CN114018338A - 基于光谱指数模型的水体识别系统 - Google Patents

基于光谱指数模型的水体识别系统 Download PDF

Info

Publication number
CN114018338A
CN114018338A CN202111361457.1A CN202111361457A CN114018338A CN 114018338 A CN114018338 A CN 114018338A CN 202111361457 A CN202111361457 A CN 202111361457A CN 114018338 A CN114018338 A CN 114018338A
Authority
CN
China
Prior art keywords
water body
water
algae
model
data analysis
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
CN202111361457.1A
Other languages
English (en)
Other versions
CN114018338B (zh
Inventor
张振
阎凤东
张庆强
齐伟
王建波
袁春波
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.)
TIANJIN HYDRAULIC RESEARCH INSTITUTE
Original Assignee
TIANJIN HYDRAULIC RESEARCH INSTITUTE
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 TIANJIN HYDRAULIC RESEARCH INSTITUTE filed Critical TIANJIN HYDRAULIC RESEARCH INSTITUTE
Priority to CN202111361457.1A priority Critical patent/CN114018338B/zh
Publication of CN114018338A publication Critical patent/CN114018338A/zh
Application granted granted Critical
Publication of CN114018338B publication Critical patent/CN114018338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了基于光谱指数模型的水体识别系统，数据分析平台用于获取初始遥感影像并对其进行去噪处理生成遥感分析影像，水体模型构建策略包括根据遥感分析影像和实测参数构建水体模型，水体模型的模型参数包括和水藻分布和水藻浓度参数、水体边缘轮廓线、水位；除藻策略包括第一水位阈值和第一时间阈值，除藻策略配置为当水位由标准水位线连续下降至第一水位阈值，且持续时间大于等于第一时间阈值时，生成除藻指令信息，并根据沿水体边缘轮廓线的水藻浓度参数和分布集中度确定除藻优先级顺序。本发明通过建立水体模型，能够识别水体的水藻分布变化情况和水位变化情况，对除藻情况进行及时判断，避免产生严重的水体污染。

Description

基于光谱指数模型的水体识别系统
技术领域
本发明涉及码头结构分析技术领域，具体为基于光谱指数模型的水体识别系统。
背景技术
随着城镇化的快速扩张，大量城镇生活污水和工农业废水排入江、河、湖、库等水体，使水体的污染负荷不断增加，造成我国内陆水体富营养化日益严重，保护水资源、防治水体富营养化，离不开富营养化水体监测监控。我国水环境监测监控技术目前存在一系列的问题，如监测频率较低，不能实现快速、适时的水质检测，及时掌握水体富营养化状况变化的强等动态；遥感技术是获取环境信息的有效工具，近年来，将遥感技术应用于水体富营养化监控，可以获取实时、连续和快速的环境信息，通过全面数据分析，为管理者提供宏观决策参考。但是由于遥感影像获取具有周期性例如Landsat系列卫星为16天一次，MODIS陆地数据为8天一次，但仅能对当天水藻浓度进行反演，无法及时获取水藻浓度及其分布的变化。
并且水藻被风吹到湖岸聚集，如果不及时打捞处置，太阳暴晒之下，很快就会散发臭味，但是现在没有技术能够比较精准的对死亡水藻的状态进行监测。
发明内容
本发明的目的在于提供了基于光谱指数模型的水体识别系统，通过建立水体模型，能够识别水体的水藻分布变化情况和水位变化情况，对除藻情况进行及时判断，避免产生严重的水体污染。
为实现上述目的，本发明提供如下技术方案：基于光谱指数模型的水体识别系统，包括数据分析平台，所述数据分析平台用于获取初始遥感影像并对其进行去噪处理生成遥感分析影像，所述数据分析平台配置有水体模型构建策略，水体模型构建策略包括根据所述遥感分析影像和实测参数构建水体模型，所述水体模型的模型参数包括和水藻分布和水藻浓度参数、水体边缘轮廓线、水位；所述数据分析平台还包括除藻策略，所述除藻策略包括第一水位阈值和第一时间阈值，所述除藻策略配置为当水位由标准水位线连续下降至第一水位阈值，且持续时间大于等于第一时间阈值时，生成除藻指令信息，并根据沿水体边缘轮廓线的水藻浓度参数和分布集中度确定除藻优先级顺序。
优选的，初始遥感影像的去噪处理过程用于对大气参数以及水汽含量进行校正，包括采用MODTRAN大气辐射传输模型进行大气校正，采用大气预处理差分吸收法对水汽含量进行校正，经过去噪处理后生成像元相应的反射率值及其水汽含量值。
优选的，传感器接收的辐射亮度L的计算公式为：
Figure BDA0003359446520000021
其中，ρ为目标地物反射率，ρe为相邻地物反射率，S为大气球面反照率，L为传感器接收的辐射亮度，Lo为大气程辐射，Gb邻边像元增益，Gt为目标像元增益；
对初始遥感影像进行空间域的平滑滤波，得到近似邻像元ρe，
Figure BDA0003359446520000022
Figure BDA0003359446520000023
为滤波后的辐射亮度，其余参数定义与(1)式相同；
联立(1)式与(2)式得出反射率的计算公式为：
Figure BDA0003359446520000031
运用MODTRAN大气辐射传输模型进行模拟得出S大气球面反照率，L传感器接收的辐射亮度、Lo大气程辐射、Gb邻边像元增益和Gt目标像元增益带入公式(3)即得出反射率。
优选的，所述水体模型构建策略包括利用GF、Landsat或MODIS卫星影像数据构建初期水体模型，根据水体反射光谱的特性以及水体和陆地的反射光谱的区别对水体边缘轮廓线进行粗提取；所述数据分析平台配置有水体模型完善策略，所述水体模型完善策略包括获取现场勘测人员在实际勘查当天对若干随机选定区域的边缘轮廓线的记录情况，并由此对归一化参数以及二值化阈值进行调整，根据调整后的归一化参数和二值化阈值重新生成新的水体边缘轮廓线；
所述水体模型构建策略还包括现场勘测人员将当天实际水位数据输入至数据分析平台，由数据分析平台进行计算并建立起水位和水体边缘轮廓线的对应数据库。
优选的，所述水体模型构建策略包括对遥感分析影像进行图像分割处理生成若干区块，并将反射波段在430-490nm以及波段642nm处均有反射谷值的区块判定为水藻区域，对应区块的谷值越低则浓度越高。
优选的，所述数据分析平台还包括水体周边参数获取策略，用于获取水体周边的环境温度、环境湿度和降雨量，水体识别系统包括设置在水体周边的若干环境温度检测传感器、环境湿度检测传感器和降雨量检测传感器，所述环境温度检测传感器、环境湿度检测传感器和降雨量检测传感器与数据分析平台连接，用于将采集的数据实时传输至数据分析平台。
优选的，所述水体周边参数获取策略还包括根据水体边缘轮廓线对水体边缘进行区段划分，水体周边参数还包括土壤湿度，并通过遥感地表温度与差值植被指数结合计算不同区段的土壤湿度；差值植被指数DVI＝NIR-R，NIR为近红外波段的反射率值，R为红波段的反射率值。
优选的，所述数据分析平台还配置有水流场分析预测模型，水体识别系统包括设置在水体周边的若干风向检测仪，所述风向检测仪与所述数据分析平台连接，用于将采集的数据实时传输至数据分析平台，所述风向检测仪的数量大于等于对水体边缘进行区段划分的数量，且至少一个区段内设有一个风向检测仪，所述水流场分析预测模型包括降雨分布参数和风向参数，所述降雨量检测传感器的数量大于等于对水体边缘进行区段划分的数量，且至少一个区段内设有一个降雨量检测传感器，用于预测水藻分布和水藻浓度参数的变化趋势。
优选的，所述水体识别系统还设置有一用于向所述数据分析平台提供电能的光伏发电系统，所述光伏发电系统包括多路并联连接的太阳能光伏板，且每路太阳能光伏板的输出端均单独串联连接一智能电量表，所述太阳能光伏板的数量大于等于对水体边缘进行区段划分的数量，且至少一个区段内设有一个太阳能光伏板，太阳能光伏板的受光面设置在靠近所述水体的一侧，若干所述智能电量表均与数据分析平台电连接，数据分析平台同时记录每个区段内的太阳能光伏板的平均发电量，并将其转换成每个区段内的当日日照强度值；
所述除藻策略中的第一时间阈值的计算公式为：
Figure BDA0003359446520000041
TO为第一时间阈值，t1、t2、t3、t4为标准参考时间，k为常数且k>0，c1为环境湿度的相对湿度值，表示某处空气中所含水汽量与该气温下饱和水汽量的百分比，c2为环境温度，且c2>0，α为参考温度，取值为37度-47度，c3为日照强度值，β为参考日照强度数值，取值为1700-2300kwh/m2；
优选的，所述水体模型构建策略还包括对近段时间的水位变化进行预测，包括根据当前累计降水量、平均光照强度、平均环境温度、平均环境湿度以及上一次遥感数据测量所得土壤湿度进行综合计算预测当前水位值。
与现有技术相比，本发明的有益效果是：通过对遥感分析影像进行分析以及结合实测参数的支持建立水体模型，从而识别水藻分布和水藻浓度参数变化情况以及水体边缘轮廓和水位的变化情况，对除藻情况进行及时判断，避免产生严重的水体污染。
通过遥感地表温度与差值植被指数结合计算不同区段的土壤湿度；对初始遥感影像进行大气参数以及水汽含量校正，可以提高土壤湿度的测量准确度。
利用每个区段的降雨量和风向检测可以预测水藻分布和水藻浓度参数的变化趋势，另外，根据当前累计降水量、平均光照强度、平均环境温度、平均环境湿度以及上一次遥感数据测量所得土壤湿度进行综合计算预测当前水位值，数据分析平台结合水位值变化和水藻分布、水藻浓度的变化，以及当前一段时间内的光照强度数据，计算每个区段的富营养化程度及水藻发臭程度，判断是否需要进行除藻处理以及对其除藻顺序进行优先级排序。
附图说明
图1为本发明基于光谱指数模型的水体识别系统的第一种实施例的流程框图；
图2为本发明基于光谱指数模型的水体识别系统的第二种实施例的流程框图。
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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供的基于光谱指数模型的水体识别系统的第一种实施例，基于光谱指数模型的水体识别系统，包括数据分析平台，所述数据分析平台用于获取初始遥感影像并对其进行去噪处理生成遥感分析影像，所述数据分析平台配置有水体模型构建策略，水体模型构建策略包括根据所述遥感分析影像和实测参数构建水体模型，所述水体模型的模型参数包括和水藻分布和水藻浓度参数、水体边缘轮廓线、水位；其中关于水藻分布和水藻浓度参数的确定可以通过识别遥感图像中在水体的不同区域的光谱指数进行分析提取，由于藻类物质均存在叶绿素，而叶绿素在吸收峰430-490nm和675nm处均有吸收峰，所以水体反射率曲线在这两处波段均出现反射谷值，另外，除了叶绿素的影响外，另一个可以提高藻类物质的识别精度的参数是藻青蛋白的影响，因为藻青蛋白在波段642nm处有较大的吸收系数，所以水体反射率曲线在这该处波段也会出现反射谷值；除此之外，再加上其光谱特征在700nm波段出现反射峰的这一特征，可以进一步提高对藻类物质的识别精度。故，所述水体模型构建策略包括对遥感分析影像进行图像分割处理生成若干区块，并将反射波段在430-490nm以及波段642nm处均有反射谷值的区块判定为水藻区域，对应区块的谷值越低则浓度越高，由此实现了对水藻浓度参数和分布集中度的确定。通过对遥感分析影像进行分析以及结合实测参数的支持建立水体模型，从而识别水藻分布和水藻浓度参数变化情况以及水体边缘轮廓和水位的变化情况，对除藻情况进行及时判断，避免产生严重的水体污染。
由于藻类物质离开水或者聚集之后，很快就会死亡，死亡后在温度、光照等各种参数的作用下很快就会散发臭味，如果在水藻分布浓度较高的地方发生水位连续下降，则很容易导致水藻死亡，这种情形下就要更及时的清理水藻。所以数据分析平台还包括除藻策略，所述除藻策略包括第一水位阈值和第一时间阈值，所述除藻策略配置为当水位由标准水位线连续下降至第一水位阈值，且持续时间大于等于第一时间阈值时，生成除藻指令信息，并根据沿水体边缘轮廓线的水藻浓度参数和分布集中度确定除藻优先级顺序。
优选的，初始遥感影像的去噪处理过程用于对大气参数以及水汽含量进行校正，包括采用MODTRAN大气辐射传输模型进行大气校正，采用大气预处理差分吸收法对水汽含量进行校正，经过去噪处理后生成像元相应的反射率值及其水汽含量值；对初始遥感影像进行大气参数以及水汽含量校正，可以提高土壤湿度的测量准确度。
优选的，传感器接收的辐射亮度L的计算公式为：
Figure BDA0003359446520000071
其中，ρ为目标地物反射率，ρe为相邻地物反射率，S为大气球面反照率，L为传感器接收的辐射亮度，Lo为大气程辐射，Gb邻边像元增益，Gt为目标像元增益；
对初始遥感影像进行空间域的平滑滤波，得到近似邻像元ρe，
Figure BDA0003359446520000081
Figure BDA0003359446520000082
为滤波后的辐射亮度，其余参数定义与(1)式相同；
联立(1)式与(2)式得出反射率的计算公式为：
Figure BDA0003359446520000083
运用MODTRAN大气辐射传输模型进行模拟得出S大气球面反照率，L传感器接收的辐射亮度、Lo大气程辐射、Gb邻边像元增益和Gt目标像元增益带入公式(3)即得出反射率。
优选的，所述水体模型构建策略包括利用GF、Landsat或MODIS卫星影像数据构建初期水体模型，根据水体反射光谱的特性以及水体和陆地的反射光谱的区别对水体边缘轮廓线进行粗提取；所述数据分析平台配置有水体模型完善策略，所述水体模型完善策略包括获取现场勘测人员在实际勘查当天对若干随机选定区域的边缘轮廓线的记录情况，并由此对归一化参数以及二值化阈值进行调整，根据调整后的归一化参数和二值化阈值重新生成新的水体边缘轮廓线；
所述水体模型构建策略还包括现场勘测人员将当天实际水位数据输入至数据分析平台，水体的边缘线并不是均匀的，当水位发生变化时，水体边缘轮廓线也会发生相应的变化，并且该变化是很难随时间改变的，基本上是固定的，所以可以作为计量参考，由数据分析平台进行计算并建立起水位和水体边缘轮廓线的对应数据库，这样在后续通过遥感数据进行水体轮廓识别时，可以在该数据库调取与遥感识别轮廓匹配度最大的水体边缘轮廓线对应的水位即可，由此保证测量精度的情况下也大大减少了计算量。
优选的，所述数据分析平台还包括水体周边参数获取策略，用于获取水体周边的环境温度、环境湿度和降雨量，水体识别系统包括设置在水体周边的若干环境温度检测传感器、环境湿度检测传感器和降雨量检测传感器，所述环境温度检测传感器、环境湿度检测传感器和降雨量检测传感器与数据分析平台连接，用于将采集的数据实时传输至数据分析平台；所述水体周边参数获取策略还包括根据水体边缘轮廓线对水体边缘进行区段划分，水体周边参数还包括土壤湿度，并通过遥感地表温度与差值植被指数结合计算不同区段的土壤湿度；差值植被指数DVI＝NIR-R，NIR为近红外波段的反射率值，R为红波段的反射率值；所述数据分析平台还配置有水流场分析预测模型，水体识别系统包括设置在水体周边的若干风向检测仪，所述风向检测仪与所述数据分析平台连接，用于将采集的数据实时传输至数据分析平台，所述风向检测仪的数量大于等于对水体边缘进行区段划分的数量，且至少一个区段内设有一个风向检测仪(每个风向检测仪均有相应位置的编码，由此可以判断不同区段的风向)，所述水流场分析预测模型包括降雨分布参数和风向参数，所述降雨量检测传感器的数量大于等于对水体边缘进行区段划分的数量，且至少一个区段内设有一个降雨量检测传感器，用于预测水藻分布和水藻浓度参数的变化趋势。具体的，如果某个区段的降雨量比较大，则水藻会被冲散漂浮到其他区域，加上风向的影响，可以大致计算出水藻的流动方向。
利用每个区段的降雨量和风向检测可以预测水藻分布和水藻浓度参数的变化趋势，另外，根据当前累计降水量、平均光照强度、平均环境温度、平均环境湿度以及上一次遥感数据测量所得土壤湿度进行综合计算预测当前水位值，数据分析平台结合水位值变化和水藻分布、水藻浓度的变化，以及当前一段时间内的光照强度数据，计算每个区段的富营养化程度及水藻发臭程度，判断是否需要进行除藻处理以及对其除藻顺序进行优先级排序。
如图2所示，本发明提供的水体识别系统第二种实施例，与第一种实施例的区别在于，所述水体识别系统还设置有一用于向所述数据分析平台提供电能的光伏发电系统，所述光伏发电系统包括多路并联连接的太阳能光伏板，且每路太阳能光伏板的输出端均单独串联连接一智能电量表，所述太阳能光伏板的数量大于等于对水体边缘进行区段划分的数量，且至少一个区段内设有一个太阳能光伏板，太阳能光伏板的受光面设置在靠近所述水体的一侧，可以表征该区段的水体边缘的光照情况。若干所述智能电量表均与数据分析平台电连接，数据分析平台同时记录每个区段内的太阳能光伏板的平均发电量，并将其转换成每个区段内的当日日照强度值，具体的，每块光伏板的面积是固定的，其安装角度也是固定的，其光电转换效率是按照固定规律降低的，水体边缘的倾角是偏向90度即与水平面垂直的情况的，具体可以进行实际参数抽查测量，计算各个区段的倾角的平均值，把光伏板的安装角度设定为与其对应的区段的平均倾角相同，由此更贴合该区段的水体边缘的光照情况；
所述除藻策略中的第一时间阈值的计算公式为：
Figure BDA0003359446520000101
TO为第一时间阈值，t1、t2、t3、t4为标准参考时间，k为常数且k＞0，c1为环境湿度的相对湿度值，表示某处空气中所含水汽量与该气温下饱和水汽量的百分比，c2为环境温度，且c2＞0，α为参考温度，取值为37度-47度，c3为日照强度值，β为参考日照强度数值，取值为1700-2300kwh/m2；湿度越高，边缘聚集的水藻越不易发臭，温度越高、日照越强，死亡水藻越容易发臭，越要及时清理。所述水体模型构建策略还包括对近段时间的水位变化进行预测，包括根据当前累计降水量、平均光照强度、平均环境温度、平均环境湿度以及上一次遥感数据测量所得土壤湿度进行综合计算预测当前水位值。具体的，遥感影像可以前期进行影像标定，通过水体边缘轮廓线能够计算出其表面积，降水量除以其表面积可以大致得出水位升高幅度值；将平均光照强度、平均环境温度和平均环境湿度转换成对水汽蒸发的影响来计算其对水位的影响，光照强度和环境温度与水汽蒸发量均成正比，环境湿度与水汽蒸发量均成反比。
工作原理：通过对遥感分析影像进行分析以及结合实测参数的支持建立水体模型，从而识别水藻分布和水藻浓度参数变化情况以及水体边缘轮廓和水位的变化情况，对除藻情况进行及时判断，避免产生严重的水体污染；利用每个区段的降雨量和风向检测可以预测水藻分布和水藻浓度参数的变化趋势，根据当前累计降水量、平均光照强度、平均环境温度、平均环境湿度以及上一次遥感数据测量所得土壤湿度进行综合计算预测当前水位值，数据分析平台结合水位值变化和水藻分布、水藻浓度的变化，以及当前一段时间内的光照强度数据，计算每个区段的富营养化程度及水藻发臭程度，判断是否需要进行除藻处理以及对其除藻顺序进行优先级排序，实现了对水体富营养化污染的实时精准监测。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.基于光谱指数模型的水体识别系统，其特征在于，包括数据分析平台，所述数据分析平台用于获取初始遥感影像并对其进行去噪处理生成遥感分析影像，所述数据分析平台配置有水体模型构建策略，水体模型构建策略包括根据所述遥感分析影像和实测参数构建水体模型，所述水体模型的模型参数包括和水藻分布和水藻浓度参数、水体边缘轮廓线、水位；所述数据分析平台还包括除藻策略，所述除藻策略包括第一水位阈值和第一时间阈值，所述除藻策略配置为当水位由标准水位线连续下降至第一水位阈值，且持续时间大于等于第一时间阈值时，生成除藻指令信息，并根据沿水体边缘轮廓线的水藻浓度参数和分布集中度确定除藻优先级顺序。
2.根据权利要求1所述的基于光谱指数模型的水体识别系统，其特征在于，初始遥感影像的去噪处理过程用于对大气参数以及水汽含量进行校正，包括采用MODTRAN大气辐射传输模型进行大气校正，采用大气预处理差分吸收法对水汽含量进行校正，经过去噪处理后生成像元相应的反射率值及其水汽含量值。
3.根据权利要求2所述的基于光谱指数模型的水体识别系统，其特征在于，传感器接收的辐射亮度L的计算公式为：
Figure FDA0003359446510000011
其中，ρ为目标地物反射率，ρe为相邻地物反射率，S为大气球面反照率，L为传感器接收的辐射亮度，Lo为大气程辐射，Gb邻边像元增益，Gt为目标像元增益；
对初始遥感影像进行空间域的平滑滤波，得到近似邻像元ρe，
Figure FDA0003359446510000012
Figure FDA0003359446510000021
为滤波后的辐射亮度，其余参数定义与(1)式相同；
联立(1)式与(2)式得出反射率的计算公式为：
Figure FDA0003359446510000022
运用MODTRAN大气辐射传输模型进行模拟得出S大气球面反照率，L传感器接收的辐射亮度、Lo大气程辐射、Gb邻边像元增益和Gt目标像元增益带入公式(3)即得出反射率。
4.根据权利要求1所述的基于光谱指数模型的水体识别系统，其特征在于，所述水体模型构建策略包括利用GF、Landsat或MODIS卫星影像数据构建初期水体模型，根据水体反射光谱的特性以及水体和陆地的反射光谱的区别对水体边缘轮廓线进行粗提取；所述数据分析平台配置有水体模型完善策略，所述水体模型完善策略包括获取现场勘测人员在实际勘查当天对若干随机选定区域的边缘轮廓线的记录情况，并由此对归一化参数以及二值化阈值进行调整，根据调整后的归一化参数和二值化阈值重新生成新的水体边缘轮廓线；
所述水体模型构建策略还包括现场勘测人员将当天实际水位数据输入至数据分析平台，由数据分析平台进行计算并建立起水位和水体边缘轮廓线的对应数据库。
5.根据权利要求4所述的基于光谱指数模型的水体识别系统，其特征在于，所述水体模型构建策略包括对遥感分析影像进行图像分割处理生成若干区块，并将反射波段在430-490nm以及波段642nm处均有反射谷值的区块判定为水藻区域，对应区块的谷值越低则浓度越高。
6.根据权利要求5所述的基于光谱指数模型的水体识别系统，其特征在于，所述数据分析平台还包括水体周边参数获取策略，用于获取水体周边的环境温度、环境湿度和降雨量，水体识别系统包括设置在水体周边的若干环境温度检测传感器、环境湿度检测传感器和降雨量检测传感器，所述环境温度检测传感器、环境湿度检测传感器和降雨量检测传感器与数据分析平台连接，用于将采集的数据实时传输至数据分析平台。
7.根据权利要求6所述的基于光谱指数模型的水体识别系统，其特征在于，所述水体周边参数获取策略还包括根据水体边缘轮廓线对水体边缘进行区段划分，水体周边参数还包括土壤湿度，并通过遥感地表温度与差值植被指数结合计算不同区段的土壤湿度；差值植被指数DVI＝NIR-R，NIR为近红外波段的反射率值，R为红波段的反射率值。
8.根据权利要求7所述的基于光谱指数模型的水体识别系统，其特征在于，所述数据分析平台还配置有水流场分析预测模型，水体识别系统包括设置在水体周边的若干风向检测仪，所述风向检测仪与所述数据分析平台连接，用于将采集的数据实时传输至数据分析平台，所述风向检测仪的数量大于等于对水体边缘进行区段划分的数量，且至少一个区段内设有一个风向检测仪，所述水流场分析预测模型包括降雨分布参数和风向参数，所述降雨量检测传感器的数量大于等于对水体边缘进行区段划分的数量，且至少一个区段内设有一个降雨量检测传感器，用于预测水藻分布和水藻浓度参数的变化趋势。
9.根据权利要求8所述的基于光谱指数模型的水体识别系统，其特征在于，所述水体识别系统还设置有一用于向所述数据分析平台提供电能的光伏发电系统，所述光伏发电系统包括多路并联连接的太阳能光伏板，且每路太阳能光伏板的输出端均单独串联连接一智能电量表，所述太阳能光伏板的数量大于等于对水体边缘进行区段划分的数量，且至少一个区段内设有一个太阳能光伏板，太阳能光伏板的受光面设置在靠近所述水体的一侧，若干所述智能电量表均与数据分析平台电连接，数据分析平台同时记录每个区段内的太阳能光伏板的平均发电量，并将其转换成每个区段内的当日日照强度值；
所述除藻策略中的第一时间阈值的计算公式为：
Figure FDA0003359446510000041
TO为第一时间阈值，t1、t2、t3、t4为标准参考时间，k为常数且k＞0，c1为环境湿度的相对湿度值，表示某处空气中所含水汽量与该气温下饱和水汽量的百分比，c2为环境温度，且c2＞0，a为参考温度，取值为37度-47度，c3为日照强度值，β为参考日照强度数值，取值为1700-2300kwh/m2。
10.根据权利要求9所述的基于光谱指数模型的水体识别系统，其特征在于，所述水体模型构建策略还包括对近段时间的水位变化进行预测，包括根据当前累计降水量、平均光照强度、平均环境温度、平均环境湿度以及上一次遥感数据测量所得土壤湿度进行综合计算预测当前水位值。
CN202111361457.1A 2021-11-17 2021-11-17 基于光谱指数模型的水体识别系统 Active CN114018338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111361457.1A CN114018338B (zh) 2021-11-17 2021-11-17 基于光谱指数模型的水体识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111361457.1A CN114018338B (zh) 2021-11-17 2021-11-17 基于光谱指数模型的水体识别系统

Publications (2)

Publication Number Publication Date
CN114018338A true CN114018338A (zh) 2022-02-08
CN114018338B CN114018338B (zh) 2023-08-22

Family

ID=80064940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111361457.1A Active CN114018338B (zh) 2021-11-17 2021-11-17 基于光谱指数模型的水体识别系统

Country Status (1)

Country Link
CN (1) CN114018338B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6028663A (en) * 1997-11-10 2000-02-22 Jeacle Limited Photometric analysis of water suspensions
JP2001083094A (ja) * 1999-09-13 2001-03-30 Toshiba Corp 藻類濃度測定システム
JP2001281015A (ja) * 2000-03-30 2001-10-10 Japan Radio Co Ltd 土石流・泥流発生検知装置
KR20060099496A (ko) * 2006-08-25 2006-09-19 한국유지관리 주식회사 영상 인식 기법을 이용한 실시간 원격 수위 감시 및모니터링 시스템
CN103604423A (zh) * 2013-11-22 2014-02-26 中国科学院南京地理与湖泊研究所 一种浅水湖泊遥感野外自动监测系统及监测方法
CN103760112A (zh) * 2014-01-23 2014-04-30 中国科学院南京地理与湖泊研究所 基于遥感的湖泊水体蓝藻丰度的估算方法
CN107167431A (zh) * 2017-05-26 2017-09-15 中国科学院遥感与数字地球研究所 一种基于光谱指数模型的黑臭水体识别方法及系统
CN107527037A (zh) * 2017-08-31 2017-12-29 苏州市数字城市工程研究中心有限公司 基于无人机遥感数据的蓝藻识别与分析系统
CN108038351A (zh) * 2017-12-06 2018-05-15 武汉大学 一种基于遥感影像和水生态模型的叶绿素计算方法
US20190041377A1 (en) * 2017-02-22 2019-02-07 Hohai University Method for measuring a mudflat elevation by remotely sensed water content
CN109489721A (zh) * 2018-11-09 2019-03-19 朱光兴 一种水环境敏感区遥感识别系统
CN109959621A (zh) * 2017-12-22 2019-07-02 北京航天泰坦科技股份有限公司 一种基于中高分辨率时序遥感数据的水环境分析方法
CN210764447U (zh) * 2019-04-20 2020-06-16 天津江河弘元环境技术研究有限公司 一种可视化水质监测除藻系统
CN111781322A (zh) * 2020-07-13 2020-10-16 广东粤港供水有限公司 一种水质监控的方法以及相关装置
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
CN112949167A (zh) * 2021-02-03 2021-06-11 南京信息工程大学 饮用水水源地动态监测预警系统及其监测预警方法
US20210293770A1 (en) * 2017-06-19 2021-09-23 Nanjing Institute Of Geography & Limnology. Chinese Academy Of Sciences Stereoscopic monitoring and data mining system and method for harmful lake cyanobacteria bloom

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6028663A (en) * 1997-11-10 2000-02-22 Jeacle Limited Photometric analysis of water suspensions
JP2001083094A (ja) * 1999-09-13 2001-03-30 Toshiba Corp 藻類濃度測定システム
JP2001281015A (ja) * 2000-03-30 2001-10-10 Japan Radio Co Ltd 土石流・泥流発生検知装置
KR20060099496A (ko) * 2006-08-25 2006-09-19 한국유지관리 주식회사 영상 인식 기법을 이용한 실시간 원격 수위 감시 및모니터링 시스템
CN103604423A (zh) * 2013-11-22 2014-02-26 中国科学院南京地理与湖泊研究所 一种浅水湖泊遥感野外自动监测系统及监测方法
CN103760112A (zh) * 2014-01-23 2014-04-30 中国科学院南京地理与湖泊研究所 基于遥感的湖泊水体蓝藻丰度的估算方法
US20190041377A1 (en) * 2017-02-22 2019-02-07 Hohai University Method for measuring a mudflat elevation by remotely sensed water content
CN107167431A (zh) * 2017-05-26 2017-09-15 中国科学院遥感与数字地球研究所 一种基于光谱指数模型的黑臭水体识别方法及系统
US20210293770A1 (en) * 2017-06-19 2021-09-23 Nanjing Institute Of Geography & Limnology. Chinese Academy Of Sciences Stereoscopic monitoring and data mining system and method for harmful lake cyanobacteria bloom
CN107527037A (zh) * 2017-08-31 2017-12-29 苏州市数字城市工程研究中心有限公司 基于无人机遥感数据的蓝藻识别与分析系统
CN108038351A (zh) * 2017-12-06 2018-05-15 武汉大学 一种基于遥感影像和水生态模型的叶绿素计算方法
CN109959621A (zh) * 2017-12-22 2019-07-02 北京航天泰坦科技股份有限公司 一种基于中高分辨率时序遥感数据的水环境分析方法
CN109489721A (zh) * 2018-11-09 2019-03-19 朱光兴 一种水环境敏感区遥感识别系统
CN210764447U (zh) * 2019-04-20 2020-06-16 天津江河弘元环境技术研究有限公司 一种可视化水质监测除藻系统
CN111781322A (zh) * 2020-07-13 2020-10-16 广东粤港供水有限公司 一种水质监控的方法以及相关装置
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
CN112949167A (zh) * 2021-02-03 2021-06-11 南京信息工程大学 饮用水水源地动态监测预警系统及其监测预警方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
GERMAN ALBA ET.AL: "Spectral Monitoring of Algal Blooms in an Eutrophic Lake Using Sentinel-2", IGARSS 2019 - 2019 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM *
TAMMI L. RICHARDSON ET.AL: "Spectral fluorometric characterization of phytoplankton community composition using the Algae Online Analyser", WATER RESEARCH, vol. 44, no. 8, XP026993908 *
吴昊等: "天津水务领域遥感监测应用现状分析及前景探讨", 水利信息化, no. 1 *
宋瑜;宋晓东;江洪;郭照冰;郭青海;: "基于定量遥感反演的内陆水体藻类监测", 光谱学与光谱分析, no. 04 *
朱冰川;尤凯;石浚哲;吴蔚;叶凉;: "基于GOCI数据的太湖叶绿素a浓度反演和蓝藻水华遥感监测", 环境污染与防治, no. 08 *

Also Published As

Publication number Publication date
CN114018338B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN109190538B (zh) 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法
Quesada-Ruiz et al. Cloud-tracking methodology for intra-hour DNI forecasting
Chu et al. Sun-tracking imaging system for intra-hour DNI forecasts
CN114021348B (zh) 一种精细土地利用类型的矿区植被碳汇遥感反演方法
CN113988626B (zh) 一种矿区生态环境遥感综合评价指数实现方法
CN104851087A (zh) 多尺度森林动态变化监测方法
CN106778629B (zh) 大棚识别方法及装置
CN101114023A (zh) 一种基于模型的湖泊湿地泛洪遥感监测方法
Natarajan et al. Prediction of soil pH from remote sensing data using gradient boosted regression analysis
CN113591572B (zh) 基于多源数据和多时相数据的水土流失定量监测方法
CN108038433B (zh) 基于多回波机载激光扫描数据的城市树木碳含量估计方法
US20170140077A1 (en) Method for assessing efficiency of power generation systems
CN115452759B (zh) 一种基于卫星遥感数据的河湖健康指标评价方法及系统
CN112434569B (zh) 一种无人机热成像系统
CN115236005A (zh) 一种融合光谱和空间特征的土壤重金属含量反演方法
CN115497067A (zh) 一种苗圃巡检智能车的路径识别与规划方法
Pforte et al. Comparison of two different measurement techniques for automated determination of plum tree canopy cover
CN111879915B (zh) 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统
CN114018338B (zh) 基于光谱指数模型的水体识别系统
Nguyen et al. Particulate matter concentration mapping from satellite imagery
CN110633674A (zh) 一种基于遥感影像与降雨监测数据的雨水去向不确定性分析方法及系统
Quinn et al. Seasonally-managed wetland footprint delineation using Landsat ETM+ satellite imagery
CN116381719B (zh) 一种基于激光雷达的污染区域增强识别方法
Khalaf Estimation of the NDVI vegetation index to the Canaan forest using temporal spatial images
CN117392551B (zh) 一种基于鸟粪图像特征的电网鸟害识别方法及系统

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