CN115578646A - 一种蓝藻水华监测方法及装置 - Google Patents
一种蓝藻水华监测方法及装置 Download PDFInfo
- Publication number
- CN115578646A CN115578646A CN202211128754.6A CN202211128754A CN115578646A CN 115578646 A CN115578646 A CN 115578646A CN 202211128754 A CN202211128754 A CN 202211128754A CN 115578646 A CN115578646 A CN 115578646A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- red
- bloom
- monitoring
- 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.)
- Granted
Links
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
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G06V10/40—Extraction of image or video features
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种蓝藻水华监测方法及装置。所述方法包括:选取具有红边、短红外波段的遥感影像;对所述遥感影像进行预处理,得到所述遥感影像的反射率数据;基于像元的所述红边波段反射率和短波红外波段反射率,得到蓝藻水华富集强度监测指数,并利用得到的所述蓝藻水华富集强度监测指数对蓝藻水华进行监测。本发明通过利用红边波段和短波红外波段,有效的提高了对蓝藻水华反射特征的监测,进一步的提高了对蓝藻水华的监测精度。
Description
技术领域
本发明涉及遥感监测技术领域,特别是涉及一种蓝藻水华监测方法及装置。
背景技术
水资源是人们赖以生存的基础物资,其中内陆湖泊是重要的水资源储存地,我国分布众多湖泊,其中1km2以上的有2600余个。湖泊营养物质浓度过高导致蓝藻爆发,水体中蓝藻快速大量繁殖形成水华。蓝藻水华会造成鱼虾死亡、水道堵塞,蓝藻毒素会严重危害人类的健康,因此,需要对湖泊中的蓝藻进行监测,从而判断湖泊中是否发生蓝藻水华。
现有技术在对湖泊进行蓝藻进行监测时,通常是采用遥感技术,基于蓝藻水华的在遥感影像上的光谱特征,利用单波段法、波段比值法、指数法和统计法对蓝藻水华分布进行监测。
但在利用单波段法、波段比值法、指数法对湖泊中的蓝藻分布进行监测时,由于受到水体浑浊、大气层等因素的影响,造成低浓度蓝藻水华区选取困难,难以满足精确选取蓝藻水华要求。统计法受实测数据的限制,模型的时效性与普适性不高。
发明内容
有鉴于此,本发明提供一种蓝藻水华遥感监测方法及装置,通过利用遥感影像的红边波段和短波红外波段,有效的提高了对蓝藻水华反射特征的监测,进一步的提高了对蓝藻水华的监测精度,同时降低了环境因素对蓝藻水华反射率的影响,有效的对低浓度的蓝藻水华进行监测。
为达到上述目的,本发明主要提供如下技术方案:
第一方面,本发明提供了一种蓝藻水华监测方法,所述方法包括:
选取具有红边、短红外波段的遥感影像;
对所述遥感影像进行预处理,得到所述遥感影像的反射率数据,其中,所述反射率数据包括红边波段反射率和短波红外波段反射率;
基于所述红边波段反射率和短波红外波段反射率,得到蓝藻水华富集强度监测指数,并利用得到的所述蓝藻水华富集强度监测指数对蓝藻水华进行监测。
第二方面,本发明提供了一种蓝藻水华监测装置,所述装置包括:
选择模块,用于选取具有红边、短红外波段的遥感影像;
预处理模块,用于对所述遥感影像进行预处理,得到所述遥感影像的反射率数据;
计算模块,用于基于像元的所述红边波段反射率和短波红外波段反射率,得到蓝藻水华富集强度监测指数,并利用得到的所述蓝藻水华富集强度监测指数对蓝藻水华进行监测。
借由上述技术方案,本发明提供了一种蓝藻水华监测方法及装置,具体记载了通过选取具有红边、短波红外波段的遥感影像,以蓝藻水华的陡坡效应、叶绿素a的荧光效应为基本依据,利用红边波段对蓝藻水华反射特征更加敏感的特点,同时利用短波红外波段能够降低水体浑浊、大气等环境因素对蓝藻水华监测的影响的优势,通过红边波段反射率和短波红外波段反射率计算蓝藻水华富集强度监测指数对蓝藻水华进行监测,进而可以提高蓝藻水华监测精度,并对低浓度蓝藻水华有效识别。此外,该方法不需要基于实测数据开展蓝藻水华监测,时效性与普适性更高。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明公开的一种蓝藻水华监测方法的流程示意图;
图2为本发明公开的一种确定所用遥感影像方法的流程示意图;
图3为本发明公开的又一种确定所用遥感影像方法的流程示意图;
图4为本发明公开的一种蓝藻水华富集强度监测指数计算方法的流程示意图;
图5为本发明公开的一种水体边界确定方法的流程示意图;
图6为本发明公开的一种归一化蓝藻水华富集强度监测指数计算方法的流程示意图;
图7为本发明公开的一种蓝藻水华监测装置示意图;
图8为本发明公开的又一种蓝藻水华监测装置示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
现有技术在对湖泊进行蓝藻进行监测时,通常是采用遥感技术利用单波段法、波段比值法、指数法和统计法对湖泊中的蓝藻进行监测。
但在利用单波段法、波段比值法、指数法对湖泊中的蓝藻进行监测时,由于受到水体浑浊、大气层等因素的影响,蓝藻监测精度不高,且在湖泊中出现低浓度的蓝藻水华时,现有技术中的方法无法准确的对低浓度的蓝藻水华进行识别。统计方法受到实测数据的限制,模型的时效性合普适性较低。
为了解决上述问题,本发明实施例提供了一种蓝藻水华监测方法,具体步骤如图1所示,所述方法包括:
步骤101,选取具有红边、短波红外波段的影像。
具体的,在执行本实施例的步骤中,首先选取具有红边波段、短波红外波段的遥感影像。具体的,对接收到遥感影像进行初步预处理,判断遥感影像中是否存在2个红边波段,其中,红边波段是植被的反射率在近红外波段接近与红光交界处快速变化的区域,并将具有红边波段的遥感影像进行选取,进而得到所用遥感影像。例如,接收到的遥感影像中具有4个红边波段,则将该遥感影像确定为所用遥感影像。
步骤102,对所述遥感影像进行预处理,得到所述遥感影像的反射率数据。
其中,所述反射率数据包括像元的红边波段反射率和短波红外波段反射率。
具体的,在执行步骤101之后,在得到所用遥感影像之后,对所用遥感影像进行几何校正、辐射校正等预处理,得到所用遥感影像的反射率数据,其中,反射率数据为所用遥感影像中各个像元的不同波段反射率。例如,本实施例中反射率数据包括红边波段反射率、短波红外波段反射率、绿波段反射率和近红外波段反射率。
步骤103,基于像元的所述红边波段反射率和短波红外波段反射率,得到蓝藻水华富集强度监测指数,并利用得到的所述蓝藻水华富集强度监测指数对蓝藻水华进行监测。
具体的,在执行步骤102之后,在得到所用遥感影像中各个像元的反射率后,使用像元的红边波段反射率和短波红外波段反射率,利用蓝藻水华富集强度监测指数模型,得到所用遥感影像中各个像元的蓝藻水华富集强度监测指数,其中,根据蓝藻水华富集强度监测指数可以对蓝藻水华进行监测,当蓝藻水华富集强度监测指数越高时,发生蓝藻水华的风险越大,反之,当蓝藻水华富集强度监测指数越小时,发生蓝藻水华的风险越小。
具体的,本发明实施例具体记载了通过选取具有红边、短波红外波段的遥感影像,以蓝藻水华的陡坡效应、叶绿素a的荧光效应为基本依据,利用红边波段对蓝藻水华反射特征更加敏感的特点,同时利用短波红外波段能够降低水体浑浊、大气等环境因素对蓝藻水华监测的影响的优势,通过红边波段反射率和短波红外波段反射率计算蓝藻水华富集强度监测指数对蓝藻水华进行监测,进而可以提高蓝藻水华监测精度,并对低浓度蓝藻水华有效识别。此外,该方法不需要基于实测数据开展蓝藻水华监测,时效性与普适性更高。
进一步的,本发明实施例提供一种确定所用遥感影像方法,该方法是对图1所示实施例步骤101中“选取具有红边、短波红外波段的遥感影像”的具体介绍,具体步骤如图2所示,包括:
步骤201,获取所述遥感影像。
具体的,在本发明实施例的步骤中,接收遥感影像,以得到遥感影像。具体的,本实施例中的遥感影像由哨兵2号卫星(Sentinel-2)进行拍摄。
步骤202,在所述遥感影像中不存在云层,且所述遥感影像的水体反射光谱符合标准情况下,获取所述遥感影像中所述红边波段的数量和所述短波红外波段的数量。
具体的,在执行步骤201之后,在获取到遥感影像后,首选对遥感影像中是否存在云层判断,在判断遥感影像中存在云层时,则删除存在云层的遥感影像,并在遥感影像不存在云层时,利用标准水体反射光谱判断遥感影像的水体反射光谱是否符合标准,在判断遥感影像的水体反射光谱不符合标准的情况下,则删除水体反射光谱不符合标准的遥感影像,在遥感影像中不存在云层,且遥感影像的水体反射光谱符合标准时,则获取该遥感影像中红边波段的数量和短波红外波段的数量。其中,在判断遥感影像的水体光谱是否符合标准时,将遥感影像对应的水体反射光谱中的曲线与标准水体光谱的曲线进行比对,以判断遥感影像的水体光谱是否符合标准。
步骤203,在所述遥感影像中的所述红边波段的数量大于等于2,且所述短波红外波段的数量大于等于1的情况下,初步确定所述遥感影像为所用遥感影像。
具体的,在执行步骤202之后,在获取遥感影像中红边波段的数量和短波红外波段的数量之后,对遥感影像中的红边波段的数量和短波红外波段的数量进行统计,并根据统计的红边波段的数量和短波红外波段的数量,进一步判断是否将该遥感影像确定为所用遥感影像,当遥感影像中的红边波段的数量大于等于2,且短波红外波段的数量大于等于1时,则将该遥感影像初步确定为所用遥感影像。
进一步的,本发明实施例提供又一种确定所用遥感影像方法,该方法在进行图2所示实施例步骤203中“在所述遥感影像中所述红边波段的数量大于等于2,且所述短波红外波段的数量大于等于1的情况下,确定所述遥感影像为所用遥感影像”时的具体介绍,具体步骤如图3所示,所述方法还包括:
步骤301,确认所用遥感影像中的红边波段波长和短波红外波段波长。
具体的,在执行步骤203时,在步骤203中将遥感影像初步确定为所用遥感影像时,获取所用遥感影像中每个红边波段波长,同时获取短波红外波段波长,从而确认所用遥感影像中的红边波段波长和短波红外波段波长。
步骤302,在所述红边波段波长属于对应的标准波长范围,且所述短波红外波段波长属于对应的标准波长范围的情况下,再次确定所述遥感影像为所用遥感影像。
其中,第一红边波段波长的标准波长范围为680nm~740nm,第二红边波段波长的标准波长范围为850nm~900nm,所述短波红外波段标准波长范围为1240nm~1700nm。
具体的,在执行步骤301之后,将根据确定的红边波段波长与红边波段标准波长范围进行比对,依次判断所用遥感影像中的每个红边波段是否属于红边波段标准波长范围,在红波波段的范围属于680nm~740nm或850nm~900nm时,在红波波段中至少存在一个红波波段属于680nm~740nm,且至少一个红波波段属于850nm~900nm时,则对短波红外波段波长是否属于短波红外波段标准波长范围进行判断,在短波红外波段波长属于1240nm~1700nm时,则将该遥感影像最终确定为所用遥感影像。具体的,例如,遥感影像中存在4个红波波段、2个短波红外波段,当一个红波波段属于680nm~740nm、一个属于850nm~900nm且一个短波红外波段波长属于1240nm~1700nm时,则将该遥感影像最终确定为遥感影像,或当一个红波波段的波长属于680nm~740nm、一个红波波段的波长属于680nm~740nm且两个短波红外波段波长属于1240nm~1700nm时,则将该遥感影像最终确定为所用遥感影像。
具体的,本实施例中,优选的所用遥感影像为,所用遥感影像中红边波段的数量为2,且其中一个红波波段波长属于680nm~740nm,另一个红波波段波长属于850nm~900nm,同时所用遥感影像中短波红外波段的数量为1,且短波红外波段波长属于1240nm~1700nm。
本发明实施例通过对遥感影像中红边波段波长和短波红外波段波长的范围的确定,可以准确的选择用来计算蓝藻水华富集强度监测指数的所用遥感影像,进而进一步的提高了对蓝藻水华的监测效果,同时通过选择符合标准波长范围的所用遥感影像,有效的降低了水体浑浊和大气对所用遥感影像反射率的影响。
进一步的,本发明实施例提供一种蓝藻水华富集强度监测指数计算方法,该方法是对图1所示实施例步骤103中“基于像元的所述红边波段反射率和短波红外波段反射率,得到蓝藻水华富集强度监测指数,并利用得到的所述蓝藻水华富集强度监测指数对蓝藻水华进行监测”的具体介绍,具体步骤如图4所示,包括:
步骤401,根据所述红边波段反射率中第一红边波段反射率与第二红边波段反射率的和,得到第一监测参数。
步骤402,根据所述第一监测参数与所述短波红外波段反射率的差,得到所述像元的蓝藻水华富集强度监测指数。
具体的,在执行步骤401-402时,采用蓝藻水华富集强度监测指数计算模型对蓝藻水华富集强度监测指数进行计算,其中,蓝藻水华富集强度监测指数计算模型具体为公式(1),公式(1)具体如下:
CBCI=ρ红边1+ρ红边2-ρ短波红外 (1)。
其中,CBCI为蓝藻水华富集强度监测指数,ρ红边1为红边波段1的反射率,红边波段1为靠近红波段的红边波段,波长范围属于680nm~740nm之间;ρ红边2为红边波段2的反射率,红边波段2为靠近近红波段的红边波段,波长范围属于850nm~900nm之间;ρ短波红外为短波红外波段的反射率,波长范围属于1240nm~1700nm之间。
具体的,本发明实施例中蓝藻水华富集强度监测指数计算模型,利用红边波段对蓝藻水华反射特征更为敏感的优势,提高了对蓝藻识别的准确率,并进一步通过利用短波红外波段的反射率消除大气和水体浑浊程度对监测指数的影响,进而有效提高了对蓝藻水华监测的准确率。此外,该方法不需要基于实测数据开展蓝藻水华监测,时效性与普适性更高。
进一步的,本发明实施例提供一种水体边界确定方法,该方法是在图1所示实施例步骤102中“对所述遥感影像进行预处理,得到所述遥感影像的反射率数据”之后的具体介绍,具体步骤如5所示,所述方法还包括:
步骤501,根据所述反射率数据中绿波段反射率与近红外波段反射率的差计算第一水体参数。
步骤502,根据所述绿波段反射率与所述近红外波段反射率的和计算第二水体参数。
步骤503,根据所述第一水体参数和所述第二水体参数的比值,得到各个所述像元的归一化差异水体指数,并利用得到的归一化差异水体指数确定所用遥感影像中的水体边界。
具体的,在执行步骤501-503时,采用公式(2)计算归一化差异水体指数,并利用得到的归一化差异水体指数确定所用遥感影像中的水体边界,公式(2)具体如下:
其中,NDWI为归一化差异水体指数,ρgreen为绿波段反射率,ρNIR为近红外波段反射率。
具体的,在得到遥感影像中各个像元的归一化差异水体指数后,根据归一化差异水体指数的数值对所用遥感影像中的水体边界进行初步判断,同时,利用高分辨率影像,并采用人工目视解译的手段,准确的得到水体边界的范围,其中,本实施例中在人工目视解译时,是利用水体在真彩色影像中呈现蓝黑色的特征,修正初步确定的水体边界,从而得到准确的水体边界范围。
进一步的,本发明实施例提供一种归一化蓝藻水华富集强度监测指数计算方法,该方法在图1所示实施例步骤103中“基于像元的所述红边波段反射率和短波红外波段反射率,得到蓝藻水华富集强度监测指数,并利用得到的所述蓝藻水华富集强度监测指数对蓝藻水华进行监测”之后的具体介绍,具体步骤如图6所示,包括:
步骤601,根据所用遥感影像中所述像元的所述蓝藻水华富集强度监测指数与监测期数的积得到所述像元的第一归一参数。
其中,所述监测期数为进行蓝藻水华监测的次数。
步骤602,根据所述监测期数与蓝藻水华富集强度监测指数最小值的积得到第二归一参数。
其中,所述蓝藻水华富集强度监测指数最小值为所有所述像元中所述蓝藻水华富集强度监测指数的最小值。
步骤603,根据所述监测期数与蓝藻水华富集强度监测指数最大值的积得到第三归一参数。
其中,所述监测指数最大值为所有所述像元中蓝藻水华富集强度监测指数监测指数的最大值。
步骤604,根据第一差值和第二差值的比值,得到所述像元的所述归一化蓝藻水华富集强度监测指数。
其中,所述第一差值为第一归一参数与第二轨迹参数的差值,所述第二差值为所述第三归一参数与所述第二归一参数的差值。
具体的,在执行步骤601-604时,采用公式(3)计算归一化蓝藻水华富集强度监测指数,公式(3)具体如下:
其中,NCBCI表示归一化蓝藻水华富集强度监测指数,n代表监测期数,CBCIi表示第i个像元对应的值,CBCImin蓝藻水华富集强度监测指数的最小值,CBCImax蓝藻水华富集强度监测指数表示最大值。具体的,例如对水体进行了3次的监测,则监测期数n=3,同时对3次所用遥感影像的所有像元进行编号,例如1-100为第一次监测时所用遥感影像中像元的编号,201-300为第二次监测时所用遥感影像中像元的编号,301-400为第三次监测时所用遥感影像中像元的编号,并在得到1-400所有像元的蓝藻水华富集强度监测指数时,在1-400中选择蓝藻水华富集强度监测指数最大值CBCImax和蓝藻水华富集强度监测指数最小值CBCImin,以对各个像元的蓝藻水华富集强度监测指数统一为归一化蓝藻水华富集强度监测指数,并利用归一化蓝藻水华富集强度监测指数对蓝藻水华进行监测。
具体的,归一化蓝藻水华富集强度监测指数NCBCI值域在0~1之间,值越大代表蓝藻水华富集程度越高,蓝藻水华爆发风险越高。
进一步的,作为上述图1-6所示方法实施例的实现,本发明实施例提供了一种蓝藻水华监测装置,该装置利用遥感影像的红边波段和短波红外波段,有效的提高了对蓝藻水华反射特征的监测,进一步的提高了对蓝藻水华的监测精度,同时降低了环境因素对蓝藻水华反射率的影响,有效的对低浓度的蓝藻水华进行监测。该装置的实施例与前述方法实施例对应,为便于阅读,本实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容,具体如图7所示,该装置包括:
选择模块10,用于选取具有红边、短红外波段的遥感影像。
预处理模块20,用于对选择模块10确定的遥感影像进行预处理,得到所述遥感影像的反射率数据。
计算模块30,用于基于像元的所述红边波段反射率和短波红外波段反射率,得到蓝藻水华富集强度监测指数,并利用得到的所述蓝藻水华富集强度监测指数对蓝藻水华进行监测。
进一步的,如图8所示,选择模块10还包括:
第一选择单元110,用于获取所述遥感影像;
第二选择单元120,用于在所述遥感影像中不存在云层,且所述遥感影像的水体反射光谱符合标准情况下,获取所述遥感影像中所述红边波段的数量和所述短波红外波段的数量;
第三选择单元130,用于在所述遥感影像中的所述红边波段的数量大于等于2,且所述短波红外波段的数量大于等于1的情况下,初步确定所述遥感影像为所用遥感影像。
进一步,如图8所示,选择模块10还包括:
第四选择单元140,用于在第三选择单元130初步确定所述遥感影像为所用遥感影像时,获取所用遥感影像中的红边波段波长和短波红外波段波长;
第五选择单元150,用于判断第四选择单元140获取的所述红边波段的波长属于对应的标准波长范围,且所述短波红外波段的波长属于对应的标准波长范围的情况下,再次确定所述遥感影像为所用遥感影像。
进一步的,如图8所示,第一计算模块30包括:
第一计算单元310,用于根据所述红边波段反射率中第一红边波段反射率与第二红边波段反射率的和,得到第一监测参数;
第二计算单元320,用于根据第一计算单元310得到的所述第一监测参数与所述短波红外波段反射率的差,得到所述像元的所述蓝藻水华富集强度监测指数监测指数。
进一步的,蓝藻水华监测装置还包括边界确定模块50,边界确定模块50包括:
第一确定单元510,用于根据所述反射率数据中绿波段反射率与近红外波段反射率的差计算第一水体参数;
第二确定单元520,用于根据所述绿波段反射率与所述近红外波段反射率的和计算第二水体参数;
第三确定单元530,用于根据第一确定单元510得到的第一水体参数和第二确定单元520得到的第二水体参数的比值,得到各个所述像元的归一化差异水体指数。
进一步的,蓝藻水华监测装置还包括第二计算模块40,第二计算模块40包括:
第三计算单元410,用于根据所述遥感影像中所述像元的所述蓝藻水华富集强度监测指数与监测期数的积得到所述像元的第一归一参数。
第四计算单元420,用于根据所述监测期数与蓝藻水华富集强度监测指数最小值的积得到第二归一参数。
第五计算单元430,用于根据所述监测期数与蓝藻水华富集强度监测指数最大值的积得到第三归一参数。
第六计算单元440,用于根据第一差值和第二差值的比值,得到所述像元的所述归一化蓝藻水华富集强度监测指数。
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的部分,可以参见其他实施例的相关描述。
可以理解的是,上述方法及装置中的相关特征可以相互参考。另外,上述实施例中的“第一”、“第二”等是用于区分各实施例,而并不代表各实施例的优劣。
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,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再一一赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外,存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
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,并不排除在包括要素的过程、方法、商品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,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明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,本发明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。
以上仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种蓝藻水华监测方法,其特征在于,所述方法包括:
选取具有红边、短红外波段的遥感影像;
对所述遥感影像进行预处理,得到所述遥感影像的反射率数据,其中,所述反射率数据包括像元的红边波段反射率和短波红外波段反射率;
基于像元的所述红边波段反射率和短波红外波段反射率,得到蓝藻水华富集强度监测指数,并利用得到的所述蓝藻水华富集强度监测指数对蓝藻水华进行监测,其中,所述蓝藻水华富集强度监测指数与蓝藻水华富集强度呈正相关。
2.根据权利要求1所述方法,其特征在于,所述选取具有红边、短波红外波段的遥感影像包括:
获取所述遥感影像;
在所述遥感影像中不存在云层,且所述遥感影像的水体反射光谱符合标准情况下,获取所述遥感影像中所述红边波段的数量和所述短波红外波段的数量;
在所述遥感影像中的所述红边波段的数量大于等于2,且所述短波红外波段的数量大于等于1的情况下,初步确定所述遥感影像为所用遥感影像。
3.根据权利要求2所述方法,其特征在于,所述在所述遥感影像中所述红边波段的数量大于等于2,且所述短波红外波段的数量大于等于1的情况下,初步确定所述遥感影像为所用遥感影像时,所述方法还包括:
确认所用遥感影像中的红边波段波长和短波红外波段波长;
在所述红边波段波长属于对应的标准波长范围,且所述短波红外波段波长属于对应的标准波长范围的情况下,再次确定所述遥感影像为所用遥感影像,其中,第一红边波段波长的标准波长范围为680nm~740nm,第二红边波段波长的标准波长范围为850nm~900nm,所述短波红外波段标准波长范围为1240nm~1700nm。
4.根据权利要求2或3所述方法,其特征在于,所述所用遥感影像中所述红边波段的数量为2,且所述短波红外波段的数量为1。
5.根据权利要求1所述方法,其特征在于,所述蓝藻水华富集强度监测指数具体由公式(1)计算:
CBCI=ρ红边1+ρ红边2-ρ短波红外 (1);
其中,CBCI为蓝藻水华富集强度监测指数,ρ红边1为红边波段1的反射率;ρ红边2为红边波段2的反射率;ρ短波红外为短波红外波段的反射率。
7.根据权利要求1所述方法,其特征在于,在基于像元的所述红边波段反射率和短波红外波段反射率,得到蓝藻水华富集强度监测指数,并利用得到的所述蓝藻水华富集强度监测指数对蓝藻水华进行监测之后,所述方法包括:
在进行多期监测的情况下,根据所用遥感影像的蓝藻水华富集强度监测指数与监测期数,得到所述的归一化蓝藻水华强度监测指数,并利用所述归一化蓝藻水华富集强度监测指数对所述蓝藻水华进行监测,其中,所述归一化蓝藻水华富集强度监测指数具体由公式(3)计算;
其中,NCBCI表示归一化蓝藻水华富集强度监测指数,n代表监测期数,CBCIi表示第i个像元对应的值,CBCImin蓝藻水华富集强度监测指数的最小值,CBCImax蓝藻水华富集强度监测指数表示最大值。
8.一种蓝藻水华监测装置,其特征在于,所述装置包括:
选择模块,用于选取具有红边、短红外波段的遥感影像;
预处理模块,用于对所述遥感影像进行预处理,得到所述遥感影像的反射率数据;
计算模块,用于基于像元的所述红边波段反射率和短波红外波段反射率,得到蓝藻水华富集强度监测指数,并利用得到的所述蓝藻水华富集强度监测指数对蓝藻水华进行监测。
9.一种终端,其特征在于,所述终端用于运行程序,其中,所述终端运行时执行权利要求1-7中任意一项所述的蓝藻水华监测方法。
10.一种存储介质,其特征在于,所述存储介质用于存储计算机程序,其中,所述计算机程序运行时控制所述存储介质所在设备执行权利要求1-7中任意一项所述的蓝藻水华监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211128754.6A CN115578646B (zh) | 2022-09-16 | 2022-09-16 | 一种蓝藻水华监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211128754.6A CN115578646B (zh) | 2022-09-16 | 2022-09-16 | 一种蓝藻水华监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115578646A true CN115578646A (zh) | 2023-01-06 |
CN115578646B CN115578646B (zh) | 2023-07-07 |
Family
ID=84580802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211128754.6A Active CN115578646B (zh) | 2022-09-16 | 2022-09-16 | 一种蓝藻水华监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578646B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018214190A1 (zh) * | 2017-06-19 | 2018-11-29 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
CN108956505A (zh) * | 2018-09-18 | 2018-12-07 | 航天信德智图(北京)科技有限公司 | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 |
CN111339989A (zh) * | 2020-03-12 | 2020-06-26 | 北京观澜智图科技有限公司 | 一种水体提取方法、装置、设备及存储介质 |
CN112179854A (zh) * | 2020-09-30 | 2021-01-05 | 中国科学院南京地理与湖泊研究所 | 基于p-fui水色指数的富营养化湖泊蓝藻水华遥感监测方法 |
CN113192117A (zh) * | 2021-02-08 | 2021-07-30 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
CN113836740A (zh) * | 2021-09-30 | 2021-12-24 | 安徽大学 | 一种高潜水位采煤沉陷积水区历史空间信息计算方法 |
CN114170514A (zh) * | 2021-12-08 | 2022-03-11 | 广东工业大学 | 水体蓝藻水华爆发的监测方法、装置、介质以及电子设备 |
-
2022
- 2022-09-16 CN CN202211128754.6A patent/CN115578646B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018214190A1 (zh) * | 2017-06-19 | 2018-11-29 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
CN108956505A (zh) * | 2018-09-18 | 2018-12-07 | 航天信德智图(北京)科技有限公司 | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 |
CN111339989A (zh) * | 2020-03-12 | 2020-06-26 | 北京观澜智图科技有限公司 | 一种水体提取方法、装置、设备及存储介质 |
CN112179854A (zh) * | 2020-09-30 | 2021-01-05 | 中国科学院南京地理与湖泊研究所 | 基于p-fui水色指数的富营养化湖泊蓝藻水华遥感监测方法 |
CN113192117A (zh) * | 2021-02-08 | 2021-07-30 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
WO2022166939A1 (zh) * | 2021-02-08 | 2022-08-11 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
CN113836740A (zh) * | 2021-09-30 | 2021-12-24 | 安徽大学 | 一种高潜水位采煤沉陷积水区历史空间信息计算方法 |
CN114170514A (zh) * | 2021-12-08 | 2022-03-11 | 广东工业大学 | 水体蓝藻水华爆发的监测方法、装置、介质以及电子设备 |
Non-Patent Citations (4)
Title |
---|
BENJAMIN P. PAGE 等: "A novel cross-satellite based assessment of the spatio-temporal development of a cyanobacterial harmful algal bloom" * |
CHUANMIN HU: "A novel ocean color index to detect floating algae in the global oceans" * |
但雨生 等: "基于Sentinel-2的平寨水库叶绿素a浓度反演" * |
汪雨豪: "基于哨兵2A影像的太湖蓝藻水华提取方法研究及应用" * |
Also Published As
Publication number | Publication date |
---|---|
CN115578646B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103518224A (zh) | 用于分析微生物生长的方法和软件 | |
CN112699756B (zh) | 一种基于高光谱图像的茶叶原产地识别方法和系统 | |
CN111007013B (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
CN114170514A (zh) | 水体蓝藻水华爆发的监测方法、装置、介质以及电子设备 | |
CN111060455B (zh) | 面向东北冷凉区的遥感图像作物标记方法和装置 | |
Palacios et al. | Early yield prediction in different grapevine varieties using computer vision and machine learning | |
CN115439759A (zh) | 遥感影像中植被的提取方法、装置、电子设备及介质 | |
CN115424142A (zh) | 基于遥感影像的海岸线类型判别方法、装置、介质和设备 | |
CN111507939A (zh) | 一种水果外部缺陷类型的检测方法、装置和终端 | |
CN107316296A (zh) | 一种基于对数变换的遥感图像变化检测方法及装置 | |
CN113298086A (zh) | 基于U-Net网络的赤潮多光谱检测方法 | |
Yoon et al. | Hyperspectral image processing methods | |
CN115578646A (zh) | 一种蓝藻水华监测方法及装置 | |
CN117058559A (zh) | 一种基于卫星遥感的森林火灾态势分析方法、设备及介质 | |
CN115479904A (zh) | 一种饲料单宁快速检测方法及系统 | |
CN114581793A (zh) | 遥感图像的云识别方法、装置、电子设备及可读存储介质 | |
CN112598664A (zh) | 基于视觉显著性的虫粮等级判定方法和装置 | |
CN113792263A (zh) | 水生植被的类型确定方法及装置 | |
Hu et al. | Estimation of wheat tiller density using remote sensing data and machine learning methods | |
Alies et al. | Application of artificial neural networks for the analysis of multispectral images | |
Schwalbe et al. | Profile based sub-pixel-classification of hemispherical images for solar radiation analysis in forest ecosystems | |
Rayegani et al. | A simple model for PIFs extraction at digital change detection approach | |
CN111289516B (zh) | 植物叶片氨基酸含量检测方法及装置 | |
Ranjan et al. | Employing Image Processing and Deep Learning in Gradation and Classification of Paddy Grain |
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 |