CN117830823A - 一种城市水生态保护的水面率值域测算方法 - Google Patents
一种城市水生态保护的水面率值域测算方法 Download PDFInfo
- Publication number
- CN117830823A CN117830823A CN202311522632.XA CN202311522632A CN117830823A CN 117830823 A CN117830823 A CN 117830823A CN 202311522632 A CN202311522632 A CN 202311522632A CN 117830823 A CN117830823 A CN 117830823A
- Authority
- CN
- China
- Prior art keywords
- water
- data
- edge
- area
- water body
- 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 1091
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 140
- 238000009826 distribution Methods 0.000 claims abstract description 78
- 238000004364 calculation method Methods 0.000 claims abstract description 57
- 238000001228 spectrum Methods 0.000 claims abstract description 52
- 230000003595 spectral effect Effects 0.000 claims abstract description 51
- 239000012472 biological sample Substances 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 239000000523 sample Substances 0.000 claims abstract description 15
- 238000002347 injection Methods 0.000 claims abstract description 10
- 239000007924 injection Substances 0.000 claims abstract description 10
- 230000033001 locomotion Effects 0.000 claims description 98
- 230000014509 gene expression Effects 0.000 claims description 90
- 230000009182 swimming Effects 0.000 claims description 84
- 108090000623 proteins and genes Proteins 0.000 claims description 44
- 230000008859 change Effects 0.000 claims description 38
- 230000007613 environmental effect Effects 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 28
- 230000002103 transcriptional effect Effects 0.000 claims description 27
- 239000000090 biomarker Substances 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 23
- 238000013518 transcription Methods 0.000 claims description 23
- 230000035897 transcription Effects 0.000 claims description 23
- 238000007619 statistical method Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000010201 enrichment analysis Methods 0.000 claims description 8
- 230000000813 microbial effect Effects 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 8
- 238000010195 expression analysis Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000005452 bending Methods 0.000 claims description 5
- 230000004660 morphological change Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 26
- 230000006870 function Effects 0.000 description 19
- 244000005700 microbiome Species 0.000 description 15
- 239000000284 extract Substances 0.000 description 12
- 238000007726 management method Methods 0.000 description 12
- 230000004044 response Effects 0.000 description 12
- 230000006399 behavior Effects 0.000 description 9
- 238000010230 functional analysis Methods 0.000 description 9
- 238000003708 edge detection Methods 0.000 description 8
- 238000013508 migration Methods 0.000 description 7
- 230000005012 migration Effects 0.000 description 7
- 239000003086 colorant Substances 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000002349 favourable effect Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000012163 sequencing technique Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000002123 RNA extraction Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008844 regulatory mechanism Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004071 biological effect Effects 0.000 description 2
- 210000000746 body region Anatomy 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000007400 DNA extraction Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000012252 genetic analysis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000010839 reverse transcription Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 239000013598 vector Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V20/176—Urban or other man-made structures
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及水面率计算领域,尤其涉及一种城市水生态保护的水面率值域测算方法。该方法包括以下步骤:利用卫星遥感技术获取目标区域图像;对目标区域图像进行多光谱分析,以生成水陆光谱数据;基于水陆光谱数据对目标区域图像进行水陆轮廓识别,以标记水陆轮廓;根据水陆轮廓对目标区域图像进行水域边缘划分,以构建水域图像;基于水域图像对目标检测水域进行水体生物采集,以得到水体生物样本;对水体生物样本进行微流控芯片阵列注入处理,并将水体生物样本放回目标检测水域,以获取水体生物特征数据;对水体生物特征数据进行水生物空间分布分析,以生成水生物空间分布数据。本发明实现了准确的水面率值域计算。
Description
技术领域
本发明涉及水面率计算领域,尤其涉及一种城市水生态保护的水面率值域测算方法。
背景技术
水面率是评估城市水体覆盖程度的重要指标,它反映了城市水生态系统的健康状况和生态功能。在城市规划和水资源管理中,了解水面率的变化和分布情况对于科学决策和有效管理至关重要。传统的水面率测算方法通常使用遥感影像和地理信息系统(GIS)技术来获取水体的边界,并计算水体面积与城市总面积的比例,往往存在着计算效率不高、准确的问题,为了满足城市水生态保护对水面率的更深入分析和评估需求,需要一种智能化的水面率值域测算方法,即能够对水面率进行细致的统计和分析,以获取更多有关水体分布和质量的信息。
发明内容
本发明为解决上述技术问题,提出了一种城市水生态保护的水面率值域测算方法,以解决至少一个上述技术问题。
为实现上述目的,本发明提供一种城市水生态保护的水面率值域测算方法,包括以下步骤:
步骤S1:利用卫星遥感技术获取目标区域图像;对目标区域图像进行多光谱分析,以生成水陆光谱波长数据;基于水陆光谱波长数据对目标区域图像进行水陆轮廓识别,以标记水陆轮廓;
步骤S2:根据水陆轮廓对目标区域图像进行水域边缘划分,以构建水域图像;基于水域图像对目标检测水域进行水体生物采集,以得到水体生物样本;对水体生物样本进行微流控芯片阵列注入处理,并将水体生物样本放回目标检测水域,以获取水体生物特征数据;
步骤S3:对水体生物特征数据进行水生物空间分布分析,以生成水生物空间分布数据;通过水生物空间分布数据对水体生物特征数据进行游动路径分析,以生成游动路径数据;对游动路径数据进行轨迹拟合,构建水体生物游动轨迹图;
步骤S4:通过微流控芯片阵列对水体生物特征数据进行微生物转录表达谱分析,生成转录表达谱数据;通过转录表达谱数据对水体生物游动轨迹图进行水体类型分析,以获得水环境类型数据;通过水环境类型数据对水域图像进行水环境定点匹配,以得到水域分类区块图像;
步骤S5:通过水体生物游动轨迹图对水域分类区块图像进行水域边缘重构,获取水域边缘数据;利用水域边缘数据水域分类区块图像进行水面覆盖率计算,以生成区块水域水面覆盖率数据;
步骤S6:将每个区块水域水面覆盖率数据进行统计分析,生成水域图像水面覆盖率;通过水域图像水面覆盖率对水域图像进行水面边缘覆盖优化,构建超像素水域水面覆盖率地图;利用超像素水域水面覆盖率地图对目标区域图像进行水面率值域计算,得到水面率数据,以执行水面率值域测算作业。
本发明通过水陆光谱波长数据提供了水体和陆地的光谱特征,有助于将目标区域图像中的水体和陆地进行区分,多光谱分析可以捕捉到不同波段的信息,包括水体的吸收和反射特性,从而更准确地判断水域的边界,通过水陆光谱波长数据,可以快速准确地识别出目标区域图像中的水陆轮廓,为后续的水域边缘划分和水体生物采集提供准确的标记,水域边缘划分可以将目标区域图像中的水体与陆地进行分离,使得后续的水体生物采集更加准确和高效,通过对水体生物样本的采集和处理,可以获取水体生物的特征数据,包括种类、数量、分布等信息,这对于后续的水生物空间分布分析和游动路径分析提供了基础数据,水生物空间分布分析可以揭示水体生物的分布规律和生态特征,为水体类型分析和水体环境评估提供科学依据,游动路径分析和轨迹拟合可以帮助理解水生物的迁徙和行为模式,为水生态系统的保护和管理提供重要参考,微生物转录表达谱分析可以揭示水体生物的基因表达情况,提供了对水生物进行更深入研究的手段,通过转录表达谱数据,可以了解水体生物的遗传特征和功能,水体类型分析基于转录表达谱数据,可以将水体生物游动轨迹图中的不同类型进行分类,如不同种类的水生生物或不同水体环境的区块,这有助于了解水体生物的分布和环境特征,通过水环境类型数据和水域分类区块图像,可以更准确地识别和划分水体的不同类型和区域,水域边缘重构可以根据水体生物游动轨迹图对水域分类区块图像进行精确的边缘提取,得到水域的边界数据,这有助于更准确地了解水域的形状和范围,通过水域边缘数据计算水面覆盖率,可以评估水体在目标区域图像中的覆盖程度,水面覆盖率是对水体分布和水域特征的定量描述,对水资源管理和环境研究具有重要意义,通过统计分析每个区块水域水面覆盖率数据,可以了解不同区块水体的覆盖情况,从而得到水域图像的整体水面覆盖率,这有助于定量评估水体在目标区域图像中的分布和占比,利用超像素水域水面覆盖率地图对目标区域图像进行水面率值域计算,可以得到水面率数据,水面率是指目标区域图像中水体所占像素的比例,是对水体分布和水域特征的定量描述,具有重要的地理信息。
优选地,步骤S1包括以下步骤:
步骤S11:利用卫星遥感技术获取目标区域图像;
步骤S12:对目标区域图像进行混合像元分解,生成光谱比例图;
步骤S13:对光谱比例图进行光谱波长分析,生成水陆光谱波长数据;
步骤S14:根据水陆光谱波长数据对目标区域图像进行光谱波段形态变化检测,生成水陆光谱差异频段;
步骤S15:基于水陆光谱差异频段对目标区域图像进行水陆轮廓识别,以标记水陆轮廓。
本发明通过卫星遥感技术可以获取大范围的目标区域图像,提供高分辨率的空间数据,目标区域图像可以提供详细的地表信息,包括水体和陆地的分布、形态和空间关系等,混合像元分解可以通过分析图像中的像素混合情况,将每个像素的光谱分解为不同的比例成分,光谱比例图可以提供每个像素所包含的不同光谱成分的比例信息,包括水体和陆地等,光谱波长分析可以识别出光谱比例图中不同波段的特征,包括水体和陆地的光谱响应差异,水陆光谱波长数据提供了水体和陆地的光谱特征,有助于将目标区域图像中的水体和陆地进行区分,光谱波段形态变化检测可以通过比较不同波段之间的差异来识别水体和陆地的区别,水陆光谱差异频段提供了目标区域图像中水体和陆地之间的光谱差异信息,有助于进一步的水陆辨别和轮廓识别,水陆轮廓识别可以利用水陆光谱波长数据对目标区域图像中的水体和陆地进行准确的边界划分,标记水陆轮廓有助于进一步的水域边缘提取和水面率值域测算,为水体分析和水资源管理提供基础数据。
优选地,步骤S2包括以下步骤:
步骤S21:根据水陆轮廓对目标区域图像进行水域边缘识别处理,以获取水域边缘数据;
步骤S22:对目标区域图像进行连通区域分析,以得到连通区域数据;
步骤S23:根据水域边缘数据对目标区域图像进行边界平滑处理,以构建边界平滑区域图像;
步骤S24:根据连通区域数据对边界平滑区域图像进行水域边缘阈值化分割,以构建水域图像;
步骤S25:基于水域图像对目标检测水域进行水体生物采集,以得到水体生物样本;
步骤S26:对水体生物样本进行微流控芯片阵列注入处理,并将水体生物样本放回目标检测水域,以获取水体生物特征数据。
本发明通过水域边缘识别处理可以通过分析水陆轮廓和图像特征,准确提取出水域的边缘信息,水域边缘数据提供了水体边界的几何形状和位置信息,为后续的水面率值域测算提供了基础,连通区域分析可以将目标区域图像中的像素根据相邻关系进行分组,形成连通的区域,连通区域数据提供了水域区域的拓扑结构和空间分布信息,有助于对水域进行进一步的分析和处理,边界平滑处理可以通过对水域边缘数据进行滤波或插值等操作,使水域边界更加光滑和连续,边界平滑区域图像提供了经过平滑处理后的水域边界信息,有助于准确计算水面率值域,水域边缘阈值化分割可以根据连通区域数据和边界平滑区域图像,将水域部分与陆地部分进行分割,水域图像提供了水体区域的二值化表示,即将水域像素设置为前景,陆地像素设置为背景,为水面率值域测算提供了基础数据,水域图像可以用于定位水体区域,从而指导水体生物采集的位置和范围,水体生物采集可以获取水域中的生物样本,包括水生植物、浮游生物、底栖生物等,为水体生物特征数据的获取提供了基础,微流控芯片阵列注入处理可以对水体生物样本进行精确的分析和操作,例如细胞分类、浓度测量等,将水体生物样本放回目标检测水域可以保持生物样本的原生态环境,确保获取的水体生物特征数据的准确性和可靠性。
优选地,步骤S3包括以下步骤:
步骤S31:对水体生物特征数据进行区域样本密度估计,以生成区域水体生物密度;
步骤S32:根据区域水体生物密度对水体生物特征数据进行生态位宽度分析,以生成生态位宽度数据;
步骤S33:根据生态位宽度数据对水体生物特征数据进行水生物空间分布分析,以生成水生物空间分布数据;
步骤S34:通过水生物空间分布数据对水体生物特征数据进行游动路径分析,以生成游动路径数据;
步骤S35:对游动路径数据进行轨迹特征提取,以生成轨迹特征数据,轨迹特征数据包括速度、加速度及运动方向;
步骤S36:根据轨迹特征数据对游动路径数据进行轨迹拟合,构建水体生物游动轨迹图。
本发明通过区域样本密度估计可以通过对水体生物特征数据在不同区域的分布情况进行统计和分析,推断出各个区域的水体生物密度,区域水体生物密度提供了不同区域内水体生物的数量信息,可以帮助了解水体生物的分布情况和集中程度,生态位宽度分析可以基于区域水体生物密度,计算出水体生物在空间上的生活范围宽度,生态位宽度数据提供了水体生物在空间上的生态位信息,可以评估水体生物的空间适应能力和资源利用情况,水生物空间分布分析可以将水体生物特征数据与生态位宽度数据结合,分析水体生物在不同空间范围内的分布情况,水生物空间分布数据提供了水体生物在水域中的分布模式和趋势信息,有助于理解水体生物的栖息地偏好和生态系统结构,游动路径分析可以根据水生物在水体中的空间分布,推断出水体生物的游动路径和运动轨迹,游动路径数据提供了水体生物在水域中的运动路径信息,有助于研究水体生物的迁徙、活动范围和行为模式,轨迹特征提取可以从游动路径数据中提取出水体生物的关键运动特征,如速度、加速度和运动方向等,轨迹特征数据提供了水体生物在游动过程中的运动信息,有助于分析水体生物的运动策略和行为特征,轨迹拟合可以基于轨迹特征数据,将离散的游动路径数据拟合成连续的轨迹曲线,水体生物游动轨迹图提供了水体生物在水域中的运动轨迹可视化,可以帮助研究者更直观地理解水体生物的运动模式和路径选择。
优选地,步骤S34包括以下步骤:
步骤S341:通过水生物空间分布数据对水体生物特征数据进行运动频率识别,以生成运动频率数据;
步骤S342:根据运动频率数据对水体生物特征数据进行空间移动分析,以构建空间移动图;
步骤S343:对空间移动图进行游动路径分析,以生成游动路径数据。
本发明通过运动频率识别可以通过水生物在水体中的空间分布,分析水体生物的运动活动频率,运动频率数据提供了水体生物在水域中运动的频率信息,有助于了解水体生物的活动强度和节律性,空间移动分析可以基于运动频率数据,将水体生物特征数据在空间上进行聚合和分析,构建出水体生物的空间移动图,空间移动图提供了水体生物在水域中的移动模式和趋势信息,有助于研究水体生物的迁徙路径、聚集区域和分散区域,游动路径分析可以从空间移动图中提取出水体生物的具体游动路径和运动轨迹,游动路径数据提供了水体生物在水域中的具体运动路径信息,有助于研究水体生物的游动策略、行为特征和空间利用模式。
优选地,步骤S4包括以下步骤:
步骤S41:通过微流控芯片阵列对水体生物特征数据进行微生物转录表达谱分析,生成转录表达谱数据;
步骤S42:对转录表达谱数据进行水体成分差异识别,以生成水体成分差异数据;
步骤S43:通过水体成分差异数据对水体生物游动轨迹图进行水体类型分析,以获得水环境类型数据,水环境类型数据包括湖泊、河流、湿地及水库;
步骤S44:通过水环境类型数据对水域图像进行水环境定点匹配,以得到水域分类区块图像。
本发明通过微生物转录表达谱分析可以使用微流控芯片阵列技术对水体生物特征数据中的微生物进行转录表达谱的测定和分析,转录表达谱数据提供了水体中微生物的基因表达信息,可以揭示水体中微生物的功能和活动状态,帮助了解水体生物群落的组成和功能特征,水体成分差异识别可以通过比较不同样本或区域之间的转录表达谱数据,识别出水体中不同成分之间的差异,水体成分差异数据提供了水体中不同成分的相对丰度或表达差异信息,有助于了解水体中不同生物群落或物种的分布和相对重要性,水体类型分析可以利用水体成分差异数据,对水体生物游动轨迹图进行分类和归类,确定水体的环境类型,水环境类型数据提供了水体的分类信息,如湖泊、河流、湿地及水库等,有助于了解水体的基本类型和特征,水环境定点匹配可以利用水环境类型数据,将水域图像中的不同区块进行分类和定位,生成水域分类区块图像,水域分类区块图像提供了水体中不同类型区域的空间分布和定位信息,有助于进行水面率值域测算的区域划分和分析。
优选地,步骤S41包括以下步骤:
步骤S411:通过微流控芯片阵列对水体生物特征数据进行转录组序列提取,以获取DNA转录组序列数据;
步骤S412:对DNA转录组序列数据进行时序差异基因分析,生成时序差异基因数据;
步骤S413:根据时序差异基因数据对DNA转录组序列数据进行环境差异表达分析,以生成环境差异表达数据;
步骤S414:基于环境差异表达数据对DNA转录组序列数据进行功能富集分析,以生成环境功能变化数据;
步骤S415:通过环境功能变化数据对水体生物特征数据进行生物标志物鉴定,生成生物标志物参数;
步骤S416:通过生物标志物参数对环境差异表达数据进行动态转录组学分析,生成转录表达谱数据。
本发明通过转录组序列提取利用微流控芯片阵列技术,从水体生物特征数据中提取出DNA转录组的序列信息,DNA转录组序列数据包含了水体生物的基因组成和基因序列信息,为后续的分析提供了基础数据,时序差异基因分析可以比较不同时间点或时间序列上的DNA转录组序列数据,识别出在不同时间点上表达差异显著的基因,时序差异基因数据提供了基因在不同时间点上的表达变化情况,有助于研究水体生物在时间上的响应和调控机制,环境差异表达分析可以利用时序差异基因数据,比较不同环境条件下的DNA转录组序列数据,识别出在不同环境条件下表达差异显著的基因,环境差异表达数据提供了基因在不同环境条件下的表达变化情况,有助于研究水体生物对环境的响应和适应机制,功能富集分析可以利用环境差异表达数据,对DNA转录组序列数据中不同ially expressed genes进行功能注释和富集分析,环境功能变化数据提供了在不同环境条件下基因功能的变化情况,有助于研究水体生物对环境变化的功能响应和生态适应能力,生物标志物鉴定利用环境功能变化数据,识别出在不同环境条件下具有显著变化的基因或基因集合作为生物标志物,生物标志物参数提供了水体生物特征数据中与环境变化密切相关的特定基因或基因集合,可用于评估水体环境质量和生态健康,动态转录组学分析利用生物标志物参数,对环境差异表达数据进行进一步的转录组解读和分析,转录表达谱数据提供了水体生物在不同环境条件下基因表达的谱系信息,有助于研究水体生物对环境变化的响应和适应机制。
优选地,步骤S5包括以下步骤:
步骤S51:通过水体生物游动轨迹图对水域图像进行活动边缘区域提取,以生成边缘区域;
步骤S52:对边缘区域进行边缘轨迹连接,以获取边缘轨迹连线;
步骤S53:通过边缘轨迹连线对水域分类区块图像进行水域边缘重构,获取水域边缘数据;
步骤S54:对水域分类区块图像进行像素区块划分,生成多个像素区块;
步骤S55:利用水域边缘数据对边缘区域进行边缘像素计算,以生成边缘像素数据;
步骤S56:利用边缘像素数据对每个像素区块进行边缘像素遍历,生成边缘像素区块;
步骤S57:根据边缘像素区块利用水面边缘覆盖率像素计算公式对水域分类区块图像进行水面覆盖率计算,以生成区块水域水面覆盖率数据。
本发明通过水体生物游动轨迹图提供了水域中生物活动的信息,可以通过分析轨迹图来确定水域的活动边缘区域,边缘区域的提取可以帮助确定水域中边界位置,并为后续的边缘轨迹连接提供基础数据,边缘轨迹连接可以将边缘区域中的分散轨迹点连接起来,形成连续的边缘轨迹线,边缘轨迹连线提供了水域边缘的几何形状信息,有助于后续的水域边缘重构和边缘像素计算,水域边缘重构利用边缘轨迹连线,将水域分类区块图像中的边缘区域进行重构,得到更准确的水域边缘数据,水域边缘数据提供了水域的几何形状和边界信息,为后续的像素区块划分和边缘像素计算提供基础,像素区块划分将水域分类区块图像划分为多个小块,每个像素区块包含一组相邻的像素点,像素区块的划分为后续的边缘像素计算和水面覆盖率计算提供了基础,使得对每个区块的处理更加精细和准确,边缘像素计算利用水域边缘数据,统计边缘区域中的像素点数量,得到边缘像素的数量信息,边缘像素数据提供了边缘区域的像素统计结果,用于后续的水面覆盖率计算和区块水域水面覆盖率数据的生成,边缘像素遍历利用边缘像素数据,对每个像素区块进行像素点的遍历和筛选,得到属于边缘的像素点集合,边缘像素区块提供了每个像素区块中属于边缘的像素点信息,用于后续的水面覆盖率计算和区块水域水面覆盖率数据的生成,水面边缘覆盖率像素计算公式利用边缘像素区块和水域分类区块图像,计算每个区块中水面的覆盖率,区块水域水面覆盖率数据提供了每个区块中水面的覆盖程度信息,用于测算水域的水面率值域。
优选地,步骤S57中的水面边缘覆盖率像素计算公式具体为:
为面边缘覆盖率像素值,为水体面积,为水体边缘区域面积,为边缘像素区块大小,为边缘像素区块总数,为边缘像素值,为水体边缘长度,为水体边缘区域在水体面积中的密度,为水体边缘区域的弯曲程度,为水体边缘区域的曲率,为水体边缘的平均半径,为水域边缘轮廓权重值,为水域图像的像素值。
本发明通过计算水体面积和水体边缘区域面积的比值,并对其开方,该比值可以反映水体边缘相对于整体水体区域的面积占比,通过开方操作,可以增强边缘面积对水面边缘覆盖率的贡献,通过计算边缘像素值和水体边缘长度之间的比值的自然对数,边缘像素值可以表示边缘的明暗程度,而水体边缘长度可以表示边缘的曲线程度,通过取对数,可以增强边缘像素值和边缘长度对水面边缘覆盖率的影响,计算边缘像素区块大小和水体面积之和的自然对数,边缘像素区块大小反映了边缘的大小,而水体面积则表示了整体水体的大小,通过取对数,可以增强边缘像素区块大小和水体面积对水面边缘覆盖率的影响,计算了水体边缘区域在水体面积中的密度、弯曲程度和曲率的乘积,并除以水体边缘的平均半径和水域边缘轮廓权重值,综合了边缘区域的多个特征,并考虑了边缘的形状和特征对水面边缘覆盖率的影响,将水域图像的像素值乘以前面计算得到的结果,水域图像的像素值反映了图像中每个像素的水面覆盖程度,通过乘以前面的计算结果,可以综合考虑边缘特征和水面覆盖程度对水面边缘覆盖率的影响,公式通过多个步骤综合考虑了水体面积、边缘区域面积、边缘像素区块大小、边缘像素区块总数、边缘像素值、水体边缘长度、边缘区域特征等因素对水面边缘覆盖率的影响,通过对比和组合这些因素,可以得到更准确的水面边缘覆盖率像素值。
优选地,步骤S6包括以下步骤:
步骤S61:将每个区块水域水面覆盖率数据进行统计分析,生成水域图像水面覆盖率;
步骤S62:对水域图像进行超像素分割,生成超像素特征区块;
步骤S63:通过水域图像水面覆盖率对超像素特征区块进行水面边缘覆盖优化,构建超像素水面覆盖率地图;
步骤S64:利用超像素水面覆盖率地图对目标区域图像进行水面率值域计算,得到水面率数据,以执行水面率值域测算作业。
本发明通过对每个区块水域水面覆盖率数据进行统计分析可以得到水域图像中不同区块的水面覆盖率信息,统计分析的结果可以用于生成水域图像的水面覆盖率,即确定整个水域图像中水面所占比例,超像素分割将水域图像划分为多个具有相似颜色和纹理特征的超像素区块,超像素特征区块提供了更高级别的图像信息,将复杂的水域图像简化为一组更易处理的区块,有利于后续的水面边缘覆盖优化和水面率值域计算,水面边缘覆盖优化利用水域图像的水面覆盖率信息,对超像素特征区块进行调整,使水面边缘更加准确地对应水域的实际边界,构建超像素水面覆盖率地图提供了整个水域图像中每个超像素区块的水面覆盖率信息,为水面率值域计算提供基础,利用超像素水面覆盖率地图可以对目标区域图像进行水面率值域计算,即确定目标区域中水面所占的比例,水面率数据提供了目标区域的水面率值域信息,用于执行水面率值域测算作业,可以应用于水域管理、环境监测等领域。
附图说明
图1为本发明一种城市水生态保护的水面率值域测算方法的步骤流程示意图;
图2为步骤S1的详细实施步骤流程示意图;
图3为步骤S2的详细实施步骤流程示意图;
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
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。
本申请实例提供一种城市水生态保护的水面率值域测算方法。所述城市水生态保护的水面率值域测算方法的执行主体包括但不限于搭载该系统的:机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点,所述数据处理平台包括但不限于:音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图4,本发明提供一种城市水生态保护的水面率值域测算方法,所述方法包括以下步骤:
步骤S1:利用卫星遥感技术获取目标区域图像;对目标区域图像进行多光谱分析,以生成水陆光谱波长数据;基于水陆光谱波长数据对目标区域图像进行水陆轮廓识别,以标记水陆轮廓;
步骤S2:根据水陆轮廓对目标区域图像进行水域边缘划分,以构建水域图像;基于水域图像对目标检测水域进行水体生物采集,以得到水体生物样本;对水体生物样本进行微流控芯片阵列注入处理,并将水体生物样本放回目标检测水域,以获取水体生物特征数据;
步骤S3:对水体生物特征数据进行水生物空间分布分析,以生成水生物空间分布数据;通过水生物空间分布数据对水体生物特征数据进行游动路径分析,以生成游动路径数据;对游动路径数据进行轨迹拟合,构建水体生物游动轨迹图;
步骤S4:通过微流控芯片阵列对水体生物特征数据进行微生物转录表达谱分析,生成转录表达谱数据;通过转录表达谱数据对水体生物游动轨迹图进行水体类型分析,以获得水环境类型数据;通过水环境类型数据对水域图像进行水环境定点匹配,以得到水域分类区块图像;
步骤S5:通过水体生物游动轨迹图对水域分类区块图像进行水域边缘重构,获取水域边缘数据;利用水域边缘数据水域分类区块图像进行水面覆盖率计算,以生成区块水域水面覆盖率数据;
步骤S6:将每个区块水域水面覆盖率数据进行统计分析,生成水域图像水面覆盖率;通过水域图像水面覆盖率对水域图像进行水面边缘覆盖优化,构建超像素水域水面覆盖率地图;利用超像素水域水面覆盖率地图对目标区域图像进行水面率值域计算,得到水面率数据,以执行水面率值域测算作业。
本发明通过水陆光谱波长数据提供了水体和陆地的光谱特征,有助于将目标区域图像中的水体和陆地进行区分,多光谱分析可以捕捉到不同波段的信息,包括水体的吸收和反射特性,从而更准确地判断水域的边界,通过水陆光谱波长数据,可以快速准确地识别出目标区域图像中的水陆轮廓,为后续的水域边缘划分和水体生物采集提供准确的标记,水域边缘划分可以将目标区域图像中的水体与陆地进行分离,使得后续的水体生物采集更加准确和高效,通过对水体生物样本的采集和处理,可以获取水体生物的特征数据,包括种类、数量、分布等信息,这对于后续的水生物空间分布分析和游动路径分析提供了基础数据,水生物空间分布分析可以揭示水体生物的分布规律和生态特征,为水体类型分析和水体环境评估提供科学依据,游动路径分析和轨迹拟合可以帮助理解水生物的迁徙和行为模式,为水生态系统的保护和管理提供重要参考,微生物转录表达谱分析可以揭示水体生物的基因表达情况,提供了对水生物进行更深入研究的手段,通过转录表达谱数据,可以了解水体生物的遗传特征和功能,水体类型分析基于转录表达谱数据,可以将水体生物游动轨迹图中的不同类型进行分类,如不同种类的水生生物或不同水体环境的区块,这有助于了解水体生物的分布和环境特征,通过水环境类型数据和水域分类区块图像,可以更准确地识别和划分水体的不同类型和区域,水域边缘重构可以根据水体生物游动轨迹图对水域分类区块图像进行精确的边缘提取,得到水域的边界数据,这有助于更准确地了解水域的形状和范围,通过水域边缘数据计算水面覆盖率,可以评估水体在目标区域图像中的覆盖程度,水面覆盖率是对水体分布和水域特征的定量描述,对水资源管理和环境研究具有重要意义,通过统计分析每个区块水域水面覆盖率数据,可以了解不同区块水体的覆盖情况,从而得到水域图像的整体水面覆盖率,这有助于定量评估水体在目标区域图像中的分布和占比,利用超像素水域水面覆盖率地图对目标区域图像进行水面率值域计算,可以得到水面率数据,水面率是指目标区域图像中水体所占像素的比例,是对水体分布和水域特征的定量描述,具有重要的地理信息。
本发明实施例中,参考图1所述,为本发明一种城市水生态保护的水面率值域测算方法的步骤流程示意图,在本实例中,所述城市水生态保护的水面率值域测算方法的步骤包括:
步骤S1:利用卫星遥感技术获取目标区域图像;对目标区域图像进行多光谱分析,以生成水陆光谱波长数据;基于水陆光谱波长数据对目标区域图像进行水陆轮廓识别,以标记水陆轮廓;
本实施例中,选择适当的卫星遥感数据源,如Landsat、Sentinel等,确保数据源具有高空间分辨率和适当的光谱范围,获取目标区域的卫星遥感图像数据,确保所获取的卫星遥感图像数据与目标区域的空间范围和时间范围一致,对获取的目标区域图像进行预处理,包括辐射校正、大气校正等,以消除图像中的噪声和干扰,利用多光谱分析方法,对预处理后的图像进行光谱特征提取。这可以包括计算各个波段的统计指标,如平均值、方差等,或者应用更高级的光谱指数,如归一化植被指数(NDVI)、水体指数(WI)等,生成水陆光谱波长数据。这些数据可以包括每个像素点的光谱数值或光谱特征向量,设定水陆光谱分类的阈值或阈值范围。根据多光谱分析的结果和实际情况,选择适当的阈值或一组阈值,以将图像中的水体和陆地分割开,对目标区域图像中的每个像素点,将其光谱数值与设定的阈值进行比较,如果像素点的光谱数值满足水体的光谱特征,将其标记为水域;否则,将其标记为陆地,根据标记的结果,生成水陆轮廓。可以用不同的颜色或灰度值表示水域和陆地。
步骤S2:根据水陆轮廓对目标区域图像进行水域边缘划分,以构建水域图像;基于水域图像对目标检测水域进行水体生物采集,以得到水体生物样本;对水体生物样本进行微流控芯片阵列注入处理,并将水体生物样本放回目标检测水域,以获取水体生物特征数据;
本实施例中,获取水陆轮廓标记的目标区域图像,该图像上水域和陆地已经被标记为不同的区域或像素值,根据水陆轮廓,确定水域的边缘位置。可以使用边缘检测算法(如Canny算法)或基于像素连通性的方法来识别水域的边缘,根据水域边缘位置,将目标区域图像中的水域部分提取出来,生成水域图像。可以通过将水域部分的像素值保留,而将陆地部分的像素值设为背景值来实现水域的提取,利用适当的水体生物采集工具,如网具、捕鱼器具等,在目标检测到的水域区域进行水体生物采集。这可以包括鱼类、浮游生物、水生植物等,在水域图像中标记出采集的位置或区域,利用微流控芯片阵列技术,将水体生物样本注入到微流控芯片的相应通道或腔室中。微流控芯片可以具有多个微小的通道或腔室,用于控制和分析生物样本,在微流控芯片中对水体生物样本进行处理,如培养、染色、分离等,以获取水体生物的特征数据。这可以包括生物数量、生物形态特征、遗传信息等,处理完毕后,将处理后的水体生物样本放回目标检测的水域,确保其生存和保持其自然状态。
步骤S3:对水体生物特征数据进行水生物空间分布分析,以生成水生物空间分布数据;通过水生物空间分布数据对水体生物特征数据进行游动路径分析,以生成游动路径数据;对游动路径数据进行轨迹拟合,构建水体生物游动轨迹图;
本实施例中,获取水体生物特征数据,这可以包括水生物数量、生物形态特征、遗传信息等。确保数据具有空间坐标信息,对水体生物特征数据进行预处理,包括数据清洗、去除异常值等。确保数据的准确性和可靠性,根据水体生物特征数据中的空间坐标信息,使用适当的空间分析方法进行分析。这可以包括密度分析、空间插值、聚类分析等,进行水生物空间分布分析,以生成水生物的空间分布图。可以利用地理信息系统(GIS)软件或专业的空间分析工具来进行分析和可视化。根据水生物特征数据中的时间戳和空间坐标信息,计算水生物个体之间的移动距离和移动方向。可以使用距离计算方法,如欧氏距离或曼哈顿距离,进行游动路径分析,以生成每个水生物个体的游动路径数据。这可以包括记录水生物个体的位置坐标、时间戳和移动距离等信息,根据游动路径数据的时间顺序和空间坐标,使用拟合算法对水生物个体的游动轨迹进行拟合,根据拟合结果,生成水体生物的游动轨迹图。可以使用地图或坐标系来表示水生物的位置和移动路径。
步骤S4:通过微流控芯片阵列对水体生物特征数据进行微生物转录表达谱分析,生成转录表达谱数据;通过转录表达谱数据对水体生物游动轨迹图进行水体类型分析,以获得水环境类型数据;通过水环境类型数据对水域图像进行水环境定点匹配,以得到水域分类区块图像;
本实施例中,在微流控芯片中进行微生物转录表达谱分析。这可以包括RNA提取、逆转录、扩增和测序等步骤。确保分析过程符合转录组学研究的标准操作流程,根据测序数据,进行数据处理和分析,包括序列拼接、质量控制、差异表达分析等。这可以使用生物信息学软件或工具来实施,获取转录表达谱数据和水体生物游动轨迹图数据。转录表达谱数据包括基因表达水平信息,而水体生物游动轨迹图数据包括水生物的位置和移动路径信息,根据转录表达谱数据和水体生物游动轨迹图数据,进行数据整合和分析。可以使用统计学方法、机器学习算法或人工智能技术进行分析,利用分析结果,对水体生物游动轨迹图进行水体类型分析。这可以包括确定水体生物所处的水环境类型,如湖泊、河流、海洋等,生成水环境类型数据,以表示水体生物游动轨迹图中不同位置所对应的水环境类型。这可以是分类标签、数字编码或地理空间数据,建立水环境类型数据与水域图像之间的匹配关系。可以通过地理信息系统(GIS)软件或图像处理算法来实现。将水环境类型数据中的水环境类型与水域图像中对应位置的像素进行匹配,根据匹配结果,将水域图像进行水环境定点分类。将水域图像中的不同水环境类型区块用不同的颜色或标签进行标记,以生成水域分类区块图像。
步骤S5:通过水体生物游动轨迹图对水域分类区块图像进行水域边缘重构,获取水域边缘数据;利用水域边缘数据水域分类区块图像进行水面覆盖率计算,以生成区块水域水面覆盖率数据;
本实施例中,获取水体生物游动轨迹图和水域分类区块图像,水体生物游动轨迹图包含水生物的位置和移动轨迹信息,而水域分类区块图像表示了不同水环境类型的区块信息根据水体生物游动轨迹图,在水域分类区块图像中进行水域边缘重构,可以使用边缘检测算法,如Canny算法或Sobel算法,来提取水域边缘对提取的水域边缘进行数据处理和优化,这可以包括边缘连接、去除噪点和填充断裂等操作,以获得连续且准确的水域边缘数据利用水域边缘数据,计算每个区块的水面覆盖率,水面覆盖率表示水域所占区块的比例,可以通过将水域边缘与区块进行相交计算,得到水域边缘与区块的交集面积,再除以区块的总面积来计算水面覆盖率生成区块水域水面覆盖率数据,将计算得到的水面覆盖率与对应的区块进行关联,得到每个区块的水面覆盖率数据。
步骤S6:将每个区块水域水面覆盖率数据进行统计分析,生成水域图像水面覆盖率;通过水域图像水面覆盖率对水域图像进行水面边缘覆盖优化,构建超像素水域水面覆盖率地图;利用超像素水域水面覆盖率地图对目标区域图像进行水面率值域计算,得到水面率数据,以执行水面率值域测算作业。
本实施例中,将每个区块的水域水面覆盖率数据进行统计分析。对于每个区块,将其水域水面覆盖率数据进行统计,可以计算平均水面覆盖率、最大水面覆盖率、最小水面覆盖率等指标。这些统计指标可以用于描述水域的水面分布情况和水面覆盖率的变化,通过水域图像水面覆盖率对水域图像进行水面边缘覆盖优化。利用水域图像的水面覆盖率数据,可以对水域图像进行边缘覆盖优化,即将水域的边缘区域进行标记或修正,以提高水域边缘的准确性和连续性。可以使用图像处理算法,如边缘检测算法或分割算法,对水域图像进行处理构建超像素水域水面覆盖率地图。超像素是对图像进行分割的一种技术,将图像分割为具有相似特征的小块。利用水域图像的水面覆盖率数据,可以将水域图像转换为超像素水域水面覆盖率地图,其中每个超像素块都带有水面覆盖率信息。这可以通过超像素分割算法和水面覆盖率数据的映射来实现利用超像素水域水面覆盖率地图对目标区域图像进行水面率值域计算。将目标区域图像与超像素水域水面覆盖率地图进行比对,可以计算目标区域图像中每个像素点的水面率值通过对目标区域图像的水面率值进行统计和分析,可以得到水面率数据,包括平均水面率、最大水面率、最小水面率等指标。
本实施例中,参考图2所述,为步骤S1的详细实施步骤流程示意图,本实施例中,所述步骤S1的详细实施步骤包括:
步骤S11:利用卫星遥感技术获取目标区域图像;
步骤S12:对目标区域图像进行混合像元分解,生成光谱比例图;
步骤S13:对光谱比例图进行光谱波长分析,生成水陆光谱波长数据;
步骤S14:根据水陆光谱波长数据对目标区域图像进行光谱波段形态变化检测,生成水陆光谱差异频段;
步骤S15:基于水陆光谱差异频段对目标区域图像进行水陆轮廓识别,以标记水陆轮廓。
本发明通过卫星遥感技术可以获取大范围的目标区域图像,提供高分辨率的空间数据,目标区域图像可以提供详细的地表信息,包括水体和陆地的分布、形态和空间关系等,混合像元分解可以通过分析图像中的像素混合情况,将每个像素的光谱分解为不同的比例成分,光谱比例图可以提供每个像素所包含的不同光谱成分的比例信息,包括水体和陆地等,光谱波长分析可以识别出光谱比例图中不同波段的特征,包括水体和陆地的光谱响应差异,水陆光谱波长数据提供了水体和陆地的光谱特征,有助于将目标区域图像中的水体和陆地进行区分,光谱波段形态变化检测可以通过比较不同波段之间的差异来识别水体和陆地的区别,水陆光谱差异频段提供了目标区域图像中水体和陆地之间的光谱差异信息,有助于进一步的水陆辨别和轮廓识别,水陆轮廓识别可以利用水陆光谱波长数据对目标区域图像中的水体和陆地进行准确的边界划分,标记水陆轮廓有助于进一步的水域边缘提取和水面率值域测算,为水体分析和水资源管理提供基础数据。
本实施例中,使用卫星遥感传感器获取目标区域的图像数据。卫星遥感传感器可以捕捉地球表面的光学、热红外或微波等电磁波,并将其转化为数字图像数据,根据需要选择合适的卫星和传感器。不同的卫星和传感器具有不同的分辨率、波段和数据获取能力,根据应用需求选择适合的卫星和传感器,进行混合像元分解。混合像元分解是一种将复杂地物覆盖情况拆分成不同光谱成分的方法。常用的方法包括主成分分析(PCA)、线性混合模型(LMM)和多光谱混合分析等。通过应用适当的混合像元分解方法,可以获取光谱比例图,其中每个像素点表示不同光谱成分的比例根据混合像元分解的结果,将每个像素点的光谱比例转化为相应的图像表示,生成光谱比例图选择感兴趣的波段范围进行分析。根据具体应用需求,选择与水陆分类相关的波段范围,如可见光、红外或热红外等波段,根据所选波段范围,从光谱比例图中提取每个像素点的光谱曲线数据,对提取的光谱曲线数据进行光谱波长分析,包括光谱特征提取、波段分析和波段组合等操作。通过分析不同波长的光谱特征,可以获取水陆光谱波长数据将获取的水陆光谱波长数据与目标区域图像进行对应,以便后续的光谱差异分析,通过比较不同光谱波段之间的差异,可以检测出水和陆地之间的光谱变化。常用的方法包括差异图像计算、阈值分割和光谱指数计算等,根据光谱波段形态变化检测的结果,可以确定水陆光谱差异的频段范围。这些频段表示了水和陆地在不同波段上的光谱差异,利用光谱差异频段的信息,对目标区域图像进行水陆分类,根据水域分类结果,可以通过边缘检测或连通区域分析等方法提取水域的轮廓信息。轮廓可以表示水域的边界形状和空间分布,将提取的水域轮廓标记在目标区域图像上,以便进行可视化或进一步的分析。可以使用不同的颜色或标记方式将水域轮廓与陆地区域区分开来。
本实施例中,参考图3所述,为步骤S2的详细实施步骤流程示意图,本实施例中,所述步骤S2的详细实施步骤包括:
步骤S21:根据水陆轮廓对目标区域图像进行水域边缘识别处理,以获取水域边缘数据;
步骤S22:对目标区域图像进行连通区域分析,以得到连通区域数据;
步骤S23:根据水域边缘数据对目标区域图像进行边界平滑处理,以构建边界平滑区域图像;
步骤S24:根据连通区域数据对边界平滑区域图像进行水域边缘阈值化分割,以构建水域图像;
步骤S25:基于水域图像对目标检测水域进行水体生物采集,以得到水体生物样本;
步骤S26:对水体生物样本进行微流控芯片阵列注入处理,并将水体生物样本放回目标检测水域,以获取水体生物特征数据。
本发明通过水域边缘识别处理可以通过分析水陆轮廓和图像特征,准确提取出水域的边缘信息,水域边缘数据提供了水体边界的几何形状和位置信息,为后续的水面率值域测算提供了基础,连通区域分析可以将目标区域图像中的像素根据相邻关系进行分组,形成连通的区域,连通区域数据提供了水域区域的拓扑结构和空间分布信息,有助于对水域进行进一步的分析和处理,边界平滑处理可以通过对水域边缘数据进行滤波或插值等操作,使水域边界更加光滑和连续,边界平滑区域图像提供了经过平滑处理后的水域边界信息,有助于准确计算水面率值域,水域边缘阈值化分割可以根据连通区域数据和边界平滑区域图像,将水域部分与陆地部分进行分割,水域图像提供了水体区域的二值化表示,即将水域像素设置为前景,陆地像素设置为背景,为水面率值域测算提供了基础数据,水域图像可以用于定位水体区域,从而指导水体生物采集的位置和范围,水体生物采集可以获取水域中的生物样本,包括水生植物、浮游生物、底栖生物等,为水体生物特征数据的获取提供了基础,微流控芯片阵列注入处理可以对水体生物样本进行精确的分析和操作,例如细胞分类、浓度测量等,将水体生物样本放回目标检测水域可以保持生物样本的原生态环境,确保获取的水体生物特征数据的准确性和可靠性。
本实施例中,可以使用图像处理的方法,如边缘检测算法(如Canny算法)或基于梯度的边缘检测算法,对水域轮廓进行识别和提取,提取得到的水域边缘数据可以表示为一系列的边缘点或边缘线段,对目标区域图像进行二值化处理,将水域与陆地区域分割出来。可以使用阈值分割算法,将图像中的水域区域设为白色,陆地区域设为黑色,对二值化后的图像进行连通区域分析,识别出不同的连通区域。连通区域是指图像中具有相同像素值且相互连接的像素集合,对连通区域进行分析和处理,可以获取各个连通区域的特征数据,如面积、周长、中心坐标等,对目标区域图像进行边界平滑处理。可以使用图像处理算法,如高斯滤波或中值滤波等,对水域边缘进行平滑处理,平滑处理可以减少边缘的噪声和不规则性,使得边界线更加平滑和连续,根据阈值将边界平滑区域图像分割为水域和非水域两部分,得到水域图像,水域图像中的白色区域表示水域,黑色区域表示非水域,识别和提取得到的水体生物可以表示为一系列的生物样本,可以包括生物的位置、大小、形状等信息,将水体生物样本注入到微流控芯片阵列中,微流控芯片可以控制和分离生物样本,使其在芯片中流动和定位,在微流控芯片中对水体生物样本进行处理,如分离、分类、培养等,以获取更详细和精确的水体生物特征数据,处理后的水体生物样本可以被放回到目标检测水域中,保持生物的完整性和生存状态。
本实施例中,参考图4所述,为步骤S3的详细实施步骤流程示意图,本实施例中,所述步骤S3的详细实施步骤包括:
步骤S31:对水体生物特征数据进行区域样本密度估计,以生成区域水体生物密度;
步骤S32:根据区域水体生物密度对水体生物特征数据进行生态位宽度分析,以生成生态位宽度数据;
步骤S33:根据生态位宽度数据对水体生物特征数据进行水生物空间分布分析,以生成水生物空间分布数据;
步骤S34:通过水生物空间分布数据对水体生物特征数据进行游动路径分析,以生成游动路径数据;
步骤S35:对游动路径数据进行轨迹特征提取,以生成轨迹特征数据,轨迹特征数据包括速度、加速度及运动方向;
步骤S36:根据轨迹特征数据对游动路径数据进行轨迹拟合,构建水体生物游动轨迹图。
本发明通过区域样本密度估计可以通过对水体生物特征数据在不同区域的分布情况进行统计和分析,推断出各个区域的水体生物密度,区域水体生物密度提供了不同区域内水体生物的数量信息,可以帮助了解水体生物的分布情况和集中程度,生态位宽度分析可以基于区域水体生物密度,计算出水体生物在空间上的生活范围宽度,生态位宽度数据提供了水体生物在空间上的生态位信息,可以评估水体生物的空间适应能力和资源利用情况,水生物空间分布分析可以将水体生物特征数据与生态位宽度数据结合,分析水体生物在不同空间范围内的分布情况,水生物空间分布数据提供了水体生物在水域中的分布模式和趋势信息,有助于理解水体生物的栖息地偏好和生态系统结构,游动路径分析可以根据水生物在水体中的空间分布,推断出水体生物的游动路径和运动轨迹,游动路径数据提供了水体生物在水域中的运动路径信息,有助于研究水体生物的迁徙、活动范围和行为模式,轨迹特征提取可以从游动路径数据中提取出水体生物的关键运动特征,如速度、加速度和运动方向等,轨迹特征数据提供了水体生物在游动过程中的运动信息,有助于分析水体生物的运动策略和行为特征,轨迹拟合可以基于轨迹特征数据,将离散的游动路径数据拟合成连续的轨迹曲线,水体生物游动轨迹图提供了水体生物在水域中的运动轨迹可视化,可以帮助研究者更直观地理解水体生物的运动模式和路径选择。
本实施例中,对每个小区域内的水体生物特征数据进行统计和分析,计算该区域内的水体生物样本数量或密度,可以使用统计方法如核密度估计、K近邻算法等,对水体生物样本在每个小区域内的分布情况进行估计,得到区域水体生物密度数据,生态位宽度是指水体生物在空间上的分布范围,可以反映水体生物的生态适应能力和资源利用情况,可以根据区域水体生物密度的分布情况和梯度变化,计算出每个区域内水体生物的生态位宽度数据,可以根据生态位宽度数据,将水体生物特征数据分为不同的空间分布类型,如集中分布、均匀分布、聚集分布等,分析水生物的空间分布特征可以帮助了解水体生物的栖息环境偏好、种群分布规律等信息,对水体生物特征数据进行游动路径分析,根据水生物在不同空间位置的分布情况,计算水体生物在水域中的游动路径数据,如移动距离、移动方向等,游动路径数据可以反映水体生物的活动范围、迁徙行为等信息,对轨迹数据进行特征提取,计算水体生物在每个时间点的速度、加速度以及运动方向等轨迹特征,轨迹特征数据可以用于描述水体生物的运动行为、活动模式等信息,可以利用数学模型或算法,将轨迹特征数据与游动路径数据进行拟合,得到水体生物的游动轨迹图,游动轨迹图可以用于可视化水体生物的运动轨迹。
本实施例中,步骤S34包括以下步骤:
步骤S341:通过水生物空间分布数据对水体生物特征数据进行运动频率识别,以生成运动频率数据;
步骤S342:根据运动频率数据对水体生物特征数据进行空间移动分析,以构建空间移动图;
步骤S343:对空间移动图进行游动路径分析,以生成游动路径数据。
本发明通过运动频率识别可以通过水生物在水体中的空间分布,分析水体生物的运动活动频率,运动频率数据提供了水体生物在水域中运动的频率信息,有助于了解水体生物的活动强度和节律性,空间移动分析可以基于运动频率数据,将水体生物特征数据在空间上进行聚合和分析,构建出水体生物的空间移动图,空间移动图提供了水体生物在水域中的移动模式和趋势信息,有助于研究水体生物的迁徙路径、聚集区域和分散区域,游动路径分析可以从空间移动图中提取出水体生物的具体游动路径和运动轨迹,游动路径数据提供了水体生物在水域中的具体运动路径信息,有助于研究水体生物的游动策略、行为特征和空间利用模式。
本实施例中,运动频率是指水体生物在单位时间内的运动次数或频率,可以反映水体生物的活动水平,可以根据水生物在不同区域的分布情况,计算每个区域内水体生物的运动频率数据,用于后续分析,空间移动分析可以揭示水体生物在空间上的移动趋势和模式,可以根据运动频率数据的空间分布情况,将水体生物特征数据分为不同的移动类型,如静止、缓慢移动、快速移动等,根据不同类型的移动,构建空间移动图,反映水体生物在水域中的空间移动模式,可以提取游动路径的起点、终点、路径长度、路径形状等信息,分析游动路径数据可以揭示水体生物的游动行为、迁徙路线等信息。
本实施例中,步骤S4包括以下步骤:
步骤S41:通过微流控芯片阵列对水体生物特征数据进行微生物转录表达谱分析,生成转录表达谱数据;
步骤S42:对转录表达谱数据进行水体成分差异识别,以生成水体成分差异数据;
步骤S43:通过水体成分差异数据对水体生物游动轨迹图进行水体类型分析,以获得水环境类型数据,水环境类型数据包括湖泊、河流、湿地及水库;
步骤S44:通过水环境类型数据对水域图像进行水环境定点匹配,以得到水域分类区块图像。
本发明通过微生物转录表达谱分析可以使用微流控芯片阵列技术对水体生物特征数据中的微生物进行转录表达谱的测定和分析,转录表达谱数据提供了水体中微生物的基因表达信息,可以揭示水体中微生物的功能和活动状态,帮助了解水体生物群落的组成和功能特征,水体成分差异识别可以通过比较不同样本或区域之间的转录表达谱数据,识别出水体中不同成分之间的差异,水体成分差异数据提供了水体中不同成分的相对丰度或表达差异信息,有助于了解水体中不同生物群落或物种的分布和相对重要性,水体类型分析可以利用水体成分差异数据,对水体生物游动轨迹图进行分类和归类,确定水体的环境类型,水环境类型数据提供了水体的分类信息,如湖泊、河流、湿地及水库等,有助于了解水体的基本类型和特征,水环境定点匹配可以利用水环境类型数据,将水域图像中的不同区块进行分类和定位,生成水域分类区块图像,水域分类区块图像提供了水体中不同类型区域的空间分布和定位信息,有助于进行水面率值域测算的区域划分和分析。
本实施例中,使用微流控芯片阵列技术,将水体生物样本加载到芯片上的微小通道中进行处理和分析,在微流控芯片上,可以进行微生物的单细胞分离、RNA提取和转录组测序等步骤,以获取微生物的转录表达谱数据,转录表达谱数据包括微生物在不同基因上的表达水平信息,利用转录表达谱数据,对水体中不同样本或区域之间的成分差异进行分析,可以使用统计学方法如差异表达基因分析、聚类分析等,识别不同样本间的基因表达差异,并确定与水体成分相关的差异特征,水体成分差异数据可以反映不同样本或区域之间的生物组成差异,可以通过对水体成分差异数据的特征提取和分类算法,将水体生物游动轨迹图分为不同的水环境类型,如湖泊、河流、湿地、水库等,水环境类型数据可以提供关于水体类型的信息,有助于理解水体的生态特征和环境状况,水环境定点匹配是指将水环境类型数据中定义的水体类型与实际水域图像进行匹配,确定每个图像区块所属的水体类型,可以使用图像处理和机器学习方法,将水体类型的空间分布特征与水域图像进行匹配,生成水域分类区块图像,用于水体类型的空间可视化和分析。
本实施例中,步骤S41包括以下步骤:
步骤S411:通过微流控芯片阵列对水体生物特征数据进行转录组序列提取,以获取DNA转录组序列数据;
步骤S412:对DNA转录组序列数据进行时序差异基因分析,生成时序差异基因数据;
步骤S413:根据时序差异基因数据对DNA转录组序列数据进行环境差异表达分析,以生成环境差异表达数据;
步骤S414:基于环境差异表达数据对DNA转录组序列数据进行功能富集分析,以生成环境功能变化数据;
步骤S415:通过环境功能变化数据对水体生物特征数据进行生物标志物鉴定,生成生物标志物参数;
步骤S416:通过生物标志物参数对环境差异表达数据进行动态转录组学分析,生成转录表达谱数据。
本发明通过转录组序列提取利用微流控芯片阵列技术,从水体生物特征数据中提取出DNA转录组的序列信息,DNA转录组序列数据包含了水体生物的基因组成和基因序列信息,为后续的分析提供了基础数据,时序差异基因分析可以比较不同时间点或时间序列上的DNA转录组序列数据,识别出在不同时间点上表达差异显著的基因,时序差异基因数据提供了基因在不同时间点上的表达变化情况,有助于研究水体生物在时间上的响应和调控机制,环境差异表达分析可以利用时序差异基因数据,比较不同环境条件下的DNA转录组序列数据,识别出在不同环境条件下表达差异显著的基因,环境差异表达数据提供了基因在不同环境条件下的表达变化情况,有助于研究水体生物对环境的响应和适应机制,功能富集分析可以利用环境差异表达数据,对DNA转录组序列数据中不同ially expressed genes进行功能注释和富集分析,环境功能变化数据提供了在不同环境条件下基因功能的变化情况,有助于研究水体生物对环境变化的功能响应和生态适应能力,生物标志物鉴定利用环境功能变化数据,识别出在不同环境条件下具有显著变化的基因或基因集合作为生物标志物,生物标志物参数提供了水体生物特征数据中与环境变化密切相关的特定基因或基因集合,可用于评估水体环境质量和生态健康,动态转录组学分析利用生物标志物参数,对环境差异表达数据进行进一步的转录组解读和分析,转录表达谱数据提供了水体生物在不同环境条件下基因表达的谱系信息,有助于研究水体生物对环境变化的响应和适应机制。
本实施例中,在微流控芯片上,可以进行微生物的单细胞分离、RNA提取和转录组测序等步骤,以获取微生物的转录表达谱数据,在微流控芯片上,进行DNA提取和转录组测序等步骤,以获取水体生物的DNA转录组序列数据,DNA转录组序列数据包括水体生物在基因组层面的序列信息,利用DNA转录组序列数据,对水体生物样本在不同时间点上的基因表达差异进行分析,可以使用差异表达基因分析方法,比较不同时间点的基因表达水平,识别出具有时序差异的基因,时序差异基因数据记录了水体生物在不同时间点上表达变化显著的基因,可以使用统计学方法如差异表达基因分析、聚类分析等,比较不同环境条件下的基因表达水平,识别与环境差异相关的基因,环境差异表达数据记录了水体生物在不同环境条件下表达变化显著的基因,为后续的功能富集分析和生物标志物鉴定提供依据,利用环境差异表达数据,对DNA转录组序列数据中的差异基因进行功能注释和富集分析,可以使用生物信息学工具和数据库,如基因本体论、KEGG通路分析等,将差异基因映射到特定的生物学功能和通路,环境功能变化数据包括水体生物在不同环境条件下功能富集的结果,可以揭示水体生物对环境变化的响应和适应机制,对水体生物特征数据进行生物标志物鉴定,可以根据环境功能变化数据中显著变化的功能和通路,选择特定的生物标志物作为指标,生物标志物参数用于描述水体生物特征数据中与环境差异相关的关键指标,可以使用高级统计学和机器学习方法,如时间序列分析、回归模型等,研究生物标志物与环境变化之间的关系,动态转录组学分析可以揭示水体生物在不同环境条件下的转录调控机制和响应模式,生成转录表达谱数据,提供更深入的理解和解释水体生物的适应性和生态响应。
本实施例中,步骤S5包括以下步骤:
步骤S51:通过水体生物游动轨迹图对水域图像进行活动边缘区域提取,以生成边缘区域;
步骤S52:对边缘区域进行边缘轨迹连接,以获取边缘轨迹连线;
步骤S53:通过边缘轨迹连线对水域分类区块图像进行水域边缘重构,获取水域边缘数据;
步骤S54:对水域分类区块图像进行像素区块划分,生成多个像素区块;
步骤S55:利用水域边缘数据对边缘区域进行边缘像素计算,以生成边缘像素数据;
步骤S56:利用边缘像素数据对每个像素区块进行边缘像素遍历,生成边缘像素区块;
步骤S57:根据边缘像素区块利用水面边缘覆盖率像素计算公式对水域分类区块图像进行水面覆盖率计算,以生成区块水域水面覆盖率数据。
本发明通过水体生物游动轨迹图提供了水域中生物活动的信息,可以通过分析轨迹图来确定水域的活动边缘区域,边缘区域的提取可以帮助确定水域中边界位置,并为后续的边缘轨迹连接提供基础数据,边缘轨迹连接可以将边缘区域中的分散轨迹点连接起来,形成连续的边缘轨迹线,边缘轨迹连线提供了水域边缘的几何形状信息,有助于后续的水域边缘重构和边缘像素计算,水域边缘重构利用边缘轨迹连线,将水域分类区块图像中的边缘区域进行重构,得到更准确的水域边缘数据,水域边缘数据提供了水域的几何形状和边界信息,为后续的像素区块划分和边缘像素计算提供基础,像素区块划分将水域分类区块图像划分为多个小块,每个像素区块包含一组相邻的像素点,像素区块的划分为后续的边缘像素计算和水面覆盖率计算提供了基础,使得对每个区块的处理更加精细和准确,边缘像素计算利用水域边缘数据,统计边缘区域中的像素点数量,得到边缘像素的数量信息,边缘像素数据提供了边缘区域的像素统计结果,用于后续的水面覆盖率计算和区块水域水面覆盖率数据的生成,边缘像素遍历利用边缘像素数据,对每个像素区块进行像素点的遍历和筛选,得到属于边缘的像素点集合,边缘像素区块提供了每个像素区块中属于边缘的像素点信息,用于后续的水面覆盖率计算和区块水域水面覆盖率数据的生成,水面边缘覆盖率像素计算公式利用边缘像素区块和水域分类区块图像,计算每个区块中水面的覆盖率,区块水域水面覆盖率数据提供了每个区块中水面的覆盖程度信息,用于测算水域的水面率值域。
本实施例中,对游动轨迹图像进行预处理,包括去除噪声、调整图像对比度和亮度等,以提高后续边缘区域提取的准确性,使用图像处理技术,如边缘检测算法(如Canny算法)或基于图像梯度的方法,对水域图像进行边缘检测,提取出水体活动的边缘区域,对提取的边缘区域进行边缘连接处理,将相邻的边缘片段连接起来形成连续的边缘轨迹,可以使用曲线拟合算法(如最小二乘法)或基于连通性的算法,将边缘片段连接成平滑的边缘轨迹,将边缘轨迹连线应用于水域分类区块图像,将边缘轨迹处的像素标记为水域的边缘像素,边缘像素的位置和分布信息构成了水域边缘数据,用于后续的像素区块划分和边缘像素计算,将水域分类区块图像划分为多个像素区块,每个像素区块包含一组连续的像素,可以使用图像分割算法,如基于阈值、基于区域生长、基于边缘等方法,将水域分类区块图像划分为多个独立的像素区块,利用水域边缘数据,确定边缘区域的边界范围,对边缘区域内的像素进行计数,得到边缘像素的数量,边缘像素数据记录了边缘区域中的边缘像素数量,用于后续的边缘像素区块生成和水面覆盖率计算。对每个像素区块进行边缘像素遍历,判断每个像素是否属于边缘像素,如果像素属于边缘像素,将其添加到相应的边缘像素区块中,遍历完成后,每个边缘像素区块包含了属于该区块的边缘像素,对每个像素区块中的边缘像素进行统计,得到边缘像素的数量,利用水面边缘覆盖率像素计算公式,将边缘像素数量转换为水面覆盖率数据,对每个像素区块进行水面覆盖率计算,得到区块的水域水面覆盖率数据。
本实施例中,步骤S57中的水面边缘覆盖率像素计算公式具体为:
为面边缘覆盖率像素值,为水体面积,为水体边缘区域面积,为边缘像素区块大小,为边缘像素区块总数,为边缘像素值,为水体边缘长度,为水体边缘区域在水体面积中的密度,为水体边缘区域的弯曲程度,为水体边缘区域的曲率,为水体边缘的平均半径,为水域边缘轮廓权重值,为水域图像的像素值。
本发明通过计算水体面积和水体边缘区域面积的比值,并对其开方,该比值可以反映水体边缘相对于整体水体区域的面积占比,通过开方操作,可以增强边缘面积对水面边缘覆盖率的贡献,通过计算边缘像素值和水体边缘长度之间的比值的自然对数,边缘像素值可以表示边缘的明暗程度,而水体边缘长度可以表示边缘的曲线程度,通过取对数,可以增强边缘像素值和边缘长度对水面边缘覆盖率的影响,计算边缘像素区块大小和水体面积之和的自然对数,边缘像素区块大小反映了边缘的大小,而水体面积则表示了整体水体的大小,通过取对数,可以增强边缘像素区块大小和水体面积对水面边缘覆盖率的影响,计算了水体边缘区域在水体面积中的密度、弯曲程度和曲率的乘积,并除以水体边缘的平均半径和水域边缘轮廓权重值,综合了边缘区域的多个特征,并考虑了边缘的形状和特征对水面边缘覆盖率的影响,将水域图像的像素值乘以前面计算得到的结果,水域图像的像素值反映了图像中每个像素的水面覆盖程度,通过乘以前面的计算结果,可以综合考虑边缘特征和水面覆盖程度对水面边缘覆盖率的影响,公式通过多个步骤综合考虑了水体面积、边缘区域面积、边缘像素区块大小、边缘像素区块总数、边缘像素值、水体边缘长度、边缘区域特征等因素对水面边缘覆盖率的影响,通过对比和组合这些因素,可以得到更准确的水面边缘覆盖率像素值。
本实施例中,步骤S6包括以下步骤:
步骤S61:将每个区块水域水面覆盖率数据进行统计分析,生成水域图像水面覆盖率;
步骤S62:对水域图像进行超像素分割,生成超像素特征区块;
步骤S63:通过水域图像水面覆盖率对超像素特征区块进行水面边缘覆盖优化,构建超像素水面覆盖率地图;
步骤S64:利用超像素水面覆盖率地图对目标区域图像进行水面率值域计算,得到水面率数据,以执行水面率值域测算作业。
本发明通过对每个区块水域水面覆盖率数据进行统计分析可以得到水域图像中不同区块的水面覆盖率信息,统计分析的结果可以用于生成水域图像的水面覆盖率,即确定整个水域图像中水面所占比例,超像素分割将水域图像划分为多个具有相似颜色和纹理特征的超像素区块,超像素特征区块提供了更高级别的图像信息,将复杂的水域图像简化为一组更易处理的区块,有利于后续的水面边缘覆盖优化和水面率值域计算,水面边缘覆盖优化利用水域图像的水面覆盖率信息,对超像素特征区块进行调整,使水面边缘更加准确地对应水域的实际边界,构建超像素水面覆盖率地图提供了整个水域图像中每个超像素区块的水面覆盖率信息,为水面率值域计算提供基础,利用超像素水面覆盖率地图可以对目标区域图像进行水面率值域计算,即确定目标区域中水面所占的比例,水面率数据提供了目标区域的水面率值域信息,用于执行水面率值域测算作业,可以应用于水域管理、环境监测等领域。
本实施例中,对水域水面覆盖率数据进行统计分析,可以计算平均值、最大值、最小值、方差等统计指标,以了解水域图像整体的水面覆盖情况,将统计分析得到的水面覆盖率数据应用于水域图像,生成水面覆盖率图,可以使用不同的颜色或灰度值表示不同的水面覆盖率程度,使用超像素分割算法对水域图像进行分割,将图像分割为多个紧密相连且具有相似特征的超像素区块,超像素分割算法可以是基于图像亮度、颜色、纹理等特征的算法,每个超像素区块包含一组像素,并具有类似的特征,便于后续的水面率值域计算和水面边缘覆盖优化,对每个超像素特征区块进行水面边缘覆盖优化,将位于水面边缘的像素标记为水面像素,并根据水面覆盖率进行调整,通过优化后的超像素特征区块,构建超像素水面覆盖率地图,用于后续的水面率值域计算,利用超像素水面覆盖率地图,对目标区域图像进行水面率值域计算,水面率值域计算可以通过统计目标区域内的水面像素数量或水面覆盖率来实现,得到水面率数据,水面率数据可以表示目标区域内的水面占比或水面分布情况,可用于水面率值域测算作业的分析和决策。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。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发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种城市水生态保护的水面率值域测算方法,其特征在于,包括以下步骤:
步骤S1:利用卫星遥感技术获取目标区域图像;对目标区域图像进行多光谱分析,以生成水陆光谱数据;基于水陆光谱数据对目标区域图像进行水陆轮廓识别,以标记水陆轮廓;
步骤S2:根据水陆轮廓对目标区域图像进行水域边缘划分,以构建水域图像;基于水域图像对目标检测水域进行水体生物采集,以得到水体生物样本;对水体生物样本进行微流控芯片阵列注入处理,并将水体生物样本放回目标检测水域,以获取水体生物特征数据;
步骤S3:对水体生物特征数据进行水生物空间分布分析,以生成水生物空间分布数据;通过水生物空间分布数据对水体生物特征数据进行游动路径分析,以生成游动路径数据;对游动路径数据进行轨迹拟合,构建水体生物游动轨迹图;
步骤S4:通过微流控芯片阵列对水体生物特征数据进行微生物转录表达谱分析,生成转录表达谱数据;通过转录表达谱数据对水体生物游动轨迹图进行水体类型分析,以获得水环境类型数据;通过水环境类型数据对水域图像进行水环境定点匹配,以得到水域分类区块图像;
步骤S5:通过水体生物游动轨迹图对水域分类区块图像进行水域边缘重构,获取水域边缘数据;利用水域边缘数据水域分类区块图像进行水面覆盖率计算,以生成区块水域水面覆盖率数据;
步骤S6:将每个区块水域水面覆盖率数据进行统计分析,生成水域图像水面覆盖率;通过水域图像水面覆盖率对水域图像进行水面边缘覆盖优化,构建超像素水域水面覆盖率地图;利用超像素水域水面覆盖率地图对目标区域图像进行水面率值域计算,得到水面率数据,以执行水面率值域测算作业。
2.根据权利要求1所述的方法,其特征在于,多光谱分析包括混合像元分解、光谱波长分析及光谱波段形态变化检测,步骤S1的具体步骤为:
步骤S11:利用卫星遥感技术获取目标区域图像;
步骤S12:对目标区域图像进行混合像元分解,生成光谱比例图;
步骤S13:对光谱比例图进行光谱波长分析,生成水陆光谱波长数据;
步骤S14:根据水陆光谱波长数据对目标区域图像进行光谱波段形态变化检测,生成水陆光谱差异频段;
步骤S15:基于水陆光谱差异频段对目标区域图像进行水陆轮廓识别,以标记水陆轮廓。
3.根据权利要求1所述的方法,其特征在于,步骤S2的具体步骤为:
步骤S21:根据水陆轮廓对目标区域图像进行水域边缘识别处理,以获取水域边缘数据;
步骤S22:对目标区域图像进行连通区域分析,以得到连通区域数据;
步骤S23:根据水域边缘数据对目标区域图像进行边界平滑处理,以构建边界平滑区域图像;
步骤S24:根据连通区域数据对边界平滑区域图像进行水域边缘阈值化分割,以构建水域图像;
步骤S25:基于水域图像对目标检测水域进行水体生物采集,以得到水体生物样本;
步骤S26:对水体生物样本进行微流控芯片阵列注入处理,并将水体生物样本放回目标检测水域,以获取水体生物特征数据。
4.根据权利要求1所述的方法,其特征在于,步骤S3的具体步骤为:
步骤S31:对水体生物特征数据进行区域样本密度估计,以生成区域水体生物密度;
步骤S32:根据区域水体生物密度对水体生物特征数据进行生态位宽度分析,以生成生态位宽度数据;
步骤S33:根据生态位宽度数据对水体生物特征数据进行水生物空间分布分析,以生成水生物空间分布数据;
步骤S34:通过水生物空间分布数据对水体生物特征数据进行游动路径分析,以生成游动路径数据;
步骤S35:对游动路径数据进行轨迹特征提取,以生成轨迹特征数据,轨迹特征数据包括速度、加速度及运动方向;
步骤S36:根据轨迹特征数据对游动路径数据进行轨迹拟合,构建水体生物游动轨迹图。
5.根据权利要求4所述的方法,其特征在于,步骤S34的具体步骤为:
步骤S341:通过水生物空间分布数据对水体生物特征数据进行运动频率识别,以生成运动频率数据;
步骤S342:根据运动频率数据对水体生物特征数据进行空间移动分析,以构建空间移动图;
步骤S343:对空间移动图进行游动路径分析,以生成游动路径数据。
6.根据权利要求1所述的方法,其特征在于,步骤S4的具体步骤为:
步骤S41:通过微流控芯片阵列对水体生物特征数据进行微生物转录表达谱分析,生成转录表达谱数据;
步骤S42:对转录表达谱数据进行水体成分差异识别,以生成水体成分差异数据;
步骤S43:通过水体成分差异数据对水体生物游动轨迹图进行水体类型分析,以获得水环境类型数据,水环境类型数据包括湖泊、河流、湿地及水库;
步骤S44:通过水环境类型数据对水域图像进行水环境定点匹配,以得到水域分类区块图像。
7.根据权利要求6所述的方法,其特征在于,步骤S41的具体步骤为:
步骤S411:通过微流控芯片阵列对水体生物特征数据进行转录组序列提取,以获取DNA转录组序列数据;
步骤S412:对DNA转录组序列数据进行时序差异基因分析,生成时序差异基因数据;
步骤S413:根据时序差异基因数据对DNA转录组序列数据进行环境差异表达分析,以生成环境差异表达数据;
步骤S414:基于环境差异表达数据对DNA转录组序列数据进行功能富集分析,以生成环境功能变化数据;
步骤S415:通过环境功能变化数据对水体生物特征数据进行生物标志物鉴定,生成生物标志物参数;
步骤S416:通过生物标志物参数对环境差异表达数据进行动态转录组学分析,生成转录表达谱数据。
8.根据权利要求1所述的方法,其特征在于,步骤S5的具体步骤为:
步骤S51:通过水体生物游动轨迹图对水域图像进行活动边缘区域提取,以生成边缘区域;
步骤S52:对边缘区域进行边缘轨迹连接,以获取边缘轨迹连线;
步骤S53:通过边缘轨迹连线对水域分类区块图像进行水域边缘重构,获取水域边缘数据;
步骤S54:对水域分类区块图像进行像素区块划分,生成多个像素区块;
步骤S55:利用水域边缘数据对边缘区域进行边缘像素计算,以生成边缘像素数据;
步骤S56:利用边缘像素数据对每个像素区块进行边缘像素遍历,生成边缘像素区块;
步骤S57:根据边缘像素区块利用水面边缘覆盖率像素计算公式对水域分类区块图像进行水面覆盖率计算,以生成区块水域水面覆盖率数据。
9.根据权利要求8所述的方法,其特征在于,步骤S57中的步骤水面边缘覆盖率像素计算公式具体为:
为面边缘覆盖率像素值,为水体面积,为水体边缘区域面积,为边缘像素区块大小,为边缘像素区块总数,为边缘像素值,为水体边缘长度,为水体边缘区域在水体面积中的密度,为水体边缘区域的弯曲程度,为水体边缘区域的曲率,为水体边缘的平均半径,为水域边缘轮廓权重值,为水域图像的像素值。
10.根据权利要求1所述的方法,其特征在于,步骤S6的具体步骤为:
步骤S61:将每个区块水域水面覆盖率数据进行统计分析,生成水域图像水面覆盖率;
步骤S62:对水域图像进行超像素分割,生成超像素特征区块;
步骤S63:通过水域图像水面覆盖率对超像素特征区块进行水面边缘覆盖优化,构建超像素水面覆盖率地图;
步骤S64:利用超像素水面覆盖率地图对目标区域图像进行水面率值域计算,得到水面率数据,以执行水面率值域测算作业。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311522632.XA CN117830823B (zh) | 2023-11-15 | 2023-11-15 | 一种城市水生态保护的水面率值域测算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311522632.XA CN117830823B (zh) | 2023-11-15 | 2023-11-15 | 一种城市水生态保护的水面率值域测算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117830823A true CN117830823A (zh) | 2024-04-05 |
CN117830823B CN117830823B (zh) | 2024-07-02 |
Family
ID=90523538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311522632.XA Active CN117830823B (zh) | 2023-11-15 | 2023-11-15 | 一种城市水生态保护的水面率值域测算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117830823B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909000A (zh) * | 2017-06-28 | 2018-04-13 | 中国科学院遥感与数字地球研究所 | 基于特征优选和支持向量机的不透水面覆盖度估算方法 |
CN108007438A (zh) * | 2017-12-01 | 2018-05-08 | 云南大学 | 无人机航空摄影遥感湿地植物生物量的估测方法 |
AU2020101063A4 (en) * | 2020-06-19 | 2020-07-23 | Jilin Province Water Resource and Hydropower Consultative Company of P.R.CHINA | A Calculation Method of River Ecological Flow |
CN112966657A (zh) * | 2021-03-25 | 2021-06-15 | 中国科学院空天信息创新研究院 | 一种大尺度水体覆盖的遥感自动分类方法 |
CN115711855A (zh) * | 2022-11-21 | 2023-02-24 | 广州市城市规划勘测设计研究院 | 一种不透水面的提取方法、装置、终端设备以及存储介质 |
-
2023
- 2023-11-15 CN CN202311522632.XA patent/CN117830823B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909000A (zh) * | 2017-06-28 | 2018-04-13 | 中国科学院遥感与数字地球研究所 | 基于特征优选和支持向量机的不透水面覆盖度估算方法 |
CN108007438A (zh) * | 2017-12-01 | 2018-05-08 | 云南大学 | 无人机航空摄影遥感湿地植物生物量的估测方法 |
AU2020101063A4 (en) * | 2020-06-19 | 2020-07-23 | Jilin Province Water Resource and Hydropower Consultative Company of P.R.CHINA | A Calculation Method of River Ecological Flow |
CN112966657A (zh) * | 2021-03-25 | 2021-06-15 | 中国科学院空天信息创新研究院 | 一种大尺度水体覆盖的遥感自动分类方法 |
CN115711855A (zh) * | 2022-11-21 | 2023-02-24 | 广州市城市规划勘测设计研究院 | 一种不透水面的提取方法、装置、终端设备以及存储介质 |
Non-Patent Citations (1)
Title |
---|
叶进: "《基于多尺度遥感的不透水面覆盖率测量方法》", 《经纬天地》, 28 December 2021 (2021-12-28) * |
Also Published As
Publication number | Publication date |
---|---|
CN117830823B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barman et al. | Soil texture classification using multi class support vector machine | |
Liu et al. | Automatic grape bunch detection in vineyards with an SVM classifier | |
CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
Ruiz-Ruiz et al. | Testing different color spaces based on hue for the environmentally adaptive segmentation algorithm (EASA) | |
CN105930815B (zh) | 一种水下生物检测方法和系统 | |
Fukunaga et al. | GroupTracker: Video tracking system for multiple animals under severe occlusion | |
CN102436656A (zh) | 基于计算机视觉的动物多样性监测方法 | |
US20210214765A1 (en) | Methods and systems for automated counting and classifying microorganisms | |
Osterloff et al. | A computer vision approach for monitoring the spatial and temporal shrimp distribution at the LoVe observatory | |
Ates et al. | An image-processing based automated bacteria colony counter | |
Pavoni et al. | Challenges in the deep learning-based semantic segmentation of benthic communities from Ortho-images | |
CN117541930A (zh) | 流域尺度高时空分辨率河流网络遥感信息提取方法及系统 | |
Lassiter et al. | Assessing alternative methods for unsupervised segmentation of urban vegetation in very high-resolution multispectral aerial imagery | |
Fu et al. | Region proposal and regression network for fishing spots detection from sea environment | |
Sun et al. | Mapping China’s coastal aquaculture ponds expansion with sentinel-2 images during 2017–2021 | |
CN117830823B (zh) | 一种城市水生态保护的水面率值域测算方法 | |
CN117495851A (zh) | 一种基于图像轮廓处理的水环境微生物检测方法 | |
CN117636160A (zh) | 一种基于半监督学习的高分遥感耕地地块自动更新方法 | |
Abishek et al. | Soil Texture Prediction Using Machine Learning Approach for Sustainable Soil Health Management | |
Akther et al. | Detection of Vehicle's Number Plate at Nighttime using Iterative Threshold Segmentation (ITS) Algorithm | |
CN115984689A (zh) | 一种多尺度地表复杂性特征提取及其土地利用分割方法 | |
CN115274093A (zh) | 生成包含自动标注文件的基准病理数据集的方法及系统 | |
Srinivas et al. | A novel satellite image segmentation using vggnet | |
Jin et al. | Joint Feature Learning for Cell Segmentation Based on Multi-scale Convolutional U-Net | |
Guedes et al. | Image analysis for automatic measurement of crustose lichens |
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 |