CN116580308B - 一种土壤修复的监测方法及监测装置 - Google Patents

一种土壤修复的监测方法及监测装置 Download PDF

Info

Publication number
CN116580308B
CN116580308B CN202310847861.2A CN202310847861A CN116580308B CN 116580308 B CN116580308 B CN 116580308B CN 202310847861 A CN202310847861 A CN 202310847861A CN 116580308 B CN116580308 B CN 116580308B
Authority
CN
China
Prior art keywords
soil
pixel
vegetation
value
calculating
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
Application number
CN202310847861.2A
Other languages
English (en)
Other versions
CN116580308A (zh
Inventor
王文江
王兴博
随力豪
王�琦
王苗苗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CCCC TDC Environmental Engineering Co Ltd
Original Assignee
CCCC TDC Environmental Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CCCC TDC Environmental Engineering Co Ltd filed Critical CCCC TDC Environmental Engineering Co Ltd
Priority to CN202310847861.2A priority Critical patent/CN116580308B/zh
Publication of CN116580308A publication Critical patent/CN116580308A/zh
Application granted granted Critical
Publication of CN116580308B publication Critical patent/CN116580308B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • 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
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Tourism & Hospitality (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种土壤修复的监测方法及监测装置，涉及图像数据处理技术领域。具体地，将待监测区域的土壤遥感图像中的各个像元标记为土壤像元或植被像元；计算每个土壤像元的土壤状态值，计算每个植被像元的植被状态值；基于土壤遥感图像中每个像元在上一时刻及下一时刻的土壤状态值或植被状态值计算生态修复度；根据每个像元的生态修复度生成待监测区域的生态修复结果。本发明可适用于受污染范围较广的、同时含有植被和裸露地块的土壤，也可针对不同种类污染进行评价，适用范围广泛，评价结果精确；并且对像元分类评价可以使评价结果更好地结合物体本身性质的特征，使评价结果更为准确。

Description

一种土壤修复的监测方法及监测装置
技术领域
本发明涉及图像数据处理技术领域，尤其涉及一种土壤修复的监测方法及监测装置。
背景技术
健康的土壤具有重要的生态服务功能、是未来生物技术发展的重要基因库，而土壤污染是全球性的环境问题，严重威胁人类健康和影响社会经济的可持续发展，所以需要及时对污染的土壤进行修复。
由于土壤污染物种类繁多，状况复杂，所以在对土壤进行修复的过程中，需要采取不同的手段并根据土壤污染修复的状况及时对修复方法进行调整，这就需要对土壤污染的修复效果进行监测。
现有的检测方法主要分为两类：第一类为人工选取修复中的取样点，对取样点的土壤进行取样，再对取样的土壤进行成分分析，以确定修复效果，虽然现在已经能够通过机械完成土壤的自动取样，但修复效果评价为取样土壤的情况，结果受取样位置的影响较大，且当需要修复的土壤面积较大时，取样点较多费时费力；第二类为针对单种化学元素污染修复状况的评价，针对的适用范围过于狭窄，应用效率较低。
所以，需要一种适用于多种污染物的范围较广的土壤污染的修复效果监测方法。
发明内容
有鉴于此，本发明实施例提供一种土壤修复的监测方法及监测装置，能够适用于受污染范围较广的、同时含有植被和裸露地块的土壤，也可针对不同种类污染进行评价，适用范围广泛，评价结果精确。
为实现上述目的，根据本发明实施例的一个方面，提供了一种土壤修复的监测方法。
本发明实施例的一种土壤修复的监测方法，包括：
获取待监测区域在不同时刻的土壤遥感图像；
将所述土壤遥感图像中的各个像元标记为土壤像元或植被像元；
计算每个所述土壤像元的土壤状态值，计算每个所述植被像元的植被状态值；
基于所述土壤遥感图像中每个像元在上一时刻及下一时刻的所述土壤状态值或所述植被状态值计算生态修复度；
根据每个像元的所述生态修复度生成所述待监测区域的生态修复结果。
可选地，获取待监测区域在不同时刻的土壤遥感图像，包括：
确定监测生态修复效果的待监测区域，并使用遥感传感器获取所述待监测区域在上一时刻及下一时刻的遥感图像；
使用双边滤波对所述遥感图像进行去噪得到土壤遥感图像。
可选地，将所述土壤遥感图像中的各个像元标记为土壤像元或植被像元，包括：
获取所述土壤遥感图像中每个像元的近红外波段反射率和红光波段反射率，根据所述近红外波段反射率和所述红光波段反射率计算每个像元的归一化植被指数；
从所述土壤遥感图像中选取所述归一化植被指数小于或等于归一化植被阈值的像元标记为土壤像元；从所述土壤遥感图像中选取所述归一化植被指数大于归一化植被阈值的像元标记为植被像元；其中，所述归一化植被阈值为0.1，由所述土壤像元组成的区域为土壤区域，由所述植被像元组成的区域为植被区域。
可选地，计算每个所述土壤像元的土壤状态值，计算每个所述植被像元的植被状态值，之前还包括：
对所述土壤遥感图像进行缨帽变换，获得所述土壤遥感图像中每个像元的第一分量、第二分量和第三分量；其中，所述第一分量为亮度分量，所述第二分量为绿度分量，所述第三分量为湿度分量，所述第一分量、所述第二分量和所述第三分量用于计算土壤状态值或植被状态值。
可选地，计算每个所述土壤像元的土壤状态值，包括：
将所述土壤遥感图像中的可见光图像转化为灰度图像，再从所述土壤区域选取各个所述土壤像元对应的土壤像素点，并以每个所述土壤像素点为中心建立土壤取值窗口；
获取每个所述土壤像素点的梯度值，对所述土壤取值窗口内各个所述土壤像素点的梯度值使用K-means算法进行聚类，然后统计簇的个数以及每个簇内所有梯度值的极差和四分位差；
获取所述土壤取值窗口内各个所述土壤像素点的R通道值、G通道值、B通道值，并分别计算所述土壤取值窗口内所述R通道值、所述G通道值、所述B通道值的标准差；
基于所述第一分量、所述第三分量、所述土壤取值窗口内簇的个数、每个簇内所有梯度值的极差和四分位差、及所述土壤取值窗口内所述R通道值、所述G通道值、所述B通道值的标准差，计算每个所述土壤像元的土壤物理特征值、土壤纹理平滑度和土壤表面复杂度；
根据所述土壤物理特征值、所述土壤纹理平滑度和所述土壤表面复杂度计算每个所述土壤像元的土壤状态值。
可选地，计算每个所述土壤像元的土壤状态值，进一步包括：
根据下述公式计算每个所述土壤像元的土壤物理特征值：
；
根据下述公式计算每个所述土壤像元的土壤纹理平滑度：
；
根据下述公式计算每个所述土壤像元的土壤表面复杂度：
；
再根据下述公式计算每个所述土壤像元的土壤状态值：
；
式中，为所述土壤物理特征值，/>为所述土壤纹理平滑度，/>为所述土壤表面复杂度，/>和/>分别为作为中心的所述土壤像素点对应的所述土壤像元的所述第一分量和所述第三分量，/>为所述土壤取值窗口内簇的个数，/>为所述土壤取值窗口内第/>簇内所有梯度值的四分位差，/>为所述土壤取值窗口内第/>簇内所有梯度值的极差，/>、/>、/>分别为所述R通道值、所述G通道值、所述B通道值的标准差，/>为所述土壤状态值。
可选地，计算每个所述植被像元的植被状态值，包括：
以每个所述植被像元为中心建立植被取值窗口；
对所述植被取值窗口内的各个所述植被像元的所述归一化植被指数使用最大类间方差法进行分类，得到划分阈值；
计算所述植被取值窗口内所有所述植被像元的所述归一化植被指数的极差；
基于作为中心的所述植被像元的所述归一化植被指数、所述划分阈值、所述植被取值窗口内所述归一化植被指数的极差、所述第二分量和所述第三分量，计算作为中心的所述植被像元的植被状态值。
可选地，计算每个所述植被像元的植被状态值，进一步包括：
根据下述公式计算每个所述植被像元的植被状态值：
；
式中，为所述植被状态值，/>为作为中心的所述植被像元的所述归一化植被指数，为所述划分阈值，/>为所述植被取值窗口内所述归一化植被指数的极差，/>和/>分别为作为中心的所述植被像元的所述第二分量和所述第三分量。
可选地，基于所述土壤遥感图像中每个像元在上一时刻及下一时刻的所述土壤状态值或所述植被状态值计算生态修复度，包括：
根据下述公式计算所述土壤遥感图像中每个像元的生态修复度：
；
；
式中， 为像元类别系数，/>为所述生态修复度，/>、/>、/>、/>均为常数，取值分别为1、2、-1、1，/>和/>分别表示像元在上一时刻和下一时刻对应的像元类别，/>表示像元类别为土壤像元，/>和/>分别为下一时刻和上一时刻像元对应的状态值，当像元为所述土壤像元时状态值为所述土壤状态值，当像元为所述植被像元时状态值为所述植被状态值。
可选地，根据每个像元的所述生态修复度生成所述待监测区域的生态修复结果，包括：
根据下述公式计算所述待监测区域的生态修复结果：
；
；
；
式中，为污染修复结果，/>为污染退化结果，/>为生态退化率，/>为所述生态修复度，/>，/>为所述生态修复度为非负值的像元的个数，/>，/>为所述生态修复度为负值的像元的个数，/>为像元的总个数；
当大于等于0.1且/>小于0.005时，生态修复结论为生态修复效果良好；否则生态修复结论为生态修复效果不佳。
为实现上述目的，根据本发明实施例的另一方面，提供了一种土壤修复的监测装置。
本发明实施例的一种土壤修复的监测装置，包括：
获取模块，用于获取待监测区域在不同时刻的土壤遥感图像；
标记模块，用于将所述土壤遥感图像中的各个像元标记为土壤像元或植被像元；
第一计算模块，用于计算每个所述土壤像元的土壤状态值，计算每个所述植被像元的植被状态值；
第二计算模块，用于基于所述土壤遥感图像中每个像元在上一时刻及下一时刻的所述土壤状态值或所述植被状态值计算生态修复度；
生成模块，用于根据每个像元的所述生态修复度生成所述待监测区域的生态修复结果。
可选地，所述获取模块还用于：
确定监测生态修复效果的待监测区域，并使用遥感传感器获取所述待监测区域在上一时刻及下一时刻的遥感图像；
使用双边滤波对所述遥感图像进行去噪得到土壤遥感图像。
可选地，所述标记模块还用于：
获取所述土壤遥感图像中每个像元的近红外波段反射率和红光波段反射率，根据所述近红外波段反射率和所述红光波段反射率计算每个像元的归一化植被指数；
从所述土壤遥感图像中选取所述归一化植被指数小于或等于归一化植被阈值的像元标记为土壤像元；从所述土壤遥感图像中选取所述归一化植被指数大于归一化植被阈值的像元标记为植被像元；其中，所述归一化植被阈值为0.1，由所述土壤像元组成的区域为土壤区域，由所述植被像元组成的区域为植被区域。
可选地，还包括变换模块，用于：
对所述土壤遥感图像进行缨帽变换，获得所述土壤遥感图像中每个像元的第一分量、第二分量和第三分量；其中，所述第一分量为亮度分量，所述第二分量为绿度分量，所述第三分量为湿度分量，所述第一分量、所述第二分量和所述第三分量用于计算土壤状态值或植被状态值。
可选地，所述第一计算模块还用于：
将所述土壤遥感图像中的可见光图像转化为灰度图像，再从所述土壤区域选取各个所述土壤像元对应的土壤像素点，并以每个所述土壤像素点为中心建立土壤取值窗口；
获取每个所述土壤像素点的梯度值，对所述土壤取值窗口内各个所述土壤像素点的梯度值使用K-means算法进行聚类，然后统计簇的个数以及每个簇内所有梯度值的极差和四分位差；
获取所述土壤取值窗口内各个所述土壤像素点的R通道值、G通道值、B通道值，并分别计算所述土壤取值窗口内所述R通道值、所述G通道值、所述B通道值的标准差；
基于所述第一分量、所述第三分量、所述土壤取值窗口内簇的个数、每个簇内所有梯度值的极差和四分位差、及所述土壤取值窗口内所述R通道值、所述G通道值、所述B通道值的标准差，计算每个所述土壤像元的土壤物理特征值、土壤纹理平滑度和土壤表面复杂度；
根据所述土壤物理特征值、所述土壤纹理平滑度和所述土壤表面复杂度计算每个所述土壤像元的土壤状态值。
可选地，所述第一计算模块进一步用于：
根据下述公式计算每个所述土壤像元的土壤物理特征值：
；
根据下述公式计算每个所述土壤像元的土壤纹理平滑度：
；
根据下述公式计算每个所述土壤像元的土壤表面复杂度：
；
再根据下述公式计算每个所述土壤像元的土壤状态值：
；
式中，为所述土壤物理特征值，/>为所述土壤纹理平滑度，/>为所述土壤表面复杂度，/>和/>分别为作为中心的所述土壤像素点对应的所述土壤像元的所述第一分量和所述第三分量，/>为所述土壤取值窗口内簇的个数，/>为所述土壤取值窗口内第/>簇内所有梯度值的四分位差，/>为所述土壤取值窗口内第/>簇内所有梯度值的极差，/>、/>、/>分别为所述R通道值、所述G通道值、所述B通道值的标准差，/>为所述土壤状态值。
可选地，所述第一计算模块还用于：
以每个所述植被像元为中心建立植被取值窗口；
对所述植被取值窗口内的各个所述植被像元的所述归一化植被指数使用最大类间方差法进行分类，得到划分阈值；
计算所述植被取值窗口内所有所述植被像元的所述归一化植被指数的极差；
基于作为中心的所述植被像元的所述归一化植被指数、所述划分阈值、所述植被取值窗口内所述归一化植被指数的极差、所述第二分量和所述第三分量，计算作为中心的所述植被像元的植被状态值。
可选地，所述第一计算模块进一步用于：
根据下述公式计算每个所述植被像元的植被状态值：
；
式中，为所述植被状态值，/>为作为中心的所述植被像元的所述归一化植被指数，为所述划分阈值，/>为所述植被取值窗口内所述归一化植被指数的极差，/>和/>分别为作为中心的所述植被像元的所述第二分量和所述第三分量。
可选地，所述第二计算模块还用于：
根据下述公式计算所述土壤遥感图像中每个像元的生态修复度：
；
；
式中， 为像元类别系数，/>为所述生态修复度，/>、/>、/>、/>均为常数，取值分别为1、2、-1、1，/>和/>分别表示像元在上一时刻和下一时刻对应的像元类别，/>表示像元类别为土壤像元，/>和/>分别为下一时刻和上一时刻像元对应的状态值，当像元为所述土壤像元时状态值为所述土壤状态值，当像元为所述植被像元时状态值为所述植被状态值。
可选地，所述生成模块还用于：
根据下述公式计算所述待监测区域的生态修复结果：
；
；
；
式中，为污染修复结果，/>为污染退化结果，/>为生态退化率，/>为所述生态修复度，/>，/>为所述生态修复度为非负值的像元的个数，/>，/>为所述生态修复度为负值的像元的个数，/>为像元的总个数；
当大于等于0.1且/>小于0.005时，生态修复结论为生态修复效果良好；否则生态修复结论为生态修复效果不佳。
上述发明中的一个实施例具有如下优点或有益效果：本发明实施例可适用于受污染范围较广的、同时含有植被和裸露地块的土壤，也可针对不同种类污染进行评价，适用范围广泛，评价结果精确。并且对像元分类评价可以使评价结果更好地结合物体本身性质的特征，使评价结果更为准确。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是本发明实施例的一种土壤修复的监测方法的主要步骤的示意图；
图2是本发明一个可参考实施例的一种土壤修复的监测方法的主要流程的示意图；
图3是本发明另一个可参考实施例的一种土壤修复的监测方法的主要流程的示意图；
图4是本发明实施例的一种土壤修复的监测装置的主要模块的示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。
如图1所示，本发明实施例的一种土壤修复的监测方法主要包括以下步骤：
步骤S101，获取待监测区域在不同时刻的土壤遥感图像。
本发明利用图像分析被污染土壤的生态修复效果，具体通过比较不同时刻的同一区域的变化来评价土壤生态修复的效果。
在本发明实施例中，步骤S101可以通过以下方式实现：确定监测生态修复效果的待监测区域，并使用遥感传感器获取待监测区域在上一时刻及下一时刻的遥感图像；使用双边滤波对遥感图像进行去噪得到土壤遥感图像。
遥感传感器可以利用无人机搭载去获得遥感图像。在获取遥感图像的过程中，不可避免会受到噪声的干扰，可以使用双边滤波对遥感图像进行去噪。双边滤波去噪为现有技术，可以参考现有的方法或利用已有工具实现，本发明实施例不再赘述。需要注意的是，上一时刻和下一时刻并非是相对于进行分析计算的时间而言，而是获取土壤遥感图像的两个相对时刻。此外，得到的土壤遥感图像可以存储下来，待分析土壤生态修复时再调取。
步骤S102，将土壤遥感图像中的各个像元标记为土壤像元或植被像元。
对于获取的土壤遥感图像需要对其中的每个像元进行分类，以便于对每个像元对应的物体种类进行分类评价，从而使评价结果更好地结合物体本身性质的特征，进而使评价结果更为准确。本发明实施例根据归一化植被指数将土壤遥感图像中的每个像元标记为土壤像元或植被像元，由土壤像元组成的区域为土壤区域，由植被像元组成的区域为植被区域。
根据归一化植被指数可以将土壤遥感图像中的像元分为土壤像元或植被像元。在本发明实施例中，步骤S102可以通过以下方式实现：获取土壤遥感图像中每个像元的近红外波段反射率和红光波段反射率，根据近红外波段反射率和红光波段反射率计算每个像元的归一化植被指数；从土壤遥感图像中选取归一化植被指数小于或等于归一化植被阈值的像元标记为土壤像元；从土壤遥感图像中选取归一化植被指数大于归一化植被阈值的像元标记为植被像元。
其中，归一化植被阈值可以根据实际情况或历史经验设置，优选为0.1。归一化植被指数（NDVI）通过测量近红外（植被强烈反射）和红光（植被吸收）之间的差异来量化植被，归一化植被指数的取值范围为，取值接近-1的像元一般对应水、雪等对可见光波段比近红外波段反射高的地物，0一般对应裸地或岩石等，正值则表示有植被覆盖，且植被覆盖度越大取值越接近1。此外，归一化植被指数的计算为现有技术，可以参考现有的方法或利用已有工具实现，本发明实施例不再赘述。
作为一种优选的实施方式，可以对土壤遥感图像进行缨帽变换（K-T变换），从而获得每个像元对应的第一分量、第二分量和第三分量，第一分量、第二分量和第三分量用于计算像元的土壤状态值或植被状态值。其中，第一分量为亮度分量，为波段分量的加权和，反映了地物总体的亮度变化，当第一分量越大时，则该像元对应的土壤修复效果越好；第二分量为绿度分量，与亮度分量垂直，与地面植被覆盖、叶面积指数及生物量相关，当第二分量越大时，该像元对应的植被越茂盛；第三分量为湿度分量，反映了地面水分条件，特别是土壤的湿度状态，当第三分量越大时，则土壤的渗透性越好。具体地：对土壤遥感图像进行缨帽变换，获得土壤遥感图像中每个像元的第一分量、第二分量和第三分量。
步骤S103，计算每个土壤像元的土壤状态值，计算每个植被像元的植被状态值；
通过土壤状态值对土壤像元进行评价，同样地，通过植被状态值对植被像元进行评价。
对于土壤像元，可以根据受污染的土壤在修复的过程中各类污染物含量逐渐降低、亮度逐渐提升、水渗透性逐渐增强、表面空间结构趋于平滑的特点，分别从物理特征、表面纹理平滑度和表面复杂度三个方向对土壤像元进行评价，得到土壤修复的状态评价值（即土壤状态值）。
在本发明实施例中，计算每个土壤像元的土壤状态值可以通过以下方式实现：将土壤遥感图像中的可见光图像转化为灰度图像，再从土壤区域选取各个土壤像元对应的土壤像素点，并以每个土壤像素点为中心建立土壤取值窗口；获取每个土壤像素点的梯度值，对土壤取值窗口内各个土壤像素点的梯度值使用K-means算法进行聚类，然后统计簇的个数以及每个簇内所有梯度值的极差和四分位差；获取土壤取值窗口内各个土壤像素点的R通道值、G通道值、B通道值，并分别计算土壤取值窗口内R通道值、G通道值、B通道值的标准差；基于第一分量、第三分量、土壤取值窗口内簇的个数、每个簇内所有梯度值的极差和四分位差、及土壤取值窗口内R通道值、G通道值、B通道值的标准差，计算每个土壤像元的土壤物理特征值、土壤纹理平滑度和土壤表面复杂度；根据土壤物理特征值、土壤纹理平滑度和土壤表面复杂度计算每个土壤像元的土壤状态值。
其中，K-means算法即k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是：预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小。K-means算法的具体参数可以根据实际情况或历史经验设置，本发明实施例不予限定。以及，土壤取值窗口优选为a*a的正方形窗口，更优选地a为9。
作为一种优选的实施方式，可以根据下述公式计算每个土壤像元的土壤物理特征值：
；
式中，为土壤物理特征值，/>和/>分别为作为中心的土壤像素点对应的土壤像元的第一分量和第三分量。当一个土壤像元对应的第一分量和第三分量越大时，则该土壤像元对应位置的土壤的亮度越大、水渗透性越强，则土壤物理特征值越大，表示该土壤像元对应的位置的土壤修复效果越好。
作为一种优选的实施方式，根据可以下述公式计算每个土壤像元的土壤纹理平滑度：
；
式中，为土壤纹理平滑度，/>为土壤取值窗口内簇的个数，/>为土壤取值窗口内第/>簇内所有梯度值的四分位差，/>为土壤取值窗口内第/>簇内所有梯度值的极差。当土壤像元对应的土壤取值窗口内簇的个数越多时，则该土壤取值窗口内各个梯度值分布越为混乱，作为中心的土壤像素点周围的纹理方向的一致性越低，即该土壤像素点对应位置的土壤表面的空间结构越不明显，纹理区域平滑，该位置的土壤修复效果越好；当每个簇内的梯度越为接近时，则四分位差占极差的比值越小，此时作为中心的土壤像素点周围的纹理方向的一致性越高，即该土壤像素点对应位置的土壤表面的空间结构良好，土壤修复效果越不明显。所以，当土壤像元对应的土壤取值窗口内簇的个数越多、每个簇内的梯度越为分散时，该土壤像元对应的土壤纹理平滑度越大，即表示该土壤像元对应的土壤位置的土壤修复效果越好。
作为一种优选的实施方式，可以根据下述公式计算每个土壤像元的土壤表面复杂度：
；
式中，为土壤表面复杂度，/>、/>、/>分别为R通道值、G通道值、B通道值的标准差。
由于土壤的污染往往不是单一种类污染物的作用，包含污染物质的沉积、溶解和漂浮等，当污染程度越大时，被污染的土壤表面因受到不同污染物的干扰呈现出的特征越为复杂，土壤表面复杂度即为该复杂特征的度量。当作为中心的土壤像素点附近分布特征越为复杂时，该土壤像素点对应的土壤表面复杂度越大，即表示该像元对应的土壤位置的土壤修复效果越差。
作为一种优选的实施方式，可以根据下述公式计算每个土壤像元的土壤状态值：
；
式中，为土壤状态值。/>为归一化函数，作用为取括号内的归一化值。
对于植被像元，可以根据植被的覆盖程度和茂盛程度对植被像元进行评价，得到植被修复的状态评价值（即植被状态值）。
在本发明实施例中，计算每个植被像元的植被状态值可以通过以下方式实现：以每个植被像元为中心建立植被取值窗口；对植被取值窗口内的各个植被像元的归一化植被指数使用最大类间方差法进行分类，得到划分阈值；计算植被取值窗口内所有植被像元的归一化植被指数的极差；基于作为中心的植被像元的归一化植被指数、划分阈值、植被取值窗口内归一化植被指数的极差、第二分量和第三分量，计算作为中心的植被像元的植被状态值。
最大类间方差法是一种自适合于双峰情况的自动求取阈值的方法，简称Otsu。它是按图像的灰度特性，将图像分成背景和目标两部分，背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大。当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小，因此，使类间方差最大的分割意味着错分概率最小。对应于本发明实施例，当植被像元对应位置的植被越为茂盛、植物覆盖率越高时，植被取值窗口内各植被像元对应的归一化植被指数越大，则划分阈值也越大。当植被像元对应植被位置的生态修复效果质量越高时，则该位置各个植被像元处的植被生长状况应一致，即该植被像元对应的植被取值窗口内各归一化植被指数应越相近。
作为一种优选的实施方式，可以根据下述公式计算每个植被像元的植被状态值：
；/>
式中，为植被状态值；/>为作为中心的植被像元的归一化植被指数；/>为划分阈值；/>为植被取值窗口内归一化植被指数的极差；/>和/>分别为作为中心的植被像元的第二分量和第三分量。
步骤S104，基于土壤遥感图像中每个像元在上一时刻及下一时刻的土壤状态值或植被状态值计算生态修复度。
基于像元在不同时刻对应的像元类别是否变化和状态值（土壤状态值或植被状态值）差异，能够获得每个像元对应的生态修复度，该生态修复度可以进一步用于评价生态修复效果。
作为一种优选的实施方式，可以根据下述公式计算土壤遥感图像中每个像元的生态修复度：
；
；
式中， 为像元类别系数，/>为生态修复度，/>、/>、/>、/>均为常数，取值分别为1、2、-1、1；/>和/>分别表示像元在上一时刻和下一时刻对应的像元类别，/>表示像元类别为土壤像元，/>和/>分别为下一时刻和上一时刻像元对应的状态值，当该像元为土壤像元时状态值为土壤状态值，当该像元为植被像元时状态值为植被状态值。
其中，像元类别系数，用以处理不同时刻同一位置对应的像元类别问题，使同一位置在不同时刻对应不同类别的像元的评价值间可进行直接计算。
步骤S105，根据每个像元的生态修复度生成待监测区域的生态修复结果。
通过上述步骤获得了需要进行比较的两时刻各位置的像元对应的生态修复度，根据该生态修复度可以得到对应的待监测区域的土壤生态的生态修复结果。其中，生态修复结果主要包括污染修复结果、污染退化结果和生态退化率，通过污染修复结果、污染退化结果和生态退化率量化生态修复效果。生态修复结果还可以包括生态修复结论，如生态修复效果良好或生态修复效果不佳，该生态修复结论能够帮助了解所使用的生态修复方法的实际效果，当生态修复效果不佳时可以及更换合适的生态修复方法。
作为一种优选的实施方式，可以根据下述公式计算待监测区域的生态修复结果：
；
；/>
；
式中，为污染修复结果，/>为污染退化结果，/>为生态退化率，/>为生态修复度，，/>为生态修复度为非负值的像元的个数；/>，/>为生态修复度为负值的像元的个数，/>为像元的总个数；
其中，污染修复结果即为待监测区域中生态修复度为非负值的各个像元对应的生态修复度的均值，污染退化结果即为即为待监测区域中生态修复度为负值的各个像元对应的生态修复度的均值，生态退化率即为待监测区域中生态修复度为负值的像元个数占总像元个数的比值。当污染修复效果越大、污染退化效果越小时，该待监测区域对应的生态修复效果越好。当大于等于0.1且/>小于0.005时，生态修复结论为生态修复效果良好；否则生态修复结论为生态修复效果不佳。
根据本发明实施例的一种土壤修复的监测方法可以看出，本发明实施例可适用于受污染范围较广的、同时含有植被和裸露地块的土壤，也可针对不同种类污染进行评价，适用范围广泛，评价结果精确。并且对像元分类评价可以使评价结果更好地结合物体本身性质的特征，使评价结果更为准确。
如图2所示，在应用本发明实施例的一种土壤修复的监测方法时，可参考以下流程：
步骤S201：确定监测生态修复效果的待监测区域；
步骤S202：使用无人机搭载遥感传感器获取待监测区域的遥感图像；
步骤S203：使用双边滤波对遥感图像进行去噪得到土壤遥感图像；
步骤S204：对土壤遥感图像中每个像元对应的物体种类进行分析，并根据物体特征对每个像元位置对应的受污染程度进行评价，通过比较不同时刻像元对应的评价值得到生态修复效果。
其中，步骤S204可以参考前述步骤S102-步骤S105的方式实现，此处不再赘述。
如图3所示，在应用本发明实施例的一种土壤修复的监测方法时，还可参考以下流程：
步骤S301：获取待监测区域在上一时刻及下一时刻的土壤遥感图像。
步骤S302：获得每个像元的归一化植被指数：
获取土壤遥感图像中每个像元的近红外波段反射率和红光波段反射率，根据近红外波段反射率和红光波段反射率计算每个像元的归一化植被指数。归一化植被指数的取值范围为，取值接近-1的像元一般对应水、雪等对可见光波段比近红外波段反射高的地物，取值0的像元一般对应裸地或岩石等，取正值的像元则表示有植被覆盖，且植被覆盖度越大取值越接近1。
步骤S303：从土壤遥感图像中选取归一化植被指数小于或等于0.1的像元标记为土壤像元、归一化植被指数大于0.1的像元标记为植被像元；
其中，归一化植被阈值为0.1，由土壤像元组成的区域为土壤区域，由植被像元组成的区域为植被区域。
步骤S304：对土壤遥感图像进行缨帽变换，获得土壤遥感图像中每个像元的第一分量、第二分量和第三分量；
其中，第一分量为亮度分量，第二分量为绿度分量，第三分量为湿度分量，第一分量、第二分量和第三分量用于计算土壤状态值或植被状态值。
步骤S305：将土壤遥感图像中的可见光图像转化为灰度图像，再从土壤区域选取各个土壤像元对应的土壤像素点，并以每个土壤像素点为中心建立9*9的土壤取值窗口。
步骤S306：获取每个土壤像素点的梯度值，对土壤取值窗口内各个土壤像素点的梯度值使用K-means算法进行聚类，然后统计簇的个数以及每个簇内所有梯度值的极差和四分位差。
步骤S307：获取土壤取值窗口内各个土壤像素点的R通道值、G通道值、B通道值，并分别计算土壤取值窗口内R通道值、G通道值、B通道值的标准差。
步骤S308：计算每个土壤像元的土壤物理特征值、土壤纹理平滑度和土壤表面复杂度：
根据下述公式计算每个土壤像元的土壤物理特征值：
；
根据下述公式计算每个土壤像元的土壤纹理平滑度：
；
根据下述公式计算每个土壤像元的土壤表面复杂度：
；
式中，为土壤物理特征值，/>为土壤纹理平滑度，/>为土壤表面复杂度，/>和/>分别为作为中心的土壤像元的第一分量和第三分量，/>为土壤取值窗口内簇的个数，/>为土壤取值窗口内第/>簇内所有梯度值的四分位差，/>为土壤取值窗口内第/>簇内所有梯度值的极差，/>、/>、/>分别为R通道值、G通道值、B通道值的标准差。
步骤S309：计算每个土壤像元的土壤状态值；
利用归一化函数计算土壤状态值，即土壤状态值。
步骤S310：以每个植被像元为中心建立9*9的植被取值窗口。
步骤S311：对植被取值窗口内的各个植被像元的归一化植被指数使用最大类间方差法进行分类，得到划分阈值。
步骤S312：计算植被取值窗口内所有植被像元的归一化植被指数的极差。
步骤S313：计算每个植被像元的植被状态值；
同样利用归一化函数计算每个植被像元的植被状态值，即：
；/>
式中，为植被状态值；/>为作为中心的植被像元的归一化植被指数；/>为划分阈值；/>为植被取值窗口内归一化植被指数的极差；/>和/>分别为作为中心的植被像元的第二分量和第三分量。
步骤S314：计算土壤遥感图像中每个像元的生态修复度；
根据下述公式计算生态修复度：
；
；
式中， 为像元类别系数，/>为生态修复度，/>、/>、/>、/>均为常数，取值分别为1、2、-1、1，/>和/>分别表示像元在上一时刻和下一时刻对应的像元类别，/>表示像元类别为土壤像元，/>和/>分别为下一时刻和上一时刻像元对应的状态值，当该像元为土壤像元时状态值为土壤状态值，当该像元为植被像元时状态值为植被状态值。
步骤S315：计算待监测区域的生态修复结果；
根据下述公式计算生态修复结果：
；
；
；
式中，为污染修复结果，/>为污染退化结果，/>为生态退化率，/>为生态修复度，，/>为待监测区域中生态修复度为非负值的像元的个数，/>，/>为待监测区域中生态修复度为负值的像元的个数，/>为待监测区域中像元的总个数；
当大于等于0.1且/>小于0.005时，生态修复结论为生态修复效果良好；否则生态修复结论为生态修复效果不佳。
如图4所示，本发明实施例的一种土壤修复的监测装置400包括：获取模块401、标记模块402、第一计算模块403、第二计算模块404和生成模块405。
其中：
获取模块401，用于获取待监测区域在不同时刻的土壤遥感图像；
标记模块402，用于将所述土壤遥感图像中的各个像元标记为土壤像元或植被像元；
第一计算模块403，用于计算每个所述土壤像元的土壤状态值，计算每个所述植被像元的植被状态值；
第二计算模块404，用于基于所述土壤遥感图像中每个像元在上一时刻及下一时刻的所述土壤状态值或所述植被状态值计算生态修复度；
生成模块405，用于根据每个像元的所述生态修复度生成所述待监测区域的生态修复结果。
在本发明实施例中，获取模块401还可以用于：
确定监测生态修复效果的待监测区域，并使用遥感传感器获取所述待监测区域在上一时刻及下一时刻的遥感图像；
使用双边滤波对所述遥感图像进行去噪得到土壤遥感图像。
在本发明实施例中，标记模块402还可以用于：
获取所述土壤遥感图像中每个像元的近红外波段反射率和红光波段反射率，根据所述近红外波段反射率和所述红光波段反射率计算每个像元的归一化植被指数；
从所述土壤遥感图像中选取所述归一化植被指数小于或等于归一化植被阈值的像元标记为土壤像元；从所述土壤遥感图像中选取所述归一化植被指数大于归一化植被阈值的像元标记为植被像元；其中，所述归一化植被阈值为0.1，由所述土壤像元组成的区域为土壤区域，由所述植被像元组成的区域为植被区域。
此外，还可以包括变换模块（图中并未示出），用于：
对所述土壤遥感图像进行缨帽变换，获得所述土壤遥感图像中每个像元的第一分量、第二分量和第三分量；其中，所述第一分量为亮度分量，所述第二分量为绿度分量，所述第三分量为湿度分量，所述第一分量、所述第二分量和所述第三分量用于计算土壤状态值或植被状态值。
在本发明实施例中，第一计算模块403还可以用于：
将所述土壤遥感图像中的可见光图像转化为灰度图像，再从所述土壤区域选取各个所述土壤像元对应的土壤像素点，并以每个所述土壤像素点为中心建立土壤取值窗口；
获取每个所述土壤像素点的梯度值，对所述土壤取值窗口内各个所述土壤像素点的梯度值使用K-means算法进行聚类，然后统计簇的个数以及每个簇内所有梯度值的极差和四分位差；
获取所述土壤取值窗口内各个所述土壤像素点的R通道值、G通道值、B通道值，并分别计算所述土壤取值窗口内所述R通道值、所述G通道值、所述B通道值的标准差；
基于所述第一分量、所述第三分量、所述土壤取值窗口内簇的个数、每个簇内所有梯度值的极差和四分位差、及所述土壤取值窗口内所述R通道值、所述G通道值、所述B通道值的标准差，计算每个所述土壤像元的土壤物理特征值、土壤纹理平滑度和土壤表面复杂度；
根据所述土壤物理特征值、所述土壤纹理平滑度和所述土壤表面复杂度计算每个所述土壤像元的土壤状态值。
在本发明实施例中，第一计算模块403可以进一步用于：
根据下述公式计算每个所述土壤像元的土壤物理特征值：
；
根据下述公式计算每个所述土壤像元的土壤纹理平滑度：
；
根据下述公式计算每个所述土壤像元的土壤表面复杂度：
；
再根据下述公式计算每个所述土壤像元的土壤状态值：
；
式中，为所述土壤物理特征值，/>为所述土壤纹理平滑度，/>为所述土壤表面复杂度，/>和/>分别为作为中心的所述土壤像素点对应的所述土壤像元的所述第一分量和所述第三分量，/>为所述土壤取值窗口内簇的个数，/>为所述土壤取值窗口内第/>簇内所有梯度值的四分位差，/>为所述土壤取值窗口内第/>簇内所有梯度值的极差，/>、/>、/>分别为所述R通道值、所述G通道值、所述B通道值的标准差，/>为所述土壤状态值。
此外，第一计算模块403还可以用于：
以每个所述植被像元为中心建立植被取值窗口；
对所述植被取值窗口内的各个所述植被像元的所述归一化植被指数使用最大类间方差法进行分类，得到划分阈值；
计算所述植被取值窗口内所有所述植被像元的所述归一化植被指数的极差；
基于作为中心的所述植被像元的所述归一化植被指数、所述划分阈值、所述植被取值窗口内所述归一化植被指数的极差、所述第二分量和所述第三分量，计算作为中心的所述植被像元的植被状态值。
在本发明实施例中，第一计算模块403可以进一步用于：
根据下述公式计算每个所述植被像元的植被状态值：
；
式中，为所述植被状态值，/>为作为中心的所述植被像元的所述归一化植被指数，为所述划分阈值，/>为所述植被取值窗口内所述归一化植被指数的极差，/>和/>分别为作为中心的所述植被像元的所述第二分量和所述第三分量。
此外，第二计算模块404还可以用于：
根据下述公式计算所述土壤遥感图像中每个像元的生态修复度：
；
；
式中， 为像元类别系数，/>为所述生态修复度，/>、/>、/>、/>均为常数，取值分别为1、2、-1、1，/>和/>分别表示像元在上一时刻和下一时刻对应的像元类别，/>表示像元类别为土壤像元，/>和/>分别为下一时刻和上一时刻像元对应的状态值，当像元为所述土壤像元时状态值为所述土壤状态值，当像元为所述植被像元时状态值为所述植被状态值。
在本发明实施例中，生成模块405还可以用于：
根据下述公式计算所述待监测区域的生态修复结果：
；
；
；
式中，为污染修复结果，/>为污染退化结果，/>为生态退化率，/>为所述生态修复度，/>，/>为所述生态修复度为非负值的像元的个数，/>，/>为所述生态修复度为负值的像元的个数，/>为像元的总个数；
当大于等于0.1且/>小于0.005时，生态修复结论为生态修复效果良好；否则生态修复结论为生态修复效果不佳。
根据本发明实施例的一种土壤修复的监测装置可以看出，本发明实施例可适用于受污染范围较广的、同时含有植被和裸露地块的土壤，也可针对不同种类污染进行评价，适用范围广泛，评价结果精确。并且对像元分类评价可以使评价结果更好地结合物体本身性质的特征，使评价结果更为准确。
根据本发明实施例的技术方案，本发明实施例的一种土壤修复的监测方法及监测装置，利用图像分析被污染土壤的生态修复效果，对土壤遥感图像中各像元对应的位置进行分类，分为对应土壤的土壤像元和对应植被的植被像元两类；对于土壤像元，根据受污染的土壤在修复的过程中各类污染物含量逐渐降低、亮度逐渐提升、水渗透性逐渐增强、表面空间结构趋于平滑的特点，分别从物理特征、表面纹理平滑度和表面复杂度三个方向进行评价，计算土壤状态值；对于植被像元，根据植被的覆盖程度和茂盛程度进行评价，计算植被状态值；基于像元在不同时刻对应的像元类别是否变化和状态值（土壤状态值或植被状态值）差异，获得每个像元对应的生态修复度，进而生成待监测区域的生态修复结果。本发明实施例可适用于受污染范围较广的、同时含有植被和裸露地块的土壤，也可针对不同种类污染进行评价，适用范围广泛，评价结果精确。并且对像元分类评价可以使评价结果更好地结合物体本身性质的特征，使评价结果更为准确。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (5)

1.一种土壤修复的监测方法，其特征在于，包括：
获取待监测区域在不同时刻的土壤遥感图像；
将所述土壤遥感图像中的各个像元标记为土壤像元或植被像元；
计算每个所述土壤像元的土壤状态值，计算每个所述植被像元的植被状态值；
基于所述土壤遥感图像中每个像元在上一时刻及下一时刻的所述土壤状态值或所述植被状态值计算生态修复度；
根据每个像元的所述生态修复度生成所述待监测区域的生态修复结果；
将所述土壤遥感图像中的各个像元标记为土壤像元或植被像元，包括：
获取所述土壤遥感图像中每个像元的近红外波段反射率和红光波段反射率，根据所述近红外波段反射率和所述红光波段反射率计算每个像元的归一化植被指数；
从所述土壤遥感图像中选取所述归一化植被指数小于或等于归一化植被阈值的像元标记为土壤像元；从所述土壤遥感图像中选取所述归一化植被指数大于归一化植被阈值的像元标记为植被像元；其中，所述归一化植被阈值为0.1，由所述土壤像元组成的区域为土壤区域，由所述植被像元组成的区域为植被区域；
计算每个所述土壤像元的土壤状态值，计算每个所述植被像元的植被状态值，之前还包括：
对所述土壤遥感图像进行缨帽变换，获得所述土壤遥感图像中每个像元的第一分量、第二分量和第三分量；其中，所述第一分量为亮度分量，所述第二分量为绿度分量，所述第三分量为湿度分量，所述第一分量、所述第二分量和所述第三分量用于计算土壤状态值或植被状态值；
计算每个所述土壤像元的土壤状态值，包括：
将所述土壤遥感图像中的可见光图像转化为灰度图像，再从所述土壤区域选取各个所述土壤像元对应的土壤像素点，并以每个所述土壤像素点为中心建立土壤取值窗口；
获取每个所述土壤像素点的梯度值，对所述土壤取值窗口内各个所述土壤像素点的梯度值使用K-means算法进行聚类，然后统计簇的个数以及每个簇内所有梯度值的极差和四分位差；
获取所述土壤取值窗口内各个所述土壤像素点的R通道值、G通道值、B通道值，并分别计算所述土壤取值窗口内所述R通道值、所述G通道值、所述B通道值的标准差；
基于所述第一分量、所述第三分量、所述土壤取值窗口内簇的个数、每个簇内所有梯度值的极差和四分位差、及所述土壤取值窗口内所述R通道值、所述G通道值、所述B通道值的标准差，计算每个所述土壤像元的土壤物理特征值、土壤纹理平滑度和土壤表面复杂度；
根据所述土壤物理特征值、所述土壤纹理平滑度和所述土壤表面复杂度计算每个所述土壤像元的土壤状态值；
计算每个所述植被像元的植被状态值，包括：
以每个所述植被像元为中心建立植被取值窗口；
对所述植被取值窗口内的各个所述植被像元的所述归一化植被指数使用最大类间方差法进行分类，得到划分阈值；
计算所述植被取值窗口内所有所述植被像元的所述归一化植被指数的极差；
基于作为中心的所述植被像元的所述归一化植被指数、所述划分阈值、所述植被取值窗口内所述归一化植被指数的极差、所述第二分量和所述第三分量，计算作为中心的所述植被像元的植被状态值；
基于所述土壤遥感图像中每个像元在上一时刻及下一时刻的所述土壤状态值或所述植被状态值计算生态修复度，包括：
根据下述公式计算所述土壤遥感图像中每个像元的生态修复度：
式中， 为像元类别系数，/>为所述生态修复度，/>、/>、/>、/>均为常数，取值分别为1、2、-1、1，/>和/>分别表示像元在上一时刻和下一时刻对应的像元类别，/>表示像元类别为土壤像元，/>和/>分别为下一时刻和上一时刻像元对应的状态值，当像元为所述土壤像元时状态值为所述土壤状态值，当像元为所述植被像元时状态值为所述植被状态值；
根据每个像元的所述生态修复度生成所述待监测区域的生态修复结果，包括：
根据下述公式计算所述待监测区域的生态修复结果：
式中，为污染修复结果，/>为污染退化结果，/>为生态退化率，/>为所述生态修复度，，/>为所述生态修复度为非负值的像元的个数，/>，/>为所述生态修复度为负值的像元的个数，/>为像元的总个数；
当大于等于0.1且/>小于0.005时，生态修复结论为生态修复效果良好；否则生态修复结论为生态修复效果不佳。
2.根据权利要求1所述的一种土壤修复的监测方法，其特征在于，获取待监测区域在不同时刻的土壤遥感图像，包括：
确定监测生态修复效果的待监测区域，并使用遥感传感器获取所述待监测区域在上一时刻及下一时刻的遥感图像；
使用双边滤波对所述遥感图像进行去噪得到土壤遥感图像。
3.根据权利要求1所述的一种土壤修复的监测方法，其特征在于，计算每个所述土壤像元的土壤状态值，进一步包括：
根据下述公式计算每个所述土壤像元的土壤物理特征值：
根据下述公式计算每个所述土壤像元的土壤纹理平滑度：
根据下述公式计算每个所述土壤像元的土壤表面复杂度：
再根据下述公式计算每个所述土壤像元的土壤状态值：
式中，为所述土壤物理特征值，/>为所述土壤纹理平滑度，/>为所述土壤表面复杂度，/>和/>分别为作为中心的所述土壤像素点对应的所述土壤像元的所述第一分量和所述第三分量，/>为所述土壤取值窗口内簇的个数，/>为所述土壤取值窗口内第/>簇内所有梯度值的四分位差，/>为所述土壤取值窗口内第/>簇内所有梯度值的极差，/>、/>、/>分别为所述R通道值、所述G通道值、所述B通道值的标准差，/>为所述土壤状态值，nor为{ }归一化函数。
4.根据权利要求1所述的一种土壤修复的监测方法，其特征在于，计算每个所述植被像元的植被状态值，进一步包括：
根据下述公式计算每个所述植被像元的植被状态值：
式中，为所述植被状态值，/>为作为中心的所述植被像元的所述归一化植被指数，/>为所述划分阈值，/>为所述植被取值窗口内所述归一化植被指数的极差，/>和/>分别为作为中心的所述植被像元的所述第二分量和所述第三分量，nor为{ }归一化函数。
5.一种土壤修复的监测装置，其特征在于，包括：
获取模块，用于获取待监测区域在不同时刻的土壤遥感图像；
标记模块，用于将所述土壤遥感图像中的各个像元标记为土壤像元或植被像元，包括：
获取所述土壤遥感图像中每个像元的近红外波段反射率和红光波段反射率，根据所述近红外波段反射率和所述红光波段反射率计算每个像元的归一化植被指数；
从所述土壤遥感图像中选取所述归一化植被指数小于或等于归一化植被阈值的像元标记为土壤像元；从所述土壤遥感图像中选取所述归一化植被指数大于归一化植被阈值的像元标记为植被像元；其中，所述归一化植被阈值为0.1，由所述土壤像元组成的区域为土壤区域，由所述植被像元组成的区域为植被区域；
第一计算模块，用于计算每个所述土壤像元的土壤状态值，计算每个所述植被像元的植被状态值；
计算每个所述土壤像元的土壤状态值，计算每个所述植被像元的植被状态值，之前还包括：
对所述土壤遥感图像进行缨帽变换，获得所述土壤遥感图像中每个像元的第一分量、第二分量和第三分量；其中，所述第一分量为亮度分量，所述第二分量为绿度分量，所述第三分量为湿度分量，所述第一分量、所述第二分量和所述第三分量用于计算土壤状态值或植被状态值；
计算每个所述土壤像元的土壤状态值，包括：
将所述土壤遥感图像中的可见光图像转化为灰度图像，再从所述土壤区域选取各个所述土壤像元对应的土壤像素点，并以每个所述土壤像素点为中心建立土壤取值窗口；
获取每个所述土壤像素点的梯度值，对所述土壤取值窗口内各个所述土壤像素点的梯度值使用K-means算法进行聚类，然后统计簇的个数以及每个簇内所有梯度值的极差和四分位差；
获取所述土壤取值窗口内各个所述土壤像素点的R通道值、G通道值、B通道值，并分别计算所述土壤取值窗口内所述R通道值、所述G通道值、所述B通道值的标准差；
基于所述第一分量、所述第三分量、所述土壤取值窗口内簇的个数、每个簇内所有梯度值的极差和四分位差、及所述土壤取值窗口内所述R通道值、所述G通道值、所述B通道值的标准差，计算每个所述土壤像元的土壤物理特征值、土壤纹理平滑度和土壤表面复杂度；
根据所述土壤物理特征值、所述土壤纹理平滑度和所述土壤表面复杂度计算每个所述土壤像元的土壤状态值；
计算每个所述植被像元的植被状态值，包括：
以每个所述植被像元为中心建立植被取值窗口；
对所述植被取值窗口内的各个所述植被像元的所述归一化植被指数使用最大类间方差法进行分类，得到划分阈值；
计算所述植被取值窗口内所有所述植被像元的所述归一化植被指数的极差；
基于作为中心的所述植被像元的所述归一化植被指数、所述划分阈值、所述植被取值窗口内所述归一化植被指数的极差、所述第二分量和所述第三分量，计算作为中心的所述植被像元的植被状态值；
基于所述土壤遥感图像中每个像元在上一时刻及下一时刻的所述土壤状态值或所述植被状态值计算生态修复度，包括：
根据下述公式计算所述土壤遥感图像中每个像元的生态修复度：
式中， 为像元类别系数，/>为所述生态修复度，/>、/>、/>、/>均为常数，取值分别为1、2、-1、1，/>和/>分别表示像元在上一时刻和下一时刻对应的像元类别，/>表示像元类别为土壤像元，/>和/>分别为下一时刻和上一时刻像元对应的状态值，当像元为所述土壤像元时状态值为所述土壤状态值，当像元为所述植被像元时状态值为所述植被状态值；
根据每个像元的所述生态修复度生成所述待监测区域的生态修复结果，包括：
根据下述公式计算所述待监测区域的生态修复结果：
式中，为污染修复结果，/>为污染退化结果，/>为生态退化率，/>为所述生态修复度，，/>为所述生态修复度为非负值的像元的个数，/>，/>为所述生态修复度为负值的像元的个数，/>为像元的总个数；
当大于等于0.1且/>小于0.005时，生态修复结论为生态修复效果良好；否则生态修复结论为生态修复效果不佳；
第二计算模块，用于基于所述土壤遥感图像中每个像元在上一时刻及下一时刻的所述土壤状态值或所述植被状态值计算生态修复度；
生成模块，用于根据每个像元的所述生态修复度生成所述待监测区域的生态修复结果。
CN202310847861.2A 2023-07-12 2023-07-12 一种土壤修复的监测方法及监测装置 Active CN116580308B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310847861.2A CN116580308B (zh) 2023-07-12 2023-07-12 一种土壤修复的监测方法及监测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310847861.2A CN116580308B (zh) 2023-07-12 2023-07-12 一种土壤修复的监测方法及监测装置

Publications (2)

Publication Number Publication Date
CN116580308A CN116580308A (zh) 2023-08-11
CN116580308B true CN116580308B (zh) 2023-09-12

Family

ID=87541649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310847861.2A Active CN116580308B (zh) 2023-07-12 2023-07-12 一种土壤修复的监测方法及监测装置

Country Status (1)

Country Link
CN (1) CN116580308B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117372224B (zh) * 2023-12-05 2024-02-06 山西冶金岩土工程勘察有限公司 一种绿化生态修复系统
CN117378338A (zh) * 2023-12-12 2024-01-12 潍坊信博理化检测有限公司 一种植物施肥监控管理方法及系统
CN117475338B (zh) * 2023-12-28 2024-03-29 山东舜捷资源综合利用有限公司 一种基于土地管理的土地整治修复进程监测系统
CN117496374B (zh) * 2024-01-02 2024-03-29 天津财经大学 一种生态旅游资源卫星遥感数据批量处理及下载系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2020103729A4 (en) * 2020-11-27 2021-02-11 Jiangxi Agricultural University Method for Restoring Acidified and Degraded Soil of Economic Forest
CN112906455A (zh) * 2020-12-28 2021-06-04 国家海洋信息中心 一种海岸带生态系统遥感识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2020103729A4 (en) * 2020-11-27 2021-02-11 Jiangxi Agricultural University Method for Restoring Acidified and Degraded Soil of Economic Forest
CN112906455A (zh) * 2020-12-28 2021-06-04 国家海洋信息中心 一种海岸带生态系统遥感识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于GIS的煤矿区景观格局时空变化及生态重建研究;卢艳艳;《中国优秀硕士论文全文数据库基础科学辑》;A008-65 *

Also Published As

Publication number Publication date
CN116580308A (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN116580308B (zh) 一种土壤修复的监测方法及监测装置
Shiru et al. Performance evaluation of CMIP6 global climate models for selecting models for climate projection over Nigeria
CN104751478A (zh) 一种基于多特征融合的面向对象的建筑物变化检测方法
CN107230197B (zh) 基于卫星云图和rvm的热带气旋客观定强方法
CN111008664B (zh) 一种基于空谱联合特征的高光谱海冰检测方法
CN107895136B (zh) 一种煤矿区域识别方法及系统
CN113642475B (zh) 基于卷积神经网络模型的大西洋飓风强度估算方法
CN113221765A (zh) 一种基于数字相机影像有效像元的植被物候期提取方法
CN109359604B (zh) 面向巡检机器人的阴影干扰下仪表识别方法
CN102013095A (zh) 基于分布变换的多传感器图像融合方法
CN109726649A (zh) 遥感影像云检测方法、系统及电子设备
CN115082780B (zh) 基于增量式差异学习网络的多源异质影像变化检测方法
CN102073867A (zh) 一种遥感图像分类方法及装置
CN104573662B (zh) 一种云判方法和系统
CN110849821B (zh) 基于贝叶斯定理的黑臭水体遥感识别方法
CN113887493B (zh) 一种基于id3算法的黑臭水体遥感影像识别方法
CN111738052A (zh) 基于深度学习的多特征融合高光谱遥感地物分类方法
CN117372710A (zh) 一种基于Sentinel-2 MSI遥感影像的林窗提取方法
CN104933410A (zh) 一种高光谱图像光谱域与空间域联合分类方法
CN115147726B (zh) 城市形态图的生成方法、装置、电子设备和可读存储介质
Chiu et al. Evaluation of incorporating texture into wetland mapping from multispectral images
CN111768101B (zh) 一种顾及物候特征的遥感耕地变化检测方法及系统
Zhong et al. Positive and Inverse Degree of Grey Incidence Estimation Model of Soil Organic Matter Based on Hyper-spectral Data.
CN114022782A (zh) 一种基于modis卫星数据的海雾探测方法
Yu et al. Relative radiation correction based on CycleGAN for visual perception improvement in high-resolution remote sensing images

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