CN114577734A - 一种地表水体的低空多光谱遥感水质监测方法 - Google Patents
一种地表水体的低空多光谱遥感水质监测方法 Download PDFInfo
- Publication number
- CN114577734A CN114577734A CN202210048151.9A CN202210048151A CN114577734A CN 114577734 A CN114577734 A CN 114577734A CN 202210048151 A CN202210048151 A CN 202210048151A CN 114577734 A CN114577734 A CN 114577734A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- water quality
- water body
- data
- image
- 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 161
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012544 monitoring process Methods 0.000 title claims abstract description 63
- 239000002352 surface water Substances 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000003595 spectral effect Effects 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 46
- 238000002310 reflectometry Methods 0.000 claims description 31
- 230000005855 radiation Effects 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000012805 post-processing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 210000000476 body water Anatomy 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 239000003673 groundwater Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012800 visualization 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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种地表水体的低空多光谱遥感水质监测方法，包括：S1：采集监测水体的光谱曲线以及对应的水质指标数据；S2：基于所述光谱曲线和所述水质指标数据，选择监测所用的波段，并建立多光谱遥感水体提取模型和水质反演模型；S3：进行低空遥感数据的户外采集工作；S4：对低空遥感采集的原始数据进行预处理；S5：通过所述多光谱遥感水体提取模型和所述水质反演模型进行数据处理；S6：对处理结果进行可视化表达。该方法填补了水质监测在卫星遥感监测和地面监测方法上的空缺，可应用于日常的常规水质监测中，并快速获取地表水体的面域水质状况。
Description
技术领域
本发明涉及多光谱遥感技术领域，尤其涉及一种地表水体的低空多光谱遥感水质监测方法。
背景技术
目前，针对地表水体的水质监测主要有两种方法：卫星遥感和地面监测，但两种监测方法均存在一些问题。卫星遥感尺度较大，精确度较低，且受大气状况的影响，不适合中尺度的中小型水体；地面监测中所使用的地面设备和实验室检验覆盖的范围小、效率低，无法进行大面积监测。
随着无人机及其挂载设备的发展与普及，低空多光谱遥感技术已逐步进入实际应用的阶段，并且低空遥感技术既可覆盖较大面积快速获取自然资源的信息，又具有较高的精准度，对中尺度地表水体监测有优势，因此需要低空遥感技术填补高空和地面之间水质监测方法的空缺。
发明内容
本发明提供一种地表水体的低空多光谱遥感水质监测方法，以解决卫星遥感易受大气影响导致精确度较低和地面设备监测覆盖范围小导致无法进行大面积监测的技术问题。
为解决上述问题，本发明提供一种地表水体的低空多光谱遥感水质监测方法，包括：
S1：采集监测水体的光谱曲线以及对应的水质指标数据；
S2：基于所述光谱曲线和所述水质指标数据，选择监测所用的波段，并建立多光谱遥感水体提取模型和水质反演模型；
S3：进行低空遥感数据的户外采集工作；
S4：对低空遥感采集的原始数据进行预处理；
S5：通过所述多光谱遥感水体提取模型和所述水质反演模型进行数据处理；
S6：对处理结果进行可视化表达。
优选的，在步骤S1当中，所述采集监测水体的光谱曲线以及对应的水质指标数据具体包括：
S11：使用地物光谱仪，并采用水面以上测量法进行每个采集点不少于5次的监测水体的光谱曲线采集工作；
S12：同步采集监测水体的水质样本，并在有效时间内进行检测。
优选的，在步骤S2当中，所述建立多光谱遥感水体提取模型和水质反演模型的具体过程包括：
S21：离群异常数据的排除，
通过离群数据分析的方法，剔除采集数据中的异常值，保留剩余的若干组数据；
S22：高噪声波段的剔除，
针对采集的地物光谱数据，选择滤波器对高噪声波段进行剔除，获得测量精度较高的波段；
S23：波段中心波长、带宽的选择，
选择对多光谱遥感水质监测所用的特定波段，作为多光谱相机所挂载的波段或高光谱相机后期处理所使用的波段；
S24：使用选定的波段及光谱数据，构建水质反演模型。
优选的，在步骤S3当中，所述进行低空遥感数据的户外采集工作具体包括：设计低空遥感载具平台飞行的航线、飞行高度、影像重叠度和相对辐射校正方法，采用传统航空摄影测量的航线规划及影像采集方案进行户外采集。
优选的，所述影像重叠度包括航向重叠度和旁向重叠度，所述航向重叠度不低于70％，所述旁向重叠度不低于50％。
优选的，在步骤S4当中，所述对低空遥感采集的原始数据进行预处理具体包括：
S41：几何校正，
将各架次、各波段的相片分批输入到无人机数据处理软件Pix4D，自动进行影像几何校正；
S42：辐射校正，
对完成几何校正的影像，使用遥感数据处理软件ENVI合成多通道的遥感融合影像，通过相机检校获取绝对辐射校正的相机参数，并完成绝对辐射校正得到多波段的辐亮度影像，通过航摄得到的白板影像进行相对辐射校正；
S43：反射率计算，
通过采集的标准反射板地物光谱数据，内插得到入水辐亮度随时间变化的曲线，将经过辐射校正的影像除以曝光时间点的入水辐亮度得到反射率影像；
S44：正射影像的构建，
输入遥感融合影像到构建正射影像的软件，添加控制点，构建高精度正射影像，输入反射率影像，添加控制点，构建反射率正射影像。
优选的，在步骤S5中，通过所述多光谱遥感水体提取模型和所述水质反演模型进行数据处理的具体内容包括：
S51：使用所述多光谱遥感水体提取模型和所述水质反演模型对数据进行分析；
S52：在高精度正射影像中提取水体水域范围的矢量图，使用矢量图切割反射率正射影像中的水体部分，再通过多光谱遥感水质反演模型反演水体水质指标。
优选的，在步骤S6中，所述对处理结果进行可视化表达具体包括：处理结果的彩色表达、处理结果的标注和生成处理结果报告，
所述处理结果的标注采用按照水质指标分类准则或浓度进行颜色标注，叠加到正射影像上，输出多光谱遥感水质监测专题图。
优选的，在步骤S42中，所述白板影像进行相对辐射校正具体包括：
通过采集的地面辐亮度数据，计算遥感影像反射率；
在地面布设标准反射板，并设置地物光谱仪对标准反射板，进行等时间间隔的辐亮度数据采集。
本发明与现有技术相比具有显著的优点和有益效果，具体体现在以下方面：
1、避免卫星遥感易受大气影响导致精确度较低的问题，还可避免地面设备监测方法导致覆盖范围小，无法进行大面积监测的问题，填补了水质监测在卫星遥感监测和地面监测方法上的空缺；
3、该方法可应用于日常的常规水质监测中，快速获取地表水体的面域水质状况，与常规地面监测方法优势互补。
附图说明
图1为本发明实施例中地表水体的低空多光谱遥感水质监测方法的流程示意图；
图2为本发明实施例中光谱水面以上测量法的示意图；
图3为本发明实施例中步骤S1的具体过程流程图；
图4为本发明实施例中步骤S2的具体过程流程图；
图5为本发明实施例中步骤S4的具体过程流程图；
图6为本发明实施例中水质反演数学模型的曲线图；
图7为本发明实施例中传统航空摄影测量的航线规划示意图；
图8为本发明实施例中地物光谱曲线的示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
如图1-8所示，本发明的实施例提供一种地表水体的低空多光谱遥感水质监测方法，包括以下步骤：
S1：采集监测水体的光谱曲线以及对应的水质指标数据；
S2：基于所述光谱曲线和所述水质指标数据，选择监测所用的波段，并建立多光谱遥感水体提取模型和水质反演模型；
S3：进行低空遥感数据的户外采集工作；
S4：对低空遥感采集的原始数据进行预处理；
S5：通过所述多光谱遥感水体提取模型和所述水质反演模型进行数据处理；
S6：对处理结果进行可视化表达。
由此，使用本方法可以实际有效地利用低空多光谱遥感技术对地面水体的水质进行监测，并同时获取地面水体的空间分布状况；该方法可应用于日常的常规水质监测中，快速获取地表水体的面域水质状况，与常规地面监测方法优势互补。
具体地，请参阅图3所示，在步骤S1当中，所述采集监测水体的光谱曲线以及对应的水质指标数据具体包括：
S11：使用地物光谱仪，并采用水面以上测量法进行每个采集点不少于5次的监测水体的光谱曲线采集工作；
S12：同步采集监测水体的水质样本，并在有效时间内进行检测。
在本实施例中，选取测区及附近区域作为水质指标采集区，并选取水质指标采集点位，要求点位尽量均匀分布于采集区内，计量时保证每条河道都有覆盖，可到达性良好，在较近的地方能够找到安全的采集位置，采集点空旷无遮挡，水面和岸边区域能够接收到太阳的直射光照。若指标可现场进行采集，则直接进行采集；若需实验室检测则进行水质样本采集，采样时应尽量保证于河道中心进行采集，采集水质样本的量依据实验室指标检测时所需的量，采集方法参照中华人民共和国国家环境保护标准HJ 494-2009，样本检测方法参考相关国家标准。
在水质指标采集的同时进行光谱曲线的同步采集，采集设备选择高分辨率地物光谱仪，采集方法采用水面以上测量法，如图2所示，一个采集点采集的次数不少于5次，光谱曲线示例如图8所示，同步采集的光谱曲线和水质指标数据为一组，针对遥感水质监测，需要一定组数的数据量进行步骤2中的模型建立。
由此，使用地物光谱仪并采用科学合理的方法采集监测水体的光谱曲线，并同步采集水体水质样本，可现场监测的指标则现场进行采集，需要实验室检测的指标则携带样本在有效时间内于实验室中检测。
具体地，请参阅图4所示，在步骤S2当中，所述建立多光谱遥感水体提取模型和水质反演模型的具体过程包括：
S21：离群异常数据的排除，
通过离群数据分析的方法，剔除采集数据中的异常值，保留剩余的若干组数据；
S22：高噪声波段的剔除，
针对采集的地物光谱数据，选择滤波器对高噪声波段进行剔除，获得测量精度较高的波段；
S23：波段中心波长、带宽的选择，
选择对多光谱遥感水质监测所用的特定波段，作为多光谱相机所挂载的波段或高光谱相机后期处理所使用的波段；
S24：使用选定的波段及光谱数据，构建水质反演模型。
基于采集的数据，选择监测所用的波段并建立多光谱遥感水体提取模型和水质反演模型，通过离群数据分析的方法剔除采集数据中的异常值，保留剩余的若干组数据；针对采集的地物光谱数据需要事先对高噪声波段进行剔除，可以通过对信号自身波形、信噪比的分析或选择滤波器，剔除高噪声波段，避免噪声数据干扰，获得测量精度较高的波段；对多光谱遥感水质监测所用的特定波段进行选择，波段中心波长的选择可依据数据间的相关性和光谱曲线自身的形态特征等方法进行选择，波段带宽可依据反射率曲线导数值大小、相关系数大小等方法来选择。选定中心波长及波段带宽，作为多光谱相机所挂载的波段或高光谱相机后期处理所使用的波段，波段选择的流程图如图4所示。
图5所示为水质反演数学模型的示例，使用选定的波段及光谱数据构建水质反演模型，反演模型可选择数学模型或机器学习模型。
数学模型可采用回归分析的方法，建立选定的波段光谱数据和水质指标间的回归模型，作为水质反演模型，该模型反演结果为水质指标浓度数值。
机器学习模型可采用支持向量机多分类的方法，输入数据为选定的波段光谱数据以及水质指标数据，将水质指标按不同浓度区间分类，例如依据中华人民共和国国家标准GB 3838-2002的水质等级划分标准，经过训练后输出支持向量机多分类模型，作为水质反演模型，该模型反演结果为水质指标浓度区间。
另外，针对不同的监测水体分布特征，应采取不同的数据采集方法，监测水体分布特征一般为网状和条带状。
由此，可对采集的数据集进行处理，选择可以表征监测目标自身的特定波段，以及与水质指标有特定联系的波段，将这些波段作为多光谱相机所挂载的波段或高光谱相机后期处理所使用的波段。
具体地，在步骤S3当中，所述进行低空遥感数据的户外采集工作具体包括：设计低空遥感载具平台飞行的航线、飞行高度、影像重叠度和相对辐射校正方法，采用传统航空摄影测量的航线规划及影像采集方案进行户外采集。
由此，依据实际遥感任务及所用设备设计低空遥感数据采集方案，包括低空遥感载具平台飞行的航线，飞行高度，重叠度，相对辐射校正方法等，依据采集方案进行低空遥感数据的户外采集工作。
具体地，所述影像重叠度包括航向重叠度和旁向重叠度，所述航向重叠度不低于70％，所述旁向重叠度不低于50％。
请参阅图7所示，在本发明的实施例当中，针对网状水体的多光谱遥感水质监测方法，依据低空遥感载具平台单架次飞行时长、飞行航速、飞行高度和影像重叠度规划测区内的低空遥感数据采集方案，航线采用传统航空摄影测量的航线规划及影像采集方式，要求航向重叠度不低于70％，旁向重叠度不低于50％，若测区面积需多架次才可覆盖，则要求两个架次在并列航线部分覆盖区域之间存在一条“重合航线”(旁向重叠度远大于正常的30％，一般为80-90％)，以确保两条航线在单独拼接的过程中有足够的重叠度进行组合；两个架次在航线延续部分覆盖区域之间存在至少一张影像的“航向重叠”，以保证在正射影像拼接时不同航线间的重叠度。依据传统航空摄影测量的要求，在测区内需布设控制点和验证点，平均分布于测图区域中，保证遥感正射影像的精度。选取采集数据的遥感载具平台起飞点时，需在保证公共安全的情况下进行起降作业，尽量选取多测区交汇点提高作业效率。
针对条带状水体的多光谱遥感水质监测方法，依据低空遥感载具平台单架次飞行时长、飞行航速、飞行高度和影像重叠度规划测区内的低空遥感数据采集方案，延水体走向往复规划不少于三条航线，且航向重叠度要求不少于80％，旁向重叠度不小于60％。若测区面积需多架次才可覆盖，则两相邻架次在航线延续部分覆盖区域之间存在至少一张影像的“航向重叠”以保证在正射影像拼接时不同航线间的重叠度。每个架次覆盖区域内至少布设1个控制点和1个检查点。保证遥感正射影像的精度。选取采集数据的遥感载具平台起飞点时，需在保证公共安全的情况下进行起降作业，尽量选取多测区交汇点提高作业效率。
具体地，在步骤S4当中，所述对低空遥感采集的原始数据进行预处理具体包括：
S41：几何校正，
将各架次、各波段的相片分批输入到无人机数据处理软件Pix4D，自动进行影像几何校正；
S42：辐射校正，
对完成几何校正的影像，使用遥感数据处理软件ENVI合成多通道的遥感融合影像，通过相机检校获取绝对辐射校正的相机参数，并完成绝对辐射校正得到多波段的辐亮度影像，通过航摄得到的白板影像进行相对辐射校正；
其中，相对辐射校正数据的采集，目的是消除环境影响所带来的遥感影像所获取的地面辐亮度误差，并通过采集的地面辐亮度数据计算遥感影像反射率。
S43：反射率计算，
通过采集的标准反射板地物光谱数据，内插得到入水辐亮度随时间变化的曲线，将经过辐射校正的影像除以曝光时间点的入水辐亮度得到反射率影像；
S44：正射影像的构建，
输入遥感融合影像到构建正射影像的软件，添加控制点，构建高精度正射影像，输入反射率影像，添加控制点，构建反射率正射影像。
在本实施例当中，对采集的原始数据进行预处理，数据预处理包括几何校正、辐射校正、反射率计算以及正射影像的构建。几何校正使用无人机数据处理软件Pix4D完成，将各架次各波段的相片分批输入，通过该软件自动进行影像几何校正。
对完成几何校正的影像，使用遥感数据处理软件ENVI合成多通道的遥感融合影像，通过相机检校获取绝对辐射校正必要的相机参数，并完成绝对辐射校正，得到多波段的辐亮度影像，通过航摄得到的白板影像进行相对辐射校正，消除环境影响。
通过采集的标准反射板地物光谱数据内插得到入水辐亮度随时间变化的曲线，将经过辐射校正的影像除以曝光时间点的入水辐亮度得到反射率影像。
采用构建正射影像的软件如Pix4D，输入遥感融合影像，添加控制点，构建高精度正射影像，输入反射率影像，添加控制点，构建反射率正射影像。若设备条件允许，则将遥感融合影像和反射率影像融合，同时构建高精度正射影像和反射率正射影像。使用验证点，对正射影像的空间精度进行验证。
由此，对采集的原始数据进行预处理，包括对原始影像进行几何辐射校正以及遥感影像融合，并写入地理信息标签。使用遥感融合影像构建高精度正射影像，通过遥感融合影像以及相对辐射校正数据计算所有融合影像的反射率并输出反射率影像，构建反射率正射影像。
具体地，在步骤S5中，通过所述多光谱遥感水体提取模型和所述水质反演模型进行数据处理的具体内容包括：
S51：使用所述多光谱遥感水体提取模型和所述水质反演模型对数据进行分析；
S52：在高精度正射影像中提取水体水域范围的矢量图，使用矢量图切割反射率正射影像中的水体部分，再通过多光谱遥感水质反演模型反演水体水质指标。
在本实施例当中，使用ArcGIS在正射影像上勾画水体矢量图，并裁剪出水体的反射率影像，使用步骤S2中的模型对数据进行分析，输出水质反演结果图。
由此，在高精度正射影像中提取水体水域范围的矢量图，使用矢量图切割反射率正射影像中的水体部分，再通过多光谱遥感水质反演模型反演水体水质指标。
具体地，在步骤S6中，所述对处理结果进行可视化表达具体包括：处理结果的彩色表达、处理结果的标注和生成处理结果报告，
所述处理结果的标注采用按照水质指标分类准则或浓度进行颜色标注，叠加到正射影像上，输出多光谱遥感水质监测专题图。
由此，可对处理的结果进行彩色表达、处理结果标注和生成处理结果报告等，最终输出低空多光谱遥感监测目标水体的水质可视化表达结果。
具体地，在步骤S42中，所述白板影像进行相对辐射校正具体包括：
通过采集的地面辐亮度数据，计算遥感影像反射率；
在地面布设标准反射板，并设置地物光谱仪对标准反射板，进行等时间间隔的辐亮度数据采集。
由此，在地面布设标准反射板，并设置地物光谱仪对标准反射板进行等时间间隔辐亮度数据采集，该数据即为入水辐亮度。遥感影像采集时保证航摄途中有白板在影像拍摄范围中，地物光谱仪采集白板辐亮度数据的时间范围完全覆盖遥感航摄时间。
虽然本公开披露如上，但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (9)
1.一种地表水体的低空多光谱遥感水质监测方法，其特征在于，包括：
S1：采集监测水体的光谱曲线以及对应的水质指标数据；
S2：基于所述光谱曲线和所述水质指标数据，选择监测所用的波段，并建立多光谱遥感水体提取模型和水质反演模型；
S3：进行低空遥感数据的户外采集工作；
S4：对低空遥感采集的原始数据进行预处理；
S5：通过所述多光谱遥感水体提取模型和所述水质反演模型进行数据处理；
S6：对处理结果进行可视化表达。
2.根据权利要求1所述的地表水体的低空多光谱遥感水质监测方法，其特征在于，在步骤S1当中，所述采集监测水体的光谱曲线以及对应的水质指标数据具体包括：
S11：使用地物光谱仪，并采用水面以上测量法进行每个采集点不少于5次的监测水体的光谱曲线采集工作；
S12：同步采集监测水体的水质样本，并在有效时间内进行检测。
3.根据权利要求1所述的地表水体的低空多光谱遥感水质监测方法，其特征在于，在步骤S2当中，所述建立多光谱遥感水体提取模型和水质反演模型的具体过程包括：
S21：离群异常数据的排除，
通过离群数据分析的方法，剔除采集数据中的异常值，保留剩余的若干组数据；
S22：高噪声波段的剔除，
针对采集的地物光谱数据，选择滤波器对高噪声波段进行剔除，获得测量精度较高的波段；
S23：波段中心波长、带宽的选择，
选择对多光谱遥感水质监测所用的特定波段，作为多光谱相机所挂载的波段或高光谱相机后期处理所使用的波段；
S24：使用选定的波段及光谱数据，构建水质反演模型。
4.根据权利要求1所述的地表水体的低空多光谱遥感水质监测方法，其特征在于，在步骤S3当中，所述进行低空遥感数据的户外采集工作具体包括：设计低空遥感载具平台飞行的航线、飞行高度、影像重叠度和相对辐射校正方法，采用传统航空摄影测量的航线规划及影像采集方案进行户外采集。
5.根据权利要求4所述的地表水体的低空多光谱遥感水质监测方法，其特征在于，所述影像重叠度包括航向重叠度和旁向重叠度，所述航向重叠度不低于70％，所述旁向重叠度不低于50％。
6.根据权利要求1所述的地表水体的低空多光谱遥感水质监测方法，其特征在于，在步骤S4当中，所述对低空遥感采集的原始数据进行预处理具体包括：
S41：几何校正，
将各架次、各波段的相片分批输入到无人机数据处理软件Pix4D，自动进行影像几何校正；
S42：辐射校正，
对完成几何校正的影像，使用遥感数据处理软件ENVI合成多通道的遥感融合影像，通过相机检校获取绝对辐射校正的相机参数，并完成绝对辐射校正得到多波段的辐亮度影像，通过航摄得到的白板影像进行相对辐射校正；
S43：反射率计算，
通过采集的标准反射板地物光谱数据，内插得到入水辐亮度随时间变化的曲线，将经过辐射校正的影像除以曝光时间点的入水辐亮度得到反射率影像；
S44：正射影像的构建，
输入遥感融合影像到构建正射影像的软件，添加控制点，构建高精度正射影像，输入反射率影像，添加控制点，构建反射率正射影像。
7.根据权利要求1所述的地表水体的低空多光谱遥感水质监测方法，其特征在于，在步骤S5中，通过所述多光谱遥感水体提取模型和所述水质反演模型进行数据处理的具体内容包括：
S51：使用所述多光谱遥感水体提取模型和所述水质反演模型对数据进行分析；
S52：在高精度正射影像中提取水体水域范围的矢量图，使用矢量图切割反射率正射影像中的水体部分，再通过多光谱遥感水质反演模型反演水体水质指标。
8.根据权利要求1所述的地表水体的低空多光谱遥感水质监测方法，其特征在于，在步骤S6中，所述对处理结果进行可视化表达具体包括：处理结果的彩色表达、处理结果的标注和生成处理结果报告，
所述处理结果的标注采用按照水质指标分类准则或浓度进行颜色标注，叠加到正射影像上，输出多光谱遥感水质监测专题图。
9.根据权利要求6所述的地表水体的低空多光谱遥感水质监测方法，其特征在于，在步骤S42中，所述白板影像进行相对辐射校正具体包括：
通过采集的地面辐亮度数据，计算遥感影像反射率；
在地面布设标准反射板，并设置地物光谱仪对标准反射板，进行等时间间隔的辐亮度数据采集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210048151.9A CN114577734A (zh) | 2022-01-17 | 2022-01-17 | 一种地表水体的低空多光谱遥感水质监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210048151.9A CN114577734A (zh) | 2022-01-17 | 2022-01-17 | 一种地表水体的低空多光谱遥感水质监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114577734A true CN114577734A (zh) | 2022-06-03 |
Family
ID=81771117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210048151.9A Pending CN114577734A (zh) | 2022-01-17 | 2022-01-17 | 一种地表水体的低空多光谱遥感水质监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114577734A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115410086A (zh) * | 2022-08-26 | 2022-11-29 | 南方海洋科学与工程广东省实验室(广州) | 一种基于遥感影像的水质反演方法、装置以及设备 |
| CN117434034A (zh) * | 2023-10-24 | 2024-01-23 | 上海普适导航科技股份有限公司 | 一种基于光谱库的水质多源遥感数据快速反演方法 |
-
2022
- 2022-01-17 CN CN202210048151.9A patent/CN114577734A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115410086A (zh) * | 2022-08-26 | 2022-11-29 | 南方海洋科学与工程广东省实验室(广州) | 一种基于遥感影像的水质反演方法、装置以及设备 |
| CN117434034A (zh) * | 2023-10-24 | 2024-01-23 | 上海普适导航科技股份有限公司 | 一种基于光谱库的水质多源遥感数据快速反演方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Berra et al. | Assessing spring phenology of a temperate woodland: A multiscale comparison of ground, unmanned aerial vehicle and Landsat satellite observations | |
| CN110865040A (zh) | 天空地一体化高光谱水质监测分析方法 | |
| Zarco‐Tejada et al. | Land cover mapping at BOREAS using red edge spectral parameters from CASI imagery | |
| Verger et al. | Green area index from an unmanned aerial system over wheat and rapeseed crops | |
| CN110222903B (zh) | 一种基于无人机遥感的水稻产量预测方法及系统 | |
| Wulder et al. | High spatial resolution remotely sensed data for ecosystem characterization | |
| CN111815014A (zh) | 一种基于无人机低空遥感信息的作物产量预测方法及系统 | |
| CN114577734A (zh) | 一种地表水体的低空多光谱遥感水质监测方法 | |
| CN111767865A (zh) | 一种利用航拍影像和激光数据反演红树林生物量的方法 | |
| CN103575395B (zh) | 一种外场绝对辐射定标方法和系统 | |
| CN110148116A (zh) | 一种森林生物量估算方法及其系统 | |
| CN111426637A (zh) | 一种利用无人机获取城市黑臭河流水质参数的方法 | |
| CN115561181B (zh) | 一种基于无人机多光谱数据的水质反演方法 | |
| Skarlatos et al. | Vegetation removal from UAV derived DSMS, using combination of RGB and NIR imagery | |
| 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 | |
| Höhle | DEM generation using a digital large format frame camera | |
| CN105181638A (zh) | 一种红外溢油监测装置及其监测方法 | |
| CN115060202A (zh) | 一种基于无人机机载多光谱仪的绿潮藻面积监测方法 | |
| CN113408111A (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
| CN116778322A (zh) | 基于高分辨率影像剔除水面桥梁连续水面构造的方法 | |
| Broussard III et al. | Remotely sensed data provide spatial and temporal perspectives on ecological phenomena that would otherwise be difficult to study (Anderson and Gaston 2013). Moreover, UASs are emerging as flexible platforms that in many cases overcome previous constraints (ie, cost; atmospheric contamination; and spatial, spectral, and temporal limitations), and therefore, have the potential to supplement or replace traditional in situ and remotely collected data (Whitehead and Hugenholtz | |
| CN114397277A (zh) | 一种无人机水体叶绿素遥感探测系统 | |
| CN118072160A (zh) | 一种基于改进Mask R-CNN的单木尺度生物量精准估算方法及系统 | |
| US20240046143A1 (en) | Generating high-resolution concentration maps for atmospheric gases using geography-informed machine learning | |
| US20240044783A1 (en) | Generating high-resolution concentration maps for atmospheric gases using geography-informed machine learning |
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 |