CN113758885A - 一种水体内叶绿体色素浓度的测算方法及其系统 - Google Patents
一种水体内叶绿体色素浓度的测算方法及其系统 Download PDFInfo
- Publication number
- CN113758885A CN113758885A CN202111054182.7A CN202111054182A CN113758885A CN 113758885 A CN113758885 A CN 113758885A CN 202111054182 A CN202111054182 A CN 202111054182A CN 113758885 A CN113758885 A CN 113758885A
- Authority
- CN
- China
- Prior art keywords
- water body
- detected
- chloroplast
- pigment concentration
- pixel
- 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 98
- 210000003763 chloroplast Anatomy 0.000 title claims abstract description 65
- 239000000049 pigment Substances 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000002310 reflectometry Methods 0.000 claims abstract description 99
- 230000010287 polarization Effects 0.000 claims abstract description 87
- 238000005070 sampling Methods 0.000 claims abstract description 62
- 239000000443 aerosol Substances 0.000 claims abstract description 46
- 230000005855 radiation Effects 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 238000012937 correction Methods 0.000 claims abstract description 31
- 230000003287 optical effect Effects 0.000 claims description 23
- 230000003595 spectral effect Effects 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 4
- 210000000746 body region Anatomy 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 22
- 229930002868 chlorophyll a Natural products 0.000 description 14
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 14
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 12
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 241000195493 Cryptophyta Species 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000005427 atmospheric aerosol Substances 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 230000004313 glare Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000010954 inorganic particle Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011146 organic particle Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010200 validation analysis 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
- 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
-
- 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
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- 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
Abstract
本发明公开了一种水体内叶绿体色素浓度的测算方法及其系统,至少包括以下步骤:在待测水体区域内确定采样点,并获取采样点的叶绿体色素浓度;获取待测水体区域对应的偏振遥感数据;根据偏振遥感数据的耀光信息,获取待测水体区域的云检测结果;根据偏振遥感数据和云检测结果,获取气溶胶多角度辐射信息,并基于气溶胶多角度辐射信息进行大气校正,得到待测水体区域的海表反射率;根据海表反射率和采样点叶绿体色素浓度的相关性,获得海表反射率的最优波段组合;根据采样点的海表反射率和采样点的叶绿体色素浓度,获得最优反演模型,再获得待测水体区域内叶绿体色素浓度的分布结果。本发明提升了近岸水体内叶绿体色素浓度的遥感测算精度。
Description
技术领域
本发明属于水体监测领域,特别涉及一种水体内叶绿体色素浓度的测算方法及其系统。
背景技术
通过卫星传感器对可见光及近红外波段的离水辐射测量,能够大尺度、快速同步地表征影响水体光学性质的要素,这些要素一般指叶绿素a浓度、有色溶解有机物和总悬浮物,进而为海洋初级生产力估算、海洋环境保护和海洋资源的合理开发提供科学依据。通过卫星遥感来监测水体应用在海洋等开阔区域得到的结果较为精准,而应用在近岸水体甚至内陆水体的上,由于更为复杂的地形条件和更为丰富的水质条件,都会导致卫星遥感测算的精确度降低,误差上升。
发明内容
本发明的目的在于提供一种水体内叶绿体色素浓度的测算方法及其系统,解决了近岸水体内反演叶绿体色素浓度时测算精度低、数据误差大的问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明公开了一种水体内叶绿体色素浓度的测算方法,至少包括以下步骤:
在待测水体区域内确定采样点,并获取所述采样点的叶绿体色素浓度;
获取所述待测水体区域对应的偏振遥感数据;
根据所述偏振遥感数据的耀光信息,获取所述待测水体区域的云检测结果;
根据所述偏振遥感数据和所述云检测结果,获取气溶胶多角度辐射信息,并基于所述气溶胶多角度辐射信息进行大气校正,得到待测水体区域的海表反射率;
根据所述海表反射率和所述采样点叶绿体色素浓度的相关性,获得所述海表反射率的最优波段组合;
根据所述采样点的海表反射率和所述采样点的叶绿体色素浓度,获得最优反演模型;以及
根据所述最优反演模型和待测水体区域的海表反射率,获得待测水体区域内叶绿体色素浓度的分布结果。
在本发明的一个实施例中,所述云检测结果的获得过程包括以下步骤:
确定观测角度,在所述观测角度下,根据海陆标识区分出海洋区域,并获取所述海洋区域的耀光角;
根据所述耀光角的数值,区分出耀光区域和非耀光区域;
根据云和太阳耀光的不同偏振度、反射率和偏振反射率,标记出所述耀光区域内的云像元、晴空像元和未定像元;以及
改变观测角度,再次对所述海洋区域内的待测像元进行云检测,获得所述待测像元内多个观测角度下的标记结果。
在本发明的一个实施例中,获取所述气溶胶多角度辐射信息的过程包括以下步骤:
根据所述云检测结果和气溶胶敏感范围,计算所述待测水体区域对应的大气分子偏振反射率;
根据所述待测水体区域的耀光角数值,区分出非耀光区域,逐像元计算得到所述非耀光区域的海表偏振反射率;
根据得到的所述大气分子偏振反射率和所述海表偏振反射率,获取大气的气溶胶多角度辐射信息;以及
根据所述气溶胶多角度辐射信息,计算得到气溶胶光学厚度。
在本发明的一个实施例中,在所述非耀光区域内,获取所述云检测结果的过程包括以下步骤:
在区分光谱波段下,根据待测像元的反射率与晴空反射率的差值,将待测像元标记为云像元、晴空像元和待处理像元;
在区分光谱波段下,根据所述待处理像元的偏振反射率和散射角,区分标出云像元;
在区分光谱波段和比较光谱波段下,根据所述待处理像元在两个波段下的反射率比值,区分标记出晴空像元;以及
将所述待处理像元中,未被标记的像元标记为未定像元。
在本发明的一个实施例中,在所述耀光区域内,获取所述云检测结果的过程包括以下步骤:
当在区分光谱波段下,所述待测像元的偏振度小于太阳耀光的偏振度,则标记所述待测像元为云像元;
当在区分光谱波段下,待测像元的偏振度大于等于太阳耀光的偏振度,则标记所述待测像元为晴空像元。
在本发明的一个实施例中,根据所述气溶胶光学厚度,进行基于辐射传输模型下的大气校正,得到所述待测水体区域经大气校正后的海表反射率。
在本发明的一个实施例中,获取所述采样点对应的海表反射率的过程包括以下步骤:
根据所述采样点的时空信息,获取对应的偏振遥感数据;
根据所述采样点的偏振遥感数据,获取海表的归一化辐亮度值;
根据所述归一化辐亮度值,选取受耀光污染最小的观测角度,并在所述观测角度下,匹配所述采样点经大气校正后的海表反射率。
在本发明的一个实施例中,所述最优反演模型的建立过程包括以下步骤:
将所述采样点的叶绿体色素浓度数据划分为建模数据和校验数据;
根据所述最优波段组合的海表反射率,与所述建模数据建立线性、对数、多项式、指数、幂函数形式的反演模型;以及
根据所述校验数据验证建立的所述反演模型,挑选出其中精度评价最好的反演模型,作为所述最优反演模型。
在本发明的一个实施例中,根据所述校验数据,确定所述反演模型的决定系数、均方根误差、平均绝对百分误差。
本发明还公开了一种水体内叶绿体色素浓度的测算系统,包括:
数据采集模块,用于在待测水体水体区域内,获取采样点的叶绿体色素浓度,并获取所述待测水体区域对应的偏振遥感数据;
云检测模块,用于分析所述偏振遥感数据,获取待测水体区域内的云检测结果;
大气校正模块,用于计算所述偏振遥感数据的气溶胶多角度辐射信息,并根据所述气溶胶多角度辐射信息,得到所述待测水体区域的海表反射率;
模型计算模块,用于计算获取待测水体区域内叶绿体色素浓度的最优反演模型,并根据所述最优反演模型和所述海表反射率,计算得到待测水体内叶绿体色素浓度的分布结果。
如上所述,本发明通过结合卫星监测的偏振遥感数据来处理待测水体区域的海表辐射信息,并给出了一种完整的、基于偏振数据处理的流程来反演叶绿体色素浓度,提升了反演能获取的信息量和反演模型建立精确度,且实现了利用自身数据完整地反演出叶绿体色素浓度分布。本发明在反演的预处理过程中考虑了耀光污染带来的影响,结合反射率、偏振度、偏振反射率,在偏振遥感数据的基础上,利用特殊波段来区分云像元和晴空像元,可实现高精度的云和气溶胶反演,从而得到精确度更高的大气校正结果,使本发明的反演方法具备优异的地气解耦能力。本发明利用地表偏振反射率几乎不随波段变化的特点,减小了地表反射贡献在气溶胶反演过程中带来的误差,通过多个角度和多个波段的偏振观测数据的约束,降低了反演误差,提高气溶胶光学厚度反演精度。本发明能不受地理位置及人为条件的限制,大面积、长时序地监测近岸海洋水体的叶绿体色素浓度。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明所述叶绿体素浓度反演方法的流程图;
图2为数据采样场景示意图;
图3为建立反演模型的流程简图;
图4为云检测的计算方法流程图;
图5为大气气溶胶光学厚度的反演流程图;
图6为采样点的分布结构图;
图7为待测区域的云检测结果图;
图8为待测区域的气溶胶光学厚度结果图;
图9为采样点的线性模型验证结果图;
图10为线性模型下反演得到的待测水体叶绿素a浓度分布结果图;
图11为本发明所述反演系统的结构图;
图12为一种电子设备的结构原理框图;
图13为一种计算机可读存储介质的结构原理框图;
表1为采样点的叶绿素a浓度对照表;
表2为采样点叶绿素a浓度和各波段间海表反射率比值的相关性数据表;
表3为反演模型的精度评价表。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
随着海色遥感的发展,偏振遥感成为海洋探测技术中的一种,其利用光的偏振态能增加遥感反演的信息量。偏振信息可以改进近岸水体中悬浮颗粒物和水体光学性质的反演结果,并能更好区分水体中有机与无机颗粒。因此,使用偏振遥感数据(多角度偏振遥感信息),例如利用搭载在高分五号卫星的多角度偏振相机(Directional PolarimetricCamera,简称DPC)获得的信息,在海洋遥感方面的应用前景宽广。以下出现的简称DPC数据为上述多角度偏振相机所探测到的数据信息。
请参阅图1所示,在本发明的一个实施例中,提供了一种水体内叶绿体色素浓度的测算方法及其系统,其反演过程包括以下步骤:
S1、数据采样:在待测水体区域内确定采样点,获取所述采样点的叶绿体色素浓度,获取待测水体区域的偏振遥感数据。
S2、云检测:根据所述偏振遥感数据的耀光角区分得到云检测结果。
S3、大气校正:根据所述偏振遥感数据和所述云检测结果,得到气溶胶多角度辐射信息,并基于所述气溶胶多角度辐射信息进行大气校正,得到海表反射率。
S4、最优反射波段组合的计算:根据所述海表反射率,具体为所述采样点对应的时空信息下匹配得到的海表反射率,和所述采样点的叶绿体色素浓度的相关性,获得所述海表反射率的最优波段组合。
S5、模型建立:根据所述最优波段组合的反射率和所述采样点的叶绿体色素浓度,分析获得最优反演模型。
S6、浓度反演:根据所述最优反演模型,计算获得待测水体区域内叶绿体色素浓度的分布图。
请参阅图2和图3所示,待测水体10接收到光源20的光线,产生散射现象,一部分进入水中,还有一部分回到水面上方,形成了离水辐射,这种离水辐射穿过大气30,被搭载在卫星上的传感器40接收到,传感器40就能根据接收到的辐射信息来分析水面的藻类50分布情况,其分析是通过反演测算叶绿体色素的浓度实现的,具体是可以通过演测算叶绿体色素(叶绿素a)的浓度实现。在出发的总辐射中,能被传感器40接收到的离水辐射占总辐射还不到10%,大多数有用的辐射都被大气30阻截,尤其云层60的存在也会影响传感器40的数据接收。因此在本发明中利用偏振信息来改善数据的预处理过程,将被传感器40接收到的数据进行大气校正,消除大气影响,还用于提升参与反演的信息量。
请参阅图2和图3所示,在步骤S1中,在待测水体10所在区域内选取多个采样点,所述采样点的选取是随机的,而且选取的区域面积都是一样的,再得到这些采样点对应的传感器40监测数据。具体地,是根据选择采样点的时间和空间信息对应卫星的监测数据得到对应的监测数据,例如得到的是传感器40的偏振遥感数据。此时再直接测算所选采样点的平均叶绿体色素浓度,根据采样点来匹配好对应的叶绿体色素浓度和偏振遥感数据,而得到的这些采样点数据的一部分(例如三分之二)可用于反演建模,采样点数据的另一部分(例如三分之一)可用于验证反演模型。
请参阅图1所示,在对近岸水体内的叶绿体色素浓度建立反演模型之前,为了使偏振遥感数据参与建模,首先要将采样点对应的卫星得到的偏振遥感数据进行处理,转换成能与叶绿体色素的浓度直接建立关联的数据,且与此同时要利用对偏振遥感数据的处理来提升可靠信息量,从而提升数据的精确度,因此在步骤S1获得采样数据后,接着对偏振遥感数据(DPC数据)进行预处理,具体包括S2的云检测和S3的大气校正两个步骤。
请参阅图4所示,在本发明的一个实施例中,步骤S2的云检测的过程具体包括以下步骤:
S21、区域标定:根据海陆标识区分出海洋区域,计算得到所述海洋区域的耀光角,并根据所述耀光角的大小区分出耀光区域和非耀光区域。
S22、耀光区域检测:根据云和太阳耀光的不同偏振度,标记出所述耀光区域内的云像元和晴空像元。
S23、非耀光区域检测:根据晴空反射率和偏振反射率,标记出所述非耀光区域内的晴空像元和未定像元。
S24、筛选云检测结果:综合多个观测角度得到的标记结果,将出现云像元标记的区域标记为云像元,将未出现云像元标记而出现了晴空像元标记的区域标记为晴空像元,将未被标记的待处理像元标记为未定像元。
请参阅图4所示,计算耀光角用于判别海面区域是否受到污染,耀光角的计算方法根据卫星官方算法,例如根据搭载在卫星上的传感器上的中分辨率成像光谱仪的算法,耀光角的计算方法具体可以依据以下公式:
θglint=cos-1[(cosθscosθv)+(sinθssinθvcosφ)] (1)
公式(1)中,θS、θV和φ分别是太阳天顶角、观测天顶角、相对方位角,θglint则是耀光角。具体地,在S21中,针对偏振遥感数据(DPC数据),在θglint∈[20°,40°]内挑选用于区分耀光区域的角度数值,例如依据卫星经验值,选取例如耀光角30°作为区分值,将耀光角θglint>30°的区域标记为非耀光区域,θglint≤30°的区域标记为耀光区域。
请参阅图4所示,在本发明的一个实施例中,在步骤S22中,在所述耀光区域内检测云像元和晴空像元,且利用偏振度对所述耀光区域进行云检测,这是因为太阳耀光具有强偏振特性,而云的多次散射减弱了偏振信息,所以云的偏振度P小于太阳耀光TP。为此使用偏振度这一信息来区分云像元和晴空像元,考虑到海洋水体和云的反射率差异比较大,因此通过特定的光谱波段下两者不同的反射率来检测云像元和晴空像元,在例如865nm波段下海水的反射率通常低于5%,而云在此波段的反射率普遍高于50%,因此使用这种区分光谱波段来检测,例如使用865nm这一波段来进行云检测,再利用RT3辐射传输模式模拟统计不同下垫面的表观反射率得到一个与云偏振度P比较用的阈值,当待检测像元在区分光谱波段,例如865nm波段下的偏振度小于阈值时,即P865<Tp,865时,将该像元标记为云像元,否则标记为晴空像元。
请参阅图4所示,在步骤S23中,首先计算区分光谱波段,例如865nm波段下,待测像元反射率例如R865与晴空反射率例如的差值,将与晴空反射率的差值大于ΔR1的像元标记为云像元,将与晴空反射率的差值小于ΔR2的像元标记为晴空像元。即当时,将待测像元标记为云像元,当时,将待测像元标记为晴空像元。其中,ΔR1和ΔR2为利用RT3辐射传输模式模拟统计不同下垫面的表观反射率和地表反射率差值得到的阈值。
请参阅图4所示,在步骤S23中,对于其他不能用与晴空反射率例如的差值确定的像元,就利用待测像元的偏振反射率Rp来计算。考虑到待测像元的散射角在140°附近水云存在虹效应,因此可利用这种特性来区分云像元,再根据辐射传输模式统计云像元的偏振反射率,加强区分条件。当待测像元的散射角γ满足例如135°<γ<150°时,且偏振反射率例如(θs+θv)Rp>0.02时,将该像元标记为云像元,其中θs和θv分别代表了太阳天顶角、观测天顶角。最后对其余未标记像元,考虑到在云和海洋在多个光谱波段下的反射率不同,那么在两个波段的反射率比值自然也有所不同,例如865nm波段和670nm波段下云的反射率比值接近1,而海洋比值小于0.7,因此先利测算区分光谱波段的反射率,例如在865nm波段下云和海洋的反射率,再挑选一个比较光谱波段,例如在670nm下云和海洋的反射率。所以用这个比值检测晴空像元,即利用例如865nm波段反射率R865和例如670nm波段反射率R670的比值进行检测,当其比值小于0.7时,即当例如时,将待测像元标记为晴空像元,否则标记为未定像元。
请参阅图5,在步骤S2中得到了云检测的结果,基于这个云检测的结果接下来进行大气校正,得到校正结果,这个校正结果建立在对大气的气溶胶光学厚度的计算上,因此在步骤S3中,首先要对利用本发明步骤S1中的偏振遥感数据,和在步骤S2中根据所述偏振遥感数据得到的云检测结果进一步计算推导出气溶胶光学厚度。
请参阅图5,在本发明的一个实施例中,步骤S3中大气校正的过程具体包括以下步骤:
S31、计算大气分子的偏振反射率。根据步骤S2中的云检测结果,读取所述晴空像元的偏振辐射数据,并计算大气层顶偏振反射率,为了保证气溶胶反演地准确度,根据气溶胶对偏振的敏感角度范围[80°,140°]来确定海洋像元,具体选取散射角满足80°<γ<140°的海洋像元,并计算所述海洋像元对应的大气分子偏振反射率。所述大气层顶偏振反射率包括多角度、多波段。
S32、计算海表偏振反射率。依据观测几何条件,计算待测像元的耀光角,再根据经验值,耀光角的临界值范围在[20°,40°],因此选取例如耀光角40°作为区分值,将例如耀光角≤40°的区域则标记为耀光区域,不进行气溶胶反演。将例如耀光角>40°的区域标记为非耀光区域,计算其海表偏振反射率,其计算方法基于以下模型:
在式(2)中,Rpsea代表的是海表偏振反射率,Rp是菲涅尔偏振反射系数,θS、θV和φ分别是太阳天顶角、观测天顶角、相对方位角。
S33、筛查出气溶胶多角度辐射信息。根据S31得到的所述大气分子偏振反射率和S32得到的所述海表偏振反射率,在得到的所述卫星数据中排除掉对应的大气分子偏振辐射信息和海表偏振辐射信息,得到测量的气溶胶多角度辐射信息。
S34气溶胶光学厚度计算。读取气溶胶光学性质查找表,插值计算得到实际观测几何条件下的偏振反射率,计算最小残差,并根据所述最小残差反演得到气溶胶光学厚度。
其中,偏振反射率的残差计算依据以下公式:
在式(3)中,ΔRp是偏振反射率残差,θS、θV和φ分别是太阳天顶角、观测天顶角、相对方位角,Rpsimu和Rpmeas为模拟偏振反射率值和测量偏振反射率值,s、v分别为太阳和观测,i表示波段,j表示角度。
请参阅图1和图5所示,在本发明的一个实施例中,根据所述气溶胶光学厚度的计算结果,进行基于辐射传输模型的大气校正,例如6SV大气校正,逐一得到每波段每像素,经6S模型处理的海表反射率值。其中,基于辐射传输模型进行的大气校正为绝对化大气校正的方法之一,而6SV大气校正具体是基于6S模型进行的大气校正方法,6SV即SecondSimulation ofa Satellite Signal in the Solar Spectrumvector code。
请参阅图2和图5所示,光子直接从光源20(太阳)方向穿过大气30到达地表和海表,然后经过海表藻类50的反射,一部分经过大气30的衰减后直接到达传感器40,另一部分则是被大气30散射,再被传感器40接收。除此之外,光子从大气30穿过到达海表的过程中,还有一部分是被大气所散射,这些被散射的光子在到达藻类50的位置后,再被藻类50反射到传感器40,而被散射的这部分光子也是被分为两部分,一部分直接到达传感器40,另一部分经过大气30的散射从各个方向到达传感器40。综合考虑这四种情况下的光子辐射,就能以这四种反射辐射的总和来反演出海表反射率。据此,本发明根据偏振遥感数据来推演出气溶胶光学厚度,再利用例如6S模型计算出海表反射率。
请参阅图2和图5所示,卫星的传感器40接收到的离水辐射在总辐射的占比不足10%,大气30影响几乎将有用的海色信号埋没,因此大气校正的精度直接影响最终的反演质量。而海洋上空的大气校正主要是消除卫星观测时大气和海表的影响,本发明采用的偏振遥感数据能增加气溶胶遥感探测时的信息量,提高气溶胶光学性质的反演精度,并且偏振信息的引入可以有效减少太阳耀光的污染,提升大气校正的精度。
请参阅图4和图5所示,在本发明的一个实施例中,对所述偏振遥感数据进行逐像元的耀光角计算,并保留所述偏振遥感数据中例如耀光角大于40°的归一化辐亮度值,根据这个归一化辐亮度值,选取受耀光污染最小的观测角度,在所述观测角度下,匹配所述采样点对应的经过大气校正后的海表反射率。
请参阅图1所示,将所述采样点的叶绿体色素浓度数据与各波段间的海表反射率比值进行相关性分析,选出其中相关性最强的一组,并对应得到此时的波段组合,将此波段组合作为最优波段组合。
请参阅图1所示,在本发明的一个实施例中,将所述采样点的叶绿体色素浓度数据划分为建模数据和校验数据,根据所述最优波段组合的海表反射率和所述建模数据建立线性、对数、多项式、指数、幂函数形式的反演模型,并根据所述校验数据验证建立的所述反演模型,挑选出其中精度评价最好的反演模型,作为最优反演模型。
请参阅图1所示,在本发明的一个实施例中,所述最优反演模型的精度评价依据例如所述反演模型的决定系数R2、均方根误差RMSE、平均绝对百分误差MAPE。其中,R为所述校验数据与所述最优波段组合的海表反射率比值的相关系数。所述均方根误差RMSE的计算方法依据以下公式:
所述平均绝对百分误差MAPE的计算方法是依据以下公式:
请参阅图1所示,在利用例如所述反演模型的决定系数R2、均方根误差RMSE、平均绝对百分误差MAPE,对所述反演模型进行精度评价的时候,首先考虑决定系数R2的大小,筛选掉决定系数R2数值上最小的一个或几个,或者说选择决定系数R2数值最大的两个,在出现数值相同的情况下,一起采纳,再综合均方根误差RMSE、平均绝对百分误差MAPE挑选出误差相对最小的一个模型。在最优模型的挑选上,是有人工参与的,可以由人工衡量最合适最需要的一个模型,或者直接将均方根误差RMSE、平均绝对百分误差MAPE相加,挑选数值上较小的那个。以上审查过程在决定系数R2相差不大的情况下进行,当相差数据过大,那么优先挑选决定系数R2最大的模型。如果出现决定系数R2很优,而均方根误差RMSE、平均绝对百分误差MAPE都极差的情况下,即最优模型难以挑选的情况下,优先考虑数据计算错误并重新计算,在计算无误的在采样点中重新划分出新的建模数据和新的校验数据,重新建模计算。而出现两个模型程度等同的情况下,则直接在两个模型中选择一个作为最优反演模型,且优先选择模型更简单的。
基于以上方法步骤,在本发明的一个实施例中,给出此方法的实际应用,以体现其建模和反演的效果,选择的实验目标为渤海近岸水体。
请参阅表1,表1为采样点的叶绿素a浓度对照表。进行步骤S1数据采样,首先采样例如30个点,测量出这30个采样点的叶绿体色素浓度,具体为叶绿素a的浓度,单位为μg/L。
请参阅图6和图7,根据这30个点的时间和空间信息匹配对应的高分五号卫星数据信息,具体为DPC数据,即偏振遥感数据,对待测区域(包含这30个采样点)的偏振遥感数据进行云检测处理和大气校正,对应这30个点匹配得到校正后的海表反射率。
请参阅表1所示。其中30个采样点的叶绿素a浓度数据,对照如下表:
表1
请参阅图7和图8,基于对这30个采样点偏振遥感数据的云检测分布结果,进行大气校正,计算待测区域对应的气溶胶光学厚度,如图8所示,图中为每个像素点代表一个像元。从图中可以看出,本发明的方法下得到的待测区域水体分布结构示意图,由于在待测水体区域内区分出像元,对每个像元进行处理,因此得到的结果就更加准确,且表现也更加直接,并且受到地形的限制就较小,能对多种类型的水体地形、水质类型进行监测和测算。
请参阅图6和图9,基于图8得到的气溶胶光学厚度结果,将这30个采样点的数据随机取前20个采样点的叶绿素a浓度作为建模数据,后10个作为校验数据,基于这20个建模数据建立线性、对数、多项式、指数、幂函数形式的反演模型。首先确认最优反射波段组合,通过计算所述建模数据和所述最优反射波段组合的相关性来确定,例如确定这两者的皮尔逊相关性,计算得到表2中的对应数据。
表2
请参阅表2所示,挑选出表2中R值最大的波段,即DPC数据中的B565/B490波段组合,再以B565/B490波段组合的海表反射率为自变量,所述建模数据为因变量,建立线性、对数、多项式、指数形式的反演模型。
模型 | 模型形式 | R<sup>2</sup> | RMSE(μg/L) | MAPE(%) |
线性 | 8.82X-6.51 | 0.90 | 1.21 | 16 |
对数 | 10.64ln(X)+2.23 | 0.91 | 1.27 | 17 |
多项式 | 6.57X<sup>2</sup>-7.37X+3.31 | 0.86 | 1.15 | 16 |
幂函数 | 2.47X<sup>2.53</sup> | 0.87 | 1.20 | 16 |
e指数 | 0.32e<sup>2.08X</sup> | 0.83 | 1.17 | 16 |
表3
请参阅表3和图9所示,利用所述校验数据对反演模型进行精度评价,得到表3。对这几个反演模型的例如决定系数R2、均方根误差RMSE、平均绝对百分误差MAPE进行验证,根据表3对这几个模型进行精度评价。根据表3中的数据,其分析过程如下:先分析这几个模型的决定系数R2,选择决定系数R2最大的两个,即为0.90的线性模型和0.91的对数模型,排除决定系数R2为0.86的多项式模型、决定系数R2为0.87幂函数模型、决定系数R2为0.83的e指数模型。再看均方根误差RMSE、平均绝对百分误差MAPE,在平均绝对百分误差MAPE相差不大的情况下,线性模型的均方根误差RMSE明显较小,因此选择线性模型作为最优模型。或者以均方根误差RMSE、平均绝对百分误差MAPE这两项的和来判断,线性模型为1.37,对数模型为1.44,线性模型的误差数值较小,因此选择线性模型作为最优反演模型,R2为0.90,RMSE为1.21,MAPE为16%,具体表达式如下所示:
Chla=8.82X-6.51 (6)
式中:Chla为基于偏振遥感数据反演的叶绿素a浓度值,X为B565/B490波段组合的海表反射率。
请参阅图10所示,在式(6)的基础上,根据测得的卫星数据,将B565/B490波段组合的海表反射率代入反演模型,得到研究区域的叶绿素a浓度空间分布。从图10中能看出,本发明得到的叶绿素a浓度空间分布图逐像素确定海表反射率,其每个区域的区分度较高,能明显地模拟出叶绿素a的浓度分布效果,进而根据叶绿素a的浓度来推测海上藻类50的分布结果,利用卫星遥感,且是偏振遥感数据测量出水体的富营养化程度,反应出水体水质的好坏。结合图7和图8,还能看出本发明在利用多角度偏振信息在测量云分布上的效果,其展示的信息量更大,分布地更加全面,用于大气校正提升了其校正精度。同样的,气溶胶光学厚度的计算也是建立在偏振遥感数据(DPC数据)的基础上,计算的精确度和提供的信息量上都有所提升。
本发明将叶绿体色素浓度的遥感测量建立在偏振信息的采集和计算上,给出了基于这种DPC数据的一套完整的计算分析流程,基于此,本发明能对水质较为复杂的近岸水体进行测量和计算,其适用范围广,受到的限制小,大气校正精准,能实现大面积长时序地海洋监测。
请参阅图11所示,本发明还提供一种水体内叶绿体色素浓度的测算系统70,包括:
数据采集模块701,用于在待测水体水体区域内,获取采样点的叶绿体色素浓度,并获取所述待测水体区域对应的偏振遥感数据。这种数据采集模块多是搭载在监测卫星上的传感器,例如搭载在高分五号卫星上的多角度偏振相机。
云检测模块702,用于分析所述偏振遥感数据,获取待测水体区域内的云检测结果。云检测模块需要对偏振遥感数据进行多角度并行式地分析和处理,涉及到计算统计出图,其计算核心可以是CPU的运算器和控制器,也可以是GPU(Graphics Processing Unit)。其中GPU例如AMD的FireStream和NVIDIA的Tesla,均能实现图形和高性能计算并存。
大气校正模块703,用于计算所述偏振遥感数据的气溶胶多角度辐射信息,并根据所述气溶胶多角度辐射信息,得到所述待测水体区域的海表反射率。所述大气校正模块的计算核心可以是FPGA(Field Programable GateArray),也可以是ASIC(ApplicationSpecific Integrated Circuits)芯片,结合所述云检测模块的输出结果,进行图形和数据的并行计算。在使用ASIC芯片作为计算核心的时候,搭配CPU进行网络转接工作。
模型计算模块704,用于计算获取待测水体区域内叶绿体色素浓度的最优反演模型,并根据所述最优反演模型和所述海表反射率,计算得到待测水体内叶绿体色素浓度的分布结果。所述模型计算模块可以是CPU也可以是GPU,进行数据化地计算和基本出图,
请参阅图12所示,本发明还提出一种电子设备,所述电子设备包括处理器80和存储器90,所述存储器90存储有程序指令,所述处理器80运行程序指令实现上述的数据模型的配置方法。所述处理器80可以是通用处理器,包括中央处理器(Central ProcessingUnit,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 Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)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,所述存储器90可能包含随机存取存储器(RandomAccess Memory,简称RAM),也可能还包括非易失性存储器(Non-Volatile Memory),例如至少一个磁盘存储器。所述存储器90也可以为随机存取存储器(RandomAccess Memory,RAM)类型的内部存储器,所述处理器80、存储器90可以集成为一个或多个独立的电路或硬件,如:专用集成电路(Application SpecificIntegrated Circuit,ASIC)。需要说明的是,上述的存储器90中的计算机程序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,电子设备,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
请参阅图13所示,本发明还提出一种计算机可读存储介质1001,所述计算机可读存储介质1001存储有计算机指令100,所述计算机指令100用于使所述计算机执行上述的数据模型的配置方法。计算机可读存储介质1001可以是,电子介质、磁介质、光介质、电磁介质、红外介质或半导体系统或传播介质。计算机可读存储介质1001还可以包括半导体或固态存储器、磁带、可移动计算机磁盘、随机存取存储器(RAM)、只读存储器(ROM)、硬磁盘和光盘。光盘可以包括光盘-只读存储器(CD-ROM)、光盘-读/写(CD-RW)和DVD。
在本说明书的描述中,参考术语“本实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明实施例只是用于帮助阐述本发明。实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种水体内叶绿体色素浓度的测算方法,其特征在于,至少包括以下步骤:
在待测水体区域内确定采样点,并获取所述采样点的叶绿体色素浓度;
获取所述待测水体区域对应的偏振遥感数据;
根据所述偏振遥感数据的耀光信息,获取所述待测水体区域的云检测结果;
根据所述偏振遥感数据和所述云检测结果,获取气溶胶多角度辐射信息,并基于所述气溶胶多角度辐射信息进行大气校正,得到所述待测水体区域的海表反射率;
根据所述采样点的海表反射率和叶绿体色素浓度,获得最优反演模型;以及
根据所述最优反演模型和所述待测水体区域的海表反射率,获得所述待测水体区域内叶绿体色素浓度的分布结果。
2.根据权利要求1所述的一种水体内叶绿体色素浓度的测算方法,其特征在于,所述云检测结果的获得步骤包括:
确定观测角度,在所述观测角度下,区分出所述待测水体区域内的耀光区域和非耀光区域;
根据云和太阳耀光的不同偏振度、反射率和偏振反射率,标记出所述待测水体区域内的云像元、晴空像元和未定像元;以及
改变观测角度,再次对所述待测水体区域进行云检测,获得所述待测水体区域多个观测角度下的标记结果。
3.根据权利要求2所述的一种水体内叶绿体色素浓度的测算方法,其特征在于,根据所述气溶胶多角度辐射信息进行大气校正的步骤包括:
根据大气分子偏振反射率和海表偏振反射率,获取大气的气溶胶多角度辐射信息;以及
根据所述气溶胶多角度辐射信息,计算得到气溶胶光学厚度。
4.根据权利要求2所述的一种水体内叶绿体色素浓度的测算方法,其特征在于,在所述非耀光区域内,获取所述云检测结果的步骤包括:
获取区分光谱波段和比较光谱波段;
在所述区分光谱波段下,根据待测像元的反射率与晴空反射率的差值,将待测像元标记为云像元、晴空像元和待处理像元;
在所述区分光谱波段下,根据所述待处理像元的偏振反射率和散射角,区分标出云像元;
在所述区分光谱波段和所述比较光谱波段下,根据所述待处理像元在两个波段下的反射率比值,区分标记出晴空像元;以及
将所述待处理像元中,未被标记的像元标记为未定像元。
5.根据权利要求4所述的一种水体内叶绿体色素浓度的测算方法,其特征在于,在所述耀光区域内,获取所述云检测结果的步骤包括:
当在所述区分光谱波段下,所述待测像元的偏振度小于太阳耀光的偏振度,则标记所述待测像元为云像元;
当在所述区分光谱波段下,所述待测像元的偏振度大于等于太阳耀光的偏振度,则标记所述待测像元为晴空像元。
6.根据权利要求3所述的一种水体内叶绿体色素浓度的测算方法,其特征在于,根据所述气溶胶光学厚度,进行基于辐射传输模型下的大气校正,得到所述待测水体区域经大气校正后的海表反射率。
7.根据权利要求6所述的一种水体内叶绿体色素浓度的测算方法,其特征在于,获取所述采样点对应的海表反射率的步骤包括:
根据所述采样点的时空信息,获取对应的偏振遥感数据;
根据所述采样点的偏振遥感数据,获取海表的归一化辐亮度值;
根据所述归一化辐亮度值,选取受耀光污染最小的观测角度,并在所述观测角度下,匹配所述采样点经大气校正后的海表反射率。
8.根据权利要求1所述的一种水体内叶绿体色素浓度的测算方法,其特征在于,所述最优反演模型的建立步骤包括:
根据所述采样点的叶绿体色素浓度,与所述采样点各波段海表反射率的相关性,确定反射的最优波段组合;
根据所述最优波段组合的海表反射率,与所述建模数据建立多个反演模型;以及
根据所述反演模型的精度评价,确定所述最优反演模型。
9.根据权利要求8所述的一种水体内叶绿体色素浓度的测算方法,其特征在于,所述采样点的叶绿体色素浓度包括建模数据和校验数据,所述建模数据用于所述反演模型的建立,所述校验数据用于所述反演模型的精度评价。
10.一种水体内叶绿体色素浓度的测算系统,其特征在于,包括:
数据采集模块,用于在待测水体水体区域内,获取采样点的叶绿体色素浓度,并获取所述待测水体区域对应的偏振遥感数据;
云检测模块,用于分析所述偏振遥感数据,获取待测水体区域内的云检测结果;
大气校正模块,用于计算所述偏振遥感数据的气溶胶多角度辐射信息,并根据所述气溶胶多角度辐射信息,得到所述待测水体区域的海表反射率;
模型计算模块,用于计算获取待测水体区域内叶绿体色素浓度的最优反演模型,并根据所述最优反演模型和所述海表反射率,计算得到待测水体内叶绿体色素浓度的分布结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111054182.7A CN113758885B (zh) | 2021-09-09 | 一种水体内叶绿体色素浓度的测算方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111054182.7A CN113758885B (zh) | 2021-09-09 | 一种水体内叶绿体色素浓度的测算方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113758885A true CN113758885A (zh) | 2021-12-07 |
CN113758885B CN113758885B (zh) | 2024-05-07 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116008267A (zh) * | 2022-12-09 | 2023-04-25 | 自然资源部第二海洋研究所 | 海洋叶绿素a浓度三维分布反演方法、终端及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008106770A2 (en) * | 2007-03-02 | 2008-09-12 | Synodon Inc. | Atmospheric gas detection apparatus and method |
CN109632643A (zh) * | 2018-12-25 | 2019-04-16 | 中国资源卫星应用中心 | 一种多角度偏振探测仪在轨定标方法及装置 |
CN109709061A (zh) * | 2019-01-11 | 2019-05-03 | 中国科学院烟台海岸带研究所 | 一种太阳耀光非敏感水体指数的去耀光方法 |
WO2020015326A1 (zh) * | 2018-07-19 | 2020-01-23 | 山东科技大学 | 一种地表类型数据支持的遥感图像云阴影检测方法 |
AU2020101095A4 (en) * | 2020-06-23 | 2020-07-23 | Tarim University | A Satellite Remote Sensing Monitoring Method for the Content of Chlorophyll A in the Canopy of Jujube Trees |
CN111504915A (zh) * | 2020-04-27 | 2020-08-07 | 中国科学技术大学先进技术研究院 | 反演水体叶绿素浓度的方法、装置、设备及存储介质 |
CN112504979A (zh) * | 2020-11-12 | 2021-03-16 | 内蒙古工业大学 | 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 |
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008106770A2 (en) * | 2007-03-02 | 2008-09-12 | Synodon Inc. | Atmospheric gas detection apparatus and method |
WO2020015326A1 (zh) * | 2018-07-19 | 2020-01-23 | 山东科技大学 | 一种地表类型数据支持的遥感图像云阴影检测方法 |
CN109632643A (zh) * | 2018-12-25 | 2019-04-16 | 中国资源卫星应用中心 | 一种多角度偏振探测仪在轨定标方法及装置 |
CN109709061A (zh) * | 2019-01-11 | 2019-05-03 | 中国科学院烟台海岸带研究所 | 一种太阳耀光非敏感水体指数的去耀光方法 |
CN111504915A (zh) * | 2020-04-27 | 2020-08-07 | 中国科学技术大学先进技术研究院 | 反演水体叶绿素浓度的方法、装置、设备及存储介质 |
AU2020101095A4 (en) * | 2020-06-23 | 2020-07-23 | Tarim University | A Satellite Remote Sensing Monitoring Method for the Content of Chlorophyll A in the Canopy of Jujube Trees |
CN112504979A (zh) * | 2020-11-12 | 2021-03-16 | 内蒙古工业大学 | 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 |
Non-Patent Citations (4)
Title |
---|
宋挺;周文鳞;刘军志;龚绍琦;石浚哲;吴蔚;: "利用高光谱反演模型评估太湖水体叶绿素a浓度分布", 环境科学学报, no. 03, pages 888 - 899 * |
李国砚;张仲元;郑艳芬;刘晓玫;: "MODIS影像的大气校正及在太湖蓝藻监测中的应用", 湖泊科学, no. 02, 6 March 2008 (2008-03-06) * |
盖利亚;刘正军;张继贤;: "基于CHRIS数据的三峡坝区水体叶绿素浓度遥感监测", 测绘科学, no. 04, 20 July 2010 (2010-07-20) * |
陈震霆 等: "PARASOL/POLDER3卫星数据的海洋上空云检测", 《遥感学报》, pages 996 - 1004 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116008267A (zh) * | 2022-12-09 | 2023-04-25 | 自然资源部第二海洋研究所 | 海洋叶绿素a浓度三维分布反演方法、终端及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Kriging interpolation method and its application in retrieval of MODIS aerosol optical depth | |
CN111855595B (zh) | 一种基于黑白校准板的光谱数据校准方法 | |
Koponen et al. | Analysis on the feasibility of multi-source remote sensing observations for chl-a monitoring in Finnish lakes | |
CN112504979A (zh) | 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 | |
CN112051226B (zh) | 基于无人机载高光谱图像估算近海总悬浮物浓度的方法 | |
Xie et al. | Calculating NDVI for Landsat7-ETM data after atmospheric correction using 6S model: A case study in Zhangye city, China | |
CN114509734B (zh) | 一种基于雨滴谱的双偏振天气雷达数据质量实时评估方法 | |
CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN111879725B (zh) | 一种基于权重系数的光谱数据修正方法 | |
CN116879297B (zh) | 土壤水分协同反演的方法、装置、设备和介质 | |
CN110388986B (zh) | 基于tasi数据的土地表面温度反演方法 | |
CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
CN106680273B (zh) | 一种高空间分辨率卫星地表反射率反演方法 | |
CN115690632A (zh) | 一种内陆河流水体的水环境监测方法 | |
CN114201732A (zh) | 一种基于Sentinel-2A影像的浅海海域水深反演方法 | |
CN111650128B (zh) | 一种基于地表反射率库的高分辨率大气气溶胶反演方法 | |
CN114218786A (zh) | 非偏振卫星传感器在轨偏振辐射特性反演方法 | |
CN104198998B (zh) | 非均匀背景下基于聚类处理的恒虚警检测方法 | |
CN111191380A (zh) | 一种基于地基光谱仪测量数据的大气气溶胶光学厚度估算方法和装置 | |
CN110991087A (zh) | 一种基于多入射角组网sar卫星数据的风场反演方法及系统 | |
Hieronymi et al. | Ocean color atmospheric correction methods in view of usability for different optical water types | |
CN113758885B (zh) | 一种水体内叶绿体色素浓度的测算方法及其系统 | |
CN111879709A (zh) | 湖泊水体光谱反射率检验方法及装置 | |
CN113758885A (zh) | 一种水体内叶绿体色素浓度的测算方法及其系统 | |
Wu et al. | A novel semi-empirical soil multi-factor radiative transfer model for soil organic matter estimation based on hyperspectral imagery |
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 |