CN113436193A - 一种城市黑臭水体监测方法和装置 - Google Patents
一种城市黑臭水体监测方法和装置 Download PDFInfo
- Publication number
- CN113436193A CN113436193A CN202110985115.0A CN202110985115A CN113436193A CN 113436193 A CN113436193 A CN 113436193A CN 202110985115 A CN202110985115 A CN 202110985115A CN 113436193 A CN113436193 A CN 113436193A
- Authority
- CN
- China
- Prior art keywords
- image data
- river reach
- boci
- black
- data set
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 119
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000002310 reflectometry Methods 0.000 claims abstract description 38
- 238000010606 normalization Methods 0.000 claims abstract description 29
- 230000005855 radiation Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000001932 seasonal effect Effects 0.000 description 7
- 238000012216 screening Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000195628 Chlorophyta Species 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种城市黑臭水体监测方法和装置,涉及黑臭水体监测的技术领域,包括:获取待监测区域的多景影像数据,并对多景影像数据进行处理,得到地表反射率影像数据集和BOCI影像数据集;基于地表反射率影像数据集和待监测区域的预设河段矢量数据,确定出目标河段矢量数据;基于目标河段矢量数据,对BOCI影像数据集进行河段数分类和影像间归一化处理,得到目标影像数据集;基于城市黑臭水体遥感监测多层结构,根据目标影像数据集和预设参数确定出所述待监测区域内的黑臭河段,解决了现有城市黑臭水体监测无法实现长时间序列的工程化应用的技术问题。
Description
技术领域
本发明涉及黑臭水体监测的技术领域,尤其是涉及一种城市黑臭水体监测方法和装置。
背景技术
城市黑臭水体是指城市建成区内,呈现令人不悦的颜色和(或)散发令人不适气味的水体统称。所谓“黑臭”是水体有机污染的一种极端现象,是由于水体缺氧、有机物腐败而造成的,已经成为许多大中城市共同存在的环境污染问题。
目前国内外基于遥感影像的城市黑臭水体监测的算法思路主要为基于实地调查结果的相关参数,分析黑臭水体和正常水体的差异,找到进行区分的阈值,并在遥感影像上进行反演,再进行实地验证的研究层面思路,在实际工程化应用中存在很强的局限性。首先,相关阈值的确定为依据某次地面调查结果得到的绝对值,阈值在空间和时间范围上均无变化,进行基于遥感数据的城市黑臭水体工程化月度监测的精度很低。第二,仅针对单个像元进行相关参数的反演,使像素噪声无法被排除,且实际工程化应用的对象为河段,采用基于像素反演的参数进行判断会使精度大大降低。第三,城市黑臭水体的成因与社会经济因素密切相关,目前国内外的城市黑臭水体遥感监测大多依据遥感影像和实地观测的光谱、水色、水质参数等数据,并未引入污染源数据进行进一步分析。第四,很少考虑不同影像间的差异,实际工程化应用的输入数据为多景影像,不同影像的成像时间、质量均有差异,仅采用单一阈值会使精度大大降低。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种城市黑臭水体监测方法和装置,以缓解了现有城市黑臭水体监测无法实现长时间序列的工程化应用的技术问题。
第一方面,本发明实施例提供了一种城市黑臭水体监测方法,包括:获取待监测区域的多景影像数据,并对所述多景影像数据进行处理,得到地表反射率影像数据集和BOCI影像数据集;基于所述地表反射率影像数据集和所述待监测区域的预设河段矢量数据,确定出目标河段矢量数据,其中,所述目标河段矢量数据用于表征所述待监测区域内的有效河段;基于目标河段矢量数据,对所述BOCI影像数据集进行河段数分类和影像间归一化处理,得到目标影像数据集,所述目标影像数据集包括:基准影像数据集和归一化影像数据集;基于城市黑臭水体遥感监测多层结构、所述目标影像数据集和预设参数确定出所述待监测区域内的黑臭河段,其中,所述预设参数包括:不同季节对应的黑臭河段BOCI相对阈值,预设河段宽度,污染源辐射范围。
进一步地,所述城市黑臭水体遥感监测多层结构包括:像元层、水体层、河段层和场景层,所述像元层的特征参数为地表反射率,所述水体层的特征参数为BOCI,所述河段层的特征参数为河段宽度,所述场景层的特征参数为污染源辐射范围。
进一步地,对所述多景影像数据进行处理,得到地表反射率影像数据集和BOCI影像数据集,包括:对所述多景影像数据依次进行正射校正处理、大气校正处理和影像融合处理,得到融合影像;基于所述融合影像,确定出所述地表反射率影像数据集;计算所述融合影像的BOCI,得到所述BOCI影像数据集。
进一步地,基于所述地表反射率影像数据集和所述待监测区域的预设河段矢量数据,确定出目标河段矢量数据,包括:基于所述地表反射率影像数据集和所述待监测区域的预设河段矢量数据,将所述预设河段矢量数据中存在影像覆盖的河段矢量数据,确定为第一初始河段矢量数据;将所述第一初始河段矢量数据中河段内云量小于或等于第一预设比例的河段矢量数据确定为第二初始河段矢量数据;将所述第二初始河段矢量数据中河段内水量大于第二预设比例的河段矢量数据确定为所述目标河段矢量数据。
进一步地,对所述BOCI影像数据集和所述目标河段矢量数据进行归一化处理,得到目标影像数据集,并确定出所述目标影像数据集中的每个目标影像数据的属性数据,包括:基于所述BOCI影像数据集和所述目标河段矢量数据,确定出所述BOCI影像数据集中每个BOCI影像数据的目标数量,其中,每个BOCI影像数据的目标数量为每个BOCI影像数据中存在影像覆盖的河段的数量;利用所述目标数量大于或等于第一预设值的BOCI影像数据,构建基准影像数据集,以及利用所述目标数量小于所述第一预设值的BOCI影像数据,构建子BOCI影像数据集;利用基准影像数据集和所述子BOCI影像数据集进行影像间归一化处理,得到所述目标影像数据集。
进一步地,所述基准影像数据集包括一个或多个基准影像数据,所述子BOCI影像数据集包括一个或多个子BOCI影像数据;利用所述基准影像数据集和所述子BOCI影像数据集进行影像间归一化处理,得到所述归一化影像数据集,包括:确定出所述子BOCI影像数据与所述基准影像数据之间的空间距离,并将所述空间距离的最小值对应的基准影像数据,确定为目标基准影像数据;利用所述目标基准影像数据,对所述子BOCI影像数据进行归一化处理,得到所述目标影像数据集。
进一步地,基于城市黑臭水体遥感监测多层结构、所述目标影像数据集和预设参数确定出所述待监测区域内的黑臭河段,包括:基于所述每个目标影像数据对应的单景影像数据的获取季节,确定出每个目标影像数据的获取季节对应的黑臭河段BOCI相对阈值;基于每个目标影像数据的获取季节对应的黑臭河段BOCI相对阈值,计算出每个目标影像数据包含的河段对应黑臭河段BOCI绝对阈值;将所述目标影像数据中包含的河段的BOCI大于所述目标影像数据中包含的河段对应的黑臭河段BOCI绝对阈值的河段,确定为第一初始河段,以及将所述目标影像数据中包含的河段的BOCI小于或等于所述目标影像数据中包含的河段对应的黑臭河段BOCI绝对阈值的河段,确定为第二初始河段;将所述第一初始河段中河段宽度小于河段宽度均值的河段,确定为第一黑臭河段,将所述第一初始河段中河段宽度大于或等于河段宽度均值且处于污染源辐射范围内的河段,确定为第二黑臭河段;将所述第二初始河段中河段宽度小于预设河段宽度的河段,确定为第三黑臭河段;将所述第一黑臭河段、所述第二黑臭河段和所述第三黑臭河段,确定为所述待监测区域内的黑臭河段。
进一步地,基于每个目标影像数据的获取季节对应的黑臭河段BOCI相对阈值,计算出每个目标影像数据包含的河段对应的黑臭河段BOCI绝对阈值,包括:基于所述地表反射率影像数据集和所述目标河段矢量数据,对每个目标影像数据包含的河段内的水体进行提取,并确定出每个目标影像数据包含的河段内的水体所对应的BOCI;基于每个目标影像数据包含的河段中的水体所对应的BOCI,计算出每个目标影像数据的BOCI均值和BOCI标准差;利用每个目标影像数据的获取季节对应的黑臭河段BOCI相对阈值、每个目标影像数据的BOCI均值和BOCI标准差,计算出每个目标影像数据包含的河段对应的黑臭河段BOCI绝对阈值。
第二方面,本发明实施例还提供了一种城市黑臭水体监测装置,包括:获取单元,第一确定单元,归一化单元和第二确定单元,其中,所述获取单元,用于获取待监测区域的多景影像数据,并对所述多景影像数据进行处理,得到地表反射率影像数据集和BOCI影像数据集;所述第一确定单元,用于基于所述地表反射率影像数据集和所述待监测区域的预设河段矢量数据,确定出目标河段矢量数据,其中,所述目标河段矢量数据用于表征所述待监测区域内的有效河段;所述归一化单元,用于基于目标河段矢量数据,对所述BOCI影像数据集进行河段数分类和影像间归一化处理,得到目标影像数据集,所述目标影像数据集包括:基准影像数据集和归一化影像数据集;所述第二确定单元,用于基于城市黑臭水体遥感监测多层结构、所述目标影像数据集和预设参数确定出所述待监测区域内的黑臭河段,其中,所述预设参数包括:不同季节对应的黑臭河段BOCI相对阈值,预设河段宽度,污染源辐射范围。
第三方面,本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序。
在本发明实施例中,通过获取待监测区域的多景影像数据,并对多景影像数据进行处理,得到地表反射率影像数据集和BOCI影像数据集;基于地表反射率影像数据集和待监测区域的预设河段矢量数据,确定出目标河段矢量数据;基于目标河段矢量数据,对所述BOCI影像数据集进行河段数分类和影像间归一化处理,得到目标影像数据集;基于城市黑臭水体遥感监测多层结构,根据目标影像数据集和预设参数确定出所述待监测区域内的黑臭河段,其中,预设参数包括:不同季节对应的黑臭河段BOCI相对阈值,预设河段宽度,污染源辐射范围,达到了能够工程化的对城市黑臭水体进行监测的目的,进而现有城市黑臭水体监测无法实现长时间序列的工程化应用的技术问题,从而实现了降低城市黑臭水体进行监测成本和提高城市黑臭水体进行监测效率的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,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发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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。
图1为本发明实施例提供的一种城市黑臭水体监测方法的流程图;
图2为本发明实施例提供的目标影像数据集的确定方法的流程图;
图3为本发明实施例提供的黑臭河段的确定方法的流程图;
图4为本发明实施例提供的一种城市黑臭水体监测装置的示意图;
图5为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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。
实施例一:
根据本发明实施例,提供了一种城市黑臭水体监测方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种城市黑臭水体监测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取待监测区域的多景影像数据,并对所述多景影像数据进行处理,得到地表反射率影像数据集和BOCI影像数据集;
具体的,在本申请中对多景影像数据依次进行正射校正处理、大气校正处理和影像融合处理,得到融合影像;基于融合影像,确定出地表反射率影像数据集;计算融合影像的BOCI(城市黑臭水体分级指数),得到BOCI影像数据集。
步骤S104,基于所述地表反射率影像数据集和所述待监测区域的预设河段矢量数据,确定出目标河段矢量数据,其中,所述目标河段矢量数据用于表征所述待监测区域内的有效河段;
步骤S106,基于目标河段矢量数据,对所述BOCI影像数据集进行河段数分类和影像间归一化处理,得到目标影像数据集,所述目标影像数据集包括:基准影像数据集和归一化影像数据集;
步骤S108,基于城市黑臭水体遥感监测多层结构、所述目标影像数据集和预设参数确定出所述待监测区域内的黑臭河段,其中,所述预设参数包括:不同季节对应的黑臭河段BOCI相对阈值,预设河段宽度,污染源辐射范围。
需要说明的是,所述城市黑臭水体遥感监测多层结构包括:像元层、水体层、河段层和场景层,所述像元层的特征参数为地表反射率,所述水体层的特征参数为BOCI,所述河段层的特征参数为河段宽度,所述场景层的特征参数为污染源辐射范围。
在本发明实施例中,通过获取待监测区域的多景影像数据,并对多景影像数据进行处理,得到地表反射率影像数据集和BOCI影像数据集;基于地表反射率影像数据集和待监测区域的预设河段矢量数据,确定出目标河段矢量数据;基于目标河段矢量数据,对所述BOCI影像数据集进行河段数分类和影像间归一化处理,得到目标影像数据集;基于城市黑臭水体遥感监测多层结构,根据目标影像数据集和预设参数确定出所述待监测区域内的黑臭河段,其中,预设参数包括:不同季节对应的黑臭河段BOCI相对阈值,预设河段宽度,污染源辐射范围,达到了能够工程化的对城市黑臭水体进行监测的目的,进而现有城市黑臭水体监测无法实现长时间序列的工程化应用的技术问题,从而实现了降低城市黑臭水体进行监测成本和提高城市黑臭水体进行监测效率的技术效果。
在本发明实施例中,步骤S104包括如下步骤:
步骤S11,基于所述地表反射率影像数据集和所述待监测区域的预设河段矢量数据,将所述预设河段矢量数据中存在影像覆盖的河段矢量数据,确定为第一初始河段矢量数据;
步骤S12,将所述第一初始河段矢量数据中河段内云量小于或等于第一预设比例的河段矢量数据确定为第二初始河段矢量数据;
步骤S13,将所述第二初始河段矢量数据中河段内水量大于第二预设比例的河段矢量数据确定为所述目标河段矢量数据。
基于遥感技术的城市黑臭水体监测的前提是对影像中呈现水体特征的河道进行监测,例如,被绿色藻类完全覆盖的河段已呈现植被特征,无法进行黑臭水体自动化判读。因此,需要对河段矢量数据进行筛选,排除无效河段,包括无影像覆盖、有云影响、无水或看不见水体等,只留下水体特征明显的有效河段进行黑臭水体判读。
因此,本申请基于地表反射率影像数据集和待监测区域的预设河段矢量数据,将预设河段矢量数据中存在影像覆盖的河段矢量数据,确定为第一初始河段矢量数据。
将第一初始河段矢量数据中河段内云量小于或等于第一预设比例的河段矢量数据确定为第二初始河段矢量数据。
将第二初始河段矢量数据中河段内水量大于第二预设比例的河段矢量数据确定为目标河段矢量数据。
从而实现了对预设河段矢量数据的筛选,进而提高了水体监测的精确度。
在本发明实施例中,如图2所示,步骤S106包括如下步骤:
步骤S21,基于所述BOCI影像数据集和所述目标河段矢量数据,确定出所述BOCI影像数据集中每个BOCI影像数据的目标数量,其中,每个BOCI影像数据的目标数量为每个BOCI影像数据中存在影像覆盖的河段的数量;
步骤S22,利用所述目标数量大于或等于第一预设值的BOCI影像数据,构建基准影像数据集,以及利用所述目标数量小于所述第一预设值的BOCI影像数据,构建子BOCI影像数据集;
步骤S23,利用所述基准影像数据集和所述子BOCI影像数据集进行影像间归一化处理,得到所述目标影像数据集。
在本发明实施例中,首先,基于BOCI影像数据集和目标河段矢量数据,对BOCI影像数据集进行判读影像覆盖河段数小于20条的不具备统计学意义,无法进行单景影像的相对阈值确定。设河段覆盖数小于20条的BOCI影像为数据集B4(即,子BOCI影像数据集),河段覆盖数大于等于20条的BOCI影像为数据集B3(即,基准影像数据集)。
具体的,所述基准影像数据集包括一个或多个基准影像数据,所述子BOCI影像数据集包括一个或多个子BOCI影像数据;
步骤S23包括如下步骤:
确定出所述子BOCI影像数据与所述基准影像数据之间的空间距离,并将所述空间距离的最小值对应的基准影像数据,确定为目标基准影像数据;
利用所述目标基准影像数据,对所述子BOCI影像数据进行归一化处理,得到所述目标影像数据集。
首先,针对影像数据集B4中的每景影像(即,子BOCI影像数据集),在影像数据集B3中选择与其空间距离最近的一景影像(即,目标基准影像数据)为基准,进行影像间的归一化处理。
以影像数据集B4中的一景影像bi为例,在数据集B3中找到与bi空间距离最近的影像bj,以bj为基准,对影像bi进行归一化处理,得到归一化之后的影像bk。
当影像数据集B4中的全部影像归一化处理完毕后,影像数据集B4更新为归一化数据集B4(即,归一化影像数据集)。
影像间的归一化处理是为了消除因影像质量不同带来的误差,使数据集B4中影像覆盖的河段可以并入数据集B3中以进行相对阈值的确定。本发明中仅对BOCI影像数据进行归一化处理,不涉及地表反射率影像数据,BOCI为单波段影像。归一化公式如下:
在本发明实施例中,如图3所示,步骤S108包括如下步骤:
步骤S31,基于所述每个目标影像数据对应的单景影像数据的获取季节,确定出每个目标影像数据的获取季节对应的黑臭河段BOCI相对阈值;
步骤S32,基于每个目标影像数据的获取季节对应的黑臭河段BOCI相对阈值,计算出每个目标影像数据包含的河段对应黑臭河段BOCI绝对阈值;
步骤S33,将所述目标影像数据中包含的河段的BOCI大于所述目标影像数据中包含的河段对应的黑臭河段BOCI绝对阈值的河段,确定为第一初始河段,以及将所述目标影像数据中包含的河段的BOCI小于或等于所述目标影像数据中包含的河段对应的黑臭河段BOCI绝对阈值的河段,确定为第二初始河段;
步骤S34,将所述第一初始河段中河段宽度小于河段宽度均值的河段,确定为第一黑臭河段,将所述第一初始河段中河段宽度大于或等于河段宽度均值且处于污染源辐射范围内的河段,确定为第二黑臭河段;
步骤S35,将所述第二初始河段中河段宽度小于预设河段宽度的河段,确定为第三黑臭河段;
步骤S36,将所述第一黑臭河段、所述第二黑臭河段和所述第三黑臭河段,确定为所述待监测区域内的黑臭河段。
在本发明实施例中,城市黑臭水体遥感监测多层结构是从影像像元到河段内水体,再到每一河段,最终到河段周围环境的综合判读结构。是从微观到局部,到整体,再到环境的综合判读模型。分别在水体层、河段层和场景层引入BOCI、河段宽度和污染源辐射范围作为每层的特征参数,从而确定出黑臭河段。
需要说明的是,黑臭水体存在季节性特征,且不同年份间黑臭情况相差较大,故采用相对阈值进行季节性变化的思路,不考虑年份间关联,以三个月为一季建立季节性动态阈值模型。因不同地域季节性变化差异较大,以北方典型气候为例,城市黑臭水体在春季和秋季黑臭程度类似,夏季相对轻,冬季黑臭程度相对重。则季节性动态阈值模型如下表,a和b为相对阈值在季节间的变化程度。
春季(3-5) | 夏季(6-8) | 秋季(9-11) | 冬季(12-2) |
X | X+a | X | X+b |
当年份及地点变换后应重新输入样本数据,以某地某年任意月份实际黑臭野外数据作为样本,根据季节性动态阈值模型确定不同季节对应的黑臭河段BOCI相对阈值(即,预设参数),以提升算法精度。
需要说明的是,上述的不同季节对应的黑臭河段BOCI相对阈值,可以通过野外数据采集,得到待监测区域中某个季节各个河段是否黑臭的数据,将该数据作为样本,根据Y=ave+n*sig计算Y值对样本河段进行分类,其中n为[-3, 3]中以0.1为步长的一系列值,ave为所有河段内水体的BOCI的均值,sig为所有河段内水体的BOCI的标准差,找到分类精度最高的Y值对应的n值,作为该季节对应的黑臭河段BOCI相对阈值。
在空间范围上,采用绝对阈值的思路,对于覆盖河段多于20条的影像,以景为单位统计影像中所有河段内水体的BOCI均值和标准差,找到绝对阈值,以减少因影像间质量差异带来的误差。对于覆盖河段小于20条的影像,归一化后与其基准影像一起进行绝对阈值的确定。
需要说明的是,步骤S32包括如下步骤:
步骤S321,基于所述地表反射率影像数据集和所述目标河段矢量数据,对每个目标影像数据包含的河段内的水体进行提取,并确定出每个目标影像数据包含的河段内的水体所对应的BOCI;
步骤S322,基于每个目标影像数据包含的河段中的水体所对应的BOCI,计算出每个目标影像数据的BOCI均值和BOCI标准差;
步骤S323,利用每个目标影像数据的获取季节对应的黑臭河段BOCI相对阈值、每个目标影像数据的BOCI均值和BOCI标准差,计算出每个目标影像数据包含的河段对应的黑臭河段BOCI绝对阈值。
首先,通过每个单景影像的地表反射率影像提取出河段范围,由于河段范围内有较多的非水体地物,例如桥梁,因此利用水体提取算法从河段范围内提取出水体,目的是剔除非水体地物,得到真实的水体范围。
然后,确定出每个单景影像中各个水体的BOCI。
假设一个单景影像包含的河段总共提取出三块水体,其中,河段内第一块水体内所有像素的BOCI的均值即代表该水体的BOCI,我们记为BOCI-1,同理可得BOCI-2和BOCI-3。Y=ave+n*sig中的ave即为BOCI-1、BOCI-2、BOCI-3三个值的平均值,sig即为BOCI-1、BOCI-2、BOCI-3三个值的标准差,Y为该单景影像包含的河段对应的黑臭河段BOCI绝对阈值,n为获取季节对应的BOCI相对阈值。
BOCI仅为本算法中区分黑臭水体和正常水体的第一个特征参数,河段宽度和污染源辐射范围作为后续参数以进行河段自动判读。以单景影像为例,河段自动判读过程如下:
基于每个目标影像数据对应的单景影像数据的获取季节,确定出每个目标影像数据的获取季节对应的黑臭河段BOCI相对阈值;
基于每个目标影像数据的获取季节对应的黑臭河段BOCI相对阈值,确定每个目标影像数据包含的河段对应黑臭河段BOCI绝对阈值;
将目标影像数据中包含的河段的BOCI大于目标影像数据中包含的河段对应的黑臭河段BOCI绝对阈值的河段,确定为第一初始河段,以及将目标影像数据中包含的河段的BOCI小于或等于目标影像数据中包含的河段对应的黑臭河段BOCI绝对阈值的河段,确定为第二初始河段;
将第一初始河段中河段宽度小于河段宽度均值的河段,确定为第一黑臭河段,将第一初始河段中河段宽度大于或等于河段宽度均值且处于污染源辐射范围内的河段,确定为第二黑臭河段;
将第二初始河段中河段宽度小于预设河段宽度的河段,确定为第三黑臭河段;
将第一黑臭河段、第二黑臭河段和第三黑臭河段,确定为待监测区域内的黑臭河段。
将第一初始河段中河段宽度大于或等于河段宽度均值且不处于污染源辐射范围内的河段,确定为正常河段。
将第二初始河段中河段宽度大于或等于预设河段宽度的河段,确定为正常河段。
目前国内外基于遥感影像的城市黑臭水体监测算法多停留在研究层面,在工程化和自动化应用上均有一定的限制,急需一种面向城市黑臭水体的快速、多频次、大范围的工程化自动判读算法。
本申请中,首先,提出了动态阈值的思路,使阈值在时间范围和空间范围均可实现自适应,大大提高黑臭水体的识别精度。在时间范围上,因为黑臭水体成因复杂且具有一定的季节性变化,采用相对阈值以季度为单位进行变动的思路,使城市黑臭水体遥感监测可以实现精度较高的工程化月度监测,减少人工干预。在空间范围上,采用相对阈值的思路使绝对阈值以景为单位进行变动,以减少因影像间质量差异带来的误差。
其次,构建城市黑臭水体遥感监测多层结构,基于面向对象分割技术和水体指数使影像从单个像元变成河段内水体层,确定指数阈值,然后将阈值应用于河段层,进行河宽筛选,最后在场景层引入污染源数据做进一步筛选,以进一步提升精度。
在保证精度的同时,为满足从影像处理到河段自动黑臭判读这一过程实现全流程全自动化运行的需求,采用类似监督分类的思路,以某地区某年任意一个月的野外调查数据为样本,当输入数据和样本数据满足条件时,可实现无需人工干预的工程化应用。
本申请通过建立了自适应的动态阈值,引入污染源数据,提升了城市黑臭水体月度监测的精度,实现了批量化数据处理,自动化黑臭水体筛查,连续性、大范围的城市黑臭水体遥感监测,减少了人工成本,提高了筛查效率。
实施例二:
本发明实施例还提供了一种城市黑臭水体监测装置,该水体监测装置用于执行本发明实施例上述内容所提供的水体监测方法,以下是本发明实施例提供的水体监测装置的具体介绍。
如图4所示,图4为上述水体监测装置的示意图,该水体监测装置包括:获取单元10,第一确定单元20,归一化单元30和第二确定单元40。
所述获取单元10,用于获取待监测区域的多景影像数据,并对所述多景影像数据进行处理,得到地表反射率影像数据集和BOCI影像数据集;
所述第一确定单元20,用于基于所述地表反射率影像数据集和所述待监测区域的预设河段矢量数据,确定出目标河段矢量数据,其中,所述目标河段矢量数据用于表征所述待监测区域内的有效河段;
所述归一化单元30,用于基于目标河段矢量数据,对所述BOCI影像数据集进行河段数分类和影像间归一化处理,得到目标影像数据集,所述目标影像数据集包括:基准影像数据集和归一化影像数据集;
所述第二确定单元40,用于基于城市黑臭水体遥感监测多层结构、所述目标影像数据集和预设参数确定出所述待监测区域内的黑臭河段,其中,所述预设参数包括:不同季节对应的黑臭河段BOCI相对阈值,预设河段宽度,污染源辐射范围。
在本发明实施例中,通过获取待监测区域的多景影像数据,并对多景影像数据进行处理,得到地表反射率影像数据集和BOCI影像数据集;基于地表反射率影像数据集和待监测区域的预设河段矢量数据,确定出目标河段矢量数据;基于目标河段矢量数据,对所述BOCI影像数据集进行河段数分类和影像间归一化处理,得到目标影像数据集;基于城市黑臭水体遥感监测多层结构,根据目标影像数据集和预设参数确定出所述待监测区域内的黑臭河段,其中,预设参数包括:不同季节对应的黑臭河段BOCI相对阈值,预设河段宽度,污染源辐射范围,达到了能够工程化的对城市黑臭水体进行监测的目的,进而现有城市黑臭水体监测无法实现长时间序列的工程化应用的技术问题,从而实现了降低城市黑臭水体进行监测成本和提高城市黑臭水体进行监测效率的技术效果。
实施例三:
本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
参见图5,本发明实施例还提供一种电子设备100,包括:处理器50,存储器51,总线52和通信接口53,所述处理器50、通信接口53和存储器51通过总线52连接;处理器50用于执行存储器51中存储的可执行模块,例如计算机程序。
其中,存储器51可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器51用于存储程序,所述处理器50在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中,或者由处理器50实现。
处理器50可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51,处理器50读取存储器51中的信息,结合其硬件完成上述方法的步骤。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (11)
1.一种城市黑臭水体监测方法,其特征在于,包括:
获取待监测区域的多景影像数据,并对所述多景影像数据进行处理,得到地表反射率影像数据集和BOCI影像数据集;
基于所述地表反射率影像数据集和所述待监测区域的预设河段矢量数据,确定出目标河段矢量数据,其中,所述目标河段矢量数据用于表征所述待监测区域内的有效河段;
基于目标河段矢量数据,对所述BOCI影像数据集进行河段数分类和影像间归一化处理,得到目标影像数据集,所述目标影像数据集包括:基准影像数据集和归一化影像数据集;
基于城市黑臭水体遥感监测多层结构、所述目标影像数据集和预设参数确定出所述待监测区域内的黑臭河段,其中,所述预设参数包括:不同季节对应的黑臭河段BOCI相对阈值,预设河段宽度,污染源辐射范围。
2.根据权利要求1所述的方法,其特征在于,
所述城市黑臭水体遥感监测多层结构包括:像元层、水体层、河段层和场景层,所述像元层的特征参数为地表反射率,所述水体层的特征参数为BOCI,所述河段层的特征参数为河段宽度,所述场景层的特征参数为污染源辐射范围。
3.根据权利要求1所述的方法,其特征在于,对所述多景影像数据进行处理,得到地表反射率影像数据集和BOCI影像数据集,包括:
对所述多景影像数据依次进行正射校正处理、大气校正处理和影像融合处理,得到融合影像;
基于所述融合影像,确定出所述地表反射率影像数据集;
计算所述融合影像的BOCI,得到所述BOCI影像数据集。
4.根据权利要求1所述的方法,其特征在于,基于所述地表反射率影像数据集和所述待监测区域的预设河段矢量数据,确定出目标河段矢量数据,包括:
基于所述地表反射率影像数据集和所述待监测区域的预设河段矢量数据,将所述预设河段矢量数据中存在影像覆盖的河段矢量数据,确定为第一初始河段矢量数据;
将所述第一初始河段矢量数据中河段内云量小于或等于第一预设比例的河段矢量数据确定为第二初始河段矢量数据;
将所述第二初始河段矢量数据中河段内水量大于第二预设比例的河段矢量数据确定为所述目标河段矢量数据。
5.根据权利要求1所述的方法,其特征在于,基于目标河段矢量数据,对所述BOCI影像数据集进行河段数分类和影像间归一化处理,得到目标影像数据集,包括:
基于所述BOCI影像数据集和所述目标河段矢量数据,确定出所述BOCI影像数据集中每个BOCI影像数据的目标数量,其中,每个BOCI影像数据的目标数量为每个BOCI影像数据中存在影像覆盖的河段的数量;
利用所述目标数量大于或等于第一预设值的BOCI影像数据,构建基准影像数据集,以及利用所述目标数量小于所述第一预设值的BOCI影像数据,构建子BOCI影像数据集;
利用所述基准影像数据集和所述子BOCI影像数据集进行影像间归一化处理,得到所述归一化影像数据集。
6.根据权利要求5所述的方法,其特征在于,所述基准影像数据集包括一个或多个基准影像数据,所述子BOCI影像数据集包括一个或多个子BOCI影像数据;
利用基准影像数据集和所述子BOCI影像数据集进行影像间归一化处理,得到所述目标影像数据集,包括:
确定出所述子BOCI影像数据与所述基准影像数据之间的空间距离,并将所述空间距离的最小值对应的基准影像数据,确定为目标基准影像数据;
利用所述目标基准影像数据,对所述子BOCI影像数据进行归一化处理,得到所述目标影像数据集。
7.根据权利要求1所述的方法,其特征在于,基于城市黑臭水体遥感监测多层结构、所述目标影像数据集和预设参数确定出所述待监测区域内的黑臭河段,包括:
基于每个目标影像数据对应的单景影像数据的获取季节,确定出每个目标影像数据的获取季节对应的黑臭河段BOCI相对阈值;
基于每个目标影像数据的获取季节对应的黑臭河段BOCI相对阈值,计算出每个目标影像数据包含的河段对应的黑臭河段BOCI绝对阈值;
将所述目标影像数据中包含的河段的BOCI大于所述目标影像数据中包含的河段对应的黑臭河段BOCI绝对阈值的河段,确定为第一初始河段,以及将所述目标影像数据中包含的河段的BOCI小于或等于所述目标影像数据中包含的河段对应的黑臭河段BOCI绝对阈值的河段,确定为第二初始河段;
将所述第一初始河段中河段宽度小于河段宽度均值的河段,确定为第一黑臭河段,将所述第一初始河段中河段宽度大于或等于河段宽度均值且处于污染源辐射范围内的河段,确定为第二黑臭河段;
将所述第二初始河段中河段宽度小于预设河段宽度的河段,确定为第三黑臭河段;
将所述第一黑臭河段、所述第二黑臭河段和所述第三黑臭河段,确定为所述待监测区域内的黑臭河段。
8.根据权利要求7所述的方法,其特征在于,基于每个目标影像数据的获取季节对应的黑臭河段BOCI相对阈值,计算出每个目标影像数据包含的河段对应的黑臭河段BOCI绝对阈值,包括:
基于所述地表反射率影像数据集和所述目标河段矢量数据,对每个目标影像数据包含的河段内的水体进行提取,并确定出每个目标影像数据包含的河段内的水体所对应的BOCI;
基于每个目标影像数据包含的河段中的水体所对应的BOCI,计算出每个目标影像数据的BOCI均值和BOCI标准差;
利用每个目标影像数据的获取季节对应的黑臭河段BOCI相对阈值、每个目标影像数据的BOCI均值和BOCI标准差,计算出每个目标影像数据包含的河段对应的黑臭河段BOCI绝对阈值。
9.一种城市黑臭水体监测装置,其特征在于,包括:获取单元,第一确定单元,归一化单元和第二确定单元,其中,
所述获取单元,用于获取待监测区域的多景影像数据,并对所述多景影像数据进行处理,得到地表反射率影像数据集和BOCI影像数据集;
所述第一确定单元,用于基于所述地表反射率影像数据集和所述待监测区域的预设河段矢量数据,确定出目标河段矢量数据,其中,所述目标河段矢量数据用于表征所述待监测区域内的有效河段;
所述归一化单元,用于基于目标河段矢量数据,对所述BOCI影像数据集进行河段数分类和影像间归一化处理,得到目标影像数据集,所述目标影像数据集包括:基准影像数据集和归一化影像数据集;
所述第二确定单元,用于基于城市黑臭水体遥感监测多层结构、所述目标影像数据集和预设参数确定出所述待监测区域内的黑臭河段,其中,所述预设参数包括:不同季节对应的黑臭河段BOCI相对阈值,预设河段宽度,污染源辐射范围。
10.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器用于存储支持处理器执行权利要求1至8任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
11.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,计算机程序被处理器运行时执行上述权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110985115.0A CN113436193B (zh) | 2021-08-26 | 2021-08-26 | 一种城市黑臭水体监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110985115.0A CN113436193B (zh) | 2021-08-26 | 2021-08-26 | 一种城市黑臭水体监测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436193A true CN113436193A (zh) | 2021-09-24 |
CN113436193B CN113436193B (zh) | 2021-11-30 |
Family
ID=77797961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110985115.0A Active CN113436193B (zh) | 2021-08-26 | 2021-08-26 | 一种城市黑臭水体监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436193B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913437A (zh) * | 2022-07-15 | 2022-08-16 | 航天宏图信息技术股份有限公司 | 一种黑臭水体识别方法 |
CN118396340A (zh) * | 2024-06-25 | 2024-07-26 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种干旱及半干旱地区黑臭水体全面排查方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107167431A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学院遥感与数字地球研究所 | 一种基于光谱指数模型的黑臭水体识别方法及系统 |
CN108333148A (zh) * | 2018-01-11 | 2018-07-27 | 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 |
CN109374537A (zh) * | 2018-09-30 | 2019-02-22 | 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 |
US20200311842A1 (en) * | 2019-03-28 | 2020-10-01 | China Waterborne Transport Research Institute | Method for tracking, monitoring and evaluating ecological impact of channel project based on long-term time series satellite remote sensing data |
-
2021
- 2021-08-26 CN CN202110985115.0A patent/CN113436193B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107167431A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学院遥感与数字地球研究所 | 一种基于光谱指数模型的黑臭水体识别方法及系统 |
CN108333148A (zh) * | 2018-01-11 | 2018-07-27 | 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 |
CN109374537A (zh) * | 2018-09-30 | 2019-02-22 | 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 |
US20200311842A1 (en) * | 2019-03-28 | 2020-10-01 | China Waterborne Transport Research Institute | Method for tracking, monitoring and evaluating ecological impact of channel project based on long-term time series satellite remote sensing data |
Non-Patent Citations (1)
Title |
---|
七珂珂 等: "基于GF-2影像的沈阳市黑臭水体遥感分级识别", 《遥感技术与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913437A (zh) * | 2022-07-15 | 2022-08-16 | 航天宏图信息技术股份有限公司 | 一种黑臭水体识别方法 |
CN114913437B (zh) * | 2022-07-15 | 2022-10-04 | 航天宏图信息技术股份有限公司 | 一种黑臭水体识别方法 |
CN118396340A (zh) * | 2024-06-25 | 2024-07-26 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种干旱及半干旱地区黑臭水体全面排查方法及系统 |
CN118396340B (zh) * | 2024-06-25 | 2024-08-23 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种干旱及半干旱地区黑臭水体全面排查方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113436193B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113436193B (zh) | 一种城市黑臭水体监测方法和装置 | |
CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
CN108764372A (zh) | 数据集的构建方法和装置、移动终端、可读存储介质 | |
CN114972191A (zh) | 一种耕地变化检测方法和装置 | |
CN107341795A (zh) | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 | |
CN111080652B (zh) | 基于多尺度轻量化空洞卷积的光学遥感图像分割方法 | |
CN112001374A (zh) | 一种高光谱影像的云检测方法和装置 | |
CN108898096B (zh) | 一种面向高分影像的信息快速精确提取方法 | |
CN111597949A (zh) | 一种基于npp-viirs夜间灯光数据的城市建成区提取方法 | |
AU2021102192A4 (en) | Remote sensing classification and identification method, device, equipment and storage medium for soil types | |
CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
CN114387455A (zh) | 一种基于人工智能的污水排放实时监测方法、系统及设备 | |
CN111079807A (zh) | 一种地物分类方法及装置 | |
CN113435407A (zh) | 一种输电系统的小目标识别方法及装置 | |
CN115953612A (zh) | 一种基于ConvNeXt的遥感影像植被分类方法和装置 | |
CN115294460A (zh) | 雷竹林退化程度确定方法、介质和电子设备 | |
CN115497010A (zh) | 一种基于深度学习的地理信息的识别方法及系统 | |
CN109523509B (zh) | 小麦抽穗期的检测方法、装置及电子设备 | |
CN107657246B (zh) | 一种基于多尺度滤波建筑指数的遥感影像建筑物检测方法 | |
CN117131441B (zh) | 夜间光污染监测方法、装置、计算机设备和存储介质 | |
CN118135412A (zh) | 一种农村黑臭水体遥感识别方法 | |
CN116030356B (zh) | 一种矿山生态修复的环境评估方法 | |
CN110929739B (zh) | 一种自动化的不透水面范围遥感迭代提取方法 | |
CN117541887A (zh) | 水分亏缺检测模型训练及水分亏缺检测方法、装置、设备 | |
CN112232303A (zh) | 一种基于高分遥感影像的草原道路信息提取方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230410 Address after: 100094 building 4, yard 2, Cuihu North Ring Road, Haidian District, Beijing Patentee after: Aerospace Hongtu Information Technology Co.,Ltd. Patentee after: Henan Aerospace Hongtu Information Technology Co.,Ltd. Address before: 100195 Room 301, 3 / F, building 5, zone 4, Xishan Creative Park, Haidian District, Beijing Patentee before: Aerospace Hongtu Information Technology Co.,Ltd. |
|
TR01 | Transfer of patent right |