CN115656063A - 基于高光谱数据的目标污染物含量分析方法及装置 - Google Patents
基于高光谱数据的目标污染物含量分析方法及装置 Download PDFInfo
- Publication number
- CN115656063A CN115656063A CN202211203250.6A CN202211203250A CN115656063A CN 115656063 A CN115656063 A CN 115656063A CN 202211203250 A CN202211203250 A CN 202211203250A CN 115656063 A CN115656063 A CN 115656063A
- Authority
- CN
- China
- Prior art keywords
- spectral
- data
- target
- nitrogen
- determining
- 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
Images
Abstract
本发明公开了一种基于高光谱数据的目标污染物含量分析方法、装置、存储介质及电子设备,该方法包括:获取待检测水体的连续时序的高光谱数据,并对高光谱数据进行预处理,得到预处理后的高信噪比光谱数据;基于预处理后的高信噪比光谱数据中与目标污染物对应的特征指数及其对应的光谱通道反射率,确定目标污染物分别对应的光谱特征因子;基于目标污染物以及对应的光谱特征因子,确定目标污染物的参数计算模型;基于目标污染物对应的光谱特征因子以及相应的参数计算模型,实现从光谱维度得到目标污染物的含量。本发明提供的方法,能够提高待检测水体中目标污染物的检测精确和效率,有效降低了目标污染物的检测成本。
Description
技术领域
本发明涉及光谱遥感监测技术领域,尤其涉及一种基于高光谱数据的目标污染物含量分析方法、装置、存储介质及电子设备。
背景技术
“三氮一磷”(即氨氮、总氮、无机氮和总磷等目标污染物)是待检测水体水质(比如海水等)质量的重要指示指标。对于待检测水体中“三氮一磷”含量进行监测,可以真实客观地掌握海洋中环境的质量状况、污染程度以及变化趋势。进而能够及时对海洋环境变化做出应急的措施,包括污染治理、水质处理、海洋表面垃圾打捞等,对海洋环境的监督与保护具有重要意义。
目前,常规的待检测水体水质监测主要是在现场采集水样后进行实验室检测和分析。这种方法虽然可以提供精确的结果,但费时费力且检测具有滞后性,不适合水质连续、实时和快速的监测,难以反映整个待检测水体生态环境的整体实时变化。高光谱数据可以根据获取待检测水体在不同波段的反射率,波段的反射率与待检测水体中“三氮一磷”的含量相关。因此,如何采用高光谱遥感设备所采集的高光谱数据,通过设计一种简单有效的高光谱数据处理方法,来实现对待检测水体“三氮一磷”指标的快速、实时检测,从而减少人力与物力的浪费,成为亟待解决的难题。
发明内容
本发明提供一种基于高光谱数据的目标污染物含量分析方法,用以解决现有技术中目标污染物含量检测方案效率低、精度差等缺陷。
本发明提供的基于高光谱数据的目标污染物含量分析方法,包括:
获取待检测水体的连续时序的高光谱数据,并对所述高光谱数据进行预处理,得到预处理后的高信噪比光谱数据;
基于所述预处理后的高信噪比光谱数据中与目标污染物对应的特征指数及其对应的光谱通道反射率,确定所述目标污染物分别对应的光谱特征因子;
基于所述目标污染物以及对应的光谱特征因子,确定目标污染物的参数计算模型;
基于所述目标污染物对应的光谱特征因子以及相应的所述参数计算模型,实现从光谱维度得到所述目标污染物的含量。
进一步的,所述获取待检测水体的连续时序的高光谱数据,具体包括:利用浮标式的高光谱遥感设备,按照预设的时间间隔采集待检测水体表面的遥感影像像元亮度值;基于预设的光谱反射率模型对所述遥感影像像元亮度值和预设定标数据进行分析,确定待检测水体的连续时序的光谱反射率数据,将所述连续时序的光谱反射率数据确定为待检测水体的连续时序的高光谱数据;所述高光谱数据为待检测水体的光谱反射率数据时序集。
进一步的,对所述高光谱数据进行预处理,得到预处理后的高信噪比光谱数据,具体包括:
基于所述光谱反射率数据时序集,依次对单时刻所采集的光谱反射率数据进行预处理;根据单时刻的任意两条光谱反射率数据之间的欧式距离对所述光谱反射率数据进行聚类分析,得到聚类后的光谱反射率数据;对所述聚类后的光谱反射率数据取平均值,得到聚类平均后的光谱反射率数据;对所述聚类平均后的光谱反射率数据进行滤波处理,得到预处理后的高信噪比光谱数据。
进一步的,所述目标污染物包括氨氮离子、总氮分子、无机氮分子以及总磷分子。
进一步的,所述基于所述预处理后的高信噪比光谱数据中与目标污染物对应的特征指数及其对应的光谱通道反射率,确定所述目标污染物分别对应的光谱特征因子,具体包括:
基于所述预处理后的高信噪比光谱数据中与所述氨氮离子对应的光谱反射率比值组合,确定所述氨氮离子对应的氨氮光谱特征因子;以及,
基于所述预处理后的高信噪比光谱数据中与所述总氮分子对应的光谱反射率差值组合,确定所述总氮分子对应的总氮光谱特征因子;以及,
基于所述预处理后的高信噪比光谱数据中与所述无机氮分子对应的光谱反射率归一化比值组合,确定所述无机氮分子对应的无机氮光谱特征因子;以及,
基于所述预处理后的高信噪比光谱数据中与所述总磷分子对应的光谱反射率比值组合,确定所述总磷分子对应的总磷光谱特征因子。
进一步的,所述基于所述目标污染物以及对应的光谱特征因子,确定目标污染物的参数计算模型,具体包括:
基于所述待检测水体中的氨氮离子以及对应的所述氨氮光谱特征因子,确定氨氮离子参数计算模型;以及,
基于所述待检测水体中的总氮分子以及对应的所述总氮光谱特征因子,确定总氮分子参数计算模型;以及,
基于所述待检测水体中的无机氮分子以及对应的所述无机氮光谱特征因子确定无机氮分子参数计算模型;以及,
基于所述待检测水体中的总磷分子以及对应的所述总磷光谱特征因子,确定总磷分子参数计算模型。
进一步的,基于所述目标污染物对应的光谱特征因子以及相应的所述参数计算模型,实现从光谱维度得到所述目标污染物的含量,具体包括:
基于所述氨氮离子对应的氨氮光谱特征因子以及相应的所述氨氮离子参数计算模型,得到所述氨氮离子的含量;以及,
基于所述总氮分子对应的总氮光谱特征因子以及相应的所述总氮分子参数计算模型,得到所述总氮分子的含量;以及,
基于所述无机氮分子对应的无机氮光谱特征因子以及相应的所述无机氮分子参数计算模型,得到所述无机氮分子的含量;以及,
基于所述总磷分子对应的总磷光谱特征因子以及相应的所述总磷分子参数计算模型,得到所述总磷分子的含量。
本发明还提供一种基于高光谱数据的目标污染物含量分析装置,包括:
光谱数据获得单元,用于获取待检测水体的连续时序的高光谱数据,并对所述高光谱数据进行预处理,得到预处理后的高信噪比光谱数据;
污染物特征因子确定单元,用于基于所述预处理后的高信噪比光谱数据中与目标污染物对应的特征指数及其对应的光谱通道反射率,确定所述目标污染物分别对应的光谱特征因子;
污染物参数计算模型确定单元,基于所述目标污染物以及对应的光谱特征因子,确定目标污染物的参数计算模型;
污染物含量确定单元,用于基于所述目标污染物对应的光谱特征因子以及相应的所述参数计算模型,实现从光谱维度得到所述目标污染物的含量。
进一步的,所述光谱数据获得单元,具体用于:利用浮标式的高光谱遥感设备,按照预设的时间间隔采集待检测水体表面的遥感影像像元亮度值;基于预设的光谱反射率模型对所述遥感影像像元亮度值和预设定标数据进行分析,确定待检测水体的连续时序的光谱反射率数据,将所述连续时序的光谱反射率数据确定为待检测水体的连续时序的高光谱数据;所述高光谱数据为待检测水体的光谱反射率数据时序集。
进一步的,所述光谱数据获得单元,具体用于:
基于所述光谱反射率数据时序集,依次对单时刻所采集的光谱反射率数据进行预处理;根据单时刻的任意两条光谱反射率数据之间的欧式距离对所述光谱反射率数据进行聚类分析,得到聚类后的光谱反射率数据;对所述聚类后的光谱反射率数据取平均值,得到聚类平均后的光谱反射率数据;对所述聚类平均后的光谱反射率数据进行滤波处理,得到预处理后的高信噪比光谱数据。
进一步的,所述目标污染物包括氨氮离子、总氮分子、无机氮分子以及总磷分子。
进一步的,所述污染物特征因子确定单元,具体用于:
基于所述预处理后的高信噪比光谱数据中与所述氨氮离子对应的光谱反射率比值组合,确定所述氨氮离子对应的氨氮光谱特征因子;以及,
基于所述预处理后的高信噪比光谱数据中与所述总氮分子对应的光谱反射率差值组合,确定所述总氮分子对应的总氮光谱特征因子;以及,
基于所述预处理后的高信噪比光谱数据中与所述无机氮分子对应的光谱反射率归一化比值组合,确定所述无机氮分子对应的无机氮光谱特征因子;以及,
基于所述预处理后的高信噪比光谱数据中与所述总磷分子对应的光谱反射率比值组合,确定所述总磷分子对应的总磷光谱特征因子。
进一步的,所述污染物参数计算模型确定单元,具体基于:
基于所述待检测水体中的氨氮离子以及对应的所述氨氮光谱特征因子,确定氨氮离子参数计算模型;以及,
基于所述待检测水体中的总氮分子以及对应的所述总氮光谱特征因子,确定总氮分子参数计算模型;以及,
基于所述待检测水体中的无机氮分子以及对应的所述无机氮光谱特征因子确定无机氮分子参数计算模型;以及,
基于所述待检测水体中的总磷分子以及对应的所述总磷光谱特征因子,确定总磷分子参数计算模型。
进一步的,所述污染物含量确定单元,具体用于:
基于所述氨氮离子对应的氨氮光谱特征因子以及相应的所述氨氮离子参数计算模型,得到所述氨氮离子的含量;以及,
基于所述总氮分子对应的总氮光谱特征因子以及相应的所述总氮分子参数计算模型,得到所述总氮分子的含量;以及,
基于所述无机氮分子对应的无机氮光谱特征因子以及相应的所述无机氮分子参数计算模型,得到所述无机氮分子的含量;以及,
基于所述总磷分子对应的总磷光谱特征因子以及相应的所述总磷分子参数计算模型,得到所述总磷分子的含量。
本发明还提供一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行实现如上述任一种所述基于高光谱数据的目标污染物含量分析方法。
本发明还提供一种计算机可读的存储介质,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行实现如上述任一种所述基于高光谱数据的目标污染物含量分析方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于高光谱数据的目标污染物含量分析方法。
本发明提供的基于高光谱数据的目标污染物含量分析方法,通过获取待检测水体的连续时序的高光谱数据,并对所述高光谱数据进行预处理,得到预处理后的高信噪比光谱数据;然后,基于所述预处理后的高信噪比光谱数据中与目标污染物对应的特征指数及其对应的光谱通道反射率,确定所述目标污染物分别对应的光谱特征因子;并基于所述目标污染物以及对应的光谱特征因子,确定目标污染物的参数计算模型;最后,基于所述目标污染物对应的光谱特征因子以及相应的所述参数计算模型,实现从光谱维度得到所述目标污染物的含量;其能够提高待检测水体中目标污染物的检测精确和效率,有效降低了目标污染物的检测成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于高光谱数据的目标污染物含量分析方法的流程示意图;
图2是本发明提供的高光谱遥感设备单次采集的光谱数据的示意图;
图3是本发明提供的预处理后的高信噪比光谱数据的示意图;
图4是本发明提供的待检测水体中“三氮一磷”的含量与采样实验室检测结果的比较示意图;
图5是本发明提供的基于高光谱数据的目标污染物含量分析装置的结构示意图;
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面基于本发明所述的基于高光谱数据的目标污染物含量分析方法,对其实施例进行详细描述。如图1所示,其为本发明提供的基于高光谱数据的目标污染物含量分析方法的流程示意图,具体实现过程包括以下步骤:
步骤101:获取待检测水体的连续时序的高光谱数据,并对所述高光谱数据进行预处理,得到预处理后的高信噪比光谱数据。
在本步骤中,可首先利用浮标式的高光谱遥感设备,按照预设的时间间隔采集待检测水体表面的遥感影像像元亮度值;然后基于预设的光谱反射率模型对所述遥感影像像元亮度值和预设定标数据进行分析来确定待检测水体的光谱反射率数据(即光谱反射率值),并将所述光谱反射率数据确定为待检测水体的高光谱数据。所述高光谱数据所述高光谱数据为待检测水体的光谱反射率数据时序集,可包含基于高光谱遥感设备采集的遥感影像像元亮度值(Digital Number,DN值)及其转化后得到的光谱数据(即光谱反射率数据)。
具体的,根据预先设定好的高光谱遥感设备的积分时间、增益、采集次数、采集时间,获取传感器的遥感影像像元亮度值,并根据已有的定标数据包括暗电流定标值(即暗电流DN值)和白板定标值(即白板DN值),采用以下的光谱反射率模型(即光谱反射率计算公式)进行光谱反射率数据的计算:
式中,Ref为光谱反射率数据,DN采集表示高光谱遥感设备采集的待检测水体水面的DN值,DN暗电流表示高光谱遥感设备定标时采集的暗电流DN值,DN白板表示高光谱遥感设备定标时采集的白板DN值。其中,所述暗电流DN值是指在高光谱遥感设备定标时,高光谱遥感设备在完全没有光源的条件下采集到的待检测水体水面的DN值;所述白板DN值是指在高光谱遥感设备定标时,基于已知反射率为1的白板为参照采集到的待检测水体水面的DN值。
在实际实施过程中,高光谱遥感设备可每间隔30分钟根据上述方法采集待检测水体的30条光谱反射率数据以及设备所处的地理位置(即GPS坐标信息)用于下一阶段处理。浮标式的高光谱遥感设备单次采集的光谱数据如图2所示。
进一步的,在具体实施过程中,可首先确定所述高光谱数据中任意的两组光谱反射率数据之间的欧式距离,并根据所述欧式距离对所述光谱反射率数据进行聚类分析,得到聚类后的光谱反射率数据;然后,对所述聚类后的光谱反射率数据取平均值,得到聚类平均后的光谱反射率数据;最后,对所述聚类平均后的光谱反射率数据进行反射率滤波处理,得到预处理后的高信噪比光谱数据。其中,所述高光谱数据为待检测水体的光谱反射率数据时序集。
其中,根据所述欧式距离对所述光谱反射率数据进行聚类分析,得到聚类后的光谱反射率数据,对应的具体实现过程包括:在所述两组光谱反射率数据之间的欧式距离的差值小于或等于预设的目标值情况下,则将所述两组光谱反射率数据归为一类;在所述两组光谱反射率数据之间的欧式距离的差值大于所述目标值情况下,则将相应的光谱反射率数据剔除,得到聚类后的光谱反射率数据。即在光谱聚类过程中采用欧式距离作为判断标准,其目标值(或阈值)为0.1。
具体的,在对光谱反射率数据进行聚类分析过程中。由于外界环境以及设备本身影响,会使设备中传感器采集的DN值产生偏差。对光谱反射率数据进行聚类分析可以有效的解决由于偶然性或者系统性造成的数据偏差问题。例如:首先,将30条光谱反射率数据分为3类,先将所得到的30条光谱反射率数据两两计算两者之间的欧几里得距离(即欧氏距离),公式如下:
式中,x,y分别为两组光谱反射率数据或者光谱反射率值,n为设备所采集的波段数量,xi,yi对应两组光谱反射率数据中第i个波段的光谱反射率数据,s(x,y)代表两组光谱反射率数据之间的欧几里得距离。其次,将两两计算的欧几里得距离相近的几组数据保留,其余数据剔除,具体判断条件如下:
式中,Sm与Sn为两组光谱反射率数据的欧几里得距离,如果两者的光谱反射率数据差值小于或等于目标值0.1的情况下,则认为归为一类,否则将相应的光谱反射率数据剔除。
进一步的,计算某一时刻待检测水体的平均反射率。在完成上述聚类分析过程后,使用剔除之后剩余的光谱反射率数据求解平均值,得到了某一时刻的平均反射率,即对所述聚类后的光谱反射率数据取平均值,得到聚类平均后的光谱反射率数据:
更进一步的,对聚类平均后的光谱反射率数据进行滤波处理。为了消除因高光谱遥感设备自身以及外界环境影响产生的毛刺噪声,对经过聚类平均后的光谱反射率数据进行SG(Savitzky-Golay)滤波处理,其中窗口大小5,多项式阶数3,并剔除掉400~457nm和936~1000波段范围内采集的光谱反射率数据(即去除首尾400~457nm和936~1000范围内由仪器误差引起的高噪声波段),以期尽可能的减少设备中受外界环境及设备计误差等因素而导致的噪声干扰。由此得到的部分待检测水体时序光谱数据,例如如图3所示。
步骤102:基于所述预处理后的高信噪比光谱数据中与目标污染物对应的特征指数及其对应的光谱通道反射率,确定所述目标污染物分别对应的光谱特征因子。
在本步骤中,所述目标污染物可以是指海水中的“三氮一磷”,具体包括氨氮离子、总氮分子、无机氮分子以及总磷分子。
所述基于待检测水体中目标污染物分别对应的光谱特征因子计算模型、所述预处理后的高信噪比光谱数据中与所述目标污染物分别对应的特征指数对应光谱通道的反射率,即波段组合的反射率,确定所述目标污染物分别对应的光谱特征因子,对应的实现过程包括:基于所述待检测水体中氨氮离子对应的氨氮光谱特征因子计算模型、所述预处理后的高信噪比光谱数据中与所述氨氮离子对应的第一波段组合的光谱反射率,确定所述氨氮离子对应的氨氮光谱特征因子;以及,基于所述待检测水体中总氮分子对应的总氮光谱特征因子计算模型、所述预处理后的高信噪比光谱数据中与所述总氮分子对应的第二波段组合的光谱反射率,确定所述总氮分子对应的总氮光谱特征因子;以及,基于待检测水体中无机氮分子对应的无机氮光谱特征因子计算模型、所述预处理后的高信噪比光谱数据中与所述无机氮分子对应的第三波段组合的光谱反射率,确定所述无机氮分子对应的无机氮光谱特征因子;以及,基于所述待检测水体中总磷分子对应的总磷光谱特征因子计算模型、所述预处理后的高信噪比光谱数据中与所述总磷分子对应的第四波段组合的光谱反射率,确定所述总磷分子对应的总磷光谱特征因子。
在具体实施过程中,可使用特定波段进行组合计算得到相应的特征因子,对于待检测水体的“三氮一磷”,采用不同的波段组合方法进行特征因子的计算。四个指标(分子或离子)的特征因子计算公式(即上述各个特征因子计算模型)如下:
氨氮分子对应的氨氮光谱特征因子计算模型,即氨氮光谱特征因子的计算公式如下:
f氨氮i=REF233/REF212
式中,f氨氮i为氨氮在第i时刻计算得出的特征因子;REF233与REF212为在第i时刻时第一波段组合(第233个波段与第212个波段)的反射率值(即光谱反射率)。
总氮离子对应的总氮光谱特征因子计算模型,即总氮光谱特征因子的计算公式如下:
f总氮i=REF208-REF171
式中,f总氮i为总氮在第i时刻计算得出的特征因子;REF208与REF171为在第i时刻时第二波段组合(第208个波段与第171个波段)的反射率值(即光谱反射率)。
无机氮离子对应的无机氮光谱特征因子计算模型,即无机氮光谱特征因子的计算公式如下:
f无机氮i=(REF199-REF166)/(REF199+REF166)
式中,f无机氮i为无机氮在第i时刻计算得出的特征因子;REF199与REF166为在第i时刻时第三波段组合(第199个波段与第166个波段)的反射率值(即光谱反射率)。
总磷离子对应的总磷光谱特征因子计算模型,即总磷光谱特征因子的计算公式如下:
f总磷i=REF215/REF222
式中,f总磷i为总磷在第i时刻计算得出的特征因子;REF215与REF222为在第i时刻时第四波段组合(第215个波段与第222个波段)的反射率值(即光谱反射率)。
通过以上四个特征因子计算模型计算出了待检测水体的三氮(氨氮、总氮、无机氮)和一磷(总磷)的特征因子,根据以上四个特征因子可以进行接下来的运算。
步骤103:基于所述目标污染物以及对应的光谱特征因子,确定目标污染物的参数计算模型。
具体的,基于所述待检测水体中的氨氮离子以及对应的所述氨氮光谱特征因子,确定氨氮离子参数计算模型;以及,基于所述待检测水体中的总氮分子以及对应的所述总氮光谱特征因子,确定总氮分子参数计算模型;以及,基于所述待检测水体中的无机氮分子以及对应的所述无机氮光谱特征因子确定无机氮分子参数计算模型;以及,基于所述待检测水体中的总磷分子以及对应的所述总磷光谱特征因子,确定总磷分子参数计算模型。
例如在上述基于高光谱数据的待检测水体“三氮一磷”含量快速计算方法,参数计算模型公式为V=a*f+b,其中f为不同指标的特征因子,a为线性系数,b为常数项。其中,氨氮的线性系数和常数项分别为-96.41和-0.1965;总氮的线性系数和常数项分别为36.73和5.398;无机氮的线性系数和常数项分别为-571.5和0.4975;总磷的线性系数和常数项分别为65.74和0.0248。也就是,氨氮离子参数计算模型的线性系数和常数项分别为-96.41和-0.1965;总氮分子参数计算模型的线性系数和常数项分别为36.73和5.398;无机氮分子参数计算模型的线性系数和常数项分别为-571.5和0.4975;总磷分子参数计算模型的线性系数和常数项分别为-65.74和0.0248。
具体如表1所示:
表1不同参数计算模型的系数
将表1中参数计算模型的系数和对应指标的特征因子带入相应的参数计算模型中,各个参数计算模型具体公式如下:
氨氮离子参数计算模型公式为:
V氨氮=-96.41*f氨氮-0.1965
式中,V氨氮为计算出的氨氮的含量,f氨氮为氨氮的特征因子。
总氮分子参数计算模型公式为:
V总氮=36.73*f总氮+5.398
式中,V总氮为计算出的总氮的含量,f总氮为总氮的特征因子。
无机氮分子参数计算模型公式为:
V无机氮=-571.5*f无机氮+0.4975
式中,V无机氮为计算出的无机氮的含量,f无机氮为无机氮的特征因子。
总磷分子参数计算模型公式为:
V总磷=-65.74*f总磷+0.0248
式中,V总磷为计算出的总磷离子的含量,f总磷为总磷离子的特征因子。
步骤104:基于所述目标污染物对应的光谱特征因子以及相应的所述参数计算模型,实现从光谱维度得到所述目标污染物的含量。
在本步骤中,可基于所述氨氮分子对应的氨氮光谱特征因子以及相应的氨氮离子参数计算模型,得到所述氨氮分子的含量;以及,基于所述总氮离子对应的总氮光谱特征因子以及相应的总氮分子参数计算模型,得到所述总氮离子的含量;以及,基于所述无机氮离子对应的无机氮光谱特征因子以及相应的无机氮分子参数计算模型,得到所述无机氮离子的含量;以及,基于所述总磷离子对应的总磷光谱特征因子以及相应的总磷分子参数计算模型,得到所述总磷离子的含量。
具体的,在基于特征因子构建参数计算模型计算待检测水体过程中,可使用上述步骤所得出的“三氮一磷”对应的特征因子,带入四个参数计算模型(即指标的线性模型)中,得出不同指标的含量。在上述基于高光谱数据的待检测水体“三氮一磷”含量快速计算方法,参数计算模型公式为V=a*f+b,其中f为不同指标的特征因子,a为线性系数,b为常数项。其中,氨氮的线性系数和常数项分别为-96.41和-0.1965;总氮的线性系数和常数项分别为36.73和5.398;无机氮的线性系数和常数项分别为-571.5和0.4975;总磷的线性系数和常数项分别为65.74和0.0248。也就是,氨氮离子参数计算模型的线性系数和常数项分别为-96.41和-0.1965;总氮分子参数计算模型的线性系数和常数项分别为36.73和5.398;无机氮分子参数计算模型的线性系数和常数项分别为-571.5和0.4975;总磷分子参数计算模型的线性系数和常数项分别为-65.74和0.0248。
具体如表1所示:将表1中参数计算模型的系数和对应指标的特征因子带入相应的参数计算模型中,目标污染物的含量计算方法如下:
氨氮离子参数计算模型公式为:
V氨氮=-96.41*f氨氮-0.1965
式中,V氨氮为计算出的氨氮的含量,f氨氮为氨氮的特征因子。
总氮分子参数计算模型公式为:
V总氮=36.73*f总氮+5.398
式中,V总氮为计算出的总氮的含量,f总氮为总氮的特征因子。
无机氮分子参数计算模型公式为:
V无机氮=-571.5*f无机氮+0.4975
式中,V无机氮为计算出的无机氮的含量,f无机氮为无机氮的特征因子。
总磷分子参数计算模型公式为:
V总磷=-65.74*f总磷+0.0248
式中,V总磷为计算出的总磷离子的含量,f总磷为总磷离子的特征因子。由此计算出的待检测水体“三氮一磷”的含量与采样实验检测结果的比较,例如如图4所示。可以发现通过本发明提供一种基于高光谱数据的待检测水体“三氮一磷”含量快速计算方法能够针对不同的指标过构建特征因子和参数计算模型,实现对待检测水体中“三氮一磷”含量快速、精确计算。
本发明利用浮标式高光谱遥感设备,对待检测水体进行数据采集,通过对采集的数据进行预处理,减少了设备自身以及外界环境对数据的噪声干扰,并使用三种组合方法提取了“三氮一磷”的特征因子,基于提取的特征因子带入线性模型快速得到“三氮一磷”含量,解决了从待检测水体中采集水样来通过化验手段获得“三氮一磷”含量的耗费时间、人力、物力问题。
利用提供的基于高光谱数据的目标污染物含量分析方法,通过获取待检测水体的连续时序的高光谱数据,并对所述高光谱数据进行预处理,得到预处理后的高信噪比光谱数据;然后,基于所述预处理后的高信噪比光谱数据中与目标污染物对应的特征指数及其对应的光谱通道反射率,确定所述目标污染物分别对应的光谱特征因子;并基于所述目标污染物以及对应的光谱特征因子,确定目标污染物的参数计算模型;最后,基于所述目标污染物对应的光谱特征因子以及相应的所述参数计算模型,实现从光谱维度得到所述目标污染物的含量;其能够提高待检测水体中目标污染物的检测精确和效率,有效降低了目标污染物的检测成本。
下面对本发明提供的基于高光谱数据的目标污染物含量分析装置进行描述,下文描述的基于高光谱数据的目标污染物含量分析装置与上文描述的基于高光谱数据的目标污染物含量分析方法可相互对应参照。
参考图5所示,其为本发明提供的基于高光谱数据的目标污染物含量分析装置的结构示意图。
本发明所述的基于高光谱数据的目标污染物含量分析装置,具体包括如下部分:
光谱数据获得单元501,用于获取待检测水体的连续时序的高光谱数据,并对所述高光谱数据进行预处理,得到预处理后的高信噪比光谱数据;
污染物特征因子确定单元502,用于基于所述预处理后的高信噪比光谱数据中与目标污染物对应的特征指数及其对应的光谱通道反射率,确定所述目标污染物分别对应的光谱特征因子;
污染物参数计算模型确定单元503,基于所述目标污染物以及对应的光谱特征因子,确定目标污染物的参数计算模型;
污染物含量确定单元504,用于基于所述目标污染物对应的光谱特征因子以及相应的所述参数计算模型,实现从光谱维度得到所述目标污染物的含量。
进一步的,所述光谱数据获得单元,具体用于:利用浮标式的高光谱遥感设备,按照预设的时间间隔采集待检测水体表面的遥感影像像元亮度值;基于预设的光谱反射率模型对所述遥感影像像元亮度值和预设定标数据进行分析,确定待检测水体的连续时序的光谱反射率数据,将所述连续时序的光谱反射率数据确定为待检测水体的连续时序的高光谱数据;所述高光谱数据为待检测水体的光谱反射率数据时序集。
进一步的,所述光谱数据获得单元,具体用于:
基于所述光谱反射率数据时序集,依次对单时刻所采集的光谱反射率数据进行预处理;根据单时刻的任意两条光谱反射率数据之间的欧式距离对所述光谱反射率数据进行聚类分析,得到聚类后的光谱反射率数据;对所述聚类后的光谱反射率数据取平均值,得到聚类平均后的光谱反射率数据;对所述聚类平均后的光谱反射率数据进行滤波处理,得到预处理后的高信噪比光谱数据。
进一步的,所述目标污染物包括氨氮离子、总氮分子、无机氮分子以及总磷分子。
进一步的,所述污染物特征因子确定单元,具体用于:
基于所述预处理后的高信噪比光谱数据中与所述氨氮离子对应的光谱反射率比值组合,确定所述氨氮离子对应的氨氮光谱特征因子;以及,
基于所述预处理后的高信噪比光谱数据中与所述总氮分子对应的光谱反射率差值组合,确定所述总氮分子对应的总氮光谱特征因子;以及,
基于所述预处理后的高信噪比光谱数据中与所述无机氮分子对应的光谱反射率归一化比值组合,确定所述无机氮分子对应的无机氮光谱特征因子;以及,
基于所述预处理后的高信噪比光谱数据中与所述总磷分子对应的光谱反射率比值组合,确定所述总磷分子对应的总磷光谱特征因子。
进一步的,所述污染物参数计算模型确定单元,具体基于:
基于所述待检测水体中的氨氮离子以及对应的所述氨氮光谱特征因子,确定氨氮离子参数计算模型;以及,
基于所述待检测水体中的总氮分子以及对应的所述总氮光谱特征因子,确定总氮分子参数计算模型;以及,
基于所述待检测水体中的无机氮分子以及对应的所述无机氮光谱特征因子确定无机氮分子参数计算模型;以及,
基于所述待检测水体中的总磷分子以及对应的所述总磷光谱特征因子,确定总磷分子参数计算模型。
进一步的,所述污染物含量确定单元,具体用于:
基于所述氨氮离子对应的氨氮光谱特征因子以及相应的所述氨氮离子参数计算模型,得到所述氨氮离子的含量;以及,
基于所述总氮分子对应的总氮光谱特征因子以及相应的所述总氮分子参数计算模型,得到所述总氮分子的含量;以及,
基于所述无机氮分子对应的无机氮光谱特征因子以及相应的所述无机氮分子参数计算模型,得到所述无机氮分子的含量;以及,
基于所述总磷分子对应的总磷光谱特征因子以及相应的所述总磷分子参数计算模型,得到所述总磷分子的含量。
本发明提供的基于高光谱数据的目标污染物含量分析装置,通过获取待检测水体的连续时序的高光谱数据,并对所述高光谱数据进行预处理,得到预处理后的高信噪比光谱数据;然后,基于所述预处理后的高信噪比光谱数据中与目标污染物对应的特征指数及其对应的光谱通道反射率,确定所述目标污染物分别对应的光谱特征因子;并基于所述目标污染物以及对应的光谱特征因子,确定目标污染物的参数计算模型;最后,基于所述目标污染物对应的光谱特征因子以及相应的所述参数计算模型,实现从光谱维度得到所述目标污染物的含量;其能够提高待检测水体中目标污染物的检测精确和效率,有效降低了目标污染物的检测成本。
图6示例了一种电子设备的实体结构示意图。如图6所示,该电子设备可以包括:处理器(processor)601、通信接口(Communications Interface)604、存储器(memory)602和通信总线603,其中,处理器601,通信接口604,存储器602通过通信总线603完成相互间的通信。处理器601可以调用存储器602中的逻辑指令,以执行基于高光谱数据的目标污染物含量分析方法,该方法包括:获取待检测水体的连续时序的高光谱数据,并对所述高光谱数据进行预处理,得到预处理后的高信噪比光谱数据;基于所述预处理后的高信噪比光谱数据中与目标污染物对应的特征指数及其对应的光谱通道反射率,确定所述目标污染物分别对应的光谱特征因子;基于所述目标污染物以及对应的光谱特征因子,确定目标污染物的参数计算模型;基于所述目标污染物对应的光谱特征因子以及相应的所述参数计算模型,实现从光谱维度得到所述目标污染物的含量。
此外,上述的存储器602中的逻辑指令可以通过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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在计算机可读的存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于高光谱数据的目标污染物含量分析方法,该方法包括:获取待检测水体的连续时序的高光谱数据,并对所述高光谱数据进行预处理,得到预处理后的高信噪比光谱数据;基于所述预处理后的高信噪比光谱数据中与目标污染物对应的特征指数及其对应的光谱通道反射率,确定所述目标污染物分别对应的光谱特征因子;基于所述目标污染物以及对应的光谱特征因子,确定目标污染物的参数计算模型;基于所述目标污染物对应的光谱特征因子以及相应的所述参数计算模型,实现从光谱维度得到所述目标污染物的含量。
又一方面,本发明还提供一种计算机可读的存储介质,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行上述各方法提供的基于高光谱数据的目标污染物含量分析方法,该方法包括:获取待检测水体的连续时序的高光谱数据,并对所述高光谱数据进行预处理,得到预处理后的高信噪比光谱数据;基于所述预处理后的高信噪比光谱数据中与目标污染物对应的特征指数及其对应的光谱通道反射率,确定所述目标污染物分别对应的光谱特征因子;基于所述目标污染物以及对应的光谱特征因子,确定目标污染物的参数计算模型;基于所述目标污染物对应的光谱特征因子以及相应的所述参数计算模型,实现从光谱维度得到所述目标污染物的含量。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于高光谱数据的目标污染物含量分析方法,其特征在于,包括:
获取待检测水体的连续时序的高光谱数据,并对所述高光谱数据进行预处理,得到预处理后的高信噪比光谱数据;
基于所述预处理后的高信噪比光谱数据中与目标污染物对应的特征指数及其对应的光谱通道反射率,确定所述目标污染物分别对应的光谱特征因子;
基于所述目标污染物以及对应的光谱特征因子,确定目标污染物的参数计算模型;
基于所述目标污染物对应的光谱特征因子以及相应的所述参数计算模型,实现从光谱维度得到所述目标污染物的含量。
2.根据权利要求1所述的基于高光谱数据的目标污染物含量分析方法,其特征在于,所述获取待检测水体的连续时序的高光谱数据,具体包括:
利用浮标式的高光谱遥感设备,按照预设的时间间隔采集待检测水体表面的遥感影像像元亮度值;基于预设的光谱反射率模型对所述遥感影像像元亮度值和预设定标数据进行分析,确定待检测水体的连续时序的光谱反射率数据,将所述连续时序的光谱反射率数据确定为待检测水体的连续时序的高光谱数据;所述高光谱数据为待检测水体的光谱反射率数据时序集。
3.根据权利要求2所述的基于高光谱数据的目标污染物含量分析方法,其特征在于,对所述高光谱数据进行预处理,得到预处理后的高信噪比光谱数据,具体包括:
基于所述光谱反射率数据时序集,依次对单时刻所采集的光谱反射率数据进行预处理;根据单时刻的任意两条光谱反射率数据之间的欧式距离对所述光谱反射率数据进行聚类分析,得到聚类后的光谱反射率数据;对所述聚类后的光谱反射率数据取平均值,得到聚类平均后的光谱反射率数据;对所述聚类平均后的光谱反射率数据进行滤波处理,得到预处理后的高信噪比光谱数据。
4.根据权利要求1所述的基于高光谱数据的目标污染物含量分析方法,其特征在于,所述目标污染物包括氨氮离子、总氮分子、无机氮分子以及总磷分子。
5.根据权利要求4所述的基于高光谱数据的目标污染物含量分析方法,其特征在于,所述基于所述预处理后的高信噪比光谱数据中与目标污染物对应的特征指数及其对应的光谱通道反射率,确定所述目标污染物分别对应的光谱特征因子,具体包括:
基于所述预处理后的高信噪比光谱数据中与所述氨氮离子对应的光谱反射率比值组合,确定所述氨氮离子对应的氨氮光谱特征因子;以及,
基于所述预处理后的高信噪比光谱数据中与所述总氮分子对应的光谱反射率差值组合,确定所述总氮分子对应的总氮光谱特征因子;以及,
基于所述预处理后的高信噪比光谱数据中与所述无机氮分子对应的光谱反射率归一化比值组合,确定所述无机氮分子对应的无机氮光谱特征因子;以及,
基于所述预处理后的高信噪比光谱数据中与所述总磷分子对应的光谱反射率比值组合,确定所述总磷分子对应的总磷光谱特征因子。
6.根据权利要求5所述的基于高光谱数据的目标污染物含量分析方法,其特征在于,所述基于所述目标污染物以及对应的光谱特征因子,确定目标污染物的参数计算模型,具体包括:
基于所述待检测水体中的氨氮离子以及对应的所述氨氮光谱特征因子,确定氨氮离子参数计算模型;以及,
基于所述待检测水体中的总氮分子以及对应的所述总氮光谱特征因子,确定总氮分子参数计算模型;以及,
基于所述待检测水体中的无机氮分子以及对应的所述无机氮光谱特征因子确定无机氮分子参数计算模型;以及,
基于所述待检测水体中的总磷分子以及对应的所述总磷光谱特征因子,确定总磷分子参数计算模型。
7.根据权利要求6所述的基于高光谱数据的目标污染物含量分析方法,其特征在于,基于所述目标污染物对应的光谱特征因子以及相应的所述参数计算模型,实现从光谱维度得到所述目标污染物的含量,具体包括:
基于所述氨氮离子对应的氨氮光谱特征因子以及相应的所述氨氮离子参数计算模型,得到所述氨氮离子的含量;以及,
基于所述总氮分子对应的总氮光谱特征因子以及相应的所述总氮分子参数计算模型,得到所述总氮分子的含量;以及,
基于所述无机氮分子对应的无机氮光谱特征因子以及相应的所述无机氮分子参数计算模型,得到所述无机氮分子的含量;以及,
基于所述总磷分子对应的总磷光谱特征因子以及相应的所述总磷分子参数计算模型,得到所述总磷分子的含量。
8.一种基于高光谱数据的目标污染物含量分析装置,其特征在于,包括:
光谱数据获得单元,用于获取待检测水体的连续时序的高光谱数据,并对所述高光谱数据进行预处理,得到预处理后的高信噪比光谱数据;
污染物特征因子确定单元,用于基于所述预处理后的高信噪比光谱数据中与目标污染物对应的特征指数及其对应的光谱通道反射率,确定所述目标污染物分别对应的光谱特征因子;
污染物参数计算模型确定单元,基于所述目标污染物以及对应的光谱特征因子,确定目标污染物的参数计算模型;
污染物含量确定单元,用于基于所述目标污染物对应的光谱特征因子以及相应的所述参数计算模型,实现从光谱维度得到所述目标污染物的含量。
9.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行权利要求1至7中任一项所述的基于高光谱数据的目标污染物含量分析方法。
10.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行权利要求1至7中任一项所述的基于高光谱数据的目标污染物含量分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211203250.6A CN115656063A (zh) | 2022-09-29 | 2022-09-29 | 基于高光谱数据的目标污染物含量分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211203250.6A CN115656063A (zh) | 2022-09-29 | 2022-09-29 | 基于高光谱数据的目标污染物含量分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115656063A true CN115656063A (zh) | 2023-01-31 |
Family
ID=84986072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211203250.6A Pending CN115656063A (zh) | 2022-09-29 | 2022-09-29 | 基于高光谱数据的目标污染物含量分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115656063A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117030634A (zh) * | 2023-10-09 | 2023-11-10 | 深圳市盘古环保科技有限公司 | 一种地下水污染快速检测修复方法 |
-
2022
- 2022-09-29 CN CN202211203250.6A patent/CN115656063A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117030634A (zh) * | 2023-10-09 | 2023-11-10 | 深圳市盘古环保科技有限公司 | 一种地下水污染快速检测修复方法 |
CN117030634B (zh) * | 2023-10-09 | 2023-12-12 | 深圳市盘古环保科技有限公司 | 一种地下水污染快速检测修复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101915744B (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
CN108108889A (zh) | 一种水质监测数据在线处理方法及装置 | |
CN113834787A (zh) | 一种中小河道劣ⅴ类水体水质识别与量化方法 | |
CN111487213A (zh) | 多光谱融合的化学需氧量测试方法及装置 | |
CN115656063A (zh) | 基于高光谱数据的目标污染物含量分析方法及装置 | |
CN115586140A (zh) | 一种基于遥感数据的湖泊污染物检测方法、系统及其存储介质 | |
CN115690632A (zh) | 一种内陆河流水体的水环境监测方法 | |
CN114216877B (zh) | 茶叶近红外光谱分析中谱峰自动检测与重构方法及系统 | |
CN114965316A (zh) | 一种基于高光谱多参数的水质监测方法、计算机程序产品 | |
CN114397277A (zh) | 一种无人机水体叶绿素遥感探测系统 | |
CN114112941A (zh) | 基于支持向量回归的航空高光谱水体富营养化评价方法 | |
CN112782096A (zh) | 一种基于反射光谱数据的土壤有机碳密度估算方法 | |
CN111879709A (zh) | 湖泊水体光谱反射率检验方法及装置 | |
CN116911183A (zh) | 岩溶湿地水体叶绿素a反演的方法、系统、设备及介质 | |
CN115219472A (zh) | 一种定量识别混合水体多污染源的方法及系统 | |
CN116187861A (zh) | 基于同位素的水质溯源监测方法及相关装置 | |
CN116124716A (zh) | 基于近感高光谱的水质监测方法及装置 | |
CN113311081B (zh) | 基于三维液相色谱指纹的污染源识别方法及装置 | |
CN113406037A (zh) | 一种基于序列前向选择的红外光谱在线快速识别分析方法 | |
CN111898314A (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
CN117556245B (zh) | 一种四甲基氢氧化铵生产过滤杂质检测方法 | |
CN117648537B (zh) | 基于超光谱技术的大气污染实时监测方法及系统 | |
CN114252404B (zh) | 一种高光谱卫星下的产品真实性检验系统及方法 | |
CN115564743B (zh) | 纸张典型光谱提取方法、装置及相关设备 | |
CN111507258B (zh) | 聚焦关键样本的基于集成学习的道路区域检测方法、系统 |
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 |