CN117009720B - 湖泊水体富营养化监测的方法、装置、设备和介质 - Google Patents
湖泊水体富营养化监测的方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117009720B CN117009720B CN202311280157.XA CN202311280157A CN117009720B CN 117009720 B CN117009720 B CN 117009720B CN 202311280157 A CN202311280157 A CN 202311280157A CN 117009720 B CN117009720 B CN 117009720B
- Authority
- CN
- China
- Prior art keywords
- lake water
- eutrophication
- red
- water quality
- band reflectivity
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 236
- 238000012851 eutrophication Methods 0.000 title claims abstract description 80
- 238000012544 monitoring process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000002310 reflectometry Methods 0.000 claims description 87
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 40
- 229930002868 chlorophyll a Natural products 0.000 claims description 21
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 21
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 20
- 229910052757 nitrogen Inorganic materials 0.000 claims description 20
- 229910052698 phosphorus Inorganic materials 0.000 claims description 20
- 239000011574 phosphorus Substances 0.000 claims description 20
- 235000016709 nutrition Nutrition 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 235000003715 nutritional status Nutrition 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011835 investigation 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
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
- G01N2021/1793—Remote sensing
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请提供了一种湖泊水体富营养化监测的方法、装置、设备和介质，涉及遥感监测技术领域，该方法包括：获取遥感影像，对遥感影像进行预处理并裁剪确定待监测湖水区域；对待监测湖水区域的遥感影像进行云判识处理，去除湖水区域云覆盖率超过预设阈值的影像数据样本，得到目标数据样本；基于水体指数对目标数据样本进行水体判识处理，并针对水体部分构建湖水水质计算模型；根据湖水水质计算模型确定待监测湖水区域的湖水富营养状态指数，以基于富营养状态指数进行水体富营养化监测。本申请提升了湖泊水质监测的普适性，进一步提升了湖泊水质监测的监测精度。
Description
技术领域
本申请涉及遥感监测技术领域，尤其是涉及一种湖泊水体富营养化监测的方法、装置、设备和介质。
背景技术
遥感的湖泊水体富营养化监测手段，是监测水体富营养化手段之一，通过遥感手段可以实现大范围的富营养化的调查评价。传统的直接基于单景遥感数据与实测水体水质结果之间的统计关系模型，只能模糊的计算的水质结果，监测效果不佳；并且，现有的湖泊水体富营养化监测手段所采用的全国通用湖泊水质模型无法准备适配每个湖泊的水质监测，进一步由于适配性差导致监测效果不佳。
发明内容
本申请的目的在于提供一种湖泊水体富营养化监测的方法、装置、设备和介质，提升了湖泊水质监测的普适性，进一步提升了湖泊水质监测的监测精度。
第一方面，本发明提供一种湖泊水体富营养化监测的方法，包括：
获取遥感影像，对遥感影像进行预处理并裁剪确定待监测湖水区域；
对待监测湖水区域的遥感影像进行云判识处理，去除湖水区域云覆盖率超过预设阈值的影像数据样本，得到目标数据样本；
基于水体指数对目标数据样本进行水体判识处理，并针对水体部分构建湖水水质计算模型；
根据湖水水质计算模型确定待监测湖水区域的湖水富营养状态指数，以基于富营养状态指数进行水体富营养化监测。
在可选的实施方式中，针对水体部分构建湖水水质计算模型，包括：
基于待监测湖水区域的遥感影像的蓝光波段反射率和红光波段反射率构建透明度模型；
基于待监测湖水区域的遥感影像的近红外波段反射率和红光波段反射率构建叶绿素a浓度模型；
基于待监测湖水区域的遥感影像的近红外波段反射率、红光波段反射率和蓝光波段反射构建总磷模型；
基于待监测湖水区域的遥感影像的蓝光波段反射率、绿光波段反射率和红光波段反射率构建总氮模型。
在可选的实施方式中，基于待监测湖水区域的遥感影像的蓝光波段反射率和红光波段反射率构建透明度模型，包括：
其中，Blue为蓝光波段反射率，Red为红光波段反射率，SD为透明度。
在可选的实施方式中，基于待监测湖水区域的遥感影像的近红外波段反射率和红光波段反射率构建叶绿素a浓度模型，包括：
其中，Nir为近红外波段反射率，Red为红光波段反射率，CChl-a为叶绿素a浓度。
在可选的实施方式中，基于待监测湖水区域的遥感影像的近红外波段反射率、红光波段反射率和蓝光波段反射构建总磷模型，包括：
其中，Nir为近红外波段反射率，Red为红光波段反射率，Blue为蓝光波段反射率，TP为总磷浓度。
在可选的实施方式中，基于待监测湖水区域的遥感影像的蓝光波段反射率、绿光波段反射率和红光波段反射率构建总氮模型，包括：
其中，Blue为蓝光波段反射率，Green为绿光波段反射率，Red为红光波段反射率，TN为总氮浓度。
在可选的实施方式中，根据湖水水质计算模型确定待监测湖水区域的湖水富营养状态指数，包括：
在多种水质参数中确定基准参数，并基于基准参数和水质参数间的相关系数确定每种水质参数所对应的权重系数；水质参数包括透明度、叶绿素a浓度、总磷和总氮；
根据湖水水质计算模型确定每种水质参数所对应的富营养状态指数；
根据每种水质参数所对应的权重系数和每种水质参数所对应的富营养状态指数确定待监测湖水区域的湖水富营养状态指数。
第二方面，本发明提供一种湖泊水体富营养化监测的装置，包括：
影像处理模块，用于获取遥感影像，对遥感影像进行预处理并裁剪确定待监测湖水区域；
样本确定模块，用于对待监测湖水区域的遥感影像进行云判识处理，去除湖水区域云覆盖率超过预设阈值的影像数据样本，得到目标数据样本；
模型构建模块，用于基于水体指数对目标数据样本进行水体判识处理，并针对水体部分构建湖水水质计算模型；
水体富营养化监测模块，用于根据湖水水质计算模型确定待监测湖水区域的湖水富营养状态指数，以基于富营养状态指数进行水体富营养化监测。
第三方面，本发明提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现前述实施方式任一项的湖泊水体富营养化监测的方法。
第四方面，本发明提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，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前述实施方式任一项的湖泊水体富营养化监测的方法。
本申请提供的湖泊水体富营养化监测的方法、装置、设备和介质，对每一种水质参数计算模型进行定制化优化，逐步实现对数据的预处理、水体提取、总磷监测、总氮监测、透明度监测、叶绿素a浓度监测等流程，最终根据权重计算富营养化指数。根据每个湖泊的实测数据，结合特征信息波段，定制化建立模型，可以快速、准确地进行水体提取、水质监测，富营养化计算结果准确率明显提高。
附图说明
为了更清楚地说明本申请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申请的一些实施方式，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为本申请实施例提供的一种湖泊水体富营养化监测的方法的流程图；
图2为本申请实施例提供的一种湖泊水体富营养化监测的装置的结构图；
图3为本申请实施例提供的一种电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
本申请实施例提供了一种湖泊水体富营养化监测的方法，参见图1所示，该方法主要包括以下步骤：
步骤S110，获取遥感影像，对遥感影像进行预处理并裁剪确定待监测湖水区域。
在一种实施方式中，遥感影像可以包括Landast8数据。获取的方式可以为利用python工程化实现Landast8数据的解压缩-辐射定标-大气校正-投影转换-波段合成和数据裁剪。
具体的，下进行数据预处理时，可以包括以下步骤1.1）至步骤1.5）：
步骤1.1），从美国地质调查局(USGS)下载Landsat8-L1级压缩包数据；
步骤1.2），辐射定标，基于步骤1A的数据，代码实现OLI数据辐射定标。
步骤1.3），大气校正，利用python调用6S辐射传输模型的Py6S包，可对步骤1.2）辐射定标后的数据进行6S大气校正。
步骤1.4），投影转换，将大气校正后的数据用ENVI软件进行投影转换。
步骤1.5），波段合成，用ENVI软件，将11个单波段子文件，根据波段顺序进行数据合成，合成一个11波段的文件。
在进行数据裁剪时，可以通过经纬度的设置进行区域的裁剪。在一种示例中，待监测湖水区域可以为预先选择的某个湖泊的区域范围。
步骤S120，对待监测湖水区域的遥感影像进行云判识处理，去除湖水区域云覆盖率超过预设阈值的影像数据样本，得到目标数据样本。
在一种实施方式中，可以选取已经预处理好的预设年份的每年某个月份和站点样本数据同期或者近期的Landsat8遥感影像数据，该区域必须包含待监测湖水区域。对选取的遥感影像的每景数据云判识，诸如可以采用阈值法做云判识，去除湖水区域云覆盖率超过预设比例的影像数据样本，从而降低云对监测结果的影响。
在一种示例中，以梁子湖区域为例，选取目标数据样本可以为选取已经预处理好的2018-2022年每年5-11月份和站点样本数据同期或者近期的Landsat8遥感影像数据，必须包含梁子湖区域，裁切梁子湖范围[116.31°~ 116.71°E,30°~ 30.34°N]；做每景数据云判识，采用阈值法做云判识；去除湖水区域云覆盖率超过10%的影像数据样本，以得到目标数据样本。
步骤S130，基于水体指数对目标数据样本进行水体判识处理，并针对水体部分构建湖水水质计算模型。
在一种实施方式中，水体判识处理可以通过计算归一化水指数进行处理，诸如可以利用归一化水指数判识水体计算NDWI（Normalized Difference Water Index，归一化水指数），基于Landsat8数据判识水体公式如下：
NDWI = (Green-Nir）/（Green+Nir）
其中，NDWI为归一化水指数，Green为绿光波段反射率，Nir为近红外波段反射率。
进一步，在判识水体后，针对水体部分构建湖水水质计算模型。在一种实施方式中，针对水体部分构建湖水水质计算模型，可以包括透明度模型、叶绿素a浓度模型、总磷模型和总氮模型。具体的：
（1）基于待监测湖水区域的遥感影像的蓝光波段反射率和红光波段反射率构建透明度模型。诸如，在一种示例中，构建透明度模型可以采用以下公式计算，具体参数的选择可以根据实际需求进行调整，包括：
其中，Blue为蓝光波段反射率，Red为红光波段反射率，为透明度。
（2）基于待监测湖水区域的遥感影像的近红外波段反射率和红光波段反射率构建叶绿素a浓度模型。诸如，在一种示例中，构建叶绿素a浓度模型可以采用以下公式计算，具体参数的选择可以根据实际需求进行调整，包括：
其中，Nir为近红外波段反射率，Red为红光波段反射率，CChl-a为叶绿素a浓度。
（3）基于待监测湖水区域的遥感影像的近红外波段反射率、红光波段反射率和蓝光波段反射构建总磷模型。诸如，在一种示例中，构建总磷模型可以采用以下公式计算，具体参数的选择可以根据实际需求进行调整，包括：
其中，Nir为近红外波段反射率，Red为红光波段反射率，Blue为蓝光波段反射率，TP为总磷浓度。
（4）基于待监测湖水区域的遥感影像的蓝光波段反射率、绿光波段反射率和红光波段反射率构建总氮模型。诸如，在一种示例中，构建总氮模型可以采用以下公式计算，具体参数的选择可以根据实际需求进行调整，包括：
其中，Blue为蓝光波段反射率，Green为绿光波段反射率，Red为红光波段反射率，TN为总氮浓度。
在实际应用中，各个具体模型均是独立可替换的，因此在面对不同的湖泊环境时，可能采用其中一个模型，也可以采用其中几个模型，水质模型可以随时替换，从而提升了模型进行监测的普适性。
步骤S140，根据湖水水质计算模型确定待监测湖水区域的湖水富营养状态指数，以基于富营养状态指数进行水体富营养化监测。
在一种实施方式中，根据湖水水质计算模型确定待监测湖水区域的湖水富营养状态指数，在具体实施时，可以包括以下步骤2.1）至步骤2.3）：
步骤2.1），在多种水质参数中确定基准参数，并基于基准参数和水质参数间的相关系数确定每种水质参数所对应的权重系数；水质参数包括透明度、叶绿素a浓度、总磷和总氮。
在一种示例中，以梁子湖作为参考，以叶绿素a浓度Chl-a作为基准参数，第种水质参数的归一化的相关权重计算公式为：
其中，为第/>种参数与基准参数Chl-a的相关系数；/>为评价参数的个数；在本实施例中，j为4，分别包括透明度、叶绿素a浓度、总磷和总氮。
梁子湖的Chl-a与其他参数之间的相关关系和/>见表1：
表1 梁子湖水质参数与Chl-a的相关系数
步骤2.2），根据湖水水质计算模型确定每种水质参数所对应的富营养状态指数。
在一种实施方式中，每种水质参数所对应的富营养状态指数可以参考如下：
；
；
；
。
在本示例中，参数的选择可以根据实际情况进行适应性的调整。
步骤2.3），根据每种水质参数所对应的权重系数和每种水质参数所对应的富营养状态指数确定待监测湖水区域的湖水富营养状态指数。
在一种实施方式中，计算梁子湖区域的水体富营养化指数，采用综合营养状态指数法，计算公式如下：
其中，代表综合营养状态指数，/>代表第/>种水质参数，/>代表第/>种参数的营养状态指数的相关权重。
进一步，可以将上述方法封装为一个插件，从而可以作为插件可视化集成在卫星监测分析与遥感应用系统(SMART)平台。
综上，本申请实施例采用的是综合营养状态指数法，计算时对该方法使用的每一种水质参数计算模型进行定制化优化，本方法逐步实现对数据的预处理、水体提取、总磷监测、总氮监测、透明度监测、叶绿素a浓度监测等流程，最终根据权重计算富营养化指数。根据每个湖泊的实测数据，结合特征信息波段，定制化建立模型，可以快速、准确地进行水体提取、水质监测，富营养化计算结果准确率明显提高。
基于上述方法实施例，本申请实施例还提供一种湖泊水体富营养化监测的装置，参见图2所示，该装置主要包括以下部分：
影像处理模块210，用于获取遥感影像，对遥感影像进行预处理并裁剪确定待监测湖水区域；
样本确定模块220，用于对待监测湖水区域的遥感影像进行云判识处理，去除湖水区域云覆盖率超过预设阈值的影像数据样本，得到目标数据样本；
模型构建模块230，用于基于水体指数对目标数据样本进行水体判识处理，并针对水体部分构建湖水水质计算模型；
水体富营养化监测模块240，用于根据湖水水质计算模型确定待监测湖水区域的湖水富营养状态指数，以基于富营养状态指数进行水体富营养化监测。
在一可行的实施方式中，上述模型构建模块230，还用于：
基于待监测湖水区域的遥感影像的蓝光波段反射率和红光波段反射率构建透明度模型；
基于待监测湖水区域的遥感影像的近红外波段反射率和红光波段反射率构建叶绿素a浓度模型；
基于待监测湖水区域的遥感影像的近红外波段反射率、红光波段反射率和蓝光波段反射构建总磷模型；
基于待监测湖水区域的遥感影像的蓝光波段反射率、绿光波段反射率和红光波段反射率构建总氮模型。
在一可行的实施方式中，上述模型构建模块230，还用于：
其中，Blue为蓝光波段反射率，Red为红光波段反射率，SD为透明度。
在一可行的实施方式中，上述模型构建模块230，还用于：
其中，Nir为近红外波段反射率，Red为红光波段反射率，CChl-a为叶绿素a浓度。
在一可行的实施方式中，上述模型构建模块230，还用于：
其中，Nir为近红外波段反射率，Red为红光波段反射率，Blue为蓝光波段反射率，TP为总磷浓度。
在一可行的实施方式中，上述模型构建模块230，还用于：
其中，Blue为蓝光波段反射率，Green为绿光波段反射率，Red为红光波段反射率，TN为总氮浓度。
在一可行的实施方式中，上述水体富营养化监测模块240，还用于：
在多种水质参数中确定基准参数，并基于基准参数和水质参数间的相关系数确定每种水质参数所对应的权重系数；水质参数包括透明度、叶绿素a浓度、总磷和总氮；
根据湖水水质计算模型确定每种水质参数所对应的富营养状态指数；
根据每种水质参数所对应的权重系数和每种水质参数所对应的富营养状态指数确定待监测湖水区域的湖水富营养状态指数。
本申请实施例提供的湖泊水体富营养化监测的装置，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，湖泊水体富营养化监测的装置的实施例部分未提及之处，可参考前述湖泊水体富营养化监测的方法实施例中相应内容。
本申请实施例还提供了一种电子设备，如图3所示，为该电子设备的结构示意图，其中，该电子设备100包括处理器31和存储器30，该存储器30存储有能够被该处理器31执行的计算机可执行指令，该处理器31执行该计算机可执行指令以实现上述任一项湖泊水体富营养化监测的方法。
在图3示出的实施方式中，该电子设备还包括总线32和通信接口33，其中，处理器31、通信接口33和存储器30通过总线32连接。
其中，存储器30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-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口33（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32可以是ISA（IndustryStandard Architecture，工业标准体系结构）总线、PCI（Peripheral ComponentInterconnect，外设部件互连标准）总线或EISA（Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线32可以分为地址总线、数据总线、控制总线等。为便于表示，图3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。
处理器31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31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31可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(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。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。结合本申请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，处理器31读取存储器中的信息，结合其硬件完成前述实施例的湖泊水体富营养化监测的方法的步骤。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述湖泊水体富营养化监测的方法，具体实现可参见前述方法实施例，在此不再赘述。
本申请实施例所提供的湖泊水体富营养化监测的方法、装置、设备和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，具体实现可参见方法实施例，在此不再赘述。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请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）执行本申请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：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (4)
1.一种湖泊水体富营养化监测的方法，其特征在于，包括：
获取遥感影像，对所述遥感影像进行预处理并裁剪确定待监测湖水区域；
对所述待监测湖水区域的遥感影像进行云判识处理，去除湖水区域云覆盖率超过预设阈值的影像数据样本，得到目标数据样本；
基于水体指数对所述目标数据样本进行水体判识处理，并针对水体部分构建湖水水质计算模型；
根据所述湖水水质计算模型确定待监测湖水区域的湖水富营养状态指数，以基于所述富营养状态指数进行水体富营养化监测；
针对水体部分构建湖水水质计算模型，包括：
基于待监测湖水区域的遥感影像的蓝光波段反射率和红光波段反射率构建透明度模型，，其中，Blue为蓝光波段反射率，Red为红光波段反射率，SD为透明度；
基于待监测湖水区域的遥感影像的近红外波段反射率和红光波段反射率构建叶绿素a浓度模型，，其中，Nir为近红外波段反射率，Red为红光波段反射率，Chl-a为叶绿素a浓度；
基于待监测湖水区域的遥感影像的近红外波段反射率、红光波段反射率和蓝光波段反射构建总磷模型，，其中，Nir为近红外波段反射率，Red为红光波段反射率，Blue为蓝光波段反射率，TP为总磷浓度；
基于待监测湖水区域的遥感影像的蓝光波段反射率、绿光波段反射率和红光波段反射率构建总氮模型，，其中，Blue为蓝光波段反射率，Green为绿光波段反射率，Red为红光波段反射率，TN为总氮浓度；
根据所述湖水水质计算模型确定待监测湖水区域的湖水富营养状态指数，包括：
在多种水质参数中确定基准参数，并基于基准参数和水质参数间的相关系数确定每种水质参数所对应的权重系数；所述水质参数包括透明度、叶绿素a浓度、总磷和总氮；
根据所述湖水水质计算模型确定每种水质参数所对应的富营养状态指数，包括：，/>，/>，；
根据每种水质参数所对应的权重系数和每种水质参数所对应的富营养状态指数确定待监测湖水区域的湖水富营养状态指数，具体的：，其中，/>代表综合营养状态指数，/>代表第/>种水质参数所对应的富营养状态指数，包括TLI（chl- a）、TLI（SD）、TLI（TP）和TLI（TN）；/>代表第/>种参数的营养状态指数的相关权重。
2.一种湖泊水体富营养化监测的装置，其特征在于，包括：
影像处理模块，用于获取遥感影像，对所述遥感影像进行预处理并裁剪确定待监测湖水区域；
样本确定模块，用于对所述待监测湖水区域的遥感影像进行云判识处理，去除湖水区域云覆盖率超过预设阈值的影像数据样本，得到目标数据样本；
模型构建模块，用于基于水体指数对所述目标数据样本进行水体判识处理，并针对水体部分构建湖水水质计算模型；
水体富营养化监测模块，用于根据所述湖水水质计算模型确定待监测湖水区域的湖水富营养状态指数，以基于所述富营养状态指数进行水体富营养化监测；
所述模型构建模块，还用于基于待监测湖水区域的遥感影像的蓝光波段反射率和红光波段反射率构建透明度模型，，其中，Blue为蓝光波段反射率，Red为红光波段反射率，SD为透明度；
基于待监测湖水区域的遥感影像的近红外波段反射率和红光波段反射率构建叶绿素a浓度模型，，其中，Nir为近红外波段反射率，Red为红光波段反射率，Chl-a为叶绿素a浓度；
基于待监测湖水区域的遥感影像的近红外波段反射率、红光波段反射率和蓝光波段反射构建总磷模型，，其中，Nir为近红外波段反射率，Red为红光波段反射率，Blue为蓝光波段反射率，TP为总磷浓度；
基于待监测湖水区域的遥感影像的蓝光波段反射率、绿光波段反射率和红光波段反射率构建总氮模型，，其中，Blue为蓝光波段反射率，Green为绿光波段反射率，Red为红光波段反射率，TN为总氮浓度；
所述水体富营养化监测模块，用于在多种水质参数中确定基准参数，并基于基准参数和水质参数间的相关系数确定每种水质参数所对应的权重系数；所述水质参数包括透明度、叶绿素a浓度、总磷和总氮；
根据所述湖水水质计算模型确定每种水质参数所对应的富营养状态指数，包括：，/>，/>，；
根据每种水质参数所对应的权重系数和每种水质参数所对应的富营养状态指数确定待监测湖水区域的湖水富营养状态指数，具体的：，其中，/>代表综合营养状态指数，/>代表第/>种水质参数所对应的富营养状态指数，包括TLI（chl- a）、TLI（SD）、TLI（TP）和TLI（TN）；/>代表第/>种参数的营养状态指数的相关权重。
3.一种电子设备，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所述的湖泊水体富营养化监测的方法。
4.一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所述的湖泊水体富营养化监测的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311280157.XA CN117009720B (zh) | 2023-10-07 | 2023-10-07 | 湖泊水体富营养化监测的方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311280157.XA CN117009720B (zh) | 2023-10-07 | 2023-10-07 | 湖泊水体富营养化监测的方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117009720A CN117009720A (zh) | 2023-11-07 |
| CN117009720B true CN117009720B (zh) | 2024-03-26 |
Family
ID=88565791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311280157.XA Active CN117009720B (zh) | 2023-10-07 | 2023-10-07 | 湖泊水体富营养化监测的方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117009720B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110067964A (ko) * | 2009-12-15 | 2011-06-22 | 연세대학교 산학협력단 | 원격탐사 데이터를 이용한 수질 모니터링 방법 및 이를 이용한 수질 모니터링 장치 |
| CN112989692A (zh) * | 2021-02-10 | 2021-06-18 | 中国科学院南京地理与湖泊研究所 | 基于遥感数据的湖泊富营养化反演方法 |
| CN116361737A (zh) * | 2023-03-31 | 2023-06-30 | 北控水务(中国)投资有限公司 | 一种湖泊异常动态监测方法、装置、电子设备及存储介质 |
| CN116482317A (zh) * | 2023-04-26 | 2023-07-25 | 大连理工大学 | 湖泊水体营养状态实时监测方法、系统、设备及介质 |
-
2023
- 2023-10-07 CN CN202311280157.XA patent/CN117009720B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110067964A (ko) * | 2009-12-15 | 2011-06-22 | 연세대학교 산학협력단 | 원격탐사 데이터를 이용한 수질 모니터링 방법 및 이를 이용한 수질 모니터링 장치 |
| CN112989692A (zh) * | 2021-02-10 | 2021-06-18 | 中国科学院南京地理与湖泊研究所 | 基于遥感数据的湖泊富营养化反演方法 |
| CN116361737A (zh) * | 2023-03-31 | 2023-06-30 | 北控水务(中国)投资有限公司 | 一种湖泊异常动态监测方法、装置、电子设备及存储介质 |
| CN116482317A (zh) * | 2023-04-26 | 2023-07-25 | 大连理工大学 | 湖泊水体营养状态实时监测方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117009720A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Rapid prediction of chlorophylls and carotenoids content in tea leaves under different levels of nitrogen application based on hyperspectral imaging | |
| US20190180103A1 (en) | Method and system for crop yield estimation | |
| Kumar et al. | GCrop: Internet-of-Leaf-Things (IoLT) for monitoring of the growth of crops in smart agriculture | |
| EP1672390A1 (en) | Method and system for detecting an object using a composite evidence grid | |
| Chang et al. | Development of color co-occurrence matrix based machine vision algorithms for wild blueberry fields | |
| Stramski et al. | Ocean color algorithms to estimate the concentration of particulate organic carbon in surface waters of the global ocean in support of a long-term data record from multiple satellite missions | |
| CN113435252B (zh) | 一种基于遥感的烟草病虫害监测预警方法和系统 | |
| CN113657294A (zh) | 一种基于计算机视觉的作物病虫害检测方法及系统 | |
| CN116067857A (zh) | Fy-4a气溶胶光学厚度的反演方法、装置、设备和介质 | |
| CN117009720B (zh) | 湖泊水体富营养化监测的方法、装置、设备和介质 | |
| Liu et al. | Combining spatial and spectral information to estimate chlorophyll contents of crop leaves with a field imaging spectroscopy system | |
| KR102608262B1 (ko) | 고춧가루 품질 모니터링 방법 및 그 시스템 | |
| JP6362570B2 (ja) | 農作物判定システム | |
| CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
| CN113553549B (zh) | 一种植被覆盖度反演方法、装置、电子设备及存储介质 | |
| CN111299186A (zh) | 水果分级的方法、装置及设备 | |
| CN110609011A (zh) | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 | |
| CN115508292A (zh) | 基于机器学习的土壤剖面氮素含量高光谱检测及可视化方法 | |
| CN112861355B (zh) | 海表净辐射估算方法和系统 | |
| CN111693463B (zh) | 一种南极半岛优化地衣覆盖度指数提取方法 | |
| Liew et al. | Evaluating the validity of SeaWiFS chlorophyll algorithm for coastal waters | |
| CN112668670A (zh) | 地膜识别方法及其相关设备 | |
| Pabuayon et al. | Applicability of hyperspectral imaging during salinity stress in rice for tracking Na+ and K+ levels in planta | |
| CN116994072B (zh) | 基于决策树分类模型的湿地提取方法、装置、设备和介质 | |
| Mousabeygi et al. | Assessment of maize water status using a consumer-grade camera and thermal imagery |
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 |