CN114965918A - 一种基于卫星遥感图像的水质分析方法 - Google Patents

一种基于卫星遥感图像的水质分析方法 Download PDF

Info

Publication number
CN114965918A
CN114965918A CN202210416020.1A CN202210416020A CN114965918A CN 114965918 A CN114965918 A CN 114965918A CN 202210416020 A CN202210416020 A CN 202210416020A CN 114965918 A CN114965918 A CN 114965918A
Authority
CN
China
Prior art keywords
remote sensing
network model
satellite remote
water quality
water
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
Application number
CN202210416020.1A
Other languages
English (en)
Inventor
田庆兵
陈南旭
韩昕桐
宋泓铮
吴德军
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.)
Chongqing Liangjiang Ecological Fisheries Development Co ltd
Original Assignee
Chongqing Liangjiang Ecological Fisheries Development 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 Chongqing Liangjiang Ecological Fisheries Development Co ltd filed Critical Chongqing Liangjiang Ecological Fisheries Development Co ltd
Priority to CN202210416020.1A priority Critical patent/CN114965918A/zh
Publication of CN114965918A publication Critical patent/CN114965918A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y02A20/20—Controlling water pollution; Waste water treatment

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于卫星遥感图像的水质分析方法，包括：获取M个水体的N个波段内的K幅高分卫星遥感图像，以及M个水体的L种水质监测数据，其中，K＝M*N；分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对GoogLeNet网络模型进行训练，得到水质分析模型；获取待分析水体的若干幅待分析卫星遥感图像，其中待分析卫星遥感图像在N个波段内至少有一幅遥感图像；将若干幅待分析卫星遥感图像输入水质分析模型，得到待分析水体的水质分析结果。本发明提高了遥感技术对于水体监测的准确率，实现了分析水体的水质情况的功能。

Description

一种基于卫星遥感图像的水质分析方法
技术领域
本发明涉及水质分析技术领域，尤其涉及一种基于卫星遥感图像的水质分析方法。
背景技术
随着城镇化的快速扩张和工业快速发展，以及农业生产中化肥、农药的大量使用，大量城镇生活污水和工农业废水排入江、河、湖、库等水体，使水体的污染负荷不断增加；由于污染物对水体的污染，导致在水库中进行生态养殖也受水体污染影响较大，在水体污染时，会容易导致污染物质在鱼类中富集，进而影响人类的食品安全。
对水库中水体的保护，离不开富营养化水体监测监控。我国水环境监测监控技术目前存在一系列的问题，如监测频率较低；移动水质分析监控能力不强；不能实现快速、适时的水质检测，及时掌握水体富营养化状况变化的动态；监控网站的信息技术、联测联报的技术协调以及监测数据即时处理等能力还有待加强等。遥感技术是获取环境信息的有效工具，近年来，将遥感技术应用于水质进行分析监控，可以获取实时、连续和快速的环境信息，通过全面数据分析，为管理者提供宏观决策参考。但是现有的遥感技术对于水体监测准确率较低，不能分析水体的水质情况。
发明内容
本发明的主要目的在于提出一种基于卫星遥感图像的水质分析方法，旨在提高遥感技术对于水体监测的准确率，实现分析水体的水质情况。
为实现上述目的，本发明提供一种基于卫星遥感图像的水质分析方法，所述于卫星遥感图像的水质分析包括如下步骤：
获取M个水体的N个波段内的K幅高分卫星遥感图像，以及M个水体的 L种水质监测数据，其中，K＝M*N；
分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对GoogLeNet 网络模型进行训练，得到水质分析模型；
获取待分析水体的若干幅待分析卫星遥感图像，其中待分析卫星遥感图像在N个波段内至少有一幅遥感图像；
将若干幅待分析卫星遥感图像输入水质分析模型，得到待分析水体的水质分析结果。
可选地，所述获取M个水体的N个波段内的K幅高分卫星遥感图像的步骤包括：
接收M个水体的遥感图像数据；
根据卫星遥感数据的性能属性参数对遥感图像数据进行标定；
获取M个水体卫星影像标定增益参数、辐射定标偏置参数；采用所述增益参数中的反射率增益参数和所述辐射定标偏置参数中的反射率偏置参数将遥感图像数据的原始灰度值转换为表观反射率，利用所述增益参数中的辐射亮度增益参数、所述辐射定标偏置参数中的辐射亮度偏置参数将原始灰度值转换为辐射亮度值；
对标定后辐射亮度值进行大气校正；
采用卫星遥感数据中的地理坐标匹配的拼接方法将大气校正的影像进行影像拼接；
对拼接后的影像进行掩膜裁切，获取掩膜后的影像数据，得到M个水体的 N个波段内的K幅高分卫星遥感图像。
可选地，M个水体的L种水质监测数据为在M个水体采集的水进行水质分析得到的监测数据。
可选地，L种水质监测数据包括：叶绿素、悬浮物、总磷、总氮和/或总有机碳等。
可选地，N个波段至少包括蓝波段、绿波段、红波段和近红外波段。
可选地，所述分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对GoogLeNet网络模型进行训练，得到水质分析模型的步骤，包括：
分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对GoogLeNet 网络模型进行训练，第M次训练后的GoogLeNet网络模型，并得到GoogLeNet 网络模型的第一模型参数；
当GoogLeNet网络模型的第一模型参数未收敛，分别依次将M个水体的N 个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对GoogLeNet网络模型进行训练，第2M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第二模型参数；
当GoogLeNet网络模型的第二模型参数未收敛，依次类推，得到第X*M 次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第X模型参数；
当GoogLeNet网络模型的第X模型参数收敛，则将第X*M次训练后的 GoogLeNet网络模型作为水质分析模型。
可选地，所述分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对GoogLeNet网络模型进行训练，第M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第一模型参数的步骤，包括：
将第一个水体的N个波段内的N幅高分卫星遥感图像和与第一个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第一次训练后的 GoogLeNet网络模型；
将第二个水体的N个波段内的N幅高分卫星遥感图像和与第二个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第二次训练后的 GoogLeNet网络模型；
依次类推，将第M个水体的N个波段内的N幅高分卫星遥感图像和与第 M个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第一模型参数。
可选地，所述分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对GoogLeNet网络模型进行训练，第2M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第二模型参数的步骤，包括：
将第一个水体的N个波段内的N幅高分卫星遥感图像和与第一个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第M+1次训练后的 GoogLeNet网络模型；
将第二个水体的N个波段内的N幅高分卫星遥感图像和与第二个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第M+1次训练后的GoogLeNet网络模型；
依次类推，将第M个水体的N个波段内的N幅高分卫星遥感图像和与第 M个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第2M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第二模型参数。
本发明提供了一种基于卫星遥感图像的水质分析方法，获取M个水体的N 个波段内的K幅高分卫星遥感图像，以及M个水体的L种水质监测数据，其中，K＝M*N；分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对 GoogLeNet网络模型进行训练，得到水质分析模型；获取待分析水体的若干幅待分析卫星遥感图像，其中待分析卫星遥感图像在N个波段内至少有一幅遥感图像；将若干幅待分析卫星遥感图像输入水质分析模型，得到待分析水体的水质分析结果。通过上述方式，本发明提高了遥感技术对于水体监测的准确率，实现了分析水体的水质情况的功能。
附图说明
图1为本发明基于卫星遥感图像的水质分析方法的流程示意图；
图2为本发明基于卫星遥感图像的水质分析方法的Inception网络结构图；
图3为本发明基于卫星遥感图像的水质分析方法的GoogLeNet网络模型结构图；
图4为本发明基于卫星遥感图像的水质分析方法第一实施例步骤S20具体的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明基于卫星遥感图像的水质分析方法第一实施例的流程示意图。
本发明实施例中，该基于卫星遥感图像的水质分析方法应用于水质分析装置，所述基于卫星遥感图像的水质分析方法包括：
步骤S10，获取M个水体的N个波段内的K幅高分卫星遥感图像，以及 M个水体的L种水质监测数据，其中，K＝M*N；
在本实施例中，为了提高遥感技术对于水体监测的准确率，实现分析水体的水质情况。水质分析装置获取M个水体的N个波段内的K幅高分卫星遥感图像，以及M个水体的L种水质监测数据，其中，K＝M*N。其中，M个水体的L种水质监测数据为在M个水体采集的水进行水质分析得到的监测数据。L 种水质监测数据包括：叶绿素、悬浮物、总磷、总氮和/或总有机碳等。N个波段至少包括蓝波段、绿波段、红波段和近红外波段。
步骤S10获取M个水体的N个波段内的K幅高分卫星遥感图像，可以包括：
步骤S11，接收M个水体的遥感图像数据；
在本实施例中，为了提高遥感技术对于水体监测的准确率，实现分析水体的水质情况。水质分析装置接收M个水体的遥感图像数据；
步骤S12，根据卫星遥感数据的性能属性参数对遥感图像数据进行标定；
在本实施例中，水质分析装置在接收M个水体的遥感图像数据之后，根据卫星遥感数据的性能属性参数对遥感图像数据进行标定。
步骤S13，获取M个水体卫星影像标定增益参数、辐射定标偏置参数；采用所述增益参数中的反射率增益参数和所述辐射定标偏置参数中的反射率偏置参数将遥感图像数据的原始灰度值转换为表观反射率，利用所述增益参数中的辐射亮度增益参数、所述辐射定标偏置参数中的辐射亮度偏置参数将原始灰度值转换为辐射亮度值；
在本实施例中，水质分析装置在对遥感图像数据进行标定之后，获取M个水体卫星影像标定增益参数、辐射定标偏置参数；采用所述增益参数中的反射率增益参数和所述辐射定标偏置参数中的反射率偏置参数将遥感图像数据的原始灰度值转换为表观反射率，利用所述增益参数中的辐射亮度增益参数、所述辐射定标偏置参数中的辐射亮度偏置参数将原始灰度值转换为辐射亮度值；
步骤S14，对标定后辐射亮度值进行大气校正；
在本实施例中，水质分析装置在采用所述增益参数中的反射率增益参数和所述辐射定标偏置参数中的反射率偏置参数将遥感图像数据的原始灰度值转换为表观反射率，利用所述增益参数中的辐射亮度增益参数、所述辐射定标偏置参数中的辐射亮度偏置参数将原始灰度值转换为辐射亮度值之后，对标定后辐射亮度值进行大气校正。
步骤S15，采用基于地理坐标匹配的拼接方法将FLAASH大气校正的影像进行影像拼接；
在本实施例中，水质分析装置在对标定后辐射亮度值进行大气校正之后，采用卫星遥感数据中的地理坐标匹配的拼接方法将大气校正的影像进行影像拼接。
步骤S16，对拼接后的影像进行掩膜裁切，获取掩膜后的影像数据，得到 M个水体的N个波段内的K幅高分卫星遥感图像。
在本实施例中，水质分析装置在采用卫星遥感数据中的地理坐标匹配的拼接方法将大气校正的影像进行影像拼接之后，对拼接后的影像进行掩膜裁切，获取掩膜后的影像数据，得到M个水体的N个波段内的K幅高分卫星遥感图像。
步骤S20，分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对 GoogLeNet网络模型进行训练，得到水质分析模型；
在本实施例中，水质分析装置在获取了获取M个水体的N个波段内的K 幅高分卫星遥感图像，以及M个水体的L种水质监测数据之后，分别依次将M 个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L 种水质监测数据输入GoogLeNet网络模型，对GoogLeNet网络模型进行训练，得到水质分析模型。如图2所示，对图像进行训练的过程中，会出现，参数太多，如果训练数据集有限，很容易产生过拟合；网络越大、参数越多，计算复杂度越大，难以应用；网络层数的增多容易引发梯度弥散问题(即随着网络层数的增加梯度会逐渐消失)，导致模型难以优化的情况发生，需要减少参数和增加网络深度和宽度。在Inception网络结构的基础上，利用众多的小型稀疏结构搭建一个大的密集结构，既能充分利用计算资源，又能提升神经网络模型的学习能力。如图3所示，在Inception结构中添加了Reduction Block，得到了 GoogLeNet网络模型；GoogLeNet网络模型也为Inception V4网络结构。
步骤S20分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对 GoogLeNet网络模型进行训练，得到水质分析模型，可以包括：
步骤S21，分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对 GoogLeNet网络模型进行训练，第M次训练后的GoogLeNet网络模型，并得到 GoogLeNet网络模型的第一模型参数；
在本实施例中，水质分析装置在获获取M个水体的N个波段内的K幅高分卫星遥感图像，以及M个水体的L种水质监测数据之后，分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L 种水质监测数据输入GoogLeNet网络模型，对GoogLeNet网络模型进行训练，第M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第一模型参数。
步骤S21分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对 GoogLeNet网络模型进行训练，第M次训练后的GoogLeNet网络模型，并得到 GoogLeNet网络模型的第一模型参数，包括：
步骤S211，将第一个水体的N个波段内的N幅高分卫星遥感图像和与第一个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第一次训练后的GoogLeNet网络模型；
在本实施例中，水质分析装置在获获取M个水体的N个波段内的K幅高分卫星遥感图像，以及M个水体的L种水质监测数据之后，将第一个水体的N 个波段内的N幅高分卫星遥感图像和与第一个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第一次训练后的GoogLeNet网络模型。
步骤S212，将第二个水体的N个波段内的N幅高分卫星遥感图像和与第二个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第二次训练后的GoogLeNet网络模型；
在本实施例中，水质分析装置在得到第一次训练后的GoogLeNet网络模型之后，将第二个水体的N个波段内的N幅高分卫星遥感图像和与第二个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第二次训练后的 GoogLeNet网络模型；
步骤S213，依次类推，将第M个水体的N个波段内的N幅高分卫星遥感图像和与第M个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第一模型参数。
在本实施例中，依次类推，水质分析装置在得到第M-1次训练后的 GoogLeNet网络模型之后，将第M个水体的N个波段内的N幅高分卫星遥感图像和与第M个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第一模型参数。
步骤S22，当GoogLeNet网络模型的第一模型参数未收敛，分别依次将M 个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L 种水质监测数据输入GoogLeNet网络模型，对GoogLeNet网络模型进行训练，第2M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第二模型参数。
在本实施例中，水质分析装置在判断第一模型参数未收敛之后，分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对GoogLeNet网络模型进行训练，第2M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第二模型参数。
步骤S22分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对GoogLeNet网络模型进行训练，第2M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第二模型参数的步骤，包括：
步骤S221，将第一个水体的N个波段内的N幅高分卫星遥感图像和与第一个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第M+1次训练后的GoogLeNet网络模型；
在本实施例中，水质分析装置在判断第一模型参数未收敛之后，将第一个水体的N个波段内的N幅高分卫星遥感图像和与第一个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第M+1次训练后的GoogLeNet网络模型；
步骤S222，将第二个水体的N个波段内的N幅高分卫星遥感图像和与第二个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第M+1次训练后的GoogLeNet网络模型；
在本实施例中，水质分析装置在得到第M+1次训练后的GoogLeNet网络模型之后，将第二个水体的N个波段内的N幅高分卫星遥感图像和与第二个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第M+1次训练后的GoogLeNet网络模型。
步骤S223，依次类推，将第M个水体的N个波段内的N幅高分卫星遥感图像和与第M个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第2M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第二模型参数。
在本实施例中，依次类推，水质分析装置在得到第2M-1次训练后的 GoogLeNet网络模型之后，将第M个水体的N个波段内的N幅高分卫星遥感图像和与第M个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第2M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第二模型参数。
步骤S23，当GoogLeNet网络模型的第二模型参数未收敛，依次类推，得到第X*M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第 X模型参数；
在本实施例中，水质分析装置在判断第二型参数未收敛之后，如步骤S22，得到第X*M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第X模型参数；
步骤S24，当GoogLeNet网络模型的第X模型参数收敛，则将第X*M次训练后的GoogLeNet网络模型作为水质分析模型。
在本实施例中，水质分析装置在得到得到第X*M次训练后的GoogLeNet 网络模型，并得到GoogLeNet网络模型的第X模型参数之后，当GoogLeNet 网络模型的第X模型参数收敛，则将第X*M次训练后的GoogLeNet网络模型作为水质分析模型。
步骤S30，获取待分析水体的若干幅待分析卫星遥感图像，其中待分析卫星遥感图像在N个波段内至少有一幅遥感图像；
在本实施例中，水质分析装置在得到了水质分析模型之后，获取待分析水体的若干幅待分析卫星遥感图像，其中待分析卫星遥感图像在N个波段内至少有一幅遥感图像。
步骤S40，将若干幅待分析卫星遥感图像输入水质分析模型，得到待分析水体的水质分析结果；
在本实施例中，水质分析装置在得到了待分析水体的若干幅待分析卫星遥感图像之后，将若干幅待分析卫星遥感图像输入水质分析模型，得到待分析水体的水质分析结果。
本实施例通过上述方案，获取M个水体的N个波段内的K幅高分卫星遥感图像，以及M个水体的L种水质监测数据，其中，K＝M*N；分别依次将M 个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L 种水质监测数据输入GoogLeNet网络模型，对GoogLeNet网络模型进行训练，得到水质分析模型；获取待分析水体的若干幅待分析卫星遥感图像，其中待分析卫星遥感图像在N个波段内至少有一幅遥感图像；将若干幅待分析卫星遥感图像输入水质分析模型，得到待分析水体的水质分析结果。提高了遥感技术对于水体监测的准确率，实现了分析水体的水质情况的功能。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘) 中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于卫星遥感图像的水质分析方法，其特征在于，所述方法包括：
获取M个水体的N个波段内的K幅高分卫星遥感图像，以及M个水体的L种水质监测数据，其中，K＝M*N；
分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对GoogLeNet网络模型进行训练，得到水质分析模型；
获取待分析水体的若干幅待分析卫星遥感图像，其中待分析卫星遥感图像在N个波段内至少有一幅遥感图像；
将若干幅待分析卫星遥感图像输入水质分析模型，得到待分析水体的水质分析结果。
2.根据权利要求1所述的基于卫星遥感图像的水质分析方法，其特征在于，获取M个水体的N个波段内的K幅高分卫星遥感图像的步骤包括：
接收M个水体的遥感图像数据；
根据卫星遥感数据的性能属性参数对遥感图像数据进行标定；
获取M个水体卫星影像标定增益参数、辐射定标偏置参数；采用所述增益参数中的反射率增益参数和所述辐射定标偏置参数中的反射率偏置参数将遥感图像数据的原始灰度值转换为表观反射率，利用所述增益参数中的辐射亮度增益参数、所述辐射定标偏置参数中的辐射亮度偏置参数将原始灰度值转换为辐射亮度值；
对标定后辐射亮度值进行大气校正；
采用卫星遥感数据中的地理坐标匹配的拼接方法将大气校正的影像进行影像拼接；
对拼接后的影像进行掩膜裁切，获取掩膜后的影像数据，得到M个水体的N个波段内的K幅高分卫星遥感图像。
3.根据权利要求1所述的基于卫星遥感图像的水质分析方法，其特征在于，M个水体的L种水质监测数据为在M个水体采集的水进行水质分析得到的监测数据。
4.根据权利要求3所述的基于卫星遥感图像的水质分析方法，其特征在于，L种水质监测数据包括：叶绿素、悬浮物、总磷、总氮和/或总有机碳等。
5.根据权利要求1所述的基于卫星遥感图像的水质分析方法，其特征在于，N个波段至少包括蓝波段、绿波段、红波段和近红外波段。
6.根据权利要求1所述的基于卫星遥感图像的水质分析方法，其特征在于，分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对GoogLeNet网络模型进行训练，得到水质分析模型的步骤，包括：
分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对GoogLeNet网络模型进行训练，第M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第一模型参数；
当GoogLeNet网络模型的第一模型参数未收敛，分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对GoogLeNet网络模型进行训练，第2M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第二模型参数；
当GoogLeNet网络模型的第二模型参数未收敛，依次类推，得到第X*M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第X模型参数；
当GoogLeNet网络模型的第X模型参数收敛，则将第X*M次训练后的GoogLeNet网络模型作为水质分析模型。
7.根据权利要求6所述的基于卫星遥感图像的水质分析方法，其特征在于，分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对GoogLeNet网络模型进行训练，第M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第一模型参数的步骤，包括：
将第一个水体的N个波段内的N幅高分卫星遥感图像和与第一个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第一次训练后的GoogLeNet网络模型；
将第二个水体的N个波段内的N幅高分卫星遥感图像和与第二个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第二次训练后的GoogLeNet网络模型；
依次类推，将第M个水体的N个波段内的N幅高分卫星遥感图像和与第M个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第一模型参数。
8.根据权利要求6所述的基于卫星遥感图像的水质分析方法，其特征在于，分别依次将M个水体的N个波段内的K幅高分卫星遥感图像和与高分卫星遥感图像对应的L种水质监测数据输入GoogLeNet网络模型，对GoogLeNet网络模型进行训练，第2M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第二模型参数的步骤，包括：
将第一个水体的N个波段内的N幅高分卫星遥感图像和与第一个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第M+1次训练后的GoogLeNet网络模型；
将第二个水体的N个波段内的N幅高分卫星遥感图像和与第二个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第M+1次训练后的GoogLeNet网络模型；
依次类推，将第M个水体的N个波段内的N幅高分卫星遥感图像和与第M个水体对应的L种水质监测数据输入GoogLeNet网络模型，得到第2M次训练后的GoogLeNet网络模型，并得到GoogLeNet网络模型的第二模型参数。
CN202210416020.1A 2022-04-20 2022-04-20 一种基于卫星遥感图像的水质分析方法 Pending CN114965918A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210416020.1A CN114965918A (zh) 2022-04-20 2022-04-20 一种基于卫星遥感图像的水质分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210416020.1A CN114965918A (zh) 2022-04-20 2022-04-20 一种基于卫星遥感图像的水质分析方法

Publications (1)

Publication Number Publication Date
CN114965918A true CN114965918A (zh) 2022-08-30

Family

ID=82978240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210416020.1A Pending CN114965918A (zh) 2022-04-20 2022-04-20 一种基于卫星遥感图像的水质分析方法

Country Status (1)

Country Link
CN (1) CN114965918A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160061665A1 (en) * 2014-09-02 2016-03-03 Polaris Sensor Technologies, Inc. Wide-Area Real-Time Method for Detecting Foreign Fluids on Water Surfaces
CN108169445A (zh) * 2017-12-26 2018-06-15 潘远新 一种有效的湖泊水质监测系统
US20190033447A1 (en) * 2017-01-06 2019-01-31 Massachusetts Institute Of Technology Systems and methods for detecting objects in underwater environments
CN110246151A (zh) * 2019-06-03 2019-09-17 南京工程学院 一种基于深度学习和单目视觉的水下机器人目标跟踪方法
CN111104860A (zh) * 2019-11-19 2020-05-05 浙江工业大学 一种基于机器视觉的无人机水质色度监测方法
CN112051222A (zh) * 2020-08-30 2020-12-08 山东锋士信息技术有限公司 一种基于高分卫星影像的河湖水质监测方法
CN112464746A (zh) * 2020-11-10 2021-03-09 清华苏州环境创新研究院 一种卫星影像和机器学习的水质监测方法及系统
CN112734694A (zh) * 2020-12-19 2021-04-30 闫耀伟 一种基于大数据的水质监测方法
CN114207665A (zh) * 2021-04-16 2022-03-18 长沙有色冶金设计研究院有限公司 基于深度学习的水质图像分析方法、系统、设备及介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160061665A1 (en) * 2014-09-02 2016-03-03 Polaris Sensor Technologies, Inc. Wide-Area Real-Time Method for Detecting Foreign Fluids on Water Surfaces
US20190033447A1 (en) * 2017-01-06 2019-01-31 Massachusetts Institute Of Technology Systems and methods for detecting objects in underwater environments
CN108169445A (zh) * 2017-12-26 2018-06-15 潘远新 一种有效的湖泊水质监测系统
CN110246151A (zh) * 2019-06-03 2019-09-17 南京工程学院 一种基于深度学习和单目视觉的水下机器人目标跟踪方法
CN111104860A (zh) * 2019-11-19 2020-05-05 浙江工业大学 一种基于机器视觉的无人机水质色度监测方法
CN112051222A (zh) * 2020-08-30 2020-12-08 山东锋士信息技术有限公司 一种基于高分卫星影像的河湖水质监测方法
CN112464746A (zh) * 2020-11-10 2021-03-09 清华苏州环境创新研究院 一种卫星影像和机器学习的水质监测方法及系统
CN112734694A (zh) * 2020-12-19 2021-04-30 闫耀伟 一种基于大数据的水质监测方法
CN114207665A (zh) * 2021-04-16 2022-03-18 长沙有色冶金设计研究院有限公司 基于深度学习的水质图像分析方法、系统、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
薛惠锋 等: "《深度学习 卷积神经网络技术与实践》", 31 December 2008, 国防工业出版社, pages: 142 - 143 *

Similar Documents

Publication Publication Date Title
Sharaf El Din et al. Mapping concentrations of surface water quality parameters using a novel remote sensing and artificial intelligence framework
CN116994140A (zh) 基于遥感影像的耕地提取方法、装置、设备和介质
Ariza-Avidad et al. Feasibility of the use of disposable optical tongue based on neural networks for heavy metal identification and determination
CN116384776B (zh) 基于模糊评价的场地污染评估方法、系统及存储介质
CN115690632A (zh) 一种内陆河流水体的水环境监测方法
CN107680081B (zh) 基于卷积神经网络的高光谱图像解混方法
CN110458147B (zh) 人工智能云计算非应用感应器的液体气体污染排放监控方法
CN117726978A (zh) 基于化工区域排放废水的水体检测方法及装置
CN115169728A (zh) 一种基于简化神经网络的土壤肥力预测方法
CN114965918A (zh) 一种基于卫星遥感图像的水质分析方法
CN112200456B (zh) 企业环境影响评估方法、装置、设备及计算机存储介质
CN117056807A (zh) 基于语义分割网络和长短期记忆网络的集成云检测方法、可读存储介质及计算设备
CN115424134B (zh) 一种基于遥感影像的污染入海通量预测方法以及装置
CN116913047A (zh) 一种流域农业面源污染物溯源方法和预警系统
Sahoo et al. Transforming Agriculture through Artificial Intelligence: Advancements in Plant Disease Detection, Applications, and Challenges
Ivanda et al. An application of 1D convolution and deep learning to remote sensing modelling of Secchi depth in the northern Adriatic Sea
CN114549958B (zh) 基于上下文信息感知机理的夜间和伪装目标检测方法
CN113624778B (zh) 一种基于遥感影像反演的水质污染溯源系统和方法
CN113466135A (zh) 一种基于gee的海水水质在线反演监测方法
Yavari et al. Effect of shadow removal by gamma correction in SMQT algorithm in environmental application
Hay et al. Remote Sensing and Soil Quality
Teimouri et al. Statistical inference for Birnbaum-Saunders and Weibull distributions fitted to grouped and ungrouped data
Subramani et al. WHO-YOLO NET: soil prediction and classification based on YOLOV3 with whale optimization
Johantges et al. Development of gridded reference graphics using machine learning and a customized geoprocessing workflow
Saha et al. A Novel and Efficient Spatiotemporal Oxygen Production Estimation Based on Land Vegetation Using PNN and Convolutional Autoencoder

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