CN115719174A - 土地利用类型与蓝藻水华风险定量关系确定方法和装置 - Google Patents
土地利用类型与蓝藻水华风险定量关系确定方法和装置 Download PDFInfo
- Publication number
- CN115719174A CN115719174A CN202211316557.7A CN202211316557A CN115719174A CN 115719174 A CN115719174 A CN 115719174A CN 202211316557 A CN202211316557 A CN 202211316557A CN 115719174 A CN115719174 A CN 115719174A
- Authority
- CN
- China
- Prior art keywords
- bloom
- cyanobacterial bloom
- land
- cyanobacterial
- risk
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种土地利用类型与蓝藻水华风险定量关系确定方法和装置，属于遥感技术领域。针对蓝藻水华发生的不确定性问题，本发明提出了表示蓝藻水华发生频率的蓝藻水华风险频率指数CRFI，为解决土地利用与蓝藻水华之间的定量关系的问题，本发明利用蓝藻水华风险频率指数，结合湖泊周边土地利用结果，将欧氏距离、多元回归模型和网格分析法相结合，计算得到不同土地利用类型的蓝藻水华漂移强度系数。解释了土地利用分类结果与蓝藻水华之间的定量关系，分析土地利用类型对水华的定量影响，以期为湖泊蓝藻水华治理决策提供参考，为湖泊流域的水体环境保护措施提供建议。
Description
技术领域
本发明涉及遥感技术领域，特别是指一种土地利用类型与蓝藻水华风险定量关系确定方法和装置。
背景技术
近20年来，受人类活动及气候变化的影响，湖泊所在流域土地利用/覆被在组成结构和空间分布上都发生了较大改变。同一时期湖泊蓝藻水华暴发、水质恶化等问题严重，以氮、磷指标评价得到的结论，一些湖泊富营养化已经很严重，导致湖泊流域生态系统遭受破坏。湖泊蓝藻水华暴发及治理与保护成效不明显的一个原因是没有充分认识到土地利用/覆被对城市湖泊水污染的影响机制。
随着经济的快速发展，人类日益频繁的生产活动对湖泊生态环境造成了严重的破环，蓝藻水华、水体富营养化等现象敲响了水环境恶化的警钟。随着卫星遥感空间技术与地理信息技术研究的不断深入，将遥感科学技术应用到水环境的监测中，对湖泊生态环境的保护、污染的治理及土地合理利用，具有重要的研究意义。随着流域生态环境保护工作的深化和管理部门针对水环境管理需求的不断提高，需要明确土地利用变化与蓝藻水华暴发关系，以更好地满足人民群众对优美生态环境的需求。
复杂的蓝藻水华发生机制导致其不确定性的存在，不确定性存在于其是否暴发、暴发的面积，暴发的强度，总的来说是蓝藻水华的发生具有不确定性。目前国内学者的研究重点是流域土地利用/覆被对湖泊水质的影响，已经有一些国外学者研究了流域土地利用/覆被对蓝藻水华的影响。但是，这些研究大多是定性地说明蓝藻水华与土地利用/覆被有关，没有对不同土地利用类型对水华的影响系数进行探讨，不能够说明土地利用/覆被与蓝藻水华之间的定量关系。
发明内容
为解决上述技术问题，本发明提供一种土地利用类型与蓝藻水华风险定量关系确定方法和装置，解释了土地利用分类结果与蓝藻水华之间的定量关系，为湖泊蓝藻水华治理决策提供参考，为湖泊流域的水体环境保护措施提供建议。
本发明提供技术方案如下：
一种土地利用类型与蓝藻水华风险定量关系确定方法，所述方法包括：
S1：获取待研究湖泊区域的一段时期内的不同时间点的多景遥感影像；
S2：对每景遥感影像进行蓝藻水华提取，根据所有遥感影像的蓝藻水华提取结果得到各个像元的蓝藻水华风险频率指数CRFI；
S3：获取待研究湖泊区域的与所述多景遥感影像同一段时期的土地利用类型数据；
S4：根据所述土地利用类型数据计算各个土地利用类型的欧氏距离Xi；
其中，i为土地利用类型的编号，i＝1,2,…,n，n为土地利用类型的总数；
S5：根据如下模型公式，采用最小二乘法的多元回归方法求得CDIi；
其中，C为常数，CDIi为各个土地利用类型与蓝藻水华风险的定量关系。
进一步的，所述S2包括：
S21：对每景遥感影像进行蓝藻水华提取，得到多幅蓝藻水华二值图像；
其中，所述蓝藻水华二值图像的像元值为1代表该像元为蓝藻水华，所述蓝藻水华二值图像的像元值为0代表该像元为非蓝藻水华；
S22：将所有蓝藻水华二值图像进行空间叠加，得到蓝藻水华空间分布叠加栅格图；
其中，所述蓝藻水华空间分布叠加栅格图的像元值t代表该像元发生蓝藻水华的次数；
S23：根据所述蓝藻水华空间分布叠加栅格图的各个像元的像元值t以及所述多景遥感影像的总景数T计算得到各个像元的蓝藻水华风险频率f；
其中，f＝t/T*100％；
S24：将各个像元的蓝藻水华风险频率f进行归一化，得到各个像元的蓝藻水华风险频率指数CRFI；
其中，所有像元的蓝藻水华风险频率指数CRFI之和为1。
进一步的，所述S4包括：
利用ArcMap软件的Euclidean Diatance工具计算各个土地利用类型的欧氏距离Xi。
进一步的，所述S3包括：
S31：获取待研究湖泊区域的与所述多景遥感影像同一段时期的Landsat卫星数据；
S32：对所述Landsat卫星数据进行预处理操作；其中，所述预处理操作包括辐射定标、大气校正、图像镶嵌和图像裁剪；
S33：根据预处理后的Landsat卫星数据对各个土地利用类型进行提取，得到所述土地利用类型数据。
进一步的，所述土地利用类型包括耕地、林地、草地、水域、建设用地和未利用地。
一种土地利用类型与蓝藻水华风险定量关系确定装置，所述装置包括：
影像获取模块，用于获取待研究湖泊区域的一段时期内的不同时间点的多景遥感影像；
蓝藻水华风险频率指数计算模块，用于对每景遥感影像进行蓝藻水华提取，根据所有遥感影像的蓝藻水华提取结果得到各个像元的蓝藻水华风险频率指数CRFI；
土地利用类型获取模块，用于获取待研究湖泊区域的与所述多景遥感影像同一段时期的土地利用类型数据；
欧氏距离计算模块，用于根据所述土地利用类型数据计算各个土地利用类型的欧氏距离Xi；
其中，i为土地利用类型的编号，i＝1,2,…,n，n为土地利用类型的总数；
定量关系计算模块，用于根据如下模型公式，采用最小二乘法的多元回归方法求得CDIi；
其中，C为常数，CDIi为各个土地利用类型与蓝藻水华风险的定量关系。
进一步的，所述蓝藻水华风险频率指数计算模块包括：
蓝藻水华提取单元，用于对每景遥感影像进行蓝藻水华提取，得到多幅蓝藻水华二值图像；
其中，所述蓝藻水华二值图像的像元值为1代表该像元为蓝藻水华，所述蓝藻水华二值图像的像元值为0代表该像元为非蓝藻水华；
栅格叠加单元，用于将所有蓝藻水华二值图像进行空间叠加，得到蓝藻水华空间分布叠加栅格图；
其中，所述蓝藻水华空间分布叠加栅格图的像元值t代表该像元发生蓝藻水华的次数；
蓝藻水华风险频率计算单元，用于根据所述蓝藻水华空间分布叠加栅格图的各个像元的像元值t以及所述多景遥感影像的总景数T计算得到各个像元的蓝藻水华风险频率f；
其中，f＝t/T*100％；
蓝藻水华风险频率指数计算单元，用于将各个像元的蓝藻水华风险频率f进行归一化，得到各个像元的蓝藻水华风险频率指数CRFI；
其中，所有像元的蓝藻水华风险频率指数CRFI之和为1。
进一步的，所述欧氏距离计算模块用于：
利用ArcMap软件的Euclidean Diatance工具计算各个土地利用类型的欧氏距离Xi。
进一步的，所述土地利用类型获取模块包括：
获取单元，用于获取待研究湖泊区域的与所述多景遥感影像同一段时期的Landsat卫星数据；
预处理单元，用于对所述Landsat卫星数据进行预处理操作；其中，所述预处理操作包括辐射定标、大气校正、图像镶嵌和图像裁剪；
土地利用类型提取单元，用于根据预处理后的Landsat卫星数据对各个土地利用类型进行提取，得到所述土地利用类型数据。
进一步的，所述土地利用类型包括耕地、林地、草地、水域、建设用地和未利用地。
本发明具有以下有益效果：
本发明开展湖泊蓝藻水华长时序分析，针对蓝藻水华发生的不确定性问题，提出了蓝藻水华风险频率指数CRFI，其表示蓝藻水华发生的频率。为解决土地利用与蓝藻水华之间的定量关系的问题，本发明利用蓝藻水华风险频率指数，结合湖泊周边土地利用结果，将欧氏距离、多元回归模型和网格分析法相结合，计算得到不同土地利用类型的蓝藻水华漂移强度系数。本发明解释了土地利用分类结果与蓝藻水华之间的定量关系，进而分析土地利用类型对水华的定量影响，以土地利用类型为基础来评估人类活动对蓝藻水华的干扰强度，从而定量表示蓝藻水华受影响的程度，对湖泊蓝藻水华风险进行评价。本发明可在相对较大的空间和时间跨度下从宏观上探究土地利用类型对湖泊蓝藻水华化的影响，以期为湖泊蓝藻水华治理决策提供参考，为湖泊流域的水体环境保护措施提供建议。
附图说明
图1为本发明的土地利用类型与蓝藻水华风险定量关系确定方法的流程图；
图2为耕地的欧式距离的计算示意图；
图3为本发明的土地利用类型与蓝藻水华风险定量关系确定装置的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明实施例提供一种土地利用类型与蓝藻水华风险定量关系确定方法，如图1所示，该方法包括：
S1：获取待研究湖泊区域的一段时期内的不同时间点的多景遥感影像。
例如，可以每隔一定时间获取一年时期的多景遥感影像，遥感影像需要覆盖待研究湖泊区域，遥感影像可以为Modis影像，或者可以为其他卫星影像。
S2：对每景遥感影像进行蓝藻水华提取，根据所有遥感影像的蓝藻水华提取结果得到各个像元的蓝藻水华风险频率指数CRFI。
本步骤中，可以通过人工目视解译法提取每景遥感影像的蓝藻水华空间信息，也可以基于归一化植被指数(Normalized Difference Vegetation Index,NDVI)等指标自动提取蓝藻水华。由于获取了不同时间点的一些列的多景遥感影像，因此可以通过多景遥感影像提取出不同时间点的蓝藻水华空间分布，根据不同时间点的蓝藻水华空间分布可以计算湖泊区域每个像元的蓝藻水华风险频率指数CRFI。
蓝藻水华风险频率指数CRFI可以用于评估区域内蓝藻水华暴发情况的参数，其是以多景遥感影像数据为基础推算出的特定时间时期内蓝藻水华在某湖泊区域内的暴发频率数据，该数据表示该区域发生蓝藻水华的概率。
S3：获取待研究湖泊区域的与多景遥感影像同一段时期的土地利用类型数据。
示例性的，土地利用类型可以包括耕地、林地、草地、水域、建设用地和未利用地，土地利用类型数据可以从国家的相关数据库中获得。
土地利用类型也可以在专门的遥感影像上进行提取得到，其中的一个实现方式为：
S31：获取待研究湖泊区域的与多景遥感影像同一段时期的Landsat卫星数据(例如Landsat 5、Landsat 8影像)。
S32：对Landsat卫星数据进行预处理操作；其中，预处理操作包括辐射定标、大气校正、图像镶嵌和图像裁剪等。
S33：根据预处理后的Landsat卫星数据对各个土地利用类型进行提取，得到土地利用类型数据。
可以通过人工目视解译进行土地利用类型进行提取，也可以通过已有的算法自动提取各类土地利用类型。
S4：根据土地利用类型数据计算各个土地利用类型的欧氏距离Xi。
其中，i为土地利用类型的编号，i＝1,2,…,n，n为土地利用类型的总数。
土地利用类型以地块的形式呈现，一类土地利用类型地块由一系列的像元组成，对于某一个土地利用类型，其任意两个像元之间均可以计算得到一个欧氏距离，将该土地利用类型的所有像元之间的欧氏距离进行统计分析，即可得到该土地利用类型的欧氏距离。
具体的，可以利用ArcMap软件的Euclidean Diatance工具计算各个土地利用类型的欧氏距离Xi。示例性的，耕地的欧式距离的计算示意图如图2所示。
当土地利用类型包括耕地、林地、草地、水域、建设用地和未利用地时，可以用X1代表耕地的欧氏距离(单位km)，X2代表林地的欧氏距离，X3代表草地的欧氏距离，X4代表水域的欧氏距离，X5代表建设用地的欧氏距离，X6代表未利用地的欧氏距离。
S5：根据如下模型公式，采用最小二乘法的多元回归方法求得CDIi；
其中，C为常数，CDIi为各个土地利用类型与蓝藻水华风险的定量关系。
当土地利用类型包括耕地、林地、草地、水域、建设用地和未利用地时，上式可以展开为：
CRFI＝C+CDI1X1+CDI2X2+CDI3X3+CDI4X4+CDI5X5+CDI6X6
求得的CDI1～CDI6分别代表耕地、林地、草地、水域、建设用地和未利用地与蓝藻水华风险的定量关系。
作为人类活动的具体表现形式，土地利用会对生态系统产生影响，能够反映出湖泊的健康状况，本发明计算的土地利用类型与蓝藻水华风险的定量关系CDIi可以简称为蓝藻水华漂移强度系数，其可以表示各个土地利用类型对水华的作用大小，其值越大，表示该类土地利用类型对蓝藻水华的作用越大。
本发明开展湖泊蓝藻水华长时序分析，针对蓝藻水华发生的不确定性问题，提出了蓝藻水华风险频率指数CRFI，其表示蓝藻水华发生的频率。为解决土地利用与蓝藻水华之间的定量关系的问题，本发明利用蓝藻水华风险频率指数，结合湖泊周边土地利用结果，将欧氏距离、多元回归模型和网格分析法相结合，计算得到不同土地利用类型的蓝藻水华漂移强度系数。本发明解释了土地利用分类结果与蓝藻水华之间的定量关系，进而分析土地利用类型对水华的定量影响，以土地利用类型为基础来评估人类活动对蓝藻水华的干扰强度，从而定量表示蓝藻水华受影响的程度，对湖泊蓝藻水华风险进行评价。本发明可在相对较大的空间和时间跨度下从宏观上探究土地利用类型对湖泊蓝藻水华化的影响，以期为湖泊蓝藻水华治理决策提供参考，为湖泊流域的水体环境保护措施提供建议。
作为本发明实施例的一种改进，前述的S2包括：
S21：对每景遥感影像进行蓝藻水华提取，得到多幅蓝藻水华二值图像。
其中，蓝藻水华二值图像的像元值为1代表该像元为蓝藻水华，蓝藻水华二值图像的像元值为0代表该像元为非蓝藻水华。
本步骤中，基于人工目视解译或归一化植被指数提取蓝藻水华后，将蓝藻水华像元值设置为1，将非蓝藻水华像元值设置为0，即得到蓝藻水华二值图像。
示例性的，首先通过人工目视解译在遥感影像上勾画出蓝藻水华区域，然后利用ArcGIS中Reclass工具对解译结果进行重分类处理，蓝藻水华赋值为1，正常水体赋值为0。
S22：将所有蓝藻水华二值图像进行空间叠加，得到蓝藻水华空间分布叠加栅格图。
其中，蓝藻水华空间分布叠加栅格图的像元值t代表该像元发生蓝藻水华的次数。
空间叠加时，针对某一位置的像元，将所有蓝藻水华二值图像在该像元的值求和，作为蓝藻水华空间分布叠加栅格图在该像元的值，其代表该像元发生蓝藻水华的次数。
示例性的，可以通过ArcGIS中的栅格计算器(Raster Calculator)，将各景蓝藻水华二值图像进行栅格叠加，最终得到代表蓝藻水华空间发生频次的蓝藻水华空间分布叠加栅格图。
S23：根据蓝藻水华空间分布叠加栅格图的各个像元的像元值t以及多景遥感影像的总景数T计算得到各个像元的蓝藻水华风险频率f。
其中，f＝t/T*100％。
S24：将各个像元的蓝藻水华风险频率f进行归一化，得到各个像元的蓝藻水华风险频率指数CRFI。
其中，所有像元的蓝藻水华风险频率指数CRFI之和为1。
本发明针对蓝藻水华发生的不确定性问题，计算各个像元的蓝藻水华风险频率f，然后归一化，统一量纲后，得到蓝藻水华风险频率指数CRFI，其表示特定时间段里蓝藻水华在某像元内的暴发频率数据。
下面以具体的实验示例对本发明进行阐述：
以太湖为例，对太湖流域2000年的Landsat卫星数据进行土地利用类型目视解译，并提取2000-2021年太湖区域的蓝藻水华信息，计算各土地利用类型的蓝藻水华漂移强度系数，具体结果如下表1所示。
表1：蓝藻水华漂移强度系数计算结果
由上述水华漂移强度系数计算结果可知，蓝藻水华漂移强度系数最大的是建设用地，为0.087，其次是耕地，为0.045，其他地类从大到小依次为草地、水域、林地、未利用地。由此可见，建设用地和耕地对太湖蓝藻水华漂移的作用最大。
得到上述各个土地利用类型的蓝藻水华漂移强度系数后，即可根据该系数和各个土地利用类型的分布对太湖蓝藻水华风险评价。
本发明实施例还提供一种土地利用类型与蓝藻水华风险定量关系确定装置，如图3所示，该装置包括：
影像获取模块1，用于获取待研究湖泊区域的一段时期内的不同时间点的多景遥感影像。
蓝藻水华风险频率指数计算模块2，用于对每景遥感影像进行蓝藻水华提取，根据所有遥感影像的蓝藻水华提取结果得到各个像元的蓝藻水华风险频率指数CRFI。
土地利用类型获取模块3，用于获取待研究湖泊区域的与多景遥感影像同一段时期的土地利用类型数据。
欧氏距离计算模块4，用于根据土地利用类型数据计算各个土地利用类型的欧氏距离Xi。
其中，i为土地利用类型的编号，i＝1,2,…,n，n为土地利用类型的总数。
定量关系计算模块5，用于根据如下模型公式，采用最小二乘法的多元回归方法求得CDIi。
其中，C为常数，CDIi为各个土地利用类型与蓝藻水华风险的定量关系。
本发明开展湖泊蓝藻水华长时序分析，针对蓝藻水华发生的不确定性问题，提出了蓝藻水华风险频率指数CRFI，其表示蓝藻水华发生的频率。为解决土地利用与蓝藻水华之间的定量关系的问题，本发明利用蓝藻水华风险频率指数，结合湖泊周边土地利用结果，将欧氏距离、多元回归模型和网格分析法相结合，计算得到不同土地利用类型的蓝藻水华漂移强度系数。本发明解释了土地利用分类结果与蓝藻水华之间的定量关系，进而分析土地利用类型对水华的定量影响，以土地利用类型为基础来评估人类活动对蓝藻水华的干扰强度，从而定量表示蓝藻水华受影响的程度，对湖泊蓝藻水华风险进行评价。本发明可在相对较大的空间和时间跨度下从宏观上探究土地利用类型对湖泊蓝藻水华化的影响，以期为湖泊蓝藻水华治理决策提供参考，为湖泊流域的水体环境保护措施提供建议。
作为本发明实施例的一种改进，前述的蓝藻水华风险频率指数计算模块包括：
蓝藻水华提取单元，用于对每景遥感影像进行蓝藻水华提取，得到多幅蓝藻水华二值图像。
其中，蓝藻水华二值图像的像元值为1代表该像元为蓝藻水华，蓝藻水华二值图像的像元值为0代表该像元为非蓝藻水华。
栅格叠加单元，用于将所有蓝藻水华二值图像进行空间叠加，得到蓝藻水华空间分布叠加栅格图。
其中，蓝藻水华空间分布叠加栅格图的像元值t代表该像元发生蓝藻水华的次数。
蓝藻水华风险频率计算单元，用于根据蓝藻水华空间分布叠加栅格图的各个像元的像元值t以及多景遥感影像的总景数T计算得到各个像元的蓝藻水华风险频率f。
其中，f＝t/T*100％。
蓝藻水华风险频率指数计算单元，用于将各个像元的蓝藻水华风险频率f进行归一化，得到各个像元的蓝藻水华风险频率指数CRFI。
其中，所有像元的蓝藻水华风险频率指数CRFI之和为1。
前述的欧氏距离计算模块进一步可以用于：
利用ArcMap软件的Euclidean Diatance工具计算各个土地利用类型的欧氏距离Xi。
作为本发明实施例的另一种改进，土地利用类型获取模块包括：
获取单元，用于获取待研究湖泊区域的与多景遥感影像同一段时期的Landsat卫星数据。
预处理单元，用于对Landsat卫星数据进行预处理操作；其中，预处理操作包括辐射定标、大气校正、图像镶嵌和图像裁剪。
土地利用类型提取单元，用于根据预处理后的Landsat卫星数据对各个土地利用类型进行提取，得到土地利用类型数据。
示例性的，前述的土地利用类型可以包括耕地、林地、草地、水域、建设用地和未利用地。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例1中相应内容。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，前述描述的装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
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。
Claims (10)
1.一种土地利用类型与蓝藻水华风险定量关系确定方法，其特征在于，所述方法包括：
S1：获取待研究湖泊区域的一段时期内的不同时间点的多景遥感影像；
S2：对每景遥感影像进行蓝藻水华提取，根据所有遥感影像的蓝藻水华提取结果得到各个像元的蓝藻水华风险频率指数CRFI；
S3：获取待研究湖泊区域的与所述多景遥感影像同一段时期的土地利用类型数据；
S4：根据所述土地利用类型数据计算各个土地利用类型的欧氏距离Xi；
其中，i为土地利用类型的编号，i＝1,2,…,n，n为土地利用类型的总数；
S5：根据如下模型公式，采用最小二乘法的多元回归方法求得CDIi；
其中，C为常数，CDIi为各个土地利用类型与蓝藻水华风险的定量关系。
2.根据权利要求1所述的土地利用类型与蓝藻水华风险定量关系确定方法，其特征在于，所述S2包括：
S21：对每景遥感影像进行蓝藻水华提取，得到多幅蓝藻水华二值图像；
其中，所述蓝藻水华二值图像的像元值为1代表该像元为蓝藻水华，所述蓝藻水华二值图像的像元值为0代表该像元为非蓝藻水华；
S22：将所有蓝藻水华二值图像进行空间叠加，得到蓝藻水华空间分布叠加栅格图；
其中，所述蓝藻水华空间分布叠加栅格图的像元值t代表该像元发生蓝藻水华的次数；
S23：根据所述蓝藻水华空间分布叠加栅格图的各个像元的像元值t以及所述多景遥感影像的总景数T计算得到各个像元的蓝藻水华风险频率f；
其中，f＝t/T*100％；
S24：将各个像元的蓝藻水华风险频率f进行归一化，得到各个像元的蓝藻水华风险频率指数CRFI；
其中，所有像元的蓝藻水华风险频率指数CRFI之和为1。
3.根据权利要求2所述的土地利用类型与蓝藻水华风险定量关系确定方法，其特征在于，所述S4包括：
利用ArcMap软件的Euclidean Diatance工具计算各个土地利用类型的欧氏距离Xi。
4.根据权利要求3所述的土地利用类型与蓝藻水华风险定量关系确定方法，其特征在于，所述S3包括：
S31：获取待研究湖泊区域的与所述多景遥感影像同一段时期的Landsat卫星数据；
S32：对所述Landsat卫星数据进行预处理操作；其中，所述预处理操作包括辐射定标、大气校正、图像镶嵌和图像裁剪；
S33：根据预处理后的Landsat卫星数据对各个土地利用类型进行提取，得到所述土地利用类型数据。
5.根据权利要求1-4任一所述的土地利用类型与蓝藻水华风险定量关系确定方法，其特征在于，所述土地利用类型包括耕地、林地、草地、水域、建设用地和未利用地。
6.一种土地利用类型与蓝藻水华风险定量关系确定装置，其特征在于，所述装置包括：
影像获取模块，用于获取待研究湖泊区域的一段时期内的不同时间点的多景遥感影像；
蓝藻水华风险频率指数计算模块，用于对每景遥感影像进行蓝藻水华提取，根据所有遥感影像的蓝藻水华提取结果得到各个像元的蓝藻水华风险频率指数CRFI；
土地利用类型获取模块，用于获取待研究湖泊区域的与所述多景遥感影像同一段时期的土地利用类型数据；
欧氏距离计算模块，用于根据所述土地利用类型数据计算各个土地利用类型的欧氏距离Xi；
其中，i为土地利用类型的编号，i＝1,2,…,n，n为土地利用类型的总数；
定量关系计算模块，用于根据如下模型公式，采用最小二乘法的多元回归方法求得CDIi；
其中，C为常数，CDIi为各个土地利用类型与蓝藻水华风险的定量关系。
7.根据权利要求6所述的土地利用类型与蓝藻水华风险定量关系确定装置，其特征在于，所述蓝藻水华风险频率指数计算模块包括：
蓝藻水华提取单元，用于对每景遥感影像进行蓝藻水华提取，得到多幅蓝藻水华二值图像；
其中，所述蓝藻水华二值图像的像元值为1代表该像元为蓝藻水华，所述蓝藻水华二值图像的像元值为0代表该像元为非蓝藻水华；
栅格叠加单元，用于将所有蓝藻水华二值图像进行空间叠加，得到蓝藻水华空间分布叠加栅格图；
其中，所述蓝藻水华空间分布叠加栅格图的像元值t代表该像元发生蓝藻水华的次数；
蓝藻水华风险频率计算单元，用于根据所述蓝藻水华空间分布叠加栅格图的各个像元的像元值t以及所述多景遥感影像的总景数T计算得到各个像元的蓝藻水华风险频率f；
其中，f＝t/T*100％；
蓝藻水华风险频率指数计算单元，用于将各个像元的蓝藻水华风险频率f进行归一化，得到各个像元的蓝藻水华风险频率指数CRFI；
其中，所有像元的蓝藻水华风险频率指数CRFI之和为1。
8.根据权利要求7所述的土地利用类型与蓝藻水华风险定量关系确定装置，其特征在于，所述欧氏距离计算模块用于：
利用ArcMap软件的Euclidean Diatance工具计算各个土地利用类型的欧氏距离Xi。
9.根据权利要求8所述的土地利用类型与蓝藻水华风险定量关系确定装置，其特征在于，所述土地利用类型获取模块包括：
获取单元，用于获取待研究湖泊区域的与所述多景遥感影像同一段时期的Landsat卫星数据；
预处理单元，用于对所述Landsat卫星数据进行预处理操作；其中，所述预处理操作包括辐射定标、大气校正、图像镶嵌和图像裁剪；
土地利用类型提取单元，用于根据预处理后的Landsat卫星数据对各个土地利用类型进行提取，得到所述土地利用类型数据。
10.根据权利要求6-9任一所述的土地利用类型与蓝藻水华风险定量关系确定装置，其特征在于，所述土地利用类型包括耕地、林地、草地、水域、建设用地和未利用地。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211316557.7A CN115719174B (zh) | 2022-10-26 | 2022-10-26 | 土地利用类型与蓝藻水华风险定量关系确定方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211316557.7A CN115719174B (zh) | 2022-10-26 | 2022-10-26 | 土地利用类型与蓝藻水华风险定量关系确定方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115719174A true CN115719174A (zh) | 2023-02-28 |
| CN115719174B CN115719174B (zh) | 2023-05-02 |
Family
ID=85254455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211316557.7A Active CN115719174B (zh) | 2022-10-26 | 2022-10-26 | 土地利用类型与蓝藻水华风险定量关系确定方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115719174B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102135531A (zh) * | 2010-12-24 | 2011-07-27 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊72小时蓝藻水华预测方法 |
| CN103439472A (zh) * | 2013-06-14 | 2013-12-11 | 北京工商大学 | 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 |
| CN103616490A (zh) * | 2013-12-03 | 2014-03-05 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊水华蓝藻总存量估算的方法 |
| CN104787891A (zh) * | 2015-03-24 | 2015-07-22 | 中国林业科学研究院林业新技术研究所 | 一种基于微地形改造的藻类水华生态控制系统、控制藻类水华的生态方法及应用 |
| CN107340365A (zh) * | 2017-06-19 | 2017-11-10 | 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 |
| CN111368779A (zh) * | 2020-03-13 | 2020-07-03 | 武汉大学 | 一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法 |
| CN112234604A (zh) * | 2020-09-10 | 2021-01-15 | 西安交通大学 | 一种多能互补电源基地优化配置方法、存储介质及设备 |
| CN112232234A (zh) * | 2020-10-20 | 2021-01-15 | 生态环境部卫星环境应用中心 | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 |
| CN112766202A (zh) * | 2021-01-27 | 2021-05-07 | 河海大学 | 基于卫星遥感的蓝藻信息实时指示方法、存储介质及设备 |
| CN114563378A (zh) * | 2022-03-03 | 2022-05-31 | 生态环境部卫星环境应用中心 | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 |
-
2022
- 2022-10-26 CN CN202211316557.7A patent/CN115719174B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102135531A (zh) * | 2010-12-24 | 2011-07-27 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊72小时蓝藻水华预测方法 |
| CN103439472A (zh) * | 2013-06-14 | 2013-12-11 | 北京工商大学 | 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 |
| CN103616490A (zh) * | 2013-12-03 | 2014-03-05 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊水华蓝藻总存量估算的方法 |
| CN104787891A (zh) * | 2015-03-24 | 2015-07-22 | 中国林业科学研究院林业新技术研究所 | 一种基于微地形改造的藻类水华生态控制系统、控制藻类水华的生态方法及应用 |
| CN107340365A (zh) * | 2017-06-19 | 2017-11-10 | 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 |
| CN111368779A (zh) * | 2020-03-13 | 2020-07-03 | 武汉大学 | 一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法 |
| CN112234604A (zh) * | 2020-09-10 | 2021-01-15 | 西安交通大学 | 一种多能互补电源基地优化配置方法、存储介质及设备 |
| CN112232234A (zh) * | 2020-10-20 | 2021-01-15 | 生态环境部卫星环境应用中心 | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 |
| CN112766202A (zh) * | 2021-01-27 | 2021-05-07 | 河海大学 | 基于卫星遥感的蓝藻信息实时指示方法、存储介质及设备 |
| CN114563378A (zh) * | 2022-03-03 | 2022-05-31 | 生态环境部卫星环境应用中心 | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 |
Non-Patent Citations (7)
| Title |
|---|
| 危忠;尹海龙;徐祖信;: "湖泊蓝藻水华数字化预警系统构建探讨", 四川环境 * |
| 姜晟: "基于MODIS数据的太湖蓝藻变化及其与水温关系研究", 《HTTPS://D.WANFANGDATA.COM.CN/THESIS/CHJUAGVZAXNOZXDTMJAYMZAXMTISB0QXODMXMDIACGXONTFRANM5》 * |
| 孔繁翔;胡维平;谷孝鸿;杨桂山;范成新;陈开宁;: "太湖梅梁湾2007年蓝藻水华形成及取水口污水团成因分析与应急措施建议", 湖泊科学 * |
| 孔繁翔;马荣华;高俊峰;吴晓东;: "太湖蓝藻水华的预防、预测和预警的理论与实践", 湖泊科学 * |
| 岳昂;曾庆伟;王怀警;: "于桥水库蓝藻水华遥感长时序监测研究", 遥感技术与应用 * |
| 李晓俊;马泽忠;周志跃;: "一种蓝藻水华提取空间尺度效应分析", 遥感信息 * |
| 闫兴成;王明;许晓光;王国祥;孙浩;杨云皓;石傲;: "富营养化湖泊沉积物有机质矿化过程中碳、氮、磷的迁移特征", 湖泊科学 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115719174B (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Mapping annual urban dynamics (1985–2015) using time series of Landsat data | |
| Sun et al. | Analyzing spatio-temporal changes and trade-offs to support the supply of multiple ecosystem services in Beijing, China | |
| Qun'ou et al. | Retrieval model for total nitrogen concentration based on UAV hyper spectral remote sensing data and machine learning algorithms–A case study in the Miyun Reservoir, China | |
| Zhou et al. | Spatiotemporal trends of terrestrial vegetation activity along the urban development intensity gradient in China's 32 major cities | |
| Herold et al. | Some challenges in global land cover mapping: An assessment of agreement and accuracy in existing 1 km datasets | |
| CN106372730B (zh) | 利用机器学习的植被净初级生产力遥感估算方法 | |
| Hernández-Guzmán et al. | Assessing and modeling the impact of land use and changes in land cover related to carbon storage in a western basin in Mexico | |
| Liu et al. | Enhanced drought detection and monitoring using sun-induced chlorophyll fluorescence over Hulun Buir Grassland, China | |
| Morresi et al. | Mapping burn severity in the western Italian Alps through phenologically coherent reflectance composites derived from Sentinel-2 imagery | |
| CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
| CN112651548A (zh) | 一种高原湖滨生态景观修复规划的评估识别方法 | |
| CN112525830A (zh) | 基于退耕还林还草的土壤有机碳储量变化的研究方法 | |
| CN114493099A (zh) | 碳汇生态重要性的城乡梯度构建方法 | |
| Sui et al. | A high-resolution inland surface water body dataset for the tundra and boreal forests of North America | |
| Torchiana et al. | Improving estimates of transitions from satellite data: a hidden Markov model approach | |
| Wang et al. | Consistent, accurate, high resolution, long time-series mapping of built-up land in the North China Plain | |
| Liu et al. | Fractional vegetation cover estimation algorithm based on recurrent neural network for MODIS 250 m reflectance data | |
| CN115719174A (zh) | 土地利用类型与蓝藻水华风险定量关系确定方法和装置 | |
| Al Jaber et al. | Using time series of satellite images to detect vegetation cover change in dhaka city | |
| Guo et al. | Estimating global GPP from the plant functional type perspective using a machine learning approach | |
| Atzberger et al. | Portability of neural nets modelling regional winter crop acreages using AVHRR time series | |
| Rao | Role of remote sensing and geographic information system in sustainable development | |
| Hussaini et al. | water level fluctuation assessment of Lake Chad for environmental sustainability using remote sensing and geographic information system technique | |
| Sorokina et al. | Experience in digital mapping of soil cover patterns | |
| Liu et al. | How much carbon storage will loss in a desertification area? Multiple policy scenario analysis from Gansu Province |
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 |