CN113177183B - 一种基于海洋遥感图像的海水污染监测预警方法及系统 - Google Patents
一种基于海洋遥感图像的海水污染监测预警方法及系统 Download PDFInfo
- Publication number
- CN113177183B CN113177183B CN202110722560.8A CN202110722560A CN113177183B CN 113177183 B CN113177183 B CN 113177183B CN 202110722560 A CN202110722560 A CN 202110722560A CN 113177183 B CN113177183 B CN 113177183B
- Authority
- CN
- China
- Prior art keywords
- river
- area
- region
- remote sensing
- sub
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于海洋遥感图像的海水污染监测预警方法及系统,包括通过获取海洋遥感数据,对污染待定河流集合筛选得到疑似污染区域集合,利用疑似污染区域集合输出污染区域并发出警报信息。本发明实现了利用海洋遥感卫星持续监测近海河流的污染趋势并发出预警,尽早发现河流污染对海洋的影响,尽快做出污染防治措施和查明污染源头。
Description
技术领域
本发明涉及海洋遥感技术领域,具体涉及一种基于海洋遥感图像的海水污染监测预警方法及系统。
背景技术
海洋约占地球表面的 71%,大气层 84%的水分来自海洋,海洋上表层 3m 的海水所含的热量就相当于整个大气层所含热量的总和。因此,海洋环境的变化直接影响着人类自身的生存环境。
水生态环境一直是我国一直以来非常重视的问题,实施流域环境综合治理,加快水污染防治,成为关系民生的问题。但现时海洋污染防治虽然取得了很大进展,但是部分海岸依旧在一些突出的水环境问题。例如,环境基础设施老化,污水管网不完善、污水溢流或直排等,部分海洋水生态破坏严重,河湖生态流量保障不足,缺乏应有的水生植被和岸边缓冲带,部分海洋水域蓝藻水华频发; 部分地区海洋沿岸高环境风险工业企业密集分布,存在较高的环境风险,功能和效益不断下降, 成为制约社会经济可持续发展的瓶颈, 越来越成为公众媒体关注的焦点。因此保护和监测海洋水域成为迫切需要解决的问题。
遥感是20世纪50年代末期发展起来的一种从太空观测地球和探索宇宙的新技术。利用这项新技术,可以对全球范围的陆地和海洋进行实时、全方位的监测,获得长期稳定可靠的多种观测资料。
我国最早在20世纪80年代开始进行海洋卫星遥感监测,遥感卫星可以获得气象数据。随着高分辨率遥感卫星的应用,卫星遥感的应用进一步扩大,常见的HY-1 系列卫星、FY-1 系列卫星、FY-2 系列卫星、美国 NOAA 系列卫星、SeaWiFS 卫星、EOS/MODIS 卫星,以及日本 MTSAT 系列卫星等,能获取高精度数据,这些数据经过处理后得到海温、海冰(包括极地海冰)、海洋水色、海洋污染、海上台风、海雾,以及海岸带动态等信息,可以用于环境监测、灾害监测、环境数值预报、科学研究等不同领域。
发明内容
本发明的目的在于基于海洋遥感提出一种基于海洋遥感图像的海水污染监测预警方法及系统,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
为实现上述技术目的,本发明技术方案如下:
一种基于海洋遥感图像的海水污染监测预警方法及系统,所述方法包括以下步骤:
步骤1,通过获取海洋遥感数据;
步骤2,对污染待定河流集合筛选得到疑似污染区域集合;
步骤3,利用疑似污染区域集合输出污染区域并发出警报信息。
进一步地,步骤1中,通过获取海洋遥感数据的子步骤为:
步骤1.1,获取目标区域的光谱数据;所述光谱数据包括可见光数据、近红外数据(NIR,Near-Infrared)和短波红外数据(SWIR,Shortwave Infrared);
所述目标区域包括有至少一段陆地海岸线,海岸线上包括至少一条或多条河流入海口,目标区域中至少包括一条或多条河流;
步骤1.2,对目标区域的遥感图像进行边缘检测得到边缘线所划分的图像区域作为河流区域,对河流区域集合Yr里的每个河流区域进行分区获得河流子区域,由所有河流区域构成河流区域集合Yr,Yr={Y1,Y2,Y3,……,Ysn},集合Yr的大小为sn,sn为边缘检测得到的边缘线分割的区域作为的河流区域的数量;
步骤1.3,利用步骤1.1获得的光谱数据分别判断每个河流子区域是否为清澈区域;
步骤1.4,如果一个河流区域有一个或以上河流子区域是非清澈区域,则此河流区域定义为非清澈河流,如果一个河流区域全部子区域是清澈区域,则此河道定义为清澈河流,所有非清澈河流构成污染待定河流集合YDr,YDr={YD1,YD2,YD3,……,YDdn},污染待定河流集合YDr的大小为dn,dn≤sn。
进一步地,步骤1.2中,对目标区域的遥感图像进行边缘检测得到边缘线所划分的图像区域作为河流区域,对河流区域集合Yr里的每个河流区域进行分区获得河流子区域的子步骤为:
步骤1.2.1,读取光谱数据,把光谱图像转化为灰度图像,对灰度图像进行高斯滤波和提取轮廓得到边缘线;
步骤1.2.2,依次对步骤1.2.1得到的灰度图像的每个像素进行标记,标记方式为像素的灰度值大于设定的阈值标记为1,像素的灰度值小于设定的阈值标记为0;
步骤1.2.3,对步骤1.2.2得到的经过标记的灰度图像作为标记图像进行平滑边缘得到平滑图像;
步骤1.2.4,以平滑图像的图像矩阵的几何中心点作为锚点,对标记为1的像素利用锚点进行膨胀运算,获得待定河流区域分区图像;以待定河流区域分区图像中各个闭合区间的集合作为分区集合;筛选出分区集合中面积最大的闭合区间作为第一参照区域并将第一参照区域从分区集合中剔除;所述闭合区间为由边缘检测得到的边缘线分割待定河流区域分割图像得到的封闭区域;
步骤1.2.5,计算第一参照区域在遥感图像中相应区域中各个像素值的算术平均值作为参照像素值,计算分区集合各个闭合区间的各个像素值的算术平均值得到各个闭合区间的平均像素值;筛选出平均像素值小于参照像素值的闭合区间作为参照集合;选出参照集合中面积最大的闭合区间作为第二参照区域;
步骤1.2.6,通过Harris角点检测对第二参照区域进行检测得到多个角点,得到的角点集合;将各个角点两两连接从而得到各个角点连线划分得到的新增区域(注:角点连线如果是河流区域或者海湾则会分割第一参照区域,如果不是河流或者海湾则角点连线是分割第二参照区域),从而由各个新增区域得到新增区域集合;
步骤1.2.7,扫描新增区域集合中各个新增区域,如果新增区域属于第一参照区域的位置则依次拼接新增区域集合中与当前新增区域位置相邻的新增区域构成待拼接河流区域,并且将该新增区域标记为河流子区域,待拼接河流区域拼接新增区域集合中与待拼接河流区域位置相邻的新增区域形成新的待拼接河流区域直到待拼接河流区域不存在位置相邻的新增区域,最终将待拼接河流区域作为河流区域;
步骤1.2.8,从而得到标记的河流子区域和由所有河流区域构成河流区域集合。
进一步地,步骤1.3中,判断每个河流子区域是否为清澈区域的子步骤为:
步骤1.3.1,获取当前河流子区域的NIR数据和SWIR数据;
步骤1.3.2,计算当前河流子区域的清澈系数:
式中,f x 为第一波段波长,所述f x 的范围为[743nm,753nm],f y 为第二波段波长,所述f y 的范围为[2105nm,2155nm],f z 为第三波段波长,所述f z 的范围为[1230nm,1250nm],A gc (f x )为海洋遥感卫星检测到的在波长f x 的在大气顶部经过气体吸收校正的反射比(例如反射比为0.62),A r (f x )为波长f x 的瑞利散射反射率(例如反射率为0.18),A gc (f z )为海洋遥感卫星检测到的在波长f z 的在大气顶部经过气体吸收校正的反射比(例如反射比为0.45),A r (f z )为波长f z 的瑞利散射反射率(例如反射率为0.25),D(z,y)为反射系数,exp为以自然常数e为底的指数函数;
其中D(z,y)的算法为:
式中A gc (f y )为河流子区域在波长fy的在大气顶部经过气体吸收校正的反射比,A r (f y )为波长fy的瑞利散射反射率;
步骤1.3.3,根据清澈系数判断当前河流子区域是否为清澈区域:如果I c (f x ,f z )> N则判定当前河流子区域为非清澈区域,如果I c (f x ,f z )≤N则判定当前河流子区域是清澈区域,其中,N为所有河流子区域的清澈系数I c (f x ,f z )的算术平均值或者将N设置为1.2。
所述海洋遥感卫星可以是HY-1 系列卫星、FY-1 系列卫星、FY-2 系列卫星、美国NOAA系列卫星、SeaWiFS卫星、EOS/MODIS卫星,以及日本MTSAT系列卫星的一种或多种;
进一步地,步骤2中,对污染待定河流集合筛选得到疑似污染区域集合的子步骤为:
步骤2.1,在污染待定河流集合YDr中,选取每个河流区域清澈系数最小的子区域作为污染待定河流基准子区域,组成污染待定河流基准子区域集合YEd,YEd={YE1,YE2,……,YEdn},污染待定河流基准子区域集合YEd的大小为dn,污染待定河流基准子区域集合YEd里的每个子区域分别对应污染待定河流集合YDr的每个非清澈河流,设置记录开始获得海洋遥感数据的时刻为T1;
步骤2.2,初始化变量m为1,以采样间隔Ti获得污染待定河流集合YDr中各个子区域的水污染系数VC;
步骤2.3,设置条件:在时刻(T1+n×Ti)和时刻T1之间第m个污染待定河流中子区域的水污染系数VC增量大于其所在污染待定河流中的污染待定河流基准子区域的水污染系数VC增量,n为设定的监测间隔值;
把符合上述条件子区域的水污染系数VC增量放入集合DRm,DRm={DR1,DR2,DR3,……,DRm0},集合DRm表示第m个污染待定河流的符合上述条件的子区域的水污染系数VC增量集合,m0为集合DRm的大小,m0表示有m0个子区域在集合DRm中,对集合DRm按大到小排序;
式中,m0为集合DRm的大小,DRu为集合DRm中的第u个数值;
步骤2.5,如果步骤2.4得到的污染增量平均值大于第m个污染待定河流的污
染待定河流基准子区域,并且m0的值大于第m个污染待定河流中所有子区域数量数的30%,
则判定第m个污染待定河流有污染倾向,把当前污染待定河流的污染倾向值加1;
步骤2.6,把第m个污染待定河流的污染待定河流基准子区域设置为集合DRm中第一个数值所在的子区域,把T1的值设置为(T1+n×Ti),经过设定的时间间隔后,执行步骤1.1到步骤1.3以重新选出污染待定河流集合,并输出所有污染待定河流的污染倾向值构成疑似污染区域集合,否则重新执行步骤2.2到步骤2.6。
进一步地,步骤2.2中,获得各个子区域的水污染系数VC的子步骤为:
步骤2.2.1,获取各个子区域的遥感图像,对遥感图像进行几何校正和大气校正,融合遥感图像获得高空间分辨率数据;
步骤2.2.2,根据高空间分辨率数据计算每个子区域的水污染系数VC:
式中,h j 为高空间分辨率数据的第j波段的反射率,h i 为高空间分辨率数据的第i波段的反射率,h k 为高空间分辨率数据的第k波段的反射率,Δf ij 为高空间分辨率数据的第i波段的中心波长与第j波段的中心波长的差值,Δf jk 为高空间分辨率数据的第j波段的中心波长与高空间分辨率数据的第k波段的中心波长的差值。
进一步地,步骤3中,利用疑似污染区域集合输出污染区域并发出警报信息的子步骤为:
步骤3.1,分别选取疑似污染区域集合里每个污染待定河流的污染倾向值,如果在设定的时间区间里污染待定河流的污染倾向值超过设定的阈值,则把当前污染待定河流定义为污染区域,把当前污染待定河流的污染倾向值设置为0;设定的时间区间为时间间隔[0.5,4]小时;
步骤3.2,输出步骤3.1得到的所有污染区域并发出警报信息,所述警报信息包括污染区域的坐标和污染区域连接的海洋区域。
一种基于海洋遥感图像的海水污染监测预警系统,包括:
海洋遥感图像模块:用于获取海洋遥感数据,海洋遥感图像模块包括海洋水色卫星,所述海洋水色卫星带有中分辨率成像光谱仪MODIS(Moderate Resolution ImagingSpectroradiometer)和Sea-viewing Wide Field-of-view Sensor(SeaWiFS)传感器;
数据处理模块:用于对海洋遥感图像模块获得的海洋遥感数据进行处理;
污染预警模块:用于对所有污染区域发出警报。
其中,获取海洋遥感数据并提取污染待定河流集合的子步骤为:
步骤1.1,获取目标区域的海洋遥感数据;所述目标区域包括有至少一段陆地海岸线,海岸线上包括至少一条或多条河流入海口,目标区域中至少包括一条或多条河流;海洋遥感数据至少包括目标区域的光谱数据、遥感图像,光谱数据包括光谱图像;
步骤1.2,对目标区域的遥感图像进行边缘检测得到边缘线所划分的图像区域作为河流区域,对河流区域集合Yr里的每个河流区域进行分区获得河流子区域,由所有河流区域构成河流区域集合Yr,Yr={Y1,Y2,Y3,……,Ysn},集合Yr的大小为sn,sn为边缘检测得到的边缘线分割的区域作为的河流区域的数量;
步骤1.3,利用步骤1.1获得的光谱数据分别判断每个河流子区域是否为清澈区域;
步骤1.4,如果一个河流区域有一个或以上河流子区域是非清澈区域,则此河流区域定义为非清澈河流,如果一个河流区域全部子区域是清澈区域,则此河道定义为清澈河流,所有非清澈河流构成污染待定河流集合YDr,YDr={YD1,YD2,YD3,……,YDdn},污染待定河流集合YDr的大小为dn,dn≤sn。
与现有技术相比,本发明具有以下有益的技术效果:
利用海洋遥感卫星持续监测近海河流的污染趋势并发出预警,实现了尽早发现河流污染对海洋的影响,可以尽快做出污染防治措施和查明污染源头。
附图说明
为了使本领域的技术人员更好地理解本发明的技术方案,下面通过对结合附图所示出的实施方式进行详细说明,本发明的上述以及其他特征将更加明显,本发明附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,在附图中:
图1为本发明提供的一种基于海洋遥感图像的海水污染监测预警方法的流程图;
图2为本发明一个实施例的一种基于海洋遥感图像的海水污染监测预警系统结构示意框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰,以下结合附图及实施例,对本发明进行进一步详尽说明。此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
同样应理解,以下实施例只用于对本发明进行进一步说明,不能理解为对本发明保护范围的限制,本领域的技术人员根据本发明上述内容做出的一些非本质的改进和调整均属于本发明的保护范围。下述示例具体的工艺参数等也仅是合适范围内的一个示例,即本领域技术人员可以通过本文的说明做合适的范围内选择,而并非要限定于下文示例的具体数值。
以下示例性地说明本发明提供的一种基于海洋遥感图像的海水污染监测预警方法及系统。
如图1所示为一种基于海洋遥感图像的海水污染监测预警方法及系统的流程图,下面结合图1来阐述根据本发明的实施方式的一种基于海洋遥感图像的海水污染监测预警方法及系统,所述方法包括以下步骤:
步骤1,通过获取海洋遥感数据;
步骤2,对污染待定河流集合筛选得到疑似污染区域集合;
步骤3,利用疑似污染区域集合输出污染区域并发出警报信息。
进一步地,步骤1中,通过获取海洋遥感数据的子步骤为:
步骤1.1,获取目标区域的光谱数据;所述光谱数据包括可见光数据、近红外数据(NIR,Near-Infrared)和短波红外数据(SWIR,Shortwave Infrared);
所述目标区域包括有至少一段陆地海岸线,海岸线上包括至少一条或多条河流入海口,目标区域中至少包括一条或多条河流;
步骤1.2,对目标区域的遥感图像进行边缘检测得到边缘线所划分的图像区域作为河流区域,对河流区域集合Yr里的每个河流区域进行分区获得河流子区域,由所有河流区域构成河流区域集合Yr,Yr={Y1,Y2,Y3,……,Ysn},集合Yr的大小为sn,sn为边缘检测得到的边缘线分割的区域作为的河流区域的数量;
步骤1.3,判断每个河流子区域是否为清澈区域;
步骤1.4,如果一个河流区域有一个或以上河流子区域是非清澈区域,则此河流区域定义为非清澈河流,如果一个河流区域全部子区域是清澈区域,则此河道定义为清澈河流,所有非清澈河流构成污染待定河流集合YDr,YDr={YD1,YD2,YD3,……,YDdn},污染待定河流集合YDr的大小为dn,dn≤sn。
进一步地,步骤1.2中,对目标区域的遥感图像进行边缘检测得到边缘线所划分的图像区域作为河流区域,对河流区域集合Yr里的每个河流区域进行分区获得河流子区域的子步骤为:
步骤1.2.1,读取光谱数据,把光谱图像转化为灰度图像,对灰度图像进行高斯滤波和提取轮廓得到边缘线;
步骤1.2.2,依次对步骤1.2.1得到的灰度图像的每个像素进行标记,标记方式为像素的灰度值大于设定的阈值标记为1,像素的灰度值小于设定的阈值标记为0;设定的阈值为[128,225];
步骤1.2.3,对步骤1.2.2得到的经过标记的灰度图像作为标记图像进行平滑边缘得到平滑图像;
步骤1.2.4,以平滑图像的图像矩阵的几何中心点作为锚点,对标记为1的像素利用锚点进行膨胀运算,获得待定河流区域分区图像;以待定河流区域分区图像中各个闭合区间的集合作为分区集合;筛选出分区集合中面积最大的闭合区间作为第一参照区域并将第一参照区域从分区集合中剔除;所述闭合区间为由边缘检测得到的边缘线分割待定河流区域分割图像得到的封闭区域;
步骤1.2.5,计算第一参照区域在遥感图像中相应区域中各个像素值的算术平均值作为参照像素值,计算分区集合各个闭合区间的各个像素值的算术平均值得到各个闭合区间的平均像素值;筛选出平均像素值小于参照像素值的闭合区间作为参照集合;选出参照集合中面积最大的闭合区间作为第二参照区域;
步骤1.2.6,通过Harris角点检测对第二参照区域进行检测得到多个角点,得到的角点集合;将各个角点两两连接从而得到各个角点连线划分得到的新增区域(注:角点连线如果是河流区域或者海湾则会分割第一参照区域,如果不是河流或者海湾则角点连线是分割第二参照区域),从而由各个新增区域得到新增区域集合;
步骤1.2.7,扫描新增区域集合中各个新增区域,如果新增区域属于第一参照区域的位置则依次拼接新增区域集合中与当前新增区域位置相邻的新增区域构成待拼接河流区域,将待拼接河流区域作为河流区域;
优选地,步骤1.2.7,扫描新增区域集合中各个新增区域,如果新增区域属于第一参照区域的位置则依次拼接新增区域集合中与当前新增区域位置相邻的新增区域构成待拼接河流区域,并且将该新增区域标记为河流子区域,待拼接河流区域拼接新增区域集合中与待拼接河流区域位置相邻的新增区域形成新的待拼接河流区域直到待拼接河流区域不存在位置相邻的新增区域,最终将待拼接河流区域作为河流区域;
步骤1.2.8,从而得到标记的河流子区域和由所有河流区域构成河流区域集合。
下列是实现步骤1.2的部分关键性的C++代码:
#include <opencv2/core/core.hpp>
#include <opencv2/imgproc/imgproc.hpp>
//封装河流区域提取函数为类
class RiverSegmenter {
private:
cv::Mat labels;
public:
void setLabels(const cv::Mat& markerImage) {
// 把图像的像素转化到8位整形形式
markerImage.convertTo(labels,CV_32S);
}
cv::Mat process(const cv::Mat &image) {
cv::watershed(image,labels);
return labels;
};
//返回分界点
cv::Mat getSegmentation() {
cv::Mat tmp;
labels.convertTo(tmp,CV_8U);
return tmp;
}
cv::Mat getWatersheds() {
cv::Mat tmp;
labels.convertTo(tmp,CV_8U,255,255);
return tmp;
};
};
#endif;
cv::Mat remote_sensing= cv::imread("remote_sensing.tif");
//加载图像
Mat binary;
cv::cvtColor(remote_sensing,binary);
//获得灰度图
cv::threshold(binary,binary,30,255);
//获得二值图
cv::Mat objects(300,300,CV_8U,cv::Scalar(1));
//设定分割单元大小300*300正方形
cv::Mat river_obj;
cv::morphologyEx(binary, river_obj,cv::MORPH_CLOSE,objects,Point(-1,-1),1);
cv::Mat land;
cv::dilate(binary,land,cv::Mat(),cv::Point(-1,-1),4);
Mat label = river_obj + land;
//合并河流和陆地图像
RiverSegmenter river1;
river1.setLabels(label);
river1.process(remote_sensing);//加载图像
Mat riverimage = river1.getSegmentation();
cv::threshold(riverimage,riverimage,250,1);
cv::cvtColor(riverimage,riverimage);
//获得处理后的图像和原遥感图像的叠加图像
进一步地,步骤1.3中,对河流区域集合Yr里的每个河流区域进行分区获得河流子区域,利用步骤1.1获得的光谱数据分别判断每个河流子区域是否为清澈区域的子步骤为:
步骤1.3.1,获取当前河流子区域的NIR数据和SWIR数据;
步骤1.3.2,计算当前河流子区域的清澈系数:
式中,f x 为第一波段波长,所述f x 的范围为[743nm,753nm],f y 为第二波段波长,所述f y 的范围为[2105nm,2155nm],f z 为第三波段波长,所述f z 的范围为[1230nm,1250nm],A gc (f x )为海洋遥感卫星检测到的在波长f x 的在大气顶部经过气体吸收校正的反射比(例如反射比为0.62),A r (f x )为波长f x 的瑞利散射反射率(例如反射率为0.18),A gc (f z )为海洋遥感卫星检测到的在波长f z 的在大气顶部经过气体吸收校正的反射比(例如反射比为0.45),A r (f z )为波长f z 的瑞利散射反射率(例如反射率为0.25),D(z,y)为反射系数,exp为以自然常数e为底的指数函数;
其中D(z,y)的算法为:
式中A gc (f y )为河流子区域在波长fy的在大气顶部经过气体吸收校正的反射比, A r (f y )为波长fy的瑞利散射反射率,ln为以常数e为底数的对数;
在一个实施例中,f x 的取值为748nm,f y 的取值为2150nm,f z 的取值为1240nm。
步骤1.3.3,根据清澈系数判断当前河流子区域是否为清澈区域:如果I c (f x ,f z )> N则判定当前河流子区域为非清澈区域,如果I c (f x ,f z )≤N则判定当前河流子区域是清澈区域,其中,N为所有河流子区域的清澈系数I c (f x ,f z )的算术平均值或者将N设置为1.2。
所述海洋遥感卫星可以是HY-1 系列卫星、FY-1 系列卫星、FY-2 系列卫星、美国NOAA系列卫星、SeaWiFS卫星、EOS/MODIS卫星,以及日本MTSAT系列卫星的一种或多种;
进一步地,步骤2中,对污染待定河流集合筛选得到疑似污染区域集合的子步骤为:
步骤2.1,在污染待定河流集合YDr中,选取每个河流区域清澈系数最小的子区域作为污染待定河流基准子区域,组成污染待定河流基准子区域集合YEd,YEd={YE1,YE2,……,YEdn},污染待定河流基准子区域集合YEd的大小为dn,污染待定河流基准子区域集合YEd里的每个子区域分别对应污染待定河流集合YDr的每个非清澈河流,设置记录开始获得海洋遥感数据的时刻为T1;
步骤2.2,初始化变量m为1,以采样间隔Ti获得污染待定河流集合YDr中各个子区域的水污染系数VC;
步骤2.3,设置条件:在时刻(T1+n×Ti)和时刻T1之间第m个污染待定河流中子区域的水污染系数VC增量大于其所在污染待定河流中的污染待定河流基准子区域的水污染系数VC增量,n为设定的监测间隔值(n一般取3000毫秒);
把符合上述条件子区域的水污染系数VC增量放入集合DRm,DRm={DR1,DR2,DR3,……,DRm0},集合DRm表示第m个污染待定河流的符合上述条件的子区域的水污染系数VC增量集合,m0为集合DRm的大小,m0表示有m0个子区域在集合DRm中,对集合DRm按大到小排序;
式中,m0为集合DRm的大小,DRu为集合DRm中的第u个数值;
步骤2.5,如果步骤2.4得到的污染增量平均值大于第m个污染待定河流的污
染待定河流基准子区域,并且m0的值大于第m个污染待定河流中所有子区域数量数的30%,
则判定第m个污染待定河流有污染倾向,把当前污染待定河流的污染倾向值加1;
步骤2.6,把第m个污染待定河流的污染待定河流基准子区域设置为集合DRm中第一个数值所在的子区域,把T1的值设置为(T1+n×Ti),经过设定的时间间隔(设定的时间间隔一般取3000毫秒)后,执行步骤1.1到步骤1.3以重新选出污染待定河流集合,并输出所有污染待定河流的污染倾向值构成疑似污染区域集合,否则重新执行步骤2.2到步骤2.6。
在一个实施例中,n的取值为3,Ti取值为60min。
进一步地,步骤2.2中,获得各个子区域的水污染系数VC的子步骤为:
步骤2.2.1,获取各个子区域的遥感图像,对遥感图像进行几何校正和大气校正,融合遥感图像获得高空间分辨率数据;
步骤2.2.2,根据高空间分辨率数据计算每个子区域的水污染系数VC:
式中,h j 为高空间分辨率数据的第j波段的反射率,h i 为高空间分辨率数据的第i波段的反射率,h k 为高空间分辨率数据的第k波段的反射率,Δf ij 为高空间分辨率数据的第i波段的中心波长与第j波段的中心波长的差值,Δf jk 为高空间分辨率数据的第j波段的中心波长与高空间分辨率数据的第k波段的中心波长的差值。
被污染的水体里,波段i到波段j的反射率比正常水体上升缓慢,变化率较小,而波段j到波段k的反射率里收到污染的水体比正常水体上升较快。
在一个实施例中,第i波段为[455nm,525nm],第j波段为[525nm,595nm],第k波段为[630nm,690nm]。
进一步地,步骤3中,利用疑似污染区域集合输出污染区域并发出警报信息的子步骤为:
步骤3.1,分别选取疑似污染区域集合里每个污染待定河流的污染倾向值,如果在设定的时间区间里污染待定河流的污染倾向值超过设定的阈值,则把当前污染待定河流定义为污染区域,把当前污染待定河流的污染倾向值设置为0;
步骤3.2,输出步骤3.1得到的所有污染区域并发出警报信息,所述警报信息包括污染区域的坐标和污染区域连接的海洋区域。
一种基于海洋遥感图像的海水污染监测预警系统,如图2所示是一种基于海洋遥感图像的海水污染监测预警系统的结构图,包括:
海洋遥感图像模块:用于获取海洋遥感数据,海洋遥感图像模块包括海洋水色卫星,所述海洋水色卫星带有中分辨率成像光谱仪MODIS(Moderate Resolution ImagingSpectroradiometer)和Sea-viewing Wide Field-of-view Sensor(SeaWiFS)传感器;
数据处理模块:用于对海洋遥感图像模块获得的海洋遥感数据进行处理;
污染预警模块:用于对所有污染区域发出警报。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
所述一种基于海洋遥感图像的海水污染监测预警系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于海洋遥感图像的海水污染监测预警系统,可运行的系统可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种基于海洋遥感图像的海水污染监测预警系统的示例,并不构成对一种基于海洋遥感图像的海水污染监测预警系统的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种基于海洋遥感图像的海水污染监测预警系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种基于海洋遥感图像的海水污染监测预警系统运行系统的控制中心,利用各种接口和线路连接整个一种基于海洋遥感图像的海水污染监测预警系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种基于海洋遥感图像的海水污染监测预警系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (7)
1.一种基于海洋遥感图像的海水污染监测预警方法,其特征在于,所述方法包括以下步骤:
步骤1,获取海洋遥感数据并提取污染待定河流集合;
步骤2,对污染待定河流集合筛选得到疑似污染区域集合;
步骤3,利用疑似污染区域集合输出污染区域并发出警报信息;
其中,获取海洋遥感数据并提取污染待定河流集合的子步骤为:
步骤1.1,获取目标区域的海洋遥感数据;所述目标区域包括有至少一段陆地海岸线,海岸线上包括至少一条或多条河流入海口,目标区域中至少包括一条或多条河流;海洋遥感数据至少包括目标区域的光谱数据、遥感图像,光谱数据包括光谱图像;
步骤1.2,对目标区域的遥感图像进行边缘检测得到边缘线所划分的图像区域作为河流区域,对河流区域集合Yr里的每个河流区域进行分区获得河流子区域,由所有河流区域构成河流区域集合Yr,Yr={Y1,Y2,Y3,……,Ysn},集合Yr的大小为sn,sn为边缘检测得到的边缘线分割的区域作为的河流区域的数量;
步骤1.3,利用步骤1.1获得的光谱数据分别判断每个河流子区域是否为清澈区域;
步骤1.4,如果一个河流区域有一个或以上河流子区域是非清澈区域,则此河流区域定义为非清澈河流,如果一个河流区域全部子区域是清澈区域,则此河流区域定义为清澈河流,所有非清澈河流构成污染待定河流集合YDr,
YDr={YD1,YD2,YD3,……,YDdn},污染待定河流集合YDr的大小为dn,dn≤sn。
2.根据权利要求1所述的一种基于海洋遥感图像的海水污染监测预警方法,其特征在于,步骤1.2中,对目标区域的遥感图像进行边缘检测得到边缘线所划分的图像区域作为河流区域,对河流区域集合Yr里的每个河流区域进行分区获得河流子区域,由所有河流区域构成河流区域集合的子步骤为:
步骤1.2.1,读取光谱数据,把光谱图像转化为灰度图像,对灰度图像进行高斯滤波和提取轮廓得到边缘线;
步骤1.2.2,依次对步骤1.2.1得到的灰度图像的每个像素进行标记,标记方式为像素的灰度值大于设定的阈值标记为1,像素的灰度值小于设定的阈值标记为0;
步骤1.2.3,对步骤1.2.2得到的经过标记的灰度图像作为标记图像进行平滑边缘得到平滑图像;
步骤1.2.4,以平滑图像的图像矩阵的几何中心点作为锚点,对标记为1的像素利用锚点进行膨胀运算,获得待定河流区域分区图像;以待定河流区域分区图像中各个闭合区间的集合作为分区集合;筛选出分区集合中面积最大的闭合区间作为第一参照区域并将第一参照区域从分区集合中剔除;所述闭合区间为由边缘检测得到的边缘线分割待定河流区域分割图像得到的封闭区域;
步骤1.2.5,计算第一参照区域在遥感图像中相应区域中各个像素值的算术平均值作为参照像素值,计算分区集合中各个闭合区间内部所有像素的平均像素值;筛选出平均像素值小于参照像素值的闭合区间作为参照集合;选出参照集合中面积最大的闭合区间作为第二参照区域;
步骤1.2.6,通过Harris角点检测对第二参照区域进行检测得到多个角点,得到角点集合;将各个角点两两连接从而得到各个角点连线划分得到的新增区域,从而由各个新增区域得到新增区域集合;
步骤1.2.7,扫描新增区域集合中各个新增区域,如果新增区域属于第一参照区域的位置则依次拼接新增区域集合中与当前新增区域位置相邻的新增区域构成待拼接河流区域,并且将当前新增区域标记为河流子区域,待拼接河流区域拼接新增区域集合中与待拼接河流区域位置相邻的新增区域形成新的待拼接河流区域直到待拼接河流区域不存在位置相邻的新增区域,最终将待拼接河流区域作为河流区域;
步骤1.2.8,从而得到标记的河流子区域和由所有河流区域构成河流区域集合。
3.根据权利要求2所述的一种基于海洋遥感图像的海水污染监测预警方法,其特征在于,步骤1.3中,判断每个河流子区域是否为清澈区域的子步骤为:
计算当前河流子区域的清澈系数:
式中,fx为第一波段波长,所述fx的范围为[743nm,753nm],fy为第二波段波长,所述fy的范围为[2105nm,2155nm],fz为第三波段波长,所述fz的范围为[1230nm,1250nm],Agc(fx)为河流子区域在波长fx的在大气顶部经过气体吸收校正的反射比,Ar(fx)为波长fx的瑞利散射反射率,Agc(fz)为河流子区域在波长fz的在大气顶部经过气体吸收校正的反射比,Ar(fz)为波长fz的瑞利散射反射率,D(z,y)为反射系数,exp为以自然常数e为底的指数函数;
其中D(z,y)的算法为:
Agc(fy)为河流子区域在波长fy的在大气顶部经过气体吸收校正的反射比,Ar(fy)为波长fy的瑞利散射反射率;
根据清澈系数判断当前河流子区域是否为清澈区域:如果Ic(fx,fz)>N则判定当前河流子区域为非清澈区域,如果Ic(fx,fz)≤N则判定当前河流子区域是清澈区域,其中,N为所有河流子区域的清澈系数Ic(fx,fz)的算术平均值或者将N设置为1.2。
4.根据权利要求3所述的一种基于海洋遥感图像的海水污染监测预警方法,其特征在于,步骤2中,对污染待定河流集合筛选得到疑似污染区域集合的子步骤为:
步骤2.1,在污染待定河流集合YDr中,选取每个河流区域清澈系数最小的子区域作为污染待定河流基准子区域,组成污染待定河流基准子区域集合YEd,YEd={YE1,YE2,……,YEdn},污染待定河流基准子区域集合YEd的大小为dn,污染待定河流基准子区域集合YEd里的每个子区域分别对应污染待定河流集合YDr的每个非清澈河流,设置记录开始获得海洋遥感数据的时刻为T1;
步骤2.2,初始化变量m为1,以采样间隔Ti获得污染待定河流集合YDr中各个子区域的水污染系数VC;
步骤2.3,设置第一条件:在时刻T1+n×Ti和时刻T1之间第m个污染待定河流中子区域的水污染系数VC增量大于其所在污染待定河流中的污染待定河流基准子区域的水污染系数VC增量,n为设定的监测间隔值;
把符合第一条件的子区域的水污染系数VC增量放入集合DRm,
DRm={DR1,DR2,DR3,……,DRm0},集合DRm表示第m个污染待定河流的符合上述条件的子区域的水污染系数VC增量集合,m0为集合DRm的大小,m0表示有m0个子区域在集合DRm中,对集合DRm按水污染系数VC增量值由大到小排序;
式中,m0为集合DRm的大小,DRu为集合DRm中的第u个数值;
步骤2.5,如果步骤2.4得到的污染增量平均值大于 第m个污染待定河流的污染待定河流基准子区域,并且m0的值大于第m个污染待定河流中所有子区域数量数的30%,则判定第m个污染待定河流有污染倾向,把当前污染待定河流的污染倾向值加1;
步骤2.6,把第m个污染待定河流的污染待定河流基准子区域设置为集合DRm中第一个数值所在的子区域,把T1的值设置为T1+n×Ti,经过设定的时间间隔后,执行步骤1.1到步骤1.4以重新选出污染待定河流集合,并输出所有污染待定河流的污染倾向值构成疑似污染区域集合,否则重新执行步骤2.2到步骤2.6。
5.根据权利要求4所述的一种基于海洋遥感图像的海水污染监测预警方法,其特征在于,步骤2.2中,获得各个子区域的水污染系数VC的子步骤为:
步骤2.2.1,获取各个子区域的遥感图像,对遥感图像进行几何校正和大气校正,融合遥感图像获得高空间分辨率数据;
步骤2.2.2,根据高空间分辨率数据计算每个子区域的水污染系数VC:
式中,hj为子区域的高空间分辨率数据的第j波段的反射率,hi为子区域的高空间分辨率数据的第i波段的反射率,hk为子区域的高空间分辨率数据的第k波段的反射率,Δfij为子区域的高空间分辨率数据的第i波段的中心波长与第j波段的中心波长的差值,Δfjk为子区域的高空间分辨率数据的第j波段的中心波长与高空间分辨率数据的第k波段的中心波长的差值。
6.根据权利要求1所述的一种基于海洋遥感图像的海水污染监测预警方法,其特征在于,步骤3中,利用疑似污染区域集合输出污染区域并发出警报信息的子步骤为步骤3.1,分别选取疑似污染区域集合里每个污染待定河流的污染倾向值,如果在设定的时间区间里污染待定河流的污染倾向值超过设定的阈值,则把当前污染待定河流定义为污染区域,把当前污染待定河流的污染倾向值设置为0;
步骤3.2,输出步骤3.1得到的所有污染区域并发出警报信息,所述警报信息包括污染区域的坐标和污染区域连接的海洋区域。
7.一种基于海洋遥感图像的海水污染监测预警系统,其特征在于
海洋遥感图像模块:用于获取海洋遥感数据并提取污染待定河流集合,海洋遥感图像模块包括海洋水色卫星,所述海洋水色卫星带有中分辨率成像光谱仪MODIS传感器和SeaWiFS传感器;
数据处理模块:用于对海洋遥感图像模块获得的海洋遥感数据进行处理;
污染预警模块:用于对所有污染区域发出警报;
其中,获取海洋遥感数据并提取污染待定河流集合的子步骤为:
步骤1.1,获取目标区域的海洋遥感数据;所述目标区域包括有至少一段陆地海岸线,海岸线上包括至少一条或多条河流入海口,目标区域中至少包括一条或多条河流;海洋遥感数据至少包括目标区域的光谱数据、遥感图像,光谱数据包括光谱图像;
步骤1.2,对目标区域的遥感图像进行边缘检测得到边缘线所划分的图像区域作为河流区域,对河流区域集合Yr里的每个河流区域进行分区获得河流子区域,由所有河流区域构成河流区域集合Yr,Yr={Y1,Y2,Y3,……,Ysn},集合Yr的大小为sn,sn为边缘检测得到的边缘线分割的区域作为的河流区域的数量;
步骤1.3,利用步骤1.1获得的光谱数据分别判断每个河流子区域是否为清澈区域;
步骤1.4,如果一个河流区域有一个或以上河流子区域是非清澈区域,则此河流区域定义为非清澈河流,如果一个河流区域全部子区域是清澈区域,则此河流区域定义为清澈河流,所有非清澈河流构成污染待定河流集合YDr,
YDr={YD1,YD2,YD3,……,YDdn},污染待定河流集合YDr的大小为dn,dn≤sn。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110722560.8A CN113177183B (zh) | 2021-06-29 | 2021-06-29 | 一种基于海洋遥感图像的海水污染监测预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110722560.8A CN113177183B (zh) | 2021-06-29 | 2021-06-29 | 一种基于海洋遥感图像的海水污染监测预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177183A CN113177183A (zh) | 2021-07-27 |
CN113177183B true CN113177183B (zh) | 2021-09-14 |
Family
ID=76927905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110722560.8A Active CN113177183B (zh) | 2021-06-29 | 2021-06-29 | 一种基于海洋遥感图像的海水污染监测预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177183B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114059383A (zh) * | 2021-11-19 | 2022-02-18 | 江苏马克热敏纸品有限公司 | 一种耐晒抑菌热敏纸的制备方法 |
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 |
CN114187531B (zh) * | 2022-02-14 | 2022-05-24 | 广东河海工程咨询有限公司 | 一种遥感的水环境保护及用水管理信息化系统 |
CN114778458A (zh) * | 2022-03-17 | 2022-07-22 | 汕头大学 | 海洋浮游生物的遥感监测方法、装置及可读存储介质 |
CN115035416B (zh) * | 2022-08-10 | 2022-11-22 | 广东广宇科技发展有限公司 | 一种污染水源快速识别方法、系统、电子设备及存储介质 |
CN115097083B (zh) * | 2022-08-25 | 2022-11-18 | 广东银纳增材制造技术有限公司 | 一种喷漆工艺中毒害气体的检测方法及装置 |
CN117115667A (zh) * | 2023-10-23 | 2023-11-24 | 广东碧然美景观艺术有限公司 | 一种基于遥感图像的杂草数据采集方法 |
CN117274827B (zh) * | 2023-11-23 | 2024-02-02 | 江苏国态环保集团有限公司 | 一种智慧环境环保远程实时监测预警方法及系统 |
CN117373024B (zh) * | 2023-12-07 | 2024-03-08 | 潍坊市海洋发展研究院 | 标注图像生成方法、装置、电子设备和计算机可读介质 |
CN117437553B (zh) * | 2023-12-21 | 2024-02-23 | 贵州省环境工程评估中心 | 一种用于入河排污口监测的遥感影像数据处理方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980295A (zh) * | 2010-09-25 | 2011-02-23 | 西北工业大学 | 基于偏度分析的黄河主溜线检测方法 |
CN106353256A (zh) * | 2016-11-10 | 2017-01-25 | 哈尔滨工业大学 | 一种基于多光谱遥感图像的水体藻类污染检测方法 |
CN111398176A (zh) * | 2020-03-13 | 2020-07-10 | 生态环境部卫星环境应用中心 | 基于像元尺度特征的水体水色异常遥感识别方法和装置 |
CN112798540A (zh) * | 2020-12-14 | 2021-05-14 | 浙江易智信息技术有限公司 | 一种基于高分遥感的水体污染源预警系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8395119B2 (en) * | 2009-11-03 | 2013-03-12 | Fahad A. M. I. Alawadi | Airborne/spaceborne oil spill determining system |
-
2021
- 2021-06-29 CN CN202110722560.8A patent/CN113177183B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980295A (zh) * | 2010-09-25 | 2011-02-23 | 西北工业大学 | 基于偏度分析的黄河主溜线检测方法 |
CN106353256A (zh) * | 2016-11-10 | 2017-01-25 | 哈尔滨工业大学 | 一种基于多光谱遥感图像的水体藻类污染检测方法 |
CN111398176A (zh) * | 2020-03-13 | 2020-07-10 | 生态环境部卫星环境应用中心 | 基于像元尺度特征的水体水色异常遥感识别方法和装置 |
CN112798540A (zh) * | 2020-12-14 | 2021-05-14 | 浙江易智信息技术有限公司 | 一种基于高分遥感的水体污染源预警系统 |
Non-Patent Citations (5)
Title |
---|
The Use of Remote Sensing Analysis for Evaluating the Impact of Development Projects in the Yellow Sea Large Marine Ecosystem;Gabriel Sidman et al.;《Sustainability》;20201231;第1-22页 * |
Water Quality and River Plume Monitoring in the Great Barrier Reef: An Overview of Methods Based on Ocean Colour Satellite Data;Michelle J. Devlin et al.;《remote sensing》;20150731;第12909-12941页 * |
基于卫星遥感的珠海-澳门近岸海水污染监测分析;吴虹 等;《测绘科技信息交流论文集》;20071031;第426-429页 * |
山东省资源环境承载力分析;罗公利 等;《青岛科技大学学报(社会科学版)》;20131231;第29卷(第4期);第55-59页 * |
改进的 Harris算法在海洋遥感图像处理中的应用;刘军泉 等;《现代电子技术》;20190915;第42卷(第18期);第95-102页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113177183A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113177183B (zh) | 一种基于海洋遥感图像的海水污染监测预警方法及系统 | |
Zhou et al. | Multiscale water body extraction in urban environments from satellite images | |
Zhao et al. | Mapping large-area tidal flats without the dependence on tidal elevations: A case study of Southern China | |
Gao et al. | MLNet: Multichannel feature fusion lozenge network for land segmentation | |
Klein et al. | Results of the Global WaterPack: A novel product to assess inland water body dynamics on a daily basis | |
Karsli et al. | Spatio-temporal shoreline changes along the southern Black Sea coastal zone | |
Bie et al. | Small water bodies mapped from Sentinel-2 MSI (MultiSpectral Imager) imagery with higher accuracy | |
Chu et al. | Monitoring long-term shoreline dynamics and human activities in the Hangzhou Bay, China, combining daytime and nighttime EO data | |
CN111274918A (zh) | 基于多源遥感影像的河流干涸断流监测方法和装置 | |
Lê et al. | Multiscale framework for rapid change analysis from SAR image time series: Case study of flood monitoring in the central coast regions of Vietnam | |
Yin et al. | Improved PSPNet-based water shoreline detection in complex inland river scenarios | |
Booth et al. | High-precision density mapping of marine debris and floating plastics via satellite imagery | |
Ge et al. | Object-oriented coastline classification and extraction from remote sensing imagery | |
CN115035295A (zh) | 一种基于共享卷积核和边界损失函数的遥感图像语义分割方法 | |
Aziz et al. | Delineating flood zones upon employing synthetic aperture data for the 2020 flood in Bangladesh | |
Xu et al. | Mapping and analyzing the annual dynamics of tidal flats in the conterminous United States from 1984 to 2020 using Google Earth Engine | |
CN114387446A (zh) | 一种高分率遥感影像水体自动提取方法 | |
Ahmed et al. | Deep neural network for oil spill detection using Sentinel-1 data: application to Egyptian coastal regions | |
Zheng et al. | Fanet: A deep learning framework for black and odorous water extraction | |
CN113378642A (zh) | 一种对农村违法占地建筑物进行检测的方法 | |
Zhang et al. | Study of the spatial and temporal distributions of tidal flat surface sediment based on multitemporal remote sensing | |
Thwal et al. | Land cover classification and change detection analysis of multispectral satellite images using machine learning | |
Hamzaoglu et al. | Automatic extraction of highly risky coastal retreat zones using Google earth engine (GEE) | |
CN115424131A (zh) | 一种基于绝对像素的遥感影像云检测最优阈值选取方法、云检测方法及系统 | |
Huang et al. | AFENet: Attention-guided feature enhancement network and a benchmark for low-altitude UAV sewage outfall detection |
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 |