CN113340825A - 一种在高浊度背景干扰下叶绿素a浓度的测算方法 - Google Patents
一种在高浊度背景干扰下叶绿素a浓度的测算方法 Download PDFInfo
- Publication number
- CN113340825A CN113340825A CN202110669953.7A CN202110669953A CN113340825A CN 113340825 A CN113340825 A CN 113340825A CN 202110669953 A CN202110669953 A CN 202110669953A CN 113340825 A CN113340825 A CN 113340825A
- Authority
- CN
- China
- Prior art keywords
- water body
- chlorophyll
- turbidity
- remote sensing
- reflectivity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- 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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于生态环境监测技术领域,具体涉及一种在高浊度背景干扰下叶绿素a浓度的测算方法,首先采用地基高光谱成像仪获得影像数据,用遥感图像处理软件处理影像数据以得到反演遥感反射率的三个参量,从而得到反射率曲线,然后利用反射率曲线构建浑浊度识别的检测参量,若是低浊度或者清澈水体则直接用三波段法反演出叶绿素a的浓度;若是中度或者高度浑浊水体,则根据反射率曲线构建辨别目标水体是否存在水华的光谱参量,从而在不同物质主导水体的背景下,用不同的方法分别反演出叶绿素a的浓度,从而使得叶绿素a浓度的测算更加准确。
Description
技术领域
本发明属于生态环境监测技术领域,具体涉及一种在高浊度背景干扰下叶绿素a浓度的测算方法。
背景技术
叶绿素是植物光合作用中重要的光合色素,它可以将阳光转变成能量。它存在于植物细胞内的叶绿体中,反射绿光并吸收红光和蓝光,使植物呈现绿色,叶绿素a是浮游植物或藻类植物中最丰富的色素,也是藻类浓度、种类等的重要指示因素,因此检测藻类中的叶绿素a浓度是水环境遥感主要的监测项目之一,也是反映水体富营养化程度的一个重要参数指标。
传统的叶绿素a的提取方法为实地采样,该方法不仅耗时、耗人力、工作量大,而且不能大范围的推衍叶绿素a的浓度,然而遥感技术却能够大范围、高效、低成本的对叶绿素a进行测量和监测,所以目前研究者们倾向于用遥感技术来提取叶绿素a的浓度,因为1类水体的光学特性主要是由浮游植物决定的,于是运用蓝-绿波段比算法能够将1类水体(大洋开阔型水体)中的叶绿素a的浓度估算出来,但是2类水体(近岸、河口等水体)的光学特性非常复杂,并由浮游植物、非藻类颗粒和有色可溶性有机物等共同决定,于是在2类水体中蓝-绿波段比算法不适合用来计算叶绿素a的浓度。
针对2类水体复杂的光学特性,很多的叶绿素a估算算法被发明出来,这些算法主要使用红波段和近红外波段的比值,但是这些算法在不同的研究中算法的精确度有很大的差异,为了弥补这个缺点,研究者们提出了三波段算法和四波段算法,然而改善后的算法也有一定的限制,对于高浊度的水体,这些算法对叶绿素a浓度估算的准确度将大大下降,因此便不再适用于高浊度干扰背景下的叶绿素a浓度的提取。
发明内容
本发明的目的是:旨在提供一种高浊度干扰背景下叶绿素a的测算方法,通过高光谱成像仪构建出在高浊度背景下表征叶绿素a的光谱参量,从而在不同的情况下准确的测算叶绿素a的浓度。
为实现上述技术目的,本发明采用的技术方案如下:
一种在高浊度背景干扰下叶绿素a浓度的测算方法,包括设于目标水体的地基高光谱成像仪,该方法包括以下步骤:
S1:首先利用遥感图像处理软件,对地基高光谱成像仪采集得到的影像数据进行处理,分别提取出计算遥感反射率的三个参量Lp、Lsky、Lw;
S2:利用已提取出的三个参量,构建敏感波长的反射率曲线;
S3:利用步骤S2中构建出的敏感波长反射率曲线,提取特定波长的遥感反射率,并构建判断水体浑浊度的检测参数;
S4:利用该检测参数对目标水体的浑浊度进行判断,若水体属于清澈或低浑浊度水体则转至步骤S5,否则转至步骤S6;
S5:若目标水体经步骤S4判断后为清澈或低浑浊度水体,则利用敏感波长的遥感反射率数据,反演出叶绿素a的浓度;
S6:若目标水体经过步骤S4判断后为中度或高度浑浊水体,则利用敏感波长的遥感反射率数据,并构建判断是否存在水华现象的检测参数;
S7:利用步骤S6中的检测参数,判断目标水体是否存在水华现象,如存在则转至步骤S8,反之则转至步骤S9;
S8:若目标水体存在水华现象,则利用敏感波长的遥感反射率数据,构建在浮游植物主导下表征叶绿素a的光谱参量,并利用该参量反演出叶绿素a的浓度;
S9:若目标水体不存在水华现象,则利用敏感波长的遥感反射率数据,构建在悬浮颗粒物主导下表征叶绿素a的光谱参量,并利用该参量反演出叶绿素a的浓度。
其中,所述步骤S1中提取的三个参量分别为标准板测量值Lp、天空漫散射光Lsky、离水辐亮度Lw,具体提取方法如下:
Lp:使用遥感图像处理软件打开对地基高光谱成像仪采集得到的影像数据源文件,选取任意一端波段形成监测区域影像,将该影像中的整个白板选取为感兴趣区域,利用ROI工具读取出该感兴趣区域的最大值,形成各个波段的标准板测量最大值集合,并将其以text文档形式导出保存。
Lsky:使用遥感图像处理软件打开对地基高光谱成像仪采集得到的影像数据源文件,选取任意一波段形成监测区域影像,选取该影像中最远处天空做为感兴趣区域,并利用ROI工具读取出该感兴趣区域的平均值,形成包含各个波段的光谱曲线,并将其同样以text文档形式导出保存。
Lw:使用遥感图像处理软件打开对地基高光谱成像仪采集得到的影像数据源文件,选取任意一波段形成监测区域影像,从目标水域中选择无白帽、无波纹、无倒影、无船只的水体做为感兴趣区域,同样利用ROI工具读取出该感兴趣区域的平均值,形成包含各个波段的光谱曲线,并将其同样以text文档形式导出保存。
其中,所述步骤S2的具体步骤为,将步骤S1得到的三种参数数据导入Excel表格中,并进行通过如下两步计算形成敏感波长的反射率曲线:
其中,ρp为标准板的反射率,Ed(0+)表示水表面入射总辐照度,ρ表示气—水界面对天空光的反射率。
其中,所述步骤S3所提取的特定波长的遥感反射率Rrs(λa)和Rrs(λb),其对应波长为λa和λb,构建的判断水体浑浊度的检测参数为水面浑浊度指数SWTI,SWTI公式如下:
其中,所述步骤S4中的判断标准范围为:清澈水体:SWTI≤5;低浑浊度水体:5<SWTI≤15;中浑浊度水体:15<SWTI≤30;高浑浊度水体:30<SWTI。
其中,所述步骤S5中的测算方法为:首先利用步骤S2中得到的敏感波长反射率曲线,得到敏感波长的遥感反射率Rrs(λc)和Rrs(λd),其对应波长为λc和λd,最后利用三波段算法反演算出叶绿素a的浓度,三波段算法公式如下:
其中,所述步骤S6中的测算方法为:首先利用步骤S2中得到的敏感波长反射率曲线,得到敏感波长的遥感反射率Rrs(λe)和Rrs(λf),其对应波长为λe和λf,然后构建检测参数,其中检测参数为归一化差异峰谷指数NDPI,NDPI计算公式如下:
其中,所述步骤S7中,首先设定水华现象的阈值参数,然后利用步骤S6中的检测参数与阈值进行对比。
其中,所述步骤S9中构建在浮游植物主导下表征叶绿素a的光谱参量为Hc,Hc计算公式如下:
所述步骤S8中构建在悬浮颗粒物主导下表征叶绿素a的光谱参量为CHI,CHI计算公式如下:
n1:CHI=Hc-Hm
其中Rrs(λ1)、Rrs(λ2)、Rrs(λ3)、Rrs(λ4)为通过步骤S2的敏感波长反射率曲线,得到敏感波长的遥感反射率,其对应的波长为λ1、λ2、λ3、λ4,最后利用反演公式反演出叶绿素a的浓度。
这样通过对地基高光谱成像仪采集的数据进行处理,再通过处理后得到的参量和提取特定波长的遥感反射率来判断水体浑浊度,进而对水体进行初步分类避免水体的浑浊度影响测试的准确性,在判断水体浑浊度后,进一步对造成水体浑浊度的原因进行判别,从而根据水体不同的浑浊度以及造成浑浊度的因素,构建不同的表征叶绿素a的光谱参量并对测算参数进行纠正,从而通过反演得到不同时期水体的叶绿素a的浓度,进而为水环境监测和判断水体富营养化程度提供重要的参数指标。
附图说明
本发明可以通过附图给出的非限定性实施例进一步说明。
图1为本发明实施例的测算流程示意图。
具体实施方式
为了使本领域的技术人员可以更好地理解本发明,下面结合附图和实施例对本发明技术方案进一步说明。
如图所示,一种在高浊度背景干扰下叶绿素a浓度的测算方法,包括设于目标水体的地基高光谱成像仪,该方法包括以下步骤:
S1:首先利用遥感图像处理软件,对地基高光谱成像仪采集得到的影像数据进行处理,分别提取出计算遥感反射率的三个参量Lp、Lsky、Lw;
S2:利用已提取出的三个参量,构建敏感波长的反射率曲线;
S3:利用步骤S2中构建出的敏感波长反射率曲线,提取特定波长的遥感反射率,并构建判断水体浑浊度的检测参数;
S4:利用该检测参数对目标水体的浑浊度进行判断,若水体属于清澈或低浑浊度水体则转至步骤S5,否则转至步骤S6;
S5:若目标水体经步骤S4判断后为清澈或低浑浊度水体,则利用敏感波长的遥感反射率数据,反演出叶绿素a的浓度;
S6:若目标水体经过步骤S4判断后为中度或高度浑浊水体,则利用敏感波长的遥感反射率数据,并构建判断是否存在水华现象的检测参数;
S7:利用步骤S6中的检测参数,判断目标水体是否存在水华现象,如存在则转至步骤S8,反之则转至步骤S9;
S8:若目标水体存在水华现象,则利用敏感波长的遥感反射率数据,构建在浮游植物主导下表征叶绿素a的光谱参量,并利用该参量反演出叶绿素a的浓度;
S9:若目标水体不存在水华现象,则利用敏感波长的遥感反射率数据,构建在悬浮颗粒物主导下表征叶绿素a的光谱参量,并利用该参量反演出叶绿素a的浓度。
在本实施例中,地基高光谱成像仪的传感器为CMOS成像仪,分辨率为200万像素,光谱范围包含420-1000nm,采集速度为8-20秒一次,其辅助成像为500W的高清相机,该成像仪的拍摄方向与水面法线的夹角约40°,且其观测平面与太阳光入射平面的夹角为100°-135°,且背对太阳方向安装;
在对水体中叶绿素a浓度进行测算时,先通过地基高光谱成像仪采集目标水体的影像数据,并通过遥感图像处理软件进行处理,得到计算遥感反射率的三个参量,然后通过三个参量构建敏感波长的反射率曲线,并提取特定波长的遥感反射率,从而构建判断水体浑浊度的检测参数;
在判断水体浑浊度时,若根据判断水体浑浊度的检测参数判断水体属于清澈或低浑浊度水体时,即可直接反演水体中叶绿素a的浓度,若判断水体属于中度或高浑浊度水体时,则进一步判断造成水体是否存在水华现象;
当判断造成水体浑浊的主要因素为悬浮颗粒物时,则构建在悬浮颗粒物为主导下的叶绿素a光谱参量,并利用该参量反演出叶绿素a的浓度,即在高浑浊水体情况下时,通过监测区域内总的叶绿素a浓度,减去由于悬浮颗粒物造成的错误叶绿素a浓度,即得到水体中真正的叶绿素a含量;
当判断造成水体浑浊的主要因素为水华现象造成时,由于水华现象的出现意味着水体中出现了大量的浮游植物,而叶绿素a是浮游植物或藻类植物中最丰富的色素,因此即可构建在浮游植物为主导下的叶绿素a光谱参量,并直接利用该参量反演出水体中叶绿素a的浓度;
这样通过对地基高光谱成像仪采集的数据进行处理,再通过处理后得到的参量和提取特定波长的遥感反射率来判断水体浑浊度,进而对水体进行初步分类避免水体的浑浊度影响测试的准确性,在判断水体浑浊度后,进一步对造成水体浑浊度的原因进行判别,从而根据水体不同的浑浊度以及造成浑浊度的因素,构建不同的表征叶绿素a的光谱参量并对测算参数进行纠正,从而通过反演得到不同时期水体的叶绿素a的浓度,进而为水环境监测和判断水体富营养化程度提供重要的参数指标。
在本实施例中具体测算步骤如下:
步骤S1的具体步骤为,提取的三个参量分别为标准板测量值Lp、天空漫散射光Lsky、离水辐亮度Lw,利用高光谱成像仪,对目标水域水体进行连续拍摄,形成包含水体信息的影像数据文件,在本实施例中遥感图像处理软件采用ENVI软件,再利用ENVI软件提取该影像数据raw源文件任意选取一波段后形成监测区域影像,并可从该影像上读取出水面上的三个参量,具体提取方法如下:
Lp:首先在该影像上可以观测到固定在成像仪视野范围内的标准板,打开ROI面板将这整个标准板选为感兴趣区域,利用ROI工具自动读取出该感兴趣区域的一系列数值,包括最大值、最小值、平均值、中位数值等(标准板测量值一般选取最大值),同时由于通过ROI开启影像数据的raw源文件,将使得读取的一系列数据包含整个波段,因此便形成了各个波段标准板测量值的最大值集合,并将其以text文档形式导出保存。
Lsky:首先在该影像上找到最远处的天空区域,然后打开ROI面板将整个影像区域中靠近影像最顶端的天空区域选为感兴趣区域,利用ROI工具自动读取出该感兴趣区域的一系列数值,包括最大值、最小值、平均值、中位数值等(天空漫散射光一般选取平均值),同时由于通过ROI开启影像数据的raw源文件,将使得读取的一系列数据包含整个波段,因此便形成了包含各个波段的天空漫散射光光谱曲线,同样将其以text文档形式导出保存。
Lw:首先在该影像上找到无倒影、无白帽、无波纹、无船只的水体区域,然后打开ROI面板将其选择为感兴趣区域,利用ROI工具自动读取出该感兴趣区域的一系列数值,包括最大值、最小值、平均值、中位数值等(离水辐亮度一般选取平均值),同理将形成包含各个波段的离水辐亮度光谱曲线,将其以text文档形式导出保存。
步骤S2的具体步骤为,将步骤S1得到的三种参数数据导入Excel表格中,并进行通过如下两步计算形成敏感波长的反射率曲线:
其中,ρp为标准板的反射率,Ed(0+)表示水表面入射总辐照度,ρ表示气—水界面对天空光的反射率。
步骤S3的具体步骤为,利用步骤S2中的敏感波长反射率曲线,提取辨别水体浊度的特定波长反射率,其中红和近红外波段的中心波长为λb=660nm和λa=830nm,其对应波长反射率为Rrs(λb)和Rrs(λa),利用红和近红外中心波长反射率构建的判别水体浑浊度的检测参数为水面浊度指数SWTI,为了得到公式中的拟合系数,在样本区域中,将λb=660nm和λa=830nm对应波长反射率值的对数比值导入Excel表格中,与此同时将目标水体样本集的浊度值的对数值也导入Excel表格中,利用Excel表格的工具,线性拟合得到a1=3.19、b1=0.98,其计算公式如下:
步骤S4的具体判断标准范围为:清澈水体:SWTI≤5;低浑浊度水体:5<SWTI≤15;中浑浊度水体:15<SWTI≤30;高浑浊度水体:30<SWTI,若步骤S3中得到的SWTI为清澈水体或低浑浊度水体时,则转至步骤S5,否则则转至步骤S6。
步骤S5的具体步骤为,由于目标水体为清澈水体或低浑浊度水体,因此从步骤S2中的反射率曲线中找到红和近红外波长的中心波长λd=660nm、λc=850nm,其对应波长反射率为Rrs(λc)和Rrs(λd),最后利用三波段算法反演算出叶绿素a的浓度,为了得到公式中的拟合系数,在样本区域中,将λd=660nm和λc=850nm对应波长反射率值进行运算,得到并将其当做整体导入Excel表格中,与此同时将目标水体样本集的叶绿素a浓度也导入Excel表格中,利用Excel表格的工具,线性拟合得到a2=56.4、b2=13.5,三波段算法公式如下:
步骤S6的具体测算方法为,由于目标水体为中浑浊度水体或高浑浊度水体,则首先需要判断目标水体是否发生水华现象,首先利用步骤S2中得到的敏感波长反射率曲线,确定对藻类群落和种群变化敏感的特定波长反射率,包括在810-830nm之间的特征反射波波峰Rrs(λe)(在本实施例中λe=830nm)和660-690之间的特征反射波波谷Rrs(λf)(在本实施例中λf=660nm),然后构建检测参数,其中检测参数为归一化差异峰谷指数NDPI,NDPI计算公式如下:
步骤S7的具体判断标准为,首先设定水华现象的阈值参数,在本实施例中设定阈值为-0.43,然后利用步骤S6中的NDPI进行壁对,若NDPI>-0.43,则判定存在水华现象,转至步骤S8,反之则判定不存在水华现象,转至步骤S9,。
步骤S8的具体测算方法为,由于NDPI>-0.43,因此该监测水域存在水华现象,即该水域由浮游植物主导,于是构建在浮游植物主导下表征叶绿素a的光谱参量为Hc,Hc计算公式如下:
利用步骤S2中的敏感波长反射率曲线,确定波长为λ2=640nm、λ3=678nm、λ4=697nm,其对应的反射率为Rrs(λ2)、Rrs(λ3)、Rrs(λ4),带入上述公式计算得到Hc,最后利用反演公式反演得到叶绿素a浓度,其中系数k、m2、n2、h2均是通过线性拟合得到的,步骤如下:
首先利用公式计算出样本区域中在浮游植物主导下表征叶绿素a的光谱参量Hc,将其导入Excel表格中,然后将样本集中的叶绿素浓度的对数值同样导入Excel表格,利用Excel表格工具拟合得到k=256052、m2=19908、n2=267.52、h2=0.7206,反演具体公式如下:
步骤S9的具体测算方法为,由于NDPI<-0.43,所以该监测水域不存在水华现象,即该水体由悬浮颗粒物主导,于是构建在悬浮颗粒物主导下表征叶绿素a的光谱参量为CHI,CHI计算公式如下:
n1:CHI=Hc-Hm
利用步骤S2中的敏感波长反射率曲线,确定波长为λ1=572nm、λ2=640nm、λ3=678nm、λ4=697nm,其对应的反射率为Rrs(λ1)、Rrs(λ2)、Rrs(λ3)、Rrs(λ4),带入上述公式计算得到CHI,最后利用反演公式反演得到叶绿素a浓度,其中系数m1、n1、h1均是通过线性拟合得到的,步骤如下:
首先利用公式n1、n2、n3计算出样本区域中在悬浮颗粒物主导下表征叶绿素a的光谱参量CHI,将其导入Excel表格中,然后将样本集中的叶绿素a浓度的对数值同样导入Excel表格,利用Excel表格工具拟合得到m1=179378、n1=92.934、h1=0.2736,反演具体公式如下:
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种在高浊度背景干扰下叶绿素a浓度的测算方法,包括设于目标水体的地基高光谱成像仪,其特征在于:该方法包括以下步骤:
S1:首先利用遥感图像处理软件,对地基高光谱成像仪采集得到的影像数据进行处理,分别提取出计算遥感反射率的三个参量Lp、Lsky、Lw;
S2:利用已提取出的三个参量,构建敏感波长的反射率曲线;
S3:利用步骤S2中构建出的敏感波长反射率曲线,提取特定波长的遥感反射率,并构建判断水体浑浊度的检测参数;
S4:利用该检测参数对目标水体的浑浊度进行判断,若水体属于清澈或低浑浊度水体则转至步骤S5,否则转至步骤S6;
S5:若目标水体经步骤S4判断后为清澈或低浑浊度水体,则利用敏感波长的遥感反射率数据,反演出叶绿素a的浓度;
S6:若目标水体经过步骤S4判断后为中度或高度浑浊水体,则利用敏感波长的遥感反射率数据,并构建判断是否存在水华现象的检测参数;
S7:利用步骤S6中的检测参数,判断目标水体是否存在水华现象,如存在则转至步骤S8,反之则转至步骤S9;
S8:若目标水体存在水华现象,则利用敏感波长的遥感反射率数据,构建在浮游植物主导下表征叶绿素a的光谱参量,并利用该参量反演出叶绿素a的浓度;
S9:若目标水体不存在水华现象,则利用敏感波长的遥感反射率数据,构建在悬浮颗粒物主导下表征叶绿素a的光谱参量,并利用该参量反演出叶绿素a的浓度。
2.根据权利要求1所述的测算方法,其特征在于:所述步骤S1中提取的三个参量分别为标准板测量值Lp、天空漫散射光Lsky、离水辐亮度Lw,具体提取方法如下:
Lp:使用遥感图像处理软件打开对地基高光谱成像仪采集得到的影像数据源文件,选取任意一端波段形成监测区域影像,将该影像中的整个白板选取为感兴趣区域,利用ROI工具读取出该感兴趣区域的最大值,形成各个波段的标准板测量最大值集合,并将其以text文档形式导出保存。
Lsky:使用遥感图像处理软件打开对地基高光谱成像仪采集得到的影像数据源文件,选取任意一波段形成监测区域影像,选取该影像中最远处天空做为感兴趣区域,并利用ROI工具读取出该感兴趣区域的平均值,形成包含各个波段的光谱曲线,并将其同样以text文档形式导出保存。
Lw:使用遥感图像处理软件打开对地基高光谱成像仪采集得到的影像数据源文件,选取任意一波段形成监测区域影像,从目标水域中选择无白帽、无波纹、无倒影、无船只的水体做为感兴趣区域,同样利用ROI工具读取出该感兴趣区域的平均值,形成包含各个波段的光谱曲线,并将其同样以text文档形式导出保存。
5.根据权利要求4所述的方法,其特征在于:所述步骤S4中的判断标准范围为:清澈水体:SWTI≤5;低浑浊度水体:5<SWTI≤15;中浑浊度水体:15<SWTI≤30;高浑浊度水体:30<SWTI。
8.根据权利要求1所述的测算方法,其特征在于:所述步骤S7中,首先设定水华现象的阈值参数,然后利用步骤S6中的检测参数与阈值进行对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110669953.7A CN113340825B (zh) | 2021-06-17 | 2021-06-17 | 一种在高浊度背景干扰下叶绿素a浓度的测算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110669953.7A CN113340825B (zh) | 2021-06-17 | 2021-06-17 | 一种在高浊度背景干扰下叶绿素a浓度的测算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113340825A true CN113340825A (zh) | 2021-09-03 |
CN113340825B CN113340825B (zh) | 2022-02-15 |
Family
ID=77475789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110669953.7A Active CN113340825B (zh) | 2021-06-17 | 2021-06-17 | 一种在高浊度背景干扰下叶绿素a浓度的测算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113340825B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6028663A (en) * | 1997-11-10 | 2000-02-22 | Jeacle Limited | Photometric analysis of water suspensions |
CN102508959A (zh) * | 2011-10-31 | 2012-06-20 | 南京师范大学 | 反演高浑浊度水体中叶绿素a浓度的四波段半分析模型 |
CN104155247A (zh) * | 2013-11-27 | 2014-11-19 | 中国农业大学 | 水体叶绿素和浊度原位测定方法及测定装置 |
WO2016106215A1 (en) * | 2014-12-23 | 2016-06-30 | The Regents Of The University Of California | Method and device for quantification of plant chlorophyll content |
CN107421895A (zh) * | 2017-06-30 | 2017-12-01 | 中国水利水电科学研究院 | 一种多波段优化组合的水质参数浓度反演方法和装置 |
CN107437267A (zh) * | 2016-05-26 | 2017-12-05 | 中国科学院遥感与数字地球研究所 | 植被区高光谱图像模拟方法 |
US20180018537A1 (en) * | 2016-07-07 | 2018-01-18 | Purdue Research Foundation | Non-spectroscopic imaging of plants |
US20180067209A1 (en) * | 2015-03-06 | 2018-03-08 | Bae Systems Plc | Method and apparatus for processing spectral images |
JP2019008758A (ja) * | 2017-06-28 | 2019-01-17 | 明敏 野田 | 水田稲作地における(以下cdm事業地)の稲の葉による植物葉緑素量を供活用する二酸化炭素排出権取引システム。 |
CN109282798A (zh) * | 2018-10-31 | 2019-01-29 | 中国科学院南京地理与湖泊研究所 | 一种基于遥感影像提取湖库高浑浊区的方法 |
CN110243769A (zh) * | 2019-07-30 | 2019-09-17 | 南阳理工学院 | 一种多源信息辅助的高光谱亚像元目标识别系统和方法 |
CN111795941A (zh) * | 2020-08-06 | 2020-10-20 | 中国科学院重庆绿色智能技术研究院 | 一种水华期藻类群落结构高光谱识别方法 |
CN112881293A (zh) * | 2021-01-08 | 2021-06-01 | 浙江工商大学 | 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 |
-
2021
- 2021-06-17 CN CN202110669953.7A patent/CN113340825B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6028663A (en) * | 1997-11-10 | 2000-02-22 | Jeacle Limited | Photometric analysis of water suspensions |
CN102508959A (zh) * | 2011-10-31 | 2012-06-20 | 南京师范大学 | 反演高浑浊度水体中叶绿素a浓度的四波段半分析模型 |
CN104155247A (zh) * | 2013-11-27 | 2014-11-19 | 中国农业大学 | 水体叶绿素和浊度原位测定方法及测定装置 |
WO2016106215A1 (en) * | 2014-12-23 | 2016-06-30 | The Regents Of The University Of California | Method and device for quantification of plant chlorophyll content |
US20180067209A1 (en) * | 2015-03-06 | 2018-03-08 | Bae Systems Plc | Method and apparatus for processing spectral images |
CN107437267A (zh) * | 2016-05-26 | 2017-12-05 | 中国科学院遥感与数字地球研究所 | 植被区高光谱图像模拟方法 |
US20180018537A1 (en) * | 2016-07-07 | 2018-01-18 | Purdue Research Foundation | Non-spectroscopic imaging of plants |
JP2019008758A (ja) * | 2017-06-28 | 2019-01-17 | 明敏 野田 | 水田稲作地における(以下cdm事業地)の稲の葉による植物葉緑素量を供活用する二酸化炭素排出権取引システム。 |
CN107421895A (zh) * | 2017-06-30 | 2017-12-01 | 中国水利水电科学研究院 | 一种多波段优化组合的水质参数浓度反演方法和装置 |
CN109282798A (zh) * | 2018-10-31 | 2019-01-29 | 中国科学院南京地理与湖泊研究所 | 一种基于遥感影像提取湖库高浑浊区的方法 |
CN110243769A (zh) * | 2019-07-30 | 2019-09-17 | 南阳理工学院 | 一种多源信息辅助的高光谱亚像元目标识别系统和方法 |
CN111795941A (zh) * | 2020-08-06 | 2020-10-20 | 中国科学院重庆绿色智能技术研究院 | 一种水华期藻类群落结构高光谱识别方法 |
CN112881293A (zh) * | 2021-01-08 | 2021-06-01 | 浙江工商大学 | 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 |
Non-Patent Citations (2)
Title |
---|
SACHIDANANDA MISHRA;DEEPAK R.MISHRA: ""Normalized difference chlorophyll index: A novel model for remote estimation of chlorophyll-a concentration in turbid productive waters"", 《REMOTE SENSING OF ENVIRONMENT》 * |
陈瑜丽,沈芳: ""长江口及邻近海域悬浮物颗粒物对叶绿素a遥感反演算法的影响分析"", 《遥感技术与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113340825B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | An OLCI-based algorithm for semi-empirically partitioning absorption coefficient and estimating chlorophyll a concentration in various turbid case-2 waters | |
CN109781626B (zh) | 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法 | |
CN107589075B (zh) | 一种浅水湖泊固有光学参数的olci遥感监测方法 | |
Gitelson et al. | A simple semi-analytical model for remote estimation of chlorophyll-a in turbid waters: Validation | |
Alawadi | Detection of surface algal blooms using the newly developed algorithm surface algal bloom index (SABI) | |
Wang et al. | MODIS-based radiometric color extraction and classification of inland water with the Forel-Ule scale: A case study of Lake Taihu | |
CN104697943B (zh) | 一种油菜水分胁迫的无损检测方法 | |
Cheshkova | A review of hyperspectral image analysis techniques for plant disease detection and identif ication | |
CN103472031A (zh) | 一种基于高光谱成像技术的脐橙糖度检测方法 | |
CN113340914B (zh) | 一种基于高光谱遥感的水体富营养化状态测算方法 | |
Werther et al. | Characterising retrieval uncertainty of chlorophyll-a algorithms in oligotrophic and mesotrophic lakes and reservoirs | |
CN111781147A (zh) | 基于两波段的内陆湖泊水体叶绿素a浓度遥感反演模型和方法 | |
Pu et al. | Developing hyperspectral vegetation indices for identifying seagrass species and cover classes | |
Minghelli-Roman et al. | Discrimination of coral reflectance spectra in the Red Sea | |
CN113340825B (zh) | 一种在高浊度背景干扰下叶绿素a浓度的测算方法 | |
CN114705632B (zh) | 一种利用卫星遥感反射率估算水库营养状态指数的方法 | |
CN109269994A (zh) | 一种化学需氧量的识别方法、装置、存储介质及设备 | |
Sun et al. | Understanding optical absorption associated with phytoplanktonic groups in the marginal seas | |
CN114527085A (zh) | 一种基于地基高光谱遥感的水体黑臭程度测算方法 | |
Chang et al. | RGB imaging based estimation of leaf chlorophyll content | |
Ahn et al. | Retrieval of ocean colour from high resolution multi‐spectral imagery for monitoring highly dynamic ocean features | |
Jay et al. | Underwater target detection with hyperspectral remote-sensing imagery | |
Huang et al. | Spectral correlation analysis of chlorophyll-a concentration for inland water | |
CN115015180B (zh) | 一种基于光谱反射率重建技术的水果糖度无损检测方法 | |
Novo et al. | Assessing the utility of spectral band operators to reduce the influence of total suspended solids on the relationship between chlorophyll concentration and the bidirectional reflectance factor in Amazon waters |
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 |