CN113916808A - 一种营养盐浓度的获得方法、装置、终端设备及存储介质 - Google Patents

一种营养盐浓度的获得方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN113916808A
CN113916808A CN202111028706.5A CN202111028706A CN113916808A CN 113916808 A CN113916808 A CN 113916808A CN 202111028706 A CN202111028706 A CN 202111028706A CN 113916808 A CN113916808 A CN 113916808A
Authority
CN
China
Prior art keywords
concentration
remote sensing
measured
absorption coefficient
water area
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
Application number
CN202111028706.5A
Other languages
English (en)
Other versions
CN113916808B (zh
Inventor
王迪峰
吕秋晓
白雁
何贤强
龚芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Second Institute of Oceanography MNR
Original Assignee
Second Institute of Oceanography MNR
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Second Institute of Oceanography MNR filed Critical Second Institute of Oceanography MNR
Priority to CN202111028706.5A priority Critical patent/CN113916808B/zh
Publication of CN113916808A publication Critical patent/CN113916808A/zh
Application granted granted Critical
Publication of CN113916808B publication Critical patent/CN113916808B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请适用于海洋水质遥感观测技术领域，提供了一种营养盐浓度的获得方法、装置、终端设备及存储介质，该方法包括：获取待测水域中有色可溶性有机物的光谱吸收系数和所述待测水域的水域表面的遥感反射率；基于所述光谱吸收系数、遥感反射率和训练后的营养盐获得模型，得到所述待测水域中的营养盐中的硝酸盐的浓度和活性磷酸盐的浓度；本申请根据光谱吸收系数和遥感反射率两个因子即可得到硝酸盐的浓度和活性磷酸盐的浓度，相对于现有技术需要处理大量数据才可以得到营养盐的浓度，本申请需要处理的数据少，数据处理速度快，相对的由于数据带来的误差小，得到的硝酸盐的浓度和活性磷酸盐的浓度更有针对性、且更准确。

Description

一种营养盐浓度的获得方法、装置、终端设备及存储介质
技术领域
本申请属于海洋水质遥感观测技术领域，尤其涉及一种营养盐浓度的获得方法、装置、终端设备及存储介质。
背景技术
营养盐是海洋浮游植物生长繁殖所必需的成分，也是海洋初级生产力和食物链的基础。海水营养盐的来源，主要为大陆径流带来的岩石风化物质、有机物腐解的产物及排入河川中的废弃物。此外，海洋生物的腐解、海中风化、极区冰川作用、火山及海底热泉，甚至于大气中的灰尘，也都为海水提供营养元素。
随着人类经济社会的快速发展，高营养盐含量会导致水体的富营养化，水域的富营养化程度不断加剧，可能催生赤潮等灾害，对人类经济社会造成重大的损失，因此准确测量营养盐浓度可以为后续对水域的整治带来帮助。目前对水域中营养盐的浓度的测量方法多需要提取水域中的大量数据，然后通过提取的大量数据推测营养盐的浓度。由于使用的数据量大，造成营养盐的测量速度慢，且由于需要使用大量数据，大量数据可能带来的误差较大，导致营养盐的浓度检测不准确。
发明内容
本申请实施例提供了一种营养盐浓度的获得方法、装置、终端设备及存储介质，可以解决营养盐浓度检测速度慢、且不准确的问题。
第一方面，本申请实施例提供了一种营养盐浓度的获得方法，包括：
获取待测水域中第一有色可溶性有机物的第一光谱吸收系数和所述待测水域的水域表面的第一遥感反射率；
基于所述第一光谱吸收系数、所述第一遥感反射率和训练后的营养盐获得模型，得到所述待测水域中的营养盐中的硝酸盐的浓度和活性磷酸盐的浓度，其中，所述营养盐获得模型基于神经网络模型或支持向量回归模型构建。
第二方面，本申请实施例提供了一种营养盐浓度的获得装置，包括：
数据获取模块，用于获取待测水域的第一有色可溶性有机物的第一光谱吸收系数和所述待测水域的水域表面的第一遥感反射率；
浓度获得模块，用于基于所述第一光谱吸收系数、所述第一遥感反射率和训练后的营养盐获得模型，得到所述待测水域中营养盐中的硝酸盐的浓度和活性磷酸盐的浓度，其中，所述营养盐获得模型基于神经网络模型或支持向量回归模型构建。
第三方面，本申请实施例提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的营养盐浓度的获得方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的营养盐浓度的获得方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的营养盐浓度的获得方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：本申请通过获取待测水域中第一有色可溶性有机物的第一光谱吸收系数和待测水域的水域表面的第一遥感反射率，基于第一光谱吸收系数、第一遥感反射率和训练后的营养盐获得模型，得到待测水域中硝酸盐的浓度和活性磷酸盐的浓度，本申请根据第一光谱吸收系数和第一遥感反射率两个因子即可得到硝酸盐的浓度和活性磷酸盐的浓度，相对于现有技术需要处理大量数据才可以得到营养盐的浓度，本申请需要处理的数据少，数据处理速度快，相对的数据带来的误差小，得到的硝酸盐的浓度和活性磷酸盐的浓度更准确；本申请主要是确定营养盐中的硝酸盐的浓度和活性磷酸盐的浓度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的营养盐浓度的获得方法的应用场景示意图；
图2是本申请一实施例提供的营养盐浓度的获得方法的流程示意图；
图3是本申请一实施例提供的第一光谱吸收系数的确定方法的流程示意图；
图4是本申请一实施例提供的影响因子的确定方法的流程示意图；
图5是本申请一实施例提供的对营养盐获得模型的训练方法的流程示意图；
图6是本申请一实施例提供的营养盐浓度的获得装置的结构示意图；
图7是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当……时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
图1为本申请实施例提供的营养盐浓度的获得方法的应用场景示意图，上述营养盐浓度的获得方法可以用于测量水域中营养盐的浓度。其中，数据分析设备10用于对采集的待测水域的数据进行分析得到待测水域中有色可溶性有机物的光谱吸收系数和水域表面的遥感反射率；处理器20用于从数据分析设备10中获取待测水域的有色可溶性有机物的光谱吸收系数和水域表面的遥感反射率，并对获取的有色可溶性有机物的光谱吸收系数和水域表面的遥感反射率进行分析得到待测水域的硝酸盐的浓度和活性磷酸盐的浓度，达到测量待测水域的营养盐浓度的目的。
以下结合图1对本申请实施例的营养盐浓度的获得方法进行详细说明。
图2示出了本申请提供的营养盐浓度的获得方法的示意性流程图，参照图2，对该方法的详述如下：
S101，获取待测水域中第一有色可溶性有机物的第一光谱吸收系数和所述待测水域的水域表面的第一遥感反射率。
在本实施例中，待测水域可以是海洋、湖泊或河流中的水域，待测水域可以根据需要进行选择。
在本实施例中，有色可溶性有机物(Colored dissolved organic matter-CDOM)也可以叫做黄色物质。光谱吸收系数表征CDOM在不同波长下的吸光度。
遥感反射率是指如果假定卫星处于天顶，并且不考虑大气的散射和吸收作用，卫星上的传感器接收到被遥感物体的反射辐亮度，与被遥感物体本身接收的太阳辐亮度的比值。
S102，基于第一光谱吸收系数、第一遥感反射率和训练后的营养盐获得模型，得到硝酸盐的浓度和活性磷酸盐的浓度，其中，所述营养盐获得模型基于神经网络模型或支持向量回归模型构建。
在本实施例中，由于经过研究确定硝酸盐的浓度和所述活性磷酸盐的浓度与有色可溶性有机物的光谱吸收系数和遥感反射率存在一定的关系，因此，根据第一光谱吸收系数和第一遥感反射率可以得到待测水域中硝酸盐的浓度和活性磷酸盐的浓度。
在本实施例中，营养盐为影响浮游植物产量并被其摄取最多的矿物盐类。营养盐一般指海水中无机氮、磷，硅。它们受海水运动和生物活动的影响，浓度随海区、深度和季节不同发生较大幅度变化。海水营养盐是海洋初级生产力的制约因素。
在本实施例中，营养盐获得模型包括神经网络模型或支持向量回归模型。
在本实施例中，将第一光谱吸收系数和第一遥感反射率输入训练后的营养盐获得模型中，可以得到硝酸盐的浓度和活性磷酸盐的浓度。
在本实施例中，神经网络模型可以包括BP(back propagation)神经网络。BP神经网络可以包括输入层、隐含层和输出层。其中，隐含层的节点个数可以基于m＝(n-l)1/2+α确定，m为隐含层节点个数，n为输入层节点个数，l为输出层节点个数，α是经验校准系数，通常取[0，10]之间的某个整数。在得到m后再以验证集反演和实测营养盐浓度的相关性和平均相对误差变化来确定最终隐含层节点数量。
在本实施例中，支持向量机(Support Vector Machine-SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。SVM使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法进行非线性分类，是常见的核学习方法之一。
本申请实施例中，通过获取待测水域中第一有色可溶性有机物的第一光谱吸收系数和待测水域的水域表面的第一遥感反射率，基于第一光谱吸收系数和第一遥感反射率，得到待测水域中硝酸盐的浓度和活性磷酸盐的浓度，本申请根据第一光谱吸收系数和第一遥感反射率两个因子即可得到硝酸盐的浓度和活性磷酸盐的浓度，相对于现有技术需要处理大量数据才可以得到营养盐的浓度，本申请需要处理的数据少，数据处理速度快，相对的由于数据带来的误差小，得到的硝酸盐的浓度和活性磷酸盐的浓度更准确；本申请主要是确定营养盐中的硝酸盐的浓度和活性磷酸盐的浓度。
如图3所示，在一种可能的实现方式中，步骤S101的实现过程可以包括：
S1011，获取遥感卫星采集的所述待测水域的遥感数据。
在本实施例中，待测水域的遥感数据可以是遥感卫星获取的。遥感卫星可以包括中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer-MODIS)。MODIS可以监测全球大多数区域，因此，使用MODIS采集的数据可以得到待测水域的遥感数据。
S1012，基于所述遥感数据，得到待测水域的水域表面在不同波段对应的第一遥感反射率。
在本实施例中，得到遥感数据后，可以利用SeaDAS软件完成影像辐射定标、地理定位、云去除以及MUMM大气校正等，得到了可见光和近红外范围内不同波段的遥感反射率，例如，11个波段412nm、443nm、469nm、488nm、531nm、547nm、555nm、645nm、667nm、678nm、748nm的遥感反射率，最后以数据计算软件MATLAB可读取格式导出并保存。
在本实施例中，由于陆地干扰信号，云覆盖，卫星轨道参数和大气校正等方面的影响，遥感卫星采集的待测水域的遥感数据存在缺失现象，也就是遥感数据在时间和空间上是不连续的。为了得到在时间和空间上连续的硝酸盐的浓度和活性磷酸盐的浓度，需要对得到的遥感数据进行重构，以得到连续的遥感数据，进而得到在时间和空间上连续的硝酸盐的浓度和活性磷酸盐的浓度。
具体的，对遥感数据进行重构采用经验正交分解插值方法(Data InterpolatingEmpirical Orthogonal Function-DINEOF)。具体的，输入遥感数据中每一辐图像的栅格影像，然后对每景插值提取目标大小的矩阵作为输入，进行交叉验证获得最佳模态数和重构迭代次数后，对时间系数进行谐波拟合，获得拟合函数，然后进行线性插值，对插值后的时间系数拟合函数和空间模态进行EOF重构。由于重构数据中存在少量小于或等于零的不符合实际情况数量要求的点，在重构数据中需要筛选去除这部分点，最终完成时空函数合成，恢复重构序列。
S1013，基于所述第一遥感反射率和第一系数计算模型，得到所述第一光谱吸收系数，其中，所述第一系数计算模型包括：
Figure BDA0003244333140000081
aCDOM(400)为第一光谱吸收系数，第一光谱吸收系数包括所述第一有色可溶性有机物对400纳米的波长光谱的光谱吸收系数，Requi(667)为所述待测水域的水域表面在667纳米波段对应的第一遥感反射率，Requi(443)为所述待测水域的水域表面在443纳米波段对应的第一遥感反射率，Requi(748)为所述待测水域的水域表面在748纳米波段对应的第一遥感反射率，Requi(412)为所述待测水域的水域表面在412纳米波段对应的第一遥感反射率。
在本实施例中，由于有色可溶性有机物对400nm的波长光谱的光谱吸收系数与总悬浮颗粒物呈线性相关，总悬浮颗粒物对水体信号在长波波段具有增强作用，总悬浮颗粒物与667nm和748nm处反射率呈现出正相关的结果。因此，有色可溶性有机物对400nm的波长光谱的光谱吸收系数与667nm和748nm处反射率呈正相关。另外，考虑到CDOM本身在412nm和443nm拥有较强的光吸收作用，因此，第一光谱吸收系数可以根据667波段对应的第一遥感反射率、443波段对应的第一遥感反射率、748波段对应的第一遥感反射率和412波段对应的第一遥感反射率得到。
本申请实施例中，将营养盐浓度的研究应用在了遥感卫星领域，通过获取遥感数据，根据遥感数据得到第一遥感反射率和第一光谱吸收系数。
在一种可能的实现方式中，为了确定硝酸盐的浓度和活性磷酸盐的浓度与哪些水质要素有关，也就是为了说明为什么根据有色可溶性有机物的光谱吸收系数和水域表面的遥感反射率可以得到硝酸盐的浓度和活性磷酸盐的浓度，需要先确定硝酸盐的浓度和活性磷酸盐的浓度的影响因子。
具体的，判断硝酸盐的浓度和活性磷酸盐的浓度的影响因子的方法包括：
S201，获取所述样本水域中水质要素的实测数据，其中，所述水质要素的实测数据包括硝酸盐的浓度、活性磷酸盐的浓度、第二有色可溶性有机物的实测光谱吸收系数和所述样本水域的水域表面的实测遥感反射率。
在本实施例中，水质要素的实测数据还可以包括盐度、温度、叶绿素的浓度和悬浮物的浓度中的至少一个。
在本实施例中，悬浮物也就是悬浮颗粒物，通常指在水体中以悬浮状态存在的所有物质，其中以悬浮泥沙为主成分。
具体的，水质要素的实测数据的获得方法包括：
获取温度采集设备采集的所述样本水域的温度。温度采集设备可以是CTD采水器(CTD Rosette water sampler)。
获取电导盐度计测量的所述样本水域的盐度。
获取所述样本水域的水样本，对所述水样本进行处理，得到所述样本水域的硝酸盐的浓度、活性磷酸盐的浓度、叶绿素的浓度值和悬浮物的浓度。硝酸盐利用紫外可见分光光度计进行镉柱还原法获得浓度。活性磷酸盐采用磷钼蓝分光光度法，通过紫外可见分光光度计测得浓度。通过重量法得到悬浮物的浓度。用丙酮进行叶绿素萃取，利用荧光计分析获得叶绿素的浓度。
基于第二系数计算模型，得到上述实测光谱吸收系数，其中，所述第二系数计算模型包括：
aCDOM(λ)＝(2.303/L)×((ODCDOM(λ)-ODMilli-Q(λ))-ODnull)，aCDOM(λ)为实测光谱吸收系数，实测光谱吸收系数包括在波长λ时第二有色可溶性有机物的光谱吸收系数，ODCDOM(λ)为在波长λ下测试的有色可溶性有机物样品的吸光度，ODMilli-Q(λ)为在波长λ下测试的纯净水的吸光度，L是光程路径，L可以取0.1m，ODnull表示长波长下的残余吸光度偏移，ODnull基于ODCDOM(λ)和ODMilli-Q(λ)获得，例如，ODnull可以为695至705nm的(ODCDOM-ODMilli-Q)平均值。本申请中的aCDOM(λ)可以为第二有色可溶性有机物对400nm的波长光谱的实测光谱吸收系数。
获取所述样本水域的水域表面的上行辐亮度和下行辐照度。基于所述样本水域的水域表面的上行辐亮度、下行辐亮度和预设的标准上行辐亮度，得到所述第二遥感反射率。
具体的，第二遥感反射率可以根据以下公式获得。
Lw＝Lt-βsLsky；
Figure BDA0003244333140000101
Figure BDA0003244333140000102
其中，Lw为离水辐亮度，Lt为上行辐亮度，βs为海气界面的反射率，Lsky为下行辐亮度，
Figure BDA0003244333140000103
为总入射辐照度，Lp为预设的标准上行辐亮度，βp为标准板的反射率，Rrs为遥感反射率。
S202，基于所述水质要素的实测数据，确定所述营养盐浓度的影响因子，其中，所述影响因子包括上述实测光谱吸收系数和所述实测遥感反射率。
在本实施例中，可以对实测的硝酸盐的浓度与其他水质要素的实测数据进行拟合，得到硝酸盐的浓度与各个水质要素的实测数据之间的拟合曲线，根据拟合曲线判断硝酸盐的浓度与哪些水质要素的实测数据相关。如果相关系数高，则可以确定硝酸盐的浓度与该水质要素相关。
同理，可以对活性磷酸盐的浓度与其他水质要素的实测数据进行拟合，得到活性磷酸盐的浓度与各个水质要素的实测数据之间的拟合曲线，根据拟合曲线判断活性磷酸盐的浓度与哪些水质要素的实测数据相关。
通过与硝酸盐的浓度相关的水质要素的实测数据，以及与活性磷酸盐的浓度相关的水质要素的实测数据可以确定影响因子。
本申请实施例中，根据水质要素的实测数据，可以得到上述实测光谱吸收系数和实测遥感反射率与硝酸盐的浓度和活性磷酸盐的浓度相关，可以为后续通过遥感数据得到硝酸盐的浓度和活性磷酸盐的浓度带来理论基础。
如图4所示，具体的，步骤S202的实现过程可以包括：
S2021，基于所述活性磷酸盐的浓度和所述实测光谱吸收系数，计算所述活性磷酸盐的浓度与所述实测光谱吸收系数的第一相关系数。
在本实施例中，相关系数是度量两个随机变量的线性相关性是否良好的指标。本申请中相关系数可以根据公
Figure BDA0003244333140000111
获得，其中，r为相关系数，X为一个变量，在计算第一相关系数时，X为活性磷酸盐的浓度，
Figure BDA0003244333140000112
为变量X的平均值，Y为另一变量，Y为各个第一要素中的一个水质要素的实测数据，
Figure BDA0003244333140000113
为变量Y的平均值。
在本实施例中，水质要素的实测数据还可以包括盐度、温度、叶绿素的浓度和悬浮物的浓度，还可以分别计算活性磷酸盐的浓度与盐度、温度、叶绿素的浓度、悬浮物的浓度的第一相关系数。
作为举例，在计算活性磷酸盐的浓度与各个第一要素的第一相关系数时，各个第一要素包括硝酸盐的浓度、第二有色可溶性有机物的实测光谱吸收系数、盐度、温度、叶绿素的浓度和悬浮物的浓度。则需要分别计算活性磷酸盐的浓度与硝酸盐的浓度、第二有色可溶性有机物的实测光谱吸收系数、盐度、温度、叶绿素的浓度和悬浮物的浓度的第一相关系数。
S2022，基于所述硝酸盐的浓度和所述实测光谱吸收系数，计算所述硝酸盐的浓度与所述实测光谱吸收系数的第二相关系数。
在本实施例中，水质要素的实测数据还可以包括盐度、温度、叶绿素的浓度和悬浮物的浓度，还可以分别计算硝酸盐的浓度与盐度、温度、叶绿素的浓度、悬浮物的浓度的第二相关系数。
S2023，基于所述活性磷酸盐的浓度和所述实测遥感反射率，计算所述活性磷酸盐的浓度与所述实测遥感反射率的第三相关系数。
在本实施例中，通过计算活性磷酸盐的浓度与实测遥感反射率的第三相关系数可以判断活性磷酸盐的浓度与实测遥感反射率是否相关。
在本实施例中，实测遥感反射率可以是某一波段对应的遥感反射率，还可以是两个波段对应的遥感反射率之差或比值。
S2024，基于所述硝酸盐的浓度和所述实测遥感反射率，计算所述硝酸盐的浓度与所述实测遥感反射率的第四相关系数。
在本实施例中，通过计算硝酸盐的浓度与实测遥感反射率的第四相关系数可以判断硝酸盐的浓度与实测遥感反射率是否相关。
S2025，基于所述第一相关系数、所述第二相关系数、所述第三相关系数和所述第四相关系数，确定所述实测光谱吸收系数和所述实测遥感反射率为与所述硝酸盐的浓度和所述活性磷酸盐的浓度相关的影响因子。
具体的，可以基于所述第一相关系数和所述第四相关系数，确定所述实测光谱吸收系数和所述实测遥感反射率为与所述硝酸盐的浓度和所述活性磷酸盐的浓度相关的影响因子。或者基于所述第二相关系数和所述第三相关系数，确定所述实测光谱吸收系数和所述实测遥感反射率为与所述硝酸盐的浓度和所述活性磷酸盐的浓度相关的影响因子。
在本实施例中，若第一相关系数大于第一预设值，或者第二相关系数大于第二预设值，则可以将实测光谱吸收系数作为影响因子。同理，若第三相关系数大于第三预设值或第四相关系数大于第四预设值，则可以将实测遥感反射率作为影响因子。但是，如果只有第一相关系数大于第一预设值、第三相关系数大于第三预设值，则不能确定实测光谱吸收系数和所述实测遥感反射率为与所述硝酸盐的浓度和所述活性磷酸盐的浓度相关的影响因子。如果只有第二相关系数大于第二预设值、第四相关系数大于第四预设值，则不能确定实测光谱吸收系数和所述实测遥感反射率为与所述硝酸盐的浓度和所述活性磷酸盐的浓度相关的影响因子。
具体的，若所述第一相关系数大于第一预设值、所述第四相关系数大于第四预设值，则确定所述实测光谱吸收系数和所述实测遥感反射率为所述影响因子。或，若所述第二相关系数大于第二预设值、所述第三相关系数大于第三预设值，则确定所述实测光谱吸收系数和所述实测遥感反射率为所述影响因子。或，若第一相关系数大于第一预设值、第二相关系数大于第二预设值、所述第三相关系数大于第三预设值，则确定所述实测光谱吸收系数和所述实测遥感反射率为所述影响因子。或，若第一相关系数大于第一预设值、第二相关系数大于第二预设值、所述第四相关系数大于第四预设值，则确定所述实测光谱吸收系数和所述实测遥感反射率为所述影响因子。或，若第一相关系数大于第一预设值、所述第三相关系数大于第三预设值、第四相关系数大于第四预设值，则确定所述实测光谱吸收系数和所述实测遥感反射率为所述影响因子。或，若第二相关系数大于第二预设值、所述第三相关系数大于第三预设值、第四相关系数大于第四预设值，则确定所述实测光谱吸收系数和所述实测遥感反射率为所述影响因子。或，若第一相关系数大于第一预设值、第二相关系数大于第二预设值、所述第三相关系数大于第三预设值、第四相关系数大于第四预设值，则确定所述实测光谱吸收系数和所述实测遥感反射率为所述影响因子。
在本实施例中，经过确定第一相关系数中存在大于第一预设值的第一相关系数，因此确定活性磷酸盐的浓度与实测光谱吸收系数相关。第一预设值可以根据需要进行设置。另外，水质要素的实测数据包括盐度、温度、叶绿素的浓度和悬浮物的浓度中的至少一个，经过确定第一相关系数中存在大于第一预设值的第一相关系数，且第一相关系数中的最大值对应的水质要素为实测光谱吸收系数，确定活性磷酸盐的浓度与实测光谱吸收系数相关。
如果第二相关系数中存在大于第二预设值的第二相关系数，则可以确定硝酸盐的浓度与实测光谱吸收系数相关。但是，如果确定第二相关系数中可能不存在大于第二预设值的第二相关系数，则确定硝酸盐的浓度与实测光谱吸收系数不相关。第二预设值可以根据需要进行设置。
经过确定第三相关系数中存在大于第三预设值的第三相关系数，则确定活性磷酸盐的浓度与实测遥感反射率相关。第三预设值可以根据需要进行设置。
经过确定第四相关系数中存在大于第三预设值的第四相关系数，则确定硝酸盐的浓度与实测遥感反射率相关。第四预设值可以根据需要进行设置。
因此，经过以上分析可以得到实测光谱吸收系数和实测遥感反射率为与硝酸盐的浓度和活性磷酸盐的浓度相关的影响因子。
可选的，在计算得到第一相关系数、第二相关系数、第三相关系数和第四相关系数后，还可以计算第一相关系数的平方、第二相关系数的平方、第三相关系数的平方和第四相关系数的平方，根据第一相关系数的平方、第二相关系数的平方、第三相关系数的平方和第四相关系数的平方确定所述实测光谱吸收系数和所述实测遥感反射率为与所述硝酸盐的浓度和所述活性磷酸盐的浓度相关的影响因子。
作为举例，如下表1中各水质要素中除实测光谱数据之外的各个水质要素之间的相关系数的平方。
表1各水质要素之间的相关系数的平方
Figure BDA0003244333140000141
由上表1中可以得出，活性磷酸盐与波长为400时的实测光谱吸收系数的相关系数的平方为0.62，硝酸盐与400时的实测光谱吸收系数的相关系数较低。因此，活性磷酸盐与波长为400时的实测光谱吸收系数相关。
如下表2中光谱波段/波段组合与活性磷酸盐的浓度，以及光谱波段/波段组合与硝酸盐的浓度之间的相关系数的平方。
表2光谱波段/波段组合与两类营养盐的相关性分析(R2)
波段 硝酸盐 活性磷酸盐
Band·1 0.1207 0.1227
Band·2 0.1824 0.1839
Band·3 0.2177 0.2182
Band·4 0.2481 0.2480
Band·5 0.3510 0.3495
Band·6 0.3808 0.3790
Band·7 0.3921 0.3900
Band·8 0.3931 0.3935
Band·9 0.3660 0.3667
Band·10 0.3627 0.3630
Band·11 0.1531 0.1490
Band·3-·Band·7 0.5529 \
Band·4-·Band·6 0.5532 \
Band·4-·Band·7 0.5594 0.5507
Band·6-·Band·4 0.5532 \
Band·7-·Band·3 0.5529 \
Band·7-·Band·4 0.5594 0.5507
Band·8/·Band·1 0.6064 0.5929
Band·8/·Band·2 0.6100 0.5936
Band·8/·Band·3 0.5886 0.5728
Band·8/·Band·4 0.5603 \
Band·9/·Band·1 0.5772 0.5650
Band·9/·Baud·2 0.5670 0.5518
Band·10/·Band·1 0.5810 0.5681
Band·10/·Band·2 0.5647 \
由上表2中可以得出，单波段与硝酸盐的浓度的相关系数的平方较小，单波段与和活性磷酸盐的浓度的相关系数的平方较小，其中在长波波段表现出了更好的相关性(Band6，7，8)。与单波段方法相比，经过简单的比值、差值计算处理，相关性得到了较大的提高。其中两类营养盐均与Band8/Band2的相关性达到最高，R2分别等于0.61和0.594，属于高度相关状态。总体来说，两类营养盐与原始光谱之间不存在较好的线性关系，而经过不同形式的波段组合相较于单波段能更好的与营养盐产生关系，体现出要素之间的相关性关系。因此，硝酸盐的浓度和活性磷酸盐的浓度均与光谱波段的组合相关。
在本实施例中，为了得到更准确的结果，可以选取多组数据进行计算，得到多组第一相关系数、第二相关系数、第三相关系数和第四相关系数，根据多组第一相关系数、第二相关系数、第三相关系数和第四相关系数得到影响因子。
本申请实施例中，通过计算第一相关系数、第二相关系数、第三相关系数和第四相关系数，然后根据第一相关系数、第二相关系数、第三相关系数和第四相关系数可以得到影响因子，为影响因子的确定提供了简单有效的方法。
在一种可能的实现方式中，在确定了硝酸盐的浓度和活性磷酸盐的浓度的影响因子为有色可溶性有机物的光谱吸收系数和水域表面的实测遥感反射率之后，可以经过对待训练的营养盐获得模型进行训练得到训练后的营养盐获得模型。
具体的，在步骤S202之后，上述方法还可以包括：
S203，获取样本水域中第二有色可溶性有机物的实测光谱吸收系数和所述样本水域的水域表面的实测遥感反射率。
在本实施例中，为了对待训练的营养盐获得模型进行训练，需要获得样本水域的第二有色可溶性有机物的实测光谱吸收系数和样本水域的水域表面的实测遥感反射率。样本水域可以根据需要进行选择。
S204，基于所述实测光谱吸收系数和所述实测遥感反射率对待训练的营养盐获得模型进行训练，得到训练后的营养盐获得模型。
在本实施例中，由于硝酸盐的浓度和活性磷酸盐的浓度与有色可溶性有机物的光谱吸收系数和遥感反射率有关，因此，待训练的营养盐获得模型的输入为预设波段的遥感反射率和有色可溶性有机物的光谱吸收系数。
本申请实施例中，通过实测光谱吸收系数和实测遥感反射率对待训练的营养盐获得模型进行训练，可以得到准确的训练后的营养盐获得模型，以便于以后在测硝酸盐的浓度和活性磷酸盐的浓度时，直接使用训练后的营养盐获得模型即可。
如图5所示，在一种可能的实现方式中，步骤S204的实现过程可以包括：
S2041，将所述实测光谱吸收系数和所述实测遥感反射率输入待训练的营养盐获得模型，得到所述待训练的营养盐获得模型输出的所述样本水域中硝酸盐的预测浓度和活性磷酸盐的预测浓度。
在本实施例中，在待训练的营养盐获得模型中输入实测光谱吸收系数和实测遥感反射率后，待训练的营养盐获得模型可以输出预测的硝酸盐的浓度和活性磷酸盐的浓度，本申请中记为硝酸盐的预测浓度和活性磷酸盐的预测浓度。
S2042，计算所述硝酸盐的预测浓度和所述硝酸盐的真实浓度值之间的第一均方根误差。
在本实施例中，硝酸盐的真实浓度值为通过测量得到的样本水域中的硝酸盐的浓度。
在本实施例中，均方根误差(Root Mean Squared Error-RMSE)是预测数值与实际真值之间的差异，表征预测数据与实际真值之间的离散程度。
具体的，均方根误差的计算公式包括：
Figure BDA0003244333140000171
RMSE为均方根误差，CPre，i为预测值，CMea，i为真实值，N为样本总数。
在本实施例中，通过计算第一均方根误差可以确定硝酸盐的预测浓度和真实浓度值之间的离散程度，以判断待训练的营养盐获得模型是否训练完成。
S2043，计算所述活性磷酸盐的预测浓度和所述活性磷酸盐的真实浓度值之间的第二均方根误差。
在本实施例中，通过计算第二均方根误差可以确定活性磷酸盐的预测浓度和真实浓度值之间的离散程度，以判断待训练的营养盐获得模型是否训练完成。
S2044，基于所述第一均方根误差和所述第二均方根误差更新所述待训练的营养盐获得模型中的参数值，得到训练后的营养盐获得模型。
在本实施例中，将第一均方根误差和第二均方根误差作为营养盐获得模型的误差值对待训练的营养盐获得模型中的参数值进行更新，然后对更新完参数值的待训练的营养盐获得模型继续训练，直至第一均方根误差和第二均方根误差满足预设要求，停止对待训练的营养盐获得模型的训练，得到训练后的营养盐获得模型。
本申请实施例中，通过对待训练的营养盐获得模型进行训练，由于均方根误差反映的是预测值与真实值之间的离散程度，因此，根据均方根误差可以判断预测值与真实值的接近程度。本申请根据第一均方根误差和第二均方根误差更新待训练的营养盐获得模型中的参数值，可以使得到的更准确的训练后的营养盐获得模型。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的营养盐浓度的获得方法，图6示出了本申请实施例提供的营养盐浓度的获得装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图6，该装置300可以包括：数据获取模块310和浓度获得模块320。
其中，数据获取模块310，用于获取待测水域的第一有色可溶性有机物的第一光谱吸收系数和所述待测水域的水域表面的第一遥感反射率；
浓度获得模块320，用于基于所述第一光谱吸收系数、所述第一遥感反射率和训练后的营养盐获得模型，得到所述待测水域中营养盐中的硝酸盐的浓度和活性磷酸盐的浓度，其中，所述营养盐获得模型基于神经网络模型或支持向量回归模型构建。
在一种可能的实现方式中，数据获取模块310具体可以用于：
获取遥感卫星采集的所述待测水域的遥感数据；
基于所述遥感数据，得到所述待测水域的水域表面在不同波段对应的第一遥感反射率；
基于所述第一遥感反射率和第一系数计算模型，得到所述第一光谱吸收系数，其中，所述第一系数计算模型包括：
Figure BDA0003244333140000191
aCDOM(400)为第一光谱吸收系数，第一光谱吸收系数包括所述第一有色可溶性有机物对400纳米的波长光谱的光谱吸收系数，Requi(667)为所述待测水域的水域表面在667纳米波段对应的第一遥感反射率，Requi(443)为所述待测水域的水域表面在443纳米波段对应的第一遥感反射率，Requi(748)为所述待测水域的水域表面在748纳米波段对应的第一遥感反射率，Requi(412)为所述待测水域的水域表面在412纳米波段对应的第一遥感反射率。
在一种可能的实现方式中，与浓度获得模块320相连的还包括：
信息获取模块，用于获取样本水域中第二有色可溶性有机物的实测光谱吸收系数和所述样本水域的水域表面的实测遥感反射率；
模型训练模块，用于基于所述实测光谱吸收系数和所述实测遥感反射率对待训练的营养盐获得模型进行训练，得到训练后的营养盐获得模型。
在一种可能的实现方式中，模型训练模块具体可以用于：
将所述实测光谱吸收系数和所述实测遥感反射率输入待训练的营养盐获得模型，得到所述待训练的营养盐获得模型输出的所述样本水域中硝酸盐的预测浓度和活性磷酸盐的预测浓度；
计算所述硝酸盐的预测浓度和所述硝酸盐的真实浓度值之间的第一均方根误差；
计算所述活性磷酸盐的预测浓度和所述活性磷酸盐的真实浓度值之间的第二均方根误差；
基于所述第一均方根误差和所述第二均方根误差更新所述待训练的营养盐获得模型中的参数值，之后返回执行所述将所述实测光谱吸收系数和所述实测遥感反射率输入待训练的营养盐获得模型的步骤以及后续步骤，直至完成所述营养盐获得模型的训练。
在一种可能的实现方式中，与信息获取模块相连的还包括：
实测数据获取模块，用于获取所述样本水域中水质要素的实测数据，其中，所述水质要素的实测数据包括硝酸盐的浓度、活性磷酸盐的浓度、第二有色可溶性有机物的实测光谱吸收系数和所述样本水域的水域表面的实测遥感反射率，以及盐度、温度、叶绿素的浓度和悬浮物的浓度中的至少一个；
影响因子获得模块，用于基于所述水质要素的实测数据，确定所述营养盐浓度的影响因子，其中，所述影响因子包括所述实测光谱吸收系数和所述实测遥感反射率。
在一种可能的实现方式中，影响因子获得模块具体可以用于：
基于所述活性磷酸盐的浓度和所述实测光谱吸收系数，计算所述活性磷酸盐的浓度与所述实测光谱吸收系数的第一相关系数；
基于所述硝酸盐的浓度和所述实测遥感反射率，计算所述硝酸盐的浓度与所述实测遥感反射率的第四相关系数；
基于所述第一相关系数和所述第四相关系数，确定所述实测光谱吸收系数和所述实测遥感反射率为与所述硝酸盐的浓度和所述活性磷酸盐的浓度相关的影响因子；
或，
基于所述硝酸盐的浓度和所述实测光谱吸收系数，计算所述硝酸盐的浓度与所述实测光谱吸收系数的第二相关系数；
基于所述活性磷酸盐的浓度和所述实测遥感反射率，计算所述活性磷酸盐的浓度与所述实测遥感反射率的第三相关系数；
基于所述第二相关系数和所述第三相关系数，确定所述实测光谱吸收系数和所述实测遥感反射率为与所述硝酸盐的浓度和所述活性磷酸盐的浓度相关的影响因子。
在一种可能的实现方式中，影响因子获得模块具体还可以用于：
若所述第一相关系数大于第一预设值、所述第四相关系数大于第四预设值，则确定所述实测光谱吸收系数和所述实测遥感反射率为所述影响因子；
若所述第二相关系数大于第二预设值、所述第三相关系数大于第三预设值，则确定所述实测光谱吸收系数和所述实测遥感反射率为所述影响因子。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，参见图7，该终端设备400可以包括：至少一个处理器410、存储器420以及存储在所述存储器420中并可在所述至少一个处理器410上运行的计算机程序，所述处理器410执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图2所示实施例中的步骤S101至步骤S102。或者，处理器410执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块310至320的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器420中，并由处理器410执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备400中的执行过程。
本领域技术人员可以理解，图7仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器410可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器420可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。所述存储器420用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器420还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的营养盐浓度的获得方法可以应用于计算机、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述营养盐浓度的获得方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述营养盐浓度的获得方法各个实施例中的步骤。
所述集成的单元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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种营养盐浓度的获得方法，其特征在于，包括：
获取待测水域中第一有色可溶性有机物的第一光谱吸收系数和所述待测水域的水域表面的第一遥感反射率；
基于所述第一光谱吸收系数、所述第一遥感反射率和训练后的营养盐获得模型，得到所述待测水域中的营养盐中的硝酸盐的浓度和活性磷酸盐的浓度，其中，所述营养盐获得模型基于神经网络模型或支持向量回归模型构建。
2.如权利要求1所述的营养盐浓度的获得方法，其特征在于，所述获取待测水域中第一有色可溶性有机物的第一光谱吸收系数和所述待测水域的水域表面的第一遥感反射率，包括：
获取遥感卫星采集的所述待测水域的遥感数据；
基于所述遥感数据，得到所述待测水域的水域表面在不同波段对应的第一遥感反射率；
基于所述第一遥感反射率和第一系数计算模型，得到所述第一光谱吸收系数，其中，所述第一系数计算模型包括：
Figure FDA0003244333130000011
aCDOM(400)为第一光谱吸收系数，第一光谱吸收系数包括所述第一有色可溶性有机物对400纳米的波长光谱的光谱吸收系数，Requi(667)为所述待测水域的水域表面在667纳米波段对应的第一遥感反射率，Requi(443)为所述待测水域的水域表面在443纳米波段对应的第一遥感反射率，Requi(748)为所述待测水域的水域表面在748纳米波段对应的第一遥感反射率，Requi(412)为所述待测水域的水域表面在412纳米波段对应的第一遥感反射率。
3.如权利要求1或2所述的营养盐浓度的获得方法，其特征在于，在所述基于所述第一光谱吸收系数、所述第一遥感反射率和训练后的营养盐获得模型，得到所述待测水域中的营养盐中的硝酸盐的浓度和活性磷酸盐的浓度之前，包括：
获取样本水域中第二有色可溶性有机物的实测光谱吸收系数和所述样本水域的水域表面的实测遥感反射率；
基于所述实测光谱吸收系数和所述实测遥感反射率对待训练的营养盐获得模型进行训练，得到训练后的营养盐获得模型。
4.如权利要求3所述的营养盐浓度的获得方法，其特征在于，所述基于所述实测光谱吸收系数和所述实测遥感反射率对待训练的营养盐获得模型进行训练，得到训练后的营养盐获得模型，包括：
将所述实测光谱吸收系数和所述实测遥感反射率输入待训练的营养盐获得模型，得到所述待训练的营养盐获得模型输出的所述样本水域中硝酸盐的预测浓度和活性磷酸盐的预测浓度；
计算所述硝酸盐的预测浓度和所述硝酸盐的真实浓度值之间的第一均方根误差；
计算所述活性磷酸盐的预测浓度和所述活性磷酸盐的真实浓度值之间的第二均方根误差；
基于所述第一均方根误差和所述第二均方根误差更新所述待训练的营养盐获得模型中的参数值，之后返回执行所述将所述实测光谱吸收系数和所述实测遥感反射率输入待训练的营养盐获得模型的步骤以及后续步骤，直至完成所述营养盐获得模型的训练。
5.如权利要求3所述的营养盐浓度的获得方法，其特征在于，在所述获取样本水域中第二有色可溶性有机物的实测光谱吸收系数和所述样本水域的水域表面的实测遥感反射率之前，包括：
获取所述样本水域中水质要素的实测数据，其中，所述水质要素的实测数据包括硝酸盐的浓度、活性磷酸盐的浓度、第二有色可溶性有机物的实测光谱吸收系数和所述样本水域的水域表面的实测遥感反射率；
基于所述水质要素的实测数据，确定所述硝酸盐的浓度和所述活性磷酸盐的浓度的影响因子，其中，所述影响因子包括所述实测光谱吸收系数和所述实测遥感反射率。
6.如权利要求5所述的营养盐浓度的获得方法，其特征在于，所述基于所述水质要素的实测数据，确定所述营养盐浓度的影响因子，包括：
基于所述活性磷酸盐的浓度和所述实测光谱吸收系数，计算所述活性磷酸盐的浓度与所述实测光谱吸收系数的第一相关系数；
基于所述硝酸盐的浓度和所述实测遥感反射率，计算所述硝酸盐的浓度与所述实测遥感反射率的第四相关系数；
基于所述第一相关系数和所述第四相关系数，确定所述实测光谱吸收系数和所述实测遥感反射率为与所述硝酸盐的浓度和所述活性磷酸盐的浓度相关的影响因子；
或，
基于所述硝酸盐的浓度和所述实测光谱吸收系数，计算所述硝酸盐的浓度与所述实测光谱吸收系数的第二相关系数；
基于所述活性磷酸盐的浓度和所述实测遥感反射率，计算所述活性磷酸盐的浓度与所述实测遥感反射率的第三相关系数；
基于所述第二相关系数和所述第三相关系数，确定所述实测光谱吸收系数和所述实测遥感反射率为与所述硝酸盐的浓度和所述活性磷酸盐的浓度相关的影响因子。
7.如权利要求6所述的营养盐浓度的获得方法，其特征在于，所述基于所述第一相关系数和所述第四相关系数，确定所述实测光谱吸收系数和所述实测遥感反射率为与所述硝酸盐的浓度和所述活性磷酸盐的浓度相关的影响因子，包括：
若所述第一相关系数大于第一预设值、所述第四相关系数大于第四预设值，则确定所述实测光谱吸收系数和所述实测遥感反射率为所述影响因子；
所述基于所述第二相关系数和所述第三相关系数，确定所述实测光谱吸收系数和所述实测遥感反射率为与所述硝酸盐的浓度和所述活性磷酸盐的浓度相关的影响因子，包括：
若所述第二相关系数大于第二预设值、所述第三相关系数大于第三预设值，则确定所述实测光谱吸收系数和所述实测遥感反射率为所述影响因子。
8.一种营养盐浓度的获得装置，其特征在于，包括：
数据获取模块，用于获取待测水域的第一有色可溶性有机物的第一光谱吸收系数和所述待测水域的水域表面的第一遥感反射率；
浓度获得模块，用于基于所述第一光谱吸收系数、所述第一遥感反射率和训练后的营养盐获得模型，得到所述待测水域中营养盐中的硝酸盐的浓度和活性磷酸盐的浓度，其中，所述营养盐获得模型基于神经网络模型或支持向量回归模型构建。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的营养盐浓度的获得方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的营养盐浓度的获得方法。
CN202111028706.5A 2021-09-02 2021-09-02 一种营养盐浓度的获得方法、装置、终端设备及存储介质 Active CN113916808B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111028706.5A CN113916808B (zh) 2021-09-02 2021-09-02 一种营养盐浓度的获得方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111028706.5A CN113916808B (zh) 2021-09-02 2021-09-02 一种营养盐浓度的获得方法、装置、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN113916808A true CN113916808A (zh) 2022-01-11
CN113916808B CN113916808B (zh) 2022-05-27

Family

ID=79233921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111028706.5A Active CN113916808B (zh) 2021-09-02 2021-09-02 一种营养盐浓度的获得方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN113916808B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116893146A (zh) * 2023-06-12 2023-10-17 华能澜沧江水电股份有限公司 水体颗粒磷浓度的确定方法、装置、设备及存储介质
CN117571641A (zh) * 2024-01-12 2024-02-20 自然资源部第二海洋研究所 一种海表硝酸盐浓度分布检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105158172A (zh) * 2015-08-22 2015-12-16 中国城市科学研究会 一种内陆ii类水体水色参数遥感反演的分析方法
CN106126826A (zh) * 2016-06-27 2016-11-16 中国科学院南京地理与湖泊研究所 一种基于viirs传感器的浑浊湖泊水体悬浮物浓度估算方法
CN109738397A (zh) * 2018-11-30 2019-05-10 南京师范大学 一种基于olci传感器的内陆湖泊水体陆源腐殖质浓度遥感估算方法
CN110068539A (zh) * 2019-04-29 2019-07-30 中国科学院南京地理与湖泊研究所 一种富营养化浅水湖泊有色溶解有机物的遥感方法
CN111024618A (zh) * 2019-11-25 2020-04-17 广州丰泽源水利科技有限公司 基于遥感影像的水质健康监测方法、装置及存储介质
CN112014331A (zh) * 2020-08-21 2020-12-01 中国第一汽车股份有限公司 一种水体污染的检测方法、装置、设备以及存储介质
CN113203694A (zh) * 2021-04-26 2021-08-03 中国科学院东北地理与农业生态研究所 Msi的湖泊富营养指数遥感估算方法
CN113298058A (zh) * 2021-07-27 2021-08-24 浙江省淡水水产研究所 基于无人机高光谱图像的水质预测反演方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105158172A (zh) * 2015-08-22 2015-12-16 中国城市科学研究会 一种内陆ii类水体水色参数遥感反演的分析方法
CN106126826A (zh) * 2016-06-27 2016-11-16 中国科学院南京地理与湖泊研究所 一种基于viirs传感器的浑浊湖泊水体悬浮物浓度估算方法
CN109738397A (zh) * 2018-11-30 2019-05-10 南京师范大学 一种基于olci传感器的内陆湖泊水体陆源腐殖质浓度遥感估算方法
CN110068539A (zh) * 2019-04-29 2019-07-30 中国科学院南京地理与湖泊研究所 一种富营养化浅水湖泊有色溶解有机物的遥感方法
CN111024618A (zh) * 2019-11-25 2020-04-17 广州丰泽源水利科技有限公司 基于遥感影像的水质健康监测方法、装置及存储介质
CN112014331A (zh) * 2020-08-21 2020-12-01 中国第一汽车股份有限公司 一种水体污染的检测方法、装置、设备以及存储介质
CN113203694A (zh) * 2021-04-26 2021-08-03 中国科学院东北地理与农业生态研究所 Msi的湖泊富营养指数遥感估算方法
CN113298058A (zh) * 2021-07-27 2021-08-24 浙江省淡水水产研究所 基于无人机高光谱图像的水质预测反演方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
徐良将 等: "基于高光谱遥感反射率的总氮总磷的反演", 《遥感技术与应用》 *
王林 等: "基于环境一号卫星的大洋河河口海域营养盐遥感反演", 《中国环境科学》 *
邵田田 等: "辽河流域河流秋季 CDOM 光学特性及影响因素研究", 《环境科学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116893146A (zh) * 2023-06-12 2023-10-17 华能澜沧江水电股份有限公司 水体颗粒磷浓度的确定方法、装置、设备及存储介质
CN116893146B (zh) * 2023-06-12 2024-03-29 华能澜沧江水电股份有限公司 水体颗粒磷浓度的确定方法、装置、设备及存储介质
CN117571641A (zh) * 2024-01-12 2024-02-20 自然资源部第二海洋研究所 一种海表硝酸盐浓度分布检测方法

Also Published As

Publication number Publication date
CN113916808B (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
Li et al. Quantification of chlorophyll-a in typical lakes across China using Sentinel-2 MSI imagery with machine learning algorithm
Concha et al. Retrieval of color producing agents in Case 2 waters using Landsat 8
Zhang et al. Application of an empirical neural network to surface water quality estimation in the Gulf of Finland using combined optical data and microwave data
CN113916808B (zh) 一种营养盐浓度的获得方法、装置、终端设备及存储介质
Chen et al. Evaluation of a three-band model for estimating chlorophyll-a concentration in tidal reaches of the Pearl River Estuary, China
Ali et al. Application of empirical and semi-analytical algorithms to MERIS data for estimating chlorophyll a in Case 2 waters of Lake Erie
CN112362544B (zh) 基于高光谱遥感的颗粒有机碳监测方法及系统
Fu et al. Spatial downscaling of MODIS Chlorophyll-a using Landsat 8 images for complex coastal water monitoring
Lin et al. Estimating the heavy metal contents in farmland soil from hyperspectral images based on Stacked AdaBoost ensemble learning
Mouw et al. Evaluation and optimization of bio‐optical inversion algorithms for remote sensing of Lake Superior's optical properties
CN113203694A (zh) Msi的湖泊富营养指数遥感估算方法
Zhu et al. A hybrid decomposition and Machine learning model for forecasting Chlorophyll-a and total nitrogen concentration in coastal waters
Shi et al. Remote sensing of aerosol properties from multi-wavelength and multi-pixel information over the ocean
Jiang et al. An absorption-specific approach to examining dynamics of particulate organic carbon from VIIRS observations in inland and coastal waters
Cai et al. Estimating Chemical Oxygen Demand in estuarine urban rivers using unmanned aerial vehicle hyperspectral images
Sun et al. Coupled retrieval of heavy metal nickel concentration in agricultural soil from spaceborne hyperspectral imagery
Mohebzadeh et al. Spatial downscaling of MODIS Chlorophyll-a with machine learning techniques over the west coast of the Yellow Sea in South Korea
Govedarica et al. Monitoring spatial and temporal variation of water quality parameters using time series of open multispectral data
Shi et al. Characterization of particle backscattering of global highly turbid waters from VIIRS ocean color observations
Lai et al. Algal biomass mapping of eutrophic lakes using a machine learning approach with MODIS images
Pozdnyakov et al. An advanced algorithm for operational retrieval of water quality from satellite data in the visible
Li et al. Sentinel-3 OLCI observations of Chinese lake turbidity using machine learning algorithms
da Silva et al. A machine learning approach for monitoring Brazilian optical water types using Sentinel-2 MSI
CN116879192B (zh) 基于卫星遥感数据的水华预测方法、装置、设备及介质
Ibrahim et al. Optimal estimation framework for ocean color atmospheric correction and pixel-level uncertainty quantification

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