CN117172411A - 一种全天候蓝藻水华实时自动判识预警方法及系统 - Google Patents
一种全天候蓝藻水华实时自动判识预警方法及系统 Download PDFInfo
- Publication number
- CN117172411A CN117172411A CN202311143810.8A CN202311143810A CN117172411A CN 117172411 A CN117172411 A CN 117172411A CN 202311143810 A CN202311143810 A CN 202311143810A CN 117172411 A CN117172411 A CN 117172411A
- Authority
- CN
- China
- Prior art keywords
- early warning
- bloom
- real
- weather
- data
- 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
- 241000192700 Cyanobacteria Species 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 66
- 238000012544 monitoring process Methods 0.000 claims abstract description 58
- 241000195493 Cryptophyta Species 0.000 claims abstract description 52
- 238000011161 development Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000002310 reflectometry Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003908 quality control method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 239000002352 surface water Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 239000003651 drinking water Substances 0.000 abstract description 3
- 235000020188 drinking water Nutrition 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 abstract description 3
- 238000011269 treatment regimen Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 5
- 239000000443 aerosol Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 241000192710 Microcystis aeruginosa Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及蓝藻水华监测技术领域，具体为一种全天候蓝藻水华实时自动判识预警方法及系统。综合应用高时间分辨率的静止卫星、实时湖面视频监控、气象和水质监测等观测数据，采用多光谱遥感和深度学习等技术方法快速提取蓝藻实时信息和前置预警信息，通过卫星遥感、视频监控、物联网等信息系统相互融合集成的空、天、地一体化信息平台，实现全天候、准实时、全自动预警预测蓝藻水华的发生发展，为制定蓝藻水华早预警、早防控和早处置策略，确保城市饮用水安全提供关键的数据支撑。
Description
技术领域
本发明涉及蓝藻水华监测技术领域，具体为一种全天候蓝藻水华实时自动判识预警方法及系统。
背景技术
近几十年来，在气候变化和人类活动的共同影响下，内陆湖泊蓝藻水华呈现增多趋重的态势，已经成为全球广泛关注的生态环境问题。因此，及时预警预测蓝藻水华的发生发展，对于早防控和早处置蓝藻水华污染，确保城市饮用水安全十分重要且非常必要。已有各种蓝藻水华相关的监测手段和技术方法，包括卫星遥感、实景监控、气象和水质监测等，但以上方法均存在不同程度的缺陷，如卫星遥感在阴雨天气不能观测到水面情况，实景监控、气象和水质监测由于站点少，难以捕捉大面积湖泊的整体状况，因此，仅靠这些单一的监测手段和技术方法，尚难以有效、实时监测蓝藻水华的动态。而且，目前尚没有一种能综合应用各种监测数据来自动判识蓝藻信息和预警预测蓝藻水华发生发展的技术方法应用于实际的业务服务中。
中国发明专利CN114088907A公开了一种水、陆、空一体化的浅水湖泊蓝藻水华监测及预警系统，包括监测系统和预警系统，所述监测系统包括监测设备、监测数据存储服务器、监测信息浏览客户端和检测信息；所述监测系统费还提供了监测数据校正的功能，根据现实湖泊水华发生情况对监测信息进行校准，监测设备包括水质、水位、气象以及多光谱摄像机；监测信息浏览客户端包括水质、水位、气象数据浏览模块和多光谱影像浏览客户端，所述预警系统包括数据处理模块管理器、预警结果存储服务器和预警信息浏览管理器，数据处理模块管理器包括事件管理模块、影像处理器、水质、水位和气象数据处理器；所述预警信息浏览管理模块包络预警信息分级处理模块、预警信息展示模块和预警信息管理模块；所述预警信息分级处理模块包括一级预警、二级预警、三级预警，根据实际湖泊所设置的阈值来划分预警等级，所述监测系统将水、陆、空监测信息存储进服务器中，监测数据存储服务器与预警系统相连接，将监测信息传输数据处理模块管理器中进行数据处理，得到蓝藻水华预报信息，预报信息存储至所述结果存储器，所述存储器与预警信息浏览管理模块相连接，通过预警信息浏览管理模块将预警信息分级处理并发送。
上述对比文件存在以下缺点：(1)与静止卫星相比，该专利所采用的多光谱摄像机拍摄范围有限，成像不连续，监测蓝藻水华的时效性不强，无法准实时连续动态获取大范围湖泊蓝藻水华信息，且获取影像的成本也较高；(2)该专利提及的蓝藻水华等级阈值和预警分级指标，只停留在概念阶段，没有定量化的指标描述，可操作性不强。
发明内容
本发明需要解决的技术问题是提供一种全天候全自动的蓝藻水华判识预警方法及系统。
为此，本发明的一种全天候蓝藻水华实时自动判识预警方法，包括以下步骤，
S1：从静止气象卫星观测的影像数据中提取蓝藻水华信息，自动生成蓝藻水华卫星遥感预警信息；
S2：采用深度学习方法CenterNet从水面实时监控视频照片中提取蓝藻水华信息，形成蓝藻水华实景监控预警信息；
S3：利用水面和周围自动气象站观测数据和未来若干天格点数值预报资料，根据适宜蓝藻水华发生发展的综合气象指标，判识蓝藻水华形成的有利或不利气象条件，自动生成蓝藻水华气象预警信息；
S4：利用湖面水质观测数据，根据蓝藻水华发生发展的综合水质参数指标提取蓝藻水华水质预警信息。
优选的，所述步骤S1具体包括以下步骤，
S11：预处理，对静止气象卫星每10-15分钟观测到的影像数据进行预处理，包括投影、裁切、几何精校正、陆地掩膜和去云处理；
S12：大气校正处理，对预处理后的卫星图像，采用6S辐射传输模型进行大气效应订正处理；
S13：角度订正处理，对上一步处理后的卫星影像，采用半经验核驱动双向反射分布函数BRDF模型进行角度效应订正处理；
S14：蓝藻信息提取，对上一步处理后的卫星图像，计算每幅卫星影像的归一化植被指数NDVI值，公式如下：
NDVI＝(ρnir-ρred)/(ρnir+ρred) (1)
其中ρnir表示卫星近红外波段的反射率，ρred表示红光波段的反射率；用计算的NDVI值与判识蓝藻水华的NDVI阈值比较确定蓝藻信息；
S15：蓝藻水华面积计算，根据上一步骤提取蓝藻水华信息后，计算卫星遥感蓝藻水华面积，公式如下：
式中：S为蓝藻水华影响总面积，单位为平方千米，n为被蓝藻水华影响的像元总数，i为被蓝藻水华影响的像元序号，ΔSi为第i个蓝藻水华像元面积，单位为平方千米；
S16：生成蓝藻水华卫星遥感预警信息，根据上一步骤计算的蓝藻水华面积，对照卫星遥感蓝藻水华等级指标，生成蓝藻水华卫星遥感预警信息。
优选的，所述步骤S14中判识蓝藻水华的NDVI阈值通过以下方法确定，首先对所有卫星影像的RGB图像进行目视分析，然后人工确定蓝藻和水体的边界，将所有相应的NDVI图像中沿这些边界的所有像元的平均NDVI值作为判识蓝藻水华的阈值。
优选的，所述步骤S2具体包括以下步骤，
步骤S21：数据预处理，从水面实景监控数据中读取一张图像，并经过CenterNet的数据增强之后输送到backbone中，作为网络的输入；
步骤S22：特征提取，利用backbone对输入图像进行特征提取，PoseResNet网络结构包括ResNet101、反卷积模块、三个分支卷积模块；图像首先经过ResNet101进行特征提取，得到特征图；然后将特征图送入到反卷积模块，经过三次上采样恢复特征图尺寸，得到恢复尺寸的特征图；最后将恢复尺寸的特征图分别输入到三个分支卷积模块中进行预测，得到预测的热力图、宽高特征图以及中心点偏移量特征图；
步骤S23：后处理，对上一步骤得到的三张特征图进行解码从而得到预测的目标物体的中心点坐标、物体的分类信息、目标物体检测框的宽和高、目标物体中心点坐标的偏移量；通过将预测信息进行整合，即可得到模型最终的预测结果；
步骤S24：形成蓝藻水华实景监控预警信息，根据上述步骤从实时监控视频照片中提取的蓝藻水华信息，形成蓝藻水华实景监控预警信息。
优选的，所述步骤S21中CenterNet的数据增强方式是仿射变换，通过在图像中指定一个裁剪中心点以及裁剪长度，并根据中心点及裁剪长度将对应的图像区域裁剪出来，并且利用长边缩放短边补0的方式将图像调整到512×512尺寸，然后输入到backbone中。
优选的，所述步骤S3具体包括以下步骤，
步骤S31：质量控制，对在线采集的自动气象站数据和数值预报模式资料进行质量控制；
步骤S32：气象预警指标判识，根据蓝藻水华预警气象指标，判识气象条件是否进入预警区间，并给出相应等级；
步骤S33：生成蓝藻水华气象预警等级信息，根据上一步骤中气象条件判识结果，生成蓝藻水华气象预警等级信息。
优选的，所述步骤S32中蓝藻水华预警气象指标包括气温、风向风速等。
优选的，所述步骤S4具体包括以下步骤，
步骤S41：质量控制，对在线采集的水质观测数据进行质量控制；
步骤S42：水质预警指标判识，根据基于藻密度的蓝藻水华程度分级标准，判识水质观测数据是否进入预警区间，并给出相应等级；
步骤S43：生成蓝藻水华水质预警等级信息，根据上一步骤中水质预警判识结果，生成蓝藻水华水质预警等级信息。
本发明还包括一种全天候蓝藻水华实时自动判识预警系统，包括监测信息在线采集展示模块、遥感图像实时预警模块、实景图像实时预警模块、气象数据实时预警模块和水质实时预警模块，其中，
监测信息在线采集展示模块，用于在线采集卫星数据、实景监控视频数据、气象数据、水质数据；
遥感图像实时预警模块，用于显示出报警位置、蓝藻水华是否存在和蓝藻面积等预警信息；
实景图像实时预警模块，用于重点显示出站点数据的蓝藻水华现象并在红色滚动条内实时预警；
气象数据实时预警模块，用于采集气象大数据云平台的气象数据并在线显示出不同站点的预警详情；
水质实时预警模块，用于展示出不同站点的预警详情及水质预警等级。
本发明的一种全天候蓝藻水华实时自动判识预警方法及系统，综合应用高时间分辨率的静止卫星、实时湖面视频监控、气象和水质监测等观测数据，采用多光谱遥感和深度学习等技术方法快速提取蓝藻实时信息和前置预警信息，通过卫星遥感、视频监控、物联网等信息系统相互融合集成的空、天、地一体化信息平台，实现全天候、准实时、全自动预警预测蓝藻水华的发生发展，为制定蓝藻水华早预警、早防控和早处置策略，确保城市饮用水安全提供关键的数据支撑。
附图说明
图1为本发明一种全天候蓝藻水华实时自动判识预警系统的架构示意图；
图2为本发明CenterNet网络结构图；
图3为本发明一种全天候蓝藻水华实时自动判识预警方法的流程示意图；
图4为本发明蓝藻水华预警系统主界面示意图；
图5为本发明遥感图像实时预警界面示意图；
图6为本发明实景图像实时预警界面示意图；
图7为本发明气象数据实时预警界面示意图；
图8为本发明水质实时预警界面示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
下面结合附图描述本发明的实施例。
实施例：
如图1和图3所示，本发明提供的本发明的一种全天候蓝藻水华实时自动判识预警方法，包括以下步骤，
S1：从静止气象卫星观测的影像数据中提取蓝藻水华信息，自动生成蓝藻水华卫星遥感预警信息。具体包括以下步骤，
S11：预处理，对静止气象卫星每10-15分钟观测到的影像数据进行预处理，包括投影、裁切、几何精校正、陆地掩膜和去云处理。
S12：大气校正处理，对预处理后的卫星图像，采用6S辐射传输模型进行大气效应订正处理，消除大气分子散射、气溶胶散射和太阳反射对水面反射率的影响。通过6S模型构建大气校正查找表(LUT)，以提高计算效率和大气订正的准确性。查找表的输入由8个大陆型吸收气溶胶组成，光学厚度为0.05，0.1，0.2，0.4，0.8，1.2，1.6和2.0，13个太阳天顶角范围从0到80°，间隔为6°，13个卫星天顶角范围从0到80°，间隔为6°，11个相对方位角从0到180°，间隔为18°。此外，查找表的输出包括大气分子，臭氧，水蒸气，上行和下行辐射的透过率，以及TOA处气溶胶的反射率。在该算法中，查找表用于获取订正公式中的各种参数，以及太阳和卫星角度。辐射传输计算中使用了美国标准的温度、水蒸气和臭氧的大气廓线。气溶胶光学厚度AOD来源于AGRI波段，并使用Angstrom指数公式从500nm的光学厚度转换为550nm的光学厚度。
S13：角度订正处理，对上一步处理后的卫星影像，采用半经验核驱动双向反射分布函数BRDF模型进行角度效应订正处理，减小太阳天顶角、卫星天顶角、相对方位角等角度对反射率的影响，提高水面遥感反演精度。
S14：蓝藻信息提取，对上一步处理后的卫星图像，计算每幅卫星影像的归一化植被指数NDVI值，公式如下：
NDVI＝(ρnir-ρred)/(ρnir+ρred) (1)
其中ρnir表示卫星近红外波段的反射率，ρred表示红光波段的反射率；用计算的NDVI值与判识蓝藻水华的NDVI阈值比较确定蓝藻信息。本实施方式中判识蓝藻水华的NDVI阈值通过以下方法确定，首先对所有卫星影像的RGB图像进行目视分析，然后人工确定蓝藻和水体的边界，将所有相应的NDVI图像中沿这些边界的所有像元的平均NDVI值作为判识蓝藻水华的阈值。采用常用的人机交互与统计结果相结合的方法确定NDVI的阈值为-0.0112。
S15：蓝藻水华面积计算，根据上一步骤提取蓝藻水华信息后，计算卫星遥感蓝藻水华面积，公式如下：
式中：S为蓝藻水华影响总面积，单位为平方千米，n为被蓝藻水华影响的像元总数，i为被蓝藻水华影响的像元序号，ΔSi为第i个蓝藻水华像元面积，单位为平方千米。
S16：生成蓝藻水华卫星遥感预警信息，根据上一步骤计算的蓝藻水华面积，对照卫星遥感蓝藻水华等级指标(如表1)，生成蓝藻水华卫星遥感预警信息。
表1卫星遥感蓝藻水华等级指标表
S2：采用深度学习方法CenterNet从水面实时监控视频照片中提取蓝藻水华信息，形成蓝藻水华实景监控预警信息。具体包括以下步骤，
步骤S21：数据预处理，从水面实景监控数据中读取一张图像，并经过CenterNet的数据增强之后输送到backbone中，作为网络的输入。CenterNet的数据增强方式主要是仿射变换，通过在图像中指定一个裁剪中心点以及裁剪长度，并根据中心点及裁剪长度将对应的图像区域裁剪出来，并且利用长边缩放短边补0的方式将图像调整到512×512尺寸，然后输入到backbone中。
步骤S22：特征提取，利用backbone对输入图像进行特征提取，PoseResNet网络结构包括ResNet101、反卷积模块、三个分支卷积模块。反卷积模块中主要包含三个上采样块，每个上采样块都包含一个3×3的可变性卷积以及一个反卷积，每次经过反卷积都会使特征图的尺寸放大一倍。三个分支卷积网络主要用来得到预测的三张特征图，分别为热力图、宽高特征图、中心点偏移量特征图。如图2所示，图像首先经过ResNet101进行特征提取，得到尺寸为1×2048×16×16的特征图，然后将特征图送入到反卷积模块，经过三次上采样恢复特征图尺寸，得到尺寸为1×64×128×128的特征图，最后将特征图分别输入到三个分支卷积模块中进行预测，得到预测的热力图、宽高特征图以及中心点偏移量特征图，三张特征图的尺寸分别为1×C×128×128、1×2×128×128、1×2×128×128，C表示类别数。
步骤S23：后处理，对上一步骤得到的三张特征图进行解码从而得到预测的目标物体的中心点坐标、物体的分类信息、目标物体检测框的宽和高、目标物体中心点坐标的偏移量；通过将预测信息进行整合，即可得到模型最终的预测结果。
步骤S24：形成蓝藻水华实景监控预警信息，根据上述步骤从实时监控视频照片中提取的蓝藻水华信息，形成蓝藻水华实景监控预警信息。
S3：利用水面和周围自动气象站观测数据和未来若干天格点数值预报资料，根据适宜蓝藻水华发生发展的综合气象指标，判识蓝藻水华形成的有利或不利气象条件，自动生成蓝藻水华气象预警信息。具体步骤如下：
步骤S31：质量控制，对在线采集的自动气象站数据和数值预报模式资料进行质量控制。
步骤S32：气象预警指标判识，根据蓝藻水华预警气象指标，判识气象条件是否进入预警区间，并给出相应等级(如表2所示)。
表2蓝藻水华预警综合气象指标表
步骤S33：生成蓝藻水华气象预警等级信息，根据上一步骤中气象条件判识结果，生成蓝藻水华气象预警等级信息。
S4：利用湖面水质观测数据，根据蓝藻水华发生发展的综合水质参数指标提取蓝藻水华水质预警信息。具体包括以下步骤，
步骤S41：质量控制，对在线采集的水质观测数据进行质量控制。
步骤S42：水质预警指标判识，根据基于藻密度的蓝藻水华程度分级标准，判识水质观测数据是否进入预警区间，并给出相应等级(如表3所示)。
表3基于藻密度的蓝藻水华等级指标表
步骤S43：生成蓝藻水华水质预警等级信息，根据上一步骤中水质预警判识结果，生成蓝藻水华水质(藻密度)预警等级信息。
如图1所示，如图4所示，本发明还包括一种全天候蓝藻水华实时自动判识预警系统，包括监测信息在线采集展示模块、遥感图像实时预警模块、实景图像实时预警模块、气象数据实时预警模块和水质实时预警模块。其中，如图5-图8的各模块界面图所示，监测信息在线采集展示模块，用于在线采集卫星数据、实景监控视频数据、气象数据、水质数据。遥感图像实时预警模块，用于显示出报警位置、蓝藻水华是否存在和蓝藻面积等预警信息。实景图像实时预警模块，用于重点显示出站点数据的蓝藻水华现象并在红色滚动条内实时预警。气象数据实时预警模块，用于采集气象大数据云平台的气象数据并在线显示出不同站点的预警详情。水质实时预警模块，用于展示出不同站点的预警详情及水质预警等级。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解，在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (9)
1.一种全天候蓝藻水华实时自动判识预警方法，其特征在于，包括以下步骤，
S1：从静止气象卫星观测的影像数据中提取蓝藻水华信息，自动生成蓝藻水华卫星遥感预警信息；
S2：采用深度学习方法CenterNet从水面实时监控视频照片中提取蓝藻水华信息，形成蓝藻水华实景监控预警信息；
S3：利用水面和周围自动气象站观测数据和未来若干天格点数值预报资料，根据适宜蓝藻水华发生发展的综合气象指标，判识蓝藻水华形成的有利或不利气象条件，自动生成蓝藻水华气象预警信息；
S4：利用湖面水质观测数据，根据蓝藻水华发生发展的综合水质参数指标提取蓝藻水华水质预警信息。
2.根据权利要求1所述的一种全天候蓝藻水华实时自动判识预警方法，其特征在于，所述步骤S1具体包括以下步骤，
S11：预处理，对静止气象卫星每10-15分钟观测到的影像数据进行预处理，包括投影、裁切、几何精校正、陆地掩膜和去云处理；
S12：大气校正处理，对预处理后的卫星图像，采用6S辐射传输模型进行大气效应订正处理；
S13：角度订正处理，对上一步处理后的卫星影像，采用半经验核驱动双向反射分布函数BRDF模型进行角度效应订正处理；
S14：蓝藻信息提取，对上一步处理后的卫星图像，计算每幅卫星影像的归一化植被指数NDVI值，公式如下：
NDVI＝(ρnir-ρred)/(ρnir+ρred) (1)
其中ρnir表示卫星近红外波段的反射率，ρred表示红光波段的反射率；用计算的NDVI值与判识蓝藻水华的NDVI阈值比较确定蓝藻信息；
S15：蓝藻水华面积计算，根据上一步骤提取蓝藻水华信息后，计算卫星遥感蓝藻水华面积，公式如下：
式中：S为蓝藻水华影响总面积，单位为平方千米，n为被蓝藻水华影响的像元总数，i为被蓝藻水华影响的像元序号，ΔSi为第i个蓝藻水华像元面积，单位为平方千米；
S16：生成蓝藻水华卫星遥感预警信息，根据上一步骤计算的蓝藻水华面积，对照卫星遥感蓝藻水华等级指标，生成蓝藻水华卫星遥感预警信息。
3.根据权利要求2所述的一种全天候蓝藻水华实时自动判识预警方法，其特征在于，所述步骤S14中判识蓝藻水华的NDVI阈值通过以下方法确定，首先对所有卫星影像的RGB图像进行目视分析，然后人工确定蓝藻和水体的边界，将所有相应的NDVI图像中沿这些边界的所有像元的平均NDVI值作为判识蓝藻水华的阈值。
4.根据权利要求1所述的一种全天候蓝藻水华实时自动判识预警方法，其特征在于，所述步骤S2具体包括以下步骤，
步骤S21：数据预处理，从水面实景监控数据中读取一张图像，并经过CenterNet的数据增强之后输送到backbone中，作为网络的输入；
步骤S22：特征提取，利用backbone对输入图像进行特征提取，PoseResNet网络结构包括ResNet101、反卷积模块、三个分支卷积模块；图像首先经过ResNet101进行特征提取，得到特征图；然后将特征图送入到反卷积模块，经过三次上采样恢复特征图尺寸，得到恢复尺寸的特征图；最后将恢复尺寸的特征图分别输入到三个分支卷积模块中进行预测，得到预测的热力图、宽高特征图以及中心点偏移量特征图；
步骤S23：后处理，对上一步骤得到的三张特征图进行解码从而得到预测的目标物体的中心点坐标、物体的分类信息、目标物体检测框的宽和高、目标物体中心点坐标的偏移量；通过将预测信息进行整合，即可得到模型最终的预测结果；
步骤S24：形成蓝藻水华实景监控预警信息，根据上述步骤从实时监控视频照片中提取的蓝藻水华信息，形成蓝藻水华实景监控预警信息。
5.根据权利要求4所述的一种全天候蓝藻水华实时自动判识预警方法，其特征在于，所述步骤S21中CenterNet的数据增强方式是仿射变换，通过在图像中指定一个裁剪中心点以及裁剪长度，并根据中心点及裁剪长度将对应的图像区域裁剪出来，并且利用长边缩放短边补0的方式将图像调整到512×512尺寸，然后输入到backbone中。
6.根据权利要求1所述的一种全天候蓝藻水华实时自动判识预警方法，其特征在于，所述步骤S3具体包括以下步骤，
步骤S31：质量控制，对在线采集的自动气象站数据和数值预报模式资料进行质量控制；
步骤S32：气象预警指标判识，根据蓝藻水华预警气象指标，判识气象条件是否进入预警区间，并给出相应等级；
步骤S33：生成蓝藻水华气象预警等级信息，根据上一步骤中气象条件判识结果，生成蓝藻水华气象预警等级信息。
7.根据权利要求6所述的一种全天候蓝藻水华实时自动判识预警方法，其特征在于，所述步骤S32中蓝藻水华预警气象指标包括气温、风向风速等。
8.根据权利要求1所述的一种全天候蓝藻水华实时自动判识预警方法，其特征在于，所述步骤S4具体包括以下步骤，
步骤S41：质量控制，对在线采集的水质观测数据进行质量控制；
步骤S42：水质预警指标判识，根据基于藻密度的蓝藻水华程度分级标准，判识水质观测数据是否进入预警区间，并给出相应等级；
步骤S43：生成蓝藻水华水质预警等级信息，根据上一步骤中水质预警判识结果，生成蓝藻水华水质预警等级信息。
9.一种全天候蓝藻水华实时自动判识预警系统，其特征在于，包括监测信息在线采集展示模块、遥感图像实时预警模块、实景图像实时预警模块、气象数据实时预警模块和水质实时预警模块，其中，
监测信息在线采集展示模块，用于在线采集卫星数据、实景监控视频数据、气象数据、水质数据；
遥感图像实时预警模块，用于显示出报警位置、蓝藻水华是否存在和蓝藻面积等预警信息；
实景图像实时预警模块，用于重点显示出站点数据的蓝藻水华现象并在红色滚动条内实时预警；
气象数据实时预警模块，用于采集气象大数据云平台的气象数据并在线显示出不同站点的预警详情；
水质实时预警模块，用于展示出不同站点的预警详情及水质预警等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311143810.8A CN117172411A (zh) | 2023-09-06 | 2023-09-06 | 一种全天候蓝藻水华实时自动判识预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311143810.8A CN117172411A (zh) | 2023-09-06 | 2023-09-06 | 一种全天候蓝藻水华实时自动判识预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117172411A true CN117172411A (zh) | 2023-12-05 |
Family
ID=88940778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311143810.8A Pending CN117172411A (zh) | 2023-09-06 | 2023-09-06 | 一种全天候蓝藻水华实时自动判识预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172411A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118072484A (zh) * | 2024-04-19 | 2024-05-24 | 河北久维电子科技有限公司 | 一种预警处理方法及变电站智能监控系统 |
| CN118212970A (zh) * | 2024-05-16 | 2024-06-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于时序和空间分布的蓝藻预测方法及系统 |
| CN118675112A (zh) * | 2024-08-15 | 2024-09-20 | 浙江恒达仪器仪表股份有限公司 | 一种水生态智能控藻设备及预警系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956222A (zh) * | 2019-12-17 | 2020-04-03 | 大连理工大学 | 用于水下目标检测的检测网络的方法 |
| CN112763429A (zh) * | 2020-12-30 | 2021-05-07 | 济南工程职业技术学院 | 一种蓝藻水华的立体监测方法 |
| CN113221957A (zh) * | 2021-04-17 | 2021-08-06 | 南京航空航天大学 | 一种基于Centernet的雷达信息融合特征增强方法 |
| CN115115940A (zh) * | 2022-08-30 | 2022-09-27 | 中水三立数据技术股份有限公司 | 一种蓝藻水华监测方法及该方法的监测预警系统 |
| CN116664947A (zh) * | 2023-06-14 | 2023-08-29 | 江苏省气候中心 | 一种基于卫星观测数据的蓝藻水华监测方法及系统 |
-
2023
- 2023-09-06 CN CN202311143810.8A patent/CN117172411A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956222A (zh) * | 2019-12-17 | 2020-04-03 | 大连理工大学 | 用于水下目标检测的检测网络的方法 |
| CN112763429A (zh) * | 2020-12-30 | 2021-05-07 | 济南工程职业技术学院 | 一种蓝藻水华的立体监测方法 |
| CN113221957A (zh) * | 2021-04-17 | 2021-08-06 | 南京航空航天大学 | 一种基于Centernet的雷达信息融合特征增强方法 |
| CN115115940A (zh) * | 2022-08-30 | 2022-09-27 | 中水三立数据技术股份有限公司 | 一种蓝藻水华监测方法及该方法的监测预警系统 |
| CN116664947A (zh) * | 2023-06-14 | 2023-08-29 | 江苏省气候中心 | 一种基于卫星观测数据的蓝藻水华监测方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118072484A (zh) * | 2024-04-19 | 2024-05-24 | 河北久维电子科技有限公司 | 一种预警处理方法及变电站智能监控系统 |
| CN118212970A (zh) * | 2024-05-16 | 2024-06-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于时序和空间分布的蓝藻预测方法及系统 |
| CN118675112A (zh) * | 2024-08-15 | 2024-09-20 | 浙江恒达仪器仪表股份有限公司 | 一种水生态智能控藻设备及预警系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117172411A (zh) | 一种全天候蓝藻水华实时自动判识预警方法及系统 | |
| CN112435207B (zh) | 一种基于天空地一体化的森林火灾监测预警方法 | |
| CN108253943B (zh) | 一种基于卫星遥感影像的赤潮浒苔一体化监测方法 | |
| CN109814175B (zh) | 一种基于卫星的强对流监测方法及其应用 | |
| KR101258668B1 (ko) | 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법 | |
| CN110208880B (zh) | 一种基于深度学习和卫星遥感技术的海雾检测方法 | |
| CN114923867B (zh) | 基于fy-3d mersi-ii数据的赤潮监测方法及装置 | |
| CN112270291B (zh) | 一种基于多源光学遥感图像的违法建设用地开发自动检测方法 | |
| CN111638565A (zh) | 一种山区暴雨监测方法 | |
| CN109375290B (zh) | 一种基于机器学习的跨海大桥雾监测系统及其应用方法 | |
| CN113744249B (zh) | 一种海洋生态环境损害调查方法 | |
| CN115452759B (zh) | 一种基于卫星遥感数据的河湖健康指标评价方法及系统 | |
| EP4201050A1 (en) | Method and system for encoding image data representing a geographical line | |
| CN109655583A (zh) | 一种基于卫星遥感的大气环境地面监测站点布控组网方法 | |
| Werkmeister et al. | Comparing satellite-to ground-based automated and manual cloud coverage observations–a case study | |
| CN110334623A (zh) | 一种基于Sentinel-2A卫星遥感影像提取崩岗信息的方法 | |
| KR20240108831A (ko) | 고해상도 다중분광위성센서를 이용한 좁은 수역에서의 유해 조류 2단 조기 경보 시스템 | |
| Guo et al. | Correction of sea surface wind speed based on SAR rainfall grade classification using convolutional neural network | |
| CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
| KR102476565B1 (ko) | Sar 레이더 영상의 통계적 특성을 이용한 호소의 부유성 폐기물 탐지시스템 및 그 방법 | |
| CN111274878A (zh) | 卫星云图分类方法及系统 | |
| CN117612098A (zh) | 输电线路隐患点的检测方法及装置、设备及存储介质 | |
| CN110489505B (zh) | 一种动态阈值法来识别低云大雾的方法 | |
| CN115661675B (zh) | 多云地区地震滑坡遥感识别方法、系统、设备及存储介质 | |
| CN116642840A (zh) | 一种水体污染源无人机高光谱遥感排查方法 |
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 |