CN113298058A - 基于无人机高光谱图像的水质预测反演方法及系统 - Google Patents

基于无人机高光谱图像的水质预测反演方法及系统 Download PDF

Info

Publication number
CN113298058A
CN113298058A CN202110848561.7A CN202110848561A CN113298058A CN 113298058 A CN113298058 A CN 113298058A CN 202110848561 A CN202110848561 A CN 202110848561A CN 113298058 A CN113298058 A CN 113298058A
Authority
CN
China
Prior art keywords
water quality
image
hyperspectral
unmanned aerial
aerial vehicle
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
CN202110848561.7A
Other languages
English (en)
Inventor
刘梅
原居林
倪蒙
练青平
郭爱环
周聃
顾志敏
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.)
Zhejiang Institute of Freshwater Fisheries
Original Assignee
Zhejiang Institute of Freshwater Fisheries
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 Zhejiang Institute of Freshwater Fisheries filed Critical Zhejiang Institute of Freshwater Fisheries
Priority to CN202110848561.7A priority Critical patent/CN113298058A/zh
Publication of CN113298058A publication Critical patent/CN113298058A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及水质预测领域，特别是一种基于无人机高光谱图像的水质预测反演方法及系统；基于无人机高光谱图像的水质预测反演方法包括如下步骤：获取目标区域的高光谱图像；对所述高光谱图像进行分类，以得到关于所述高光谱图像的水体区域图像和非水体区域图像；根据所述水体区域图像，预测所述目标区域的水质指标。本发明所提出的基于无人机高光谱图像的水质预测反演方法，可以有效实现将高光谱图像与水质指标之间的关系进行分析，其步骤和流程简单，进一步快速协助研究人员开展研究。

Description

基于无人机高光谱图像的水质预测反演方法及系统
技术领域
本申请涉及水质预测领域，特别涉及一种基于无人机高光谱图像的水质预测反演方法及系统。
背景技术
水是生命之源，同时作为生态系统的血液，是人类生存、生产、生活的基础，充足优质的水资源是生态系统得以健康循环的首要条件，然而水资源却极易受到污染，特别是一些内陆水体，由于自然封闭性其污染问题就更加突出，同时水资源作为污染物的载体，具有动态的扩散和蔓延特性，会进一步加剧水体的污染程度。伴随经济的高速发展，人类活动的增强，河道、池塘、河流、湖泊水质污染问题日益严重，已经成为制约可持续发展的关键因素，因此有必要利用高新技术手段展开水质污染问题研究，及时、快速的提供水质状况，保障人们正常的生产生活。
随着无人机技术和高光谱遥感技术的日益成熟，基于无人机高光谱图像平台的高光谱遥感技术得到遥感工作人员的青睐，科研工作者更对其在行业上的应用前景予以众望。伴随着高光谱遥感技术的不断进步，使光谱信息与水质指标的关系得以充分挖掘，水质监测已由定性描述转向定量分析，同时可监测的水质参数也在逐渐增加，反演精度也不断提高，在水资源的保护、规划和可持续发展方面发挥了重大作用。目前无人机搭载成像高光谱仪已在水质检测上被广泛用于监测河道、池塘、水库等小面积水体的悬浮物浓度、浑度、透明度、总磷浓度、总氮浓度、水深、化学需氧量、日生化需氧量、高锰酸钾指数、活性磷、溶解氧、叶绿素a浓度、PH值、重金属含量等水质指标。
传统的水质监测主要是采用实地采样和实验室分析等方法，这种监测方法需要在河道、池塘、水库、河流、湖泊内定点、定剖面进行，通过常年累月的监测、记录和实验室分析，虽然能够达到一定的数据精度，但是不能反映水质的总体时空状况，且费时费力、监测区域有限，只具有局部和典型的代表意义。而在无人机高光谱遥感技术快速发展的今天，研究人员也在不断的尝试利用该新技术来解决当前所面临的境遇，开拓出水质检测的新思路、新方法，为水质实时监控提供解决方案，满足实时、快速、大尺度的监测和评价要求。
现有技术中已经有人利用无人机高光谱成像技术对河湖水质悬浮物、浊度、总氮、总磷和叶绿素a进行了反演，都取得了一定的预测效果。但面对拍摄的高光谱数据，如何有效、快速的分析出光谱与水质指标之间的关系将是迫切需要解决的问题，目前要么借助提供高光谱设备的公司技术人员对数据进行处理，要么借助国外的相关遥感软件（如ENVI）协助研究人员自己分析处理，这些处理方法费时费力，不利于实际中的应用。
发明内容
本申请的实施例是这样实现的：第一方面，本申请提供一种基于无人机高光谱图像的水质预测反演方法，包括如下步骤：获取目标区域的高光谱图像；对所述高光谱图像进行分类，以得到关于所述高光谱图像的水体区域图像和非水体区域图像；根据所述水体区域图像，预测所述目标区域的水质指标。本发明所提出的基于无人机高光谱图像的水质预测反演方法，可以有效实现将高光谱图像与水质指标之间的关系进行分析，其步骤和流程简单，进一步快速协助研究人员开展研究。
可选地，所述基于无人机高光谱图像的水质预测反演方法还包括：检测所述高光谱图像，若所述高光谱图像不是灰度图像，则将所述高光谱图像转化为灰度图像。本发明通过将高光谱图像转换为灰度图像，避免了其是彩色图像包含信息量大，处理速度较慢的缺陷，可以有效提高图像处理的效率。
可选地，所述对所述高光谱图像进行分类，包括：设定一聚类中心数N，设定一初始隶属度矩阵 U；将所述灰度图像输入至所述初始隶属度矩阵U中，得到N个聚类中心，其中N为正整数；设定一目标函数，并根据所述聚类中心计算目标函数的值，若所述目标函数的值小于预设阈值，则结束计算。本发明通过将高光谱图像分类为水体区域图像和非水体区域图像，进而可以实现对水体区域图像针对性得处理，提高水质预测的效率。
可选地，所述对所述高光谱图像进行分类，还包括：更新所述初始隶属度矩阵U，并根据更新后的隶属度矩阵重新计算N个新的聚类中心。
可选地，所述设定一初始隶属度矩阵U包括，需满足如下公式：
Figure 566067DEST_PATH_IMAGE001
；
其中， i为正整数， N表示设置的聚类中心数， D表示所述灰度图像所有像素点的数据集，
Figure 952049DEST_PATH_IMAGE002
表示所述灰度图像的第i个像素点到第j个聚类中心的隶属度。
可选地，所述N个聚类中心，包括根据如下公式对所述聚类中心进行更新：
Figure 466207DEST_PATH_IMAGE003
；
其中，
Figure 454891DEST_PATH_IMAGE004
表示第j个聚类中心的像素值，
Figure 3684DEST_PATH_IMAGE002
表示所述灰度图像的第i个像素点到第j个聚类中心的隶属度， m表示加权指数，
Figure 419622DEST_PATH_IMAGE005
表示所述灰度图像的第i个像素的像素值。
可选地，所述目标函数包括如下公式：
Figure 421076DEST_PATH_IMAGE006
；
其中， U表示隶属度矩阵， V表示聚类中心集， D表示所述灰度图像所有像素点的数据集， N表示设置的聚类中心数， m表示加权指数，
Figure 88818DEST_PATH_IMAGE002
表示所述灰度图像的第i个像素点到第j个聚类中心的隶属度，
Figure 351172DEST_PATH_IMAGE007
表示所述灰度图像的第i个像素点到第j个聚类中心的欧几里德距离。
可选地，所述更新所述初始隶属度矩阵U，包括根据如下公式对所述初始隶属度矩阵U进行更新：
Figure 78957DEST_PATH_IMAGE008
；
其中，
Figure 567707DEST_PATH_IMAGE002
表示所述灰度图像的第i个像素点到第j个聚类中心的隶属度，
Figure 898194DEST_PATH_IMAGE005
表示所述灰度图像的第i个像素的像素值，
Figure 890421DEST_PATH_IMAGE004
表示第j个聚类中心的像素值，
Figure 179320DEST_PATH_IMAGE009
表示第k个聚类中心的像素值， m表示加权指数。
可选地，所述基于无人机高光谱图像的水质预测反演方法还包括：根据所述水质指标对所述目标区域的水质进行反演。
第二方面本发明还提供了一种基于无人机高光谱图像的水质预测反演系统，所述基于无人机高光谱图像的水质预测反演系统包括无人机和后台服务器：所述后台服务器获取所述无人机采集的目标区域的高光谱图像；所述后台服务器对所述高光谱图像进行分类，以得到关于所述高光谱图像的水体区域图像和非水体区域图像；所述后台服务器根据所述水体区域图像，预测所述目标区域的水质指标。本发明所提出的基于无人机高光谱图像的水质预测反演系统，可以有效实现将高光谱图像与水质指标之间的关系进行分析，其系统构成简单，进一步快速协助研究人员开展研究。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举可选实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本申请基于无人机高光谱图像的水质预测反演方法实施例的流程图；
图2是本申请基于无人机高光谱图像的水质预测反演方法实施例的流程图；
图3是本申请对高光谱图像进行分类实施例的示意图；
图4是本申请基于无人机高光谱图像的水质预测反演系统实施例的示意图；
图5是本申请基于无人机高光谱图像的水质预测反演系统实施例的示意图。
具体实施方式
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，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参见图1，本申请提供一种基于无人机高光谱图像的水质预测反演方法，包括如下步骤：
S001、获取目标区域的高光谱图像；
S002、对高光谱图像进行分类，以得到关于高光谱图像的水体区域图像和非水体区域图像；
S003、根据水体区域图像，预测目标区域的水质指标。
本发明所提出的基于无人机高光谱图像的水质预测反演方法，可以有效实现将高光谱图像与水质指标之间的关系进行分析，其步骤和流程简单，进一步快速协助研究人员开展研究。
请参见图2，本申请提供一种基于无人机高光谱图像的水质预测反演方法，包括如下步骤：
S1、获取目标区域的高光谱图像。
在一个可选的实施例中，在获取目标区域的高光谱图像时，可以先控制一无人机飞抵目标区域上空，再控制无人机上搭载的高光谱照相机或者高光谱成像仪对目标区域进行拍摄，完成关于目标区域的高光谱图像的采集。为了数据采集的可靠性，可以在目标区域选取多个图像采集点，在执行拍摄时可以提前规划航线，并选取天气晴朗、云层较少、几乎无风的日期，定时定点进行无人机航空遥感控制，进而获取目标区域的高光谱图像；需要进行说明的是，目标区域可以包括但不限于河道、池塘、水库、河流、湖泊、内陆养殖小区池塘以及尾水处理池水体等区域，此处就不一一进行列举。
在另外一个实施例中，在获取目标区域的高光谱图像时，还可以通过在一移动端来完成高光谱图像的采集，移动端也被称为行动装置、流动装置、手持装置等，可以是一种口袋大小的计算设备，可以包括有一个较小的显示屏幕、触控输入或是小型的键盘。相关的操作员可以通过它随时随地访问获得各种信息。更进一步地，移动端可以包括但不限于智能手机、智能手表、可移动的个人电脑等设备。针对于本发明来说，移动端还可以是专门用于图像获取的智能照相机和摄像机等设备，只要其具有图像获取功能的相关设备即可。
S2、对已经获取的高光谱图像进行预处理。
在一个可选的实施例中，图像预处理主要步骤可以包括但不限于几何校正、大气校正和辐射校正等。需要进行说明的是，在进行几何校正、大气校正和辐射校正的过程中可以采用现有的软件或者来实现，此处就不再赘述。
在另一个可选的实施例中，前述的预处理还可以包括：对图像行数据集划分；由于可能面对几十甚至上百个采样点数据集，合理划分校正集和测试集对建立良好的回归分析模型至关重要。本申请使用了50组水质指标实验数据，需选出其中40组作为校正集，10组作为验证集。为增加数据集划分的合理性，可以利用如下所述的算法实现数据集的划分：
每对样本p和q的X向量的欧氏距离为
Figure 155366DEST_PATH_IMAGE010
，如下式所示：
Figure 899331DEST_PATH_IMAGE011
；
式中p，q∈[1,N]；
Figure 401857DEST_PATH_IMAGE012
和
Figure 205865DEST_PATH_IMAGE013
分别表示光谱数据样本p和q在第j点的波长或波段数。J表示波长数目或光谱的波段数。
每对样本Y向量的距离为
Figure 669207DEST_PATH_IMAGE014
，如下式所示：
Figure 344426DEST_PATH_IMAGE015
；
式中，p，q∈[1,N]；
Figure 311245DEST_PATH_IMAGE016
和
Figure 941947DEST_PATH_IMAGE017
分别表示样本p和q的标准分数，假设X空间与Y空间的权重相同，则X-Y间的距离为
Figure 361427DEST_PATH_IMAGE018
，如下式所示：
Figure 978353DEST_PATH_IMAGE019
；
式中，
Figure 924312DEST_PATH_IMAGE020
和
Figure 601281DEST_PATH_IMAGE021
分别表示X和Y向量距离的最大值。上述方法即根据样本的X-Y联合距离
Figure 632691DEST_PATH_IMAGE022
，按顺序连续选出代表性样本分配给校正集，重复这样的过程直到选出指定样本数目为止。
S3、检测该高光谱图像是否为灰度图像。
在一个可选的实施例中，基于无人机高光谱图像的水质预测反演方法还包括：检测高光谱图像，若高光谱图像不是灰度图像，则将高光谱图像转化为灰度图像。反之，若高光谱图像是灰度图像则可以直接进入下一步骤。本发明通过将高光谱图像转换为灰度图像，避免了其是彩色图像包含信息量大，处理速度较慢的缺陷，可以有效提高图像处理的效率。
S4、对高光谱图像进行分类，以得到关于高光谱图像的水体区域图像和非水体区域图像。
在一个可选的实施例中，请参见图3，对高光谱图像进行分类，最终确定分割阈值，获得水体区域二值图像，如图3中的c所示，白色为水体区域，黑色为非水体区域，具体包括如下步骤：
S41、设定一聚类中心数N；
更进一步地，聚类中心的具体数值可以根据实际需要处理的图像数量来定，此处就不做限定。
S42、设定一初始隶属度矩阵U；
更进一步地，设定一初始隶属度矩阵U包括，需满足如下公式：
Figure 787729DEST_PATH_IMAGE001
；
其中， i为正整数， N表示设置的聚类中心数， D表示所述灰度图像所有像素点的数据集，
Figure 729140DEST_PATH_IMAGE002
表示所述灰度图像的第i个像素点到第j个聚类中心的隶属度。
S43、将灰度图像输入至初始隶属度矩阵U中，得到N个聚类中心，其中N为正整数；
更进一步地，N个聚类中心，包括根据如下公式对所述聚类中心进行更新：
Figure 436065DEST_PATH_IMAGE003
；
其中，
Figure 95717DEST_PATH_IMAGE004
表示第j个聚类中心的像素值，
Figure 54445DEST_PATH_IMAGE002
表示所述灰度图像的第i个像素点到第j个聚类中心的隶属度， m表示加权指数，
Figure 709418DEST_PATH_IMAGE005
表示所述灰度图像的第i个像素的像素值。
S44、设定一目标函数，并根据聚类中心计算目标函数的值，若目标函数的值小于预设阈值，则结束计算。
更进一步地，目标函数包括如下公式：
Figure 462610DEST_PATH_IMAGE006
；
其中， U表示隶属度矩阵， V表示聚类中心集， D表示所述灰度图像所有像素点的数据集， N表示设置的聚类中心数， m表示加权指数，
Figure 734191DEST_PATH_IMAGE002
表示所述灰度图像的第i个像素点到第j个聚类中心的隶属度，
Figure 231032DEST_PATH_IMAGE007
表示所述灰度图像的第i个像素点到第j个聚类中心的欧几里德距离。
S45、更新初始隶属度矩阵U，并根据更新后的隶属度矩阵重新计算N个新的聚类中心。
更进一步地，更新初始隶属度矩阵U，包括根据如下公式对初始隶属度矩阵U进行更新：
Figure 147035DEST_PATH_IMAGE008
；
其中，
Figure 195763DEST_PATH_IMAGE002
表示所述灰度图像的第i个像素点到第j个聚类中心的隶属度，
Figure 564427DEST_PATH_IMAGE005
表示所述灰度图像的第i个像素的像素值，
Figure 864958DEST_PATH_IMAGE004
表示第j个聚类中心的像素值，
Figure 780610DEST_PATH_IMAGE009
表示第k个聚类中心的像素值， m表示加权指数。
通过利用上述公式继续迭代循环，直到结束计算，直至完成对高光谱图像进行分类。本发明通过将高光谱图像分类为水体区域图像和非水体区域图像，进而可以实现对水体区域图像针对性地处理，提高水质预测的效率。
S5、根据水体区域图像，预测目标区域的水质指标。
在一个可选的实施例中，利用分类后的水体区域二值图像，确定高光谱图像中对应的所有水体像素值矢量矩阵
Figure 610026DEST_PATH_IMAGE023
，其中，
Figure 856199DEST_PATH_IMAGE024
为列向量，表示第n个像素的所有波段的光谱反射率值，n为水体区域所有像素个数的总和。根据不同模型所要求的数据变换方法，对每个像素的光谱向量
Figure 960421DEST_PATH_IMAGE024
进行相应变换，将变换后的值作为模型的输入值，用于预测相应水质指标在水体中的浓度含量，依次对所有水体像素进行预测，得到水体区域预测值矩阵
Figure 319858DEST_PATH_IMAGE025
，其中，
Figure 710389DEST_PATH_IMAGE026
为
Figure 53645DEST_PATH_IMAGE024
通过水质参数预测模型预测后的水质指标的预测值。
更进一步地，预测目标区域的水质指标还包括：建立一水质参数预测模型；水质参数预测模型采用决定系数(Coefficient of Determination, R2)、均方根误差(Root MeanSquare Error, RMSE)、相对分析误差(Relative Prediction Deviation, RPD)以及平均绝对误差(Relative Absolute Error, MAE)对比模型稳定性及精度。其中R2越大，说明模型越稳定，一般大于0.8即说明模型稳定。RMSE越小，则模型精度越高。RPD>2.0时表示模型可靠性高，具有极好的预测能力，RPD值介于1.5和2.0之间，表明模型可对样品做粗略估测，水质参数预测模型有待改进，RPD<1.5时，表明模型预测能力差。MAE<20%可用于养殖水质的预测，满足养殖水体水质反演误差要求，其计算公式如下：
Figure 820613DEST_PATH_IMAGE027
；
Figure 565715DEST_PATH_IMAGE028
；
Figure 2513DEST_PATH_IMAGE029
；
Figure 957699DEST_PATH_IMAGE030
；
其中，
Figure 138145DEST_PATH_IMAGE031
表示实测值，
Figure 737753DEST_PATH_IMAGE032
表示预测值，
Figure 470086DEST_PATH_IMAGE033
表示实测值的平均值，n代表样本数量，S D 表示样本观测值方差。
更进一步地，水质参数预测模型的建立可以如下：
在一个可选的实施例中，高光谱影像在提供丰富波谱信息的同时存在数据量大、数据冗余度高的缺点，难免会出现多重共线性问题因此，高光谱图像数据处理的核心步骤是选择适当的数学建模方法建立光谱反射率与样品组分之间的相关性。本发明将获取的光谱反射率与实测水质指标(TSS、TN、TP、CODMn和NH4+-N)进行Pearson相关性分析，然后选择相关性达标的敏感波段分别采用线性函数、指数函数和多项式函数进行拟合，筛选各水质要素最佳反演模型。
本申请可以选择全波段进行机器学习算法建模分析。选择敏感波段函数法和机器学习算法进行建模，其中3种机器学习算法建模原理如下：
偏最小二乘法集成了主成分分析、典型相关分析、多元线性回归的优点，即在一个算法下，可同时实现数据结构简化、两组变量之间的相关性分析以及回归建模。通过将自变量和因变量的高维数据空间投影到相应的低维空间，得到相互正交的特征向量，再建立线性回归模型，不仅克服多重共线性问题，在回归的同时强调自变量对因变量的解释和预测作用，而且能较好地辨识系统信息和噪声。本申请中利用PLS结合波段选择算法，选取有效信息的特征波段可有效降低数据冗余度及共线性问题，缩减水质预测运算时间，因此具有重要的实际价值。
径向基神经网络是近年来应用较广的人工神经网络模型，属于多层前馈神经网络，具有自组织、自学习、知识推理、对大量非结构性、非精确性规律具有自适应功能、信息记忆、高度的鲁棒性和非线性逼近能力以及优化计算等优点。RBF在Matlab中实现，功能函数采用Sigmoid函数。输入向量进入第一隐层的各节点，第一隐层的各节点的输出又被送到第二隐层各神经元，以此类推，直到输出。
支持向量机(Support Vector Machine, SVM)是以统计学习理论为基础、训练误差为约束条件、以结构风险最小化为优化目标的一种专门用来研究有限样本预测的高效机器学习方法。具有较强的泛华能力、较好的鲁棒性以及没有局部最小点的优势，尤其是在对小样本非线性预测时，更加能展现出其最优的性能。本申请SVM采用R语言中的e1017包构建预测模型，使用radial(径向基函数)为核函数，成本函数cost和gamma选择模型中最佳参数。
最后根据模型的相关评价标准筛选各水质要素最佳反演模型，再将最优的监测模型反演到无人机高光谱影像上，分别制作各水质参数的空间分布图。
S6、根据水质指标对目标区域的水质进行反演。
在一个可选的实施例中，可以根据水质指标标准范围的最大值
Figure 522356DEST_PATH_IMAGE034
和最小值
Figure 631126DEST_PATH_IMAGE035
，将其划分为6个区间，每个区间显示颜色分别表示为蓝色、天蓝色、绿色、绿黄色、黄色和红色。用户可以根据自己的需求，对区间数和颜色数分别进行自定义设置，同时也可以调整区间的大小，以达到自己想要的效果。最后对水质指标的预测值矩阵M进行值区间分析，将预测值所在颜色区间的颜色值分别写入图像，展示当前水体中水质指标值的空间分布趋势图，完成对目标区域的水质进行反演。本发明所提出的基于无人机高光谱图像的水质预测反演方法，可以有效实现将高光谱图像与水质指标之间的关系进行分析，其步骤和流程简单，进一步快速协助研究人员开展研究。
请参见图4，第二方面本发明还提供了一种基于无人机高光谱图像的水质预测反演系统，基于无人机高光谱图像的水质预测反演系统包括无人机和后台服务器。
后台服务器获取无人机采集的目标区域的高光谱图像；在一个可选的实施例中，在获取目标区域的高光谱图像时，可以先控制一无人机飞抵目标区域上空，再控制无人机上搭载的高光谱照相机或者高光谱成像仪对目标区域进行拍摄，完成关于目标区域的高光谱图像的采集。为了数据采集的可靠性，可以在目标区域选取多个图像采集点，在执行拍摄时可以提前规划航线，并选取天气晴朗、云层较少、几乎无风的日期，定时定点进行无人机航空遥感控制，进而获取目标区域的高光谱图像；需要进行说明的是，目标区域可以包括但不限于河道、池塘、水库、河流、湖泊、内陆养殖小区池塘以及尾水处理池水体等区域，此处就不一一进行列举。
在另外一个实施例中，在获取目标区域的高光谱图像时，还可以通过在一移动端来完成高光谱图像的采集，移动端也被称为行动装置、流动装置、手持装置等，可以是一种口袋大小的计算设备，可以包括有一个较小的显示屏幕、触控输入或是小型的键盘。相关的操作员可以通过它随时随地访问获得各种信息。更进一步地，移动端可以包括但不限于智能手机、智能手表、可移动的个人电脑等设备。针对于本发明来说，移动端还可以是专门用于图像获取的智能照相机和摄像机等设备，只要其具有图像获取功能的相关设备即可。此外，后台服务器可以包括服务器或者服务器集群，服务器与移动端之间通信连接。
在一个可选的实施例中，后台服务器还用于对已经获取的高光谱图像进行预处理。更进一步地，图像预处理主要步骤可以包括但不限于几何校正、大气校正和辐射校正等。需要进行说明的是，在进行几何校正、大气校正和辐射校正的过程中可以采用现有的软件或者来实现，此处就不再赘述。
在一个可选的实施例中，后台服务器还用于检测高光谱图像，更进一步地，后台服务器检测高光谱图像，若高光谱图像不是灰度图像，则后台服务器将高光谱图像转化为灰度图像。反之，若高光谱图像是灰度图像则可以直接进入下一步骤。本发明通过将高光谱图像转换为灰度图像，避免了其是彩色图像包含信息量大，处理速度较慢的缺陷，可以有效提高图像处理的效率。
后台服务器对高光谱图像进行分类，以得到关于高光谱图像的水体区域图像和非水体区域图像；
在一个可选的实施例中，后台服务器对高光谱图像进行分类，包括：
后台服务器设定一聚类中心数N；
更进一步地，聚类中心的具体数值可以根据实际需要处理的图像数量来定，此处就不做限定。
后台服务器设定一初始隶属度矩阵U；
更进一步地，后台服务器设定一初始隶属度矩阵U包括，需满足如下公式：
Figure 350820DEST_PATH_IMAGE001
；
其中， i为正整数， N表示设置的聚类中心数， D表示所述灰度图像所有像素点的数据集，
Figure 129420DEST_PATH_IMAGE002
表示所述灰度图像的第i个像素点到第j个聚类中心的隶属度。
后台服务器将灰度图像输入至初始隶属度矩阵U中，得到N个聚类中心，其中N为正整数；
更进一步地，N个聚类中心，包括根据如下公式对所述聚类中心进行更新：
Figure 59199DEST_PATH_IMAGE003
；
其中，
Figure 581447DEST_PATH_IMAGE004
表示第j个聚类中心的像素值，
Figure 155648DEST_PATH_IMAGE002
表示所述灰度图像的第i个像素点到第j个聚类中心的隶属度， m表示加权指数，
Figure 232713DEST_PATH_IMAGE005
表示所述灰度图像的第i个像素的像素值。
后台服务器设定一目标函数，并根据聚类中心计算目标函数的值，若目标函数的值小于预设阈值，则结束计算。
更进一步地，目标函数包括如下公式：
Figure 993996DEST_PATH_IMAGE006
；
其中， U表示隶属度矩阵， V表示聚类中心集， D表示所述灰度图像所有像素点的数据集， N表示设置的聚类中心数， m表示加权指数，
Figure 710148DEST_PATH_IMAGE002
表示所述灰度图像的第i个像素点到第j个聚类中心的隶属度，
Figure 873276DEST_PATH_IMAGE007
表示所述灰度图像的第i个像素点到第j个聚类中心的欧几里德距离。
后台服务器更新初始隶属度矩阵U，并根据更新后的隶属度矩阵重新计算N个新的聚类中心。
更进一步地，后台服务器更新初始隶属度矩阵U，包括根据如下公式对初始隶属度矩阵U进行更新：
Figure 259258DEST_PATH_IMAGE008
；
其中，
Figure 898050DEST_PATH_IMAGE002
表示所述灰度图像的第i个像素点到第j个聚类中心的隶属度，
Figure 27680DEST_PATH_IMAGE005
表示所述灰度图像的第i个像素的像素值，
Figure 169948DEST_PATH_IMAGE004
表示第j个聚类中心的像素值，
Figure 992411DEST_PATH_IMAGE009
表示第k个聚类中心的像素值， m表示加权指数。
通过利用上述公式继续迭代循环，直到结束计算，直至完成对高光谱图像进行分类。本发明通过将高光谱图像分类为水体区域图像和非水体区域图像，进而可以实现对水体区域图像针对性地处理，提高水质预测的效率。
后台服务器根据水体区域图像，预测目标区域的水质指标。
在一个可选的实施例中，后台服务器利用分类后的水体区域二值图像，确定高光谱图像中对应的所有水体像素值矢量矩阵
Figure 728285DEST_PATH_IMAGE023
，其中，
Figure 786240DEST_PATH_IMAGE024
为列向量，表示第n个像素的所有波段的光谱反射率值，n为水体区域所有像素个数的总和。根据不同模型所要求的数据变换方法，对每个像素的光谱向量
Figure 658381DEST_PATH_IMAGE024
进行相应变换，将变换后的值作为模型的输入值，用于预测相应水质指标在水体中的浓度含量，依次对所有水体像素进行预测，得到水体区域预测值矩阵
Figure 651745DEST_PATH_IMAGE025
，其中，
Figure 265129DEST_PATH_IMAGE026
为
Figure 470982DEST_PATH_IMAGE024
通过水质参数预测模型预测后的水质指标的预测值。
更进一步地，后台服务器预测目标区域的水质指标之前还包括：建立一水质参数预测模型；水质参数预测模型采用决定系数(Coefficient of Determination, R2)、均方根误差(Root Mean Square Error, RMSE)、相对分析误差(Relative PredictionDeviation, RPD)以及平均绝对误差(Relative Absolute Error, MAE)对比模型稳定性及精度。其中R2越大，说明模型越稳定，一般大于0.8即说明模型稳定。RMSE越小，则模型精度越高。RPD>2.0时表示模型可靠性高，具有极好的预测能力，RPD值介于1.5和2.0之间，表明模型可对样品做粗略估测，水质参数预测模型有待改进，RPD<1.5时，表明模型预测能力差。MAE<20%可用于养殖水质的预测，满足养殖水体水质反演误差要求，其计算公式如下：
Figure 587843DEST_PATH_IMAGE027
；
Figure 752108DEST_PATH_IMAGE028
；
Figure 196996DEST_PATH_IMAGE029
；
Figure 596753DEST_PATH_IMAGE030
；
其中，
Figure 709066DEST_PATH_IMAGE031
表示实测值，
Figure 778653DEST_PATH_IMAGE032
表示预测值，
Figure 98120DEST_PATH_IMAGE033
表示实测值的平均值，n代表样本数量，S D 表示样本观测值方差。
请参见图5，图5示出了一种水质预测反演系统，其中，水质参数预测模型的建立可以如下：
在一个可选的实施例中，高光谱影像在提供丰富波谱信息的同时存在数据量大、数据冗余度高的缺点，难免会出现多重共线性问题因此，高光谱图像数据处理的核心步骤是选择适当的数学建模方法建立光谱反射率与样品组分之间的相关性。本发明将获取的光谱反射率与实测水质指标(TSS、TN、TP、CODMn和NH4+-N)进行Pearson相关性分析，然后选择相关性达标的敏感波段分别采用线性函数、指数函数和多项式函数进行拟合，筛选各水质要素最佳反演模型。
本申请可以选择全波段进行机器学习算法建模分析。选择敏感波段函数法和机器学习算法进行建模，其中3种机器学习算法建模原理如下：
偏最小二乘法集成了主成分分析、典型相关分析、多元线性回归的优点，即在一个算法下，可同时实现数据结构简化、两组变量之间的相关性分析以及回归建模。通过将自变量和因变量的高维数据空间投影到相应的低维空间，得到相互正交的特征向量，再建立线性回归模型，不仅克服多重共线性问题，在回归的同时强调自变量对因变量的解释和预测作用，而且能较好地辨识系统信息和噪声。本申请中利用PLS结合波段选择算法，选取有效信息的特征波段可有效降低数据冗余度及共线性问题，缩减水质预测运算时间，因此具有重要的实际价值。
径向基神经网络是近年来应用较广的人工神经网络模型，属于多层前馈神经网络，具有自组织、自学习、知识推理、对大量非结构性、非精确性规律具有自适应功能、信息记忆、高度的鲁棒性和非线性逼近能力以及优化计算等优点。RBF在Matlab中实现，功能函数采用Sigmoid函数。输入向量进入第一隐层的各节点，第一隐层的各节点的输出又被送到第二隐层各神经元，以此类推，直到输出。
支持向量机(Support Vector Machine, SVM)是以统计学习理论为基础、训练误差为约束条件、以结构风险最小化为优化目标的一种专门用来研究有限样本预测的高效机器学习方法。具有较强的泛华能力、较好的鲁棒性以及没有局部最小点的优势，尤其是在对小样本非线性预测时，更加能展现出其最优的性能。本申请SVM采用R语言中的e1017包构建预测模型，使用radial(径向基函数)为核函数，成本函数cost和gamma选择模型中最佳参数。
最后根据模型的相关评价标准筛选各水质要素最佳反演模型，再将最优的监测模型反演到无人机高光谱影像上，分别制作各水质参数的空间分布图。
后台服务器根据水质指标对目标区域的水质进行反演。
在一个可选的实施例中，该后台服务器根根据水质指标标准范围的最大值
Figure 645776DEST_PATH_IMAGE034
和最小值
Figure 2808DEST_PATH_IMAGE035
，将其划分为6个区间，每个区间显示颜色分别表示为蓝色、天蓝色、绿色、绿黄色、黄色和红色。用户可以根据自己的需求，对区间数和颜色数分别进行自定义设置，同时也可以调整区间的大小，以达到自己想要的效果。最后对水质指标的预测值矩阵M进行值区间分析，将预测值所在颜色区间的颜色值分别写入图像，展示当前水体中水质指标值的空间分布趋势图，完成对目标区域的水质进行反演。本发明所提出的基于无人机高光谱图像的水质预测反演系统，可以有效实现将高光谱图像与水质指标之间的关系进行分析，其系统构成简单，进一步快速协助研究人员开展研究。
在一个可选的实施例中，发明所提出的基于无人机高光谱图像的水质预测反演系统是MDI多视图界面，菜单栏中的“File”菜单下包括“Open”打开高光谱图像、“CLose”关闭当前高光谱图像和“Exit”退出系统；“基本操作”菜单下包括“标记采样点”和“关闭标记采样点”的开与关两个操作，以及“保存采样点光谱反射率值”、“水体提取”、“反演浓度分布图”等功能；菜单栏中的“数据处理”菜单下包括“回归分析”操作。
在一个可选的实施例中，系统的功能实现包括：打开“标记采样点”开关后，鼠标移至图像区域会变为十字形，其他区域为手型。左键点击图像可标记实际采样点的位置，右键点击可取消已标记的上一采样点，标记完所有采样点后可点击“取消标记采样点”关闭鼠标左右健功能，鼠标形状变为手型。“保存采样点光谱反射率值”用于将已在图像上标记的采样点处的光谱反射率值导出到TXT文件中。
“高光谱图像水体区域提取”用于提取高光谱图像中的水体区域，保存水体区域对应的二值图像；充分利用水体区域在绿光波段和近红外波段反射率的强反射和强吸收特性，用归一化差异水体指标增强水体与周围非水体目标的差异，利用模糊C-Means分类方法实现水体的分类，并提取出水体的区域轮廓。
“反演浓度分布图”主要是利用已训练的水质模型对整个高光谱图像的水体区域进行预测反演，对反演值区间进行划分并指定颜色，进行可视化显示，呈现水质指标在水体中的总体浓度分布图。基于PCA模型对水体TN指标的浓度反演。
菜单栏中的“数据处理”菜单下包括“回归分析”功能，支持采样点对应光谱数据和水质指标实测数据的导入；支持光谱特征波段与指标实测值的相关性分析；集成了多种常用水质指标，默认显示“总氮（TN）”，集成多种光谱波段分析方法，默认显示“单波段”；集成了多种常用回归分析模型，包括PLS、PCF、RBF、MLP和SVM等，并支持模型的训练及模型的保存和测试等。
本发明提出的水质反演预测系统是一款单机版应用软件，在软件开发过程中每开发完成一个功能都做相应的单元测试，确保所实现的功能模块的正确性及可行性；系统开发完成后根据实际需求，对每个功能（如标记采样点、保存采样点光谱反射率值、水体提取、水质指标浓度反演等）做了功能性测试，以保证软件各项功能能实现预期的效果，完成水质预测反演的整个操作流程，达到完全界面化的操作需求。
在分析研究相关研究人员需求的基础上，开发设计了一套基于无人机高光谱图像高光谱技术的水质预测反演系统，为无人机高光谱技术在水质预测方面的应用研究提供了一款有效的工具，为实时预测反演水质指标提供了可视化的操作界面、为快速处理高光谱数据降低了门槛。
在本发明的一个可选的实施例中所示出的一种基于无人机高光谱图像的水质预测反演装置，包括：
处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如本发明中基于无人机高光谱图像的水质预测反演方法任意实施例方法的步骤。
应当理解，在本发明实施例中，所称存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储有设备类型的相关信息。
处理器用于运行或执行被存储在内部存储器中的操作系统，各种软件程序，以及自身的指令集，并用于处理来自于触摸式输入装置或自其它外部输入途径接收到的数据和指令，以实现各种功能。处理器可以包括但不限于中央处理器、通用图像处理器、微处理器、数字信号处理器、现场可编程逻辑门阵列，应用专用集成电路中的一种或多种。在一些实施例中，处理器和存储器可在单个芯片上实现。在一些其他实施方案中，它们可分别在彼此独立的芯片上实现。
输入设备可以是摄像头等，摄像头又称为电脑相机、电脑眼以及电子眼等，是一种视频驶入设备，输入设备还可以包括数字键盘或机械键盘等触摸式输入装置；所述输出设备可以包括但不限于显示器等。
本发明的又一个实施例示出的计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行本发明基于无人机高光谱图像的水质预测反演方法实施的任意步骤。
其中，所述计算机可读存储介质可包括缓存、高速随机存取存储器，例如常见的双倍数据率同步动态随机存取内存，并且还可包括非易失性存储器，诸如一个或多个只读存储器、磁盘存储设备、闪存存储器设备、或其他非易失性固态存储器设备例如光盘，软盘或数据磁带等。
至此，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备和介质类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可，这里就不再一一赘述。
在本公开的各种实施方式中所使用的表述“第一”、“第二”、“第一”或“第二”可修饰各种部件而与顺序和/或重要性无关，但是这些表述不限制相应部件。以上表述仅配置为将元件与其它元件区分开的目的。例如，第一用户设备和第二用户设备表示不同的用户设备，虽然两者均是用户设备。例如，在不背离本公开的范围的前提下，第一元件可称作第二元件，类似地，第二元件可称作第一元件。
当一个元件(例如，第一元件)称为与另一元件(例如，第二元件)“(可操作地或可通信地)联接”或“(可操作地或可通信地)联接至”另一元件(例如，第二元件)或“连接至”另一元件(例如，第二元件)时，应理解为该一个元件直接连接至该另一元件或者该一个元件经由又一个元件(例如，第三元件)间接连接至该另一个元件。相反，可理解，当元件(例如，第一元件)称为“直接连接”或“直接联接”至另一元件(第二元件)时，则没有元件(例如，第三元件)插入在这两者之间。
以上描述仅为本申请的可选实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
以上仅为本申请的可选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种基于无人机高光谱图像的水质预测反演方法，其特征在于，包括如下步骤：
获取目标区域的高光谱图像；
对所述高光谱图像进行分类，以得到关于所述高光谱图像的水体区域图像和非水体区域图像；
所述对所述高光谱图像进行分类包括：
设定一聚类中心数N；
设定一初始隶属度矩阵U；
将灰度图像输入至所述初始隶属度矩阵U中，得到N个聚类中心，其中N为正整数；
设定一目标函数，并根据所述聚类中心点计算目标函数的值，若所述目标函数的值小于预设阈值，则结束计算；
根据所述水体区域图像，预测所述目标区域的水质指标。
2.根据权利要求1所述的基于无人机高光谱图像的水质预测反演方法，其特征在于，所述基于无人机高光谱图像的水质预测反演方法还包括：
检测所述高光谱图像，若所述高光谱图像不是灰度图像，则将所述高光谱图像转化为灰度图像。
3.根据权利要求1所述的基于无人机高光谱图像的水质预测反演方法，其特征在于，所述对所述高光谱图像进行分类，还包括：
更新所述初始隶属度矩阵U，并根据更新后的隶属度矩阵重新计算N个新的聚类中心。
4.根据权利要求1所述的基于无人机高光谱图像的水质预测反演方法，其特征在于，所述设定一初始隶属度矩阵 U包括，需满足如下公式：
Figure 49191DEST_PATH_IMAGE001
；
其中，i为正整数， N表示设置的聚类中心数， D表示所述灰度图像所有像素点的数据集，
Figure 700752DEST_PATH_IMAGE002
表示所述灰度图像的第i个像素点到第j个聚类中心的隶属度。
5.根据权利要求1所述的基于无人机高光谱图像的水质预测反演方法，其特征在于，所述N个聚类中心，包括根据如下公式对所述聚类中心进行更新：
Figure 838079DEST_PATH_IMAGE003
；
其中，
Figure 702130DEST_PATH_IMAGE004
表示第j个聚类中心的像素值，
Figure 250923DEST_PATH_IMAGE002
表示所述灰度图像的第i个像素点到第j个聚类中心的隶属度， m表示加权指数，
Figure 932440DEST_PATH_IMAGE005
表示所述灰度图像的第i个像素的像素值。
6.根据权利要求1所述的基于无人机高光谱图像的水质预测反演方法，其特征在于，所述目标函数包括如下公式：
Figure 668315DEST_PATH_IMAGE006
；
其中， U表示隶属度矩阵， V表示聚类中心集， D表示所述灰度图像所有像素点的数据集， N表示设置的聚类中心数， m表示加权指数，
Figure 601635DEST_PATH_IMAGE002
表示所述灰度图像的第i个像素点到第j个聚类中心的隶属度，
Figure 863990DEST_PATH_IMAGE007
表示所述灰度图像的第i个像素点到第j个聚类中心的欧几里德距离。
7.根据权利要求3所述的基于无人机高光谱图像的水质预测反演方法，其特征在于，所述更新所述初始隶属度矩阵U，包括根据如下公式对所述初始隶属度矩阵U进行更新：
Figure 591774DEST_PATH_IMAGE008
；
其中，
Figure 80524DEST_PATH_IMAGE002
表示所述灰度图像的第i个像素点到第j个聚类中心的隶属度，
Figure 676591DEST_PATH_IMAGE005
表示所述灰度图像的第i个像素的像素值，
Figure 668817DEST_PATH_IMAGE004
表示第j个聚类中心的像素值，
Figure 833083DEST_PATH_IMAGE009
表示第k个聚类中心的像素值，m表示加权指数。
8.根据权利要求1-7中任意一项所述的基于无人机高光谱图像的水质预测反演方法，其特征在于，所述基于无人机高光谱图像的水质预测反演方法还包括：
根据所述水质指标对所述目标区域的水质进行反演。
9.一种基于无人机高光谱图像的水质预测反演系统，所述基于无人机高光谱图像的水质预测反演系统，适用于权利要求1-8中任意一项所述的基于无人机高光谱图像的水质预测反演方法，所述基于无人机高光谱图像的水质预测反演系统包括无人机和后台服务器，其特征在于：
所述后台服务器获取所述无人机采集的目标区域的高光谱图像；
所述后台服务器对所述高光谱图像进行分类，以得到关于所述高光谱图像的水体区域图像和非水体区域图像；
所述后台服务器对所述高光谱图像进行分类包括：
所述后台服务器设定一聚类中心数N；
所述后台服务器设定一初始隶属度矩阵；
所述后台服务器将灰度图像输入至所述初始隶属度矩阵中，得到N个聚类中心，其中N为正整数；
所述后台服务器设定一目标函数，并根据所述聚类中心计算目标函数的值，若所述目标函数的值小于预设阈值，则结束计算；
所述后台服务器根据所述水体区域图像，预测所述目标区域的水质指标。
CN202110848561.7A 2021-07-27 2021-07-27 基于无人机高光谱图像的水质预测反演方法及系统 Pending CN113298058A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110848561.7A CN113298058A (zh) 2021-07-27 2021-07-27 基于无人机高光谱图像的水质预测反演方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110848561.7A CN113298058A (zh) 2021-07-27 2021-07-27 基于无人机高光谱图像的水质预测反演方法及系统

Publications (1)

Publication Number Publication Date
CN113298058A true CN113298058A (zh) 2021-08-24

Family

ID=77331115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110848561.7A Pending CN113298058A (zh) 2021-07-27 2021-07-27 基于无人机高光谱图像的水质预测反演方法及系统

Country Status (1)

Country Link
CN (1) CN113298058A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916808A (zh) * 2021-09-02 2022-01-11 自然资源部第二海洋研究所 一种营养盐浓度的获得方法、装置、终端设备及存储介质
CN114112906A (zh) * 2021-10-12 2022-03-01 中通服咨询设计研究院有限公司 一种基于无人机低空遥感和局部地形的水体特征提取系统
CN114578011A (zh) * 2022-03-07 2022-06-03 上海蓝长科技集团有限公司 一种基于多传感器多源数据融合的水质监测方法
CN114993965A (zh) * 2022-05-13 2022-09-02 中煤嘉沣(湖南)环保科技有限责任公司 一种污染源自动识别方法以及系统
CN115424134A (zh) * 2022-08-26 2022-12-02 南方海洋科学与工程广东省实验室(广州) 一种基于遥感影像的污染入海通量预测方法以及装置
CN115963066A (zh) * 2022-12-30 2023-04-14 江苏海洋大学 一种陆基鱼塘养殖水质光谱检测方法、装置及计算机设备
CN117723497A (zh) * 2024-02-08 2024-03-19 上海阿夸斯科技有限公司 一种智能随动水质监测系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0938631A (ja) * 1995-07-26 1997-02-10 Hitachi Ltd リモートセンシング応用広域水圏監視システム
CN109389062A (zh) * 2018-09-14 2019-02-26 河南大学 利用高分辨率星载sar图像提取湖泊水陆分割线的方法
CN111597756A (zh) * 2020-05-08 2020-08-28 浙江农林大学 一种基于无人机多光谱数据的水质参数反演方法
CN112051222A (zh) * 2020-08-30 2020-12-08 山东锋士信息技术有限公司 一种基于高分卫星影像的河湖水质监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0938631A (ja) * 1995-07-26 1997-02-10 Hitachi Ltd リモートセンシング応用広域水圏監視システム
CN109389062A (zh) * 2018-09-14 2019-02-26 河南大学 利用高分辨率星载sar图像提取湖泊水陆分割线的方法
CN111597756A (zh) * 2020-05-08 2020-08-28 浙江农林大学 一种基于无人机多光谱数据的水质参数反演方法
CN112051222A (zh) * 2020-08-30 2020-12-08 山东锋士信息技术有限公司 一种基于高分卫星影像的河湖水质监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙艳霞: "基于矢量约束与面向对象图像分析的高分辨率遥感水体信息提取技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916808A (zh) * 2021-09-02 2022-01-11 自然资源部第二海洋研究所 一种营养盐浓度的获得方法、装置、终端设备及存储介质
CN113916808B (zh) * 2021-09-02 2022-05-27 自然资源部第二海洋研究所 一种营养盐浓度的获得方法、装置、终端设备及存储介质
CN114112906A (zh) * 2021-10-12 2022-03-01 中通服咨询设计研究院有限公司 一种基于无人机低空遥感和局部地形的水体特征提取系统
CN114112906B (zh) * 2021-10-12 2023-11-17 中通服咨询设计研究院有限公司 一种基于无人机低空遥感和局部地形的水体特征提取系统
CN114578011A (zh) * 2022-03-07 2022-06-03 上海蓝长科技集团有限公司 一种基于多传感器多源数据融合的水质监测方法
CN114993965A (zh) * 2022-05-13 2022-09-02 中煤嘉沣(湖南)环保科技有限责任公司 一种污染源自动识别方法以及系统
CN114993965B (zh) * 2022-05-13 2023-04-18 中煤嘉沣(湖南)环保科技有限责任公司 一种污染源自动识别方法以及系统
CN115424134A (zh) * 2022-08-26 2022-12-02 南方海洋科学与工程广东省实验室(广州) 一种基于遥感影像的污染入海通量预测方法以及装置
CN115424134B (zh) * 2022-08-26 2024-04-09 南方海洋科学与工程广东省实验室(广州) 一种基于遥感影像的污染入海通量预测方法以及装置
CN115963066A (zh) * 2022-12-30 2023-04-14 江苏海洋大学 一种陆基鱼塘养殖水质光谱检测方法、装置及计算机设备
CN117723497A (zh) * 2024-02-08 2024-03-19 上海阿夸斯科技有限公司 一种智能随动水质监测系统
CN117723497B (zh) * 2024-02-08 2024-04-26 上海阿夸斯科技有限公司 一种智能随动水质监测系统

Similar Documents

Publication Publication Date Title
CN113298058A (zh) 基于无人机高光谱图像的水质预测反演方法及系统
Zhou et al. BOMSC-Net: Boundary optimization and multi-scale context awareness based building extraction from high-resolution remote sensing imagery
CN112597815B (zh) 一种基于Group-G0模型的合成孔径雷达图像舰船检测方法
CN112818903A (zh) 一种基于元学习和协同注意力的小样本遥感图像目标检测方法
CN111860351B (zh) 一种基于行列自注意力全卷积神经网络的遥感图像鱼塘提取方法
WO2024060416A1 (zh) 一种病理图像的端到端弱监督语义分割标注方法
CN113011397B (zh) 基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法
Cao et al. Precipitation nowcasting with star-bridge networks
Dai et al. DFN-PSAN: Multi-level deep information feature fusion extraction network for interpretable plant disease classification
CN110930378A (zh) 基于低数据需求的肺气肿影像处理方法及系统
CN113688787A (zh) 花生叶片病害识别方法
Zhang et al. A precise apple leaf diseases detection using BCTNet under unconstrained environments
CN111079807A (zh) 一种地物分类方法及装置
CN115587964A (zh) 一种基于熵筛选的伪标签交叉一致性变化检测方法
CN115409804A (zh) 一种乳腺磁共振影像的病灶区域识别标注及疗效预测方法
CN115146844A (zh) 一种基于多任务学习的多模式交通短时客流协同预测方法
CN113569726B (zh) 一种联合自动数据增广和损失函数搜索的行人检测方法
Zhang et al. MCHA-Net: A multi-end composite higher-order attention network guided with hierarchical supervised signal for high-resolution remote sensing image change detection
Luo et al. RBD-Net: robust breakage detection algorithm for industrial leather
Liang et al. Multi-perspective feature collaborative perception learning network for non-destructive detection of pavement defects
Mao et al. DAE-Mask: a novel deep-learning-based automatic detection model for in-field wheat diseases
CN116597503A (zh) 一种基于时空特征的课堂行为检测方法
CN116342628A (zh) 病理图像分割方法、装置和计算机设备
Wang et al. Strawberry ripeness classification method in facility environment based on red color ratio of fruit rind
Zhao et al. Recognition and Classification of Concrete Cracks under Strong Interference Based on Convolutional Neural Network.

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: 20210824

RJ01 Rejection of invention patent application after publication