CN114781537B - 一种基于高分辨率卫星影像的入海排口疑似排污识别方法 - Google Patents
一种基于高分辨率卫星影像的入海排口疑似排污识别方法 Download PDFInfo
- Publication number
- CN114781537B CN114781537B CN202210493126.1A CN202210493126A CN114781537B CN 114781537 B CN114781537 B CN 114781537B CN 202210493126 A CN202210493126 A CN 202210493126A CN 114781537 B CN114781537 B CN 114781537B
- Authority
- CN
- China
- Prior art keywords
- water
- sea
- water body
- remote sensing
- pollution discharge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 143
- 230000003595 spectral effect Effects 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000002310 reflectometry Methods 0.000 claims description 44
- 230000003287 optical effect Effects 0.000 claims description 43
- 238000001228 spectrum Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 15
- 238000013145 classification model Methods 0.000 claims description 13
- 239000013535 sea water Substances 0.000 claims description 10
- 239000013049 sediment Substances 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012851 eutrophication Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 238000009360 aquaculture Methods 0.000 claims 1
- 244000144974 aquaculture Species 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 239000003344 environmental pollutant Substances 0.000 abstract description 4
- 231100000719 pollutant Toxicity 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract description 2
- 239000000443 aerosol Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000010865 sewage Substances 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 241001354532 Holozonia filipes Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于高分辨率卫星影像的入海排口疑似排污识别方法。本发明提供的方法基于高分辨率卫星影像的光谱特征,建立入海排口疑似排污识别模型,可以快速筛查疑似污染排口,对沿岸入海排口水色状况进行动态全面监测,迅速、详细掌握污染产生、演变过程,有利于从面上对入海排口进行监督管理,节省人力、物力等资源,严格监督陆源污染物入海,改善近岸海域生态环境质量。
Description
技术领域
本发明属于海洋环境保护技术领域,尤其是涉及一种基于高分辨率卫星影像的入海排口疑似排污识别方法。
背景技术
入海排口是指通过溪闸、管道、沟渠等直接向近岸海域排放内陆水体的口门,呈现出面积小、分布广的特点。特殊的地理位置使其受到陆源污染、河流输入、泥沙再悬浮、邻接效应等多重影响,水体性质及污染来源复杂,是生态环境治理的重要节点。由于陆源污染物通过入海排口直排入海会影响近岸海域生态环境质量,体现在氨氮、总磷、总氮、化学需氧量、生化需氧量及其他水质指标超地表水环境质量标准或海水水质标准,因此对入海排口排水状况的监测与管理十分重要。
近年来,各级海洋环境监测部门进行了详细的入海排口排查工作,但是传统的人工现场巡查费时费力,并且难以快速且全面地摸清入海排口处排水状况,导致排查成果不完善且效率低。目前,部分重点入海排污口已经安装水质自动监测装置,但由于入海排口数量巨大,大部分排口目前缺乏在线监测设备,是当前海洋环境监管的“痛点”。卫星遥感具有高空间分辨率、高时间分辨率观测的特点,可以实现对沿岸入海排口的快速响应与动态监测,有利于全面摸清入海排口数量、分布、动态变化等特征。
现有技术中已经出现了利用卫星遥感进行水体监测的技术,例如Zhao, Y等人在Recognition of Water Colour Anomaly by Using Hue Angle and Sentinel 2 Image(Remote Sensing 12, 716)一文中利用色度角的方法来判断是否为水色异常水体,当色度角超过阈值则认为是水色异常水体。但是,该方法只适用于光学深水,对光学浅水不适用,且不适用于富营养化水体的识别。目前,对于入海排口的污染监管,有待提供一种适用场合更广、通用性更强、识别更加准确的卫星监测方法。
发明内容
针对现有技术中存在的问题,本发明提供了一种基于高分辨率卫星影像的入海排口疑似排污识别方法,该方法主要包括以下步骤:
S1:通过高分辨率卫星获得多种水色类型、多时相的遥感反射率光谱,并对遥感反射率进行归一化处理,突出谱形特征,构成由归一化的遥感反射率光谱形成的训练样本集;其中,获取的多种水色类型除了异常水色也包含其他类型的水色,如高悬浮泥沙水体、离岸较远的清洁水体、水库水体、河道水体、养殖池塘水体、邻近岸的水体等,从而建立覆盖各个区域、季节、水色类型的遥感反射率光谱库。
S2:依据光谱之间的相似性特征,对训练样本集中的归一化的遥感反射率光谱进行聚类处理,得到多种水体光学类型及各自对应的中心光谱;根据所述中心光谱的光谱特征,确定各类水体光学类型所对应的水体状态;所述水体状态包括清洁水体状态、浑浊水体状态、富营养化水体状态、泥沙含量极高的水体状态或是容易被误分的滩涂,以及疑似污染水体状态。
S3:根据各类水体光学类型所对应的水体状态及光谱特征,提取确定对不同水体光学类型或水体状态具有敏感度的多个光谱参数,并将所述训练样本集中归一化的遥感反射率光谱的光谱参数、对应的水体光学类型作为真值,对机器学习模型进行迭代训练,得到水体光学类型分类模型;
S4:通过高分辨率卫星获取包括入海排口的目标区域的遥感反射率光谱,将提取确定的光谱参数输入所述水体光学类型分类模型,并以输出的水体光学类型作为识别结果。
具体的,所述步骤S1在进行归一化处理前,对高分辨率卫星获得的遥感影像进行了陆地掩膜、云掩膜处理,仅保留晴空水体像元;然后对晴空水体像元进行大气校正,提取得到晴空水体像元的遥感反射率光谱。优选的,基于通用瑞利散射查找表,采用适用于近岸区域的短波红外大气校正方法进行大气校正。
具体的,所述步骤S2中采用非监督聚类,优选使用Kmeans++聚类。通过聚类处理,至少能够获得五种以上的水体光学类型及各自对应的中心光谱,通过分析中心光谱的光谱特征,例如特征峰、特征谷、变化趋势等,可以确定各类水体光学类型所对应的水体状态,有利于疑似排污的遥感识别。
具体的,所述步骤S3中采用的机器学习模型优选为随机森林分类模型。
具体的,所述步骤S4中的所述目标区域包括入海排口在内的大气校正后的遥感影像,所述步骤S4逐个提取确定遥感影像上各个像元的光谱参数并输入所述水体光学类型分类模型,得到各个水体像元的水体光学类别,根据水体光学类型对应的水体状态,对是否存在疑似排污进行判断。
进一步的,所述方法还包括步骤S5:根据多期历史遥感影像获得所述目标区域的历史识别结果,追溯其是否长期排污,分析异常排水的过程及演变。
进一步的,所述方法还包括步骤S6:基于新的入海排口排污事件和对应的遥感影像,提取遥感影像上污染像元的遥感反射率光谱,对所述训练样本集进行动态更新,进一步完善水体光学类型分类模型,提高入海排口疑似排污识别准确率。
本发明提供的方法基于高分辨率卫星影像的光谱特征,建立入海排口疑似排污识别模型,可以快速筛查疑似污染排口,对沿岸入海排口水色状况进行动态全面监测,迅速、详细掌握污染产生、演变过程,有利于从面上对入海排口进行监督管理,节省人力、物力等资源,严格监督陆源污染物入海,改善近岸海域生态环境质量。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了具体实施方式中识别方法的流程图;
图2示出了具体实施方式中归一化的遥感反射率光谱的聚类结果;
图3示出了具体实施方式中的入海排口疑似排污识别示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的实施例,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些例举性的实施例是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“连接”、“连通”表示直接或通过其他组件间接的连接或连通。术语“第一”、“第二”等可以指代不同的或相同的对象,但并不直接表示先后顺序或重要程度的不同。下文还可能包括其他明确的和隐含的定义。
本具体实施方式以Sentinel-2的遥感影像为例,提供了一种基于高分辨率卫星影像的入海排口疑似排污识别方法,如图1所示,具体包括以下步骤:
步骤S1:构建训练样本集
(1)获取多时相的Sentinel-2高分辨率多光谱遥感影像,空间分辨率为10米,双星组合,重访周期为5天,各波段波长及波段号如下表所示:
波长 (nm) | 443 | 490 | 560 | 665 | 705 | 740 | 783 | 842 | 865 | 945 | 1375 | 1610 | 2190 |
波段号 | b1 | b2 | b3 | b4 | b5 | b6 | b7 | b8 | b8a | b9 | b10 | b11 | b12 |
表1. Sentinel-2各波段波长及对应波段号简称。
(2)对获取的多景遥感影像进行陆地掩膜,获取水体区域。基于近红外波段和红光波段两个波段的大气顶反射率,具体为865nm的大气顶反射率R(865nm)以及665nm的大气顶反射率R(665nm),计算归一化植被指数(NDVI),采用阈值法对陆地进行掩膜,NDVI通过下式计算得出。
(1)
(3)由于光学卫星影像会受云的干扰,需要剔除云覆盖的像元,获取晴空的水体像元。采用2190nm波段瑞利校正反射率,根据设定的阈值对云进行掩膜,最终仅保留晴空水体像元;
(4)对晴空水体像元进行大气校正,消除大气分子散射、气溶胶散射和水面反射的影响,获取水体遥感反射率。由于入海排口主要沿岸线分布,水体通常较为浑浊,因此采用适用于浑浊水体的短波红外大气校正方法。具体来讲,遥感器接收到的大气顶反射率如下式:
(2)
式中,ρr(λ)为大气瑞利散射反射率,ρa(λ)为气溶胶散射反射率,t(λ)为大气漫射透过率,ρw(λ)为需要求解的离水辐射反射率。为了简略表达,式中忽略了海面白冠和耀斑的贡献。基于波段等效瑞利散射光学厚度,以及各像元的太阳天顶角、卫星观测天顶角、太阳-卫星相对方位角,利用通用瑞利散射查找表,计算获得瑞利散射反射率。在瑞利散射校正之后,假设两个短波红外波段(SWIR,1610nm和2200nm)的离水辐射可以忽略不计,获得两个SWIR波段的气溶胶散射反射率,即瑞利校正后的反射率。最后,应用指数外推获得可见光和近红外波段的气溶胶散射反射率,如下式所示。
(3)
(4)
式中,ρrc是瑞利校正后的反射率,λSWIR1、λSWIR2分别是两个近红外波段的波长,λi是所计算的可见光及近红外波段的波长。在大气分子瑞利散射、气溶胶散射校正的基础上,进一步利用下式计算大气漫射透过率:
(5)
式中,τr为波段等效瑞利散射光学厚度。在上述校正的基础上,获得逐像元的遥感反射率Rrs(λ)。
(5)选取大量异常水色及正常水色的像元,作为训练样本点,提取各波段的遥感反射率光谱Rrs(λ);并基于样本点,对遥感反射率进行归一化处理,突出谱形特征,在此基础上建立训练样本集。其中,归一化遥感反射率nRrs(λ)计算公式为:
(6)
式中,为波长,N为波段数目,此处选用Sentinel-2前9个波段数据,/>从1至9变化,分别对应Sentinel-2前9个波段,即表1中的b1~b8a。归一化遥感反射率在光谱形状上与遥感反射率保持一致,同时,也减少了由于大气校正带来的误差。
步骤S2:聚类分析
(1)由于缺乏对逐像元水体光学类别的先验知识,对建立的训练样本集进行非监督聚类,使用Kmeans++聚类,根据Davies-Bouldin指数及轮廓系数(silhouettecoefficient)确定最优聚类数目,从而确定每一条光谱对应的分类类别。在本实施例中,共确定了14类水体光学类型,如附图1所示;
(2)根据对光谱形状的先验知识,清洁水体的峰值通常出现在490nm或560nm,富营养化水体通常在705nm附近出现峰值,悬浮泥沙含量较高的水体会在665nm出现峰值,并且在近红外波段的遥感反射率会抬升,而污染水体会呈现黑色、红棕色等水色,对应于遥感反射率的谱形上体现为整体反射率偏低,但仍在红光/近红外波段有明显的峰/谷值。因此,根据聚类得到的中心光谱的光谱特征,对特征峰、特征谷及变化趋势等进行分析,确定每一类水体光学类型对应的水体状态;在本实施例中,如图2所示,水体光学类型1~4对应的水体状态均是清洁水体状态,清洁度逐渐下降,5~10对应的是浑浊水体状态,且泥沙含量逐渐增加,11~12对应的是富营养化水体状态,13对应的是泥沙含量极高的水体状态或是容易被误分的滩涂,14为疑似污染水体状态。
步骤S3:建立水体光学类型分类模型
(1)除了样本点的前9个波段的归一化遥感反射率,基于不同水体光学类型的光谱特征,即对每一类的遥感反射率光谱,判断峰值和谷值出现的波段,特别是与其他类别相比,该类特有的峰、谷值位置或者变化趋势,确定了6个额外的光谱指数(OCI1~OCI6)作为输入变量,旨在强调突出不同水体状态的光谱特征。新增的6个额外的光谱指数分别经过了多景影像阈值法的测试,呈现出对黑臭水体、富营养化水体、高悬浮泥沙水体敏感性强的特点,可以用于疑似排污和正常水体的区分。分别为:
(7)
(8)
(9)
(10)
(11)
(12)
式(7)~式(12)中,b1~b8a分别为Sentinel-2前9个波段的波段号对应的遥感反射率的值的简称,具体波长见表1。OCI1~OCI6实际代表的含义分别为归一化黑臭水体差值指数、490nm波峰基线高、665nm波峰基线高、红边指数、近红外指数和四个波段波峰基线高的平均值。
(2)基于步骤S1建立的训练样本集、上述15个光谱参数,以及作为输出的步骤S2中聚类分析确定的每一条光谱的水体光学类型,对随机森林分类模型进行训练。模型参数包含树的数目、深度等,通过设置这些参数的变化范围,进行组合与遍历,最后利用混淆矩阵,即预测的类和实际的类之间的比较,来评估分类模型的准确性,以此来确定最优的模型参数。在最优的模型参数的基础上,最后确定了基于15个光谱参数的水体光学类型分类模型。
步骤S4:应用模型进行识别
(1)获取准实时更新的高分辨率卫星影像,对包括入海排口的目标区域进行准实时动态监测。通过与步骤S1类似的方法进行陆地掩膜、云掩膜及大气校正预处理,仅保留晴空水体像元,提取得到目标区域晴空水体像元的遥感反射率光谱;
(2)逐像元计算15个光谱参数,输入到步骤S3建立的水体光学类型分类模型,得到逐像元的水体光学类型分布图,识别出水色异常或疑似排污的入海排口。如图3所示,本实施例识别出在某入海排口附近出现明显的富营养化水体状态,闸后水塘内也存在部分疑似污染的水体状态。
进一步的,识别出异常状态后,可以根据多期历史遥感影像获得所述目标区域的历史识别结果,追溯其是否长期排污,并且根据准实时更新的影像分析异常排水的过程及演变。基于新的遥感影像和新的入海排口排污事件,可以进一步提取遥感影像上污染像元的遥感反射率光谱,对训练样本集进行动态更新,进一步完善水体光学类型分类模型。
通过本发明提供的识别方法,相关生态环境监测部门根据识别结果及时进行现场核查,并对可能的排污主体或单位进行跟踪调查与处理。
以上已经描述了本公开的各实施例,本领域技术人员应当理解上述说明仅仅是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对现有技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于高分辨率卫星影像的入海排口疑似排污识别方法,其特征在于,所述方法包括以下步骤:
S1:通过高分辨率卫星获得多种水色类型、多时相的遥感反射率光谱,并对遥感反射率进行归一化处理,突出谱形特征,构成由归一化的遥感反射率光谱形成的训练样本集;所述水色类型包括高悬浮泥沙水体、离岸清洁水体、水库水体、河道水体、养殖池塘水体、邻近岸的水体、污染水体;
S2:依据光谱之间的相似性特征,对训练样本集中的归一化的遥感反射率光谱进行聚类处理,得到多种水体光学类型及各自对应的中心光谱;根据所述中心光谱的光谱特征,确定各类水体光学类型所对应的水体状态;所述水体状态包括清洁水体状态、浑浊水体状态、富营养化水体状态、泥沙含量极高的水体状态或是容易被误分的滩涂,以及疑似污染水体状态;
S3:根据各类水体光学类型所对应的水体状态及光谱特征,提取确定对不同水体光学类型或水体状态具有敏感度的多个光谱参数,并将所述训练样本集中归一化的遥感反射率光谱的光谱参数、对应的水体光学类型作为真值,对机器学习模型进行迭代训练,得到水体光学类型分类模型;
S4:通过高分辨率卫星获取包括入海排口的目标区域的遥感反射率光谱,将提取确定的光谱参数输入所述水体光学类型分类模型,并以输出的水体光学类型作为识别结果。
2.根据权利要求1所述的一种基于高分辨率卫星影像的入海排口疑似排污识别方法,其特征在于,所述步骤S1在进行归一化处理前,对高分辨率卫星获得的遥感影像进行了陆地掩膜、云掩膜处理,仅保留晴空水体像元;然后对晴空水体像元进行大气校正,提取得到晴空水体像元的遥感反射率光谱。
3.根据权利要求2所述的一种基于高分辨率卫星影像的入海排口疑似排污识别方法,其特征在于,所述大气校正是根据通用瑞利散射查找表和短波红外大气校正方法进行大气校正。
4.根据权利要求1所述的一种基于高分辨率卫星影像的入海排口疑似排污识别方法,其特征在于,所述步骤S2中使用非监督聚类。
5.根据权利要求4所述的一种基于高分辨率卫星影像的入海排口疑似排污识别方法,其特征在于,所述步骤S2中使用Kmeans++聚类。
6.根据权利要求1所述的一种基于高分辨率卫星影像的入海排口疑似排污识别方法,其特征在于,所述步骤S2通过聚类处理,至少能够获得五种以上的水体光学类型及各自对应的中心光谱。
7.根据权利要求1所述的一种基于高分辨率卫星影像的入海排口疑似排污识别方法,其特征在于,所述步骤S3中采用的机器学习模型为随机森林分类模型。
8.根据权利要求1所述的一种基于高分辨率卫星影像的入海排口疑似排污识别方法,其特征在于,所述步骤S4中获取了包括入海排口在内的目标区域在大气校正后的遥感影像,并逐个提取确定遥感影像上各个像元的光谱参数并输入所述水体光学类型分类模型,得到各个水体像元的水体光学类型,根据水体光学类型对应的水体状态,对是否存在疑似排污进行判断。
9.根据权利要求1所述的一种基于高分辨率卫星影像的入海排口疑似排污识别方法,其特征在于,所述方法还包括步骤S5:根据多期历史遥感影像获得所述目标区域的历史识别结果,追溯其是否长期排污,分析异常排水的过程及演变。
10.根据权利要求9所述的一种基于高分辨率卫星影像的入海排口疑似排污识别方法,其特征在于,所述方法还包括步骤S6:基于新的入海排口排污事件和对应的遥感影像,提取遥感影像上污染像元的遥感反射率光谱,对所述训练样本集进行动态更新,进一步完善水体光学类型分类模型,提高入海排口疑似排污识别准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210493126.1A CN114781537B (zh) | 2022-05-07 | 2022-05-07 | 一种基于高分辨率卫星影像的入海排口疑似排污识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210493126.1A CN114781537B (zh) | 2022-05-07 | 2022-05-07 | 一种基于高分辨率卫星影像的入海排口疑似排污识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114781537A CN114781537A (zh) | 2022-07-22 |
CN114781537B true CN114781537B (zh) | 2024-04-16 |
Family
ID=82436031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210493126.1A Active CN114781537B (zh) | 2022-05-07 | 2022-05-07 | 一种基于高分辨率卫星影像的入海排口疑似排污识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781537B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115639159B (zh) * | 2022-12-08 | 2023-04-11 | 航天宏图信息技术股份有限公司 | 一种基于多光谱影像的废水污染监测方法和装置 |
CN115631408B (zh) * | 2022-12-20 | 2023-03-28 | 天地信息网络研究院(安徽)有限公司 | 一种星地协同的黑臭水体识别模型自动优化系统 |
CN116879237B (zh) * | 2023-09-04 | 2023-12-12 | 自然资源部第二海洋研究所 | 一种近海浑浊水体的大气校正方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971146A (zh) * | 2017-03-03 | 2017-07-21 | 环境保护部卫星环境应用中心 | 基于三查技术的水体异常遥感动态监控方法、装置和系统 |
CN109284709A (zh) * | 2018-09-19 | 2019-01-29 | 南京大学 | 一种基于耀光反射差异的海面溢油光学遥感检测方法 |
CN113326827A (zh) * | 2021-08-03 | 2021-08-31 | 南京信大环境科技有限公司 | 一种监测入海排污口水体的卫星遥感方法及系统 |
WO2021258758A1 (zh) * | 2020-06-22 | 2021-12-30 | 大连海洋大学 | 一种基于多因素的海岸线变化识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107356534B (zh) * | 2017-09-01 | 2023-04-21 | 孙兆华 | 水体原位表观光谱观测设备 |
-
2022
- 2022-05-07 CN CN202210493126.1A patent/CN114781537B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971146A (zh) * | 2017-03-03 | 2017-07-21 | 环境保护部卫星环境应用中心 | 基于三查技术的水体异常遥感动态监控方法、装置和系统 |
CN109284709A (zh) * | 2018-09-19 | 2019-01-29 | 南京大学 | 一种基于耀光反射差异的海面溢油光学遥感检测方法 |
WO2021258758A1 (zh) * | 2020-06-22 | 2021-12-30 | 大连海洋大学 | 一种基于多因素的海岸线变化识别方法 |
CN113326827A (zh) * | 2021-08-03 | 2021-08-31 | 南京信大环境科技有限公司 | 一种监测入海排污口水体的卫星遥感方法及系统 |
Non-Patent Citations (2)
Title |
---|
海面溢油光学卫星遥感监测能力分析;苏伟光;苏奋振;周成虎;杜云艳;;地球信息科学学报;20120815(04);107-114 * |
渤海陆源入海排污口的多尺度遥感监测分析;邬明权;牛铮;高帅;许时光;王李娟;;地球信息科学学报;20120615(03);129-134 * |
Also Published As
Publication number | Publication date |
---|---|
CN114781537A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114781537B (zh) | 一种基于高分辨率卫星影像的入海排口疑似排污识别方法 | |
Trier et al. | Tree species classification in Norway from airborne hyperspectral and airborne laser scanning data | |
CN110987955B (zh) | 一种基于决策树的城市黑臭水体分级方法 | |
CN112051222A (zh) | 一种基于高分卫星影像的河湖水质监测方法 | |
CN110865040A (zh) | 天空地一体化高光谱水质监测分析方法 | |
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 | |
CN112541921B (zh) | 城市绿地植被信息数据化精准测定方法 | |
CN112070234B (zh) | 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法 | |
CN113326827A (zh) | 一种监测入海排污口水体的卫星遥感方法及系统 | |
US20220129674A1 (en) | Method and device for determining extraction model of green tide coverage ratio based on mixed pixels | |
CN111122449A (zh) | 一种城市不透水面遥感提取方法及系统 | |
CN113109281B (zh) | 一种基于高光谱遥感的水质参数定量反演模型及其构建方法 | |
Zhao et al. | An investigation of multispectral imaging for the mapping of pigments in paintings | |
CN109300133B (zh) | 一种城市河网区水体提取方法 | |
CN115266632A (zh) | 一种水体污染源无人机高光谱遥感排查方法 | |
Concha et al. | Assessing the influence of different validation protocols on Ocean Colour match-up analyses | |
Liu et al. | Trophic state assessment of optically diverse lakes using Sentinel-3-derived trophic level index | |
CN117115077A (zh) | 一种湖泊蓝藻水华检测方法 | |
CN115187865B (zh) | 基于地物光谱的无人机影像近红外波段模拟方法、介质 | |
CN111310640A (zh) | Landsat8影像绿潮自适应阈值分区智能检测方法 | |
CN115439759A (zh) | 遥感影像中植被的提取方法、装置、电子设备及介质 | |
CN113011354A (zh) | 基于深度学习的无人机高光谱影像松材线虫病识别方法 | |
CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
CN112329790B (zh) | 一种城市不透水面信息快速提取方法 | |
Lunetta et al. | Measurement of water colour using AVIRIS imagery to assess the potential for an operational monitoring capability in the Pamlico Sound Estuary, USA |
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 |