CN116543312A - 大范围河湖水质参数遥感反演样本库构建与更新方法 - Google Patents
大范围河湖水质参数遥感反演样本库构建与更新方法 Download PDFInfo
- Publication number
- CN116543312A CN116543312A CN202310512888.6A CN202310512888A CN116543312A CN 116543312 A CN116543312 A CN 116543312A CN 202310512888 A CN202310512888 A CN 202310512888A CN 116543312 A CN116543312 A CN 116543312A
- Authority
- CN
- China
- Prior art keywords
- water quality
- remote sensing
- image
- spt
- water
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 318
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000010276 construction Methods 0.000 title claims abstract description 21
- 238000003384 imaging method Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000012986 modification Methods 0.000 claims description 15
- 230000004048 modification Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 230000003287 optical effect Effects 0.000 claims description 12
- 238000007792 addition Methods 0.000 claims description 11
- 238000012217 deletion Methods 0.000 claims description 11
- 230000037430 deletion Effects 0.000 claims description 11
- 239000003403 water pollutant Substances 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000003344 environmental pollutant Substances 0.000 claims description 8
- 231100000719 pollutant Toxicity 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 239000002352 surface water Substances 0.000 claims description 4
- 239000000443 aerosol Substances 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000003809 water extraction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 claims 1
- 239000000356 contaminant Substances 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- 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 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种大范围河湖水质参数遥感反演样本库构建与更新方法，首先在选取河湖水质站点数据和中高分辨率遥感数据的基础上，获取多源卫星遥感成像范围和成像时间，根据河湖水质站点位置和时间，进行时空过滤匹配，筛选出适用于水质参数反演的遥感数据；接着计算归一化水体指数或后向散射系数，结合阈值法提取水域范围；然后结合河湖监测站点位置、时间和水质要素信息，提取适用于样本库的水质样本点遥感特征参数数据；最后按照不同水体类型、不同水质参数类型及不同的数据获取时间等构建时空分类入库规则，形成大范围河湖水质参数遥感反演样本库，并随着卫星动态重返和水质站点连续观测，实现大范围河湖水质参数遥感反演样本库的动态更新。
Description
技术领域
本发明属于遥感信息智能挖掘技术领域，具体涉及一种大范围河湖水质参数遥感反演样本库构建与更新方法的设计。
背景技术
遥感技术具有大范围、准确客观和成本低等优势，是开展河湖水质监测的重要手段之一。遥感以其特有的光谱成像方式，通过构建水质参数与光谱反射之间的经验模型或者机理模型，能够实现大范围水质参数定量反演。
当前，利用遥感开展水质参数建模与空间模拟，最为核心的是构建水质参数遥感反演样本库。以往的水质参数遥感反演样本库，多是根据实际需求，在研究区域进行少量水质参数人工采样，并收集对应过境的遥感数据，构建水质参数遥感样本库，这种构建方法存在3个不足：(1)人工水质参数样本采集效率较低，样本采集的数量有限，难以实现大范围河湖水质参数同步采样；(2)样本采集仅限于特定的时间，样本的类型难以表征不同水体和不同季节水质变化特征；(3)样本的定期更新困难，人工采样的成本高，且难以实现对同一地点定期观测；(4)构建的水质参数样本库多以单种遥感数据为主，缺乏多源遥感融合，且存在空间匹配误差的问题，导致大范围河湖水质参数遥感样本难以实现高频动态更新，制约着水质参数遥感产品高精度反演。
随着国家和地方水质监测站点快速建设，河湖区域地面水质监测站点数量和监测的水质参数类型增加，并且可以获取每小时的水质参数监测结果，因此，可以充分挖掘河湖水质参数监测数据，结合过境的有效的多源卫星遥感数据，构建涵盖遥感水体反射光谱和水质参数的水质参数遥感样本库，并通过卫星定期重返和地面水质站点的持续监测，实现水质参数遥感样本库的动态更新，为构建高精度的水质参数遥感反演模型提供支撑。
发明内容
本发明的目的是为了解决现有的水质参数遥感样本库构建方法难以实现大范围河湖水质参数同步采样以及难以实现动态更新的问题，提出了一种大范围河湖水质参数遥感反演样本库构建与更新方法。
本发明的技术方案为：大范围河湖水质参数遥感反演样本库构建与更新方法，包括以下步骤：
S1、根据河湖水质站点观测数据获取的时间段和空间范围，收集多源中高分辨率遥感卫星影像数据，并采用卷积神经网络和快速最近邻逼近搜索函数库特征匹配方法进行高精度空间匹配预处理，得到多源时序遥感影像集。
S2、根据多源时序遥感影像集进行水域范围遥感提取和水体类型识别。
S3、根据多源时序遥感影像集和水体类型识别结果提取水质样本点遥感特征参数。
S4、根据水质样本点遥感特征参数构建大范围河湖水质参数遥感反演样本库。
S5、对大范围河湖水质参数遥感反演样本库进行更新。
进一步地，步骤S1包括以下分步骤：
S11、根据河湖水质站点观测数据获取的时间段和空间范围，从Google earthengine云平台或者国产高分遥感数据网站上收集多源中高分辨率遥感卫星影像数据。
S12、对多源中高分辨率遥感卫星影像数据进行预处理，得到预处理图像。
S13、通过卷积神经网络对预处理图像进行特征提取，并在3×3选框内提取显著特征点其中/>表示第i行第j列显著特征点第n维度的特征值。
S14、计算显著特征点在m维度的梯度信息αij：
其中表示显著特征点在m维度的像素值，i′和j′表示点i、j的邻域取值范围，/>表示周围邻域某显著特征点在m维度的像素值。
S15、计算显著特征点的维度差异信息βij：
其中表示显著特征点Pij在各个维度的平均像素值。
S16、根据梯度信息αij和维度差异信息βij计算得到特征描述符sij：
sij＝αij×βij
S17、针对待匹配的遥感影像对I1和I2，对应的特征点A和B分别在I1和I2中，计算特征点A和B的描述符距离r：
其中sA和sB分别表示特征点A和B的特征描述符。
S18、获取与特征点A和B最为相似的点结构N1和N2：
P∈I1且/>
Q∈I2且/>
其中P为I1上的任意特征点，Q为I2上的任意特征点，sP和sQ分别表示特征点P和Q的特征描述符，K表示距离阈值。
S19、计算特征点A和B与其不相关的近似点距离ρ：
其中和/>分别表示点N1和N2的特征描述符。
S110、根据描述符距离r和近似点距离ρ构建卷积神经网络的损失函数μ：
μ＝max(0，M+ρ2-r2)
其中M为拉大匹配点对与非匹配点对之间差距的中间参数。
S111、根据卷积神经网络的损失函数μ构建全局损失函数L(I1，I2)：
其中D表示图像对中包含特征点A和B在内的对应点集，d表示D中的某一对点。
S112、通过全局损失函数得到精确特征点描述值。
S113、采用快速最近邻逼近搜索函数库进行特征匹配，并通过随机抽样一致性算法进行筛选，得到两期影像的匹配初结果。
S114、采用地物的语义信息对匹配初结果进行验证和反馈，得到最终的匹配结果。
S115、选择第一期光学遥感影像作为基准影像，其余多源遥感影像均以基准影像空间位置为参考，采用步骤S13～S114的方法进行高精度配准，得到多源时序遥感影像集I＝{Ii，i＝1，2，...，t}，其中t为影像数量。
进一步地，步骤S11中多源中高分辨率遥感卫星影像数据的选择标准为：
(1)获取的遥感卫星影像成像时间与河湖水质站点观测时间同步。
(2)影像覆盖的空间范围包含所有河湖水质站点。
(3)选择晴空无云影像，地表水体区域无云覆盖。
(4)影像地表层次清晰，无明显气溶胶覆盖。
(5)影像没有缺失扫描行、条带、噪声和异常像元。
(6)影像无冰雪覆盖。
进一步地，步骤S12中的多源中高分辨率遥感卫星影像数据包括光学遥感影像和雷达遥感影像，光学遥感影像的预处理包括辐射定标、大气校正、几何校正、波段配准、多波段影像合成和影像融合，雷达遥感影像的预处理包括轨道校正、影像裁剪、滤波处理、辐射定标、地形校正、地理编码和图像镶嵌。
进一步地，步骤S2包括以下分步骤：
S21、针对多源时序遥感影像集计算归一化水体指数NDWI：
其中ρgreen表示遥感影像绿光波段对应的地表反射率，ρnir表示遥感影像近红外波段对应的地表反射率。
S22、将0<NDWI≤1的遥感影像划分为水体，-1≤NDWI≤0的遥感影像划分为非水体。
S23、针对多源时序雷达遥感影像集，计算其后向散射系数，并进行多阈值分割，实现水体和非水体提取。
S24、综合水体的几何形状、地理位置和功能用途，对水体类型进行识别。
进一步地，步骤S3包括以下分步骤：
S31、根据水体类型识别结果，通过人工判读的方式确定水体类型WaterType。
S32、通过仪器测量获取水体的水质参数种类，划分得到水质类型WaterQualityType。
S33、根据水质样本点采样的空间分布的经度Longitude和纬度Latitude信息以及采样时间DateTime，从多源时序遥感影像集中获取在时空上覆盖该水质样本点的遥感影像像元。
S34、从遥感影像元数据中获取影像类型ImageType、成像时间ImageDateTime、波段数量BandNum、空间分辨率SpatialResolution、光谱分辨率SpectralResolution和每个波段的波长WaveLength。
S35、获取各个波段上对应的像元值，根据水质参数遥感反演的需要，构建相应的波段指数，并命名相应的波段名称BandName。
S36、将像元值与波段名称BandName一一对应，得到对水质样本点SPtwq遥感特征参数的表达。
进一步地，步骤S4包括以下分步骤：
S41、对水质样本点SPtwq进行抽象化表达：
SPtwq＝{ID，DateTime，Position}
Position＝{Longitude，Latitude}
其中ID为水质样本点的唯一标识符，为自动编码，Longitude和Latitude分别为水质样本点空间分布位置Position的经度和纬度。
S42、对水质样本点的属性进行扩展，分别构建水质样本点水质参数类型子类SPtwq_WaterType和水质样本点遥感影像类型子类SPtwq_ImageType，得到大范围河湖水质参数遥感反演样本库。
进一步地，步骤S42中水质样本点水质参数类型子类SPtwq_WaterType的构建方法为：
A1、通过河湖水质站点的空间位置找到与之对应的水质样本点对象，将水质样本点对象的ID赋予水质样本点水质参数类型子类SPtwq_WaterType的外部引用属性ExternalReference。
A2、将水质样本点所在水域的水体类型赋予水质样本点水质参数类型子类SPtwq_WaterType的水体类型WaterType。
A3、将实地传感器采集获得的水体污染物类型、水质参数个数、度量单位和水质参数浓度数据分别赋予水质样本点水质参数类型子类SPtwq_WaterType中水质参数属性WQParameter的水体污染物类型ContaminantType、水质参数个数ContaminantNum、对应的浓度单位ConcentrationUnit和水体污染物的浓度值ParameterValues，从而完成对水质样本点水质参数类型子类SPtwq_WaterType的构建。
进一步地，步骤S42中水质样本点遥感影像类型子类SPtwq_ImageType的构建方法为：
B1、将水质样本点水质参数类型子类SPtwq_WaterType的外部引用属性ExternalReference赋予水质样本点遥感影像类型子类SPtwq_ImageType的外部引用属性ExternalReference。
B2、将卫星传感器获得的成像时间、影像类型和波段取值分别赋予水质样本点遥感影像类型子类SPtwq_ImageType的成像时间ImageDateTime、影像类型ImageType和波段取值BandValues，从而完成对水质样本点遥感影像类型子类SPtwq_ImageType的构建。
进一步地，步骤S5中对大范围河湖水质参数遥感反演样本库进行更新包括地面采样点更新、水质参数类型更新和遥感影像类型更新。
地面采样点更新用于对SPtwq实体的增加、删除及修改，其中增加操作为创建一个新的SPtwq实体，并自动创建空的且与其关联的SPtwq_WaterType和SPtwq_ImageType实体；删除操作为从水质样本数据库中删除SPtwq实体及其关联的SPtwq_WaterType和SPtwq_ImageType实体；更新操作为修改SPtwq实体中的唯一标识符ID、日期时间DateTime和空间位置Position属性，当修改日期时间DateTime和空间位置Position属性时，不对其关联的SPtwq_WaterType和SPtwq_ImageType实体作任何修改，当修改唯一标识符ID时，对应修改SPtwq_WaterType和SPtwq_ImageType实体的外部引用属性ExternalReference值，使之和唯一标识符ID相同，以保持它们之间的关联关系不变。
水质参数类型更新用于对某一SPtwq实体关联的SPtwq_WaterType实体进行水体类型WaterType和水质参数数据WQParametersDescription属性的增加、删除及修改，其中增加操作为增加水体污染物类型ContaminantType；删除操作为删除其中的某一个水质参数类型及其对应的值，并不对SPtwq_WaterType实体进行删除操作；修改操作为修改相应的水体污染物类型数量ContaminantNum、对应的浓度单位ConcentrationUnit和水体污染物的浓度值Parameter Values。
遥感影像类型更新用于对某一SPtwq实体关联的SPtwq_ImageType实体进行影像类型ImageType和波段值描述BandValueDescription的增加、删除及修改，其中增加操作为增加新的影像类型ImageType及波段值描述BandValueDescription；删除操作为删除相应的影像描述及对应的波段值描述BandValueDescription；修改操作为修改影像成像时间ImageDateTime及波段值描述BandValueDescription属性。
本发明的有益效果是：
(1)本发明充分利用水质监测站点和多源卫星遥感数据，实现了大范围河湖水质参数天地一体化同步采样，突破了多类型水质参数类型遥感样本库构建的技术瓶颈，构建的样本库具有时空一致性等优势，减少了水质参数遥感建模误差。
(2)本发明适用于多源光学和雷达遥感数据的水质参数样本库自动建模，可用于多源遥感数据水质参数定量反演，能够表征不同类型水体和不同季节水体变化特征。
(3)本发明针对多源光学和雷达卫星遥感数据水质参数建模缺乏严格空间匹配的问题，采用了卷积神经网络和Flann特征匹配，实现了多源遥感高精度精准几何匹配，解决了多尺度遥感影像水质参数建模存在空间匹配误差的问题。
(4)本发明基于卫星动态重返和水质站点连续观测数据，能够动态更新和扩充水质参数遥感样本库，提高了水质参数遥感反演的精度，适用于氨氮、总氮、总磷、悬浮物泥沙及叶绿素a等多种水质参数遥感定量反演。
附图说明
图1所示为本发明实施例提供的大范围河湖水质参数遥感反演样本库构建与更新方法流程图。
图2所示为本发明实施例提供的水质样本点对象及其子对象UML结构及关联关系示意图。
图3所示为本发明实施例提供的水质参数类型与水质样本点类型关联关系建立及其数据来源示意图。
图4所示为本发明实施例提供的遥感影像类型与水质参数类型关联关系建立及其数据来源示意图。
图5所示为本发明实施例提供的样本点对应位置波段值示意图。
图6所示为本发明实施例提供的更新后大范围河湖水质参数遥感反演样本库示意图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
本发明实施例提供了一种大范围河湖水质参数遥感反演样本库构建与更新方法，如图1所示，包括以下步骤S1～S5：
S1、根据河湖水质站点观测数据获取的时间段和空间范围，收集多源中高分辨率遥感卫星影像数据，并采用卷积神经网络和快速最近邻逼近搜索函数库特征匹配方法进行高精度空间匹配预处理，得到多源时序遥感影像集。
步骤S1包括以下分步骤S11～S115：
S11、根据河湖水质站点观测数据获取的时间段和空间范围，从Google earthengine云平台或者国产高分遥感数据网站上收集多源中高分辨率遥感卫星影像数据。
本发明实施例中，多源中高分辨率遥感卫星影像数据的选择标准为：
(1)获取的遥感卫星影像成像时间与河湖水质站点观测时间同步。
(2)影像覆盖的空间范围包含所有河湖水质站点。
(3)选择晴空无云影像，地表水体区域无云覆盖。
(4)影像地表层次清晰，无明显气溶胶覆盖。
(5)影像没有缺失扫描行、条带、噪声和异常像元。
(6)影像无冰雪覆盖。
本发明实施例中，多源中高分辨率遥感卫星影像数据包括光学遥感影像和雷达遥感影像，其中光学遥感影像选择高分一号、高分二号、高分四号、高分六号以及资源系列卫星、哨兵二号、Landsat系列等遥感数据，雷达遥感影像选择高分三号、哨兵一号等遥感数据。
S12、对多源中高分辨率遥感卫星影像数据进行预处理，得到预处理图像。
本发明实施例中，光学遥感影像的预处理包括辐射定标、大气校正、几何校正、波段配准、多波段影像合成和影像融合，雷达遥感影像的预处理包括轨道校正、影像裁剪、滤波处理、辐射定标、地形校正、地理编码和图像镶嵌。
S13、通过卷积神经网络对预处理图像进行特征提取，并在3×3选框内提取显著特征点其中/>表示第i行第j列显著特征点第n维度的特征值。
本发明实施例中，卷积神经网络选用VGG16网络。
S14、计算显著特征点在m维度的梯度信息αij：
其中表示显著特征点在m维度的像素值，i′和j′表示点i、j的邻域取值范围，/>表示周围邻域某显著特征点在m维度的像素值。
S15、计算显著特征点的维度差异信息βij：
其中表示显著特征点Pij在各个维度的平均像素值。
S16、根据梯度信息αij和维度差异信息βij计算得到特征描述符sij：
sij＝αij×βij
S17、针对待匹配的遥感影像对I1和I2，对应的特征点A和B分别在I1和I2中，计算特征点A和B的描述符距离r：
其中sA和sB分别表示特征点A和B的特征描述符。
S18、获取与特征点A和B最为相似的点结构N1和N2：
P∈I1且/>
Q∈I2且/>
其中P为I1上的任意特征点，Q为I2上的任意特征点，sP和sQ分别表示特征点P和Q的特征描述符，K表示距离阈值，用于避免选取的点为特征点A和B的邻点。
S19、计算特征点A和B与其不相关的近似点距离ρ：
其中和/>分别表示点N1和N2的特征描述符。
S110、根据描述符距离r和近似点距离ρ构建卷积神经网络的损失函数μ：
μ＝max(0，M+ρ2-r2)
其中M为拉大匹配点对与非匹配点对之间差距的中间参数。
S111、根据卷积神经网络的损失函数μ构建全局损失函数L(I1，I2)：
其中D表示图像对中包含特征点A和B在内的对应点集，d表示D中的某一对点。
S112、通过全局损失函数得到精确特征点描述值。
S113、采用快速最近邻逼近搜索函数库(Flann)进行特征匹配，并通过随机抽样一致性算法进行筛选，得到两期影像的匹配初结果。
S114、采用地物(道路、水体、建筑等)的语义信息对匹配初结果进行验证和反馈，得到最终的匹配结果。
S115、选择第一期光学遥感影像作为基准影像，其余多源遥感影像均以基准影像空间位置为参考，采用步骤S13～S114的方法进行高精度配准，得到多源时序遥感影像集I＝{Ii，i＝1，2，...，t}，其中t为影像数量。
S2、根据多源时序遥感影像集进行水域范围遥感提取和水体类型识别。
步骤S2包括以下分步骤S21～S23：
S21、针对多源时序遥感影像集计算归一化水体指数NDWI：
其中ρgreen表示遥感影像绿光波段对应的地表反射率，ρnir表示遥感影像近红外波段对应的地表反射率。
S22、通过阈值设置的方法提取水体，将0<NDWI≤1的遥感影像划分为水体，-1≤NDWI≤0的遥感影像划分为非水体。
S23、针对多源时序雷达遥感影像集，计算其后向散射系数，并进行多阈值分割，实现水体和非水体提取。
S24、综合水体的几何形状、地理位置和功能用途，对水体类型进行识别，将水体划分为海洋、河流、湖泊、沼泽等类型。
S3、根据多源时序遥感影像集和水体类型识别结果提取水质样本点遥感特征参数。
步骤S3包括以下分步骤：
S31、根据水体类型识别结果，通过人工判读的方式确定水体类型WaterType。
S32、依据《地表水环境质量标准》等国家或地方有关标准，通过仪器测量获取水体的水质参数种类，划分得到水质类型WaterQualityType。
S33、根据水质样本点采样的空间分布的经度Longitude和纬度Latitude信息以及采样时间DateTime，从多源时序遥感影像集中获取在时空上覆盖该水质样本点的遥感影像像元。
S34、从遥感影像元数据中获取影像类型ImageType、成像时间ImageDateTime、波段数量BandNum、空间分辨率SpatialResolution、光谱分辨率SpectralResolution和每个波段的波长WaveLength。
S35、获取各个波段上对应的像元值(地表反射率或雷达后向散射系数)，根据水质参数遥感反演的需要，构建相应的波段指数，并命名相应的波段名称BandName。
S36、将像元值与波段名称BandName一一对应，得到对水质样本点SPtwq遥感特征参数的表达。
S4、根据水质样本点遥感特征参数构建大范围河湖水质参数遥感反演样本库。
本发明实施例中，实现基于遥感的水质反演的前提是利用地面设备实地采集水体样本，并记录样本采集的具体空间位置(地理坐标系下采集样本点的经纬度)，构成样本点在空间上的唯一性。由于地面传感器位置固定，水环境受水文条件、天气、人类活动等的影响较大，其中的污染物类型、污染物浓度具有较强的时空异质性；且用于水质监测的遥感数据类型也日益多样化。因此，为适应不同遥感数据下的不同水质参数类型监测的需求，有必要对样本的空间位置、地面测量的水质参数类型及其在遥感影像上记录的像素值等数据进行分层表达，以适应水质参数监测需求变化及遥感数据类型变化，减少重复的数据采集工作，避免出现因水质参数类型变化或遥感数据变化引起的对水质样本点空间位置数据的重复采集。
基于此，步骤S4包括以下分步骤S41～S42：
S41、采用面向对象的方法，对水质样本点SPtwq进行抽象化表达：
SPtwq＝{ID，DateTime，Position}
Position＝{Longitude，Latitude}
其中ID为水质样本点的唯一标识符，为自动编码，Longitude和Latitude分别为水质样本点空间分布位置Position的经度和纬度。关键字段ID可实现水质样本点类型与子类之间关联关系的建立，水质样本点类及其子类的UML结构及建模实例如图2虚线框中所示。
水质样本点SPtwq实体的唯一标识符ID通过自定义的整型数值类型ObjectID进行人工赋值，以确保其唯一性。而其空间分布位置Position则是通过地面监测设备自带的北斗/GPS定位组件自动获取，经坐标系统转换为统一的地理坐标系(如WGS84)，坐标系转换的一般形式如下式所示，并采用十进制方式表示的水质样本点经纬度。由地理空间参照系唯一标识符(EPSG，European Petroleum Survey Group)、样本点经度(Longitude)和样本点纬度(Latitude)构成对AbsoluteGeographicLocation类型的定义，其中，EPSG可在https：//epsg.io/网站上根据对应的坐标系统查询获得。
AbsoluteGeographicLocation＝{EPSG，Longitude，Latitude}
其中α、β、γ分别为绕x、y、z轴的旋转角，(x，y，z)为原始坐标，(x′，y′，z′)为转换后的坐标。
在水质样本点采集时间的表达方面，数据采集的日期Date与时间Time可通过监测设备的时间记录模块获得，采用AbsoluteTimePosition类表示，其属性包含时间参照系类型TimeReferenceSystem及数据采集的日期Date与时间Time。
S42、对水质样本点的属性进行扩展，分别构建水质样本点水质参数类型子类SPtwq_WaterType和水质样本点遥感影像类型子类SPtwq_ImageType，得到大范围河湖水质参数遥感反演样本库。
本发明实施例中，如图3所示，水质样本点水质参数类型子类SPtwq_WaterType的构建方法为：
A1、通过河湖水质站点的空间位置找到与之对应的水质样本点对象，将水质样本点对象的ID赋予水质样本点水质参数类型子类SPtwq_WaterType的外部引用属性ExternalReference，从而建立与水质样本点对象的关联关系。
A2、将水质样本点所在水域的水体类型(如河流或湖泊)赋予水质样本点水质参数类型子类SPtwq_WaterType的水体类型WaterType。
A3、将实地传感器采集获得的水体污染物类型、水质参数个数、度量单位和水质参数浓度数据分别赋予水质样本点水质参数类型子类SPtwq_WaterType中水质参数属性WQParameter的水体污染物类型ContaminantType、水质参数个数ContaminantNum、对应的浓度单位ConcentrationUnit和水体污染物的浓度值ParameterValues，从而完成对水质样本点水质参数类型子类SPtwq_WaterType的构建。
本发明实施例中，构建的水质样本点水质参数类型子类SPtwq_WaterType的具体UML结构图和用以表达水质参数观测数据类型WQParametersDescription的UML结构图如图2虚线框中所示。
如图4所示，水质样本点遥感影像类型子类SPtwq_ImageType的构建方法为：
B1、将水质样本点水质参数类型子类SPtwq_WaterType的外部引用属性ExternalReference赋予水质样本点遥感影像类型子类SPtwq_ImageType的外部引用属性ExternalReference。
B2、将卫星传感器获得的成像时间、影像类型和波段取值分别赋予水质样本点遥感影像类型子类SPtwq_ImageType的成像时间ImageDateTime、影像类型ImageType和波段取值BandValues，从而完成对水质样本点遥感影像类型子类SPtwq_ImageType的构建。
本发明实施例中，对于波段取值BandValues的提取，主要需要考虑以下三种情况：(1)样本点落在影像栅格内部；(2)样本点落在影像相邻两个栅格的公共边上；(3)样本点落在影像相邻栅格公共顶点上，如图5所示。尽管第(2)与第(3)种情况不常见，但还应对其取值方法进行进一步说明。以图5为例，若出现图5(a)所示的第一种情况，则样本点对应的波段取值为v1；若出现图5(b)所示的第二种情况，则样本点对应的波段取值为(v1+v2)/2；若出现图5(c)所示的第三种情况，则样本点对应的波段取值为(v1+v2+v3+v4)/4，其中v1、v2、v3、v4分别为相应像元的波谱反射率或后向散射系数值。
本发明实施例中，构建的水质样本点遥感影像类型子类SPtwq_ImageType的具体UML结构图如图2实线框中所示。
S5、对大范围河湖水质参数遥感反演样本库进行更新。
本发明实施例中，对大范围河湖水质参数遥感反演样本库进行更新包括地面采样点更新、水质参数类型更新和遥感影像类型更新。
地面采样点更新用于对SPtwq实体的增加、删除及修改，上述操作可通过数据库中的SQL语句实现。其中增加操作为创建一个新的SPtwq实体，并自动创建空的且与其关联的SPtwq_WaterType和SPtwq_ImageType实体；删除操作为从水质样本数据库中删除SPtwq实体及其关联的SPtwq_WaterType和SPtwq_ImageType实体；更新操作为修改SPtwq实体中的唯一标识符ID、日期时间DateTime和空间位置Position属性，当修改日期时间DateTime和空间位置Position属性时，不对其关联的SPtwq_WaterType和SPtwq_ImageType实体作任何修改，当修改唯一标识符ID时，对应修改SPtwq_WaterType和SPtwq_ImageType实体的外部引用属性ExternalReference值，使之和唯一标识符ID相同，以保持它们之间的关联关系不变。
水质参数类型更新用于对某一SPtwq实体关联的SPtwq_WaterType实体进行水体类型WaterType和水质参数数据WQParametersDescription属性的增加、删除及修改，其中增加操作为增加水体污染物类型ContaminantType，例如由原来的总磷、总氮增加到当前的总磷、总氮、氨氮三类水体污染物；删除操作为删除其中的某一个水质参数类型及其对应的值，并不对SPtwq_WaterType实体进行删除操作；修改操作为修改相应的水体污染物类型数量ContaminantNum、对应的浓度单位ConcentrationUnit和水体污染物的浓度值ParameterValues。
遥感影像类型更新用于对某一SPtwq实体关联的SPtwq_ImageType实体进行影像类型ImageType和波段值描述BandValueDescription的增加、删除及修改，其中增加操作为增加新的影像类型ImageType及波段值描述BandValueDescription，例如波段数量BandNum、波长WaveLength、空间分辨率SpatialResolution、光谱分辨率SpectralResolution等；删除操作为删除相应的影像描述及对应的波段值描述BandValueDescription；修改操作为修改影像成像时间ImageDateTime及波段值描述BandValueDescription属性。
本发明实施例中，更新的大范围河湖水质参数遥感反演样本库示例如图6所示。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (10)
1.大范围河湖水质参数遥感反演样本库构建与更新方法，其特征在于，包括以下步骤：
S1、根据河湖水质站点观测数据获取的时间段和空间范围，收集多源中高分辨率遥感卫星影像数据，并采用卷积神经网络和快速最近邻逼近搜索函数库特征匹配方法进行高精度空间匹配预处理，得到多源时序遥感影像集；
S2、根据多源时序遥感影像集进行水域范围遥感提取和水体类型识别；
S3、根据多源时序遥感影像集和水体类型识别结果提取水质样本点遥感特征参数；
S4、根据水质样本点遥感特征参数构建大范围河湖水质参数遥感反演样本库；
S5、对大范围河湖水质参数遥感反演样本库进行更新。
2.根据权利要求1所述的大范围河湖水质参数遥感反演样本库构建与更新方法，其特征在于，所述步骤S1包括以下分步骤：
S11、根据河湖水质站点观测数据获取的时间段和空间范围，从Google earth engine云平台或者国产高分遥感数据网站上收集多源中高分辨率遥感卫星影像数据；
S12、对多源中高分辨率遥感卫星影像数据进行预处理，得到预处理图像；
S13、通过卷积神经网络对预处理图像进行特征提取，并在3×3选框内提取显著特征点其中/>表示第i行第j列显著特征点第n维度的特征值；
S14、计算显著特征点在m维度的梯度信息αij：
其中表示显著特征点在m维度的像素值，i′和j′表示点i、j的邻域取值范围，/>表示周围邻域某显著特征点在m维度的像素值；
S15、计算显著特征点的维度差异信息βij：
其中表示显著特征点Pij在各个维度的平均像素值；
S16、根据梯度信息αij和维度差异信息βij计算得到特征描述符sij：
sij＝ij×βij
S17、针对待匹配的遥感影像对I1和I2，对应的特征点A和B分别在I1和I2中，计算特征点A和B的描述符距离r：
其中sA和sB分别表示特征点A和B的特征描述符；
S18、获取与特征点A和B最为相似的点结构N1和N2：
且/>
且/>
其中P为I1上的任意特征点，Q为I2上的任意特征点，sP和sQ分别表示特征点P和Q的特征描述符，K表示距离阈值；
S19、计算特征点A和B与其不相关的近似点距离ρ：
其中和/>分别表示点N1和N2的特征描述符；
S110、根据描述符距离r和近似点距离ρ构建卷积神经网络的损失函数μ：
μ＝max(0,M+ρ2-r2)
其中M为拉大匹配点对与非匹配点对之间差距的中间参数；
S111、根据卷积神经网络的损失函数μ构建全局损失函数L(I1，I2)：
其中D表示图像对中包含特征点A和B在内的对应点集，d表示D中的某一对点；
S112、通过全局损失函数得到精确特征点描述值；
S113、采用快速最近邻逼近搜索函数库进行特征匹配，并通过随机抽样一致性算法进行筛选，得到两期影像的匹配初结果；
S114、采用地物的语义信息对匹配初结果进行验证和反馈，得到最终的匹配结果；
S115、选择第一期光学遥感影像作为基准影像，其余多源遥感影像均以基准影像空间位置为参考，采用步骤S13～S114的方法进行高精度配准，得到多源时序遥感影像集I＝{Ii,i＝1,2,…,t}，其中t为影像数量。
3.根据权利要求2所述的大范围河湖水质参数遥感反演样本库构建与更新方法，其特征在于，所述步骤S11中多源中高分辨率遥感卫星影像数据的选择标准为：
(1)获取的遥感卫星影像成像时间与河湖水质站点观测时间同步；
(2)影像覆盖的空间范围包含所有河湖水质站点；
(3)选择晴空无云影像，地表水体区域无云覆盖；
(4)影像地表层次清晰，无明显气溶胶覆盖；
(5)影像没有缺失扫描行、条带、噪声和异常像元；
(6)影像无冰雪覆盖。
4.根据权利要求2所述的大范围河湖水质参数遥感反演样本库构建与更新方法，其特征在于，所述步骤S12中的多源中高分辨率遥感卫星影像数据包括光学遥感影像和雷达遥感影像，所述光学遥感影像的预处理包括辐射定标、大气校正、几何校正、波段配准、多波段影像合成和影像融合，所述雷达遥感影像的预处理包括轨道校正、影像裁剪、滤波处理、辐射定标、地形校正、地理编码和图像镶嵌。
5.根据权利要求1所述的大范围河湖水质参数遥感反演样本库构建与更新方法，其特征在于，所述步骤S2包括以下分步骤：
S21、针对多源时序遥感影像集计算归一化水体指数NDWI：
其中ρgreen表示遥感影像绿光波段对应的地表反射率，ρnir表示遥感影像近红外波段对应的地表反射率；
S22、将0<NDWI≤1的遥感影像划分为水体，-1≤NDWI≤0的遥感影像划分为非水体；
S23、针对多源时序雷达遥感影像集，计算其后向散射系数，并进行多阈值分割，实现水体和非水体提取；
S24、综合水体的几何形状、地理位置和功能用途，对水体类型进行识别。
6.根据权利要求1所述的大范围河湖水质参数遥感反演样本库构建与更新方法，其特征在于，所述步骤S3包括以下分步骤：
S31、根据水体类型识别结果，通过人工判读的方式确定水体类型WaterType；
S32、通过仪器测量获取水体的水质参数种类，划分得到水质类型WaterQualityType；
S33、根据水质样本点采样的空间分布的经度Longitude和纬度Latitude信息以及采样时间DateTime，从多源时序遥感影像集中获取在时空上覆盖该水质样本点的遥感影像像元；
S34、从遥感影像元数据中获取影像类型ImageType、成像时间ImageDateTime、波段数量BandNum、空间分辨率SpatialResolution、光谱分辨率SpectralResolution和每个波段的波长WaveLength；
S35、获取各个波段上对应的像元值，根据水质参数遥感反演的需要，构建相应的波段指数，并命名相应的波段名称BandName；
S36、将像元值与波段名称BandName一一对应，得到对水质样本点SPtwq遥感特征参数的表达。
7.根据权利要求6所述的大范围河湖水质参数遥感反演样本库构建与更新方法，其特征在于，所述步骤S4包括以下分步骤：
S41、对水质样本点SPtwq进行抽象化表达：
SPtwq＝{ID，DateTime，Position}
Position＝{Longitude，Latitude}
其中ID为水质样本点的唯一标识符，为自动编码，Longitude和Latitude分别为水质样本点空间分布位置Position的经度和纬度；
S42、对水质样本点的属性进行扩展，分别构建水质样本点水质参数类型子类SPtwq-WaterType和水质样本点遥感影像类型子类SPtwq-ImageType，得到大范围河湖水质参数遥感反演样本库。
8.根据权利要求7所述的大范围河湖水质参数遥感反演样本库构建与更新方法，其特征在于，所述步骤S42中水质样本点水质参数类型子类SPtwq-WaterType的构建方法为：
A1、通过河湖水质站点的空间位置找到与之对应的水质样本点对象，将水质样本点对象的ID赋予水质样本点水质参数类型子类SPtwq-WaterType的外部引用属性ExternalReference；
A2、将水质样本点所在水域的水体类型赋予水质样本点水质参数类型子类SPtwq-WaterType的水体类型WaterType；
A3、将实地传感器采集获得的水体污染物类型、水质参数个数、度量单位和水质参数浓度数据分别赋予水质样本点水质参数类型子类SPtwq-WaterType中水质参数属性WQParameter的水体污染物类型ContaminantType、水质参数个数ContaminantNum、对应的浓度单位ConcentrationUnit和水体污染物的浓度值ParameterValues，从而完成对水质样本点水质参数类型子类SPtwq-WaterType的构建。
9.根据权利要求7所述的大范围河湖水质参数遥感反演样本库构建与更新方法，其特征在于，所述步骤S42中水质样本点遥感影像类型子类SPtwq-ImageType的构建方法为：
B1、将水质样本点水质参数类型子类SPtwq-WaterType的外部引用属性ExternalReference赋予水质样本点遥感影像类型子类SPtwq-ImageType的外部引用属性ExternalReference；
B2、将卫星传感器获得的成像时间、影像类型和波段取值分别赋予水质样本点遥感影像类型子类SPtwq_ImageType的成像时间ImageDateTime、影像类型ImageType和波段取值BandValues，从而完成对水质样本点遥感影像类型子类SPtwq-ImageType的构建。
10.根据权利要求7所述的大范围河湖水质参数遥感反演样本库构建与更新方法，其特征在于，所述步骤S5中对大范围河湖水质参数遥感反演样本库进行更新包括地面采样点更新、水质参数类型更新和遥感影像类型更新；
所述地面采样点更新用于对SPtwq实体的增加、删除及修改，其中增加操作为创建一个新的SPtwq实体，并自动创建空的且与其关联的SPtwq-WaterType和SPtwq-ImageType实体；删除操作为从水质样本数据库中删除SPtwq实体及其关联的SPtwq-WaterType和SPtwq_ImageType实体；更新操作为修改SPtwq实体中的唯一标识符ID、日期时间DateTime和空间位置Position属性，当修改日期时间DateTime和空间位置Position属性时，不对其关联的SPtwq-WaterType和SPtwq-ImageType实体作任何修改，当修改唯一标识符ID时，对应修改SPtwq-WaterType和SPtwq-ImageType实体的外部引用属性ExternalReference值，使之和唯一标识符ID相同，以保持它们之间的关联关系不变；
所述水质参数类型更新用于对某一SPtwq实体关联的SPtwq-WaterType实体进行水体类型WaterType和水质参数数据WQParametersDescription属性的增加、删除及修改，其中增加操作为增加水体污染物类型ContaminantType；删除操作为删除其中的某一个水质参数类型及其对应的值，并不对SPtwq-WaterType实体进行删除操作；修改操作为修改相应的水体污染物类型数量ContaminantNum、对应的浓度单位ConcentrationUnit和水体污染物的浓度值ParameterValues；
所述遥感影像类型更新用于对某一SPtwq实体关联的SPtwq-ImageType实体进行影像类型ImageType和波段值描述BandValueDescription的增加、删除及修改，其中增加操作为增加新的影像类型ImageType及波段值描述BandValueDescription；删除操作为删除相应的影像描述及对应的波段值描述BandValueDescription；修改操作为修改影像成像时间ImageDateTime及波段值描述BandValueDescription属性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310512888.6A CN116543312B (zh) | 2023-05-08 | 2023-05-08 | 大范围河湖水质参数遥感反演样本库构建与更新方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310512888.6A CN116543312B (zh) | 2023-05-08 | 2023-05-08 | 大范围河湖水质参数遥感反演样本库构建与更新方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116543312A true CN116543312A (zh) | 2023-08-04 |
| CN116543312B CN116543312B (zh) | 2023-10-20 |
Family
ID=87443062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310512888.6A Active CN116543312B (zh) | 2023-05-08 | 2023-05-08 | 大范围河湖水质参数遥感反演样本库构建与更新方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116543312B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116699096A (zh) * | 2023-08-08 | 2023-09-05 | 凯德技术长沙股份有限公司 | 一种基于深度学习的水质检测方法和系统 |
| CN117274831A (zh) * | 2023-09-04 | 2023-12-22 | 大连海事大学 | 一种基于机器学习与高光谱卫星遥感影像的近岸浑浊水体水深反演方法 |
| CN117392564A (zh) * | 2023-10-13 | 2024-01-12 | 哈尔滨师范大学 | 一种基于深度学习的河流水质反演方法、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111881816A (zh) * | 2020-07-27 | 2020-11-03 | 安徽省（水利部淮河水利委员会）水利科学研究院（安徽省水利工程质量检测中心站） | 一种长时序的河湖围埂养殖区域监测方法 |
| CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
| CN115661661A (zh) * | 2022-11-09 | 2023-01-31 | 安徽大学 | 一种针对稀疏站点数据的叶绿素a浓度遥感反演方法 |
-
2023
- 2023-05-08 CN CN202310512888.6A patent/CN116543312B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111881816A (zh) * | 2020-07-27 | 2020-11-03 | 安徽省（水利部淮河水利委员会）水利科学研究院（安徽省水利工程质量检测中心站） | 一种长时序的河湖围埂养殖区域监测方法 |
| CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
| CN115661661A (zh) * | 2022-11-09 | 2023-01-31 | 安徽大学 | 一种针对稀疏站点数据的叶绿素a浓度遥感反演方法 |
Non-Patent Citations (2)
| Title |
|---|
| 潘锁艳;管海燕;: "机载多光谱LiDAR数据的地物分类方法", 测绘学报, no. 02 * |
| 王歆晖 等: "哨兵2卫星综合水质指标的河流水质遥感监测方法", 上海航天（中英文）, vol. 37, no. 5, pages 1 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116699096A (zh) * | 2023-08-08 | 2023-09-05 | 凯德技术长沙股份有限公司 | 一种基于深度学习的水质检测方法和系统 |
| CN116699096B (zh) * | 2023-08-08 | 2023-11-03 | 凯德技术长沙股份有限公司 | 一种基于深度学习的水质检测方法和系统 |
| CN117274831A (zh) * | 2023-09-04 | 2023-12-22 | 大连海事大学 | 一种基于机器学习与高光谱卫星遥感影像的近岸浑浊水体水深反演方法 |
| CN117392564A (zh) * | 2023-10-13 | 2024-01-12 | 哈尔滨师范大学 | 一种基于深度学习的河流水质反演方法、电子设备及存储介质 |
| CN117392564B (zh) * | 2023-10-13 | 2024-04-05 | 哈尔滨师范大学 | 一种基于深度学习的河流水质反演方法、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116543312B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116543312B (zh) | 大范围河湖水质参数遥感反演样本库构建与更新方法 | |
| Francini et al. | Near-real time forest change detection using PlanetScope imagery | |
| Ioannidis et al. | Towards a strategy for control of suburban informal buildings through automatic change detection | |
| Schiavina et al. | GHSL data package 2022 | |
| Yoo et al. | Spatial downscaling of MODIS land surface temperature: Recent research trends, challenges, and future directions | |
| Mozgovoy et al. | Accuracy evaluation of automated object recognition using multispectral aerial images and neural network | |
| CN112800827A (zh) | 高光谱图像分类实验方法 | |
| Hulley et al. | Moderate resolution imaging spectroradiometer (MODIS) land surface temperature and emissivity product (MxD21) user guide | |
| Zhang et al. | A 250m annual alpine grassland AGB dataset over the Qinghai-Tibetan Plateau (2000–2019) based on in-situ measurements, UAV images, and MODIS Data | |
| Wang et al. | [Retracted] Processing Methods for Digital Image Data Based on the Geographic Information System | |
| Xiong et al. | Fusing Landsat-7, Landsat-8 and Sentinel-2 surface reflectance to generate dense time series images with 10m spatial resolution | |
| Han et al. | Refined land-cover classification mapping using a multi-scale transformation method from remote sensing, unmanned aerial vehicle, and field surveys in Sanjiangyuan National Park, China | |
| CN114782255B (zh) | 一种基于语义的夜光遥感影像高分辨率重建方法 | |
| Liu et al. | High-spatial-resolution nighttime light dataset acquisition based on volunteered passenger aircraft remote sensing | |
| MacFaden et al. | LiDAR-aided hydrogeologic modeling and object-based wetland mapping approach for Pennsylvania | |
| Pérez-Goya et al. | RGISTools: Downloading, Customizing, and Processing Time Series of Remote Sensing Data in R | |
| Liang et al. | Estimating daily surface downward shortwave radiation over rugged terrain without bright surface at 30 m on clear-sky days using CERES data | |
| Simanjuntak | Analyzing the relationship between land surface temperature and urban structure types in Bandung, Indonesia | |
| Nguyen | Fractional vegetation cover change detection in megacities using Landsat time-series images: A case study of Hanoi city (Vietnam) during 1986-2019 | |
| Mawasha et al. | Detecting land use and land cover change for a 28-year period using multi-temporal Landsat satellite images in the Jukskei River catchment, Gauteng, South Africa | |
| Ku et al. | Flooded cropland mapping based on GF-3 and Mapbox imagery using semantic segmentation: A case study of Typhoon Siamba in western Guangdong in July 2022 | |
| Roussel et al. | Qualification of a new short-term cloud forecasting method for the optimization of Earth observation satellite programs | |
| Karale et al. | Spatially lagged predictors from a wider area improve PM2. 5 estimation at a finer temporal interval—A case study of Dallas-Fort Worth, United States | |
| Han et al. | Estimating fractional vegetation cover of oasis in Tarim Basin, China, using dimidiate fractional cover model | |
| Kyzivat et al. | ABoVE: AirSWOT Water Masks from Color-Infrared Imagery over Alaska and Canada, 2017. ORNL DAAC, Oak Ridge, Tennessee, USA |
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 |