CN113640226B - 绿潮空间覆盖率的反演方法、装置及电子设备 - Google Patents
绿潮空间覆盖率的反演方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113640226B CN113640226B CN202110922045.4A CN202110922045A CN113640226B CN 113640226 B CN113640226 B CN 113640226B CN 202110922045 A CN202110922045 A CN 202110922045A CN 113640226 B CN113640226 B CN 113640226B
- Authority
- CN
- China
- Prior art keywords
- green tide
- area
- seawater
- parameter
- coverage
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000013535 sea water Substances 0.000 claims abstract description 111
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 44
- 230000003287 optical effect Effects 0.000 claims abstract description 33
- 241000195493 Cryptophyta Species 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000010339 dilation Effects 0.000 claims description 2
- 241000196252 Ulva Species 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 241000195628 Chlorophyta Species 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 241000196253 Ulva prolifera Species 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 241001122767 Theaceae Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000956 nontoxicity Toxicity 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G01N2021/1765—Method using an image detector and processing of image signal
-
- 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
- G01N2021/178—Methods for obtaining spatial resolution of the property being measured
-
- 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
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明提供了一种绿潮空间覆盖率的反演方法、装置及电子设备，首先根据获取到的目标观测区域的光学数据，确定目标观测区域的绿潮参数；然后根据绿潮参数及预设阈值，确定目标观测区域中的绿潮覆盖区域；进而根据绿潮覆盖区域的周边水域的绿潮参数，确定绿潮覆盖区域对应的海水背景参数；最后基于绿潮覆盖区域对应的海水背景参数及绿潮参数，确定绿潮覆盖区域的空间覆盖率。本发明中，考虑到由绿潮参数确定的绿潮覆盖区域实际上是绿潮及海水的混合区域，通过绿潮覆盖区域的周边水域的绿潮参数确定了该区域的海水背景参数，进而确定绿潮覆盖区域的空间覆盖率，提高了反演得到的绿潮的实际覆盖面积的准确性。
Description
技术领域
本发明涉及光学海洋遥感应用技术领域，尤其是涉及一种绿潮空间覆盖率的反演方法、装置及电子设备。
背景技术
相关技术中，基于低分辨率的光学卫星数据进行绿潮监测时，通常基于NDVI(Normalized Difference Vegetation Index，归一化植被指数)、FAI(Floating algaeindex浮游藻类指数)等指数或人工解译等方式进行绿潮覆盖面积等信息提取。该方式获取到的绿潮覆盖像元中，大部分是绿潮和海水的混合像素，覆盖面积存在极大的高估问题，不能真实地反映绿潮的实际覆盖面积，由此得到的绿潮空间覆盖率准确性较低。
发明内容
有鉴于此，本发明的目的在于提供一种绿潮空间覆盖率的反演方法、装置及电子设备，以提高反演得到的绿潮空间覆盖率的准确性，从而真实地反应绿潮的实际覆盖面积。
第一方面，本发明实施例提供了一种绿潮空间覆盖率的反演方法，包括：根据获取到的目标观测区域的光学数据，确定目标观测区域的绿潮参数；根据绿潮参数及预设阈值，确定目标观测区域中的绿潮覆盖区域；根据绿潮覆盖区域的周边水域的绿潮参数，确定绿潮覆盖区域对应的海水背景参数；基于绿潮覆盖区域对应的海水背景参数及绿潮参数，确定绿潮覆盖区域的空间覆盖率。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，上述光学数据包括目标观测区域中，每个像素点的近红外反射量、红光反射量、短波红外反射量和光学传感器对应的近红外波长、短波红外波长及红光波长；绿潮参数包括目标观测区域中，每个像素点的归一化植被指数及浮游藻类指数；根据获取到的目标观测区域的光学数据，确定目标观测区域的绿潮参数的步骤，包括：针对目标观测区域中的每个像素点，基于像素点的近红外反射量及红光反射量，计算像素点的归一化植被指数；基于像素点的近红外反射量、红光反射量、短波红外反射量、近红外波长、短波红外波长及红光波长，计算像素点的浮游藻类指数。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，根据绿潮参数及预设阈值，确定目标观测区域中的绿潮覆盖区域的步骤，包括：针对目标观测区域中的每个像素点，基于像素点的绿潮参数、与像素点的相邻像素点的绿潮参数以及预设阈值，确定目标观测区域中的待定区域；待定区域中包含多个待定像素点；针对于待定区域中的每个待定像素点，基于局部滑动窗口算法确定包含待定像素点的窗口区域；基于窗口区域中的像素的绿潮参数，确定待定像素点是否为绿潮像素；将确定为绿潮像素的待定像素组成的区域确定为目标观测区域中的绿潮覆盖区域。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，上述绿潮参数包括目标观测区域中，每个像素点的归一化植被指数及浮游藻类指数；预设阈值包括第一阈值及第二阈值；基于像素点的绿潮参数、与像素点的相邻像素点的绿潮参数以及预设阈值，确定目标观测区域中的待定区域的步骤，包括：基于像素点的归一化植被指数及与像素点的相邻像素点的归一化植被指数，计算像素点的归一化植被指数的梯度值；基于像素点的浮游藻类指数及与像素点的相邻像素点的浮游藻类指数，计算像素点的浮游藻类指数的梯度值；如果像素点的归一化植被指数的梯度值与第一阈值的关系满足第一预设条件，且像素点的浮游藻类指数的梯度值与第二阈值的关系满足第二预设条件，将像素点确定为待定像素点。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，目标观测区域中除待定区域外的区域为海水区域；海水区域包括海水像素；窗口区域包括数量大于或等于设定数量的海水像素；基于窗口区域中的像素的绿潮参数，确定待定像素点是否为绿潮像素的步骤，包括：计算窗口区域中的海水像素的绿潮参数的平均值及标准差；判断待定像素点的绿潮参数与海水像素的绿潮参数的平均值及标准差的关系是否满足第三预设条件；如果满足，确定待定像素点为绿潮元素；如果不满足，确定待定像素点为海水元素。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，目标观测区域中除绿潮覆盖区域外的区域为海水区域；海水区域包括海水像素；绿潮覆盖区域包括多个子区域，子区域与海水元素相邻；根据绿潮覆盖区域的周边水域的绿潮参数，确定绿潮覆盖区域对应的海水背景参数的步骤，包括：针对于每个子区域，采用形态学膨胀操作对子区域进行处理，得到子区域的周边水域；周边水域包括海水像素；计算周边水域中的海水像素的绿潮参数的平均值；将海水像素的绿潮参数的平均值确定为子区域对应的海水背景参数。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，绿潮覆盖区域包括多个绿潮像素；基于绿潮覆盖区域对应的海水背景参数及绿潮参数，确定绿潮覆盖区域的空间覆盖率的步骤，包括：针对绿潮覆盖区域中的每个绿潮像素，基于绿潮像素的海水背景参数、绿潮参数以及预先获取的纯绿潮参数、纯水参数，计算绿潮像素的子覆盖率；基于绿潮覆盖区域中的绿潮像素的面积、子覆盖率以及绿潮覆盖区域的面积，计算绿潮覆盖区域的空间覆盖率。
第二方面，本发明实施例还提供一种绿潮空间覆盖率的反演装置，包括：参数确定模块，用于根据获取到的目标观测区域的光学数据，确定目标观测区域的绿潮参数；绿潮覆盖区域确定模块，用于根据绿潮参数及预设阈值，确定目标观测区域中的绿潮覆盖区域；背景参数确定模块，用于根据绿潮覆盖区域的周边水域的绿潮参数，确定绿潮覆盖区域对应的海水背景参数；空间覆盖率确定模块，用于基于绿潮覆盖区域对应的海水背景参数及绿潮参数，确定绿潮覆盖区域的空间覆盖率。
第三方面，本发明实施例还提供一种电子设备，括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述方法。
第四方面，本发明实施例还提供一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述方法。
本发明实施例带来了以下有益效果：
本发明实施例提供了一种绿潮空间覆盖率的反演方法、装置及电子设备，首先根据获取到的目标观测区域的光学数据，确定目标观测区域的绿潮参数；然后根据绿潮参数及预设阈值，确定目标观测区域中的绿潮覆盖区域；进而根据绿潮覆盖区域的周边水域的绿潮参数，确定绿潮覆盖区域对应的海水背景参数；最后基于绿潮覆盖区域对应的海水背景参数及绿潮参数，确定绿潮覆盖区域的空间覆盖率。该方式中，考虑到由绿潮参数确定的绿潮覆盖区域实际上是绿潮及海水的混合区域，通过绿潮覆盖区域的周边水域的绿潮参数确定了该区域的海水背景参数，进而确定绿潮覆盖区域的空间覆盖率，提高了反演得到的绿潮的实际覆盖面积的准确性。
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绿潮空间覆盖率的反演方法的流程图；
图2为本发明实施例提供的另一种绿潮空间覆盖率的反演方法的流程图；
图3为本发明实施例提供的一种经瑞利校正后的卫星遥感数据示意图；
图4为本发明实施例提供的一种各个像素的FAI指数结果示意图；
图5为本发明实施例提供的一种FAI梯度图像(GFAI)的示意图；
图6为本发明实施例提供的一种水体背景场的FAIsw结果示意图；
图7为本发明实施例提供的一种藻类和背景海水FAI的差值结果(cFAI)示意图；
图8为本发明实施例提供的一种绿潮覆盖率结果示意图；
图9为本发明实施例提供的一种绿潮空间覆盖率的反演装置的结构示意图；
图10为本发明实施例提供的一种电子设备的结构示意图。
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。
绿藻，又称浒苔，藻体本身无毒性，对海洋生态环境不会产生负面作用，但其聚集会对城市景观造成不良影响，尤其是如不及时清理，会对海上船只活动造成很大影响。目前，绿藻已经成为全球性的海洋生态灾害，相关国家的政府均高度重视，纷纷投入大量人力、物力以及科研力量开展浒苔灾害调查及其防治研究，取得了一定成效。卫星遥感具有大范围、同步、准实时等技术优势，可准确提取浒苔位置、面积、密集度等信息，是绿藻灾害监测的重要技术手段，可为绿藻灾害的早期发现、动态跟踪和灾后评估提供技术支撑和信息服务。
目前，EOS-MODIS、HY1C/D-COCTS等低分辨率光学传感器具有观测范围大、光谱波段丰富、重复周期短，是目前监测我国黄东海海域绿潮的主要卫星遥感数据源。但是利用这类低空间分辨率监测获取的绿潮覆盖像元中，大部分是绿潮和海水的混合像素，覆盖面积存在极大的高估问题。
现有基于低分辨率的光学卫星数据进行绿潮监测，通常基于NDVI、FAI等指数，依靠单一阈值或人工解译等进行绿潮覆盖面积等信息提取，但是这类结果都存在一定问题：一般低空间分辨率的卫星数据刈幅较宽，整个海面观测区域的太阳天顶角、背景海水水色等多种要素存在不一致性，从而导致利用单一阈值方法进行绿潮信息提取时效果较差，不同区域存在高估或者低估的情况。如果采用人工解译进行绿潮区域提取，解译结果存着一定的主观性，不同业务人员的解译结果会存在差异。最重要的是，利用这类低空间分辨率监测获取的绿潮覆盖像元中，大部分是绿潮和海水的混合像素，覆盖面积存在极大的高估问题，结果不能真实的反映绿潮的实际覆盖面积。
基于此，本发明实施例提供的一种绿潮空间覆盖率的反演方法、装置以及电子设备，可以应用于各种海域中的绿潮或其他植被的空间覆盖率的反演过程。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种绿潮空间覆盖率的反演方法进行详细介绍，
本发明实施例提供了一种绿潮空间覆盖率的反演方法。如图1所示，该方法包括以下步骤：
步骤S100，根据获取到的目标观测区域的光学数据，确定目标观测区域的绿潮参数。
上述光学数据可以为低空间分辨率的卫星数据，该数据通常以遥感图像的形式显示目标观测区域。该图像中的每个像素点为目标观测区域的一块子区域。可以首先对该数据进行校准、校正、掩膜等预处理，得到其中该方法需要的数据。该图像中，每个像素反映了目标观测区域的子区域的光学特性。每个像素可以具有多个波段的反射数据以及其对应的波长，例如近红外反射量及对应的近红外波长、红光反射量对应的红光波长、短波红外反射量及对应的短波红外波长等。
由于绿潮通常生长于海洋生态环境中，上述目标观测区域通常包括海水区域和绿潮覆盖区域。由于海水和绿潮对红光波段、近红外波段及短波红波段的反射能力差别较大，因此可以基于目标观测区域中的各个像素的相关波段的反射量，生成该像素对应的绿潮参数，用于判断该像素对应的区域是海水还是绿潮。相关技术中，通常采用归一化植被指数或浮游藻类指数作为绿潮参数，也可以采用两者均作为绿潮参数。
步骤S102：根据绿潮参数及预设阈值，确定目标观测区域中的绿潮覆盖区域。
由于在采集光学数据时，该光学数据可能与采集条件，如光照、光学元件的结构等有关。基于光学数据确定的绿潮参数的绝对值也与采集条件相关。因此，难以基于绿潮参数的绝对值设定相关的阈值，以区分目标观测区域的海水区域和绿潮区域。因此，可以采用对每个像素的绿潮参数进行归一化处理，或者计算每个像素与相邻像素的绿潮参数之间的梯度，然后设置设定的阈值来区分目标观测区域中的绿潮覆盖区域和海水区域。
可以采用归一化植被指数和浮游藻类指数均作为绿潮参数，然后针对于归一化植被指数的相关参数(归一化参数或梯度)及浮游藻类指数的相关参数(归一化参数或梯度)分别设置对应的阈值。然后基于目标观测区域的一个像素对应的绿潮参数与对应的阈值之间的关系是否预设条件时，再确定该像素点属于绿潮覆盖区域还是海水区域。该预设条件可以为：像素点的归一化植被指数的相关参数大于对应的阈值，且该像素点的浮游藻类指数的相关参数大于对应的阈值，此时该像素点属于海水区域。
然而，由于有的像素点可能既包括海水区域也包括绿潮区域，可以将出了目标观测区域中除了海水区域的区域设置为待定区域，再基于待定区域中的每个像素点周围的海水区域的绿潮参数与该像素点的绿潮参数之间的关系，进一步判断该像素点更倾向于属于海水区域还是属于绿潮覆盖区域，从而对该像素进行归类。
步骤S104：根据绿潮覆盖区域的周边水域的绿潮参数，确定绿潮覆盖区域对应的海水背景参数。
通茶情况下，可以选取绿潮覆盖区域周围的设定大小的海水区域作为绿潮覆盖区域的周边水域，也可以基于形态学的膨胀操作得到绿潮覆盖区域的周边水域。当绿潮覆盖区域由多个互不连接的子区域组成时，需要针对每个子区域确定其周边水域。
在确定了周边水域后，可以基于周边水域中的像素的绿潮参数，确定绿潮覆盖区域对应的海水背景参数，如可以将周边水域中的像素的绿潮参数的平均值或中位值等作为绿潮覆盖区域对应的海水背景参数，以减少绿潮覆盖区域的海水背景对绿潮空间覆盖率的影响。通常来说，这个步骤中采用的绿潮参数为浮游藻类指数。
步骤S106：基于绿潮覆盖区域对应的海水背景参数及绿潮参数，确定绿潮覆盖区域的空间覆盖率。
具体而言，可以首先针对绿潮覆盖区域中的每个像素，基于该像素的海水背景参数及绿潮参数，计算该像素的子覆盖率，在该过程中需要用到以及预先获取的纯绿潮参数(通常为纯绿潮的FAI值)、纯水参数(通常为纯水的FAI值)，这些参数可以基于目标观测区域的光学数据以及采集这些光学数据的光学元件的特性确定；然后再通过子覆盖率和像素点的大小绿潮覆盖区域中的绿潮面积，进而计算绿潮覆盖区域的空间覆盖率。
本发明实施例提供了一种绿潮空间覆盖率的反演方法、装置及电子设备，首先根据获取到的目标观测区域的光学数据，确定目标观测区域的绿潮参数；然后根据绿潮参数及预设阈值，确定目标观测区域中的绿潮覆盖区域；进而根据绿潮覆盖区域的周边水域的绿潮参数，确定绿潮覆盖区域对应的海水背景参数；最后基于绿潮覆盖区域对应的海水背景参数及绿潮参数，确定绿潮覆盖区域的空间覆盖率。该方式中，考虑到由绿潮参数确定的绿潮覆盖区域实际上是绿潮及海水的混合区域，通过绿潮覆盖区域的周边水域的绿潮参数确定了该区域的海水背景参数，进而确定绿潮覆盖区域的空间覆盖率，提高了反演得到的绿潮的实际覆盖面积的准确性。
本发明实施利还提供了另一种绿潮空间覆盖率的反演方法，该方法在图1所示的方法基础上实现。该方法主要描述了当绿潮参数包括归一化植被指数及浮游藻类指数时，根据获取到的目标观测区域的光学数据，确定目标观测区域的绿潮参数的具体过程，确定目标观测区域中的绿潮覆盖区域以及该绿潮覆盖区域对应的海水背景参数的具体过程，以及基于绿潮覆盖区域对应的海水背景参数及绿潮参数，确定绿潮覆盖区域的空间覆盖率的具体过程如图2所示，该方法包括以下步骤：
步骤S200，针对目标观测区域中的每个像素点，基于像素点的近红外反射量及红光反射量，计算像素点的归一化植被指数。
上述植被指数可以通过下述公式计算：
NDVI＝(Rrc，NIR-Rrc，RED)/(Rrc，NIR+Rrc，RED)
其中，Rrc.NIR为像素点的近红外反射量，Rrc.RED为像素点的红光反射量。
步骤S202，基于像素点的近红外反射量、红光反射量、短波红外反射量、近红外波长、短波红外波长及红光波长，计算像素点的浮游藻类指数。
上述浮游藻类指数可以通过下述公式计算：
其中，Rrc.SWIR为像素点的短波红外反射量，λNIR为像素点的近红外波长，λRED为像素点的红光波长，λSWIR为像素点的短波红外波长。
其中，上述公式中的各个像素的参数数据，如红光反射量、近红外反射量等可以通过以下方式得到：在获取卫星遥感数据后，对卫星遥感数据进行辐射校准、大气校正、重采样、投影、云掩模、陆地掩模等预处理。例如，从美国数据分发网站获取MODIS的Level1B级数据后，可以利用SeaDAS软件处理生成瑞利校正反射数据，数据重新采样成250米的分辨率并投影到UTM-51N投影方式下，然后利用1240nm等波段的数据进行云掩模处理，并采用现有的海陆掩模数据进行掩模处理，进而得到上述参数数据，即上述目标观测区域的光学数据。对于MODIS数据，λRED＝645nm，λNIR＝859nm，λSWIR＝1240nm。
步骤S204，基于像素点的绿潮参数、与像素点的相邻像素点的绿潮参数以及预设阈值，确定目标观测区域中的待定区域；待定区域中包含多个待定像素点。
该过程也称为绿潮区域初步判定。具体而言，可以采用如下方式确定待定区域：(1)基于像素点的归一化植被指数及与像素点的相邻像素点的归一化植被指数，计算像素点的归一化植被指数的梯度值。
(2)基于像素点的浮游藻类指数及与像素点的相邻像素点的浮游藻类指数，计算像素点的浮游藻类指数的梯度值。
上述步骤(1)及(2)均可以采用如下公式进行计算：
其中，yi为第i个像素的NDNI或FAI；
为第i个像素的梯度。遍历所有像素列，xi,j为第i个像素毗邻的8个像素的距离，yj为第j个像素毗邻的8个像素的NDNI或FAI。
(3)如果像素点的归一化植被指数的梯度值与第一阈值的关系满足第一预设条件，且像素点的浮游藻类指数的梯度值与第二阈值的关系满足第二预设条件，将像素点确定为待定像素点。
由于绿潮的漂浮藻类指数相对于背景海水较高，所以基于NDVI、FAI及其梯度率(和上述梯度相同)，利用针对于NDVI梯度的第一阈值和针对FAI梯度的第而阈值于可以将整个观测区域可以归类为水域(也可以称为“海水区域”)和待定区域，待定区域可能包含了浒苔和相邻的水域像素。
步骤S206，针对于待定区域中的每个待定像素点，基于局部滑动窗口算法确定包含待定像素点的窗口区域。
具体可以采用局部滑动窗口确定已待定像素点为中心的窗口区域。目标观测区域中除待定区域外的区域为海水区域；海水区域包括海水像素；窗口区域中需要包括数量大于或等于设定数量的海水像素，从而来确定待定像素点(也称为待定像元)的类型。例如，可以设定最初的窗口大小为11×11大小，以待定像元为中心，如果该窗口内的海水像素小于100个，则扩大窗口大小。
步骤S208，基于窗口区域中的像素的绿潮参数，确定待定像素点是否为绿潮像素。
具体而言，可以计算窗口区域中的海水像素的绿潮参数的平均值FAIsw,mean及标准差FAIsw,std；然后判断待定像素点的绿潮参数FAI与海水像素的绿潮参数的平均值及标准差的关系是否满足第三预设条件，该第三预设条件可以为待定像素点的绿潮参数FAI<FAIsw,mean+n*FAIsw,std；如果满足，确定待定像素点为绿潮元素；如果不满足，确定待定像素点为海水元素。
其中n根据经验选取固定值.
步骤S210，将确定为绿潮像素的待定像素组成的区域确定为目标观测区域中的绿潮覆盖区域。通常情况下，绿潮覆盖区域包括多个子区域，子区域与海水元素相邻；即各个子区域之间不相互连接。
步骤S212，针对于每个子区域，采用形态学膨胀操作对子区域进行处理，得到子区域的周边水域；周边水域包括海水像素。上述子区域也可以称为绿潮覆盖斑块区域。
步骤S214，计算周边水域中的海水像素的绿潮参数的平均值。海水像素的绿潮参数的平均值可以为FAIsw,mean。
步骤S216，将海水像素的绿潮参数的平均值确定为子区域对应的海水背景参数。当对每个子区域都进行了如上步骤后，即获取了整个观测区域的背景海水数据FAIsw。
步骤S218，针对绿潮覆盖区域中的每个绿潮像素，基于绿潮像素的海水背景参数、绿潮参数以及预先获取的纯绿潮参数、纯水参数，计算绿潮像素的子覆盖率。
上述绿潮覆盖区域中的绿潮像素为包含绿潮(浒苔)和海水的混合像素，其分布比例分别可以表示为α和1-α，每个像元的反射量则可以表示为：
Rrc，pixel＝αRrc，algae+(1-α)Rrc，sw
由于FAI空间与Rrc呈线性的关系，则：
FAIpixel＝αFAIalgae+(1-α)FAIsw
式中：FAIalgae为纯浒苔的FAI值(即上述纯绿潮参数)，FAIsw为水体的FAI值(即上述纯水参数)，因此，α可以表示为：
其中，纯浒苔的FAI值FAIalgae，结合现场获取的绿潮光谱曲线及不同低分辨率光学传感器的光谱响应函数，可以确定该值。
步骤S220，基于绿潮覆盖区域中的绿潮像素的面积、子覆盖率以及绿潮覆盖区域的面积，计算绿潮覆盖区域的空间覆盖率。
基于上面获取的每个像元的空间覆盖率，可以计算绿潮的总体面积：
上式中，S为绿潮面积(km2)；Spixel为每个像素面积；αi为浒苔覆盖像素的空间覆盖率(0.0～1.0)。进一步，还可以计算绿潮覆盖区域的空间覆盖率。
本发明实施例提供的绿潮空间覆盖率的反演方法是基于低空间分辨率的光学卫星数据实现的在绿潮覆盖元素的监测过程中，在利用NDVI和FAI两个指数进行绿潮覆盖区域初步判别的基础上，利用局部滑动窗口算法比较待定区域与周边海水的差异，以此进一步确定绿潮像素(也称为“绿潮覆盖像元”)，这一处理过程避免了单一阈值法和人工解译的主观性，使得绿潮监测结果具有更强的一致性。并且进一步地基于绿潮像素的结果，结合形态学中的膨胀操作，考虑了绿潮区域周边海水的水体特性，构建了整体观测区域的背景海水数据，以此进一步计算每个绿潮像素的空间覆盖率，进而可以获取整个观测区域的绿潮空间覆盖率数据和总体覆盖面积，解决了之前混合像元引起的面积高估的问题。
以2008年5月31日MODIS数据为例，下面为应用上述方法的部分处理结果：图3所示为经瑞利校正后的卫星遥感数据示意图；图4为各个像素的FAI指数结果示意图；图5为FAI梯度图像(GFAI)的示意图；图6为水体背景场的FAIsw结果示意图；图7为藻类和背景海水FAI的差值结果(cFAI)示意图；图8为绿潮覆盖率结果示意图，其中，每个像元的浒苔空间覆盖率用不同红色表示，1表示该像元100％浒苔覆盖。
对应于上述方法实施例，本发明实施例还提供一种绿潮空间覆盖率的反演装置。如图9所示，该装置包括：
参数确定模块900，用于获取到的目标观测区域的光学数据，确定目标观测区域的绿潮参数；
绿潮覆盖区域确定模块902，用于根据绿潮参数及预设阈值，确定目标观测区域中的绿潮覆盖区域；
背景参数确定模块904，用于根据绿潮覆盖区域的周边水域的绿潮参数，确定绿潮覆盖区域对应的海水背景参数；
空间覆盖率确定模块906，用于基于绿潮覆盖区域对应的海水背景参数绿潮参数，确定绿潮覆盖区域的空间覆盖率。
本发明实施例提供的绿潮空间覆盖率的反演装置，与上述实施例提供的绿潮空间覆盖率的反演方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本发明实施例还提供了一种电子设备，参见图10所示，该电子设备包括处理器130和存储器131，该存储器131存储有能够被处理器130执行的机器可执行指令，该处理器130执行机器可执行指令以实现上述任务分派方法。
进一步地，图10所示的电子设备还包括总线132和通信接口133，处理器130、通信接口133和存储器131通过总线132连接。
其中，存储器131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133(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132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10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。
处理器130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130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130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(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，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131，处理器130读取存储器131中的信息，结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，该机器可执行指令促使处理器实现上述任务分派方法，具体实现可参见方法实施例，在此不再赘述。
本发明实施例所提供的任务分派方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所述功能如果以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，网关电子设备，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。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。
Claims (9)
1.一种绿潮空间覆盖率的反演方法，其特征在于，包括：
根据获取到的目标观测区域的光学数据，确定所述目标观测区域的绿潮参数；
根据所述绿潮参数及预设阈值，确定所述目标观测区域中的绿潮覆盖区域；
根据所述绿潮覆盖区域的周边水域的绿潮参数，确定所述绿潮覆盖区域对应的海水背景参数；
基于所述绿潮覆盖区域对应的海水背景参数及所述绿潮参数，确定所述绿潮覆盖区域的空间覆盖率；
其中，所述目标观测区域中除所述绿潮覆盖区域外的区域为海水区域；所述海水区域包括海水像素；
所述绿潮覆盖区域包括多个子区域，所述子区域与所述海水像素相邻；
所述根据所述绿潮覆盖区域的周边水域的绿潮参数，确定所述绿潮覆盖区域对应的海水背景参数的步骤，包括：
针对于每个所述子区域，采用形态学膨胀操作对所述子区域进行处理，得到所述子区域的周边水域；所述周边水域包括海水像素；
计算所述周边水域中的海水像素的绿潮参数的平均值；
将所述海水像素的绿潮参数的平均值确定为所述子区域对应的海水背景参数。
2.根据权利要求1所述的方法，其特征在于，所述光学数据包括所述目标观测区域中，每个像素点的近红外反射量、红光反射量、短波红外反射量以及光学传感器对应的近红外波长、短波红外波长及红光波长；所述绿潮参数包括所述目标观测区域中，每个像素点的归一化植被指数及浮游藻类指数；
所述根据获取到的目标观测区域的光学数据，确定所述目标观测区域的绿潮参数的步骤，包括：
针对所述目标观测区域中的每个像素点，基于所述像素点的近红外反射量及红光反射量，计算所述像素点的归一化植被指数；
基于所述像素点的近红外反射量、红光反射量、短波红外反射量、近红外波长、短波红外波长及红光波长，计算所述像素点的浮游藻类指数。
3.根据权利要求1所述的方法，其特征在于，
所述根据所述绿潮参数及预设阈值，确定所述目标观测区域中的绿潮覆盖区域的步骤，包括：
针对所述目标观测区域中的每个像素点，基于所述像素点的绿潮参数、与所述像素点的相邻像素点的绿潮参数以及预设阈值，确定所述目标观测区域中的待定区域；所述待定区域中包含多个待定像素点；
针对于所述待定区域中的每个待定像素点，基于局部滑动窗口算法确定包含所述待定像素点的窗口区域；
基于所述窗口区域中的像素的绿潮参数，确定所述待定像素点是否为绿潮像素；
将确定为绿潮像素的待定像素组成的区域确定为所述目标观测区域中的绿潮覆盖区域。
4.根据权利要求3所述的方法，其特征在于，所述绿潮参数包括所述目标观测区域中，每个像素点的归一化植被指数及浮游藻类指数；所述预设阈值包括第一阈值及第二阈值；
基于所述像素点的绿潮参数、与所述像素点的相邻像素点的绿潮参数以及预设阈值，确定所述目标观测区域中的待定区域的步骤，包括：
基于所述像素点的归一化植被指数及与所述像素点的相邻像素点的归一化植被指数，计算所述像素点的归一化植被指数的梯度值；
基于所述像素点的浮游藻类指数及与所述像素点的相邻像素点的浮游藻类指数，计算所述像素点的浮游藻类指数的梯度值；
如果所述像素点的归一化植被指数的梯度值与第一阈值的关系满足第一预设条件，且所述像素点的浮游藻类指数的梯度值与第二阈值的关系满足第二预设条件，将所述像素点确定为待定像素点。
5.根据权利要求3所述的方法，其特征在于，所述目标观测区域中除所述待定区域外的区域为海水区域；所述海水区域包括海水像素；所述窗口区域包括数量大于或等于设定数量的海水像素；
所述基于所述窗口区域中的像素的绿潮参数，确定所述待定像素点是否为绿潮像素的步骤，包括：
计算所述窗口区域中的海水像素的绿潮参数的平均值及标准差；
判断所述待定像素点的绿潮参数与所述海水像素的绿潮参数的平均值及标准差的关系是否满足第三预设条件；
如果满足，确定所述待定像素点为绿潮元素；
如果不满足，确定所述待定像素点为海水元素。
6.根据权利要求1所述的方法，其特征在于，所述绿潮覆盖区域包括多个绿潮像素；
所述基于所述绿潮覆盖区域对应的海水背景参数及所述绿潮参数，确定所述绿潮覆盖区域的空间覆盖率的步骤，包括：
针对所述绿潮覆盖区域中的每个绿潮像素，基于所述绿潮像素的海水背景参数、所述绿潮参数以及预先获取的纯绿潮参数、纯水参数，计算所述绿潮像素的子覆盖率；
基于所述绿潮覆盖区域中的绿潮像素的面积、子覆盖率以及所述绿潮覆盖区域的面积，计算所述绿潮覆盖区域的空间覆盖率。
7.一种绿潮空间覆盖率的反演装置，其特征在于，包括：
参数确定模块，用于根据获取到的目标观测区域的光学数据，确定所述目标观测区域的绿潮参数；
绿潮覆盖区域确定模块，用于根据所述绿潮参数及预设阈值，确定所述目标观测区域中的绿潮覆盖区域；
背景参数确定模块，用于根据所述绿潮覆盖区域的周边水域的绿潮参数，确定所述绿潮覆盖区域对应的海水背景参数；
空间覆盖率确定模块，用于基于所述绿潮覆盖区域对应的海水背景参数及所述绿潮参数，确定所述绿潮覆盖区域的空间覆盖率；
其中，所述目标观测区域中除所述绿潮覆盖区域外的区域为海水区域；所述海水区域包括海水像素；
所述绿潮覆盖区域包括多个子区域，所述子区域与所述海水像素相邻；
所述背景参数确定模块，还用于针对于每个所述子区域，采用形态学膨胀操作对所述子区域进行处理，得到所述子区域的周边水域；所述周边水域包括海水像素；
计算所述周边水域中的海水像素的绿潮参数的平均值；
将所述海水像素的绿潮参数的平均值确定为所述子区域对应的海水背景参数。
8.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至6任一项所述的绿潮空间覆盖率的反演方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至6任一项所述的绿潮空间覆盖率的反演方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110922045.4A CN113640226B (zh) | 2021-08-12 | 2021-08-12 | 绿潮空间覆盖率的反演方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110922045.4A CN113640226B (zh) | 2021-08-12 | 2021-08-12 | 绿潮空间覆盖率的反演方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113640226A CN113640226A (zh) | 2021-11-12 |
| CN113640226B true CN113640226B (zh) | 2022-05-20 |
Family
ID=78420943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110922045.4A Active CN113640226B (zh) | 2021-08-12 | 2021-08-12 | 绿潮空间覆盖率的反演方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113640226B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101421197B1 (ko) * | 2013-05-15 | 2014-08-13 | 김혜봉 | 황사 현상에 기반한 녹조 및 적조 발생 예보 방법 및 그 장치 |
| CN108088805A (zh) * | 2017-12-15 | 2018-05-29 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊真光层内藻总量卫星遥感监测方法 |
| CN110108257A (zh) * | 2019-05-20 | 2019-08-09 | 苏州中飞遥感技术服务有限公司 | 一种基于无人机航拍影像和静态规划图相匹配的展示方法 |
| CN113092383A (zh) * | 2021-04-06 | 2021-07-09 | 宁波市测绘和遥感技术研究院 | 一种近海岸海洋赤潮识别方法 |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0809252D0 (en) * | 2008-05-21 | 2008-06-25 | Ntnu Technology Transfer As | Underwater hyperspectral imaging |
| US8412469B1 (en) * | 2010-02-02 | 2013-04-02 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Environmental monitoring of microbe metabolic transformation |
| CN103743700B (zh) * | 2014-01-17 | 2016-07-06 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 |
| CN106408005B (zh) * | 2016-09-05 | 2020-05-05 | 中国科学院南京地理与湖泊研究所 | 基于modis色素浓度估算的富营养化湖泊水质风险评价方法 |
| CN106814035B (zh) * | 2017-01-12 | 2019-04-09 | 中国科学院烟台海岸带研究所 | 海表漂浮大型藻类覆盖度的遥感估算方法 |
| CN107481268B (zh) * | 2017-08-16 | 2018-04-20 | 北京信德智图科技有限公司 | 基于modis遥感数据的森林防火监控方法 |
| CN108253943B (zh) * | 2017-12-24 | 2020-08-21 | 航天恒星科技有限公司 | 一种基于卫星遥感影像的赤潮浒苔一体化监测方法 |
| CN110889423A (zh) * | 2018-09-11 | 2020-03-17 | 中国海洋大学 | 一种基于极限学习机的高分一号黄东海绿潮遥感探测方法 |
| CN109781626B (zh) * | 2019-03-11 | 2021-07-06 | 王祥 | 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法 |
| CN110136194B (zh) * | 2019-05-21 | 2022-11-11 | 吉林大学 | 基于星载多光谱遥感数据的积雪覆盖度测算方法 |
| CN111145231A (zh) * | 2019-12-30 | 2020-05-12 | 国家卫星海洋应用中心 | 遥感图像的波段偏移确定方法、装置和电子设备 |
| CN111310640A (zh) * | 2020-02-12 | 2020-06-19 | 青岛大学 | Landsat8影像绿潮自适应阈值分区智能检测方法 |
| CN112258523B (zh) * | 2020-10-20 | 2022-03-08 | 中国石油大学(华东) | 一种中低分辨率遥感影像浒苔覆盖信息精细提取方法 |
| CN111967454B (zh) * | 2020-10-23 | 2021-01-08 | 自然资源部第二海洋研究所 | 基于混合像元的绿潮覆盖比例提取模型确定方法及设备 |
| CN112308901B (zh) * | 2020-10-28 | 2022-11-08 | 山东省科学院海洋仪器仪表研究所 | 一种modis影像云下海表面绿潮覆盖面积的估测方法 |
| CN112766202B (zh) * | 2021-01-27 | 2022-08-02 | 河海大学 | 基于卫星遥感的蓝藻信息实时指示方法、存储介质及设备 |
| CN112966580B (zh) * | 2021-02-25 | 2022-07-12 | 山东科技大学 | 基于深度学习和超分辨率的遥感图像绿潮信息提取方法 |
-
2021
- 2021-08-12 CN CN202110922045.4A patent/CN113640226B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101421197B1 (ko) * | 2013-05-15 | 2014-08-13 | 김혜봉 | 황사 현상에 기반한 녹조 및 적조 발생 예보 방법 및 그 장치 |
| CN108088805A (zh) * | 2017-12-15 | 2018-05-29 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊真光层内藻总量卫星遥感监测方法 |
| CN110108257A (zh) * | 2019-05-20 | 2019-08-09 | 苏州中飞遥感技术服务有限公司 | 一种基于无人机航拍影像和静态规划图相匹配的展示方法 |
| CN113092383A (zh) * | 2021-04-06 | 2021-07-09 | 宁波市测绘和遥感技术研究院 | 一种近海岸海洋赤潮识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113640226A (zh) | 2021-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Berberoglu et al. | Assessing different remote sensing techniques to detect land use/cover changes in the eastern Mediterranean | |
| Carbonneau et al. | Feature based image processing methods applied to bathymetric measurements from airborne remote sensing in fluvial environments | |
| US8509476B2 (en) | Automated system and method for optical cloud shadow detection over water | |
| US10839212B2 (en) | Systems and methods for detecting imaged clouds | |
| US20220129674A1 (en) | Method and device for determining extraction model of green tide coverage ratio based on mixed pixels | |
| CN112001374B (zh) | 一种高光谱影像的云检测方法和装置 | |
| CN108416784B (zh) | 城市建成区边界快速提取方法、装置及终端设备 | |
| Ngoc et al. | Coastal and inland water pixels extraction algorithm (WiPE) from spectral shape analysis and HSV transformation applied to Landsat 8 OLI and Sentinel-2 MSI | |
| WO2020059706A1 (ja) | 学習用データ収集装置、学習用データ収集方法、及びプログラム | |
| CN106940887B (zh) | 一种gf-4卫星序列图像云与云下阴影检测方法 | |
| Lassalle et al. | Deep learning-based individual tree crown delineation in mangrove forests using very-high-resolution satellite imagery | |
| Alexandridis et al. | Using Earth Observation to update a Natura 2000 habitat map for a wetland in Greece | |
| 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 | |
| Liu et al. | Urban monitoring and change detection of central Tokyo using high-resolution X-band SAR images | |
| Rokni et al. | A new approach for detection of surface water changes based on principal component analysis of multitemporal normalized difference water index | |
| CN113640226B (zh) | 绿潮空间覆盖率的反演方法、装置及电子设备 | |
| CN107576399B (zh) | 面向modis林火探测的亮温预测方法和系统 | |
| CN111175231B (zh) | 冠层植被指数的反演方法、装置及服务器 | |
| CN111145231A (zh) | 遥感图像的波段偏移确定方法、装置和电子设备 | |
| CN110852300A (zh) | 地物分类的方法、地图的绘制方法、装置及电子设备 | |
| CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
| CN109255353B (zh) | 一种动目标检测方法、装置、电子设备及存储介质 | |
| CN111693463B (zh) | 一种南极半岛优化地衣覆盖度指数提取方法 | |
| CN109165628B (zh) | 提高动目标检测精度的方法、装置、电子设备及存储介质 | |
| Poulain et al. | High resolution optical and sar image fusion for road database updating |
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 |