CN116067897A - 一种基于集成因子体系的叶绿素a浓度反演方法、系统 - Google Patents
一种基于集成因子体系的叶绿素a浓度反演方法、系统 Download PDFInfo
- Publication number
- CN116067897A CN116067897A CN202211686559.5A CN202211686559A CN116067897A CN 116067897 A CN116067897 A CN 116067897A CN 202211686559 A CN202211686559 A CN 202211686559A CN 116067897 A CN116067897 A CN 116067897A
- Authority
- CN
- China
- Prior art keywords
- band
- inversion
- lambda
- chlorophyll
- remote sensing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 218
- 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 title claims abstract description 190
- 229930002868 chlorophyll a Natural products 0.000 title claims abstract description 177
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 137
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000000556 factor analysis Methods 0.000 claims abstract description 10
- 230000003595 spectral effect Effects 0.000 claims description 93
- 238000002310 reflectometry Methods 0.000 claims description 91
- 238000012544 monitoring process Methods 0.000 claims description 61
- 238000001228 spectrum Methods 0.000 claims description 46
- 238000005070 sampling Methods 0.000 claims description 37
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 17
- 238000010521 absorption reaction Methods 0.000 claims description 16
- 230000005855 radiation Effects 0.000 claims description 16
- 229930002875 chlorophyll Natural products 0.000 claims description 13
- 235000019804 chlorophyll Nutrition 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 102000006463 Talin Human genes 0.000 claims description 3
- 108010083809 Talin Proteins 0.000 claims description 3
- 102220417896 c.33C>T Human genes 0.000 claims description 3
- 102220257474 rs142991697 Human genes 0.000 claims description 3
- 102220152218 rs143647619 Human genes 0.000 claims description 3
- 102220065935 rs144149165 Human genes 0.000 claims description 3
- 102220300650 rs181048561 Human genes 0.000 claims description 3
- 102220180737 rs199656309 Human genes 0.000 claims description 3
- 102220317028 rs201111033 Human genes 0.000 claims description 3
- 102220254682 rs201189319 Human genes 0.000 claims description 3
- 102220168831 rs201972673 Human genes 0.000 claims description 3
- 102220302183 rs370972197 Human genes 0.000 claims description 3
- 102220028428 rs386352384 Human genes 0.000 claims description 3
- 102220109246 rs4696 Human genes 0.000 claims description 3
- 102220083201 rs528879194 Human genes 0.000 claims description 3
- 102220278904 rs745384145 Human genes 0.000 claims description 3
- 102220202945 rs748892906 Human genes 0.000 claims description 3
- 102220099945 rs751682878 Human genes 0.000 claims description 3
- 102220140996 rs756483143 Human genes 0.000 claims description 3
- 102220086577 rs762032846 Human genes 0.000 claims description 3
- 102220224263 rs765442930 Human genes 0.000 claims description 3
- 102220159183 rs779048359 Human genes 0.000 claims description 3
- 102220059023 rs786201869 Human genes 0.000 claims description 3
- 102220093071 rs876657445 Human genes 0.000 claims description 3
- 102220303383 rs915086641 Human genes 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 62
- 230000000694 effects Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000012851 eutrophication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 239000000049 pigment Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 241000195493 Cryptophyta Species 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000001651 autotrophic effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000010954 inorganic particle Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请涉及一种基于集成因子体系的叶绿素a浓度反演方法、系统。通过多方位、综合地选取叶绿素a浓度反演因子构建方法，构建大量反演因子，利用因子分析法初步筛选出重要反演因子，之后通过实测数据和重要反演因子，构建叶绿素a浓度反演模型，并将叶绿素a浓度反演模型应用到遥感影像上，得到叶绿素a反演浓度。本申请解决了采用单一因子或几个因子组合建模反演精度较低的问题，大大提升了反演模型的普适性，同时也不需要获取复杂的水体参数，因此有利于实现产业化应用。
Description
技术领域
本申请涉及卫星遥感技术领域，尤其是涉及一种基于集成因子体系的叶绿素a浓度反演方法、系统。
背景技术
叶绿素a(简称chl-a)是浮游植物或藻类植物中最丰富的色素，其在水中的浓度能够表征水体浮游植物的光能自养生物量和初级生产力，同时可直接反映水体的富营养化程度，是水质状况评价的重要指标。
如何保证水体叶绿素a浓度的监测精度，对于水体水质评估具有重要意义。
目前，水体叶绿素a浓度的监测主要是以人工采样的方式，即在水体中设置采样点，将采集的样本送到专门的检测机构或实验室进行检测，得到水体叶绿素a的浓度，这种方法的检测精度较高，但只能反映点上的结果，且存在成本高、周期长的问题。遥感卫星技术具有宏观、快速、动态监测的优势，通过遥感卫星数据可对水体叶绿素a浓度进行宏观的监测，能够反映水体叶绿素a浓度空间分布，省时省力，且能够实现动态监测。目前叶绿素a浓度反演监测的方法主要分为经验方法，半经验/半分析方法及分析方法3种。
经验方法主要以叶绿素a浓度和遥感参数之间的统计关系为基础来实现水体叶绿素a浓度的遥感反演，但其参数之间的关系难以用明确的物理机理描述，缺乏物理依据。
半经验/半分析方法主要是通过结合经验方程与辐射传输模型，采用理论分析及经验统计分析的方法来描述模型过程，具有一定的物理依据。
上述两种方法较为简便、快捷，但还存在一些不足，主要体现在两个方面：①以往研究往往采用一种或几种反演因子，用于建模的波段指数较少，尚未充分利用遥感数据中丰富的波段信息，在模型反演精度方面还存在着很大的提升空间；②由于不同水体组成成分的差异性，相关研究中所构建的模型具有一定的区域限制，针对不同水体需要重新构建模型，普适性较低。
分析方法是通过描述辐照度比与水体参数之间的关系，模拟电磁波在水体中的传播过程，分析方法的优点是物理依据较强，反演精度较高，模型稳定性较好，但其缺点是物理机理过于复杂，获取参数及建立模型的难度较大，实际应用较为复杂，不利于产业化应用。
发明内容
本申请提供了一种基于集成因子体系的叶绿素a浓度反演方法、系统，可解决现有水质监测由于叶绿素a浓度反演所存在的不足，带来的水质监测精度低，或模型普适性较差，或模型复杂从而不利于产业化应用的缺陷。
第一方面，本申请提供的叶绿素a浓度反演方法，采用如下的技术方案：
一种基于集成因子体系的叶绿素a浓度反演方法，包括：
构建叶绿素a浓度集成因子体系；所述集成因子体系包括至少两种反演因子；反演因子与光谱波段的遥感反射率存在关联关系；
根据设置在所述待监测水域的若干采样点，获取各所述采样点采样得到的叶绿素a实际浓度；获取所述待监测水域的遥感影像，且所述遥感影像的拍摄时间与各所述采样点的采样时间之间的时间差值，在设定时间阈值范围内；且所述遥感影像包括目标光谱波段的遥感影像；所述目标光谱波段包括与所述集成因子体系中各反演因子存在关联关系的光谱波段；
对所述遥感影像进行预处理；
在经预处理后的遥感影像中，确定与各所述采样点位置对应的目标像元，提取所述目标像元在各所述目标光谱波段上的遥感反射率；
根据所述目标像元在各所述目标光谱波段上的遥感反射率，计算所述目标像元的各种反演因子数值；
基于各所述目标像元对应的各种所述反演因子数值，利用因子分析法提取重要反演因子；将所述采样点采样得到的叶绿素a实际浓度作为因变量，所述重要反演因子作为自变量，构建反演模型；
筛选出满足反演精度要求的反演模型，利用所述反演模型实现水体叶绿素a浓度的反演。
通过采用上述技术方案：通过多方位、综合的选取叶绿素a浓度反演因子，构建集成因子体系，利用因子分析法筛选出重要反演因子，并结合采样点的叶绿素a浓度的实测数据，构建叶绿素a浓度反演模型；在实际水质在线监测过程中，利用该方案/方法实现水域叶绿素a浓度反演；一方面保证了叶绿素a浓度的准确反演，进而保证了水质监测的精度；另一方面，大大提升了本方案的普适性，可适用于不同水体的叶绿素a浓度反演或水质监测；再一方面，也不需要分析获取复杂的水体参数，因此有利于实现产业化应用。
可选的，所述构建反演模型包括：采用逐步回归算法构建所述反演模型。
通过采用上述技术方案，采用逐步回归算法能够筛选较优自变量参与建模，可提高反演模型的反演精度。
可选的，所述预处理包括几何校正、辐射校正；使得经所述预处理后，可获取所述设定像元在所述设定光谱波段上的遥感反射率。
可选的，所述构建叶绿素a浓度反演集成因子体系包括：
获取至少两种叶绿素a浓度的反演方法，根据每种所述反演方法生成至少一种反演因子；基于各种所述反演方法对应的所述反演因子构建得到所述集成因子体系。
通过采用上述技术方案，不同水体的水体组成成分和光学特征较为复杂且各不相同，因此所适用的反演方法也存在差异，通过获取多种叶绿素a浓度的反演方法，可保证集成因子体系的多方位、综合性、全面性，有利于适应不同水体的叶绿素a浓度反演要求，提高模型的普适性。
可选的，所述反演方法包括单波段法、波段比值法、三波段法、四波段法、归一化叶绿素a浓度指数法、最大叶绿素指数法和Gchl-a指数法；
所述单波段法对应的反演公式包括Cchla∝R(λ)；式中，Cchla表示叶绿素a浓度，符号∝表示成正比，R(λ)表示光谱波段λ对应的遥感反射率；所述单波段法的光谱波段要求是：光谱波段λ为可见光波段、红边波段、近红外波段；
所述波段比值法对应的反演公式包括Cchla∝R(λ1)/R(λ2)；式中，R(λ1)表示光谱波段λ1对应的遥感反射率，R(λ2)表示光谱波段λ2对应的遥感反射率；所述波段比值法的光谱波段要求是：光谱波段λ1为近红外波段、红边波段、绿波段；且光谱波段λ2为红波段、蓝波段；所述三波段法对应的反演公式包括Cchla∝[1/R(λ1)-1/R(λ2)]*R(λ3)；式中，R(λ3)表示光谱波段λ3对应的遥感反射率；所述三波段法的光谱波段要求是：光谱波段λ1λ1的光谱波长范围为介于660至690nm之间，光谱波段λ2的光谱波长范围为700至750nm，光谱波段λ3的光谱波长位于近红外波段范围内，且大于730nm；
所述四波段法对应的反演公式包括Cchla∝[1/R(λ1)-1/R(λ2)]/[1/R(λ4)-1/R(λ3)]；式中，R(λ4)表示光谱波段λ4对应的遥感反射率；所述四波段法的光谱波段要求是：光谱波段λ1λ1的光谱波长范围为介于660至690nm之间，光谱波段λ2的光谱波长范围为700至750nm，光谱波段λ3的光谱波长位于近红外波段范围内，且大于730nm；光谱波段λ4λ1的光谱波长范围为介于730至780nm之间；
所述归一化叶绿素a浓度指数法对应的反演公式包括：
Cchla∝[R(λ1)-R(λ2)]/[R(λ1)+R(λ2)]；所述归一化叶绿素a浓度指数法的光谱波段要求是：光谱波段λ1为叶绿素a的吸收峰；且光谱波段λ2为叶绿素a的反射峰；
所述最大叶绿素指数法对应的反演公式包括：
Cchla∝[R(λ2)-[R(λ1)+(λ2-λ1)/(λ3-λ1)*R(λ3)-R(λ1)]]；所述最大叶绿素指数法的光谱波段要求是：光谱波段λ1的光谱波长为681nm，光谱波段λ2的光谱波长为709nm，光谱波段λ3的光谱波长为753nm；
所述Gchl-a指数法对应的反演公式包括：
Cchla∝[R(λ2)/R(λ3)*(0.7+bb)-0.4-bb 1.06]/0.016]；
式中，bb＝1.61*R(λ1)/(0.082-0.6*R(λ1))；bb表示后向散射系数；所述叶绿素a浓度Gchl-a指数法的光谱波段要求是：光谱波段λ1的光谱波长为776nm；光谱波段λ2的光谱波长为704nm；光谱波段λ3的光谱波长为672nm。
可选的，所述根据每种所述反演方法生成至少一种反演因子包括：
根据所述单波段法对应的反演公式Cchla∝R(λ)，得到反演因子为F＝R(λ)；该反演因子的波段要求是：可见光波段、红边波段和近红外波段；
根据所述波段比值法对应的反演公式Cchla∝R(λ1)/R(λ2)，得到反演因子为F＝R(λ1)/R(λ2)；该反演因子的波段要求是：λ1选用红边、近红外和绿波段；λ2选用红波段和蓝波段；
根据所述三波段法对应的反演公式Cchla∝[1/R(λ1)-1/R(λ2)]*R(λ3)，得到反演因子为F＝[1/R(λ1)-1/R(λ2)]*R(λ3)；该反演因子的波段要求是：λ1选用光谱范围介于660-690nm之间；λ2选用光谱范围为700-750nm；λ3的光谱则位于近红外波长范围内，且大于730nm；根据所述四波段法对应的反演公式Cchla∝[1/R(λ1)-1/R(λ2)]/[1/R(λ4)-1/R(λ3)]中，得到反演因子为F＝[1/R(λ1)-1/R(λ2)]/[1/R(λ4)-1/R(λ3)]；该反演因子波段要求是：λ1的光谱范围介于660-690nm之间；λ2的光谱范围一般为700-750nm；λ3的光谱位于近红外波长范围内，且大于730nm；λ4范围介于730-780nm之间；
根据所述归一化叶绿素a浓度指数法对应的反演公式：
Cchla∝[R(λ1)-R(λ2)]/[R(λ1)+R(λ2)]，得到反演因子为F＝[R(λ1)-R(λ2)]/[R(λ1)+R(λ2)]；该反演因子波段要求是：λ1为红边波段、近红外波段；λ2为红波段；
根据所述最大叶绿素指数法对应的反演公式：Cchla∝[R(λ1)-R(λ2)]/[R(λ1)+R(λ2)]，得到反演因子为F＝[R(λ2)-[R(λ1)+(λ2-λ1)/(λ3-λ1)*R(λ3)-R(λ1)]]；该反演因子波段要求是：λ2为709nm波段；λ1为681nm波段；λ3为753nm波段；
根据所述Gchl-a指数法对应的反演公式：
Cchla∝[R(λ2)/R(λ3)*(0.7+bb)-0.4-bb 1.06]/0.016]；
得到反演因子为F＝[R(λ2)/R(λ3)*(0.7+bb)-0.4-bb 1.06]/0.016]；该反演因子波段要求是：λ1为776nm波段；λ2为704nm波段；λ3为红波段。
可选的，所述单波段法的反演因子F＝R(λ)带入相应波段的遥感反射率，得到如下8种反演因子F1至F8：
F1＝R(band2)；式中，R(band2)表示Sentinel-2哨兵二号卫星的B2蓝波段的遥感反射率；
F2＝R(band3)；式中，R(band3)表示Sentinel-2哨兵二号卫星的B3绿波段的遥感反射率；
F3＝R(band4)；式中，R(band4)表示Sentinel-2哨兵二号卫星的B4红波段的遥感反射率；
F4＝R(band5)；式中，R(band5)表示Sentinel-2哨兵二号卫星的B5红边波段的遥感反射率；
F5＝R(band6)；式中，R(band6)表示Sentinel-2哨兵二号卫星的B6红边波段的遥感反射率；
F6＝R(band7)；式中，R(band7)表示Sentinel-2哨兵二号卫星的B7红边波段的遥感反射率；
F7＝R(band8)；式中，R(band8)表示Sentinel-2哨兵二号卫星的B8近红外波段的遥感反射率；F8＝R(band8a)；式中，R(band8a)表示Sentinel-2哨兵二号卫星的B8a窄近红外波段的遥感反射率；
所述波段比值法的反演因子F＝R(λ1)/R(λ2)带入相应波段的遥感反射率，得到如下15种反演因子F9至F23：
F9＝R(band3)/R(band2)；
F10＝R(band5)/R(band4)；
F11＝R(band6)/R(band4)；
F12＝R(band7)/R(band4)；
F13＝R(band8)/R(band4)；
F14＝R(band8a)/R(band4)；
F15＝R(band6)/R(band5)；
F16＝R(band7)/R(band5)；
F17＝R(band8)/R(band5)；
F18＝R(band8a)/R(band5)；
F19＝R(band7)/R(band6)；
F20＝R(band8)/R(band6)；
F21＝R(band8a)/R(band6)；
F22＝R(band8)/R(band7)；
F23＝R(band8a)/R(band7)；
所述三波段法的反演因子F＝[1/R(λ1)-1/R(λ2)]*R(λ3)带入相应波段的遥感反射率，得到如下4种反演因子F24至F27：
F24＝(1/R(band4)-1/R(band5))*R(band6)；
F25＝(1/R(band4)-1/R(band5))*R(band7)；
F26＝(1/R(band4)-1/R(band5))*R(band8)；
F27＝(1/R(band4)-1/R(band5))*R(band8a)；
所述四波段法的反演因子F＝[1/R(λ1)-1/R(λ2)]/[1/R(λ4)-1/R(λ3)]带入相应波段的遥感反射率，得到如下3种反演因子F28至F30：
F28＝(1/R(band4)-1/R(band5))/(1/R(band7)-1/R(band6))；
F29＝(1/R(band4)-1/R(band5))/(1/R(band7)-1/R(band8))；
F30＝(1/R(band4)-1/R(band5))/(1/R(band7)-1/R(band8a))；
所述归一化叶绿素a浓度指数法的反演因子F＝[R(λ1)-R(λ2)]/[R(λ1)+R(λ2)]带入相应波段的遥感反射率，得到如下5种反演因子F31至F35：
F31＝(R(band5)-R(band4))/(R(band5)+R(band4))；
F32＝(R(band6)-R(band4))/(R(band6)+R(band4))；
F33＝(R(band7)-R(band4))/(R(band7)+R(band4))；
F34＝(R(band8)-R(band4))/(R(band8)+R(band4))；
F35＝(R(band8a)-R(band4))/(R(band8a)+R(band4))；
所述Gchl-a指数法的反演因子F＝[R(λ2)/R(λ3)*(0.7+bb)-0.4-bb 1.06]/0.016]带入相应波段的遥感反射率，得到如下1种反演因子F36：
F36＝(R(band5)/R(band4)×(0.7+a)-0.4-bb^1.06)/0.016；
式中，bb＝1.61*R(band7)/(0.082-0.6*R(band7))。
第二方面，本申请提供的水质在线监测方法，采用如下的技术方案：
一种水质在线监测方法，包括：
获取待监测水域的遥感影像；所述遥感影像包括具有设定光谱波段的遥感影像；
对所述遥感影像进行预处理；
根据预处理后的遥感影像，获取设定像元的遥感反射率；
将所述遥感反射率作为反演模型的输入，利用所述反演模型计算输出叶绿素a的反演浓度；所述反演模型为通过如上任一项所述的叶绿素a浓度反演方法中，所构建得到满足反演精度要求的反演模型；所述设定光谱波段为所述反演模型所包含的光谱波段；
基于所述叶绿素a的反演浓度，得到所述待监测水域的水质监测结果。
通过采用上述技术方案，利用构建好的反演模型，可实现对待监测水域的叶绿素a浓度反演和水质监测。
第三方面，本申请提供的水质在线监测系统，采用如下的技术方案：
一种水质在线监测系统，包括：
获取模块，用于获取待监测水域的遥感影像；所述遥感影像包括具有设定光谱波段的遥感影像；
预处理模块，用于对所述遥感影像进行预处理；
处理模块，用于根据预处理后的遥感影像，获取设定像元的遥感反射率；并将所述遥感反射率作为反演模型的输入；
所述反演模型，用于计算输出叶绿素a的反演浓度；所述反演模型为通过如上任一项所述的叶绿素a浓度反演方法中，所构建得到满足反演精度要求的反演模型；所述设定光谱波段为所述反演模型所包含的光谱波段；
结果生成模块，用于基于所述叶绿素a的反演浓度，得到所述待监测水域的水质监测结果。
通过采用上述技术方案，水质在线监测系统利用构建好的反演模型，可实现对待监测水域的叶绿素a浓度反演和水质监测。
第四方面，本申请提供的计算机装置，采用如下的技术方案：
计算机装置，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述水质在线监测方法。
通过采用上述技术方案，提供了能执行实现上述水质在线监测方法的计算机装置。
第五方面，本申请提供的计算机可读存储介质，采用如下的技术方案：
计算机可读存储介质，所述计算机存储介质存储有计算机程序；所述计算机程序被处理器执行时实现上述叶绿素a浓度反演方法或水质在线监测方法。
通过采用上述技术方案，提供了叶绿素a浓度反演方法或水质在线监测方法的计算机程序的载体。
综上所述，本申请包括以下至少有益技术效果：
1.通过多方位、综合地选取叶绿素a浓度反演因子，构建集成因子体系，利用因子分析法筛选出重要反演因子，并结合采样点的叶绿素a浓度的实测数据，构建叶绿素a浓度反演模型；在实际水质在线监测过程中，利用该构建好的反演模型实现叶绿素a浓度反演计算；一方面保证了叶绿素a浓度的准确反演，进而保证了水质监测的精度；另一方面，大大提升了本方案的普适性，可适用于不同水体的叶绿素a浓度反演或水质监测；再一方面，也不需要分析获取复杂的水体参数，因此有利于实现产业化应用。
附图说明
图1是本申请实施例中一种基于集成因子体系的叶绿素a浓度反演方法的流程框图；
图2是本申请实施例中一种水质在线监测方法的流程框图；
图3是本申请实施例中叶绿素a浓度分布示意图；
图4是本申请实施例中水质在线监测系统的结构框体；
图5是本申请实施例中计算机装置的结构框体。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请实施例公开一种基于集成因子体系的叶绿素a浓度反演方法。
参考图1，一种基于集成因子体系的叶绿素a浓度反演方法，包括以下步骤：
S101：构建叶绿素a浓度集成因子体系。
不同水体的水体组成成分和光学特征较为复杂且各不相同，因此所适用的反演方法也存在差异。对此，本实施例中，集成因子体系包括至少两种反演因子；每种反演因子与光谱波段的遥感反射率存在关联关系。
可选的，获取至少两种叶绿素a浓度的反演方法，根据每种反演方法生成至少一种反演因子；从而得到多种反演因子；基于各反演方法对应的反演因子，即可构建得到集成因子体系。通过获取多种叶绿素a浓度的反演方法，可保证集成因子体系的多方位、综合性、全面性，有利于适应不同水体的叶绿素a浓度反演要求，提高模型的普适性。
本申请可选实施例中，反演方法包括但不限于单波段法、波段比值法、三波段法、四波段法、归一化叶绿素a浓度指数法、最大叶绿素指数法和Gchl-a指数法。
其中，单波段法对应的反演公式包括Cchla∝R(λ)；式中，Cchla表示叶绿素a浓度，符号∝表示成正比，R(λ)表示光谱波段λ对应的遥感反射率。
根据单波段法对应的反演公式Cchla∝R(λ)，得到反演因子为F＝R(λ)；具体的，基于Sentinel-2哨兵二号卫星遥感影像，带入相应波段的遥感反射率，可得到如下8种反演因子F1至F8：
F1＝R(band2)；式中，R(band2)表示Sentinel-2哨兵二号卫星的B2蓝波段的遥感反射率；
F2＝R(band3)；式中，R(band3)表示Sentinel-2哨兵二号卫星的B3绿波段的遥感反射率；
F3＝R(band4)；式中，R(band4)表示Sentinel-2哨兵二号卫星的B4红波段的遥感反射率；
F4＝R(band5)；式中，R(band5)表示Sentinel-2哨兵二号卫星的B5红边波段的遥感反射率；
F5＝R(band6)；式中，R(band6)表示Sentinel-2哨兵二号卫星的B6红边波段的遥感反射率；
F6＝R(band7)；式中，R(band7)表示Sentinel-2哨兵二号卫星的B7红边波段的遥感反射率；
F7＝R(band8)；式中，R(band8)表示Sentinel-2哨兵二号卫星的B8近红外波段的遥感反射率；F8＝R(band8a)；式中，R(band8a)表示Sentinel-2哨兵二号卫星的B8a窄近红外波段的遥感反射率。
波段比值法对应的反演公式包括Cchla∝R(λ1)/R(λ2)；式中，R(λ1)表示光谱波段λ1对应的遥感反射率，R(λ2)表示光谱波段λ2对应的遥感反射率。
根据波段比值法对应的反演公式Cchla∝R(λ1)/R(λ2)，得到反演因子为F＝R(λ1)/R(λ2)；具体的，基于Sentinel-2哨兵二号卫星遥感影像，带入相应波段的遥感反射率，可得到如下15种反演因子F9至F23：
F9＝R(band3)/R(band2)；
F10＝R(band5)/R(band4)；
F11＝R(band6)/R(band4)；
F12＝R(band7)/R(band4)；
F13＝R(band8)/R(band4)；
F14＝R(band8a)/R(band4)；
F15＝R(band6)/R(band5)；
F16＝R(band7)/R(band5)；
F17＝R(band8)/R(band5)；
F18＝R(band8a)/R(band5)；
F19＝R(band7)/R(band6)；
F20＝R(band8)/R(band6)；
F21＝R(band8a)/R(band6)；
F22＝R(band8)/R(band7)；
F23＝R(band8a)/R(band7)。
其中，三波段法对应的反演公式包括Cchla∝[1/R(λ1)-1/R(λ2)]*R(λ3)；式中，R(λ3)表示光谱波段λ3对应的遥感反射率。
根据三波段法对应的反演公式Cchla∝[1/R(λ1)-1/R(λ2)]*R(λ3)，得到反演因子为F＝[1/R(λ1)-1/R(λ2)]*R(λ3)；具体的，基于Sentinel-2哨兵二号卫星遥感影像，带入相应波段的遥感反射率，可得到如下4种反演因子F24至F27：
F24＝(1/R(band4)-1/R(band5))*R(band6)；
F25＝(1/R(band4)-1/R(band5))*R(band7)；
F26＝(1/R(band4)-1/R(band5))*R(band8)；
F27＝(1/R(band4)-1/R(band5))*R(band8a)。
其中，四波段法对应的反演公式包括Cchla∝[1/R(λ1)-1/R(λ2)]/[1/R(λ4)-1/R(λ3)]；式中，R(λ4)表示光谱波段λ4对应的遥感反射率。
根据四波段法对应的反演公式Cchla∝[1/R(λ1)-1/R(λ2)]/[1/R(λ4)-1/R(λ3)]，得到反演因子为F＝[1/R(λ1)-1/R(λ2)]/[1/R(λ4)-1/R(λ3)]；具体的，基于Sentinel-2哨兵二号卫星遥感影像，带入相应波段的遥感反射率，可得到如下3种反演因子F28至F30：
F28＝(1/R(band4)-1/R(band5))/(1/R(band7)-1/R(band6))；
F29＝(1/R(band4)-1/R(band5))/(1/R(band7)-1/R(band8))；
F30＝(1/R(band4)-1/R(band5))/(1/R(band7)-1/R(band8a))。
其中，归一化叶绿素a浓度指数法对应的反演公式包括
Cchla∝[R(λ1)-R(λ2)]/[R(λ1)+R(λ2)]。
根据归一化叶绿素a浓度指数法对应的反演公式Cchla∝[R(λ1)-R(λ2)]/[R(λ1)+R(λ2)]，得到反演因子为F＝[R(λ1)-R(λ2)]/[R(λ1)+R(λ2)]；具体的，基于Sentinel-2哨兵二号卫星遥感影像，带入相应波段的遥感反射率，可得到如下5种反演因子F31至F35：
F31＝(R(band5)-R(band4))/(R(band5)+R(band4))；
F32＝(R(band6)-R(band4))/(R(band6)+R(band4))；
F33＝(R(band7)-R(band4))/(R(band7)+R(band4))；
F34＝(R(band8)-R(band4))/(R(band8)+R(band4))；
F35＝(R(band8a)-R(band4))/(R(band8a)+R(band4))。
其中，Gchl-a指数法对应的反演公式包括：
Cchla∝[R(λ2)/R(λ3)*(0.7+bb)-0.4-bb 1.06]/0.016]；
式中，bb＝1.61*R(λ1)/(0.082-0.6*R(λ1))；bb表示后向散射系数。
根据Gchl-a指数法对应的反演公式Cchla∝[R(λ2)/R(λ3)*(0.7+bb)-0.4-bb 1.06]/0.016]，得到反演因子为F＝[R(λ2)/R(λ3)*(0.7+bb)-0.4-bb 1.06]/0.016]；具体的，基于Sentinel-2哨兵二号卫星遥感影像，带入相应波段的遥感反射率，可得到如下1种反演因子F36：
F36＝(R(band5)/R(band4)×(0.7+a)-0.4-bb^1.06)/0.016；
式中，bb＝1.61*R(band7)/(0.082-0.6*R(band7))。
需要说明的是，单波段法利用的是基于叶绿素a在绿波段、近红外波段具有较高反射，在蓝、红波段具有吸收的光谱特征，该方法简便，应用较为广泛。单波段法的基本原理是基于统计分析的原理寻找最优波长，并建立叶绿素a浓度与该波长处的遥感反射率的定量关系。在本申请可选实施例中，可以不考虑光谱特征选择波段。
波段比值法基于叶绿素a在绿波段、近红外波段具有反射峰，其中在近红外波段反射率较高，在蓝波段、红波段具有吸收谷的反射特征，在叶绿素a浓度反演中被广泛应用。采用反射峰和吸收谷两波段反射率之比，通过比值运算扩大强、弱反射率波段的差距，达到突出叶绿素a的反射特征的作用。在本申请可选实施例中，可以不考虑光谱特征采用其他波段组合进行比值。
三波段法利用的是，在红波段有色可溶性有机物、非色素颗粒物等的吸收作用减弱，同时叶绿素a在675nm波段附近具有很强的吸收峰的特性。第一波段位于叶绿素a吸收峰附近，对叶绿素a吸收最敏感，第二波段将有色可溶性有机物和非色素颗粒物的影响降至最小，第三波段纯水吸收占主导，以消除后向散射的影响。
对于高度浑浊的水体，由于水体中悬浮物在近红外波段具有明显的吸收和散射，同时纯水在近红外波段也具有很强的吸收，直接影响了三波段算法的反演精度。为解决上述问题，引入一个近红外波段处的第四波段，形成了四波段法。通过增加第四波段，减少悬浮物颗粒、纯水吸收及浑浊水体较高的后向散射的影响。
基于叶绿素a在665-675nm附近具有吸收峰，在700nm附近具有反射峰的特性，提出归一化叶绿素a浓度指数法，采用叶绿素a的反射峰和吸收峰归一化的形式，部分消除由于太阳高度角的变化、大气辐射等因素所带来的影响，也在一定程度减少了其他水体组分的影响。
基于在672nm、704nm波段，水中浮游植物、沉积物、无机颗粒等吸收可忽略不计，叶绿素a在704nm波段具有较高反射，在672nm波段具有较强吸收特点，以辐射传输模型为基本依据，提出Gchl-a指数法。Gchl-a指数法通过使用704nm和672nm的反射率比值，最大限度地减少了溶解性有机质和无机颗粒的强吸收的干扰，通过引入近红外波段776nm计算后向散射系数，矫正了泥沙、浮游植物等较大变化的大气散射。
应用荧光峰左右两侧通道离水辐射量为基线，计算荧光通道的离水辐射量与基线之间的距离，可用来反映叶绿素a浓度。由于随叶绿素a浓度的增大会导致荧光峰出现向红外方向移动的“红移现象”，荧光峰可移动到709nm附近，故基于基线荧光高度法和叶绿素a的红移效应，提出最大叶绿素a指数(Maximum Chlorophyll Index，MCI)法。具体的，以681nm和753nm通道的离水辐亮度的连线为基线，计算709nm通道在基线之上的离水辐亮度，称为最大叶绿素指数，与蓝藻优势型水体的叶绿素浓度有很好的正相关。
在本申请其他可选实施例中，采用的遥感影像数据除了实施例中提到的哨兵二号卫星遥感影像数据外，还可以使用Landsat系列、高分系列、MODIS、哨兵三号和北京系列等商业卫星数据。
S102：根据设置在待监测水域的若干采样点，获取各采样点采样得到的叶绿素a实际浓度。
本申请实施例中，各采样点的采样时间与后续步骤S103中遥感影像的拍摄时间之间的时间差值，保证在设定时间阈值范围内。使得实际采样时间与遥感影像的拍摄时间接近或同步，避免时间变化带来的数据误差。其中，设定时间阈值可根据实际需求灵活设置，尽可能保证采样时间与遥感影像的拍摄时间接近或同步。
基于设置采样点得到待监测水域的叶绿素a实际浓度，可采用现有任意方式，在此不再赘述。
S103：获取待监测水域的遥感影像。
本申请实施例中，遥感影像应当包括目标光谱波段的遥感影像；目标光谱波段也即是与集成因子体系中各反演因子存在关联关系的光谱波段。从而可根据相应光谱波段的遥感影像提取遥感反射率，用于计算反演因子。
S104：对遥感影像进行预处理。
本申请实施例中，对遥感影像进行预处理主要是满足提取遥感反射率的要求。
以Sentinel-2哨兵二号卫星Level-1C级别的遥感影像为例，需要对其进行预处理，以转换为Level-2A级别的遥感影像，Level-2A级别的遥感影像为经过辐射定标和大气校正的反射率数据。其中，Level-1C级别转换为Level-2A级别的方式可以采用现有任意方式，例如欧洲航天局ESA发布的专门生产L2A级别数据的插件Sen2cor。
应当理解的是，预处理方式包括但不限于几何校正、辐射校正；其中辐射校正包含辐射定标和大气校正。在本申请可选实施例中，大气校正方法可选用MODTRAN4+辐射传输模型进行大气校正，以去除遥感成像时水蒸气及气溶胶散射效应，同时基于像素级的校正，校正目标像元和邻近像元交叉辐射的邻近效应；之后进行重采样、波段合成、投影转换等预处理。各种预处理方式可以采用现有任意方式，对此不做限制。
应当说明的是，无论是在构建反演模型过程中获取的遥感影像，还是后续监测过程中获取的遥感影像，均应当保证所获取的遥感影像未受到云、阴影等干扰，保证数据的准确性。
S105：在经预处理后的遥感影像中，确定与各采样点位置对应的目标像元，提取目标像元在各目标光谱波段上的遥感反射率。
确定与采样点位置对应的目标像元，可根据采样点经纬度信息，确定该经纬度位置处的像元作为目标像元。
S106：根据目标像元在各目标光谱波段上的遥感反射率，计算目标像元的各种反演因子数值。
以反演因子F1＝R(band2)为例，根据目标像元在目标光谱波段band2上的遥感反射率R(band2)，即可得到该反演因子F1的数值R(band2)。
S107：基于各目标像元对应的各种反演因子数值，利用因子分析法提取重要反演因子。
本申请可选实施例中，获取目标像元的叶绿素a浓度反演因子，采用因子分析方法提取能最大程度上解释叶绿素a浓度的反演因子，以达到重要反演因子筛选的目的。在进行反演因子筛选时，首先对各反演因子进行数据标准化处理，去除量纲；基于因子分析的已知分析过程，按照特征值大于1的原则提取主成分，并根据各主成分的因子载荷矩阵，选取载荷系数大于0.5的反演因子作为重要反演因子。
S108：将采样点采样得到的叶绿素a实际浓度作为因变量，重要反演因子作为自变量，构建反演模型。
本申请可选实施例中，采用逐步回归算法构建反演模型，能够筛选较优自变量参与建模，可提高反演模型的反演精度。
其中3/4的采样点数据用于模型的构建，剩余1/4的采样点数据，则用于模型反演精度的交叉验证。
可通过如下公式对反演结果进行精度评价。
S109：筛选出满足反演精度要求的反演模型；利用该反演模型实现水体叶绿素a浓度的反演。
反演精度要求可根据实际需求灵活设置，例如设置为70％-100％，对此不做限制。
本申请实施例通过多方位、综合的选取叶绿素a浓度反演因子，构建集成因子体系，充分的利用了遥感数据的波段信息，形成一套反演因子集成体系，并结合实测数据筛选出重要反演因子用以构建反演模型，以实现叶绿素a浓度的反演。该反演因子集成体系能够较为全面地反映叶绿素a浓度的反射特性，有利于挖掘叶绿素a浓度变化与影像反射率之间的关系，因此本申请实施例能有效提升叶绿素a浓度反演精度，克服采用单一反演因子或几种反演因子建模，存在模型反演精度较低的缺点。同时能够满足不同水域构建适合的反演模型的需求，解决了当前反演模型普适性差的问题。此外，本申请实施例只需要遥感影像数据和实测叶绿素a浓度数据，便可进行水体叶绿素a浓度的反演，使得水质监测应用较为简便、快速，有利于产业化应用。
基于上述方法构建得到叶绿素a浓度的反演模型之后，本申请实施例公开一种水质在线监测方法。目前我国内陆水体的富营养化问题仍面临巨大挑战，相关卫星可以提供宏观区域、实时的遥感影像数据信息；本实施例通过获取卫星遥感影像，基于叶绿素a浓度与卫星遥感影像的影像参数之间关联关系的有效分析挖掘，可以实现水体中叶绿素a浓度的反演，进而实现水体水质的监测，有利于及时发现水体污染问题，对解决水体富营养化问题和水体水质提升具有重要作用。
参考图2，一种水质在线监测方法包括以下步骤：
S201：获取待监测水域的遥感影像；遥感影像包括属于设定光谱波段的遥感影像。
基于此，本实施例首先获取遥感影像，通过对遥感影像的处理和参数提取，实现叶绿素a浓度的反演。
应当理解的是，遥感影像应当包含对待监测水域的至少部分影像，基于该至少部分影像体现出的遥感参数特性，实现该水域叶绿素a浓度的反演。当然，遥感影像最好包含待监测水域的全部影像，这样有利于获取到该待监测水域更全面的遥感参数特性。
需要说明的是，本申请实施例中可按照反演模型所包含的光谱波段作为设定光谱波段，这样只需要获取对应设定光谱波段的遥感影像，而不用获取全部波段的遥感影像。
例如，以Sentinel-2哨兵二号卫星为例，总共有13个光谱波段，我们根据反演模型，若只需获取其中几个设定光谱波段的遥感影像，一方面可以实现叶绿素a浓度的准确反演，另一方面可以减少数据量的处理。
在本申请可选实施例中，可根据接收到的监测指令，触发获取遥感影像，实现水质监测。例如，监测站工作人员根据实际需求，主动下发监测指令，触发水质监测。或者预设监测周期，每个监测周期触发一次水质监测。从而更好地满足在线监测需求。
S202：对遥感影像进行预处理。
预处理方式同前所述，在此不再赘述。
S203：根据预处理后的遥感影像，获取设定像元的遥感反射率。
设定像元可根据实际需求灵活设置。
S204：将遥感反射率数据作为反演模型的输入，利用反演模型计算输出叶绿素a的反演浓度。
应当理解的是，反演模型包含叶绿素a浓度与相关遥感反射率之间的映射关系；将待监测水域遥感反射率数据作为输入，反演模型即可对应输出叶绿素a浓度的反演浓度。本申请实施例中，反演模型通过上述叶绿素a浓度反演方法构建得到；其中反演模型中所包含的光谱波段作为上述设定光谱波段。
S205：基于叶绿素a的反演浓度，得到待监测水域的水质监测结果。
在本申请可选实施例中，将叶绿素a的反演浓度作为水质监测结果的一个重要指标，以对包含该叶绿素a反演浓度的水质监测结果直接进行输出展示。水质监测的工作人员基于该水质监测结果，对待监测水域的水质状况将有一个初步的判断，达到水质监测预警的目的。
为了更准确地反映待监测水域的水质状况，在本申请可选实施例中，在得到叶绿素a反演浓度的基础上，进一步获取水体中其他组成成分，进行综合全面的分析，最终达到体现水质状况的水质监测结果。其中，水体中其他可影响水质状况的组成成分包括但不限于总氮TN(Total Nitrogen)、总磷TP(Total Phosphorus)、化学需氧量COD(ChemicalOxygen Demand)、悬浮颗粒浓度等。
应当理解的是，基于水体中的叶绿素a浓度作为一个指标实现水质状况评估的方式，可以采用现有任意方式，本实施例对此不做限制。
在本申请可选实施例中，还可基于各像元的叶绿素a浓度反演结果，制作待监测水域的叶绿素a浓度分布图；进一步的，可对不同叶绿素a浓度进行分级，不同等级的叶绿素a浓度通过不同的颜色表示，从而制得待监测水域的叶绿素a浓度分布图。参考图3所示。
洱海地处云南省大理白族自治州中心地带，是云南省第二大淡水湖泊，跨洱源、大理两县市，是沿湖人民生活、灌溉、工业用水的主要水源。随着社会经济的发展，以及人类活动干扰的不断加剧，洱海的水体富营养化逐渐明显。因此以洱海为研究区，结合图表和具体实施方式对本发明作进一步详细的说明，但不应理解为对本发明的限定。
步骤一：获取研究区遥感影像并进行预处理
选择Sentinel-2哨兵二号遥感影像作为数据源，并获取了研究区的Sentinel-2的L1C级别的产品数据。该影像数据的空间分辨率为10m，包括13个波段，参见如下表1所示。由于L1C级别的产品数据完成了几何校正的处理，在此基础上进行辐射定标和大气校正处理，其中大气校正方法可选用MODTRAN4+辐射传输模型进行大气校正，以去除遥感成像时水蒸气及气溶胶散射效应，同时基于像素级的校正，校正目标像元和邻近像元交叉辐射的邻近效应；之后进行重采样、波段合成、投影转换等预处理。
表1Sentinel-2波段参数
步骤二：实测数据获取与筛选
基于均匀分布的原则，在洱海共布设了19个采样点，获取了包含叶绿素a浓度和经纬度的实测数据，对数据进行了奇异值的筛查，并利用同步的Sentinel-2影像查看实测点位是否受到云、阴影等干扰。经人工确认后获取的实测点位数据不存在奇异值，且都没有受到云、阴影等的干扰，表明实测数据全部可用。
步骤三：多方位、综合构建叶绿素a浓度反演集成因子体系
根据集成因子体系中包含的单波段、波段比值、三波段、四波段、归一化叶绿素a浓度指数、最大叶绿素指数、Gchl-a指数等方法的计算公式及波段要求，通过对比选择Sentinel-2的合适波段构建叶绿素a浓度反演因子共36个(如表2所示)，形成基于Sentinel-2的叶绿素a浓度反演集成因子体系，具体构建方法如下。
表3基于Sentinel-2的叶绿素a浓度反演因子
步骤四：基于因子分析的叶绿素a浓度重要反演因子初筛
获取叶绿素a浓度实测数据，根据实测样本点的经纬度信息，利用IDL(Interactive Data Language)程序提取影像上对应实测点位置的多波段的反射率数据，并根据反演因子公式计算实测样本点对应的叶绿素a浓度反演因子。采用因子分析方法提取能最大程度上解释原始因子集成体系的叶绿素a浓度反演因子，以达到重要反演因子筛选的目的。在进行因子筛选时，首先对各反演因子进行数据标准化处理，按照特征值大于1的原则提取主成分，并根据各主成分的因子载荷矩阵，选取载荷系数大于0.5的反演因子作为重要反演因子。
步骤五：基于逐步回归的叶绿素a浓度反演模型构建
将实测样本点的叶绿素a浓度数据作为因变量，重要反演因子数据作为自变量构建反演模型，其中3/4的实测点数据用于模型的构建，剩余1/4的实测点数据则用于模型反演精度的交叉验证。此外，构建叶绿素a浓度反演模型时采用逐步回归法，并基于下列公式对反演结果进行精度评价：
式中，δ表示反演精度，N表示反演浓度值，L为实际采样浓度值。
根据模型反演精度和普适性程度，对所有反演模型进行综合对比，选取如下模型作为洱海叶绿素a浓度的反演模型，反演精度如下表3所示：
y＝0.0338432-0.00003596*F2+0.0378307*F24
式中，y表示叶绿素a的反演浓度。
表3叶绿素a浓度反演精度表
步骤六：基于遥感影像的叶绿素a反演浓度进行制图
将所得的最优叶绿素a浓度反演模型应用于遥感影像，反演获得整个研究区的叶绿素a浓度空间分布结果，对研究区叶绿素a浓度进行分级，并制作浓度分布图，继续参考图3所示。
步骤七：基于构建的反演模型实现其他时相叶绿素a浓度反演将上述构建得到的反演模型应用到洱海其他时相的影像上，进行叶绿素a浓度反演，并使用对应时间的叶绿素a浓度实测数据对结果进行精度评价，反演精度如下表4所示。
表4其他时相叶绿素a浓度的反演精度表
基于同一设计构思，本实施例还公开一种水质在线监测系统。
参考图4，一种水质在线监测系统，包括：
获取模块41，用于获取待监测水域的遥感影像；遥感影像包括具有设定光谱波段的遥感影像。
预处理模块42，用于对遥感影像进行预处理。
处理模块43，用于根据预处理后的遥感影像，获取遥感反射率；并将遥感反射率作为反演模型44的输入。
反演模型44，用于计算输出叶绿素a的反演浓度。
结果生成模块45，用于基于叶绿素a的反演浓度，得到待监测水域的水质监测结果。
应当理解的是，本申请实施例所提供的水质在线监测系统可用于实现上述水质在线监测方法的具体步骤，水质在线监测系统各模块的功能，具体可参见以上水质在线监测方法所描述的具体步骤，在此不再赘述。
本申请还提供一种计算机可读存储介质，存储有能够被处理器加载执行时实现上述叶绿素a浓度反演方法或水质在线监测方法的步骤。
所述计算机可读存储介质例如包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
基于同一发明构思，本申请实施例提供一种计算机装置，参考图5，包括存储器52和处理器51，存储器52上存储有能够被处理器51加载并执行上述叶绿素a浓度反演方法或水质在线监测方法的计算机程序。
所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，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，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，在本申请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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以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，本申请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全部或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)或处理器(processor)执行本申请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、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以对本申请的技术方案进行了详细介绍，但以上实施例的说明只是用于帮助理解本申请的方法及其核心思想，不应理解为对本申请的限制。本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。
Claims (9)
1.一种基于集成因子体系的叶绿素a浓度反演方法，其特征在于，所述叶绿素a浓度反演方法包括：
构建叶绿素a浓度反演集成因子体系；所述集成因子体系包括至少两种反演因子；
根据设置在所述待监测水域的若干采样点，获取各所述采样点采样得到的叶绿素a实际浓度；获取所述待监测水域的遥感影像，且所述遥感影像的拍摄时间与各所述采样点的采样时间之间的时间差值，在设定时间阈值范围内；且所述遥感影像包括具有目标光谱波段的遥感影像；所述目标光谱波段包括与所述集成因子体系中各反演因子存在关联关系的光谱波段；
对所述遥感影像进行预处理；
在经预处理后的遥感影像中，确定与各所述采样点位置对应的目标像元，提取所述目标像元在各所述目标光谱波段上的遥感反射率；
根据所述目标像元在各所述目标光谱波段上的遥感反射率，计算所述目标像元的各种反演因子数值；
基于各所述目标像元对应的各种所述反演因子数值，利用因子分析法提取重要反演因子；
将所述采样点采样得到的叶绿素a实际浓度作为因变量，所述重要反演因子作为自变量，构建反演模型；
筛选出满足反演精度要求的反演模型，利用所述反演模型实现水体叶绿素a浓度的反演。
2.根据权利要求1所述的叶绿素a浓度反演方法，其特征在于，所述构建反演模型包括：采用逐步回归算法构建所述反演模型。
3.根据权利要求1所述的叶绿素a浓度反演方法，其特征在于，所述预处理包括几何校正、辐射校正；使得经所述预处理后，可获取所述设定像元在所述设定光谱波段上的遥感反射率。
4.根据权利要求1至3任一项所述的叶绿素a浓度反演方法，其特征在于，所述构建叶绿素a浓度反演集成因子体系包括：
获取至少两种叶绿素a浓度的反演方法，根据每种所述反演方法生成至少一种反演因子；基于各种所述反演方法对应的所述反演因子构建得到所述集成因子体系。
5.根据权利要求4所述的叶绿素a浓度反演方法，其特征在于，所述反演方法包括单波段法、波段比值法、三波段法、四波段法、归一化叶绿素a浓度指数法、最大叶绿素指数法和Gchl-a指数法；
所述单波段法对应的反演公式包括：Cchla∝R(λ)；式中，Cchla表示叶绿素a浓度，符号∝表示成正比，R(λ)表示光谱波段λ对应的遥感反射率；所述单波段法的光谱波段要求是：光谱波段λ为可见光波段、红边波段、近红外波段；
所述波段比值法对应的反演公式包括：Cchla∝R(λ1)/R(λ2)；式中，R(λ1)表示光谱波段λ1对应的遥感反射率，R(λ2)表示光谱波段λ2对应的遥感反射率；所述波段比值法的光谱波段要求是：光谱波段λ1为近红外波段、红边波段、绿波段；且光谱波段λ2为红波段、蓝波段；
所述三波段法对应的反演公式包括：Cchla∝[1/R(λ1)-1/R(λ2)]*R(λ3)；式中，R(λ3)表示光谱波段λ3对应的遥感反射率；所述三波段法的光谱波段要求是：光谱波段λ1λ1的光谱波长范围为介于660至690nm之间，光谱波段λ2的光谱波长范围为700至750nm，光谱波段λ3的光谱波长位于近红外波段范围内，且大于730nm；
所述四波段法对应的反演公式包括：Cchla∝[1/R(λ1)-1/R(λ2)]/[1/R(λ4)-1/R(λ3)]；式中，R(λ4)表示光谱波段λ4对应的遥感反射率；所述四波段法的光谱波段要求是：光谱波段λ1λ1的光谱波长范围为介于660至690nm之间，光谱波段λ2的光谱波长范围为700至750nm，光谱波段λ3的光谱波长位于近红外波段范围内，且大于730nm；光谱波段λ4λ1的光谱波长范围为介于730至780nm之间；
所述归一化叶绿素a浓度指数法对应的反演公式包括：
Cchla∝[R(λ1)-R(λ2)]/[R(λ1)+R(λ2)]；所述归一化叶绿素a浓度指数法的光谱波段要求是：光谱波段λ1为叶绿素a的吸收峰；且光谱波段λ2为叶绿素a的反射峰；
所述最大叶绿素指数法对应的反演公式包括：
Cchla∝[R(λ2)-[R(λ1)+(λ2-λ1)/(λ3-λ1)*R(λ3)-R(λ1)]]；所述最大叶绿素指数法的光谱波段要求是：光谱波段λ1的光谱波长为681nm，光谱波段λ2的光谱波长为709nm，光谱波段λ3的光谱波长为753nm；
所述Gchl-a指数法对应的反演公式包括：
Cchla∝[R(λ2)/R(λ3)*(0.7+bb)-0.4-bb 1.06]/0.016]；
式中，bb＝1.61*R(λ1)/(0.082-0.6*R(λ1))；bb表示后向散射系数；所述叶绿素a浓度Gchl-a指数法的光谱波段要求是：光谱波段λ1的光谱波长为776nm；光谱波段λ2的光谱波长为704nm；光谱波段λ3的光谱波长为672nm。
6.根据权利要求5所述的叶绿素a浓度反演方法，其特征在于，所述根据每种所述反演方法生成至少一种反演因子包括：
根据单波段法对应的反演公式Cchla∝R(λ)，得到反演因子为F＝R(λ)；该反演因子的波段要求是：可见光波段、红边波段和近红外波段；
根据所述波段比值法对应的反演公式Cchla∝R(λ1)/R(λ2)，得到反演因子为F＝R(λ1)/R(λ2)；该反演因子的波段要求是：λ1选用红边、近红外和绿波段；λ2选用红波段和蓝波段；根据所述三波段法对应的反演公式Cchla∝[1/R(λ1)-1/R(λ2)]*R(λ3)，得到反演因子为F＝[1/R(λ1)-1/R(λ2)]*R(λ3)；该反演因子的波段要求是：λ1选用光谱范围介于660-690nm之间；λ2选用光谱范围为700-750nm；λ3的光谱则位于近红外波长范围内，且大于730nm；根据所述四波段法对应的反演公式Cchla∝[1/R(λ1)-1/R(λ2)]/[1/R(λ4)-1/R(λ3)]，得到反演因子为F＝[1/R(λ1)-1/R(λ2)]/[1/R(λ4)-1/R(λ3)]；该反演因子波段要求是：λ1的光谱范围介于660-690nm之间；λ2的光谱范围一般为700-750nm；λ3的光谱位于近红外波长范围内，且大于730nm；λ4范围介于730-780nm之间；
根据所述归一化叶绿素a浓度指数法对应的反演公式：
Cchla∝[R(λ1)-R(λ2)]/[R(λ1)+R(λ2)]，得到反演因子为F＝[R(λ1)-R(λ2)]/[R(λ1)+R(λ2)]；该反演因子波段要求是：λ1为红边波段、近红外波段；λ2为红波段；
根据所述最大叶绿素指数法对应的反演公式：Cchla∝[R(λ1)-R(λ2)]/[R(λ1)+R(λ2)]，得到反演因子为F＝[R(λ2)-[R(λ1)+(λ2-λ1)/(λ3-λ1)*R(λ3)-R(λ1)]]；该反演因子波段要求是：λ2为709nm波段；λ1为681nm波段；λ3为753nm波段；
根据Gchl-a指数法对应的反演公式：Cchla∝[R(λ2)/R(λ3)*(0.7+bb)-0.4-bb 1.06]/0.016]，得到反演因子为F＝[R(λ2)/R(λ3)*(0.7+bb)-0.4-bb 1.06]/0.016]；该反演因子波段要求是：λ1为776nm波段；λ2为704nm波段；λ3为红波段。
7.根据权利要求6所述的叶绿素a浓度反演方法，其特征在于，所述单波段法的反演因子F＝R(λ)带入相应波段的遥感反射率，得到如下8种反演因子F1至F8：
F1＝R(band2)；式中，R(band2)表示Sentinel-2哨兵二号卫星的B2蓝波段的遥感反射率；
F2＝R(band3)；式中，R(band3)表示Sentinel-2哨兵二号卫星的B3绿波段的遥感反射率；
F3＝R(band4)；式中，R(band4)表示Sentinel-2哨兵二号卫星的B4红波段的遥感反射率；
F4＝R(band5)；式中，R(band5)表示Sentinel-2哨兵二号卫星的B5红边波段的遥感反射率；
F5＝R(band6)；式中，R(band6)表示Sentinel-2哨兵二号卫星的B6红边波段的遥感反射率；
F6＝R(band7)；式中，R(band7)表示Sentinel-2哨兵二号卫星的B7红边波段的遥感反射率；
F7＝R(band8)；式中，R(band8)表示Sentinel-2哨兵二号卫星的B8近红外波段的遥感反射率；
F8＝R(band8a)；式中，R(band8a)表示Sentinel-2哨兵二号卫星的B8a窄近红外波段的遥感反射率；
所述波段比值法的反演因子F＝R(λ1)/R(λ2)带入相应波段的遥感反射率，得到如下15种反演因子F9至F23：
F9＝R(band3)/R(band2)；
F10＝R(band5)/R(band4)；
F11＝R(band6)/R(band4)；
F12＝R(band7)/R(band4)；
F13＝R(band8)/R(band4)；
F14＝R(band8a)/R(band4)；
F15＝R(band6)/R(band5)；
F16＝R(band7)/R(band5)；
F17＝R(band8)/R(band5)；
F18＝R(band8a)/R(band5)；
F19＝R(band7)/R(band6)；
F20＝R(band8)/R(band6)；
F21＝R(band8a)/R(band6)；
F22＝R(band8)/R(band7)；
F23＝R(band8a)/R(band7)；
所述三波段法的反演因子F＝[1/R(λ1)-1/R(λ2)]*R(λ3)带入相应波段的遥感反射率，得到如下4种反演因子F24至F27：
F24＝(1/R(band4)-1/R(band5))*R(band6)；
F25＝(1/R(band4)-1/R(band5))*R(band7)；
F26＝(1/R(band4)-1/R(band5))*R(band8)；
F27＝(1/R(band4)-1/R(band5))*R(band8a)；
所述四波段法的反演因子F＝[1/R(λ1)-1/R(λ2)]/[1/R(λ4)-1/R(λ3)]带入相应波段的遥感反射率，得到如下3种反演因子F28至F30：
F28＝(1/R(band4)-1/R(band5))/(1/R(band7)-1/R(band6))；
F29＝(1/R(band4)-1/R(band5))/(1/R(band7)-1/R(band8))；
F30＝(1/R(band4)-1/R(band5))/(1/R(band7)-1/R(band8a))；
所述归一化叶绿素a浓度指数法的反演因子F＝[R(λ1)-R(λ2)]/[R(λ1)+R(λ2)]带入相应波段的遥感反射率，得到如下5种反演因子F31至F35：
F31＝(R(band5)-R(band4))/(R(band5)+R(band4))；
F32＝(R(band6)-R(band4))/(R(band6)+R(band4))；
F33＝(R(band7)-R(band4))/(R(band7)+R(band4))；
F34＝(R(band8)-R(band4))/(R(band8)+R(band4))；
F35＝(R(band8a)-R(band4))/(R(band8a)+R(band4))；
所述Gchl-a指数法的反演因子F＝[R(λ2)/R(λ3)*(0.7+bb)-0.4-bb 1.06]/0.016]带入相应波段的遥感反射率，得到如下1种反演因子F36：
F36＝(R(band5)/R(band4)×(0.7+a)-0.4-bb^1.06)/0.016；
式中，bb＝1.61*R(band7)/(0.082-0.6*R(band7))。
8.一种水质在线监测方法，其特征在于，所述水质在线监测方法包括：
获取待监测水域的遥感影像；所述遥感影像包括具有设定光谱波段的遥感影像；
对所述遥感影像进行预处理；
根据预处理后的遥感影像，获取设定像元的遥感反射率；
将所述遥感反射率作为反演模型的输入，利用所述反演模型计算输出叶绿素a反演浓度；所述反演模型为通过如上权利要求1至7任一项所述的叶绿素a浓度反演方法中，所构建得到满足反演精度要求的反演模型；所述设定光谱波段为所述反演模型所包含的光谱波段；
基于所述叶绿素a的反演浓度，得到所述待监测水域的水质监测结果。
9.一种水质在线监测系统，其特征在于，包括：
获取模块，用于获取待监测水域的遥感影像；所述遥感影像包括具有设定光谱波段的遥感影像；
预处理模块，用于对所述遥感影像进行预处理；
处理模块，用于根据预处理后的遥感影像，获取设定像元的遥感反射率；并将所述遥感反射率作为反演模型的输入；
所述反演模型，用于计算输出叶绿素a的反演浓度；所述反演模型为通过如上权利要求1至7任一项所述的叶绿素a浓度反演方法中，所构建得到满足反演精度要求的反演模型；所述设定光谱波段为所述反演模型所包含的光谱波段；
结果生成模块，用于基于所述叶绿素a的反演浓度，得到所述待监测水域的水质监测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211686559.5A CN116067897B (zh) | 2022-12-27 | 2022-12-27 | 一种基于集成因子体系的叶绿素a浓度反演方法、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211686559.5A CN116067897B (zh) | 2022-12-27 | 2022-12-27 | 一种基于集成因子体系的叶绿素a浓度反演方法、系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116067897A true CN116067897A (zh) | 2023-05-05 |
| CN116067897B CN116067897B (zh) | 2024-02-09 |
Family
ID=86169255
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211686559.5A Active CN116067897B (zh) | 2022-12-27 | 2022-12-27 | 一种基于集成因子体系的叶绿素a浓度反演方法、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116067897B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0830765A (ja) * | 1994-07-14 | 1996-02-02 | Toyo Constr Co Ltd | 水域モニタリングシステム |
| CN108956505A (zh) * | 2018-09-18 | 2018-12-07 | 航天信德智图（北京）科技有限公司 | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 |
| 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 |
| CN112131746A (zh) * | 2020-09-24 | 2020-12-25 | 中国科学院空天信息创新研究院 | 叶绿素a浓度反演方法及系统 |
| CN112504979A (zh) * | 2020-11-12 | 2021-03-16 | 内蒙古工业大学 | 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 |
| CN115080905A (zh) * | 2022-06-07 | 2022-09-20 | 昆明理工大学 | 一种高原湖泊叶绿素a浓度遥感反演方法 |
-
2022
- 2022-12-27 CN CN202211686559.5A patent/CN116067897B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0830765A (ja) * | 1994-07-14 | 1996-02-02 | Toyo Constr Co Ltd | 水域モニタリングシステム |
| CN108956505A (zh) * | 2018-09-18 | 2018-12-07 | 航天信德智图（北京）科技有限公司 | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 |
| 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 |
| CN112131746A (zh) * | 2020-09-24 | 2020-12-25 | 中国科学院空天信息创新研究院 | 叶绿素a浓度反演方法及系统 |
| CN112504979A (zh) * | 2020-11-12 | 2021-03-16 | 内蒙古工业大学 | 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 |
| CN115080905A (zh) * | 2022-06-07 | 2022-09-20 | 昆明理工大学 | 一种高原湖泊叶绿素a浓度遥感反演方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116067897B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110865040A (zh) | 天空地一体化高光谱水质监测分析方法 | |
| CN115266632A (zh) | 一种水体污染源无人机高光谱遥感排查方法 | |
| CN113109281B (zh) | 一种基于高光谱遥感的水质参数定量反演模型及其构建方法 | |
| CN113420497B (zh) | 浑浊湖泊总磷浓度遥感估算方法 | |
| CN117152636B (zh) | 一种基于双波段关系的浅海底质反射率遥感监测方法 | |
| CN114781537B (zh) | 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 | |
| Matsuoka et al. | A synthesis of light absorption properties of the Arctic Ocean: application to semianalytical estimates of dissolved organic carbon concentrations from space | |
| CN117115077B (zh) | 一种湖泊蓝藻水华检测方法 | |
| CN103258330A (zh) | 一种高光谱图像端元丰度的估计方法 | |
| CN117111092A (zh) | 一种基于机器学习的高空间分辨率遥感水质检测方法 | |
| CN116482317B (zh) | 湖泊水体营养状态实时监测方法、系统、设备及介质 | |
| Liu et al. | Trophic state assessment of optically diverse lakes using Sentinel-3-derived trophic level index | |
| CN116067897B (zh) | 一种基于集成因子体系的叶绿素a浓度反演方法、系统 | |
| Lunetta et al. | Measurement of water colour using AVIRIS imagery to assess the potential for an operational monitoring capability in the Pamlico Sound Estuary, USA | |
| CN117491293A (zh) | 一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法 | |
| Kallio et al. | MERIS, MODIS and ETM+ channel configurations in the estimation of lake water quality from subsurface reflectance using semi-analytical and empirical algorithms | |
| Liu et al. | Hyperspectral Real-Time Local Anomaly Detection Based on Finite Markov via Line-by-Line Processing | |
| Ruddick et al. | Remote sensing of suspended particulate matter in turbid waters: state of the art and future perspectives | |
| CN116935222B (zh) | 一种遥感影像蓝波段模拟方法、系统及可读存储介质 | |
| Basener et al. | Deep learning of radiative atmospheric transfer with an autoencoder | |
| Ansper | Sentinel-2/msi applications for european union water framework directive reporting purposes | |
| CN113849490B (zh) | 一种卫星遥感反射率产品数据残差校正方法 | |
| Wang et al. | Application of Artificial Neural Network Technology in Water Color Remote Sensing Inversion of Inland Water Body Using TM Data | |
| Matthews et al. | Error assessment of validation techniques for estimating suspended particulate matter concentration from airborne multispectral imagery | |
| Flusche et al. | Exploiting spectral and polarimetric data fusion to enhance target detection performance |
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 |