CN117115077A - 一种湖泊蓝藻水华检测方法 - Google Patents
一种湖泊蓝藻水华检测方法 Download PDFInfo
- Publication number
- CN117115077A CN117115077A CN202310587466.5A CN202310587466A CN117115077A CN 117115077 A CN117115077 A CN 117115077A CN 202310587466 A CN202310587466 A CN 202310587466A CN 117115077 A CN117115077 A CN 117115077A
- Authority
- CN
- China
- Prior art keywords
- bloom
- water
- green
- red
- hue angle
- 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
- 241000192700 Cyanobacteria Species 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 65
- 241000195493 Cryptophyta Species 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000001228 spectrum Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 7
- 241000192710 Microcystis aeruginosa Species 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 27
- 238000002310 reflectometry Methods 0.000 claims description 11
- 238000011160 research Methods 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 230000007774 longterm Effects 0.000 abstract description 5
- 230000002265 prevention Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 4
- 230000000243 photosynthetic effect Effects 0.000 description 4
- 239000000049 pigment Substances 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 229930002875 chlorophyll Natural products 0.000 description 3
- 235000019804 chlorophyll Nutrition 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 235000021466 carotenoid Nutrition 0.000 description 2
- 150000001747 carotenoids Chemical class 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 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 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 108010053210 Phycocyanin Proteins 0.000 description 1
- 108010004729 Phycoerythrin Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000001752 chlorophylls and chlorophyllins Substances 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003834 intracellular effect 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
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 108060006184 phycobiliprotein Proteins 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000035943 smell Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 108700012359 toxins Proteins 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种湖泊蓝藻水华检测方法，通过筛选无云卫星影像像素，使用SWIR/NIR/Red波段组合构建FUI伪颜色指数，对样本色调角进行直方图统计，确立水生植物和蓝藻水华色调角α的阈值。并针对可能造成蓝藻水华提取的“假阳性”现象，对薄云、高浊度水体等进行了剔除。将处理结果以单天蓝藻水华监测和长时间序列统计的方式进行展示，同时显示了水华频次图片信息，实现了蓝藻水华快速、准确、自动化解析。结合地面样本的实测光谱数据，再次构建FUI颜色指数对蓝藻水华颜色进行表征、分级与识别。本发明实现了对蓝藻水华提取和颜色识别的长期有效检测，针对内陆水体，兼顾了面积较小水体的蓝藻水华，有利于人们进行水华防控管理措施的实施及水体的保护。
Description
技术领域
本发明属于水体检测技术领域，尤其涉及一种湖泊蓝藻水华检测方法。
背景技术
蓝藻水华(Cyanobacterial Bloom)通常被定义为，富含氮、磷等营养盐的水体，在适宜的温度、光照和风速等环境条件下，水体中的蓝藻大量繁殖，往往形成肉眼可见的蓝藻群体颗粒，使水柱的透明度发生明显改变，从而对水体生态环境造成危害或潜在危害的一种现象。藻类细胞所呈现的颜色，是其所含光合色素的综合表现，与其细胞所含光合色素的组成和含量直接相关。藻类光合色素是指在光合器官中与蛋白质结合形成的色素蛋白体，在光合作用过程中以捕获光能，将光能转化为化学能的一类化学物质。根据其分子结构可以分成叶绿素(Chlorophylls)、类胡萝卜素(Carotenoids)和藻胆蛋白三大类(Phycobiliprotein)。蓝藻细胞内色素主要包括叶绿素，藻蓝素和藻红素，故较少吸收蓝绿光，因而主要呈现蓝绿色。为此，蓝藻也常被称为蓝绿藻(Blue Green Algae)，蓝藻水华也以蓝绿色的水色为主。随着蓝藻水华关注度的不断提升，尤其是监测和研究的不断深入，经常在水体中发现黄绿色和黄色的蓝藻水华。
蓝藻水华是内陆水域最严重的环境问题之一，对全球公共卫生和水生生态系统构成严重威胁。随着中国经济的快速发展，淡水湖泊富营养化导致的蓝藻水华已成为最常见的环境问题。蓝藻水华不仅影响湖泊景观，其产生的蓝藻毒素直接影响人类和动物的健康，在特定条件下，高密度蓝藻水华的集中死亡还会降低溶解氧，使水体发黑发臭形成“湖泛”。蓝藻水华的人工打捞很大程度上依赖于水华位置的预先确定，因此，准确有效的检测其时空分布对于预防和管理至关重要。随着科技的不断发展，与现场调查相比，卫星遥感是一种检测蓝藻水华高效且有效的方法。然而，卫星遥感技术虽然可以快速、准确地获取地面信息，且不受地理位置和环境限制，可以在很短的时间内收集大量的数据，获得有效信息，提高效率。然而，在实践中，由于卫星数据的质量不同和阈值的鲁棒性较差，识别蓝藻水华的结果往往不尽如人意。同时，它们也容易受到云、水生植物和高浑浊度水体等因素的干扰，因此，基于遥感技术的蓝藻水华识别仍需要进一步的研究。
此外，传统的遥感手段均面临着数据下载量大、处理时间长、存储要求高等诸多缺陷，这些缺陷阻碍了长时间序列蓝藻水华遥感自动监测的进一步推广。而目前针对内陆富营养化湖泊蓝藻水华及其颜色识别有着长期监测的迫切需求，如何实现对内陆水体，特别是小面积水体的长期蓝藻水华监测和颜色识别成为了目前需要解决的技术问题。
发明内容
本发明的目的是提供一种湖泊蓝藻水华检测方法，对湖泊蓝藻水华和颜色均进行了有效的识别分析，，以实现高空间分辨率蓝藻水华及其颜色的快速、自动化解析，解决了现有技术中蓝藻水华提取普适性差、数据处理量大、流程周期长的缺点，特别是可对长时间序列蓝藻水华及其颜色进行快速监测，同时可以更有利于针对面积较小水体的蓝藻水华的检测。
为了实现上述目的，本发明采用了如下技术方案：
一种湖泊蓝藻水华检测方法，其特征在于，包括如下步骤：
S1、获得数据，通过卫星获得经过辐射定标和大气校正的待检测区域的大气底层反射率数据；
S2、数据处理，对S1中的数据进行陆地像素处理、云像素处理，通过云、水体和蓝藻水华分离，进行蓝藻水华识别；
S3、对蓝藻水华进行频率分析以及颜色识别。
优选地，所述卫星为Sentinel-2卫星。
优选地，所述S2中陆地像素处理包括如下步骤：
S21、基于改进归一化水体指数对待检测区域水体边界进行矢量提取，并将该矢量做向内缓冲20m以避免水陆交界混合像元的影响，所述改进归一化水体指数的公式为：
MNDWi＝(Rrs(green)-Rrs(swir))/(Rrs(green)+Rrs(swir))(1)
式中，Rrs(green)、Rrs(swir)分别为绿、短波红外波段的反射率，对应sentinel-2的B3(560nm)和B11(1613nm)。
优选地，所述S2中云像素处理包括如下步骤：
S22、采用单波段阈值Rrs(664nm)>0.2作为云掩模进行云层干扰的过滤。
优选地，所述S2中云像素处理还包括如下步骤：
S23、创建Index1、Index2和Index3三个指数用于剔除薄云和阴影造成的“假阳性”结果，公式如下：
Index1＝(Rrs(green)-Rrs(blue))/(Rrs(green)+Rrs(blue))(2)
Index2＝(Rrs(rede)-Rrs(red))/(Rrs(rede)+Rrs(red)) (3)
Index3＝(Rrs(green)-rrs(red))/(Rrs(green)+Rrs(red)) (4)
式中Rrs(blue)、Rrs(green)、Rrs(red)和Rrs(rede)分别为蓝、绿、红和红边波段的反射率，对应sentinel-2的B1(442nm)、B3(559nm)、B4(665nm)和B5(704nm)；当同时满足Index1(＞0.1)、Index2(＞0.15)、Index3(＞0.13)的阈值时，才能判定为蓝藻水华。
优选地，所述S2数据处理中还包括，
S24、利用浊度指数TI屏蔽高浊度水体进一步达到云、水体和蓝藻水华分离，所述浊度指数TI的公式为
TI＝(Rrs(red)-Rrs(green)-(Rrs(nir)-Rrs(green)×0.5)，Rrs(green)、Rrs(red)和Rrs(nir)分别对应sentinel-2的B3(559nm)、B4(665nm)和B8(833nm)，TI阈值为TI＞0。
优选地，所述S2中还包括对蓝藻进行识别处理，通过利用CIE 1931-XYZ颜色空间系统及水生植物和水华样本色调角α的直方图分布结果将179°≤α<208°判定为水生植物的色调角α分布区间，将其归类于云与其它；104°<α<179°判定为蓝藻水华色调角α分布区间，将其归类于水华；色调角α的其它值归类为水体；
具体包括如下步骤，
S25、利用CIE 1931-XYZ颜色空间系统，使用sentinel-2MSI的B11(1613nm)-B8(833nm)-B2(442nm)波段组合分别分配给B、G和R通道，然后，通过将X、Y和Z归一化到0到1之间计算出CIE色度坐标(x，y)，其中，从RGB到X、Y、Z的变换可以表示为：
X＝2.7689×R+1.7517×G+1.1302×B
Y＝1.0000×R+4.5907×G+0.0601×B
Z＝0.0000×R+0.0565×G+5.5934×B(5)
CIE色度坐标x,y,z是通过式(5)计算得到的归一化三刺激值：
最后，计算出表示上行辐射光谱任意一对坐标(x’,y’)的色调角α：
其中ARCTAN2是一个四象限反正切函数，它允许α的范围从-180°到180°，加180°使其范围转换为0°到360°，色调角α的增加表示颜色从蓝色转向红色；
S26、设定水华样点记性筛选统计，并在样点中设定水生植物样点，以统计水生植物色调角α的特征；
S261、采用单波段阈值Rrs(664nm)>0.2作为云掩模进行去云处理，在此基础上对选取时间范围内的sentinel-2MSI遥感影像进行样点色调角α和FAI值提取，当FAI>0.04时判定为水华或者水生植物，认为该样本的色调角α属于水华或者水生植物特征值；
所述sentinel-2的FAI公式如下：
FAI＝Rrs(nir)-R′rs(nir)
式中，Rrs(red)、Rrs(nir)、Rrs(swir)分别为红、近红和短波红外波段的反射率，对应sentinel-2的B4(664nm)、B8(833nm)和B11(1613nm)；
S262、经数据筛选后，根据得到的水华样本和水生植物样本，对两组样本色调角α进行直方图统计。
优选地，所述S3中蓝藻水华频率分析包括如下步骤：
S31、通过获取sentinel-2数据的时间属性，将同一天的数据进行自动合并，基于每次卫星过境影像计算的云、水体与其它、水华分类结果，分别进行面积，由此得到研究区蓝藻水华的逐日面积，并在此基础上得到的逐月、逐年平均面积；
S32、通过每次得到的云、水体与其它、水华分类结果，分别对水华、水体与其它做二值化处理，进行年内的逐像元累加，通过空间分布频率指数法，计算研究区不同区域的蓝藻水华暴发空间分布频率差异，计算公式如下：
式中，Ri_bloom为第i日蓝藻水华二值图中水华栅格值，Ri_water为第i日水体二值图中水体栅格值，最终得到以像素为单位的年度水华出现频率；
所述S3中蓝藻水华颜色识别包括如下步骤：
S33、针对sentinel-2MSI遥感影像，R、G、B通道分别为B4(665nm)、B3(559nm)和B2(442nm)，为评价其色调角α的颜色分级是否符合视觉感官，对实测的典型黄色水华样本光谱进行FUI颜色指数的计算；
S331、首先使用sentinel-2MSI的光谱响应函数对地面实测光谱数据做如下处理，从而得到sentinel-2MSI对应通道的等效反射率；
式中，Rrs(bandi)为卫星i波段的等效反射率，λ1与λ2为该波段的波段范围，Rrs(λ)为实测的光谱反射率，SRF(λ)为λ波长处的光谱响应率；
S332、根据公式(5)-(7)，得到4个地面样本的色调角α，多光谱通道计算的色调角α会有-5°至20°的偏移，且色调角偏移Δα并非完全随机，使用五阶方程式用于描述不同卫星传感器的情况；
对于sentinel-2MSI，使用公式(11)进行计算：
Δα＝-61.805a5+257.86a4-300.67a3+40.595a2+65.296a-9.3398 (11)
式中，a为色调角α经调整至0°到360°后，再除以100，加上Δα即为sentinel-2MSI校正后的色调角α。
优选地，所述S3中校正后的色调角α对应的FUI等级对应下表所示：
本发明至少具备以下有益效果：实现了高空间分辨率蓝藻水华及其颜色的快速、准确、自动化解析，实现了对蓝藻水华及其颜色的长期有效检测，针对内陆水体，特别是面积较小水体的蓝藻水华也能兼顾，从而有利于人们进行水华防控管理措施的实施，更有利于水体的保护。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例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例，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为本发明选择的FUI色调角α分析样本点。
图2本发明中FUI颜色指数的中间参数。
图3本发明中基于MSI传感器FUI(SWIR/NIR/Red)阈值分析示意图。
图4本发明中蓝藻水华面积与会商结果散点图。
图5本发明中蓝藻水华单日监测结果案例。
图6本发明中蓝藻水华频次分析结果案例。
图7本发明中蓝藻水华颜色识别结果案例。
具体实施方式
本发明提出了一种湖泊蓝藻水华及其颜色识别检测方法。为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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例仅用以解释本发明，并不用于限定本发明。
卫星影像不同波段的组合可以使蓝藻水华及其周边水体呈现不同的颜色，例如在RGB真彩色下蓝藻呈现黄绿色，在SWIR/NIR/Red下则呈现明亮的绿色，可以更轻松的和其它地物类型做区分，因此基于sentinel-2MSI的B11(1613nm)-B8(833nm)-B2(442nm)波段组合构建FUI水色指数，然后通过色调角α构建决策树来识别蓝藻水华。最后结合地面样本的实测光谱数据，以sentinel-2MSI的B4(665nm)-B3(559nm)-B2(442nm)波段组合再次构建FUI颜色指数对蓝藻水华颜色进行表征、分级与识别
在一些需要大规模卫星遥感数据处理的环境监测场景中，专题云平台的表现会更好，可在线调取各种数据集，避免了传统的数据下载和预处理工作，特别适用于长时间序列、大规模的遥感应用。因此，基于对内陆富营养化湖泊蓝藻水华长期监测的迫切需求，以及云计算技术的最新发展，本发明结合利用了FUI颜色指数和Sentinel-2MSI高空间分辨率多光谱卫星数据，提出了一种检测方法，以实现内陆水体，特别是小面积水体的蓝藻水华及其颜色监测。
Sentinel-2是高分辨率多光谱成像卫星，Sentinel-2卫星携带一枚多光谱仪器(MSI)，可覆盖13个光谱波段。基于Sentinel-2卫星携带的MSI多光谱成像载荷兼具了空间分辨率高(10m)、重访周期短(优于5d)、谱段丰富(可见光、近红外到短波红外13个光谱波段)三方面优势，为蓝藻水华监测提供了很好的数据源。
一种湖泊蓝藻水华检测方法，结合图1-图7所示，其具体的检测方法包括如下步骤：
S1、获得数据，通过卫星获得经过辐射定标和大气校正的待检测的大气底层反射率数据；使用了Multispectral Instrument,Level-2A产品，L2A级数据产品提供了经过辐射定标和大气校正的大气底层反射率数据(Bottom-of-Atmosphere correctedreflectance)，空间分辨率为10m，重访周期可达5天以内。
S2、数据处理，对S1中的数据进行陆地像素处理、云像素处理，云、水体和蓝藻水华分离，并开展蓝藻水华分级，以及研究区内蓝藻水华长时间序列和暴发频次空间分析。
所述数据处理包括如下步骤：
S21、基于改进归一化水体指数(Modified Normalized Difference WaterIndex，MNDWI)对研究区水体边界进行矢量提取，再将该矢量做向内缓冲20m，从而避免水陆交界混合像元的影响。MNDWI公式为：
MNDWI＝(Rrs(green)-Rrs(swir))/(Rrs(green)+Rrs(swir))(1)
式中，Rrs(green)、Rrs(swir)分别为绿、短波红外波段的反射率，对应sentinel-2的B3(560nm)和B11(1613nm)。
S22、采用单波段阈值Rrs(664nm)>0.2作为云掩模，从而过滤掉大多数的云层干扰，但该方法很难对薄云和阴影有效，而薄云和阴影很容易造成蓝藻水华提取的“假阳性”，因此，创建Index1、Index2和Index3三个指数用于剔除薄云和阴影造成的“假阳性”结果，公式如下：
Index1＝(Rrs(green)-Rrs(blue))/(Rrs(green)+Rrs(blue))(2)
Index2＝(Rrs(rede)-Rrs(red))/(Rrs(rede)+Rrs(red))(3)
Index3＝(Rrs(green)-Rrs(red))/(Rrs(green)+Rrs(red))(4)
式中Rrs(blue)、Rrs(green)、Rrs(red)和Rrs(rede)分别为蓝、绿、红和红边波段的反射率，对应sentinel-2的B1(442nm)、B3(559nm)、B4(665nm)和B5(704nm)；当同时满足Index1(>0.1)、Index2(>0.15)、Index3(>0.13)的阈值时，才能判定为蓝藻水华。
S23、经陆地和云掩膜处理后的水面反射率数据仍会出现异常高值和低值，这可能是大气校正方法的残留误差，因此使用了几个阈值，即(Rrs(green)>0.02和所有可见波段反射率<0.5来排除这些像素。此外，使用一种浊度指数TI来屏蔽高浊度水体，公式为TI＝(Rrs(red)-Rrs(green)-(Rrs(nir)-Rrs(green)×0.5)，Rrs(green)、Rrs(red)和Rrs(nir)分别对应sentinel-2的B3(559nm)、B4(665nm)和B8(833nm)，由于高浊度在红色波段的反射率高于其它两个波段，因此将阈值定为TI>0。
S24、CIE 1931XYZ颜色空间是由国际照明委员会(CIE)于1931年制定的，其定义基于数学原理。三刺激值X、Y和Z表示人眼所感知到的颜色整体印象，从理论上讲，颜色参数是从卫星图像的三个可见波段(红色、绿色和蓝色)计算到CIE颜色空间中的。该比色系统旨在模拟人眼感知的X、Y、Z三刺激值的综合效果，从RGB到X、Y、Z的变换可以表示为：
X＝2.7689×R+1.7517×G+1.1302×B
Y＝1.0000×R+4.5907×G+0.0601×B
Z＝0.0000×R+0.0565×G+5.5934×B(5)
使用sentinel-2MSI的B11(1613nm)-B8(833nm)-B2(442nm)波段组合分别分配给B、G和R通道，然后，通过将X、Y和Z归一化到0到1之间计算出CIE色度坐标(x，y)。由于x+y+z＝1，指定的颜色可以通过x和y的两个值确定，因此可以使用CIE-xy色度图表示可见光范围内的所有颜色，CIE色度坐标x,y,z是通过式(5)计算得到的归一化三刺激值：
最后，可以计算出表示上行辐射光谱任意一对坐标(x’,y’)的色调角α：
其中ARCTAN2是一个四象限反正切函数，它允许α的范围从-180°到180°，加180°使其范围转换为0°到360°，色调角α的增加表示颜色从蓝色转向红色。
S25、为确定蓝藻水华色调角α的阈值，本实施例中设了460个水华样点进行筛选统计，其中太湖和滆湖254个，巢湖104个，呼伦湖102个。此外，为去除水生植物对蓝藻水华提取的干扰，在太湖东部水生植物生长区设了129个水生植物样点，用以统计水生植物色调角α的特征。
首先采用单波段阈值Rrs(664nm)>0.2作为云掩模进行去云处理，在此基础上对2019年1月-2023年3月的sentinel-2MSI遥感影像进行样点色调角α和FAI(Floating AlgaeIndex，FAI)值提取，当FAI>0.04时判定为水华或者水生植物，认为该样本的色调角α属于水华或者水生植物特征值。sentinel-2的FAI公式如下：
FAI＝Rrs(nir)-R′rs(nir)
式中，Rrs(red)、Rrs(nir)、Rrs(swir)分别为红、近红和短波红外波段的反射率，对应sentinel-2的B4(664nm)、B8(833nm)和B11(1613nm)。经数据筛选后，得到4214个水华样本和6149个水生植物样本，并对两组样本色调角α进行直方图统计。
水生植物和水华样本色调角α的直方图分布有所区分，根据其分布结果，将175°≤α<208°判定为水生植物的色调角α分布区间，将其归类于云与其它；104°<α<175°判定为蓝藻水华色调角α分布区间，将其归类于水华；色调角α的其它值归类为水体，并由此构建了蓝藻水华FUI值提取阈值与规则。
S26、通过读取sentinel-2数据的时间属性，将同一天的数据进行自动合并，基于每次卫星过境影像计算的分类结果，分别统计云、水体与其它、水华的面积，由此得到研究区蓝藻水华的逐日面积，并在此基础上得到的逐月、逐年平均面积。
S27、通过每次得到的云、水体与其它、水华分类结果，分别对水华、水体与其它做二值化处理，进行年内的逐像元累加，通过空间分布频率指数(SDFI)法，计算研究区不同区域的蓝藻水华暴发空间分布频率差异，计算公式如下：
式中，Ri_bloom为第i日蓝藻水华二值图中水华栅格值，Ri_watir为第i日水体二值图中水体栅格值，最终得到以像素为单位的年度水华出现频率，并实现结果的可视化。
为了更进一步的提高检测的准确度，本发明还提出了有效的结合对蓝藻水华颜色识别的方法，具体包括：
S28、针对sentinel-2MSI遥感影像，R、G、B通道分别为B4(665nm)、B3(559nm)和B2(442nm)，为评价其色调角α的颜色分级是否符合视觉感官，对实测的典型黄色水华样本光谱进行FUI颜色指数的计算。首先使用sentinel-2MSI的光谱响应函数对地面实测光谱数据做如下处理，从而得到sentinel-2MSI对应通道的等效反射率。
式中，Rrs(bandi)为卫星i波段的等效反射率，λ1与λ2为该波段的波段范围，Rrs(λ)为实测的光谱反射率，SRF(λ)为λ波长处的光谱响应率。然后根据公式(5)-(7)，得到4个地面样本的色调角α。多光谱通道计算的色调角α会有-5°至20°的偏移，且色调角偏移Δα并非完全随机，可以使用特定的五阶方程式大致描述不同卫星传感器的情况。对于sentinel-2MSI，可以使用公式(11)进行计算：
Δα＝-61.805a5+257.86a4-300.67a3+40.595a2+65.296a-9.3398 (11)
式中，a为色调角α经调整至0°到360°后，再除以100。加上Δα即为sentinel-2MSI校正后的色调角α。FUI指数查找表定为下表所示：
将4个地面样本的光谱数据计算为sentinel-2MSI校正色调角α后，1#、2#、3#和4#的校正色调角α分别为208.78°、208.57°、162.83°和193.74°，对应的FUI颜色指数级别分别为lv15、lv15、lv8和lv10，与视觉感官符合。因此，将上述颜色分级流程与标准应用到程序中，从而实现以蓝藻水华自动提取为基础的、针对蓝藻水华颜色识别与其生长状况的评估，并实现结果的可视化。
为验证本发明所述方法的准确性，以下进行相关的数据比对。
结合图7所示，江苏省环境监测中心每日基于MODIS数据，使用NDVI和人工修正进行太湖蓝藻水华监测，经与气象部门会商后，会统一发布一个太湖每日蓝藻水华发生面积，将本发明中提取的蓝藻水华面积与该发布结果做比较，用以评价本研究方法的准确性。2019-2022年的结果表明，本发明的蓝藻水华提取面积与江苏省环境监测中心发布结果具有较好的一致性，决定系数(R2)达到0.8066，均方根误差(Root Mean Square Error,RMSE)为38.86km2。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (9)
1.一种湖泊蓝藻水华检测方法，其特征在于，包括如下步骤：
S1、获得数据，通过卫星获得经过辐射定标和大气校正的待检测区域的大气底层反射率数据；
S2、数据处理，对S1中的数据进行陆地像素处理、云像素处理，通过云、水体和蓝藻水华分离，进行蓝藻水华识别；
S3、对蓝藻水华进行频率分析以及颜色识别。
2.根据权利要求1所述的一种湖泊蓝藻水华检测方法，其特征在于，所述卫星为Sentinel-2卫星。
3.根据权利要求2所述的一种湖泊蓝藻水华检测方法，其特征在于，所述S2中陆地像素处理包括如下步骤：
S21、基于改进归一化水体指数对待检测区域水体边界进行矢量提取，并将该矢量做向内缓冲20m以避免水陆交界混合像元的影响，所述改进归一化水体指数的公式为：
MNDWI＝(Rrs(green)-Rrs(swir))/(Rrs(green)+Rrs(swir)) (1)
式中，Rrs(green)、Rrs(swir)分别为绿、短波红外波段的反射率，对应sentinel-2的B3(560nm)和B11(1613nm)。
4.根据权利要求3所述的一种湖泊蓝藻水华检测方法，其特征在于，所述S2中云像素处理包括如下步骤：
S22、采用单波段阈值Rrs(664nm)＞0.2作为云掩模进行云层干扰的过滤。
5.根据权利要求4所述的一种湖泊蓝藻水华检测方法，其特征在于，所述S2中云像素处理还包括如下步骤：
S23、创建Index1、Index2和Index3三个指数用于剔除薄云和阴影造成的“假阳性”结果，公式如下：
Index1＝(Rrs(green)-Rrs(blue))/(Rrs(green)+Rrs(blue)) (2)
Index2＝(Rrs(rede)-Rrs(red))/(Rrs(rede)+Rrs(red)) (3)
Index3＝(Rrs(green)-Rrs(red))/(Rrs(green)+Rrs(red)) (4)
式中Rrs(blue)、Rrs(green)、Rrs(red)和Rrs(rede)分别为蓝、绿、红和红边波段的反射率，对应sentinel-2的B1(442nm)、B3(559nm)、B4(665nm)和B5(704nm)；当同时满足Index1(＞0.1)、Index2(＞0.15)、Index3(＞0.13)的阈值时，才能判定为蓝藻水华。
6.根据权利要求5所述的一种湖泊蓝藻水华检测方法，其特征在于，所述S2数据处理中还包括，
S24、利用浊度指数TI屏蔽高浊度水体进一步达到云、水体和蓝藻水华分离，所述浊度指数TI的公式为
TI＝(Rrs(red)-Rrs(green)-(Rrs(nir)-Rrs(green)×0.5)，
Rrs(green)、Rrs(red)和Rrs(nir)分别对应sentinel-2的B3(559nm)、B4(665nm)和B8(833nm)，TI阈值为TI＞0。
7.根据权利要求6所述的一种湖泊蓝藻水华检测方法，其特征在于，所述S2中还包括对蓝藻进行识别处理，通过利用CIE 1931-XY Z颜色空间系统及水生植物和水华样本色调角a的直方图分布结果将179°≤a＜208°判定为水生植物的色调角a分布区间，将其归类于云与其它；104°＜a＜179°判定为蓝藻水华色调角a分布区间，将其归类于水华；色调角a的其它值归类为水体；
具体包括如下步骤，
S25、利用CIE 1931-XYZ颜色空间系统，使用sentinel-2 MSI的B11(1613nm)-B8(833nm)-B2(442nm)波段组合分别分配给B、G和R通道，然后，通过将X、Y和Z归一化到0到1之间计算出CIE色度坐标(x，y)，其中，从RGB到X、Y、Z的变换可以表示为：
X＝2.7689×R+1.7517×G+1.1302×B
y＝1.0000×R+4.5907×G+0.0601×B
Z＝0.0000×R+0.0565×G+5.5934×B (5)
CIE色度坐标x，y，z是通过式(5)计算得到的归一化三刺激值：
最后，计算出表示上行辐射光谱任意一对坐标(x’，y’)的色调角a：
其中ARCTAN2是一个四象限反正切函数，它允许α的范围从-180°到180°，加180°使其范围转换为0°到360°，色调角a的增加表示颜色从蓝色转向红色：
S26、设定水华样点记性筛选统计，并在样点中设定水生植物样点，以统计水生植物色调角a的特征；
S261、采用单波段阈值Rrs(664nm)＞0.2作为云掩模进行去云处理，在此基础上对选取时间范围内的sentinel-2 MSI遥感影像进行样点色调角a和FAI值提取，当FAI＞0.04时判定为水华或者水生植物，认为该样本的色调角a属于水华或者水生植物特征值；
所述sentinel-2的FAI公式如下：
FAI＝Rrs(nir)-R′rs(nir)
式中，Rrs(red)、Rrs(nir)、Rrs(swir)分别为红、近红和短波红外波段的反射率，对应sentinel-2的B4(664nm)、B8(833nm)和B11(1613nm)；
S262、经数据筛选后，根据得到的水华样本和水生植物样本，对两组样本色调角a进行直方图统计。
8.根据权利要求7所述的一种湖泊蓝藻水华检测方法，其特征在于，所述S3中蓝藻水华频率分析包括如下步骤：
S31、通过获取sentinel-2数据的时间属性，将同一天的数据进行自动合并，基于每次卫星过境影像计算的云、水体与其它、水华分类结果，分别进行面积，由此得到研究区蓝藻水华的逐日面积，并在此基础上得到的逐月、逐年平均面积；
S32、通过每次得到的云、水体与其它、水华分类结果，分别对水华、水体与其它做二值化处理，进行年内的逐像元累加，通过空间分布频率指数法，计算研究区不同区域的蓝藻水华暴发空间分布频率差异，计算公式如下：
式中，Ri_bloom为第i日蓝藻水华二值图中水华栅格值，Ri_water为第i日水体二值图中水体栅格值，最终得到以像素为单位的年度水华出现频率；
所述S3中蓝藻水华颜色识别包括如下步骤：
S33、针对sentinel-2 MSI遥感影像，R、G、B通道分别为B4(665nm)、B3(559nm)和B2(442nm)，为评价其色调角a的颜色分级是否符合视觉感官，对实测的典型黄色水华样本光谱进行FUI颜色指数的计算；
S331、首先使用sentinel-2 MSI的光谱响应函数对地面实测光谱数据做如下处理，从而得到sentinel-2 MSI对应通道的等效反射率；
式中，Rrs(bandi)为卫星i波段的等效反射率，λ1与λ2为该波段的波段范围，Rrs(λ)为实测的光谱反射率，SRF(λ)为λ波长处的光谱响应率；
S332、根据公式(5)-(7)，得到4个地面样本的色调角a，多光谱通道计算的色调角a会有-5°至20°的偏移，且色调角偏移Aα并非完全随机，使用五阶方程式用于描述不同卫星传感器的情况；
对于sentinel-2 MSI，使用公式(11)进行计算：
Δα＝-61.805a5+257.86a4-300.67a3+40.595a2+65.296a-9.3398 (11)
式中，a为色调角a经调整至0°到360°后，再除以100，加上Δα即为sentinel-2 MSI校正后的色调角a。
9.根据权利要求8所述的一种湖泊蓝藻水华检测方法，其特征在于，所述S3中校正后的色调角a对应的FUI等级对应下表所示：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310587466.5A CN117115077B (zh) | 2023-05-24 | 2023-05-24 | 一种湖泊蓝藻水华检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310587466.5A CN117115077B (zh) | 2023-05-24 | 2023-05-24 | 一种湖泊蓝藻水华检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117115077A true CN117115077A (zh) | 2023-11-24 |
| CN117115077B CN117115077B (zh) | 2024-07-05 |
Family
ID=88809907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310587466.5A Active CN117115077B (zh) | 2023-05-24 | 2023-05-24 | 一种湖泊蓝藻水华检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117115077B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117590397A (zh) * | 2024-01-18 | 2024-02-23 | 北京香田智能科技有限公司 | 基于sar影像的海岸带变化检测方法和电子设备 |
| CN117745754A (zh) * | 2023-12-18 | 2024-03-22 | 中国科学院空天信息创新研究院 | 一种蓝藻水华自动化监测方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112179854A (zh) * | 2020-09-30 | 2021-01-05 | 中国科学院南京地理与湖泊研究所 | 基于p-fui水色指数的富营养化湖泊蓝藻水华遥感监测方法 |
| US20210293770A1 (en) * | 2017-06-19 | 2021-09-23 | Nanjing Institute Of Geography & Limnology. Chinese Academy Of Sciences | Stereoscopic monitoring and data mining system and method for harmful lake cyanobacteria bloom |
| CN114563378A (zh) * | 2022-03-03 | 2022-05-31 | 生态环境部卫星环境应用中心 | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 |
-
2023
- 2023-05-24 CN CN202310587466.5A patent/CN117115077B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210293770A1 (en) * | 2017-06-19 | 2021-09-23 | Nanjing Institute Of Geography & Limnology. Chinese Academy Of Sciences | Stereoscopic monitoring and data mining system and method for harmful lake cyanobacteria bloom |
| CN112179854A (zh) * | 2020-09-30 | 2021-01-05 | 中国科学院南京地理与湖泊研究所 | 基于p-fui水色指数的富营养化湖泊蓝藻水华遥感监测方法 |
| CN114563378A (zh) * | 2022-03-03 | 2022-05-31 | 生态环境部卫星环境应用中心 | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117745754A (zh) * | 2023-12-18 | 2024-03-22 | 中国科学院空天信息创新研究院 | 一种蓝藻水华自动化监测方法和系统 |
| CN117590397A (zh) * | 2024-01-18 | 2024-02-23 | 北京香田智能科技有限公司 | 基于sar影像的海岸带变化检测方法和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117115077B (zh) | 2024-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117115077B (zh) | 一种湖泊蓝藻水华检测方法 | |
| CN109581372B (zh) | 一种生态环境遥感监测方法 | |
| Elvidge et al. | Relative radiometric normalization of Landsat Multispectral Scanner (MSS) data using an automatic scattergram-controlled regression | |
| CN109781626B (zh) | 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法 | |
| CN112232234B (zh) | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 | |
| CN110987955B (zh) | 一种基于决策树的城市黑臭水体分级方法 | |
| WO2022252242A1 (zh) | 一种基于多光谱图像的水污染区域识别方法和系统 | |
| CN109635765B (zh) | 一种浅海珊瑚礁遥感信息自动提取方法 | |
| KR102461468B1 (ko) | 다분광 영상을 이용한 원격 적조 탐지방법 및 그 시스템 | |
| CN112329790B (zh) | 一种城市不透水面信息快速提取方法 | |
| CN114266958A (zh) | 一种基于云平台的红树林遥感快速精准提取方法 | |
| CN117111092A (zh) | 一种基于机器学习的高空间分辨率遥感水质检测方法 | |
| CN115908864A (zh) | 一种基于modis影像的海水色度角提取方法及水色状况遥感分类方法 | |
| CN113298086A (zh) | 基于U-Net网络的赤潮多光谱检测方法 | |
| CN114067222B (zh) | 一种城市水体遥感分类方法及装置 | |
| Ainsworth et al. | Radiance spectra classification from the ocean color and temperature scanner on ADEOS | |
| CN114724035A (zh) | 一种基于遥感技术的早期水华检测方法 | |
| Motonaga et al. | A method of making digital fruit color charts for cultivation management and quality control | |
| CN117218531B (zh) | 一种面向海陆生态交错带红树林植物地上碳储量估算方法 | |
| Juniansah et al. | Mangrove leaf area index estimation using sentinel 2A imagery in Teluk Ratai, Pesawaran Lampung | |
| CN116189005A (zh) | 基于Landsat影像的富营养化湖泊水生植被和藻华自动提取方法 | |
| CN112964643A (zh) | 一种遥感影像可见光波段地形落影校正方法 | |
| CN114998724B (zh) | 一种抗云层干扰的湖泊蓝藻水华遥感监测方法 | |
| CN115358695A (zh) | 基于高光谱遥感的农村面源黑臭水体监测技术 | |
| CN114119618A (zh) | 一种基于深度学习的内陆盐湖卤虫条带遥感提取方法 |
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 |