CN108507949A - 一种基于高分遥感卫星的河道水质监测方法 - Google Patents
一种基于高分遥感卫星的河道水质监测方法 Download PDFInfo
- Publication number
- CN108507949A CN108507949A CN201810121841.6A CN201810121841A CN108507949A CN 108507949 A CN108507949 A CN 108507949A CN 201810121841 A CN201810121841 A CN 201810121841A CN 108507949 A CN108507949 A CN 108507949A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- high score
- sensing image
- river
- score 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
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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
- G01N2021/177—Detector of the video camera type
-
- 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)
- Image Processing (AREA)
Abstract
一种基于高分遥感卫星的河道水质监测方法，本发明基于高分遥感卫星从地面站获取待监测河道的高分遥感影像a并调取待监测河道所在区域的数字地形图；预处理模块对高分遥感影像a进行预处理后获得n幅位于不同波段的可显示完整的待监测河道的影像的高分遥感影像c；控制器将各参考位置点的实际质量浓度与各参考位置点在各高分遥感影像c上的反射率作回归分析并得到对应的回归方程，然后基于离散程度最小的回归方程建立关于参考位置点的实际质量浓度和各参考位置在各高分遥感影像c上对应位置处的反射率之间的关系函数；控制器计算监控点在n个高分遥感影像c上的反射率，依据所述关系函数，计算出监控点处的水质参数的质量浓度。
Description
技术领域
本发明涉及一种基于高分遥感卫星的河道水质监测方法。
背景技术
河道水质监测是环境监测的主要内容之一，是准确、及时、全面地反映水质现状及发展趋势，为水环境管理、污染源控制、环境规划等提供科学依据，对整个水环境保护、水污染控制以及维护水环境健康方面起着至关重要的作用。现阶段河道水质监测主要有以下两种方法：
一、传统的理化监测
对监测目标进行调查研究后，确定监测网点，安排采样时间与确定采样频率，定期采样进行理化分析，达到监测的目的。此方法有以下缺点：
1)整个过程可变因素太多，采样频率，监测点，以及分析方法的确定中只要一处出现误差，就会导致监测结果失真；
2)只能对监测点进行监测，无法做到全局监测；
3)监测点数量决定监测成本，监测点数量少，监测效果不好，监测点多，成本大，对于宽广河道进行监测时难以控制成本；
4)监测过程中人为的误差以及设备的故障都会对监测数据产生影响；
5)只能定期监测，无法做到连续长期的动态监测。
二、生物监测
利用水生生物群落结构的变化来监测。水质状况发生变化，水生生物群落结构也会发生相应的改变。此方法有以下缺点：
1)不能定性和定量地测定水质污染；
2)检测的灵敏性和专一性方面不如理化检测；
3)某些生物检测需时较长。
综上所述，现阶段的水质监测方式还存在着不足之处，还不能满足当前的监测需要。
发明内容
为克服背景技术中存在的缺陷，本发明提供一种基于高分遥感卫星的河道水质监测方法。
本发明解决上述问题的技术方案是：
一种基于高分遥感卫星的河道水质监测方法，包括以下步骤：
1.1、高分遥感卫星采集全球的遥感影像数据并传输到地面站，影像获取模块从所述地面站获取待监测河道位于n个波段内的若干幅高分遥感影像a，且位于同一波段内的高分遥感影像a均可拼合成一幅完整的待监测河道的影像，n>0，且n为自然数；
1.2、地图调取模块从网络上调取待监测河道所在区域的数字地形图；
1.3、预处理模块对高分遥感影像a进行预处理，包括如下步骤：
1.3.1、几何校正与灰度重采样
几何校正模块在数字地形图上沿待监测河道的长度方向标记出m个在监测时间内位置固定不变的控制点，且在高分遥感影像a上标记出与所述控制点对应的映射点；分别在所述数字地形图上与所述高分遥感影像a上建立两个不同的二维笛卡儿坐标系，并以数字地形图上所述控制点的坐标和高分遥感影像a所述映射点的坐标建立多项式校正函数；然后以所述多项式校正函数对高分遥感影像a的像元逐个进行几何校正，在几何校正的同时采用双线性内插法对高分遥感影像a进行灰度重采样，则高分遥感影像a经过几何校正与灰度重采样后变为高分遥感影像b，m>20，且m为自然数；
1.3.2、高分遥感影像b拼接镶嵌
遥感影像拼接镶嵌模块将位于同一波段的若干幅高分遥感影像b分别通过移位匹配法、直方图匹配法、基于接缝线的影像镶嵌方法拼接镶嵌出一幅可显示完整的待监测河道的影像的高分遥感影像c；则每个波段各得到一幅高分遥感影像c；
1.3.3、直方图修正模块采用直方图修正法对各遥感影像c进行拉伸，以增强遥感影像c的清晰度；
1.4、控制器自动识别：
1.4.1、在数字地形图上沿待监测河道的长度方向均匀挑选k个参考位置点和s个监控点，k>20，s>0，且k和s均为自然数；
1.4.2、实地采集各参考位置点的若干种水质参数的实际质量浓度；
1.4.3、控制器提取各参考位置点在各高分遥感影像c上对应位置处的反射率；
1.4.4、控制器将各参考位置点的实际质量浓度与各参考位置点在各高分遥感影像c上的反射率作线性、指数、对数、多项式、乘幂的回归分析并得到对应的回归方程，然后基于离散程度最小的回归方程建立关于参考位置点的实际质量浓度和各参考位置在各高分遥感影像c上对应位置处的反射率之间的关系函数；
1.4.5、控制器计算监控点在n个高分遥感影像c上的反射率，依据所述关系函数，计算出监控点处的水质参数的质量浓度，并以颜色深浅对应浓度高低在高分遥感影像c上进行标识，便得到待监测河道内监控点的水质参数的质量浓度的空间分布图；
1.5、人工识别
实时查看所述空间分布图，得出待监测河道的水质状况的实时监测结论；对各个时间段的河道水质参数的空间分布图进行对比分析，得出待监测河道的水质状况动态监测结论。
进一步，所述n个波段分别为蓝波段、绿波段、红波段和近红外波段。
进一步，所述控制点包括道路交叉点、桥梁和/或河流拐点。
进一步，所述水质参数包括叶绿素、悬浮物、总磷、总氮和/或总有机碳。
进一步，通过移位匹配法、直方图匹配法、基于接缝线的影像镶嵌方法拼接镶嵌出一幅可显示完整的待监测河道的影像的高分遥感影像c的具体过程如下：将一幅高分遥感影像a向相邻的另一幅高分遥感影像a移动，使得两幅高分遥感影像a的相对位置不断变化，当两幅高分遥感影像a的重叠部分完全重合时，则两幅高分遥感影像a匹配完成；然后采用直方图匹配法将两幅高分遥感影像a的色调调整到一致；接着以不与高分遥感影像a上河道的影像交叉的原则挑选出两幅高分遥感影像a的接缝线，两幅高分遥感影像a沿着接缝线拼接，并将接缝线进行羽化处理；最后，把位于同一波段内的高分遥感影像a镶嵌成一幅可显示完整待监测河道的高分遥感影像c。
进一步，采用双线性内插法对高分遥感影像a进行灰度重采样的具体过程如下：把高分遥感影像a上每个像元周围的4个相邻像元的灰度值在x轴方向和y轴方向上作线性内插后得到的灰度值作为该像元几何校正后的灰度值。
进一步，几何校正的具体步骤为：以各控制点在数字地形图上和在高分遥感影像a的不同坐标，分别代入多项式建立求解多项式校正函数的系数的方程组，并采用最小二乘法，得出多项式校正函数的系数；将所述系数代入多项式后即得到多项式校正函数；将高分遥感影像a的像元的坐标代入多项式校正函数后即可得到几何校正后的高分遥感影像a的像元坐标。
卫星遥感的原理：根据电磁波的理论，应用各种传感仪器对远距离目标所辐射和反射的电磁波信息，进行收集、处理，并最后成像，从而对地面各种景物进行探测和识别的一种综合技术。
本发明基于多源卫星遥感技术，在分析不同传感器监测水体状况能力的基础上，利用多源传感器的互补性，充分挖掘了卫星遥感监测水体状况的综合能力，在宏观尺度上建立基于多波段、多时相、多类型遥感数据监测水体状况的复合方法和技术，形成流域水系水体快速提取方法，并利用多源高光谱卫星遥感数据建立典型受污染区的水质参数反演模型，达到快速定位水域、快速提取水体综合水质信息的技术方案，提供大尺度下的宏观信息，实现低成本、宽视域的大区域水体监测和应急辅助决策。
本发明的有益效果主要表现在：
1)监测范围广，卫星遥感数据属于全局数据，可进行全局监测。
2)速度快，模板建立后，数据通过电脑自动分析，提高流程效率,成本低，获取遥感数据后，一劳永逸，后期不存在监测点增加等导致的维护成本。
3)可进行长期动态监测，卫星遥感主要提供的是趋势性的普查信息，以季度为周期监测、分析目标区域河道水质的污染变化趋势，为应用单位的其他监测作业提供方向辅助。
4)误差小，针对范围内的全局分析技术，避免了监测点遗漏、不够全面的问题。
具体实施方式
一种基于高分遥感卫星的河道水质监测方法，包括以下步骤：
1.1、高分遥感卫星采集全球的遥感影像数据并传输到地面站，影像获取模块从所述地面站获取待监测河道位于n个波段内的若干幅高分遥感影像a，且位于同一波段内的高分遥感影像a均可拼合成一幅完整的待监测河道的影像，n>0，且n为自然数；
1.2、地图调取模块从网络上调取待监测河道所在区域的数字地形图；
1.3、预处理模块对高分遥感影像a进行预处理，包括如下步骤：
1.3.1、几何校正与灰度重采样
几何校正模块在数字地形图上沿待监测河道的长度方向标记出m个在监测时间内位置固定不变的控制点，且在高分遥感影像a上标记出与所述控制点对应的映射点；分别在所述数字地形图上与所述高分遥感影像a上建立两个不同的二维笛卡儿坐标系，并以数字地形图上所述控制点的坐标和高分遥感影像a所述映射点的坐标建立多项式校正函数(即二元n次多项式校正函数)；然后以所述多项式校正函数对高分遥感影像a的像元逐个进行几何校正，在几何校正的同时采用双线性内插法对高分遥感影像a进行灰度重采样，则高分遥感影像a经过几何校正与灰度重采样后变为高分遥感影像b，m>20，且m为自然数；
1.3.2、高分遥感影像b拼接镶嵌
遥感影像拼接镶嵌模块将位于同一波段的若干幅高分遥感影像b分别通过移位匹配法、直方图匹配法、基于接缝线的影像镶嵌方法拼接镶嵌出一幅可显示完整的待监测河道的影像的高分遥感影像c；则每个波段各得到一幅高分遥感影像c；
1.3.3、直方图修正模块采用直方图修正法对各遥感影像c进行拉伸，以增强遥感影像c的清晰度；
1.4、控制器自动识别：
1.4.1、在数字地形图上沿待监测河道的长度方向均匀挑选k个参考位置点和s个监控点，k>20，s>0，且k和s均为自然数；
1.4.2、实地采集各参考位置点的若干种水质参数的实际质量浓度；人工使用仪器和工具进行水质参数的实际质量浓度的测量，例如，用叶绿色测定仪测定叶绿素质量浓度、利用悬浮物在线测定仪测定悬浮物的质量浓度、利用总磷在线分析仪测定总磷的质量浓度、利用总氮在线分析仪测定总氮的质量浓度、利用总有机碳检测仪测定总有机碳的质量浓度，上述仪器市面均可购买。
1.4.3、控制器提取各参考位置点在各高分遥感影像c上对应位置处的反射率；
1.4.4、控制器将各参考位置点的实际质量浓度与各参考位置点在各高分遥感影像c上的反射率作线性、指数、对数、多项式、乘幂的回归分析并得到对应的回归方程，然后基于离散程度最小的回归方程建立关于参考位置点的实际质量浓度和各参考位置在各高分遥感影像c上对应位置处的反射率之间的关系函数；
1.4.5、控制器计算监控点在n个高分遥感影像c上的反射率，依据所述关系函数，计算出监控点处的水质参数的质量浓度，并以颜色深浅对应浓度高低在高分遥感影像c上进行标识，便得到待监测河道内监控点的水质参数的质量浓度的空间分布图；
1.5、人工识别
实时查看所述空间分布图，得出待监测河道的水质状况的实时监测结论；对各个时间段的河道水质参数的空间分布图进行对比分析，得出待监测河道的水质状况动态监测结论。
进一步，所述n个波段分别为蓝波段、绿波段、红波段和近红外波段。
进一步，所述控制点包括道路交叉点、桥梁和/或河流拐点。
进一步，所述水质参数包括叶绿素、悬浮物、总磷、总氮和/或总有机碳。
进一步，通过移位匹配法、直方图匹配法、基于接缝线的影像镶嵌方法拼接镶嵌出一幅可显示完整的待监测河道的影像的高分遥感影像c的具体过程如下：将一幅高分遥感影像a向相邻的另一幅高分遥感影像a移动，使得两幅高分遥感影像a的相对位置不断变化，当两幅高分遥感影像a的重叠部分完全重合时，则两幅高分遥感影像a匹配完成；然后采用直方图匹配法将两幅高分遥感影像a的色调调整到一致；接着以不与高分遥感影像a上河道的影像交叉的原则挑选出两幅高分遥感影像a的接缝线，两幅高分遥感影像a沿着接缝线拼接，并将接缝线进行羽化处理；最后，把位于同一波段内的高分遥感影像a镶嵌成一幅可显示完整待监测河道的高分遥感影像c。
进一步，采用双线性内插法对高分遥感影像a进行灰度重采样的具体过程如下：把高分遥感影像a上每个像元周围的4个相邻像元的灰度值在x轴方向和y轴方向(二维笛卡儿坐标系上的x轴方向和y轴方向)上作线性内插后得到的灰度值作为该像元几何校正后的灰度值。
进一步，几何校正的具体步骤为：以各控制点在数字地形图上和在高分遥感影像a的不同坐标，分别代入多项式建立求解多项式校正函数的系数的方程组，并采用最小二乘法，得出多项式校正函数的系数；将所述系数代入多项式后即得到多项式校正函数；将高分遥感影像a的像元的坐标代入多项式校正函数后即可得到几何校正后的高分遥感影像a的像元坐标。
本发明基于卫星遥感对水质进行监测，具有视点高、视域广、数据采集快和重复、连续观察的特点，获取的资料为数字化，可直接进入用户的计算机图像处理***，此方案具有传统监测方法无法比拟的优势。
本发明解决了现有技术存在的无法进行全局与长期趋势性监测、监测设备过多且过于依赖、监测及时性低、监测流程繁琐、人工采样时可能会导致人员意外、维护成本高等问题。
本发明中，高分遥感影像a、高分遥感影像b、高分遥感影像c均指高分遥感影像，是为了便于区分处于不同步骤的高分遥感影像而命名，字母本身并没有含义。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也包括本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (7)
1.一种基于高分遥感卫星的河道水质监测方法，其特征在于：包括以下步骤：
1.1、高分遥感卫星采集全球的遥感影像数据并传输到地面站，影像获取模块从所述地面站获取待监测河道位于n个波段内的若干幅高分遥感影像a，且位于同一波段内的高分遥感影像a均可拼合成一幅完整的待监测河道的影像，n>0，且n为自然数；
1.2、地图调取模块从网络上调取待监测河道所在区域的数字地形图；
1.3、预处理模块对高分遥感影像a进行预处理，包括如下步骤：
1.3.1、几何校正与灰度重采样
几何校正模块在数字地形图上沿待监测河道的长度方向标记出m个在监测时间内位置固定不变的控制点，且在高分遥感影像a上标记出与所述控制点对应的映射点；分别在所述数字地形图上与所述高分遥感影像a上建立两个不同的二维笛卡儿坐标系，并以数字地形图上所述控制点的坐标和高分遥感影像a所述映射点的坐标建立多项式校正函数；然后以所述多项式校正函数对高分遥感影像a的像元逐个进行几何校正，在几何校正的同时采用双线性内插法对高分遥感影像a进行灰度重采样，则高分遥感影像a经过几何校正与灰度重采样后变为高分遥感影像b，m>20，且m为自然数；
1.3.2、高分遥感影像b拼接镶嵌
遥感影像拼接镶嵌模块将位于同一波段的若干幅高分遥感影像b分别通过移位匹配法、直方图匹配法、基于接缝线的影像镶嵌方法拼接镶嵌出一幅可显示完整的待监测河道的影像的高分遥感影像c；则每个波段各得到一幅高分遥感影像c；
1.3.3、直方图修正模块采用直方图修正法对各遥感影像c进行拉伸，以增强遥感影像c的清晰度；
1.4、控制器自动识别：
1.4.1、在数字地形图上沿待监测河道的长度方向均匀挑选k个参考位置点和s个监控点，k>20，s>0，且k和s均为自然数；
1.4.2、实地采集各参考位置点的若干种水质参数的实际质量浓度；
1.4.3、控制器提取各参考位置点在各高分遥感影像c上对应位置处的反射率；
1.4.4、控制器将各参考位置点的实际质量浓度与各参考位置点在各高分遥感影像c上的反射率作线性、指数、对数、多项式、乘幂的回归分析并得到对应的回归方程，然后基于离散程度最小的回归方程建立关于参考位置点的实际质量浓度和各参考位置在各高分遥感影像c上对应位置处的反射率之间的关系函数；
1.4.5、控制器计算监控点在n个高分遥感影像c上的反射率，依据所述关系函数，计算出监控点处的水质参数的质量浓度，并以颜色深浅对应浓度高低在高分遥感影像c上进行标识，便得到待监测河道内监控点的水质参数的质量浓度的空间分布图；
1.5、人工识别
实时查看所述空间分布图，得出待监测河道的水质状况的实时监测结论；对各个时间段的河道水质参数的空间分布图进行对比分析，得出待监测河道的水质状况动态监测结论。
2.如权利要求1所述的一种基于高分遥感卫星的河道水质监测方法，其特征在于：所述n个波段分别为蓝波段、绿波段、红波段和近红外波段。
3.如权利要求2所述的一种基于高分遥感卫星的河道水质监测方法，其特征在于：所述控制点包括道路交叉点、桥梁和/或河流拐点。
4.如权利要求3所述的一种基于高分遥感卫星的河道水质监测方法，其特征在于：所述水质参数包括叶绿素、悬浮物、总磷、总氮和/或总有机碳。
5.如权利要求4所述的一种基于高分遥感卫星的河道水质监测方法，其特征在于：通过移位匹配法、直方图匹配法、基于接缝线的影像镶嵌方法拼接镶嵌出一幅可显示完整的待监测河道的影像的高分遥感影像c的具体过程如下：将一幅高分遥感影像a向相邻的另一幅高分遥感影像a移动，使得两幅高分遥感影像a的相对位置不断变化，当两幅高分遥感影像a的重叠部分完全重合时，则两幅高分遥感影像a匹配完成；然后采用直方图匹配法将两幅高分遥感影像a的色调调整到一致；接着以不与高分遥感影像a上河道的影像交叉的原则挑选出两幅高分遥感影像a的接缝线，两幅高分遥感影像a沿着接缝线拼接，并将接缝线进行羽化处理；最后，把位于同一波段内的高分遥感影像a镶嵌成一幅可显示完整待监测河道的高分遥感影像c。
6.如权利要求5所述的一种基于高分遥感卫星的河道水质监测方法，其特征在于：采用双线性内插法对高分遥感影像a进行灰度重采样的具体过程如下：把高分遥感影像a上每个像元周围的4个相邻像元的灰度值在x轴方向和y轴方向上作线性内插后得到的灰度值作为该像元几何校正后的灰度值。
7.如权利要求6所述的一种基于高分遥感卫星的河道水质监测方法，其特征在于：几何校正的具体步骤为：以各控制点在数字地形图上和在高分遥感影像a的不同坐标，分别代入多项式建立求解多项式校正函数的系数的方程组，并采用最小二乘法，得出多项式校正函数的系数；将所述系数代入多项式后即得到多项式校正函数；将高分遥感影像a的像元的坐标代入多项式校正函数后即可得到几何校正后的高分遥感影像a的像元坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810121841.6A CN108507949B (zh) | 2018-02-07 | 2018-02-07 | 一种基于高分遥感卫星的河道水质监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810121841.6A CN108507949B (zh) | 2018-02-07 | 2018-02-07 | 一种基于高分遥感卫星的河道水质监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108507949A true CN108507949A (zh) | 2018-09-07 |
| CN108507949B CN108507949B (zh) | 2020-11-13 |
Family
ID=63375632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810121841.6A Active CN108507949B (zh) | 2018-02-07 | 2018-02-07 | 一种基于高分遥感卫星的河道水质监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108507949B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110988286A (zh) * | 2019-12-18 | 2020-04-10 | 松辽水资源保护科学研究所 | 一种智能水资源长期探测*** |
| CN111241991A (zh) * | 2020-01-08 | 2020-06-05 | 上海普适导航科技股份有限公司 | 一种基于遥感影像的水质分类方法 |
| CN111274938A (zh) * | 2020-01-19 | 2020-06-12 | 四川省自然资源科学研究院 | 一种面向Web的高分遥感河流水质动态监测方法与*** |
| CN111735503A (zh) * | 2020-07-26 | 2020-10-02 | 榆林学院 | 一种基于大数据的水资源监控***及其监控方法 |
| CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
| CN112365274A (zh) * | 2020-12-01 | 2021-02-12 | 苏州深蓝空间遥感技术有限公司 | 一种基于多源数据的高精度水污染溯源方法 |
| CN112763425A (zh) * | 2020-12-14 | 2021-05-07 | 广东省科学院广州地理研究所 | 一种河口浑浊带识别方法和识别*** |
| CN113109281A (zh) * | 2021-04-13 | 2021-07-13 | 中国科学院成都生物研究所 | 一种基于高光谱遥感的水质参数定量反演模型及其构建方法 |
| CN113324923A (zh) * | 2021-06-07 | 2021-08-31 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
| CN115014294A (zh) * | 2022-05-18 | 2022-09-06 | 河海大学 | 一种东西向卫星的河道敏捷成像方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101493409A (zh) * | 2008-12-11 | 2009-07-29 | 中山大学 | 一种自动提取水体污染信息的方法 |
| CN103218780A (zh) * | 2013-03-27 | 2013-07-24 | 中国科学院电子学研究所 | 基于逆rd定位模型的无控星载sar图像正射校正方法 |
| CN103413272A (zh) * | 2013-07-22 | 2013-11-27 | 中国科学院遥感与数字地球研究所 | 低空间分辨率多源遥感图像空间一致性校正方法 |
| CN103760112A (zh) * | 2014-01-23 | 2014-04-30 | 中国科学院南京地理与湖泊研究所 | 基于遥感的湖泊水体蓝藻丰度的估算方法 |
| CN104636629A (zh) * | 2015-03-05 | 2015-05-20 | 香港中文大学深圳研究院 | 一种突发性水质污染事件的分析方法及装置 |
| CN105158172A (zh) * | 2015-08-22 | 2015-12-16 | 中国城市科学研究会 | 一种内陆ii类水体水色参数遥感反演的分析方法 |
| 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 |
| CN106940290A (zh) * | 2017-01-22 | 2017-07-11 | 广州地理研究所 | 基于高光谱数据的水库水体氨氮含量估算方法 |
-
2018
- 2018-02-07 CN CN201810121841.6A patent/CN108507949B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101493409A (zh) * | 2008-12-11 | 2009-07-29 | 中山大学 | 一种自动提取水体污染信息的方法 |
| CN103218780A (zh) * | 2013-03-27 | 2013-07-24 | 中国科学院电子学研究所 | 基于逆rd定位模型的无控星载sar图像正射校正方法 |
| CN103413272A (zh) * | 2013-07-22 | 2013-11-27 | 中国科学院遥感与数字地球研究所 | 低空间分辨率多源遥感图像空间一致性校正方法 |
| CN103760112A (zh) * | 2014-01-23 | 2014-04-30 | 中国科学院南京地理与湖泊研究所 | 基于遥感的湖泊水体蓝藻丰度的估算方法 |
| CN104636629A (zh) * | 2015-03-05 | 2015-05-20 | 香港中文大学深圳研究院 | 一种突发性水质污染事件的分析方法及装置 |
| CN105158172A (zh) * | 2015-08-22 | 2015-12-16 | 中国城市科学研究会 | 一种内陆ii类水体水色参数遥感反演的分析方法 |
| 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 |
| CN106940290A (zh) * | 2017-01-22 | 2017-07-11 | 广州地理研究所 | 基于高光谱数据的水库水体氨氮含量估算方法 |
Non-Patent Citations (7)
| Title |
|---|
| MOHAMMAD HAJI GHOLIZADEH ET AL.: "A Comprehensive Review on Water Quality Parameters Estimation Using Remote Sensing Techniques", 《SENSORS》 * |
| TUNG-CHING SU ET AL.: "Application of Multispectral Sensors Carried on Unmanned Aerial Vehicle (UAV) to Trophic State Mapping of Small Reservoirs: A Case Study of Tain-Pu Reservoir in Kinmen, Taiwan", 《REMOTE SENSING》 * |
| 叶金印 等: "气象遥感图像及格点场重采样插值方法", 《计算机工程与应用》 * |
| 周艺 等: "遥感技术在内陆水体水质监测中的应用", 《水科学进展》 * |
| 张兵 等: "太湖水体3中典型水质参数的高光谱遥感反演", 《湖泊科学》 * |
| 江辉 等: "基于RBF神经网络的鄱阳湖表层水体总悬浮颗粒物浓度遥感反演", 《生态环境学报》 * |
| 谭兆: "遥感影像与地形图自动配准方法的研究", 《科技创新导报》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110988286A (zh) * | 2019-12-18 | 2020-04-10 | 松辽水资源保护科学研究所 | 一种智能水资源长期探测*** |
| CN111241991A (zh) * | 2020-01-08 | 2020-06-05 | 上海普适导航科技股份有限公司 | 一种基于遥感影像的水质分类方法 |
| CN111274938A (zh) * | 2020-01-19 | 2020-06-12 | 四川省自然资源科学研究院 | 一种面向Web的高分遥感河流水质动态监测方法与*** |
| CN111735503A (zh) * | 2020-07-26 | 2020-10-02 | 榆林学院 | 一种基于大数据的水资源监控***及其监控方法 |
| CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
| CN112365274B (zh) * | 2020-12-01 | 2022-08-23 | 苏州深蓝空间遥感技术有限公司 | 一种基于多源数据的高精度水污染溯源方法 |
| CN112365274A (zh) * | 2020-12-01 | 2021-02-12 | 苏州深蓝空间遥感技术有限公司 | 一种基于多源数据的高精度水污染溯源方法 |
| CN112763425A (zh) * | 2020-12-14 | 2021-05-07 | 广东省科学院广州地理研究所 | 一种河口浑浊带识别方法和识别*** |
| CN112763425B (zh) * | 2020-12-14 | 2021-12-28 | 广东省科学院广州地理研究所 | 一种河口浑浊带识别方法和识别*** |
| CN113109281A (zh) * | 2021-04-13 | 2021-07-13 | 中国科学院成都生物研究所 | 一种基于高光谱遥感的水质参数定量反演模型及其构建方法 |
| CN113109281B (zh) * | 2021-04-13 | 2022-11-29 | 中国科学院成都生物研究所 | 一种基于高光谱遥感的水质参数定量反演模型及其构建方法 |
| CN113324923A (zh) * | 2021-06-07 | 2021-08-31 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
| CN113324923B (zh) * | 2021-06-07 | 2023-07-07 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
| CN115014294A (zh) * | 2022-05-18 | 2022-09-06 | 河海大学 | 一种东西向卫星的河道敏捷成像方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108507949B (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108507949A (zh) | 一种基于高分遥感卫星的河道水质监测方法 | |
| CN110378909B (zh) | 基于Faster R-CNN的面向激光点云的单木分割方法 | |
| Lelovics et al. | Design of an urban monitoring network based on Local Climate Zone mapping and temperature pattern modelling | |
| CN111368817B (zh) | 一种基于地表类型进行热效应定量评价方法及*** | |
| CN110689563A (zh) | 一种用于提取遥感图像中违法建筑信息的数据处理方法 | |
| CN109977813A (zh) | 一种基于深度学习框架的巡检机器人目标定位方法 | |
| Guo et al. | Mapping plastic materials in an urban area: Development of the normalized difference plastic index using WorldView-3 superspectral data | |
| CN102084794A (zh) | 多传感器信息融合的作物病虫害早期检测方法及装置 | |
| CN108875794A (zh) | 一种基于迁移学习的图像能见度检测方法 | |
| CN102297660A (zh) | 一种盾构隧道衬砌管片接缝张开宽度的测量方法及装置 | |
| CN103018196A (zh) | 一种油菜需水信息的快速探测方法 | |
| CN102636486A (zh) | 一种棉花三真叶期的自动检测方法 | |
| CN102855485A (zh) | 一种小麦抽穗的自动检测方法 | |
| CN106683059A (zh) | 夜间灯光数据序列构建方法及装置 | |
| CN116881812A (zh) | 基于多源遥感数据和随机森林法估测森林碳储量的方法 | |
| CN114819737B (zh) | 公路路域植被的碳储量估算方法、***及存储介质 | |
| CN108550154A (zh) | 一种精准量测喀斯特地表裸露岩石占比的方法 | |
| CN117710831A (zh) | 一种基于卫星遥感农村黑臭水体监测方法 | |
| CN104282006A (zh) | 基于嫦娥二号数据的高分辨率影像拼接方法 | |
| CN116778343B (zh) | 一种用于综合识别的目标图像特征提取方法 | |
| Liu et al. | Fractional coverage rather than green chromatic coordinate is a robust indicator to track grassland phenology using smartphone photography | |
| CN116704349A (zh) | 一种基于高分影像的农村疑似黑臭水体识别方法 | |
| CN106770372A (zh) | 基于显微视觉的白玻表面缺陷检测方法 | |
| CN112365274A (zh) | 一种基于多源数据的高精度水污染溯源方法 | |
| Yamamoto et al. | Measurement of growth information of a strawberry plant using a natural interaction device |
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 |