CN115639159A - 一种基于多光谱影像的废水污染监测方法和装置 - Google Patents
一种基于多光谱影像的废水污染监测方法和装置 Download PDFInfo
- Publication number
- CN115639159A CN115639159A CN202211568339.2A CN202211568339A CN115639159A CN 115639159 A CN115639159 A CN 115639159A CN 202211568339 A CN202211568339 A CN 202211568339A CN 115639159 A CN115639159 A CN 115639159A
- Authority
- CN
- China
- Prior art keywords
- image data
- remote sensing
- sensing image
- multispectral remote
- wastewater pollution
- 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
-
- 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
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种基于多光谱影像的废水污染监测方法和装置,涉及环境监测的技术领域,包括:获取待监测水域的时序多光谱遥感影像数据,并利用2SeaColor解析模型分别对时序多光谱遥感影像数据中的各个多光谱遥感影像数据进行反演,得到各个多光谱遥感影像数据的光学特性数据;基于各个多光谱遥感影像数据的光学特性数据,计算出各个多光谱遥感影像数据的废水污染指数;基于各个多光谱遥感影像数据的废水污染指数,构建废水污染指数时间序列;对废水污染指数时间序列进行时空模式分析,得到分析结果,其中,分析结果用于表征待监测水域的水质变化趋势,解决了现有的废水污染遥感监测算法的适用性较差的技术问题。
Description
技术领域
本发明涉及环境监测的技术领域,尤其是涉及一种基于多光谱影像的废水污染监测方法和装置。
背景技术
目前的废水污染遥感监测技术,以多光谱影像数据为主,技术路线为基于机器学习,利用光谱特征信息和地面站点观测值数据作为训练数据,构建模型进行监测识别。
在现有技术中,利用遥感数据和站点实测数据构建机器学习模型,该方法是数据驱动的,具有机器学习方法自身的缺陷,由于训练数据集的固有限制,导致最终模型的泛化能力和鲁棒性并不好,只适用于部分场景和数据。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种基于多光谱影像的废水污染监测方法和装置,以缓解了现有废水污染遥感监测算法的适用性较差的技术问题。
第一方面,本发明实施例提供了一种基于多光谱影像的废水污染监测方法,包括:获取待监测水域的时序多光谱遥感影像数据,并利用2SeaColor解析模型分别对所述时序多光谱遥感影像数据中的各个多光谱遥感影像数据进行反演,得到各个多光谱遥感影像数据的光学特性数据;基于各个多光谱遥感影像数据的光学特性数据,计算出各个多光谱遥感影像数据的废水污染指数;基于各个多光谱遥感影像数据的废水污染指数,构建废水污染指数时间序列;对所述废水污染指数时间序列进行时空模式分析,得到分析结果,其中,所述分析结果用于表征所述待监测水域的水质变化趋势。
进一步地,所述光学特性数据包括:叶绿素-a,有色溶解有机物和非藻类颗粒的吸收系数,悬浮颗粒物的后向散射系数和漫衰减系数;基于各个多光谱遥感影像数据的光学特性数据,计算出各个多光谱遥感影像数据的废水污染指数,包括:基于所述漫衰减系数,计算出多光谱遥感影像数据的漫衰减系数的离散和值;基于主成分分析法对目标数据进行处理,得到多光谱遥感影像数据中每个栅格的特征向量,其中,所述目标数据包括:所述叶绿素-a、所述有色溶解有机物和非藻类颗粒的吸收系数、所述悬浮颗粒物的后向散射系数和漫所述衰减系数的离散和值;基于所述特征向量和谱角映射器算法,计算出多光谱遥感影像数据的废水污染指数。
进一步地,基于所述特征向量和谱角映射器算法,计算出多光谱遥感影像数据的废水污染指数,包括:确定出多光谱遥感影像数据中每个栅格的特征向量,确定出每个栅格对应的目标栅格;基于每个栅格的特征向量和每个栅格对应的目标栅格的特征向量,计算出多光谱遥感影像数据的废水污染指数。
进一步地,确定出多光谱遥感影像数据中每个栅格的特征向量,确定出每个栅格对应的目标栅格,包括:计算初始栅格的特征向量与其它栅格的特征向量之间的角度差,得到角度差集合,其中,所述初始栅格为所述多光谱遥感影像数据中的任意一个栅格,所述其它栅格为所述多光谱遥感影像数据中除所述目标栅格以外的栅格;将所述角度差集合中的最小值对应的其它栅格,确定为所述初始栅格对应的目标栅格。
进一步地,对所述废水污染指数时间序列进行时空模式分析,得到分析结果 ,包括:基于主成分分析算法,对所述废水污染指数时间序列进行处理,得到所述废水污染指数时间序列的第一主成分;基于所述第一主成分和预设置信区间,对所述废水污染指数时间序列进行最小二乘拟合,得到拟合结果;基于所述拟合结果的线性趋势,确定出所述分析结果。
第二方面,本发明实施例还提供了一种基于多光谱影像的废水污染监测装置,包括:获取单元,用于获取待监测水域的时序多光谱遥感影像数据,并利用2SeaColor解析模型分别对所述时序多光谱遥感影像数据中的各个多光谱遥感影像数据进行反演,得到各个多光谱遥感影像数据的光学特性数据;计算单元,用于基于各个多光谱遥感影像数据的光学特性数据,计算出各个多光谱遥感影像数据的废水污染指数;构建单元,用于基于各个多光谱遥感影像数据的废水污染指数,构建废水污染指数时间序列;分析单元,用于对所述废水污染指数时间序列进行时空模式分析,得到分析结果,其中,所述分析结果用于表征所述待监测水域的水质变化趋势。
进一步地,所述光学特性数据包括:叶绿素-a,有色溶解有机物和非藻类颗粒的吸收系数,悬浮颗粒物的后向散射系数和漫衰减系数;所述计算单元,用于:基于所述漫衰减系数,计算出多光谱遥感影像数据的漫衰减系数的离散和值;基于主成分分析法对目标数据进行处理,得到多光谱遥感影像数据中每个栅格的特征向量,其中,所述目标数据包括:所述叶绿素-a、所述有色溶解有机物和非藻类颗粒的吸收系数、所述悬浮颗粒物的后向散射系数和漫所述衰减系数的离散和值;基于所述特征向量和谱角映射器算法,计算出多光谱遥感影像数据的废水污染指数。
进一步地,所述计算单元,用于:确定出多光谱遥感影像数据中每个栅格的特征向量,确定出每个栅格对应的目标栅格;基于每个栅格的特征向量和每个栅格对应的目标栅格的特征向量,计算出多光谱遥感影像数据的废水污染指数。
第三方面,本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序。
在本发明实施例中,通过获取待监测水域的时序多光谱遥感影像数据,并利用2SeaColor解析模型分别对所述时序多光谱遥感影像数据中的各个多光谱遥感影像数据进行反演,得到各个多光谱遥感影像数据的光学特性数据;基于各个多光谱遥感影像数据的光学特性数据,计算出各个多光谱遥感影像数据的废水污染指数;基于各个多光谱遥感影像数据的废水污染指数,构建废水污染指数时间序列;对所述废水污染指数时间序列进行时空模式分析,得到分析结果,其中,所述分析结果用于表征所述待监测水域的水质变化趋势,达到了无需机器学习模型就可以对废水污染进行监测的目的,进而解决了现有的废水污染遥感监测算法的适用性较差的技术问题,从而实现了提高废水污染遥感监测算法适用性的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种基于多光谱影像的废水污染监测方法的流程图;
图2为本发明实施例提供的一种基于多光谱影像的废水污染监测装置的示意图;
图3为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
根据本发明实施例,提供了一种基于多光谱影像的废水污染监测方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种基于多光谱影像的废水污染监测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取待监测水域的时序多光谱遥感影像数据,并利用2SeaColor解析模型分别对所述时序多光谱遥感影像数据中的各个多光谱遥感影像数据进行反演,得到各个多光谱遥感影像数据的光学特性数据;
在本发明实施例中,多光谱遥感影像数据为Sentinel-2遥感影像数据。
步骤S104,基于各个多光谱遥感影像数据的光学特性数据,计算出各个多光谱遥感影像数据的废水污染指数;
步骤S106,基于各个多光谱遥感影像数据的废水污染指数,构建废水污染指数时间序列;
步骤S108,对所述废水污染指数时间序列进行时空模式分析,得到分析结果,其中,所述分析结果用于表征所述待监测水域的水质变化趋势。
在本发明实施例中,通过获取待监测水域的时序多光谱遥感影像数据,并利用2SeaColor解析模型分别对所述时序多光谱遥感影像数据中的各个多光谱遥感影像数据进行反演,得到各个多光谱遥感影像数据的光学特性数据;基于各个多光谱遥感影像数据的光学特性数据,计算出各个多光谱遥感影像数据的废水污染指数;基于各个多光谱遥感影像数据的废水污染指数,构建废水污染指数时间序列;对所述废水污染指数时间序列进行时空模式分析,得到分析结果,其中,所述分析结果用于表征所述待监测水域的水质变化趋势,达到了无需机器学习模型就可以对废水污染进行监测的目的,进而解决了现有的废水污染遥感监测算法的适用性较差的技术问题,从而实现了提高废水污染遥感监测算法适用性的技术效果。
在本发明实施例中,利用2SeaColor解析模型,得到叶绿素-a、有色溶解有机物和非藻类颗粒的吸收系数、悬浮颗粒物的后向散射系数。然后结合区域内的时序多光谱数据(以Sentinel-2为例)和区域实测的遥感反射率数据,得到漫衰减系数。
其中,2SeaColor模型中的变量参数如下所示:
由上述内容可知,2SeaColor模型的反演结果由13个波段组成,分别如下:
(443)【Band 1】,(490)【Band 2】,(560)【Band 3】,(665)【Band 4】,(705)【Band 5】,(740)【Band 6】,(783)【Band 7】,(842)【Band 8】,(440)【Band9】,(440)【Band 10】,(440)【Band 11】,【Band 12】,【Band 13】。
在本发明实施例中,步骤S104包括如下步骤:
基于各个多光谱遥感影像数据的光学特性数据,计算出各个多光谱遥感影像数据的废水污染指数,包括:
基于所述漫衰减系数,计算出多光谱遥感影像数据的漫衰减系数的离散和值;
基于主成分分析法对目标数据进行处理,得到多光谱遥感影像数据中每个栅格的特征向量,其中,所述目标数据包括:所述叶绿素-a、所述有色溶解有机物和非藻类颗粒的吸收系数、所述悬浮颗粒物的后向散射系数和漫所述衰减系数的离散和值;
基于所述特征向量和谱角映射器算法,计算出多光谱遥感影像数据的废水污染指数。
具体的,基于所述特征向量和谱角映射器算法,计算出多光谱遥感影像数据的废水污染指数,包括如下步骤:
确定出多光谱遥感影像数据中每个栅格的特征向量,确定出每个栅格对应的目标栅格;
基于每个栅格的特征向量和每个栅格对应的目标栅格的特征向量,计算出多光谱遥感影像数据的废水污染指数。
其中,计算初始栅格的特征向量与其它栅格的特征向量之间的角度差,得到角度差集合,其中,所述初始栅格为所述多光谱遥感影像数据中的任意一个栅格,所述其它栅格为所述多光谱遥感影像数据中除所述目标栅格以外的栅格;
将所述角度差集合中的最小值对应的其它栅格,确定为所述初始栅格对应的目标栅格。
接着,使用主成分分析法(PCA)减少数据维度,找到能够最佳捕捉废水物质和背景差异的固有光学特性的线性组合。取一个中心矩阵(m×n),计算协方差矩阵:
其中,COV是一个n×n的对称矩阵。
根据特征模量分析,对称矩阵可以被分解为:
其中,V是一个n×n的矩阵,它的列是表示转换反向的正交特征向量,表示如下:
L是一个n×n的特征值对角矩阵,表示如下:
主成分矩阵可有中心矩阵A和正交矩阵V相乘得到:
对单幅影像的不同固有光学特性(IOPs)进行PCA分析,结果可以表示如下:
所以,每个栅格的第一主成分PC1可以表示为:
其中,(v11,v12,v13,v14)为其特征向量。
为每个栅格获得的第一个特征向量,采用谱角映射器(SAM)方法,计算n维测试向量和参考向量之间的角度差,也就是将污水污染物对应栅格的特征向量作为参考向量,其他栅格的特征向量作为测试向量进行比较,角度越小,相似性越高:
最后,选择相似度最高的特征向量(即角度最小的),定义固有光学特性的最佳线性组合LCI,从而,构建废水污染指数WCI并计算标准化异常:
在本发明实施例中,步骤S108包括如下步骤:
基于主成分分析算法,对所述废水污染指数时间序列进行处理,得到所述废水污染指数时间序列的第一主成分;
基于所述第一主成分和预设置信区间,对所述废水污染指数时间序列进行最小二乘拟合,得到拟合结果;
基于所述拟合结果的线性趋势,确定出所述分析结果。
在本发明实施例中,使用PCA-t模式对WCI时间序列数据进行时空模式识别,PCA-t模式将该数据分解为正交的空间模式和特征向量,在该模式下,时间序列上的每个图像可视为统计变量(列),空间上的像素视为观测值(行),矩阵表示如下:
具体过程如下:
将WCI应用到时序固有光学特性数据上,生成WCI时间序列数据;
图像做中心化处理,每个像素减去图像的均值。
使用主成分分析法(PCA),其中,得到的协方差矩阵特征值最大的就是第一主成分模式(PC1),它可以解释数据集中大部分可变性。
取95%的置信区间,通过对WCI时间序列的最小二乘拟合计算线性趋势,用来评价水质随时间的改善或恶化趋势。
在本发明实施例中,根据固有光学特性指定的废水污染指数,本发明实施例能捕捉到废水团和周围水之间的空间差异,并检测到跨时间的异常情况,同时,首次引入PCA和时间分解应用于水色变量的时间序列,从而监测废水污染的时空分布,这样可以监测区域内是否存在重复的污染模式以及潜在的驱动因素。
实施例二:
本发明实施例还提供了一种基于多光谱影像的废水污染监测装置,该基于多光谱影像的废水污染监测装置用于执行本发明实施例上述内容所提供的基于多光谱影像的废水污染监测方法,以下是本发明实施例提供的装置的具体介绍。
如图2所示,图2为上述基于多光谱影像的废水污染监测装置的示意图,该基于多光谱影像的废水污染监测装置包括:
获取单元10,用于获取待监测水域的时序多光谱遥感影像数据,并利用2SeaColor解析模型分别对所述时序多光谱遥感影像数据中的各个多光谱遥感影像数据进行反演,得到各个多光谱遥感影像数据的光学特性数据;
计算单元20,用于基于各个多光谱遥感影像数据的光学特性数据,计算出各个多光谱遥感影像数据的废水污染指数;
构建单元30,用于基于各个多光谱遥感影像数据的废水污染指数,构建废水污染指数时间序列;
分析单元40,用于对所述废水污染指数时间序列进行时空模式分析,得到分析结果,其中,所述分析结果用于表征所述待监测水域的水质变化趋势。
在本发明实施例中,通过获取待监测水域的时序多光谱遥感影像数据,并利用2SeaColor解析模型分别对所述时序多光谱遥感影像数据中的各个多光谱遥感影像数据进行反演,得到各个多光谱遥感影像数据的光学特性数据;基于各个多光谱遥感影像数据的光学特性数据,计算出各个多光谱遥感影像数据的废水污染指数;基于各个多光谱遥感影像数据的废水污染指数,构建废水污染指数时间序列;对所述废水污染指数时间序列进行时空模式分析,得到分析结果,其中,所述分析结果用于表征所述待监测水域的水质变化趋势,达到了无需机器学习模型就可以对废水污染进行监测的目的,进而解决了现有的废水污染遥感监测算法的适用性较差的技术问题,从而实现了提高废水污染遥感监测算法适用性的技术效果。
实施例三:
本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
参见图3,本发明实施例还提供一种电子设备100,包括:处理器50,存储器51,总线52和通信接口53,所述处理器50、通信接口53和存储器51通过总线52连接;处理器50用于执行存储器51中存储的可执行模块,例如计算机程序。
其中,存储器51可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器51用于存储程序,所述处理器50在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中,或者由处理器50实现。
处理器50可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51,处理器50读取存储器51中的信息,结合其硬件完成上述方法的步骤。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,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。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于多光谱影像的废水污染监测方法,其特征在于,包括:
获取待监测水域的时序多光谱遥感影像数据,并利用2SeaColor解析模型分别对所述时序多光谱遥感影像数据中的各个多光谱遥感影像数据进行反演,得到各个多光谱遥感影像数据的光学特性数据;
基于各个多光谱遥感影像数据的光学特性数据,计算出各个多光谱遥感影像数据的废水污染指数;
基于各个多光谱遥感影像数据的废水污染指数,构建废水污染指数时间序列;
对所述废水污染指数时间序列进行时空模式分析,得到分析结果,其中,所述分析结果用于表征所述待监测水域的水质变化趋势。
2.根据权利要求1所述的方法,其特征在于,所述光学特性数据包括:叶绿素-a,有色溶解有机物和非藻类颗粒的吸收系数,悬浮颗粒物的后向散射系数和漫衰减系数;
基于各个多光谱遥感影像数据的光学特性数据,计算出各个多光谱遥感影像数据的废水污染指数,包括:
基于所述漫衰减系数,计算出多光谱遥感影像数据的漫衰减系数的离散和值;
基于主成分分析法对目标数据进行处理,得到多光谱遥感影像数据中每个栅格的特征向量,其中,所述目标数据包括:所述叶绿素-a、所述有色溶解有机物和非藻类颗粒的吸收系数、所述悬浮颗粒物的后向散射系数和漫所述衰减系数的离散和值;
基于所述特征向量和谱角映射器算法,计算出多光谱遥感影像数据的废水污染指数。
3.根据权利要求2所述的方法,其特征在于,基于所述特征向量和谱角映射器算法,计算出多光谱遥感影像数据的废水污染指数,包括:
确定出多光谱遥感影像数据中每个栅格的特征向量,确定出每个栅格对应的目标栅格;
基于每个栅格的特征向量和每个栅格对应的目标栅格的特征向量,计算出多光谱遥感影像数据的废水污染指数。
4.根据权利要求1所述的方法,其特征在于, 确定出多光谱遥感影像数据中每个栅格的特征向量,确定出每个栅格对应的目标栅格,包括:
计算初始栅格的特征向量与其它栅格的特征向量之间的角度差,得到角度差集合,其中,所述初始栅格为所述多光谱遥感影像数据中的任意一个栅格,所述其它栅格为所述多光谱遥感影像数据中除所述目标栅格以外的栅格;
将所述角度差集合中的最小值对应的其它栅格,确定为所述初始栅格对应的目标栅格。
5.根据权利要求1所述的方法,其特征在于,对所述废水污染指数时间序列进行时空模式分析,得到分析结果 ,包括:
基于主成分分析算法,对所述废水污染指数时间序列进行处理,得到所述废水污染指数时间序列的第一主成分;
基于所述第一主成分和预设置信区间,对所述废水污染指数时间序列进行最小二乘拟合,得到拟合结果;
基于所述拟合结果的线性趋势,确定出所述分析结果。
6.一种基于多光谱影像的废水污染监测装置,其特征在于,包括:
获取单元,用于获取待监测水域的时序多光谱遥感影像数据,并利用2SeaColor解析模型分别对所述时序多光谱遥感影像数据中的各个多光谱遥感影像数据进行反演,得到各个多光谱遥感影像数据的光学特性数据;
计算单元,用于基于各个多光谱遥感影像数据的光学特性数据,计算出各个多光谱遥感影像数据的废水污染指数;
构建单元,用于基于各个多光谱遥感影像数据的废水污染指数,构建废水污染指数时间序列;
分析单元,用于对所述废水污染指数时间序列进行时空模式分析,得到分析结果,其中,所述分析结果用于表征所述待监测水域的水质变化趋势。
7.根据权利要求6所述的装置,其特征在于,所述光学特性数据包括:叶绿素-a,有色溶解有机物和非藻类颗粒的吸收系数,悬浮颗粒物的后向散射系数和漫衰减系数;
所述计算单元,用于:
基于所述漫衰减系数,计算出多光谱遥感影像数据的漫衰减系数的离散和值;
基于主成分分析法对目标数据进行处理,得到多光谱遥感影像数据中每个栅格的特征向量,其中,所述目标数据包括:所述叶绿素-a、所述有色溶解有机物和非藻类颗粒的吸收系数、所述悬浮颗粒物的后向散射系数和漫所述衰减系数的离散和值;
基于所述特征向量和谱角映射器算法,计算出多光谱遥感影像数据的废水污染指数。
8.根据权利要求7所述的装置,其特征在于,所述计算单元,用于:
确定出多光谱遥感影像数据中每个栅格的特征向量,确定出每个栅格对应的目标栅格;
基于每个栅格的特征向量和每个栅格对应的目标栅格的特征向量,计算出多光谱遥感影像数据的废水污染指数。
9.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器用于存储支持处理器执行权利要求1至5任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,计算机程序被处理器运行时执行上述权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211568339.2A CN115639159B (zh) | 2022-12-08 | 2022-12-08 | 一种基于多光谱影像的废水污染监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211568339.2A CN115639159B (zh) | 2022-12-08 | 2022-12-08 | 一种基于多光谱影像的废水污染监测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115639159A true CN115639159A (zh) | 2023-01-24 |
CN115639159B CN115639159B (zh) | 2023-04-11 |
Family
ID=84948460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211568339.2A Active CN115639159B (zh) | 2022-12-08 | 2022-12-08 | 一种基于多光谱影像的废水污染监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115639159B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115950666A (zh) * | 2023-03-15 | 2023-04-11 | 石家庄市惠源淀粉有限公司 | 一种淀粉葡萄糖生产设备故障智能检测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080046217A1 (en) * | 2006-02-16 | 2008-02-21 | Clean Earth Technologies, Llc | Method for Spectral Data Classification and Detection in Diverse Lighting Conditions |
US20130286377A1 (en) * | 2012-04-27 | 2013-10-31 | SATOP GmbH | Using Multispectral Satellite Data to Determine Littoral Water Depths Despite Varying Water Turbidity |
GB201412061D0 (en) * | 2014-07-07 | 2014-08-20 | Vito Nv | Method and system for geometric referencing of multi-spectral data |
GB201503912D0 (en) * | 2015-03-06 | 2016-02-03 | Bae Systems Plc | Method and apparatus for processing spectral images |
CN109145881A (zh) * | 2018-10-09 | 2019-01-04 | 中国地质科学院矿产资源研究所 | 一种遥感图像膏盐信息提取方法及装置 |
US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
CN112014331A (zh) * | 2020-08-21 | 2020-12-01 | 中国第一汽车股份有限公司 | 一种水体污染的检测方法、装置、设备以及存储介质 |
CN112949167A (zh) * | 2021-02-03 | 2021-06-11 | 南京信息工程大学 | 饮用水水源地动态监测预警系统及其监测预警方法 |
CN114781537A (zh) * | 2022-05-07 | 2022-07-22 | 自然资源部第二海洋研究所 | 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 |
CN115049942A (zh) * | 2022-07-07 | 2022-09-13 | 山东建筑大学 | 一种基于频谱分析的高光谱卫星影像融合方法及应用 |
CN115144357A (zh) * | 2022-05-13 | 2022-10-04 | 核工业北京地质研究院 | 一种基于矿区机载中红外高光谱遥感数据的矿物识别方法 |
CN115266648A (zh) * | 2022-06-22 | 2022-11-01 | 中国科学院空天信息创新研究院 | 一种二类水体固有光学参数优化模拟方法 |
CN115266497A (zh) * | 2022-06-22 | 2022-11-01 | 中国科学院空天信息创新研究院 | 一种基于哨兵2A的叶绿素a和悬浮物匹配协同反演方法 |
CN115424143A (zh) * | 2022-08-29 | 2022-12-02 | 南方海洋科学与工程广东省实验室(广州) | 水源污染溯源方法、装置、存储介质和计算机设备 |
-
2022
- 2022-12-08 CN CN202211568339.2A patent/CN115639159B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080046217A1 (en) * | 2006-02-16 | 2008-02-21 | Clean Earth Technologies, Llc | Method for Spectral Data Classification and Detection in Diverse Lighting Conditions |
US20130286377A1 (en) * | 2012-04-27 | 2013-10-31 | SATOP GmbH | Using Multispectral Satellite Data to Determine Littoral Water Depths Despite Varying Water Turbidity |
GB201412061D0 (en) * | 2014-07-07 | 2014-08-20 | Vito Nv | Method and system for geometric referencing of multi-spectral data |
GB201503912D0 (en) * | 2015-03-06 | 2016-02-03 | Bae Systems Plc | Method and apparatus for processing spectral images |
CN109145881A (zh) * | 2018-10-09 | 2019-01-04 | 中国地质科学院矿产资源研究所 | 一种遥感图像膏盐信息提取方法及装置 |
US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
CN112014331A (zh) * | 2020-08-21 | 2020-12-01 | 中国第一汽车股份有限公司 | 一种水体污染的检测方法、装置、设备以及存储介质 |
CN112949167A (zh) * | 2021-02-03 | 2021-06-11 | 南京信息工程大学 | 饮用水水源地动态监测预警系统及其监测预警方法 |
CN114781537A (zh) * | 2022-05-07 | 2022-07-22 | 自然资源部第二海洋研究所 | 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 |
CN115144357A (zh) * | 2022-05-13 | 2022-10-04 | 核工业北京地质研究院 | 一种基于矿区机载中红外高光谱遥感数据的矿物识别方法 |
CN115266648A (zh) * | 2022-06-22 | 2022-11-01 | 中国科学院空天信息创新研究院 | 一种二类水体固有光学参数优化模拟方法 |
CN115266497A (zh) * | 2022-06-22 | 2022-11-01 | 中国科学院空天信息创新研究院 | 一种基于哨兵2A的叶绿素a和悬浮物匹配协同反演方法 |
CN115049942A (zh) * | 2022-07-07 | 2022-09-13 | 山东建筑大学 | 一种基于频谱分析的高光谱卫星影像融合方法及应用 |
CN115424143A (zh) * | 2022-08-29 | 2022-12-02 | 南方海洋科学与工程广东省实验室(广州) | 水源污染溯源方法、装置、存储介质和计算机设备 |
Non-Patent Citations (4)
Title |
---|
M. MENDILLO 等: "《Finite element simulation (FES): A computer modeling technique for studies of chemical modification of the ionosphere》" * |
丁凯 等: "《 运用MODIS遥感数据评测南海北部区域机载激光雷达测深系统参数》" * |
王冬至 等: "《基于层次分析法的地下水水质评价——以阿克苏市为例》" * |
范利青: "《黑臭水体遥感检测技术与地面水质监测技术相关性研究》" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115950666A (zh) * | 2023-03-15 | 2023-04-11 | 石家庄市惠源淀粉有限公司 | 一种淀粉葡萄糖生产设备故障智能检测方法 |
CN115950666B (zh) * | 2023-03-15 | 2023-05-30 | 石家庄市惠源淀粉有限公司 | 一种淀粉葡萄糖生产设备故障智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115639159B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Berman et al. | Single image dehazing using haze-lines | |
CN109740639B (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
CN112001374B (zh) | 一种高光谱影像的云检测方法和装置 | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
CN109376600A (zh) | 多光谱遥感影像综合特征云检测方法及装置 | |
Uss et al. | Maximum likelihood estimation of spatially correlated signal-dependent noise in hyperspectral images | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN114463637B (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
CN110825900A (zh) | 特征重构层的训练方法、图像特征的重构方法及相关装置 | |
CN108447058B (zh) | 一种图像质量评价方法及系统 | |
CN115639159B (zh) | 一种基于多光谱影像的废水污染监测方法和装置 | |
CN111192239A (zh) | 遥感影像变化区域检测方法、装置、存储介质及电子设备 | |
CN114332182B (zh) | 基于多特征约束的sar图像配准方法、设备和介质 | |
CN115372282A (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
CN114240940B (zh) | 一种基于遥感影像的云及云阴影检测方法和装置 | |
CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
CN115861823A (zh) | 一种基于自监督深度学习的遥感变化检测方法和装置 | |
CN116109659A (zh) | 一种sar影像海洋内波条纹分割方法、设备及存储介质 | |
CN114049571A (zh) | 高光谱影像的水体区域提取方法、装置及电子设备 | |
CN114943720A (zh) | 一种电力图像处理方法及装置 | |
CN107748875A (zh) | 一种基于多时相雷达图像纹理特征的震害建筑物识别方法 | |
Nair et al. | Benchmarking single image dehazing methods | |
CN113592801A (zh) | 视频图像的条纹干扰检测方法及其装置 | |
CN117474815B (zh) | 一种高光谱图像校准方法及系统 | |
Robles‐Kelly et al. | Imaging spectroscopy for scene analysis: challenges and opportunities |
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 |