CN117434034A - 一种基于光谱库的水质多源遥感数据快速反演方法 - Google Patents
一种基于光谱库的水质多源遥感数据快速反演方法 Download PDFInfo
- Publication number
- CN117434034A CN117434034A CN202311382608.0A CN202311382608A CN117434034A CN 117434034 A CN117434034 A CN 117434034A CN 202311382608 A CN202311382608 A CN 202311382608A CN 117434034 A CN117434034 A CN 117434034A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- water quality
- remote sensing
- data
- water
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 290
- 238000001228 spectrum Methods 0.000 title claims abstract description 269
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000003595 spectral effect Effects 0.000 claims abstract description 74
- 238000005070 sampling Methods 0.000 claims abstract description 47
- 230000003287 optical effect Effects 0.000 claims abstract description 25
- 238000007637 random forest analysis Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000005316 response function Methods 0.000 claims abstract description 14
- 238000002310 reflectometry Methods 0.000 claims description 62
- 238000012937 correction Methods 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 25
- 230000005855 radiation Effects 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 18
- 238000005286 illumination Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 11
- 238000003786 synthesis reaction Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 29
- 238000003384 imaging method Methods 0.000 abstract description 4
- 238000009825 accumulation Methods 0.000 abstract description 3
- 238000010183 spectrum analysis Methods 0.000 abstract description 3
- 239000013307 optical fiber Substances 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 12
- 239000000523 sample Substances 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 10
- 230000009467 reduction Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 230000010354 integration Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004836 empirical method Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G01N21/55—Specular reflectivity
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Linguistics (AREA)
- Astronomy & Astrophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于光谱库的水质多源遥感数据快速反演方法，涉及水环境遥感技术领域，建立高光谱分辨率的水质光谱库，通过卫星波段响应函数、无人机滤光片参数来转换等效光谱，基于水质光谱库或随机森林算法，将等效光谱基于光谱匹配或反演算法应用于多源成像遥感水质反演中，使用水质光谱库波谱分析和光谱角匹配法对遥感图像像元进行水质类别的快速分类。本发明可以大幅度提高遥感水质监测时效性和监测频次的同时降低采样成本，随着光谱库的累积可以不断提高水质反演的精度。
Description
技术领域
本发明涉及水环境遥感技术领域，更具体的说是涉及一种基于光谱库的水质多源遥感数据快速反演方法。
背景技术
常规水质监测方法主要是现场采集水样送到实验室内进行分析，优点是水质监测的精度比较高，缺点是空间密度不足，基于岸边或水中站点的在线监测方法可以大幅提高水质监测的时间频次，但是建设和维护成本高，空间分布更为有限，遥感技术的发展为水质监测提供了一条新的思路，通过建立水体反射光谱特征和水质参数浓度之间的关系构建反演模型，形成点面结合的监测体系，具有响应快、成本低、实时动态监测的优势，可以实现大范围水域的监测，可满足常态化监测及应急监测，相对于手工采样分析，能够在较短的时间内对整个河道的水质状态有基本判断和趋势分析。
遥感影像反演水质是利用水体光学特征对水质参数的响应来达到获取水质分布的目的，当前反演方法主要包括分析方法、经验方法和半经验方法。分析法是基于辐射传输原理，以太阳光线投射到水面经过反射、散射等路径传输到传感器为基础，根据不同水中成分与其特征吸收系数与反向散射系数的关系得到水体参数含量；经验法是基于光谱反射率数据和水质参数浓度统计分析的基本遥感监测方法，建立光谱与实测数据之间的回归模型，反演待测水质参数的浓度；半经验法是结合了分析方法和经验方法的水质遥感监测方法，通过测量水质参数的光谱曲线找到相应的光谱特征，选取最佳波段或波段组合作为变量，利用数理统计分析方法建立反演模型。
但是，目前遥感水质反演中分析方法、经验方法和半经验方法都需要结合各类水质光谱信息来作为模型构建的基础数据，水质光谱信息必不可少，因此每次进行遥感水质反演就要花费大量人力、物力、财力在与卫星或无人机等拍摄近同步的水质采样工作中，现在水质送检化验消耗的时间较长，水质动态变化较快，形成监测结果的实时性不够，并且制作的现场采样数据后期复用机会很少，不适用于常态化水质遥感监测。
因此，如何基于遥感数据实现常态化水质监测，降低人力、物理成本，提高监测结果的实时性和精度是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于光谱库的水质多源遥感数据快速反演方法，与其他监测手段(天基、空基、地基等)共同构建了立体、多维、多尺度的观测能力，建立了多源遥感数据协同监测体系，基于光谱匹配及反演算法应用于多源成像遥感水质反演中，可以大幅度提高遥感水质监测时效性和监测频次的同时降低采样成本，随着光谱库的累积可以不断提高水质反演的精度。
为了实现上述目的，本发明采用如下技术方案：
一种基于光谱库的水质多源遥感数据快速反演方法，包括以下步骤：
步骤1：采集不同水质类别采样点的光谱数据；
步骤2：对采样点的水体进行取样和化验，获得不同水质类别的水质参数及水质参数浓度值；
步骤3：对光谱数据进行预处理，获得标准格式光谱数据，并计算对应的水体光谱辐射亮度和水体光谱反射率；
步骤4：根据水质参数和水质参数浓度值对光谱数据进行分类，根据分类结果、光谱数据、水质参数、水质参数浓度值、水体光谱辐射亮度和水体光谱反射率构建水质光谱库；
步骤5：利用多源传感器采集遥感数据，对遥感数据进行预处理获得待测遥感图像；
步骤6：根据待测遥感图像对水质光谱库进行等效光谱转换，获得降维水质光谱库；
步骤7：根据降维水质光谱库，采用光谱匹配方法或随机森林方法获得待测遥感图像的水质类别分类结果和水质参数浓度值。
优选的，所述步骤1中采集的光谱数据包括暗电流、灰板光谱、水面光谱、天空光光谱和天空漫反射光谱；步骤3中预处理过程为：根据同一采样点的暗电流、天空光光谱、灰板光谱和水面光谱对应的曲线，剔除数值偏离较大的曲线点，求取各组曲线剩余数据的平均值，并去除暗电流噪声影响，获得采样点的天空光光谱测量数据、灰板光谱测量数据和水面光谱测量数据。
优选的，步骤3中水体光谱辐射亮度表示为：
Sw＝Ssw-rSsky
其中，Sw表示水体光谱辐射亮度；Ssw表示水体的水面光谱；r预设参数；Ssky表示天空光光谱；
水体光谱反射率表示为：
其中，Rrs表示水体光谱反射率；Sw表示辐射亮度；ρp表示预设的灰板反射率；Sp表示灰板光谱。
优选的，遥感数据包括卫星光学影像数据、无人机影像数据和岸基多光谱数据；无人机影像数据为正射影像图；步骤5中预处理包括辐射标定、大气校正、集合校正、图像融合、图像镶嵌、图像裁剪、灰板定标、噪声去除、灰板校正和波段合成；对卫星光学影像数据进行辐射标定、大气校正、集合校正、图像融合、图像镶嵌和图像裁剪处理，对无人机影像数据进行辐射定标和大气校正处理，对岸基多光谱数据进行噪声去除、灰板校正和波段合成处理。
优选的，对岸基多光谱数据进行噪声去除、灰板校正和波段合成处理的具体过程为：
步骤51：对岸基多光谱数据采用波段运算方法分别减去水面光谱和灰板光谱中的背景图像，获得去噪水面光谱和去噪灰板光谱；
步骤52：在去噪灰板光谱上选取若干感兴趣区，统计感兴趣区波段光照强度，并计算各波段光照强度平均值；
对去噪水面光谱的各波段分别进行波段运算，获得单波段水体光谱反射率，公式为：
其中，Ri表示第i波段的单波段水体光谱反射率；Rwi表示去噪声水面光谱中第i条波段的光照强度值；ρp表示预设灰板反射率；Rhi表示去噪灰板光谱中第i条波段的光照强度平均值；
步骤53：对所有波段的所有单波段水体光谱反射率进行波段合成，得到全波段的水体光谱反射率图像。预处理后的卫星光学影像数据、无人机影像数据和岸基多光谱数据的水体光谱反射率图像构成待测遥感图像。
优选的，步骤6中根据待测遥感图像对水质光谱库进行等效光谱转换，是针对不同传感器的光谱响应特征，进行水质光谱库中光谱数据的数值模拟，实现降维，构建各传感器波段适配的特征光谱库，传感器有x个波段就会计算x组等效反射率，把水质光谱库从原先采集时的高光谱维度，降低至x个波段的多光谱维度光谱库；具体的：
步骤61：对于预处理后的卫星光学影像数据，利用数据中包含的不同传感器的光谱响应函数，获取不同波段下的光谱响应值，结合水质光谱库的光谱数据中波段与水体光谱反射率的对应关系，设置不同权重进行反射率的积分求解等效遥感反射率；表示为：
其中，Rrs(bandi)为卫星的i波段的等效遥感反射率，λ1与λ2分别为i波段的波段范围的最低限值和最高限值，Rrs(λ)为卫星光学影像数据中卫星高光谱遥感反射率，SRF(λ)为λ波长处的光谱响应值；SRF(λ)d(λ)为λ波长处的权重；
等效遥感反射率是权重乘以该波长处的等效反射率进行累加，获取在光谱响应最低和最高限值范围内总和，除以权重的总和；光谱响应函数指的是光谱响应值与波长之间的关系；
步骤62：根据预处理后的无人机影像数据和岸基多光谱数据对应的不同传感器的滤光片的波长及半高宽，构建波长与响应值正态分布函数作为光谱响应函数，根据光谱响应函数获取不同波段下的光谱响应值；以最小波长间隔为积分单元，面积为权重，结合水质光谱库的光谱数据中波段与水体光谱反射率的对应关系，以及无人机影像数据和岸基多光谱数据中的反射率，进行该滤光片下水面反射率拟合，根据步骤61中的公式求解等效遥感反射率；
步骤63：卫星光学影像数据、无人机影像数据和岸基多光谱数据对应多个传感器的多个波段的等效遥感反射率分别构成多组降维水质光谱库。
每组降维水质光谱库应用于对应数据的反演，支持光谱匹配法或随机森林法。
优选的，标准格式光谱数据为ENVI格式，以sli文件存储。
优选的，分类结果包括Ⅰ类、Ⅱ类、Ⅲ类、Ⅳ类、Ⅴ类和劣Ⅴ类六种不同水质类别，同时记录每条光谱曲线对应的水质参数浓度值。
优选的，步骤7中采用光谱匹配法的具体实现过程为：
步骤711：将降维水质光谱库中光谱数据的光谱曲线作为参考光谱，计算待检测遥感图像和参考光谱的每一个像元的光谱矢量的夹角，获得相似度；计算夹角的公式表示为：
其中，θx,y表示参考光谱的光谱矢量X和待测遥感图像的光谱矢量Y之间的夹角；n表示参考光谱和待检测遥感图像的波段数，参考光谱和待检测遥感图像的波段数一致；Xi表示参考光谱的光谱矢量在第i波段的反射率；Yi表示待测遥感图像的光谱矢量在第i波段的反射率；
步骤712：选择相似度最小的参考光谱对应的分类结果作为待测遥感图像的水质类别分类结果，对应的水质参数浓度作为待测遥感图像的水质参数浓度。
优选的，步骤7中采用随机森林法的具体实现过程为：
步骤721：将降维水质光谱库中光谱数据的光谱曲线作为参考光谱；
步骤722：将所有参考光谱作为样本，参考光谱的所有波段作为自变量，对应的水质参数作为因变量，采用随机森林算法对因变量对应水质参数中每种参数的自变量做重要性排序，根据排序结果筛选出每种参数的敏感波段；
自变量包括单波段和组合波段，组合波段包括差值光谱指数、归一化光谱指数和比值光谱指数；
重要性排序的评价指标包括精度平均减少值和节点不纯度减少值；从随机森林模型评估中调用；
根据评价指标筛选出关键波段因子变量，确定敏感波段；针对每一种水质参数确定最相关的波段作为关键波段因子变量；
步骤723：根据每种参数的敏感波段分别构建随机森林模型，从水质光谱库中抽取训练样本训练随机森林模型；随机森林模型学习水质光谱库中水质参数浓度值和待测遥感图像中敏感波段的反射率之间的关系；
步骤724：将待测遥感图像输入训练好的随机森林模型中，输出水质参数及对应的水质参数浓度值，并根据水质参数和水质参数浓度值确定水质类别分类结果。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于光谱库的水质多源遥感数据快速反演方法，与其他监测手段(天基、空基、地基等)共同构建了立体、多维、多尺度的观测能力，建立了多源遥感数据协同监测体系，首先建立高光谱分辨率的水质光谱库，再通过卫星波段响应函数、无人机滤光片参数来转换等效光谱，最后基于水质光谱库和随机森林算法，将等效光谱基于光谱匹配及反演算法应用于多源成像遥感水质反演中，并使用水质光谱库波谱分析和光谱角匹配法对遥感图像像元进行水质类别的快速分类。构建水质光谱库可以大幅度提高遥感水质监测时效性和监测频次的同时降低采样成本，随着光谱库的累积可以不断提高水质反演的精度；运用等效光谱转换适用于包括卫星、无人机及岸基多光谱数据的快速反演，提高了高精度遥感卫星数据的可利用性；使用水质光谱库波谱分析和光谱角匹配法，能够反映水质的时空变化特征，并且自动化程度高，提高了水质类别在线监测分析频率；基于水质光谱库和随机森林算法对水质参数进行实时快速反演，可以为不同地域、不同特点水体的水质遥感反演构建精度较高、普适性较高的反演模型。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的基于光谱库的水质多源遥感数据快速反演方法流程图；
图2为本发明提供的光谱数据采集角度示意图；
图3为本发明提供的灰板定标流程示意图；
图4为本发明提供的光谱响应函数曲线示意图；
图5为本发明提供的光谱向量夹角示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于光谱库的水质多源遥感数据快速反演方法，如图1所示，具体过程为：
S1：光纤光谱仪数据采集
1.采样点位规划与采样时间确定
(1)采样点位规划
采样点位覆盖水体类型包括国考、市考断面以及水源地、泵站、近海水等具有代表性的水体，针对一、二、三、四、五类水及劣五类、黑臭水体代表等比例进行外业采样，确保采样点位所测水体类型的均匀性。
(2)采样时间确定
为了使得采集的水样具有代表性，能够反映水质在时间和空间上的变化规律，必须依据不同的水体功能、水文要素和污染物排放等实际情况确定合理的采样时间。考虑到河道水质的季节性差异，分别在春季和秋季进行水质光谱采样工作。
由于光谱采样是以自然太阳光谱为光源，测量时太阳天顶角应不大于50°。通过对太阳高度角、天顶角等参数进行计算，确定了一天中的光谱采样的最佳时间段为上午10时至下午2时之间，该时间段光照稳定，光线较强。
2.测量前准备
①采样仪器及设备准备，包括光纤光谱仪、数据线、光纤线、笔记本电脑、支撑杆、灰板、黑板和记录表等。
②测量前，检查仪器，确定仪器的性能正常，主要确认以下内容：
a.仪器连接正常；
b.波长无偏移；
c.光纤无破损；
d.灰板正常，无划痕以及脏乱；
e.无其他异常问题。
3.光谱数据采集流程及规范
倾斜测量法是目前II类水体光谱特性研究中最常用的测量方法之一，在野外进行水体光谱采集时，为了减少太阳镜面反射的影响，避免其他地物的干扰，太阳光入射面与仪器测量面的夹角(θv)控制在90°-135°之间，平面法线与仪器的测量面夹角(φ)控制在30°-35°之间，如图2所示。
(1)光谱原始强度测量准备
将灰板放置在样本周围，确定样本和灰板处于同一水平位置，操作者面向太阳，将光纤头垂直对准灰板，确定光纤采样高度在10-20cm间，保证光纤视场域内充满灰板且无阴影。
(2)光谱仪优化(积分时间设置)
根据当前的太阳光水平设置合适的积分时间，从而使光谱仪获得的光谱数据信噪比最佳。为避免出现所测光谱强度出现值过曝的现象：
需要注意的是：
①如果出现过曝现象，无论是灰板过曝还是天空光过曝，无论是出现过曝的波段范围短还是长，所有数据都需重新测量；
②每次更换采样点，积分时间都必须重新优化，且暗电流、灰板、天空光和水面都要保证在同一积分时间下进行测量；
③仪器的动态范围应≥5个量级，且在400～900nm光谱的动态范围内保持10以上的信噪比；标准板最好为反射率小于30％的灰板；
④仪器必须经过严格的绝对辐射定标，另外必须对波长进行标定；
⑤测量水体目标时，不能让仪器进行自动增益调整或内部平均，否则会将随机太阳直射反射平均到结果数据中；
⑥应快速连续测量多条曲线，设置采样间隔，使测量时间能够跨越波浪周期。
⑦仪器积分时间固定，采样时间最好在100～200ms以内完成，更短的时间会导致仪器信噪比太差；
⑧光谱仪应有措施保证二级光谱不会对近红外波段的结果产生干扰，以及具备其他消除杂散光的措施。
(3)暗电流测量
不启用光纤帽子测量一组背景值。
(4)灰板光谱测量(Sp)
光纤垂直对准灰板，当界面上出现稳定的光谱曲线时，开始采集并保存光谱曲线。
(5)水面光谱测量(Ssw)
将光纤瞄准水面，观测时人正面尽量与太阳照射面呈135°的夹角(不直面太阳)，仪器与水面成45°角，当界面上出现稳定的光谱曲线时，开始采集并保存光谱曲线。
(6)天空光光谱测量(Ssky)
手持光纤垂直向上举过头顶，背对太阳光，测量天空光的光谱曲线，当界面上出现稳定的光谱曲线时，开始采集并保存光谱曲线。
(7)天空漫反射光谱测量(Spdif)
黑板遮挡直射太阳光，让黑板阴影正好挡住标准板，光纤垂直对准白板，当界面上出现稳定的光谱曲线时，开始采集并保存光谱曲线。
(8)外业记录
做好数据记录以及采样点周边环境记录。
S2：水质采样样本化验
水质采样与光谱采样同步进行，水质化验结果送至权威实验室检测水质参数结果，测量水质参数、采样容器、采水量及监测分析方法如下表1所示：
表1水质化验参数及方法
S3：光谱库构建
1.水体光谱数据制作
对采集到的光纤光谱仪数据进行数据预处理，开展噪声去除技术和水体光谱辐射亮度计算和反射率计算等工作，转化成标准的数据格式(包括文件名称、文件格式等)，达到满足地物波谱采集系统和管理系统对入库数据的要求。
光纤光谱仪数据预处理
通过excel、power bi等软件分别打开某一采样点位待处理的暗电流、天空光、灰板、水体数据，查看对应的曲线，剔除数值偏离较大的曲线，求取各组剩余数据的平均值。并去除暗电流噪声的影响，最终得到该采样点位的天空光、灰板、水体的光谱测量数据。
水体光谱反射率计算
计算公式如下所示：
Sw＝Ssw-rSsky (1)
其中，Sw表示水体的离水辐射亮度；Ssw表示水体的水面光谱测量数据；r一般取值在0.021～0.05之间(平静水面取值0.022，5m/s风速取值0.025，10m/s风速取值0.026～0.028)，本实施例中光谱采样一般为平静水面，因此此处取值为0.022；Ssky表示天空光光谱测量数据。
其中，Rrs表示水体的遥感反射率；Sw表示水体的离水辐射亮度；ρp表示灰板反射率，本实施例中使用的灰板的反射率为0.3，因此此处取值为0.3；Sp表示灰板的光谱测量数据。
2.水体光谱数据入库
建立ENVI标准光谱库格式，将合格数据以sli文件存储，使用专业软件进行水体光谱数据汇集管理、查询、展示、分析等。
根据水质采样样本化验结果，将水体光谱数据按Ⅰ类、Ⅱ类、Ⅲ类、Ⅳ类、Ⅴ类、劣Ⅴ类六种不同水质类别分类入库，同时记录每条光谱曲线对应的水质参数浓度值。
S4：遥感数据预处理
1.卫星光学影像数据
卫星光学影像数据的预处理主要包括辐射定标、大气校正、几何校正、图像融合、图像镶嵌、图像裁剪。
(1)辐射定标
对由外界因素、数据获取及传输系统等产生的系统的、随机的辐射失真或畸变进行处理，消除传感器本身的误差，将原始影像上的无量纲灰度值(DN)转化为大气外层表面反射率及辐射亮度值。
(2)大气校正
辐射定标处理后的表观反射率反映的不是真实的地表反射率。大气校正的目的是消除大气和光照等因素对地物反射的影响，得到地物反射率、辐射率或地表温度等真实物理模型参数。
(3)几何校正
通过校正成像过程因大气传输、传感器本身、地球曲率等因素所造成的各种几何畸变，将影像数据投影到平面上，使其符合地图投影系统。本实施例中的几何校正主要为采用无控制点的正射校正。借助DEM消除地形、相机方位引起的变形等影响，生成平面正射影像。
(4)图像融合
目前传统的融合方法有加权平均、IHS变换、主成分分析、小波分析、GS等，GS融合方法能够更好地保留原始光谱特征。因此，本实施例中采用GS融合的方法，将多光谱影像数据和全色影像数据进行融合，得到更高空间分辨率和光谱分辨率的影像数据。
(5)图像镶嵌
通过镶嵌将多幅具有重叠部分的影像制作成一幅没有重叠的新影像。
(6)图像裁剪
根据研究区的边界范围对影像进行裁剪，得到研究区范围内的卫星光学影像数据。
2.无人机影像数据
主要运用Pix4D处理无人机拍摄数据，生成正射影像图。正射影像的预处理，主要包括辐射定标、大气校正，处理参考卫星光学影像的预处理方案。
3.岸基多光谱数据
岸基多光谱数据的预处理主要为灰板定标，其流程如图3所示，具体为：
(1)噪声去除
通过波段运算，将原始灰板、水体光谱影像去除背景值噪声，得到去除噪声后的灰板、水体光谱影像。
(2)灰板校正
对处理后的灰板影像上选取若干感兴趣区，统计感兴趣区波段光照强度值，选取各波段平均值用于后续的灰板校正。
对处理后的水体影像的各波段分别进行波段运算，获取单波段水体光谱反射率影像，计算公式如下所示：
其中，Ri表示单波段水体光谱反射率；Rwi表示经过去除噪声处理后的水体影像第i条波段的光照强度值；ρp表示灰板反射率，本实施例中使用的灰板反射率为0.3，因此此处取值为0.3；Rhi表示经过去除噪声处理后的灰板影像第i条波段的光照强度平均值。
(3)波段合成
对处理后的所有单波段水体光谱反射率图像进行波段合成，得到全波段的水体光谱反射率图像。
S5：等效光谱转换
面向多源光谱数据应用场景，不同的传感器获取的数据结构及波段设置不尽相同，全光谱水质光谱库的应用亟需针对不同传感器进行适应性降维处理。本发明提出了一种等效光谱转换方案，针对不同传感器的光谱响应特征，进行光谱库数据的数值模拟，获得各传感器波段适配的特征光谱库。各类多光谱传感器每个波段都具有一定的波长相应宽度，但是在该波长范围内的入射辐射亮度无法被传感器完整的接受并记录，而是会形成一个单峰函数，即该波段的光谱响应函数，是传感器在每个波长处接收到的辐射亮度与入射辐射亮度比值。光谱响应函数曲线如图4所示，利用不同传感器的光谱响应函数，获取不同波段下的光谱响应值，结合水质光谱库中波段与反射率的对应关系，设置不同权重进行反射率的积分求解等效反射率，公式如下：
其中，Rrs(bandi)为卫星的i波段的等效遥感反射率，λ1与λ2分别为i波段的波段范围的最低限值和最高限值，Rrs(λ)为实测卫星高光谱遥感反射率，SRF(λ)为λ波长处的光谱响应率；d(λ)为λ波长处的权重，乘以该波长处的等效反射率进行累加，获取在光谱响应最低和最高限值范围内总和，除以权重的总和。
无人机或者岸基采集的数据一般没有经过详细测定，只有中心波长、半高宽灯基本出厂参数的滤光片，无具体光谱响应函数，通过测定的中心波长及半高宽，构建波长与光谱响应值的正态分布函数，以最小波长间隔为积分单元，面积为权重，进行该滤光片下水面反射率拟合，可同理获得等效反射率，降维获取适用于多类传感器的水质光谱库。
S6：应用光谱匹配算法以及反演算法
1.基于光谱角匹配法的水质类别分类
以通过等效光谱转换重采样到遥感图像的已知类别光谱库作为参考光谱库，将待测遥感图像中每一像元光谱矢量与参考光谱矢量进行比较，通过计算两光谱向量之间的夹角来度量光谱间的相似性，夹角越小，相似性越高，如图5所示。
两个光谱向量余弦夹角计算公式见公式(5)：
式中，θx,y表示参考光谱向量X和待测光谱向量Y之间的夹角，n表示参考光谱和待检测遥感图像的波段数，Xi表示光谱向量在第i波段的光谱反射率值。
通过光谱向量之间的夹角计算获得所有图像像元与参考光谱库中每组光谱曲线的夹角θx,y，选择每个图像像元与参考光谱库中所有光谱曲线的最小夹角θmin所对应的光谱曲线，以被选择的参考光谱曲线所对应水质类别作为图像像元的水质分类结果，实现对未知遥感图像的水质快速分类。
2.基于光谱库和随机森林算法的水质参数反演
基于光谱库和随机森林算法，通过敏感波段确定、反演模型构建和模型验证，实现对遥感图像的氨氮、总磷和高锰酸盐三个水质参数的快速反演。
具体过程如下：
敏感波段确定
将参考光谱库中的所有光谱曲线作为样本，以光谱曲线的所有波段作为自变量，分别以同步采样的水质参数据(总磷、高锰酸盐、氨氮)作为因变量，运用随机森林对变量做重要性排序，对3个水质参数的敏感波段分别进行筛选，其中自变量包含单波段及组合波段，组合波段分别由差值光谱指数、归一化光谱指数、比值光谱指数组成。变量重要性度量的主要评价指标为精度平均减少值IncMSE(increasing the mean square error)和节点不纯度减少值IncNodePurity(increasing the node impurity)，值越大，表明该变量越重要，反之则相对不重要。基于各参数敏感波段重要性排序结果，综合考虑基于IncMSE指标和IncNodePurity指标筛选结果确定关键波段因子变量。
反演模型构建
根据上述2个指标筛选的重要特征变量，分别重新构建3个水质参数的随机森林模型。利用R软件在光谱库中随机抽取70％水质光谱采样数据作为训练数据用于模型建立。
模型验证
为了进一步验证模型的反演精度，利用光谱库中经过随机抽样剩余30％的水质光谱采样数据用于模型验证。应用前文建立的随机森林模型计算剩余30％的水质光谱采样点位的水质参数浓度预测值，分别与实测的3种水质参数浓度值进行比较。通过水质参数浓度估算值和实测值回归拟合关系，根据其决定系数(R2)和均方根误差(RMSE)对模型的拟合精度进行评价，R2越高、RMSE越低则说明模型的拟合精度越高。
S7：精度验证
1.水质类别精度评价方法
基于混淆矩阵(Confusion matrix，CM)方法，通过总体分类精度(Overallaccuracy，OA)、召回率(Recall)及精确率(Precision)共4类指标(表1)，利用验证点位水样影像对水质类别进行精度评价，如下表2所示。
利用光谱相似度评价法对水质类别进行匹配，按照匹配水样类别的准确度进行精度评价，包括以下几类指标，使用总体分类精度评价所有样本中被正确分类的样本数量所占总数的比例，表示分类结果的整体精度，召回率来评价该类真实样本总数的比例，表示参考样本被正确识别的概率，精确率来评价正确分到某类的样本数量与被分为该类总样本数的比例，反映预测样本与实际样本类别相符的概率。对不同匹配算法进行评分，其中光谱曲线匹配成功赋2分，水质类别匹配成功赋1分，通过测试样本进行赋分排序，筛选适用于水质类别评价的算法模型。
表2水质类别精度评价表
注：TP(True positive)表示被模型预测为正的正样本；TN(True negative)表示被模型预测为负的负样本；FP(False positive)表示被模型预测为正的负样本；FN(Falsenegative)表示被模型预测为负的正样本。
2.水质参数精度评价方法
选取决定系数(Coefficient of determination，R2)、均方根误差(Root meansquared error，RMSE)作为精度评价指标来对比机器学习回归方法在模拟水质参数中的精度，如下表3所示，使用决定系数评估水质反演回归算法的拟合精度，使用均方根误差评估机器学习模型估测值与实测值之间的偏差。
表3水质参数精度评价表
传统的水质监测方法主要是通过实地水质采样结合实验室分析来获取水质信息，虽然准确度较高，但是无法对断面进行实时监测，难以及时全面地反映水体水质的时空变化状况，具有一定的局限性。目前基于遥感卫星数据的水质反演方法需要根据遥感卫星图像拍摄时间进行同步水体采样工作，水质反演的精度对实测数据的依赖程度高，数据普适性较低，并且由于受地理位置、天气云量等影响，获取时间间隔相等且分辨率高的遥感数据难度较大。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业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发明的精神或范围的情况下，在其它实施例中实现。因此，本发明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公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于光谱库的水质多源遥感数据快速反演方法，其特征在于，包括以下步骤：
步骤1：采集不同水质类别采样点的光谱数据；
步骤2：对采样点的水体进行取样和化验，获得不同水质类别的水质参数及水质参数浓度值；
步骤3：对光谱数据进行预处理，获得标准格式光谱数据，并计算对应的水体光谱辐射亮度和水体光谱反射率；
步骤4：根据水质参数和水质参数浓度值对光谱数据进行分类，根据分类结果、光谱数据、水质参数、水质参数浓度值、水体光谱辐射亮度和水体光谱反射率构建水质光谱库；
步骤5：利用多源传感器采集遥感数据，对遥感数据进行预处理获得待测遥感图像；
步骤6：根据待测遥感图像对水质光谱库进行等效光谱转换，获得降维水质光谱库；
步骤7：根据降维水质光谱库，采用光谱匹配方法或随机森林方法获得待测遥感图像的水质类别分类结果和水质参数浓度值。
2.根据权利要求1所述的一种基于光谱库的水质多源遥感数据快速反演方法，其特征在于，所述步骤1中采集的光谱数据包括暗电流、灰板光谱、水面光谱、天空光光谱和天空漫反射光谱；步骤3中预处理过程为：根据同一采样点的暗电流、天空光光谱、灰板光谱和水面光谱对应的曲线，剔除与相邻曲线点的数值差值大于设定阈值的曲线点，求取各组曲线剩余曲线点数据的平均值，去除暗电流噪声，获得采样点的天空光光谱测量数据、灰板光谱测量数据和水面光谱测量数据。
3.根据权利要求2所述的一种基于光谱库的水质多源遥感数据快速反演方法，其特征在于，步骤3中水体光谱辐射亮度表示为：
Sw＝Ssw-rSsky
其中，Sw表示水体光谱辐射亮度；Ssw表示水体的水面光谱测量数据；r预设参数；Ssky表示天空光光谱测量数据；
水体光谱反射率表示为：
其中，Rrs表示水体光谱反射率；Sw表示水体光谱辐射亮度；ρp表示预设的灰板反射率；Sp表示灰板光谱测量数据。
4.根据权利要求1所述的一种基于光谱库的水质多源遥感数据快速反演方法，其特征在于，遥感数据包括卫星光学影像数据、无人机影像数据和岸基多光谱数据；步骤5中预处理包括辐射标定、大气校正、集合校正、图像融合、图像镶嵌、图像裁剪、噪声去除、灰板校正和波段合成；对卫星光学影像数据进行辐射标定、大气校正、集合校正、图像融合、图像镶嵌和图像裁剪处理，对无人机影像数据进行辐射定标和大气校正处理，对岸基多光谱数据进行噪声去除、灰板校正和波段合成处理。
5.根据权利要求4所述的一种基于光谱库的水质多源遥感数据快速反演方法，其特征在于，对岸基多光谱数据进行噪声去除、灰板校正和波段合成处理的具体过程为：
步骤51：对岸基多光谱数据采用波段运算方法分别减去水面光谱和灰板光谱中的背景图像，获得去噪水面光谱和去噪灰板光谱；
步骤52：在去噪灰板光谱上选取若干感兴趣区，计算感兴趣区各波段光照强度，并计算各波段光照强度平均值；
对去噪水面光谱的各波段分别进行波段运算，获得单波段水体光谱反射率，公式为：
其中，Ri表示第i波段的单波段水体光谱反射率；Rwi表示去噪声水面光谱中第i条波段的光照强度值；ρp表示预设灰板反射率；Rhi表示去噪灰板光谱中第i条波段的光照强度平均值；
步骤53：对所有波段的单波段水体光谱反射率进行波段合成，得到全波段的水体光谱反射率图像。
6.根据权利要求1所述的一种基于光谱库的水质多源遥感数据快速反演方法，其特征在于，步骤6中根据待测遥感图像对水质光谱库进行等效光谱转换，具体的：
步骤61：对于预处理后的卫星光学影像数据，利用数据中包含的不同传感器的光谱响应函数，获取不同波段下的光谱响应值，结合水质光谱库的光谱数据中波段与水体光谱反射率的对应关系，设置不同权重进行反射率的积分，求解等效遥感反射率；表示为：
其中，Rrs(bandi)为卫星的i波段的等效遥感反射率；λ1与λ2分别为i波段的波段范围的最低限值和最高限值；Rrs(λ)为卫星光学影像数据中卫星高光谱遥感反射率；SRF(λ)为λ波长处的光谱响应值；d(λ)为λ波长处的权重：
步骤62：根据预处理后的无人机影像数据和岸基多光谱数据对应的不同传感器的滤光片的波长及半高宽，构建波长与响应值正态分布函数作为光谱响应函数，根据光谱响应函数获取不同波段下的光谱响应值；以最小波长间隔为积分单元，面积为权重，结合水质光谱库的光谱数据中波段与水体光谱反射率的对应关系，以及数据中的反射率，进行该滤光片下水面反射率拟合，求解等效遥感反射率；
步骤63：卫星光学影像数据、无人机影像数据和岸基多光谱数据对应的多个波段的等效遥感反射率分别构成降维水质光谱库。
7.根据权利要求1所述的一种基于光谱库的水质多源遥感数据快速反演方法，其特征在于，分类结果包括Ⅰ类、Ⅱ类、Ⅲ类、Ⅳ类、Ⅴ类和劣Ⅴ类六种不同水质类别，同时记录每条光谱曲线对应的水质参数浓度值。
8.根据权利要求1所述的一种基于光谱库的水质多源遥感数据快速反演方法，其特征在于，步骤7中采用光谱匹配法的具体实现过程为：
步骤711：将降维水质光谱库中光谱数据的光谱曲线作为参考光谱，计算待测遥感图像和参考光谱的每一个像元的光谱矢量的夹角，获得相似度；计算夹角的公式表示为：
其中，θx,y表示参考光谱的光谱矢量X和待测遥感图像的光谱矢量Y之间的夹角；n表示参考光谱和待检测遥感图像的波段数；Xi表示参考光谱的光谱矢量在第i波段的反射率；Yi表示待测遥感图像的光谱矢量在第i波段的反射率；
步骤712：选择相似度最小的参考光谱对应的分类结果作为待测遥感图像的水质类别分类结果，对应的水质参数浓度作为待测遥感图像的水质参数浓度。
9.根据权利要求1所述的一种基于光谱库的水质多源遥感数据快速反演方法，其特征在于，步骤7中采用随机森林法的具体实现过程为：
步骤721：将降维水质光谱库中光谱数据的光谱曲线作为参考光谱；
步骤722：将所有参考光谱作为样本，参考光谱的所有波段作为自变量，对应的水质参数作为因变量，采用随机森林算法对因变量对应水质参数中每种参数的自变量做重要性排序，根据排序结果筛选出每种参数的敏感波段；
步骤723：根据每种参数的敏感波段分别构建随机森林模型，从水质光谱库中抽取训练样本训练随机森林模型；
步骤724：将待测遥感图像输入训练好的随机森林模型中，输出水质参数及对应的水质参数浓度值，并根据水质参数和水质参数浓度值确定水质类别分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311382608.0A CN117434034B (zh) | 2023-10-24 | 2023-10-24 | 一种基于光谱库的水质多源遥感数据快速反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311382608.0A CN117434034B (zh) | 2023-10-24 | 2023-10-24 | 一种基于光谱库的水质多源遥感数据快速反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117434034A true CN117434034A (zh) | 2024-01-23 |
| CN117434034B CN117434034B (zh) | 2024-06-28 |
Family
ID=89556306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311382608.0A Active CN117434034B (zh) | 2023-10-24 | 2023-10-24 | 一种基于光谱库的水质多源遥感数据快速反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117434034B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118225772A (zh) * | 2024-05-24 | 2024-06-21 | 四川飞洁科技发展有限公司 | 一种基于图像信息的水质检测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018214190A1 (zh) * | 2017-06-19 | 2018-11-29 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
| CN110672805A (zh) * | 2019-10-08 | 2020-01-10 | 核工业北京地质研究院 | 一种基于航空高光谱数据的水库水质参数定量反演方法 |
| CN113834787A (zh) * | 2021-08-17 | 2021-12-24 | 中国矿业大学 | 一种中小河道劣ⅴ类水体水质识别与量化方法 |
| CN114384031A (zh) * | 2022-01-12 | 2022-04-22 | 广西壮族自治区地理信息测绘院 | 星-空-地高光谱遥感水体重金属污染立体监测方法 |
| CN114577734A (zh) * | 2022-01-17 | 2022-06-03 | 上海同繁勘测工程科技有限公司 | 一种地表水体的低空多光谱遥感水质监测方法 |
| CN114705632A (zh) * | 2021-11-18 | 2022-07-05 | 中林信达（北京）科技信息有限责任公司 | 一种利用卫星遥感反射率估算水库营养状态指数的方法 |
| CN114739919A (zh) * | 2022-04-14 | 2022-07-12 | 常州市新翼空间信息科技有限公司 | 一种基于光谱反演分析的水质检测方法 |
| CN114758218A (zh) * | 2022-04-25 | 2022-07-15 | 中交上海航道勘察设计研究院有限公司 | 一种适用于高光谱卫星影像的高浊度水下地形反演方法 |
| CN115524294A (zh) * | 2022-09-19 | 2022-12-27 | 南京中科深瞳科技研究院有限公司 | 一种离水式实时智能遥感水质监测方法 |
| CN115561181A (zh) * | 2022-10-26 | 2023-01-03 | 中科合肥智慧农业协同创新研究院 | 一种基于无人机多光谱数据的水质反演方法 |
-
2023
- 2023-10-24 CN CN202311382608.0A patent/CN117434034B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018214190A1 (zh) * | 2017-06-19 | 2018-11-29 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
| CN110672805A (zh) * | 2019-10-08 | 2020-01-10 | 核工业北京地质研究院 | 一种基于航空高光谱数据的水库水质参数定量反演方法 |
| CN113834787A (zh) * | 2021-08-17 | 2021-12-24 | 中国矿业大学 | 一种中小河道劣ⅴ类水体水质识别与量化方法 |
| CN114705632A (zh) * | 2021-11-18 | 2022-07-05 | 中林信达（北京）科技信息有限责任公司 | 一种利用卫星遥感反射率估算水库营养状态指数的方法 |
| CN114384031A (zh) * | 2022-01-12 | 2022-04-22 | 广西壮族自治区地理信息测绘院 | 星-空-地高光谱遥感水体重金属污染立体监测方法 |
| CN114577734A (zh) * | 2022-01-17 | 2022-06-03 | 上海同繁勘测工程科技有限公司 | 一种地表水体的低空多光谱遥感水质监测方法 |
| CN114739919A (zh) * | 2022-04-14 | 2022-07-12 | 常州市新翼空间信息科技有限公司 | 一种基于光谱反演分析的水质检测方法 |
| CN114758218A (zh) * | 2022-04-25 | 2022-07-15 | 中交上海航道勘察设计研究院有限公司 | 一种适用于高光谱卫星影像的高浊度水下地形反演方法 |
| CN115524294A (zh) * | 2022-09-19 | 2022-12-27 | 南京中科深瞳科技研究院有限公司 | 一种离水式实时智能遥感水质监测方法 |
| CN115561181A (zh) * | 2022-10-26 | 2023-01-03 | 中科合肥智慧农业协同创新研究院 | 一种基于无人机多光谱数据的水质反演方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118225772A (zh) * | 2024-05-24 | 2024-06-21 | 四川飞洁科技发展有限公司 | 一种基于图像信息的水质检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117434034B (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110865040A (zh) | 天空地一体化高光谱水质监测分析方法 | |
| 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 | |
| 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 | |
| CN117434034B (zh) | 一种基于光谱库的水质多源遥感数据快速反演方法 | |
| CN108731817B (zh) | 应用于林火热点判别的不同传感器红外辐射归一建模方法 | |
| CN112051226B (zh) | 基于无人机载高光谱图像估算近海总悬浮物浓度的方法 | |
| US20050114027A1 (en) | Cloud shadow detection: VNIR-SWIR | |
| CN113834787A (zh) | 一种中小河道劣ⅴ类水体水质识别与量化方法 | |
| CN112504979A (zh) | 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 | |
| CN110687053B (zh) | 一种基于高光谱影像的区域有机质含量估算方法和装置 | |
| 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 | |
| CN116519557B (zh) | 一种气溶胶光学厚度反演方法 | |
| CN109300133B (zh) | 一种城市河网区水体提取方法 | |
| CN114202675A (zh) | 一种基于无人机多光谱遥感影像的作物生长参数测定方法及系统 | |
| CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
| CN111879709B (zh) | 湖泊水体光谱反射率检验方法及装置 | |
| Moore et al. | Spectral reflectance of whitecaps: instrumentation, calibration, and performance in coastal waters | |
| CN113887493A (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
| CN113408111A (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
| CN117409334B (zh) | 一种基于静止卫星遥感数据的气溶胶类型识别方法 | |
| CN114577750A (zh) | 含碳气体探测系统、方法、设备及计算机可读存储介质 | |
| CN117523406A (zh) | 一种海洋水色水温扫描仪箝位修正方法及计算机可读介质 | |
| Hannula et al. | Laboratory, field, mast-borne and airborne spectral reflectance measurements of boreal landscape during spring | |
| CN109035663B (zh) | 应用于林火热点判别的不同传感器多时相红外辐射归一方法 | |
| US6713764B2 (en) | Field based spectral radiometer |
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 |