CN116952906B - 水体健康状态评估方法、装置、电子设备及存储介质 - Google Patents

水体健康状态评估方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116952906B
CN116952906B CN202311213007.7A CN202311213007A CN116952906B CN 116952906 B CN116952906 B CN 116952906B CN 202311213007 A CN202311213007 A CN 202311213007A CN 116952906 B CN116952906 B CN 116952906B
Authority
CN
China
Prior art keywords
water body
transparency
determining
water
remote sensing
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
CN202311213007.7A
Other languages
English (en)
Other versions
CN116952906A (zh
Inventor
卞迎春
宋蕾
汤琼
朱静颖
刘雨生
夏丽华
张璇
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.)
Nanjing Aerospace Hongtu Information Technology Co ltd
Original Assignee
Nanjing Aerospace Hongtu Information Technology 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 Nanjing Aerospace Hongtu Information Technology Co ltd filed Critical Nanjing Aerospace Hongtu Information Technology Co ltd
Priority to CN202311213007.7A priority Critical patent/CN116952906B/zh
Publication of CN116952906A publication Critical patent/CN116952906A/zh
Application granted granted Critical
Publication of CN116952906B publication Critical patent/CN116952906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/59—Transmissivity
    • 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
    • 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
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/58—Extraction of image or video features relating to hyperspectral data
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • 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
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种水体健康状态评估方法、装置、电子设备及存储介质，包括：获取研究区域对应的多源数据集；基于固有光学量，确定多个水体类别和每个水体类别对应的透明度反演模型；以及，基于第一遥感反射率，确定研究区域包含的每个水体区域所属的水体类别；根据每个水体区域所属的水体类别、水体类别对应的透明度反演模型和第二遥感反射率，确定每个水体区域的透明度反演结果；基于透明度反演结果，针对空间维度和/或时间维度对每个水体区域的水体健康状态进行评估，得到每个水体区域对应的水体健康状态评估结果。本发明可以从机理上解释水体透明度的变化，还可以显著提高水体透明度的估算精度，从而准确地对水体健康状态进行监管和评估。

Description

水体健康状态评估方法、装置、电子设备及存储介质
技术领域
本发明涉及水体环境评估技术领域，尤其是涉及一种水体健康状态评估方法、装置、电子设备及存储介质。
背景技术
目前针对水体健康状态评估的方法有水质指标评估、生物监测、土壤和沉积物分析以及水文监测等，这些方法或许在一些方面有所建树，但是在经济性、敏感性、实时性和可持续性等方面都要弱于基于水体透明度的方法。透明度(SDD)是水体重要的参数之一，与光学衰减系数、漫射衰减系数之间存在密切关系，能够反映水体中多种光学活性物质的浓度大小以及水体的清澈和浑浊程度，它是评估水体健康状态的综合性指标之一。传统透明度的测量方法是赛氏盘法，但由于这种测量方式只能进行单点测量，其受到的人为因素影响较大，又耗时费力，且受到一些历史因素的限制，无法获取早期的透明度实测数据，因此很难用于长时间序列的动态监测。遥感数据以其迅速、实时动态、大范围、低成本以及时序性等诸多优点，被广泛用于水体透明度的估算。
但是，在相关专利中，对于透明度的估算模式多是经验或半经验的方法，不能从机理上解释水体透明度的变化，而且水体透明度估算精度较低，导致无法准确地对水体健康状态进行监管和评估。
发明内容
有鉴于此，本发明的目的在于提供一种水体健康状态评估方法、装置、电子设备及存储介质，可以从机理上解释水体透明度的变化，还可以显著提高水体透明度的估算精度，从而准确地对水体健康状态进行监管和评估。
第一方面，本发明实施例提供了一种水体健康状态评估方法，包括：
获取研究区域对应的多源数据集；其中，所述多源数据集包括第一遥感反射率、第二遥感反射率和固有光学量，所述第一遥感反射率是基于光谱辐射计测量的水体辐亮度计算得到的，所述第二遥感反射率是基于卫星遥感影像计算得到的；
基于所述固有光学量，确定多个水体类别和每个所述水体类别对应的透明度反演模型；以及，基于所述第一遥感反射率，确定所述研究区域包含的每个水体区域所属的所述水体类别；
根据每个所述水体区域所属的所述水体类别、所述水体类别对应的所述透明度反演模型和所述第二遥感反射率，确定每个所述水体区域的透明度反演结果；
基于所述透明度反演结果，针对空间维度和/或时间维度对每个所述水体区域的水体健康状态进行评估，得到每个所述水体区域对应的水体健康状态评估结果。
在一种实施方式中，基于所述固有光学量，确定多个水体类别和每个所述水体类别对应的透明度反演模型，包括：
基于透明度影响因素，从所述固有光学量中确定目标非色素颗粒物吸收系数和目标总颗粒物吸收系数；
根据所述目标非色素颗粒物吸收系数与所述目标总颗粒物吸收系数的比值，确定多个水体类别；其中，所述水体类别包括第一水体类别、第二水体类别和第三水体类别，所述第一水体类别为色素颗粒物影响的水体，所述第二水体类别为色素颗粒物和非色素颗粒物影像的水体，所述第三水体类别为非色素颗粒物影像的水体；
从所述第一遥感反射率中的蓝波段、绿波段、红波段和近红外波段中，分别确定每个所述水体类别对应的透明度反演波段组合；
基于每个所述水体类别对应的所述透明度反演波段组合，构造每个所述水体类别对应的透明度反演模型。
在一种实施方式中， 从所述第一遥感反射率中的蓝波段、绿波段、红波段和近红外波段中，分别确定每个所述水体类别对应的透明度反演波段组合；
对所述第一遥感反射率中的蓝波段、绿波段、红波段和近红外波段进行组合，以得到单波段、双波段组合、三波段组合、四波段组合；
对所述单波段、所述双波段组合、所述三波段组合和所述四波段组合与透明度分别进行相关性分析，并基于相关性分析结果从所述单波段、所述双波段组合、所述三波段组合和所述四波段组合中，确定每个所述水体类别对应的透明度反演波段组合。
在一种实施方式中，基于所述第一遥感反射率，确定所述研究区域包含的每个水体区域所属的所述水体类别，包括：
基于所述第一水体类别在遥感反射光谱上的反射谷确定第一特征点，以及基于所述第三水体类别在所述遥感反射光谱上的峰值确定第二特征点；
对于所述研究区域包含的每个水体区域，确定该水体区域内的像元点在所述第一特征点处对应的所述第一遥感反射率，以及在所述第二特征点处对应的所述第一遥感反射率；
基于所述像元点在所述第一特征点处对应的所述第一遥感反射率，以及在所述第二特征点处对应的所述第一遥感反射率，确定所述像元点对应的分类值；
如果所述分类值小于第一预设值，则确定所述像元点属于所述第一水体类别；或者，如果所述分类值大于或等于所述第一预设值，且小于或等于第二预设值，则确定所述像元点属于所述第二水体类别；或者，如果所述分类值大于所述第二预设值，则确定所述像元点属于所述第三水体类别。
在一种实施方式中，根据每个所述水体区域所属的所述水体类别、所述水体类别对应的所述透明度反演模型和所述第二遥感反射率，确定每个所述水体区域的透明度反演结果，包括：
利用水体提取指数、归一化植被指数和增强植被指数，对所述第二遥感反射率进行处理，以得到每个所述水体区域对应的水体掩膜文件；
对于每个所述水体区域，根据该水体区域对应的所述水体掩膜文件确定该水体区域包含的水体像元点；
根据每个所述水体像元点所属的所述水体类别，确定每个所述水体像元点对应的所述透明度反演模型，
利用每个所述水体像元点对应的所述透明度反演模型，反演每个所述水体像元点对应的透明度反演值；
基于该水体区域内每个所述水体像元点对应的所述透明度反演值，确定该水体区域的透明度反演结果。
在一种实施方式中，基于所述透明度反演结果，针对空间维度对每个所述水体区域的水体健康状态进行评估，得到每个所述水体区域对应的水体健康状态评估结果，包括：
对每个所述水体区域内包含的无效像元点进行剔除，得到每个所述水体区域内包含的有效像元点；
从每个所述水体区域的所述透明度反演结果中确定标准阈值；
对于每个所述水体区域，确定该水体区域内包含的所述有效像元点的第一像元点数量，以及确定所述水体区域内包含的所述有效像元点中，透明度反演值大于所述标准阈值的所述有效像元点的第二像元点数量；
如果所述第二像元点数量与所述第一像元点数量的比值大于与或等于空间健康阈值，则确定该水体区域在空间维度下对应的第一水体健康状态评估结果为达到健康水平。
在一种实施方式中，基于所述透明度反演结果，针对时间维度对每个所述水体区域的水体健康状态进行评估，得到每个所述水体区域对应的水体健康状态评估结果，包括：
按照预设时间间隔划分多个年份分组；
对于每个所述年份分组，基于该年份分组内所述水体区域在空间维度下对应的每个第一水体健康状态评估结果，确定所述水体区域在该年份分组中的目标水体健康状态评估结果；
如果所述目标水体健康状态评估结果为达到健康水平的所述年份分组的分组数量，与总分组数量之间的比值大于时间健康阈值，则该水体区域在时间维度下对应的第二水体健康状态评估结果为达到健康水平。
第二方面，本发明实施例还提供一种水体健康状态评估装置，包括：
数据获取模块，用于获取研究区域对应的多源数据集；其中，所述多源数据集包括第一遥感反射率、第二遥感反射率和固有光学量，所述第一遥感反射率是基于光谱辐射计测量的水体辐亮度计算得到的，所述第二遥感反射率是基于卫星遥感影像计算得到的；
类别确定模块，用于基于所述固有光学量，确定多个水体类别和每个所述水体类别对应的透明度反演模型；以及，基于所述第一遥感反射率，确定所述研究区域包含的每个水体区域所属的所述水体类别；
透明度反演模块，用于根据每个所述水体区域所属的所述水体类别、所述水体类别对应的所述透明度反演模型和所述第二遥感反射率，确定每个所述水体区域的透明度反演结果；
健康评估模块，用于基于所述透明度反演结果，针对空间维度和/或时间维度对每个所述水体区域的水体健康状态进行评估，得到每个所述水体区域对应的水体健康状态评估结果。
第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
本发明实施例提供的一种水体健康状态评估方法、装置、电子设备及存储介质，首先获取研究区域对应的第一遥感反射率、第二遥感反射率和固有光学量等多源数据集，第一遥感反射率是基于光谱辐射计测量的水体辐亮度计算得到的，第二遥感反射率是基于卫星遥感影像计算得到的；然后基于固有光学量，确定多个水体类别和每个水体类别对应的透明度反演模型；以及，基于第一遥感反射率，确定研究区域包含的每个水体区域所属的水体类别；进一步根据每个水体区域所属的水体类别、水体类别对应的透明度反演模型和第二遥感反射率，确定每个水体区域的透明度反演结果；最后基于透明度反演结果，针对空间维度和/或时间维度对每个水体区域的水体健康状态进行评估，得到每个水体区域对应的水体健康状态评估结果。上述方法从影响水体透明度的固有光学量着手，对水体类别进行划分并确定每个水体类别对应的透明度反演模型，改进了透明度反演模型的估算精度，进而基于精度较高的透明度反演结果对每个水体区域对应的水体健康状态进行监管和评估，得到准确度较高的水体健康状态评估结果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种水体健康状态评估方法的流程示意图；
图2为本发明实施例提供的另一种水体健康状态评估方法的流程示意图；
图3为本发明实施例提供的一种水体健康状态评估装置的结构示意图；
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
目前，在相关专利中，对于透明度的估算模式多是经验或半经验的方法，不能从机理上解释水体透明度的变化；此外，相关专利对于透明度的监测且往往是小范围和短时间尺度，这不利于对水体健康状态进行长期稳定的监测。基于此，本发明实施提供了一种水体健康状态评估方法、装置、电子设备及存储介质，可以从机理上解释水体透明度的变化，还可以显著提高水体透明度的估算精度；另外，结合联合国可持续发展目标（SDG 6.3）中改善水质的相关要求，利用云平台长期的卫星数据和强大的计算能力，对内陆水体透明度的时空变化特征进行研究，进而准确地对水体健康状态进行长期的监管和评估。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种水体健康状态评估方法进行详细介绍，参见图1所示的一种水体健康状态评估方法的流程示意图，该方法主要包括以下步骤S102至步骤S108：
步骤S102，获取研究区域对应的多源数据集。
其中，多源数据集包括第一遥感反射率、第二遥感反射率和固有光学量，还可以包括实验透明度数据。第一遥感反射率是基于光谱辐射计测量的水体辐亮度（也可称之为相对辐射亮度）计算得到的，第二遥感反射率是基于卫星遥感影像计算得到的，固有光学量可以包括总颗粒物吸收系数（ap）、色素颗粒物吸收系数（aph）和非色素颗粒物吸收系数（ad）。
在一种实施方式中，利用光谱辐射计测量研究区域的水体辐亮度，并对水体辐射亮度进行预处理以得到第一遥感反射率；另外，通过云平台获取Landsat系列地表反射率产品（也即，卫星遥感影像），并对地表反射率产品进行预处理以得到第二遥感反射率；固有光学量和实验透明度数据是通过不同期次的巡航实验采集得到的，可选的，可以对采集到的固有光学量和实验透明度数据进行预处理，以得到所需的固有光学量和实验透明度数据。
步骤S104，基于固有光学量，确定多个水体类别和每个水体类别对应的透明度反演模型；以及，基于第一遥感反射率，确定研究区域包含的每个水体区域所属的水体类别。
其中，水体类别包括第一水体类别、第二水体类别和第三水体类别，第一水体类别为色素颗粒物影响的水体记为T1，第二水体类别为色素颗粒物和非色素颗粒物影像的水体记为T2，第三水体类别为非色素颗粒物影像的水体记为T3。
在一种实施方式中，对透明度与水体中常见的组分进行相关性分析，其中，与透明度相关性最高的是悬浮物，其次是叶绿素a浓度，因此将藻类和悬浮泥沙作为影响透明度的因素，进而确定与两个因素相关性较好的色素颗粒物吸收系数和非色素颗粒物吸收系数，并基于确定得到的相关系数对水体类别进行划分。
在一种实施方式中，在确定水体类别之后，确定每个水体类别的透明度反演波段组合，并基于透明度反演波段组合构建每个水体类别对应的透明度反演模型。
在一种实施方式中，可以结合前述水体类别的划分方法，在遥感反射率上对水体类别进行区分，从而确定出水体区域中每个像元点所属的水体类别。
步骤S106，根据每个水体区域所属的水体类别、水体类别对应的透明度反演模型和第二遥感反射率，确定每个水体区域的透明度反演结果。
在一种实施方式中，可以基于第二遥感反射率确定出水体掩膜图像，已筛选出研究区域中所包含的每个水体区域及其内包含的像元点，对于水体区域内每个像元点，可以根据该像元点所属的水体类别确定出相应的透明度反演模型，进而利用透明度反演模型对该像元点的透明度进行反演得到透明度反演值，最后基于水体区域内每个像元点的透明度反演值确定水体区域的透明度反演结果。
步骤S108，基于透明度反演结果，针对空间维度和/或时间维度对每个水体区域的水体健康状态进行评估，得到每个水体区域对应的水体健康状态评估结果。
其中水体健康状态评估结果包括达到健康水平和未达到健康水平。
在一种实施方式中，在空间维度下，对透明度反演结果超出量程值所代表水体像元进行剔除；再从每个水体区域的透明度反演结果中确定标准阈值，利用标准阈值与筛选后的像元点对应的透明度反演值进行比对，并基于比对结果确定每个水体区域在空间维度下对应的水体健康状态评估结果。
在一种实施方式中，在时间维度下，以预设时间间隔划分年份分组（诸如以4年为间隔划分年份分组），按照上述空间维度的计算方法，计算水体区域在每个年份分组中的健康状态，进而基于达到健康水平的年份分组的数量确定每个水体区域在时间维度下对应的水体健康状态评估结果。
本发明实施例提供的水体健康状态评估方法，从影响水体透明度的固有光学量着手，对水体类别进行划分并确定每个水体类别对应的透明度反演模型，改进了透明度反演模型的估算精度，进而基于精度较高的透明度反演结果对每个水体区域对应的水体健康状态进行监管和评估，得到准确度较高的水体健康状态评估结果。
为便于理解，本发明实施例提供了一种水体健康状态评估方法的具体实施方式。
对于前述步骤S102，本发明实施例提供了一种获取研究区域对应的多源数据集的实施方式，参见如下步骤1A至步骤1C：
步骤1A，实测遥感反射率数据预处理：
在野外实验中，采用水面以上测量法，通过便携式野外光谱辐射计测得相对辐射亮度，接着根据参考板（标准灰板）计算得到实测遥感反射率。计算过程如下：
；
；
；
式中，Ed(0+)是水体表面入射总辐射度，Lp是标准灰板测量值，ρp是标准灰板的反射比，Lw是相对辐射亮度，Lsw是总水体辐亮度，Lsky是天空漫反射光，r是气-水界面反射比，平静水面r取值2.2%，Rrs是实测遥感反射率。
根据Landsat卫星的光谱响应函数，将1 nm间隔的实测遥感反射率转换为基于卫星模拟后的遥感反射率（简称模拟遥感反射率），并通过质量控制的方法剔除无效值，得到所需的第一遥感反射率。其中，转换公式如下：
；
式中，Rrs(Bi)是卫星传感器第i波段的模拟遥感反射率，λ2和λ1是卫星第i波段的波段上下限，Rrs(λ)是实测遥感反射率，SRF(λ)是λ波长处的光谱响应函数。
步骤1B，实验数据处理：
在不同期次的巡航实验中，采集水样、透明度数据。对于水体透明度的测量方法主要是赛氏盘测量，主要是参考《水与废水监测分析方法》中的规范操作，将塞氏盘在船的背光处放入水中，使其缓缓下沉，当观测人员肉眼不可见塞氏盘表面的白色区域时，记下此时的深度，也就是透明度数据。重复操作几次，取平均值，用于减少实验误差。本发明实施例选择风平浪静或风浪较小时，进行透明度测量工作，这样也能避免一部分实验误差。在实验室分析中收集水体总颗粒物吸收系数（ap）、色素颗粒物吸收系数（aph）和非色素颗粒物吸收系数（ad）,将测量结果与历史数据进行对比，对于负值、超出量程值进行剔除。
步骤1C，影像数据预处理：
通过云平台获取Landsat系列地表反射率产品，这些产品数据都是经过6S大气校正处理后的地表反射率，精度可靠，大大减少了影像预处理的时间。在此基础上，根据Landsat地表反射率中pixel_qa波段进行云掩膜和质量控制，剔除湖泊上空云量过多、有条带以及质量有问题的影像。
进一步的，Landsat系列地表反射率产品包括Landsat5TM反射率产品和Landsat8OLI反射率产品，可以对质量控制之后的两个反射率产品进行一致性分析，以得到一致的地表反射率，该地表反射率也即上述第二遥感反射率。
对于前述步骤S104，本发明实施例提供了一种基于固有光学量，确定多个水体类别和每个水体类别对应的透明度反演模型的实施方式，参见如下步骤2A至步骤2D：
步骤2A，基于透明度影响因素，从固有光学量中确定目标非色素颗粒物吸收系数和目标总颗粒物吸收系数。
在一种实施方式中，为了确定水体透明度的影响因素，从而在机理上解释透明度高低差异的原因，对透明度与水体中常见的组分进行相关性分析，其中，与透明度相关性最高的是悬浮物，相关系数达到-0.59，其次是叶绿素a浓度。因此，可以发现水体中影响透明度的因素分为：藻类和悬浮泥沙。相关研究表明，浮游植物与443nm处的色素颗粒物吸收系数的相关性较好，悬浮泥沙与443nm处的非色素颗粒物吸收系数的相关性较高，因此，可以通过观察固有光学量之间的变化来分析水体透明度。
本发明实施例将443nm处的色素颗粒物吸收系数确定为目标非色素颗粒物吸收系数，以及将443nm处的总颗粒物吸收系数作为目标总颗粒物吸收系数。
步骤2B，根据目标非色素颗粒物吸收系数与目标总颗粒物吸收系数的比值，确定多个水体类别。
在一种实施方式中，为了构建内陆水体的透明度模型，分析了不同波段组合和水体透明度之间的相关性，发现不管哪一种组合方式对于样本的估计都有很大的偏差。为了提高透明度遥感估算精度，利用443nm处的非色素颗粒物吸收(ad(443))占据总颗粒物吸收(ap(443))的比率来对影响透明度的固有光学量进行区分，将实测数据分为色素颗粒物影响的水体（也即第一水体类别T1），即ad(443)/ap(443)<44%，非色素颗粒物影响的水体（也即第三水体类别T3），即ad(443)/ap(443)>53%，以及二者混合影响的水体（也即第二水体类别T2），即44%≤ad(443)/ap(443)≤53%。
步骤2C，从第一遥感反射率中的蓝波段、绿波段、红波段和近红外波段中，分别确定每个水体类别对应的透明度反演波段组合。
在一种实施方式中，按照上述方法对数据进行分类，得到三个水体类别，利用敏感性分析的手段对不同水体透明度的特征波段进行研究，第一水体类别T1中透明度的敏感性波段应该和藻类的敏感性波段较为相似。一般而言，随着水体中叶绿素a浓度的增多，浮游植物在蓝光部分的吸收会增强，在绿光部分的散射会增强，在红光部分的吸收也会相应增强。除此以外，还会在685-715nm处出现很明显的荧光峰，但是Landsat系列卫星缺少这一波段，因此，蓝、绿和红波段可以作为第一水体类别T1中构建透明度估算模型的参考波段。而对于第三水体类别T3，非色素颗粒物吸收影响型水体受到悬浮颗粒物后向散射的影响，其遥感反射率曲线会在红波段和近红外波段有明显的抬升。因此，第三水体类别T3中透明度最主要的敏感波段是红波段和近红外波段。对于色素颗粒物和非色素颗粒物吸收共同影响的第二水体类别T2，需要考虑这两者对水体光学特性的综合影响，从而确定透明度的敏感性波段。
基于此，本发明实施例提供了一种确定每个水体类别对应的透明度反演波段组合的实施方式，包括如下（1）至（2）：
（1）对第一遥感反射率中的蓝波段、绿波段、红波段和近红外波段进行组合，以得到单波段、双波段组合、三波段组合、四波段组合。
在一例中，可以将蓝波段、绿波段、红波段和近红外波段分别作为单波段。
在一例中，可以将蓝波段、绿波段、红波段和近红外波段中任意两个波段，通过“+”、“-”、“X”、“/”等方式进行组合，得到双波段组合；
在一例中，可以将蓝波段、绿波段、红波段和近红外波段中任意三个波段，通过“+”、“-”、“X”、“/”等方式进行组合，得到三波段组合；
在一例中，可以将蓝波段、绿波段、红波段和近红外波段，通过“+”、“-”、“X”、“/”等方式进行组合，得到四波段组合。
（2）对单波段、双波段组合、三波段组合和四波段组合分别与透明度分别进行相关性分析，并基于相关性分析结果从单波段、双波段组合、三波段组合和四波段组合中，确定每个水体类别对应的透明度反演波段组合。
在一种实施方式中，基于Landsat 8 OLI的蓝、绿、红和近红外波段，利用全搜索的方法对单波段、双波段组合、三波段组合和四波段组合进行遍历，利用相关性分析，结合不同类型水体透明度特征波段，确定第一水体类别T1的透明度反演波段组合分别为(1/B3-1/B4)B2，第二水体类别T2的透明度反演波段组合分别为 (1/B3-1/B4)/>B2，第三水体类别T3的透明度反演波段组合分别为B3/B4。
步骤2D，基于每个水体类别对应的透明度反演波段组合，构造每个水体类别对应的透明度反演模型。
在一例中，第一水体类别T1对应的透明度反演模型如下所示：
；
在一例中，第二水体类别T2对应的透明度反演模型如下所示：
；
在一例中，第三水体类别T3对应的透明度反演模型如下所示：
。
对于前述步骤S104，本发明实施例还提供了一种基于第一遥感反射率，确定研究区域包含的每个水体区域所属的水体类别的实施方式，参见如下步骤3A至步骤3D：
步骤3A，基于第一水体类别在遥感反射光谱上的反射谷确定第一特征点，以及基于第三水体类别在遥感反射光谱上的峰值确定第二特征点。
在一种实施方式中，基于Landsat影像，结合ad(443)/ap(443)分类方法，在遥感反射率上对三类水体进行区分，三类水体在遥感反射光谱曲线上存在明显差异，主要是在483nm处和655nm处第一水体类别T1存在着相对明显的反射谷，第二水体类别T2的谷值相对较弱，而第三水体类别T3在483nm处没有谷值，在655nm处呈现一个明显的峰值，因此将483nm处确定为第一特征点，以及将655nm处确定为第二特征点。
步骤3B，对于研究区域包含的每个水体区域，确定该水体区域内的像元点在第一特征点处对应的第一遥感反射率，以及在第二特征点处对应的第一遥感反射率。
在一种实施方式中，可以全搜索的方法从每个像元点对应的第一遥感反射率中提取出在第一特征点处对应的第一遥感反射率Rrs(483)和在第二特征点处对应的第一遥感反射率Rrs(655)。
步骤3C，基于像元点在第一特征点处对应的第一遥感反射率，以及在第二特征点处对应的第一遥感反射率，辅助其他波段对应的第一遥感反射率，确定像元点对应的分类值（也可称之为分类标准LBRG）。
在一种实施方式中，可以按照如下公式确定每个像元点对应的分类值：
LBRG=（(Rrs(483)+Rrs(655))/Rrs(563)）。
步骤3D，如果分类值小于第一预设值，则确定像元点属于第一水体类别；或者，如果分类值大于或等于第一预设值，且小于或等于第二预设值，则确定像元点属于第二水体类别；或者，如果分类值大于第二预设值，则确定像元点属于第三水体类别。
示例性的，第一预设值可以为1.23，第二预设值可以为1.38。在一种实施方式中，如果某像元点满足LBRG<1.23，则该像元点属于为第一水体类别T1；如果某像元点满足1.23≤LBRG≤1.38，则该像元点属于为第二水体类别T2；如果某像元点满足LBRG>1.38，则该像元点属于为第三水体类别T3。
对于前述步骤S106，本发明实施例提供了一种根据每个水体区域所属的水体类别、水体类别对应的透明度反演模型和第二遥感反射率，确定每个水体区域的透明度反演结果的实施方式，参见如下步骤4A至步骤4E：
步骤4A，利用水体提取指数、归一化植被指数和增强植被指数，对第二遥感反射率进行处理，以得到每个水体区域对应的水体掩膜文件。
在一种实施方式中，经过模型精度验证和星地同步匹配分析，将模型应用于云平台。基于Colaboratory深度学习云平台，结合python代码调用云平台的API接口和库函数将模型应用于Landsat地表反射率。首先，根据Landsat地表反射率中pixel_qa波段进行云掩膜和质量控制，剔除湖泊上空云量过多、有条带以及质量有问题的影像，并筛选出好的像元，以得到第二遥感反射率。接着，利用水体提取指数(MNDWI)、归一化植被指数(NDVI)和增强植被指数(EVI)，对第二遥感反射率进行处理，以确定内陆湖泊的边界，生成湖泊水体掩膜文件。
步骤4B，对于每个水体区域，根据该水体区域对应的水体掩膜文件确定该水体区域包含的水体像元点。
可选的，可以将水体掩膜文件中像元值为1的像元点，确定为水体像元点。
步骤4C，根据每个水体像元点所属的水体类别，确定每个水体像元点对应的透明度反演模型。
在一种实施方式中，假设水体像元点所述水体类别为第一水体类别T1，则将透明度反演模型作为该水体像元点对应的透明度反演模型；同理，假设水体像元点所述水体类别为第二水体类别T2，则将透明度反演模型/>作为该水体像元点对应的透明度反演模型；同理，假设水体像元点所述水体类别为第三水体类别T3，则将透明度反演模型作为该水体像元点对应的透明度反演模型。
步骤4D，利用每个水体像元点对应的透明度反演模型，反演每个水体像元点对应的透明度反演值。
在一种实施方式中，可以通过expression函数接口将透明度反演模型应用到相应的水体像元点，得到长时间序列的内陆湖泊透明度反演值（简称，透明度反演值）。
以第一水体类别T1为例，将水体像元点对应的第一遥感反射率中B3波段、B4波段和B5波段的值代入至透明度反演模型，即可得到该水体像元点对应的透明度反演值。
步骤4E，基于该水体区域内每个水体像元点对应的透明度反演值，确定该水体区域的透明度反演结果。
在一种实施方式中，可以将每个水体像元点对应的透明度反演值的均值、中值或其他值，作为该水体区域的透明度反演结果。
示例性的，计算每个水体像元点对应的透明度反演值的均值，并将该均值作为该水体区域的透明度反演结果。
对于前述步骤S108，本发明实施例分别提供了一种针对空间维度和时间维度对每个水体区域的水体健康状态进行评估的实施方式，参见如下方式一至方式二：
方式一，针对空间维度，参见如下步骤5A至步骤5D：
步骤5A，对透明度反演结果超出量程值所代表水体像元进行剔除，得到每个水体区域内包含的有效像元点。
在一种实施方式中，可以基于历史数据和先验知识对水体像元点中的异常值和超出量程的像元点予以剔除，从而得到每个水体区域内包含的有效像元点。例如，以长三角地区湖泊为研究对象，分析每个像元的透明度反演结果，对异常值和超出量程的像元予以剔除。
步骤5B，从每个水体区域的透明度反演结果中确定标准阈值。
在一种实施方式中，求取研究区范围内单个湖泊透明度的均值（也即每个水体区域的透明度反演结果），对其从小到大依次排列，取第一个十分位（按照研究区湖泊状况而定）的值作为标准阈值，记为Q1。
其中，标准阈值是参考值，根据研究区湖泊的健康状态进行调整，若健康状态差的水体较多，则阈值往后延伸，可以取第二个十分位或者第三个十分位，反之则往前调整；或者根据当地水体管理的标准进行制定，本发明实施例对此不进行限制。
步骤5C，对于每个水体区域，确定该水体区域内包含的有效像元点的第一像元点数量，以及确定水体区域内包含的有效像元点中，透明度反演值大于标准阈值的有效像元点的第二像元点数量。
在一种实施方式中，记单一湖泊有效像元个数为第一像元点数量M，像素值（也即透明度反演值）超过标准阈值Q1的像元个数为第二像元点数量N。
步骤5D，如果第二像元点数量与第一像元点数量的比值大于与或等于空间健康阈值，则确定该水体区域在空间维度下对应的第一水体健康状态评估结果为达到健康水平。
以空间健康阈值设置为0.8为例，如果N/M≥0.8，则认为水体区域在空间尺度上达到健康水平；反之，如果N/M<0.8，则认为水体区域在空间尺度上未达到健康水平。其中，空间健康阈值可调整。
方式二，针对时间维度，参见如下步骤6A至步骤6C：
步骤6A，按照预设时间间隔划分多个年份分组。
在一种实施方式中，由于Landsat系列影像的重访周期是16天，一个行编号每年可以收集的影像大概在十余景，在多雨多雪的地方可能都达不到这数量。为了解决这一问题，取不同的年份为聚类，分别研究3年、4年和5年为一组的透明度反演结果。经分析，4年聚类的结果既可以填补影像的缺失，也可以保证时间序列样本的丰富性。
基于此，年份分组分别有1984-1987，1988-1991，1992-1995，1996-1999，2000-2003，2004-2007，2008-2011，2013-2015和2016-2019，共计9个分组。
步骤6B，对于每个年份分组，基于该年份分组内水体区域在空间维度下对应的每个第一水体健康状态评估结果，确定水体区域在该年份分组中的目标水体健康状态评估结果。
在一种实施方式中，可以将一个年份分组内某个水体区域在空间维度下的所有第一水体健康状态评估结果的均值，作为该水体区域在该年份分组中的目标水体健康状态评估结果。
步骤6C，如果目标水体健康状态评估结果为达到健康水平的年份分组的分组数量X，与总分组数量Y之间的比值大于时间健康阈值，则该水体区域在时间维度下对应的第二水体健康状态评估结果为达到健康水平。
在一种实施方式中，按照步骤5A至步骤5D中空间维度的计算方法,计算单个湖泊在每个年份分组中的健康状况，健康水平达标的分组记为X，所有分组个数记为Y，若X/Y≥75%，则认定该湖泊水体长期处于健康水平。其中，时间健康阈值75%可调整。
常规水体健康状态的检测是基于点位的，比如在河流中一般根据断面的水体状态评估，湖泊中使基于点位的水体状态进行评估。本发明实施例从空间和时间两个层次进行评估，空间尺度是通过遥感的手段对水体80%像元进行评估，时间尺度是通过遥感对不同年限的水体健康进行评估，做到了对大范围尺度水体健康状态进行长时间大范围的监测。
综上所述，本发明实施例提供的水体健康状态评估方法至少具有以下特点：
（1）本发明实施例从影响水体透明度的固有光学量着手，建立了具有一定物理基础的透明度遥感估算模式，从而提升了水体透明度的估算精度；
（2）基于云平台的数据和算力，分析水体透明度的时空尺度特征，对水体健康状态进行研究，解决了大范围、长时间序列水体健康状态的监管和评估问题；
（3）本发明实施例通过标准阈值和水体达标像元比例来确定水体是否在空间尺度下达到健康水平，同时增加了时间尺度上对于水体健康状态评估的准则，避免单一化的评价体系。
为便于理解，本发明实施例还提供了水体健康状态评估方法的另一种实施方式，参见图2所示的另一种水体健康状态评估方法的流程示意图，包括：
（1）获取野外实测光谱（也即，前述实测遥感反射率），确定模拟光谱（也即，前述第一遥感反射率）；
（2）进行水体分类，得到T1水体模拟光谱、T2水体模拟光谱和T3水体模拟光谱，具体可参见前述步骤3A至步骤3D；
（3）获取实测透明度数据（也即，前述实验透明度数据），结合（2）中的模拟光谱得到各类别最佳透明度模型，继续执行（4）和（6）；
（4）模型的适用性评价；
（5）获取云平台数据集（也即，前述卫星遥感数据），包括Landsat5TM反射率产品和Landsat8OLI反射率产品，进行云掩膜水体提取、一致性分析，得到精度验证后的反射率产品（也即，前述第二遥感反射率）；
（6）星地同步影像估算结果精度评估；
（7）内陆水体透明度时空分布格局；
（8）内陆水体健康状态评估，具体可参见前述步骤5A至步骤5D，以及步骤6A至步骤6C。
在相关专利中，对于透明度的估算模式多是经验或半经验的方法，不能从机理上解释水体透明度的变化，本发明实施例从影响水体透明度的固有光学量着手，建立了具有物理基础的水体透明度估算模式，并改进了模型的估算精度。此外，相关专利对于透明度的监测且往往是小范围和短时间尺度，这不利于对水体健康状态进行长期稳定的监测。本发明实施例结合联合国可持续发展目标（SDG 6.3）中改善水质的相关要求，利用云平台长期的卫星数据和强大的计算能力，对内陆水体透明度的时空变化特征进行研究，进而对水体健康状态进行长期的监管和评估。
对于前述实施例提供的水体健康状态评估方法，本发明实施例提供了一种水体健康状态评估装置，参见图3所示的一种水体健康状态评估装置的结构示意图，该装置主要包括以下部分：
数据获取模块302，用于获取研究区域对应的多源数据集；其中，多源数据集包括第一遥感反射率、第二遥感反射率和固有光学量，第一遥感反射率是基于光谱辐射计测量的水体辐亮度计算得到的，第二遥感反射率是基于卫星遥感影像计算得到的；
类别确定模块304，用于基于固有光学量，确定多个水体类别和每个水体类别对应的透明度反演模型；以及，基于第一遥感反射率，确定研究区域包含的每个水体区域所属的水体类别；
透明度反演模块306，用于根据每个水体区域所属的水体类别、水体类别对应的透明度反演模型和第二遥感反射率，确定每个水体区域的透明度反演结果；
健康评估模块308，用于基于透明度反演结果，针对空间维度和/或时间维度对每个水体区域的水体健康状态进行评估，得到每个水体区域对应的水体健康状态评估结果。
本发明实施例提供的水体健康状态评估装置，从影响水体透明度的固有光学量着手，对水体类别进行划分并确定每个水体类别对应的透明度反演模型，改进了透明度反演模型的估算精度，进而基于精度较高的透明度反演结果对每个水体区域对应的水体健康状态进行监管和评估，得到准确度较高的水体健康状态评估结果。
在一种实施方式中，类别确定模块304：
基于透明度影响因素，从固有光学量中确定目标非色素颗粒物吸收系数和目标总颗粒物吸收系数；
根据目标非色素颗粒物吸收系数与目标总颗粒物吸收系数的比值，确定多个水体类别；其中，水体类别包括第一水体类别、第二水体类别和第三水体类别，第一水体类别为色素颗粒物影响的水体，第二水体类别为色素颗粒物和非色素颗粒物影像的水体，第三水体类别为非色素颗粒物影像的水体；
从第一遥感反射率中的蓝波段、绿波段、红波段和近红外波段中，分别确定每个水体类别对应的透明度反演波段组合；
基于每个水体类别对应的透明度反演波段组合，构造每个水体类别对应的透明度反演模型。
在一种实施方式中，类别确定模块304还用于：
对第一遥感反射率中的蓝波段、绿波段、红波段和近红外波段进行组合，以得到单波段、双波段组合、三波段组合、四波段组合；
对单波段、双波段组合、三波段组合和四波段组合与透明度分别进行相关性分析，并基于相关性分析结果从单波段、双波段组合、三波段组合和四波段组合中，确定每个水体类别对应的透明度反演波段组合。
在一种实施方式中，类别确定模块304还用于：
基于第一水体类别在遥感反射光谱上的反射谷确定第一特征点，以及基于第三水体类别在遥感反射光谱上的峰值确定第二特征点；
对于研究区域包含的每个水体区域，确定该水体区域内的像元点在第一特征点处对应的第一遥感反射率，以及在第二特征点处对应的第一遥感反射率；
基于像元点在第一特征点处对应的第一遥感反射率，以及在第二特征点处对应的第一遥感反射率，确定像元点对应的分类值；
如果分类值小于第一预设值，则确定像元点属于第一水体类别；或者，如果分类值大于或等于第一预设值，且小于或等于第二预设值，则确定像元点属于第二水体类别；或者，如果分类值大于第二预设值，则确定像元点属于第三水体类别。
在一种实施方式中，透明度反演模块306还用于：
利用水体提取指数、归一化植被指数和增强植被指数，对第二遥感反射率进行处理，以得到每个水体区域对应的水体掩膜文件；
对于每个水体区域，根据该水体区域对应的水体掩膜文件确定该水体区域包含的水体像元点；
根据每个水体像元点所属的水体类别，确定每个水体像元点对应的透明度反演模型，
利用每个水体像元点对应的透明度反演模型，反演每个水体像元点对应的透明度反演值；
基于该水体区域内每个水体像元点对应的透明度反演值，确定该水体区域的透明度反演结果。
在一种实施方式中，健康评估模块308还用于：
对每个所述水体区域内包含的无效像元点进行剔除，得到每个水体区域内包含的有效像元点；
从每个水体区域的透明度反演结果中确定标准阈值；
对于每个水体区域，确定该水体区域内包含的有效像元点的第一像元点数量，以及确定水体区域内包含的有效像元点中，透明度反演值大于标准阈值的有效像元点的第二像元点数量；
如果第二像元点数量与第一像元点数量的比值大于与或等于空间健康阈值，则确定该水体区域在空间维度下对应的第一水体健康状态评估结果为达到健康水平。
在一种实施方式中，健康评估模块308还用于：
按照预设时间间隔划分多个年份分组；
对于每个年份分组，基于该年份分组内水体区域在空间维度下对应的每个第一水体健康状态评估结果，确定水体区域在该年份分组中的目标水体健康状态评估结果；
如果目标水体健康状态评估结果为达到健康水平的年份分组的分组数量，与总分组数量之间的比值大于时间健康阈值，则该水体区域在时间维度下对应的第二水体健康状态评估结果为达到健康水平。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法 。
图4为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。
其中，存储器41可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatilememory），例如至少一个磁盘存储器。通过至少一个通信接口43（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。
处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (7)

1.一种水体健康状态评估方法，其特征在于，包括：
获取研究区域对应的多源数据集；其中，所述多源数据集包括第一遥感反射率、第二遥感反射率和固有光学量，所述第一遥感反射率是基于光谱辐射计测量的水体辐亮度计算得到的，所述第二遥感反射率是基于卫星遥感影像计算得到的；
基于所述固有光学量，确定多个水体类别和每个所述水体类别对应的透明度反演模型；以及，基于所述第一遥感反射率，确定所述研究区域包含的每个水体区域所属的所述水体类别；
根据每个所述水体区域所属的所述水体类别、所述水体类别对应的所述透明度反演模型和所述第二遥感反射率，确定每个所述水体区域的透明度反演结果；
基于所述透明度反演结果，针对空间维度和/或时间维度对每个所述水体区域的水体健康状态进行评估，得到每个所述水体区域对应的水体健康状态评估结果；
基于所述固有光学量，确定多个水体类别和每个所述水体类别对应的透明度反演模型，包括：
基于透明度影响因素，从所述固有光学量中确定目标非色素颗粒物吸收系数和目标总颗粒物吸收系数；
根据所述目标非色素颗粒物吸收系数与所述目标总颗粒物吸收系数的比值，确定多个水体类别；其中，所述水体类别包括第一水体类别、第二水体类别和第三水体类别，所述第一水体类别为色素颗粒物影响的水体，所述第二水体类别为色素颗粒物和非色素颗粒物影像的水体，所述第三水体类别为非色素颗粒物影像的水体；
从所述第一遥感反射率中的蓝波段、绿波段、红波段和近红外波段中，分别确定每个所述水体类别对应的透明度反演波段组合；
基于每个所述水体类别对应的所述透明度反演波段组合，构造每个所述水体类别对应的透明度反演模型；
从所述第一遥感反射率中的蓝波段、绿波段、红波段和近红外波段中，分别确定每个所述水体类别对应的透明度反演波段组合，包括：
对所述第一遥感反射率中的蓝波段、绿波段、红波段和近红外波段进行组合，以得到单波段、双波段组合、三波段组合、四波段组合；
对所述单波段、所述双波段组合、所述三波段组合和所述四波段组合与透明度分别进行相关性分析，并基于相关性分析结果从所述单波段、所述双波段组合、所述三波段组合和所述四波段组合中，确定每个所述水体类别对应的透明度反演波段组合；
基于所述第一遥感反射率，确定所述研究区域包含的每个水体区域所属的所述水体类别，包括：
基于所述第一水体类别在遥感反射光谱上的反射谷确定第一特征点，以及基于所述第三水体类别在所述遥感反射光谱上的峰值确定第二特征点；
对于所述研究区域包含的每个水体区域，确定该水体区域内的像元点在所述第一特征点处对应的所述第一遥感反射率，以及在所述第二特征点处对应的所述第一遥感反射率；
基于所述像元点在所述第一特征点处对应的所述第一遥感反射率，以及在所述第二特征点处对应的所述第一遥感反射率，确定所述像元点对应的分类值；
如果所述分类值小于第一预设值，则确定所述像元点属于所述第一水体类别；或者，如果所述分类值大于或等于所述第一预设值，且小于或等于第二预设值，则确定所述像元点属于所述第二水体类别；或者，如果所述分类值大于所述第二预设值，则确定所述像元点属于所述第三水体类别。
2.根据权利要求1所述的水体健康状态评估方法，其特征在于， 根据每个所述水体区域所属的所述水体类别、所述水体类别对应的所述透明度反演模型和所述第二遥感反射率，确定每个所述水体区域的透明度反演结果，包括：
利用水体提取指数、归一化植被指数和增强植被指数，对所述第二遥感反射率进行处理，以得到每个所述水体区域对应的水体掩膜文件；
对于每个所述水体区域，根据该水体区域对应的所述水体掩膜文件确定该水体区域包含的水体像元点；
根据每个所述水体像元点所属的所述水体类别，确定每个所述水体像元点对应的所述透明度反演模型，
利用每个所述水体像元点对应的所述透明度反演模型，反演每个所述水体像元点对应的透明度反演值；
基于该水体区域内每个所述水体像元点对应的所述透明度反演值，确定该水体区域的透明度反演结果。
3.根据权利要求1所述的水体健康状态评估方法，其特征在于， 基于所述透明度反演结果，针对空间维度对每个所述水体区域的水体健康状态进行评估，得到每个所述水体区域对应的水体健康状态评估结果，包括：
对每个所述水体区域内包含的无效像元点进行剔除，得到每个所述水体区域内包含的有效像元点；
从每个所述水体区域的所述透明度反演结果中确定标准阈值；
对于每个所述水体区域，确定该水体区域内包含的所述有效像元点的第一像元点数量，以及确定所述水体区域内包含的所述有效像元点中，透明度反演值大于所述标准阈值的所述有效像元点的第二像元点数量；
如果所述第二像元点数量与所述第一像元点数量的比值大于与或等于空间健康阈值，则确定该水体区域在空间维度下对应的第一水体健康状态评估结果为达到健康水平。
4.根据权利要求1所述的水体健康状态评估方法，其特征在于， 基于所述透明度反演结果，针对时间维度对每个所述水体区域的水体健康状态进行评估，得到每个所述水体区域对应的水体健康状态评估结果，包括：
按照预设时间间隔划分多个年份分组；
对于每个所述年份分组，基于该年份分组内所述水体区域在空间维度下对应的每个第一水体健康状态评估结果，确定所述水体区域在该年份分组中的目标水体健康状态评估结果；
如果所述目标水体健康状态评估结果为达到健康水平的所述年份分组的分组数量，与总分组数量之间的比值大于时间健康阈值，则该水体区域在时间维度下对应的第二水体健康状态评估结果为达到健康水平。
5.一种水体健康状态评估装置，其特征在于，包括：
数据获取模块，用于获取研究区域对应的多源数据集；其中，所述多源数据集包括第一遥感反射率、第二遥感反射率和固有光学量，所述第一遥感反射率是基于光谱辐射计测量的水体辐亮度计算得到的，所述第二遥感反射率是基于卫星遥感影像计算得到的；
类别确定模块，用于基于所述固有光学量，确定多个水体类别和每个所述水体类别对应的透明度反演模型；以及，基于所述第一遥感反射率，确定所述研究区域包含的每个水体区域所属的所述水体类别；
透明度反演模块，用于根据每个所述水体区域所属的所述水体类别、所述水体类别对应的所述透明度反演模型和所述第二遥感反射率，确定每个所述水体区域的透明度反演结果；
健康评估模块，用于基于所述透明度反演结果，针对空间维度和/或时间维度对每个所述水体区域的水体健康状态进行评估，得到每个所述水体区域对应的水体健康状态评估结果；
类别确定模块还用于：
基于透明度影响因素，从所述固有光学量中确定目标非色素颗粒物吸收系数和目标总颗粒物吸收系数；
根据所述目标非色素颗粒物吸收系数与所述目标总颗粒物吸收系数的比值，确定多个水体类别；其中，所述水体类别包括第一水体类别、第二水体类别和第三水体类别，所述第一水体类别为色素颗粒物影响的水体，所述第二水体类别为色素颗粒物和非色素颗粒物影像的水体，所述第三水体类别为非色素颗粒物影像的水体；
从所述第一遥感反射率中的蓝波段、绿波段、红波段和近红外波段中，分别确定每个所述水体类别对应的透明度反演波段组合；
基于每个所述水体类别对应的所述透明度反演波段组合，构造每个所述水体类别对应的透明度反演模型；
类别确定模块还用于：
对所述第一遥感反射率中的蓝波段、绿波段、红波段和近红外波段进行组合，以得到单波段、双波段组合、三波段组合、四波段组合；
对所述单波段、所述双波段组合、所述三波段组合和所述四波段组合与透明度分别进行相关性分析，并基于相关性分析结果从所述单波段、所述双波段组合、所述三波段组合和所述四波段组合中，确定每个所述水体类别对应的透明度反演波段组合；
类别确定模块还用于：
基于所述第一水体类别在遥感反射光谱上的反射谷确定第一特征点，以及基于所述第三水体类别在所述遥感反射光谱上的峰值确定第二特征点；
对于所述研究区域包含的每个水体区域，确定该水体区域内的像元点在所述第一特征点处对应的所述第一遥感反射率，以及在所述第二特征点处对应的所述第一遥感反射率；
基于所述像元点在所述第一特征点处对应的所述第一遥感反射率，以及在所述第二特征点处对应的所述第一遥感反射率，确定所述像元点对应的分类值；
如果所述分类值小于第一预设值，则确定所述像元点属于所述第一水体类别；或者，如果所述分类值大于或等于所述第一预设值，且小于或等于第二预设值，则确定所述像元点属于所述第二水体类别；或者，如果所述分类值大于所述第二预设值，则确定所述像元点属于所述第三水体类别。
6.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至4任一项所述的方法。
CN202311213007.7A 2023-09-20 2023-09-20 水体健康状态评估方法、装置、电子设备及存储介质 Active CN116952906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311213007.7A CN116952906B (zh) 2023-09-20 2023-09-20 水体健康状态评估方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311213007.7A CN116952906B (zh) 2023-09-20 2023-09-20 水体健康状态评估方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116952906A CN116952906A (zh) 2023-10-27
CN116952906B true CN116952906B (zh) 2024-01-12

Family

ID=88449600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311213007.7A Active CN116952906B (zh) 2023-09-20 2023-09-20 水体健康状态评估方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116952906B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1677099A1 (en) * 2004-12-30 2006-07-05 Danmarks Tekniske Universitet Method and apparatus for classification of surfaces
CN102507403A (zh) * 2011-10-31 2012-06-20 南京师范大学 反演亚热带浅水湖泊悬浮颗粒物浓度的基于DSFs的SVR模型
CN103698253A (zh) * 2013-12-11 2014-04-02 中国科学院南京地理与湖泊研究所 一种分离颗粒物中浮游植物吸收系数的方法
KR101384971B1 (ko) * 2013-06-25 2014-04-16 김혜봉 녹조 사전 탐지, 예측 및 제거 장치 및 그 방법
CN107589075A (zh) * 2017-09-07 2018-01-16 中国科学院南京地理与湖泊研究所 一种浅水湖泊固有光学参数的olci遥感监测方法
WO2018214190A1 (zh) * 2017-06-19 2018-11-29 中国科学院南京地理与湖泊研究所 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法
CN209155300U (zh) * 2018-10-10 2019-07-26 济南汇捷智能科技有限公司 一种具有灭菌功能的干洗溶剂过滤系统
CN110196239A (zh) * 2019-06-12 2019-09-03 中国科学院南京地理与湖泊研究所 浑浊水体浮游植物吸收系数光谱遥感反演方法
CN110749568A (zh) * 2019-12-19 2020-02-04 中国科学院南京地理与湖泊研究所 高浑浊富营养化湖泊浮游植物吸收特性modis遥感反演方法
CN111024618A (zh) * 2019-11-25 2020-04-17 广州丰泽源水利科技有限公司 基于遥感影像的水质健康监测方法、装置及存储介质
CN112881293A (zh) * 2021-01-08 2021-06-01 浙江工商大学 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法
CN113406015A (zh) * 2021-05-31 2021-09-17 内蒙古师范大学 一种近岸和内陆水域水体的透明度计算方法和系统
CN113887493A (zh) * 2021-10-21 2022-01-04 河北工业大学 一种基于id3算法的黑臭水体遥感影像识别方法
CN113988626A (zh) * 2021-10-28 2022-01-28 中国矿业大学(北京) 一种矿区生态环境遥感综合评价指数实现方法
CN114494501A (zh) * 2022-04-01 2022-05-13 南京航天宏图信息技术有限公司 一种水体叶绿素a的重构方法及装置
CN114894719A (zh) * 2022-03-16 2022-08-12 自然资源部国土卫星遥感应用中心 一种基于波段遥感反射率比值的卫星水体透明度反演方法
CN115797760A (zh) * 2023-01-29 2023-03-14 水利部交通运输部国家能源局南京水利科学研究院 主被动融合的水质立体遥感反演方法、系统及存储介质
CN115950855A (zh) * 2023-02-03 2023-04-11 河南省科学院地理研究所 一种中低营养水体的叶绿素a浓度反演方法
WO2023134626A1 (zh) * 2022-01-11 2023-07-20 北华航天工业学院 一种基于cart分类模型的黑臭水体提取方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9046363B2 (en) * 2012-04-27 2015-06-02 SATOP GmbH Using multispectral satellite data to determine littoral water depths despite varying water turbidity
US11653874B2 (en) * 2013-02-01 2023-05-23 Acceleritas Corporation Method and system for characterizing tissue in three dimensions using multimode optical measurements

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1677099A1 (en) * 2004-12-30 2006-07-05 Danmarks Tekniske Universitet Method and apparatus for classification of surfaces
CN102507403A (zh) * 2011-10-31 2012-06-20 南京师范大学 反演亚热带浅水湖泊悬浮颗粒物浓度的基于DSFs的SVR模型
KR101384971B1 (ko) * 2013-06-25 2014-04-16 김혜봉 녹조 사전 탐지, 예측 및 제거 장치 및 그 방법
CN103698253A (zh) * 2013-12-11 2014-04-02 中国科学院南京地理与湖泊研究所 一种分离颗粒物中浮游植物吸收系数的方法
WO2018214190A1 (zh) * 2017-06-19 2018-11-29 中国科学院南京地理与湖泊研究所 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法
CN107589075A (zh) * 2017-09-07 2018-01-16 中国科学院南京地理与湖泊研究所 一种浅水湖泊固有光学参数的olci遥感监测方法
CN209155300U (zh) * 2018-10-10 2019-07-26 济南汇捷智能科技有限公司 一种具有灭菌功能的干洗溶剂过滤系统
CN110196239A (zh) * 2019-06-12 2019-09-03 中国科学院南京地理与湖泊研究所 浑浊水体浮游植物吸收系数光谱遥感反演方法
CN111024618A (zh) * 2019-11-25 2020-04-17 广州丰泽源水利科技有限公司 基于遥感影像的水质健康监测方法、装置及存储介质
CN110749568A (zh) * 2019-12-19 2020-02-04 中国科学院南京地理与湖泊研究所 高浑浊富营养化湖泊浮游植物吸收特性modis遥感反演方法
CN112881293A (zh) * 2021-01-08 2021-06-01 浙江工商大学 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法
CN113406015A (zh) * 2021-05-31 2021-09-17 内蒙古师范大学 一种近岸和内陆水域水体的透明度计算方法和系统
CN113887493A (zh) * 2021-10-21 2022-01-04 河北工业大学 一种基于id3算法的黑臭水体遥感影像识别方法
CN113988626A (zh) * 2021-10-28 2022-01-28 中国矿业大学(北京) 一种矿区生态环境遥感综合评价指数实现方法
WO2023134626A1 (zh) * 2022-01-11 2023-07-20 北华航天工业学院 一种基于cart分类模型的黑臭水体提取方法
CN114894719A (zh) * 2022-03-16 2022-08-12 自然资源部国土卫星遥感应用中心 一种基于波段遥感反射率比值的卫星水体透明度反演方法
CN114494501A (zh) * 2022-04-01 2022-05-13 南京航天宏图信息技术有限公司 一种水体叶绿素a的重构方法及装置
CN115797760A (zh) * 2023-01-29 2023-03-14 水利部交通运输部国家能源局南京水利科学研究院 主被动融合的水质立体遥感反演方法、系统及存储介质
CN115950855A (zh) * 2023-02-03 2023-04-11 河南省科学院地理研究所 一种中低营养水体的叶绿素a浓度反演方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
The oasis regional small and medium lake water transparency monitoring research and impact factor analysis based on field data combined with high resolution GF-1 satellite data;Zhenghu Ma 等;《Journal of Freshwater Ecology》;第36卷(第1期);第77-96页 *
珠江口海水透明度与光谱相关关系研究;陈蕾;谢健;彭晓鹃;李振;娄全胜;张晓浩;杨帆;;国土资源遥感(第03期);第151-155页 *

Also Published As

Publication number Publication date
CN116952906A (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
Zhang et al. Remote sensing estimation of water clarity for various lakes in China
Pahlevan et al. Seamless retrievals of chlorophyll-a from Sentinel-2 (MSI) and Sentinel-3 (OLCI) in inland and coastal waters: A machine-learning approach
Hieronymi et al. The OLCI neural network swarm (ONNS): A bio-geo-optical algorithm for open ocean and coastal waters
CN108593569B (zh) 基于光谱形态特征的高光谱水质参数定量反演方法
Legleiter et al. Spectrally based remote sensing of river bathymetry
Gunn et al. Age and growth in southern bluefin tuna, Thunnus maccoyii (Castelnau): direct estimation from otoliths, scales and vertebrae
Jiang et al. Remote estimation of chlorophyll a concentrations over a wide range of optical conditions based on water classification from VIIRS observations
Xie et al. Evaluation of Landsat 8 OLI imagery for unsupervised inland water extraction
CN112213287B (zh) 基于遥感卫星影像的沿海滩涂盐度反演的方法
Hu et al. A machine learning approach to estimate surface chlorophyll a concentrations in global oceans from satellite measurements
CN108956604B (zh) 一种基于高光谱图像技术识别中华绒螯蟹品质的方法
Jiang et al. Remote sensing of particulate organic carbon dynamics in a eutrophic lake (Taihu Lake, China)
Li et al. Estimation of chlorophyll-a concentrations in a highly turbid eutrophic lake using a classification-based MODIS land-band algorithm
CN114739919A (zh) 一种基于光谱反演分析的水质检测方法
Liu et al. Trophic state assessment of optically diverse lakes using Sentinel-3-derived trophic level index
Matthews et al. Distinguishing cyanobacteria from algae in optically complex inland waters using a hyperspectral radiative transfer inversion algorithm
Gilerson et al. Determining the primary sources of uncertainty in retrieval of marine remote sensing reflectance from satellite ocean color sensors
CN110779875B (zh) 一种基于高光谱技术检测冬小麦麦穗水分含量的方法
Mélin Validation of ocean color remote sensing reflectance data: Analysis of results at European coastal sites
Fukushima et al. Semi-analytical prediction of Secchi depth using remote-sensing reflectance for lakes with a wide range of turbidity
Ma et al. Absorption and scattering properties of water body in Taihu Lake, China: backscattering
CN116952906B (zh) 水体健康状态评估方法、装置、电子设备及存储介质
CN103604761A (zh) 基于aisa航空高光谱影像的赤潮检测方法
Borges et al. Monitoring cyanobacteria occurrence in freshwater reservoirs using semi-analytical algorithms and orbital remote sensing
CN111751295A (zh) 一种基于成像高光谱数据的小麦白粉病严重程度检测模型的建模方法及应用

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