CN114563378B - 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 - Google Patents
湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN114563378B CN114563378B CN202210201420.0A CN202210201420A CN114563378B CN 114563378 B CN114563378 B CN 114563378B CN 202210201420 A CN202210201420 A CN 202210201420A CN 114563378 B CN114563378 B CN 114563378B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- bloom
- lake
- pixel
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000008859 change Effects 0.000 claims abstract description 33
- 238000002310 reflectometry Methods 0.000 claims description 80
- 241000195493 Cryptophyta Species 0.000 claims description 44
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 30
- 241000192700 Cyanobacteria Species 0.000 claims description 27
- 241000192710 Microcystis aeruginosa Species 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 238000005520 cutting process Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000000926 separation method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 12
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01N21/552—Attenuated total reflection
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种湖库蓝藻水华空间分布定量描述方法、装置、介质和设备，属于遥感技术领域。本发明以遥感影像各个像元的空间位置为横坐标x和纵坐标y，以该像元蓝藻水华的发生次数为坐标z，构建一段时间段的蓝藻水华空间分布多边形体，并获取其中心点坐标，根据不同时间段的中心点坐标的变化，可以准确的、定量化的分析湖库蓝藻水华发生区域的空间分布特征变化情况，有利于精准实施蓝藻水华防控措施，开展湖库蓝藻水华预警防控工作。
Description
技术领域
本发明涉及遥感技术领域，特别是指一种湖库蓝藻水华空间分布定量描述方法、装置、介质和设备。
背景技术
社会经济的快速发展导致水环境承载力长期超载，一些富营养化湖库所在流域水资源匮乏，生态环境脆弱，湖库蓝藻水华频发，进一步开展湖库蓝藻水华时空特征分析有利于蓝藻水华防控。
现有技术通常利用不同卫星遥感数据开展长时间序列蓝藻水华时空分析，基于提取的蓝藻水华二值图，可分析出蓝藻水华一定时期内的空间分布特征情况，通过空间叠加得到水华空间频次或频率图。但是这种分析都是定性的描述蓝藻水华发生区域空间特征变化情况，无法开展定量化的空间特征变化情况描述，无法准确定量的地掌握蓝藻水华发生的空间变化特征，不利于进一步开展湖库蓝藻水华预警防控工作。
发明内容
为解决上述技术问题，本发明提供一种湖库蓝藻水华空间分布定量描述方法、装置、介质和设备，可以准确的、定量化的分析湖库蓝藻水华发生区域的空间分布特征变化情况，有利于精准实施蓝藻水华防控措施，开展湖库蓝藻水华预警防控工作。。
本发明提供技术方案如下：
第一方面，本发明提供一种湖库蓝藻水华空间分布定量描述方法，所述方法包括：
S1：获取覆盖湖库区域的指定时间范围内的遥感影像序列；
S2：对所述遥感影像序列的每景遥感影像进行蓝藻水华提取，得到多幅蓝藻水华二值图；
其中，所述蓝藻水华二值图的像元值为1表示该像元为蓝藻水华，像元值为0表示该像元为正常水体；
S3：将所有蓝藻水华二值图进行空间叠加，得到蓝藻水华空间分布叠加栅格图；
S4：对所述蓝藻水华空间分布叠加栅格图的每个像元，以该像元的中心点的经度和纬度作为横坐标和纵坐标，以该像元的取值为竖坐标，构造蓝藻水华空间分布多边形体；
S5：计算所述蓝藻水华空间分布多边形体的中心点坐标；
S6：比较所述指定时间范围对应的中心点坐标与其他时间范围对应的中心点坐标的变化，得到定量化的蓝藻水华空间分布变化结果。
进一步的，所述S2包括：
S21：对所述遥感影像序列的每景遥感影像进行预处理，得到多幅遥感反射率影像；
S22：从所述遥感反射率影像上得到湖库区域的遥感反射率影像；
S23：提取所述湖库区域的遥感反射率影像的归一化植被指数，得到归一化植被指数分布影像；
S24：将所述归一化植被指数分布影像的每个像元与设定的阈值进行比较，若比较通过，则将该像元的值设置为1，否则将该像元的值设置为0，得到所述蓝藻水华二值图。
进一步的，所述预处理包括几何校正、空间剪裁、辐射定标、表观反射率计算和大气校正。
进一步的，所述S22包括：
利用已知湖库边界对所述遥感反射率影像进行图像裁剪运算，得到湖库区域的遥感反射率影像；
或者，
对所述遥感反射率影像进行水陆分离，得到初步确定的湖库区域的遥感反射率影像；
对初步确定的湖库区域的遥感反射率影像进行边缘掩膜运算，得到湖库区域的遥感反射率影像。
第二方面，本发明提供一种湖库蓝藻水华空间分布定量描述装置，所述装置包括：
遥感影像获取模块，用于获取覆盖湖库区域的指定时间范围内的遥感影像序列；
蓝藻水华二值图获取模块，用于对所述遥感影像序列的每景遥感影像进行蓝藻水华提取，得到多幅蓝藻水华二值图；
其中，所述蓝藻水华二值图的像元值为1表示该像元为蓝藻水华，像元值为0表示该像元为正常水体；
蓝藻水华空间分布叠加栅格图获取模块，用于将所有蓝藻水华二值图进行空间叠加，得到蓝藻水华空间分布叠加栅格图；
蓝藻水华空间分布多边形体获取模块，用于对所述蓝藻水华空间分布叠加栅格图的每个像元，以该像元的中心点的经度和纬度作为横坐标和纵坐标，以该像元的取值为竖坐标，构造蓝藻水华空间分布多边形体；
中心点坐标获取模块，用于计算所述蓝藻水华空间分布多边形体的中心点坐标；
定量化分析模块，用于比较所述指定时间范围对应的中心点坐标与其他时间范围对应的中心点坐标的变化，得到定量化的蓝藻水华空间分布变化结果。
进一步的，所述蓝藻水华二值图获取模块包括：
遥感反射率影像获取单元，用于对所述遥感影像序列的每景遥感影像进行预处理，得到多幅遥感反射率影像；
湖库遥感反射率影像获取单元，用于从所述遥感反射率影像上得到湖库区域的遥感反射率影像；
归一化植被指数分布影像获取单元，用于提取所述湖库区域的遥感反射率影像的归一化植被指数，得到归一化植被指数分布影像；
蓝藻水华二值图获取单元，用于提将所述归一化植被指数分布影像的每个像元与设定的阈值进行比较，若比较通过，则将该像元的值设置为1，否则将该像元的值设置为0，得到所述蓝藻水华二值图。
进一步的，所述预处理包括几何校正、空间剪裁、辐射定标、表观反射率计算和大气校正。
进一步的，所述湖库遥感反射率影像获取单元用于：
利用已知湖库边界对所述遥感反射率影像进行图像裁剪运算，得到湖库区域的遥感反射率影像；
或者，
对所述遥感反射率影像进行水陆分离，得到初步确定的湖库区域的遥感反射率影像；
对初步确定的湖库区域的遥感反射率影像进行边缘掩膜运算，得到湖库区域的遥感反射率影像。
第三方面，本发明提供一种用于湖库蓝藻水华空间分布定量描述的计算机可读存储介质，包括用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括前述第一方面所述的湖库蓝藻水华空间分布定量描述方法的步骤。
第四方面，本发明提供一种用于湖库蓝藻水华空间分布定量描述的设备，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现前述第一方面所述的湖库蓝藻水华空间分布定量描述方法的步骤。
本发明具有以下有益效果：
本发明以遥感影像各个像元的空间位置为横坐标x和纵坐标y，以该像元蓝藻水华的发生次数为坐标z，构建一段时间段的蓝藻水华空间分布多边形体，并获取其中心点坐标，根据不同时间段的中心点坐标的变化，可以准确的、定量化的分析湖库蓝藻水华发生区域的空间分布特征变化情况，有利于精准实施蓝藻水华防控措施，开展湖库蓝藻水华预警防控工作。
附图说明
图1为本发明的湖库蓝藻水华空间分布定量描述方法流程图；
图2为本发明的湖库蓝藻水华空间分布定量描述装置示意图；
图3为蓝藻水华空间分布变化结果示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
实施例1：
本发明实施例提供一种湖库蓝藻水华空间分布定量描述方法，如图1所示，该方法包括：
S1：获取覆盖湖库区域的指定时间范围内的遥感影像序列。
遥感影像序列为一系列时间点上的覆盖湖库区域的多景遥感影像，遥感影像包括多光谱或高光谱遥感影像。多光谱遥感影像是指包含多个波段的遥感影像，波段数一般为几个到十几个，高光谱波段数一般为上百个。一般从图像采集设备(搭载在卫星上的成像光谱仪等)获取多光谱遥感影像。
S2：对遥感影像序列的每景遥感影像进行蓝藻水华提取，得到多幅蓝藻水华二值图。
其中，蓝藻水华二值图的像元值为1表示该像元为蓝藻水华，像元值为0表示该像元为正常水体。
在本发明一个实现方式中，S2包括：
S21：对遥感影像序列的每景遥感影像进行预处理，得到多幅遥感反射率影像。
预处理可以包括几何校正、空间剪裁、辐射定标、表观反射率计算和大气校正等。
几何校正：遥感成像的时候，由于飞行器的姿态、高度、速度以及地球自转等因素的影响，造成图像相对于地面目标发生几何畸变，这种畸变表现为像元相对于地面目标的实际位置发生挤压、扭曲、拉伸和偏移等，针对几何畸变进行的误差校正就叫几何校正。
进行几何校正时，基于参考影像或空间几何信息，开展影像几何精度校正和空间投影转换，精度控制在1个像元内。
空间裁剪：依据监测湖库区域的左上角和右下角经纬度，对所选取的遥感影像进行空间裁剪，范围要略大于湖库水体区域。
辐射定标：辐射定标根据遥感器的定标公式及各波段定标系数进行，辐射定标的公式为：
L＝Gain*DN+Offset
其中，L为表观辐亮度，单位为W·m-2·sr-1·μm-1；
DN为遥感影像的数字灰度值；
Gain为绝对定标系数的增益量，单位为W·m-2·sr-1·μm-1；
Offset为绝对定标系数的偏移量，单位为W·m-2·sr-1·μm-1，空缺值为0。
表观反射率计算：根据辐射定标获得的各波段表观辐亮度，按照如下公式计算各波段的表观反射率：
其中，ρTOA为大气层顶表观反射率(无量纲)；
D为实际日地距离与平均日地距离的比值；
F0为平均日地距离处的大气层顶太阳谱照度，单位为W·m-2·μm-1；
θs为太阳天顶角。
大气校正：可见光波段和近红外波段的卫星遥感大气校正主要针对大气分子散射、气溶胶散射及水汽吸收的影响。可采用基于辐射传输模型的方法(如6S模型、Flaash大气校正模型等)进行大气校正，得到各波段地表反射率，也称为大气层底反射率ρBOA。
S22：从遥感反射率影像上得到湖库区域的遥感反射率影像。
若已知湖库边界，可以利用已知湖库边界对遥感反射率影像进行图像裁剪运算，得到湖库区域的遥感反射率影像。
如果不知道湖库边界，可以通过如下方法得到湖库区域的遥感反射率影像：
1、对遥感反射率影像进行水陆分离，得到初步确定的湖库区域的遥感反射率影像。
水陆分离为利用特定波段的信息，对影像进行边缘检测，检测出湖库的轮廓，进行裁剪，完成水陆分离。
2、对初步确定的湖库区域的遥感反射率影像进行边缘掩膜运算，得到湖库区域的遥感反射率影像。
水陆分离后可能存在边缘不精确的问题，边缘掩膜能够对初步确定的湖库区域的边缘进行修正，减少因水陆边界分离不精确而导致的蓝藻水华提取不精确的问题。
S23：提取湖库区域的遥感反射率影像的归一化植被指数，得到归一化植被指数分布影像。
本步骤采用归一化植被指数法，通过如下公式计算归一化植被指数(NDVI)。
其中，ρRed、ρNIR分别是红波段、近红外波段的遥感反射率。
卫星遥感影像数据监测蓝藻水华主要是基于正常水体光谱与发生蓝藻水华水体光谱的差异。蓝藻水华暴发时，藻类聚集在水体表面，因其对红光波段的强吸收导致产生的红光波段反射率较低，在近红外波段具有类似于植被光谱曲线特征的“反射峰平台效应”，近红外波段反射率较高。而正常水体对近红外波段有强烈的吸收作用，导致反射率较低。因此，通过计算植被指数，利用蓝藻水华在水体中归一化植被指数(NDVI)值高于正常水体的特性，可以区分蓝藻水华和正常水体，进行蓝藻水华的提取。
S24：将归一化植被指数分布影像的每个像元与设定的阈值进行比较，若比较通过，则将该像元的值设置为1，否则将该像元的值设置为0，得到蓝藻水华二值图。
蓝藻水华的NDVI值要高于正常水体，NDVI值高于阈值的为蓝藻水华，否则为正常水体，示例性的，该阈值可以设为0，NDVI值高于0的像元为蓝藻水华，蓝藻水华像元赋值为1进行标记，其他地物(包括正常水体、云、陆地等)像元赋值为0，获得蓝藻水华二值图。
S3：将所有蓝藻水华二值图进行空间叠加，得到蓝藻水华空间分布叠加栅格图。
蓝藻水华空间分布叠加栅格图的每个像元的值表示该像元在指定时间范围内蓝藻水华的发生次数。
S4：对蓝藻水华空间分布叠加栅格图的每个像元，以该像元的中心点的经度和纬度作为横坐标x和纵坐标y，以该像元的取值为竖坐标z，构造蓝藻水华空间分布多边形体。
本步骤获取蓝藻水华空间分布叠加栅格图的每个像元中心点位经纬度坐标(X,Y)，将该像元对应的蓝藻水华的发生次数作为三维空间的坐标Z，因此基于空间直角坐标系，每个像元对照一个三维坐标(X,Y,Z)，构成一个蓝藻水华空间分布多边形体。
S5：计算蓝藻水华空间分布多边形体的中心点坐标。
S6：比较指定时间范围对应的中心点坐标与其他时间范围对应的中心点坐标的变化，得到定量化的蓝藻水华空间分布变化结果。
本步骤中，其他时间范围对应的中心点坐标通过上述S1～S5类似的方法得到，通过对比不同时间范围的蓝藻水华空间分布多边形体的中心点的变化情况，得到定量化的蓝藻水华空间分布变化结果，如空间位置变化方向和高发区中心点位位移距离等，如图3所示。
本发明以遥感影像各个像元的空间位置为横坐标x和纵坐标y，以该像元蓝藻水华的发生次数为坐标z，构建一段时间段的蓝藻水华空间分布多边形体，并获取其中心点坐标，根据不同时间段的中心点坐标的变化，可以准确的、定量化的分析湖库蓝藻水华发生区域的空间分布特征变化情况，有利于精准实施蓝藻水华防控措施，开展湖库蓝藻水华预警防控工作。
实施例2：
本发明实施例提供一种湖库蓝藻水华空间分布定量描述装置，如图2所示，所述装置包括：
遥感影像获取模块1，用于获取覆盖湖库区域的指定时间范围内的遥感影像序列。
蓝藻水华二值图获取模块2，用于对所述遥感影像序列的每景遥感影像进行蓝藻水华提取，得到多幅蓝藻水华二值图。
其中，所述蓝藻水华二值图的像元值为1表示该像元为蓝藻水华，像元值为0表示该像元为正常水体；
蓝藻水华空间分布叠加栅格图获取模块3，用于将所有蓝藻水华二值图进行空间叠加，得到蓝藻水华空间分布叠加栅格图。
蓝藻水华空间分布多边形体获取模块4，用于对所述蓝藻水华空间分布叠加栅格图的每个像元，以该像元的中心点的经度和纬度作为横坐标和纵坐标，以该像元的取值为竖坐标，构造蓝藻水华空间分布多边形体。
中心点坐标获取模块5，用于计算所述蓝藻水华空间分布多边形体的中心点坐标。
定量化分析模块6，用于比较所述指定时间范围对应的中心点坐标与其他时间范围对应的中心点坐标的变化，得到定量化的蓝藻水华空间分布变化结果。
本发明以遥感影像各个像元的空间位置为横坐标x和纵坐标y，以该像元蓝藻水华的发生次数为坐标z，构建一段时间段的蓝藻水华空间分布多边形体，并获取其中心点坐标，根据不同时间段的中心点坐标的变化，可以准确的、定量化的分析湖库蓝藻水华发生区域的空间分布特征变化情况，有利于精准实施蓝藻水华防控措施，开展湖库蓝藻水华预警防控工作。
所述蓝藻水华二值图获取模块包括：
遥感反射率影像获取单元，用于对所述遥感影像序列的每景遥感影像进行预处理，得到多幅遥感反射率影像。
其中，所述预处理包括几何校正、空间剪裁、辐射定标、表观反射率计算和大气校正。
湖库遥感反射率影像获取单元，用于从所述遥感反射率影像上得到湖库区域的遥感反射率影像。
归一化植被指数分布影像获取单元，用于提取所述湖库区域的遥感反射率影像的归一化植被指数，得到归一化植被指数分布影像。
蓝藻水华二值图获取单元，用于提将所述归一化植被指数分布影像的每个像元与设定的阈值进行比较，若比较通过，则将该像元的值设置为1，否则将该像元的值设置为0，得到所述蓝藻水华二值图。
所述湖库遥感反射率影像获取单元用于：
利用已知湖库边界对所述遥感反射率影像进行图像裁剪运算，得到湖库区域的遥感反射率影像。
或者，
对所述遥感反射率影像进行水陆分离，得到初步确定的湖库区域的遥感反射率影像。
对初步确定的湖库区域的遥感反射率影像进行边缘掩膜运算，得到湖库区域的遥感反射率影像。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例1中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
实施例3：
本发明提供的上述实施例1所述的方法可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例1所描述方案的效果。因此，本发明还提供用于湖库蓝藻水华空间分布定量描述的计算机可读存储介质，包括用于存储处理器可执行指令的存储器，指令被处理器执行时实现包括实施例1的湖库蓝藻水华空间分布定量描述方法的步骤。
所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
上述所述的存储介质根据方法实施例1的描述还可以包括其他的实施方式，本实施例的实现原理及产生的技术效果和前述方法实施例1相同，具体可以参照相关方法实施例1的描述，在此不作一一赘述。
实施例4：
本发明还提供一种用于湖库蓝藻水华空间分布定量描述的设备，所述的设备可以为单独的计算机，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的实际操作装置等。所述湖库蓝藻水华空间分布定量描述的设备可以包括至少一个处理器以及存储计算机可执行指令的存储器，处理器执行所述指令时实现上述任意一个或者多个实施例1中所述湖库蓝藻水华空间分布定量描述方法的步骤。
上述所述的设备根据方法实施例1的描述还可以包括其他的实施方式，本实施例的实现原理及产生的技术效果和前述方法实施例1相同，具体可以参照相关方法实施例1的描述，在此不作一一赘述。
需要说明的是，本说明书上述所述的装置或者系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照方法实施例的描述，在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类、存储介质+程序实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定按照要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、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指定的功能的装置。
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指定的功能。
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指定的功能的步骤。
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。
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，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种湖库蓝藻水华空间分布定量描述方法，其特征在于，所述方法包括：
S1：获取覆盖湖库区域的指定时间范围内的遥感影像序列；
S2：对所述遥感影像序列的每景遥感影像进行蓝藻水华提取，得到多幅蓝藻水华二值图；
其中，所述蓝藻水华二值图的像元值为1表示该像元为蓝藻水华，像元值为0表示该像元为正常水体；
S3：将所有蓝藻水华二值图进行空间叠加，得到蓝藻水华空间分布叠加栅格图；
S4：对所述蓝藻水华空间分布叠加栅格图的每个像元，以该像元的中心点的经度和纬度作为横坐标和纵坐标，以该像元的取值为竖坐标，构造蓝藻水华空间分布多边形体；
S5：计算所述蓝藻水华空间分布多边形体的中心点坐标；
S6：比较所述指定时间范围对应的中心点坐标与其他时间范围对应的中心点坐标的变化，得到定量化的蓝藻水华空间分布变化结果。
2.根据权利要求1所述的湖库蓝藻水华空间分布定量描述方法，其特征在于，所述S2包括：
S21：对所述遥感影像序列的每景遥感影像进行预处理，得到多幅遥感反射率影像；
S22：从所述遥感反射率影像上得到湖库区域的遥感反射率影像；
S23：提取所述湖库区域的遥感反射率影像的归一化植被指数，得到归一化植被指数分布影像；
S24：将所述归一化植被指数分布影像的每个像元与设定的阈值进行比较，若比较通过，则将该像元的值设置为1，否则将该像元的值设置为0，得到所述蓝藻水华二值图。
3.根据权利要求2所述的湖库蓝藻水华空间分布定量描述方法，其特征在于，所述预处理包括几何校正、空间剪裁、辐射定标、表观反射率计算和大气校正。
4.根据权利要求3所述的湖库蓝藻水华空间分布定量描述方法，其特征在于，所述S22包括：
利用已知湖库边界对所述遥感反射率影像进行图像裁剪运算，得到湖库区域的遥感反射率影像；
或者，
对所述遥感反射率影像进行水陆分离，得到初步确定的湖库区域的遥感反射率影像；
对初步确定的湖库区域的遥感反射率影像进行边缘掩膜运算，得到湖库区域的遥感反射率影像。
5.一种湖库蓝藻水华空间分布定量描述装置，其特征在于，所述装置包括：
遥感影像获取模块，用于获取覆盖湖库区域的指定时间范围内的遥感影像序列；
蓝藻水华二值图获取模块，用于对所述遥感影像序列的每景遥感影像进行蓝藻水华提取，得到多幅蓝藻水华二值图；
其中，所述蓝藻水华二值图的像元值为1表示该像元为蓝藻水华，像元值为0表示该像元为正常水体；
蓝藻水华空间分布叠加栅格图获取模块，用于将所有蓝藻水华二值图进行空间叠加，得到蓝藻水华空间分布叠加栅格图；
蓝藻水华空间分布多边形体获取模块，用于对所述蓝藻水华空间分布叠加栅格图的每个像元，以该像元的中心点的经度和纬度作为横坐标和纵坐标，以该像元的取值为竖坐标，构造蓝藻水华空间分布多边形体；
中心点坐标获取模块，用于计算所述蓝藻水华空间分布多边形体的中心点坐标；
定量化分析模块，用于比较所述指定时间范围对应的中心点坐标与其他时间范围对应的中心点坐标的变化，得到定量化的蓝藻水华空间分布变化结果。
6.根据权利要求5所述的湖库蓝藻水华空间分布定量描述装置，其特征在于，所述蓝藻水华二值图获取模块包括：
遥感反射率影像获取单元，用于对所述遥感影像序列的每景遥感影像进行预处理，得到多幅遥感反射率影像；
湖库遥感反射率影像获取单元，用于从所述遥感反射率影像上得到湖库区域的遥感反射率影像；
归一化植被指数分布影像获取单元，用于提取所述湖库区域的遥感反射率影像的归一化植被指数，得到归一化植被指数分布影像；
蓝藻水华二值图获取单元，用于提将所述归一化植被指数分布影像的每个像元与设定的阈值进行比较，若比较通过，则将该像元的值设置为1，否则将该像元的值设置为0，得到所述蓝藻水华二值图。
7.根据权利要求6所述的湖库蓝藻水华空间分布定量描述装置，其特征在于，所述预处理包括几何校正、空间剪裁、辐射定标、表观反射率计算和大气校正。
8.根据权利要求7所述的湖库蓝藻水华空间分布定量描述装置，其特征在于，所述湖库遥感反射率影像获取单元用于：
利用已知湖库边界对所述遥感反射率影像进行图像裁剪运算，得到湖库区域的遥感反射率影像；
或者，
对所述遥感反射率影像进行水陆分离，得到初步确定的湖库区域的遥感反射率影像；
对初步确定的湖库区域的遥感反射率影像进行边缘掩膜运算，得到湖库区域的遥感反射率影像。
9.一种用于湖库蓝藻水华空间分布定量描述的计算机可读存储介质，其特征在于，包括用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括权利要求1-4任一所述湖库蓝藻水华空间分布定量描述方法的步骤。
10.一种用于湖库蓝藻水华空间分布定量描述的设备，其特征在于，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-4中任意一项所述湖库蓝藻水华空间分布定量描述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210201420.0A CN114563378B (zh) | 2022-03-03 | 2022-03-03 | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210201420.0A CN114563378B (zh) | 2022-03-03 | 2022-03-03 | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114563378A CN114563378A (zh) | 2022-05-31 |
| CN114563378B true CN114563378B (zh) | 2022-07-29 |
Family
ID=81718027
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210201420.0A Active CN114563378B (zh) | 2022-03-03 | 2022-03-03 | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114563378B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115719174B (zh) * | 2022-10-26 | 2023-05-02 | 生态环境部卫星环境应用中心 | 土地利用类型与蓝藻水华风险定量关系确定方法和装置 |
| CN115508287B (zh) * | 2022-10-28 | 2023-03-24 | 生态环境部卫星环境应用中心 | 湖库蓝藻水华提取方法和装置 |
| 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 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108051371A (zh) * | 2017-12-01 | 2018-05-18 | 河北省科学院地理科学研究所 | 一种面向生态环境参量遥感反演的阴影提取方法 |
| CN110298322A (zh) * | 2019-07-02 | 2019-10-01 | 北京师范大学 | 一种基于遥感数据的耕地提取方法及系统 |
| CN110751075A (zh) * | 2019-10-12 | 2020-02-04 | 海南长光卫星信息技术有限公司 | 一种基于实例分割的遥感影像养殖塘检测方法 |
| CN111784606A (zh) * | 2020-06-30 | 2020-10-16 | 长江大学 | 一种遥感图像分类后处理方法、存储介质及系统 |
| CN112232234A (zh) * | 2020-10-20 | 2021-01-15 | 生态环境部卫星环境应用中心 | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 |
| CN113158762A (zh) * | 2021-02-23 | 2021-07-23 | 中国科学院南京地理与湖泊研究所 | 大型湖库滨岸带蓝藻水华堆积风险评估方法 |
| CN113536836A (zh) * | 2020-04-15 | 2021-10-22 | 宁波弘泰水利信息科技有限公司 | 一种基于无人机遥感技术监测河湖水域侵占方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3747022A4 (en) * | 2018-02-02 | 2021-11-10 | Moleculight Inc. | ILLUSTRATION AND ANALYSIS OF WOUNDS |
-
2022
- 2022-03-03 CN CN202210201420.0A patent/CN114563378B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108051371A (zh) * | 2017-12-01 | 2018-05-18 | 河北省科学院地理科学研究所 | 一种面向生态环境参量遥感反演的阴影提取方法 |
| CN110298322A (zh) * | 2019-07-02 | 2019-10-01 | 北京师范大学 | 一种基于遥感数据的耕地提取方法及系统 |
| CN110751075A (zh) * | 2019-10-12 | 2020-02-04 | 海南长光卫星信息技术有限公司 | 一种基于实例分割的遥感影像养殖塘检测方法 |
| CN113536836A (zh) * | 2020-04-15 | 2021-10-22 | 宁波弘泰水利信息科技有限公司 | 一种基于无人机遥感技术监测河湖水域侵占方法 |
| CN111784606A (zh) * | 2020-06-30 | 2020-10-16 | 长江大学 | 一种遥感图像分类后处理方法、存储介质及系统 |
| CN112232234A (zh) * | 2020-10-20 | 2021-01-15 | 生态环境部卫星环境应用中心 | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 |
| CN113158762A (zh) * | 2021-02-23 | 2021-07-23 | 中国科学院南京地理与湖泊研究所 | 大型湖库滨岸带蓝藻水华堆积风险评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Monitoring Cyanobacteria Bloom in Dianchi Lake Based on Ground-Based Multispectral Remote-Sensing Imaging:Preliminary Results";赵焕等;《Remote Sensing》;20211003;全文 * |
| 巢湖水华遥感监测与年度统计分析研究;朱利等;《中国环境监测》;20130415(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114563378A (zh) | 2022-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khandelwal et al. | An approach for global monitoring of surface water extent variations in reservoirs using MODIS data | |
| Misra et al. | Shallow water bathymetry mapping using Support Vector Machine (SVM) technique and multispectral imagery | |
| CN114563378B (zh) | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 | |
| Ahmed et al. | Characterizing stand-level forest canopy cover and height using Landsat time series, samples of airborne LiDAR, and the Random Forest algorithm | |
| Pradhan et al. | An easy to use ArcMap based texture analysis program for extraction of flooded areas from TerraSAR-X satellite image | |
| Liao et al. | Deep learning for fusion of APEX hyperspectral and full-waveform LiDAR remote sensing data for tree species mapping | |
| EP3002728B1 (en) | Automated geospatial image mosaic generation with cutline generation | |
| Man et al. | Pixel-and feature-level fusion of hyperspectral and lidar data for urban land-use classification | |
| Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
| Leon et al. | Improving the synoptic mapping of coral reef geomorphology using object-based image analysis | |
| Milani et al. | Robust quantification of riverine land cover dynamics by high-resolution remote sensing | |
| Yue et al. | Texture extraction for object-oriented classification of high spatial resolution remotely sensed images using a semivariogram | |
| S Bhagat | Use of remote sensing techniques for robust digital change detection of land: A review | |
| Kibele et al. | Nonparametric empirical depth regression for bathymetric mapping in coastal waters | |
| La et al. | Extraction of individual tree crown using hyperspectral image and LiDAR data | |
| Luque et al. | Non-parametric object-based approaches to carry out ISA classification from archival aerial orthoimages | |
| Fayad et al. | Hy-TeC: a hybrid vision transformer model for high-resolution and large-scale mapping of canopy height | |
| Thissen | Automating Surface Water Detection for Rivers | |
| Sakieh et al. | An integrated spectral-textural approach for environmental change monitoring and assessment: analyzing the dynamics of green covers in a highly developing region | |
| CN116994029A (zh) | 一种用于多源数据的融合分类方法及系统 | |
| CN116824371A (zh) | 生态保护红线植被异常快速监测方法和装置 | |
| Fayad et al. | Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights | |
| CN112052720B (zh) | 一种基于直方图聚类的高时空归一化植被指数ndvi的融合模型 | |
| Fricke et al. | Thermal sharpening of Landsat-8 TIRS surface temperatures for inland water bodies based on different VNIR land cover classifications | |
| Yang et al. | A new framework for GEOBIA: accurate individual plant extraction and detection using high-resolution RGB data from UAVs |
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 |