CN114279982B - 水体污染信息获取方法及装置 - Google Patents
水体污染信息获取方法及装置 Download PDFInfo
- Publication number
- CN114279982B CN114279982B CN202111527140.0A CN202111527140A CN114279982B CN 114279982 B CN114279982 B CN 114279982B CN 202111527140 A CN202111527140 A CN 202111527140A CN 114279982 B CN114279982 B CN 114279982B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- remote sensing
- sensing data
- water body
- target 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.)
- Active
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本公开是关于水体污染信息获取方法及装置。该方法包括:获取目标区域的高光谱遥感数据,并进行预处理以获取影像地表反射率;获取目标区域的水体样本的实测光谱数据;根据实测光谱数据获取地面实测参考反射率;获取目标区域的水体样本的水体污染物种类和浓度;根据实测光谱数据和水体污染物种类和浓度构建不同类别的污染水体光谱库;通过多种预设高光谱数据分析方法,根据不同类别的污染水体光谱库获取高光谱遥感数据与参考端元光谱的综合光谱相似度;根据阈值分割算法和综合光谱相似度识别目标区域的污染水体范围及水体污染物类型。通过结合多种高光谱数据分析方法,可以有效提高污染水体的识别精度。
Description
技术领域
本公开涉及水体监测技术领域,尤其涉及水体污染信息获取方法及装置。
背景技术
目前在污染水体识别的高光谱研究应用中,利用单一高光谱数据分析方法不能综合考虑光谱曲线的形状、辐射等整体和局部多种特征,在提取受污染水体信息时,尤其在城市复杂水环境背景下的水体水质污染信息往往表现较微弱和难识别,提取结果具有很大的不确定性。
发明内容
为克服相关技术中存在的问题,本公开实施例提供水体污染信息获取方法及装置。所述技术方案如下:
根据本公开实施例的第一方面,提供一种水体污染信息获取方法,包括:
获取目标区域的高光谱遥感数据,并对所述高光谱遥感数据进行预处理以获取与所述高光谱遥感数据对应的影像地表反射率;
获取所述目标区域的水体样本的实测光谱数据;
根据实测光谱数据获取地面实测参考反射率;
获取所述目标区域的水体样本的水体污染物种类和浓度;
根据所述实测光谱数据和所述水体污染物种类和浓度构建不同类别的污染水体光谱库;
通过多种预设高光谱数据分析方法,根据所述不同类别的污染水体光谱库获取所述高光谱遥感数据与参考端元光谱的综合光谱相似度;所述参考端元光谱为所述不同类别的污染水体光谱库中的数据;
根据阈值分割算法和所述综合光谱相似度识别所述目标区域的污染水体范围及水体污染物类型。
本公开的实施例提供的技术方案可以包括以下有益效果:本公开实施例提供一种水体污染信息获取方法,包括:获取目标区域的高光谱遥感数据,并对高光谱遥感数据进行预处理以获取与高光谱遥感数据对应的影像地表反射率;获取目标区域的水体样本的实测光谱数据;根据实测光谱数据获取地面实测参考反射率;获取目标区域的水体样本的水体污染物种类和浓度;根据实测光谱数据和水体污染物种类和浓度构建不同类别的污染水体光谱库;通过多种预设高光谱数据分析方法,根据不同类别的污染水体光谱库获取高光谱遥感数据与参考端元光谱的综合光谱相似度;参考端元光谱为不同类别的污染水体光谱库中的数据;根据阈值分割算法和综合光谱相似度识别目标区域的污染水体范围及水体污染物类型。通过结合多种高光谱数据分析方法,可以实现不同光谱匹配算法的互补,有效提高污染水体的识别精度,适用性较高,可以作为一种快速、准确、实时的城市水体污染监测重要手段。
在一个实施例中,所述对所述高光谱遥感数据进行预处理,包括:
对所述高光谱遥感数据进行辐射定标、大气校正和几何校正。
在一个实施例中,所述获取所述目标区域的水体样本的实测光谱数据,包括:
通过地物光谱仪采集所述目标区域的理化性质相异的所述水体样本的实测光谱数据。
在一个实施例中,所述获取所述目标区域的水体样本的水体污染物种类和浓度,包括:
采集的所述目标区域的水体样本;
对采集的所述目标区域的水体样本进行水质检测,分析确定所述目标区域的水体污染物种类和浓度。
在一个实施例中,所述根据所述不同类别的污染水体光谱库获取所述高光谱遥感数据与参考端元光谱的综合光谱相似度,包括:
利用光谱角填图法计算所述高光谱遥感数据与所述参考端元光谱之间的光谱夹角;
利用光谱信息散度法计算所述高光谱遥感数据和所述参考端元光谱之间的光谱信息散度;
采用连续统去除法对所述高光谱遥感数据和所述参考端元光谱进行处理;
根据光谱特征拟合法对所述高光谱遥感数据的吸收特征参量条件进行约束,基于最小二乘法拟合所述高光谱遥感数据与参考端元光谱,以获取所述高光谱遥感数据中每个高光谱遥感数据的拟合值和均方根误差值;
根据所述高光谱遥感数据中每个高光谱遥感数据的拟合值和均方根误差值获取光谱特征拟合度影像;
根据所述光谱夹角、所述光谱信息散度和所述光谱特征拟合度影像获取所述综合光谱相似度。
在一个实施例中,所述根据所述光谱夹角、所述光谱信息散度和所述光谱特征拟合度影像获取所述综合光谱相似度,包括:
将所述光谱角、所述光谱信息散度和所述光谱特征拟合度影像归一化到0-1之间并进行组合;
构建光谱匹配组合模型;
根据所述光谱匹配组合模型和所述组合结果计算所述高光谱影像像元光谱与所述参考端元光谱的综合光谱相似度。
在一个实施例中,所述根据阈值分割算法和所述综合光谱相似度识别所述目标区域的污染水体范围及水体污染类型,包括:
采用最大类间方差阈值分割算法计算所述综合光谱相似度的分割阈值;
若所述综合光谱相似度大于所述分割阈值,则所述综合光谱相似度对应的影像像元为污染水体;
根据确定的所述目标区域的污染水体获取所述目标区域的污染水体范围;
根据所述目标区域的污染水体范围和所述不同类别的污染水体光谱库识别所述目标区域的水体污染物类型。
根据本公开实施例的第二方面,提供水体污染信息获取装置,包括:
第一获取模块,用于获取目标区域的高光谱遥感数据,并对所述高光谱遥感数据进行预处理以获取与所述高光谱遥感数据对应的影像地表反射率;
第二获取模块,用于获取所述目标区域的水体样本的实测光谱数据;
第三获取模块,用于根据实测光谱数据获取地面实测参考反射率;
第四获取模块,用于获取所述目标区域的水体样本的水体污染物种类和浓度;
构建模块,用于根据所述实测光谱数据和所述水体污染物种类和浓度构建不同类别的污染水体光谱库;
第五获取模块,用于通过多种预设高光谱数据分析方法,根据所述不同类别的污染水体光谱库获取所述高光谱遥感数据与参考端元光谱的综合光谱相似度;所述参考端元光谱为所述不同类别的污染水体光谱库中的数据;
识别模块,用于根据阈值分割算法和所述综合光谱相似度识别所述目标区域的污染水体范围及水体污染物类型。
在一个实施例中,第一获取模块,包括:
预处理子模块,用于对所述高光谱遥感数据进行辐射定标、大气校正和几何校正。
在一个实施例中,第二获取模块,包括:
第一采集子模块,用于通过地物光谱仪采集所述目标区域的理化性质相异的所述水体样本的实测光谱数据。
在一个实施例中,第四获取模块,包括:
第二采集子模块,用于采集的所述目标区域的水体样本;
分析子模块,用于对采集的所述目标区域的水体样本进行水质检测,分析确定所述目标区域的水体污染物种类和浓度。
在一个实施例中,第五获取模块,包括:
第一计算子模块,用于利用光谱角填图法计算所述高光谱遥感数据与所述参考端元光谱之间的光谱夹角;
第二计算子模块,用于利用光谱信息散度法计算所述高光谱遥感数据和所述参考端元光谱之间的光谱信息散度;
处理子模块,用于采用连续统去除法对所述高光谱遥感数据和所述参考端元光谱进行处理;
第一获取子模块,用于根据光谱特征拟合法对所述高光谱遥感数据的吸收特征参量条件进行约束,基于最小二乘法拟合所述高光谱遥感数据与参考端元光谱,以获取所述高光谱遥感数据中每个高光谱遥感数据的拟合值和均方根误差值;
第二获取子模块,用于根据所述高光谱遥感数据中每个高光谱遥感数据的拟合值和均方根误差值获取光谱特征拟合度影像;
第三获取子模块,用于根据所述光谱夹角、所述光谱信息散度和所述光谱特征拟合度影像获取所述综合光谱相似度。
在一个实施例中,第三获取子模块,包括:
归一子模块,用于将所述光谱角、所述光谱信息散度和所述光谱特征拟合度影像归一化到0-1之间并进行组合;
构建子模块,用于构建光谱匹配组合模型;
第三计算子模块,用于根据所述光谱匹配组合模型和所述组合结果计算所述高光谱影像像元光谱与所述参考端元光谱的综合光谱相似度。
在一个实施例中,识别模块,包括:
第四计算子模块,用于采用最大类间方差阈值分割算法计算所述综合光谱相似度的分割阈值;
第一确定子模块,用于若所述综合光谱相似度大于所述分割阈值,则所述综合光谱相似度对应的影像像元为污染水体;
第四获取子模块,用于根据确定的所述目标区域的污染水体获取所述目标区域的污染水体范围;
识别子模块,用于根据所述目标区域的污染水体范围和所述不同类别的污染水体光谱库识别所述目标区域的水体污染物类型。
根据本公开实施例的第三方面,提供一种水体污染信息获取装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取目标区域的高光谱遥感数据,并对所述高光谱遥感数据进行预处理以获取与所述高光谱遥感数据对应的影像地表反射率;
获取所述目标区域的水体样本的实测光谱数据;
根据实测光谱数据获取地面实测参考反射率;
获取所述目标区域的水体样本的水体污染物种类和浓度;
根据所述实测光谱数据和所述水体污染物种类和浓度构建不同类别的污染水体光谱库;
通过多种预设高光谱数据分析方法,根据所述不同类别的污染水体光谱库获取所述高光谱遥感数据与参考端元光谱的综合光谱相似度;所述参考端元光谱为所述不同类别的污染水体光谱库中的数据;
根据阈值分割算法和所述综合光谱相似度识别所述目标区域的污染水体范围及水体污染物类型。
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,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例一示出的水体污染信息获取方法的总体流程图。
图2是根据一示例性实施例一示出的通过多种预设高光谱数据分析方法获取综合光谱相似度过程的流程图。
图3是根据一示例性实施例一示出的综合光谱相似度具体获取过程的流程图。
图4是根据一示例性实施例一示出的污染水体范围和污染物类型识别过程的流程图。
图5是根据一示例性实施例二示出的水体污染信息获取方法的流程图。
图6是根据一示例性实施例示出的一种水体污染信息获取装置的框图。
图7是根据一示例性实施例示出的一种水体污染信息获取装置中第一获取模块的框图。
图8是根据一示例性实施例示出的一种水体污染信息获取装置中第二获取模块的框图。
图9是根据一示例性实施例示出的一种水体污染信息获取装置中第四获取模块的框图。
图10是根据一示例性实施例示出的一种水体污染信息获取装置中第五获取模块的框图。
图11是根据一示例性实施例示出的一种水体污染信息获取装置中第三获取子模块的框图。
图12是根据一示例性实施例示出的一种水体污染信息获取装置中识别模块的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。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公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
近年来,由于经济发展引起的城镇扩张和人口增加,必然导致城市污水量逐渐增加,城市水体污染问题日益严重,黑臭、水华现象时有发生。城市污染水体是居民反映强烈的水环境问题,不仅损害城市人居环境,也严重影响城市形象。对城市水体进行识别分类,提取水体污染信息,可以提高城市居民对水污染状况的认识,对于城市水环境管理、水污染防治具有重要的意义。
城市中受到污染的水体常常呈现浑浊状,伴有黑色、灰色、深绿色等异常颜色,并散发出异常味道。污染水体传统监测方法以人工取样和水文站定点自动监测为主。人工取样成本高、频次和效率低,水文站定点自动监测无法解决以点代面和时空演进问题。遥感技术能迅速、同步监测大范围水环境状况及其动态变化,被认为是水体识别最为有效的方法。相比于全色和多光谱遥感技术,高光谱遥感技术可以同时获取地物的空间分布信息和丰富精细的光谱信息,具有更好的地物识别与分类能力,应用前景十分广泛。
随着光谱分辨率的显著提高,地物信息提取技术逐渐发展出光谱匹配识别技术与亚像元技术。光谱匹配技术根据已知地物类型的反射光谱,通过光谱波形或特征匹配来达到识别地物类型的目的,包括光谱角填图法、光谱信息散度法、光谱特征拟合法等,亚像元识别技术包括混合调制匹配滤波等,这些高光谱数据分析方法已成功应用于地质勘探、国土资源调查和环境污染等多个领域。
不同的高光谱数据分析方法均有其各自的特点和缺陷,提取效果存在差异。例如光谱角填图法重点比较光谱曲线在整体形状上的相似程度,而忽略了光谱曲线局部特征的变化,较难识别光谱局部特征上的差异,容易受到“同物异谱”和“同谱异物”的干扰,对于光谱曲线相似的地物类型的分类精度较低;光谱信息散度法基于概率统计理论,受光谱背景信息的影响比较大,在复杂背景下往往难以反映细节特征从而会降低光谱区分度;基于光谱特征参数的局部特征匹配法是基于光谱吸收谷特征,利用光谱局部细节特征的相似性对典型地物进行识别,而忽略了对整体光谱特征进行有效地表达。
目前在污染水体识别的高光谱研究应用中,利用单一高光谱数据分析方法不能综合考虑光谱曲线的形状、辐射等整体和局部多种特征,在提取受污染水体信息时,尤其在城市复杂水环境背景下的水体水质污染信息往往表现较微弱和难识别,提取结果具有很大的不确定性。因此,如何综合利用多种高光谱分析方法提取水体污染信息值得深入探究。
图1是根据一示例性实施例一示出的水体污染信息获取方法的总体流程图,如图1所示,该方法包括以下步骤S101-S107:
在步骤S101中,获取目标区域的高光谱遥感数据,并对高光谱遥感数据进行预处理以获取与高光谱遥感数据对应的影像地表反射率。
其中,可以收集城市中的目标区域卫星或无人机获取的高光谱遥感数据。
例如:可以通过收集城市地区的珠海一号卫星上搭载的高光谱相机获取的高光谱遥感数据。
示例的,可以对高光谱遥感数据进行辐射定标、大气校正和几何校正等预处理,从而获取与高光谱遥感数据对应的影像地表反射率。
在步骤S102中,获取目标区域的水体样本的实测光谱数据。
示例的,可以利用地物光谱仪采集目标区域的理化性质相异的水体样本的实测光谱数据。
在步骤S103中,根据实测光谱数据获取地面实测参考反射率。
对获取的水体样本的实测光谱数据进行预处理,利用Savitzky-Golay卷积平滑法将同一采样点获得的多条光谱曲线进行平滑并取平均值作为该水体样本的最终水体光谱反射率曲线,该水体样本的最终水体光谱反射率曲线中的每一个点即为地面实测参考反射率。
其中,光谱曲线平滑算法种类众多,主要包括移动平均平滑法、Savitzky-Golay卷积平滑法等,本公开并不会对使用的光谱曲线平滑算法加以限定。
在步骤S104中,获取目标区域的水体样本的水体污染物种类和浓度。
具体的,可以获取目标区域的水体样本;然后对获取的目标区域的水体样本进行水质检测,分析确定目标区域的水体污染物种类和浓度。
示例的,可以人工去采集目标区域的水体样本。
在步骤S105中,根据实测光谱数据和水体污染物种类和浓度构建不同类别的污染水体光谱库;
具体的,将步骤S103获得的含有不同污染物的水体样本的实测光谱数据作为标准光谱,根据污染物种类和浓度构建不同类别的污染水体光谱库。
在步骤S106中,通过多种预设高光谱数据分析方法,根据不同类别的污染水体光谱库获取高光谱遥感数据与参考端元光谱的综合光谱相似度;参考端元光谱为不同类别的污染水体光谱库中的数据;
具体的,如图2所示,上述步骤S106包括以下子步骤S1061-S1066:
在步骤S1061中,利用光谱角填图法(Spectral Angle Mapping,SAM)计算高光谱遥感数据与参考端元光谱之间的光谱夹角;
利用光谱角填图法计算高光谱遥感数据与参考端元光谱之间的光谱夹角,具体公式如下:
式中,X为高光谱遥感数据对应的向量,Y为参考端元光谱对应的向量;Xi为第i波段的影像地表反射率;Yi为第i波段的地面实测参考反射率;n为波段数。
在步骤S1062中,利用光谱信息散度法(Spectral Information Divergence,SID)计算高光谱遥感数据和参考端元光谱之间的光谱信息散度;
具体的,通过以下公式计算高光谱遥感数据的光谱信息散度:
SID(X,Y)=D(X||Y)+D(Y||X) (2)
式中,X为高光谱遥感数据对应的向量,Y为参考端元光谱对应的向量;D(X‖Y)为X关于Y的相对熵;D(Y‖X)为Y关于X的相对熵;p和q分别为X和Y光谱的概率向量p=(p1,p2,...,pn)和q=(q1,q2,...,qn),其中n为波段数。
在步骤S1063中,采用连续统去除法对高光谱遥感数据和参考端元光谱进行处理;
在步骤S1064中,根据光谱特征拟合法(Spectral Feature Fitting,SFF)对高光谱遥感数据的吸收特征参量条件进行约束,基于最小二乘法拟合高光谱遥感数据与参考端元光谱,以获取高光谱遥感数据中每个高光谱遥感数据的拟合值和均方根误差值。
具体的,利用光谱特征拟合法对高光谱遥感数据的吸收特征参量条件进行约束,基于最小二乘法拟合高光谱遥感数据和参考端元光谱。计算公式如下:
式中,X为高光谱遥感数据对应的向量,Y为参考端元光谱对应的向量;Cov(X,Y)为光谱协方差;D(X)和D(Y)分别为高光谱遥感数据和参考端元光谱的方差;f为光谱X与Y之间的相关系数;RMS为均方根误差。
通过公式(5)和(6)计算后,高光谱遥感数据中每个高光谱遥感数据均可以输出一个拟合值和一个均方根误差值,最终可以得到拟合影像和均方根误差影像。
在步骤S1065中,根据高光谱遥感数据中每个高光谱遥感数据的拟合值和均方根误差值获取光谱特征拟合度影像。
具体的,本公开中认为拟合值较高且均方根误差值较小的像元光谱与参考端元光谱较匹配,因此,本公开中将拟合值与均方根误差的比值影像作为光谱特征拟合度影像。
在步骤S1066中,根据光谱夹角、光谱信息散度和光谱特征拟合度影像获取综合光谱相似度(SFF-SAM-SID,SSS)。
具体的,如图3所示,上述步骤S1066包括以下子步骤S10661-S10663:
在步骤S10661中,将光谱角、光谱信息散度和光谱特征拟合度影像归一化到0-1之间并进行组合;
在步骤S10662中,构建光谱匹配组合模型;
在步骤S10663中,根据光谱匹配组合模型和组合结果计算高光谱影像像元光谱与参考端元光谱的综合光谱相似度。
具体的,将光谱角、光谱信息散度和光谱特征拟合度影像归一化到0-1之间并进行组合,构建光谱匹配组合模型,计算高光谱影像像元光谱与参考端元光谱的综合光谱相似度(SFF-SAM-SID,SSS),具体公式如下:
式中,X为高光谱遥感数据对应的向量,Y为参考端元光谱对应的向量。
在步骤S107中,根据阈值分割算法和综合光谱相似度识别目标区域的污染水体范围及水体污染物类型。
具体的,如图4所示,步骤S107包括以下子步骤S1071-S1074:
在步骤S1071中,采用最大类间方差阈值分割算法计算综合光谱相似度的分割阈值;
在步骤S1072中,若综合光谱相似度大于分割阈值,则综合光谱相似度对应的影像像元为污染水体;
在步骤S1073中,根据确定的目标区域的污染水体获取目标区域的污染水体范围;
在步骤S1074中,根据目标区域的污染水体范围和不同类别的污染水体光谱库识别目标区域的水体污染物类型。
采用最大类间方差阈值分割算法计算综合光谱相似度SSS的分割阈值T,判断高光谱遥感数据中的影像像元是否为污染水体并进行污染类型识别。具体为综合光谱相似度大于分割阈值T的影像像元可判定为污染水体,而综合光谱相似度小于分割阈值T的影像像元则作为背景信息滤过,最终可以获得污染水体覆盖范围;在污染水体覆盖范围基础上,结合不同类型的污染水体光谱库,进一步识别城市目标区域污染水体的主要水体污染物类型。
其中,阈值分割算法种类众多,主要包括最大类间方差法(大律法)、决策树法等,本公开并不会对使用的阈值分割方法加以限定。
其中,本公开中,结合多种光谱匹配算法的优势,将光谱角填图、光谱信息散度和波谱特征拟合进行协同组合作为综合光谱相似度,实现不同光谱匹配算法的互补,有效提高城市区域污染水体的识别精度,适用性较高,可以作为一种快速、准确、实时的城市水体污染监测重要手段;并且,本发明中的污染水体识别算法可以实现自动化,节省人力、财力,提取效率较高。
本公开实施例提供一种水体污染信息获取方法,包括:获取目标区域的高光谱遥感数据,并对高光谱遥感数据进行预处理以获取与高光谱遥感数据对应的影像地表反射率;获取目标区域的水体样本的实测光谱数据;根据实测光谱数据获取地面实测参考反射率;获取目标区域的水体样本的水体污染物种类和浓度;根据实测光谱数据和水体污染物种类和浓度构建不同类别的污染水体光谱库;通过多种预设高光谱数据分析方法,根据不同类别的污染水体光谱库获取高光谱遥感数据与参考端元光谱的综合光谱相似度;参考端元光谱为不同类别的污染水体光谱库中的数据;根据阈值分割算法和综合光谱相似度识别目标区域的污染水体范围及水体污染物类型。通过结合多种高光谱数据分析方法,可以实现不同光谱匹配算法的互补,有效提高污染水体的识别精度,适用性较高,可以作为一种快速、准确、实时的城市水体污染监测重要手段。
下面通过具体实施例详细介绍实现过程。
图5是根据一示例性实施例二示出的一种水体污染信息获取方法的流程图,如图5所示,包括以下步骤:
步骤201:高光谱遥感数据获取及预处理。
具体实现与上述步骤S101相似,此处不再赘述。
步骤202:地面水体样本数据获取及处理。
利用地物光谱仪采集城市目标区域理化性质相异的水体样本的实测光谱数据,并对获取的水体样本的实测光谱数据进行预处理,利用Savitzky-Golay卷积平滑法将同一采样点获得的多条光谱曲线进行平滑并取平均值作为该水体样本的最终水体光谱反射率曲线;同时对采集的水体样本进行水质检测,分析确定水体污染物种类和浓度。
步骤203:构建不同类别污染水体光谱库。
将步骤202获得的含有不同污染物的水体样本的实测光谱数据作为标准光谱,根据污染物种类和浓度构建不同类别的污染水体光谱库;
步骤204:进行光谱匹配组合。
将步骤203获得的不同类别污染水体光谱库数据作为参考端元光谱,利用光谱匹配组合技术,建立高光谱遥感数据与参考端元光谱的综合光谱相似度,具体步骤如上述实施例中的S1061-S1066,此处不再赘述。
步骤205:利用OTSU阈值分割识别污染水体范围及污染类型。
采用最大类间方差阈值分割算法计算步骤204获得的综合光谱相似度SSS的分割阈值T,判断影像像元是否为污染水体并进行污染类型识别。具体为综合光谱相似度大于分割阈值T的像元可判定为污染水体,而综合光谱相似度小于分割阈值T的像元则作为背景信息滤过,最终可以获得污染水体覆盖范围;在污染水体覆盖范围基础上,结合不同类型的污染水体光谱库,进一步识别城市目标区域污染水体的主要水体污染物类型。
通过上述方法,可以克服目前常用不同高光谱分析方法在复杂水环境背景下存在的污染水体提取精度不足问题,具体的,通过结合多种光谱匹配算法的优势,将光谱角填图、光谱信息散度和波谱特征拟合进行协同组合作为综合光谱相似度,实现不同光谱匹配算法的互补,有效提高城市区域污染水体的识别精度,适用性较高,可以作为一种快速、准确、实时的城市水体污染监测重要手段;并且,本发明中的污染水体识别算法可以实现自动化,节省人力、财力,提取效率较高。
下述为本公开装置实施例,可以用于执行本公开方法实施例。
图6是根据一示例性实施例示出的一种水体污染信息获取装置的框图,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图6所示,该水体污染信息获取装置包括:
第一获取模块11,用于获取目标区域的高光谱遥感数据,并对所述高光谱遥感数据进行预处理以获取与所述高光谱遥感数据对应的影像地表反射率;
第二获取模块12,用于获取所述目标区域的水体样本的实测光谱数据;
第三获取模块13,用于根据实测光谱数据获取地面实测参考反射率;
第四获取模块14,用于获取所述目标区域的水体样本的水体污染物种类和浓度;
构建模块15,用于根据所述实测光谱数据和所述水体污染物种类和浓度构建不同类别的污染水体光谱库;
第五获取模块16,用于通过多种预设高光谱数据分析方法,根据所述不同类别的污染水体光谱库获取所述高光谱遥感数据与参考端元光谱的综合光谱相似度;所述参考端元光谱为所述不同类别的污染水体光谱库中的数据;
识别模块17,用于根据阈值分割算法和所述综合光谱相似度识别所述目标区域的污染水体范围及水体污染物类型。
在一个实施例中,如图7所示,第一获取模块11,包括:
预处理子模块111,用于对所述高光谱遥感数据进行辐射定标、大气校正和几何校正。
在一个实施例中,如图8所示,第二获取模块12,包括:
第一采集子模块121,用于通过地物光谱仪采集所述目标区域的理化性质相异的所述水体样本的实测光谱数据。
在一个实施例中,如图9所示,第四获取模块14,包括:
第二采集子模块141,用于采集的所述目标区域的水体样本;
分析子模块142,用于对采集的所述目标区域的水体样本进行水质检测,分析确定所述目标区域的水体污染物种类和浓度。
在一个实施例中,如图10所示,第五获取模块16,包括:
第一计算子模块161,用于利用光谱角填图法计算所述高光谱遥感数据与所述参考端元光谱之间的光谱夹角;
第二计算子模块162,用于利用光谱信息散度法计算所述高光谱遥感数据和所述参考端元光谱之间的光谱信息散度;
处理子模块163,用于采用连续统去除法对所述高光谱遥感数据和所述参考端元光谱进行处理;
第一获取子模块164,用于根据光谱特征拟合法对所述高光谱遥感数据的吸收特征参量条件进行约束,基于最小二乘法拟合所述高光谱遥感数据与参考端元光谱,以获取所述高光谱遥感数据中每个高光谱遥感数据的拟合值和均方根误差值;
第二获取子模块165,用于根据所述高光谱遥感数据中每个高光谱遥感数据的拟合值和均方根误差值获取光谱特征拟合度影像;
第三获取子模块166,用于根据所述光谱夹角、所述光谱信息散度和所述光谱特征拟合度影像获取所述综合光谱相似度。
在一个实施例中,如图11所示,第三获取子模块166,包括:
归一子模块1661,用于将所述光谱角、所述光谱信息散度和所述光谱特征拟合度影像归一化到0-1之间并进行组合;
构建子模块1662,用于构建光谱匹配组合模型;
第三计算子模块1663,用于根据所述光谱匹配组合模型和所述组合结果计算所述高光谱影像像元光谱与所述参考端元光谱的综合光谱相似度。
在一个实施例中,如图12所示,识别模块17,包括:
第四计算子模块171,用于采用最大类间方差阈值分割算法计算所述综合光谱相似度的分割阈值;
第一确定子模块172,用于若所述综合光谱相似度大于所述分割阈值,则所述综合光谱相似度对应的影像像元为污染水体;
第四获取子模块173,用于根据确定的所述目标区域的污染水体获取所述目标区域的污染水体范围;
识别子模块174,用于根据所述目标区域的污染水体范围和所述不同类别的污染水体光谱库识别所述目标区域的水体污染物类型。
根据本公开实施例的第三方面,提供一种水体污染信息获取装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,处理器被配置为:
获取目标区域的高光谱遥感数据,并对所述高光谱遥感数据进行预处理以获取与所述高光谱遥感数据对应的影像地表反射率;
获取所述目标区域的水体样本的实测光谱数据;
根据实测光谱数据获取地面实测参考反射率;
获取所述目标区域的水体样本的水体污染物种类和浓度;
根据所述实测光谱数据和所述水体污染物种类和浓度构建不同类别的污染水体光谱库;
通过多种预设高光谱数据分析方法,根据所述不同类别的污染水体光谱库获取所述高光谱遥感数据与参考端元光谱的综合光谱相似度;所述参考端元光谱为所述不同类别的污染水体光谱库中的数据;
根据阈值分割算法和所述综合光谱相似度识别所述目标区域的污染水体范围及水体污染物类型。
上述处理器还可被配置为:
在一个实施例中,所述对所述高光谱遥感数据进行预处理,包括:
对所述高光谱遥感数据进行辐射定标、大气校正和几何校正。
在一个实施例中,所述获取所述目标区域的水体样本的实测光谱数据,包括:
通过地物光谱仪采集所述目标区域的理化性质相异的所述水体样本的实测光谱数据。
在一个实施例中,所述获取所述目标区域的水体样本的水体污染物种类和浓度,包括:
采集的所述目标区域的水体样本;
对采集的所述目标区域的水体样本进行水质检测,分析确定所述目标区域的水体污染物种类和浓度。
在一个实施例中,所述根据所述不同类别的污染水体光谱库获取所述高光谱遥感数据与参考端元光谱的综合光谱相似度,包括:
利用光谱角填图法计算所述高光谱遥感数据与所述参考端元光谱之间的光谱夹角;
利用光谱信息散度法计算所述高光谱遥感数据和所述参考端元光谱之间的光谱信息散度;
采用连续统去除法对所述高光谱遥感数据和所述参考端元光谱进行处理;
根据光谱特征拟合法对所述高光谱遥感数据的吸收特征参量条件进行约束,基于最小二乘法拟合所述高光谱遥感数据与参考端元光谱,以获取所述高光谱遥感数据中每个高光谱遥感数据的拟合值和均方根误差值;
根据所述高光谱遥感数据中每个高光谱遥感数据的拟合值和均方根误差值获取光谱特征拟合度影像;
根据所述光谱夹角、所述光谱信息散度和所述光谱特征拟合度影像获取所述综合光谱相似度。
在一个实施例中,所述根据所述光谱夹角、所述光谱信息散度和所述光谱特征拟合度影像获取所述综合光谱相似度,包括:
将所述光谱角、所述光谱信息散度和所述光谱特征拟合度影像归一化到0-1之间并进行组合;
构建光谱匹配组合模型;
根据所述光谱匹配组合模型和所述组合结果计算所述高光谱影像像元光谱与所述参考端元光谱的综合光谱相似度。
在一个实施例中,所述根据阈值分割算法和所述综合光谱相似度识别所述目标区域的污染水体范围及水体污染类型,包括:
采用最大类间方差阈值分割算法计算所述综合光谱相似度的分割阈值;
若所述综合光谱相似度大于所述分割阈值,则所述综合光谱相似度对应的影像像元为污染水体;
根据确定的所述目标区域的污染水体获取所述目标区域的污染水体范围;
根据所述目标区域的污染水体范围和所述不同类别的污染水体光谱库识别所述目标区域的水体污染物类型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (6)
1.一种水体污染信息获取方法,其特征在于,包括:
获取目标区域的高光谱遥感数据,并对所述高光谱遥感数据进行预处理以获取与所述高光谱遥感数据对应的影像地表反射率;
获取所述目标区域的水体样本的实测光谱数据;
根据实测光谱数据获取地面实测参考反射率;
获取所述目标区域的水体样本的水体污染物种类和浓度;
根据所述实测光谱数据和所述水体污染物种类和浓度构建不同类别的污染水体光谱库;
通过多种预设高光谱数据分析方法,根据所述不同类别的污染水体光谱库获取所述高光谱遥感数据与参考端元光谱的综合光谱相似度;所述参考端元光谱为所述不同类别的污染水体光谱库中的数据;
根据阈值分割算法和所述综合光谱相似度识别所述目标区域的污染水体范围及水体污染物类型;
所述根据所述不同类别的污染水体光谱库获取所述高光谱遥感数据与参考端元光谱的综合光谱相似度,包括:
利用光谱角填图法计算所述高光谱遥感数据与所述参考端元光谱之间的光谱夹角;
利用光谱信息散度法计算所述高光谱遥感数据和所述参考端元光谱之间的光谱信息散度;
采用连续统去除法对所述高光谱遥感数据和所述参考端元光谱进行处理;
根据光谱特征拟合法对所述高光谱遥感数据的吸收特征参量条件进行约束,基于最小二乘法拟合所述高光谱遥感数据与所述参考端元光谱,以获取所述高光谱遥感数据中每个高光谱遥感数据的拟合值和均方根误差值;
根据所述高光谱遥感数据中每个高光谱遥感数据的拟合值和均方根误差值获取光谱特征拟合度影像;
根据所述光谱夹角、所述光谱信息散度和所述光谱特征拟合度影像获取所述综合光谱相似度;
所述根据所述光谱夹角、所述光谱信息散度和所述光谱特征拟合度影像获取所述综合光谱相似度,包括:
将所述光谱夹角、所述光谱信息散度和所述光谱特征拟合度影像归一化到0-1之间并进行组合;
构建光谱匹配组合模型;
根据所述光谱匹配组合模型和组合结果计算高光谱影像像元光谱与所述参考端元光谱的综合光谱相似度;
所述根据阈值分割算法和所述综合光谱相似度识别所述目标区域的污染水体范围及水体污染类型,包括:
采用最大类间方差阈值分割算法计算所述综合光谱相似度的分割阈值;
若所述综合光谱相似度大于所述分割阈值,则所述综合光谱相似度对应的影像像元为污染水体;
根据确定的所述目标区域的污染水体获取所述目标区域的污染水体范围;
根据所述目标区域的污染水体范围和所述不同类别的污染水体光谱库识别所述目标区域的水体污染物类型。
2.根据权利要求1所述的方法,其特征在于,所述对所述高光谱遥感数据进行预处理,包括:
对所述高光谱遥感数据进行辐射定标、大气校正和几何校正。
3.根据权利要求1所述的方法,其特征在于,所述获取所述目标区域的水体样本的实测光谱数据,包括:
通过地物光谱仪采集所述目标区域的理化性质相异的所述水体样本的实测光谱数据。
4.根据权利要求1所述的方法,其特征在于,所述获取所述目标区域的水体样本的水体污染物种类和浓度,包括:
采集的所述目标区域的水体样本;
对采集的所述目标区域的水体样本进行水质检测,分析确定所述目标区域的水体污染物种类和浓度。
5.一种水体污染信息获取装置,其特征在于,包括:
第一获取模块,用于获取目标区域的高光谱遥感数据,并对所述高光谱遥感数据进行预处理以获取与所述高光谱遥感数据对应的影像地表反射率;
第二获取模块,用于获取所述目标区域的水体样本的实测光谱数据;
第三获取模块,用于根据实测光谱数据获取地面实测参考反射率;
第四获取模块,用于获取所述目标区域的水体样本的水体污染物种类和浓度;
构建模块,用于根据所述实测光谱数据和所述水体污染物种类和浓度构建不同类别的污染水体光谱库;
第五获取模块,用于通过多种预设高光谱数据分析方法,根据所述不同类别的污染水体光谱库获取所述高光谱遥感数据与参考端元光谱的综合光谱相似度;所述参考端元光谱为所述不同类别的污染水体光谱库中的数据;
识别模块,用于根据阈值分割算法和所述综合光谱相似度识别所述目标区域的污染水体范围及水体污染物类型;
所述第五获取模块,包括:
第一计算子模块,用于利用光谱角填图法计算所述高光谱遥感数据与所述参考端元光谱之间的光谱夹角;
第二计算子模块,用于利用光谱信息散度法计算所述高光谱遥感数据和所述参考端元光谱之间的光谱信息散度;
处理子模块,用于采用连续统去除法对所述高光谱遥感数据和所述参考端元光谱进行处理;
第一获取子模块,用于根据光谱特征拟合法对所述高光谱遥感数据的吸收特征参量条件进行约束,基于最小二乘法拟合所述高光谱遥感数据与参考端元光谱,以获取所述高光谱遥感数据中每个高光谱遥感数据的拟合值和均方根误差值;
第二获取子模块,用于根据所述高光谱遥感数据中每个高光谱遥感数据的拟合值和均方根误差值获取光谱特征拟合度影像;
第三获取子模块,用于根据所述光谱夹角、所述光谱信息散度和所述光谱特征拟合度影像获取所述综合光谱相似度;
所述第三获取子模块,包括:
归一子模块,用于将所述光谱夹角、所述光谱信息散度和所述光谱特征拟合度影像归一化到0-1之间并进行组合;
构建子模块,用于构建光谱匹配组合模型;
第三计算子模块,用于根据所述光谱匹配组合模型和组合结果计算高光谱影像像元光谱与所述参考端元光谱的综合光谱相似度;
所述识别模块,包括:
第四计算子模块,用于采用最大类间方差阈值分割算法计算所述综合光谱相似度的分割阈值;
第一确定子模块,用于若所述综合光谱相似度大于所述分割阈值,则所述综合光谱相似度对应的影像像元为污染水体;
第四获取子模块,用于根据确定的所述目标区域的污染水体获取所述目标区域的污染水体范围;
识别子模块,用于根据所述目标区域的污染水体范围和所述不同类别的污染水体光谱库识别所述目标区域的水体污染物类型。
6.一种水体污染信息获取装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取目标区域的高光谱遥感数据,并对所述高光谱遥感数据进行预处理以获取与所述高光谱遥感数据对应的影像地表反射率;
获取所述目标区域的水体样本的实测光谱数据;
根据实测光谱数据获取地面实测参考反射率;
获取所述目标区域的水体样本的水体污染物种类和浓度;
根据所述实测光谱数据和所述水体污染物种类和浓度构建不同类别的污染水体光谱库;
通过多种预设高光谱数据分析方法,根据所述不同类别的污染水体光谱库获取所述高光谱遥感数据与参考端元光谱的综合光谱相似度;所述参考端元光谱为所述不同类别的污染水体光谱库中的数据;
根据阈值分割算法和所述综合光谱相似度识别所述目标区域的污染水体范围及水体污染物类型;
所述根据所述不同类别的污染水体光谱库获取所述高光谱遥感数据与参考端元光谱的综合光谱相似度,包括:
利用光谱角填图法计算所述高光谱遥感数据与所述参考端元光谱之间的光谱夹角;
利用光谱信息散度法计算所述高光谱遥感数据和所述参考端元光谱之间的光谱信息散度;
采用连续统去除法对所述高光谱遥感数据和所述参考端元光谱进行处理;
根据光谱特征拟合法对所述高光谱遥感数据的吸收特征参量条件进行约束,基于最小二乘法拟合所述高光谱遥感数据与所述参考端元光谱,以获取所述高光谱遥感数据中每个高光谱遥感数据的拟合值和均方根误差值;
根据所述高光谱遥感数据中每个高光谱遥感数据的拟合值和均方根误差值获取光谱特征拟合度影像;
根据所述光谱夹角、所述光谱信息散度和所述光谱特征拟合度影像获取所述综合光谱相似度;
所述根据所述光谱夹角、所述光谱信息散度和所述光谱特征拟合度影像获取所述综合光谱相似度,包括:
将所述光谱夹角、所述光谱信息散度和所述光谱特征拟合度影像归一化到0-1之间并进行组合;
构建光谱匹配组合模型;
根据所述光谱匹配组合模型和组合结果计算高光谱影像像元光谱与所述参考端元光谱的综合光谱相似度;
所述根据阈值分割算法和所述综合光谱相似度识别所述目标区域的污染水体范围及水体污染类型,包括:
采用最大类间方差阈值分割算法计算所述综合光谱相似度的分割阈值;
若所述综合光谱相似度大于所述分割阈值,则所述综合光谱相似度对应的影像像元为污染水体;
根据确定的所述目标区域的污染水体获取所述目标区域的污染水体范围;
根据所述目标区域的污染水体范围和所述不同类别的污染水体光谱库识别所述目标区域的水体污染物类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527140.0A CN114279982B (zh) | 2021-12-14 | 2021-12-14 | 水体污染信息获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527140.0A CN114279982B (zh) | 2021-12-14 | 2021-12-14 | 水体污染信息获取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114279982A CN114279982A (zh) | 2022-04-05 |
CN114279982B true CN114279982B (zh) | 2023-09-29 |
Family
ID=80872065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111527140.0A Active CN114279982B (zh) | 2021-12-14 | 2021-12-14 | 水体污染信息获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114279982B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114993965B (zh) * | 2022-05-13 | 2023-04-18 | 中煤嘉沣(湖南)环保科技有限责任公司 | 一种污染源自动识别方法以及系统 |
CN115078281B (zh) * | 2022-08-23 | 2022-11-25 | 北京英视睿达科技股份有限公司 | 一种基于图片光谱相似度的水体物质组分检测计算方法 |
CN115144350B (zh) * | 2022-09-06 | 2023-02-17 | 中国科学院地理科学与资源研究所 | 基于高光谱相似像元比对的场地烃类污染判识方法及系统 |
CN117030634B (zh) * | 2023-10-09 | 2023-12-12 | 深圳市盘古环保科技有限公司 | 一种地下水污染快速检测修复方法 |
CN117110217B (zh) * | 2023-10-23 | 2024-01-12 | 安徽农业大学 | 一种立体化水质监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106841035A (zh) * | 2017-01-25 | 2017-06-13 | 成都中信华瑞科技有限公司 | 检测方法及装置 |
CN110672805A (zh) * | 2019-10-08 | 2020-01-10 | 核工业北京地质研究院 | 一种基于航空高光谱数据的水库水质参数定量反演方法 |
CN110865040A (zh) * | 2019-11-29 | 2020-03-06 | 深圳航天智慧城市系统技术研究院有限公司 | 天空地一体化高光谱水质监测分析方法 |
CN110940638A (zh) * | 2019-11-20 | 2020-03-31 | 北京科技大学 | 一种高光谱图像亚像元级水体边界探测方法及探测系统 |
CN111398176A (zh) * | 2020-03-13 | 2020-07-10 | 生态环境部卫星环境应用中心 | 基于像元尺度特征的水体水色异常遥感识别方法和装置 |
CN112766227A (zh) * | 2021-02-04 | 2021-05-07 | 中国地质调查局武汉地质调查中心 | 一种高光谱遥感影像分类方法、装置、设备及存储介质 |
-
2021
- 2021-12-14 CN CN202111527140.0A patent/CN114279982B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106841035A (zh) * | 2017-01-25 | 2017-06-13 | 成都中信华瑞科技有限公司 | 检测方法及装置 |
CN110672805A (zh) * | 2019-10-08 | 2020-01-10 | 核工业北京地质研究院 | 一种基于航空高光谱数据的水库水质参数定量反演方法 |
CN110940638A (zh) * | 2019-11-20 | 2020-03-31 | 北京科技大学 | 一种高光谱图像亚像元级水体边界探测方法及探测系统 |
CN110865040A (zh) * | 2019-11-29 | 2020-03-06 | 深圳航天智慧城市系统技术研究院有限公司 | 天空地一体化高光谱水质监测分析方法 |
CN111398176A (zh) * | 2020-03-13 | 2020-07-10 | 生态环境部卫星环境应用中心 | 基于像元尺度特征的水体水色异常遥感识别方法和装置 |
CN112766227A (zh) * | 2021-02-04 | 2021-05-07 | 中国地质调查局武汉地质调查中心 | 一种高光谱遥感影像分类方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114279982A (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114279982B (zh) | 水体污染信息获取方法及装置 | |
CN112766075B (zh) | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 | |
García‐Haro et al. | A new tool for variable multiple endmember spectral mixture analysis (VMESMA) | |
CN108956505B (zh) | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 | |
CN107239795A (zh) | 基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法 | |
Mundt et al. | Partial unmixing of hyperspectral imagery: theory and methods | |
CN109490306B (zh) | 一种基于色泽和气味数据融合的猪肉新鲜度检测方法 | |
CN111144250B (zh) | 融合雷达和光学遥感数据的土地覆盖分类方法 | |
CN107590816B (zh) | 一种基于遥感图像的水体信息拟合方法 | |
CN113008806B (zh) | 一种农产品产地重金属空间分布确定方法 | |
CN109580497B (zh) | 一种基于奇异性理论的高光谱矿物异常信息提取方法 | |
CN114739919A (zh) | 一种基于光谱反演分析的水质检测方法 | |
CN115235997A (zh) | 一种基于卫星高光谱影像的土壤质地反演方法 | |
CN112577906A (zh) | 城市绿地土壤含水率检测方法 | |
CN110849821B (zh) | 基于贝叶斯定理的黑臭水体遥感识别方法 | |
CN115761038A (zh) | 一种基于图像光谱技术的隧道掌子面地质素描方法及系统 | |
CN113887493B (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
CN114863294A (zh) | 一种适用于微咸水湖泊的水质参数监测方法和装置 | |
CN117710831A (zh) | 一种基于卫星遥感农村黑臭水体监测方法 | |
CN113343783A (zh) | 一种农作物智能识别与长势预测方法及系统 | |
CN112906659A (zh) | 基于虚拟样本的遥感影像变化检测方法 | |
CN113049606A (zh) | 一种大面积高精度绝缘子污秽分布评估方法 | |
CN115825388A (zh) | 一种重金属估算模型的训练方法、估算方法、装置及设备 | |
Ma et al. | Estimating soil heavy metal concentration using hyperspectral data and weighted K-NN method | |
Kerekes et al. | Comparisons between spectral quality metrics and analyst performance in hyperspectral target detection |
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 |