CN115439757A - 一种基于遥感影像的水质污染源溯源方法、装置以及设备 - Google Patents
一种基于遥感影像的水质污染源溯源方法、装置以及设备 Download PDFInfo
- Publication number
- CN115439757A CN115439757A CN202211033939.9A CN202211033939A CN115439757A CN 115439757 A CN115439757 A CN 115439757A CN 202211033939 A CN202211033939 A CN 202211033939A CN 115439757 A CN115439757 A CN 115439757A
- Authority
- CN
- China
- Prior art keywords
- water quality
- pollution
- water
- data
- water body
- 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 329
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005070 sampling Methods 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000007637 random forest analysis Methods 0.000 claims abstract description 20
- 238000003911 water pollution Methods 0.000 claims abstract description 16
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 210000000746 body region Anatomy 0.000 claims description 12
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000011144 upstream manufacturing Methods 0.000 claims description 9
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 229930002875 chlorophyll Natural products 0.000 claims description 8
- 235000019804 chlorophyll Nutrition 0.000 claims description 8
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 8
- 229910052757 nitrogen Inorganic materials 0.000 claims description 8
- 229910052760 oxygen Inorganic materials 0.000 claims description 8
- 239000001301 oxygen Substances 0.000 claims description 8
- 229910052698 phosphorus Inorganic materials 0.000 claims description 8
- 239000011574 phosphorus Substances 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 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
- 238000003066 decision tree Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000002351 wastewater Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009374 poultry farming Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Astronomy & Astrophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明涉及地理信息技术领域,特别涉及一种基于遥感影像的水质污染源溯源方法,包括:获得目标区域的正射影像,剔除正射影像中的非水体区域,获取目标区域的水体影像,并根据预设的采样点数目,获取目标区域的水体影像中各个采样点对应的水质数据;获取目标区域的水体影像中各个采样点对应的波段数据,将同一采样点对应的水质数据以及波段数据进行组合,获取若干个采样点对应的训练数据组;将若干个采样点对应的训练数据组输入至随机森林神经网络模型进行训练,获取水质预测模型;将目标区域正射影像输入至水质预测模型,获取目标区域的水体区域的水质预测数据,根据目标区域的水体区域的水质预测数据,获取目标区域的污染源区域检测结果。
Description
技术领域
本发明涉及地理信息技术领域,特别涉及是一种基于遥感影像的水质污染源溯源方法、装置、设备以及存储介质。
背景技术
近年来,随着人口的增长、工业化速度加快,城市化的步伐提高,工业、水产养殖业、家禽养殖业、畜牧业等的发展迅速。上述产业都在不同程度地产生废水,但由于污水排放的净化技术和管理成本较高,污水处理的还没有完全普及,因此,部分地区,特别是监管难度较大的区域,污水直接排入江河湖海的情况时有发生。但鉴于面积范围大,造成的污染溯源具有相当的难度,为水污染监管造成了较大的难题。
发明内容
基于此,本发明的目的在于,提供一种基于遥感影像的水质污染源溯源方法、装置、设备以及存储介质,通过获取目标区域的遥感影像中的水质数据以及波段数据,采用深度学习方法,构建水质预测模型,准确、快速地获取目标区域的水质预测数据,并根据水质预测数据,获取所述目标区域的污染源区域检测结果。
第一方面,本申请实施例提供了一种基于遥感影像的水质污染源溯源方法,包括以下步骤:
获取目标区域的若干个遥感影像,将所述若干个遥感影像进行拼接,获得所述目标区域的正射影像,其中,所述正射影像包括水体区域以为非水体区域;
剔除所述正射影像中的非水体区域,获取所述目标区域的水体影像,并根据预设的采样点数目,获取所述目标区域的水体影像中各个采样点对应的水质数据;
获取所述目标区域的水体影像中各个采样点对应的波段数据,将所述同一采样点对应的水质数据以及波段数据进行组合,获取若干个所述采样点对应的训练数据组;
将所述波段数据作为自变量,所述水质数据作为因变量,构建随机森林神经网络模型,将若干个所述采样点对应的训练数据组输入至所述随机森林神经网络模型进行训练,获取水质预测模型;
将所述目标区域正射影像输入至所述水质预测模型,获取所述目标区域的水体区域的水质预测数据,根据所述目标区域的水体区域的水质预测数据,获取所述目标区域的污染源区域检测结果。
第二方面,本申请实施例提供了一种基于遥感影像的水质污染源溯源装置,包括:
正射影像获取模块,用于获取目标区域的若干个遥感影像,将所述若干个遥感影像进行拼接,获得所述目标区域的正射影像,其中,所述正射影像包括水体区域以为非水体区域;
水质数据获取模块,用于剔除所述正射影像中的非水体区域,获取所述目标区域的水体影像,并根据预设的采样点数目,获取所述目标区域的水体影像中各个采样点对应的水质数据;
训练数据获取模块,用于获取所述目标区域的水体影像中各个采样点对应的波段数据,将所述同一采样点对应的水质数据以及波段数据进行组合,获取若干个所述采样点对应的训练数据组;
模型训练模块,用于将所述波段数据作为自变量,所述水质数据作为因变量,构建随机森林神经网络模型,将若干个所述采样点对应的训练数据组输入至所述随机森林神经网络模型进行训练,获取水质预测模型;
污染源检测模块,用于将所述目标区域正射影像输入至所述水质预测模型,获取所述目标区域的水体区域的水质预测数据,根据所述目标区域的水体区域的水质预测数据,获取所述目标区域的污染源区域检测结果。
第三方面,本申请实施例提供了一种计算机设备,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述计算机程序被所述处理器执行时实现如第一方面所述基于遥感影像的水质污染源溯源方法的步骤。
第四方面,本申请实施例提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的基于遥感影像的水质污染源溯源方法的步骤。
在本申请实施例中,提供一种基于遥感影像的水质污染源溯源方法、装置、设备以及存储介质,通过获取目标区域的遥感影像中的水质数据以及波段数据,采用深度学习方法,构建水质预测模型,准确、快速地获取目标区域的水质预测数据,并根据水质预测数据,获取所述目标区域的污染源区域检测结果。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本申请一个实施例提供的基于遥感影像的水质污染源溯源方法的流程示意图;
图2为本申请另一个实施例提供的基于遥感影像的水质污染源溯源方法的流程示意图;
图3为本申请一个实施例提供的基于遥感影像的水质污染源溯源方法中S2的流程示意图;
图4为本申请一个实施例提供的基于遥感影像的水质污染源溯源方法中S5的流程示意图;
图5为本申请一个实施例提供的基于遥感影像的水质污染源溯源方法中S52的流程示意图;
图6为本申请一个实施例提供的基于遥感影像的水质污染源溯源装置的结构示意图;
图7为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1,图1为本申请一个实施例提供的基于遥感影像的水质污染源溯源方法的流程示意图,所述方法包括如下步骤:
S1:获取目标区域的若干个遥感影像,将所述若干个遥感影像进行拼接,获得所述目标区域的正射影像。
所述基于遥感影像的水质污染源溯源方法的执行主体为基于遥感影像的水质污染源溯源方法的溯源设备(以下简称溯源设备),在一个可选的实施例中,所述溯源设备可以是一台计算机设备可以是服务器,或是多台计算机设备联合而成的服务器机群。
所述遥感影像为多光谱遥感影像,在本实施例中,溯源设备可以获取用户输入的目标区域的若干个遥感影像,也可以通过无人机,获取目标区域的若干个遥感影像,将所述若干个遥感影像进行拼接,获得所述目标区域的正射影像,其中,所述正射影像包括水体区域以为非水体区域。
S2:剔除所述正射影像中的非水体区域,获取所述目标区域的水体影像,并根据预设的采样点数目,获取所述目标区域的水体影像中各个采样点对应的水质数据。
为了降低运算的复杂性,提高波段数据获取的效率,在本实施例中,溯源设备剔除所述多光谱影像中的非水体区域,获取所述样本区域的水体影像。
并根据预设的采样点数目,获取所述目标区域的水体影像中各个采样点,具体地,溯源设备以方便原则和均匀原则,在所述目标区域中布设10个采样点,并获取所述样本区域的水体影像中各个采样区域对应的水质数据,其中,所述水质数据包括化学需氧量数据、总氮数据、总磷数据以及叶绿素数据。
请参阅图2,图2为本申请另一个实施例提供的基于遥感影像的水质污染源溯源方法的流程示意图,包括步骤S6,所述步骤S6在步骤S2之前,具体如下:
S6:对所述正射影像进行预处理,获取预处理后的正射影像,其中,所述预处理包括辐射定标以及大气校正。
在本实施例中,溯源设备对所述正射影像进行辐射定标以及大气校正,获取预处理后的正射影像,提高对正射影像的波段数据测量的准确性。
请参阅图3,图3为本申请一个实施例提供的基于遥感影像的水质污染源溯源方法中S2的流程示意图,包括步骤S21~S22,具体如下:
S21:获取样本区域对应的水体影像以及所述水体影像中各个像元的绿光波段值以及近红外波段值,根据预设的归一化水分指数计算算法,对所述样本区域对应的水体影像中各个像元的归一化水分指数值进行计算,获得最小归一化水分指数值,作为水体像元区分阈值。
所述归一化水分指数计算算法为:
式中,Bgreen为所述绿光波段值,BNIR为所述近红外波段值,NDWI为归一化水分指数;
在本实施例中,溯源设备获取样本区域对应的水体影像以及所述水体影像中各个像元的绿光波段值以及近红外波段值,根据预设的归一化水分指数计算算法,对所述样本区域对应的水体影像中各个像元的归一化水分指数值进行计算,获得最小归一化水分指数值,作为水体像元区分阈值。
S22:获取所述正射影像的各个像元的绿光波段值以及近红外波段值,根据所述归一化水分指数计算算法,获取所述正射影像中各个像元的归一化水分指数值,根据所述正射影像中各个像元的归一化水分指数值以及水体像元区分阈值,获取所述正射影像中的若干个水体像元,将所述若干个水体像元进行组合,获取所述目标区域的水体影像。
所述水体影像是包括水体区域的正射影像,在本实施例中,溯源设备将所述正射影像中各个像元对应的归一化水分指数分别与所述水体分割阈值进行对比,当所述像元对应的归一化水分指数大于水体分割阈值,将所述像元设置为水体像元,当所述像元对应的归一化水分指数小于或等于水体分割阈值,将所述像元设置为陆地像元,剔除所述正射影像中的陆地像元,获取所述正射影像的水体区域对应的水体影像,作为所述目标区域的水体影像。
S3:获取所述目标区域的水体影像中各个采样点对应的波段数据,将所述同一采样点对应的水质数据以及波段数据进行组合,获取若干个所述采样点对应的训练数据组。
所述波段数据包括蓝波段反射率、绿波段反射率、红波段反射率及近红外波段反射率。在本实施例中,溯源设备获取所述目标区域的水体影像中各个采样点对应的波段数据,将所述同一采样点对应的水质数据以及波段数据进行组合,获取若干个所述采样点对应的训练数据组。具体地,溯源设备可以获取所述目标区域的水体影像中各个采样点的坐标数据,以所述各个采样点的坐标数据作为圆心,根据预设的半径,获取各个采样点对应的采样区域,获取所述各个采样点对应的采样区域中各个像元对应的波段数据,进行平均处理,获取获取所述各个采样点对应的采样区域对应的平均波段数据,作为所述目标区域的水体影像中各个采样点对应的波段数据。
S4:将所述波段数据作为自变量,所述水质数据作为因变量,构建随机森林神经网络模型,将若干个所述采样点对应的训练数据组输入至所述随机森林神经网络模型进行训练,获取水质预测模型。
所述随机森林神经网络模型是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。
在本实施例中,溯源设备将所述波段数据作为自变量,所述水质数据作为因变量,构建随机森林神经网络模型,将若干个所述采样点对应的训练数据组输入至所述随机森林神经网络模型进行训练,获取水质预测模型。
具体地,由于水质数据包括总氮数据、总磷数据、化学需氧量数据以及叶绿素数据,溯源设备通过设置所述采样点对应的水质数据对应的特征变量数据集,其中,所述特征变量数据集包括特征变量,所述特征变量包括总氮特征变量、总磷特征变量、化学需氧量特征变量以及叶绿素特征变量;
溯源设备从所述若干个采样点对应的训练数据组,从所述采样点对应的水质数据对应的特征变量数据集中,随机由放回的抽取若干个n份样本,为所述n份样本的每一份样本随机选择m个特征变量,生成与该份样本对应的决策树模型,对每个决策树模型的m个特征变量中随机选择一个特征变量作为节点进行分裂,当基尼系数最小时停止分裂,构建随机森林神经网络模型,将若干个所述采样点对应的训练数据组输入至所述随机森林神经网络模型进行训练,获取水质预测模型。
S5:将所述目标区域正射影像输入至所述水质预测模型,获取所述目标区域的水体区域的水质预测数据,根据所述目标区域的水体区域的水质预测数据,获取所述目标区域的污染源区域检测结果。
在本实施例中,溯源设备将所述目标区域正射影像输入至所述水质预测模型,获取所述目标区域的水体区域的水质预测数据,根据所述目标区域的水体区域的水质预测数据,获取所述目标区域的污染源区域检测结果,其中,所述水质预测数据包括总氮预测数据、总磷预测数据、化学需氧量预测数据以及叶绿素预测数据。
请参阅图4,图4为本申请一个实施例提供的基于遥感影像的水质污染源溯源方法中S5的流程示意图,包括步骤S51~S52,具体如下:
S51:根据所述目标区域的水体区域的水质预测数据以及预设的水质阈值,将所述目标区域的水体区域划分为若干个水质污染区域,并获得所述水质污染区域对应的污染等级。
所述水质阈值包括第一水质阈值组、第二水质阈值组、第三水质阈值组、第四水质阈值组以及第五水质阈值组,每个水质阈值组均包括相应的子水质阈值,所述子水质阈值包括总氮阈值、总磷阈值、化学需氧量阈值以及叶绿素阈值。
在本实施例中,溯源设备根据所述目标区域的水体区域的水质预测数据以及预设的水质阈值,将所述目标区域的水体区域划分为若干个水质污染区域,并获得所述水质污染区域对应的污染等级,其中,所述污染等级包括由低至高的第一、第二、第三、第四以及第五污染等级;
具体地,溯源设备将所述目标区域的水体区域的水质预测数据中的总氮预测数据、总磷预测数据、化学需氧量预测数据以及叶绿素预测数据,分别与所述第一水质阈值组、第二水质阈值、第三水质阈值、第四水质阈值以及第五水质阈值中相应的子水质阈值进行对比,根据对比结果,将所述目标区域的水体区域划分为若干个水质污染区域,并获得所述水质污染区域对应的污染等级,如下所述:
当所述目标区域的水体区域的水质预测数据≥第一水质阈值组,<第二水质阈值组时,获得所述水质污染区域对应的第一污染等级;
当所述目标区域的水体区域的水质预测数据≥第二水质阈值组,<第三水质阈值组时,获得所述水质污染区域对应的第二污染等级;
当所述目标区域的水体区域的水质预测数据≥第三水质阈值组,<第四水质阈值组时,获得所述水质污染区域对应的第三污染等级;
当所述目标区域的水体区域的水质预测数据≥第四水质阈值组,<第五水质阈值组时,获得所述水质污染区域对应的第四污染等级;
当所述目标区域的水体区域的水质预测数据≥第五水质阈值组是,获得所述水质污染区域对应的第五污染等级;
S52:根据所述若干个水质污染区域以及对应的污染等级,获取所述目标区域的污染源区域检测结果。
在本实施例中,溯源设备根据所述若干个水质污染区域以及对应的污染等级,获取所述目标区域的污染源区域检测结果,其中,所述污染源区域检测结果包括污染源存在结果以及污染源不存在结果。
请参阅图5,图5为本申请一个实施例提供的基于遥感影像的水质污染源溯源方法中S52的流程示意图,包括步骤S521~S522,具体如下:
S521:遍历所述若干个水质污染区域对应的污染等级,若不存在第四污染等级或者第五污染等级对应的水质污染区域,获得污染源不存在结果。
在本实施例中,溯源设备遍历所述若干个水质污染区域对应的污染等级,若不存在第四污染等级或者第五污染等级对应的水质污染区域,获得污染源不存在结果。
S522:若存在第四污染等级或者第五污染等级对应的水质污染区域,根据预设的水流方向,获取所述若干个水质污染区域之间的相互位置关系,根据所述若干个水质污染区域之间的相互位置关系以及所述若干个水质污染区域对应的污染等级,从所述若干个水质污染区域中,提取目标水质区域,作为所述污染源存在结果。
所述相互位置关系用于指示所述各个水质污染区域之间的上下游关系;
若存在第四污染等级或者第五污染等级对应的水质污染区域,溯源设备根据预设的水流方向,获取所述若干个水质污染区域之间的相互位置关系,从而区分各个水质污染区域之间的上下游关系,根据所述若干个水质污染区域之间的相互位置关系以及所述若干个水质污染区域对应的污染等级,从所述若干个水质污染区域中,提取目标水质区域,作为所述污染源存在结果。
在一个可选的实施例中,溯源设备获取所述若干个水质污染区域中,最高污染等级对应的水质污染区域,作为上游水质污染区域,其中,所述上游水质污染区域可以是一个或者多个水质污染区域。
并根据所述若干个水质污染区域之间的相互位置关系,获取所述上游水质污染区域对应的下游水质污染区域,并将所述上游水质污染区域的污染等级与对应的下游水质污染区域的污染等级作对比,若所述上游水质污染区域的污染等级高于所述对应的下游水质污染区域的污染等级两个等级,则将所述上游水质污染区域作为目标水质区域进行提取,作为所述污染源存在结果。
请参考图6,图6为本申请一个实施例提供的基于遥感影像的水质污染源溯源装置的结构示意图,该装置可以通过软件、硬件或两者的结合实现基于遥感影像的水质污染源溯源装置的全部或一部分,该装置6包括:
正射影像获取模块61,用于获取目标区域的若干个遥感影像,将所述若干个遥感影像进行拼接,获得所述目标区域的正射影像,其中,所述正射影像包括水体区域以为非水体区域;
水质数据获取模块62,用于剔除所述正射影像中的非水体区域,获取所述目标区域的水体影像,并根据预设的采样点数目,获取所述目标区域的水体影像中各个采样点对应的水质数据;
训练数据获取模块63,用于获取所述目标区域的水体影像中各个采样点对应的波段数据,将所述同一采样点对应的水质数据以及波段数据进行组合,获取若干个所述采样点对应的训练数据组;
模型训练模块64,用于将所述波段数据作为自变量,所述水质数据作为因变量,构建随机森林神经网络模型,将若干个所述采样点对应的训练数据组输入至所述随机森林神经网络模型进行训练,获取水质预测模型;
污染源检测模块65,用于将所述目标区域正射影像输入至所述水质预测模型,获取所述目标区域的水体区域的水质预测数据,根据所述目标区域的水体区域的水质预测数据,获取所述目标区域的污染源区域检测结果。
在本申请实施例中,通过正射影像获取模块,获取目标区域的若干个遥感影像,将所述若干个遥感影像进行拼接,获得所述目标区域的正射影像,其中,所述正射影像包括水体区域以为非水体区域;通过水质数据获取模块,剔除所述正射影像中的非水体区域,获取所述目标区域的水体影像,并根据预设的采样点数目,获取所述目标区域的水体影像中各个采样点对应的水质数据;通过训练数据获取模块,获取所述目标区域的水体影像中各个采样点对应的波段数据,将所述同一采样点对应的水质数据以及波段数据进行组合,获取若干个所述采样点对应的训练数据组;通过模型训练模块,将所述波段数据作为自变量,所述水质数据作为因变量,构建随机森林神经网络模型,将若干个所述采样点对应的训练数据组输入至所述随机森林神经网络模型进行训练,获取水质预测模型;通过污染源检测模块,将所述目标区域正射影像输入至所述水质预测模型,获取所述目标区域的水体区域的水质预测数据,根据所述目标区域的水体区域的水质预测数据,获取所述目标区域的污染源区域检测结果。通过获取目标区域的遥感影像中的水质数据以及波段数据,采用深度学习方法,构建水质预测模型,准确、快速地获取目标区域的水质预测数据,并根据水质预测数据,获取所述目标区域的污染源区域检测结果。
请参考图7,图7为本申请一个实施例提供的计算机设备的结构示意图,计算机设备7包括:处理器71、存储器72以及存储在存储器72上并可在处理器71上运行的计算机程序73;计算机设备可以存储有多条指令,指令适用于由处理器71加载并执行上述图1至图5所示实施例的方法步骤,具体执行过程可以参见图1至图5所示实施例的具体说明,在此不进行赘述。
其中,处理器71可以包括一个或多个处理核心。处理器71利用各种接口和线路连接服务器内的各个部分,通过运行或执行存储在存储器72内的指令、程序、代码集或指令集,以及调用存储器72内的数据,执行基于遥感影像的水质污染源溯源装置6的各种功能和处理数据,可选的,处理器71可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programble Logic Array,PLA)中的至少一个硬件形式来实现。处理器71可集成中央处理器71(Central Processing Unit,CPU)、图像处理器71(Graphics Processing Unit,GPU)和调制解调器等中的一个或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器71中,单独通过一块芯片进行实现。
其中,存储器72可以包括随机存储器72(Random Access Memory,RAM),也可以包括只读存储器72(Read-Only Memory)。可选的,该存储器72包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器72可用于存储指令、程序、代码、代码集或指令集。存储器72可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器72可选的还可以是至少一个位于远离前述处理器71的存储装置。
本申请实施例还提供了一种存储介质,所述存储介质可以存储有多条指令,所述指令适用于由处理器加载并执行上述图1至图5所示实施例的方法步骤,具体执行过程可以参见图1至图5所示实施例的具体说明,在此不进行赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅是示意性的,例如,所述模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (9)
1.一种基于遥感影像的水质污染源溯源方法,其特征在于,包括以下步骤:
获取目标区域的若干个遥感影像,将所述若干个遥感影像进行拼接,获得所述目标区域的正射影像,其中,所述正射影像包括水体区域以为非水体区域;
剔除所述正射影像中的非水体区域,获取所述目标区域的水体影像,并根据预设的采样点数目,获取所述目标区域的水体影像中各个采样点对应的水质数据;
获取所述目标区域的水体影像中各个采样点对应的波段数据,将所述同一采样点对应的水质数据以及波段数据进行组合,获取若干个所述采样点对应的训练数据组;
将所述波段数据作为自变量,所述水质数据作为因变量,构建随机森林神经网络模型,将若干个所述采样点对应的训练数据组输入至所述随机森林神经网络模型进行训练,获取水质预测模型;
将所述目标区域正射影像输入至所述水质预测模型,获取所述目标区域的水体区域的水质预测数据,根据所述目标区域的水体区域的水质预测数据,获取所述目标区域的污染源区域检测结果。
2.根据权利要求1所述的基于遥感影像的水质污染源溯源方法,其特征在于,所述剔除所述正射影像中的非水体区域,获取所述目标区域的水体影像之前,包括步骤:
对所述正射影像进行预处理,获取预处理后的正射影像,其中,所述预处理包括辐射定标以及大气校正。
3.根据权利要求1所述的基于遥感影像的水质污染源溯源方法,其特征在于,所述剔除所述正射影像中的非水体区域,获取所述目标区域的水体影像,包括步骤:
获取样本区域对应的水体影像以及所述水体影像中各个像元的绿光波段值以及近红外波段值,根据预设的归一化水分指数计算算法,对所述样本区域对应的水体影像中各个像元的归一化水分指数值进行计算,获得最小归一化水分指数值,作为水体像元区分阈值,其中,所述归一化水分指数计算算法为:
式中,Bgreen为所述绿光波段值,BNIR为所述近红外波段值,NDWI为归一化水分指数;
获取所述正射影像的各个像元的绿光波段值以及近红外波段值,根据所述归一化水分指数计算算法,获取所述正射影像中各个像元的归一化水分指数值,根据所述正射影像中各个像元的归一化水分指数值以及水体像元区分阈值,获取所述正射影像中的若干个水体像元,将所述若干个水体像元进行组合,获取所述目标区域的水体影像。
4.根据权利要求1所述的基于遥感影像的水质污染源溯源方法,其特征在于:所述水质数据包括总氮数据、总磷数据、化学需氧量数据以及叶绿素数据;所述水质预测数据包括总氮预测数据、总磷预测数据、化学需氧量预测数据以及叶绿素预测数据。
5.根据权利要求4所述的基于遥感影像的水质污染源溯源方法,其特征在于,所述根据所述目标区域的水体区域的水质预测数据,获取所述目标区域的污染源区域检测结果,包括步骤:
根据所述目标区域的水体区域的水质预测数据以及预设的水质阈值,将所述目标区域的水体区域划分为若干个水质污染区域,并获得所述水质污染区域对应的污染等级,其中,所述污染等级包括由低至高的第一、第二、第三、第四以及第五污染等级;
根据所述若干个水质污染区域以及对应的污染等级,获取所述目标区域的污染源区域检测结果。
6.根据权利要求5所述的基于遥感影像的水质污染源溯源方法,其特征在于:所述污染源区域检测结果包括污染源存在结果以及污染源不存在结果;
所述根据所述若干个水质污染区域以及对应的污染等级,获取所述目标区域的污染源区域检测结果,包括步骤:
遍历所述若干个水质污染区域对应的污染等级,若不存在第四污染等级或者第五污染等级对应的水质污染区域,获得污染源不存在结果;
若存在第四污染等级或者第五污染等级对应的水质污染区域,根据预设的水流方向,获取所述若干个水质污染区域之间的相互位置关系,所述相互位置关系用于指示所述各个水质污染区域之间的上下游关系;根据所述若干个水质污染区域之间的相互位置关系以及所述若干个水质污染区域对应的污染等级,从所述若干个水质污染区域中,提取目标水质区域,作为所述污染源存在结果。
7.一种基于遥感影像的水质污染源溯源装置,其特征在于,包括:
正射影像获取模块,用于获取目标区域的若干个遥感影像,将所述若干个遥感影像进行拼接,获得所述目标区域的正射影像,其中,所述正射影像包括水体区域以为非水体区域;
水质数据获取模块,用于剔除所述正射影像中的非水体区域,获取所述目标区域的水体影像,并根据预设的采样点数目,获取所述目标区域的水体影像中各个采样点对应的水质数据;
训练数据获取模块,用于获取所述目标区域的水体影像中各个采样点对应的波段数据,将所述同一采样点对应的水质数据以及波段数据进行组合,获取若干个所述采样点对应的训练数据组;
模型训练模块,用于将所述波段数据作为自变量,所述水质数据作为因变量,构建随机森林神经网络模型,将若干个所述采样点对应的训练数据组输入至所述随机森林神经网络模型进行训练,获取水质预测模型;
污染源检测模块,用于将所述目标区域正射影像输入至所述水质预测模型,获取所述目标区域的水体区域的水质预测数据,根据所述目标区域的水体区域的水质预测数据,获取所述目标区域的污染源区域检测结果。
8.一种计算机设备,其特征在于,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的基于遥感影像的水质污染源溯源方法的步骤。
9.一种存储介质,其特征在于:所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于遥感影像的水质污染源溯源方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211033939.9A CN115439757A (zh) | 2022-08-26 | 2022-08-26 | 一种基于遥感影像的水质污染源溯源方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211033939.9A CN115439757A (zh) | 2022-08-26 | 2022-08-26 | 一种基于遥感影像的水质污染源溯源方法、装置以及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115439757A true CN115439757A (zh) | 2022-12-06 |
Family
ID=84244855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211033939.9A Pending CN115439757A (zh) | 2022-08-26 | 2022-08-26 | 一种基于遥感影像的水质污染源溯源方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115439757A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630812A (zh) * | 2023-07-21 | 2023-08-22 | 四川发展环境科学技术研究院有限公司 | 基于可见光图像分析的水体特征检测方法及系统 |
CN117195135A (zh) * | 2023-11-01 | 2023-12-08 | 潍坊德瑞生物科技有限公司 | 一种水污染异常溯源检测方法及系统 |
CN117475367A (zh) * | 2023-06-12 | 2024-01-30 | 中国建筑第四工程局有限公司 | 基于多规则协调的污水图像处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091082A (zh) * | 2019-12-09 | 2020-05-01 | 北京空间机电研究所 | 一种基于高分辨率遥感数据的流域污染溯源方法 |
CN111931709A (zh) * | 2020-09-17 | 2020-11-13 | 航天宏图信息技术股份有限公司 | 遥感影像的水体提取方法、装置、电子设备及存储介质 |
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 |
CN113834787A (zh) * | 2021-08-17 | 2021-12-24 | 中国矿业大学 | 一种中小河道劣ⅴ类水体水质识别与量化方法 |
KR20220112590A (ko) * | 2021-02-04 | 2022-08-11 | 창원대학교 산학협력단 | 인공지능 기반 수계오염원 모니터링 시스템 및 방법 |
-
2022
- 2022-08-26 CN CN202211033939.9A patent/CN115439757A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091082A (zh) * | 2019-12-09 | 2020-05-01 | 北京空间机电研究所 | 一种基于高分辨率遥感数据的流域污染溯源方法 |
CN111931709A (zh) * | 2020-09-17 | 2020-11-13 | 航天宏图信息技术股份有限公司 | 遥感影像的水体提取方法、装置、电子设备及存储介质 |
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 |
KR20220112590A (ko) * | 2021-02-04 | 2022-08-11 | 창원대학교 산학협력단 | 인공지능 기반 수계오염원 모니터링 시스템 및 방법 |
CN113834787A (zh) * | 2021-08-17 | 2021-12-24 | 中国矿业大学 | 一种中小河道劣ⅴ类水体水质识别与量化方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475367A (zh) * | 2023-06-12 | 2024-01-30 | 中国建筑第四工程局有限公司 | 基于多规则协调的污水图像处理方法及系统 |
CN117475367B (zh) * | 2023-06-12 | 2024-05-07 | 中国建筑第四工程局有限公司 | 基于多规则协调的污水图像处理方法及系统 |
CN116630812A (zh) * | 2023-07-21 | 2023-08-22 | 四川发展环境科学技术研究院有限公司 | 基于可见光图像分析的水体特征检测方法及系统 |
CN116630812B (zh) * | 2023-07-21 | 2023-09-26 | 四川发展环境科学技术研究院有限公司 | 基于可见光图像分析的水体特征检测方法及系统 |
CN117195135A (zh) * | 2023-11-01 | 2023-12-08 | 潍坊德瑞生物科技有限公司 | 一种水污染异常溯源检测方法及系统 |
CN117195135B (zh) * | 2023-11-01 | 2024-02-27 | 潍坊德瑞生物科技有限公司 | 一种水污染异常溯源检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115439757A (zh) | 一种基于遥感影像的水质污染源溯源方法、装置以及设备 | |
CN111767801A (zh) | 一种基于深度学习的遥感影像水域自动提取方法及系统 | |
CN109101934A (zh) | 车型识别方法、装置与计算机可读存储介质 | |
CN102829739A (zh) | 一种面向对象的作物叶面积指数遥感反演方法 | |
CN110032928B (zh) | 一种适用于颜色敏感的卫星遥感影像水体识别方法 | |
CN111539403B (zh) | 农业大棚的识别方法、装置及电子设备 | |
CN112419333B (zh) | 一种遥感影像自适应特征选择分割方法及系统 | |
Wang et al. | Side-view apple flower mapping using edge-based fully convolutional networks for variable rate chemical thinning | |
CN114463637A (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
CN113743417A (zh) | 语义分割方法和语义分割装置 | |
Rahim et al. | Deep learning-based accurate grapevine inflorescence and flower quantification in unstructured vineyard images acquired using a mobile sensing platform | |
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 | |
CN117115641B (zh) | 建筑物信息提取方法、装置、电子设备及存储介质 | |
CN116543325A (zh) | 基于无人机影像的农作物人工智能自动识别方法和系统 | |
CN116704324A (zh) | 基于水下图像的目标检测方法、系统、设备以及存储介质 | |
CN115827878A (zh) | 语句情感分析方法、装置以及设备 | |
CN114519721A (zh) | 基于遥感图像的作物倒伏识别方法、装置以及设备 | |
CN115410086A (zh) | 一种基于遥感影像的水质反演方法、装置以及设备 | |
CN115294467A (zh) | 茶叶病害的检测方法及相关装置 | |
CN112084874B (zh) | 一种物体检测方法、装置及终端设备 | |
CN116091912A (zh) | 一种基于语义分割的耕地非粮化监测方法及系统 | |
Ji et al. | Automated extraction of Camellia oleifera crown using unmanned aerial vehicle visible images and the ResU-Net deep learning model | |
CN113822255B (zh) | 一种水体识别方法及相关装置 | |
CN115439740A (zh) | 耕地识别方法、装置、设备及存储介质 | |
CN112861586B (zh) | 活体检测、图像分类和模型训练方法、装置、设备及介质 |
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 |