CN116148188A - 空天地一体化湖泊水质溯源方法、系统、设备及存储介质 - Google Patents
空天地一体化湖泊水质溯源方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116148188A CN116148188A CN202211676491.2A CN202211676491A CN116148188A CN 116148188 A CN116148188 A CN 116148188A CN 202211676491 A CN202211676491 A CN 202211676491A CN 116148188 A CN116148188 A CN 116148188A
- Authority
- CN
- China
- Prior art keywords
- water quality
- remote sensing
- lake
- lake water
- detected
- 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
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
-
- 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
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Physics & Mathematics (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
本发明提供空天地一体化湖泊水质溯源方法包括将至少一遥感设备于当前待检测湖泊水域下进行部署,以获取最优湖泊水质的遥感监测数据源;对最优遥感监测数据源进行规范化预处理,形成L1级数据;以L1级数据作为输入代入构建的水质遥感参数反演模型,得到时空变化特征、相对于富营养状态的长时间响应规律;基于时空变化特征以及响应规律构建高光谱数据水质参数反演模型,建立表征湖泊水质污染状况的热点网格,实现对热点网格内污染物的精准溯源。通过构建空天地一体化监测平台,使得本发明形成全方位、多层次的空天地一体化观测和应急防控平台,保障湖泊生态系统健康和水源地水质安全。
Description
技术领域
本发明涉及地表水监测技术领域,具体为空天地一体化湖泊水质溯源方法、系统、设备及存储介质。
背景技术
目前应用广泛的地表水监测技术主要有两种。
第一种是传统的人工实地调查和取样,经过实验室分析水样进行水质参数信息的提取。尽管实地水质监测方法可以精细地分析水质参数,但其耗费人力和财力,并易受到气象、水文条件的限制,难以完成适时、大尺度的监测;
第二种是水质自动监测站监测,但自动站建设运行成本高,且只能在区域重点断面进行布点,因此对于大流域水质情况进行完整监测的实施性不强。
发明内容
针对现有技术存在的不足,本发明目的是提供空天地一体化湖泊水质溯源方法、系统、设备及存储介质,通过整合不同手段信息,在空间尺度、时间尺度和获取不同参数信息方面取长补短、互相补充,做到不同手段信息的协同和交互,形成全方位、多层次的空天地一体化观测和应急防控平台,保障湖泊生态系统健康和水源地水质安全。以解决上述背景技术中提出的问题。
为了实现上述目的,本发明是通过如下的技术方案来实现:空天地一体化湖泊水质溯源方法、系统、设备及存储介质,包括
第一步,将至少一遥感设备于当前待检测湖泊水域下进行部署,确定其运动轨迹覆盖当前整个待检测湖泊水域,以获取最优湖泊水质的遥感监测数据源;
第二步,对所述最优遥感监测数据源进行规范化预处理,形成表征待检测湖泊水域水质遥感参数的L1级数据;
第三步,以所述L1级数据作为输入代入构建的水质遥感参数反演模型,进行水质遥感参数反演敏感波段选取以及水质遥感参数反演最佳波段与水质参数回归分析,得到用于分析待检测湖泊在不同时间序列下富营养状态的时空变化特征,以获取待检测湖泊水质遥感参数相对于富营养状态的长时间响应规律;
第四步,基于所述时空变化特征以及所述响应规律构建高光谱数据水质参数反演模型,建立表征湖泊水质污染状况的热点网格,实现对热点网格内污染物的精准溯源。
作为本发明的第二方面,提出了一种空天地一体化湖泊水质溯源系统,包括
至少一遥感设备,于当前待检测湖泊水域下进行部署,确定其运动轨迹覆盖当前整个待检测湖泊水域后,获取最优湖泊水质的遥感监测数据源;
遥感监测数据源规范化预处理模块,形成表征待检测湖泊水域水质遥感参数的L1级数据;
水质遥感参数反演模型模块,以所述L1级数据作为输入代入,得到用于分析待检测湖泊在不同时间序列下富营养状态的时空变化特征以及待检测湖泊水质遥感参数相对于富营养状态的长时间响应规律;
高光谱数据水质参数反演模型模块,基于所述时空变化特征以及所述响应规律建立表征湖泊水质污染状况的热点网格,实现对热点网格内污染物的精准溯源。
作为本发明的第三方面,提出了一种一种空天地一体化湖泊水质溯源设备,所述空天地一体化湖泊水质溯源设备包括处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行所述的湖泊水质溯源方法的操作。
作为本发明的第四方面,提出一种存储介质,其上存储有计算机程序,所述存储介质中存储有至少一可执行指令,所述可执行指令在空天地一体化湖泊水质溯源设备和/或系统上运行时,使得空天地一体化湖泊水质溯源设备和/或系统执行所述的湖泊水质溯源方法的操作。
与现有技术相比,本发明的有益效果:
本发明通过构建空天地一体化监测平台,整合不同手段信息,在空间尺度、时间尺度和获取不同参数信息方面取长补短、互相补充,做到不同手段信息的协同和交互;同时基于湖泊叶绿素a浓度、总氮、总磷水质参数,通过充分发挥多源观测手段在不同时空信息观测方面的优势,构建湖泊水质污染监控系统框体系,形成全方位、多层次的空天地一体化观测和应急防控平台,保障湖泊生态系统健康和水源地水质安全。
附图说明
参照附图来说明本发明的公开内容。应当了解,附图仅仅用于说明目的,而并非意在对本发明的保护范围构成限制,在附图中,相同的附图标记用于指代相同的部件。其中:
图1为本发明一实施例中所提出的空天地一体化湖泊水质溯源方法的整体流程示意图;
图2为本发明一实施例中所提出的获取最优湖泊水质的遥感监测数据源的流程示意图;
图3为本发明一实施例中所提出的形成表征待检测湖泊水域水质遥感参数的L1级数据的流程示意图;
图4为本发明一实施例中所提出的进行卫星水质参数遥感反演及富营养化状态分析的示意图;
图5为本发明一实施例中所提出的实现对热点网格内污染物的精准溯源示意图。
具体实施方式
容易理解,根据本发明的技术方案,在不变更本发明实质精神下,本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此,以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明,而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
以下结合附图对本发明做进一步详细说明,但不作为对本发明的限定。
作为对本发明技术构思以及实现原理的理解,
湖泊富营养化的一个重要特征是藻类物质的大量繁衍,叶绿素a存在于所有的藻类中,是藻类植物进行光合作用必不可少的元素之一。另外多项研究表明氮、磷的含量对水体富营养化程度有着重要影响。遥感具有普遍估计水质变量的潜力,但对总氮、总磷光谱特征认识并不明确,从野外测量的光谱信息中,难以确定氮、磷的光谱特征信息,这主要是由于氮、磷光谱信息受水体中其他组分信息的影响,因此在估算氮、磷浓度方面存在挑战。目前,国内外对于氮、磷浓度基于遥感估算方法的研究相对较少,普遍使用的方法为经验方法,大多是通过数学统计方法分析它们和光谱反射率找出相关性来估测总氮与总磷浓度,但是更多是各自运行相互独立,部分实现了手段的立体化,但并没有真正实现手段的协同和一体化。
为此,为实现上述技术构思,以及解决现有的技术方案缺陷,本发明利用遥感影像的水质参数反演以独特的优势为水质监测开辟了新的途径,相比传统的水质监测方法,它可以实现对水体快速、大范围、低成本、周期性的动态监测,具有不可替代的优越性。可以理解的是,水质遥感监测简单地说就是指用遥感方法对水质参数进行监测,其中水质参数就是描述水体质量,衡量水质标准的参数,通常用水中杂质的种类、成分和数量来表示。
如图1所示,作为本发明的一实施例,提出空天地一体化湖泊水质溯源方法,包括:
第一步,将至少一遥感设备于当前待检测湖泊水域下进行部署,确定其运动轨迹覆盖当前整个待检测湖泊水域,以获取最优湖泊水质的遥感监测数据源。
如图2所示,基于上述技术构思,需要说明的是,第一步目的在于进行新型遥感数据对比与选取研究,即,具体实施时,对目前适用于湖泊水质监测的高空间分辨率卫星,结合各类卫星传感器特性开展适用性分析,综合专家打分、调查指标变化分析构建指标体系,确定各指标权重,通过层次分析法选出较适用于湖泊水质监测的遥感数据源建议及其使用场景。根据湖泊水质监测定制化需求,初定以吉林一号系列以及高分系列卫星为主要的遥感数据源,辅以无人机高光谱数据,实现湖泊水质精准化监测。
可以理解的是,遥感设备为吉林一号系列卫星或高分系列卫星或风云系列卫星或哨兵3号卫星或葵花系列卫星或Landsat卫星或MODIS卫星或NOAA20系列卫星或NPP卫星或GOCI卫星,其中,获取最优湖泊水质的遥感监测数据源的具体方法包括:
S1-1,收集有序的现有国内外可用于湖泊遥感水质监测的数据源作为基础信息,并结合各类卫星传感器特性进行适用性分析,得到湖泊水质的遥感监测数据源;
S1-2,为了确保遥感数据选取的准确性、客观性、可行性,必须构建科学合理的评估指标体系,需要基于整体性原则、指标代表性原则、定性与定量相结合原则构建遥感数据评价指标,其中,湖泊水质遥感监测数据评价指标体系构建表为:
S1-3,选取湖泊水质遥感监测数据工作中实际具有代表性、普适性、实用性、简便性的特征指标作为评价因子;
基于层次分析法以及定制化需求确定各个特征指标合理的权重;
逐层比较各个特征指标的相关因素,将其定性或半定性的因素进行量化,以为遥感设备进行分析、评价以及决策发展提供定量依据;
对各个特征指标进行评价打分;
对各个特征指标的权值分别求平均以作为选取湖泊水质遥感监测数据工作的最终权值;
基于加法评价型与连积评价型的计算方法,计算各类卫星传感器中湖泊水质的遥感监测数据源的得分,对比选取最优湖泊水质的遥感监测数据源。
如图3所示,本发明还包括:
第二步,对最优遥感监测数据源进行规范化预处理,形成表征待检测湖泊水域水质遥感参数的L1级数据。
基于上述技术构思,需要说明的是,针对湖泊水质监测遥感数据预处理主要包括:几何校正、图像裁切与拼接、辐射定标、大气校正,最终形成卫星遥感水质监测预处理L1级产品,以上预处理均可利用成熟的商业软件(ENVI、ERDAS、PCI)专门的功能模块进行预处理。
在本发明的一具体实施例中,对最优遥感监测数据源进行规范化预处理方法依次包括:
S2-1,几何校正:需要说明的是,每种卫星在遥感成像过程中,受多种因素的综合影响,包括系统性、非系统性、地球自身以及大气折射的影响,原始图像上地物的几何位置、形状、大小、尺寸、方位特征与其对应的地面地物的特征往往是不一致的,这种不一致就是几何畸变,而为了统一选取的遥感数据的几何准确性与一致性,就需参考一幅具有标准几何的图像,即,
对每个遥感设备获取待检测湖泊水域的检测图像选取其图像控制点,并基于构建的几何模型,进行几何校正,以保证检测图像与待检测湖泊水域原始图像在地物的几何位置、形状、大小、尺寸、方位特征一致;
S2-2,图像裁切拼接:
若待检测湖泊水域水体小于遥感设备选择的遥感影像覆盖区域,则进行空间裁切,以利于后续数据处理效率:依据待检测湖泊水域水体的左上角和右下角经纬度,对所选取的遥感影像进行空间裁剪,其中,裁剪范围应该大于待检测湖泊水域水体区域;
若,待检测湖泊水域水体大于遥感设备选择的遥感影像覆盖区域,则通过相邻的多幅遥感影像拼接,以保证待检测湖泊水域水体对象的完整性;
S2-3,辐射定标:将遥感设备中传感器记录的电压或数字量化值转换为绝对辐射亮度值,以通过各种标准辐射源,建立辐射亮度值与数字量化值之间的定量关系:
L=Gain*DN+Bias
式中,L为转换后辐亮度,单位为W.m-2.sr-1.m-1;DN为卫星载荷观测值;Gain为图像的增益,即定标斜率,单位为W.m-2.sr-1.m-1;Bias为图像的偏置,单位为W.m-2.sr-1.m-1:
S2-4,大气校正:基于野外同步实测光谱反射率,利用定量指标相对误差RE、采样单波段对比以及遥感特征指数对比对当前湖泊水质遥感监测数据工作中的大气进行分析及精度评定,以保证待检测湖泊水域水体对象的准确性,需要说明的是,可采用包括6S、FLAASH、暗像元、QUAC的大气校正方法进行大气校正;
S2-5,水陆分离、云识别和水生植被识别:对待检测湖泊水域水体进行云掩膜和水草掩膜处理,以实现待检测湖泊水域污染物的精准溯源,剔除云、水草区域的干扰,需要说明的是,具体实施,云掩膜主要依据多光谱阈值法;水草掩膜主要依据高光谱指数和先验知识建立感兴趣区。
如图4所示,本发明还包括:
第三步,以L1级数据作为输入代入构建的水质遥感参数反演模型,进行水质遥感参数反演敏感波段选取以及水质遥感参数反演最佳波段与水质参数回归分析,得到用于分析待检测湖泊在不同时间序列下富营养状态的时空变化特征,以获取待检测湖泊水质遥感参数相对于富营养状态的长时间响应规律,可以理解的是,由于针对湖泊富营养化趋势的监管需求,因此,参考近10年来国际最前沿的水质参数遥感反演算法,通过集成现场实测数据、自动监测点式数据以及卫星面式数据,选取最优水质参数反演模型,建立区域湖泊全方面、全过程水质变化的监管系统,为湖泊执法与湖泊管理提供技术支撑,提升湖泊管理的信息化与现代化水平。
而基于上述技术构思,需要说明的是,得到时空变化特征的具体方法包括:S3-1,在数据分析软件中,基于遥感设备数据预处理得到的单波段、波段组合值与湖泊水质实测数据进行相关性分析,得到与总氮、总磷、化学需氧量以及叶绿素a相关性最高的单波段以及波段组合值,得到水质遥感参数反演敏感波段选取,可以理解的是,此步骤是为湖泊水质参数反演提供基础;
S3-2,利用选取出的与水质参数相关性最高的单波段、波段组合值,与湖泊各水质参数浓度进行回归分析,构建水质遥感参数反演模型;
对模型的精度进行分析验证,选取精度最高的水质遥感参数反演模型应用于长时间序列卫星遥感影像数据,得到待检测湖泊在不同时间序列下富营养状态的时空变化特征;
而,获取待检测湖泊水质遥感参数相对于富营养状态的长时间响应规律的具体方法包括:
S3-3,基于长时间序列卫星遥感影像数据,结合温度、光照、风场环境因子以及渔民人均收入陆源输入社会经济因子,得到待检测湖泊水质遥感参数相对于富营养状态的长时间响应规律。
如图5所示,本发明还包括:
第四步,基于时空变化特征以及响应规律构建高光谱数据水质参数反演模型,建立表征湖泊水质污染状况的热点网格,实现对热点网格内污染物的精准溯源.
基于上述技术构思,需要说明的是,本发明在具体实施时,构建高光谱数据水质参数反演模型的具体方法包括:
S4-1,基于无人机高光谱数据的水质参数反演:
在数据分析软件中,对卫星数据预处理得到的单波段、波段组合值与湖泊水质实测数据进行相关性分析,选取水质参数反演敏感波段及波段组合,并与湖泊各水质参数浓度进行回归分析,得到高光谱数据水质参数反演模型;
可以理解的是,为实现湖泊水质精细化监测,突出重点区域、重点领域、重点时段的水质污染状况,因此就需要构建水质无人精细化热点网格:在具体实施时,建立表征湖泊水质污染状况的热点网格的具体方法包括:
S4-2,利用卫星遥感数据反演水质参数浓度、无人机高光谱数据反演水质参数浓度以及地面实测水质数据,构建异常指标热点网格;并结合气象、水文条件,采用神经网格、深度学习算法,实现水质污染物传输的分析;
在热点网格构建完成后,就需要基于卫星以及无人机反演结果,对水质监测热点网格内的污染物实现精准溯源,在具体实施时,对热点网格内污染物的精准溯源的具体方法包括:
S4-3,通过无人船数据、荧光光谱数据、水下机器人、地面采样数据以及自动站监测数据,代入水质遥感参数反演模型,利用不同的污染源种类不同、浓度不同的特性,进行水质谱分析,通过查找流域内排污口、污水处理厂相关企业的污染源指纹数据库,实现对热点网格内污染物的精准溯源。
可以理解的是,本发明是依托卫星遥感数据、无人机高光谱数据以及各类现场实测水质参数数据,开展大量空天地协同实验,对湖泊水质状况在遥感影像、无人机影像、地面实验进行指标分析,综合利用生态学、生物学、环境污染学多学科知识,并咨询专家、其他业务部门,构建星-空-地协同实验验证体系。同时,通过以大数据、GIS/RS、数值模型技术手段,针对不同污染类型,如农业面源、不同类型行业企业、生活污水,建立基于光谱(涵盖无人机高光谱、地物光谱仪、三维荧光光谱所有光谱技术)的污染物指纹库,追溯污染来源,使得本发明形成全方位、多层次的空天地一体化观测和应急防控平台,保障湖泊生态系统健康和水源地水质安全。
作为本发明的第二方面,提出了一种空天地一体化湖泊水质溯源系统,包括
至少一遥感设备,于当前待检测湖泊水域下进行部署,确定其运动轨迹覆盖当前整个待检测湖泊水域后,获取最优湖泊水质的遥感监测数据源;
遥感监测数据源规范化预处理模块,形成表征待检测湖泊水域水质遥感参数的L1级数据;
水质遥感参数反演模型模块,以L1级数据作为输入代入,得到用于分析待检测湖泊在不同时间序列下富营养状态的时空变化特征以及待检测湖泊水质遥感参数相对于富营养状态的长时间响应规律;
高光谱数据水质参数反演模型模块,基于时空变化特征以及响应规律建立表征湖泊水质污染状况的热点网格,实现对热点网格内污染物的精准溯源。
基于上述技术构思,需要说明的是,遥感设备可为吉林一号系列卫星或高分系列卫星或风云系列卫星或哨兵3号卫星或葵花系列卫星或Landsat卫星或MODIS卫星或NOAA20系列卫星或NPP卫星或GOCI卫星。
作为本发明的第三方面,提出了一种空天地一体化湖泊水质溯源设备,空天地一体化湖泊水质溯源设备包括处理器、存储器、通信接口和通信总线,处理器、存储器和通信接口通过通信总线完成相互间的通信;存储器用于存放至少一可执行指令,可执行指令使处理器执行的湖泊水质溯源方法的操作。
作为本发明的第四方面,提出一种存储介质,其上存储有计算机程序,存储介质中存储有至少一可执行指令,可执行指令在空天地一体化湖泊水质溯源设备和/或系统上运行时,使得空天地一体化湖泊水质溯源设备和/或系统执行的湖泊水质溯源方法的操作。
本发明的技术范围不仅仅局限于上述说明中的内容,本领域技术人员可以在不脱离本发明技术思想的前提下,对上述实施例进行多种变形和修改,而这些变形和修改均应当属于本发明的保护范围内。
Claims (8)
1.空天地一体化湖泊水质溯源方法,其特征在于:包括:
第一步,将至少一遥感设备于当前待检测湖泊水域下进行部署,确定其运动轨迹覆盖当前整个待检测湖泊水域,以获取最优湖泊水质的遥感监测数据源;
第二步,对所述最优遥感监测数据源进行规范化预处理,形成表征待检测湖泊水域水质遥感参数的L1级数据;
第三步,以所述L1级数据作为输入代入构建的水质遥感参数反演模型,进行水质遥感参数反演敏感波段选取以及水质遥感参数反演最佳波段与水质参数回归分析,得到用于分析待检测湖泊在不同时间序列下富营养状态的时空变化特征和待检测湖泊水质遥感参数相对于富营养状态的长时间响应规律;
第四步,基于所述时空变化特征以及所述响应规律构建高光谱数据水质参数反演模型,建立表征湖泊水质污染状况的热点网格,实现对热点网格内污染物的精准溯源。
2.根据权利要求1所述的空天地一体化湖泊水质溯源方法,其特征在于:所述遥感设备为吉林一号系列卫星或高分系列卫星或风云系列卫星或哨兵3号卫星或葵花系列卫星或Landsat卫星或MODIS卫星或NOAA20系列卫星或NPP卫星或GOCI卫星,其中,获取最优湖泊水质的遥感监测数据源的具体方法包括:
S1-1,收集有序的现有国内外可用于湖泊遥感水质监测的数据源作为基础信息,并结合各类卫星传感器特性进行适用性分析,得到湖泊水质的遥感监测数据源;
S1-2,基于整体性原则、指标代表性原则、定性与定量相结合原则构建遥感数据评价指标,其中,湖泊水质遥感监测数据评价指标体系构建表为:
S1-3,选取湖泊水质遥感监测数据工作中实际具有代表性、普适性、实用性、简便性的特征指标作为评价因子;
基于层次分析法以及定制化需求确定各个特征指标合理的权重;
逐层比较各个特征指标的相关因素,将其定性或半定性的因素进行量化,以为遥感设备进行分析、评价以及决策发展提供定量依据;
对各个特征指标进行评价打分;
对各个特征指标的权值分别求平均以作为选取湖泊水质遥感监测数据工作的最终权值;
基于加法评价型与连积评价型的计算方法,计算各类卫星传感器中湖泊水质的遥感监测数据源的得分,对比选取最优湖泊水质的遥感监测数据源。
3.根据权利要求1所述的空天地一体化湖泊水质溯源方法,其特征在于:对所述最优遥感监测数据源进行规范化预处理方法依次包括:
S2-1,几何校正:对每个遥感设备获取待检测湖泊水域的检测图像选取其图像控制点,并基于构建的几何模型,进行几何校正,以保证检测图像与待检测湖泊水域原始图像在地物的几何位置、形状、大小、尺寸、方位特征一致;
S2-2,图像裁切拼接:
若待检测湖泊水域水体小于遥感设备选择的遥感影像覆盖区域,则进行空间裁切,以利于后续数据处理效率:依据待检测湖泊水域水体的左上角和右下角经纬度,对所选取的遥感影像进行空间裁剪,其中,裁剪范围应该大于待检测湖泊水域水体区域;
若,待检测湖泊水域水体大于遥感设备选择的遥感影像覆盖区域,则通过相邻的多幅遥感影像拼接,以保证待检测湖泊水域水体对象的完整性;
S2-3,辐射定标:将遥感设备中传感器记录的电压或数字量化值转换为绝对辐射亮度值,以通过各种标准辐射源,建立辐射亮度值与数字量化值之间的定量关系:
L=Gain*DN+Bias
式中,L为转换后辐亮度,单位为W.m-2.sr-1.m-1;DN为卫星载荷观测值;Gain为图像的增益,即定标斜率,单位为W.m-2.sr-1.m-1;Bias为图像的偏置,单位为W.m-2.sr-1.m-1:
S2-4,大气校正:基于野外同步实测光谱反射率,利用定量指标相对误差RE、采样单波段对比以及遥感特征指数对比对当前湖泊水质遥感监测数据工作中的大气进行分析及精度评定,以保证待检测湖泊水域水体对象的准确性;
S2-5,水陆分离、云识别和水生植被识别:对待检测湖泊水域水体进行云掩膜和水草掩膜处理,以实现待检测湖泊水域污染物的精准溯源,剔除云、水草区域的干扰。
4.根据权利要求1所述的空天地一体化湖泊水质溯源方法,其特征在于:得到所述时空变化特征的具体方法包括:
S3-1,基于遥感设备数据预处理得到的单波段、波段组合值与湖泊水质实测数据进行相关性分析,得到与总氮、总磷、化学需氧量以及叶绿素a相关性最高的单波段以及波段组合值,得到水质遥感参数反演敏感波段选取;
S3-2,利用选取出的与水质参数相关性最高的单波段、波段组合值,与湖泊各水质参数浓度进行回归分析,构建水质遥感参数反演模型;
对模型的精度进行分析验证,选取精度最高的水质遥感参数反演模型应用于长时间序列卫星遥感影像数据,得到待检测湖泊在不同时间序列下富营养状态的时空变化特征;
获取待检测湖泊水质遥感参数相对于富营养状态的长时间响应规律的具体方法包括:
S3-3,基于长时间序列卫星遥感影像数据,结合温度、光照、风场环境因子以及渔民人均收入陆源输入社会经济因子,得到待检测湖泊水质遥感参数相对于富营养状态的长时间响应规律。
5.根据权利要求1所述的空天地一体化湖泊水质溯源方法,其特征在于:构建高光谱数据水质参数反演模型的具体方法包括:
S4-1,对卫星数据预处理得到的单波段、波段组合值与湖泊水质实测数据进行相关性分析,选取水质参数反演敏感波段及波段组合,并与湖泊各水质参数浓度进行回归分析,得到高光谱数据水质参数反演模型;
建立表征湖泊水质污染状况的热点网格的具体方法包括:
S4-2,利用卫星遥感数据反演水质参数浓度、无人机高光谱数据反演水质参数浓度以及地面实测水质数据,构建异常指标热点网格;
结合气象、水文条件,采用神经网格、深度学习算法,实现水质污染物传输的分析;
实现对热点网格内污染物的精准溯源的具体方法包括:
S4-3,通过无人船数据、荧光光谱数据、水下机器人、地面采样数据以及自动站监测数据,代入水质遥感参数反演模型,利用不同的污染源种类不同、浓度不同的特性,进行水质谱分析,通过查找流域内排污口、污水处理厂相关企业的污染源指纹数据库,实现对热点网格内污染物的精准溯源。
6.空天地一体化湖泊水质溯源系统,其特征在于:包括
至少一遥感设备,于当前待检测湖泊水域下进行部署,确定其运动轨迹覆盖当前整个待检测湖泊水域后,获取最优湖泊水质的遥感监测数据源;
遥感监测数据源规范化预处理模块,形成表征待检测湖泊水域水质遥感参数的L1级数据;
水质遥感参数反演模型模块,以所述L1级数据作为输入代入,得到用于分析待检测湖泊在不同时间序列下富营养状态的时空变化特征以及待检测湖泊水质遥感参数相对于富营养状态的长时间响应规律;
高光谱数据水质参数反演模型模块,基于所述时空变化特征以及所述响应规律建立表征湖泊水质污染状况的热点网格,实现对热点网格内污染物的精准溯源。
7.一种空天地一体化湖泊水质溯源设备,其特征在于,
所述空天地一体化湖泊水质溯源设备包括处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-5任意一项所述的湖泊水质溯源方法的操作。
8.一种存储介质,其上存储有计算机程序,其特征在于,
所述存储介质中存储有至少一可执行指令,所述可执行指令在空天地一体化湖泊水质溯源设备和/或系统上运行时,使得空天地一体化湖泊水质溯源设备和/或系统执行如权利要求1-5任意一项所述的湖泊水质溯源方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211676491.2A CN116148188A (zh) | 2022-12-26 | 2022-12-26 | 空天地一体化湖泊水质溯源方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211676491.2A CN116148188A (zh) | 2022-12-26 | 2022-12-26 | 空天地一体化湖泊水质溯源方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116148188A true CN116148188A (zh) | 2023-05-23 |
Family
ID=86361116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211676491.2A Pending CN116148188A (zh) | 2022-12-26 | 2022-12-26 | 空天地一体化湖泊水质溯源方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116148188A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522690A (zh) * | 2023-07-03 | 2023-08-01 | 航天宏图信息技术股份有限公司 | 新一代海洋卫星水色水温扫描仪科学数据仿真方法及装置 |
CN116912704A (zh) * | 2023-06-02 | 2023-10-20 | 生态环境部环境规划院 | 一种基于遥感及地面核查技术的地表水磷污染物溯源方法 |
CN117372891A (zh) * | 2023-12-07 | 2024-01-09 | 中铁水利水电规划设计集团有限公司 | 一种利用卫星遥感影像进行水深反演的方法 |
CN117974404A (zh) * | 2024-04-02 | 2024-05-03 | 江苏省环境监测中心 | 一种水陆协同的陆域污染源分析方法及系统 |
-
2022
- 2022-12-26 CN CN202211676491.2A patent/CN116148188A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912704A (zh) * | 2023-06-02 | 2023-10-20 | 生态环境部环境规划院 | 一种基于遥感及地面核查技术的地表水磷污染物溯源方法 |
CN116522690A (zh) * | 2023-07-03 | 2023-08-01 | 航天宏图信息技术股份有限公司 | 新一代海洋卫星水色水温扫描仪科学数据仿真方法及装置 |
CN116522690B (zh) * | 2023-07-03 | 2023-09-19 | 航天宏图信息技术股份有限公司 | 新一代海洋卫星水色水温扫描仪科学数据仿真方法及装置 |
CN117372891A (zh) * | 2023-12-07 | 2024-01-09 | 中铁水利水电规划设计集团有限公司 | 一种利用卫星遥感影像进行水深反演的方法 |
CN117372891B (zh) * | 2023-12-07 | 2024-02-13 | 中铁水利水电规划设计集团有限公司 | 一种利用卫星遥感影像进行水深反演的方法 |
CN117974404A (zh) * | 2024-04-02 | 2024-05-03 | 江苏省环境监测中心 | 一种水陆协同的陆域污染源分析方法及系统 |
CN117974404B (zh) * | 2024-04-02 | 2024-06-04 | 江苏省环境监测中心 | 一种水陆协同的陆域污染源分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116148188A (zh) | 空天地一体化湖泊水质溯源方法、系统、设备及存储介质 | |
Prenzel | Remote sensing-based quantification of land-cover and land-use change for planning | |
CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
Novoa et al. | Water quality assessment using satellite-derived chlorophyll-a within the European directives, in the southeastern Bay of Biscay | |
Heenkenda et al. | Quantifying mangrove chlorophyll from high spatial resolution imagery | |
Zeng et al. | Comparison of partial least square regression, support vector machine, and deep-learning techniques for estimating soil salinity from hyperspectral data | |
Zhuang et al. | Modeling carbon storage in urban vegetation: Progress, challenges, and opportunities | |
Liu et al. | Estimating regional heavy metal concentrations in rice by scaling up a field-scale heavy metal assessment model | |
CN110687053B (zh) | 一种基于高光谱影像的区域有机质含量估算方法和装置 | |
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 | |
Chen et al. | A novel multi-source data fusion method based on Bayesian inference for accurate estimation of chlorophyll-a concentration over eutrophic lakes | |
CN115205709B (zh) | 一种基于卫星遥感的森林火点识别方法 | |
CN113436153A (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
CN114005048A (zh) | 基于多时相数据的土地覆盖变化与热环境影响研究方法 | |
Hang et al. | Estimation of chlorophyll-a concentration in Lake Taihu from Gaofen-1 wide-field-of-view data through a machine learning trained algorithm | |
Govedarica et al. | Monitoring spatial and temporal variation of water quality parameters using time series of open multispectral data | |
Guo et al. | An enhanced deep learning approach to assessing inland lake water quality and its response to climate and anthropogenic factors | |
Shang et al. | Estimation of soil copper content in mining area using ZY1-02D satellite hyperspectral data | |
Verma et al. | A machine learning approach and methodology for solar radiation assessment using multispectral satellite images | |
Wang et al. | Modeling above-ground biomass in tallgrass prairie using ultra-high spatial resolution sUAS imagery | |
Mollaee | Estimation of phytoplankton chlorophyll-a concentration in the western basin of Lake Erie using Sentinel-2 and Sentinel-3 data | |
Cao et al. | MODIS observations reveal decrease in lake suspended particulate matter across China over the past two decades | |
Zhang et al. | Monitor water quality through retrieving water quality parameters from hyperspectral images using graph convolution network with superposition of multi-point effect: A case study in Maozhou River | |
CN110321528B (zh) | 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法 | |
CN110596017B (zh) | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 |
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 |