CN116542901B - 一种计算面状区域叶绿素a浓度平均值的方法及装置 - Google Patents
一种计算面状区域叶绿素a浓度平均值的方法及装置 Download PDFInfo
- Publication number
- CN116542901B CN116542901B CN202310211444.9A CN202310211444A CN116542901B CN 116542901 B CN116542901 B CN 116542901B CN 202310211444 A CN202310211444 A CN 202310211444A CN 116542901 B CN116542901 B CN 116542901B
- Authority
- CN
- China
- Prior art keywords
- chlorophyll
- concentration
- website
- pixel
- value
- 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
- 229930002868 chlorophyll a Natural products 0.000 title claims abstract description 106
- 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 106
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011160 research Methods 0.000 claims abstract description 54
- 238000012417 linear regression Methods 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 18
- 230000001419 dependent effect Effects 0.000 claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 39
- 238000012544 monitoring process Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000000692 Student's t-test Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000012353 t test Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012851 eutrophication Methods 0.000 description 9
- 241000195493 Cryptophyta Species 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000005422 algal bloom Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种计算面状区域叶绿素a浓度平均值的方法及装置，包括：获取研究区域叶绿素a浓度反演的栅格图像；根据栅格图像的矢量边界和网站坐标文件，提取矢量边界范围内全像素叶绿素a浓度均值和各网站像素值；基各网站像素值，计算各网站数据间的统计变量；使用逐步线性回归判断统计变量对于全像素叶绿素a浓度均值的重要程度，筛选出符合阈值的统计变量；以筛选后的统计变量为自变量，以全像素叶绿素a浓度均值为因变量建立多元线性回归模型；获取研究区新的卫星影像，提取影像波段值计算相应的统计变量，将统计变量输入到所述多元线性回归模型中，计算叶绿素a浓度平均值。可以为高精度估算全湖(库)叶绿素a浓度提供技术支持。
Description
技术领域
本申请涉及环境定量遥感技术领域，具体涉及一种计算面状区域叶绿素a浓度平均值的方法及装置。
背景技术
湖库富营养化是由于氮磷等营养物质在水体富集，导致水体初级生产力提高，造成浮游植物的大量爆发，是我国乃至全球水生态系统面临的主要问题之一。早在二十世纪六十年代初，湖泊富营养化问题就成为环境生态领域的重要研究对象。从二十世纪八十年代开始，我国大多数湖库水体开始出现富营养化现象，藻华现象严重扰乱了沿岸居民饮用水的正常供应，造成大量直接和间接经济损失，富营养化已经成为了制约我国湖库生态环境质量的关键问题。湖库富营养化的原因十分复杂，主要表现为藻类的高密度爆发，而叶绿素a浓度是表征藻类生物量的关键水生态要素，高精度地定量监测湖泊的叶绿素a浓度成为了湖库水生态环境治理的重要基础。
随着星载传感器技术的飞速发展，遥感卫星凭借着其独特的地表大幅影像获取能力和多光谱成像特性，被广泛应用于湖库各项水质指标的监测。传统的依靠离散的湖库水质监测站点仅能分析网站及其周围有限区域的水质情况，对于全湖水质的表征程度有限，用简单的统计量如算术平均值等来表征全湖(库)范围平均值存在误差，如何提高基于离散监测点位数据估算全湖(库)平均值是一个重要的技术问题。当前对湖库叶绿素a平均浓度计算的常用方法是求解各监测站点叶绿素a浓度的算术平均值，其理论假设是各监测站点浓度对全湖平均浓度的贡献是相同的。这种以网站算术平均值代表全湖(库)均值的算法在监测站点密度较高的情况下误差较小，但在湖泊面积较大且网站数量较少时系统误差较大，此外，传统方法也未能考虑各网站间的相互作用关系，不明确各网站的权重，由此计算出来的全乎(库)平均值代表性不足且误差较大。
发明内容
本申请实施例的目的是提供一种计算面状区域叶绿素a浓度平均值的方法及装置，以解决相关技术中存在的基于低网站密度的全湖(库)叶绿素a浓度平均值估算精度较低的技术问题。
根据本申请实施例的第一方面，提供一种计算面状区域叶绿素a浓度平均值的方法，包括：
获取研究区域叶绿素a浓度反演的栅格图像；
根据研究区域栅格图像的矢量边界和网站坐标文件，提取矢量边界范围内全像素叶绿素a浓度均值和各网站像素值；
基于提取的各网站像素值，计算各网站数据间的统计变量；
使用逐步线性回归判断各网站数据间的统计变量对于全像素叶绿素a浓度均值的重要程度，筛选出符合阈值的统计变量；
以筛选后的统计变量为自变量，以全像素叶绿素a浓度均值为因变量建立多元线性回归模型；
获取研究区新的卫星影像，提取影像波段值计算相应的统计变量，将统计变量输入到所述多元线性回归模型中，计算叶绿素a浓度平均值。
可选的，获取研究区域叶绿素a浓度反演的栅格图像，包括：
根据研究区域内水质监测站点水质数据的实测日期和目标卫星成像时间，确定时间窗口；
依据设置好的时间窗口，筛选合适影像提取影像光谱波段数据，利用波段算法得到与实测叶绿素a浓度数据皮尔逊相关系数前三高的新波段；
根据所述新波段建立叶绿素a浓度反演模型，将反演结果以年为单位进行合成，得到研究区域年际叶绿素a浓度反演栅格图。
可选的，根据研究区域栅格图像的矢量边界和网站坐标文件，提取矢量边界范围内全像素叶绿素a浓度均值和各网站像素值，包括：
研究区域为湖泊水体，将反演栅格图边界进行缓冲区处理，向内收缩一定距离以消除水体与陆地边界像元值带来的误差，提取缓冲区处理后的研究区矢量边界，计算矢量边界内全像素叶绿素a浓度均值；
对缓冲区处理后的栅格图进行滤波处理，根据影像空间分辨率和研究区域面积确定滤波窗口大小，滤波窗口内像素均值作为该点像素值，排除研究区内单个像素奇异值对结果的影响，对进行滤波处理后的影像提取网站坐标对应像素点的像素值。
可选的，使用逐步线性回归判断各网站数据间的统计变量对于全像素叶绿素a浓度均值的重要程度，筛选出符合阈值的统计变量，包括：
将提取的网站位置数据和基于此计算的统计变量均作为自变量，计算对于全像素面叶绿素a均值的重要性；
采用逐步回归的方法，选取满足t检验p值＜0.05的显著统计变量作为最终的统计变量。
可选的，建立多元线性回归模型后还包括：
使用均方根误差和判定系数作为模型性能评估指标。
根据本申请实施例的第二方面，提供一种计算面状区域叶绿素a浓度平均值的装置，包括：
获取模块，用于获取研究区域叶绿素a浓度反演的栅格图像；
提取模块，用于根据研究区域栅格图像的矢量边界和网站坐标文件，提取矢量边界范围内全像素叶绿素a浓度均值和各网站像素值；
第一计算模块，用于基于提取的各网站像素值，计算各网站数据间的统计变量；
统计筛选模块，用于使用逐步线性回归判断各网站数据间的统计变量对于全像素叶绿素a浓度均值的重要程度，筛选出符合阈值的统计变量；
建模模块，用于以筛选后的统计变量为自变量，以全像素叶绿素a浓度均值为因变量建立多元线性回归模型；
第二计算模块，用于获取研究区新的卫星影像，提取影像波段值计算相应的统计变量，将统计变量输入到所述多元线性回归模型中，计算叶绿素a浓度平均值。
根据本申请实施例的第三方面，提供一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。
根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如第一方面所述方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请采用了多元线性逐步回归模型，综合全面地考虑了全湖(库)各网站叶绿素a浓度反演值对于全湖(库)叶绿素a浓度均值的权重和各网站间的相互关系，减少了数据冗余，挖掘数据信息，克服了基于低网站密度而计算的全湖(库)叶绿素a浓度均值精度较低的技术问题，进而提高了基于离散监测点位数据估算全湖(库)平均值的精度。
本申请将基于网站数据计算的统计变量数据加入多元线性逐步回归模型能够同时考虑自变量与因变量、自变量与自变量间的相互关系，且剔除不显著网站数据，从而降低各网站间的冗余。
为了满足高精度水体富营养化监测需求，在水环境定量遥感中，深入挖掘点数据间统计量来提高其对于面资料的代表性，对于进一步加强网站数据对于全湖范围内的解释性，具有现实意义。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种计算面状区域叶绿素a浓度平均值的方法的流程图。
图2是根据一示例性实施例示出的滇池范围及监测站点分布图。
图3是根据一示例性实施例示出的传统模型与多元回归反演模型结果对比图，其中(a)为传统模型，(b)为本申请的多元回归反演模型。
图4是根据一示例性实施例示出的一种计算面状区域叶绿素a浓度平均值的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“回应于确定”。
图1是根据一示例性实施例示出的一种计算面状区域叶绿素a浓度平均值的方法的流程图，如图1所示，该方法应用于终端中，可以包括以下步骤：
S1：获取研究区域叶绿素a浓度反演的栅格图像，该步骤可以包括以下子步骤：
S11：根据研究区域内水质监测站点水质数据的实测日期和目标卫星成像时间，确定时间窗口；
具体地，叶绿素a浓度是监测湖库水质富营养化的重要指标，湖库富营养化和藻华爆发往往伴随着水体叶绿素a浓度的增加，在短时间内叶绿素a浓度可以迅速变化，监测湖库叶绿素a浓度变化则需要获取与藻华爆发时间最接近的卫星影像，因此根据实测数据日期和目标卫星成像时间确定合适的时间窗口有利于进一步使用遥感技术监测湖库水质。
S12：依据设置好的时间窗口，筛选合适影像提取影像光谱波段数据，利用波段算法得到与实测叶绿素a浓度数据皮尔逊相关系数前三高的新波段；
具体地，根据研究区域内水质监测站点水质数据实测日期，筛选成像日期与实测数据测量日期相差在±5天内的遥感影像，提取对应波段数据与实测数据匹配。
S13：根据所述新波段建立叶绿素a浓度反演模型，将反演结果以年为单位进行合成，得到研究区域年际叶绿素a浓度反演栅格图。
具体地，根据匹配好的实测数据与波段数据建立水质反演模型；再选取影像质量较好的遥感影像用于模型反演，以年为单位，将在该年内所有反演影像进行合成，得到研究区域年际水质反演结果图像。
参考图2，以滇池外海叶绿素a浓度监测为例，选取成像时间与滇池水质监测站点数据实测时间相差±5天以内且外海范围内无明显云遮挡的Landsat5和Landsat8影像，时间自1987-2022年。通过对影像进行预处理提取相关用于叶绿素a的相关波段算法，结合实测数据与影像数据建模得到滇池外海叶绿素a浓度反演模型，基于反演模型得到1987-2022年间滇池外海叶绿素a浓度反演结果，对于反演结果以年为单位进行影像合成，得到1987-2022年间共计30张反演影像，删除了部分影像数量较少且质量较低的影像。
S2：根据研究区域栅格图像的矢量边界和网站坐标文件，提取矢量边界范围内全像素叶绿素a浓度均值和各网站像素值；该步骤可以包括以下子步骤：
S21：研究区域为湖泊水体，将反演栅格图边界进行缓冲区处理，向内收缩一定距离以消除水体与陆地边界像元值带来的误差，提取缓冲区处理后的研究区矢量边界，计算矢量边界内全像素叶绿素a浓度均值；
具体地，提取面数据需要用到研究区域范围向量图，提取点数据需要用到区域内监测站点坐标数据；考虑到湖泊边界水体与陆地相接，这一类混合像素会影响到全湖面内的像素值均值统计值，为排除这一类误差，需要将向量图边界向内收缩形成缓冲区，具体的向内收缩距离依照实际问题与影像空间分辨率而定。
S22：对缓冲区处理后的栅格图进行滤波处理，根据影像空间分辨率和研究区域面积确定滤波窗口大小，滤波窗口内像素均值作为该点像素值，排除研究区内单个像素奇异值对结果的影响，对进行滤波处理后的影像提取网站坐标对应像素点的像素值。
具体地，考虑到个别奇异值对点数据的影响，使用3×3窗口进行滤波处理，中心像素为网站坐标所代表像素位置，综合考虑该点与其周围8个像素的影响，计算9个像素值均值作为该网站的最终值。
使用ArcGIS软件自带功能，导入滇池外海范围向量数据与对应水质监测站点坐标数据，对外海向量数据进行缓冲区处理，使外海边界向内收缩60m以减少陆地对外海全局的影响，计算新边界范围内所有像素值，得到外海的叶绿素a浓度面均值，提取反演影像栅格数据中对应点3×3范围内像素值均值作为该网站资料。如表1中的样本数据列所示。
表1-基于反演影像提取点数据与面数据的样本(单位μg/L)
S3：基于提取的各网站像素值，计算各网站数据间的统计变量；
具体地，根据实际提取的各网站反演值，计算各网站资料间的统计量，因为影像是以年为单位进行合成，所以计算年极差、年中位数、各网站标准分等统计量，其中年极差为当年数值最高网站与最低网站之差，标准分为该网站值与所有网站年均值之差与年标准偏差的比值；不对数据进行标准化处理以简化处理流程。
这里利用Excel计算外海8网站提取点数据统计量，统计量包括年标准偏差、年中位数、年极差、以及各网站的年标准分。使用多个统计量指针来深入挖掘点数据的特点，其中年标准偏差是根据每一年的8个网站的值计算而来，用来判断该年外海各网站叶绿素a浓度范围是否稳定；使用年中位数和年极差用以判断该年度外海各网站叶绿素a浓度的反演范围；基于年平均值与年标准偏差计算各网站的年标准分，用以评价各个网站的数据质量。
S4：使用逐步线性回归判断各网站数据间的统计变量对于全像素叶绿素a浓度均值的重要程度，筛选出符合阈值的统计变量；该步骤可以包括以下子步骤：
S41：将提取的网站位置数据和基于此计算的统计变量均作为自变量，计算对于全像素面叶绿素a均值的重要性；
具体地，将所有网站数据与计算的统计变量资料作为自变量，将全湖均值数据作为因变量建立逐步回归模型，对各自变量进行t检验，计算p值来判断其与因变量的显著程度。
S42：采用逐步回归的方法，选取满足t检验p值＜0.05的显著统计变量作为最终的统计变量。
具体地，设置p＝0.05阈值，每次选取p值最大且p值>阈值的自变量剔除，再重新计算剩余变量与因变量的显著程度；以上步骤重复循环，直至所有自变量p值均小于0.05。
本实例利用Python程序设计语言编写代码，导入训练集的自变量数据为各网站数据与基于此计算的统计量资料，而全湖叶绿素a浓度面均值作为因变量。基于这些训练集数据建立逐步回归模型，将所有自变量数据进行t检验计算p值，判断其与因变量的显著程度；设置阈值：p>0.05时将该变量剔除，然后剩余自变量重新逐步回归分析；以上步骤重复进行，直至留在模型内的所有自变量p值均＜0.05阈值。最终经过逐步回归筛选而得的自变量为：灰湾中、观音山中、海口西、滇池南、年标准偏差和年极差。
S5：以筛选后的统计变量为自变量，以全像素叶绿素a浓度均值为因变量建立多元线性回归模型；
具体地，选取基于逐步线性回归筛选所得自变量建立点数据与面数据的叶绿素a模拟模型，分别使用判定系数与均方根误差来评价所建立的模型的性能。
本实例在先前步骤中已获取最佳自变量：灰湾中、观音山中、海口西、滇池南、年标准偏差和年极差。导入5类自变量数据和面均值因变量数据，采用多元线性回归法训练模型。使用判定系数与均方根误差来判断模型性能。
得到结合各网站资料及其统计量的多元线性回归模型方程式为：
y＝0.1633x1+0.4358x2+0.2367x3+0.1544x4+1.6109x5+0.4665x6
其中x1为灰湾中网站值，x2为观音山中网站值，x3为海口西网站值，x4为滇池南网站值，x5为年标准偏差，x1为年极差。
绘制基于传统网站算术均值与实际面均值的散点图，如图3中的(a)所示。绘制基于统计量的叶绿素a浓度多元线性回归模型输出结果与实际面均值的散点图，如图3中的(b)所示。同时分别绘制线性拟合线，计算判定系数R2和均方根误差RMSE。在基于统计量的改进模型中，反演值与实际面均值的RMSE为2.0499，明显低于传统算术均值模型的RMSE。以上的结果表明，基于统计量的改进模型可以获得误差更小的模拟结果。
可知集合各网站数据及其统计量的多元线性回归模型较之仅使用点数据均值拟合面均值的模型，其拟合精度更高，模型更可靠，且其结果逐步回归后保留下来的灰湾中、观音山中、海口西和滇池南四个网站沿滇池外海分布均匀，降低了网站数据的冗余，年标准偏差和年极差能够进一步反应滇池外海各网站的整体监测情况和数据质量。为进一步提高基于点数据估算面均值的研究提供了技术支持。
表2-判定系数和均方根误差的比较。
| 模型 | R2 | RMSE |
| 传统算术均值模型 | 0.97 | 2.6787 |
| 基于统计量的改进模型 | 0.98 | 2.0499 |
在建立多元线性回归模型后还包括：
使用均方根误差和判定系数作为模型性能评估指标。
具体地，均方根误差用于计算模型预测值与实测值之间的误差，用于判断预测值的稳定性，该指标越小表示模型误差越小；判定系数是对估计的回归方程拟合优度的度量，用以说明模型的所有解释变量对因变量的联合影响程度。
S6：获取研究区新的卫星影像，提取影像波段值计算相应的统计变量，将统计变量输入到所述多元线性回归模型中，计算叶绿素a浓度平均值。
具体地，获取的研究区域新的卫星影像，依照之前处理流程处理影像，提取各网站像素值，并计算模型所需的统计变量，将其作为自变量带入模型反演研究区叶绿素a浓度平均值。
由以上技术方案可知，本申请采用了多元线性逐步回归模型，综合全面地考虑了全湖(库)各网站叶绿素a浓度反演值对于全湖(库)叶绿素a浓度均值的权重和各网站间的相互关系，减少了数据冗余，挖掘数据信息，克服了基于低网站密度而计算的全湖(库)叶绿素a浓度均值精度较低的技术问题，进而提高了基于离散监测点位数据估算全湖(库)平均值的精度。
本申请将基于网站数据计算的统计变量数据加入多元线性逐步回归模型能够同时考虑自变量与因变量、自变量与自变量间的相互关系，且剔除不显著网站数据，从而降低各网站间的冗余。
为了满足高精度水体富营养化监测需求，在水环境定量遥感中，深入挖掘点数据间统计量来提高其对于面资料的代表性，对于进一步加强网站数据对于全湖范围内的解释性，具有现实意义。
与前述的一种计算面状区域叶绿素a浓度平均值方法的实施例相对应，本申请还提供了一种计算面状区域叶绿素a浓度平均值设备的实施例。
图4是根据一示例性实施例示出的一种计算面状区域叶绿素a浓度平均值的装置的框图。参照图4，该装置包括：
获取模块1，用于获取研究区域叶绿素a浓度反演的栅格图像；
提取模块2，用于根据研究区域栅格图像的矢量边界和网站坐标文件，提取矢量边界范围内全像素叶绿素a浓度均值和各网站像素值；
第一计算模块3，用于基于提取的各网站像素值，计算各网站数据间的统计变量；
统计筛选模块4，用于使用逐步线性回归判断各网站数据间的统计变量对于全像素叶绿素a浓度均值的重要程度，筛选出符合阈值的统计变量；
建模模块5，用于以筛选后的统计变量为自变量，以全像素叶绿素a浓度均值为因变量建立多元线性回归模型；
第二计算模块6，用于获取研究区新的卫星影像，提取影像波段值计算相应的统计变量，将统计变量输入到所述多元线性回归模型中，计算叶绿素a浓度平均值。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
相应的，本申请还提供一种电子设备，包括：一个或多个处理器；内存，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的一种计算面状区域叶绿素a浓度平均值方法。
相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述的一种计算面状区域叶绿素a浓度平均值方法。
本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (6)
1.一种计算面状区域叶绿素a浓度平均值的方法，其特征在于，包括：
获取研究区域叶绿素a浓度反演的栅格图像；
根据研究区域栅格图像的矢量边界和网站坐标文件，提取矢量边界范围内全像素叶绿素a浓度均值和各网站像素值；
基于提取的各网站像素值，计算各网站数据间的统计变量；
使用逐步线性回归判断各网站数据间的统计变量对于全像素叶绿素a浓度均值的重要程度，筛选出符合阈值的统计变量；
以筛选后的统计变量为自变量，以全像素叶绿素a浓度均值为因变量建立多元线性回归模型；
获取研究区新的卫星影像，提取影像波段值计算相应的统计变量，将统计变量输入到所述多元线性回归模型中，计算叶绿素a浓度平均值；
其中，获取研究区域叶绿素a浓度反演的栅格图像，包括：
根据研究区域内水质监测站点水质数据的实测日期和目标卫星成像时间，确定时间窗口；
依据设置好的时间窗口，筛选影像提取影像光谱波段数据，利用波段算法得到与实测叶绿素a浓度数据皮尔逊相关系数前三高的新波段；
根据所述新波段建立叶绿素a浓度反演模型，将反演结果以年为单位进行合成，得到研究区域年际叶绿素a浓度反演栅格图；
其中，根据研究区域栅格图像的矢量边界和网站坐标文件，提取矢量边界范围内全像素叶绿素a浓度均值和各网站像素值，包括：
研究区域为湖泊水体，将反演栅格图边界进行缓冲区处理，向内收缩预定距离以消除水体与陆地边界像元值带来的误差，提取缓冲区处理后的研究区矢量边界，计算矢量边界内全像素叶绿素a浓度均值；
对缓冲区处理后的栅格图进行滤波处理，根据影像空间分辨率和研究区域面积确定滤波窗口大小，滤波窗口内像素均值作为该滤波窗口的中心点像素值，排除研究区内单个像素奇异值对结果的影响，对进行滤波处理后的影像提取网站坐标对应像素点的像素值。
2.根据权利要求1所述的方法，其特征在于，使用逐步线性回归判断各网站数据间的统计变量对于全像素叶绿素a浓度均值的重要程度，筛选出符合阈值的统计变量，包括：
将提取的网站位置数据和基于此计算的统计变量均作为自变量，计算对于全像素面叶绿素a均值的重要性；
采用逐步回归的方法，选取满足t检验p值＜0.05的显著统计变量作为最终的统计变量。
3.根据权利要求1所述的方法，其特征在于，建立多元线性回归模型后还包括：
使用均方根误差和判定系数作为模型性能评估指标。
4.一种计算面状区域叶绿素a浓度平均值的装置，其特征在于，包括：
获取模块，用于获取研究区域叶绿素a浓度反演的栅格图像；
提取模块，用于根据研究区域栅格图像的矢量边界和网站坐标文件，提取矢量边界范围内全像素叶绿素a浓度均值和各网站像素值；
第一计算模块，用于基于提取的各网站像素值，计算各网站数据间的统计变量；
统计筛选模块，用于使用逐步线性回归判断各网站数据间的统计变量对于全像素叶绿素a浓度均值的重要程度，筛选出符合阈值的统计变量；
建模模块，用于以筛选后的统计变量为自变量，以全像素叶绿素a浓度均值为因变量建立多元线性回归模型；
第二计算模块，用于获取研究区新的卫星影像，提取影像波段值计算相应的统计变量，将统计变量输入到所述多元线性回归模型中，计算叶绿素a浓度平均值；
其中，获取研究区域叶绿素a浓度反演的栅格图像，包括：
根据研究区域内水质监测站点水质数据的实测日期和目标卫星成像时间，确定时间窗口；
依据设置好的时间窗口，筛选影像提取影像光谱波段数据，利用波段算法得到与实测叶绿素a浓度数据皮尔逊相关系数前三高的新波段；
根据所述新波段建立叶绿素a浓度反演模型，将反演结果以年为单位进行合成，得到研究区域年际叶绿素a浓度反演栅格图；
其中，根据研究区域栅格图像的矢量边界和网站坐标文件，提取矢量边界范围内全像素叶绿素a浓度均值和各网站像素值，包括：
研究区域为湖泊水体，将反演栅格图边界进行缓冲区处理，向内收缩预定距离以消除水体与陆地边界像元值带来的误差，提取缓冲区处理后的研究区矢量边界，计算矢量边界内全像素叶绿素a浓度均值；
对缓冲区处理后的栅格图进行滤波处理，根据影像空间分辨率和研究区域面积确定滤波窗口大小，滤波窗口内像素均值作为该滤波窗口的中心点像素值，排除研究区内单个像素奇异值对结果的影响，对进行滤波处理后的影像提取网站坐标对应像素点的像素值。
5.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3任一项所述的方法。
6.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如权利要求1-3中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310211444.9A CN116542901B (zh) | 2023-03-06 | 2023-03-06 | 一种计算面状区域叶绿素a浓度平均值的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310211444.9A CN116542901B (zh) | 2023-03-06 | 2023-03-06 | 一种计算面状区域叶绿素a浓度平均值的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116542901A CN116542901A (zh) | 2023-08-04 |
| CN116542901B true CN116542901B (zh) | 2023-11-07 |
Family
ID=87442452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310211444.9A Active CN116542901B (zh) | 2023-03-06 | 2023-03-06 | 一种计算面状区域叶绿素a浓度平均值的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116542901B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112881293A (zh) * | 2021-01-08 | 2021-06-01 | 浙江工商大学 | 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 |
| CN113159167A (zh) * | 2021-04-19 | 2021-07-23 | 福州大学 | 基于内陆不同类型水体的叶绿素a反演方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5672035B2 (ja) * | 2011-02-03 | 2015-02-18 | 富士通株式会社 | 入力パラメータ算出方法、装置及びプログラム |
-
2023
- 2023-03-06 CN CN202310211444.9A patent/CN116542901B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112881293A (zh) * | 2021-01-08 | 2021-06-01 | 浙江工商大学 | 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 |
| CN113159167A (zh) * | 2021-04-19 | 2021-07-23 | 福州大学 | 基于内陆不同类型水体的叶绿素a反演方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于实测光谱分析和MODIS数据鄱阳湖叶绿素a浓度估算;张永杰 等;长江流域资源与环境;第22卷(第08期);第1081-1089页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116542901A (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107169492B (zh) | 基于fcn-crf主从网络的极化sar目标检测方法 | |
| CN104992068B (zh) | 一种表层土壤氮素分布的预测方法 | |
| CN109508881B (zh) | 海岛区域分类及生态资源价值评估方法 | |
| CN111597756A (zh) | 一种基于无人机多光谱数据的水质参数反演方法 | |
| CN104899448B (zh) | 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法 | |
| CN116337146B (zh) | 基于改进遥感生态指数的生态质量评价与分区方法及装置 | |
| CN112861732B (zh) | 一种生态环境脆弱区土地监测方法、系统及装置 | |
| CN112700489B (zh) | 基于深度学习的船基视频图像海冰厚度测量方法及系统 | |
| CN113821925A (zh) | 一种基于水生土三要素的湿地动态边界确定方法 | |
| CN114463637A (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
| CN115561176A (zh) | 一种基于特征自适应运算和机器学习融合的水质反演方法 | |
| CN115494007A (zh) | 基于随机森林的土壤有机质高精度快速检测方法及装置 | |
| CN116363521A (zh) | 一种遥感影像语义预测方法 | |
| CN112949657B (zh) | 一种基于遥感影像纹理特征的林地分布提取方法及装置 | |
| Cai et al. | Consistency Assessments of the land cover products on the Tibetan Plateau | |
| CN116542901B (zh) | 一种计算面状区域叶绿素a浓度平均值的方法及装置 | |
| CN114118511A (zh) | 基于云量预测信息的大区域多星联合覆盖有效性评估方法 | |
| CN116844053A (zh) | 一种小麦种植区域识别方法、系统、电子设备及存储介质 | |
| CN116883793A (zh) | 面向遥感分类结果精度评价的多粒度空间抽样方法 | |
| CN115983511A (zh) | 基于改进统计降尺度方法的降水预估方法和系统 | |
| CN116167936A (zh) | 一种用于洪水监测的山体阴影去除方法及装置 | |
| CN115861788A (zh) | 一种基于高分辨率卫星遥感影像的耕地地块提取方法 | |
| CN115203643A (zh) | 融合水文与生态要素的水源涵养功能定量诊断方法及系统 | |
| CN113421258A (zh) | 一种基于高分辨率遥感影像的自动云检测方法 | |
| CN114266968B (zh) | 一种城市不同土地覆盖类型遥感自动解译方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |