of Photogrammetry and Remote Sensing,163,312-326
Watanabe,F.S.Y.,Miyoshi,G.T.,Rodrigues,T.W.P.,Bernardo,N.M.R.,Rotta,L.H.S.,
Figure BDA0002942574620000061
E.,&Imai,N.N.(2020).Inland water's trophic statusclassification based on machine learning and remote sensing data.RemoteSensing Applications:Society and Environment,19,100326
Wen,Z.,Song,K.,Liu,G.,Shang,Y.,Fang,C.,Du,J.,&Lyu,L.(2019).Quantifying the trophic status of lakes using total light absorption ofoptically active components.Environmental Pollution,245,684-693
Zhang,Y.,Ma,R.,Zhang,M.,Duan,H.,Loiselle,S.,&Xu,J.(2015).Fourteen-Year Record (2000–2013)of the Spatial and Temporal Dynamics of Floating AlgaeBlooms in Lake Chaohu,Observed from Time Series of MODIS Images.RemoteSensing,7,10523-10542
Zhang,Y.,Zhou,Y.,Shi,K.,Qin,B.,Yao,X.,&Zhang,Y.(2018).Opticalproperties and composition changes in chromophoric dissolved organic matteralong trophic gradients:
Implications for monitoring and assessing lake eutrophication.WaterResearch,131,255-263Wang,Z.J.,Hong,J.M.,&Du,G.S.(2008).Use of satelliteimagery to assess the trophic state of Miyun Reservoir,Beijing,China.Environmental Pollution,155,13-19
Zou,Z.,Dong,J.,Menarguez,M.A.,Xiao,X.,Qin,Y.,Doughty,R.B.,Hooker,K.V.,&Hambright,K.D.(2017).Continued decrease of open surface water body areain Oklahoma during 1984–2015.ence of The Total Environment,595,451-460
Zou,Z.,Xiao,X.,Dong,J.,Qin,Y.,&Wang,J.(2018).Divergent trends ofopen-surface water body area in the contiguous United States from 1984to2016.Proceedings of the National Academy of ences,115
发明内容
本发明的目的在于开发一种适用于Landsat-8产品数据的湖泊富营养化遥感评估方法。结合星地同步野外实验获取实测遥感反射比Rrs和叶绿素a浓度等水色参数测量结果，在评价Landsat-8产品数据波段一致性的基础上，利用波段组合开发一种面向藻类的营养状态指数TSI反演模型。在算法性能充分评估后，获取了湖泊营养状态的时空分布。该方法的原理、过程和结果可为Landsat系列卫星评估全球内陆水体的营养状态和掌握全球湖泊富营养化进程提供基础。
为达成上述目的，本发明所采用的技术方案如下：
基于遥感数据的湖泊富营养化反演方法，包括：
(1)获取湖泊红光波段与短波红外波段遥感反射率数据，建立其差值与对应像元数目的直方图，取统计参数计算阈值，将湖泊划分为两类水体；
(2)利用湖泊蓝光、绿光及红光波段遥感反射率数据构建基线1如下：
Figure BDA0002942574620000071
利用蓝光、绿光和近红外波段遥感反射率数据构建基线2如下：
Figure BDA0002942574620000072
式中，λ为各波段的波长；SRλ为对应波长的遥感反射率；
将基线2减去基线1的差值作为蓝藻生物量指数CBI；
(3)针对不同类型湖泊水体分别建立蓝藻生物量指数CBI和同步的湖泊实测TSI值间的拟合模型，即湖泊富营养化反演模型。
作为本发明的进一步改进，采用Landsat-8OLI传感器的Surface Reflectance产品数据作为数据源。
作为本发明的进一步改进，利用红光655nm、红外1609nm波段将湖泊划分为两类水体。
进一步的，所述分类方法为：取各个季节的遥感无云影像，绘制感兴趣区，提取该区域内各个像元的红光波段地表反射率与短波红外波段地表反射率；基于其差值与对应的像元数量绘制直方图，利用均值减去两倍标准差获得分类阈值，将水体分为两类水体。
作为本发明的进一步改进，利用蓝光482nm、绿光561nm及红光655nm波段构建基线1；利用蓝光482nm、绿光561nm和近红外波段865nm构建基线2。
作为本发明的进一步改进，所述TSI值基于采样点位的实测叶绿素a值计算。
作为本发明的进一步改进，还包括产品数据大气校正评价，将OLI SurfaceReflectance产品数据除以π转换为Rrc数据集，对比不同波段处Rrc与实测遥感反射比Rrs的相关关系。
作为本发明的进一步改进，还包括结合Landsat-8光谱响应函数，基于实测遥感反射比Rrs计算得到Landsat-8可见光波段和近红外波段模拟Rrs光谱值，对比波段模拟Rrs与Landsat-8可见光波段和近红外波段地表反射率SR，进行大气校正精度检验。
作为本发明的进一步改进，所述方法中，利用改进的归一化水体指数MNDWI从遥感影像中提取水体覆盖区域。
作为本发明的进一步改进，所述方法还包括，对用于建立拟合模型的数据集进行筛选，包括：
①结合采样点定位数据和卫星影像去除云、太阳耀斑覆盖的样点；
②结合采样时间和卫星过境时间数据，使用±6h的时间窗口匹配数据集。
作为本发明的进一步改进，湖泊富营养化模型结构参数的确定方式为：基于CBI与TSI的相关关系构建线性拟合、指数拟合及多项式模型；在保证预测精度的前提下，以模型最简、项数最少为原则调整参数，获取最优的模型结构参数。
作为本发明的进一步改进，还包括，对建立的拟合模型采用3层刀切法进行交叉验证，通过3组随机选择的训练集和验证集，基于RMSE和MRE对模型性能进行评价，选择精度效果最好的模型作为最终的反演模型。
作为本发明的进一步改进，还包括，将构建的湖泊富营养化反演模型应用至湖泊遥感数据，基于GEE平台进行遥感数据处理与计算，获取湖泊TSI空间分布与时序变化。
本发明利用波段基线法开发了适合Landsat-8传感器的湖泊富营养化评估模型，算法性能通过实测数据充分评估后，获取了2013-2018年中国东部平原的146个10km2以上的湖泊营养状态TSI的时空分布。该方法的原理、过程和结果可为Landsat系列卫星估算全球内陆水体的TSI和评估全球湖泊的富营养化进程提供基础。本发明虽然仅仅使用了19个湖泊构建湖泊富营养化评估模型，但是这些数据覆盖范围较大，能够较好地代表长江中下游和淮河流域湖泊的水体光学属性，保证开发的模型具有较好的适用性及针对浑浊水体的抗干扰性。
本发明的针对Landsat-8 OLI传感器提出的在内陆浑浊湖泊水体中TSI的估算方法。该方法基于研究区域的19个湖泊实测叶绿素a数据和同步的Landsat-8 OLI地表反射率产品数据为基础，使用可见光波段及近红外波段构建蓝藻生物量指数CBI，利用CBI与TSI的拟合关系构建CBI-TSI算法，将CBI-TSI算法应用于Landsat-8的内陆湖泊叶绿素a浓度估算。最后，将该算法应用到了中国东部平原长江中下游流域和淮河流域的146个10km2以上的湖泊上，获取了2013-2018年的湖泊TSI时空分布特征。本发明的技术为Landsat系列卫星估算全球内陆水体的营养状态指数和评估全球湖泊的富营养化进程提供基础。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制，在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示，为了清晰起见，在每个图中，并非每个组成部分均被标记，其中：
图1是星地同步采样研究区。
图2是OLI产品数据与实测遥感反射比的精度对比。
图3是基于Landsat-8产品数据的CBI-TSI反演算法的流程图。
图4是洪泽湖Landsat-8红光波段和短波红外波段OLI影像。
图5是水体分类阈值计算方法。
图6是CBI-TSI算法在训练集(a)和验证集(b)的表现。
图7是2017年5月27日太湖野外试验遥感卫星影像RGB合成图(a)、实测TSI空间插值结果(b)及基于Landsat-8 OLI产品数据SR的CBI-TSI反演结果(c)。
图8是2018年长江中下游和淮河流域146个湖泊的营养状态指数TSI平均值空间分布。
图9是某一段时期的(2013-2019年)长江中下游和淮河流域146个湖泊的TSI变化率，上方的柱状图与左侧的条形图分别是湖泊TSI变化率按湖泊几何中心所在经度与纬度排序的统计结果。
前述图示1-9中，作为英文形式表达的各坐标、标识或其他表示，均为本领域所公知的，并不在本例中再做赘述。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是应为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
实施例1
本实施例以长江中下游和淮河流域146个湖泊为例，对本发明的技术方案作进一步描述。
本发明的方法以研究区域实测叶绿素a数据和同步的Landsat-8OLI的SR数据为基础，利用叶绿素a数据计算不同测样点处的TSI，使用可见光波段和近红外波段构建CBI指数，进而构建基于CBI的TSI富营养化反演模型(CBI-TSI)；之后，将算法应用到一些湖泊案例中评估其性能；最后，将该算法应用到了中国东部平原长江中下游流域和淮河流域的146个10km2以上的湖泊上，获取了2013-2019年的TSI时空分布特征。
作为示例性的描述，下面结合附图所示，对前述方法的实施进行具体说明。
步骤1、基于Landsat-8遥感产品数据，获取7个波段的湖泊水体表面反射率SR数据集；并采集Landsat-8同步过境采集的湖泊实测遥感反射比Rrs数据(波长为400-900nm)及水体叶绿素a浓度数据；
如图1所示，采样点位于江淮流域湖泊群，主要位于长江及淮河中下游湖泊；遥感反射比Rrs通过美国ASD公司生产的地物双通道光谱仪测量；水体叶绿素浓度通过离心、定容后置于分光光度计上，用1cm光程的比色皿分析叶绿素a浓度。基于叶绿素a测量值计算采样点处的营养状态指数TSI：
Figure BDA0002942574620000101
其中，TSI值在0-30表明贫营养化，30-50表明中营养化，50-70表明轻度富营养化，70-80表明中度富营养化，80-100表明重度富营养化。
采用Landsat-8OLI传感器的Surface Reflectance遥感产品作为数据源，该产品数据使用Landsat Surface Reflectance Code(LaSRC)进行了气溶胶校正、瑞利散射校正和卷云校正。
将OLI Surface Reflectance产品数据除以π转换为Rrc数据集，对比不同波段处Rrc与实测遥感反射比Rrs的相关关系。
结合Landsat-8光谱响应函数，将实测遥感反射比Rrs进一步计算得到Landsat-8可见光波段和近红外波段模拟Rrs光谱值，对比波段模拟Rrs与Landsat-8可见光波段和近红外波段地表反射率SR，进行大气校正精度检验。如图2所示。
使用改进的归一化水体指数MNDWI，利用MNDWI>0.6的阈值去除云和陆地覆盖的区域，得到仅有水体覆盖的区域的结果。MNDWI计算公式如下：
Figure BDA0002942574620000111
式中Green为Landsat-8OLI绿光波段，MIR为中红外波段。
步骤2、CBI-TSI算法开发使用的数据和算法结构；
基于已有的湖泊采样数据(图1)，采用以下几个标准筛选数据：
(1)比较记录的采样时间和当天卫星过境时间，保留±6h内的采样点；(2)将采样点的经纬度定位到当日的卫星影像上，若目视发现有云覆盖或者太阳耀斑，则该采样点作废。按照上述标准，共得到数据469个。随机将星地同步数据分为两类，366个用来建模，103个用来验证。
CBI-TSI方法流程如图3所示，首先，基于遥感数据进行水体分类。以洪泽湖为例，选取各个季节的Landsat 8OLI无云影像，绘制感兴趣区(ROI，图4)提取该区域内各个像元的红光波段地表反射率SR(655)与短波红外波段地表反射率SR(1609)，进一步地，计算各个像元处SR(655)减去SR(1609)的差值，基于像元值与像元数量绘制直方图，利用均值减去两倍标准差获得水体分类阈值0.08(图5)，将水体分为藻类主导水体和非藻类主导水体，分别记为Type I与Type II；
接着，利用蓝光482nm、绿光561nm及红光655nm波段构建基线1：
Figure BDA0002942574620000112
利用蓝光、绿光和近红外波段865nm构建基线2：
Figure BDA0002942574620000113
将基线2减去基线1得到蓝藻生物量指数CBI：
Figure BDA0002942574620000114
然后，将CBI作为输入，对应点位的TSI测量值作为输出，基于两种水体光谱类型分别建立回归模型。
回归模型的构建类型分为：线性模型、指数模型、幂函数模型及多项式模型。通过比较四种模型拟合精度，在保持模型取得较高预测精度的前提下，选择模型结构简单、计算效率高的模型。同时，为了保证模型的稳定性和对训练集的不依赖性，3层刀切法方法被用于交叉验证。通过3组随机选择的训练集和验证集对模型性能进行评价(平均的RMSE和MRE)，选择精度效果最好的模型作为最终的模型。
CBI-TSI算法在训练和验证的数据集上都体现了较高的精度(图6)，大部分的数据点都均匀分布在1:1线附近，验证集精度略低于训练集。统计结果显示，交叉验证中训练集的平均RMSE＝4.65,MRE为7.54％(N＝366)；在验证集上也体现了较高的精度，平均RMSE＝4.81,MRE为6.85％(N＝103)。表明了模型对于训练集依赖性弱，具备较好的抗干扰性能，说明了模型具备较好的泛化能力，该算法能够获得较好地适用于这些湖泊的TSI反演及水体营养状态评估。
步骤3、结合星地同步试验，对采样湖泊的实测TSI进行空间插值，使用反距离法插值得到全湖TSI空间分布，对比结合星地同步卫星数据计算获得的该湖泊遥感CBI-TSI空间分布结果。
图7展示了2017年5月27日太湖野外试验遥感卫星影像RGB合成图(a)、实测TSI空间插值结果(b)及基于Landsat-8OLI产品数据SR的CBI-TSI反演结果(c)。CBI-TSI算法获取的湖泊营养状态空间分布于RGB影像图空间分布一致，在绿色的藻类覆盖较高的区域，水体富营养化水平高，在清澈水体富营养化水平较低，而且湖泊外围水体高于中心水体，这与我们期待的结果一致。
步骤4、将TSI反演算法应用至湖泊遥感数据，获取湖泊2018年平均TSI空间分布结果；
图8展示了研究区域内湖泊面积大于10km2的146个湖泊的CBI-TSI反演结果。可以直观的看出，太湖，巢湖以及靠近长江的小湖泊群富营养化程度明显偏高，大部分达到富营养化程度。洪泽湖，鄱阳湖，洞庭湖达到中营养化程度。不仅多个湖泊之间存在差异，而且每个湖泊自身也存在差异，比如，太湖，巢湖北部的富营养化程度较高，各湖泊近岸的营养状态高于湖心区。并且，在研究较多的湖泊，如太湖、巢湖和洪泽湖，CBI-TSI算法得到的水体营养状态等级与已发表的结果相近。值得注意的是，CBI-TSI算法在浑浊水体体现了较好的抗干扰性，如洪泽湖的中心水体极度浑浊，在缺少700-710nm波段的情况下，CBI-TSI算法没有在这个区域出现高估的效应，得到了期待的TSI空间分布结果。最重要的是，CBI-TSI算法在小于50km2的湖泊中仍旧能够获取清晰的TSI空间分布纹理，弥补了中分辨率卫星在中小型湖泊无法反映水体环境的不足。
本实施例将CBI-TSI算法应用到了2013-2019年共964景的Landsat-8的产品数据，146个10km2以上湖泊的营养状态指数TSI的时空分布被获取。图9展示了2013年至2019年的7年间各个湖泊的TSI相对变化率。上方的柱状图与左侧的条形图分别是湖泊TSI变化率按湖泊几何中心所在经度与纬度排序的统计结果。从经度上看，2019年长江中游的小型湖泊及长江下游湖泊(高邮湖以东)TSI变化率较2013年呈负值，表明营养程度有所下降，水质有所好转。但是，长江下游小型湖泊的营养状态指数有所升高，水体富营养化问题仍十分严峻。从纬度上看，变化率没有明显的成段的偏向，淮河流域湖泊负值TSI的变化率大于扬子江流域，扬子江流域的正值TSI变化率大于淮河流域。说明淮河流域湖泊的水质好转速度比扬子江流域快，而扬子江流域湖泊水质恶化较快。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。

Claims (10)

1.一种基于遥感数据的湖泊富营养化反演方法，其特征在于，包括如下步骤：
(1)获取湖泊红光波段与短波红外波段遥感反射率数据，建立其差值与对应像元数目的直方图，取统计参数计算阈值，将湖泊划分为两类水体；
(2)利用湖泊蓝光、绿光及红光波段遥感反射率数据构建基线1如下：
Figure FDA0002942574610000011
利用蓝光、绿光和近红外波段遥感反射率数据构建基线2如下：
Figure FDA0002942574610000012
式中，λ为各波段的波长；SRλ为对应波长的遥感反射率；
将基线2减去基线1的差值作为蓝藻生物量指数CBI；
(3)针对不同类型湖泊水体分别建立蓝藻生物量指数CBI和同步的湖泊实测TSI值间的拟合模型，即湖泊富营养化反演模型。
2.根据权利要求1所述的方法，其特征在于，采用Landsat-8 OLI传感器的SurfaceReflectance产品数据作为数据源。
3.根据权利要求1或2或所述的方法，其特征在于，利用红光655nm、红外1609nm波段将湖泊划分为两类水体。
4.根据权利要求1或2或所述的方法，其特征在于，利用蓝光482nm、绿光561nm及红光655nm波段构建基线1；利用蓝光482nm、绿光561nm和近红外波段865nm构建基线2。
5.根据权利要求2所述的方法，其特征在于，还包括产品数据大气校正评价，将OLISurface Reflectance产品数据除以π转换为Rrc数据集，对比不同波段处Rrc与实测遥感反射比Rrs的相关关系。
6.根据权利要求2或5所述的方法，其特征在于，还包括结合Landsat-8光谱响应函数，基于实测遥感反射比Rrs计算得到Landsat-8可见光波段和近红外波段模拟Rrs光谱值，对比波段模拟Rrs与Landsat-8可见光波段和近红外波段地表反射率SR，进行大气校正精度检验。
7.根据权利要求1所述的方法，其特征在于，利用改进的归一化水体指数MNDWI从遥感影像中提取水体覆盖区域。
8.根据权利要求1所述的方法，其特征在于，对用于建立拟合模型的数据集进行筛选，包括：
①结合采样点定位数据和卫星影像去除云、太阳耀斑覆盖的样点；
②结合采样时间和卫星过境时间数据，使用±6h的时间窗口匹配数据集。
9.根据权利要求1所述的方法，其特征在于，还包括，对建立的拟合模型采用3层刀切法进行交叉验证，通过3组随机选择的训练集和验证集，基于RMSE和MRE对模型性能进行评价，选择精度效果最好的模型作为最终的反演模型。
10.根据权利要求1所述的方法，其特征在于，还包括，将构建的湖泊富营养化反演模型应用至湖泊遥感数据，基于GEE平台进行遥感数据处理与计算，获取湖泊TSI空间分布与时序变化。
CN202110182752.4A 2021-02-10 2021-02-10 基于遥感数据的湖泊富营养化反演方法 Pending CN112989692A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110182752.4A CN112989692A (zh) 2021-02-10 2021-02-10 基于遥感数据的湖泊富营养化反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110182752.4A CN112989692A (zh) 2021-02-10 2021-02-10 基于遥感数据的湖泊富营养化反演方法

Publications (1)

Publication Number Publication Date
CN112989692A true CN112989692A (zh) 2021-06-18

Family

ID=76392930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110182752.4A Pending CN112989692A (zh) 2021-02-10 2021-02-10 基于遥感数据的湖泊富营养化反演方法

Country Status (1)

Country Link
CN (1) CN112989692A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113552034A (zh) * 2021-07-12 2021-10-26 大连理工大学 浅水湖泊悬浮颗粒物浓度modis影像遥感反演方法
CN113793374A (zh) * 2021-09-01 2021-12-14 自然资源部第二海洋研究所 一种基于利用改进的四波段遥感影像qaa算法水质反演结果反演水深的方法
CN114235748A (zh) * 2021-12-06 2022-03-25 南宁师范大学 一种基于长江平原湖泊富营养化的卫星遥感监测方法
CN114705632A (zh) * 2021-11-18 2022-07-05 中林信达（北京）科技信息有限责任公司 一种利用卫星遥感反射率估算水库营养状态指数的方法
CN114943161A (zh) * 2022-07-27 2022-08-26 中国水利水电科学研究院 一种基于多源遥感数据的内陆湖泊地形反演方法
CN115060719A (zh) * 2022-04-24 2022-09-16 自然资源部第二海洋研究所 一种基于稳定水体不确定性的卫星水色参数反演算法选择方法
CN115080905A (zh) * 2022-06-07 2022-09-20 昆明理工大学 一种高原湖泊叶绿素a浓度遥感反演方法
CN115824972A (zh) * 2022-11-29 2023-03-21 中国科学院空天信息创新研究院 一种内陆水体半解析透明度反演方法和系统
CN116482317A (zh) * 2023-04-26 2023-07-25 大连理工大学 湖泊水体营养状态实时监测方法、系统、设备及介质
CN117009720A (zh) * 2023-10-07 2023-11-07 航天宏图信息技术股份有限公司 湖泊水体富营养化监测的方法、装置、设备和介质
CN118072192A (zh) * 2024-04-25 2024-05-24 烟台哈尔滨工程大学研究院 基于gee的大型藻有害藻华长时序自动提取方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104390917A (zh) * 2014-12-03 2015-03-04 中国科学院南京地理与湖泊研究所 一种富营养化湖泊水体叶绿素a 的MODIS卫星高精度监测方法
CN106012953A (zh) * 2016-05-30 2016-10-12 云南省环境科学研究院(中国昆明高原湖泊国际研究中心) 一种治理富营养化湖泊蓝藻水华的方法
CN106290389A (zh) * 2016-09-05 2017-01-04 中国科学院南京地理与湖泊研究所 一种富营养化湖泊modis影像的藻华和非藻华条件分类方法
CN106408005A (zh) * 2016-09-05 2017-02-15 中国科学院南京地理与湖泊研究所 基于modis色素浓度估算的富营养化湖泊水质风险评价方法
CN106468658A (zh) * 2016-09-05 2017-03-01 中国科学院南京地理与湖泊研究所 一种富营养化湖泊藻蓝素的modis遥感监测方法
CN107340365A (zh) * 2017-06-19 2017-11-10 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
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
CN110068539A (zh) * 2019-04-29 2019-07-30 中国科学院南京地理与湖泊研究所 一种富营养化浅水湖泊有色溶解有机物的遥感方法
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
CN110366240A (zh) * 2019-08-30 2019-10-22 重庆大学 无线传感器网络高精度同步触发方法
CN110598251A (zh) * 2019-08-05 2019-12-20 中国科学院南京地理与湖泊研究所 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法
CN110836870A (zh) * 2019-11-27 2020-02-25 中国科学院南京地理与湖泊研究所 基于gee的大区域湖泊透明度快速制图方法
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
WO2020264501A1 (en) * 2019-06-27 2020-12-30 Pneuma Respiratory, Inc. Delivery of small droplets to the respiratory system via electronic breath actuated droplet delivery device

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104390917A (zh) * 2014-12-03 2015-03-04 中国科学院南京地理与湖泊研究所 一种富营养化湖泊水体叶绿素a 的MODIS卫星高精度监测方法
CN106012953A (zh) * 2016-05-30 2016-10-12 云南省环境科学研究院(中国昆明高原湖泊国际研究中心) 一种治理富营养化湖泊蓝藻水华的方法
CN106290389A (zh) * 2016-09-05 2017-01-04 中国科学院南京地理与湖泊研究所 一种富营养化湖泊modis影像的藻华和非藻华条件分类方法
CN106408005A (zh) * 2016-09-05 2017-02-15 中国科学院南京地理与湖泊研究所 基于modis色素浓度估算的富营养化湖泊水质风险评价方法
CN106468658A (zh) * 2016-09-05 2017-03-01 中国科学院南京地理与湖泊研究所 一种富营养化湖泊藻蓝素的modis遥感监测方法
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
CN107340365A (zh) * 2017-06-19 2017-11-10 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
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
CN110068539A (zh) * 2019-04-29 2019-07-30 中国科学院南京地理与湖泊研究所 一种富营养化浅水湖泊有色溶解有机物的遥感方法
WO2020264501A1 (en) * 2019-06-27 2020-12-30 Pneuma Respiratory, Inc. Delivery of small droplets to the respiratory system via electronic breath actuated droplet delivery device
CN110598251A (zh) * 2019-08-05 2019-12-20 中国科学院南京地理与湖泊研究所 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法
CN110366240A (zh) * 2019-08-30 2019-10-22 重庆大学 无线传感器网络高精度同步触发方法
CN110836870A (zh) * 2019-11-27 2020-02-25 中国科学院南京地理与湖泊研究所 基于gee的大区域湖泊透明度快速制图方法
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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MINQI HU等: "Optimized remote sensing estimation of the lake algal biomass by considering the vertically heterogeneous chlorophyll distribution:Study case in Lake Chaohu of China", 《SCIENCE OF THE TOTAL ENVIRONMENT》, vol. 771, pages 1 - 11 *
MINQI HU等: "Remote Estimation of Trophic State Index for Inland Waters Using Landsat-8 OLI Imagery", 《REMOTE SENSING》, pages 1 - 24 *
QICHUN LIANG等: "A MODIS-Based Novel Method to Distinguish Surface Cyanobacterial Scums and Aquatic Macrophytes in Lake Taihu", 《REMOTE SENSING》, pages 1 - 25 *
何帅: "茅尾海水质数值模拟及环境容量研究", 《中国优秀硕士学位论文全文数据库》, no. 7, pages 027 - 127 *
张带琴: "基于多源遥感信息的鄱阳湖叶绿素浓度反演模型研究", 《中国优秀硕士学位论文全文数据库》, no. 2, pages 027 - 489 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113552034B (zh) * 2021-07-12 2022-05-13 大连理工大学 浅水湖泊悬浮颗粒物浓度modis影像遥感反演方法
CN113552034A (zh) * 2021-07-12 2021-10-26 大连理工大学 浅水湖泊悬浮颗粒物浓度modis影像遥感反演方法
CN113793374B (zh) * 2021-09-01 2023-12-22 自然资源部第二海洋研究所 一种基于利用改进的四波段遥感影像qaa算法水质反演结果反演水深的方法
CN113793374A (zh) * 2021-09-01 2021-12-14 自然资源部第二海洋研究所 一种基于利用改进的四波段遥感影像qaa算法水质反演结果反演水深的方法
CN114705632A (zh) * 2021-11-18 2022-07-05 中林信达（北京）科技信息有限责任公司 一种利用卫星遥感反射率估算水库营养状态指数的方法
CN114705632B (zh) * 2021-11-18 2024-02-06 中林信达（北京）科技信息有限责任公司 一种利用卫星遥感反射率估算水库营养状态指数的方法
CN114235748A (zh) * 2021-12-06 2022-03-25 南宁师范大学 一种基于长江平原湖泊富营养化的卫星遥感监测方法
CN115060719A (zh) * 2022-04-24 2022-09-16 自然资源部第二海洋研究所 一种基于稳定水体不确定性的卫星水色参数反演算法选择方法
CN115080905A (zh) * 2022-06-07 2022-09-20 昆明理工大学 一种高原湖泊叶绿素a浓度遥感反演方法
CN115080905B (zh) * 2022-06-07 2024-05-17 昆明理工大学 一种高原湖泊叶绿素a浓度遥感反演方法
CN114943161A (zh) * 2022-07-27 2022-08-26 中国水利水电科学研究院 一种基于多源遥感数据的内陆湖泊地形反演方法
CN114943161B (zh) * 2022-07-27 2022-09-27 中国水利水电科学研究院 一种基于多源遥感数据的内陆湖泊地形反演方法
CN115824972B (zh) * 2022-11-29 2023-07-25 中国科学院空天信息创新研究院 一种内陆水体半解析透明度反演方法和系统
CN115824972A (zh) * 2022-11-29 2023-03-21 中国科学院空天信息创新研究院 一种内陆水体半解析透明度反演方法和系统
CN116482317B (zh) * 2023-04-26 2023-10-27 大连理工大学 湖泊水体营养状态实时监测方法、系统、设备及介质
CN116482317A (zh) * 2023-04-26 2023-07-25 大连理工大学 湖泊水体营养状态实时监测方法、系统、设备及介质
CN117009720A (zh) * 2023-10-07 2023-11-07 航天宏图信息技术股份有限公司 湖泊水体富营养化监测的方法、装置、设备和介质
CN117009720B (zh) * 2023-10-07 2024-03-26 航天宏图信息技术股份有限公司 湖泊水体富营养化监测的方法、装置、设备和介质
CN118072192A (zh) * 2024-04-25 2024-05-24 烟台哈尔滨工程大学研究院 基于gee的大型藻有害藻华长时序自动提取方法
CN118072192B (zh) * 2024-04-25 2024-06-21 烟台哈尔滨工程大学研究院 基于gee的大型藻有害藻华长时序自动提取方法

Similar Documents

Publication Publication Date Title
CN112989692A (zh) 基于遥感数据的湖泊富营养化反演方法
Song et al. Quantification of lake clarity in China using Landsat OLI imagery data
CN110598251B (zh) 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法
Hu et al. Spectral and spatial requirements of remote measurements of pelagic Sargassum macroalgae
Tilstone et al. Variability in specific-absorption properties and their use in a semi-analytical ocean colour algorithm for MERIS in North Sea and Western English Channel Coastal Waters
Duan et al. Assessment of chlorophyll-a concentration and trophic state for Lake Chagan using Landsat TM and field spectral data
Novoa et al. Water quality assessment using satellite-derived chlorophyll-a within the European directives, in the southeastern Bay of Biscay
Zhou et al. Mapping the concentrations of total suspended matter in Lake Taihu, China, using Landsat‐5 TM data
Mustapha et al. Evaluation of ocean color algorithms in the southeastern Beaufort Sea, Canadian Arctic: New parameterization using SeaWiFS, MODIS, and MERIS spectral bands
He et al. Water clarity mapping of global lakes using a novel hybrid deep-learning-based recurrent model with Landsat OLI images
Jiao et al. Estimation of chlorophyll‐a concentration in Lake Tai, China using in situ hyperspectral data
Xue et al. Variability of light absorption properties in optically complex inland waters of Lake Chaohu, China
Duan et al. Estimation of chlorophyll‐a concentration and trophic states for inland lakes in Northeast China from Landsat TM data and field spectral measurements
Pu et al. Applications of imaging spectrometry in inland water quality monitoring—a review of recent developments
Chen et al. A novel multi-source data fusion method based on Bayesian inference for accurate estimation of chlorophyll-a concentration over eutrophic lakes
Malthus et al. The case for a global inland water quality product
Fu et al. Multi-sensor and multi-platform retrieval of water chlorophyll a concentration in karst wetlands using transfer learning frameworks with ASD, UAV, and Planet CubeSate reflectance data
Mbuh Use of hyperspectral remote sensing to estimate water quality
Wei et al. Long-term observation of global nuclear power plants thermal plumes using Landsat images and deep learning
Salyuk et al. Determination of the chlorophyll a concentration by MODIS-Aqua and VIIRS satellite radiometers in Eastern Arctic and Bering Sea
Zheng et al. A semi-analytical model to estimate Chlorophyll-a spatial-temporal patterns from Orbita Hyperspectral image in inland eutrophic waters
Cai et al. Humification levels of dissolved organic matter in the eastern plain lakes of China based on long-term satellite observations
Zhang et al. Quantifying seasonal variations in microphytobenthos biomass on estuarine tidal flats using Sentinel-1/2 data
Wang et al. Monitoring phycocyanin concentrations in high-latitude inland lakes using Sentinel-3 OLCI data: The case of Lake Hulun, China
Zhai et al. Retrieve of total suspended matter in typical lakes in China based on broad bandwidth satellite data: Random forest model with Forel-Ule Index

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