CN116597322A - 一种基于无人机采集图像的环境监测方法和系统 - Google Patents
一种基于无人机采集图像的环境监测方法和系统 Download PDFInfo
- Publication number
- CN116597322A CN116597322A CN202310653287.7A CN202310653287A CN116597322A CN 116597322 A CN116597322 A CN 116597322A CN 202310653287 A CN202310653287 A CN 202310653287A CN 116597322 A CN116597322 A CN 116597322A
- Authority
- CN
- China
- Prior art keywords
- environment
- remote sensing
- sample data
- data
- sensing image
- 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.)
- Withdrawn
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000007613 environmental effect Effects 0.000 claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims description 64
- 238000012549 training Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 13
- 238000002310 reflectometry Methods 0.000 claims description 12
- 238000012800 visualization Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 11
- 238000006467 substitution reaction Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Systems or methods specially adapted for 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
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于无人机采集图像的环境监测方法和系统,方法包括无人机采集遥感影像、获取其他信息、计算植被指数、计算植被覆盖率、计算环境评价指数、建立环境监测模型和可视化展示。本发明属于环境监测技术领域,具体是指一种基于无人机采集图像的环境监测方法和系统,本方案采用自然因素和人类行为因素相结合的综合评价体系,基于大数据使用算法优化建模,进而提高监测效果,采用计算遥感影像上波段相关值的方法确保无人机采集到的遥感影像冗余信息足够小进而提高监测效果,采用的优化算法易于实现且寻优能力强,收敛速度大大提升,模型准确率也得到了极大提升。
Description
技术领域
本发明涉及环境监测技术领域,具体是指一种基于无人机采集图像的环境监测方法和系统。
背景技术
环境监测是指对环境质量状况进行监测,环境监测通过对反映环境质量的指标进行监视和测定,以确定环境质量的高低,当前无人机在环境监测领域的应用范围越来越广,但是无人机采集的遥感影像中存在着许多冗余观测信息,由于冗余信息过多而导致监测效果较差的问题;而且当前无人机对环境质量的监测评价方法一般以单因素或自然环境体系为标准,多采用静态法评价,存在结构单一且监测效果较差的问题;模型分类性能很大程度上受参数的影响,存在着搜索能力差、实现复杂和收敛速度慢等的问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了一种基于无人机采集图像的环境监测方法和系统,针对当前无人机采集的遥感影像中存在许多冗余观测信息导致监测效果差的技术问题,本方案采用计算遥感影像上波段相关值的方法确保无人机采集到的遥感影像冗余信息足够小;针对传统环境质量监测评价方法一般以单因素或自然环境体系为标准,多采用静态法评价,存在结构单一且监测效果较差的技术问题,本方案采用自然因素和人类行为因素相结合的综合评价体系,基于大数据使用算法优化建模,进而提高监测效果,所述自然因素包括地区温度、地区湿度和植被覆盖率,所述人类行为因素包括土地利用率和人口密度;针对当前模型分类性能很大程度上受参数的影响,存在着搜索能力差、实现复杂和收敛速度慢等的技术问题,本方案提出的寻参优化算法易于实现且寻优能力强,收敛速度大大提升,模型准确率也得到了极大提升。
本发明采取的技术方案如下:本发明提供的一种基于无人机采集图像的环境监测方法,该方法包括以下步骤:
步骤S1:无人机采集遥感影像;
步骤S2:获取其他信息;
步骤S3:计算植被指数;
步骤S4:计算植被覆盖率;
步骤S5:计算环境评价指数;
步骤S6:建立环境监测模型;
步骤S7:可视化展示。
进一步地,在步骤S1中,预先设定遥感影像的标准差阈值和遥感影像的相关性阈值,所述步骤S1包括步骤S11、步骤S12、步骤S13、步骤S14和步骤S15;
步骤S11:预先设定此次无人机采集的遥感影像为第一遥感影像p,第一遥感影像p
由图像组成,计算图像的亮度差,所用公式为:
;
式中,是图像的亮度值,是图像的最大亮度值,是图像的最
小亮度值;
步骤S12:计算第一遥感影像p的平均亮度值,所用公式为:
;
式中,是第一遥感影像p的平均亮度值,H是图像的矩阵行数,L是图像的矩
阵列数;
步骤S13:计算第一遥感影像p的标准差,若不低于遥感影像的标准差阈值,则重新采集遥感影像并转至步骤S11;若低于遥感影像的标准差阈值,则转至步骤S14,所述计算第一遥感影像p的标准差的公式为:
;
式中,d是第一遥感影像p的标准差;
步骤S14:获取上次无人机采集的遥感影像并设为第二遥感影像q,第二遥感影像q
由图像组成,计算两幅遥感影像的相关系数,所用公式
为:
;
式中,r是两幅遥感影像的相关系数,是第二遥感影像q对应的平均亮度值;
步骤S15:若r不小于遥感影像的相关性阈值,则此次无人机采集遥感影像结束,若r小于遥感影像的相关性阈值,则重新采集遥感影像并转至步骤S11。
进一步地,在步骤S2中,基于无人机的温湿度传感器,得到地区温度和地区湿度,从地区统计局得到地区土地利用率和人口密度,并获取历史环境数据。
进一步地,在步骤S3中,基于步骤S1采集的遥感影像获取红外波段的反射率RV和近红外波段的反射率NR,并计算植被指数,步骤包括:
步骤S311:计算红外波段的反射率,所用公式为:
;
式中,DN是遥感图像中像元的数字值,d是地球到太阳的距离,d以天文单位为单位,ESun是太阳辐射通量,θ是太阳高度角;
步骤S312,计算近红外波段反射率,所用公式为:
;
式中,Dmin是所有像元DN中最小值,H是比例因子,H是根据遥感数据的类型和具体的数据源而变化的,H通常取10000;
步骤S313,计算植被覆盖率,所用公式为:
;
式中,ND是植被覆盖率。
进一步地,在步骤S4中,所述计算植被覆盖率的公式为:
;
式中,F为植被覆盖率,和分别是特定置信区间内NR的最大值和最小
值。
进一步地,在步骤S5中,预先设定各因素的权重系数,将各因素与对应的权重系数的乘积和作为环境评价指数。
进一步地,在步骤S6中,基于历史环境数据利用寻参优化算法建立环境监测模型,预先将历史环境数据分为训练数据和测试数据,将步骤S2得到的地区温度、地区湿度、地区土地利用率、人口密度和步骤S4得到的植被覆盖率作为实时环境数据输入至环境监测模型,环境监测模型将实时环境数据分为环境正常数据和环境疑似异常数据并输出,对环境疑似异常数据进行预警并给出导致数据疑似异常的因素,利用寻参优化算法建立环境监测模型的过程如下:
步骤S61:初始化参数样本数据集S,预先设定适应度阈值,随机生成n个参数样本
数据并选取E个参数样本数据组成参数样本数据集;
步骤S62:初始化训练样本数据集,基于参数样本数据将训练数据利用python导入
sklearn库,调用SVM函数建模,将模型对测试数据的分类正确率作为适应度值,将参数样本
数据集中的参数样本数据根据适应度值降序排列,参数样本数据的适应度
值是利用选择适应度值较优的前K个参数样本数据作为训练样本数据集,
将适应度值最优的参数样本数据设为;
步骤S63:划分子训练样本数据集,将所述训练样本数据集
划分为L个子训练样本数据集,每个子训练样本数据集的参数样本数据的个数为R,L和R满
足;
步骤S64:预先设定最大迭代次数W,将每个所述子训练样本数据集中适应度值最
优的参数样本数据设为,适应度值最差的参数样本数据设为;
步骤S65:基于更新子训练样本数据集中适应度最差的参数样本数据,所用公式
为:
;
式中,是在子训练样本数据集中随机选择的参数样本数据,,λ和μ
都是0到1范围内的随机数,λ和μ相互独立,是更新后的参数样本数据;
步骤S66:若的适应度值优于,则用取代,并转至步骤S610;否则,转至步
骤S67;
步骤S67:基于更新子训练样本数据集中适应度最差的参数样本数据,所用公式
为:
;
步骤S68:若适应度值优于,则用取代,并转至步骤S610,否则,转至步骤
S69;
步骤S69:生成一个新的参数样本数据来取代,并转至步骤S610,所用公式
为:
;
式中,是标准的Levy分布;
步骤S610:将及所有的适应度值与适应度阈值比较,若其中至少有一个不小
于适应度阈值,则用python导入sklearn库,将适应度最高的参数样本数据作为参数,调用
SVM函数用训练数据建立环境监测模型,并结束,否则,转至步骤S611;
步骤S611:若当前迭代次数大于最大迭代次数,则转至步骤S61;否则,转至步骤S63。
进一步地,在步骤S7中,预先设定环境评价指数阈值和环境评价指数下降速度阈值,获取环境评价指数,将环境评价指数随时间序列进行可视化展示,当环境评价指数低于环境评价指数阈值或者环境评价指数下降速度高于环境评价指数下降速度阈值时进行预警。
本发明提供的一种基于无人机采集图像的环境监测系统,包括数据采集模块、环境评价指数模块、环境监测模块和可视化模块,所述数据采集模块基于无人机和统计局获取实时环境数据和历史环境数据,将实时环境数据发送至环境评价指数模块,并将实时环境数据和历史环境数据发送至环境监测模块,环境数据包括自然因素和人类行为因素,所述自然因素包括地区温度、地区湿度和植被覆盖率,所述人类行为因素包括土地利用率和人口密度;所述环境评价指数模块接收数据采集模块发送的自然因素数据和人类行为因素数据,基于各因素的权重系数得到环境评价指数,并将环境评价指数发送至可视化模块;所述环境监测模块接收历史环境数据,利用寻参优化算法建立环境监测模型并对实时环境数据监测;所述可视化模块获取环境评价指数模块发送的环境评价指数,并将环境评价指数随时间序列进行可视化展示,当环境评价指数低于环境阈值或者环境评价指数下降速度高于下降速度阈值时进行预警。
采用上述方案本发明取得的有益效果如下:
(1)针对当前无人机采集的遥感影像中存在许多冗余观测信息导致监测效果差的技术问题,本方案采用计算遥感影像上波段相关值的方法确保无人机采集到的遥感影像冗余信息足够小。
(2)针对传统环境质量监测评价方法一般以单因素或自然环境体系为标准,多采用静态法评价,存在结构单一且监测效果较差的技术问题,本方案采用自然因素和人类行为因素相结合的综合评价体系,基于大数据使用算法优化建模,进而提高监测效果,所述自然因素包括地区温度、地区湿度和植被覆盖率,所述人类行为因素包括土地利用率和人口密度。
(3)针对当前模型分类性能很大程度上受参数的影响,存在着搜索能力差、实现复杂和收敛速度慢等的技术问题,本方案提出的寻参优化算法易于实现且寻优能力强,收敛速度大大提升,模型准确率也得到了极大提升。
附图说明
图1为本发明提供的一种基于无人机采集图像的环境监测方法的流程示意图;
图2为本发明提供的一种基于无人机采集图像的环境监测系统的示意图;
图3为步骤S1的流程示意图;
图4为步骤S6的流程示意图;
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的一种基于无人机采集图像的环境监测方法,该方法包括以下步骤:
步骤S1:无人机采集遥感影像;
步骤S2:获取其他信息;
步骤S3:计算植被指数;
步骤S4:计算植被覆盖率;
步骤S5:计算环境评价指数;
步骤S6:建立环境监测模型;
步骤S7:可视化展示。
实施例二,参阅图1和图3,该实施例基于上述实施例,在步骤S1中,预先设定遥感影像的标准差阈值和遥感影像的相关性阈值,所述步骤S1包括步骤S11、步骤S12、步骤S13、步骤S14和步骤S15;
步骤S11:预先设定此次无人机采集的遥感影像为第一遥感影像p,第一遥感影像p
由图像组成,计算图像的亮度差,所用公式为:
;
式中,是图像的亮度值,是图像的最大亮度值,是图像的最
小亮度值;
步骤S12:计算第一遥感影像p的平均亮度值,所用公式为:
;
式中,是第一遥感影像p的平均亮度值,H是图像的矩阵行数,L是图像的矩
阵列数;
步骤S13:计算第一遥感影像p的标准差,若不低于遥感影像的标准差阈值,则重新采集遥感影像并转至步骤S11;若低于遥感影像的标准差阈值,则转至步骤S14,所述计算第一遥感影像p的标准差的公式为:
;
式中,d是第一遥感影像p的标准差;
步骤S14:获取上次无人机采集的遥感影像并设为第二遥感影像q,第二遥感影像q
由图像组成,计算两幅遥感影像的相关系数,所用公式
为:
;
式中,r是两幅遥感影像的相关系数,是第二遥感影像q对应的平均亮度值;
步骤S15:若r不小于遥感影像的相关性阈值,则此次无人机采集遥感影像结束,若r小于遥感影像的相关性阈值,则重新采集遥感影像并转至步骤S11。
在上述操作中,针对当前无人机采集的遥感影像中存在许多冗余观测信息导致监测效果差的技术问题,本方案采用计算遥感影像上波段相关值的方法确保无人机采集到的遥感影像冗余信息足够小。
实施例三,参阅图1,该实施例基于上述实施例,在步骤S3中,基于步骤S1采集的遥感影像获取红外波段的反射率RV和近红外波段的反射率NR,并计算植被指数,步骤包括:
步骤S311:计算红外波段的反射率,所用公式为:
;
式中,DN是遥感图像中像元的数字值,d是地球到太阳的距离,d以天文单位为单位,ESun是太阳辐射通量,θ是太阳高度角;
步骤S312,计算近红外波段反射率,所用公式为:
;
式中,Dmin是所有像元DN中最小值,H是比例因子,H是根据遥感数据的类型和具体的数据源而变化的,H通常取10000;
步骤S313,计算植被覆盖率,所用公式为:
;
式中,ND是植被覆盖率。
实施例四,参阅图1,该实施例基于上述实施例,在步骤S4中,所述计算植被覆盖率的公式为:
;
式中,F为植被覆盖率,和分别是特定置信区间内NR的最大值和最小
值。
实施例五,参阅图1,该实施例基于上述实施例,在步骤S5中,预先设定各因素的权重系数,将各因素与对应的权重系数的乘积和作为环境评价指数。
实施例六,参阅图1和图4,该实施例基于上述实施例,在步骤S6中,基于历史环境数据利用寻参优化算法建立环境监测模型,将步骤S2得到的地区温度、地区湿度、地区土地利用率、人口密度和步骤S4得到的植被覆盖率作为实时环境数据输入至环境监测模型,环境监测模型将实时环境数据分为环境正常数据和环境疑似异常数据并输出,对环境疑似异常数据进行预警并给出导致数据疑似异常的因素,利用寻参优化算法建立环境监测模型的过程如下:
步骤S61:初始化参数样本数据集S,预先设定适应度阈值,随机生成n个参数样本
数据并选取E个参数样本数据组成参数样本数据集;
步骤S62:初始化训练样本数据集,基于参数样本数据将训练数据利用python导入
sklearn库,调用SVM函数建模,将模型对测试数据的分类正确率作为适应度值,将参数样本
数据集中的参数样本数据根据适应度值降序排列,参数样本数据的适应
度值是利用选择适应度值较优的前K个参数样本数据作为训练样本数据集,
将适应度值最优的参数样本数据设为;
步骤S63:划分子训练样本数据集,将所述训练样本数据集
划分为L个子训练样本数据集,每个子训练样本数据集的参数样本数据的个数为R,L和R满
足;
步骤S64:预先设定最大迭代次数W,将每个所述子训练样本数据集中适应度值最
优的参数样本数据设为,适应度值最差的参数样本数据设为;
步骤S65:基于更新子训练样本数据集中适应度最差的参数样本数据,所用公式
为:
;
式中,是在子训练样本数据集中随机选择的参数样本数据,,λ和μ
都是0到1范围内的随机数,λ和μ相互独立,是更新后的参数样本数据;
步骤S66:若的适应度值优于,则用取代,并转至步骤S610;否则,转至步
骤S67;
步骤S67:基于更新子训练样本数据集中适应度最差的参数样本数据,所用公式
为:
;
步骤S68:若适应度值优于,则用取代,并转至步骤S610,否则,转至步骤
S69;
步骤S69:生成一个新的参数样本数据来取代,并转至步骤S610,所用公式
为:
;
式中,是标准的Levy分布;
步骤S610:将及所有的适应度值与适应度阈值比较,若其中至少有一个不小
于适应度阈值,则用python导入sklearn库,将适应度最高的参数样本数据作为参数,调用
SVM函数用训练数据建立环境监测模型,并结束,否则,转至步骤S611;
步骤S611:若当前迭代次数大于最大迭代次数,则转至步骤S61;否则,转至步骤S63。
在上述操作中,针对当前模型分类性能很大程度上受参数的影响,存在着搜索能力差、实现复杂和收敛速度慢等的技术问题,本方案提出的寻参优化算法易于实现且寻优能力强,收敛速度大大提升,模型准确率也得到了极大提升。
实施例七,参阅图1,该实施例基于上述实施例,在步骤S7中,预先设定环境评价指数阈值和环境评价指数下降速度阈值,获取环境评价指数,将环境评价指数随时间序列进行可视化展示,当环境评价指数低于环境评价指数阈值或者环境评价指数下降速度高于环境评价指数下降速度阈值时进行预警。
在上述操作中,针对传统环境质量监测评价方法一般以单因素或自然环境体系为标准,多采用静态法评价,存在结构单一且监测效果较差的技术问题,本方案采用自然因素和人类行为因素相结合的综合评价体系,基于大数据使用算法优化建模,进而提高监测效果,所述自然因素包括地区温度、地区湿度和植被覆盖率,所述人类行为因素包括土地利用率和人口密度。
实施例八,参阅图2,该实施例基于上述实施例,本发明提供的一种基于无人机采集图像的环境监测系统,包括数据采集模块、环境评价指数模块、环境监测模块和可视化模块,所述数据采集模块基于无人机和统计局获取实时环境数据和历史环境数据,将实时环境数据发送至环境评价指数模块,并将实时环境数据和历史环境数据发送至环境监测模块,环境数据包括自然因素和人类行为因素,所述自然因素包括地区温度、地区湿度和植被覆盖率,所述人类行为因素包括土地利用率和人口密度;所述环境评价指数模块接收数据采集模块发送的自然因素数据和人类行为因素数据,基于各因素的权重系数得到环境评价指数,并将环境评价指数发送至可视化模块;所述环境监测模块接收历史环境数据,利用寻参优化算法建立环境监测模型并对实时环境数据监测;所述可视化模块获取环境评价指数模块发送的环境评价指数,并将环境评价指数随时间序列进行可视化展示,当环境评价指数低于环境阈值或者环境评价指数下降速度高于下降速度阈值时进行预警。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (9)
1.一种基于无人机采集图像的环境监测方法,其特征在于:该方法包括以下步骤:
步骤S1:无人机采集遥感影像;
步骤S2:获取其他信息;
步骤S3:计算植被指数;
步骤S4:计算植被覆盖率;
步骤S5:计算环境评价指数;
步骤S6:建立环境监测模型;
步骤S7:可视化展示;
在步骤S1中,预先设定遥感影像的标准差阈值和遥感影像的相关性阈值,所述步骤S1包括步骤S11、步骤S12、步骤S13、步骤S14和步骤S15;
步骤S11:预先设定此次无人机采集的遥感影像为第一遥感影像p,第一遥感影像p由图像组成,计算图像/>的亮度差,所用公式为:
;
式中,是图像/>的亮度值,/>是图像/>的最大亮度值,/>是图像/>的最小亮度值;
步骤S12:计算第一遥感影像p的平均亮度值,所用公式为:
;
式中,是第一遥感影像p的平均亮度值,H是图像/>的矩阵行数,L是图像/>的矩阵列数;
步骤S13:计算第一遥感影像p的标准差,若不低于遥感影像的标准差阈值,则重新采集遥感影像并转至步骤S11;若低于遥感影像的标准差阈值,则转至步骤S14,所述计算第一遥感影像p的标准差的公式为:
;
式中,d是第一遥感影像p的标准差;
步骤S14:获取上次无人机采集的遥感影像并设为第二遥感影像q,第二遥感影像q由图像组成,计算两幅遥感影像的相关系数,所用公式为:
;
式中,r是两幅遥感影像的相关系数,是第二遥感影像q对应的平均亮度值;
步骤S15:若r不小于遥感影像的相关性阈值,则此次无人机采集遥感影像结束,若r小于遥感影像的相关性阈值,则重新采集遥感影像并转至步骤S11。
2.根据权利要求1所述的一种基于无人机采集图像的环境监测方法,其特征在于:在步骤S6中,基于历史环境数据利用优化算法建立环境监测模型,将步骤S2得到的地区温度、地区湿度、地区土地利用率、人口密度和步骤S4得到的植被覆盖率作为实时环境数据输入至环境监测模型,环境监测模型将实时环境数据分为环境正常数据和环境疑似异常数据并输出,对环境疑似异常数据进行预警并给出导致数据疑似异常的因素,利用优化算法建立环境监测模型的过程如下:
步骤S61:初始化参数样本数据集S,预先设定适应度阈值,随机生成n个参数样本数据并选取E个参数样本数据组成参数样本数据集;
步骤S62:初始化训练样本数据集,基于参数样本数据将训练数据利用python导入sklearn库,调用SVM函数建模,将模型对测试数据的分类正确率作为适应度值,将参数样本数据集中的参数样本数据根据适应度值降序排列,参数样本数据的适应度值是利用选择适应度值较优的前K个参数样本数据作为训练样本数据集,将适应度值最优的参数样本数据设为/>;
步骤S63:划分子训练样本数据集,将所述训练样本数据集划分为L个子训练样本数据集,每个子训练样本数据集的参数样本数据的个数为R,L和R满足;
步骤S64:预先设定最大迭代次数W,将每个所述子训练样本数据集中适应度值最优的参数样本数据设为,适应度值最差的参数样本数据设为/>;
步骤S65:基于更新子训练样本数据集中适应度最差的参数样本数据,所用公式为:
;
式中,是在子训练样本数据集中随机选择的参数样本数据,/>,λ和μ都是0到1范围内的随机数,λ和μ相互独立,/>是更新后的参数样本数据;
步骤S66:若的适应度值优于/>,则用/>取代/>,并转至步骤S610;否则,转至步骤S67;
步骤S67:基于更新子训练样本数据集中适应度最差的参数样本数据,所用公式为:
;
步骤S68:若适应度值优于/>,则用/>取代/>,并转至步骤S610,否则,转至步骤S69;
步骤S69:生成一个新的参数样本数据来取代/>,并转至步骤S610,所用公式为:
;
式中,是标准的Levy分布;
步骤S610:将及所有/>的适应度值与适应度阈值比较,若其中至少有一个不小于适应度阈值,则用python导入sklearn库,将适应度最高的参数样本数据作为参数,调用SVM函数用训练数据集建立环境监测模型,并结束,否则,转至步骤S611;
步骤S611:若当前迭代次数大于最大迭代次数,则转至步骤S61;否则,转至步骤S63。
3.根据权利要求1所述的一种基于无人机采集图像的环境监测方法,其特征在于:在步骤S3中,基于步骤S1采集的遥感影像获取红外波段的反射率RV和近红外波段的反射率NR,并计算植被指数,步骤包括:
步骤S311:计算红外波段的反射率,所用公式为:
;
式中,DN是遥感图像中像元的数字值,d是地球到太阳的距离,d以天文单位为单位,ESun是太阳辐射通量,θ是太阳高度角;
步骤S312,计算近红外波段反射率,所用公式为:
;
式中,Dmin是所有像元DN中最小值,H是比例因子,H是根据遥感数据的类型和具体的数据源而变化的,H通常取10000;
步骤S313,计算植被覆盖率,所用公式为:
;
式中,ND是植被覆盖率。
4.根据权利要求1所述的一种基于无人机采集图像的环境监测方法,其特征在于:在步骤S4中,所述计算植被覆盖率的公式为:
;
式中,F为植被覆盖率,和/>分别是特定置信区间内NR的最大值和最小值。
5.根据权利要求1所述的一种基于无人机采集图像的环境监测方法,其特征在于:在步骤S2中,基于无人机的温湿度传感器,得到地区温度和地区湿度,从地区统计局得到地区土地利用率和人口密度,并获取历史环境数据。
6.根据权利要求1所述的一种基于无人机采集图像的环境监测方法,其特征在于:在步骤S5中,预先设定各因素的权重系数,将各因素与对应的权重系数的乘积和作为环境评价指数。
7.根据权利要求1所述的一种基于无人机采集图像的环境监测方法,其特征在于:在步骤S7中,预先设定环境评价指数阈值和环境评价指数下降速度阈值,获取环境评价指数,将环境评价指数随时间序列进行可视化展示,当环境评价指数低于环境评价指数阈值或者环境评价指数下降速度高于环境评价指数下降速度阈值时进行预警。
8.一种基于无人机采集图像的环境监测系统,用于实现如权利要求1-7中任一项所述的一种基于无人机采集图像的环境监测方法,其特征在于:包括数据采集模块、环境评价指数模块、环境监测模块和可视化模块。
9.根据权利要求8所述的一种基于无人机采集图像的环境监测系统,其特征在于:所述数据采集模块基于无人机和统计局获取实时环境数据和历史环境数据,将实时环境数据发送至环境评价指数模块,并将实时环境数据和历史环境数据发送至环境监测模块,环境数据包括自然因素和人类行为因素,所述自然因素包括地区温度、地区湿度和植被覆盖率,所述人类行为因素包括土地利用率和人口密度;所述环境评价指数模块接收数据采集模块发送的自然因素数据和人类行为因素数据,基于各因素的权重系数得到环境评价指数,并将环境评价指数发送至可视化模块;所述环境监测模块接收历史环境数据,利用优化算法建立环境监测模型并对实时环境数据监测;所述可视化模块获取环境评价指数模块发送的环境评价指数,并将环境评价指数随时间序列进行可视化展示,当环境评价指数低于环境阈值或者环境评价指数下降速度高于下降速度阈值时进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310653287.7A CN116597322A (zh) | 2023-06-05 | 2023-06-05 | 一种基于无人机采集图像的环境监测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310653287.7A CN116597322A (zh) | 2023-06-05 | 2023-06-05 | 一种基于无人机采集图像的环境监测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116597322A true CN116597322A (zh) | 2023-08-15 |
Family
ID=87606267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310653287.7A Withdrawn CN116597322A (zh) | 2023-06-05 | 2023-06-05 | 一种基于无人机采集图像的环境监测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116597322A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292532A (zh) * | 2023-11-27 | 2023-12-26 | 深圳市天一欣科技有限公司 | 一种红外遥控器信号发送控制的方法 |
CN117630337A (zh) * | 2024-01-04 | 2024-03-01 | 中国科学院华南植物园 | 一种基于无人机的珊瑚沙盐碱监测系统 |
-
2023
- 2023-06-05 CN CN202310653287.7A patent/CN116597322A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292532A (zh) * | 2023-11-27 | 2023-12-26 | 深圳市天一欣科技有限公司 | 一种红外遥控器信号发送控制的方法 |
CN117292532B (zh) * | 2023-11-27 | 2024-02-06 | 深圳市天一欣科技有限公司 | 一种红外遥控器信号发送控制的方法 |
CN117630337A (zh) * | 2024-01-04 | 2024-03-01 | 中国科学院华南植物园 | 一种基于无人机的珊瑚沙盐碱监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116597322A (zh) | 一种基于无人机采集图像的环境监测方法和系统 | |
CN111079655B (zh) | 一种基于融合神经网络的视频中人体行为识别方法 | |
CN104330164B (zh) | 红外焦平面阵列的盲元检测方法与装置 | |
CN106406403A (zh) | 一种基于增强现实的农业管控系统 | |
CN104850865B (zh) | 一种多特征迁移学习的实时压缩跟踪方法 | |
CN103327245B (zh) | 一种红外成像系统的自动对焦方法 | |
CN110766058B (zh) | 一种基于优化rpn网络的战场目标检测方法 | |
CN112055079B (zh) | 一种基于云计算平台的病虫害监测预警系统 | |
CN104008543A (zh) | 一种图像融合质量评价方法 | |
CN107122739B (zh) | 基于Extreme数学模型重构VI时间序列曲线的作物估产模型 | |
CN111582575B (zh) | 一种多时空尺度下城市热环境形成发展主导因素识别方法 | |
CN112560619B (zh) | 一种基于多聚焦图像融合的多距离鸟类精准识别方法 | |
CN116227758B (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 | |
CN106989778A (zh) | 一种尾矿库在线安全监测系统 | |
CN115018105A (zh) | 一种冬小麦气象产量预测方法及系统 | |
CN109712084A (zh) | 一种图像修复方法、图像修复系统及平板探测器 | |
Dhabliya | Multispectral Image Analysis Using Feature Extraction with Classification for Agricultural Crop Cultivation Based On 4G Wireless IOT Networks | |
Guo et al. | Panicle Ratio Network: streamlining rice panicle measurement by deep learning with ultra-high-definition aerial images in the field | |
CN107576399B (zh) | 面向modis林火探测的亮温预测方法和系统 | |
CN117197595A (zh) | 基于边缘计算的果树生育期识别方法、装置及管理平台 | |
CN103900498B (zh) | 一种棉田苗情自动探测方法及其探测装置 | |
CN116182945B (zh) | 基于无线传感器网络的可控农业温室环境监测系统及方法 | |
US20200096387A1 (en) | Apparatus, methodologies and software applications for determining a level of direct sunlight | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CN110503647A (zh) | 基于深度学习图像分割的小麦植株实时计数方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230815 |