CN113487574A - 多源遥感大数据协同的资源管理与环境监测方法及应用 - Google Patents
多源遥感大数据协同的资源管理与环境监测方法及应用 Download PDFInfo
- Publication number
- CN113487574A CN113487574A CN202110782963.1A CN202110782963A CN113487574A CN 113487574 A CN113487574 A CN 113487574A CN 202110782963 A CN202110782963 A CN 202110782963A CN 113487574 A CN113487574 A CN 113487574A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- water
- environment
- data
- water quality
- 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.)
- Withdrawn
Links
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
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
Abstract
本发明公开了多源遥感大数据协同的资源管理与环境监测方法,包括:通过不同传感器对地观测,获取水环境监测区域的水环境遥感图像数据;对异常像素进行平滑滤波,对去除异常像素的水环境遥感图像数据进行校正;将校正后的水环境遥感图像数据进行处理,得到遥感数据;建立各类水质参数反演模型;将遥感数据输入该反演模型,通过各类水质指标反演模型计算得到相应水质指标浓度图、黑臭水体分布图;通过图表进一步分析处理,得到水质等级和水环境监测报告。本发明所述的多源遥感大数据协同的资源管理与环境监测方法制备方法,数据处理高效、监测结果精确度高,避免了人为介入,分析可靠,并可在洪水和湖泊环境资源监测及分析处理中广泛应用。
Description
技术领域
本发明涉及遥感监测技术领域,特别涉及多源遥感大数据协同的资源管理与环境监测方法及应用。
背景技术
传统的江河流域水环境监测主要是设置定点监测站、抽样调查、现场观察和测量等方法,这些监测手段和方法有利于准确反映局部的微观水体特征,如果从宏观上映射江河流域水环境状况,采取此类方法不仅耗费人力、物力、财力资源而且效率也十分低下。
随着遥感技术的不断进步和相关理论模型的不断完善,遥感监测技术在水环境监测中的应用越来越多,由于水环境监测的遥感数据为点云数据,且这些数据需要经过一系列的复杂处理,才能获得为人们所需的数据,但是,通常是对一组点云数据进行处理,且没有考虑原始图像数据中的异常像素点,从而使得监测结果精确度不高,不能作为水环境后期分析的可靠保证,故此,我们提出了多源遥感大数据协同的资源管理与环境监测方法及应用。
发明内容
本发明的主要目的在于提供多源遥感大数据协同的资源管理与环境监测方法及应用,可以有效解决背景技术中的问题。
为实现上述目的,本发明采取的技术方案为:
一种多源遥感大数据协同的资源管理与环境监测方法,包括以下步骤:
步骤一、数据采集:通过光学、热红外和微波等大量不同传感器对地观测,获取水环境监测区域的水环境遥感图像数据;
步骤二、数据预处理:查寻水环境遥感图像数据中的异常像素,并对异常像素进行平滑滤波,根据预先获取的与水环境监测区域对应的地面监测数据,对去除异常像素的水环境遥感图像数据进行校正;
步骤三、数据获取:将校正后的水环境遥感图像数据进行处理,得到处理后的遥感数据;
步骤四、建立反演模型:利用机器学习模型训练数据集,建立各类水质参数反演模型;
步骤五:图表获取:将步骤三得到的遥感数据输入该反演模型,通过各类水质指标反演模型计算得到相应水质指标浓度图、黑臭水体分布图;
步骤六:报告生成:通过步骤五获取的图表进一步分析处理,得到水质等级和水环境监测报告,实现对监测区域水环境安全全方位了解。
优选的,所述步骤一中数据采集,具体包括:
S1、系统利用倾斜摄影建模软件对多幅初始影像照片进行处理;
S2、利用RTK已测的控制点对影像进行坐标系配准;
S3、倾斜摄影软件对影像进行区域整体平差和多视角影像密集匹配。
优选的,所述步骤二中的查寻水环境遥感图像数据中的异常像素,具体包括:
S1、选取水环境遥感图像数据中的一个像素,计算所述像素的八邻域像素的灰度均值;
S2、判断所述灰度均值与所述像素的灰度值之间的相对误差是否大于预设的阈值;如果是,确定所述像素为异常像素;
S3、重复上述步骤,直到遍历水环境遥感图像数据中的像素。
优选的,所述步骤四中的水质参数反演模型包括感官物理性指标反演模型、化学性水质指标反演模型、生物学水质指标反演模型和其他物理性水质指标反演模型。
优选的,所述步骤四中的各类水质参数反演模型均包括水体环境监测区域的名称、成像日期、遥感器名称、水质参数类型、水质参数模型公式。
优选的,所述包括以下步骤:所述感官物理性指标反演模型参数类型包括水体环境监测区域的温度、色度、浑浊度、透明度等;所述化学性水质指标反演模型参数类型包括水体环境监测区域的pH值、硬度、碱度、各种离子、一般有机物质等;生物学水质指标反演模型参数类型包括水体环境监测区域的细菌总数、总大肠菌数、各种病原细菌、病毒等;其他物理性水质指标反演模型参数类型包括水体环境监测区域的包括总固体、悬浮性固体、固定性固体、电导率(电阻率)等。
优选的,所述步骤四中对机器学习模型训练数据集具体为:对机器学习模型输入数据进行处理,剔除反射比为1的饱和数据,之后基于均值方差归一化方法对数据进行归一化处理。
一种多源遥感大数据协同的资源管理与环境监测方法的应用,应用于洪水动态遥感监测及分析处理和湖泊环境资源监测及分析处理。
与现有技术相比,本发明具有如下有益效果:
1、本发明通过对水环境遥感图像数据中的异常像素进行平滑滤波和对去除异常像素的水环境遥感图像数据进行校正,提高了监测数据结果的精确度,保证了水环境后期的可靠分析;
2、本发明通过建立各类水质参数反演模型,通过各类水质指标反演模型计算得到相应水质指标浓度图、黑臭水体分布图,最后得到水质等级和水环境监测报告,避免了人为介入,提高了水环境监测数据处理的效率;
3、本发明大大提高了水环境监测工作中准确、高效、定量获取、分析、计算和处理不同水质指标数据的能力,同时也革命性的改变了监测成果的展示效果和方式。
附图说明
图1为本发明多源遥感大数据协同的资源管理与环境监测方法的监测流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”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”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“连接”等,应做广义理解,例如“连接”,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。
实施例
一种多源遥感大数据协同的资源管理与环境监测方法,包括以下步骤:
步骤一、数据采集:通过光学、热红外和微波等大量不同传感器对地观测,获取水环境监测区域的水环境遥感图像数据,数据采集,具体包括:
S1、系统利用倾斜摄影建模软件对多幅初始影像照片进行处理;
S2、利用RTK已测的控制点对影像进行坐标系配准;
S3、倾斜摄影软件对影像进行区域整体平差和多视角影像密集匹配;
步骤二、数据预处理:查寻水环境遥感图像数据中的异常像素,并对异常像素进行平滑滤波,根据预先获取的与水环境监测区域对应的地面监测数据,对去除异常像素的水环境遥感图像数据进行校正,查寻水环境遥感图像数据中的异常像素,具体包括:
S1、选取水环境遥感图像数据中的一个像素,计算像素的八邻域像素的灰度均值;
S2、判断灰度均值与像素的灰度值之间的相对误差是否大于预设的阈值;如果是,确定像素为异常像素;
S3、重复上述步骤,直到遍历水环境遥感图像数据中的像素;
步骤三、数据获取:将校正后的水环境遥感图像数据进行处理,得到处理后的遥感数据;
步骤四、建立反演模型:利用机器学习模型训练数据集,对机器学习模型训练数据集具体为:对机器学习模型输入数据进行处理,剔除反射比为1的饱和数据,之后基于均值方差归一化方法对数据进行归一化处理,建立各类水质参数反演模型,水质参数反演模型包括感官物理性指标反演模型、化学性水质指标反演模型、生物学水质指标反演模型和其他物理性水质指标反演模型;各类水质参数反演模型均包括水体环境监测区域的名称、成像日期、遥感器名称、水质参数类型、水质参数模型公式;感官物理性指标反演模型参数类型包括水体环境监测区域的温度、色度、浑浊度、透明度等;化学性水质指标反演模型参数类型包括水体环境监测区域的pH值、硬度、碱度、各种离子、一般有机物质等;生物学水质指标反演模型参数类型包括水体环境监测区域的细菌总数、总大肠菌数、各种病原细菌、病毒等;其他物理性水质指标反演模型参数类型包括水体环境监测区域的包括总固体、悬浮性固体、固定性固体、电导率(电阻率)等;
步骤五:图表获取:将步骤三得到的遥感数据输入该反演模型,通过各类水质指标反演模型计算得到相应水质指标浓度图、黑臭水体分布图;
步骤六:报告生成:通过步骤五获取的图表进一步分析处理,得到水质等级和水环境监测报告,实现对监测区域水环境安全全方位了解。
一种多源遥感大数据协同的资源管理与环境监测方法的应用,应用于洪水动态遥感监测及分析处理和湖泊环境资源监测及分析处理。
本发明通过建立各类水质参数反演模型,通过各类水质指标反演模型计算得到相应水质指标浓度图、黑臭水体分布图,最后得到水质等级和水环境监测报告,避免了人为介入,提高了水环境监测数据处理的效率,通过对水环境遥感图像数据中的异常像素进行平滑滤波和对去除异常像素的水环境遥感图像数据进行校正,提高了监测数据结果的精确度,保证了水环境后期的可靠分析,本发明监测方法大大提高了水环境监测工作中准确、高效、定量获取、分析、计算和处理不同水质指标数据的能力,同时也革命性的改变了监测成果的展示效果和方式。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种多源遥感大数据协同的资源管理与环境监测方法,其特征在于:包括以下步骤:
步骤一、数据采集:通过光学、热红外和微波等大量不同传感器对地观测,获取水环境监测区域的水环境遥感图像数据;
步骤二、数据预处理:查寻水环境遥感图像数据中的异常像素,并对异常像素进行平滑滤波,根据预先获取的与水环境监测区域对应的地面监测数据,对去除异常像素的水环境遥感图像数据进行校正;
步骤三、数据获取:将校正后的水环境遥感图像数据进行处理,得到处理后的遥感数据;
步骤四、建立反演模型:利用机器学习模型训练数据集,建立各类水质参数反演模型;
步骤五:图表获取:将步骤三得到的遥感数据输入该反演模型,通过各类水质指标反演模型计算得到相应水质指标浓度图、黑臭水体分布图;
步骤六:报告生成:通过步骤五获取的图表进一步分析处理,得到水质等级和水环境监测报告,实现对监测区域水环境安全全方位了解。
2.根据权利要求1所述的一种多源遥感大数据协同的资源管理与环境监测方法,其特征在于:所述步骤一中数据采集,具体包括:
S1、系统利用倾斜摄影建模软件对多幅初始影像照片进行处理;
S2、利用RTK已测的控制点对影像进行坐标系配准;
S3、倾斜摄影软件对影像进行区域整体平差和多视角影像密集匹配。
3.根据权利要求1所述的一种多源遥感大数据协同的资源管理与环境监测方法,其特征在于:所述步骤二中的查寻水环境遥感图像数据中的异常像素,具体包括:
S1、选取水环境遥感图像数据中的一个像素,计算所述像素的八邻域像素的灰度均值;
S2、判断所述灰度均值与所述像素的灰度值之间的相对误差是否大于预设的阈值;如果是,确定所述像素为异常像素;
S3、重复上述步骤,直到遍历水环境遥感图像数据中的像素。
4.根据权利要求1所述的一种多源遥感大数据协同的资源管理与环境监测方法,其特征在于:所述步骤四中的水质参数反演模型包括感官物理性指标反演模型、化学性水质指标反演模型、生物学水质指标反演模型和其他物理性水质指标反演模型。
5.根据权利要求1所述的一种多源遥感大数据协同的资源管理与环境监测方法,其特征在于:所述步骤四中的各类水质参数反演模型均包括水体环境监测区域的名称、成像日期、遥感器名称、水质参数类型、水质参数模型公式。
6.根据权利要求4所述的一种多源遥感大数据协同的资源管理与环境监测方法,其特征在于:所述包括以下步骤:所述感官物理性指标反演模型参数类型包括水体环境监测区域的温度、色度、浑浊度、透明度等;所述化学性水质指标反演模型参数类型包括水体环境监测区域的pH值、硬度、碱度、各种离子、一般有机物质等;生物学水质指标反演模型参数类型包括水体环境监测区域的细菌总数、总大肠菌数、各种病原细菌、病毒等;其他物理性水质指标反演模型参数类型包括水体环境监测区域的包括总固体、悬浮性固体、固定性固体、电导率(电阻率)等。
7.根据权利要求1所述的一种多源遥感大数据协同的资源管理与环境监测方法制备方法,其特征在于:所述步骤四中对机器学习模型训练数据集具体为:对机器学习模型输入数据进行处理,剔除反射比为1的饱和数据,之后基于均值方差归一化方法对数据进行归一化处理。
8.根据权利要求1-7所述的一种多源遥感大数据协同的资源管理与环境监测方法的应用,其特征在于:应用于洪水动态遥感监测及分析处理和湖泊环境资源监测及分析处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110782963.1A CN113487574A (zh) | 2021-07-12 | 2021-07-12 | 多源遥感大数据协同的资源管理与环境监测方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110782963.1A CN113487574A (zh) | 2021-07-12 | 2021-07-12 | 多源遥感大数据协同的资源管理与环境监测方法及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113487574A true CN113487574A (zh) | 2021-10-08 |
Family
ID=77937973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110782963.1A Withdrawn CN113487574A (zh) | 2021-07-12 | 2021-07-12 | 多源遥感大数据协同的资源管理与环境监测方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487574A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298562A (zh) * | 2021-12-29 | 2022-04-08 | 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 |
CN114441463A (zh) * | 2022-01-25 | 2022-05-06 | 安徽新宇环保科技股份有限公司 | 全光谱水质数据分析方法 |
CN115984341A (zh) * | 2023-03-20 | 2023-04-18 | 深圳市朗诚科技股份有限公司 | 海洋水质微生物检测方法、装置、设备及存储介质 |
CN116664989A (zh) * | 2023-07-28 | 2023-08-29 | 四川发展环境科学技术研究院有限公司 | 基于环境要素智能识别监测系统的数据分析方法及系统 |
CN116737854A (zh) * | 2023-05-26 | 2023-09-12 | 上海优异达机电有限公司 | 基于多源遥感数据的时空数据湖管理系统及其安全防护方法 |
-
2021
- 2021-07-12 CN CN202110782963.1A patent/CN113487574A/zh not_active Withdrawn
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298562A (zh) * | 2021-12-29 | 2022-04-08 | 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 |
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 |
CN114441463A (zh) * | 2022-01-25 | 2022-05-06 | 安徽新宇环保科技股份有限公司 | 全光谱水质数据分析方法 |
CN115984341A (zh) * | 2023-03-20 | 2023-04-18 | 深圳市朗诚科技股份有限公司 | 海洋水质微生物检测方法、装置、设备及存储介质 |
CN116737854A (zh) * | 2023-05-26 | 2023-09-12 | 上海优异达机电有限公司 | 基于多源遥感数据的时空数据湖管理系统及其安全防护方法 |
CN116737854B (zh) * | 2023-05-26 | 2024-04-30 | 上海优异达机电有限公司 | 基于多源遥感数据的时空数据湖管理系统及其安全防护方法 |
CN116664989A (zh) * | 2023-07-28 | 2023-08-29 | 四川发展环境科学技术研究院有限公司 | 基于环境要素智能识别监测系统的数据分析方法及系统 |
CN116664989B (zh) * | 2023-07-28 | 2023-09-29 | 四川发展环境科学技术研究院有限公司 | 基于环境要素智能识别监测系统的数据分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113487574A (zh) | 多源遥感大数据协同的资源管理与环境监测方法及应用 | |
CN106779418B (zh) | 基于神经网络和证据理论的水污染事件智能决策方法 | |
CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
CN112734694A (zh) | 一种基于大数据的水质监测方法 | |
CN109187534A (zh) | 水质检测方法及其水样图像识别装置 | |
Cui et al. | Water turbidity retrieval based on uav hyperspectral remote sensing | |
CN102628794A (zh) | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 | |
CN113267607A (zh) | 一种场地有机污染物迁移过程的特征参数识别系统 | |
Vickers et al. | Long-term water surface area monitoring and derived water level using synthetic aperture radar (SAR) at altevatn, a medium-sized arctic lake | |
CN115372551A (zh) | 一种监测天麻蜜环菌菌种质量系统 | |
CN107449485A (zh) | 液面影像辨识方法 | |
CN107392202A (zh) | 一种指针型读数识别方法和系统 | |
CN111724358A (zh) | 基于图像和卷积神经网络的混凝土质量检测方法及系统 | |
Dou et al. | Research on water-level recognition method based on image processing and convolutional neural networks | |
CN112284619A (zh) | 一种漏油实时监测装置和检测方法 | |
Zhao et al. | Quantitative response of gray-level co-occurrence matrix texture features to the salinity of cracked soda saline–alkali soil | |
CN116543372A (zh) | 一种节能环保的养殖污水处理方法 | |
CN102901697B (zh) | 土壤孔隙度检测方法 | |
Sivchenko et al. | Floc sensor prototype tested in the municipal wastewater treatment plant | |
CN108955909A (zh) | 一种基于机器视觉的油温表识别读数方法 | |
CN110988286B (zh) | 一种智能水资源长期探测系统 | |
CN111091601B (zh) | 一种实时白天室外手机图像的pm2.5指数估计方法 | |
CN112001896A (zh) | 一种甲状腺边界不规则度检测装置 | |
CN117036250B (zh) | 一种基于视觉算法的絮体沉降性能判断方法及装置 | |
CN110412244A (zh) | 一种富营养化滩涂沉积物生境修复信息处理系统及方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211008 |
|
WW01 | Invention patent application withdrawn after publication |