CN115906505B - 基于gnss信号的水面水华密度遥感探测方法及系统 - Google Patents
基于gnss信号的水面水华密度遥感探测方法及系统 Download PDFInfo
- Publication number
- CN115906505B CN115906505B CN202211599086.5A CN202211599086A CN115906505B CN 115906505 B CN115906505 B CN 115906505B CN 202211599086 A CN202211599086 A CN 202211599086A CN 115906505 B CN115906505 B CN 115906505B
- Authority
- CN
- China
- Prior art keywords
- water
- water bloom
- bloom
- model
- density
- 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.)
- Active
Links
- 241000192710 Microcystis aeruginosa Species 0.000 title claims abstract description 237
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 148
- 239000000203 mixture Substances 0.000 claims abstract description 52
- 230000003287 optical effect Effects 0.000 claims abstract description 6
- 238000002310 reflectometry Methods 0.000 claims description 27
- 241000195493 Cryptophyta Species 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 17
- 230000003746 surface roughness Effects 0.000 claims description 17
- 239000006260 foam Substances 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 230000010287 polarization Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 239000002352 surface water Substances 0.000 claims description 5
- 239000004094 surface-active agent Substances 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000009471 action Effects 0.000 claims description 2
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 20
- 230000007246 mechanism Effects 0.000 description 4
- 238000013016 damping Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012625 in-situ measurement Methods 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 241000195628 Chlorophyta Species 0.000 description 1
- 241000196252 Ulva Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于GNSS信号的水面水华密度遥感探测方法及系统,包括利用组成混合物介质的各介电常数,构建水华混合物的反射模型;利用风速数据、GNSS观测的均方斜率,以及和光学或近红外遥感影像的水华密度数据,建立以水华密度和风速为参数的水华表面的风驱动粗糙度模型;以双基雷达方程为基础,结合水华反射特点,顾及已建立的以水华密度为参数的水面混合物反射模型和粗糙度模型,建立水华密度和GNSS反射观测值的关系模型;同时利用水华区域内对应的GNSS‑R反射功率和水华密度进行拟合,获取水华密度探测经验模型,实现基于GNSS‑R反射功率的水面水华反演。本发明大幅降低了水华监测成本,同时提升了水华监测的时空分辨率。
Description
技术领域
本发明涉及遥感技术领域,特别涉及一种利用GNSS信号遥感探测水面水华密度的技术方案。
背景技术
水华(包括赤潮、浒苔等)是由于水体富营养化产生的一种严重的水污染灾害。近些年,水华的种类、爆发周期和爆发机制产生了重大变化,日益呈现长时间、高频次、大范围且危害不断加剧的特征,对海洋生态和海洋经济造成了无法估量的损失。目前,对于水华的监测主要依靠原位测量(人工采集、分析水样、浮标等)和卫星遥感等方式。这些方法在水华监测中发挥着重要的作用,但也存在着一定的不足。原位测量方法成本高,监测区域有限,对大面积爆发的水华往往无能为力;遥感技术通过海水颜色监测水华,但是往往水华发生到一定程度才能有所察觉,因此无法实现水华密度的反演。同时,受限于卫星数量,传统遥感方式重访时间很长,难以适应水华快速变化的特点,并且部分光学卫星受天气条件影响严重,无法实现长时间连续观测。
发明内容
本发明主要是解决现有技术及监测方法所存在的技术问题,给出了一种利用GNSS信号进行水华探测的新方案。该方案不仅能够降低监测成本、提高监测时效性,而且有效地解决卫星遥感方式复杂环境下监测的不确定性问题。
本发明着力解决两个问题。第一是水华产生对GNSS信号的影响机制。聚焦于因水华引起的GNSS信号的水面反射模型与正常水面的差异,构建一种由因水华的爆发而改变的水面反射率模型。该模型是由混合物(水体、水华、有机物泡沫等)的组成成分所占比例及各自的介电常数为基础构建的,普遍适用于各种水体环境;另外是解决水华的产生导致水面粘性阻尼增加进而对GNSS反射信号的影响关系模型。通过分析水华产生的机理和水华产生对水面张力的影响来确定水华对GNSS信号的影响。第二是构建GNSS反射信号区与水华密度的关系模型。在实现GNSS反射信号区分水华区域和正常水面区域能力的同时,还要实现GNSS信号可探测水华密度的能力。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
本发明提供一种基于GNSS信号的水面水华密度遥感探测方法,包括以下步骤:
步骤1,利用组成混合物介质的各介电常数,构建水华混合物的反射率模型;
步骤2,利用风速数据、GNSS观测的均方斜率mss,以及光学或近红外遥感影像的水华密度数据,建立以水华密度和风速为参数的水华表面的风驱动粗糙度模型;
步骤3,以双基雷达方程为基础,结合水华反射特点,顾及已建立的以水华密度为参数的水面混合物反射模型和粗糙度模型,建立水华密度和GNSS反射观测值的关系模型;
步骤4,同时利用水华区域内对应的GNSS-R反射功率和水华密度进行拟合,获取水华密度探测经验模型,实现基于GNSS-R反射功率的水面水华反演。
而且,步骤1中,基于混合物各个组成部分的体积比、介电常数和水华细胞形态参数,构建线性组合的水华混合物介电常数模型,利用菲涅尔反射方程,计算混合物水面反射系数。
而且,设水体和泡沫混合物的介电常数为εwf,水华藻体的介电常数为εga,所述水华混合物介电常数模型表示为,
εeff=(1-i)×εwf+i×εga
其中,vi为水华的体积比,取决于水华的密度ρ;
改变水华介电常数的主要是水华的种类k和密度ρ,将水华混合物模型表示为
εeff=g(,k)
根据菲涅尔反射定律,信号垂直极化和水平极化反射率分别为,
式中,γ入射信号高度角,ε为水华混合物介电常数εeff;
GNSS反射信号经过右旋极化转为左旋计划,反射率表示为,
Гrl(ρ,k)=(Гhh-Гvv)/2
通过上式计算由于水面水华的产生引起的水面的反射系数的改变。
而且,所述水体和泡沫混合物的介电常数εwf提取方式如下,
其中,vf为泡沫的体积比,ε0为空气的介电常数,εw为水体的介电常数。
而且,水华藻体的介电常数εga提取方式如下,
εga=s+fwεw+bεb
其中,εs为藻体介电常数,b为束缚混合物的介电常数,vfw和vb是藻类自由水和束缚混合物的体积分量。
而且,步骤2中,进行水面张力对粗糙度的影响模拟仿真,采用GNSS观测的均方斜率mss和海风数据,建立有水华区域,水华密度条件下的风驱动水面粗糙度模型,将水面处均方斜率mss表示为水华密度ρ和水面风速s的函数通式t(ρ,s),记为mss=t(ρ,s)。
而且,步骤3中,根据基于GNSS-R的水面反射模型,建立反射信号观测值和水面水华密度ρ的反演模型如下,
Pr=(ρ)=(Гrl(,ρ),P(t(ρ,s)))
其中,y(ρ)为水面水华密度的函数,f()为反射率和粗糙度为变量的函数,k为水华的种类,Гrl()为水面反射率,P()为高斯概率密度函数。
另一方面,本发明还提供一种基于GNSS信号的水面水华密度遥感探测系统,用于实现如上所述的一种基于GNSS信号的水面水华密度遥感探测方法。
而且,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于GNSS信号的水面水华密度遥感探测方法。
而且,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于GNSS信号的水面水华密度遥感探测方法。
本发明采用GNSS反射信号进行水华探测具有如下优点:1.GNSS信号具有低成本,数据源丰富,高重访率,全天候的特点,这些特点在水华监测时能够弥补已有监测方式的不足,实现低成本、快速、大范围的水华监测。2.水华的变化日益呈现长时间、高频次、大范围且危害不断加剧的特征,传统方式监测周期长,难以适应这一变化,而GNSS反射信号可以实现水华的快速响应。3.由于水华尤其是海面水华受到风场和洋流的影响会大范围漂浮移动,采用GNSS反射技术进行水华监测可以实现水华的跟踪监测,这也是传统方式无法实现的。
本发明方案实施简单方便,实用性强,解决了相关技术存在的实用性低及实际应用不便的问题,能够提高用户体验,具有重要的市场价值。
附图说明
图1为本发明实施例的方法流程图;
图2为本发明实施例水华对水面波谱的影响对比图;
图3为本发明实施例墨西哥湾区域无水华条件下的CYGNSS观测的风驱动海面粗糙度与海面风速之间的关系;
图4为本发明实施例墨西哥湾区域有水华条件下的CYGNSS观测的风驱动海面粗糙度与海面风速之间的关系。
具体实施方式
以下结合附图和实施例具体说明本发明的技术方案。
本发明提供一种利用GNSS反射观测值进行水面水华密度探测的新方法,特别涉及带有水华反射面反射率模型以及水华对水面的粘性阻尼导致的粗糙度改变模型。本发明是利用水华的产生引起反射水面的反射率和粗糙度改变进而导致反射信号观测值产生变化的基本原理实现的水华密度监测。首先构建了由水、泡沫和水华组成的混合物的水面反射率模型,同时分析了由于水华的产生对风驱动的水面粗糙度模型的影响程度。其次,根据以上模型,结合GNSS反射信号模型,根据实测观测的水华密度数据和GNSS反射数据,通过相关性分析,确认了利用GNSS反射功率和水华密度之间的模型关系,并利用实际观测数据建立经验模型以实现水华密度反演的方法。本发明大大降低了水华监测成本,同时提升了水华监测的时空分辨率,为水华的持续跟踪监测和追踪溯源提供了一种新的方案。
参见图1,本发明实施例中提出一种基于GNSS信号的水面水华密度遥感探测方法,包括以下处理:
(一)构建通用的水华水面反射率模型。
本步骤利用组成混合物介质的各介电常数,构建混合物的反射系数模型。进一步地,以混合物各个组成部分的体积比、介电常数和水华细胞形态等为参数,构建线性组合的混合物介电常数模型,利用菲涅尔反射方程,计算混合物水面反射系数。
实施例的具体实现包括以下步骤:
步骤1.1,计算混合物中水体和泡沫的介电常数εwf。由于水华的产生会使得水中存在大量的有机物,风驱动引起产生大量的泡沫,导致水面形成由气泡组成的表面活性剂层。水体和泡沫混合物的介电常数εwf可以通过比例组成获取,具体表达式为:
其中,vf为泡沫的体积比,ε0为空气的介电常数,εw为水体(淡水或海水)的介电常数(可利用德拜方程获取)。
步骤1.2,水华藻体的介电常数εga模型。优选利用双散射模型根据藻体干物质、藻内自由水和束缚混合物介电常数线性组合得到,可以表示为:
εga=εs+vfwεw+vbεb (2)
其中,εs为藻体介电常数,可由藻体质量含水量Mg计算:由于藻体被水包围,自由水的介电常数以水代替;b为束缚混合物的介电常数,/>vfw和vb是藻类自由水和束缚混合物的体积分量,分别可以表示为vfw=g(0.55g-0.076)和/>fb0为松弛频率,取0.18GHz,f为微波频率,j表示复数。
步骤1.3,由水华、泡沫和水组成混合物的介电常数模型。以混合物各个组成部分的体积比、介电常数和水华细胞形态等为变量,根据物理等效介电常数模型,构建混合物的介电常数模型。具体的水华混合物模型表示为:
εeff=(1-vi)×εwf+vi×εga (3)
其中,vi为水华的体积比,取决于水华的密度ρ。例如一般绿藻可以取为5%。根据水华混合物模型可以看出,改变水华介电常数的主要是水华的种类k和密度ρ,即水华混合物模型可以表示为:
εeff=g(ρ,k) (4)。
其中,g()为公式(3)的通式(抽象)函数。
步骤1.4,水华水面反射率。根据菲涅尔反射定律,信号垂直极化和水平极化反射率分别为:式中,γ为入射信号高度角,ε为水华混合物介电常数εeff。
GNSS反射信号经过右旋极化转为左旋计划,反射率可以表示为:
Гrl(ρ,k)=(Гhh-Гvv)/2 (5)
将公式(4)代入公式(5),便可以计算产生水华的水面的反射率,提取由于水面水华的产生引起的水面的反射系数的改变。该模型为通用的水华水面反射率模型,并且适用于没有水华的水面。较以往需要根据水华种类分别进行针对性的定量物理测量,费时费力且成本高,本发明提出的模型充分考虑了水华爆发密度和水华种类,通用性高,使用更为方便。
(二)水华对水面粗糙度的影响模型构建。
水华影响粗糙度的机制为水华的产生导致水面粘性阻尼系数和张力改变,进而引起水面粗糙度的改变。
本发明提出建立有水华的风驱动水面粗糙度模型:利用NCEI的风速数据、GNSS观测的均方斜率(mss),以及光学或近红外遥感影像的水华密度数据,建立以水华密度和风速为参数的水华表面的风驱动粗糙度模型。
实施例进一步提出实现过程包括以下具体步骤:
步骤2.1,水面张力对粗糙度的影响模拟仿真。由于水华的产生会使得水中存在大量的有机物,有机物在风的作用下会产生大量的泡沫,进而导致水面形成由气泡组成的表面活性剂层,该表面活性层具有降低水体表面张力的作用。图2利用Durden-Vesecky谱,仿真了不同水面状态下水面重力波和毛细波受水华的影响。根据Durden-Vesecky谱模拟的不同水面状态下水面重力波和毛细波受水华的影响图(实线:干净的水面;虚线:有水华水面),可以看出有水华水面的在高频波数和能量(重力波和毛细波范围)小于正常的水面。这表明水华的产生能够降低水面张力,阻尼毛细波和重力波,进而降低水面的粗糙度。
步骤2.2,水华表面的风驱动的水面粗糙度模型。正常没有发生水华的水面风驱动经验模型可以表示为:
其中,mss为水面平均方差斜率,由水面的粗糙度决定,公式中数字为经验模型固定常数,U10为10米高出的风速。
由步骤2.1可知,低风速下,水面波主要为毛细波和重力波。由于水华的产生,水面张力变小,粗糙度变小,水华表面的风驱动粗糙度模型会产生改变,相关性将会降低。采用CYGNSS的MSS实际观测数据和NCEI的海风数据,建立有水华区域,且水华密度为2*106cell/L的风驱动水面粗糙度模型,可以表示为:
对比公式(6)(7)可以看出,相同风速条件下,有水华的水面mss小于无水华的水面,即水华对水面粗糙度由抑制作用。
步骤2.3,水华表面的风驱动的水面粗糙度模型验证。
如图3、图4给出了墨西哥湾区域有水华和无水华条件下的CYGNSS观测的风驱动海面粗糙度与海面风速之间的关系,分别采用了线性拟合Linear fitting、二次多项式拟合Second-order fitting、高斯拟合Gaussian fitting、对数拟合Logarithmic fitting。图3为没有水华的正常海面,图4为水华密度为2*106cell/L,并且随着密度的增加,粗造度也逐渐减小。因此,mss可以表示为水华密度ρ和水面风速s的函数通式t(ρ,s),表达如下:
mss=t(ρ,s) (8)
公式(8)即水华的产生对水面粗糙度的影响模型,公式(7)为确定水华密度条件下水华粗糙度模型(8)实例之一。
(三)构建水华密度和GNSS反射观测值的关系模型。
本发明通过分析GNSS反射信号模型与水华对水面产生的影响,找出共性参数,并分析每个参数对观测值的作用,最终选择合适GNSS反射观测值参数与水华密度建立反演模型。
实施例中建立水华表面的GNSS反射模型实现方式为,根据双基雷达方程,结合水华反射特点,顾及水面的反射系数和粗糙度(横截面),将已建立的以水华密度为参数的水面混合物介电常数模型和粗糙度关系模型,代入GNSS反射模型,建立基于GNSS反射的水面反射模型。具体步骤包括以下:
步骤3.1,建立基于GNSS-R的水面反射模型。GNSS-R的基本模型是在双基雷达的基础上发展起来的。反射接收机接收到的水面反射的GNSS信号反射功率Pr可以表示为:
式中,Pt为散射功率,Gt()和Gr()分别为发射天线和接收收天线的功率,θ为卫星高度角,Rr、Rt分别为接收机到镜面反射点和卫星到镜面反射点的距离,λ为GNSS信号波长,以上参数均与水面反射面无关;Гrl为步骤1计算的水面反射率,P(mss)为步骤2计算的水面粗糙度为变量的高斯概率密度函数,Гrl和P(mss)受水面产生水华的影响。
步骤3.2,根据公式(9)可以看出,GNSS信号功率经过水华区域反射,较正常无水华水面改变了反射面的反射率和粗糙度,进而导致正常水面与水华水面信号的反射功率的差异,即GNSS反射信号探测水华的原理。
步骤3.3,建立反射信号观测值和水华密度的反演模型。根据3.1,决定水面反射信号功改变的参数可以分为两类,一类是与卫星位置和硬件参数相关的,包括Pt、Gt、Gr、Rr、Rt、λ;另一类是与反射面相关,包括Гrl和P(mss)。第一类可以通过标准化消除差异,而第二类引起的反射功率变化,反映的便是水面状态的变化,这里主要是水面水华引起的变化。因此,反射信号功率(9)可以表示为第二类参数,即反射率和粗糙度为变量的函数f(),表达如下:
Pr=f(Гrl,P(mss)) (10)
又根据公式(5)(8),公式(10)可以写为水面水华密度的函数y(ρ),即:
Pr=y(ρ)=f(Гrl(k,ρ),P(t(ρ,s))) (11)
其中,Гrl()为水面反射率,P()为高斯概率密度函数。
公式(11)即利用GNSS反射信噪比观测值反演水面水华密度的反演模型。可以看出,该模型一旦给定水面水华种类和风速,便可以利用GNSS反射功率观测值反演水面的水华密度。
(四)水华密度反演经验模型与验证。
由于模型的复杂性和非线性,本专利同时利用了水华区域内对应的GNSS-R反射功率和水华密度进行拟合,获取经验模型,实现基于GNSS-R反射功率的水面水华反演;同时利用数据采集的真实水华密度与反演的水华密度进行对比,评定反演模型精度。
实施例中,分别将经验公式(5)(8)代入公式(11),可以获取水华密度。但是,由于理论公式模型较为复杂,可以对两边取对数进行简化,通过实际观测数据,构建反射信号功率和水华密度之间的经验模型。即利用双基雷达反射模型,将水面水华混合反射率模型和粗糙度模型代入其中,构建水面水华密度与GNSS反射功率观测模型。同时,同步观测GNSS反射观测值(反射功率)对应的反射区域内的水面水华密度,利用最小二乘拟合,得出以GNSS反射功率为参数的水面水华密度模型。同时,对模型进行精度进行验证。
实施例的步骤4具体实现可分为以下子步骤:
步骤4.1观测数据获取。选取水华爆发区域内GNSS反射信号和近红外或光学卫星影像,以GNSS反射观测值时间-多普勒延迟图(DDM)的观测范围为格网,采用传统卫星影像计算每个DDM范围内对应的水华密度;
步骤4.2模型参数固定。利用4.1获取的GNSS反射功率和水华密度的观测数据,进行最小二乘拟合,获取以GNSS反射功率为变量的水面水华密度反演模型;以墨西哥湾2019年的水华观测数据,得到的反演经验模型为:
ρ=-0.035*P2+2.1*P-16 (12)
式中,ρ为单个DDM范围内的水华密度,P为反射信号功率。需要注意的是此模型参数不具有通用性,具体实施时需要根据水华种类进行调整。
步骤4.3结果验证及精度评定。利用步骤4.2建立的水面水华密度反演模型,通过GNSS反射观测值,反演水面的水华密度。同时利用数据采集的真实水华密度与反演的水华密度进行对比,评定反演模型精度,当精度满足要求时,进入步骤4.4应用模型得到水华密度遥感结果。
步骤4.4实际应用。基于最终模型,通过实测GNSS反射观测值,反演水面的水华密度。本发明所提出的基于GNSS反射信号的水面水华探测方法,能够利用GNSS反射的高重访率、全天候和低成本等特点,实现以往传统水华监测手段无法达到的水华分布范围和密度近实时监测。同时,配合GNSS反射本身具有的水面风场反演能力,可以根据风场和水华分布数据,实现水华的自动预警。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
在一些可能的实施例中,提供一种基于GNSS信号的水面水华密度遥感探测系统,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于GNSS信号的水面水华密度遥感探测方法。
在一些可能的实施例中,提供一种基于GNSS信号的水面水华密度遥感探测系统,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于GNSS信号的水面水华密度遥感探测方法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (3)
1.一种基于GNSS信号的水面水华密度遥感探测方法,其特征在于,包括以下步骤:
步骤1,利用组成混合物介质的各介电常数,构建水华混合物的反射系数模型;具体包括以下步骤:
步骤1.1,计算混合物中水体和泡沫的介电常数εwf,水体和泡沫混合物的介电常数εwf通过比例组成获取,具体表达式为:
其中,vf为泡沫的体积比,ε0为空气的介电常数,εw为水体的介电常数;
步骤1.2,水华藻体的介电常数εga模型,利用双散射模型根据藻体干物质、藻内自由水和束缚混合物介电常数线性组合得到,表示为:
εga=εs+vfwεw+vbεb (2)
其中,εs为藻体介电常数,由藻体质量含水量Mg计算: 由于藻体被水包围,自由水的介电常数以水代替;εb为束缚混合物的介电常数,fb0为松弛频率,取0.18GHz,f为微波频率,j表示复数,vfw和vb是藻类自由水和束缚混合物的体积分量,可以表示为vfw=Mg(0.55Mg-0.076)和
步骤1.3,由水华、泡沫和水组成混合物的介电常数模型,以混合物各个组成部分的体积比、介电常数和水华细胞形态为变量,根据物理等效介电常数模型,构建混合物的介电常数模型,具体的水华混合物模型表示为:
εeff=(1-vi)×εwf+vi×εga (3)
其中,vi为水华的体积比,取决于水华的密度ρ,根据水华混合物模型可以看出,改变水华介电常数的主要是水华的种类k和密度ρ,即水华混合物模型可以表示为:
εeff=g(ρ,k) (4)
其中,g()为公式(3)的通式函数;
步骤1.4,水华水面反射率,根据菲涅尔反射定律,信号垂直极化和水平极化反射率分别为:式中,γ为入射信号高度角,ε为水华混合物介电常数εeff,
GNSS反射信号经过右旋极化转为左旋计划,反射率可以表示为:
Γrl(ρ,k)=(Γhh-Γvv)/2 (5)
将公式(4)代入公式(5),计算产生水华的水面的反射率,提取由于水面水华的产生引起的水面的反射系数的改变;
步骤2,利用风速数据、GNSS观测的均方斜率mss,以及光学或近红外遥感影像的水华密度数据,建立以水华密度和风速为参数的水华表面的风驱动粗糙度模型,具体包括以下步骤:
步骤2.1,水面张力对粗糙度的影响模拟仿真,由于水华的产生会使得水中存在大量的有机物,有机物在风的作用下会产生大量的泡沫,进而导致水面形成由气泡组成的表面活性剂层,该表面活性剂层具有降低水体表面张力的作用,利用Durden-Vesecky谱,仿真了不同水面状态下水面重力波和毛细波受水华的影响,表明水华的产生能够降低水面张力,阻尼毛细波和重力波,进而降低水面的粗糙度,
步骤2.2,水华表面的风驱动的水面粗糙度模型,正常没有发生水华的水面风驱动经验模型表示为:
其中,mss为水面平均方差斜率,由水面的粗糙度决定,公式中数字为经验模型固定常数,U10为10米高处的风速,
采用MSS实际观测数据和海风数据,建立有水华区域,且水华密度为2*106cell/L的风驱动水面粗糙度模型,表示为:
对比公式(6)(7)看出,相同风速条件下,有水华的水面mss小于无水华的水面,即水华对水面粗糙度有抑制作用;
步骤2.3,水华表面的风驱动的水面粗糙度模型验证,将mss表示为水华密度ρ和水面风速s的函数通式t(ρ,s),表达如下:
mss=t(ρ,s) (8)
公式(8)即水华的产生对水面粗糙度的影响模型;
步骤3,根据双基雷达方程,结合水华反射特点,顾及水面的反射系数和粗糙度,将已建立的以水华密度为参数的水华混合物介电常数模型和粗糙度关系模型,代入GNSS反射模型,建立基于GNSS反射的水面反射模型,具体包括以下步骤:
步骤3.1,建立基于GNSS-R的水面反射模型,反射接收机接收到的水面反射的GNSS信号反射功率Pr表示为:
式中,Pt为散射功率,Gt()和Gr()分别为发射天线和接收收天线的功率,θ为卫星高度角,Rr、Rt分别为接收机到镜面反射点和卫星到镜面反射点的距离,λ为GNSS信号波长,以上参数均与水面反射面无关;Γrl为步骤1计算的水面反射率,P(mss)为以步骤2计算的水面粗糙度为变量的高斯概率密度函数,Γrl和P(mss)受水面产生水华的影响;
步骤3.2,建立反射信号观测值和水华密度的反演模型,反射信号功率(9)表示为反射率和粗糙度为变量的函数f(),表达如下:
Pr=f(Γrl,P(mss)) (10)
又根据公式(5)(8),公式(10)写为水面水华密度的函数y(ρ),即:
Pr=y(ρ)=f(Γrl(k,ρ),P(t(ρ,s))) (11)
其中,Γrl()为水面反射率,P()为高斯概率密度函数,
公式(11)即利用GNSS反射信噪比观测值反演水面水华密度的反演模型,一旦给定水面水华种类和风速,便可以利用GNSS反射功率观测值反演水面的水华密度;
步骤4,利用水华区域内对应的GNSS-R反射功率和水华密度进行拟合,获取经验模型,实现基于GNSS-R反射功率的水面水华反演;利用数据采集的真实水华密度与反演的水华密度进行对比,评定反演模型精度。
2.一种基于GNSS信号的水面水华密度遥感探测系统,其特征在于:包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如权利要求1所述的一种基于GNSS信号的水面水华密度遥感探测方法。
3.根据权利要求2所述基于GNSS信号的水面水华密度遥感探测系统,其特征在于:包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如权利要求1所述的一种基于GNSS信号的水面水华密度遥感探测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211599086.5A CN115906505B (zh) | 2022-12-12 | 2022-12-12 | 基于gnss信号的水面水华密度遥感探测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211599086.5A CN115906505B (zh) | 2022-12-12 | 2022-12-12 | 基于gnss信号的水面水华密度遥感探测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115906505A CN115906505A (zh) | 2023-04-04 |
CN115906505B true CN115906505B (zh) | 2024-05-24 |
Family
ID=86481368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211599086.5A Active CN115906505B (zh) | 2022-12-12 | 2022-12-12 | 基于gnss信号的水面水华密度遥感探测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115906505B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087617A (zh) * | 2011-02-01 | 2011-06-08 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的水华分布提取方法 |
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 |
WO2016145723A1 (zh) * | 2015-03-19 | 2016-09-22 | 中国科学院空间科学与应用研究中心 | 一种基于gnss-r技术的河流流速测量方法与系统 |
CN108614279A (zh) * | 2018-04-25 | 2018-10-02 | 武汉大学 | 一种基于gnss-r ddm的水体藻类污染物探测方法 |
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 |
CN110663350A (zh) * | 2019-09-30 | 2020-01-10 | 南京蹑波物联网科技有限公司 | 一种全自动渠道用除藻收割作业船及其除藻方法 |
CN112577955A (zh) * | 2020-11-23 | 2021-03-30 | 淮阴师范学院 | 一种水华水体检测方法和系统 |
CN114169646A (zh) * | 2021-12-31 | 2022-03-11 | 中科三清科技有限公司 | 水华预测方法、装置、电子设备及计算机可读存储介质 |
CN114724035A (zh) * | 2022-04-11 | 2022-07-08 | 山东锋士信息技术有限公司 | 一种基于遥感技术的早期水华检测方法 |
CN114858221A (zh) * | 2022-07-05 | 2022-08-05 | 中国长江三峡集团有限公司 | 一种基于水域营养状态预测的水华智能预警系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664947A (zh) * | 2023-06-14 | 2023-08-29 | 江苏省气候中心 | 一种基于卫星观测数据的蓝藻水华监测方法及系统 |
-
2022
- 2022-12-12 CN CN202211599086.5A patent/CN115906505B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087617A (zh) * | 2011-02-01 | 2011-06-08 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的水华分布提取方法 |
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 |
WO2016145723A1 (zh) * | 2015-03-19 | 2016-09-22 | 中国科学院空间科学与应用研究中心 | 一种基于gnss-r技术的河流流速测量方法与系统 |
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 |
CN108614279A (zh) * | 2018-04-25 | 2018-10-02 | 武汉大学 | 一种基于gnss-r ddm的水体藻类污染物探测方法 |
CN110663350A (zh) * | 2019-09-30 | 2020-01-10 | 南京蹑波物联网科技有限公司 | 一种全自动渠道用除藻收割作业船及其除藻方法 |
CN112577955A (zh) * | 2020-11-23 | 2021-03-30 | 淮阴师范学院 | 一种水华水体检测方法和系统 |
CN114169646A (zh) * | 2021-12-31 | 2022-03-11 | 中科三清科技有限公司 | 水华预测方法、装置、电子设备及计算机可读存储介质 |
CN114724035A (zh) * | 2022-04-11 | 2022-07-08 | 山东锋士信息技术有限公司 | 一种基于遥感技术的早期水华检测方法 |
CN114858221A (zh) * | 2022-07-05 | 2022-08-05 | 中国长江三峡集团有限公司 | 一种基于水域营养状态预测的水华智能预警系统及方法 |
Non-Patent Citations (3)
Title |
---|
Green algae monitoring via ground-based GNSS-R observations;Wei Ban;《GPS Solutions》;第1-12页 * |
Sea Surface Green Algae Density Estimation Using Ship-Borne GEO-Satellite Reflection Observations;Wei Ban;《IEEE Geoscience and Remote Sensing Letters》;第1-5页 * |
Wei Ban.Sea Surface Green Algae Density Estimation Using Ship-Borne GEO-Satellite Reflection Observations.《IEEE Geoscience and Remote Sensing Letters》.2022,第1-5页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115906505A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tridon et al. | Dual‐frequency radar Doppler spectral retrieval of rain drop size distributions and entangled dynamics variables | |
Abdallah et al. | Wa-LiD: A new LiDAR simulator for waters | |
CN110095784B (zh) | 一种复杂环境影响下的海洋-低层大气激光传输建模方法 | |
Coulter et al. | Two decades of progress in SODAR techniques: a review of 11 ISARS proceedings | |
Panfilova et al. | Oil slick observation at low incidence angles in Ku‐band | |
Martorella et al. | On the fractal dimension of sea surface backscattered signal at low grazing angle | |
Mackay et al. | 8.03-resource assessment for wave energy | |
CN101900692A (zh) | 大面积土壤湿度测量方法 | |
Miriovsky et al. | An experimental study of small-scale variability of radar reflectivity using disdrometer observations | |
Myagkov et al. | Evaluation of the reflectivity calibration of W-band radars based on observations in rain | |
CN115906505B (zh) | 基于gnss信号的水面水华密度遥感探测方法及系统 | |
Elçi et al. | Estimation of suspended sediment concentration in rivers using acoustic methods | |
Herbers et al. | Observing directional properties of ocean swell with an acoustic Doppler current profiler (ADCP) | |
CN109190182B (zh) | 一种油膜覆盖非线性海面的电磁散射建模方法 | |
Gaudfrin et al. | A new lidar inversion method using a surface reference target applied to the backscattering coefficient and lidar ratio retrievals of a fog-oil plume at short range | |
Kobayashi et al. | Monte Carlo simulations of enhanced visible radiance in clear‐air satellite fields of view near clouds | |
Boukabara et al. | Physically based modeling of QuikSCAT SeaWinds passive microwave measurements for rain detection | |
Titchenko et al. | Theoretical view on the possibilities of multi-frequency remote sensing of the water surface | |
Scarlat | Improving an optimal estimation algorithm for surface and atmospheric parameter retrieval using passive microwave data in the Arctic | |
Mace | Deriving cloud droplet number concentration from surface based remote sensors with an emphasis on lidar measurements | |
Steinvall et al. | Experimental evaluation of an airborne depth-sounding lidar | |
Nie | Wind/rain backscatter modeling and wind/rain retrieval for scatterometer and synthetic aperture radar | |
Karabaş | Inférence de la réfraction troposphérique par méthodes d'optimisation | |
Meloche et al. | Altimetric Ku-band Radar Observations of Snow on Sea Ice Simulated with SMRT | |
Filipponi et al. | Seafloor Topography Modelling in Northern Adriatic Sea Using Synthetic Aperture Radar |
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 |