CN118190823A - 一种基于遥感数据的水域生态环境监测系统 - Google Patents
一种基于遥感数据的水域生态环境监测系统 Download PDFInfo
- Publication number
- CN118190823A CN118190823A CN202410343362.4A CN202410343362A CN118190823A CN 118190823 A CN118190823 A CN 118190823A CN 202410343362 A CN202410343362 A CN 202410343362A CN 118190823 A CN118190823 A CN 118190823A
- Authority
- CN
- China
- Prior art keywords
- water
- reflectivity
- remote sensing
- water area
- image
- 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 338
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 230000003595 spectral effect Effects 0.000 claims abstract description 59
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 9
- 238000002310 reflectometry Methods 0.000 claims description 125
- 238000000034 method Methods 0.000 claims description 31
- 239000003344 environmental pollutant Substances 0.000 claims description 26
- 231100000719 pollutant Toxicity 0.000 claims description 26
- 239000000443 aerosol Substances 0.000 claims description 18
- 230000005855 radiation Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 15
- 238000002834 transmittance Methods 0.000 claims description 14
- 210000001747 pupil Anatomy 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 229930002868 chlorophyll a Natural products 0.000 claims description 9
- 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 claims description 9
- 239000005422 algal bloom Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 239000000356 contaminant Substances 0.000 description 15
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 7
- 229910052757 nitrogen Inorganic materials 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 239000011574 phosphorus Substances 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001479 atomic absorption spectroscopy Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000012925 reference material Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- 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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种基于遥感数据的水域生态环境监测系统。该系统包括：遥感图像获取模块，用于获取预设地区区域的遥感图像；预处理模块，用于对所述遥感图像进行预处理，得到预处理后的遥感图像；水域图像提取模块，用于从所述预处理后的遥感图像中提取得到水域图像；光谱特征信息获取模块，用于获取所述水域图像的光谱特征信息；水质状况信息获取模块，用于根据所述光谱特征信息获取所述水域的水质状况信息。本申请实施例的基于遥感数据的水域生态环境监测系统，大幅提高了基于遥感图像获取的水域的水质状况信息准确度，提高了基于遥感图像获取的水域生态环境监测结果准确度。
Description
技术领域
本申请涉及水域环境监测技术领域，具体涉及一种基于遥感数据的水域生态环境监测系统。
背景技术
水域生态环境监测是指对水域中的生物要素和非生物要素等进行观测和评估，以监测水体质量、生态系统健康状况或环境变化的过程。这种监测有助于保护水资源、维护水生态平衡、预防水污染和生态系统退化等问题。遥感数据是利用航空或卫星等遥感平台获取的地球表面信息的数字化记录。遥感数据可以包括各种波段的影像等，可以用于分析地表特征、环境变化、资源管理等用途。相关技术中利用遥感图像进行水域生态环境监测，存在的技术问题包括基于遥感图像获取的水域的水质状况信息不够准确，导致基于遥感图像获取的水域生态环境监测结果准确度较低。
发明内容
本申请的目的是提供一种基于遥感数据的水域生态环境监测系统。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
根据本申请实施例的一个方面，提供一种基于遥感数据的水域生态环境监测系统，包括：
遥感图像获取模块，用于获取预设地区区域的遥感图像；
预处理模块，用于对所述遥感图像进行预处理，得到预处理后的遥感图像；
水域图像提取模块，用于从所述预处理后的遥感图像中提取得到水域图像；
光谱特征信息获取模块，用于获取所述水域图像的光谱特征信息；
水质状况信息获取模块，用于根据所述光谱特征信息获取所述水域的水质状况信息。
进一步地，所述水域生态环境监测系统还包括：
浓度分布数据获取模块，用于将所述水域图像输入到与实时水质污染物类别相对应的预训练污染物类别浓度获取模型，以得到实时水质污染物类别在水体区域的浓度分布数据。
进一步地，所述预处理模块包括辐射定标单元，所述辐射定标单元用于：
同步测量地表反射率和大气参数，计算得到传感器各通道入瞳处的辐亮度，并与所述遥感图像或者遥感图像中选定区域的平均数字量值进行比对，得到各通道的绝对辐射定标系数；
获取表观反射率的计算式为
ρ＊(θs,θv,φv－s)＝ρa(θs,θv,φv－s)+[ρt/(1-ρt×s)]×T(θs)×T(θv)；
获取表观辐亮度的计算式为
L＝ρ＊cos(θs)E0/(d2×π)；
其中，ρa为大气程辐射反射率，ρt为地表反射率，s是半球反照率，T(θs)为太阳方向的总透过率，T(θv)为观测方向的总透过率，θs为太阳天顶角，θv为传感器观测天顶角，φv－s是观测方位角与太阳方位角的相对夹角，ρ＊代表传感器入瞳处的表观反射率，L代表传感器入瞳处的表观辐亮度，E0为大气层顶的太阳辐照度，d为日地距离，单位为AU。
进一步地，所述预处理模块包括大气校正模块，所述大气校正模块用于：
利用像素亮度值计算大气顶层的反射率ρTOA，大气顶层的反射率ρTOA是气溶胶反射率ρa、瑞利散射反射率ρr和水表面反射率ρw这三个反射率的和，即ρTOA＝ρa+ρr+tρw；其中，t为大气透过率；
将经瑞利散射校正后的像素反射率记作ρc，ρc＝ρTOA－ρr；
在近红外波段和短波红外波段，低表观反射率像素的ρw＝0，则ρa＝ρc；
在近红外波段至短波红外波段上设置观测波段，得到近红外波段气溶胶的反射率和短波红外波段气溶胶的反射率，代入ρa(λi)/ρa(λj)＝exp(C(λi－λj))求出常数C，得到任意波长处气溶胶反射率，根据ρTOA＝ρa+ρr+tρw计算各波段的水体反射率；
其中，λi和λj分别对应短波波长和长波波长，C为常数。
进一步地，所述水域图像提取模块，包括：
第一图像获取单元，用于从所述预处理后的遥感图像中获取包括水域边缘的第一图像；
粗糙水域边缘区域获取单元，用于获取所述第一图像的粗糙水域边缘区域；
第一划分单元，用于将所述粗糙水域边缘区域分段划分为多个依次连接的单位矩形；
第二划分单元，用于根据所述多个依次连接的单位矩形的图像特征将粗糙水域边缘进行精细划分，得到水域轮廓线；
水域图像提取单元，用于根据所述水域轮廓线提取水域图像。
进一步地，所述光谱特征信息获取模块进一步用于：分别计算得到所述水域图像中的每一像素的红光波段反射率、蓝光波段光谱反射率和绿光波段光谱反射率和近红外波段光谱反射率。
进一步地，所述水质状况信息获取模块进一步用于：
基于所述远红外波段反射率和所述近红外波段反射率计算出归一化差异水体指数；
根据所述蓝光波段光谱反射率和所述绿光波段光谱反射率，获取叶绿素a浓度；
根据所述红光波段反射率，获取水体中的悬浮物浓度；
根据所述蓝色波段反射率，获取水体的透明度；
根据所述近红外波段反射率，获取藻华程度；和/或，
根据红光波段反射率、蓝光波段光谱反射率和绿光波段光谱反射率和近红外波段光谱反射率，获取水温。
根据本申请实施例的另一个方面，提供一种基于遥感数据的水域生态环境监测方法，包括：
获取预设地区区域的遥感图像；
对所述遥感图像进行预处理，得到预处理后的遥感图像；
从所述预处理后的遥感图像中提取得到水域图像；
获取所述水域图像的光谱特征信息；
根据所述光谱特征信息获取所述水域的水质状况信息。
根据本申请实施例的另一个方面，提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述的基于遥感数据的水域生态环境监测方法。
根据本申请实施例的另一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述的基于遥感数据的水域生态环境监测方法。
本申请实施例的其中一个方面提供的技术方案可以包括以下有益效果：
本申请实施例提供的基于遥感数据的水域生态环境监测系统，能够获取预设地区区域的遥感图像，对遥感图像进行预处理，得到预处理后的遥感图像，从预处理后的遥感图像中提取得到水域图像，获取所述水域图像的光谱特征信息，根据光谱特征信息获取水域的水质状况信息，大幅提高了基于遥感图像获取的水域的水质状况信息准确度，提高了基于遥感图像获取的水域生态环境监测结果准确度。
本申请的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者，部分特征和优点可以从说明书中推知或毫无疑义地确定，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请一个实施例的基于遥感数据的水域生态环境监测系统结构框图。
图2示出了本申请另一实施例的基于遥感数据的水域生态环境监测系统结构框图。
图3示出了本申请的一个实施例中的水域图像提取模块结构框图。
图4示出了本申请一个实施例的基于遥感数据的水域生态环境监测方法流程图。
图5示出了本申请另一实施例的基于遥感数据的水域生态环境监测方法流程图。
图6示出了本申请一个实施例中从预处理后的遥感图像中提取得到水域图像的流程图。
图7示出了本申请一个实施例的电子设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本申请做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，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，都属于本申请保护的范围。
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)，具有与本申请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。
遥感数据包括遥感图像，遥感图像是通过航空或卫星遥感系统获取的地球表面影像，可以提供大范围、全方位的地表信息。相关技术中利用遥感图像进行水域生态环境监测，存在的技术问题包括基于遥感图像获取的水域的水质状况信息不够准确，导致基于遥感图像获取的水域生态环境监测结果准确度较低。
针对相关技术中存在的技术问题，本申请实施例提供了一种基于遥感数据的水域生态环境监测系统，能够获取预设地区区域的遥感图像，对遥感图像进行预处理，得到预处理后的遥感图像，从预处理后的遥感图像中提取得到水域图像，获取所述水域图像的光谱特征信息，根据光谱特征信息获取水域的水质状况信息，大幅提高了基于遥感图像获取的水域的水质状况信息准确度，提高了基于遥感图像获取的水域生态环境监测结果准确度。
参考图1所示，本申请的一个实施例提供了一种基于遥感数据的水域生态环境监测系统，包括：
遥感图像获取模块，用于获取预设地区区域的遥感图像；
预处理模块，用于对所述遥感图像进行预处理，得到预处理后的遥感图像；
水域图像提取模块，用于从所述预处理后的遥感图像中提取得到水域图像；
光谱特征信息获取模块，用于获取所述水域图像的光谱特征信息；
水质状况信息获取模块，用于根据所述光谱特征信息获取所述水域的水质状况信息。
预设地区区域的遥感图像是指通过卫星传感器获得的预设地理区域的卫星遥感图像。卫星遥感图像是使用卫星上安装的遥感传感器从太空中获取的地球表面的图像。这些图像能够提供关于地球各种表面特征(如陆地、水体、植被、城市建筑等)的重要信息，对于环境监测、资源调查、农业、林业、气象、地质勘探、海洋学和城市规划等领域具有极其重要的应用价值。根据实际应用的需要，可以获取特定时间点的卫星遥感图像，以便对该预设地区区域在特定时间点的水体质量进行分析研究。该预设地区区域包括目标水域，目标水域例如可以是作为监测目标的河流或湖泊等。
参考图2所示，在一些实施方式中，该水域生态环境监测系统还包括：
浓度分布数据获取模块，用于将所述水域图像输入到与实时水质污染物类别相对应的预训练污染物类别浓度获取模型，以得到实时水质污染物类别在水体区域的浓度分布数据。
示例性地，预处理模块可以包括辐射定标单元和/或大气校正模块。
一些实施方式中，预处理模块可以包括辐射定标单元，所述辐射定标单元用于：
同步测量地表反射率和大气参数，计算得到传感器各通道入瞳处的辐亮度，并与所述遥感图像或者遥感图像中选定区域的平均数字量值进行比对，得到各通道的绝对辐射定标系数；
获取表观反射率的计算式为
ρ＊(θs,θv,φv－s)＝ρa(θs,θv,φv－s)+[ρt/(1-ρt×s)]×T(θs)×T(θv)；
获取表观辐亮度的计算式为
L＝ρ＊cos(θs)E0/(d2×π)；
其中，ρa为大气程辐射反射率，ρt为地表反射率，s是半球反照率，T(θs)为太阳方向的总透过率，T(θv)为观测方向的总透过率，θs为太阳天顶角，θv为传感器观测天顶角，φv－s是观测方位角与太阳方位角的相对夹角，ρ＊代表传感器入瞳处的表观反射率，L代表传感器入瞳处的表观辐亮度，E0为大气层顶的太阳辐照度，d为日地距离，单位为AU。
一些实施方式中，该预处理模块包括大气校正模块，所述大气校正模块用于：
利用像素亮度值计算大气顶层的反射率ρTOA，大气顶层的反射率ρTOA是气溶胶反射率ρa、瑞利散射反射率ρr和水表面反射率ρw这三个反射率的和，即ρTOA＝ρa+ρr+tρw；其中，t为大气透过率；
将经瑞利散射校正后的像素反射率记作ρc，ρc＝ρTOA－ρr；
在近红外波段和短波红外波段，低表观反射率像素的ρw＝0，则ρa＝ρc；
在近红外波段至短波红外波段上设置观测波段，得到近红外波段气溶胶的反射率和短波红外波段气溶胶的反射率，代入ρa(λi)/ρa(λj)＝exp(C(λi－λj))求出常数C，得到任意波长处气溶胶反射率，根据ρTOA＝ρa+ρr+tρw计算各波段的水体反射率；
其中，λi和λj分别对应短波波长和长波波长，C为常数。
参考图3所示，一些实施方式中，水域图像提取模块，可以包括：
第一图像获取单元，用于从所述预处理后的遥感图像中获取包括水域边缘的第一图像；
粗糙水域边缘区域获取单元，用于获取所述第一图像的粗糙水域边缘区域；
第一划分单元，用于将所述粗糙水域边缘区域分段划分为多个依次连接的单位矩形；
第二划分单元，用于根据所述多个依次连接的单位矩形的图像特征将粗糙水域边缘进行精细划分，得到水域轮廓线；
水域图像提取单元，用于根据所述水域轮廓线提取水域图像。
一些实施方式中，光谱特征信息获取模块进一步用于：分别计算得到所述水域图像中的每一像素的红光波段反射率、蓝光波段光谱反射率和绿光波段光谱反射率和近红外波段光谱反射率。
一些实施方式中，该水质状况信息获取模块可以进一步用于：基于所述远红外波段反射率和所述近红外波段反射率计算出归一化差异水体指数；根据所述蓝光波段光谱反射率和所述绿光波段光谱反射率，获取叶绿素a浓度；根据所述红光波段反射率，获取水体中的悬浮物浓度；根据所述蓝色波段反射率，获取水体的透明度；根据所述近红外波段反射率，获取藻华程度；和/或，根据红光波段反射率、蓝光波段光谱反射率和绿光波段光谱反射率和近红外波段光谱反射率，获取水温。
术语“模块”并非意图受限于特定物理形式。取决于具体应用，模块可以实现为硬件、固件、软件和/或其组合。此外，不同的模块可以共享公共组件或甚至由相同组件实现。不同模块之间可以存在或不存在清楚的界限。
参考图4所示，本申请的一个实施例提供了一种基于遥感数据的水域生态环境监测方法，可以包括：
S10、获取预设地区区域的遥感图像。
预设地区区域的遥感图像是指通过卫星传感器获得的预设地理区域的卫星遥感图像。该预设地区区域包括目标水域，目标水域例如可以是作为监测目标的河流或湖泊等。
S20、对所述遥感图像进行预处理，得到预处理后的遥感图像。
该预处理可以包括辐射定标处理和/或大气校正处理。
在获取预设地区区域的遥感图像后，执行步骤S20，对卫星遥感图像进行预处理，使卫星遥感图像更加清晰、准确。
该预处理具体包括对卫星遥感图像进行辐射定标处理和大气校正处理。
辐射定标是将传感器记录的无量纲的像素亮度值转换成具有实际物理意义的大气顶层辐射亮度或反射率。辐射定标的原理是建立数字量化值与对应视场中辐射亮度值之间的定量关系，以消除传感器本身产生的误差。大气校正是消除遥感图像中由大气散射和吸收引起的辐射误差的处理过程。
对卫星遥感图像进行辐射定标处理和大气校正处理是对卫星遥感图像进行预处理，可以提高卫星遥感图像的清晰度和准确性，以便于后续根据预处理后的遥感图像获取水质状况信息。对遥感图像进行辐射定标是将遥感设备捕获的原始图像(通常表示为数字量，即Digital Number，DN)转换为实际的物理量(如辐射亮度或反射率)的过程。这一步骤对于确保数据的科学性和可比较性至关重要。
从遥感图像的元数据或传感器的技术手册中获取定标参数，包括增益(gain)和偏移量(bias)。这些参数是在传感器校准过程中确定的，用于将DN值转换为辐射亮度。
示例性地，可以使用下面的公式将DN值转换为辐射亮度(L)：
L＝gain*DN+bias；
其中：L是辐射亮度，单位通常是W/(m2·sr·μm)；DN是图像的原始数字量；gain和bias分别是定标参数。
另一个示例中，对遥感图像进行辐射定标包括：同步测量地表反射率和大气参数，计算得到传感器各通道入瞳处的辐亮度，并与遥感图像或者遥感图像中选定区域的平均DN值进行比对，即可得到传感器各通道的绝对辐射定标系数。
示例性地，辐射定标过程中获取表观反射率和表观辐亮度，可以通过以下公式实现：
获取表观反射率的计算式为
ρ＊(θs,θv,φv－s)＝ρa(θs,θv,φv－s)+[ρt/(1-ρt×s)]×T(θs)×T(θv)；
获取表观辐亮度的计算式为
L＝ρ＊cos(θs)E0/(d2×π)；
式中，ρa为大气程辐射反射率，ρt为地表反射率，s是半球反照率，T(θs)为太阳方向的总透过率，T(θv)为观测方向的总透过率，θs为太阳天顶角，θv为传感器观测天顶角，φv－s是观测方位角与太阳方位角的相对夹角，ρ＊代表传感器入瞳处的表观反射率，L代表传感器入瞳处的表观辐亮度，E0为大气层顶的太阳辐照度，d为日地距离，单位为AU。该示例中的辐射定标充分考虑了大气程辐射反射率、地表反射率、半球反照率、太阳方向的总透过率、观测方向的总透过率、太阳天顶角、传感器观测天顶角、以及观测方位角与太阳方位角的相对夹角这些因素的影响，得到的辐射定标处理结果准确度较高。
示例性地，大气校正包括：利用像素亮度值计算大气顶层(top of atmosphere，简称TOA)的反射率ρTOA，其中，
大气顶层的反射率ρTOA是气溶胶反射率ρa、瑞利散射反射率ρr和水表面反射率ρw这三个反射率的和，即ρTOA＝ρa+ρr+tρw(1)；
其中，t为大气透过率，ρr是根据太阳和传感器的几何位置关系通过查找表获取的；ρw的求解关键在于解算得到气溶胶反射率ρa，即
ε(λi,λj)＝ρa(λi)/ρa(λj)＝exp(C(λi－λj))(2)；
式中，λi和λj分别对应短波波长和长波波长；对于类型固定的气溶胶，C为常数。将经瑞利散射校正后的像素反射率记作ρc，即
ρc ＝ ρTOA－ρr (3)。
可以利用低表观反射率像素进行大气校正。低表观反射率像素是指水体在近红外波段或短波红外波段的反射率在[0,0.4]区间内的像素。在近红外波段和短波红外波段，低表观反射率像素的ρw＝0，则ρa＝ρc，即气溶胶反射率等于经瑞利散射校正后的反射率。如果在近红外波段至短波红外波段上设置观测波段，得到近红外波段和短波红外波段气溶胶的反射率，代入计算式ε(λi,λj)＝ρa(λi)/ρa(λj)＝exp(C(λi－λj))可求出常数C，进而可以估算得到任意波长处气溶胶反射率，从而根据计算式ρTOA＝ρa+ρr+tρw计算各波段的水体反射率。
S30、从预处理后的遥感图像中提取得到水域图像。
从预处理后的遥感图像中提取得到水域图像，以便后续更有针对性地对预设地区区域的地表水域的水体质量进行。水域图像是遥感图像中的水域部分的图像。
参考图5所示，示例性地，从预处理后的遥感图像中提取得到水域图像，可以包括:
S301、从预处理后的遥感图像中获取包括水域边缘的第一图像。
在一些实施方式中，对预处理后的遥感图像进行图像处理，识别并提取出水体特征，水体特征例如可以包括水域的位置、形状和边界。还可以利用阈值分割、水体指数、目视解译等方法来提取水体特征。例如，可以根据水体在遥感图像中的特定光谱特征(如蓝光波段的高反射率)，可以通过设定适当的阈值来将水体与其他地物进行区分和分割。常见的阈值分割算法包括基于单一波段或多个波段的全局阈值法、自适应阈值法等。
在提取出水体特征后，对水域边缘进行提取和验证，确定准确的水域边缘。确定水域边缘之后，就可以从预处理后的遥感图像中提取出包括水域边缘的第一图像。
S302、获取第一图像的粗糙水域边缘区域。
具体地，可以获取第一图像的水域对应的像素信息，标记为水域像素信息；提取与水域像素信息相邻的边缘像素点；将边缘像素点依次连接得到粗糙水域边缘区域。
S303、将粗糙水域边缘区域分段划分为多个依次连接的单位矩形。
具体地，可以获取粗糙水域边缘区域对应的边缘像素点，从边缘像素点中选取任一点作为参考点，沿粗糙水域边缘区域的延伸方向，划分出多个依次连接的单位矩形。单位矩形是图像中的图形单元。
S304、根据多个单位矩形的图像特征将粗糙水域边缘进行精细划分，得到水域轮廓线。
具体地，获取单位矩形对应的像素信息，得到每个单位矩形的边缘像素点；获取与边缘像素点邻接的水域像素点和陆地像素点，根据边缘像素点的色深以及水域像素点和陆地像素点的色深，得到单位矩形中水域与陆地的比值；根据单位矩形中水域与陆地的比值对单位矩形进行划分，得到单位划分边缘；连接单位划分边缘，得到水域与陆地之间的分界线，该分界线为水域轮廓线。
示例性地，根据边缘像素点的色深以及水域像素点和陆地像素点的色深，得到单位矩形中水域与陆地的比值，可以包括：分别将边缘像素点、水域像素点和陆地像素点转化为灰阶，获取边缘像素点的灰度值、水域像素点的灰度值和陆地像素点的灰度值；根据边缘像素点的灰度值、水域像素点的灰度值和陆地像素点的灰度值，获取单位矩形中水域与陆地的比值。
示例性地，根据边缘像素点的灰度值、水域像素点的灰度值和陆地像素点的灰度值，获取单位矩形中水域与陆地的比值，可以包括：
获取单位矩形相邻的边缘像素点的灰度值的均值、相邻的水域像素点的灰度值以及相邻的陆地像素点的灰度值；
在边缘像素点的区域内，相邻的水域像素点的灰度值与相邻的陆地像素点的灰度值的按同灰度值所占面积比值的加权平均值，等于边缘像素点的灰度值，并根据边缘像素点的灰度值，得到边缘像素点内水域与陆地的比值；
根据单位矩形内边缘像素点内水域与陆地的比值，得到单位矩形中水域与陆地的比值。
示例性地，根据单位矩形中水域与陆地的比值对单位矩形进行划分，得到单位划分边缘，可以包括：获取单位矩形中每个边缘像素点中水域与陆地的比值；根据每个边缘像素点中水域与陆地的比值，对边缘像素点进行划分，得到像素点划分边缘；在保持边缘像素点中水域与陆地的比值不变的状态下，将单位矩形内的像素点划分边缘进行连接，得到单位划分边缘。
示例性地，连接单位划分边缘，得到水域与陆地之间的分界线，该分界线为水域轮廓线，可以包括：获取单位矩形中每个边缘像素点中的像素点划分边缘；在保持边缘像素点中水域与陆地的比值不变的状态下，将像素点划分边缘进行连接，得到水域与陆地的分界线，即水域轮廓线。
S305、根据水域轮廓线提取水域图像。
具体地，水域轮廓线所包围起来的部分即水域图像，将遥感图像中水域轮廓线所包围起来的部分提取出来，即得到水域图像。
精确的水域边界对于环境监测至关重要，不准确的水域边界可能导致对水体污染、水质变化等环境问题的监测误差，进而影响环境保护和修复工作的开展。本实施例通过上述步骤可以准确确定水域轮廓线，准确提取得到水域图像，得到的水域区域准确度较高，便于后续对水域图像进行处理，提高根据水域图像获取光谱特征信息的准确度，提高水域生态环境监测准确度。
S40、获取水域图像的光谱特征信息。
示例性地，分别计算得到所述水域图像中的每一像素的红光波段反射率、蓝光波段光谱反射率、绿光波段光谱反射率、远红外波段反射率和近红外波段光谱反射率。
具体地，计算目标波段反射率的步骤可以包括：从水域图像中选择包含目标波段的通道或波段；使用所选择的通道或波段数据，结合传感器的响应函数和辐射校正参数，计算每个像素的目标波段光谱反射率。目标波段即红光波段、蓝光波段、绿光波段、远红外波段和近红外波段中待计算光谱反射率的任一波段。
具体的波段编号可能会因遥感数据来源而有所不同。例如，在Landsat系列卫星影像中，通常选择波段4作为红光波段，波段3为绿光波段，波段1为蓝光波段，波段5为近红外波段，波段7为远红外波段。
S50、根据光谱特征信息获取水质状况信息。
通过对遥感影像进行处理分析，可以无需直接接触水体即可获得水质状况信息。这一过程主要涉及到对遥感影像中的光谱信息的解读，因为不同水质参数(如悬浮物、叶绿素a、化学需氧量等)会影响水体对光的吸收和散射特性，从而在遥感影像上表现出不同的光谱特征。
水域的水质状况信息，可以包括：归一化差异水体指数、叶绿素a浓度、水体中的悬浮物浓度、水体的透明度、藻华程度、和/或水温。
示例性地，根据光谱特征信息获取水质状况信息，可以包括：
S501、基于远红外波段反射率和近红外波段反射率计算出归一化差异水体指数。
归一化差异水体指数(Normalized Difference Water Index,NDWI)：NDWI是基于远红外和近红外波段的反射率计算出来的，能有效分辨开水体与非水体，有助于初步判断水体的范围和状态。
S502、根据光谱特征信息中的蓝光波段光谱反射率和绿光波段光谱反射率，获取叶绿素a浓度。
叶绿素a浓度监测：叶绿素a是衡量水体富营养化程度的重要指标之一。通过分析遥感影像中的蓝绿色波段，可以估算出水体中的叶绿素a浓度。
S503、根据红光波段反射率，获取水体中的悬浮物浓度。
悬浮物浓度监测：水中悬浮物会影响水体的透明度和散射特性。通过分析遥感影像中的红光波段反射率，可以估算水体中的悬浮物浓度。
S504、根据蓝色波段反射率，获取水体的透明度。
水体透明度(Secchi Disk Depth,SDD)监测：水体透明度是反映水质清洁程度的一个重要指标。通过分析遥感影像的光谱信息中蓝色波段反射率，可以估计水体的透明度。
S505、根据近红外波段反射率，获取藻华程度。
藻华监测：藻华是水体富营养化的一种表现，可以通过分析遥感影像中的近红外波段来监测。藻华区域通常会在这些波段中显示出较高的反射率。
和/或，
S506、根据红光波段反射率、蓝光波段光谱反射率和绿光波段光谱反射率和近红外波段光谱反射率，获取水温。
根据前述的各波段的反射率，获取水温。水温监测：水体对不同波长光的吸收和反射特性，这些特性与水温有关。通过分析水体在不同波段的反射率，可以推断出水温。
另外，水体表面的温度越高，其发射的红外辐射强度也越高。因此，通过测量水体在红外波段的辐射亮度，可以估算出水体的表面温度。
基于机器学习的水质参数估算模型，这些模型可以根据不同水体和环境条件进行训练和优化，以提高水质监测的准确性和效率。更准确地从遥感影像中提取水质信息，
利用遥感影像监测水质需要结合具体的遥感数据特性(如分辨率、覆盖范围、传感器类型等)和水体特性(如水体类型、受污染程度等)，选择合适的方法和模型进行分析。随着遥感技术和数据处理技术的不断进步，遥感水质监测的精度和应用范围将会不断扩大。
本实施例获取的水质状况信息较为全面，准确度较高，作为水域生态环境的评价参数数据，获得的水域生态环境监测结果准确度较高。
参考图6所示，在另一个实施例中，该监测方法还可以包括：
S60、将水域图像输入到与实时水质污染物类别相对应的预训练污染物类别浓度获取模型，以得到实时水质污染物类别在水体区域的浓度分布数据。
实时水质污染物类别在水体区域的浓度分布数据可以作为监测数据的一部分呈现给工作人员，以便于为基于遥感数据的水域生态环境监测提供更全面的参考。
示例性地，该预训练污染物类别浓度获取模型是预先通过以下步骤训练得到的，包括：
S601、获取目标水域中多个样本采样点的水质样本以及目标水域的遥感图像样本。
其中，样本采样点设置在目标水域中，样本采样点的数量可以根据实际需要设置，例如，可以是10个、15个、20个、25个、30个等。
S602、对水质样本进行分析，得到水质样本的污染物类别和污染物浓度。
具体地，对水质样本进行分析，得到水质样本的污染物类别和污染物浓度，可以包括物理性质测试、污染物筛查、化学分析、标准曲线和质控、以及数据分析处理。
物理性质测试：首先，进行一些物理性质测试，例如测量温度、pH值、电导率等，这些数据可以提供有关水样的基本信息。
污染物筛查：根据需要，使用适当的测试方法对水样进行初步筛查，以确定是否存在已知的污染物。这包括使用不同的传感器和测试设备来检测常见的污染物，如重金属、有机物等。
化学分析：对于特定的污染物，可能需要进行更详细的化学分析。这包括使用各种分析技术，如色谱-质谱联用(GC-MS)、高效液相色谱(HPLC)、原子吸收光谱(AAS)等，对水样进行定性和定量分析。
标准曲线和质控：为了准确测量污染物浓度，建立标准曲线是必要的。通过测量已知浓度的标准品，绘制出浓度与测试信号之间的关系曲线。此外，质量控制样本和标准参考材料的使用也是确保分析结果准确性的重要步骤。
数据分析处理：分析完成后，对实验数据进行整理和处理。根据所采用的技术和标准，计算出各种污染物的浓度。
S603、根据污染物类别对水质样本进行分组，得到若干个水质样本分组。
例如，水质样本A包括了氮污染物，水质样本B包括了氮和磷两种污染物，水质样本A及其对应的氮污染物浓度会被划分到污染物类别为氮的水质样本分组，水质样本B及其对应的氮污染物浓度会被划分到污染物类别为氮的水质样本分组中，且水质样本B及其对应的磷污染物浓度会被划分到污染物类别为磷的水质样本分组中。
S604、将各个水质样本分组和遥感图像样本输入到对应的深度神经网络模型进行训练，得到与各个水质样本分组对应的多个浓度分布识别模型。
其中，各个水质样本分组中的每一个水质样本分组对应有一个浓度分布识别模型，且每一水质样本分组对应的浓度分布识别模型的模型参数，可能会由于污染物类别的不同而存在差异。
示例性地，深度神经网络模型可以采用深度Q-网络(Deep Q-Network,DQN)，深度Q-网络(Deep Q-Network,DQN)是一种深度强化学习模型，用于解决具有状态空间和动作空间的马尔可夫决策过程(Markov Decision Process,MDP)。DQN结合了深度神经网络和Q-学习算法，通过近似值函数Q(s,a)来指导智能体做出决策。深度Q-网络模型在识别水体污染物类别和浓度方面的优势，包括：学习能力强：深度Q-网络模型可以通过反复的试错学习来提高自身性能，可以逐步优化其在识别水体污染物类别和浓度方面的准确性；复杂环境适应性强：深度Q-网络模型可以处理复杂的环境和数据，对于水体中不同类别和浓度的污染物进行有效的识别和区分；训练好的深度Q-网络模型可以自动进行污染物类别和浓度的识别，无需人工干预，实现自动化决策；泛化能力强：深度Q-网络模型可以通过训练来学习污染物类别和浓度的一般规律，具有一定的泛化能力，可以应对未知情况下的预测任务。
另外，深度神经网络模型还可以采用卷积神经网络模型等模型。
实时水质污染物类别在水体区域的浓度分布数据可以进一步为水域生态环境监测提供数据支撑，提高水域生态环境监测结果的准确度。
本申请实施例的基于遥感数据的水域生态环境监测方法，获取预设地区区域的遥感图像，对遥感图像进行预处理，得到预处理后的遥感图像，从预处理后的遥感图像中提取得到水域图像，获取所述水域图像的光谱特征信息，根据光谱特征信息获取水域的水质状况信息，大幅提高了基于遥感图像获取的水域的水质状况信息准确度，提高了基于遥感图像获取的水域生态环境监测结果准确度。
本申请的另一个实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述任一实施例的基于遥感数据的水域生态环境监测方法。
参考图7所示，一个示例中的电子设备包括存储器11和处理器12。存储器11和处理器12各部分之间通过总线13相互连接。存储器11用于存储计算机执行指令。处理器12用于执行该存储器11所存储的计算机执行指令，使得处理器12执行上述任一方法实施例中所示的方法。处理器12的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
本申请的另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述任一实施例的基于遥感数据的水域生态环境监测方法。
通过以上实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以采用软件实现，硬件实现，固件实现，或它们的任意组合来实现。当使用软件实现时，可以将上述各模块的功能或方法实施例中的步骤存储在计算机可读存储介质中，作为计算机可读存储介质上的一个或多个指令或代码进行传输。计算机可读存储介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读存储介质可以包括RAM，ROM，EEPROM，CD-ROM，光盘存储介质，磁盘存储介质，磁存储设备；或者能够携带或存储具有指令或数据结构的程序代码并能够由计算机存取的任何其他介质。任何形式的通信媒介都可以成为所述通信介质,如果软件是使用同轴电缆、光纤光缆、双绞线、或数字用户线(DSL)之类的有线技术,或者诸如红外线、无线电和微波之类的无线技术,在网站、服务器以及其他节点之间传输的，那么所述的同轴电缆、光纤光缆、双绞线、DSL,以及所述的红外线、无线和微波就包括在所述通信介质的定义中。计算机可读存储介质还可以包括:盘(Disk)和碟(disc),其中,碟包括压缩光碟(CD)、激光碟、光碟、数字通用光碟(DVD)、以及蓝光光碟。盘包括软盘和硬盘,其中盘通常采用磁性技术复制及存储数据，而碟则采用激光等光学技术复制及存储数据。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例仅表达了本申请的实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于遥感数据的水域生态环境监测系统，其特征在于，包括：
遥感图像获取模块，用于获取预设地区区域的遥感图像；
预处理模块，用于对所述遥感图像进行预处理，得到预处理后的遥感图像；
水域图像提取模块，用于从所述预处理后的遥感图像中提取得到水域图像；
光谱特征信息获取模块，用于获取所述水域图像的光谱特征信息；
水质状况信息获取模块，用于根据所述光谱特征信息获取所述水域的水质状况信息。
2.根据权利要求1所述的系统，其特征在于，所述水域生态环境监测系统还包括：
浓度分布数据获取模块，用于将所述水域图像输入到与实时水质污染物类别相对应的预训练污染物类别浓度获取模型，以得到实时水质污染物类别在水体区域的浓度分布数据。
3.根据权利要求1所述的系统，其特征在于，所述预处理模块包括辐射定标单元，所述辐射定标单元用于：
同步测量地表反射率和大气参数，计算得到传感器各通道入瞳处的辐亮度，并与所述遥感图像或者遥感图像中选定区域的平均数字量值进行比对，得到各通道的绝对辐射定标系数；
获取表观反射率的计算式为
ρ＊(θs,θv,φv－s)＝ρa(θs,θv,φv－s)+[ρt/(1-ρt×s)]×T(θs)×T(θv)；
获取表观辐亮度的计算式为
L＝ρ＊cos(θs)E0/(d2×π)；
其中，ρa为大气程辐射反射率，ρt为地表反射率，s是半球反照率，T(θs)为太阳方向的总透过率，T(θv)为观测方向的总透过率，θs为太阳天顶角，θv为传感器观测天顶角，φv－s是观测方位角与太阳方位角的相对夹角，ρ＊代表传感器入瞳处的表观反射率，L代表传感器入瞳处的表观辐亮度，E0为大气层顶的太阳辐照度，d为日地距离，单位为AU。
4.根据权利要求1所述的系统，其特征在于，所述预处理模块包括大气校正模块，所述大气校正模块用于：
利用像素亮度值计算大气顶层的反射率ρTOA，大气顶层的反射率ρTOA是气溶胶反射率ρa、瑞利散射反射率ρr和水表面反射率ρw这三个反射率的和，即ρTOA＝ρa+ρr+tρw；其中，t为大气透过率；
将经瑞利散射校正后的像素反射率记作ρc，ρc＝ρTOA－ρr；
在近红外波段和短波红外波段，低表观反射率像素的ρw＝0，则ρa＝ρc；
在近红外波段至短波红外波段上设置观测波段，得到近红外波段气溶胶的反射率和短波红外波段气溶胶的反射率，代入ρa(λi)/ρa(λj)＝exp(C(λi－λj))求出常数C，得到任意波长处气溶胶反射率，根据ρTOA＝ρa+ρr+tρw计算各波段的水体反射率；
其中，λi和λj分别对应短波波长和长波波长，C为常数。
5.根据权利要求1所述的系统，其特征在于，所述水域图像提取模块，包括：
第一图像获取单元，用于从所述预处理后的遥感图像中获取包括水域边缘的第一图像；
粗糙水域边缘区域获取单元，用于获取所述第一图像的粗糙水域边缘区域；
第一划分单元，用于将所述粗糙水域边缘区域分段划分为多个依次连接的单位矩形；
第二划分单元，用于根据所述多个依次连接的单位矩形的图像特征将粗糙水域边缘进行精细划分，得到水域轮廓线；
水域图像提取单元，用于根据所述水域轮廓线提取水域图像。
6.根据权利要求1所述的系统，其特征在于，所述光谱特征信息获取模块进一步用于：分别计算得到所述水域图像中的每一像素的红光波段反射率、蓝光波段光谱反射率和绿光波段光谱反射率和近红外波段光谱反射率。
7.根据权利要求6所述的系统，其特征在于，所述水质状况信息获取模块进一步用于：
基于所述远红外波段反射率和所述近红外波段反射率计算出归一化差异水体指数；
根据所述蓝光波段光谱反射率和所述绿光波段光谱反射率，获取叶绿素a浓度；
根据所述红光波段反射率，获取水体中的悬浮物浓度；
根据所述蓝色波段反射率，获取水体的透明度；
根据所述近红外波段反射率，获取藻华程度；和/或，
根据红光波段反射率、蓝光波段光谱反射率和绿光波段光谱反射率和近红外波段光谱反射率，获取水温。
8.一种基于遥感数据的水域生态环境监测方法，其特征在于，包括：
获取预设地区区域的遥感图像；
对所述遥感图像进行预处理，得到预处理后的遥感图像；
从所述预处理后的遥感图像中提取得到水域图像；
获取所述水域图像的光谱特征信息；
根据所述光谱特征信息获取所述水域的水质状况信息。
9.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求8所述的基于遥感数据的水域生态环境监测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以实现如权利要求8所述的基于遥感数据的水域生态环境监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410343362.4A CN118190823A (zh) | 2024-03-25 | 2024-03-25 | 一种基于遥感数据的水域生态环境监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410343362.4A CN118190823A (zh) | 2024-03-25 | 2024-03-25 | 一种基于遥感数据的水域生态环境监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118190823A true CN118190823A (zh) | 2024-06-14 |
Family
ID=91406485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410343362.4A Pending CN118190823A (zh) | 2024-03-25 | 2024-03-25 | 一种基于遥感数据的水域生态环境监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118190823A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103389494A (zh) * | 2013-07-24 | 2013-11-13 | 中国科学院南海海洋研究所 | 一种ii类水体水色遥感数据大气校正新方法 |
| CN109977801A (zh) * | 2019-03-08 | 2019-07-05 | 中国水利水电科学研究院 | 一种联合光学和雷达的区域水体快速动态提取方法及系统 |
| CN112507763A (zh) * | 2019-09-16 | 2021-03-16 | 中科星图股份有限公司 | 一种基于多源多光谱遥感图像水体提取方法、系统和可读存储介质 |
| CN114241336A (zh) * | 2021-12-30 | 2022-03-25 | 河南祥宇工程勘察设计有限公司 | 一种基于动态低分辨遥感图像的河湖水域确权划界方法 |
| CN115266632A (zh) * | 2022-07-29 | 2022-11-01 | 阿尔爱思科技(苏州)有限公司 | 一种水体污染源无人机高光谱遥感排查方法 |
| CN115424143A (zh) * | 2022-08-29 | 2022-12-02 | 南方海洋科学与工程广东省实验室(广州) | 水源污染溯源方法、装置、存储介质和计算机设备 |
| CN115601655A (zh) * | 2022-10-11 | 2023-01-13 | 中国农业银行股份有限公司（Cn） | 基于卫星遥感的水体信息识别方法、装置和可读介质 |
| CN117173590A (zh) * | 2023-09-07 | 2023-12-05 | 沈阳市勘察测绘研究院有限公司 | 一种基于多源时序遥感影像的水体异常监测方法 |
-
2024
- 2024-03-25 CN CN202410343362.4A patent/CN118190823A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103389494A (zh) * | 2013-07-24 | 2013-11-13 | 中国科学院南海海洋研究所 | 一种ii类水体水色遥感数据大气校正新方法 |
| CN109977801A (zh) * | 2019-03-08 | 2019-07-05 | 中国水利水电科学研究院 | 一种联合光学和雷达的区域水体快速动态提取方法及系统 |
| CN112507763A (zh) * | 2019-09-16 | 2021-03-16 | 中科星图股份有限公司 | 一种基于多源多光谱遥感图像水体提取方法、系统和可读存储介质 |
| CN114241336A (zh) * | 2021-12-30 | 2022-03-25 | 河南祥宇工程勘察设计有限公司 | 一种基于动态低分辨遥感图像的河湖水域确权划界方法 |
| CN115266632A (zh) * | 2022-07-29 | 2022-11-01 | 阿尔爱思科技(苏州)有限公司 | 一种水体污染源无人机高光谱遥感排查方法 |
| CN115424143A (zh) * | 2022-08-29 | 2022-12-02 | 南方海洋科学与工程广东省实验室(广州) | 水源污染溯源方法、装置、存储介质和计算机设备 |
| CN115601655A (zh) * | 2022-10-11 | 2023-01-13 | 中国农业银行股份有限公司（Cn） | 基于卫星遥感的水体信息识别方法、装置和可读介质 |
| CN117173590A (zh) * | 2023-09-07 | 2023-12-05 | 沈阳市勘察测绘研究院有限公司 | 一种基于多源时序遥感影像的水体异常监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘纪原: "光学载荷辐射定标校验技术", 《自然灾害与空间信息体系》, 30 September 2013 (2013-09-30), pages 224 - 225 * |
| 蔡丽娜;刘平波;智长贵;: "水质遥感监测方法的探讨", 测绘与空间地理信息, no. 04, 25 August 2008 (2008-08-25), pages 68 - 73 * |
| 黄红莲;易维宁;乔延利;杜丽丽;: ""天绘一号"卫星在轨辐射定标方法", 遥感学报, no. 1, 26 December 2012 (2012-12-26), pages 22 - 27 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11521379B1 (en) | Method for flood disaster monitoring and disaster analysis based on vision transformer | |
| CN112213287A (zh) | 基于遥感卫星影像的沿海滩涂盐度反演的方法 | |
| CN115266632A (zh) | 一种水体污染源无人机高光谱遥感排查方法 | |
| CN112766075A (zh) | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 | |
| CN112215525B (zh) | 一种湖库水质反演及可视化评价方法 | |
| Karaska et al. | AVIRIS measurements of chlorophyll, suspended minerals, dissolved organic carbon, and turbidity in the Neuse River, North Carolina | |
| CN111879709B (zh) | 湖泊水体光谱反射率检验方法及装置 | |
| CN116361737B (zh) | 一种湖泊异常动态监测方法、装置、电子设备及存储介质 | |
| Teodoro et al. | Retrieving TSM concentration from multispectral satellite data by multiple regression and artificial neural networks | |
| Mélin et al. | Assessment of satellite ocean colour radiometry and derived geophysical products | |
| CN115963066B (zh) | 一种陆基鱼塘养殖水质光谱检测方法、装置及计算机设备 | |
| CN113436153A (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
| CN113887493A (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
| Sharaf El Din | Enhancing the accuracy of retrieving quantities of turbidity and total suspended solids using Landsat-8-based-principal component analysis technique | |
| CN116465803A (zh) | 一种构建悬浮物浓度反演模型的方法及装置 | |
| Ivanda et al. | An application of 1D convolution and deep learning to remote sensing modelling of Secchi depth in the northern Adriatic Sea | |
| CN118190823A (zh) | 一种基于遥感数据的水域生态环境监测系统 | |
| Wang et al. | Ammonia nitrogen monitoring of urban rivers with UAV-borne hyperspectral remote sensing imagery | |
| Zhou et al. | Intelligent monitoring of water quality based on image analytics | |
| CN116908115B (zh) | 高光谱水质反演方法、装置、电子设备和存储介质 | |
| CN117743993B (zh) | 一种戈壁覆盖区域的化探异常识别方法及装置 | |
| CN118706765A (zh) | 卫星高光谱水质预测方法、装置、设备及介质 | |
| Harvey et al. | Steps towards a status classification of Norwegian lakes using satellite data-method development and case studies | |
| CN118310974A (zh) | 一种基于Catboost和近端高光谱遥感影像的内陆小水体TN和TP监测方法 | |
| CN116108653A (zh) | 基于改进最小二乘法的小微水域水质监测方法 |
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 |