CN114298562B - 水环境监测预警方法、装置、计算机设备、存储介质 - Google Patents
水环境监测预警方法、装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN114298562B CN114298562B CN202111638801.7A CN202111638801A CN114298562B CN 114298562 B CN114298562 B CN 114298562B CN 202111638801 A CN202111638801 A CN 202111638801A CN 114298562 B CN114298562 B CN 114298562B
- Authority
- CN
- China
- Prior art keywords
- water
- image
- early warning
- module
- black
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Image Processing (AREA)
Abstract
本公开涉及一种水环境监测预警方法、装置、计算机设备、存储介质。所述方法包括:获取遥感影像数据;按照预设方式对所述遥感影像数据进行预处理,确定第一影像数据;对所述第一影像数据进行水陆分离处理,确定第二影像数据;根据所述第二影像数据进行第一处理,确定监测结果数据,所述第一处理至少包括水质参数反演、黑臭水体反演中的一种;根据所述监测结果数据和预设阈值,确定预警信息。采用本方法能够达到及时准确地根据水环境遥感影像数据获取关于水质参数、黑臭水的预警信息的目的。
Description
技术领域
本公开涉及生态环境监测技术领域,特别是涉及一种水环境监测预警方法、装置、计算机设备、存储介质。
背景技术
随着水环境监测领域的发展,出现了使用遥感影像进行水环境监测的技术。遥感技术是基于信息技术和遥感技术而兴起的新型科学技术,遥感技术在水环境质量监测方面的应用主要包括水体富氧化监测、水体热污染与废水污染监测及泥沙污染监测等。
在现有的水环境监测技术中,遥感技术只是作为一种监测手段存在,不能及时准确地产生预警信息。
发明内容
基于此,有必要针对上述技术问题,提供一种能够及时准确地产生预警信息的水环境监测方法、装置、计算机设备、计算机可读存储介质。
第一方面,本公开提供了一种水环境监测预警方法。所述方法包括:
获取遥感影像数据;
按照预设方式对所述遥感影像数据进行预处理,确定第一影像数据;
对所述第一影像数据进行水陆分离处理,确定第二影像数据;
根据所述第二影像数据进行第一处理,确定监测结果数据,所述第一处理至少包括水质参数反演、黑臭水体反演中的一种;
根据所述监测结果数据和预设阈值,确定预警信息。
在其中一个实施例中,所述预处理至少包括下述处理中的一种:几何校正、正射校正、图像融合、辐射定标、大气校正、图像裁剪、图像镶嵌、投影转换。
在其中一个实施例中,所述水质参数反演包括:
采用下述预设遥感模型进行所述水质参数反演,反演的水质参数为透明度:
Zsd=A×CTSS B
式中:Zsd为水质参数反演中的透明度参数,单位cm,CTSS为悬浮物浓度,其中,
CTSS=C×(BRed/BGree)D
式中:CTSS为总悬浮物浓度,单位mgL-1;BRed、BGree分别为经过大气校正后的红色和绿色波段地表反射率。
在其中一个实施例中,所述黑臭水体反演包括:使用黑臭水体遥感识别算法,获取黑臭水体的分布信息、污染程度信息。
在其中一个实施例中,所述获取黑臭水体的分布信息、污染程度信息包括:
根据所述第二影像数据,计算水体覆盖范围内的表观污染指数和水体清洁指数;
根据所述水体清洁指数,计算清洁指数均值;
将所述水体清洁指数大于所述清洁指数均值的水体位置确定为疑似黑臭水体地块;
根据所述表观污染指数和预设阈值,确定所述疑似黑臭水体地块中的疑似重度黑臭水体地块、疑似轻度黑臭水体地块;
根据所述疑似重度黑臭水体地块、疑似轻度黑臭水体地块,绘制黑臭水等级分布图。
在其中一个实施例中,所述对所述第一影像数据进行水陆分离处理,确定第二影像数据包括:
基于水指数模型处理所述第一影像数据,确定归一化水指数图像,所述水指数模型包括下述归一化水指数(简称NDWI)计算公式:
NDWI=(BGree-BNIR)/(BGree+BNIR)
其中BGree为绿色波段反射率数据,BNIR为近红外波段反射率数据;
基于二值化算法对归一化水指数图像进行二值化处理,得到水域覆盖信息。
第二方面,本公开还提供了一种水环境监测预警装置。所述装置包括:
数据获取模块,用于获取遥感影像数据;
预处理模块,用于根据预设方法,对所述遥感影像数据进行预处理,确定第一影像数据;
水陆分离模块,用于对所述第一影像数据进行水陆分离处理,确定第二影像数据;
监测结果模块,用于根据所述第二影像数据进行第一处理,确定监测结果数据,所述第一处理至少包括水面积提取、水质参数反演、黑臭水体反演中的一种;
预警信息模块,用于根据所述监测结果数据和预设阈值,确定预警信息。
第三方面,本公开还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取遥感影像数据;
按照预设方式对所述遥感影像数据进行预处理,确定第一影像数据;
对所述第一影像数据进行水陆分离处理,确定第二影像数据;
根据所述第二影像数据进行第一处理,确定监测结果数据,所述第一处理至少包括水质参数反演、黑臭水体反演中的一种;
根据所述监测结果数据和预设阈值,确定预警信息。
第四方面,本公开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,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取遥感影像数据;
按照预设方式对所述遥感影像数据进行预处理,确定第一影像数据;
对所述第一影像数据进行水陆分离处理,确定第二影像数据;
根据所述第二影像数据进行第一处理,确定监测结果数据,所述第一处理至少包括水质参数反演、黑臭水体反演中的一种;
根据所述监测结果数据和预设阈值,确定预警信息。
第五方面,本公开还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取遥感影像数据;
按照预设方式对所述遥感影像数据进行预处理,确定第一影像数据;
对所述第一影像数据进行水陆分离处理,确定第二影像数据;
根据所述第二影像数据进行第一处理,确定监测结果数据,所述第一处理至少包括水质参数反演、黑臭水体反演中的一种;
根据所述监测结果数据和预设阈值,确定预警信息。
上述水环境监测预警方法、装置、计算机设备、存储介质和计算机程序产品,通过预处理、数据反演等操作处理水环境遥感影像数据,得到关于水质参数、黑臭水的监测结果,并根据所述监测结果和预设阈值,确定预警信息,能够达到及时准确地根据水环境遥感影像数据获取关于水质参数、黑臭水的预警信息的目的。
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,并不构成对本公开的不当限定。附图中各模块之间的连接线不用于限制各模块之间的连接关系。
图1为一个实施例中水环境监测预警方法的应用环境图;
图2为一个实施例中水环境监测预警方法的流程示意图;
图3为一个实施例中水环境监测预警方法的流程示意图;
图4为一个实施例中“获取黑臭水体的分布信息、污染程度信息”步骤的流程示意图;
图5为一个实施例中的水环境遥感图;
图6为一个实施例中获得的水域覆盖图;
图7为一个实施例中水环境监测预警装置的结构框图;
图8为另一个实施例中水环境监测预警装置的结构框图;
图9为另一个实施例中水环境监测预警装置的结构框图;
图10为另一个实施例中水环境监测预警装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本公开的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本公开进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本公开,并不用于限定本公开。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
本公开实施例提供的水环境监测预警方法,可以应用于如图1所示的应用环境中。其中,数据存储系统可以存储服务器102需要处理的数据。数据存储系统可以集成在服务器102上,也可以放在云上或其他网络服务器上。服务器102包含数据获取端,所述数据获取端可以获取遥感影像数据。服务器102按照预设方式对所述遥感影像数据进行预处理,确定第一影像数据。服务器102对所述第一影像数据进行水陆分离处理,确定第二影像数据。服务器102根据所述第二影像数据进行数据处理,确定监测结果数据,所述数据处理至少包括水质参数反演、黑臭水体反演中的一种。服务器102根据所述监测结果数据,确定预警信息。其中,服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种水环境监测预警方法,以该方法应用于图1中的应用环境为例进行说明,包括以下步骤:
S202,获取遥感影像数据。
其中,所述遥感影像数据可以包括水环境遥感影像数据。所述遥感影像数据可以是多光谱遥感影像数据或高光谱遥感影像数据。
具体地,所述遥感影像数据可以包括卫星遥感影像数据,可以是飞机遥感影像数据,也可以是通过其他飞行设备获得的遥感影像数据。例如可以是哨兵2号遥感卫星获取的空间分辨率为10米、拍摄周期为5天的遥感影像数据。也可以是高分1号卫星或者高分6号卫星获取的空间分辨率为2米、理论拍摄周期为4天的遥感影像数据。
S204,按照预设方式对所述遥感影像数据进行预处理,确定第一影像数据。
其中,预设方式可以是指能将非标准遥感影像数据处理成标准遥感影像数据的处理方式。
具体地一些实施方式中,可以按照预设方式对所述遥感影像数据进行预处理,将遥感数据处理成标准遥感影像数据,将所述标准遥感影像数据确定为第一影像数据。所述标准遥感影像数据可以是指能够满足遥感影像反演要求的遥感影像数据。所述第一影像数据可以包括多个波段的地表反射率数据,例如红色波段地表反射率数据、绿色波段地表反射率数据和近红外波段地表反射率数据。
S206,对所述第一影像数据进行水陆分离处理,确定第二影像数据。
其中,水陆分离可以是指将遥感影像中的水域和陆地进行分离。
具体地,可以先提取遥感影像中的水域,然后将遥感影像中的水域和陆地使用线条进行隔离。也可以通过着色对遥感影像中的水域和陆地进行区分。所述水体覆盖信息可以包括遥感影像中被水体覆盖的位置信息,也可以包括水体覆盖的相关参数,例如水体覆盖率。所述第二影像数据可以包括所述第一影像数据和所述水体覆盖信息。
S208,根据所述第二影像数据进行第一处理,确定监测结果数据,所述第一处理至少包括水质参数反演、黑臭水体反演中的一种。
具体地,对所述第二影像数据进行水质参数反演和/或黑臭水体反演,确定监测结果数据。当所述第一处理包括水质参数反演时,所述监测结果数据可以包括监测范围内各处水体的透明度数据,所述监测结果数据还可以包括透明度反演图。所述透明度反演图可以是指反映监测范围内水环境的水体透明度情况的图像。当所述第一处理包括黑臭水反演时,所述监测结果可以包括监测范围内各处水体的污染程度数据,所述监测结果还可以包括黑臭水分布图。所述黑臭水分布图可以是指反映监测范围内水环境中黑臭水的污染程度和分布情况的图像。所述第一处理包含的内容可以根据实际需求进行设置,例如可以设置所述第一处理包括水质参数反演和黑臭水体反演,也可以设置所述第一处理只包括水质参数反演、黑臭水体反演中的一种,还可以设置所述第一处理包括其他能够获取水环境监测数据的操作。
S210,根据所述监测结果数据和预设阈值,确定预警信息。
其中,预设阈值可以是指预设的和所述监测结果相对应的阈值。
具体地,所述预警信息可以包括预警等级和具体的预警内容。所述预设阈值用于所述预警等级的划分。根据所述监测结果数据和预设阈值,确定相应的预警信息。例如当所述监测结果数据中包括某处水体的透明度超过某预设阈值时,根据超过的预设阈值确定预警等级,并将相应的透明度超标结果确定为具体的预警信息。当所述监测结果数据中包括某处水体的黑臭水污染指数超过某预设阈值时,根据超过的预设阈值确定预警等级,并将相应的黑臭水污染指数超标结果确定为具体的预警信息。需要说明的是,所述预警信息中还可以包括对比不同时间的监测结果数据得到的预警信息,即可以包括将当前监测结果数据和历史监测结果数据进行对比,得到的预警信息。所述预警信息被确定后,程序将所述预警信息及时准确地推送到相应的预警平台、管理平台或相关责任人,提供水环境及时预警。
上述水环境监测预警方法中,通过预处理、数据反演等操作处理水环境遥感影像数据,得到关于水质参数、黑臭水的监测结果,并根据所述监测结果和预设阈值,确定预警信息,能够达到及时准确地根据水环境遥感影像数据获取关于水质参数、黑臭水的预警信息的目的。
在一个实施例中,所述预处理至少包括下述处理中的一种:几何校正、正射校正、图像融合、辐射定标、大气校正、图像裁剪、图像镶嵌、投影转换。
具体地,所述几何校正可以包括采用自动同名点匹配算法从待校正影像与参考影像上选择同名点,利用多项式模型实现图像几何校正。所述正射校正可以包括对影像同时进行倾斜改正和投影差改正,将影像重采样成正射影像。所述正射校正包括在无控制点情况下自动从参考影像上寻找控制点进行正射校正。所述图像融合可以包括对几何精确配准的全色遥感图像和多光谱遥感图像进行融合处理。所述图像融合方法具体可以是NNDiffuse Pan Sharpening方法(NNDiffuse Pan Sharpening是一种图像融合算法)或者Gram-Schmidt Pan Sharpening方法(Gram-Schmidt Pan Sharpening方法是遥感图像处理平台ENVI提供的图像融合方法的名称,ENVI的英文全称是The Environment forVisualizing Images)。所述辐射定标可以包括将图像的灰度值或亮度值定标为辐射亮度值。所述大气校正可以包括将图像的灰度值或亮度值定标为大气表观反射率。所述图像裁剪可以包括图像批量裁剪。所述图像裁剪可以包括基于一个矢量文件,例如Shp数据格式的矢量文件,批量裁剪对应区域的若干个影像。所述图像镶嵌可以包括基于地理坐标完成图像镶嵌,并且支持自动生成接边线和简单的图像匀色、羽化功能。所述投影转换可以包括进行标准坐标之间的转换。
本实施例中,通过对获取的遥感影像数据进行几何校正、正射校正、图像融合等处理,能够达到将遥感影像数据处理成标准影像数据的目的,有利于根据水环境遥感影像数据及时准确地获取水环境预警信息。
在一个实施例中,所述预处理的过程可以如图3所示。其中DEM模型是指数字高程模型(英文名称为Digital Elevation Model),RPC模型包含有理函数纠正函数,用于将地面点大地坐标与其对应的像点坐标用比值多项式关联起来。
在一个实施例中,所述水质参数反演包括:
采用下述预设遥感模型进行所述水质参数反演,反演的水质参数为透明度:
Zsd=A×CTSS B
式中:Zsd为水质参数反演中的透明度参数,单位cm,CTSS为悬浮物浓度,其中,
CTSS=C×(BRed/BGree)D
式中:CTSS为总悬浮物浓度,单位mgL-1;BRed、BGree分别为经过大气校正后的红色和绿色波段地表反射率。
其中,A、B、C、D均是常数,具体数值可以通过拟合实测数据得到。
具体地,根据第二影像数据中的红色波段地表反射率和绿色波段地表反射率,通过上述公式,计算相应水体的透明度。
本实施例中,通过根据第二影像数据中的红色波段地表反射率和绿色波段地表反射率,反演得到水体透明度信息,有利于达到及时准确地从水环境遥感影像数据中获取水体透明度有关的预警信息的目的。
在一个实施例中,所述黑臭水体反演包括:使用黑臭水体遥感识别算法,获取黑臭水体的分布信息、污染程度信息。
其中,黑臭水体遥感识别算法是指能够从水环境遥感影像中识别出黑臭水影像的算法。
具体地,使用黑臭水体遥感识别算法,获取黑臭水体的分布信息和黑臭水体的污染程度信息。所述黑臭水体的分布信息可以是指黑臭水体在监测水环境中的位置信息。所述黑臭水体的污染程度信息可以是指根据水体污染指数或者清洁指数评价的污染程度信息,例如可以是黑臭水体的污染等级。
本实施例中,通过使用黑臭水体遥感识别算法,获取黑臭水体的分布信息、污染程度信息,有利于达到及时准确地从水环境遥感影像数据中获取与黑臭水有关的预警信息的目的。
在一个实施例中,如图4所示,所述获取黑臭水体的分布信息、污染程度信息包括:
S302,根据所述第二影像数据,计算水体覆盖范围内的表观污染指数和水体清洁指数。
具体地,表观污染指数的英文全称是Sensation Pollution Index,简称为SPI。SPI可以通过下述公式计算:
SPI=24×ln(β×x+10)-60
其中β为水体颜色系数;x为水体光谱反射率与波长围合的面积。β的取值根据水体色彩而定,例如可以设置绿色水体的β为0.21,黄色水体的β为0.40,灰色水体的β为0.42,黑色水体的β为1.0。水体色彩可根据HSV色彩空间确定(HSV是Hue、Saturation和Value的缩写,是由A.R.Smith在1978年根据颜色的直观特性创建的一种颜色空间,也称六角锥体模型)。
水体清洁指数的英文全称是Water Cleanliness Index,也可以被称为波段定量,英文简称是WCI。WCI可以通过下述公式计算:
式中,b1、b2、b3分别为影像第1波段、第2波段、第3波段的反射率;wl1、wl2、wl3分别为第1波段、第2波段、第3波段的中心波长。所述第1波段、第2波段、第3波段指的是全色多光谱相机的谱段号。遥感卫星的全色多光谱相机可以有多个谱段号,例如与高分二号的全色多光谱相机的谱段号1、2、3分别对应的谱段范围可以为0.45~0.90μm、0.45~0.52μm、0.52~0.59μm。
S304,根据所述水体清洁指数,计算清洁指数均值。
具体地,水体遥感影像的每个像素都可以有一个WCI值。可以计算所述第二影像数据中全部水域的像素WCI值的平均值,也可以计算所述第二影像数据中选定水域的像素WCI值的平均值。
S306,将所述水体清洁指数大于所述清洁指数均值的水体位置确定为疑似黑臭水体地块。
具体地,将水体清洁指数大于所述清洁指数均值的水体所在的位置,确定为疑似黑臭水体地块。需要说明的是,也可以根据实际需要设置一个黑臭水阈值,将水体清洁指数大于所述黑臭水阈值的水体所在的位置,确定为疑似黑臭水体地块。
S308,根据所述表观污染指数和预设阈值,确定所述疑似黑臭水体地块中的疑似重度黑臭水体地块、疑似轻度黑臭水体地块。
具体地,统计所述疑似黑臭水地块的SPI均值,将SPI满足SPI>(ave+sig)的疑似黑臭水地块确定为疑似重度黑臭纯水地块(ave为所有地块SPI均值的平均数,sig为所有地块SPI均值的标准差),将SPI满足ave-sig<SPI<ave+sig的疑似黑臭水地块确定为疑似轻度纯水地块。
S310,根据所述疑似重度黑臭水体地块、疑似轻度黑臭水体地块,绘制黑臭水等级分布图。
具体地,可以通过着色的方式在监测范围内的水域分布图上区分出疑似重度黑臭水体地块、疑似轻度黑臭水体地块,得到黑臭水等级分布图。需要说明的是,根据实际需要,也可以利用所述疑似黑臭水地块的SPI值,将疑似黑臭水地块分成多个等级,从而绘制出包含多个等级的黑臭水监测等级结果图。
本实施例中,通过处理所述第二影像数据,得到水体的表观污染指数和水体清洁指数,根据水体清洁指数确定疑似黑臭水体地块,再根据表观污染指数划分所述疑似黑臭水体地块的等级,并绘制黑臭水等级分布图,有利于达到及时准确地从水环境遥感影像数据中获取有关黑臭水的预警信息的目的。
在一个实施例中,所述对所述第一影像数据进行水陆分离处理,确定第二影像数据包括:
基于水指数模型处理所述第一影像数据,确定归一化水指数图像,所述水指数模型包括下述归一化水指数(简称NDWI)计算公式:
NDWI=(BGree-BNIR)/(BGree+BNIR)
其中BGree为绿色波段反射率数据,BNIR为近红外波段反射率数据;
基于二值化算法对归一化水指数图像进行二值化处理,得到水域覆盖信息。
其中,二值化算法是一种能将图像处理成二值图像的算法。
具体地,NDWI的英文全称为Normalized Difference Water Index。使用水指数模型处理所述第一影像数据中的红色波段反射率数据和近红外波段的的反射率数据,得到遥感影像中各处的归一化水指数,例如可以得到遥感影像中各像素对应的归一化水指数。根据归一化水指数,绘制归一化水指数图像。使用二值化算法对所述归一化水指数图像进行二值化处理,得到水域覆盖信息。所述水域覆盖信息可以用于和历史水域覆盖信息进行对比,得到与水域覆盖变化有关的预警信息。所述水域覆盖信息可以包括监测范围内的水域覆盖图。所述二值化算法可以是大津算法。如图5和图6所示,图5是一个监测区域的遥感图片(可以是彩色的)。图6是从图5中提取的水域覆盖图。
本实施例中,通过使用水指数模型处理所述第一影像数据并进行归一化处理,得到水域覆盖信息,有利于达到及时准确地从遥感影像数据中获取与水域覆盖有关的预警信息的目的。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本公开实施例还提供了一种用于实现上述所涉及的水环境监测预警方法的水环境监测预警装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个水环境监测预警装置实施例中的具体限定可以参见上文中对于水环境监测预警方法的限定,在此不再赘述。基于上述所述的表单页面展示方法实施例的描述,本公开还提供表单页面展示装置。所述装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本公开实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参见前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
在一个实施例中,如图7所示,提供了一种水环境监测预警装置600,包括:数据获取模块602、预处理模块604、水陆分离模块606、监测结果模块608和预警信息模块610,其中:
数据获取模块602,用于获取遥感影像数据。
预处理模块604,用于根据预设方法,对所述遥感影像数据进行预处理,确定第一影像数据。
水陆分离模块606,用于对所述第一影像数据进行水陆分离处理,确定第二影像数据。
监测结果模块608,用于根据所述第二影像数据进行第一处理,确定监测结果数据,所述第一处理至少包括水面积提取、水质参数反演、黑臭水体反演中的一种。
预警信息模块610,用于根据所述监测结果数据和预设阈值,确定预警信息。
在一个实施例中,如图8所示,提供了一种水环境监测预警装置700的预处理模块,包括几何校正模块702、正射校正模块704、图像融合模块706、辐射定标模块708、大气校正模块710、图像裁剪模块712、图像镶嵌模块714、投影转换模块716,其中:
几何校正模块702,用于采用自动同名点匹配算法从待校正影像与参考影像上选择同名点,利用多项式模型实现图像几何校正。
正射校正模块704,用于对影像同时进行倾斜改正和投影差改正,将影像重采样成正射影像。
图像融合模块706,用于对几何精确配准的全色遥感图像和多光谱遥感图像进行融合处理。
辐射定标模块708,用于将图像的灰度值或亮度值定标为辐射亮度值。
大气校正模块710,用于将图像的灰度值或亮度值定标为大气表观反射率。
图像裁剪模块712,用于提供图像批量裁剪功能。
图像镶嵌模块714,用于基于地理坐标完成图像镶嵌,并且支持自动生成接边线和简单的图像匀色、羽化功能。
投影转换模块716,用于提供标准坐标之间的转换功能。
在一个实施例中,如图9所示,提供了一种水环境监测预警装置800的预处理模块,包括影像访问模块802、辐射定标模块804、大气校正模块806、几何纠正模块808、图像预处理模块810。图9和图8中的装置有着不同的模块划分,但是可以有相同的预处理效果。
在一个实施例中,所述监测结果模块包括水质参数反演模块,所述水质参数反演模块用于采用下述预设遥感模型进行所述水质参数反演,反演的水质参数为透明度:
Zsd=A×CTSS B
式中:Zsd为水质参数反演中的透明度参数,单位cm,CTSS为悬浮物浓度,其中,
CTSS=C(BRed/BGree)D
式中:CTSS为总悬浮物浓度,单位mgL-1;BRed、BGree分别为经过大气校正后的红色和绿色波段地表反射率。
在一个实施例中,所述监测结果模块包括黑臭水体反演模块,所述黑臭水体反演模块用于使用黑臭水体遥感识别算法,获取黑臭水体的分布信息、污染程度信息。
在一个实施例中,如图10所示,提供了一种水环境监测预警装置900的黑臭水体反演模块,包括指数计算模块902、均值计算模块904、第一水体确定模块906、第二水体确定模块908、绘图模块910,其中:
指数计算模块902,用于根据所述第二影像数据,计算水体覆盖范围内的表观污染指数和水体清洁指数。
均值计算模块904,用于根据所述水体清洁指数,计算清洁指数均值。
第一水体确定模块906,用于将所述水体清洁指数大于所述清洁指数均值的水体位置确定为疑似黑臭水体地块;
第二水体确定模块908,用于根据所述表观污染指数和预设阈值,确定所述疑似黑臭水体地块中的疑似重度黑臭水体地块、疑似轻度黑臭水体地块;
绘图模块910,用于根据所述疑似重度黑臭水体地块、疑似轻度黑臭水体地块,绘制黑臭水等级分布图。
在一个实施例中,水指数图像模块,用于基于水指数模型处理所述第一影像数据,确定归一化水指数图像,所述水指数模型包括下述归一化水指数(简称NDWI)计算公式:
NDWI=(BGree-BNIR)/(BGree+BNIR)
其中BGree为绿色波段反射率数据,BNIR为近红外波段反射率数据;
覆盖信息模块,用于基于二值化算法对归一化水指数图像进行二值化处理,得到水域覆盖信息。
上述水环境监测预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储水环境遥感影像数据及相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种水环境监测预警方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取遥感影像数据;
按照预设方式对所述遥感影像数据进行预处理,确定第一影像数据;
对所述第一影像数据进行水陆分离处理,确定第二影像数据;
根据所述第二影像数据进行第一处理,确定监测结果数据,所述第一处理至少包括水质参数反演、黑臭水体反演中的一种;
根据所述监测结果数据和预设阈值,确定预警信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
按照预设方式对所述遥感影像数据进行预处理,所述预处理至少包括下述处理中的一种:几何校正、正射校正、图像融合、辐射定标、大气校正、图像裁剪、图像镶嵌、投影转换。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用下述预设遥感模型进行所述水质参数反演,反演的水质参数为透明度:
Zsd=A×CTSS B
式中:Zsd为水质参数反演中的透明度参数,单位cm,CTSS为悬浮物浓度,其中,
CTSS=C×(BRed/BGree)D
式中:CTSS为总悬浮物浓度,单位mgL-1;BRed为经过大气校正后的红色波段地表反射率、BGree为经过大气校正后的绿色波段地表反射率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
使用黑臭水体遥感识别算法,获取黑臭水体的分布信息、污染程度信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述第二影像数据,计算水体覆盖范围内的表观污染指数和水体清洁指数;
根据所述水体清洁指数,计算清洁指数均值;
将所述水体清洁指数大于所述清洁指数均值的水体位置确定为疑似黑臭水体地块;
根据所述表观污染指数和预设阈值,确定所述疑似黑臭水体地块中的疑似重度黑臭水体地块、疑似轻度黑臭水体地块;
根据所述疑似重度黑臭水体地块、疑似轻度黑臭水体地块,绘制黑臭水等级分布图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于水指数模型处理所述第一影像数据,确定归一化水指数图像,所述水指数模型包括下述归一化水指数(简称NDWI)计算公式:
NDWI=(BGree-BNIR)/(BGree+BNIR)
其中BGree为绿色波段反射率数据,BNIR为近红外波段反射率数据;
基于二值化算法对归一化水指数图像进行二值化处理,得到水域覆盖信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本公开所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本公开所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本公开所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本公开的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本公开专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本公开构思的前提下,还可以做出若干变形和改进,这些都属于本公开的保护范围。因此,本公开的保护范围应以所附权利要求为准。
Claims (8)
1.一种水环境监测预警方法,其特征在于,所述方法包括:
获取遥感影像数据;
按照预设方式对所述遥感影像数据进行预处理,确定第一影像数据;
基于水指数模型处理所述第一影像数据,确定归一化水指数图像;
对所述归一化水指数图像进行二值化处理,确定水域覆盖信息和第二影像数据;
将所述水域覆盖信息与历史水域覆盖信息进行对比,确定与水域覆盖变化有关的第一预警信息;
根据所述第二影像数据进行第一处理,确定监测结果数据,所述第一处理至少包括水质参数反演、黑臭水体反演中的一种;
根据所述监测结果数据和预设阈值,确定预警等级,并计算所述监测结果数据与所述预设阈值的差值,将所述预警等级和所述差值确定为第二预警信息;
将所述监测结果数据与历史监测结果数据进行对比,得到第三预警信息;
将所述第一预警信息、所述第二预警信息、所述第三预警信息推送到相应的预警平台;
其中,所述水质参数反演包括:
采用下述预设遥感模型进行所述水质参数反演,反演的水质参数为透明度:
Zsd=A×CTSS B
式中:Zsd为水质参数反演中的透明度参数,单位cm,CTSS为悬浮物浓度,CTSS=C×(BRed/BGree)D
式中:A、B、C、D为预先通过拟合实测数据得到的常数,CTSS为总悬浮物浓度,单位mgL-1;BRed、BGree分别为经过大气校正后的红色和绿色波段地表反射率;
所述黑臭水体反演包括:
根据所述第二影像数据,计算水体覆盖范围内的表观污染指数和水体清洁指数;
根据所述水体清洁指数,计算清洁指数均值;
将所述水体清洁指数大于所述清洁指数均值的水体位置确定为疑似黑臭水体地块;
根据所述表观污染指数和预设阈值,确定所述疑似黑臭水体地块中的疑似重度黑臭水体地块、疑似轻度黑臭水体地块;
根据所述疑似重度黑臭水体地块、疑似轻度黑臭水体地块,绘制黑臭水等级分布图。
2.根据权利要求1所述的方法,其特征在于,所述预处理至少包括下述处理中的一种:几何校正、正射校正、图像融合、辐射定标、大气校正、图像裁剪、图像镶嵌、投影转换。
3.根据权利要求1所述的方法,其特征在于,所述水指数模型包括下述归一化水指数计算公式:
NDWI=(BGree-BNIR)/(BGree+BNIR)
其中,NDWI为归一化水指数,BGree为绿色波段反射率数据,BNIR为近红外波段反射率数据。
4.一种水环境监测预警装置,其特征在于,所述装置包括:
数据获取模块,用于获取遥感影像数据;
预处理模块,用于根据预设方法,对所述遥感影像数据进行预处理,确定第一影像数据;
水指数图像模块,用于基于水指数模型处理所述第一影像数据,确定归一化水指数图像;
覆盖信息模块,用于对所述归一化水指数图像进行二值化处理,确定水域覆盖信息和第二影像数据;
水域比对模块,用于将所述水域覆盖信息与历史水域覆盖信息进行对比,确定与水域覆盖变化有关的第一预警信息;
监测结果模块,用于根据所述第二影像数据进行第一处理,确定监测结果数据,所述第一处理至少包括水面积提取、水质参数反演、黑臭水体反演中的一种;
预警信息模块,用于根据所述监测结果数据和预设阈值,确定预警等级,并计算所述监测结果数据与所述预设阈值的差值,将所述预警等级和所述差值确定为第二预警信息;还用于将所述监测结果数据与历史监测结果数据进行对比,得到第三预警信息,并将所述第一预警信息、所述第二预警信息、所述第三预警信息推送到相应的预警平台;
其中,所述监测结果模块包括水质参数反演模块,所述水质参数反演模块用于采用下述预设遥感模型进行所述水质参数反演,反演的水质参数为透明度:
Zsd=A×CTSS B
式中:Zsd为水质参数反演中的透明度参数,单位cm,CTSS为悬浮物浓度,其中,
CTSS=C(BRed/BGree)D
式中:A、B、C、D为预先通过拟合实测数据得到的常数,CTSS为总悬浮物浓度,单位mgL-1;BRed、BGree分别为经过大气校正后的红色和绿色波段地表反射率;
所述监测结果模块包括黑臭水体反演模块,所述黑臭水体反演模块包括以下各模块:
指数计算模块,用于根据所述第二影像数据,计算水体覆盖范围内的表观污染指数和水体清洁指数;
均值计算模块,用于根据所述水体清洁指数,计算清洁指数均值;
第一水体确定模块,用于将所述水体清洁指数大于所述清洁指数均值的水体位置确定为疑似黑臭水体地块;
第二水体确定模块,用于根据所述表观污染指数和预设阈值,确定所述疑似黑臭水体地块中的疑似重度黑臭水体地块、疑似轻度黑臭水体地块;
绘图模块,用于根据所述疑似重度黑臭水体地块、疑似轻度黑臭水体地块,绘制黑臭水等级分布图。
5.根据权利要求4所述的装置,其特征在于,所述预处理模块包括:
几何校正模块,用于采用自动同名点匹配算法从待校正影像与参考影像上选择同名点,利用多项式模型实现图像几何校正;
正射校正模块,用于对影像同时进行倾斜改正和投影差改正,将影像重采样成正射影像;
图像融合模块,用于对几何精确配准的全色遥感图像和多光谱遥感图像进行融合处理;
辐射定标模块,用于将图像的灰度值或亮度值定标为辐射亮度值;
大气校正模块,用于将图像的灰度值或亮度值定标为大气表观反射率;
图像裁剪模块,用于提供图像批量裁剪功能;
图像镶嵌模块,用于基于地理坐标完成图像镶嵌,并且支持自动生成接边线和简单的图像匀色、羽化功能;
投影转换模块,用于提供标准坐标之间的转换功能。
6.根据权利要求4所述的装置,其特征在于,所述水指数图像模块用于基于水指数模型处理所述第一影像数据,确定归一化水指数图像,所述水指数模型包括下述归一化水指数计算公式:
NDWI=(BGree-BNIR)/(BGree+BNIR)
其中,NDWI为归一化水指数,BGree为绿色波段反射率数据,BNIR为近红外波段反射率数据。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述的方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111638801.7A CN114298562B (zh) | 2021-12-29 | 2021-12-29 | 水环境监测预警方法、装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111638801.7A CN114298562B (zh) | 2021-12-29 | 2021-12-29 | 水环境监测预警方法、装置、计算机设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114298562A CN114298562A (zh) | 2022-04-08 |
CN114298562B true CN114298562B (zh) | 2023-07-11 |
Family
ID=80972263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111638801.7A Active CN114298562B (zh) | 2021-12-29 | 2021-12-29 | 水环境监测预警方法、装置、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298562B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612069B (zh) * | 2023-04-07 | 2024-08-06 | 中国铁塔股份有限公司黑龙江省分公司 | 基于光谱和热红外图像的水污染监测方法、系统及设备 |
CN117422654B (zh) * | 2023-10-23 | 2024-06-14 | 武汉珈和科技有限公司 | 遥感影像匀色方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390277A (zh) * | 2019-07-04 | 2019-10-29 | 中科卫星应用德清研究院 | 复杂下垫面水体识别方法及黑臭水体预测方法 |
CN112766075A (zh) * | 2020-12-31 | 2021-05-07 | 中国冶金地质总局矿产资源研究院 | 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 |
CN113255961A (zh) * | 2021-04-16 | 2021-08-13 | 长江水利委员会长江科学院 | 基于时序多源光谱遥感数据的湖泊水环境监测站点优化布局方法 |
CN113487574A (zh) * | 2021-07-12 | 2021-10-08 | 南京中科智慧应急研究院有限公司 | 多源遥感大数据协同的资源管理与环境监测方法及应用 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107167431B (zh) * | 2017-05-26 | 2019-07-05 | 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 |
CN110688909A (zh) * | 2019-09-05 | 2020-01-14 | 南京有春科技有限公司 | 城市黑臭水体的识别方法、装置、设备以及存储介质 |
CN111380836B (zh) * | 2020-03-04 | 2024-08-16 | 平安国际智慧城市科技股份有限公司 | 基于遥感影像的黑臭水定位方法、装置及其相关设备 |
CN111693522B (zh) * | 2020-05-29 | 2021-11-02 | 苏州科技大学 | 一种城市水体污染程度线上表征方法 |
CN113433075B (zh) * | 2021-05-08 | 2022-06-14 | 中科海慧(天津)科技有限公司 | 一种简单的黑臭水体遥感快速监测方法 |
-
2021
- 2021-12-29 CN CN202111638801.7A patent/CN114298562B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390277A (zh) * | 2019-07-04 | 2019-10-29 | 中科卫星应用德清研究院 | 复杂下垫面水体识别方法及黑臭水体预测方法 |
CN112766075A (zh) * | 2020-12-31 | 2021-05-07 | 中国冶金地质总局矿产资源研究院 | 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 |
CN113255961A (zh) * | 2021-04-16 | 2021-08-13 | 长江水利委员会长江科学院 | 基于时序多源光谱遥感数据的湖泊水环境监测站点优化布局方法 |
CN113487574A (zh) * | 2021-07-12 | 2021-10-08 | 南京中科智慧应急研究院有限公司 | 多源遥感大数据协同的资源管理与环境监测方法及应用 |
Non-Patent Citations (1)
Title |
---|
基于高分二号卫星融合数据的城镇黑臭水体遥感监测研究;靳海霞;潘健;;国土资源科技管理(第04期);第111-121页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114298562A (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114298562B (zh) | 水环境监测预警方法、装置、计算机设备、存储介质 | |
Müller et al. | Super-resolution of multispectral satellite images using convolutional neural networks | |
US8594375B1 (en) | Advanced cloud cover assessment | |
Sirguey et al. | Improving MODIS spatial resolution for snow mapping using wavelet fusion and ARSIS concept | |
CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
Fearns et al. | Shallow water substrate mapping using hyperspectral remote sensing | |
CN111814771B (zh) | 图像处理的方法及装置 | |
CN102750701B (zh) | 针对Landsat TM和ETM图像的厚云及其阴影检测方法 | |
CN110100262B (zh) | 用于从图像移除云的图像处理设备、方法和存储介质 | |
CN107688776B (zh) | 一种城市水体提取方法 | |
CN113176211B (zh) | 一种基于hsv颜色空间模型变换的日间云检测方法 | |
CN113744249B (zh) | 一种海洋生态环境损害调查方法 | |
CN111339989A (zh) | 一种水体提取方法、装置、设备及存储介质 | |
CN114563378A (zh) | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 | |
CN114005024A (zh) | 一种基于多来源多时相数据融合的海草床识别方法 | |
CN117745754B (zh) | 一种蓝藻水华自动化监测方法和系统 | |
Li et al. | Extraction of Bohai Sea ice from MODIS data based on multi-constraint endmembers and linear spectral unmixing | |
CN115410074B (zh) | 遥感影像云检测方法及装置 | |
CN116385894A (zh) | 基于遥感图像的海岸线识别方法、装置以及设备 | |
CN113657275B (zh) | 一种林草火点自动检测方法 | |
Viana et al. | Shoreline extraction using unsupervised classification on Sentinel-2 imagery | |
Hessel et al. | Relative radiometric normalization using several automatically chosen reference images for multi-sensor, multi-temporal series | |
Fasbender et al. | Bayesian data fusion: Spatial and temporal applications | |
Mao et al. | A layer removal scheme for atmospheric correction of satellite ocean color data in coastal regions | |
Fu et al. | Impacts of feature selection for urban impervious surface extraction using optical image and SAR data |
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 |