CN118135412A - 一种农村黑臭水体遥感识别方法 - Google Patents
一种农村黑臭水体遥感识别方法 Download PDFInfo
- Publication number
- CN118135412A CN118135412A CN202410060684.8A CN202410060684A CN118135412A CN 118135412 A CN118135412 A CN 118135412A CN 202410060684 A CN202410060684 A CN 202410060684A CN 118135412 A CN118135412 A CN 118135412A
- Authority
- CN
- China
- Prior art keywords
- water body
- black
- rural
- odorous
- odorous 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 587
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002776 aggregation Effects 0.000 claims abstract description 56
- 238000004220 aggregation Methods 0.000 claims abstract description 56
- 230000003595 spectral effect Effects 0.000 claims abstract description 43
- 238000003911 water pollution Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000010219 correlation analysis Methods 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims description 44
- 238000010276 construction Methods 0.000 claims description 38
- 238000002310 reflectometry Methods 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012502 risk assessment Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 4
- 238000011835 investigation Methods 0.000 description 9
- 239000003086 colorant Substances 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 244000144977 poultry Species 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229920000433 Lyocell Polymers 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种农村黑臭水体遥感识别方法,其步骤包括:通过高分卫星遥感影像获得农村集聚区范围内的水体并从中确定的黑臭水体样本和非黑臭水体样本,进而得到农村黑臭水体的光谱特征判断阈值,构建农村黑臭水体提取模型;结合该模型对农村集聚区范围内的水体进行分析,获得第一农村黑臭水体集合;获取同一范围内的水体污染源空间分布数据,结合黑臭水体样本的采集水体,通过空间关联分析获取黑臭风险值阈值,对第一农村黑臭水体集合中的第一农村黑臭水体进一步进行筛选,获得第二农村黑臭水体集合。本方法克服了遥感识别过程中对水体光谱波段信息的局限性和依赖性,兼具了高效准确的优点。
Description
技术领域
本发明涉及遥感和地理信息技术领域,特别是涉及一种农村黑臭水体遥感识别方法。
背景技术
农村黑臭水体是指位于城市建成区以外的行政村范围内出现的颜色明显异常或散发浓烈气味的水体。
现有技术中,对于农村黑臭水体的监测手段以传统的地面对点监测为主,但由于农村黑臭水体数量众多且分布广泛,季节性变化显著,仅靠传统手段无法迅速获取整个区域的黑臭水体分布;此时,遥感技术的出现为黑臭水体的监测提供了新的解决思路,但现有的利用遥感技术实现对黑臭水体监测的方法依赖于黑臭水体的光谱特性进行判别,具有十分明显的局限性,同时,由于引起水体黑臭的原因复杂以及农村黑臭水体多为小微水体,遥感监测过程中容易受到岸边建筑物和植被阴影遮挡,仅靠水体光谱特性来识别黑臭水体可能存在一般水体和黑臭水体之间的误判。
发明内容
基于此,本发明的目的在于,提供一种农村黑臭水体遥感识别方法,能够克服遥感识别过程中对水体光谱波段信息的局限性和依赖性,同时无需增设新的设备并且兼具了更为高效和准确的优点。
本发明的目的可以通过以下技术方案来实现:
一种农村黑臭水体遥感识别方法,包括以下步骤:获取高分卫星遥感影像,并对所述高分卫星遥感影像进行预处理,获得彩色融合影像数据;提取所述彩色融合影像数据中的建设用地数据,并根据所述建设用地数据,获得农村集聚区范围;提取所述彩色融合影像数据中所有水体的水体数据;对所述农村集聚区范围和所述水体数据进行空间叠加分析,获得所述农村集聚区范围内的水体的水体数据;从各个所述农村集聚区范围内的水体中确定黑臭水体样本的采集水体和非黑臭水体样本的采集水体;对所述黑臭水体样本的采集水体和非黑臭水体样本的采集水体进行光谱特征分析,获得农村黑臭水体的光谱特征判断阈值,构建农村黑臭水体提取模型;对各个所述农村集聚区范围内的水体进行光谱特征分析,结合所述农村黑臭水体提取模型进行处理,获得第一农村黑臭水体集合,其中,所述第一农村黑臭水体集合包含所述农村集聚区范围内的第一农村黑臭水体的水体数据;获取所述农村集聚区范围内的水体污染源空间分布数据;根据所述农村集聚区范围内的水体污染源空间分布数据,对所述黑臭水体样本的采集水体进行黑臭水体风险分析,确定农村黑臭水体的黑臭风险值阈值;根据所述农村集聚区范围内的水体污染源空间分布数据,对所述第一农村黑臭水体集合中的各个第一农村黑臭水体进行黑臭水体风险分析,获得对应的各个第一农村黑臭水体对应的黑臭风险值;基于所述黑臭风险值阈值以及各个第一农村黑臭水体对应的黑臭风险值,对所述第一农村黑臭水体集合中的各个第一农村黑臭水体进行筛选,获得第二农村黑臭水体集合,其中,所述第二农村黑臭水体集合包含所述农村集聚区范围内的第二农村黑臭水体的水体数据。
相对于现有技术,本发明所述的方法通过获取研究区域的高分卫星遥感影像并从中提取出所需的水体部分后,根据农村集聚区内的黑臭水体样本的采集水体与非黑臭水体样本的采集水体的光谱波段信息区别,构建农村黑臭水体提取模型,对提取出来的水体部分进行筛选的基础上;进一步地,根据筛选出来的各个水体与附近水体污染源的空间关联分析对其进行黑臭水体风险排查,同时由前述获取的研究区域内的黑臭水体样本的采集水体来确定农村黑臭水体的黑臭风险值阈值,二次筛选获得更可能是黑臭水体的水体,并确定该水体的水体数据,由此,克服现有技术中只能依赖光谱波段信息区别容易误判黑臭水体的遥感技术局限性,以及同步导致的人力物力浪费的问题,提升了农村黑臭水体遥感识别的可靠性、准确性和效率。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本发明提供的农村黑臭水体遥感识别方法的流程图;
图2为黑臭水体与非黑臭水体的光谱波段信息图;
图3为本发明所述方法的进行黑臭水体风险分析步骤中缓冲区域的构建效果图;
图4为本发明提供的对高分卫星遥感影像预处理的相关步骤的流程图;
图5为本发明提供的获取农村集聚区范围的相关步骤的流程图;
图6为本发明提供的提取彩色融合影像数据中所有水体的水体数据的相关步骤的流程图;
图7为本发明提供的构建农村黑臭水体提取模型的相关步骤的流程图;
图8为本发明提供的获取第一农村黑臭水体集合的相关步骤的流程图;
图9为本发明提供的获取农村集聚区范围内的水体污染源空间分布数据的相关步骤的流程图;
图10为本发明提供的对黑臭水体样本的采集水体进行黑臭水体风险分析的相关步骤的流程图;
图11为本发明提供的对第一农村黑臭水体进行黑臭水体风险分析的相关步骤的流程图;
图12为本发明提供的获取第二农村黑臭水体集合的相关步骤的流程图。
具体实施方式
本发明提供一种农村黑臭水体遥感识别方法,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。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。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
下面结合附图,通过对实施例的描述,对发明内容作进一步说明。
请参照图1,图1为本发明提供的农村黑臭水体遥感识别方法的流程图。所述方法包括以下步骤:
S10、获取高分卫星遥感影像,并对所述高分卫星遥感影像进行预处理,获得彩色融合影像数据;
S20、提取所述彩色融合影像数据中的建设用地数据,并根据所述建设用地数据,获得农村集聚区范围;
S30、提取所述彩色融合影像数据中所有水体的水体数据;
S40、对所述农村集聚区范围和所述水体数据进行空间叠加分析,获得所述农村集聚区范围内的水体的水体数据;
S50、从各个所述农村集聚区范围内的水体中确定黑臭水体样本的采集水体和非黑臭水体样本的采集水体;
S60、对所述黑臭水体样本的采集水体和非黑臭水体样本的采集水体进行光谱特征分析,获得农村黑臭水体的光谱特征判断阈值,构建农村黑臭水体提取模型;
S70、对各个所述农村集聚区范围内的水体进行光谱特征分析,结合所述农村黑臭水体提取模型进行处理,获得第一农村黑臭水体集合,其中,所述第一农村黑臭水体集合包含所述农村集聚区范围内的第一农村黑臭水体的水体数据;
S80、获取所述农村集聚区范围内的水体污染源空间分布数据;
S90、根据所述农村集聚区范围内的水体污染源空间分布数据,对所述黑臭水体样本的采集水体进行黑臭水体风险分析,确定农村黑臭水体的黑臭风险值阈值;
S100、根据所述农村集聚区范围内的水体污染源空间分布数据,对所述第一农村黑臭水体集合中的各个第一农村黑臭水体进行黑臭水体风险分析,获得对应的各个第一农村黑臭水体对应的黑臭风险值;
S110、基于所述黑臭风险值阈值以及各个第一农村黑臭水体对应的黑臭风险值,对所述第一农村黑臭水体集合中的各个第一农村黑臭水体进行筛选,获得第二农村黑臭水体集合,其中,所述第二农村黑臭水体集合包含所述农村集聚区范围内的第二农村黑臭水体的水体数据。
对于步骤S10、获取高分卫星遥感影像,并对所述高分卫星遥感影像进行预处理,获得彩色融合影像数据;
其中,所述高分卫星遥感影像是指高分卫星在高空拍摄的云及云影覆盖度低、无太阳耀斑并完整记录了各种地物电磁波大小的胶片或照片。在一个实施例中,所述高分卫星遥感影像是采用国产高分二号所拍摄的高分卫星遥感影像,当然,在其他可替代的实施方式中,也可以采用其他的遥感影像以实施本发明所述方法的步骤。所述预处理是指在对高分卫星遥感影像进行数据转换以及读取工作之前的预先处理过程,常用的预处理如辐射定标、大气校正和正射校正等。所述彩色融合影像数据是指对高分卫星遥感影像的全色数据和多光谱数据进行图像数据融合后获取的影像数据。
请参照图4,在一个实施例中,所述步骤S10中具体包括了如下步骤:
S101、获取高分卫星遥感影像;
S102、对所述高分卫星遥感影像进行辐射定标、大气校正和正射校正;
其中,所述辐射定标是指将所述高分卫星遥感影像中记录的遥感影像像元亮度值和记录地物的灰度值转换为大气外层表面反射率,用于消除卫星在记录过程中传感器本身的误差,确定传感器入口处的准确辐射值;所述大气校正是指将所述高分卫星遥感影像中记录的遥感影像像元亮度值和记录地物的灰度值转换为地表反射率、地表辐射率和地表温度等,用于消除大气散射、吸收和反射引起的误差;所述正射校正是指将所述高分卫星遥感影像中的每个遥感影像像元进行地形的校正,用于消除地形的影响或是相机方位引起的变形,生成平面正射影像。
具体地,获取高分卫星遥感影像后,根据高分卫星遥感影像中记录的遥感影像像元亮度值和记录地物的灰度值计算出对应的辐射亮度值,然后将所述辐射亮度值转换为大气外层表观反射率;进一步地,将所述大气外层表观反射率转换为地表实际反射率;同时,根据地形高程模型纠正所述高分卫星遥感影像中的每个遥感影像像元因地形起伏而产生的畸变,对其赋予高程信息;最终经过辐射定标、大气校正和正射校正的流程顺序实现对所述高分卫星遥感影像的校正工作。
S103、获取经过校正后的所述高分卫星遥感影像的全色数据和多光谱数据;
其中,所述全色数据和多光谱数据是指从高分卫星遥感影像中获取的全色波段数据和多波段数据;所述全色波段数据是指对各个地物的地物辐射中全色波段的摄录数据;所述多波段数据是指对各个地物的地物辐射中若干个单波段的摄录数据。
在本实施例中,所述全色波段数据和所述多波段数据能够直接基于所述高分卫星遥感影像获得。当然,在其他可替代的实施方式中,实施区域的所述全色波段数据和所述多波段数据也能够经由其他途径获得,进而实施本发明所述方法的其余步骤。
在一个实施例中,所述全色波段数据包括对地物获取的0.5微米到0.75微米左右的单一波段的光谱信息,即从绿色往后的可见光波段的光谱信息;所述多波段数据包括了对地物获取的多个波段的光谱信息。
S104、对经过校正后的所述高分卫星遥感影像的全色数据和多光谱数据进行图像数据融合,获得彩色融合影像数据;
一般来说,由于全色波段属于单一波段,经过校正后的所述高分卫星遥感影像的全色波段遥感影像虽然空间分辨率高,但无法显示地物色彩;同时经过校正后的所述高分卫星遥感影像的多波段遥感影像中包括多个波段的光谱信息,对其中各个不同的波段分别赋予RGB颜色将得到彩色影像,例如将RGB分别赋予R、G和B三个波段的光谱信息,将获得模拟真彩色图像,由此,经过校正后的所述高分卫星遥感影像的多波段遥感影像可以得到地物的色彩信息,但空间分辨率低。
具体地,分别获取经过校正后的所述高分卫星遥感影像的全色波段遥感影像和经过校正后的所述高分卫星遥感影像的多波段遥感影像;对经过校正后的所述高分卫星遥感影像的多波段遥感影像中各个不同的波段分别赋予RGB颜色;将被赋予RGB颜色后的所述多波段遥感影像与所述全色波段遥感影像进行图像融合,获得彩色融合影像;基于此融合过程,所述全色波段数据和所述多波段数据同时也进行了图像数据融合,得到彩色融合影像数据。
其中,所述彩色融合影像包括遥感影像摄取地区中各个地物的遥感影像。所述彩色融合影像数据是指遥感影像摄取地区中各个地物的遥感影像数据。
本实施例中,所述彩色融合影像数据是由所述全色波段数据和所述多波段数据合成所得的,在其他实施例中,也可以采用其他方式获得,例如分析软件直接获取。在一个实施例中,所述彩色融合影像数据至少包括遥感影像摄取地区中各种地物的地理位置信息、光谱波段信息和地物色彩信息。
其中,所述光谱波段信息为通过对高分卫星遥感影像进行解析获取的各种地物的光谱特征等。在一个实施例中,所述光谱波段信息至少包括各种地物的绿光波段反射率、蓝光波段反射率和近红外波段反射率。在其他实施例中,所述光谱波段信息还可以包括近紫外波段反射率等。所述地物色彩信息是基于所述光谱波段信息所产生的。在一个实施例中,所述地物色彩信息由对所述多波段遥感影像中各个不同的波段分别赋予RGB颜色所获得。
对于步骤S20、提取所述彩色融合影像数据中的建设用地数据,并根据所述建设用地数据,获得农村集聚区范围;
其中,所述建设用地是一种能够通过解析高分卫星遥感影像而分辨并提取的地物,所述建设用地包括城市建成区范围内的建设用地和农村集聚区建设用地,所述建设用地数据至少包括各建设用地的地理位置和所属类型,所述农村集聚区范围是在农村集聚区建设用地的基础上往外延展缓冲区后获得的。
在一个实施例中,所述建设用地的判断依据是建筑物在所述高分卫星遥感影像中呈现出来的规则的几何形状,例如建筑物屋顶轮廓边缘夹角、屋顶轮廓线段和侧墙棱线等几何特征;所述建设用地数据包括城市建成区范围内的建设用地的地理位置和农村集聚区建设用地的地理位置。
请参照图5,在一个实施例中,所述步骤S20中具体包括了如下步骤:
S201、通过对所述彩色融合影像数据采用面向对象方法,结合目视解译提取所述彩色融合影像数据中的建设用地数据;
其中,所述面向对象方法是将事物定义属性并确定与该事物相关的操作的方法;所述目视解译是基于人们对地物的相关领域存在一种先验知识,然后在遥感影像中寻找对应关系,根据遥感影像的影像特征推论地物的属性的一种技术手段。
在本实施例中,通过从彩色融合影像上认识和辨别彩色融合影像与各地物的对应关系,判断和归类所述彩色融合影像上的各个地物,并用轮廓线分别圈定它们和定义赋予属性代码,或用符号和颜色表示属性;其次,将需要获取的目标地物确定为建设用地,从彩色融合影像中的多个地物中进行区分获取。
在一个实施例中,提取彩色融合影像数据中的建设用地数据时,至少获取各建设用地的地理位置和所属类型。
S202、去除所述建设用地数据中城市建成区范围内的建设用地数据,获得农村集聚区建设用地数据;
S203、对每个农村集聚区建设用地的图斑进行缓冲区延展,获得农村集聚区范围。
在一个实施例中,依据农村黑臭水体治理条例,对每个所述农村集聚区建设用地的图斑进行1000m的缓冲区延展,获得该实施例中的农村集聚区范围。
对于步骤S30、提取所述彩色融合影像数据中所有水体的水体数据;
其中,所述水体是一种能够通过解析高分卫星遥感影像而分辨并提取的地物,所述水体数据至少包括水体的地理位置和光谱波段信息。
请参照图6,在一个实施例中,所述步骤S30中具体包括了如下步骤:
S301、结合所述彩色融合影像数据,根据新阴影水体指数计算公式,计算每个地物的新阴影水体指数:
,其中,NSWI为地物的新阴影水体指数、ρgreen为地物的绿光波段反射率、ρblue为地物的蓝光波段反射率,ρnir为地物的近红外波段反射率;
其中,所述新阴影水体指数相较于阴影水体指数,能够更有效地排除阴影和非水体等地物的干扰,还能识别阴影遮挡处的水体信息,并保持细小水体的连贯性和准确性
S302、根据所述新阴影水体指数,利用水体和其他地物在近红外波段上光谱特征的差异区分出所有水体;
S303、根据所述区分出的所有水体,提取所述彩色融合影像数据中所有水体的水体数据。
在本实施例中,通过计算各个地物的新阴影水体指数,识别出其中的水体,并通过彩色融合影像数据获得所述水体的水体数据。
对于步骤S40、对所述农村集聚区范围和所述水体数据进行空间叠加分析,获得所述农村集聚区范围内的水体的水体数据;
其中,所述农村集聚区范围内的水体的水体数据至少包括所述农村集聚区范围内的水体的地理位置和光谱波段信息。
对于步骤S50、从各个所述农村集聚区范围内的水体中确定黑臭水体样本的采集水体和非黑臭水体样本的采集水体;
其中,所述黑臭水体是指所述农村集聚区范围内的出现颜色明显异常或散发浓烈气味的水体,例如已经确定的乡镇企业排放的废水和经过畜禽粪便污染的水源等;所述黑臭水体样本的采集水体,是指用于采集所述黑臭水体样本的水体;所述非黑臭水体是指所述农村集聚区范围内的一般水体,例如河流和江流等;所述非黑臭水体样本的采集水体,是指用于采集所述非黑臭水体样本的水体。
在本实施例中,所述黑臭水体样本的采集水体是指在同一农村集聚区范围内的经过实地考察和外业调查后明确为农村黑臭水体的水体;所述非黑臭水体样本的采集水体是指在同一农村集聚区范围内的经过实地考察和外业调查后明确为农村非黑臭水体的水体,即为一般水体;以此克服遥感识别中的地区性误差,进一步提高本方法的识别准确率。在一个实施例中,对研究区域进行外业调查,获得农村黑臭水体和农村非黑臭水体作为水体样本;当然,在一些可替代的实施方式中,也可以采用其他区域或者其他方法获取的农村黑臭水体和农村非黑臭水体作为水体样本。
对于步骤S60、对所述黑臭水体样本的采集水体和非黑臭水体样本的采集水体进行光谱特征分析,获得农村黑臭水体的光谱特征判断阈值,构建农村黑臭水体提取模型;
请参考图2,在一个实施例中,根据所述黑臭水体样本的采集水体和所述非黑臭水体样本的采集水体的光谱分析结果可知,黑臭水体在550~700nm光谱范围内光谱曲线变化最为平缓,斜率最低;非黑臭水体在此波段范围光谱斜率同样较低,但是具有较高的遥感反射率值;550~700nm光谱范围对应的是所述彩色融合影像的绿光和红光波段。
请参照图7,在该实施例中,所述步骤S60中具体包括了如下步骤:
S601、获取所述黑臭水体样本的采集水体的水体数据和所述非黑臭水体样本的采集水体的水体数据;
其中,所述黑臭水体样本的采集水体的水体数据至少包括黑臭水体样本的采集水体的地理位置和光谱波段信息;所述非黑臭水体样本的采集水体的水体数据至少包括非黑臭水体样本的采集水体的地理位置和光谱波段信息。
在本实施例中,所述黑臭水体样本的采集水体的水体数据和所述非黑臭水体样本的采集水体的水体数据可以由所述农村集聚区范围内的水体的水体数据获得,当然,在其他可替代的实施方式中,也可以经由其他途径或方法获得黑臭水体样本的采集水体的水体数据和非黑臭水体样本的采集水体的水体数据以继续实施本实施例所述方法的其余步骤,例如实地调查等。
S602、根据归一化黑臭水体指数计算公式,计算所述黑臭水体样本的采集水体的归一化黑臭水体指数:
,其中,NDBWI(黑)为所述黑臭水体样本的采集水体的归一化黑臭水体指数,Rrs1(绿)为所述黑臭水体样本的采集水体的绿光波段遥感反射率,Rrsr(红)1为所述黑臭水体样本的采集水体的红光波段遥感反射率;
S603、根据归一化黑臭水体指数计算公式,计算所述非黑臭水体样本的采集水体的归一化黑臭水体指数:
,其中,NDBWI(非)为所述非黑臭水体样本的采集水体的归一化黑臭水体指数,Rrs2(绿)为所述非黑臭水体样本的采集水体的绿光波段遥感反射率,Rrs2(红)为所述非黑臭水体样本的采集水体的红光波段遥感反射率;
S604、结合所述黑臭水体样本的采集水体的归一化黑臭水体指数和所述非黑臭水体样本的采集水体的归一化黑臭水体指数,通过最大类间方差法,获取农村黑臭水体的光谱特征判断阈值,构建农村黑臭水体提取模型。
其中,所述最大类间方差法是一种用于确定图像二值化分割阈值的算法。
在本实施例中,采用最大类间方差法,基于所述黑臭水体样本的采集水体的归一化黑臭水体指数和所述非黑臭水体样本的采集水体的归一化黑臭水体指数,确定关于判断水体是否为黑臭水体的光谱特征图像二值化分割阈值,进而获取农村黑臭水体的光谱特征判断阈值。
当然,在一些其他可替代的实施方式中,根据所述黑臭水体样本的采集水体的归一化黑臭水体指数和所述非黑臭水体样本的采集水体的归一化黑臭水体指数,采用其他关于图像二值化分割的算法以获取所述农村黑臭水体的光谱特征判断阈值的方法均可以适用于本申请中的方案。
对于步骤S70、对各个所述农村集聚区范围内的水体进行光谱特征分析,结合所述农村黑臭水体提取模型进行处理,获得第一农村黑臭水体集合,其中,所述第一农村黑臭水体集合包含所述农村集聚区范围内的第一农村黑臭水体的水体数据;
其中,所述第一农村黑臭水体集合是指所有经所述农村黑臭水体的光谱特征判断阈值的筛选后,符合农村黑臭水体光谱特征的所述农村集聚区范围内的水体的集合;所述农村集聚区范围内的第一农村黑臭水体的水体数据至少包括所述农村集聚区范围内的第一农村黑臭水体的地理位置和光谱波段信息。
请参照图8,在一个实施例中,所述步骤S70中具体包括了如下步骤:
S701、根据归一化黑臭水体指数计算公式,计算各个所述农村集聚区范围内的水体的归一化黑臭水体指数:
,其中,NDBWI为所述农村集聚区范围内的水体的归一化黑臭水体指数,Rrs(绿)为所述农村集聚区范围内的水体的绿光波段遥感反射率,Rrs(红)为所述农村集聚区范围内的水体的红光波段遥感反射率;
S702、判断所述农村集聚区范围内的水体的归一化黑臭水体指数是否小于等于农村黑臭水体的光谱特征判断阈值,若是,则判定该水体符合所述农村黑臭水体提取模型,且该水体为农村集聚区范围内的第一农村黑臭水体;
S703、根据获得的各个所述第一农村黑臭水体,得到所述第一农村黑臭水体集合。
对于步骤S80、获取所述农村集聚区范围内的水体污染源空间分布数据;
其中,所述水体污染源空间分布数据至少包括水体污染源的地理位置和水体污染源的名称。
在一个实施例中,所述水体污染源包括工业企业和家禽养殖厂等建筑物。当然,在其他实施例中,所述水体污染源也可以是生活污水汇聚地和已经被污染的水源等。
请参照图9,在一个实施例中,所述步骤S80中具体包括了如下步骤:
S801、获取在线地图的坐标拾取服务;
其中,所述在线地图是百度地图。在一些其他实施例中,也可以获取其他在线地图的坐标拾取服务,例如腾讯地图等;还可以通过国家地理信息公共服务平台获取对应的坐标拾取服务用以实现该步骤的目的。
S802、通过接入所述坐标拾取服务中的POI接口,获取所述农村集聚区范围内的水体污染源的地理位置;
S803、通过所述农村集聚区范围内的水体污染源的地理位置,获得所述农村集聚区范围内的水体污染源空间分布数据。
对于步骤S90、根据所述农村集聚区范围内的水体污染源空间分布数据,对所述黑臭水体样本的采集水体进行黑臭水体风险分析,确定农村黑臭水体的黑臭风险值阈值;
其中,所述农村黑臭水体的黑臭风险值阈值是基于所述黑臭水体样本的采集水体相对于所述水体污染源的地理位置而确定的。
请参照图10,在一个实施例中,所述步骤S90中具体包括了如下步骤:
S901、获取所述黑臭水体样本的采集水体的地理位置;
S902、将所述黑臭水体样本的采集水体的地理位置与所述农村集聚区范围内的水体污染源空间分布数据进行空间关联分析,对所述黑臭水体样本的采集水体的地理位置构建n个不同距离级别的缓冲区域;
S903、对所述缓冲区域分别设置对应的权重;
S904、根据黑臭风险值计算公式,计算确定所述黑臭水体样本的采集水体的黑臭风险值:
,其中,R1为所述黑臭水体样本的采集水体的黑臭风险值,i为构建的第i个缓冲区域,w1i为对应的缓冲区域的权重,m1i为落入对应的缓冲区域内污染源的个数;
S905、根据所述黑臭水体样本的采集水体的黑臭风险值,确定所述农村黑臭水体的黑臭风险值阈值;
其中,所述农村黑臭水体的黑臭风险值阈值为所述黑臭水体样本的采集水体的黑臭风险值
对于步骤S100、根据所述农村集聚区范围内的水体污染源空间分布数据,对所述第一农村黑臭水体集合中的各个第一农村黑臭水体进行黑臭水体风险分析,获得对应的各个第一农村黑臭水体对应的黑臭风险值;
其中,所述第一农村黑臭水体对应的黑臭风险值是基于对应的所述第一农村黑臭水体相对于所述水体污染源的地理位置而确定的。
请参照图11,在一个实施例中,所述步骤S100中具体包括了如下步骤:
S1001、将所述第一农村黑臭水体集合中的各个第一农村黑臭水体的地理位置与所述农村集聚区范围内的水体污染源空间分布数据进行空间关联分析,对所述第一农村黑臭水体集合中的各个第一农村黑臭水体的地理位置分别构建n个不同距离级别的缓冲区域;
其中,为了使各个水体的黑臭风险值具有代表性和可比性,所述构建的不同距离级别的缓冲区域的个数需要与步骤S902中相对应。
S1002、对所述缓冲区域分别设置对应的权重;
其中,为了使各个水体的黑臭风险值具有代表性和可比性,所述对所述缓冲区域分别设置对应的权重需要与步骤S903中相对应。
S1003、根据黑臭风险值计算公式,计算所述第一农村黑臭水体集合中的各个第一农村黑臭水体对应的黑臭风险值:
,其中,R为所述第一农村黑臭水体集合中的第一农村黑臭水体的黑臭风险值,i为构建的第i个缓冲区域,wi为对应的缓冲区域的权重,mi为落入对应的缓冲区域内污染源的个数。
请参考图3,在本实施例中,对某一所述第一农村黑臭水体集合中的第一农村黑臭水体的地理位置构建了3个距离分别为0~50m、50m~100m和100m~200m的缓冲区域,并对其分别设置权重为0.5、0.3和0.2。在本实施例中,当该所述第一农村黑臭水体集合中的第一农村黑臭水体的地理位置0~50m的缓冲区域内有1个污染源、50m~100m的缓冲区域内有3个污染源和100m~200m的缓冲区域内有3个污染源时,则评估该第一农村黑臭水体的黑臭风险值R=0.5+0.3*3+0.2*3=2.0。
在其他实施例中,也可以适应性地调整所述构建的缓冲区域的个数和对应的权重值,以实现地区性的更准确的评估效果。
对于步骤S110、基于所述黑臭风险值阈值以及各个第一农村黑臭水体对应的黑臭风险值,对所述第一农村黑臭水体集合中的各个第一农村黑臭水体进行筛选,获得第二农村黑臭水体集合,其中,所述第二农村黑臭水体集合包含所述农村集聚区范围内的第二农村黑臭水体的水体数据。
其中,所述农村集聚区范围内的第二农村黑臭水体的水体数据至少包括所述农村集聚区范围内的第二农村黑臭水体的地理位置和光谱波段信息,在本实施例中,可以由所述农村集聚区范围内的第一农村黑臭水体的水体数据中获得,当然,在其他可替代的实施方式中,也可以由后续重新测量获取。
请参照图12,在一个实施例中,所述步骤S110中具体包括了如下步骤:
S1101、对所述第一农村黑臭水体集合中的各个第一农村黑臭水体的黑臭风险值进行排序;
S1102、基于所述黑臭风险值阈值,对所述第一农村黑臭水体集合中的各个第一农村黑臭水体进行筛选;
S1103、将所述第一农村黑臭水体集合中的第一农村黑臭水体的黑臭风险值大于等于所述农村黑臭水体的黑臭风险值阈值的所述第一农村黑臭水体集合中的第一农村黑臭水体判定为第二农村黑臭水体,获得第二农村黑臭水体集合。
本发明还提供了一些可替代的实施方式,用以提高本发明所述的农村黑臭水体遥感识别方法的准确性:
在对所述第二农村黑臭水体集合进行实地调查,从而确定了某一所述第二农村黑臭水体集合中的第二农村黑臭水体属于农村黑臭水体后,将该水体作为一新的水体污染源,并将该水体的地理位置收录于所述水体污染源空间分布数据;
进一步地,根据黑臭风险值计算公式,对所述第一农村黑臭水体集合中的各个第一农村黑臭水体对应的黑臭风险值重新进行计算,评估所述第一农村黑臭水体集合中的各个第一农村黑臭水体,以减少对农村黑臭水体的遗漏可能。
相较于现有技术,本发明所述方法的实施,可采用国产高分卫星遥感影像开展大范围的农村黑臭水体高效识别,克服了现有技术中只能依赖光谱波段信息区别容易误判黑臭水体的遥感技术局限性,减少人力物力损耗的同时提高农村黑臭水体识别结果的精确性,并获得农村黑臭水体空间分布情况,为快速获取农村黑臭水体的空间分布提供了新的解决方案,为农村黑臭水体治理提供了新的视角和方法。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,则本发明也意图包含这些改动和变形。
Claims (10)
1.一种农村黑臭水体遥感识别方法,包括以下步骤:
获取高分卫星遥感影像,并对所述高分卫星遥感影像进行预处理,获得彩色融合影像数据;
提取所述彩色融合影像数据中的建设用地数据,并根据所述建设用地数据,获得农村集聚区范围;
提取所述彩色融合影像数据中所有水体的水体数据;
对所述农村集聚区范围和所述水体数据进行空间叠加分析,获得所述农村集聚区范围内的水体的水体数据;
从各个所述农村集聚区范围内的水体中确定黑臭水体样本的采集水体和非黑臭水体样本的采集水体;
对所述黑臭水体样本的采集水体和非黑臭水体样本的采集水体进行光谱特征分析,获得农村黑臭水体的光谱特征判断阈值,构建农村黑臭水体提取模型;
对各个所述农村集聚区范围内的水体进行光谱特征分析,结合所述农村黑臭水体提取模型进行处理,获得第一农村黑臭水体集合,其中,所述第一农村黑臭水体集合包含所述农村集聚区范围内的第一农村黑臭水体的水体数据;
获取所述农村集聚区范围内的水体污染源空间分布数据;
根据所述农村集聚区范围内的水体污染源空间分布数据,对所述黑臭水体样本的采集水体进行黑臭水体风险分析,确定农村黑臭水体的黑臭风险值阈值;
根据所述农村集聚区范围内的水体污染源空间分布数据,对所述第一农村黑臭水体集合中的各个第一农村黑臭水体进行黑臭水体风险分析,获得对应的各个第一农村黑臭水体对应的黑臭风险值;
基于所述黑臭风险值阈值以及各个第一农村黑臭水体对应的黑臭风险值,对所述第一农村黑臭水体集合中的各个第一农村黑臭水体进行筛选,获得第二农村黑臭水体集合,其中,所述第二农村黑臭水体集合包含所述农村集聚区范围内的第二农村黑臭水体的水体数据。
2.根据权利要求1所述的农村黑臭水体遥感识别方法,其特征在于,获取高分卫星遥感影像,并对所述高分卫星遥感影像进行预处理,获得彩色融合影像数据的步骤包括:
获取高分卫星遥感影像;
对所述高分卫星遥感影像进行辐射定标、大气校正和正射校正;
获取经过校正后的所述高分卫星遥感影像的全色数据和多光谱数据;
对经过校正后的所述高分卫星遥感影像的全色数据和多光谱数据进行图像数据融合,获得彩色融合影像数据。
3.根据权利要求1所述的农村黑臭水体遥感识别方法,其特征在于,提取所述彩色融合影像数据中的建设用地数据,并根据所述建设用地数据,获得农村集聚区范围的步骤包括:
通过对所述彩色融合影像数据采用面向对象方法,结合目视解译提取所述彩色融合影像数据中的建设用地数据;
去除所述建设用地数据中城市建成区范围内的建设用地数据,获得农村集聚区建设用地数据;
对每个农村集聚区建设用地的图斑进行缓冲区延展,获得农村集聚区范围。
4.根据权利要求1所述的农村黑臭水体遥感识别方法,其特征在于,提取所述彩色融合影像数据中所有水体的水体数据的步骤包括:
结合所述彩色融合影像数据,根据新阴影水体指数计算公式,计算每个地物的新阴影水体指数:
其中,NSWI为地物的新阴影水体指数、ρgreen为地物的绿光波段反射率、ρblue为地物的蓝光波段反射率,ρnir为地物的近红外波段反射率;
根据所述新阴影水体指数,利用水体和其他地物在近红外波段上光谱特征的差异区分出所有水体;
根据所述区分出的所有水体,提取所述彩色融合影像数据中所有水体的水体数据。
5.根据权利要求1所述的农村黑臭水体遥感识别方法,其特征在于,对所述黑臭水体样本的采集水体和非黑臭水体样本的采集水体进行光谱特征分析,获得农村黑臭水体的光谱特征判断阈值,构建农村黑臭水体提取模型的步骤包括:
获取所述黑臭水体样本的采集水体的水体数据和所述非黑臭水体样本的采集水体的水体数据;
根据归一化黑臭水体指数计算公式,计算所述黑臭水体样本的采集水体的归一化黑臭水体指数:
其中,NDBWI(黑)为所述黑臭水体样本的采集水体的归一化黑臭水体指数,Rrs1(绿)为所述黑臭水体样本的采集水体的绿光波段遥感反射率,Rrs1(红)为所述黑臭水体样本的采集水体的红光波段遥感反射率;
根据归一化黑臭水体指数计算公式,计算所述非黑臭水体样本的采集水体的归一化黑臭水体指数:
其中,NDBWI(非)为所述非黑臭水体样本的采集水体的归一化黑臭水体指数,Rrs2(绿)为所述非黑臭水体样本的采集水体的绿光波段遥感反射率,Rrs2(红)为所述非黑臭水体样本的采集水体的红光波段遥感反射率;
结合所述黑臭水体样本的采集水体的归一化黑臭水体指数和所述非黑臭水体样本的采集水体的归一化黑臭水体指数,通过最大类间方差法,获取农村黑臭水体的光谱特征判断阈值,构建农村黑臭水体提取模型。
6.根据权利要求1所述的农村黑臭水体遥感识别方法,其特征在于,对各个所述农村集聚区范围内的水体进行光谱特征分析,结合所述农村黑臭水体提取模型进行处理,获得第一农村黑臭水体集合的步骤包括:
根据归一化黑臭水体指数计算公式,计算各个所述农村集聚区范围内的水体的归一化黑臭水体指数:
其中,NDBWI为所述农村集聚区范围内的水体的归一化黑臭水体指数,Rrs(绿)为所述农村集聚区范围内的水体的绿光波段遥感反射率,Rrs(红)为所述农村集聚区范围内的水体的红光波段遥感反射率;
判断所述农村集聚区范围内的水体的归一化黑臭水体指数是否小于等于农村黑臭水体的光谱特征判断阈值,若是,则判定该水体符合所述农村黑臭水体提取模型,且该水体为农村集聚区范围内的第一农村黑臭水体;
根据获得的各个所述第一农村黑臭水体,得到所述第一农村黑臭水体集合。
7.根据权利要求1所述的农村黑臭水体遥感识别方法,其特征在于,获取所述农村集聚区范围内的水体污染源空间分布数据的步骤包括:
获取在线地图的坐标拾取服务;
通过接入所述坐标拾取服务中的POI接口,获取所述农村集聚区范围内的水体污染源的地理位置;
通过所述农村集聚区范围内的水体污染源的地理位置,获得所述农村集聚区范围内的水体污染源空间分布数据。
8.根据权利要求1所述的农村黑臭水体遥感识别方法,其特征在于,根据所述农村集聚区范围内的水体污染源空间分布数据,对所述黑臭水体样本的采集水体进行黑臭水体风险分析,确定农村黑臭水体的黑臭风险值阈值的步骤包括:
获取所述黑臭水体样本的采集水体的地理位置;
将所述黑臭水体样本的采集水体的地理位置与所述农村集聚区范围内的水体污染源空间分布数据进行空间关联分析,对所述黑臭水体样本的采集水体的地理位置构建n个不同距离级别的缓冲区域;
对所述缓冲区域分别设置对应的权重;
根据黑臭风险值计算公式,计算确定所述黑臭水体样本的采集水体的黑臭风险值:
其中,R1为所述黑臭水体样本的采集水体的黑臭风险值,i为构建的第i个缓冲区域,w1i为对应的缓冲区域的权重,m1i为落入对应的缓冲区域内污染源的个数;
根据所述黑臭水体样本的采集水体的黑臭风险值,确定所述农村黑臭水体的黑臭风险值阈值。
9.根据权利要求1所述的农村黑臭水体遥感识别方法,其特征在于,根据所述农村集聚区范围内的水体污染源空间分布数据,对所述第一农村黑臭水体集合中的各个第一农村黑臭水体进行黑臭水体风险分析,获得对应的各个第一农村黑臭水体对应的黑臭风险值的步骤包括:
将所述第一农村黑臭水体集合中的各个第一农村黑臭水体的地理位置与所述农村集聚区范围内的水体污染源空间分布数据进行空间关联分析,对所述第一农村黑臭水体集合中的各个第一农村黑臭水体的地理位置分别构建n个不同距离级别的缓冲区域;
对所述缓冲区域分别设置对应的权重;
根据黑臭风险值计算公式,计算所述第一农村黑臭水体集合中的各个第一农村黑臭水体对应的黑臭风险值:
其中,R为所述第一农村黑臭水体集合中的第一农村黑臭水体的黑臭风险值,i为构建的第i个缓冲区域,wi为对应的缓冲区域的权重,mi为落入对应的缓冲区域内污染源的个数。
10.根据权利要求1所述的农村黑臭水体遥感识别方法,其特征在于,基于所述黑臭风险值阈值以及各个第一农村黑臭水体对应的黑臭风险值,对所述第一农村黑臭水体集合中的各个第一农村黑臭水体进行筛选,获得第二农村黑臭水体集合的步骤包括:
对所述第一农村黑臭水体集合中的各个第一农村黑臭水体的黑臭风险值进行排序;
基于所述黑臭风险值阈值,对所述第一农村黑臭水体集合中的各个第一农村黑臭水体进行筛选;
将所述第一农村黑臭水体集合中的第一农村黑臭水体的黑臭风险值大于等于所述农村黑臭水体的黑臭风险值阈值的所述第一农村黑臭水体集合中的第一农村黑臭水体判定为第二农村黑臭水体,获得第二农村黑臭水体集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410060684.8A CN118135412A (zh) | 2024-01-15 | 2024-01-15 | 一种农村黑臭水体遥感识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410060684.8A CN118135412A (zh) | 2024-01-15 | 2024-01-15 | 一种农村黑臭水体遥感识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118135412A true CN118135412A (zh) | 2024-06-04 |
Family
ID=91231500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410060684.8A Pending CN118135412A (zh) | 2024-01-15 | 2024-01-15 | 一种农村黑臭水体遥感识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118135412A (zh) |
-
2024
- 2024-01-15 CN CN202410060684.8A patent/CN118135412A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Avitabile et al. | Capabilities and limitations of Landsat and land cover data for aboveground woody biomass estimation of Uganda | |
CN109858450B (zh) | 一种十米级空间分辨率遥感影像城镇提取方法及系统 | |
CN111832518B (zh) | 基于时空融合的tsa遥感影像土地利用方法 | |
Odindi et al. | Remote sensing land-cover change in Port Elizabeth during South Africa's democratic transition | |
CN110765934B (zh) | 一种多源数据融合的地质灾害识别方法 | |
CN110880229B (zh) | 一种地质灾害监测预警方法和系统 | |
CN106778629B (zh) | 大棚识别方法及装置 | |
CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
Li et al. | Hybrid cloud detection algorithm based on intelligent scene recognition | |
CN116702065B (zh) | 基于影像数据黑臭水体生态治理污染监测方法及系统 | |
Taherzadeh et al. | Using hyperspectral remote sensing data in urban mapping over Kuala Lumpur | |
CN110929739B (zh) | 一种自动化的不透水面范围遥感迭代提取方法 | |
CN112858181A (zh) | 黑臭水体监测方法、装置及电子设备 | |
CN118135412A (zh) | 一种农村黑臭水体遥感识别方法 | |
CN114235148B (zh) | 一种基于夜光遥感数据的道路夜间照明质量监测方法 | |
Ziems et al. | Multiple-model based verification of road data | |
Hanson et al. | Change detection for update of topographic databases through multi-level region-based classification of VHR optical and SAR data | |
CN116246272A (zh) | 针对国产卫星多光谱图像质量标记的云雪区分方法 | |
WO2014165787A1 (en) | System and method for detection of structures | |
Shrestha et al. | Delineating an exurban development footprint using SPOT imagery and ancillary data | |
Berger et al. | Using geographic object-based image analysis (GEOBIA) for urban land cover mapping and settlement density assessment | |
Thompson et al. | A methodology proposed for a South African national wetland inventory | |
Hoonhout et al. | Intertidal beach classification in infrared images | |
Granados-López et al. | Pixel‐Based Image Processing for CIE Standard Sky Classification through ANN | |
Kyzivat et al. | Contemporary and historical detection of small lakes using super resolution Landsat imagery: promise and peril |
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 |