CN117233102B - 一种基于大数据分析的水环境监测处理方法和系统 - Google Patents
一种基于大数据分析的水环境监测处理方法和系统 Download PDFInfo
- Publication number
- CN117233102B CN117233102B CN202311515444.4A CN202311515444A CN117233102B CN 117233102 B CN117233102 B CN 117233102B CN 202311515444 A CN202311515444 A CN 202311515444A CN 117233102 B CN117233102 B CN 117233102B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- water body
- sensing reflectivity
- reflectivity
- wave band
- 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 265
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 238000007405 data analysis Methods 0.000 title claims abstract description 21
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000002310 reflectometry Methods 0.000 claims abstract description 160
- 230000011218 segmentation Effects 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 56
- 230000003595 spectral effect Effects 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 abstract description 3
- 238000011282 treatment Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Classifications
-
- 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
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于大数据分析的水环境监测处理方法，所述方法包括：基于遥感图像获取全色波段与多光谱波段，从而得到红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率；构建水环境识别模型，根据水环境识别指数识别出水环境；构建污染水体归一化比值模型；选取一般水体与黑臭水体的光谱信息熵特征和纹理异质性特征，通过计算J‑M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值；基于最佳分割阈值进行污染水体识别监测；本发明方法通过遥感数据获取多光谱波段的反射率，分别构建水环境识别模型和污染水体比值模型，并通过特征关联程度，计算相应特征的最佳分割阈值，准确识别和监测整片水域的水质状况。
Description
技术领域
本发明涉及水环境监测领域，特别是指一种基于大数据分析的水环境监测处理方法和系统。
背景技术
随着社会经济的发展，人类为了获得经济利益而展开的活动使各地的水资源遭受着不同程度的污染，水环境受到破坏，水体中的悬浮物增加、透明度下降，污染严重的水域甚至还会出现发黑的情况。城市水环境治理的前提是准确地获取城市河流的健康状况，进而及时调整治理策略，保障水环境质量健康稳定。
目前，水环境监测的主要方式是通过人工或固定站点采集水体样本，再经过实验室化验分析得到精确的水质参数数据，整个采样方式需要耗费大量的人力物力。此外，孤立的监测点位也无法准确描述整片水域的水质状况，也无法获得水质质量的空间分布态势，难以满足现代城市治理体系的监测需求。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于大数据分析的水环境监测处理方法，通过遥感数据获取多光谱波段的反射率，分别构建水环境识别模型和污染水体比值模型，用于识别水环境和污染水体，并通过特征关联程度，计算相应特征的最佳分割阈值，达到准确识别和监测整片水域的水质状况的效果。
本发明采用的技术方案，
一种基于大数据分析的水环境监测处理方法，所述方法包括：
基于遥感图像获取全色波段与多光谱波段，从而得到红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率；
基于红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率构建水环境识别模型，根据水环境识别指数识别出水环境；
基于一般水体和污染水体样本不同的光谱反射率特征，构建污染水体归一化比值模型；
选取一般水体与黑臭水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值；
基于最佳分割阈值进行污染水体识别监测。
具体地，基于遥感图像获取全色波段与多光谱波段，从而得到红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率，包括：
首先将遥感图像的无量纲的数字化值转换为大气表观反射率值；
通过大气校正将大气表观反射率值转换成地表真实反射率；
将全色波段与多光谱波段进行融合处理，得到红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率。
具体地，基于红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率构建水环境识别模型，具体为：
;
其中为水指数模型，/>为阴影模型，根据/>和/>得到水环境识别模型：
;
式中，取值为l和0，1代表水体，0代表非水体，/>和/>分别设定阈值，/>为绿光波段的遥感反射率，/>为红光波段的遥感反射率，/>为近红外波段的遥感反射率，/>为蓝光波段的遥感反射率，/>为逻辑“与”算符。
具体地，基于一般水体和污染水体样本不同的光谱反射率特征，构建污染水体归一化比值模型；具体为：
;
式中，为分割阈值，一般取值为0.05，当小于等于分割阈值时，为污染水体，否则为一般水体。
具体地，选取一般水体与黑臭水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值，具体所述J-M距离为：
;
为J-M距离，用于分离不同类别，/>为巴氏距离，/>和/>表示两个类别相应特征的均值，/>和/>表示两个类别特征的标准差；其中两个类别分别为一般水体类别和污染水体类别。
具体地，选取一般水体与黑臭水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值，具体计算相应特征的最佳分割阈值具体为：
;
其中，最佳分割阈值，A为两类别相应特征的相比值，/>与/>分别表示两类别样本数量，其中两个类别分别为一般水体类别和污染水体类别。
本发明实施例提供一种基于大数据分析的水环境监测处理系统，所述系统包括：
波段信息获取单元：基于遥感图像获取全色波段与多光谱波段，从而得到红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率；
水环境识别模型构建单元：基于红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率构建水环境识别模型，根据水环境识别指数识别出水环境；
污染水体比值模型构建单元：基于一般水体和污染水体样本不同的光谱反射率特征，构建污染水体归一化比值模型；
最佳分割阈值计算单元：选取一般水体与黑臭水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值；
识别监测单元：基于最佳分割阈值进行污染水体识别监测。
本发明再一方面提供一种电子设备，包括：存储器，处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现一种基于大数据分析的水环境监测处理方法步骤。
本发明又一方面一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现一种基于大数据分析的水环境监测处理方法步骤。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
本发明提供了一种基于大数据分析的水环境监测处理方法，包括：基于遥感图像获取全色波段与多光谱波段，从而得到红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率；基于红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率构建水环境识别模型，根据水环境识别指数识别出水环境；基于一般水体和污染水体样本不同的光谱反射率特征，构建污染水体归一化比值模型；选取一般水体与黑臭水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值；基于最佳分割阈值进行污染水体识别监测；本发明方法通过遥感数据获取多光谱波段的反射率，分别构建水环境识别模型和污染水体比值模型，用于识别水环境和污染水体，并通过特征关联程度，计算相应特征的最佳分割阈值，达到准确识别和监测整片水域的水质状况的效果。
附图说明
图1为本发明实施例提供的一种基于大数据分析的水环境监测处理方法；
图2本发明实施例提供的一种基于大数据分析的水环境监测处理系统框架图；
图3为本发明实施例提供的一种电子设备示意图；
图4为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
本发明提出一种基于大数据分析的水环境监测处理方法，通过遥感数据获取多光谱波段的反射率，分别构建水环境识别模型和污染水体比值模型，用于识别水环境和污染水体，并通过特征关联程度，计算相应特征的最佳分割阈值，达到准确识别和监测整片水域的水质状况。
如图1，为本发明实施例提供一种基于大数据分析的水环境监测处理方法，包括：
S101：基于遥感图像获取全色波段与多光谱波段，从而得到红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率；
具体地，基于遥感图像获取全色波段与多光谱波段，从而得到红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率，包括：
首先将遥感图像的无量纲的数字化值转换为大气表观反射率值TOA，这个过程成为辐射定标，涉及的系数为传感器定标系数，采用中国资源卫星应用中心发布的传感器定标系数；
通过大气校正将大气表观反射率值转换成地表真实反射率；本发明实施例采用MODTRAN5辐射传输模型进行大气校正。
将全色波段与多光谱波段进行融合处理，得到红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率。
S102：基于红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率构建水环境识别模型，根据水环境识别指数识别出水环境；
具体地，基于红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率构建水环境识别模型，具体为：
；
其中为水指数模型，/>为阴影模型，根据/>和/>得到水环境识别模型：
；
式中，取值为l和0，1代表水体，0代表非水体，/>和/>为设定阈值，是根据实际需求进行设定的数值，/>为绿光波段的遥感反射率，/>为红光波段的遥感反射率，/>为近红外波段的遥感反射率，/>为蓝光波段的遥感反射率，/>为逻辑“与”算符。
S103：基于一般水体和污染水体样本不同的光谱反射率特征，构建污染水体归一化比值模型；
利用一般水体和城市污染水体（黑臭水体）样本不同的光谱反射率特征，增强两者之间的光谱差别可以区分黑臭水体和一般水体；综合对比分析了一般水体 与黑臭水体在绿光波段到红光波段之间的反射率值，发现一般水体变化较快，黑臭水体变换不明显，根据这一差异，选择绿光波段与红光波段的反射率差值作为分子，采用可见光三波段作为分母，构建污染水体归一化比值模型；
具体地，基于一般水体和污染水体样本不同的光谱反射率特征，构建污染水体归一化比值模型；具体为：
；
式中，为分割阈值，一般取值为0.05，当小于等于分割阈值时，为污染水体，否则为一般水体。
S104：选取一般水体与黑臭水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值；
基于阈值分割结果，分别计算一般水体与黑臭水体的光谱均值、方差、极差、亮度、信息熵、纹理均质性、纹理二阶矩和纹理异质性等8个特征值，通过两两比较这些特征之间的J-M距离，最终筛选黑臭水体与一般水体分离性较好的2个特征，分别是信息熵和纹理异质性。
具体地，选取一般水体与黑臭水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值，具体所述J-M距离为：
；
为J-M距离，用于分离不同类别，/>为巴氏距离，/>和/>表示两个类别相应特征的均值，/>和/>表示两个类别特征的标准差；其中两个类别分别为一般水体类别和污染水体类别，ｅ为自然常数，ｌｎ为自然对数。
具体地，选取一般水体与黑臭水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值，具体计算相应特征的最佳分割阈值具体为：
；
其中，最佳分割阈值，A为两类别相应特征的相比值，/>与/>分别表示两类别样本数量，其中两个类别分别为一般水体类别和污染水体类别。
S105：基于最佳分割阈值进行污染水体识别监测。
如图2，本发明实施例提供一种基于大数据分析的水环境监测处理系统，系统包括：
波段信息获取单元201：基于遥感图像获取全色波段与多光谱波段，从而得到红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率；
具体地，基于遥感图像获取全色波段与多光谱波段，从而得到红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率，包括：
首先将遥感图像的无量纲的数字化值转换为大气表观反射率值TOA，这个过程成为辐射定标，涉及的系数为传感器定标系数，采用中国资源卫星应用中心发布的传感器定标系数；
通过大气校正将大气表观反射率值转换成地表真实反射率；本发明实施例采用MODTRAN5辐射传输模型进行大气校正。
将全色波段与多光谱波段进行融合处理，得到红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率。
水环境识别模型构建单元202：基于红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率构建水环境识别模型，根据水环境识别指数识别出水环境；
具体地，基于红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率构建水环境识别模型，具体为：
；
其中为水指数模型，/>为阴影模型，根据/>和/>得到水环境识别模型：
；
式中，取值为l和0，1代表水体，0代表非水体，/>和/>分别设定阈值，是根据实际需求进行设定的数值，/>为绿光波段的遥感反射率，/>为红光波段的遥感反射率，/>为近红外波段的遥感反射率，/>为蓝光波段的遥感反射率，/>为逻辑“与”算符。
污染水体比值模型构建单元203：基于一般水体和污染水体样本不同的光谱反射率特征，构建污染水体归一化比值模型；
利用一般水体和城市污染水体（黑臭水体）样本不同的光谱反射率特征，增强两者之间的光谱差别可以区分黑臭水体和一般水体；综合对比分析了一般水体 与黑臭水体在绿光波段到红光波段之间的反射率值，发现一般水体变化较快，黑臭水体变换不明显，根据这一差异，选择绿光波段与红光波段的反射率差值作为分子，采用可见光三波段作为分母，构建污染水体归一化比值模型；
具体地，基于一般水体和污染水体样本不同的光谱反射率特征，构建污染水体归一化比值模型；具体为：
；
式中，为分割阈值，一般取值为0.05，当小于等于分割阈值时，为污染水体，否则为一般水体。
最佳分割阈值计算单元204：选取一般水体与黑臭水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值；
基于阈值分割结果，分别计算一般水体与黑臭水体的光谱均值、方差、极差、亮度、信息熵、纹理均质性、纹理二阶矩和纹理异质性等8个特征值，通过两两比较这些特征之间的J-M距离，最终筛选黑臭水体与一般水体分离性较好的2个特征，分别是信息熵和纹理异质性。
具体地，选取一般水体与黑臭水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值，具体所述J-M距离为：
；
为J-M距离，用于分离不同类别，/>为巴氏距离，/>和/>表示两个类别相应特征的均值，/>和/>表示两个类别特征的标准差；其中两个类别分别为一般水体类别和污染水体类别。
具体地，选取一般水体与黑臭水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值，具体计算相应特征的最佳分割阈值具体为：
；
其中，最佳分割阈值，A为两类别相应特征的相比值，/>与/>分别表示两类别样本数量，其中两个类别分别为一般水体类别和污染水体类别。
识别监测单元205：基于最佳分割阈值进行污染水体识别监测。
图3所示，本发明实施例提供了一种电子设备300，包括存储器310、处理器320及存储在存储器320上并可在处理器320上运行的计算机程序311，处理器320执行计算机程序311时实现本发明实施例提供的一种基于大数据分析的水环境监测处理方法。
由于本实施例所介绍的电子设备为实施本发明实施例中所采用的设备，故而基于本发明实施例中所介绍的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本发明实施例中的方法不再详细介绍，只要本领域所属技术人员实施本发明实施例中的方法所采用的设备，都属于本发明所欲保护的范围。
请参阅图4，图4为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
如图4所示，本实施例提供了一种计算机可读存储介质400，其上存储有计算机程序411，该计算机程序411被处理器执行时实现本发明实施例提供的一种基于大数据分析的水环境监测处理方法；
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明提供了一种基于大数据分析的水环境监测处理方法，包括：基于遥感图像获取全色波段与多光谱波段，从而得到红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率；基于红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率构建水环境识别模型，根据水环境识别指数识别出水环境；基于一般水体和污染水体样本不同的光谱反射率特征，构建污染水体归一化比值模型；选取一般水体与黑臭水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值；基于最佳分割阈值进行污染水体识别监测；本发明方法通过遥感数据获取多光谱波段的反射率，分别构建水环境识别模型和污染水体比值模型，用于识别水环境和污染水体，并通过特征关联程度，计算相应特征的最佳分割阈值，达到准确识别和监测整片水域的水质状况的效果。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均属于侵犯本发明保护范围的行为。
Claims (5)
1.一种基于大数据分析的水环境监测处理方法，其特征在于，所述方法包括：
基于遥感图像获取全色波段与多光谱波段，从而得到红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率；
基于红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率构建水环境识别模型，根据水环境识别指数识别出水环境；
基于红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率构建水环境识别模型，具体为：
；
其中为水指数模型，/>为阴影模型，根据/>和/>得到水环境识别模型：
；
式中，取值为l和0，1代表水体，0代表非水体，/>和/>分别是设定阈值，/>为绿光波段的遥感反射率，/>为红光波段的遥感反射率，/>为近红外波段的遥感反射率，/>为蓝光波段的遥感反射率，/>为逻辑“与”算符；
基于一般水体和污染水体样本不同的光谱反射率特征，构建污染水体归一化比值模型；具体为：
；
式中，为污染水体归一化比值，/>为分割阈值，取值为0.05，当小于等于分割阈值时，为污染水体，否则为一般水体；
选取一般水体与污染水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值；
选取一般水体与污染水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值，具体所述J-M距离为：
；
JM为J-M距离，用于分离不同类别，为巴氏距离，/>和/>表示两个类别相应特征的均值，/>和/>表示两个类别特征的标准差；其中两个类别分别为一般水体类别和污染水体类别；
选取一般水体与污染水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值，具体计算相应特征的最佳分割阈值具体为：
；
其中，最佳分割阈值，A为两类别相应特征的相比值，/>与/>分别表示两类别样本数量，其中两个类别分别为一般水体类别和污染水体类别；
基于最佳分割阈值进行污染水体识别监测。
2.根据权利要求1所述的一种基于大数据分析的水环境监测处理方法，其特征在于，基于遥感图像获取全色波段与多光谱波段，从而得到红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率，包括：
首先将遥感图像的无量纲的数字化值转换为大气表观反射率值；
通过大气校正将大气表观反射率值转换成地表真实反射率；
将全色波段与多光谱波段进行融合处理，得到红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率。
3.一种基于大数据分析的水环境监测处理系统，其特征在于，所述系统包括：
波段信息获取单元：基于遥感图像获取全色波段与多光谱波段，从而得到红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率；
水环境识别模型构建单元：基于红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率构建水环境识别模型，根据水环境识别指数识别出水环境；
基于红波段遥感反射率、绿波段遥感反射率、蓝波段遥感反射率和近红外波段遥感反射率构建水环境识别模型，具体为：
；
其中为水指数模型，/>为阴影模型，根据/>和/>得到水环境识别模型：
；
式中，取值为l和0，1代表水体，0代表非水体，/>和/>分别是设定阈值，/>为绿光波段的遥感反射率，/>为红光波段的遥感反射率，/>为近红外波段的遥感反射率，/>为蓝光波段的遥感反射率，/>为逻辑“与”算符；
污染水体比值模型构建单元：基于一般水体和污染水体样本不同的光谱反射率特征，构建污染水体归一化比值模型；
具体为：
；
式中，为污染水体归一化比值，/>为分割阈值，取值为0.05，当小于等于分割阈值时，为污染水体，否则为一般水体；
最佳分割阈值计算单元：选取一般水体与污染水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值；
选取一般水体与污染水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值，具体所述J-M距离为：
；
JM为J-M距离，用于分离不同类别，为巴氏距离，/>和/>表示两个类别相应特征的均值，/>和/>表示两个类别特征的标准差；其中两个类别分别为一般水体类别和污染水体类别；
选取一般水体与污染水体的光谱信息熵特征和纹理异质性特征，通过计算J-M距离来表征在特征上的关联程度，并计算相应特征的最佳分割阈值，具体计算相应特征的最佳分割阈值具体为：
；
其中，最佳分割阈值，A为两类别相应特征的相比值，/>与/>分别表示两类别样本数量，其中两个类别分别为一般水体类别和污染水体类别；
识别监测单元：基于最佳分割阈值进行污染水体识别监测。
4.一种电子设备，其特征在于，包括：存储器，处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现权利要求1-2之一所述的方法步骤。
5.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-2之一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311515444.4A CN117233102B (zh) | 2023-11-15 | 2023-11-15 | 一种基于大数据分析的水环境监测处理方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311515444.4A CN117233102B (zh) | 2023-11-15 | 2023-11-15 | 一种基于大数据分析的水环境监测处理方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117233102A CN117233102A (zh) | 2023-12-15 |
| CN117233102B true CN117233102B (zh) | 2024-01-26 |
Family
ID=89096934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311515444.4A Active CN117233102B (zh) | 2023-11-15 | 2023-11-15 | 一种基于大数据分析的水环境监测处理方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117233102B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107167431A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学院遥感与数字地球研究所 | 一种基于光谱指数模型的黑臭水体识别方法及系统 |
| CN109374537A (zh) * | 2018-09-30 | 2019-02-22 | 中国科学院遥感与数字地球研究所 | 城市黑臭水体识别方法及装置 |
| CN110390277A (zh) * | 2019-07-04 | 2019-10-29 | 中科卫星应用德清研究院 | 复杂下垫面水体识别方法及黑臭水体预测方法 |
| CN112858181A (zh) * | 2021-01-13 | 2021-05-28 | 四川轻化工大学 | 黑臭水体监测方法、装置及电子设备 |
| CN113326807A (zh) * | 2021-06-25 | 2021-08-31 | 江苏省环境监测中心 | 一种黑臭水体识别方法、装置及电子设备 |
-
2023
- 2023-11-15 CN CN202311515444.4A patent/CN117233102B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107167431A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学院遥感与数字地球研究所 | 一种基于光谱指数模型的黑臭水体识别方法及系统 |
| CN109374537A (zh) * | 2018-09-30 | 2019-02-22 | 中国科学院遥感与数字地球研究所 | 城市黑臭水体识别方法及装置 |
| CN110390277A (zh) * | 2019-07-04 | 2019-10-29 | 中科卫星应用德清研究院 | 复杂下垫面水体识别方法及黑臭水体预测方法 |
| CN112858181A (zh) * | 2021-01-13 | 2021-05-28 | 四川轻化工大学 | 黑臭水体监测方法、装置及电子设备 |
| CN113326807A (zh) * | 2021-06-25 | 2021-08-31 | 江苏省环境监测中心 | 一种黑臭水体识别方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117233102A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110390267B (zh) | 一种基于高分遥感影像的山地景观建筑提取方法和设备 | |
| Sun et al. | Combinational build-up index (CBI) for effective impervious surface mapping in urban areas | |
| CN114018833B (zh) | 基于高光谱遥感技术估算土壤重金属含量的方法 | |
| Xu | Analysis of impervious surface and its impact on urban heat environment using the normalized difference impervious surface index (NDISI) | |
| CN112766075B (zh) | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 | |
| CN111144250B (zh) | 融合雷达和光学遥感数据的土地覆盖分类方法 | |
| CN106251368A (zh) | 基于bemd的sar影像与多光谱影像的融合方法 | |
| CN111007013B (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
| Kruse et al. | Techniques developed for geologic analysis of hyperspectral data applied to near-shore hyperspectral ocean data | |
| CN114279982A (zh) | 水体污染信息获取方法及装置 | |
| Zhan et al. | Quantitative analysis of shadow effects in high-resolution images of urban areas | |
| CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
| CN112883987A (zh) | 基于遥感光谱特征的目标提取方法及系统及装置及介质 | |
| CN111060455B (zh) | 面向东北冷凉区的遥感图像作物标记方法和装置 | |
| Verma et al. | Development of LR-PCA based fusion approach to detect the changes in mango fruit crop by using landsat 8 OLI images | |
| Silva et al. | Estimating soil texture from a limited region of the visible/near-infrared spectrum | |
| Duan et al. | An index-based shadow extraction approach on high-resolution images | |
| Wang et al. | Estimate of soil heavy metal in a mining region using PCC-SVM-RFECV-AdaBoost combined with reflectance spectroscopy | |
| CN117233102B (zh) | 一种基于大数据分析的水环境监测处理方法和系统 | |
| CN112597936B (zh) | 基于面向对象分层分割的建筑垃圾分离方法及相关产品 | |
| CN113063741B (zh) | 一种基于光谱特征的城市建筑材质提取方法及装置 | |
| CN109472244B (zh) | 一种基于分离指数的土壤、岩石和植被识别方法 | |
| CN117437489A (zh) | 基于决策树模型的城市绿地提取方法 | |
| CN112858181A (zh) | 黑臭水体监测方法、装置及电子设备 | |
| Sreenivas et al. | Processing of satellite image using digital image processing |
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 |