CN116973321A - 一种基于高光谱的缓流水体总氮浓度估算方法 - Google Patents
一种基于高光谱的缓流水体总氮浓度估算方法 Download PDFInfo
- Publication number
- CN116973321A CN116973321A CN202210384702.9A CN202210384702A CN116973321A CN 116973321 A CN116973321 A CN 116973321A CN 202210384702 A CN202210384702 A CN 202210384702A CN 116973321 A CN116973321 A CN 116973321A
- Authority
- CN
- China
- Prior art keywords
- total nitrogen
- nitrogen concentration
- water
- spectrum
- slow
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 194
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 134
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001228 spectrum Methods 0.000 claims abstract description 59
- 238000009499 grossing Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000002310 reflectometry Methods 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000003595 spectral effect Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 239000012530 fluid Substances 0.000 abstract 1
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000272517 Anseriformes Species 0.000 description 1
- 241000271566 Aves Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000008911 qingzhi Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱的缓流水体总氮浓度估算方法，属于水环境监测领域。该方法基于水环境遥感监测技术，对便携式（或机载式）光谱仪获取的实时高光谱数据进行数据校核与预处理（平滑及波段比值处理），依据水体实测总氮浓度与处理后高光谱数据，建立缓流水体波谱库与BP神经网络模型库，通过模型库，运用高光谱数据进行缓流水体总氮浓度实时快速的监测。
Description
技术领域
本发明涉及水环境监测领域，具体涉及一种基于高光谱的缓流水体总氮浓度估算方法。
背景技术
水体水质是反映水环境质量的重要指标之一，随着近年来生态环境建设的持续推进，如何实时快速地跟踪区域水环境质量变化一直是水环境监测亟待解决的关键难题。传统水质监测技术主要通过固定断面取样监测的方式，由于传统取样不可避免受到水体环境边界条件影响，如果点位覆盖范围扩大将明显增加人力、物力投入，且数据获取时效性往往不足。因此，如何运用新兴技术，对传统监测技术进行有效补充，让水环境监测具备实时快速的监测能力，是当前研究的热点。
近年来，高精度、小型化的遥感监测设备的快速普及、叠加无人机技术的快速发展，使基于小型无人机系统的水质遥感监测成为了可能。但是，由于内陆缓流水体水质相比海洋变化复杂、外部扰动剧烈，选择何种遥感监测方法，如何提高遥感监测抗干扰能力一直是内陆缓流水体水质遥感监测的热点问题。
发明内容
为克服现有技术的不足，本发明的目的在于提供一种基于高光谱的缓流水体总氮浓度估算方法，实现了利用高光谱定量反演缓流水体水质，且具备快速、低成本、实时处理等优势。
为实现上述目标，本发明采取的技术方案为：
S1，采用便携式（或机载式）光谱仪测量缓流水体光谱，获取建模数据；
S2，在采集光谱数据的同时，选择目标点位（不少于5处）进行水样采集，获取目标点位总氮浓度校准数据；
S3，对S1步骤获取的建模数据进行处理。剔除形状明显异常，带有毛细波的光谱后，进行平滑预处理并平均光谱，选取400~1000 nm波长范围内，每个波长下反射率与所有波长下反射率进行相除，并与总氮浓度进行皮尔逊相关分析；
S4，选取反射系数（正负相关系数最大的波段比值）作为输入层，总氮浓度校准数据作为输出层建立BP神经网络模型，通过决定系数与均方根误差对反演结果进行精度分析；
S5，选择多个缓流水体（湖库与河流，不少于10个）重复步骤S1~S4，最终建立基于高光谱变化特征的缓流水体波谱库与总氮浓度预测模型库；
S6，根据待测水体光谱的吸收位置、吸收深度、吸收面积等特征，匹配缓流水体总氮浓度预测模型库中高光谱数据，在相应的网络结构下即可实时获取待测水体总氮数据。
1、优选的，所述步骤S1中，采用光谱仪测量缓流水体光谱，其特征在于，光谱仪波段范围需覆盖400~1000 nm。
2、优选的，所述步骤S1中，获取建模数据，其特征在于，测量水体光谱时，测量角度为光谱仪观测平面与太阳入射平面夹角130°，光谱仪与水面法线方向夹角35°，每个测量点进行连续不少于10次的光谱连续采集。
3、优选的，所述步骤S3中，对光谱数据进行平滑预处理，其特征在于，平滑预处理使用公式（1）进行：
（1）
在公式（1）中，是平滑处理后的光谱反射率，/>是/>相邻四个波段的光谱反射率。
4、优选的，所述步骤S3中，相除因子与总氮浓度进行皮尔逊相关分析，其特征在于，皮尔逊相关分析，包括以下步骤：
①计算400~1000nm内每个波段反射率与所有波长反射率的相除因子，若有n个波段，则有n2个相除因子；
②对所有相除因子与总氮浓度进行皮尔逊相关分析，相关系数是反映相应变量间相关关系密切度的指标，根据积差法得出，以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间的相关程度；相关系数计算公式为：
（2）
在公式（2）中，i是水样编号；n是水样数量；j和k是波段数；是水体光谱在j波段与k波段比值下光谱反射系数与总氮浓度的相关关系；/>是第i个水样在j波段和k波段比值下光谱反射系数；/>是n个水样在此波段反射率的平均值；/>是第i个水样的总氮浓度；/>是所有水样总氮浓度的均值；
③选取正负相关系数最大的波段组合作为总氮敏感波段组合。
5、优选的，所述步骤S4中，建立BP神经网络模型，特征在于，模型的建立，包括以下步骤：
①将敏感波段反射系数和总氮浓度作为神经网络的输入层和输出层；
②选择训练集、验证集和测试集的比例为70%、15%和15%；
③选择隐藏神经元个数，隐藏神经元个数一般为个，m为输入层的神经元个数，n为输出层神经元个数，a取1~10之间的常数；
④设置神经网络模型的激励函数、输出函数和训练算法，不断调整隐藏神经元个数反复训练出最佳网络结构，并保存最佳网络结构。
6、优选的，所述步骤S4中，通过决定系数与均方根误差对反演结果进行精度分析，特征在于，拟合度R2与均方根误差RMSE使用公式（3）和（4）进行：
（3）
（4）
在公式（3）和（4）中， n是水样数量；是第i个水样的总氮浓度；/>是所有水样总氮浓度的均值，/>是网络结构下第i个水样总氮估计值。
本发明的有益效果在此：
1.本发明的一种基于高光谱的缓流水体总氮浓度估算方法，在建立总氮的最优网络模型后，只需对待测水体进行光谱数据采集，光谱数据变换后将数据代入模型即可快速获得水体中总氮浓度，与常规总氮测定方法相比，大大减少了等待时间，节约了时间成本；
2.本发明的一种基于高光谱的缓流水体总氮浓度估算方法，在建立基于高光谱变化特征的缓流水体波谱库与总氮浓度预测模型库后，不需要对水样进行前处理，避免对水样扰动使总氮测定数据产生误差；
3.本发明的一种基于高光谱的缓流水体总氮浓度估算方法，在建立基于高光谱变化特征的缓流水体波谱库与总氮浓度预测模型库后，不需要额外试剂对水样进行处理，既节约了测定成本，又避免产生二次污染；
4. 本发明的一种基于高光谱的缓流水体总氮浓度估算方法，在建立基于高光谱变化特征的缓流水体波谱库与总氮浓度预测模型库后，对待测水体的光谱曲线特征与波谱库进行匹配，在相应的网络结构下即可实时获取待测水体总氮浓度，保证总氮反演结果尽可能准确可靠。
综上所述，本发明基于高光谱的缓流水体总氮浓度估算方法，通过构建高光谱变化特征的缓流水体波谱库与总氮浓度预测模型库，建立了一种有效、快速的缓流水体总氮浓度估算方法，将匹配的光谱数据带入关系模型即可估算缓流水体中总氮浓度，解决了常规总氮测定方法耗时耗力，测定频率低，易产生二次污染的缺点，提高了分析水体总氮浓度的时效性，本发明运用在治理水体污染上，具有较强的实用性。
附图说明
图1是本发明提供的基于高光谱的缓流水体总氮浓度估算方法流程示意图；
图2是本发明采样点布设与第一次水体光谱测量结果图；
图3是本发明平滑处理后各采样点光谱图；
图4是本发明波段反射率比值与总氮浓度相关系数分布图；
图5是本发明最优网络建模反演结果。
具体实施方式
为了使本发明的目的及优点更加清楚明白，以下结合附图对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明。
如图1所示，本发明实施了一种基于高光谱的缓流水体总氮浓度估算方法，其特征在于，该方法基于缓流水体光谱数据，通过光谱变换，找到总氮敏感波段组合，建立水体波谱库和BP神经网络模型库，通过缓流水体高光谱数据，即可进行总氮浓度估算。所述方法包括以下步骤:
S1，采用便携式（或机载式）光谱仪测量缓流水体光谱，获取建模数据；
S2，在采集光谱数据的同时，选择目标点位（不少于5处）进行水样采集，获取目标点位总氮浓度校准数据；
S3，对S1步骤获取的建模数据进行处理。剔除形状明显异常，带有毛细波的光谱后，进行平滑预处理并平均光谱，选取400~1000 nm波长范围内，每个波长下反射率与所有波长下反射率进行相除，并与总氮浓度进行皮尔逊相关分析；
S4，选取反射系数（正负相关系数最大的波段比值）作为输入层，总氮浓度校准数据作为输出层建立BP神经网络模型，通过决定系数与均方根误差对反演结果进行精度分析；
S5，选择多个缓流水体（湖库与河流，不少于10个）重复步骤S1~S4，最终建立基于高光谱变化特征的缓流水体波谱库与总氮浓度预测模型库；
S6，根据待测水体光谱的吸收位置、吸收深度、吸收面积等特征，匹配缓流水体总氮浓度预测模型库中高光谱数据，在相应的网络结构下即可实时获取待测水体总氮数据。
在本发明的实施例中，S1中，所述的光谱仪波段范围需覆盖400~1000nm。
S1中，光谱仪测量水体光谱时，测量角度为光谱仪观测平面与太阳入射平面夹角130°，光谱仪与水面法线方向夹角35°，每个测量点进行连续不少于10次的光谱连续采集。
在本发明的实施例中，S3中，光谱数据平滑预处理按照以下公式计算：
（1）
在公式（1）中，是平滑处理后的光谱反射率，/>是/>相邻四个波段的光谱反射率。
S3中，相除因子与总氮浓度进行皮尔逊相关分析包括以下步骤：
①计算400~1000nm内每个波段反射率与所有波长反射率的相除因子，若有n个波段，则有n2个相除因子；
②对所有相除因子与总氮浓度进行皮尔逊相关分析，相关系数是反映相应变量间相关关系密切度的指标，根据积差法得出，以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间的相关程度；相关系数计算公式为：
（2）
在公式（2）中，i是水样编号；n是水样数量；j和k是波段数；是水体光谱在j波段与k波段比值下光谱反射系数与总氮浓度的相关关系；/>是第i个水样在j波段和k波段比值下光谱反射系数；/>是n个水样在此波段反射率的平均值；/>是第i个水样的总氮浓度；/>是所有水样总氮浓度的均值；
③选取正负相关系数最大的波段组合作为总氮敏感波段组合。
在本发明的实施例中，S4中，建立BP神经网络模型，包括以下步骤：
①将敏感波段反射系数和总氮浓度作为神经网络的输入层和输出层；
②选择训练集、验证集和测试集的比例为70%、15%和15%；
③选择隐藏神经元个数，隐藏神经元个数一般为个，m为输入层的神经元个数，n为输出层神经元个数，a取1~10之间的常数；
④设置神经网络模型的激励函数、输出函数和训练算法，不断调整隐藏神经元个数反复训练出最佳网络结构，并保存最佳网络结构。
6、优选的，所述步骤S4中，通过决定系数与均方根误差对反演结果进行精度分析，特征在于，拟合度R2与均方根误差RMSE使用公式（3）和（4）进行：
（3）
（4）
在公式（3）和（4）中， n是水样数量；是第i个水样的总氮浓度；/>是所有水样总氮浓度的均值，/>是网络结构下第i个水样总氮估计值。
具体实施例
在发明实施例中，选择中心湖作为建立波谱库和模型库的一个缓流水体，中心湖位于西南科技大学青义校区，介于北纬31°32′8″~31°32′18″，东经104°41′38″~104°41′42″之间，面积约为30000 m2。湖中有一小岛，是鸟类和天鹅的栖息地，水中有各种鱼类，生态环境良好。采用本发明提供的基于高光谱的缓流水体总氮浓度预测方法，对工作区总氮浓度进行建模，可以按照以下步骤进行实施：
（1）对工作区进行现场调查与采样点研判，对采样点进行布设，进行水样采集与水体高光谱测量。其中，分三次内共采集27组水样，按照国家环保总局颁布的标准分析方法（GB11894-89）进行总氮浓度的测定，测得总氮浓度在0.3~1 mg/L之间，水质较好。采用PSR-2500便携式光谱仪，其光谱范围为350~2500 nm，在350~1000 nm范围内光谱分辨率为3.5nm，对工作区采样点进行水体光谱测量。光谱仪预热15 min后，配合光谱仪专用的DARWin SP数据采集软件，即可获得水体反射率的曲线。采样点布设与第一次水体光谱测量结果如图2所示；
（2）将光谱数据筛选剔除异常光谱后平滑处理并平均光谱，平均光谱的光谱数据如图3所示。在400~1000nm波长范围内，每个波长下反射率与所有波长下反射率进行相除，得到比值因子；
（3）将比值因子下的反射系数与总氮浓度进行皮尔逊相关性分析，得到总氮浓度与变换后光谱数据的各波长下反射率的相关系数分布图，如图4所示；
（4）选取正负相关性系数最高的波长比值（449.5 nm/446.5 nm）和（400 nm/963.6nm）下的反射系数作为输入层，总氮浓度作为输出层，在matlab中建立BP神经网络模型。不断调整隐藏神经元个数，训练网络模型直至得到满意的网络结构，并保存网络结构。网络模型估算结果如图5所示；
（5）分析总氮反演模型，模型决定系数为0.835，均方根误差为0.05 mg/L。其中训练集决定系数为0.982，均方根误差为0.021 mg/L；验证集决定系数为0.953，均方根误差为0.072 mg/L；测试集决定系数为0.871，均方根误差为0.099 mg/L。说明该网络模型具有较高的精度，适宜作为模型库网络结构之一；
（6）选择多个缓流水体，按照以上步骤建立基于高光谱变化特征的缓流水体波谱库与总氮浓度预测模型库。在获取待测水体的光谱后，根据待测水体的光谱特征，匹配模型库中的高光谱数据对应的网络结构，通过网络结构，在matlab中，调用sim函数t=sim（net，p），t表示待测的值，net表示保存的网络，p表示波段比值后的反射系数，即可完成待测水体总氮预测。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围之内。
Claims (7)
1.一种基于高光谱的缓流水体总氮浓度估算方法，其特征在于，通过现场水体光谱测量与水体采样，利用光谱平滑处理与波段比值运算，找到总氮敏感波段组合，完成水体波谱库和BP神经网络模型库建立，通过待测水体光谱数据即可进行总氮浓度估算，所述方法包括以下步骤：
S1，采用便携式（或机载式）光谱仪测量缓流水体光谱，获取建模数据；
S2，在采集光谱数据的同时，选择目标点位（不少于5处）进行水样采集，获取目标点位总氮浓度校准数据；
S3，对S1步骤获取的建模数据进行处理，剔除形状明显异常，带有毛细波的光谱后，进行平滑预处理并平均光谱，选取400~1000 nm波长范围内，每个波长下反射率与所有波长下反射率进行相除，并与总氮浓度进行皮尔逊相关分析；
S4，选取反射系数（正负相关系数最大的波段比值）作为输入层，总氮浓度校准数据作为输出层建立BP神经网络模型，通过拟合度与均方根误差对反演结果进行精度分析；
S5，选择多个缓流水体（湖库与河流，不少于10个）重复步骤S1~S4，最终建立基于高光谱变化特征的缓流水体波谱库与总氮浓度估算模型库；
S6，根据待测水体光谱的吸收位置、吸收深度、吸收面积等特征，匹配缓流水体波谱库中高光谱数据，在相应的网络结构下即可实时获取待测水体总氮数据。
2.根据权利要求1所述的基于高光谱的缓流水体总氮浓度估算方法，其特征在于，所述步骤S1中光谱仪，波段范围需覆盖400~1000nm。
3.根据权利要求1所述的基于高光谱的缓流水体总氮浓度估算方法，其特征在于，所述步骤S1中测量水体光谱，测量角度为光谱仪观测平面与太阳入射平面夹角130°，光谱仪与水面法线方向夹角35°，每个测量点进行连续不少于10次的光谱连续采集。
4.根据权利要求1所述的基于高光谱的缓流水体总氮浓度估算方法，其特征在于，所述步骤S3中平滑预处理是在目标点的误差范围内获取多个点的均值，降低锯齿的发生，使用公式（1）进行；
（1）
在公式（1）中，是平滑处理后的光谱反射率，/>是/>相邻四个波段的光谱反射率。
5.权利要求书1所述的基于高光谱的缓流水体总氮浓度估算方法，其特征在于，总氮敏感波段组合的探寻，包括以下步骤：
①计算400~1000nm内每个波段反射率与所有波长反射率的相除因子，若有n个波段，则有n2个相除因子；
②对所有相除因子与总氮浓度进行皮尔逊相关分析，相关系数是反映相应变量间相关关系密切度的指标，根据积差法得出，以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间的相关程度；相关系数计算公式为：
（2）
在公式（2）中，i是水样编号；n是水样数量；j和k是波段数；是水体光谱在j波段与k波段比值下光谱反射系数与总氮浓度的相关关系；/>是第i个水样在j波段和k波段比值下光谱反射系数；/>是n个水样在此波段反射率的平均值；/>是第i个水样的总氮浓度；/>是所有水样总氮浓度的均值；
③选取正负相关系数最大的波段组合作为总氮敏感波段组合。
6.权利要求书1所述的基于高光谱的缓流水体总氮浓度估算方法，其特征在于，所述的建立的BP神经网络模型，包括以下步骤：
①将敏感波段反射系数和总氮浓度作为神经网络的输入层和输出层；
②选择训练集、验证集和测试集的比例为70%、15%和15%；
③选择隐藏神经元个数，隐藏神经元个数一般为个，m为输入层的神经元个数，n为输出层神经元个数，a取1~10之间的常数；
④设置神经网络模型的激励函数、输出函数和训练算法，不断调整隐藏神经元个数反复训练出最佳网络结构，并保存最佳网络结构。
7.权利要求书1所述的基于高光谱的缓流水体总氮浓度估算方法，其特征在于，网络训练结果通过决定系数与均方根误差对反演结果进行精度分析，决定系数R2与均方根误差RMSE通过以下公式计算：
（3）
（4）
在公式（3）和（4）中， n是水样数量；是第i个水样的总氮浓度；/>是所有水样总氮浓度的均值，/>是网络结构下第i个水样总氮估计值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210384702.9A CN116973321A (zh) | 2022-04-13 | 2022-04-13 | 一种基于高光谱的缓流水体总氮浓度估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210384702.9A CN116973321A (zh) | 2022-04-13 | 2022-04-13 | 一种基于高光谱的缓流水体总氮浓度估算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116973321A true CN116973321A (zh) | 2023-10-31 |
Family
ID=88473554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210384702.9A Pending CN116973321A (zh) | 2022-04-13 | 2022-04-13 | 一种基于高光谱的缓流水体总氮浓度估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116973321A (zh) |
-
2022
- 2022-04-13 CN CN202210384702.9A patent/CN116973321A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
| CN106124449B (zh) | 一种基于深度学习技术的土壤近红外光谱分析预测方法 | |
| CN105486655B (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
| CN110672805A (zh) | 一种基于航空高光谱数据的水库水质参数定量反演方法 | |
| CN112070234B (zh) | 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法 | |
| CN108956505B (zh) | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 | |
| CN113834787A (zh) | 一种中小河道劣ⅴ类水体水质识别与量化方法 | |
| CN111488926B (zh) | 一种基于优化模型的土壤有机质测定方法 | |
| CN111538940B (zh) | 悬浮物浓度反演模型确定方法及悬浮物浓度确定方法 | |
| CN111597756A (zh) | 一种基于无人机多光谱数据的水质参数反演方法 | |
| CN107607486B (zh) | 一种土壤全氮检测方法及装置 | |
| CN202939121U (zh) | 一种基于水体光学特性的综合采集处理系统 | |
| CN103868860A (zh) | 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法 | |
| CN113866102B (zh) | 一种基于光谱的土壤健康调查监测方法 | |
| CN114460013B (zh) | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 | |
| CN115690632A (zh) | 一种内陆河流水体的水环境监测方法 | |
| CN114201732A (zh) | 一种基于Sentinel-2A影像的浅海海域水深反演方法 | |
| CN105784672A (zh) | 一种基于双树复小波算法的毒品检测仪标准化方法 | |
| CN114739919A (zh) | 一种基于光谱反演分析的水质检测方法 | |
| 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 | |
| CN114397277A (zh) | 一种无人机水体叶绿素遥感探测系统 | |
| CN116148188A (zh) | 空天地一体化湖泊水质溯源方法、系统、设备及存储介质 | |
| CN112782096A (zh) | 一种基于反射光谱数据的土壤有机碳密度估算方法 | |
| CN116973321A (zh) | 一种基于高光谱的缓流水体总氮浓度估算方法 | |
| CN116911183A (zh) | 岩溶湿地水体叶绿素a反演的方法、系统、设备及介质 |
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 |