CN116664947A - 一种基于卫星观测数据的蓝藻水华监测方法及系统 - Google Patents
一种基于卫星观测数据的蓝藻水华监测方法及系统 Download PDFInfo
- Publication number
- CN116664947A CN116664947A CN202310703739.8A CN202310703739A CN116664947A CN 116664947 A CN116664947 A CN 116664947A CN 202310703739 A CN202310703739 A CN 202310703739A CN 116664947 A CN116664947 A CN 116664947A
- Authority
- CN
- China
- Prior art keywords
- bloom
- satellite
- ndvi
- atmospheric
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 241000195493 Cryptophyta Species 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012937 correction Methods 0.000 claims abstract description 57
- 238000002310 reflectometry Methods 0.000 claims abstract description 50
- 241000192700 Cyanobacteria Species 0.000 claims abstract description 35
- 230000005855 radiation Effects 0.000 claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 25
- 230000005540 biological transmission Effects 0.000 claims abstract description 18
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 10
- 238000005315 distribution function Methods 0.000 claims abstract description 7
- 239000000443 aerosol Substances 0.000 claims description 30
- 230000003287 optical effect Effects 0.000 claims description 22
- 238000002834 transmittance Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000005437 stratosphere Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Cultivation Of Seaweed (AREA)
Abstract
本发明涉及蓝藻水华监测技术领域,具体为一种基于卫星观测数据的蓝藻水华监测方法及系统。基于FY‑4B/AGRI卫星观测数据的蓝藻水华高频次监测技术,通过采用6S辐射传输模型进行大气校正、采用半经验核驱动双向反射分布函数BRDF模型进行角度效应订正处理,准确获取水面反射率信息,利用归一化植被指数NDVI和植被覆盖度FVC定量提取蓝藻水华和分等级信息,该方法监测精度高,时效性强,实现了内陆湖泊蓝藻水华的动态持续监测。
Description
技术领域
本发明涉及蓝藻水华监测技术领域,具体为一种基于卫星观测数据的蓝藻水华监测方法及系统。
背景技术
近几十年来,在气候变化和人类活动的共同影响下,内陆湖泊蓝藻水华呈现增多趋重的态势,已经成为全球广泛关注的生态环境问题。
具备监测范围广、速度快、成本低以及易长期动态监测的卫星遥感技术已成为目前获取蓝藻水华信息的主要方法。遥感可以提供蓝藻水华的相关的密度、范围和潜在影响等有用信息,有助于实时、准实时地监测蓝藻水华,从而快速判断整个湖泊的蓝藻水华发生发展情况,为蓝藻水华防控提供数据支撑。一些中分辨率光谱成像仪(MERSI)、中分辨率成像光谱辐射计(MODIS)和陆地卫星传感器(Landsat/OLI),由于较高的空间和光谱分辨率,已广泛应用于观测内陆湖泊中的蓝藻水华,但这些传感器无法提供最佳观测频率,例如MERSI每天仅能提供一次观测,装载MODIS的AQUA和TERRA两颗星一天最多提供两次观测,而OLI甚至数天才能观测一次,一旦遇到多云天气,可能无法获取有效的观测数据。因此,这些中高分辨率卫星传感器有限的观测一方面易受到多云天气的干扰而无法获取有效信息,另一方面不能持续动态监测蓝藻水华的发生发展趋势和动态变化。
中国发明专利CN115082309A公开了一种太湖蓝藻水华的多源卫星高时空分辨率监测方法,包括基于6sv辐射传输模型的瑞利校正方法和基于数据融合的高时空分辨率蓝藻水华监测方法;
所述基于6sv辐射传输模型的瑞利校正方法的步骤如下:
第一步,将下载好的气象卫星数据进行辐射定标,得到大气顶层反射率RTOA;
第二步,根据气象卫星所携带的卫星方位角和太阳天顶角信息,利用6sv辐射传输模型针对每个像素点进行辐射传输模拟,此时可得到的表观反射率为瑞利反射率Rr;
第三步,将瑞利反射率Rr进行瑞丽矫正,获得瑞丽校正后的反射率Rrc可以由大气顶层反射率去除瑞利反射率得到,即Rrc=RTOA-Rr,其中:
Rrc:瑞丽校正后的反射率;
RTOA:大气顶层反射率;
Rr:瑞利反射率;
所述基于数据融合的高时空分辨率蓝藻水华监测方法步骤如下:
S1,选取高空间卫星和低空间卫星分辨率卫星在t1时刻的归一化植被指数计算结果和低空间分辨率卫星在t2时刻的归一化植被指数计算结果;
S2,利用ISODATA非监督分类算法,对t1时刻高空间分辨率卫星的归一化植被指数进行分类;
S3,依据t1时刻和t2时刻低空间分辨率卫星的卫星图像,利用最小二乘法,估算每一类中归一化植被的指数的变化;
S4,利用估算的归一化植被指数变化,假设每个像素归一化植被指数类型没有变化,估算t2时刻高分辨率归一化植被指数;
S5,将估算的t2时刻高分辨率卫星的归一化植被指数重采样到卫星的卫星图像的分辨率,计算残差,并利用TPS插值把残差插值到高空间分辨率中;
S6,将重采样后的残差和估算的t2时刻高空间分辨率归一化植被指数相加,得到最终的预测结果。
此发明受益于静止卫星的高时间分辨率特征,能够为太湖周边环境监测部门及科研部门提供及时预警及太湖蓝藻日间变化信息,有利于当地部门及时做好蓝藻水华防控及蓝藻水华爆发诱因分析。同时基于灵活时空数据融合方法产生的高空间分辨率蓝藻水华分布图,能够及时观察到小范围的蓝藻水华爆发,减少蓝藻水华爆发的漏判。但是此专利仍然存在以下缺陷:
(1)上述公开的CN115082309A专利只进行了卫星影像的瑞利校正,并没有考虑气溶胶的影响,实际上气溶胶散射对内陆湖泊水色遥感精度的影响也很大。
(2)随着时间变化,静止气象卫星影像同一像元的太阳天顶角、卫星天顶角和卫星方位角都有着极大的差异,会造成同一地物在一天内的反射率不断变化,此专利并没有考虑对卫星影像进行角度效应订正。
(3)上述专利没有进行蓝藻水华强度等级划分和面积计算,无法定量描述蓝藻水华的发生程度和范围。
发明内容
本发明需要解决的技术问题是提供一种精度高且时效性强的蓝藻水华监测方法及系统。
为此,本发明的一种基于卫星观测数据的蓝藻水华监测方法,包括以下步骤,
S1:对卫星影像进行预处理,包括投影、裁切和几何精校正;
S2:对预处理的卫星影像,采用6S辐射传输模型进行大气效应订正处理;
S3:对步骤S2处理后的卫星影像,采用半经验核驱动双向反射分布函数BRDF模型进行角度效应订正处理;
S4:计算步骤S3处理后的每幅卫星影像的归一化植被指数NDVI值,用计算的NDVI值与判识蓝藻水华的NDVI阈值比较确定蓝藻信息;
S5:通过植被覆盖度指数FVC来监测蓝藻水华的分布和密集程度;
S6:根据植被覆盖度占像元面积的百分比,确定蓝藻水华强度等级,并统计各等级蓝藻水华的影响面积和总面积,实现蓝藻水华的监测。
优选的,所述步骤S2具体如下:
将地表近似为朗伯面,基于6S辐射传输模型,考虑大气分子的贡献,根据大气散射、大气透过率与地表反射率之间的关系,通过卫星观测参数、大气相关参数以及波段信息计算地表反射率ρt,公式如下:
其中μs=cosθs,μv=cosθv,式中/>为卫星传感器接收到的信号经过辐射校正与太阳天顶角校正后的大气层顶表观反射率;/>为大气分子散射所构成的路径辐射反射率;/>为地表反射率;TO(μs,μv)为臭氧吸收造成的大气透过率;TH(μs,μv)为大气水汽透过率;/>和/>分别为大气分子下行辐射透过率和为大气分子上行辐射透过率;μs和μv分别为太阳天顶角和观测天顶角的余弦值,/>为太阳与传感器之间的相对方位角;θs、θv、φs和φv分别为太阳天顶角、观测天顶角、太阳方位角和观测方位角;S为大气球形反照率。
优选的,所述步骤S2中通过6S模型构建大气校正查找表,查找表的输入由若干大陆型吸收气溶胶组成;查找表的输出包括大气分子、臭氧、水蒸气、上行和下行辐射的透过率,以及TOA处气溶胶的反射率。
优选的,所述气溶胶光学厚度AOD来源于AGRI波段,并使用Angstrom指数公式从500nm的光学厚度转换为550nm的光学厚度:
其中,τ(λ)是未知波形的气溶胶光学厚度,τα(λ)为已知波形的气溶胶光光学厚度,λα为Angstrom指数。
优选的,应用6S模型进行大气校正时,需要输入卫星过境时刻的几何参数、大气参数、遥感器参数和地物参数。
优选的,所述步骤S3采用半经验核驱动双向反射分布函数BRDF模型进行角度效应订正处理的具体如下:
通过双向反射函数BRDF在特定波长λ和几何条件下,计算地表反射辐射率L与入射辐射率I的比值,公式如下:
其中θs,θv以及分别为太阳天顶角、观测天顶角和相对方位角。
优选的,所述步骤S3中在半经验核驱动模型的三项贡献中增加第四个镜面反射项用于在水和沙漠上的反射率,其公式如下:
其中:
式中μs和μv分别是太阳天顶角和卫星天顶角的余弦值;是太阳方位角和卫星方位角的差值。
优选的,表面反射率通过以下表达式进行校正:
优选的,所述步骤S4中归一化植被指数NDVI值,计算公式如下:
NDVI=(ρnir-ρred)/(ρnir+ρred) (6)
其中,ρnir表示卫星近红外波段的反射率,ρred表示红光波段的反射率。
优选的,所述步骤S4中判识蓝藻水华的NDVI阈值通过以下方法确定,首先对所有卫星影像的RGB图像进行目视分析,然后人工确定蓝藻和水体的边界,将所有相应的NDVI图像中沿这些边界的所有像元的平均NDVI值作为判识蓝藻水华的阈值。
优选的,所述步骤S5中植被覆盖度指数FVC使用像元二分法进行计算,假设混合像元中仅包括蓝藻和水,则该混合图像元的NDVI值可以表示如下:
NDVI=fvc×NDVIa+(1-fvc)×NDVIw (7)
这里蓝藻水华的覆盖面积为fvc时,水的覆盖面积为1-fvc,蓝藻和水的NDVI值分别为NDVIa和NDVIw;
根据上式推导,可以得到FVC如下:
FVC=(NDVI-NDVIw)/(NDVIa-NDVIw) (8)。
优选的,所述步骤S6中根据植被覆盖度占像元面积的百分比,将蓝藻水华分成无蓝藻水华、轻度、中度和重度四个等级。
优选的,所述步骤S6中蓝藻水华影响总面积计算公式:
式中:S为蓝藻水华影响总面积,单位为平方千米;n为被蓝藻水华影响的像元总数;i为被蓝藻水华影响的像元序号;ΔSi为第i个蓝藻水华像元面积,单位为平方千米。
本发明还包括一种基于卫星观测数据的蓝藻水华监测系统,包括依次连接的卫星图像输入模块、中央处理模块和蓝藻水华监测显示模块,其中中央处理模块包括卫星影像预处理模块、大气校正模块、角度订正模块、蓝藻水华判识模块、水华强度和面积计算模块,卫星图像通过卫星图像输入模块输入后经过中央处理模块的各模块进行处理和计算后将监测区域的蓝藻水华信息通过蓝藻水华监测显示模块进行展示。
本发明的基于卫星观测数据的蓝藻水华监测方法及系统,通过采用6S辐射传输模型进行大气校正,综合考虑去除瑞利散射和气溶胶分子散射的影响,可以获得更接近真实状况的水面反射率,从而提高蓝藻水华的判识精度。采用半经验核驱动双向反射分布函数BRDF模型进行角度效应订正处理,可以提高水面反射率和蓝藻水华的反演精度。准确获取水面反射率信息,利用归一化植被指数NDVI和植被覆盖度FVC定量提取蓝藻水华和分等级信息,该方法监测精度高,时效性强,实现了内陆湖泊蓝藻水华的动态持续监测。
附图说明
图1为本发明FY-4B/AGRI卫星影像大气校正前后的NDVI散点图;
图2为本发明FY-4B/AGRI角度效应订正效果图;
图3为本发明2022年10月22日FY4B/AGRI监测太湖蓝藻水华示意图;
图4为本发明2022年10月22日Himawari-8/AHI监测太湖蓝藻水华示意图;
图5为本发明FY4B/AGRI与Himawari-8/AHI反演蓝藻水华面积比较示意图;
图6为本发明一种基于卫星观测数据的蓝藻水华监测方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
下面结合附图描述本发明的实施例。
实施例:
如图6所示,本发明提供的一种基于卫星观测数据的蓝藻水华监测方法,包括以下步骤,
S1:对卫星影像进行预处理,包括投影、裁切和几何精校正。
S2:对预处理的卫星影像,采用6S辐射传输模型进行大气效应订正处理。大气效应订正处理的目的是去除大气分子散射和吸收以及气溶胶散射对遥感影像造成的影响,以获得水面的准确信息,客观准确地反映地物特征;具体步骤如下:
将地表近似为朗伯面,基于6S辐射传输模型,考虑大气分子的贡献,根据大气散射、大气透过率与地表反射率之间的关系,通过卫星观测参数、大气相关参数以及波段信息计算地表反射率ρt,公式如下:
其中μs=cosθs,μv=cosθv,式中/>为卫星传感器接收到的信号经过辐射校正与太阳天顶角校正后的大气层顶表观反射率;/>为大气分子散射(Rayleigh Scattering)所构成的路径辐射反射率;/>为地表反射率;TO(μs,μv)为臭氧吸收造成的大气透过率;TH(μs,μv)为大气水汽透过率;/>和/>分别为大气分子下行辐射透过率和为大气分子上行辐射透过率;μs和μv分别为太阳天顶角和观测天顶角的余弦值,/>为太阳与传感器之间的相对方位角;θs、θv、φs和φv分别为太阳天顶角、观测天顶角、太阳方位角和观测方位角;S为大气球形反照率。
通过6S模型构建大气校正查找表(LUT),以提高计算效率和大气订正的准确性。查找表的输入由8个大陆型吸收气溶胶组成,光学厚度为0.05,0.1,0.2,0.4,0.8,1.2,1.6和2.0,13个太阳天顶角范围从0到80°,间隔为6°,13个卫星天顶角范围从0到80°,间隔为6°,11个相对方位角从0到180°,间隔为18°。此外,查找表的输出包括大气分子,臭氧,水蒸气,上行和下行辐射的透过率,以及TOA处气溶胶的反射率。在该算法中,查找表用于获取订正公式中的各种参数,以及太阳和卫星角度。辐射传输计算中使用了美国标准的温度、水蒸气和臭氧的大气廓线。气溶胶光学厚度AOD来源于AGRI波段,并使用Angstrom指数公式(4.16)从500nm的光学厚度转换为550nm的光学厚度:
其中,τ(λ)是未知波形的气溶胶光学厚度,τα(λ)为已知波形的气溶胶光光学厚度,λα为Angstrom指数。最后,大气校正后的表面反射率Rs可以从等式(1)中计算出来。
6S大气校正模块输入信息如表1所示,应用6S模型进行大气校正时,需要输入卫星过境时刻的几何参数、大气参数、遥感器参数和地物参数等。
1)几何参数
几何参数采用自定义参数,包括太阳天顶角、太阳方位角、卫星天顶角、卫星方位角、遥感器类型、经纬度以及成像时间等,这些数据都可从AGRI L1级产品数据中获取。
2)大气模式
模式包括7种内置的大气模式,从0-6,分别为0-无大气吸收,1-热带,2-中纬度夏季,3-中纬度冬季,4-亚寒带夏季,5-亚寒带冬季以及6-美国标准大气模式,这里选择2-中纬度夏季和3-中纬度冬季,具体根据卫星影像时间确定。
3)气溶胶模式
一共有7种内置的气溶胶模式,从0-7,0-无气溶胶模式,1-大陆型,2-海洋型,3-城市型,5-沙漠背景的shettle模型,6-生物燃烧模型,7-平流层模型,这里选择3-城市型。
4)气溶胶光学厚度
气溶胶光学厚度产品来源于FY4B/AGRI官方气溶胶产品,时间分辨率为15分钟。
输入L1文件中的数据包括470、650和865nm三个通道的表观反射率,输入定位文件中的辅助数据包括太阳天顶角、卫星天顶角、卫星太阳相对方位角,另外输入L2气溶胶光学厚度产品。太阳和卫星观测角度信息是用来从查找表中找到对应的大气透过率、大气程辐射和大气半球反照率数据。输入文件中最重要的文件是气溶胶光学厚度产品与大气校正查照表,该查照表是离线建立的,主要利用AGRI波谱响应函数、气溶胶光学厚度和气溶胶类型和6S辐射传输模式通过大量计算生成,大气校正的精度与气溶胶光学厚度精度和查找表直接相关。
表1 6S大气校正模块输入信息列表
根据以上步骤,如图1所示,以2022年8月1日、10月1日和10月11日太湖湖面共10幅FY-4B/AGRI影像为例,比较大气校正前后计算的NDVI值的变化情况,可以看到,大气校正后计算得到的NDVI值较大气校正前有较为明显的提高,整体提高了22.6%。
S3:对步骤S2处理后的卫星影像,采用半经验核驱动双向反射分布函数BRDF模型进行角度效应订正处理。
角度效应订正处理的目的是减小太阳天顶角、卫星天顶角、相对方位角等角度对反射率的影响,提高水面遥感反演精度;具体步骤如下:
主要通过双向反射函数(BRDF)在特定波长λ和几何条件下,计算地表反射辐射率L与入射辐射率I的比值,公式如下:
其中θs,θv以及分别为太阳天顶角、观测天顶角和相对方位角。在算法中BDRF作为固定参数提供。BDRF的主要作用就是减小太阳天顶角以及观测角对地表反射率的影响。
在蓝藻植被信息计算中,使用Roujean等人(1992)提出的半经验核驱动模型角度效应校正方法,此模型的优点是由于它是线性的,因此很容易反求观测值。该模型有三项分别代表各向同性、几何(阴影效果)和体积(多次反射)的贡献。增加的第四个镜面反射项用于在水和沙漠上的反射率。其公式如下:
其中:
式中μs和μv分别是太阳天顶角和卫星天顶角的余弦值;是太阳方位角和卫星方位角的差值。在角度效应校正模型中,第一项对应于材料表面的漫反射,反射率是Kgeo,考虑了不透明的反射物和阴影效应的几何结构。此处通过根据Lambert定律反射的垂直不透明突起建模,这些突起位于平坦的水平平面上。它们主要代表裸露土壤表面的不规则性和粗糙度,但也可能代表低透光率冠层的结构特征。采用此模型是因为它能够简单地描述阴影效果。第二项是体积散射的一个分量,反射率为Kvol,其中介质被建模为随机定位的吸收和散射辐射的刻面的集合。这些刻面主要代表冠层的叶子,其特征在于不可忽略的透射率,同时也可以模拟裸露土壤的灰尘,精细结构和孔隙率。一个简单的辐射传输模型用于描述这一项。其中一个重点Kvol是从体积散射辐射传输模型推导出来的,另一个是来自表面散射和几何阴影投射理论的Kgeo。一些研究已经确定这种RossThick-LiSparse-Reciprocalkernel组合是最适合可操作的MODIS BRDF/反照率算法的模型。BRDF函数与MCD43产品的系数相结合,可以很好地修正反射率随角度的变化。为了保留从观测中获得的信息,表面反射率通过以下表达式进行校正:
根据以上步骤,FY4B/AGRI卫星影像进行角度效应订正处理后计算NDVI值,如图2所示,订正后NDVI值的分布整体存在偏移,峰值NDVI增大且像元个数增加,订正后NDVI值普遍位于1:1线之上,角度订正起到了一定效果。角度订正后计算的NDVI可以提高AGRI蓝藻监测产品精度。
S4:计算步骤S3处理后的每幅卫星影像的归一化植被指数NDVI值,用计算的NDVI值与判识蓝藻水华的NDVI阈值比较确定蓝藻信息。
每幅卫星影像的归一化植被指数NDVI值,计算公式如下:
NDVI=(ρnir-ρred)/(ρnir+ρred) (6)
其中,ρnir表示卫星近红外波段的反射率,ρred表示红光波段的反射率。从水中检测蓝藻信息的最关键步骤是确定AGRI影像中NDVI的阈值。采用常用的人机交互与统计结果相结合的方法,首先对所有卫星影像的RGB图像进行目视分析,然后人工确定蓝藻和水体的边界,将所有相应的NDVI图像中沿这些边界的所有像元的平均NDVI值作为判识蓝藻水华的阈值。本实施方式中确定NDVI的阈值为-0.0112。
S5:通过植被覆盖度指数FVC来监测蓝藻水华的分布和密集程度。利用植被覆盖度指数FVC来监测蓝藻水华的分布和密集程度。为定量化表示蓝藻水华的发生程度,引入植被覆盖度FVC这个概念。植被覆盖度定义为某一地域植物垂直投影面积与该地域面积之比,用百分数表示,是评估和表征陆地植被状况的重要指标之一。用植被覆盖度指数来表示蓝藻水华的空间分布和富集程度,称其为蓝藻水华覆盖度。植被覆盖度FVC通常使用像元二分法进行计算。假设混合像元中仅包括蓝藻和水,则该混合图像元的NDVI值可以表示如下:
NDVI=fvc×NDVIa+(1-fvc)×NDVIw (7)
这里蓝藻水华的覆盖面积为fvc时,水的覆盖面积为1-fvc,蓝藻和水的NDVI值分别为NDVIa和NDVIw。
根据上式推导,可以得到FVC如下:
FVC=(NDVI-NDVIw)/(NDVIa-NDVIw) (8)
NDVIa和NDVIw通常根据影像中归一化植被指数NDVI值的累积频率分布来确定,即累积频率为5%的NDVI值视为NDVIw,累积频率为95%的NDVI值视为NDVIa。根据统计结果,NDVIa和NDVIw值分别确定为0.81和-0.2。
S6:根据植被覆盖度占像元面积的百分比,确定蓝藻水华强度等级,并统计各等级蓝藻水华的影响面积和总面积,实现蓝藻水华的监测。
根据覆盖度占像元面积的百分比,如表2所示,将蓝藻水华分成无蓝藻水华、轻度、中度和重度四个等级。
表2单像元蓝藻水华覆盖度分级表
为适应业务服务的实际需要,通常还需要统计蓝藻水华的影响面积,蓝藻水华影响总面积计算公式:
式中:S为蓝藻水华影响总面积,单位为平方千米(km2);n为被蓝藻水华影响的像元总数;i为被蓝藻水华影响的像元序号;ΔSi为第i个蓝藻水华像元面积,单位为平方千米(km2)。
根据以上步骤,以2022年10月22日的太湖蓝藻水华过程为例,如图3所示,用FY4B/AGRI卫星影像提取了蓝藻水华覆盖度和等级信息。时间从7:00-16:30,以30分钟间隔,共制作了20幅蓝藻水华覆盖度影像。可以发现,从早上7:00时开始,太湖西北部沿岸区就出现了蓝藻水华斑块,此后,蓝藻斑块的面积逐渐增大,强度逐渐增强,在上午11时左右蓝藻水华面积达到最大值,约531km2,覆盖了湖泊中部和西南部沿海地区的一部分。从大约12:00时开始,蓝藻斑块开始收缩,直到16:30左右,此时湖面上只剩下三个小的蓝藻斑块,面积小于50km2。如图4和图5所示,无论是蓝藻水华的空间分布格局、动态变化趋势还是面积均与国际公认的Himawari-8/AHI卫星数据反演结果基本一致。表明,FY4B/AGRI卫星影像不仅能准确地提取蓝藻水华信息,而且能很好地监测蓝藻水华的动态变化过程。
本发明还包括一种基于卫星观测数据的蓝藻水华监测系统,具体包括依次连接的卫星图像输入模块、中央处理模块和蓝藻水华监测显示模块,其中中央处理模块包括卫星影像预处理模块、大气校正模块、角度订正模块、蓝藻水华判识模块、水华强度和面积计算模块,卫星图像通过卫星图像输入模块输入后经过中央处理模块的各模块进行处理和计算后将监测区域的蓝藻水华信息通过蓝藻水华监测显示模块进行展示。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解,在不脱离本发明的原理和宗旨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,本发明的范围由权利要求及其等同物限定。
Claims (14)
1.一种基于卫星观测数据的蓝藻水华监测方法,其特征在于,包括以下步骤,
S1:对卫星影像进行预处理,包括投影、裁切和几何精校正;
S2:对预处理的卫星影像,采用6S辐射传输模型进行大气效应订正处理;
S3:对步骤S2处理后的卫星影像,采用半经验核驱动双向反射分布函数BRDF模型进行角度效应订正处理;
S4:计算步骤S3处理后的每幅卫星影像的归一化植被指数NDVI值,用计算的NDVI值与判识蓝藻水华的NDVI阈值比较确定蓝藻信息;
S5:通过植被覆盖度指数FVC来监测蓝藻水华的分布和密集程度;
S6:根据植被覆盖度占像元面积的百分比,确定蓝藻水华强度等级,并统计各等级蓝藻水华的影响面积和总面积,实现蓝藻水华的监测。
2.根据权利要求1所述的一种基于卫星观测数据的蓝藻水华监测方法,其特征在于,所述步骤S2具体如下:
将地表近似为朗伯面,基于6S辐射传输模型,考虑大气分子的贡献,根据大气散射、大气透过率与地表反射率之间的关系,通过卫星观测参数、大气相关参数以及波段信息计算地表反射率ρt,公式如下:
其中μs=cosθs,μv=cosθv,式中/>为卫星传感器接收到的信号经过辐射校正与太阳天顶角校正后的大气层顶表观反射率;/>为大气分子散射所构成的路径辐射反射率;/>为地表反射率;TO(μs,μv)为臭氧吸收造成的大气透过率;TH(μs,μv)为大气水汽透过率;/>和/>分别为大气分子下行辐射透过率和为大气分子上行辐射透过率;μs和μv分别为太阳天顶角和卫星天顶角的余弦值,/>为太阳与卫星之间的相对方位角;θs、θv、φs和φv分别为太阳天顶角、卫星天顶角、太阳方位角和卫星方位角;S为大气球形反照率。
3.根据权利要求2所述的一种基于卫星观测数据的蓝藻水华监测方法,其特征在于,所述步骤S2中通过6S模型构建大气校正查找表,查找表的输入由若干大陆型吸收气溶胶组成;查找表的输出包括大气分子、臭氧、水蒸气、上行和下行辐射的透过率,以及TOA处气溶胶的反射率。
4.根据权利要求3所述的一种基于卫星观测数据的蓝藻水华监测方法,其特征在于,所述气溶胶光学厚度AOD来源于AGRI波段,并使用Angstrom指数公式从500nm的光学厚度转换为550nm的光学厚度:
其中,τ(λ)是未知波形的气溶胶光学厚度,τα(λ)为已知波形的气溶胶光光学厚度,λα为Angstrom指数。
5.根据权利要求4所述的一种基于卫星观测数据的蓝藻水华监测方法,其特征在于,应用6S模型进行大气校正时,需要输入卫星过境时刻的几何参数、大气参数、遥感器参数和地物参数。
6.根据权利要求5所述的一种基于卫星观测数据的蓝藻水华监测方法,其特征在于,所述步骤S3采用半经验核驱动双向反射分布函数BRDF模型进行角度效应订正处理的具体如下:
通过双向反射函数BRDF在特定波长λ和几何条件下,计算地表反射辐射率L与入射辐射率I的比值,公式如下:
其中θs,θv以及分别为太阳天顶角、观测天顶角和相对方位角。
7.根据权利要求6所述的一种基于卫星观测数据的蓝藻水华监测方法,其特征在于,所述步骤S3中在半经验核驱动模型的三项贡献中增加第四个镜面反射项用于在水和沙漠上的反射率,其公式如下:
其中:
式中μs和μv分别是太阳天顶角和卫星天顶角的余弦值;是太阳与卫星之间的相对方位角。
8.根据权利要求6所述的一种基于卫星观测数据的蓝藻水华监测方法,其特征在于,表面反射率通过以下表达式进行校正:
9.根据权利要求1所述的一种基于卫星观测数据的蓝藻水华监测方法,其特征在于,所述步骤S4中归一化植被指数NDVI值,计算公式如下:
NDVI=(ρnir-ρred)/(ρnir+ρred) (6)
其中,ρnir表示卫星近红外波段的反射率,ρred表示红光波段的反射率。
10.根据权利要求9所述的一种基于卫星观测数据的蓝藻水华监测方法,其特征在于,所述步骤S4中判识蓝藻水华的NDVI阈值通过以下方法确定,首先对所有卫星影像的RGB图像进行目视分析,然后人工确定蓝藻和水体的边界,将所有相应的NDVI图像中沿这些边界的所有像元的平均NDVI值作为判识蓝藻水华的阈值。
11.根据权利要求1所述的一种基于卫星观测数据的蓝藻水华监测方法,其特征在于,所述步骤S5中植被覆盖度指数FVC使用像元二分法进行计算,假设混合像元中仅包括蓝藻和水,则该混合图像元的NDVI值可以表示如下:
NDVI=fvc×NDVIa+(1-fvc)×NDVIw (7)
这里蓝藻水华的覆盖面积为fvc时,水的覆盖面积为1-fvc,蓝藻和水的NDVI值分别为NDVIa和NDVIw;
根据上式推导,可以得到FVC如下:
FVC=(NDVI-NDVIw)/(NDVIa-NDVIw) (8)。
12.根据权利要求1所述的一种基于卫星观测数据的蓝藻水华监测方法,其特征在于,所述步骤S6中根据植被覆盖度占像元面积的百分比,将蓝藻水华分成无蓝藻水华、轻度、中度和重度四个等级。
13.根据权利要求12所述的一种基于卫星观测数据的蓝藻水华监测方法,其特征在于,所述步骤S6中蓝藻水华影响总面积计算公式:
式中:S为蓝藻水华影响总面积,单位为平方千米;n为被蓝藻水华影响的像元总数;i为被蓝藻水华影响的像元序号;ΔSi为第i个蓝藻水华像元面积,单位为平方千米。
14.一种基于卫星观测数据的蓝藻水华监测系统,其特征在于:包括依次连接的卫星图像输入模块、中央处理模块和蓝藻水华监测显示模块,其中中央处理模块包括卫星影像预处理模块、大气校正模块、角度订正模块、蓝藻水华判识模块、水华强度和面积计算模块,卫星图像通过卫星图像输入模块输入后经过中央处理模块的各模块进行处理和计算后将监测区域的蓝藻水华信息通过蓝藻水华监测显示模块进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310703739.8A CN116664947A (zh) | 2023-06-14 | 2023-06-14 | 一种基于卫星观测数据的蓝藻水华监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310703739.8A CN116664947A (zh) | 2023-06-14 | 2023-06-14 | 一种基于卫星观测数据的蓝藻水华监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116664947A true CN116664947A (zh) | 2023-08-29 |
Family
ID=87724036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310703739.8A Pending CN116664947A (zh) | 2023-06-14 | 2023-06-14 | 一种基于卫星观测数据的蓝藻水华监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664947A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115906505A (zh) * | 2022-12-12 | 2023-04-04 | 武汉大学 | 基于gnss信号的水面水华密度遥感探测方法及系统 |
CN117172411A (zh) * | 2023-09-06 | 2023-12-05 | 江苏省气候中心 | 一种全天候蓝藻水华实时自动判识预警方法及系统 |
-
2023
- 2023-06-14 CN CN202310703739.8A patent/CN116664947A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115906505A (zh) * | 2022-12-12 | 2023-04-04 | 武汉大学 | 基于gnss信号的水面水华密度遥感探测方法及系统 |
CN117172411A (zh) * | 2023-09-06 | 2023-12-05 | 江苏省气候中心 | 一种全天候蓝藻水华实时自动判识预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aurin et al. | Spatially resolving ocean color and sediment dispersion in river plumes, coastal systems, and continental shelf waters | |
King et al. | Cloud and aerosol properties, precipitable water, and profiles of temperature and water vapor from MODIS | |
Zibordi et al. | Validation of satellite ocean color primary products at optically complex coastal sites: Northern Adriatic Sea, Northern Baltic Proper and Gulf of Finland | |
CN116664947A (zh) | 一种基于卫星观测数据的蓝藻水华监测方法及系统 | |
Roujean et al. | Evidence of surface reflectance bidirectional effects from a NOAA/AVHRR multi-temporal data set | |
Proud et al. | Rapid response flood detection using the MSG geostationary satellite | |
KR101483617B1 (ko) | 강수 추정 시스템 및 그 방법 | |
CN114819150B (zh) | 一种极地海洋冬季初级生产力遥感反演方法 | |
Bell et al. | Single-blind determination of methane detection limits and quantification accuracy using aircraft-based LiDAR | |
CN110836870B (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
Kahru et al. | Optimized merger of ocean chlorophyll algorithms of MODIS-Aqua and VIIRS | |
CN113553907A (zh) | 一种基于遥感技术的森林生态环境状况评价方法 | |
CN101308215A (zh) | 一种ⅱ类水体离水辐亮度反演方法 | |
Kabiri | Estimation of the Secchi disk depth from the NASA MODIS-Aqua diffuse attenuation coefficient data in the northern Persian Gulf and the Gulf of Oman: A spatiotemporal assessment | |
CN113740263B (zh) | 一种气溶胶光学厚度反演方法及大气颗粒物遥感反演方法 | |
Hosoda et al. | Difference characteristics of sea surface temperature observed by GLI and AMSR aboard ADEOS-II | |
CN110705089B (zh) | 一种细模态气溶胶参数反演方法 | |
Murakami et al. | Validation of ADEOS-II GLI ocean color products using in-situ observations | |
Tsay et al. | Deep learning for satellite rainfall retrieval using Himawari-8 multiple spectral channels | |
Banzon et al. | Validation of a SeaWiFS dust-correction methodology in the Mediterranean Sea: Identification of an algorithm-switching criterion | |
Rolland et al. | Surface variability effects on the remote sensing of thin cirrus optical and microphysical properties | |
Mu et al. | An assessment of atmospheric correction methods for GOCI images in the Yellow River estuary | |
Zhu et al. | Atmospheric correction of ENVISAT/MERIS data over case II waters: the use of black pixel assumption in oxygen and water vapour absorption bands | |
Tonooka | Atmospheric correction of MODIS thermal infrared bands by water vapor scaling method | |
Bulgin et al. | Improving the combined use of reflectance and thermal channels for ocean and coastal cloud detection for the Sea and Land Surface Temperature Radiometer (SLSTR) |
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 |