CN113433075B - 一种简单的黑臭水体遥感快速监测方法 - Google Patents

一种简单的黑臭水体遥感快速监测方法 Download PDF

Info

Publication number
CN113433075B
CN113433075B CN202110502361.6A CN202110502361A CN113433075B CN 113433075 B CN113433075 B CN 113433075B CN 202110502361 A CN202110502361 A CN 202110502361A CN 113433075 B CN113433075 B CN 113433075B
Authority
CN
China
Prior art keywords
water body
black
water
remote sensing
index
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
Application number
CN202110502361.6A
Other languages
English (en)
Other versions
CN113433075A (zh
Inventor
杨邦会
王晓华
王春红
殷健
温莹莹
胡乔利
李冬阳
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.)
Zhongke Haihui Tianjin Technology Co ltd
Original Assignee
Zhongke Haihui Tianjin Technology Co ltd
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 Zhongke Haihui Tianjin Technology Co ltd filed Critical Zhongke Haihui Tianjin Technology Co ltd
Priority to CN202110502361.6A priority Critical patent/CN113433075B/zh
Publication of CN113433075A publication Critical patent/CN113433075A/zh
Application granted granted Critical
Publication of CN113433075B publication Critical patent/CN113433075B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Immunology (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)

Abstract

本发明涉及一种黑臭水体遥感监测方法、装置、电子设备及介质，方法包括：获取遥感影像数据；使用水体提取模型对所述遥感影像数据进行处理得到水体指数和植被指数，其中所述水体提取模型包括改进的归一化差分水体指数MNDWI算法、归一化差分水体指数NDWI算法和归一化差分植被指数NDVI算法；基于所述水体指数和植被指数，判断是否存在水体；使用水体类型识别模型对所述水体的水质进行识别。本发明的实施例通过黑臭水体提取模型，有效的获得了的黑臭水体信息遥感影像数据，能够较完善地利用光谱差异特征。

Description

一种简单的黑臭水体遥感快速监测方法
技术领域
本发明涉及水体质量监测技术领域，尤其涉及一种黑臭水体遥感监测方法、装置、电子设备及存储介质。
背景技术
由于黑臭水体往往是河湖的一段、断头河或者细小水体，分布没有一定的规律性，在监测黑臭水体的存在和具体位置时存在一定困难，传统的实地勘测方法耗时耗力。目前应用遥感技术对河道水水流或水资源进行黑臭状态监测取得了一定的进展，如通过基于遥感技术建立模型并应用算法以识别河道水体的信息，根据存在水体的河道和干涸河道的光谱指数的数值差异识别河道是否有水，并进一步识别黑臭水体。
现有的黑臭水体识别模型方法往往仅使用单一的模型进行分析，然而黑臭水体由于污染物成分的差异，河道下垫面构成的差异，其光谱特征具有不确定性，黑臭水体面积小、河段破碎，其遥感信息容易受到河岸绿化树木、建筑物等周边环境的影响，因此现有的方法常常具有一定的局限性，在快速监测不同地理条件和不同水质的黑臭水体时存在亟待解决的问题。
发明内容
本发明的目的是提供一种黑臭水体遥感监测方法、装置、电子设备及存储介质，用以解决现有技术中的问题。具体地，本发明实施例提供了以下技术方案：
第一方面，本发明实施例提供了一种黑臭水体遥感监测方法，包括：
获取遥感影像数据；
使用水体提取模型对所述遥感影像数据进行处理得到水体指数和植被指数，其中所述水体提取模型包括改进的归一化差分水体指数MNDWI算法、归一化差分水体指数NDWI算法和归一化差分植被指数NDVI算法；
基于所述水体指数和植被指数，判断是否存在水体；
使用水体类型识别模型对所述水体的水质进行识别。
可选地，所述基于所述水体指数和植被指数，判断是否存在水体包括：
在植被较为稀疏的地区，当MNDWIt0≥a1成立时，判断存在水体，其中MNDWIt0是t0时刻的MNDWI值，a1是预设阈值；
或，在植被较为茂盛的地区，当MNDWIti＜a1，NDVIti≥a2，MNDWIti-j≥a1并且NDVIti-j＜a2成立时，判断存在水体，其中MNDWIti，MNDWIti-j，NDVIti和NDVIti-j分别是ti、ti-j时刻的MNDWI值和NDVI值，j<i，a2是预设阈值。
可选地，所述使用水体类型识别模型对所述水体的水质进行识别包括：
对于非细小水体，建立包括黑臭水体子模型1、黑臭水体子模型2和黑臭水体变异系数的水体类型识别模型，其中黑臭水体子模型1的算法为：
Figure GDA0003213791060000021
其中Rg是绿波段反射率，Rr是红波段反射率；
黑臭水体子模型2的算法为：
Figure GDA0003213791060000022
其中Rg是绿波段反射率，Rb是蓝波段反射率；
黑臭水体变异系数的算法为：
Figure GDA0003213791060000023
其中
Figure GDA0003213791060000024
Ri为由Rg、Rr和Rb组成的集合中的元素。
可选地，当HCS1≥a3、HCS2≥a4并且HCC≥a5成立时，判断所述水体是正常水体，其中a3、a4和a5是预设阈值；
或，当a6≤HCS1＜a3、a7≤HCS2＜a4并且a8≤HCC＜a5成立时，判断所述水体是轻度黑臭水体，其中a6、a7和a8是预设阈值；
或，当HCS1＜a9、HCS2＜a10并且HCC＜a11成立时，判断所述水体是严重黑臭水体，其中a9、a10和a11是预设阈值。
可选地，所述使用水体类型识别模型对所述水体的水质进行识别包括：
对于细小水体，建立包括高程变异系数的水体类型识别模型，其中高程变异系数的算法为：
Figure GDA0003213791060000031
其中Hi为预定规格的网格高程、
Figure GDA0003213791060000032
为研究区预定规格的网格高程均值，n为预定规格的矢量网格覆盖的数字高程模型栅格数量。
可选地，当L≤a12，|Si-Sj|≥a13并且DXQF≤a14成立时，判断所述水体是黑臭水体，其中L为细小水体的边界长度，a12为预设阈值；Si和Sj为距离最近的两个细小斑块的中心点，a13为相邻两个斑块的最短距离，a14为预设阈值。
第二方面，本发明实施例还提供了一种黑臭水体遥感监测装置，包括：
数据获取模块，用于获取遥感影像数据；
水体提取模块，用于使用水体提取模型对所述遥感影像数据进行处理得到水体指数和植被指数，其中所述水体提取模型包括改进的归一化差分水体指数MNDWI算法、归一化差分水体指数NDWI算法和归一化差分植被指数NDVI算法；
水体判断模块，用于基于所述水体指数和植被指数，判断是否存在水体；
水质识别模块，用于使用水体类型识别模型对所述水体的水质进行识别。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如第一方面所述黑臭水体遥感监测方法的步骤。
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如第一方面所述黑臭水体遥感监测方法的步骤。
第五方面，本发明实施例还提供了一种计算机程序产品，所计算机程序产品包括有计算机程序，该计算机程序被处理器执行时实现如第一方面所述黑臭水体遥感监测方法的步骤。
附图说明
图1为本发明一实施例提供的黑臭水体遥感监测方法的流程图；
图2为本发明一实施例提供的黑臭水体遥感监测装置的结构示意图；以及
图3为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明提供的实施例中，可以通过各种渠道获取各种格式的遥感数据，如从国家卫星数据中心，商用卫星数据中心等处，获取如高分2号、资源3号和哨兵2号等等的卫星采集到的影像数据，获取到的影像数据可以包括多个波段通道，可以包括数字高程模型(Digital Elevation Model，DEM)数据。本发明实施例提供的方法可以用于水系调查，生态恢复，土地资源利用调查等等。
在本发明提供的实施例中，可以对获取到的影像数据进行各种预处理，主要是对数字图像处理，包括但不限于用于校正在成像、记录、传输或回放过程中引入的数据错误、噪声与畸变的图像恢复手段，如辐射校正、几何校正等；用于方便传输、储存和提高数据处理效率的数据压缩手段；用于去模糊、提高影像质量的影像增强手段等。
对获取到的影像数据的预处理还可以包括大气校正，遥感所利用的各种辐射能均要与地球大气层发生相互作用：或散射、或吸收，从而使能量衰减，并使光谱分布发生变化。有时必须对遥感数据进行大气校正，从水体中提取生物物理变量(如水体中的叶绿素、悬浮泥沙、温度)时，就必须对遥感数据进行大气校正。如果数据未经校正，就可能会丢失这些重要成分的反射率的微小差别信息。此外，如果需要将某影像中提取的物理量与另一不同时相影像中提取的同一物理量相比较，就必须对遥感数据进行大气校正。例如，可以使用完整的遥感图像处理平台(The Environment for Visualizing Images，ENVI)中的FLAASH工具进行辐射定标和大气校正，从而得到较精准的反射率数据。
参考图1，图1为本发明一实施例提供的黑臭水体遥感监测方法的流程图，该黑臭水体遥感监测方法包括如下步骤：
步骤110：获取遥感影像数据；
步骤120：使用水体提取模型对所述遥感影像数据进行处理得到水体指数和植被指数，其中所述水体提取模型包括改进的归一化差分水体指数MNDWI算法、归一化差分水体指数NDWI算法和归一化差分植被指数NDVI算法；
步骤130：基于所述水体指数和植被指数，判断是否存在水体；
步骤140：使用水体类型识别模型对所述水体的水质进行识别。
根据本发明的实施例，构建水体提取模型。目前使用遥感影像提取水体的算法很多，在本发明提供的实施例中，采用水体指数算法，具体地，首先计算水体指数和植被指数，对于超过4个波段的遥感影像，可以选择改进的归一化差分水体指数(ModifiedNormalized Difference Water Index，MNDWI)算法或者归一化差分水体指数(NormalizedDifference Water Index，NDWI)以得到水体指数，并采用归一化差分植被指数(Normalized Difference Vegetation Index,NDVI)以得到植被指数。具体地，MNDWI参照下式计算：
Figure GDA0003213791060000061
其中Rg是绿波段反射率，Rswir是短波红外波段反射率。
NDWI参照下式计算：
Figure GDA0003213791060000062
其中Rg是绿波段反射率，Rnir为近红外波段反射率。NDVI参照下式计算：
Figure GDA0003213791060000063
其中Rr是红波段反射率。对于只有四个波段的遥感影像，选择NDWI算法，使用NDWI值代替MNDWI值。在本发明的实施例中，通过采用包括两种水体指数算法的水体提取模型，较好地适应了获取到的遥感影像数据，能够较完善地利用光谱特征数据。
接下来在本实施例中，基于上面计算得到的水体指数和植被指数，对河道或者水系中是否有水进行判断。在植被较为稀疏的地区，有下式
MNDWIt0≥a1 (4)
当式(4)为真时，判断该水系中有水，其中MNDWIt0是t0时刻的MNDWI值，a1是预设阈值，可以通过多种方法确定合适的阈值，如根据具体数据通过统计学方法判断出合适阈值，阈值也可以是根据具体情况而变动的。
在植被较为茂盛的地区，需要考虑植被的影响，因此有
MNDWIti＜a1，NDVIti≥a2，MNDWIti-j≥a1，NDVIti-j＜a2 (5)
当式(5)中各条件均为真时，判断该水系中有水，其中MNDWIti，MNDWIti-j，NDVIti和NDVIti-j分别是ti、ti-j时刻的MNDWI值和NDVI值，其中j<i，ti-j为ti时刻之前的时刻，其时间间隔根据具体情况而设置，a2是预设阈值。通过上述判断，本实施例监测到了遥感影像中存在水的河道或水系，接下来对其中水的质量进行判断，即监测是否为黑臭水体。
在当前步骤中，首先需要建立水体类型识别模型，其中涉及到三个相对重要的水体识别算法，分别为
Figure GDA0003213791060000071
Figure GDA0003213791060000072
Figure GDA0003213791060000073
其中，
Figure GDA0003213791060000074
Rg是绿波段反射率，Rr是红波段反射率，Rb是蓝波段反射率，Ri为由Rg、Rr和Rb组成的集合中的元素。HCS1表示黑臭水体子模型1，HCS2表示黑臭水体子模型2，HCC表示黑臭水体变异系数。通过构建包括两个黑臭水体子模型和黑臭水体变异系数的水体类型识别模型，在本发明的实施例中，考虑到了由于污染物成分的差异和河道下垫面构成的差异所造成的光谱特征的不确定性，能够更精准地判断具有不同污染物的水体的水质状况。
接下来使用上述水体类型识别模型，对水系或河道中水体的水质进行识别，在本发明实施例中，可以将水质级别分为三类，正常水体、轻度黑臭水体和严重黑臭水体。其中，当满足下式时，
HCS1≥a3
HCS2≥a4
HCC≥a5 (9)
该水体是正常水体，其中a3、a4和a5是预设阈值，可以通过多种方法确定合适的阈值，如根据具体数据通过统计学方法判断出合适阈值，阈值也可以是根据具体情况而变动的。
当满足下式时，
a6≤HCS1＜a3
a7≤HCS2＜a4
a8≤HCC＜a5 (10)
该水体是轻度黑臭水体，其中a6、a7和a8是预设阈值。
当满足下式时，
HCS1＜a9
HCS2＜a10
HCC＜a11 (11)
该水体是严重黑臭水体，其中a9、a10和a11是预设阈值。
至此，可以根据本发明的实施例，完成对一般尺寸的河道和水系的水质监测。根据本发明的实施例，还提供了基于遥感技术的对细小水体的水质监测方法。在本文中提到的细小水体是相对于遥感图像的像元(即影像单元，是遥感成像过程中的采样点)而言的，当监测到的水体为混合像元时，即一个像元中还包括了除水体特征以外的其他地表特征时，则判定该水体为细小水体。
当根据遥感数据获得细小水体的空间分布信息时，通过上述的水体提取模型提取水体分布信息，并矢量化，水体由于具有水体光谱特征的共性，河流与地表背景之间光谱反差明显，边界清晰，局部区域内的河流水体光谱相似性强，易聚集成斑块状，因此会得到矢量化的斑块，然后开展如下判定：
(a)L≤a12
(b)|Si-Sj|≥a13
(c)
Figure GDA0003213791060000091
式中，L为细小水体的边界长度，a12为预设阈值；Si和Sj为距离最近的两个细小斑块的中心点，a13为相邻两个斑块的最短距离；DXQF为高程变异系数，Hi为预定规格的网格高程、
Figure GDA0003213791060000092
为研究区预定规格的网格高程均值，n为预定规格的矢量网格覆盖的数字高程模型栅格数量，a14为预设阈值。当满足上述判定时，该细小水体为黑臭水体。根据本发明的实施例，通过细小水体建立水质识别模型，解决了黑臭水体面积小、河段破碎，其遥感信息容易受到河岸绿化树木、建筑物等周边环境的影响的问题，能够较快速地实现对复杂地理条件下细小水体的水质监测。
图2为本发明一实施例提供的黑臭水体遥感监测装置的结构示意图，参照图2，本实施例提供的黑臭水体遥感监测装置包括：
数据获取模块210，用于获取遥感影像数据；
水体提取模块220，用于使用水体提取模型对所述遥感影像数据进行处理得到水体指数和植被指数，其中所述水体提取模型包括改进的归一化差分水体指数MNDWI算法、归一化差分水体指数NDWI算法和归一化差分植被指数NDVI算法；
水体判断模块230，用于基于所述水体指数和植被指数，判断是否存在水体；
水质识别模块240，用于使用水体类型识别模型对所述水体的水质进行识别。
由于本发明实施例提供的黑臭水体遥感监测装置，可以用于执行上述实施例所述的黑臭水体遥感监测方法，其工作原理和有益效果类似，故此处不再详述，具体内容可参见上述实施例的介绍。
在本实施例中，需要说明的是，本发明实施例的装置中的各个模块可以集成于一体，也可以分离部署。上述模块可以合并为一个模块，也可以进一步拆分成多个子模块。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行黑臭水体遥感监测方法，该方法包括：获取遥感影像数据；使用水体提取模型对所述遥感影像数据进行处理得到水体指数和植被指数，其中所述水体提取模型包括改进的归一化差分水体指数MNDWI算法、归一化差分水体指数NDWI算法和归一化差分植被指数NDVI算法；基于所述水体指数和植被指数，判断是否存在水体；使用水体类型识别模型对所述水体的水质进行识别。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的黑臭水体遥感监测方法，该方法包括：获取遥感影像数据；使用水体提取模型对所述遥感影像数据进行处理得到水体指数和植被指数，其中所述水体提取模型包括改进的归一化差分水体指数MNDWI算法、归一化差分水体指数NDWI算法和归一化差分植被指数NDVI算法；基于所述水体指数和植被指数，判断是否存在水体；使用水体类型识别模型对所述水体的水质进行识别。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的黑臭水体遥感监测方法，该方法包括：获取遥感影像数据；使用水体提取模型对所述遥感影像数据进行处理得到水体指数和植被指数，其中所述水体提取模型包括改进的归一化差分水体指数MNDWI算法、归一化差分水体指数NDWI算法和归一化差分植被指数NDVI算法；基于所述水体指数和植被指数，判断是否存在水体；使用水体类型识别模型对所述水体的水质进行识别。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种黑臭水体遥感监测方法，其特征在于，包括：
获取遥感影像数据；
使用水体提取模型对所述遥感影像数据进行处理得到水体指数和植被指数，其中所述水体提取模型包括改进的归一化差分水体指数MNDWI算法、归一化差分水体指数NDWI算法和归一化差分植被指数NDVI算法；
基于所述水体指数和植被指数，判断是否存在水体；
使用水体类型识别模型对所述水体的水质进行识别；
其中，所述使用水体类型识别模型对所述水体的水质进行识别包括：
对于细小水体，建立包括高程变异系数的水体类型识别模型，其中高程变异系数的算法为：
Figure FDA0003602922610000011
其中Hi为预定规格的网格高程、
Figure FDA0003602922610000012
为研究区预定规格的网格高程均值，n为预定规格的矢量网格覆盖的数字高程模型栅格数量；
当L≤a12，|Si-Sj|≥a13并且DXQF≤a14成立时，判断所述水体是黑臭水体，其中L为细小水体的边界长度，a12为预设阈值；Si和Sj为距离最近的两个细小斑块的中心点，a13为相邻两个斑块的最短距离，a14为预设阈值。
2.根据权利要求1所述的黑臭水体遥感监测方法，其特征在于，所述基于所述水体指数和植被指数，判断是否存在水体包括：
在植被较为稀疏的地区，当MNDWIt0≥a1成立时，判断存在水体，其中MNDWIt0是t0时刻的MNDWI值，a1是预设阈值；
或，在植被较为茂盛的地区，当MNDWIti＜a1，NDVIti≥a2，MNDWIti-j≥a1并且NDVIti-j＜a2成立时，判断存在水体，其中MNDWIti，MNDWIti-j，NDVIti和NDVIti-j分别是ti、ti-j时刻的MNDWI值和NDVI 值，j<i，a2是预设阈值。
3.根据权利要求1所述的黑臭水体遥感监测方法，其特征在于，所述使用水体类型识别模型对所述水体的水质进行识别包括：
对于非细小水体，建立包括黑臭水体子模型1、黑臭水体子模型2和黑臭水体变异系数的水体类型识别模型，其中黑臭水体子模型1的算法为：
Figure FDA0003602922610000021
其中Rg是绿波段反射率，Rr是红波段反射率；黑臭水体子模型2的算法为：
Figure FDA0003602922610000022
其中 Rb是蓝波段反射率；黑臭水体变异系数的算法为：
Figure FDA0003602922610000023
其中
Figure FDA0003602922610000024
Ri为由Rg、Rr和Rb组成的集合中的元素。
4.根据权利要求3所述的黑臭水体遥感监测方法，其特征在于，当HCS1≥a3、HCS2≥a4并且HCC≥a5成立时，判断所述水体是正常水体，其中a3、a4和a5是预设阈值；
或，当a6≤HCS1＜a3、a7≤HCS2＜a4并且a8≤HCC＜a5成立时，判断所述水体是轻度黑臭水体，其中a6、a7和a8是预设阈值；
或，当HCS1＜a9、HCS2＜a10并且HCC＜a11成立时，判断所述水体是严重黑臭水体，其中a9、a10和a11是预设阈值。
5.一种黑臭水体遥感监测装置，其特征在于，包括：
数据获取模块，用于获取遥感影像数据；
水体提取模块，用于使用水体提取模型对所述遥感影像数据进行处理得到水体指数和植被指数，其中所述水体提取模型包括改进的归一化差分水体指数MNDWI算法、归一化差分水体指数NDWI算法和归一化差分植被指数NDVI算法；
水体判断模块，用于基于所述水体指数和植被指数，判断是否存在水体；
水质识别模块，用于使用水体类型识别模型对所述水体的水质进行识别；
其中，所述使用水体类型识别模型对所述水体的水质进行识别包括：
对于细小水体，建立包括高程变异系数的水体类型识别模型，其中高程变异系数的算法为：
Figure FDA0003602922610000031
其中Hi为预定规格的网格高程、
Figure FDA0003602922610000032
为研究区预定规格的网格高程均值，n为预定规格的矢量网格覆盖的数字高程模型栅格数量；
当L≤a12，|Si-Sj|≥a13并且DXQF≤a14成立时，判断所述水体是黑臭水体，其中L为细小水体的边界长度，a12为预设阈值；Si和Sj为距离最近的两个细小斑块的中心点，a13为相邻两个斑块的最短距离，a14为预设阈值。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述黑臭水体遥感监测方法的步骤。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述黑臭水体遥感监测方法的步骤。
8.一种计算机程序产品，所计算机程序产品包括有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述黑臭水体遥感监测方法的步骤。
CN202110502361.6A 2021-05-08 2021-05-08 一种简单的黑臭水体遥感快速监测方法 Active CN113433075B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110502361.6A CN113433075B (zh) 2021-05-08 2021-05-08 一种简单的黑臭水体遥感快速监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110502361.6A CN113433075B (zh) 2021-05-08 2021-05-08 一种简单的黑臭水体遥感快速监测方法

Publications (2)

Publication Number Publication Date
CN113433075A CN113433075A (zh) 2021-09-24
CN113433075B true CN113433075B (zh) 2022-06-14

Family

ID=77753043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110502361.6A Active CN113433075B (zh) 2021-05-08 2021-05-08 一种简单的黑臭水体遥感快速监测方法

Country Status (1)

Country Link
CN (1) CN113433075B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114298562B (zh) * 2021-12-29 2023-07-11 神彩科技股份有限公司 水环境监测预警方法、装置、计算机设备、存储介质
CN114359728B (zh) * 2021-12-31 2022-09-13 生态环境部卫星环境应用中心 一种河道类型遥感提取方法
CN116309663A (zh) * 2023-02-02 2023-06-23 山东产研卫星信息技术产业研究院有限公司 一种基于高分2号影像的城市黑臭水体提取方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766075A (zh) * 2020-12-31 2021-05-07 中国冶金地质总局矿产资源研究院 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2010278785A1 (en) * 2009-07-31 2012-03-22 Global Surface Intelligence Ltd. Greenhouse gas grid and tracking system
JP5950166B2 (ja) * 2013-03-25 2016-07-13 ソニー株式会社 情報処理システム、および情報処理システムの情報処理方法、撮像装置および撮像方法、並びにプログラム
CN105389559A (zh) * 2015-11-12 2016-03-09 中国科学院遥感与数字地球研究所 基于高分辨率遥感影像的农业灾害范围识别系统及方法
CN105809140B (zh) * 2016-03-18 2019-07-05 华南农业大学 一种基于遥感模型的地表水体信息的提取方法及其装置
CN108020511B (zh) * 2016-11-01 2020-06-30 中国科学院遥感与数字地球研究所 一种浅水草型湖泊水质参数遥感监测方法与装置
CN106778629B (zh) * 2016-12-21 2020-07-03 中国科学院深圳先进技术研究院 大棚识别方法及装置
CN107273797B (zh) * 2017-05-10 2020-05-08 中山大学 基于水体指数变异系数的水稻亚像元识别方法
CN108333148B (zh) * 2018-01-11 2020-12-01 中国科学院遥感与数字地球研究所 一种黑臭水体的识别方法及装置
CN108645853A (zh) * 2018-05-11 2018-10-12 南京吉泽信息科技有限公司 一种黑臭水体遥感识别的比值指数方法
CN109374537B (zh) * 2018-09-30 2020-06-05 中国科学院遥感与数字地球研究所 城市黑臭水体识别方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766075A (zh) * 2020-12-31 2021-05-07 中国冶金地质总局矿产资源研究院 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
2006―2016年岷江上游植被覆盖度时空变化及驱动力;祝聪等;《生态学报》;20190308(第05期);第103-114页 *
基于卫星遥感的水体信息提取研究进展与展望;李丹等;《清华大学学报(自然科学版)》;20190228(第02期);第50-64页 *

Also Published As

Publication number Publication date
CN113433075A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN113433075B (zh) 一种简单的黑臭水体遥感快速监测方法
CN109993237B (zh) 基于高分卫星光学遥感数据的水体快速提取方法及系统
CN106384081B (zh) 一种基于高分辨率遥感影像的坡耕地提取方法和系统
Shen et al. A MAP-based algorithm for destriping and inpainting of remotely sensed images
CN110120046B (zh) 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法
CN111931709B (zh) 遥感影像的水体提取方法、装置、电子设备及存储介质
CN105243367A (zh) 一种基于卫星遥感数据的水体范围监测方法和装置
CN105139396B (zh) 一种全自动遥感影像云雾检测方法
CN111881816B (zh) 一种长时序的河湖围埂养殖区域监测方法
CN111985543A (zh) 一种高光谱图像分类模型的构建方法、分类方法及系统
CN111242224A (zh) 一种基于无人机提取分类样本点的多源遥感数据分类方法
CN106940887B (zh) 一种gf-4卫星序列图像云与云下阴影检测方法
CN110334623B (zh) 一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法
JP2019537151A (ja) 画像処理装置、画像処理方法及び画像処理プログラム
CN114359728B (zh) 一种河道类型遥感提取方法
CN111339989A (zh) 一种水体提取方法、装置、设备及存储介质
CN113379759A (zh) 一种光学遥感卫星影像水体自动提取方法
CN116091930A (zh) 一种基于遥感的梯田制图方法、装置、设备和存储介质
CN115294460A (zh) 雷竹林退化程度确定方法、介质和电子设备
CN108198178B (zh) 大气程辐射值的确定方法和装置
CN106204596B (zh) 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法
Nanare et al. Remote sensing satellite image analysis for deforestation in yavatmal district, maharashtra, india
CN115082812A (zh) 一种农业景观非农生境绿地斑块提取方法及其相关设备
CN114648627A (zh) 一种干旱半干旱区光学遥感影像植被信息抑制方法及系统
Chen et al. An iterative terrain recovery approach to automated DTM generation from airborne LiDAR point clouds

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