CN115656057A - 基于多源数据融合的水华精准协同监测方法 - Google Patents
基于多源数据融合的水华精准协同监测方法 Download PDFInfo
- Publication number
- CN115656057A CN115656057A CN202211546140.XA CN202211546140A CN115656057A CN 115656057 A CN115656057 A CN 115656057A CN 202211546140 A CN202211546140 A CN 202211546140A CN 115656057 A CN115656057 A CN 115656057A
- Authority
- CN
- China
- Prior art keywords
- data
- unmanned aerial
- satellite
- aerial vehicle
- spectral data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 70
- 241000192710 Microcystis aeruginosa Species 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 82
- 230000003595 spectral effect Effects 0.000 claims abstract description 74
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 49
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 49
- 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 abstract description 49
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000000611 regression analysis Methods 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 5
- 210000000746 body region Anatomy 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 abstract description 44
- 238000005070 sampling Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 241000282994 Cervidae Species 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于多源数据融合的水华精准协同监测方法，包括：采集监测水体的卫星遥感多光谱影像和无人机多光谱影像及实地水质数据；对卫星遥感多光谱影像和无人机多光谱影像分别进行数据预处理，再分别构建组合卫星光谱数据和组合无人机光谱数据，计算水质数据分别与不同卫星光谱数据的相关系数，及水质数据分别与不同无人机光谱数据间的相关系数，选择相关系数最大的卫星光谱数据和无人机光谱数据；利用相关系数最大的卫星光谱数据和无人机光谱数据及水质数据建立模型，通过回归分析得到水华精准协同监测模型。本发明得到的水华精准协同监测模型相比于单一卫星光谱数据建模得到的水华监测模型对叶绿素浓度的反演精度更高，监测准确性更好。
Description
技术领域
本发明涉及水环境检测技术领域。更具体地说，本发明涉及一种基于多源数据融合的水华精准协同监测方法。
背景技术
目前，水华监测技术主要有以下两种：1、基于遥感技术的水华监测反演算法研究，在水华监测方面，主要通过利用卫星遥感数据提取水华爆发的位置和范围，以实现对重要河流水体的水华现象进行监测，在算法研究方面，建立卫星光谱数据与水华分布的函数模型，以提高利用卫星遥感技术监测水华的精度；2、基于无人机设备的水华监测反演算法研究，在水华识别方面，主要利用无人机遥感数据近红外和可见光波段比值算法区分水华和水体，以实现对重要河流水体水华的识别监测，在算法研究方面，利用无人机数据实现重要河流水华监测，改进现有的水华遥感反演模型，建立观测数据与水华分布的函数模型。但上述两种水华监测技术仍面临着诸多问题，如遥感反演模型的普适性、卫星数据监测结果的可比性和一致性等，这些都导致监测结果的准确度不足。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种基于多源数据融合的水华精准协同监测方法，通过将卫星光谱数据、无人机光谱数据和水质数据进行融合得到水华精准协同监测模型，该模型大幅提高了水华监测结果的准确性。
为了实现根据本发明的这些目的和其它优点，提供了一种基于多源数据融合的水华精准协同监测方法，其包括：
采集监测水体的卫星遥感多光谱影像和无人机多光谱影像，以及采集监测水体的水质数据；
对监测水体的卫星遥感多光谱影像进行数据预处理，再构建组合卫星光谱数据，计算水质数据分别与不同卫星光谱数据的相关系数，选择相关系数最大的卫星光谱数据；
对监测水体的无人机多光谱影像进行数据预处理，再构建组合无人机光谱数据，计算水质数据分别与不同无人机光谱数据间的相关系数，选择相关系数最大的无人机光谱数据；
利用相关系数最大的卫星光谱数据、相关系数最大的无人机光谱数据及水质数据建立多项式模型，通过回归分析得到多项式模型的表达式，即水华精准协同监测模型；
利用水华精准协同监测模型对监测水体的水华现象进行监测。
优选的是，所述对监测水体的卫星遥感多光谱影像进行数据预处理过程包括：大气校正、几何校正、辐射定标和水体区域在光谱影像中的提取。
优选的是，所述对监测水体的无人机多光谱影像进行数据预处理过程包括：暗角校正、畸变校正、图像配准和辐射定标。
优选的是，采集监测水体的卫星遥感多光谱影像时，晴天和阴天的卫星遥感多光谱影像均有采集，计算水质数据分别与不同卫星光谱数据的相关系数时，不仅计算水质数据分别与晴天状态下的不同卫星光谱数据的相关系数，而且计算水质数据分别与阴天状态下的不同卫星光谱数据的相关系数。
优选的是，采集监测水体的无人机多光谱影像时，晴天和阴天的无人机多光谱影像均有采集，计算水质数据分别与不同无人机光谱数据的相关系数时，不仅计算水质数据分别与晴天状态下的不同无人机光谱数据的相关系数，而且计算水质数据分别与阴天状态下的不同无人机光谱数据的相关系数。
优选的是，所述水质数据至少包括叶绿素浓度。
优选的是，所述卫星遥感多光谱影像至少包括蓝、绿、红、近红外四个波段的卫星光谱数据，所述组合卫星光谱数据至少包括蓝、绿、红、近红外四个波段的卫星光谱数据中任意两个波段的卫星光谱数据组合得到的卫星光谱数据。
优选的是，所述无人机多光谱影像至少包括五个波段的无人机光谱数据，所述组合无人机光谱数据至少包括无人机多光谱影像的五个波段的无人机光谱数据中任意两个波段的无人机光谱数据组合得到的无人机光谱数据。
优选的是，所述相关系数为皮尔森相关系数。
本发明至少包括以下有益效果：通过采集卫星遥感多光谱影像和无人机多光谱影像，以及水质数据，利用水质数据对卫星光谱数据和无人机光谱数据进行校正，再将校正后的卫星光谱数据、无人机光谱数据和水质数据融合得到水华精准协同监测模型，该模型相比于单一卫星光谱数据建模得到的水华监测模型精度更高，监测准确性更好。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明实施例所述采样点的位置示意图；
图2为本发明实施例所述无人机多光谱影像缩略图；
图3为本发明实施例所述晴天和阴天水质数据和不同卫星光谱数据的相关系数的变化折线图；
图4为本发明实施例所述晴天和阴天水质数据和不同无人机光谱数据的相关系数的变化折线图；
图5为本发明实施例所述水华精准协同监测模型关于参数Y13的无人机光谱数据的残差拟合图；
图6为本发明实施例所述水华精准协同监测模型关于参数X8的卫星光谱数据的残差拟合图；
图7为本发明实施例所述基于水华精准协同监测模型的河口采样点叶绿素浓度反演图；
图8为本发明实施例所述基于水华精准协同监测模型的黄石采样点叶绿素浓度反演图；
图9为本发明实施例所述基于水华精准协同监测模型的高阳采样点叶绿素浓度反演图；
图10为本发明实施例所述基于水华精准协同监测模型的养鹿采样点叶绿素浓度反演图；
图11为本发明实施例所述基于水华精准协同监测模型的渠口采样点叶绿素浓度反演图；
图12为本发明实施例所述水华精准协同监测模型对叶绿素浓度反演结果的精度验证图；
图13为本发明实施例所述利用卫星光谱数据单独对叶绿素浓度进行建模的函数模型图；
图14为本发明实施例所述利用卫星光谱数据单独建模的模型对叶绿素浓度的反演图；
图15为本发明实施例所述利用卫星光谱数据单独建模的模型对叶绿素浓度反演结果的精度验证图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
需要说明的是，下述实施方案中所述实验方法，如无特殊说明，均为常规方法，所述试剂和材料，如无特殊说明，均可从商业途径获得；仅是为了便于描述本发明和简化描述，并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
这里以长江的一条支流小江为例来说明上述基于多源数据融合的水华精准协同监测方法，该小江大部在重庆市开州区、云阳县境内流域面积5200余平方公里，河长180余公里。小江流域北部为大巴山南坡高山深丘，南部属川东平行岭谷地带，大部为低山丘陵，间有河谷平坝，地势北高南低。北端与渠江水系分水，南端与川江诸小支流分界，东端与汤溪河分水。流域内的山地多为石灰岩结构，岩溶发育，山脊呈锯齿或长垣状，山岭间河谷深切，临江最高相对高差达1000米左右。平行谷岭间河谷较开阔，有较宽的河谷平坝。流域内丘陵一般较平缓，干、支流河谷平坝以冲积阶地居多，海拔约150～250米。
1、数据采集
1）时间及气候条件：2021年5月31日（晴天），2021年6月1日（阴天），2021年6月2日（晴天）。
2）地点：设置了5个采样点，采样点分别位于长江和小江交汇处河口、云阳县黄石镇、高阳镇、养鹿镇和开州区渠口镇，采样点分布如图1所示。
3）、卫星遥感多光谱影像
采用的卫星数据为landsat7，lV-2数据。这些数据包含蓝、绿、红可见光波段和近红外(VNIR)波段的卫星光谱数据，影像分辨率为30m。
4）无人机多光谱影像
采用大疆的精灵4无人机搭载6镜头多光谱传感器，对采样点附近水域进行航空摄影测量，通过三天的野外数据采集，对小江上5个采样点及附近水域进行无人机航空摄影测量，获取的大量的观测数据，数据总量约9.93GB，约6000张影像。部分无人机多光谱影像缩略图如图2所示，从图2可以看出，一个航拍点，获取了6张不同波段的影像。
5）水质数据
为了准确获取水质中的悬浮物和叶绿素浓度，试验组利用M600无人机对小江水质进行了取样，一共采集了44个水质样本，每个样本存于1L的水样容器中，其中0.5L水样用于分离叶绿素，另0.5L水样用于分离悬浮物。试验组对样本进行了科学的编号，和妥善保存，以免样本在运输过程中被污染。
由于叶绿素容易变质腐坏，必须及时分离并进行冷藏保存，因此在水样采集后，试验组在4个小时内对样本进行叶绿素分离，并将叶绿素放置在事先准备好的液氮环境中。带回试验室后，进行的样本化验工作，借助专业的水质化验设备，获得了大量有效数据。总体上，对水样进行处理后，一共有44个有效叶绿素样本和44个悬浮物样本。其中，小江采样点水质叶绿素浓度如表1所示。
表1
2、数据处理
1）卫星遥感多光谱影像数据处理
数据预处理：对卫星遥感多光谱影像包含的蓝、绿、红可见光波段和近红外波段的卫星光谱数据均进行大气校正、几何校正、辐射定标和水体区域在光谱影像中的提取，每种波段的卫星光谱数据经过上述处理后得到该波段下水体区域各像素的反射率；
构建组合卫星光谱数据：经过数据预处理后，设蓝光波段的卫星光谱数据为b1，绿光波段的卫星光谱数据为b2，红光波段的卫星光谱数据为b3，近红外波段的卫星光谱数据为b4，对其中任意两个波段的卫星光谱数据进行组合，如表2所示。
表2
表2中，参数X5~X10为组合卫星光谱数据。
计算相关系数：计算水质数据叶绿素浓度分别与不同卫星光谱数据的皮尔森（pearson）相关系数，这里不同卫星光谱数据包括表2中参数X1~X10代表的10组卫星光谱数据。这里不仅计算水质数据分别与晴天（第三天）状态下的不同卫星光谱数据的相关系数，而且计算水质数据分别与阴天（第二天）状态下的不同卫星光谱数据的相关系数，绘制出晴天和阴天数据的相关系数变化折线图，如图3所示。
从图3可以看出，晴天不同卫星光谱数据与叶绿素浓度的相关系数变化折线，及阴天不同卫星光谱数据与叶绿素浓度的相关系数变化折线，两者具有相似变化趋势，且相关性最大值均为参数X8，相关系数值均高于0.85。因此，本试验选择参数X8——(b2-b3)/(b2+b3)作为最优卫星光谱数据。
2）无人机多光谱影像数据处理
数据预处理：对无人机多光谱影像包含的a1~a5五个波段的无人机光谱数据，均进行暗角校正、畸变校正、图像配准和辐射定标，每种波段的无人机光谱数据经过上述处理后得到该波段下各像素的反射率（由于无人机拍摄接近监测水体，因此无人机光谱影像中不含陆域，无需进行水体提取）；
构建组合无人机光谱数据：经过数据预处理后，对5个波段的无人机光谱数据中任意两个波段的无人机光谱数据进行组合，如表3所示。
表3
表3中，参数Y6~Y15为组合无人机光谱数据。
计算相关系数：计算水质数据叶绿素浓度分别与不同无人机光谱数据的皮尔森相关系数，这里不同无人机光谱数据包括表3中参数Y1~Y15代表的15组无人机光谱数据。这里不仅计算水质数据分别与晴天（第三天）状态下的不同无人机光谱数据的相关系数，而且计算水质数据分别与阴天（第二天）状态下的不同无人机光谱数据的相关系数，绘制出晴天和阴天数据的相关系数变化折线图，如图4所示。
从图4可以看出，晴天不同无人机光谱数据与叶绿素浓度的相关系数变化折线，及阴天不同卫星光谱数据与叶绿素浓度的相关系数变化折线，两者具有相似变化趋势，且相关性最大值均为参数Y13，相关系数值分别为-0.086、-0.82。因此，本试验选择参数Y13——(a3-a4)/(a3+a4)作为最优无人机光谱数据。
3、建立模型
采用前述选择的最优卫星光谱数据和最优无人机光谱数据，以及水质数据叶绿素浓度构建水华精准协同监测模型的二元多项式chla=A*a+B*b+C，利用回归分析的方法拟合得到模型表达式为：
chla=-330.4044*a+586.9551*b+81.580
其中，chla为叶绿素浓度，a为无人机光谱数据，b为卫星光谱数据。
参数A、B、C的估值结果如表4所示，图5和图6分别为无人机光谱数据和卫星光谱数据的拟合残差图。
表4
| 系数 | 值 | 标准差 | t值 | 大于|t|的概率P |
| A | -330.4044 | 149.6807 | 2.4417 | 0.02145 |
| B | 586.9551 | 202.7425 | -2.2074 | 0.03597 |
| C | 81.5800 | 33.4099 | 2.8951 | 0.00742 |
从表4和图5，6可以看出通过回归分析拟合得到的模型，两个模型系数和一个常数项的标准差分别为149.6807、202.7425、33.4099，大于|t|的概率P分别为2.145%、3.597%、0.742%。除少部分样本，大多数残差集中在0值附近波动，表明本研究构建的模型具有一定的可靠性。
4、叶绿素浓度反演
利用上述得到的模型对采样点的叶绿素浓度进行反演，由于卫星影像的分辨率为30m，为了保证数据的一致性，本研究也将无人机数据进行了降分辨率处理，使其与卫星影像的分辨率保持一致，得到河口、黄石、高阳、养鹿、渠口5个采样点的叶绿素浓度监测结果，反演结果如图7~11所示，图7为基于水华精准协同监测模型的河口采样点叶绿素浓度反演图，图8为基于水华精准协同监测模型的黄石采样点叶绿素浓度反演图，图9为基于水华精准协同监测模型的高阳采样点叶绿素浓度反演图，图10为基于水华精准协同监测模型的养鹿采样点叶绿素浓度反演图，图11为基于水华精准协同监测模型的渠口采样点叶绿素浓度反演图。
5、精度分析
为了进一步分析水华精准协同监测模型反演叶绿素浓度的结果的准确性和可靠性，本研究结合实测的水质数据对反演结果进行了精度验证，绘制出反演叶绿素浓度与实测叶绿素浓度的对应值，结果如图12所示，其中横坐标为实测的叶绿素浓度，纵坐标为水华精准协同监测模型反演得到的叶绿素浓度，图中虚线为叶绿素浓度的拟合直线，实线为1:1线。从图中可以发现虚线与实线几乎平行，说明二者具有较高的一致性，即实测值和反演值吻合度较高。另外，平均绝对误差MAE为13.57 μg/L，均方根误差RMSE为16.59 μg/L，相关性系数R2达到0.945，呈现强相关性。
为了对比分析，采用同样的分析方法，利用卫星光谱数据单独对叶绿素浓度进行建模，模型表达式为：y=4562.84x2+10.375x+27.45，建立的函数模型如图13所示。利用该模型对监测区域进行了叶绿素反演，其结果如图14所示。
与水华精准协同监测模型数据处理策略一致，本研究对卫星光谱数据建模的模型反演结果进行了精度验证，绘制出反演叶绿素浓度与实测叶绿素浓度的对应值，结果如图15所示。
图15中，横坐标为实测的叶绿素浓度，纵坐标为卫星光谱数据建模的模型反演得到的叶绿素浓度，图中虚线为叶绿素浓度的拟合直线，实现为1:1线。反演结果的平均绝对误差MAE为22.72 μg/L，均方根误差RMSE为27.88 μg/L，相关性系数R2为0.851，呈现强相关性。
对比图12和图15可以发现，不管是平均绝对误差MAE还是均方根误差RMSE，亦或是相关性系数R2都是图15的卫星光谱数据建模的模型反演结果均不及水华精准协同监测模型反演结果好。这表明，在有同步观测数据的条件下，本研究提出的基于多源数据融合的水华精准协同监测方法能够有效提高叶绿素浓度的反演精度，显著提高了卫星水华监测准确性。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (9)
1.一种基于多源数据融合的水华精准协同监测方法，其特征在于，包括：
采集监测水体的卫星遥感多光谱影像和无人机多光谱影像，以及采集监测水体的水质数据；
对监测水体的卫星遥感多光谱影像进行数据预处理，再构建组合卫星光谱数据，计算水质数据分别与不同卫星光谱数据的相关系数，选择相关系数最大的卫星光谱数据；
对监测水体的无人机多光谱影像进行数据预处理，再构建组合无人机光谱数据，计算水质数据分别与不同无人机光谱数据间的相关系数，选择相关系数最大的无人机光谱数据；
利用相关系数最大的卫星光谱数据、相关系数最大的无人机光谱数据及水质数据建立多项式模型，通过回归分析得到多项式模型的表达式，即水华精准协同监测模型；
利用水华精准协同监测模型对监测水体的水华现象进行监测。
2.如权利要求1所述的基于多源数据融合的水华精准协同监测方法，其特征在于，所述对监测水体的卫星遥感多光谱影像进行数据预处理过程包括：大气校正、几何校正、辐射定标和水体区域在光谱影像中的提取。
3.如权利要求1所述的基于多源数据融合的水华精准协同监测方法，其特征在于，所述对监测水体的无人机多光谱影像进行数据预处理过程包括：暗角校正、畸变校正、图像配准和辐射定标。
4.如权利要求1所述的基于多源数据融合的水华精准协同监测方法，其特征在于，采集监测水体的卫星遥感多光谱影像时，晴天和阴天的卫星遥感多光谱影像均有采集，计算水质数据分别与不同卫星光谱数据的相关系数时，不仅计算水质数据分别与晴天状态下的不同卫星光谱数据的相关系数，而且计算水质数据分别与阴天状态下的不同卫星光谱数据的相关系数。
5.如权利要求1所述的基于多源数据融合的水华精准协同监测方法，其特征在于，采集监测水体的无人机多光谱影像时，晴天和阴天的无人机多光谱影像均有采集，计算水质数据分别与不同无人机光谱数据的相关系数时，不仅计算水质数据分别与晴天状态下的不同无人机光谱数据的相关系数，而且计算水质数据分别与阴天状态下的不同无人机光谱数据的相关系数。
6.如权利要求1所述的基于多源数据融合的水华精准协同监测方法，其特征在于，所述水质数据至少包括叶绿素浓度。
7.如权利要求1所述的基于多源数据融合的水华精准协同监测方法，其特征在于，所述卫星遥感多光谱影像至少包括蓝、绿、红、近红外四个波段的卫星光谱数据，所述组合卫星光谱数据至少包括蓝、绿、红、近红外四个波段的卫星光谱数据中任意两个波段的卫星光谱数据组合得到的卫星光谱数据。
8.如权利要求1所述的基于多源数据融合的水华精准协同监测方法，其特征在于，所述无人机多光谱影像至少包括五个波段的无人机光谱数据，所述组合无人机光谱数据至少包括无人机多光谱影像的五个波段的无人机光谱数据中任意两个波段的无人机光谱数据组合得到的无人机光谱数据。
9.如权利要求1所述的基于多源数据融合的水华精准协同监测方法，其特征在于，所述相关系数为皮尔森相关系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211546140.XA CN115656057A (zh) | 2022-12-05 | 2022-12-05 | 基于多源数据融合的水华精准协同监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211546140.XA CN115656057A (zh) | 2022-12-05 | 2022-12-05 | 基于多源数据融合的水华精准协同监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115656057A true CN115656057A (zh) | 2023-01-31 |
Family
ID=85018613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211546140.XA Pending CN115656057A (zh) | 2022-12-05 | 2022-12-05 | 基于多源数据融合的水华精准协同监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115656057A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116879192A (zh) * | 2023-09-07 | 2023-10-13 | 航天宏图信息技术股份有限公司 | 基于卫星遥感数据的水华预测方法、装置、设备及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
| CN110222475A (zh) * | 2019-07-03 | 2019-09-10 | 中国水利水电科学研究院 | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 |
| CN110456016A (zh) * | 2019-07-30 | 2019-11-15 | 苏州雷蓝遥感科技有限公司 | 一种基于物联网的水污染多源遥感监测方法 |
| CN111597756A (zh) * | 2020-05-08 | 2020-08-28 | 浙江农林大学 | 一种基于无人机多光谱数据的水质参数反演方法 |
| CN112881293A (zh) * | 2021-01-08 | 2021-06-01 | 浙江工商大学 | 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 |
| CN113362553A (zh) * | 2021-06-08 | 2021-09-07 | 内蒙古工业大学 | 基于多源异构数据的草原火灾监测预警方法及装置 |
| CN114324202A (zh) * | 2021-11-12 | 2022-04-12 | 江苏久智环境科技服务有限公司 | 基于光谱分析的小流域水质监测方法 |
| CN114384031A (zh) * | 2022-01-12 | 2022-04-22 | 广西壮族自治区地理信息测绘院 | 星-空-地高光谱遥感水体重金属污染立体监测方法 |
| DE102021113651B3 (de) * | 2021-05-27 | 2022-08-04 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | System zur Sensordatenfusion für die Umgebungswahrnehmung |
| CN115078262A (zh) * | 2021-03-12 | 2022-09-20 | 南开大学 | 一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法 |
-
2022
- 2022-12-05 CN CN202211546140.XA patent/CN115656057A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
| CN110222475A (zh) * | 2019-07-03 | 2019-09-10 | 中国水利水电科学研究院 | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 |
| CN110456016A (zh) * | 2019-07-30 | 2019-11-15 | 苏州雷蓝遥感科技有限公司 | 一种基于物联网的水污染多源遥感监测方法 |
| CN111597756A (zh) * | 2020-05-08 | 2020-08-28 | 浙江农林大学 | 一种基于无人机多光谱数据的水质参数反演方法 |
| CN112881293A (zh) * | 2021-01-08 | 2021-06-01 | 浙江工商大学 | 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 |
| CN115078262A (zh) * | 2021-03-12 | 2022-09-20 | 南开大学 | 一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法 |
| DE102021113651B3 (de) * | 2021-05-27 | 2022-08-04 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | System zur Sensordatenfusion für die Umgebungswahrnehmung |
| CN113362553A (zh) * | 2021-06-08 | 2021-09-07 | 内蒙古工业大学 | 基于多源异构数据的草原火灾监测预警方法及装置 |
| CN114324202A (zh) * | 2021-11-12 | 2022-04-12 | 江苏久智环境科技服务有限公司 | 基于光谱分析的小流域水质监测方法 |
| CN114384031A (zh) * | 2022-01-12 | 2022-04-22 | 广西壮族自治区地理信息测绘院 | 星-空-地高光谱遥感水体重金属污染立体监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 黄真理 等, 中国水利水电出版社 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116879192A (zh) * | 2023-09-07 | 2023-10-13 | 航天宏图信息技术股份有限公司 | 基于卫星遥感数据的水华预测方法、装置、设备及介质 |
| CN116879192B (zh) * | 2023-09-07 | 2023-12-12 | 航天宏图信息技术股份有限公司 | 基于卫星遥感数据的水华预测方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109919875B (zh) | 一种高时频遥感图像特征辅助的居民地提取与分类方法 | |
| CN106780091B (zh) | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 | |
| Turner et al. | Development of an Unmanned Aerial Vehicle (UAV) for hyper resolution vineyard mapping based on visible, multispectral, and thermal imagery | |
| Sun et al. | Classification mapping and species identification of salt marshes based on a short-time interval NDVI time-series from HJ-1 optical imagery | |
| Chen et al. | An automated cloud detection method for daily NOAA-14 AVHRR data for Texas, USA | |
| US20230186503A1 (en) | Method for troubleshooting hidden dangers of trees near power transmission lines by combining icesat-2 with jl-1 images | |
| CN107944368B (zh) | 一种基于时序遥感图像的水体提取方法 | |
| CN103544477B (zh) | 基于改进的线性光谱混合模型的植被覆盖度估算方法 | |
| CN107767364B (zh) | 基于红外热图像精准提取树木冠层温度的方法 | |
| Mathews | Object-based spatiotemporal analysis of vine canopy vigor using an inexpensive unmanned aerial vehicle remote sensing system | |
| CN112285710B (zh) | 一种多源遥感水库蓄水量估算方法与装置 | |
| CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
| CN108195736B (zh) | 一种三维激光点云提取植被冠层间隙率的方法 | |
| CN104217426A (zh) | 一种基于ENVISAT ASAR与Landsat TM遥感数据面向对象提取水体的方法 | |
| CN113887493B (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
| CN113205014B (zh) | 一种基于图像锐化的时序数据耕地提取方法 | |
| CN107688777A (zh) | 一种协同多源遥感影像的城市绿地提取方法 | |
| CN115656057A (zh) | 基于多源数据融合的水华精准协同监测方法 | |
| CN107576399B (zh) | 面向modis林火探测的亮温预测方法和系统 | |
| CN115294183A (zh) | 一种基于多源遥感数据的碟型子湖水体时序提取方法 | |
| Zhang et al. | Developing a method to estimate maize area in north and northeast of China combining crop phenology information and time-series MODIS EVI | |
| Singh et al. | Performance analysis of different threshold determination techniques for change vector analysis | |
| CN109031343B (zh) | 一种窗口遍历的sevi调节因子自动优化算法 | |
| CN114926732A (zh) | 一种多传感器融合的农作物深度学习识别方法及系统 | |
| Smit et al. | Vine signal extraction-an application of remote sensing in precision viticulture |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230131 |
|
| RJ01 | Rejection of invention patent application after publication |