CN114397277A - 一种无人机水体叶绿素遥感探测系统 - Google Patents

一种无人机水体叶绿素遥感探测系统 Download PDF

Info

Publication number
CN114397277A
CN114397277A CN202210168344.8A CN202210168344A CN114397277A CN 114397277 A CN114397277 A CN 114397277A CN 202210168344 A CN202210168344 A CN 202210168344A CN 114397277 A CN114397277 A CN 114397277A
Authority
CN
China
Prior art keywords
water body
chlorophyll
image
aerial vehicle
unmanned aerial
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.)
Withdrawn
Application number
CN202210168344.8A
Other languages
English (en)
Inventor
刘鸿飞
刘罡
贺文丰
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.)
Optosky Xiamen Optoelectronic Co ltd
Original Assignee
Optosky Xiamen Optoelectronic Co ltd
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 Optosky Xiamen Optoelectronic Co ltd filed Critical Optosky Xiamen Optoelectronic Co ltd
Priority to CN202210168344.8A priority Critical patent/CN114397277A/zh
Publication of CN114397277A publication Critical patent/CN114397277A/zh
Withdrawn legal-status Critical Current

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
    • G01N21/55—Specular reflectivity
    • 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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • 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
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及水质探测技术领域，具体为一种无人机水体叶绿素遥感探测系统，包括以下探测步骤：S1，水体数据采集：(1)无人机高光谱影像采集；a、无人机端设置；b、相机端设置；c、标准反射率白板；(2)白板反射率测量；(3)实测样本采集；S2，数据处理：(1)高光谱影像处理；(2)实测样本参数定量测定及光谱采集；S3，结果分析；通过结合无人机和高光谱系统优势，获取大范围水体的高光谱数据，利用高分辨率的光谱特征，匹配不同水体中叶绿素响应的特征波段，能够有效提高大范围水体叶绿素分布范围和浓度的探测精度，提高水体污染治理的可靠性。

Description

一种无人机水体叶绿素遥感探测系统
技术领域
本发明涉及水质探测技术领域，具体为一种无人机水体叶绿素遥感探测系统。
背景技术
水体的叶绿素含量反映了水质情况，高效、准确地实现水体中的叶绿素分布范围和浓度的反演，对于水质治理具有重要意义，现有的水体叶绿素遥感探测方法主要为无人机多光谱系统。随着行业级无人机的发展，利用无人机在高空巡航和遥控地面端人工识别的的手段，可以克服传统的人工踏勘费时费力以及在大范围水体人工遗漏检测的弊端。进一步，利用多光谱系统，能够识别水体中叶绿素的部分光学特征，有针对性的的实现水体中叶绿素分布范围和浓度的反演。然而，由于不同区域水体环境复杂多样，例如水体的浑浊度、氮磷钾等物质含量的不同，导致多光谱系统反演的水体叶绿素含量精度较低。
目前的无人机多光谱水体叶绿素探测系统，采用较低数量的光波长通道(10-30个)，对大范围湖泊、江河等的水体叶绿素分布范围和浓度进行反演和监测。此方式由于光波长通道数量少，水体叶绿素的光学反射特征在不同水体环境下的差异较小，导致水体叶绿素反演精度较低，因此需要一种无人机水体叶绿素遥感探测系统对上述问题做出改善。
发明内容
本发明的目的在于提供一种无人机水体叶绿素遥感探测系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种无人机水体叶绿素遥感探测系统，包括以下探测步骤：
S1，水体数据采集：
(1)无人机高光谱影像采集；a、无人机端设置；b、相机端设置；c、标准反射率白板；
(2)白板反射率测量；
(3)实测样本采集；
S2，数据处理：
(1)高光谱影像处理：a、波长定标；b、影像裁剪；c、配准拼接；c、辐射校正；d、光谱滤波(平滑)；
(2)实测样本参数定量测定及光谱采集：a、水体叶绿素定量测定；b、水体光谱采集；c、训练样本和验证样本划分；d、估算模型构建；e、影像反演解算；
S3，结果分析。
作为本发明优选的方案，所述无人机端设置：组装无人机高光谱设备，设置航高、航速，根据相机参数和影像重叠度需求设置影像航线间距；
所述相机端设置：根据航高航速设置相机帧率，根据白板测量值设置积分时间(曝光时间)；
所述标准反射率白板：在航线水域旁摆放标准反射率白板，采集影像时需拍摄到白板。
作为本发明优选的方案，所述白板反射率测量：在无人机飞行采集影像时，需同步用地物光谱仪测量自然光的的反射率曲线，后期用于计算影像反射率(精确值)，需要指出的是，标准反射率白板实际上是有确定的反射率(出厂值)，但各个波段的反射率值存在一定偏差，利用该方法能够获得精确的影像反射率结果。
作为本发明优选的方案，所述实测样本采集：在无人机采集影像后，在测区内选取几处水体作为样本采集对象，密封保存并对位置进行编号，编号与影像GPS定位位置编号对应，之后立刻送往实验室，进行水体光谱测量和水体叶绿素的定量测量。
作为本发明优选的方案，所述波长定标：采集的原始影像没有波长信息，需要添加波长定标文件；
所述影像裁剪：高光谱采用推扫式成像，需要对采集的测区影像进行裁剪；
所述配准拼接：对裁剪后的测区影像进行地理配准或相对配准，之后对配准后的影像拼接成完整影像；
所述辐射校正：原始影像中的值代表反射强度，需要利用白板反射值和标准反射率进行校正，计算整个影像的反射率；
所述光谱滤波(平滑)：原始影像中的光谱信息存在一定的噪声，在应用之前需要进行光谱滤波。
作为本发明优选的方案，所述水体叶绿素定量测定：根据实际反演需求，对水体叶绿素浓度进行定量测量，利用分光光度法反演样本水体的叶绿素浓度；
所述水体光谱采集：为确保估算模型构建的可靠性，对样本水体的光谱和参数测量的一个基本要求是保持同时进行，以保证水体光谱信息和参数含量匹配，因此，在测量水体叶绿素含量的同时利用地物光谱仪测量水体的光谱信息，此外，为保证每个样本水体的叶绿素含量和光谱信息对应，需要对水体光谱测量值进行编号，同时保证与GPS定位编号对应；
所述训练样本和验证样本划分：将实测的水体光谱信息和相应叶绿素浓度分为两类：一类标记为训练样本，用于构建反演模型；另一部分标记为验证样本，用于检验反演结果的精度，训练样本和验证样本的比例通常为70％和30％。
所述估算模型构建包括特征波段选择、建模特征和反演模型；
所述特征波段选择：不同的水体叶绿素浓度在不同波段的响应程度不同，因此需要确定反演参数相应的特征波段；
所述建模特征：通过组合多个波段光谱信息以及结合相应的代数方法建立反演模型的变量，可以一定程度上提高参数反演模型的准确性，变量的构建主要有两步：一是研究水体叶绿素浓度与单波段之间的相关性；二是建立波段之间不同的组合形式，然后与实测水体叶绿素浓度进行相关性分析，寻找相关性高的波段组合方式；
所述反演模型：利用偏最小二乘回归方法作为反演模型的基础算法，构建反演模型；
所述影像反演解算：利用构建的反演模型对影像进行解算，将研究区域影像按建模特征的变量计算方法进行计算，把整个研究区域影像计算为反演的变量，之后代入模型进行解算，解算结果即为水体叶绿素浓度反演结果。
作为本发明优选的方案，所述结果分析：模型精度检验可以根据均方跟误差(RootMean Square Error,RMSE)和相关系数(r)两个指标来进行分析；
Figure BDA0003517532920000041
Figure BDA0003517532920000042
式中，n为样本数，为样本Si的实验室测定值，
Figure BDA0003517532920000043
为所有验证样本的平均值；Yi为利用模型预测值，
Figure BDA0003517532920000044
为所有对应验证样本的预测值的平均值；RMSE值越小，R相关系数值越大，说明模型精度越高。
与现有技术相比，本发明的有益效果是：
本发明中，通过结合无人机和高光谱系统优势，获取大范围水体的高光谱数据，利用高分辨率的光谱特征，匹配不同水体中叶绿素响应的特征波段，能够有效提高大范围水体叶绿素分布范围和浓度的探测精度，提高水体污染治理的可靠性。
附图说明
图1为本发明的无人机水体叶绿素遥感探测系统流程图；
图2为本发明的无人机高光谱水体叶绿素定量反演流程图。
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。
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述,附图中给出了本发明的若干实施例,但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明提供一种技术方案：
请参阅图1-2所示的一种无人机水体叶绿素遥感探测系统，包括以下探测步骤：
S1，水体数据采集：
(1)无人机高光谱影像采集；a、无人机端设置；b、相机端设置；c、标准反射率白板；
(2)白板反射率测量；
(3)实测样本采集；
S2，数据处理：
(1)高光谱影像处理：a、波长定标；b、影像裁剪；c、配准拼接；c、辐射校正；d、光谱滤波(平滑)；
(2)实测样本参数定量测定及光谱采集：a、水体叶绿素定量测定；b、水体光谱采集；c、训练样本和验证样本划分；d、估算模型构建；e、影像反演解算；
S3，结果分析。
无人机端设置：组装无人机高光谱设备，设置航高、航速，根据相机参数和影像重叠度需求设置影像航线间距；
相机端设置：根据航高航速设置相机帧率，根据白板测量值设置积分时间(曝光时间)；
标准反射率白板：在航线水域旁摆放标准反射率白板，采集影像时需拍摄到白板。
白板反射率测量：在无人机飞行采集影像时，需同步用地物光谱仪测量自然光的的反射率曲线，后期用于计算影像反射率(精确值)，需要指出的是，标准反射率白板实际上是有确定的反射率(出厂值)，但各个波段的反射率值存在一定偏差，利用该方法能够获得精确的影像反射率结果。
实测样本采集：在无人机采集影像后，在测区内选取几处水体作为样本采集对象，密封保存并对位置进行编号，编号与影像GPS定位位置编号对应，之后立刻送往实验室，进行水体光谱测量和水体叶绿素的定量测量。
波长定标：采集的原始影像没有波长信息，需要添加波长定标文件；
影像裁剪：高光谱采用推扫式成像，需要对采集的测区影像进行裁剪；
配准拼接：对裁剪后的测区影像进行地理配准或相对配准，之后对配准后的影像拼接成完整影像；
辐射校正：原始影像中的值代表反射强度，需要利用白板反射值和标准反射率进行校正，计算整个影像的反射率；
光谱滤波(平滑)：原始影像中的光谱信息存在一定的噪声，在应用之前需要进行光谱滤波。
水体叶绿素定量测定：根据实际反演需求，对水体叶绿素浓度进行定量测量，利用分光光度法反演样本水体的叶绿素浓度；
水体光谱采集：为确保估算模型构建的可靠性，对样本水体的光谱和参数测量的一个基本要求是保持同时进行，以保证水体光谱信息和参数含量匹配，因此，在测量水体叶绿素含量的同时利用地物光谱仪测量水体的光谱信息，此外，为保证每个样本水体的叶绿素含量和光谱信息对应，需要对水体光谱测量值进行编号，同时保证与GPS定位编号对应；
训练样本和验证样本划分：将实测的水体光谱信息和相应叶绿素浓度分为两类：一类标记为训练样本，用于构建反演模型；另一部分标记为验证样本，用于检验反演结果的精度，训练样本和验证样本的比例通常为70％和30％。
估算模型构建包括特征波段选择、建模特征和反演模型；
特征波段选择：不同的水体叶绿素浓度在不同波段的响应程度不同，因此需要确定反演参数相应的特征波段；
建模特征：通过组合多个波段光谱信息以及结合相应的代数方法建立反演模型的变量，可以一定程度上提高参数反演模型的准确性，变量的构建主要有两步：一是研究水体叶绿素浓度与单波段之间的相关性；二是建立波段之间不同的组合形式，然后与实测水体叶绿素浓度进行相关性分析，寻找相关性高的波段组合方式；
反演模型：利用偏最小二乘回归方法作为反演模型的基础算法，构建反演模型；
影像反演解算：利用构建的反演模型对影像进行解算，将研究区域影像按建模特征的变量计算方法进行计算，把整个研究区域影像计算为反演的变量，之后代入模型进行解算，解算结果即为水体叶绿素浓度反演结果。
结果分析：模型精度检验可以根据均方跟误差(Root Mean Square Error,RMSE)和相关系数(r)两个指标来进行分析；
Figure BDA0003517532920000081
Figure BDA0003517532920000082
式中，n为样本数，为样本Si的实验室测定值，
Figure BDA0003517532920000083
为所有验证样本的平均值；Yi为利用模型预测值，
Figure BDA0003517532920000084
为所有对应验证样本的预测值的平均值；RMSE值越小，R相关系数值越大，说明模型精度越高。
实施例：水体数据采集：
无人机高光谱影像采集：无人机端设置：组装无人机高光谱设备，设置航高、航速，根据相机参数和影像重叠度需求设置影像航线间距；
相机端设置：根据航高航速设置相机帧率，根据白板测量值设置积分时间(曝光时间)；
标准反射率白板：在航线水域旁摆放标准反射率白板，采集影像时需拍摄到白板；
白板反射率测量：在无人机飞行采集影像时，需同步用地物光谱仪测量自然光的的反射率曲线，后期用于计算影像反射率(精确值)，需要指出的是，标准反射率白板实际上是有确定的反射率(出厂值)，但各个波段的反射率值存在一定偏差，利用该方法能够获得精确的影像反射率结果；
实测样本采集：在无人机采集影像后，在测区内选取几处水体作为样本采集对象，密封保存并对位置进行编号，编号与影像GPS定位位置编号对应，之后立刻送往实验室，进行水体光谱测量和水体叶绿素的定量测量；
数据处理：
高光谱影像处理：波长定标：采集的原始影像没有波长信息，需要添加波长定标文件；
影像裁剪：高光谱采用推扫式成像，需要对采集的测区影像进行裁剪；
配准拼接：对裁剪后的测区影像进行地理配准或相对配准，之后对配准后的影像拼接成完整影像；
辐射校正：原始影像中的值代表反射强度，需要利用白板反射值和标准反射率进行校正，计算整个影像的反射率；
光谱滤波(平滑)：原始影像中的光谱信息存在一定的噪声，在应用之前需要进行光谱滤波；
实测样本参数定量测定及光谱采集：
水体叶绿素定量测定：根据实际反演需求，对水体叶绿素浓度进行定量测量，利用分光光度法反演样本水体的叶绿素浓度；
水体光谱采集：为确保估算模型构建的可靠性，对样本水体的光谱和参数测量的一个基本要求是保持同时进行，以保证水体光谱信息和参数含量匹配，因此，在测量水体叶绿素含量的同时利用地物光谱仪测量水体的光谱信息，此外，为保证每个样本水体的叶绿素含量和光谱信息对应，需要对水体光谱测量值进行编号，同时保证与GPS定位编号对应；
训练样本和验证样本划分：将实测的水体光谱信息和相应叶绿素浓度分为两类：一类标记为训练样本，用于构建反演模型；另一部分标记为验证样本，用于检验反演结果的精度，训练样本和验证样本的比例通常为70％和30％。
估算模型构建：
特征波段选择：不同的水体叶绿素浓度在不同波段的响应程度不同，因此需要确定反演参数相应的特征波段；
建模特征：通过组合多个波段光谱信息以及结合相应的代数方法建立反演模型的变量，可以一定程度上提高参数反演模型的准确性，变量的构建主要有两步：一是研究水体叶绿素浓度与单波段之间的相关性；二是建立波段之间不同的组合形式，然后与实测水体叶绿素浓度进行相关性分析，寻找相关性高的波段组合方式；
反演模型：利用偏最小二乘回归方法作为反演模型的基础算法，构建反演模型；
影像反演解算：利用构建的反演模型对影像进行解算，将研究区域影像按建模特征的变量计算方法进行计算，把整个研究区域影像计算为反演的变量，之后代入模型进行解算，解算结果即为水体叶绿素浓度反演结果；
结果分析：模型精度检验可以根据均方跟误差(Root Mean Square Error,RMSE)和相关系数(r)两个指标来进行分析；
Figure BDA0003517532920000111
Figure BDA0003517532920000112
式中，n为样本数，为样本Si的实验室测定值，
Figure BDA0003517532920000113
为所有验证样本的平均值；Yi为利用模型预测值，
Figure BDA0003517532920000114
为所有对应验证样本的预测值的平均值；RMSE值越小，R相关系数值越大，说明模型精度越高。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种无人机水体叶绿素遥感探测系统，包括以下探测步骤：
S1，水体数据采集：
(1)无人机高光谱影像采集；a、无人机端设置；b、相机端设置；c、标准反射率白板；
(2)白板反射率测量；
(3)实测样本采集；
S2，数据处理：
(1)高光谱影像处理：a、波长定标；b、影像裁剪；c、配准拼接；c、辐射校正；d、光谱滤波(平滑)；
(2)实测样本参数定量测定及光谱采集：a、水体叶绿素定量测定；b、水体光谱采集；c、训练样本和验证样本划分；d、估算模型构建；e、影像反演解算；
S3，结果分析。
2.根据权利要求1所述的一种无人机水体叶绿素遥感探测系统，其特征在于：所述无人机端设置：组装无人机高光谱设备，设置航高、航速，根据相机参数和影像重叠度需求设置影像航线间距；
所述相机端设置：根据航高航速设置相机帧率，根据白板测量值设置积分时间(曝光时间)；
所述标准反射率白板：在航线水域旁摆放标准反射率白板，采集影像时需拍摄到白板。
3.根据权利要求1所述的一种无人机水体叶绿素遥感探测系统，其特征在于：所述白板反射率测量：在无人机飞行采集影像时，需同步用地物光谱仪测量自然光的的反射率曲线，后期用于计算影像反射率(精确值)，需要指出的是，标准反射率白板实际上是有确定的反射率(出厂值)，但各个波段的反射率值存在一定偏差，利用该方法能够获得精确的影像反射率结果。
4.根据权利要求1所述的一种无人机水体叶绿素遥感探测系统，其特征在于：所述实测样本采集：在无人机采集影像后，在测区内选取几处水体作为样本采集对象，密封保存并对位置进行编号，编号与影像GPS定位位置编号对应，之后立刻送往实验室，进行水体光谱测量和水体叶绿素的定量测量。
5.根据权利要求1所述的一种无人机水体叶绿素遥感探测系统，其特征在于：所述波长定标：采集的原始影像没有波长信息，需要添加波长定标文件；
所述影像裁剪：高光谱采用推扫式成像，需要对采集的测区影像进行裁剪；
所述配准拼接：对裁剪后的测区影像进行地理配准或相对配准，之后对配准后的影像拼接成完整影像；
所述辐射校正：原始影像中的值代表反射强度，需要利用白板反射值和标准反射率进行校正，计算整个影像的反射率；
所述光谱滤波(平滑)：原始影像中的光谱信息存在一定的噪声，在应用之前需要进行光谱滤波。
6.根据权利要求1所述的一种无人机水体叶绿素遥感探测系统，其特征在于：所述水体叶绿素定量测定：根据实际反演需求，对水体叶绿素浓度进行定量测量，利用分光光度法反演样本水体的叶绿素浓度；
所述水体光谱采集：为确保估算模型构建的可靠性，对样本水体的光谱和参数测量的一个基本要求是保持同时进行，以保证水体光谱信息和参数含量匹配，因此，在测量水体叶绿素含量的同时利用地物光谱仪测量水体的光谱信息，此外，为保证每个样本水体的叶绿素含量和光谱信息对应，需要对水体光谱测量值进行编号，同时保证与GPS定位编号对应；
所述训练样本和验证样本划分：将实测的水体光谱信息和相应叶绿素浓度分为两类：一类标记为训练样本，用于构建反演模型；另一部分标记为验证样本，用于检验反演结果的精度，训练样本和验证样本的比例通常为70％和30％。
所述估算模型构建包括特征波段选择、建模特征和反演模型；
所述特征波段选择：不同的水体叶绿素浓度在不同波段的响应程度不同，因此需要确定反演参数相应的特征波段；
所述建模特征：通过组合多个波段光谱信息以及结合相应的代数方法建立反演模型的变量，可以一定程度上提高参数反演模型的准确性，变量的构建主要有两步：一是研究水体叶绿素浓度与单波段之间的相关性；二是建立波段之间不同的组合形式，然后与实测水体叶绿素浓度进行相关性分析，寻找相关性高的波段组合方式；
所述反演模型：利用偏最小二乘回归方法作为反演模型的基础算法，构建反演模型；
所述影像反演解算：利用构建的反演模型对影像进行解算，将研究区域影像按建模特征的变量计算方法进行计算，把整个研究区域影像计算为反演的变量，之后代入模型进行解算，解算结果即为水体叶绿素浓度反演结果。
7.根据权利要求1所述的一种无人机水体叶绿素遥感探测系统，其特征在于：所述结果分析：模型精度检验可以根据均方跟误差(Root Mean Square Error,RMSE)和相关系数(r)两个指标来进行分析；
Figure FDA0003517532910000031
Figure FDA0003517532910000032
式中，n为样本数，为样本Si的实验室测定值，
Figure FDA0003517532910000033
为所有验证样本的平均值；Yi为利用模型预测值，
Figure FDA0003517532910000041
为所有对应验证样本的预测值的平均值；RMSE值越小，R相关系数值越大，说明模型精度越高。
CN202210168344.8A 2022-02-23 2022-02-23 一种无人机水体叶绿素遥感探测系统 Withdrawn CN114397277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210168344.8A CN114397277A (zh) 2022-02-23 2022-02-23 一种无人机水体叶绿素遥感探测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210168344.8A CN114397277A (zh) 2022-02-23 2022-02-23 一种无人机水体叶绿素遥感探测系统

Publications (1)

Publication Number Publication Date
CN114397277A true CN114397277A (zh) 2022-04-26

Family

ID=81235220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210168344.8A Withdrawn CN114397277A (zh) 2022-02-23 2022-02-23 一种无人机水体叶绿素遥感探测系统

Country Status (1)

Country Link
CN (1) CN114397277A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115561181A (zh) * 2022-10-26 2023-01-03 中科合肥智慧农业协同创新研究院 一种基于无人机多光谱数据的水质反演方法
CN115753691A (zh) * 2022-08-23 2023-03-07 合肥工业大学 一种基于rgb重建高光谱的水质参数检测方法
CN116482317A (zh) * 2023-04-26 2023-07-25 大连理工大学 湖泊水体营养状态实时监测方法、系统、设备及介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115753691A (zh) * 2022-08-23 2023-03-07 合肥工业大学 一种基于rgb重建高光谱的水质参数检测方法
CN115561181A (zh) * 2022-10-26 2023-01-03 中科合肥智慧农业协同创新研究院 一种基于无人机多光谱数据的水质反演方法
CN115561181B (zh) * 2022-10-26 2024-05-07 中科合肥智慧农业协同创新研究院 一种基于无人机多光谱数据的水质反演方法
CN116482317A (zh) * 2023-04-26 2023-07-25 大连理工大学 湖泊水体营养状态实时监测方法、系统、设备及介质
CN116482317B (zh) * 2023-04-26 2023-10-27 大连理工大学 湖泊水体营养状态实时监测方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN114397277A (zh) 一种无人机水体叶绿素遥感探测系统
CN112051222A (zh) 一种基于高分卫星影像的河湖水质监测方法
CN110174359B (zh) 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法
CN110887792A (zh) 一种基于无人机高光谱影像的河流水质快速监测系统
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
CN112541921B (zh) 城市绿地植被信息数据化精准测定方法
CN113834787A (zh) 一种中小河道劣ⅴ类水体水质识别与量化方法
CN114091613B (zh) 一种基于高分联合组网数据的森林生物量估算方法
CN112051226B (zh) 基于无人机载高光谱图像估算近海总悬浮物浓度的方法
CN114384031A (zh) 星-空-地高光谱遥感水体重金属污染立体监测方法
CN111597756A (zh) 一种基于无人机多光谱数据的水质参数反演方法
CN115266632A (zh) 一种水体污染源无人机高光谱遥感排查方法
CN113219496A (zh) 一种星载海洋大气参数激光雷达探测系统
CN115372282B (zh) 一种基于无人机高光谱影像的农田土壤含水量监测方法
CN111415309A (zh) 一种基于最小反射率法的高分辨率遥感影像大气校正方法
CN115690632A (zh) 一种内陆河流水体的水环境监测方法
CN115586140A (zh) 一种基于遥感数据的湖泊污染物检测方法、系统及其存储介质
CN114202675A (zh) 一种基于无人机多光谱遥感影像的作物生长参数测定方法及系统
CN113408111B (zh) 大气可降水量反演方法及系统、电子设备和存储介质
CN111241991A (zh) 一种基于遥感影像的水质分类方法
CN116773516A (zh) 一种基于遥感数据的土壤碳含量分析系统
CN116735507A (zh) 一种基于无人机低空遥感影像的开裂盐碱土电导率测量方法
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
CN116223399A (zh) 基于光谱分析的水质监测方法
CN116380811B (zh) 一种基于氧气吸收带的云检测方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220426