CN108357669A - 一种基于无人机的河湖排污遥感智能监测*** - Google Patents
一种基于无人机的河湖排污遥感智能监测*** Download PDFInfo
- Publication number
- CN108357669A CN108357669A CN201810005314.9A CN201810005314A CN108357669A CN 108357669 A CN108357669 A CN 108357669A CN 201810005314 A CN201810005314 A CN 201810005314A CN 108357669 A CN108357669 A CN 108357669A
- Authority
- CN
- China
- Prior art keywords
- unmanned plane
- lake
- blowdown
- river
- remote
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 230000003416 augmentation Effects 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 45
- 238000005096 rolling process Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 239000010865 sewage Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 239000000835 fiber Substances 0.000 claims description 3
- 239000004033 plastic Substances 0.000 claims description 3
- 229920003023 plastic Polymers 0.000 claims description 3
- 238000010146 3D printing Methods 0.000 claims description 2
- 238000013016 damping Methods 0.000 claims 1
- 230000006641 stabilisation Effects 0.000 claims 1
- 238000011105 stabilization Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 22
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 13
- 229930002868 chlorophyll a Natural products 0.000 description 11
- 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 description 11
- 229910052757 nitrogen Inorganic materials 0.000 description 11
- 229910052698 phosphorus Inorganic materials 0.000 description 11
- 239000011574 phosphorus Substances 0.000 description 11
- 230000003595 spectral effect Effects 0.000 description 7
- 238000002310 reflectometry Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008676 import Effects 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003911 water pollution Methods 0.000 description 3
- 241000195493 Cryptophyta Species 0.000 description 2
- 241001269238 Data Species 0.000 description 2
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 125000001477 organic nitrogen group Chemical group 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010061217 Infestation Diseases 0.000 description 1
- 229910019142 PO4 Inorganic materials 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000005446 dissolved organic matter Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000008140 language development Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 125000000962 organic group Chemical group 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 1
- 239000010452 phosphate Substances 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C27/00—Rotorcraft; Rotors peculiar thereto
- B64C27/04—Helicopters
- B64C27/08—Helicopters with two or more rotors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D47/00—Equipment not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D47/00—Equipment not otherwise provided for
- B64D47/08—Arrangements of cameras
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U10/00—Type of UAV
- B64U10/10—Rotorcrafts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (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)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种基于无人机的河湖排污遥感智能监测***，***包括无人机、增稳平台以及高光谱仪，其中高光谱仪通过增稳云台连接到无人机，智能识别***置于高光谱仪内。与传统的河湖排污监测相比，本发明的基于无人机的河湖排污遥感智能监测***，利用无人机搭载智能的监测***，此***可在短时间内对大范围区域进行监测，同时无人机可飞行到不同的地点，即使为原来人无法徒步到达的地方，险要的地方，都能进行检测，节省了大量的人力资源，减低检测成本，而且无人机操作简单，检测***智能高效又准确，整个***覆盖率高，大大提高了检测的效率。
Description
技术领域
本发明涉及一种环境监测、遥感技术领域，具体涉及一种利用无人机对河湖排污遥感智能监测***。
背景技术
国家对水资源保护、水污染治理的高度重视，相继出台了《水污染防治法》、《水污染防治行动计划》(水十条)等相关法律法规，各有关部门也投入了大量人力和物力进行水污染防治监测。在水污染防治监测上，目前主要依靠巡查员沿河、湖岸线进行徒步巡查及督查，并现场取水样在实验室进行检测。但这样的方法耗时耗力，而且在时间上和空间上存在许多盲点，全国有上千条河涌，仅依靠人工徒步进行高频率、全覆盖的巡查及督查，也就难以对偷排污进行有效打击。
发明内容
目前主要依靠巡查员沿河、湖岸线进行徒步巡查及督查，并现场取水样在实验室进行检测。但这样的方法耗时耗力，而且在时间上和空间上存在许多盲点等问题。
针对以上问题，本发明提出一种基于无人机的河湖排污遥感智能监测***，本发明利用无人机搭载智能的监测***，此***可在短时间内对大范围区域进行监测。
本发明的技术方案如下：
一种基于无人机的河湖排污遥感智能监测***，***包括无人机，增稳平台以及高光谱仪，其中高光谱仪装在增稳云台上，增稳平台连接到无人机，高光谱仪内包含智能识别***。
进一步，所述增稳云台装有传感器，控制器，稳定组件和传动组件，传感器将无人机飞行信息传给控制器，控制器可自行控制稳定组件和传动组件使高光谱仪保持平稳。
进一步，所述传感器放置在整个增稳平台的底部。
进一步，所述整个增稳平台与无人机底部由连接杆连相连。
进一步，所述增稳云台的传动组件包括变压器与多台无刷电机，所述增稳云台的稳定组件包括多个减震球，云台轴，其中云台轴分为滚动轴，偏航轴，俯仰轴三个，控制器控制变压器，由变压器控制无刷电机，而滚动轴，偏航轴，俯仰轴各由一台无刷电机连接控制。
进一步，所述云台轴由上往下安装顺序依次为滚动轴，偏航轴，俯仰轴，多台无刷电机位于三条轴的侧方，变压器与控制器同位于滚动轴上方，在变压器与控制器四周均匀装有减震球。
进一步，所述的减震球为轻型橡胶减震球。
进一步，所述的增稳云台主要架构是一个机械框架，机械框架结构由碳纤材料、3D打印塑料构件组成。
再进一步，所述的智能识别***的开发基于IDL平台，耦合ENVI函数库。
与传统的河湖排污监测相比，本发明的基于无人机的河湖排污遥感智能监测***，利用无人机搭载智能的监测***，此***可在短时间内对大范围区域进行监测，同时无人机可飞行到不同的地点，即使为原来人无法徒步到达的地方，险要的地方，都能进行检测，节省了大量的人力资源，减低检测成本，而且无人机操作简单，检测***智能高效又准确，整个***覆盖率高，大大提高了检测的效率。
附图说明
图1为基于无人机的河湖排污遥感智能监测***无人机图；
图2为增稳云台组成图；
图3为增稳云台工作原理图；
图4为***检测流程图；
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案作进一步说明，
一种基于无人机的河湖排污遥感智能监测***，***包括如图1所示无人机，如图2所示的增稳平台，高光谱仪，其中高光谱仪通过增稳云台连接到无人机，智能识别***置于高光谱仪内。
如图2所示，增稳云台分为稳定组件和传动组件，其中整个增稳平台与无人机由连接杆1连相连。
稳定组件包括减震球2，云台轴，其中云台轴分为滚动轴3，偏航轴4，俯仰轴5三个。
传动组件包括变压器6，无刷电机，其中无刷电机分为第一无刷电机7，第二无刷电机8，第三无刷电机9。
增稳云台主要架构是一个机械框架10，机械框架结构由碳纤材料、3D打印塑料构件组成，内设有陀螺仪，加速计的传感器IMU模块和控制器。
稳定组件与传动组件都装嵌在机械框架内，其中变压器6位于机械框架10中间，减震球2设于变压器四周，在减震球侧边装有连接杆1，在变压器6下面装有第一无刷电机7，第一无刷电机7连有滚动轴3，在滚动轴3下方装有第二无刷电机8，第二无刷电机8下方装有偏航轴4，偏航轴4下方装有俯仰轴5，在俯仰轴5侧边装有第三无刷电机9。
加入减震球2为轻型橡胶减震球，共有十二个，作为避震结构，减轻无人机负载重量，增加无人机在高速飞行状态下的稳定性，增稳云台尺寸设计匹配高光谱相机外形，结构紧凑。水平旋转时，不会对无人机起落架的升降造成干扰。
如图3所示，增稳云台采用闭环控制方式，利用集成了高精度三轴陀螺仪和加速计的传感器IMU模块以达到稳定效果。
高光谱仪为ANO-Hyperspec高光谱仪，有其自带数据处理软件，通过该软件可以对数据完成传感器定标、大气校正与几何校正等操作。本发明智能识别***划分为导入影像、提取水体、波段运算与浓度对比、排污口识别4个部分。
IDL(Interactive Data Language)语言是面向矩阵操作、遥感影像开发的交互式数据语言。ENVI是以IDL语言开发的遥感应用软件，针对遥感影像基本操作封装了一系列函数供用户调用，减少用户从底层进行开发的麻烦。
***的开发基于IDL平台，耦合ENVI相关函数库。智能识别以基于现场同步测量的水质参数与遥感测量值间的经验统计关系，选择最优波段或波段组合数据与实测水质参数值建立算法，进而反演建立多元线性回归模型。使用中，用户将经过预处理的BIL格式数据影像导入***，依次点击“提取水体”“波段运算”“排污口识别”3个按钮。***将进行相应的数据处理，并实时的显示计算结果。
如图4所示，整个***检测包括导入数据，提取水体，波段运算，整合运算，具体步骤如下：
导入数据：
用户将经过预处理的BIL格式数据影像导入***。
提取水体：
利用非监督分类法将地物进行分类，通过类合并将图像分为水体和大陆两类，仅提取水体部分作为感兴趣区，然后生成掩膜在影像上进行水体部分的提取。
波段运算：
根据《中华人民共和国污水综合排放标准GB8978-1996》规定，排污口典型污染物主要有：叶绿素a浓度、氨氮、元素磷、化学需氧量(COD)、五日生化需氧量(BOD5)等。本研究选取叶绿素a、总氮、总磷的浓度作为水质参数进行数据处理。
清水在600nm可见光波段之前，水体的吸收少，反射率较低，表现为大量透射。600nm以下的近红外、短波红外部分的水体则呈现近乎全部吸收的情况。入射光在水中与悬浮物质和浮游生物进行散射、反射与衍射后在水面的反射下，返回大气并被传感器所接收。这部分光称为离水辐射光。离水辐射部分由于受到水体中的悬浮物、溶解性有机物以及叶绿素等物质的吸收和散射的影响，在不同的水体中表现出不同的光谱特性，其中包含了悬浮固体含量、营养盐含量以及其他污染物、底部形态、水深等多方面信息。因此，通过使用光谱仪测得的水体光谱特征来分析水质参数，推导出水中各物质的组成与浓度，以此评价水环境的质量。
依据提取的水体的高光谱数据进行反演并提取光谱特征信息，选取叶绿素a、总氮、总磷的浓度作为水质参数进行数据处理，基于现场同步测量的水质参数与遥感测量值间的经验统计关系，选择最优波段或波段组合数据与实测水质参数值建立算法，反演建立多元线性回归模型。
叶绿素a浓度：叶绿素a浓度是影响水体光谱特征的重要参数之一。水体中的叶绿素a浓度反映了浮游植物的分布状况，是衡量水体富营养化作用的基本指标。计算叶绿素a浓度的最佳波段的选取依赖于叶绿素a的浓度。光谱反射率比值R701nm/R516nm的植被指数与叶绿素a线性相关程度比较高，R2达0.78。
总氮浓度：总氮、总磷是水质污染监测环节中重要的监测指标，遥感监测范围广，成本低，直观简单。水体中的氮主要以各种形态的无机和有机氮存在，总氮是硝酸盐氮、亚硝酸盐氮、氨氮与有机氮的总称，其含量的增加也会促进藻类等浮游植物的生长。遥感反射率和总氮浓度在600nm处出现了比较大的正相关，在400nm和470nm处出现了比较大的负相关，这些波长的反射率对于总氮浓度变化的敏感度最高。
总磷浓度：水中溶解的磷主要来源于生活用水、工厂污水、农药等，以元素磷、正磷酸盐、缩合硫酸盐、有机团结合的磷酸盐等形式游离于水中，过量的磷会造成水体富营养化，藻类滋生，水体变臭。总磷与光谱反射率的最大负相关波段是500nm附近，最大正相关在720nm波段附近的位置。选取最大正相关与最大负相关所出现的723nm和717nm、495nm和492nm参与回归分析，发现与723nm光谱反射率的吻合程度最高。
选择最优波段或波段组合数据与实测水质参数值建立算法，进而反演建立多元线性回归模型。
***中选择的反演水质参数浓度的拟合模型方程，包括：
叶绿素a 24.64*B701/B516-3.2291
总氮 1.4152*exp(0.324826*B622/B401)
总磷 0.1616*B723*B723-0.1228*B723+0.0529
整合运算：
将叶绿素a、总氮、总磷的波段运算结果进行归一化，对区域内叶绿素a、总氮、总磷的浓度进行比较，利用定位符号法对浓度区域最大值进行标识。
定位标识：
依据波段运算结果的单波段灰度图像，利用ENVI的Color Tables功能，将结果以彩色方式按浓度深浅显示，利用定位符号在浓度最大值的区域以最大值像素点为圆心，50mm为半径的红色圆进行标识。根据上述识别效果，进行现场对比，发现排污口。
与传统的河湖排污监测相比，本发明的基于无人机的河湖排污遥感智能监测***，利用无人机搭载智能的监测***，此***可在短时间内对大范围区域进行监测，同时无人机可飞行到不同的地点，即使为原来人无法徒步到达的地方，险要的地方，都能进行检测，节省了大量的人力资源，减低检测成本，而且无人机操作简单，检测***智能高效又准确，整个***覆盖率高，大大提高了检测的效率。
Claims (10)
1.一种基于无人机的河湖排污遥感智能监测***，其特征在于，***包括无人机，增稳平台以及高光谱仪，其中高光谱仪装在增稳云台上，增稳平台连接到无人机，高光谱仪内包含智能识别***。
2.根据权利要求1所述的基于无人机的河湖排污遥感智能监测***，其特征在于，所述增稳云台装有传感器，控制器，稳定组件和传动组件，传感器将无人机飞行信息传给控制器，控制器可自行控制稳定组件和传动组件使高光谱仪保持平稳。
3.根据权利要求2所述的基于无人机的河湖排污遥感智能监测***，其特征在于，所述整个增稳平台与无人机底部由连接杆连相连。
4.根据权利要求3所述的基于无人机的河湖排污遥感智能监测***，其特征在于，所述增稳云台的传动组件包括变压器与多台无刷电机，所述增稳云台的稳定组件包括多个减震球，云台轴，其中云台轴分为滚动轴，偏航轴，俯仰轴三个，控制器控制变压器，由变压器控制无刷电机，而滚动轴，偏航轴，俯仰轴各由一台无刷电机连接控制。
5.根据权利要求4所述的基于无人机的河湖排污遥感智能监测***，其特征在于，所述云台轴由上往下安装顺序依次为滚动轴，偏航轴，俯仰轴，多台无刷电机位于三条轴的侧方，变压器与控制器同位于滚动轴上方，在变压器与控制器四周均匀装有减震球。
6.根据权利要求2所述的基于无人机的河湖排污遥感智能监测***，其特征在于，所述传感器放置在整个增稳平台的底部。
7.根据权利要求4所述的基于无人机的河湖排污遥感智能监测***，其特征在于，所述减震球为轻型橡胶减震球。
8.根据权利要求1所述的基于无人机的河湖排污遥感智能监测***，其特征在于，所述的增稳云台主要架构是一个机械框架，机械框架结构由碳纤材料、3D打印塑料构件组成。
9.根据权利要求1所述的基于无人机的河湖排污遥感智能监测***，其特征在于，所述智能识别***的开发基于IDL平台，耦合ENVI函数库。
10.根据权利要求1-9任一项所述的基于无人机的河湖排污遥感智能监测***，其特征在于，所述智能识别***包括导入影像、提取水体、波段运算与浓度对比、排污口识别4个部分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810005314.9A CN108357669B (zh) | 2018-01-03 | 2018-01-03 | 一种基于无人机的河湖排污遥感智能监测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810005314.9A CN108357669B (zh) | 2018-01-03 | 2018-01-03 | 一种基于无人机的河湖排污遥感智能监测*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108357669A true CN108357669A (zh) | 2018-08-03 |
| CN108357669B CN108357669B (zh) | 2022-04-12 |
Family
ID=63011192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810005314.9A Active CN108357669B (zh) | 2018-01-03 | 2018-01-03 | 一种基于无人机的河湖排污遥感智能监测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108357669B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921139A (zh) * | 2018-08-04 | 2018-11-30 | 肖恒念 | 基于无人机视频的污水处理方法 |
| CN109374531A (zh) * | 2018-11-09 | 2019-02-22 | 浙江海洋大学 | 基于遥感的海域溢油监测装置 |
| CN109606716A (zh) * | 2018-12-04 | 2019-04-12 | 中国人民解放军国防科技大学 | 一种适用于定向通信天线的无人机机载增稳云台*** |
| CN110414334A (zh) * | 2019-06-20 | 2019-11-05 | 浙江大学 | 一种基于无人机巡视的智能水质识别方法 |
| CN111572767A (zh) * | 2020-05-26 | 2020-08-25 | 黄河水利委员会黄河水利科学研究院 | 一种基于无人机的河势遥感监测装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103175789A (zh) * | 2013-03-05 | 2013-06-26 | 中国科学院南海海洋研究所 | 基于多旋翼无人机的水质高光谱航空遥感*** |
| CN103196838A (zh) * | 2013-03-15 | 2013-07-10 | 辽宁师范大学 | 一种海岸河口富营养化高光谱遥感监测方法 |
| CN203819498U (zh) * | 2014-03-31 | 2014-09-10 | 深圳市大疆创新科技有限公司 | 减震装置和应用所述减震装置的飞行器 |
| CN105823735A (zh) * | 2016-05-11 | 2016-08-03 | 张维 | 一种水质遥感测量装置 |
| CN106442422A (zh) * | 2016-11-18 | 2017-02-22 | 中国水利水电科学研究院 | 水草型湖泊水草区水质遥感间接监测方法 |
| CN106494613A (zh) * | 2016-11-28 | 2017-03-15 | 中国科学院长春光学精密机械与物理研究所 | 共轴反转双旋翼驱动*** |
| CN206141818U (zh) * | 2016-09-27 | 2017-05-03 | 戚明海 | 一种具有持久续航能力的船载无人机 |
| CN106628159A (zh) * | 2016-09-22 | 2017-05-10 | 广州市婵昕生物科技有限责任公司 | 一种基于物联网的用于农业生产的无人机 |
| CN106855502A (zh) * | 2015-12-09 | 2017-06-16 | 深圳先进技术研究院 | 一种陆源入海排污口的遥感监测方法与*** |
| CN107121192A (zh) * | 2017-06-20 | 2017-09-01 | 四川双利合谱科技有限公司 | 一种镜头扫描模式高光谱成像***及旋翼无人机 |
| CN206802167U (zh) * | 2017-04-26 | 2017-12-26 | 重庆零度智控智能科技有限公司 | 减震结构、减震组件及飞行器 |
| CN206797761U (zh) * | 2017-06-05 | 2017-12-26 | 河北天海测绘服务有限公司 | 无人机的旋偏修正云台 |
| CN107521714A (zh) * | 2017-09-20 | 2017-12-29 | 深圳市道通智能航空技术有限公司 | 云台及具有此云台的无人机 |
-
2018
- 2018-01-03 CN CN201810005314.9A patent/CN108357669B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103175789A (zh) * | 2013-03-05 | 2013-06-26 | 中国科学院南海海洋研究所 | 基于多旋翼无人机的水质高光谱航空遥感*** |
| CN103196838A (zh) * | 2013-03-15 | 2013-07-10 | 辽宁师范大学 | 一种海岸河口富营养化高光谱遥感监测方法 |
| CN203819498U (zh) * | 2014-03-31 | 2014-09-10 | 深圳市大疆创新科技有限公司 | 减震装置和应用所述减震装置的飞行器 |
| CN106855502A (zh) * | 2015-12-09 | 2017-06-16 | 深圳先进技术研究院 | 一种陆源入海排污口的遥感监测方法与*** |
| CN105823735A (zh) * | 2016-05-11 | 2016-08-03 | 张维 | 一种水质遥感测量装置 |
| CN106628159A (zh) * | 2016-09-22 | 2017-05-10 | 广州市婵昕生物科技有限责任公司 | 一种基于物联网的用于农业生产的无人机 |
| CN206141818U (zh) * | 2016-09-27 | 2017-05-03 | 戚明海 | 一种具有持久续航能力的船载无人机 |
| CN106442422A (zh) * | 2016-11-18 | 2017-02-22 | 中国水利水电科学研究院 | 水草型湖泊水草区水质遥感间接监测方法 |
| CN106494613A (zh) * | 2016-11-28 | 2017-03-15 | 中国科学院长春光学精密机械与物理研究所 | 共轴反转双旋翼驱动*** |
| CN206802167U (zh) * | 2017-04-26 | 2017-12-26 | 重庆零度智控智能科技有限公司 | 减震结构、减震组件及飞行器 |
| CN206797761U (zh) * | 2017-06-05 | 2017-12-26 | 河北天海测绘服务有限公司 | 无人机的旋偏修正云台 |
| CN107121192A (zh) * | 2017-06-20 | 2017-09-01 | 四川双利合谱科技有限公司 | 一种镜头扫描模式高光谱成像***及旋翼无人机 |
| CN107521714A (zh) * | 2017-09-20 | 2017-12-29 | 深圳市道通智能航空技术有限公司 | 云台及具有此云台的无人机 |
Non-Patent Citations (3)
| Title |
|---|
| 中国环境监测总站，国家环境保护环境监测质量控制重点实验室: "《环境监测方法标准实用手册》", 31 December 2013 * |
| 吴振德等: "《环境检测技术方法概论》", 31 December 2008 * |
| 吴邦灿等: "《现代环境监测技术》", 30 April 2014 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921139A (zh) * | 2018-08-04 | 2018-11-30 | 肖恒念 | 基于无人机视频的污水处理方法 |
| CN109374531A (zh) * | 2018-11-09 | 2019-02-22 | 浙江海洋大学 | 基于遥感的海域溢油监测装置 |
| CN109606716A (zh) * | 2018-12-04 | 2019-04-12 | 中国人民解放军国防科技大学 | 一种适用于定向通信天线的无人机机载增稳云台*** |
| CN110414334A (zh) * | 2019-06-20 | 2019-11-05 | 浙江大学 | 一种基于无人机巡视的智能水质识别方法 |
| CN110414334B (zh) * | 2019-06-20 | 2021-05-11 | 浙江大学 | 一种基于无人机巡视的智能水质识别方法 |
| CN111572767A (zh) * | 2020-05-26 | 2020-08-25 | 黄河水利委员会黄河水利科学研究院 | 一种基于无人机的河势遥感监测装置 |
| CN111572767B (zh) * | 2020-05-26 | 2021-07-20 | 黄河水利委员会黄河水利科学研究院 | 一种基于无人机的河势遥感监测装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108357669B (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108357669A (zh) | 一种基于无人机的河湖排污遥感智能监测*** | |
| Yang et al. | Unmanned aerial vehicle remote sensing for field-based crop phenotyping: current status and perspectives | |
| Hieronymi et al. | The OLCI neural network swarm (ONNS): A bio-geo-optical algorithm for open ocean and coastal waters | |
| Zarco-Tejada et al. | Estimating leaf carotenoid content in vineyards using high resolution hyperspectral imagery acquired from an unmanned aerial vehicle (UAV) | |
| Agati et al. | Fluorescence-based versus reflectance proximal sensing of nitrogen content in Paspalum vaginatum and Zoysia matrella turfgrasses | |
| CN112634212B (zh) | 基于高光谱无人机的病害潜伏树检测方法及*** | |
| Abd-Elrahman et al. | In situ estimation of water quality parameters in freshwater aquaculture ponds using hyperspectral imaging system | |
| Singh et al. | Unmanned aircraft systems for precision weed detection and management: Prospects and challenges | |
| Grendaitė et al. | Chlorophyll-a concentration retrieval in eutrophic lakes in Lithuania from Sentinel-2 data | |
| Adamchuk et al. | Proximal soil and plant sensing | |
| Liu et al. | Characterizing and estimating rice brown spot disease severity using stepwise regression, principal component regression and partial least-square regression | |
| Cotrozzi | Spectroscopic detection of forest diseases: a review (1970–2020) | |
| Rossini et al. | Assessment of oak forest condition based on leaf biochemical variables and chlorophyll fluorescence | |
| Agarwal et al. | Application of colorimetry to determine soil fertility through naive bayes classification algorithm | |
| Kutser et al. | Remote sensing of water quality in optically complex lakes | |
| Pu et al. | Applications of imaging spectrometry in inland water quality monitoring—a review of recent developments | |
| CN113420497A (zh) | 浑浊湖泊总磷浓度遥感估算方法 | |
| Jiang et al. | Study on the interaction between NDVI profile and the growing status of crops | |
| Mollaee | Estimation of phytoplankton chlorophyll-a concentration in the western basin of Lake Erie using Sentinel-2 and Sentinel-3 data | |
| Pang et al. | Identifying spectral features of characteristics of Sphagnum to assess the remote sensing potential of peatlands: a case study in China. | |
| CN108827882A (zh) | 水质参数光谱分析*** | |
| Herrero-Huerta et al. | Deep phenotyping considering tile drainage from UAS-based multispectral imagery by convolutional neural networks | |
| Bai et al. | Crop Sensing and Its Application in Precision Agriculture and Crop Phenotyping | |
| Li et al. | Identifying Nematode-Induced Wilt Using Hyperspectral Drone Images and Assessing the Potential of Early Detection | |
| Pettersson et al. | Potential of remote sensing for identification, delineation, and monitoring of harmful algal blooms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |