CN114170514A - 水体蓝藻水华爆发的监测方法、装置、介质以及电子设备 - Google Patents
水体蓝藻水华爆发的监测方法、装置、介质以及电子设备 Download PDFInfo
- Publication number
- CN114170514A CN114170514A CN202111495647.2A CN202111495647A CN114170514A CN 114170514 A CN114170514 A CN 114170514A CN 202111495647 A CN202111495647 A CN 202111495647A CN 114170514 A CN114170514 A CN 114170514A
- Authority
- CN
- China
- Prior art keywords
- water body
- risk
- outbreak
- area
- index
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 210
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 241000195493 Cryptophyta Species 0.000 claims abstract description 53
- 241000192700 Cyanobacteria Species 0.000 claims abstract description 49
- 238000005070 sampling Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 38
- 238000002310 reflectometry Methods 0.000 claims description 24
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 19
- 229910052757 nitrogen Inorganic materials 0.000 claims description 19
- 229910052698 phosphorus Inorganic materials 0.000 claims description 19
- 239000011574 phosphorus Substances 0.000 claims description 19
- 229930002868 chlorophyll a Natural products 0.000 claims description 18
- 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 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000192710 Microcystis aeruginosa Species 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XOSXWYQMOYSSKB-LDKJGXKFSA-L water blue Chemical compound CC1=CC(/C(\C(C=C2)=CC=C2NC(C=C2)=CC=C2S([O-])(=O)=O)=C(\C=C2)/C=C/C\2=N\C(C=C2)=CC=C2S([O-])(=O)=O)=CC(S(O)(=O)=O)=C1N.[Na+].[Na+] XOSXWYQMOYSSKB-LDKJGXKFSA-L 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请涉及一种水体蓝藻水华爆发的监测方法、装置、存储介质以及电子设备，该方法包括：获取目标区域的无人机遥感图像；对无人机遥感图像进行预处理，获得预处理后的无人机遥感图像；预处理后的无人机遥感图像包括多个水体像元；根据每个水体像元的浮游藻类指数、归一化植被指数、预设的浮游藻类指数阈值以及预设的归一化植被指数阈值，获得每个水体像元的蓝藻水华爆发风险等级；获取无人船采集的高风险区和较高风险区对应的水体像元的水质采样结果；根据水质采样结果，对高风险区和较高风险区进行蓝藻水华爆发风险等级校准，获得目标区域水体蓝藻水华爆发的风险等级图，提高了水体蓝藻水华爆发监测的实时性以及准确度。
Description
技术领域
本发明涉及水体环境监测技术领域，特别是涉及一种水体蓝藻水华爆发的监测预测方法、装置、存储介质以及电子设备。
背景技术
水体富营养化是指在人类活动的影响下，生物所需的氮、磷等营养物质大量进入湖泊、河湖、海湾等缓流水体，引起藻类及其他浮游生物迅速繁殖，水体溶解氧量下降，水质恶化，鱼类及其他生物大量死亡的现象。水体出现富营养化现象时，浮游藻类大量繁殖，形成水华。
现有技术中，通过卫星遥感对蓝藻水华进行监测。由于获取卫星遥感影像的周期长、分辨率低，导致蓝藻水华监测的实时性差、准确度低。
发明内容
基于此，本发明的目的在于，提供一种水体蓝藻水华爆发的监测方法、装置、存储介质以及电子设备，其具有提高蓝藻水华识别精度、实时性强的优点。
根据本申请实施例的第一方面，提供一种水体蓝藻水华爆发的监测方法，包括如下步骤：
获取目标区域的无人机遥感图像；
对所述无人机遥感图像进行预处理，获得预处理后的无人机遥感图像；所述预处理后的无人机遥感图像包括多个水体像元；
根据每个所述水体像元的浮游藻类指数、归一化植被指数、预设的浮游藻类指数阈值以及预设的归一化植被指数阈值，获得每个水体像元的蓝藻水华爆发风险等级；
若所述蓝藻水华爆发风险等级包括高风险区和较高风险区，获取无人船采集的所述高风险区和所述较高风险区对应的水体像元的水质采样结果；
根据所述水质采样结果，对所述高风险区和较高风险区进行蓝藻水华爆发风险等级校准，获得所述目标区域水体蓝藻水华爆发的风险等级图。
根据本申请实施例的第二方面，提供一种水体蓝藻水华爆发的监测装置，包括：
图像获取模块，用于获取目标区域的无人机遥感图像；
图像预处理模块，用于对所述无人机遥感图像进行预处理，获得预处理后的无人机遥感图像；所述预处理后的无人机遥感图像包括多个水体像元；
风险等级获得模块，用于根据每个所述水体像元的浮游藻类指数、归一化植被指数、预设的浮游藻类指数阈值以及预设的归一化植被指数阈值，获得每个水体像元的蓝藻水华爆发风险等级；
采样结果获取模块，用于若所述蓝藻水华爆发风险等级包括高风险区和较高风险区，获取无人船采集的所述高风险区和所述较高风险区对应的水体像元的水质采样结果；
风险等级图获得模块，用于根据所述水质采样结果，对所述高风险区和较高风险区进行蓝藻水华爆发风险等级校准，获得所述目标区域水体蓝藻水华爆发的风险等级图。
根据本申请实施例的第三方面，提供一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如上述任意一项所述的水体蓝藻水华爆发的监测方法。
根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的水体蓝藻水华爆发的监测方法。
本申请实施例通过获取目标区域的无人机遥感图像；对所述无人机遥感图像进行预处理，获得预处理后的无人机遥感图像；所述预处理后的无人机遥感图像包括多个水体像元；根据每个所述水体像元的浮游藻类指数、归一化植被指数、预设的浮游藻类指数阈值以及预设的归一化植被指数阈值，获得每个水体像元的蓝藻水华爆发风险等级；若所述蓝藻水华爆发风险等级包括高风险区和较高风险区，获取无人船采集的所述高风险区和所述较高风险区对应的水体像元的水质采样结果；根据所述水质采样结果，对所述高风险区和较高风险区进行蓝藻水华爆发风险等级校准，获得所述目标区域水体蓝藻水华爆发的风险等级图。本申请利用无人机和无人船相结合的高机动性，以及通过阈值划分风险等级，提高了水体蓝藻水华爆发监测的实时性以及准确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请水体蓝藻水华爆发的监测方法的流程示意图；
图2为本申请水体蓝藻水华爆发的监测中S20的流程示意图；
图3为本申请水体蓝藻水华爆发的监测方法中S31的流程示意图；
图4为本申请水体蓝藻水华爆发的监测方法中S41的流程示意图；
图5为本申请水体蓝藻水华爆发的监测方法中S42的流程示意图；
图6为本申请水体蓝藻水华爆发的监测方法中S50的流程示意图；
图7为本申请水体蓝藻水华爆发的监测装置的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1，本申请实施例提供一种水体蓝藻水华爆发的监测方法，包括的步骤如下：
S10.获取目标区域的无人机遥感图像。
遥感图像是指记录各种地物电磁波大小的胶片或照片，在本申请实施例中，通过无人机搭载高光谱相机获取目标区域的无人机遥感图像。其中，所述目标区域为待监测的蓝藻水华爆发区域。
S20.对所述无人机遥感图像进行预处理，获得预处理后的无人机遥感图像；所述预处理后的无人机遥感图像包括多个水体像元。
无人机遥感图像中包括陆地、水体等部分，通过对无人机遥感图像进行预处理，提取所述无人机遥感图像中的水体，获得包含多个水体像元的预处理后的无人机遥感图像。
S30.根据每个所述水体像元的浮游藻类指数、归一化植被指数、预设的浮游藻类指数阈值以及预设的归一化植被指数阈值，获得每个水体像元的蓝藻水华爆发风险等级。
归一化植被指数(Normalized Difference Vegetation Index,简称NDVI)是指遥感影像中，近红外波段的反射率与红光波段的反射率之差比上两者之和。在本申请实施例中，计算每个水体像元的浮游藻类指数与归一化植被指数，并将计算获得的浮游藻类指数与预设的浮游藻类指数阈值比较，将计算获得的归一化植被指数与预设的归一化植被指数阈值比较，根据比较结果将每个水体像元划分为不同的蓝藻水华爆发风险等级。
S40.若所述蓝藻水华爆发风险等级包括高风险区和较高风险区，获取无人船采集的所述高风险区和所述较高风险区对应的水体像元的水质采样结果。
无人船是一种可以无需遥控，借助精确卫星定位和自身传感即可按照预设任务在水面航行的全自动水面机器人。在本申请实施例中，高风险区和较高风险区对应的水体像元指示蓝藻水华很有可能会爆发或者已经爆发，这是蓝藻水华爆发的重点区域，因此，通过无人船采集高风险区和较高风险区对应的水体像元的水质数据，获得水质采样结果，再根据所述水质采样结果，对所述高风险区和较高风险区进行蓝藻水华爆发风险等级校准，既充分利用了无人船的高机动性来快捷获取水质数据，提高对蓝藻水华爆发监测的实时性，又可提高对蓝藻水华爆发监测的准确性。而且，相比于对所有风险区的水体像元进行水质采样的方式，可以降低成本。
S50.根据所述水质采样结果，对所述高风险区和较高风险区进行蓝藻水华爆发风险等级校准，获得所述目标区域水体蓝藻水华爆发的风险等级图。
根据无人机遥感图像确定的每个水体像元的蓝藻水华爆发风险等级可能存在些微的误差，在本申请实施例中，以所述水质采样结果为标准，对所述高风险区和较高风险区进行蓝藻水华爆发风险等级校准，获得所述目标区域水体蓝藻水华爆发的风险等级图，从而提高了蓝藻水华爆发监测的准确性。
应用本申请实施例，获取目标区域的无人机遥感图像；对所述无人机遥感图像进行预处理，获得预处理后的无人机遥感图像；所述预处理后的无人机遥感图像包括多个水体像元；根据每个所述水体像元的浮游藻类指数、归一化植被指数、预设的浮游藻类指数阈值以及预设的归一化植被指数阈值，获得每个水体像元的蓝藻水华爆发风险等级；若所述蓝藻水华爆发风险等级包括高风险区和较高风险区，获取无人船采集的所述高风险区和所述较高风险区对应的水体像元的水质采样结果；根据所述水质采样结果，对所述高风险区和较高风险区进行蓝藻水华爆发风险等级校准，获得所述目标区域水体蓝藻水华爆发的风险等级图。本申请利用无人机和无人船相结合的高机动性，以及通过阈值划分风险等级，提高了水体蓝藻水华爆发监测的实时性以及准确度。
在一个可选的实施例中，请参阅图2，所述步骤S20，包括S21～S22，具体如下：
S21.对所述无人机遥感图像进行辐射定标；
S22.对辐射定标后的无人机遥感图像进行水体提取，获得预处理后的无人机遥感图像。
辐射定标是用户需要计算地物的光谱反射率或光谱辐射亮度时，或者需要对不同时间、不同传感器获取的图像进行比较时，都必须将图像的亮度灰度值转换为绝对的辐射亮度，这个过程就是辐射定标。水体提取是将图像中陆地和水体分离，并将图像中为水体的像素单元标注出来，即获得水体像元，常见的水体提取方法有波段阈值法、谱间关系分析法和水体指数法等。
在本申请实施例中，先对所述无人机遥感图像进行辐射定标，之后对辐射定标后的无人机遥感图像进行水体提取，获得预处理后的无人机遥感图像，所述预处理后的无人机遥感图像包括多个水体像元。通过上述辐射定标和水体提取的预处理过程，以便后续的浮游藻类指数和归一化植被指数计算。
在一个可选的实施例中，所述方法还包括S31：计算每个水体像元的浮游藻类指数和归一化植被指数；请参阅图3，所述步骤S31，包括：S32～S35，具体如下：
S32.获取无人机遥感图像中每个水体像元的红光波段的反射率、红光波段的中心波长、近红外波段的反射率、近红外波段的中心波长、短波红外波段的反射率以及短波红外波段的中心波长；
S33.根据所述红光波段的反射率和所述近红外波段的反射率，获得每个水体像元的归一化植被指数；
S34.根据所述红光波段的反射率、所述短波红外波段的反射率、所述红光波段的中心波长、所述近红外波段的中心波长以及所述近红外波段的中心波长，获得每个水体像元的近红外波段的插值反射率；
S35.根据所述红光波段的反射率和所述插值反射率，获得每个水体像元的浮游藻类指数。
在本申请实施例中，通过以下公式计算预处理后的无人机遥感图像中每个水体像元的浮游藻类指数和归一化植被指数，
FAI＝Rnir-R′nir
R′nir＝Rred+(Rswir-Rred)×(λnir-λred)÷(λswir-λred)
其中，FAI是所述浮游藻类指数，NDVI是所述归一化植被指数，Rred所述是红光波段的反射率，Rnir是所述近红外波段的反射率，Rswir是所述短波红外波段的反射率，λred是所述红光波段的中心波长，λnir是所述近红外波段的中心波长，λswir是所述短波红外波段的中心波长，Rnir′为所述插值反射率，即红光波段和短波红外波段在近红外波段处采用线性内插方式得到的反射率。
通过计算每个水体像元的浮游藻类指数和归一化植被指数，以便根据计算结果对每个水体像元的蓝藻水华爆发风险等级进行划分。
在一个可选的实施例中，预设的浮游藻类指数阈值包括第一预设阈值和第二预设阈值，预设的归一化植被指数阈值为0；所述方法还包括S41：识别所述蓝藻水华爆发风险等级的高风险区和较高风险区；请参阅图4，所述步骤S41，包括：S411～S412，具体如下：
S411.在水体像元的所述浮游藻类指数大于第一预设阈值且所述归一化植被指数小于0时，将所述水体像元的蓝藻水华爆发风险等级识别为高风险区；
S412.在水体像元的所述浮游藻类指数小于第一预设阈值且大于第二预设阈值，以及所述归一化植被指数小于0时，将所述水体像元的蓝藻水华爆发风险等级识别为较高风险区。
在本申请实施例中，第一预设阈值为-0.01，第二预设阈值为0.02，当水体像元的FAI>-0.01且NDVI<0时，将所述水体像元的蓝藻水华爆发风险等级识别为高风险区；当水体像元的FAI不在区间[-0.01,0.02]且NDVI<0时，将所述水体像元的蓝藻水华爆发风险等级识别为较高风险区。
在一个可选的实施例中，所述蓝藻水华爆发风险等级还包括中风险区、低风险区和无风险区，所述方法还包括S42：识别所述蓝藻水华爆发风险等级的中风险区、低风险区和无风险区；请参阅图5，所述步骤S42，包括：S421～S423，具体如下：
S421.在水体像元的所述浮游藻类指数大于第一预设阈值且所述归一化植被指数大于0时，将所述水体像元的蓝藻水华爆发风险等级识别为中风险区；
S422.在水体像元的所述浮游藻类指数小于第一预设阈值且大于第二预设阈值，以及所述归一化植被指数大于0时，或者在水体像元的所述浮游藻类指数小于第二预设阈值且所述归一化植被指数小于0时，将所述水体像元的蓝藻水华爆发风险等级识别为低风险区；
S423.在水体像元的所述浮游藻类指数小于第二预设阈值且所述归一化植被指数大于0时，将所述水体像元的蓝藻水华爆发风险等级识别为无风险区。
在本申请实施例中，当水体像元的FAI>-0.01且NDVI>0时，将所述水体像元的蓝藻水华爆发风险等级识别为中风险区；当水体像元的FAI不在区间[-0.01,0.02]且NDVI>0时，或者FAI<0.02且NDVI<0时，将所述水体像元的蓝藻水华爆发风险等级识别为低风险区；当水体像元的FAI<0.02且NDVI>0时，将所述水体像元的蓝藻水华爆发风险等级识别为低风险区。
在一个可选的实施例中，所述水质采样结果包括叶绿素a浓度数据、总氮浓度数据以及总磷浓度数据，请参阅图6，所述步骤S50，包括：S51～S52，具体如下：
S51.获取无人船采集的所述高风险区和较高风险区中每个水体像元的叶绿素a浓度数据、总氮浓度数据以及总磷浓度数据；
S52.根据所述每个水体像元的叶绿素a浓度数据、总氮浓度数据以及总磷浓度数据以及预设的风险等级参考范围，对所述高风险区和所述较高风险区进行风险等级调整，获得所述目标区域水体蓝藻水华爆发的风险等级图。
叶绿素a浓度、总氮浓度以及总磷浓度是水体富营养化的重要指标。在本申请实施例中，通过无人船采集所述高风险区和较高风险区中每个水体像元的叶绿素a浓度数据、总氮浓度数据以及总磷浓度数据，并与预设的风险等级参考范围比较，从而对所述高风险区和所述较高风险区进行风险等级调整，提高了目标区域水体蓝藻水华爆发的监测准确性。
在一个可选的实施例中，所述预设的参考值范围包括高风险区、较高风险区、中风险区、低风险区和无风险区的叶绿素a浓度、总氮浓度以及总磷浓度的参考值范围；所述步骤S52，包括S521，具体如下：
S521.将所述每个水体像元的叶绿素a浓度数据、总氮浓度数据以及总磷浓度数据与预设的所述风险等级参考范围进行比较，根据比较结果将所述高风险区和所述较高风险区调整为相应的风险等级，获得所述目标区域水体蓝藻水华爆发的风险等级图。
在本申请实施例中，所述预设的参考值范围中不同风险等级中叶绿素a浓度(以chl-a表示)、总氮浓度(以TP表示)以及总磷浓度(以TN表示)具体为：低风险区的TN＞5.4mg·L-1，TP＜0.1mg·L-1且TP＞0.31mg·L-1，chl-a＜2ug·L-1；中风险区的TN＞5.4mg·L-1，TP＜0.1mg·L-1且TP＞0.31mg·L-1，chl-a为2-10ug·L-1；较高风险区的TN＜5.4mg·L-1，TP为0.1-0.31mg·L-1，且chl-a为2-10ug·L-1；高风险区的TN＜5.4mg·L-1，TP为0.1-0.31mg·L-1，且chl-a＞10ug·L-1。对于无风险区，叶绿素a浓度、总氮浓度以及总磷浓度不在上述范围。
根据所述预设的参考值范围，可将所述高风险区和所述较高风险区调整为相应的风险等级，例如，某一水体像元被划分为高风险区，经过水质采样之后，对应的TN为6mg·L-1，TP为0.05mg·L-1，chl-a浓度为4ug·L-1，则将所述水体像元由高风险区调整为中风险区，从而提高水体蓝藻水华爆发的监测准确性。
相应于上述方法实施例，请参阅图7，本申请实施例提供水体蓝藻水华爆发的监测装置6，包括：
图像获取模块61，用于获取目标区域的无人机遥感图像；
图像预处理模块62，用于对所述无人机遥感图像进行预处理，获得预处理后的无人机遥感图像；所述预处理后的无人机遥感图像包括多个水体像元；
风险等级获得模块63，用于根据每个所述水体像元的浮游藻类指数、归一化植被指数、预设的浮游藻类指数阈值以及预设的归一化植被指数阈值，获得每个水体像元的蓝藻水华爆发风险等级；
采样结果获取模块64，用于若所述蓝藻水华爆发风险等级包括高风险区和较高风险区，获取无人船采集的所述高风险区和所述较高风险区对应的水体像元的水质采样结果；
风险等级图获得模块65，用于根据所述水质采样结果，对所述高风险区和较高风险区进行蓝藻水华爆发风险等级校准，获得所述目标区域水体蓝藻水华爆发的风险等级图。
可选的，所述图像预处理模块62，包括：
辐射定标单元621，用于对所述无人机遥感图像进行辐射定标；
水体提取单元622，用于对辐射定标后的无人机遥感图像进行水体提取，获得预处理后的无人机遥感图像。
可选的，所述风险等级图获得模块65，包括：
浓度数据获取单元651，用于获取无人船采集的所述高风险区和较高风险区中每个水体像元的叶绿素a浓度数据、总氮浓度数据以及总磷浓度数据；
风险等级调整单元652，用于根据所述每个水体像元的叶绿素a浓度数据、总氮浓度数据以及总磷浓度数据以及预设的风险等级参考范围，对所述高风险区和所述较高风险区进行风险等级调整，获得所述目标区域水体蓝藻水华爆发的风险等级图。
可选的，所述风险等级调整单元652，包括：
比较单元653，用于将所述每个水体像元的叶绿素a浓度数据、总氮浓度数据以及总磷浓度数据与预设的所述风险等级参考范围进行比较，根据比较结果将所述高风险区和所述较高风险区调整为相应的风险等级，获得所述目标区域水体蓝藻水华爆发的风险等级图。
应用本申请实施例，通过获取目标区域的无人机遥感图像；对所述无人机遥感图像进行预处理，获得预处理后的无人机遥感图像；所述预处理后的无人机遥感图像包括多个水体像元；根据每个所述水体像元的浮游藻类指数、归一化植被指数、预设的浮游藻类指数阈值以及预设的归一化植被指数阈值，获得每个水体像元的蓝藻水华爆发风险等级；若所述蓝藻水华爆发风险等级包括高风险区和较高风险区，获取无人船采集的所述高风险区和所述较高风险区对应的水体像元的水质采样结果；根据所述水质采样结果，对所述高风险区和较高风险区进行蓝藻水华爆发风险等级校准，获得所述目标区域水体蓝藻水华爆发的风险等级图。本申请利用无人机和无人船相结合的高机动性，以及通过阈值划分风险等级，提高了水体蓝藻水华爆发监测的实时性以及准确度。
本申请还提供一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述实施例的方法步骤。
本申请还提供一种计算机可读存储介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述实施例的方法步骤。
对于设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的组件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模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种水体蓝藻水华爆发的监测方法，其特征在于，包括如下步骤：
获取目标区域的无人机遥感图像；
对所述无人机遥感图像进行预处理，获得预处理后的无人机遥感图像；所述预处理后的无人机遥感图像包括多个水体像元；
根据每个所述水体像元的浮游藻类指数、归一化植被指数、预设的浮游藻类指数阈值以及预设的归一化植被指数阈值，获得每个水体像元的蓝藻水华爆发风险等级；
若所述蓝藻水华爆发风险等级包括高风险区和较高风险区，获取无人船采集的所述高风险区和所述较高风险区对应的水体像元的水质采样结果；
根据所述水质采样结果，对所述高风险区和较高风险区进行蓝藻水华爆发风险等级校准，获得所述目标区域水体蓝藻水华爆发的风险等级图。
2.根据权利要求1所述的水体蓝藻水华爆发的监测方法，其特征在于，所述水质采样结果包括叶绿素a浓度数据、总氮浓度数据以及总磷浓度数据；
所述根据所述水质采样结果，对所述高风险区和较高风险区进行蓝藻水华爆发风险等级校准，获得所述目标区域水体蓝藻水华爆发的风险等级图的步骤，包括：
获取无人船采集的所述高风险区和较高风险区中每个水体像元的叶绿素a浓度数据、总氮浓度数据以及总磷浓度数据；
根据所述每个水体像元的叶绿素a浓度数据、总氮浓度数据以及总磷浓度数据以及预设的风险等级参考范围，对所述高风险区和所述较高风险区进行风险等级调整，获得所述目标区域水体蓝藻水华爆发的风险等级图。
3.根据权利要求1或2任一项权利要求所述的水体蓝藻水华爆发的监测方法，其特征在于，预设的浮游藻类指数阈值包括第一预设阈值和第二预设阈值，预设的归一化植被指数阈值为0；所述方法还包括：识别所述蓝藻水华爆发风险等级的高风险区和较高风险区；
所述识别所述蓝藻水华爆发风险等级的高风险区和较高风险区的步骤，包括：
在水体像元的所述浮游藻类指数大于第一预设阈值且所述归一化植被指数小于0时，将所述水体像元的蓝藻水华爆发风险等级识别为高风险区；
在水体像元的所述浮游藻类指数小于第一预设阈值且大于第二预设阈值，以及所述归一化植被指数小于0时，将所述水体像元的蓝藻水华爆发风险等级识别为较高风险区。
4.根据权利要求3所述的水体蓝藻水华爆发的监测方法，其特征在于，所述蓝藻水华爆发风险等级还包括中风险区、低风险区和无风险区；所述方法还包括：识别所述蓝藻水华爆发风险等级的中风险区、低风险区和无风险区；
所述识别所述蓝藻水华爆发风险等级的中风险区、低风险区和无风险区的步骤，包括：
在水体像元的所述浮游藻类指数大于第一预设阈值且所述归一化植被指数大于0时，将所述水体像元的蓝藻水华爆发风险等级识别为中风险区；
在水体像元的所述浮游藻类指数小于第一预设阈值且大于第二预设阈值，以及所述归一化植被指数大于0时，或者在水体像元的所述浮游藻类指数小于第二预设阈值且所述归一化植被指数小于0时，将所述水体像元的蓝藻水华爆发风险等级识别为低风险区；
在水体像元的所述浮游藻类指数小于第二预设阈值且所述归一化植被指数大于0时，将所述水体像元的蓝藻水华爆发风险等级识别为无风险区。
5.根据权利要求4所述的水体蓝藻水华爆发的监测方法，其特征在于，所述预设的参考值范围包括高风险区、较高风险区、中风险区、低风险区和无风险区的叶绿素a浓度、总氮浓度以及总磷浓度的参考值范围；
所述根据所述每个水体像元的叶绿素a浓度数据、总氮浓度数据以及总磷浓度数据以及预设的风险等级参考范围，对所述高风险区和所述较高风险区进行风险等级调整，获得所述目标区域水体蓝藻水华爆发的风险等级图的步骤，包括：
将所述每个水体像元的叶绿素a浓度数据、总氮浓度数据以及总磷浓度数据与预设的所述风险等级参考范围进行比较，根据比较结果将所述高风险区和所述较高风险区调整为相应的风险等级，获得所述目标区域水体蓝藻水华爆发的风险等级图。
6.根据权利要求1所述的水体蓝藻水华爆发的监测方法，其特征在于，所述方法还包括：计算每个水体像元的浮游藻类指数和归一化植被指数；
所述计算每个水体像元的浮游藻类指数和归一化植被指数的步骤，包括：
获取无人机遥感图像中每个水体像元的红光波段的反射率、红光波段的中心波长、近红外波段的反射率、近红外波段的中心波长、短波红外波段的反射率以及短波红外波段的中心波长；
根据所述红光波段的反射率和所述近红外波段的反射率，获得每个水体像元的归一化植被指数；
根据所述红光波段的反射率、所述短波红外波段的反射率、所述红光波段的中心波长、所述近红外波段的中心波长以及所述近红外波段的中心波长，获得每个水体像元的近红外波段的插值反射率；
根据所述红光波段的反射率和所述插值反射率，获得每个水体像元的浮游藻类指数。
7.根据权利要求1所述的水体蓝藻水华爆发的监测方法，其特征在于，所述对所述无人机遥感图像进行预处理，获得预处理后的无人机遥感图像的步骤，包括：
对所述无人机遥感图像进行辐射定标；
对辐射定标后的无人机遥感图像进行水体提取，获得预处理后的无人机遥感图像。
8.一种水体蓝藻水华爆发的监测装置，其特征在于，包括：
图像获取模块，用于获取目标区域的无人机遥感图像；
图像预处理模块，用于对所述无人机遥感图像进行预处理，获得预处理后的无人机遥感图像；所述预处理后的无人机遥感图像包括多个水体像元；
风险等级获得模块，用于根据每个所述水体像元的浮游藻类指数、归一化植被指数、预设的浮游藻类指数阈值以及预设的归一化植被指数阈值，获得每个水体像元的蓝藻水华爆发风险等级；
采样结果获取模块，用于若所述蓝藻水华爆发风险等级包括高风险区和较高风险区，获取无人船采集的所述高风险区和所述较高风险区对应的水体像元的水质采样结果；
风险等级图获得模块，用于根据所述水质采样结果，对所述高风险区和较高风险区进行蓝藻水华爆发风险等级校准，获得所述目标区域水体蓝藻水华爆发的风险等级图。
9.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1至7中任意一项所述的水体蓝藻水华爆发的监测方法。
10.一种计算机可读存储介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的水体蓝藻水华爆发的监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111495647.2A CN114170514A (zh) | 2021-12-08 | 2021-12-08 | 水体蓝藻水华爆发的监测方法、装置、介质以及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111495647.2A CN114170514A (zh) | 2021-12-08 | 2021-12-08 | 水体蓝藻水华爆发的监测方法、装置、介质以及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114170514A true CN114170514A (zh) | 2022-03-11 |
Family
ID=80484670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111495647.2A Pending CN114170514A (zh) | 2021-12-08 | 2021-12-08 | 水体蓝藻水华爆发的监测方法、装置、介质以及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114170514A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115578646A (zh) * | 2022-09-16 | 2023-01-06 | 二十一世纪空间技术应用股份有限公司 | 一种蓝藻水华监测方法及装置 |
| CN115760613A (zh) * | 2022-11-15 | 2023-03-07 | 江苏省气候中心 | 一种结合卫星影像和光流法的蓝藻水华短时预测方法 |
| CN115984711A (zh) * | 2022-12-30 | 2023-04-18 | 中国科学院空天信息创新研究院 | 一种基于卫星遥感的非蓝藻水华监测方法和系统 |
| CN116823837A (zh) * | 2023-08-30 | 2023-09-29 | 江西怡杉环保股份有限公司 | 一种蓝藻水华监测装置及预报方法 |
-
2021
- 2021-12-08 CN CN202111495647.2A patent/CN114170514A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115578646A (zh) * | 2022-09-16 | 2023-01-06 | 二十一世纪空间技术应用股份有限公司 | 一种蓝藻水华监测方法及装置 |
| CN115578646B (zh) * | 2022-09-16 | 2023-07-07 | 二十一世纪空间技术应用股份有限公司 | 一种蓝藻水华监测方法及装置 |
| CN115760613A (zh) * | 2022-11-15 | 2023-03-07 | 江苏省气候中心 | 一种结合卫星影像和光流法的蓝藻水华短时预测方法 |
| CN115760613B (zh) * | 2022-11-15 | 2024-01-05 | 江苏省气候中心 | 一种结合卫星影像和光流法的蓝藻水华短时预测方法 |
| CN115984711A (zh) * | 2022-12-30 | 2023-04-18 | 中国科学院空天信息创新研究院 | 一种基于卫星遥感的非蓝藻水华监测方法和系统 |
| CN116823837A (zh) * | 2023-08-30 | 2023-09-29 | 江西怡杉环保股份有限公司 | 一种蓝藻水华监测装置及预报方法 |
| CN116823837B (zh) * | 2023-08-30 | 2023-11-21 | 江西怡杉环保股份有限公司 | 一种蓝藻水华监测装置及预报方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114170514A (zh) | 水体蓝藻水华爆发的监测方法、装置、介质以及电子设备 | |
| Assmann et al. | Vegetation monitoring using multispectral sensors—best practices and lessons learned from high latitudes | |
| Nguyen et al. | A novel intelligence approach based active and ensemble learning for agricultural soil organic carbon prediction using multispectral and SAR data fusion | |
| Maryantika et al. | Exploring changes of land use and mangrove distribution in the economic area of Sidoarjo District, East Java using multi-temporal Landsat images | |
| Lang et al. | Canopy gap fraction estimation from digital hemispherical images using sky radiance models and a linear conversion method | |
| Duggin et al. | Assumptions implicit in remote sensing data acquisition and analysis | |
| US20080129752A1 (en) | Spatial and Spectral Calibration of a Panchromatic, Multispectral Image Pair | |
| CN111738144A (zh) | 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统 | |
| Wicaksono | Mangrove above-ground carbon stock mapping of multi-resolution passive remote-sensing systems | |
| Chang et al. | Development of color co-occurrence matrix based machine vision algorithms for wild blueberry fields | |
| Aitkenhead et al. | Estimating soil properties with a mobile phone | |
| Sameen et al. | A refined classification approach by integrating Landsat Operational Land Imager (OLI) and RADARSAT-2 imagery for land-use and land-cover mapping in a tropical area | |
| Xu et al. | Comparison and assessment of NDVI time series for seasonal wetland classification | |
| Tang et al. | Integrating spatio-temporal-spectral information for downscaling Sentinel-3 OLCI images | |
| Dobrinić et al. | Integration of multitemporal Sentinel-1 and Sentinel-2 imagery for land-cover classification using machine learning methods | |
| CN116972814A (zh) | 主被动遥感融合的浅海水深探测方法、设备及存储介质 | |
| Perin et al. | A multi-sensor satellite imagery approach to monitor on-farm reservoirs | |
| Sharaf El Din | Enhancing the accuracy of retrieving quantities of turbidity and total suspended solids using Landsat-8-based-principal component analysis technique | |
| Wang et al. | The impact of variable illumination on vegetation indices and evaluation of illumination correction methods on chlorophyll content estimation using UAV imagery | |
| Liu et al. | Mapping foliar photosynthetic capacity in sub-tropical and tropical forests with UAS-based imaging spectroscopy: Scaling from leaf to canopy | |
| Sekrecka et al. | Integration of satellite data with high resolution ratio: improvement of spectral quality with preserving spatial details | |
| CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
| Agyemang et al. | Accuracy assessment of supervised classification of submersed macrophytes: the case of the Gavaraget region of Lake Sevan, Armenia | |
| Schaeffer et al. | Merging of the Case 2 Regional Coast Colour and Maximum-Peak Height chlorophyll-a algorithms: validation and demonstration of satellite-derived retrievals across US lakes | |
| Toro Herrera et al. | Semi-automated production and filtering of satellite derived water quality parameters |
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 |