CN117435867B - 确定叶绿素浓度变化时间规律的方法、装置、介质及设备 - Google Patents
确定叶绿素浓度变化时间规律的方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN117435867B CN117435867B CN202311768629.6A CN202311768629A CN117435867B CN 117435867 B CN117435867 B CN 117435867B CN 202311768629 A CN202311768629 A CN 202311768629A CN 117435867 B CN117435867 B CN 117435867B
- Authority
- CN
- China
- Prior art keywords
- chlorophyll concentration
- standard deviation
- time
- curve
- determining
- 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
- 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 title claims abstract description 137
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 136
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000008859 change Effects 0.000 title claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 12
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 239000002028 Biomass Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 244000005700 microbiome Species 0.000 description 8
- 239000000758 substrate Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000000342 Monte Carlo simulation Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000813 microbial effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- 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
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种确定叶绿素浓度变化时间规律的方法、装置、介质及设备，属于遥感监测技术领域，用以解决对于叶绿素变化规律的分析存在时间尺度分析结果下限太大的问题。本发明技术方案主要包括：获取目标区域的叶绿素浓度时间序列数据，所述目标区域被划分为若干像元；根据所述叶绿素浓度时间序列数据通过移动标准差饱和法获取各所述像元的叶绿素浓度平均移动标准差曲线；根据所述平均移动标准差曲线确定半饱和常数；根据所述半饱和常数以及叶绿素浓度时间序列数据的缺失率确定各所述像元的叶绿素浓度变化主导时间尺度。
Description
技术领域
本发明属于遥感监测技术领域，具体而言涉及一种确定叶绿素浓度变化时间规律的方法、装置、介质及设备。
背景技术
前人对海洋初级生产力的研究多是研究浮游植物的平均现存量。近期多项研究表明初级生产力周期性变化对食物网和碳排放产生深远影响。研究浮游植物生物量的时间变化可能与平均现存量一样重要，如何最好地评估浮游植物在不同时间和空间上的变化成为重要议题。浮游植物生物量的变化不仅受限于繁殖率和死亡率的平衡，也明显依赖于影响光合作用和繁殖的非生物因子，包括入射到海表面的太阳光、海水混合、营养物质和温度。这些环境因素的组合能在一个状态能持续较长时间，因而叶绿素浓度值在时间上的变化呈阶梯状曲线（常以叶绿素浓度值来反映浮游植物的生物量）。寻找叶绿素浓度值时间变化节点非常重要。基于卫星的生物量指标，如叶绿素浓度( Chl )数据，在时间和空间上都有高覆盖率，可以更好地估计不同尺度上浮游植物生物量的变化。然而，受云层和太阳高度角、太阳耀斑等因素的影响，卫星反演的数据会出现大量的错误，并被标记移除。最终只剩下20%的叶绿素数据为有效数据。而稀疏不均匀分布的数据集难以分析数据在时间尺度上的变化规律。
针对此难题，前人尝试用经验正交函数方法（EOF）来计算数据变化频率。经验正交函数方法的核心思想是分解数据为一组空间模式和时间系数，这些模式通常代表数据的长期趋势和空间分布。EOF平滑性质使其更适用于捕捉长时间序列的变化，而不是短期内的剧烈变化。且EOF分析更容易受到噪声的干扰，由于叶绿素数据缺失率高达80%，具有极大的噪声。叶绿素浓度发生突发性变化事件可能会被视为噪声，难以从EOF模式中准确识别出来。需要将每日的卫星数据整合为月平均数据，提高数据的时间空间覆盖率。但不能获取一个月以下时间尺度浮游植物生物量发生变化的规律。
综上，现有技术对于叶绿素变化时间规律的分析存在时间尺度分析结果下限太大的问题需要解决。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种确定叶绿素浓度变化时间规律的方法、装置、介质及设备，用以解决现有技术对于叶绿素变化规律的分析存在时间尺度分析结果下限太大的问题，包括以下步骤：
S1、获取目标区域的叶绿素浓度时间序列数据，所述目标区域被划分为若干像元；
S2、根据所述叶绿素浓度时间序列数据通过移动标准差饱和法获取各所述像元的叶绿素浓度平均移动标准差曲线；
S3、根据所述平均移动标准差曲线确定半饱和常数；
S4、根据所述半饱和常数以及叶绿素浓度时间序列数据的缺失率确定各所述像元的叶绿素浓度变化主导时间尺度；
步骤S2中的通过移动标准差饱和法获取叶绿素浓度平均移动标准差曲线，包括：
S21、根据目标区域的叶绿素浓度时间序列数据获取像元的叶绿素浓度时间序列数据；
S22、通过不同大小的时间窗口对所述像元的叶绿素浓度时间序列数据进行平均移动标准差计算，直至遍历时间窗口大小的取值范围；
S23、根据时间窗口的大小与对应的平均移动标准差计算结果获取所述像元的叶绿素浓度平均移动标准差曲线，所述平均移动标准差曲线横坐标为时间窗口的大小，纵坐标为平均移动标准差。
在一些实施例中，所述时间窗口的大小取值范围为3~400天。
在一些实施例中，步骤S2还包括：
S24、重复步骤S21至S23，直至遍历目标区域中的至少部分像元。
在一些实施例中，步骤S3包括：
根据所述平均移动标准差曲线基于莫诺方程生物学方程进行曲线拟合以获得拟合曲线方程，莫诺方程表示为：
，其中/>为拟合曲线的半饱和常数，/>表示平均移动标准差曲线的最大值；
还包括：
根据所述平均移动标准差曲线通过列文伯格-马夸尔特算法优化的取值，以使得拟合曲线与所述平均移动标准差曲线的差异减小。
在一些实施例中，步骤S3还包括：曲线拟合后获取曲线表示的半饱和常数。
在一些实施例中，步骤S3包括：
获取所述平均移动标准差曲线中的最大值；
根据所述平均移动标准差曲线获取当平均移动标准差取最大值的二分之一时对应的时间窗口大小，作为所述半饱和常数。
在一些实施例中，步骤S4包括：叶绿素浓度变化主导时间尺度与半饱和常数以及缺失率的关系表示为：
；
；
；
其中，表示叶绿素浓度变化主导时间尺度，/>天，/>表示半饱和常数，C表示缺失率。
本发明还提供一种确定叶绿素浓度变化时间规律的装置，包括：
获取模块，用于获取目标区域的叶绿素浓度时间序列数据，所述目标区域被划分为若干像元；
曲线构建模块，根据所述叶绿素浓度时间序列数据通过移动标准差饱和法获取各所述像元的叶绿素浓度平均移动标准差曲线；
常数确定模块，根据所述平均移动标准差曲线确定半饱和常数；
时间尺度确定模块，根据所述半饱和常数以及叶绿素浓度序列时间数据的缺失率确定各所述像元的叶绿素浓度变化主导时间尺度；
通过移动标准差饱和法获取叶绿素浓度平均移动标准差曲线，包括：
S21、根据目标区域的叶绿素浓度时间序列数据获取像元的叶绿素浓度时间序列数据；
S22、通过不同大小的时间窗口对所述像元的叶绿素浓度时间序列数据进行平均移动标准差计算，直至遍历时间窗口大小的取值范围；
S23、根据时间窗口的大小与对应的平均移动标准差计算结果获取所述像元的叶绿素浓度平均移动标准差曲线，所述平均移动标准差曲线横坐标为时间窗口的大小，纵坐标为平均移动标准差。
本发明还提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如上任一实施例所述的确定叶绿素浓度变化时间规律的方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一实施例所述的确定叶绿素浓度变化时间规律的方法。
本发明实施例至少具有以下有益效果：
本发明采用移动标准差饱和法估计叶绿素浓度的变化的主导时间尺度，优于现有技术的采用的经验正交函数算法，本发明实施例每个环节都针对单像元的时间序列数据，然后将完整的估算过程拓展到所有像元，得到全研究区浮游植物生物量的变化趋势。该种方法不用新构建数据矩阵，减少了数据维度，提高了运行效率。且不用对数据进行预处理，可以捕捉到更短时间的浮游植物生物量的变化规律。
此外，采用移动标准差饱和法用不同时间窗口下的平均移动标准差构建平均移动标准差曲线，曲线的斜率可以提供在整个时间序列中最能捕捉叶绿素浓度变异性的时间尺度信息。
附图说明
为了更清楚地说明本说明书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说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明提供的确定叶绿素浓度变化时间规律的方法流程示意图；
图2为采用经验正交函数法对数据集变化率的推导过程示意图；
图3为本发明实施例采用移动标准差饱和法对数据集变化率的推导过程示意图；
图4为本发明实施例的移动标准差饱和法的过程示意图；
图5为采用简单正弦曲线建模叶绿素周期获得的MOSS曲线示意图；
图6为采用复杂曲线建模叶绿素周期获得的MOSS曲线示意图；
图7为基于蒙特卡洛的模拟曲线数据示意图；
图8为本发明优选实施例流程示意图；
图9为本发明实施例结果示意图；
图10为本发明提供的确定叶绿素浓度变化时间规律的装置架构示意图；
图11为本发明提供的电子设备架构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合、分离、互换和/或重新布置。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。
这里使用的术语是为了描述具体实施例的目的，而不意图是限制性的。如这里所使用的，除非上下文另外清楚地指出，否则单数形式“一个(种、者)”和“所述(该)”也意图包括复数形式。此外，当在本说明书中使用术语“包含”和/或“包括”以及它们的变型时，说明存在所陈述的特征、整体、步骤、操作、部件、组件和/或它们的组，但不排除存在或附加一个或更多个其它特征、整体、步骤、操作、部件、组件和/或它们的组。还要注意的是，如这里使用的，术语“基本上”、“大约”和其它类似的术语被用作近似术语而不用作程度术语，如此，它们被用来解释本领域普通技术人员将认识到的测量值、计算值和/或提供的值的固有偏差。
本发明实施例旨在提供一种确定叶绿素浓度变化时间规律的方法，用以解决现有技术对于叶绿素变化规律的分析存在时间尺度分析结果下限太大的问题，如图1所示，包括以下步骤：
S1、获取目标区域的叶绿素浓度时间序列数据，所述目标区域被划分为若干像元；
应当理解的是，叶绿素浓度时间序列数据可以通过遥感技术获取，遥感数据的形式为栅格数据，每一景遥感数据都具有很多小栅格，本实施例中以每一个栅格为一个像元为例进行说明。
S2、根据所述叶绿素浓度时间序列数据通过移动标准差饱和法获取各所述像元的叶绿素浓度平均移动标准差（MOSS）曲线；
S3、根据所述平均移动标准差曲线确定半饱和常数；
S4、根据所述半饱和常数以及叶绿素浓度时间序列数据的缺失率确定各所述像元的叶绿素浓度变化主导时间尺度；
步骤S2中的通过移动标准差饱和法获取叶绿素浓度平均移动标准差曲线，包括：
S21、根据目标区域的叶绿素浓度时间序列数据获取像元的叶绿素浓度时间序列数据；
S22、通过不同大小的时间窗口对所述像元的叶绿素浓度时间序列数据进行平均移动标准差计算，直至遍历时间窗口大小的取值范围；
S23、根据时间窗口的大小与对应的平均移动标准差计算结果获取所述像元的叶绿素浓度平均移动标准差曲线，所述平均移动标准差曲线横坐标为时间窗口的大小，纵坐标为平均移动标准差。
为了估算短时间尺度浮游植物生物量的变化规律，相当于有估算叶绿素浓度发生变化的时间节点，本实施例提出一种方法，即移动标准差饱和法。基于单个像元的叶绿素时间序列数据，计算数据在一组固定时间间隔的移动时间窗口上的标准差，然后对不同大小的时间窗口进行重复计算。分析标准差与时间间隔窗口大小的曲线形状，以确定每个像元的时间序列的主导时间尺度。
利用移动标准差饱和法估算浮游植物生物量短时间尺度（一个月以下）的变化规律优于经验正交函数算法。利用经验正交函数算法计算数据集的变率时，如图2所示，需要将每个时间点上的叶绿素浓度分布展平为一个向量，得到数据矩阵。每一列代表一个时间点，每一行代表不同位置的叶绿素浓度。对数据矩阵进行空间协方差矩阵计算，以捕捉不同时间点之间的叶绿素浓度空间关系。将a像元值与其周边像元值整合成新的数据矩阵参与运算，需考虑像元间的时空关系，对于缺失率高的数据需进行数据预处理（均值、插值计算）以取得最优的计算结果。预处理过程会对数据进行平滑，使其难以捕捉到浮游植物生物量短时间尺度的变化规律。
而利用平均移动标准差饱和法估算浮游植物生物量的变化趋势，如图3所示，每个环节都针对单像元的时间序列数据，然后将完整的运算流程拓展到所有像元，得到全研究区浮游植物生物量的变化趋势。该种计算方法不用新构建数据矩阵，减少了数据维度，提高了运行效率。且不用对数据进行预处理，可以捕捉到更短时间的浮游植物生物量的变化规律。
因此，在一些实施例中，步骤S2还包括：
S24、重复步骤S21至S23，直至遍历目标区域中的至少部分像元。
本发明实施例的移动标准差饱和法采用的时间窗口不局限于固定时间间隔窗口，而是在窗口移动的同时，时间窗口的长度从时间T1（例如3天）开始，逐步增加窗口大小，以一天为单位，重复计算不同间隔时间窗口下的平均移动标准差，如图4所示。用不同时间窗口下的平均移动标准差构建平均移动标准差曲线，曲线的斜率可以提供在整个时间序列中最能捕捉叶绿素浓度变异性的时间尺度信息。较佳地，为了避免叶绿素数据的主导时间尺度出现年际变化率，较佳地，在一些实施例中，所述时间窗口的大小取值范围为3~400天。
采用不同时间窗口计算平均移动标准差意义包括：（1）灵活性和精细度： 不同时间间隔的窗口允许您在不同时间尺度上观察数据的变化。较短的时间窗口可以帮助您捕捉短期内的快速波动，而较长的时间窗口则适用于观察更长时间范围内的趋势。这提供了更灵活的分析选项，能够更精细地了解数据的不同特征。（2）事件检测：使用不同时间间隔窗口的重复计算可以检测突发事件。当某个窗口内的数据明显偏离平均值时，这可能表明叶绿素浓度发生了突发性变化。通过不同时间尺度的观察，可以更容易地确定叶绿素浓度发生变化的时间节点。（3）趋势确认：不同时间窗口的计算可以用于确认趋势的稳定性。如果在不同时间尺度上都观察到相似的趋势，可以更有信心地确定这些趋势是真实的，而不是短期波动的结果。
在一些实施例中，步骤S3包括：
根据所述平均移动标准差曲线基于莫诺（Monod）方程进行曲线拟合以获得拟合曲线方程，莫诺方程表示为：
，其中/>为拟合曲线的半饱和常数，/>表示平均移动标准差曲线的最大值。应当理解的是，/>的取值对于拟合曲线的斜率具有影响。
还包括：根据所述平均移动标准差曲线通过列文伯格-马夸尔特（Levenberg–Marquardt algorithm ）算法优化的取值，以使得拟合曲线与所述平均移动标准差曲线的差异减小。
Levenberg-Marquardt算法是一种用于非线性最小化问题的数值优化算法，特别适用于拟合模型到观测数据的情况。
在一些实施例中，步骤S3还包括：曲线拟合后获取曲线表示的半饱和常数。
本发明实施例将莫诺（Monod）方程应用于叶绿素浓度遥感数据分析，考虑到了海洋浮游植物的生物生长属性，结合Monod生物模型计算叶绿素浓度的变化规律，考虑到了浮游植物生长经历的延缓期、指数生长期、相对生长下降期、和静止期四个阶段，得到的浮游植物变化规律具有生物属性，计算的叶绿素浓度时间变化节点更精确。现有技术中多是利用数学模型或机器学习模型计算栅格影像数据的变化规律，得到叶绿素浓度变化规律。该种方法仅局限于栅格图像分析，没有考虑叶绿素浓度所反映的浮游植物本身的生长规律。
具体地，Monod方程是用于描述微生物生长动力学的方法之一，由法国微生物学家Jacques Monod于20世纪50年代初提出。该方法用于量化微生物在特定条件下的生长速率，并且通常用于研究细菌的生长。
Monod法基于一个简化的数学模型，描述了微生物生长速率（μ）与底物浓度（S）之间的关系。其基本形式可以表示为：
；
μ是微生物的生长速率。
是微生物在无限高底物浓度条件下的最大生长速率。
S是微生物生长所需的底物（例如，碳源、氮源等）的浓度。
是方程中的半饱和常数，表示微生物生长速率达到最大生长速率一半时底物浓度的值。
经过大量实验数据观察，获取的MOSS曲线走势与Monod方程相合，曲线性质相似。因此，曲线拟合后的半饱和常数可以被用于描述MOSS曲线发生变化的点，经过大量的数据研究发现半饱和常数/>与叶绿素浓度变化规律主导时间尺度/>存在着特定的关系。
应当理解的是，Monod方程可以帮助研究者了解微生物如何根据周围环境中底物的可用性来调节生长速率。当底物浓度很高时，生长速率通常接近最大值。然而，随着底物浓度的降低，生长速率会减慢并最终趋近于零。总的来说，Monod法通过描述微生物生长速率与底物浓度之间的关系，提供了一种理解和量化微生物生长动力学的重要工具。
在一些实施例中，步骤S3包括：
获取所述平均移动标准差曲线中的最大值；
根据所述平均移动标准差曲线获取当平均移动标准差取最大值的二分之一时对应的时间窗口大小，作为所述半饱和常数。
由于上述半饱和常数计算复杂不具有优势且拟合曲线达到最大标准差的时间滞后于实测数据的平均移动标准差曲线。所以在一些实施例中对于半饱和常数的获取进行了简化，本实施例通过实测数据（即通过平均移动标准差曲线）计算半饱和常数。计算平均移动标准差曲线的纵坐标最大值的一半在曲线上对应的时间窗口大小作为半饱和常数，以下记为/>。本实施例通过对半饱和常数进行简化估算，并且根据蒙特卡洛模拟（MonteCarlo simulations）可知，主导时间尺度/>与半饱和常数估值/>在长时间尺度上呈线性关系，但斜率和截距随缺失率变化。其中，Monte Carlo 模拟（蒙特卡洛模拟）是一种通过随机抽样和统计推断来解决复杂问题的数值计算方法。参考Weibull连续分布与列文伯格-马夸尔特（Levenberg–Marquardt algorithm ）算法可知叶绿素浓度变化主导时间尺度与半饱和常数以及缺失率的如下关系。
与上述实施例相比，是通过MOSS曲线估算的，/>是通过拟合曲线估算的。本实施例中的半饱和常数选择/>而没有选择/>原因：/>适于数据的复杂性和逼真度更高的情况，利用正弦曲线实验，对于表征季节性变化的合成时间序列来说，用简单的正弦曲线，如图5所示，进行建模过于简化了年度叶绿素（Chl）周期。本实施例提出了一种更为符合现实的合成时间序列，在冬季浮游植物休眠期间，叶绿素浓度变化可以忽略。这导致使用简单的正弦曲线来描述这种合成时间序列不再合适，而需要更复杂的模型，如图6所示。
此外，得到的半饱和常数估值使用 MOSS 分析方法对这些时间序列进行了分析，并发现尽管/>，即曲线的振幅减小了，但曲线的斜率和/>与完整正弦信号的情况相似。然而，在 Monod 拟合中，/>增加了大约30天。这说明在更复杂的情况下，/>的变化较大，并且在不同时间序列之间可能会有较大差异。综合考虑了以上两点因素，认为在描述MOSS 曲线斜率时，/>更为稳健和可靠。
在比较两个曲线时提供了相似的值，而在这种情况下，这两个曲线的斜率应该是相似的，甚至可能是相同的。另一方面，需要进行计算量较大的优化，但并未提供更多的优势或特别的解释能力。因此，选择使用/>作为表示 MOSS 曲线斜率的代表性参数，并用它进行不同时间序列的系统比较。总的来说，/>的稳健性和提供相似值的特性使其成为描述 MOSS 曲线斜率更为合适的选择，尤其是在处理更复杂或现实世界中的时间序列时。
在一些实施例中，步骤S4包括：叶绿素浓度变化主导时间尺度与半饱和常数以及缺失率的关系表示为：
；
；
；
其中，表示叶绿素浓度变化主导时间尺度，/>天，/>表示半饱和常数估值，C表示缺失率。
如图7所示，B图是A图前100个时间序列的数据放大图，图中的每条曲线基于蒙特卡洛模拟，其中创建了1000个时间序列，在计算MOSS方法得到半饱和常数之前，随机替换了值为NaN的数据点，并对每个C值（C为覆盖率，表示时间序列中有效值的百分比）计算了平均的KM值。在蒙特卡洛模拟中，不同覆盖率的结果曲线显示出在较长时间尺度下呈现线性关系，但斜率和截距取决于C。应用了线性关系表示。通过实验数据获得上述和C与/>之间的关联，并且证实当/>大于10天时，/>与/>的线性关系成立。因而本实施例采用的移动标准差饱和法可获得十天以上时间尺度叶绿素或者浮游植物的变化趋势。最终得到时间尺度的下限大大降低，本发明可以得到更为精细的叶绿素变化时间尺度描述。
在一些实施例中，如图8所示，先取单个像元的叶绿素浓度时间序列数据进行移动标准差饱和法以及指导时间尺度的计算，然后将移动标准差饱和法应用于整个目标区域的叶绿素浓度数据，计算所有像元的叶绿素浓度变化主导时间尺度，进而得到如图9所示的叶绿素浓度变化主导时间尺度分布图。
本发明还提供一种确定叶绿素浓度变化时间规律的装置，如图10所示，包括：
获取模块，用于获取目标区域的叶绿素浓度时间序列数据，所述目标区域被划分为若干像元；
曲线构建模块，根据所述叶绿素浓度时间序列数据通过移动标准差饱和法获取各所述像元的叶绿素浓度平均移动标准差曲线；
常数确定模块，根据所述平均移动标准差曲线确定半饱和常数；
时间尺度确定模块，根据所述半饱和常数以及叶绿素浓度时间序列数据的缺失率确定各所述像元的叶绿素浓度变化主导时间尺度；
通过移动标准差饱和法获取叶绿素浓度平均移动标准差曲线，包括：
S21、根据目标区域的叶绿素浓度时间序列数据获取像元的叶绿素浓度时间序列数据；
S22、通过不同大小的时间窗口对所述像元的叶绿素浓度时间序列数据进行平均移动标准差计算，直至遍历时间窗口大小的取值范围；
S23、根据时间窗口的大小与对应的平均移动标准差计算结果获取所述像元的叶绿素浓度平均移动标准差曲线，所述平均移动标准差曲线横坐标为时间窗口的大小，纵坐标为平均移动标准差。
本发明还提供一种电子设备，如图11所示，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如上任一实施例所述的确定叶绿素浓度变化时间规律的方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一实施例所述的确定叶绿素浓度变化时间规律的方法。
计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种确定叶绿素浓度变化时间规律的方法，其特征在于，包括以下步骤：
S1、获取目标区域的叶绿素浓度时间序列数据，所述目标区域被划分为若干像元；
S2、根据所述叶绿素浓度时间序列数据通过移动标准差饱和法获取各所述像元的叶绿素浓度平均移动标准差曲线；
S3、根据所述平均移动标准差曲线确定半饱和常数；
S4、根据所述半饱和常数以及叶绿素浓度时间序列数据的缺失率确定各所述像元的叶绿素浓度变化主导时间尺度；
步骤S2中的通过移动标准差饱和法获取叶绿素浓度平均移动标准差曲线，包括：
S21、根据目标区域的叶绿素浓度时间序列数据获取像元的叶绿素浓度时间序列数据；
S22、通过不同大小的时间窗口对所述像元的叶绿素浓度时间序列数据进行平均移动标准差计算，直至遍历时间窗口大小的取值范围；
S23、根据时间窗口的大小与对应的平均移动标准差计算结果获取所述像元的叶绿素浓度平均移动标准差曲线，所述平均移动标准差曲线横坐标为时间窗口的大小，纵坐标为平均移动标准差；
步骤S4包括：叶绿素浓度变化主导时间尺度与半饱和常数以及缺失率的关系表示为：
；
；
；
其中，表示叶绿素浓度变化主导时间尺度，/>天，/>表示半饱和常数，C表示缺失率。
2.根据权利要求1所述的确定叶绿素浓度变化时间规律的方法，其特征在于：所述时间窗口的大小取值范围为3天~400天。
3.根据权利要求2所述的确定叶绿素浓度变化时间规律的方法，其特征在于：步骤S2还包括：
S24、重复步骤S21至S23，直至遍历目标区域中的至少部分像元。
4.根据权利要求1所述的确定叶绿素浓度变化时间规律的方法，其特征在于：步骤S3包括：
根据所述平均移动标准差曲线基于莫诺方程进行曲线拟合以获得拟合曲线方程，莫诺方程表示为：，其中/>为拟合曲线的半饱和常数，/>表示平均移动标准差曲线的最大值；
还包括：根据所述平均移动标准差曲线通过列文伯格-马夸尔特算法优化的取值，以使得拟合曲线与所述平均移动标准差曲线的差异减小。
5.根据权利要求4所述的确定叶绿素浓度变化时间规律的方法，其特征在于：步骤S3还包括：曲线拟合后获取曲线表示的半饱和常数。
6.根据权利要求1所述的确定叶绿素浓度变化时间规律的方法，其特征在于：步骤S3包括：
获取所述平均移动标准差曲线中的最大值；
根据所述平均移动标准差曲线获取当平均移动标准差取最大值的二分之一时对应的时间窗口大小，作为所述半饱和常数。
7.一种确定叶绿素浓度变化时间规律的装置，其特征在于，包括：
获取模块，用于获取目标区域的叶绿素浓度时间序列数据，所述目标区域被划分为若干像元；
曲线构建模块，根据所述叶绿素浓度时间序列数据通过移动标准差饱和法获取各所述像元的叶绿素浓度平均移动标准差曲线；
常数确定模块，根据所述平均移动标准差曲线确定半饱和常数；
时间尺度确定模块，根据所述半饱和常数以及叶绿素浓度时间序列数据的缺失率确定各所述像元的叶绿素浓度变化主导时间尺度；
通过移动标准差饱和法获取叶绿素浓度平均移动标准差曲线，包括：
S21、根据目标区域的叶绿素浓度时间序列数据获取像元的叶绿素浓度时间序列数据；
S22、通过不同大小的时间窗口对所述像元的叶绿素浓度时间序列数据进行平均移动标准差计算，直至遍历时间窗口大小的取值范围；
S23、根据时间窗口的大小与对应的平均移动标准差计算结果获取所述像元的叶绿素浓度平均移动标准差曲线，所述平均移动标准差曲线横坐标为时间窗口的大小，纵坐标为平均移动标准差；
叶绿素浓度变化主导时间尺度与半饱和常数以及缺失率的关系表示为：
；
；
；
其中，表示叶绿素浓度变化主导时间尺度，/>天，/>表示半饱和常数，C表示缺失率。
8.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-6任一项所述的确定叶绿素浓度变化时间规律的方法。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的确定叶绿素浓度变化时间规律的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311768629.6A CN117435867B (zh) | 2023-12-21 | 2023-12-21 | 确定叶绿素浓度变化时间规律的方法、装置、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311768629.6A CN117435867B (zh) | 2023-12-21 | 2023-12-21 | 确定叶绿素浓度变化时间规律的方法、装置、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117435867A CN117435867A (zh) | 2024-01-23 |
| CN117435867B true CN117435867B (zh) | 2024-03-08 |
Family
ID=89555729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311768629.6A Active CN117435867B (zh) | 2023-12-21 | 2023-12-21 | 确定叶绿素浓度变化时间规律的方法、装置、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117435867B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038351A (zh) * | 2017-12-06 | 2018-05-15 | 武汉大学 | 一种基于遥感影像和水生态模型的叶绿素计算方法 |
| CN111444616A (zh) * | 2020-03-27 | 2020-07-24 | 三亚中科遥感研究所 | 海表叶绿素传输轨迹模拟方法 |
| CN113011397A (zh) * | 2021-04-27 | 2021-06-22 | 北京工商大学 | 基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法 |
| CN115146181A (zh) * | 2022-06-10 | 2022-10-04 | 河南省科学院地理研究所 | 一种基于时间序列的叶绿素a浓度产品时空重构方法 |
| CN115661661A (zh) * | 2022-11-09 | 2023-01-31 | 安徽大学 | 一种针对稀疏站点数据的叶绿素a浓度遥感反演方法 |
| CN116595290A (zh) * | 2023-07-17 | 2023-08-15 | 广东海洋大学 | 一种鉴别海洋物理要素影响叶绿素变化关键因子的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111967454B (zh) * | 2020-10-23 | 2021-01-08 | 自然资源部第二海洋研究所 | 基于混合像元的绿潮覆盖比例提取模型确定方法及设备 |
-
2023
- 2023-12-21 CN CN202311768629.6A patent/CN117435867B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038351A (zh) * | 2017-12-06 | 2018-05-15 | 武汉大学 | 一种基于遥感影像和水生态模型的叶绿素计算方法 |
| CN111444616A (zh) * | 2020-03-27 | 2020-07-24 | 三亚中科遥感研究所 | 海表叶绿素传输轨迹模拟方法 |
| CN113011397A (zh) * | 2021-04-27 | 2021-06-22 | 北京工商大学 | 基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法 |
| CN115146181A (zh) * | 2022-06-10 | 2022-10-04 | 河南省科学院地理研究所 | 一种基于时间序列的叶绿素a浓度产品时空重构方法 |
| CN115661661A (zh) * | 2022-11-09 | 2023-01-31 | 安徽大学 | 一种针对稀疏站点数据的叶绿素a浓度遥感反演方法 |
| CN116595290A (zh) * | 2023-07-17 | 2023-08-15 | 广东海洋大学 | 一种鉴别海洋物理要素影响叶绿素变化关键因子的方法 |
Non-Patent Citations (2)
| Title |
|---|
| Reconstruction of chlorophyll-a satellite data in Bohai and Yellow sea based on DINCAE method;Xiaomin Luo et.al;《International Journal of Remote Sensing》;20220627;第43卷(第9期);第3336-3358页 * |
| 黄渤海卫星遥感叶绿素a数据重构算法研究;罗晓敏;《中国优秀硕士学位论文全文数据库 (基础科学辑)》;20220915;A010-1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117435867A (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018099220A1 (zh) | 一种种植设备中植物病虫害预测方法及装置 | |
| CN110297218B (zh) | 基于生成对抗网络的雷达信号未知调制方式检测方法 | |
| CN111695290A (zh) | 一种适用于变化环境下的短期径流智能预报混合模型方法 | |
| CN110826764B (zh) | 基于随机森林算法的植被指数预测方法、系统及设备 | |
| CN110852149B (zh) | 基于分类和回归树算法的植被指数预测方法、系统及设备 | |
| CN117435867B (zh) | 确定叶绿素浓度变化时间规律的方法、装置、介质及设备 | |
| CN113899349B (zh) | 海浪参数检测方法、设备及存储介质 | |
| CN115345069A (zh) | 一种基于最大水深记录和机器学习的湖泊水量估算方法 | |
| CN110852475B (zh) | 基于极端梯度提升算法的植被指数预测方法、系统及设备 | |
| CN116703638A (zh) | 大棚蔬菜种植管理系统及其方法 | |
| CN109871584A (zh) | 一种基于log-sinh变换的区域月降水统计频率分析方法 | |
| CN113538239B (zh) | 一种基于时空自回归神经网络模型的插值方法 | |
| CN115146181A (zh) | 一种基于时间序列的叶绿素a浓度产品时空重构方法 | |
| CN111768101B (zh) | 一种顾及物候特征的遥感耕地变化检测方法及系统 | |
| CN107506779B (zh) | 一种植物茎干含水量的估算方法及系统 | |
| CN110751335B (zh) | 一种区域生态质量年景预测评价方法及装置 | |
| CN115438523B (zh) | 海洋三维叶绿素浓度数据重构方法、装置、设备及介质 | |
| Ndanguza et al. | Modeling and parameters estimation of a Spatial Predator-Prey distribution | |
| CN117808271B (zh) | 一种数字化农业肥料数据优化管理方法及系统 | |
| Du et al. | Bayesian Recursive Information Optical Imaging: A Ghost Imaging Scheme Based on Bayesian Filtering | |
| CN115014577B (zh) | 一种基于深度证据回归网络的水下温度场重构方法 | |
| CN117953376A (zh) | 一种基于数据分析的输电线路区域碳汇林评估方法及设备 | |
| CN117909691B (zh) | 一种海洋工程设计数据的获取系统及方法 | |
| He | Real-world solutions for improving estimates of land-atmosphere exchanges in heterogeneous landscapes | |
| CN113361596B (zh) | 一种传感器数据增广方法、系统及存储介质 |
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 |