CN116952873A - 一种基于高光谱技术的水体黑臭程度测算方法 - Google Patents
一种基于高光谱技术的水体黑臭程度测算方法 Download PDFInfo
- Publication number
- CN116952873A CN116952873A CN202310923495.4A CN202310923495A CN116952873A CN 116952873 A CN116952873 A CN 116952873A CN 202310923495 A CN202310923495 A CN 202310923495A CN 116952873 A CN116952873 A CN 116952873A
- Authority
- CN
- China
- Prior art keywords
- water body
- black
- odorous
- hyperspectral
- 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 159
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims description 26
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 26
- 239000001301 oxygen Substances 0.000 claims abstract description 23
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 23
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims abstract description 13
- 238000002310 reflectometry Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000000691 measurement method Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 3
- 238000003911 water pollution Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- MBMLMWLHJBBADN-UHFFFAOYSA-N Ferrous sulfide Chemical compound [Fe]=S MBMLMWLHJBBADN-UHFFFAOYSA-N 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- LSDPWZHWYPCBBB-UHFFFAOYSA-N Methanethiol Chemical compound SC LSDPWZHWYPCBBB-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006065 biodegradation reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 235000019645 odor Nutrition 0.000 description 1
- 230000033116 oxidation-reduction process Effects 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- CADICXFYUNYKGD-UHFFFAOYSA-N sulfanylidenemanganese Chemical compound [Mn]=S CADICXFYUNYKGD-UHFFFAOYSA-N 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Computational Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于水体黑臭程度测算技术领域，具体涉及一种基于高光谱技术的水体黑臭程度测算方法，包括如下步骤：S10：将高光谱设备安装于被测水体一侧，进而使高光谱设备拍摄被测水体；S20：获取该设备的高光谱数据进行处理，S30：通过高光谱设备拍摄的数据提取计算黑臭水体特征值T；S40：利用s1数据得出不同黑臭水体的平均光谱差异阈值为T1、T2；S50：利用s1的数据分别获取透明度、溶解氧、氨氮参数敏感波段的反射率，并计算该反射率的值；S60：对S50中得到的值进行预判断；S70：利用上述步骤得出的参数对被测水体的黑臭程度进行辨别；本发明能够通过程序快速对数据完成分析和计算，实现重度黑臭水体、轻度黑臭书体、一般水体的快速精细化判断。
Description
技术领域
本发明属于水体黑臭程度测算技术领域，具体涉及一种基于高光谱技术的水体黑臭程度测算方法。
背景技术
城市黑臭水体是指在城市建成区内出现颜色令人不悦或散发出不适气味的水体。这种水体的黑臭现象是一种生物化学现象，当水体遭受严重污染时，有机物的好氧分解速率大于复氧速率，导致水体缺氧，有机物降解不完全。在厌氧生物降解过程中，会生成发臭物质如硫化氢、氨、硫醇等，同时形成硫化铁、硫化锰等黑色物质，致使水体出现黑臭，这是一种严重的水污染现象，对地球的生态环境和人类的生活健康都有严重影响
为了控制和治理这种严重的水污染现象，国务院颁发了《水污染防治行动计划》。2015年9月住房部公布的《城市黑臭水体整治工作指南》明确规定了黑臭水体监测与评价方法。其中城市黑臭水体的评价指标包括透明度、溶解氧、氧化还原电位、氨氮，按照该评价指标可将水体的污染程度分为重度黑臭水体、轻度黑臭水体和非黑臭水体。
随着我国工农业的快速发展，城市建成区的水体黑臭程度日益加剧，且不同地点的水体黑臭程度存在差异。因此，如何快速、准确、并覆盖范围更广地识别黑臭水体，及时采取有效的管理措施，变得尤为重要。传统的检测方法主要依靠实地采样并带回实验室进行水质分析，最后根据相关标准来评估水体的黑臭程度。然而，这种方法耗时耗力，监测范围有限，不能及时反馈水体的黑臭情况，因此有待改进。
发明内容
本发明的目的是：旨在提供一种基于高光谱技术的水体黑臭程度测算方法，通过连续探测的可见-红外高光谱设备拍摄的被测水体的光谱数据结合python程序对数据完成了提取、计算，进而通过的黑臭水体光谱特征值对水体类型进行初步判断，再结合氨氮、透明度、溶解氧的三个参数值进一步辨别黑臭水体程度，进而实现重度黑臭水体、轻度黑臭水体和一般水体的快速且精确的判断。
为实现上述技术目的，本发明采用的技术方案如下：
一种基于高光谱技术的水体黑臭程度测算方法，包括如下步骤：
S10：将高光谱设备安装于被测水体一侧，进而使高光谱设备连接拍摄被测水体；
S20：利用pycharm软件，获取该设备的高光谱数据进行处理，并将高光谱设备数据保存为csv数据格式；
S30：通过高光谱设备拍摄的数据提取计算黑臭水体特征值T；
S40：利用s1数据得出不同黑臭水体的平均光谱差异阈值为T1、T2；
S50：利用s1的数据分别获取透明度、溶解氧、氨氮参数敏感波段的反射率，并计算该反射率的值；
S60：对S50中得到的值进行预判断；对S60步骤预判断的数值包括：黑臭水体差异阈值和透明度、溶解氧、氨氮参数敏感波段的反射率值；若黑臭水体差异阈值不满足判别条件，则返回S2；若S50中得到的参数小于零，则返回S2。
S70：利用上述步骤得出的参数对被测水体的黑臭程度进行辨别。
被测水体黑臭程度辨别方法：所述透明度、溶解氧、氨氮参数敏感波段的反射率值的判断值为：NH3N(8-15)，透明度TURBIDITY(10-21)，溶解氧D0(0.2-20)，所述平均光谱差异阈值为T1、T2为[0.00165-0.0025]。
S71：若被测水体平均光谱差异值大于等于T2，且S50构建的敏感波段中至少一个参数满足重度黑臭水体条件，则该水体是重度黑臭水体；当没有参数满足重度黑臭水体条件时：若至少一个参数满足轻度黑臭条件则为轻度黑臭水体，若没有参数满足轻度黑臭水体条件则为一般水体；
S72：若被测水体平均光谱差异值位于[T1-T2)，且S50构建的敏感波段至少一个参数满足一般黑臭水体条件，即被测水体为轻度黑臭水体；当没有参数满足一般黑臭水体条件时：若多个参数满足重度黑臭水体条件则为黑臭水体，若只有一项参数满足重度黑臭水体条件则为轻度黑臭水体，若参数都不满足上述条件则为一般水体；
S73：若被测水体平均光谱差异值为小于T1，且S50构建的敏感波段至少一个参数满足一般水体条件即为一般水体；当没有参数满足一般水体条件时，则为轻度黑臭水体。
高光谱设备为CMOS成像仪，拍摄光照由led提供且灯光安装位置垂直向下，光源发射处高于高光谱设备，该设备采集焦距为20cm，光谱范围包含380nm-960nm，分辨率为10-25nm，输出步长为2。高光谱设备数据采集方式为指令采集，该设备的采集方向与竖直led光源成30°夹角，并与被测水体采集水面距离20cm。
根据步骤S30的黑臭水体特征值T的方法，首先选取特征波段，然后对被测水体选取相同波段计算被测水体的特征值T,将选取的特惠总能波段R1至R2数据进行求和归一化处理，然后得出黑臭水体特征值T，选取特征波段范围R1至R2为：520nm-600nm(相关系数R2大于0.8)，公式如下：
T＝MAXt-MINi。
S50中的参数值计算方法：使用S20步骤的程序语言获取氨氮(NH3N)、溶解氧(D0)和透明度(TURBIDITY)的敏感波段作为自变量进行计算，计算模型公式为：
(a＝15.205，b＝0.38，c＝1.12)
(a＝-670.86，b＝683.76
(a＝250.865，b＝1.476，c＝0.435)
当敏感波段的自变量为奇数波段时求取当前波段前后值的平均值为实际敏感波段带入公式进行计算。
本发明通过连续探测的可见-红外高光谱设备拍摄的被测水体，利用测量的光谱数据结合python程序对数据完成了提取、计算，进而通过的黑臭水体光谱特征值对水体类型进行初步判断，再结合氨氮、透明度、溶解氧的三个参数值进一步辨别黑臭水体，进而实现重度黑臭水体、轻度黑臭水体和一般水体的快速且精确的判断。
附图说明
本发明可以通过附图给出的非限定性实施例进一步说明。
图1为本发明一种基于高光谱技术的水体黑臭程度测算方法的流程示意图；。
具体实施方式
为了使本领域的技术人员可以更好地理解本发明，下面结合附图和实施例对本发明技术方案进一步说明。
如图1所示，本发明的一种基于高光谱技术的水体黑臭程度测算方法，包括以下步骤：
步骤10：使用时首先通过LED提供拍摄光照，并且LED光源发射处应略高于高光谱设备且垂直向下，高光谱设备CMOS成像仪的采集焦距为20cm，光谱范围包含380nm-960nm，分辨率为10-25nm，输出步长为2，该设备的采集方向与竖直led光源成30°夹角，与采集水面距离20cm。
步骤：20：利用连续探测可见-红外高光谱设备对被测水体连续拍摄被测水体，通过循环发送采集指令的方式完成拍摄，使用pycharm软件结合python语言对数据完成解析。并将拍摄的光谱数据保存为建值对格式的csv文件(即波段对应反射率)。
步骤30：根据黑臭水体的光谱曲线的特征计算，首先将数据完成求和归一化处理，并选取特征波段520nm-600nm，公式如下：
T＝MAXt-MINi。
步骤40：通过高光谱设备拍摄的数据获取并得出不同黑臭水体的平均光谱差异阈值为T1、T2；
步骤50：利用光谱数据完成其他参数的自变量的计算，使用程序读取氨氮、溶解氧、和透明度敏感波段且(相关系数R2大于0.8)。
氨氮敏感波段R1(NH3N)＝＝560nm、R2(NH3N)＝＝650nm；
溶解氧敏感波段R1(DO)＝＝665nm、R2(DO)＝＝490nm；
透明度敏感波段R1(turbidity)＝＝646nm、R2(turbidity)＝＝857nm；(当使用奇数波段时求取当前波段前后值的平均值)。
将敏感波段对应带入模型公式中：
步骤60：若计算所得氨氮、透明度、溶解氧小于零则输出异常舍弃这条数据，返回步骤20读取下一条数据，若黑臭水体差异阈值不满足判别条件该数据为误差数据，则返回步骤20计算另一数据；
步骤70：将T、氨氮、溶解氧、透明度参数带入判断中，如果T≥0.0025,且(NH3N>15、透明度TURBIDITY＜10、溶解氧DO＜0.2；条件中存在一个及以上成立)，则该水体为重度黑臭水体；否则为其他污染水体。
若0.00165≤T＜0.0025,且(8＜NH3N＜15、0.2＜透明度TURBIDITY＜21、0.2＜溶解氧D0＜20,条件满足一个及以上)则该水体为轻度黑臭水体，否则为其他污染水体。
若T＜0.00165,且(NH3N＜8、21＜透明度TURBIDITY、20＜溶解氧DO,条件满足一个及以上)，则该水体为一般水体；
本发明通过连续探测的可见-红外高光谱设备拍摄的被测水体，利用测量的光谱数据结合python程序对数据完成了提取、计算，进而通过的黑臭水体光谱特征值对水体类型进行初步判断，再结合氨氮、透明度、溶解氧的三个参数值进一步辨别黑臭水体，进而实现重度黑臭水体、轻度黑臭水体和一般水体的快速且精确的判断。
需要说明的是，上述中的T1、T2的数值和氨氮、溶解氧、透明度反演公式中的多个系数都是大量的光谱数据经过神经网络训练模型拟合后得到的经验值，适用于所有模型。
上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种基于高光谱技术的水体黑臭程度测算方法，其特征在于，包括如下步骤：
S10：将高光谱设备安装于被测水体一侧，进而使高光谱设备连接拍摄被测水体；
S20：利用pycharm软件，获取该设备的高光谱数据进行处理，并将高光谱设备数据保存为csv数据格式；
S30：通过高光谱设备拍摄的数据提取计算黑臭水体特征值T；
S40：利用s1数据得出不同黑臭水体的平均光谱差异阈值为T1、T2；
S50：利用s1的数据分别获取透明度、溶解氧、氨氮参数敏感波段的反射率，并计算该反射率的值；
S60：对S50中得到的值进行预判断；
S70：利用上述步骤得出的参数对被测水体的黑臭程度进行辨别。
2.根据权利要求1所述的一种基于高光谱技术的水体黑臭程度测算方法，其特征在于：被测水体黑臭程度辨别方法：S71：若被测水体平均光谱差异值大于等于T2，且S50构建的敏感波段中至少一个参数满足重度黑臭水体条件，则该水体是重度黑臭水体；当没有参数满足重度黑臭水体条件时：若至少一个参数满足轻度黑臭条件则为轻度黑臭水体，若没有参数满足轻度黑臭水体条件则为一般水体；
S72：若被测水体平均光谱差异值位于[T1-T2)，且S50构建的敏感波段至少一个参数满足一般黑臭水体条件，即被测水体为轻度黑臭水体；当没有参数满足一般黑臭水体条件时：若多个参数满足重度黑臭水体条件则为黑臭水体，若只有一项参数满足重度黑臭水体条件则为轻度黑臭水体，若参数都不满足上述条件则为一般水体；
S73：若被测水体平均光谱差异值为小于T1，且S50构建的敏感波段至少一个参数满足一般水体条件即为一般水体；当没有参数满足一般水体条件时，则为轻度黑臭水体。
3.根据权利要求2所述的一种基于高光谱技术的水体黑臭程度测算方法，其特征在于：所述透明度、溶解氧、氨氮参数敏感波段的反射率值的判断值为：NH3N(8-15)，透明度TURBIDITY(10-21)，溶解氧D0(0.2-20)，所述平均光谱差异阈值为T1、T2为[0.00165-0.0025]。
4.根据权利要求3所述的一种基于高光谱技术的水体黑臭程度测算方法，其特征在于：对S60步骤预判断的数值包括：黑臭水体差异阈值和透明度、溶解氧、氨氮参数敏感波段的反射率值；则返回S20；若S50中得到的参数小于零，则返回S20。
5.根据权利要求1所述的一种基于高光谱技术的水体黑臭程度测算方法，其特征在于：高光谱设备为CMOS成像仪，拍摄光照由led提供且灯光安装位置垂直向下，光源发射处高于高光谱设备，该设备采集焦距为20cm，光谱范围包含380nm-960nm，分辨率为10-25nm，输出步长为2。
6.根据权利要求5所述的一种基于高光谱技术的水体黑臭程度测算方法，其特征在于：高光谱设备数据采集方式为指令采集，该设备的采集方向与竖直led光源成30°夹角，并与被测水体采集水面距离20cm。
7.根据权利要求6所述的一种基于高光谱技术的水体黑臭程度测算方法，其特征在于：根据步骤S30的黑臭水体特征值T的方法，首先选取特征波段，然后对被测水体选取相同波段计算被测水体的特征值T，将选取的特惠总能波段R1至R2数据进行求和归一化处理，然后得出黑臭水体特征值T，选取特征波段范围R1至R2为：520nm-600nm(相关系数R2大于0.8)，公式如下：
T＝MAXt-MINt 。
8.根据权利要求7所述的一种基于高光谱技术的水体黑臭程度测算方法，其特征在于：S50中的参数值计算方法：使用S20步骤的程序语言获取氨氮(NH3N)、溶解氧(DO)和透明度(TURBIDITY)的敏感波段作为自变量进行计算，计算模型公式为：
(a＝15.205，b＝0.38，c＝1.12)
(a＝-670.86，b＝683.76
(a＝250.865，b＝1.476，c＝0.435)。
9.根据权利要求8所述的一种基于高光谱技术的水体黑臭程度测算方法，其特征在于：当敏感波段的自变量为奇数波段时求取当前波段前后值的平均值为实际敏感波段带入公式进行计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310923495.4A CN116952873B (zh) | 2023-07-26 | 2023-07-26 | 一种基于高光谱技术的水体黑臭程度测算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310923495.4A CN116952873B (zh) | 2023-07-26 | 2023-07-26 | 一种基于高光谱技术的水体黑臭程度测算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116952873A true CN116952873A (zh) | 2023-10-27 |
| CN116952873B CN116952873B (zh) | 2024-08-23 |
Family
ID=88456182
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310923495.4A Active CN116952873B (zh) | 2023-07-26 | 2023-07-26 | 一种基于高光谱技术的水体黑臭程度测算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116952873B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118130490A (zh) * | 2024-03-15 | 2024-06-04 | 重庆市科学技术研究院 | 基于地基高光谱遥感监测的水体黑臭程度测算系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106950197A (zh) * | 2017-03-03 | 2017-07-14 | 环境保护部卫星环境应用中心 | 排污口污染水体的遥感提取方法、装置和系统 |
| CN111307727A (zh) * | 2020-03-13 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于时序遥感影像的水体水色异常识别方法和装置 |
| CN111398176A (zh) * | 2020-03-13 | 2020-07-10 | 生态环境部卫星环境应用中心 | 基于像元尺度特征的水体水色异常遥感识别方法和装置 |
| CN112766075A (zh) * | 2020-12-31 | 2021-05-07 | 中国冶金地质总局矿产资源研究院 | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 |
| CN113780071A (zh) * | 2021-07-30 | 2021-12-10 | 中南安全环境技术研究院股份有限公司 | 一种黑臭水体遥感识别系统及方法 |
| CN114527085A (zh) * | 2022-02-23 | 2022-05-24 | 重庆邮电大学 | 一种基于地基高光谱遥感的水体黑臭程度测算方法 |
| CN115631408A (zh) * | 2022-12-20 | 2023-01-20 | 天地信息网络研究院(安徽)有限公司 | 一种星地协同的黑臭水体识别模型自动优化系统 |
-
2023
- 2023-07-26 CN CN202310923495.4A patent/CN116952873B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106950197A (zh) * | 2017-03-03 | 2017-07-14 | 环境保护部卫星环境应用中心 | 排污口污染水体的遥感提取方法、装置和系统 |
| CN111307727A (zh) * | 2020-03-13 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于时序遥感影像的水体水色异常识别方法和装置 |
| CN111398176A (zh) * | 2020-03-13 | 2020-07-10 | 生态环境部卫星环境应用中心 | 基于像元尺度特征的水体水色异常遥感识别方法和装置 |
| CN112766075A (zh) * | 2020-12-31 | 2021-05-07 | 中国冶金地质总局矿产资源研究院 | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 |
| CN113780071A (zh) * | 2021-07-30 | 2021-12-10 | 中南安全环境技术研究院股份有限公司 | 一种黑臭水体遥感识别系统及方法 |
| CN114527085A (zh) * | 2022-02-23 | 2022-05-24 | 重庆邮电大学 | 一种基于地基高光谱遥感的水体黑臭程度测算方法 |
| CN115631408A (zh) * | 2022-12-20 | 2023-01-20 | 天地信息网络研究院(安徽)有限公司 | 一种星地协同的黑臭水体识别模型自动优化系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118130490A (zh) * | 2024-03-15 | 2024-06-04 | 重庆市科学技术研究院 | 基于地基高光谱遥感监测的水体黑臭程度测算系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116952873B (zh) | 2024-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116952873B (zh) | 一种基于高光谱技术的水体黑臭程度测算方法 | |
| CN110443262B (zh) | 基于计算机视觉的鱼体新鲜度快速无损检测方法及其装置 | |
| CN112766075B (zh) | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 | |
| CN109187392B (zh) | 一种基于分区建模的锌液痕量金属离子浓度预测方法 | |
| CN104049068B (zh) | 生鲜畜肉新鲜度的无损测定装置及测定方法 | |
| Agarwal et al. | Application of colorimetry to determine soil fertility through naive bayes classification algorithm | |
| CN103983595A (zh) | 一种基于紫外-可见光谱处理的水质浊度解算方法 | |
| CN113310909B (zh) | 一种基于高光谱的水质测定方法及设备 | |
| CN109738397B (zh) | 一种基于olci传感器的内陆湖泊水体陆源腐殖质浓度遥感估算方法 | |
| CN208283385U (zh) | 用于水产养殖业的水下检测机器人 | |
| US20240282146A1 (en) | Early warning method, apparatus, and system for nitrogen concentration in industrialized aquaponic circulating water | |
| CN104568824A (zh) | 基于可见/近红外光谱的虾类新鲜度等级检测方法及装置 | |
| CN112414957B (zh) | 海洋测试系统、方法和装置 | |
| CN111965115B (zh) | 一种基于高光谱的船舶尾气测量系统及方法 | |
| CN104990877A (zh) | 一种基于多光谱成像技术的虾贝类去壳水产品辐照剂量的检测方法 | |
| CN117309786A (zh) | 用于有机肥料的检测分析方法及其系统 | |
| CN113780071A (zh) | 一种黑臭水体遥感识别系统及方法 | |
| CN115598164B (zh) | 一种集成机器学习的土壤重金属浓度检测方法及系统 | |
| CN115358103A (zh) | 一种基于Sentinel-2数据的水环境检测方法 | |
| CN108896184B (zh) | 颜色识别方法 | |
| CN111855946B (zh) | 基于鱼类行为解析的水质分析方法 | |
| CN114527085A (zh) | 一种基于地基高光谱遥感的水体黑臭程度测算方法 | |
| EP1543146A4 (en) | INTERPRETATION MODEL FOR UV-VIS SPECTRA OF MICROORGANISMS | |
| CN110987825B (zh) | 一种基于光谱匹配的城市黑臭水体分级方法 | |
| CN105787925A (zh) | 推扫型光学遥感载荷原始图像坏线的自动检测方法和系统 |
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 |