CN115424134A - 一种基于遥感影像的污染入海通量预测方法以及装置 - Google Patents
一种基于遥感影像的污染入海通量预测方法以及装置 Download PDFInfo
- Publication number
- CN115424134A CN115424134A CN202211032871.2A CN202211032871A CN115424134A CN 115424134 A CN115424134 A CN 115424134A CN 202211032871 A CN202211032871 A CN 202211032871A CN 115424134 A CN115424134 A CN 115424134A
- Authority
- CN
- China
- Prior art keywords
- data
- water body
- area
- water
- sea
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000004907 flux Effects 0.000 title claims description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 364
- 238000005070 sampling Methods 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000007637 random forest analysis Methods 0.000 claims abstract description 36
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 52
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 229910052757 nitrogen Inorganic materials 0.000 claims description 26
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 25
- 229930002875 chlorophyll Natural products 0.000 claims description 25
- 235000019804 chlorophyll Nutrition 0.000 claims description 25
- 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 25
- 229910052760 oxygen Inorganic materials 0.000 claims description 25
- 239000001301 oxygen Substances 0.000 claims description 25
- 239000000126 substance Substances 0.000 claims description 25
- 210000000746 body region Anatomy 0.000 claims description 21
- 239000003344 environmental pollutant Substances 0.000 claims description 18
- 231100000719 pollutant Toxicity 0.000 claims description 18
- 230000001419 dependent effect Effects 0.000 claims description 17
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 14
- 229910052698 phosphorus Inorganic materials 0.000 claims description 14
- 239000011574 phosphorus Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims 1
- 238000003384 imaging method Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000009360 aquaculture Methods 0.000 description 9
- 244000144974 aquaculture Species 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 238000000746 purification Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000010865 sewage Substances 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 239000008239 natural water Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及地理信息技术领域,特别涉及一种基于遥感影像的污染入海通量预测方法,包括:获得养殖区域的正射影像,剔除正射影像中的非水体区域,获取养殖区域的水体影像,并根据预设的采样点数目,获取养殖区域的水体影像中各个采样点对应的水质数据;获取养殖区域的水体影像中各个采样点对应的波段数据,将同一采样点对应的水质数据以及波段数据进行组合,获取若干个采样点对应的训练数据组;将若干个采样点对应的训练数据组输入至随机森林神经网络模型进行训练,获取水质预测模型;将养殖区域正射影像输入至水质预测模型,获取养殖区域的水体区域的水质预测数据,根据养殖区域的水体区域的水质预测数据,获取养殖区域的污染源区域检测结果。
Description
技术领域
本发明涉及地理信息技术领域,特别涉及是一种基于遥感影像的污染入海通量预测方法、装置、设备以及存储介质。
背景技术
近年来,随着经济社会的快速发展,人类对水产的需求越来越大,养殖量也随之增加。由养殖尾水直接排放到江、河、湖、海造成的水体富营养化问题也日益突出,已经严重影响人类的饮用水安全。自然水体都具有一定的自净能力,但当超负荷的富营养化水体排入,即污染入海通量超过水体自净能力的量,则会造成水体富营养化,而从引发一系列的水环境生态问题。
但由于污水排放的净化技术和管理成本较高,污水处理的还没有完全普及,因此,部分地区,特别是监管难度较大的区域,污水直接排入江河湖海的情况时有发生。然而,目前的技术方案无法全面、准确地对大范围的区域进行污染入海通量的计算,为水污染监管造成了较大的难题。
发明内容
基于此,本发明的目的在于,提供一种基于遥感影像的污染入海通量预测方法、装置、设备以及存储介质,通过获取养殖区域的遥感影像中的水质数据、水深数据以及波段数据,采用深度学习方法,构建相应的水质预测模型以及水深预测模型,准确、快速地获取养殖区域的水质预测数据以及水深预测数据,并根据水质预测数据以及水深预测数据,获取所述养殖区域的水体区域的污染入海通量预测数据。
第一方面,本申请实施例提供了一种基于遥感影像的污染入海通量预测方法,包括以下步骤:
获取养殖区域的若干个遥感影像,将所述若干个遥感影像进行拼接,获得所述养殖区域的正射影像,其中,所述正射影像包括水体区域以为非水体区域;
剔除所述正射影像中的非水体区域,获取所述养殖区域的水体影像,并根据预设的采样点数目,获取所述养殖区域的水体影像中各个采样点对应的水质数据;
获取所述养殖区域的水体影像中各个采样点对应的波段数据以及水深数据,将所述同一采样点对应的水质数据以及波段数据进行组合,获取若干个所述采样点对应的第一训练数据组,将所述同一采样点对应的水深数据以及波段数据进行组合,获取若干个所述采样点对应的第二训练数据组;
将所述波段数据作为自变量,所述水质数据作为因变量,构建第一随机森林神经网络模型,将若干个所述采样点对应的第一训练数据组输入至所述第一随机森林神经网络模型进行训练,获取水质预测模型;
将所述波段数据作为自变量,所述水深数据作为因变量,构建第二随机森林神经网络模型,将若干个所述采样点对应的第二训练数据组输入至所述第二随机森林神经网络模型进行训练,获取水深预测模型;
将所述养殖区域正射影像分别输入至所述水质预测模型以及水深预测模型,获取所述养殖区域的水体区域,以及所述养殖区域的水体区域的水质预测数据、水深预测数据,根据所述养殖区域的水体区域,以及所述养殖区域的水体区域的水质预测数据以及水深预测数据,获取所述养殖区域的入海通量预测数据。
第二方面,本申请实施例提供了一种基于遥感影像的污染入海通量预测装置,包括:
正射影像获取模块,用于获取养殖区域的若干个遥感影像,将所述若干个遥感影像进行拼接,获得所述养殖区域的正射影像,其中,所述正射影像包括水体区域以为非水体区域;
水质数据获取模块,用于剔除所述正射影像中的非水体区域,获取所述养殖区域的水体影像,并根据预设的采样点数目,获取所述养殖区域的水体影像中各个采样点对应的水质数据;
训练数据获取模块,用于获取所述养殖区域的水体影像中各个采样点对应的波段数据以及水深数据,将所述同一采样点对应的水质数据以及波段数据进行组合,获取若干个所述采样点对应的第一训练数据组,将所述同一采样点对应的水深数据以及波段数据进行组合,获取若干个所述采样点对应的第二训练数据组;
第一模型训练模块,用于将所述波段数据作为自变量,所述水质数据作为因变量,构建第一随机森林神经网络模型,将若干个所述采样点对应的第一训练数据组输入至所述第一随机森林神经网络模型进行训练,获取水质预测模型;
第二模型训练模块,用于将所述波段数据作为自变量,所述水深数据作为因变量,构建第二随机森林神经网络模型,将若干个所述采样点对应的第二训练数据组输入至所述第二随机森林神经网络模型进行训练,获取水深预测模型;
污染入海通量预测模块,用于将所述养殖区域正射影像分别输入至所述水质预测模型以及水深预测模型,获取所述养殖区域的水体区域,以及所述养殖区域的水体区域的水质预测数据、水深预测数据,根据所述养殖区域的水体区域,以及所述养殖区域的水体区域的水质预测数据以及水深预测数据,获取所述养殖区域的水体区域的污染入海通量预测数据。
第三方面,本申请实施例提供了一种计算机设备,包括:处理器、存储器以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;所述计算机程序被所述处理器执行时实现如第一方面所述基于遥感影像的污染入海通量预测方法的步骤。
第四方面,本申请实施例提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的基于遥感影像的污染入海通量预测方法的步骤。
在本申请实施例中,提供一种基于遥感影像的污染入海通量预测方法、装置、设备以及存储介质,通过获取养殖区域的遥感影像中的水质数据、水深数据以及波段数据,采用深度学习方法,构建相应的水质预测模型以及水深预测模型,准确、快速地获取养殖区域的水质预测数据以及水深预测数据,并根据水质预测数据以及水深预测数据,获取所述养殖区域的水体区域的污染入海通量预测数据,以及时对污染入海通量超标的区域进行及时检测以及预警。
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为本申请第一实施例提供的基于遥感影像的污染入海通量预测方法的流程示意图;
图2为本申请第二实施例提供的基于遥感影像的污染入海通量预测方法的流程示意图;
图3为本申请第一实施例提供的基于遥感影像的污染入海通量预测方法中S2的流程示意图;
图4为本申请第一实施例提供的基于遥感影像的污染入海通量预测方法中S6的流程示意图;
图5为本申请第一实施例提供的基于遥感影像的污染入海通量预测方法中S62的流程示意图;
图6为本申请第三实施例提供的基于遥感影像的污染入海通量预测方法的流程示意图;
图7为本申请第四实施例提供的基于遥感影像的污染入海通量预测装置的结构示意图;
图8为本申请第五实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1,图1为本申请一个实施例提供的基于遥感影像的污染入海通量预测方法的流程示意图,所述方法包括如下步骤:
S1:获取养殖区域的若干个遥感影像,将所述若干个遥感影像进行拼接,获得所述养殖区域的正射影像。
所述基于遥感影像的污染入海通量预测方法的执行主体为基于遥感影像的污染入海通量预测方法的预测设备(以下简称预测设备),在一个可选的实施例中,所述预测设备可以是一台计算机设备可以是服务器,或是多台计算机设备联合而成的服务器机群。
所述养殖区域为水产养殖行业相关的区域,可以包括养殖池塘。水产养殖行业在日常的作业中,通过会将养殖尾水直接排放到江、河、湖、海中,虽然自然水体都具有一定的自净能力,但当一旦超负荷的养殖尾水排入,即污染入海通量超过水体自净能力的量,则会造成水体富营养化,而从引发一系列的水环境生态问题。
所述遥感影像为多光谱遥感影像,在本实施例中,预测设备可以获取用户输入的养殖区域的若干个遥感影像,也可以通过无人机,获取养殖区域的若干个遥感影像,将所述若干个遥感影像进行拼接,获得所述养殖区域的正射影像,其中,所述正射影像包括水体区域以为非水体区域。
S2:剔除所述正射影像中的非水体区域,获取所述养殖区域的水体影像,并根据预设的采样点数目,获取所述养殖区域的水体影像中各个采样点对应的水质数据。
为了降低运算的复杂性,提高波段数据获取的效率,在本实施例中,预测设备剔除所述多光谱影像中的非水体区域,获取所述样本区域的水体影像。
并根据预设的采样点数目,获取所述养殖区域的水体影像中各个采样点,具体地,预测设备以方便原则和均匀原则,在所述养殖区域中布设10个采样点,并获取所述样本区域的水体影像中各个采样区域对应的水质数据,其中,所述水质数据包括化学需氧量数据、总氮数据、总磷数据以及叶绿素数据。
请参阅图2,图2为本申请另一个实施例提供的基于遥感影像的污染入海通量预测方法的流程示意图,包括步骤S7,所述步骤S7在步骤S2之前,具体如下:
S7:对所述正射影像进行预处理,获取预处理后的正射影像,其中,所述预处理包括辐射定标以及大气校正。
在本实施例中,预测设备对所述正射影像进行辐射定标以及大气校正,获取预处理后的正射影像,提高对正射影像的波段数据测量的准确性。
请参阅图3,图3为本申请一个实施例提供的基于遥感影像的污染入海通量预测方法中S2的流程示意图,包括步骤S21~S22,具体如下:
S21:获取样本区域对应的水体影像以及所述水体影像中各个像元的绿光波段值以及近红外波段值,根据预设的归一化水分指数计算算法,对所述样本区域对应的水体影像中各个像元的归一化水分指数值进行计算,获得最小归一化水分指数值,作为水体像元区分阈值。
所述归一化水分指数计算算法为:
式中,Bgreen为所述绿光波段值,BNIR为所述近红外波段值,NDWI为归一化水分指数;
在本实施例中,预测设备获取样本区域对应的水体影像以及所述水体影像中各个像元的绿光波段值以及近红外波段值,根据预设的归一化水分指数计算算法,对所述样本区域对应的水体影像中各个像元的归一化水分指数值进行计算,获得最小归一化水分指数值,作为水体像元区分阈值。
S22:获取所述正射影像的各个像元的绿光波段值以及近红外波段值,根据所述归一化水分指数计算算法,获取所述正射影像中各个像元的归一化水分指数值,根据所述正射影像中各个像元的归一化水分指数值以及水体像元区分阈值,获取所述正射影像中的若干个水体像元,将所述若干个水体像元进行组合,获取所述养殖区域的水体影像。
所述水体影像是包括水体区域的正射影像,在本实施例中,预测设备将所述正射影像中各个像元对应的归一化水分指数分别与所述水体分割阈值进行对比,当所述像元对应的归一化水分指数大于水体分割阈值,将所述像元设置为水体像元,当所述像元对应的归一化水分指数小于或等于水体分割阈值,将所述像元设置为陆地像元,剔除所述正射影像中的陆地像元,获取所述正射影像的水体区域对应的水体影像,作为所述养殖区域的水体影像。
S3:获取所述养殖区域的水体影像中各个采样点对应的波段数据以及水深数据,将所述同一采样点对应的水质数据以及波段数据进行组合,获取若干个所述采样点对应的第一训练数据组,将所述同一采样点对应的水深数据以及波段数据进行组合,获取若干个所述采样点对应的第二训练数据组。
所述波段数据包括蓝波段反射率、绿波段反射率、红波段反射率及近红外波段反射率。在本实施例中,预测设备获取所述养殖区域的水体影像中各个采样点对应的波段数据以及水深数据,将所述同一采样点对应的水质数据以及波段数据进行组合,获取若干个所述采样点对应的第一训练数据组,以及将所述同一采样点对应的水深数据以及波段数据进行组合,获取若干个所述采样点对应的第二训练数据组。
具体地,预测设备可以获取所述养殖区域的水体影像中各个采样点的坐标数据,以所述各个采样点的坐标数据作为圆心,根据预设的半径,获取各个采样点对应的采样区域,获取所述各个采样点对应的采样区域中各个像元对应的波段数据以及水深数据,分别对波段数据以及水深数据进行平均处理,获取获取所述各个采样点对应的采样区域对应的平均波段数据以及平均水深数据,作为所述养殖区域的水体影像中各个采样点对应的波段数据以及水深数据。
S4:将所述波段数据作为自变量,所述水质数据作为因变量,构建第一随机森林神经网络模型,将若干个所述采样点对应的第一训练数据组输入至所述第一随机森林神经网络模型进行训练,获取水质预测模型。
所述随机森林神经网络模型是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。
在本实施例中,预测设备将所述波段数据作为自变量,所述水质数据作为因变量,构建第一随机森林神经网络模型,将若干个所述采样点对应的第一训练数据组输入至所述随机森林神经网络模型进行训练,获取水质预测模型。
具体地,由于水质数据包括总氮数据、总磷数据、化学需氧量数据以及叶绿素数据,预测设备通过设置所述采样点对应的水质数据对应的特征变量数据集,其中,所述特征变量数据集包括特征变量,所述特征变量包括总氮特征变量、总磷特征变量、化学需氧量特征变量以及叶绿素特征变量;
预测设备根据所述若干个采样点对应的第一训练数据组,从所述采样点对应的水质数据对应的特征变量数据集中,随机由放回的抽取若干个n份样本,为所述n份样本的每一份样本随机选择m个特征变量,生成与该份样本对应的决策树模型,对每个决策树模型的m个特征变量中随机选择一个特征变量作为节点进行***,当基尼系数最小时停止***,构建随机森林神经网络模型,将若干个所述采样点对应的第一训练数据组输入至所述随机森林神经网络模型进行训练,获取水质预测模型。
S5:将所述波段数据作为自变量,所述水深数据作为因变量,构建第二随机森林神经网络模型,将若干个所述采样点对应的第二训练数据组输入至所述第二随机森林神经网络模型进行训练,获取水深预测模型。
在本实施例中,预测设备将所述波段数据作为自变量,所述水深数据作为因变量,构建第二随机森林神经网络模型,将若干个所述采样点对应的第二训练数据组输入至所述第二随机森林神经网络模型进行训练,获取水深预测模型。
S6:将所述养殖区域正射影像分别输入至所述水质预测模型以及水深预测模型,获取所述养殖区域的水体区域,以及所述养殖区域的水体区域的水质预测数据、水深预测数据,根据所述养殖区域的水体区域,以及所述养殖区域的水体区域的水质预测数据以及水深预测数据,获取所述养殖区域的水体区域的污染入海通量预测数据。
在本实施例中,预测设备将所述养殖区域正射影像分别输入至所述水质预测模型以及水深预测模型,获取所述养殖区域的水体区域,以及所述养殖区域的水体区域的水质预测数据、水深预测数据,根据所述养殖区域的水体区域,以及所述养殖区域的水体区域的水质预测数据以及水深预测数据,获取所述养殖区域的水体区域的污染入海通量预测数据。
请参阅图4,图4为本申请一个实施例提供的基于遥感影像的污染入海通量预测方法中S6的流程示意图,包括步骤S61~S62,具体如下:
S61:获取所述养殖区域的水体区域的面积数据,根据所述面积数据以及水深预测数据,获取所述养殖区域的水体区域的体积预测数据。
所述面积数据用于指示每个像元的水体区域的面积,所述体积预测数据用于指示每个像元的水体区域的体积;
在本实施例中,预测设备获取所述养殖区域的水体区域的面积数据,根据所述面积数据以及水深预测数据,获取所述养殖区域的水体区域的体积预测数据,具体如下:
Wv=Wd×Ws
式中,Wv为所述体积预测数据,Wd为所述水深预测数据,Ws为所述面积数据。
S62:根据所述养殖区域的水体区域的体积预测数据、水质预测数据以及相应的污染入海通量计算算法,获取所述养殖区域的水体区域的污染入海通量预测数据。
在本实施例中,预测设备根据所述养殖区域的水体区域的体积预测数据、水质预测数据以及相应的污染入海通量计算算法,获取所述养殖区域的水体区域的污染入海通量预测数据,其中,所述污染入海通量预测数据包括总氮入海通量预测数据、总磷入海通量预测数据、化学需氧量入海通量预测数据以及叶绿素入海通量预测数据。
请参阅图5,图5为本申请一个实施例提供的基于遥感影像的污染入海通量预测方法中S62的流程示意图,包括步骤S621~S624,具体如下:
S621:根据所述养殖区域的水体区域的体积预测数据、总氮预测数据以及预设的总氮入海通量预测数据计算算法,获取所述养殖区域的总氮入海通量预测数据。
所述总氮入海通量预测数据计算算法为:
TN=∑Wv×CTN
式中,TN为所述总氮入海通量预测数据,Wv为所述体积预测数据,CTN为所述总氮预测数据;
在本实施例中,预测设备根据所述养殖区域的水体区域的体积预测数据、总氮预测数据以及预设的总氮入海通量预测数据计算算法,对所述养殖区域的水体区域的各个像元对应的总氮入海通量预测数据进行计算,获得所述养殖区域的水体区域的总氮入海通量预测数据,作为所述养殖区域的总氮入海通量预测数据。
S622:根据所述养殖区域的水体区域的体积预测数据、总磷预测数据以及预设的总磷入海通量预测数据计算算法,获取所述养殖区域的总磷入海通量预测数据。
所述总磷入海通量预测数据计算算法为:
TP=∑Wv×CTP
式中,TP为所述总磷入海通量预测数据,CTP为所述总磷预测数据;
在本实施例中,预测设备根据所述养殖区域的水体区域的体积预测数据、总氮预测数据以及预设的总磷入海通量预测数据计算算法,对所述养殖区域的水体区域的各个像元对应的总磷入海通量预测数据进行计算,获得所述养殖区域的水体区域的总磷入海通量预测数据,作为所述养殖区域的总磷入海通量预测数据。
S623:根据所述养殖区域的水体区域的体积预测数据、化学需氧量预测数据以及预设的化学需氧量入海通量预测数据计算算法,获取所述养殖区域的化学需氧量入海通量预测数据.
所述化学需氧量入海通量预测数据计算算法为:
COD=∑Wv×CCOD
式中,COD为所述化学需氧量入海通量预测数据,CCOD为所述化学需氧量预测数据;
在本实施例中,预测设备根据所述养殖区域的水体区域的体积预测数据、化学需氧量预测数据以及预设的化学需氧量入海通量预测数据计算算法,对所述养殖区域的水体区域的各个像元对应的化学需氧量入海通量预测数据进行计算,获得所述养殖区域的水体区域的化学需氧量入海通量预测数据,作为所述养殖区域的化学需氧量入海通量预测数据。
S621:根据所述养殖区域的水体区域的体积预测数据、叶绿素预测数据以及预设的叶绿素入海通量预测数据计算算法,获取所述养殖区域的叶绿素入海通量预测数据。
所述叶绿素入海通量预测数据计算算法为:
TN=∑Wv×CTN
式中,CHI为所述叶绿素入海通量预测数据,CCHI为所述叶绿素预测数据。
在本实施例中,预测设备根据所述养殖区域的水体区域的体积预测数据、叶绿素预测数据以及预设的叶绿素入海通量预测数据计算算法,对所述养殖区域的水体区域的各个像元对应的叶绿素入海通量预测数据进行计算,获得所述养殖区域的水体区域的叶绿素入海通量预测数据,作为所述养殖区域的叶绿素入海通量预测数据。
请参阅图6,图6为本申请第三实施例提供的基于遥感影像的污染入海通量预测方法的流程示意图,还包括步骤S8,具体如下:
S8:获取与所述养殖区域相应的电子地图数据,根据所述养殖区域的水体区域的污染入海通量预测数据以及预设的污染入海通量阈值,获得所述养殖区域的水体区域的污染预警标识,根据所述养殖区域的水体区域的污染预警标识,在所述电子地图数据上,进行相应的所述污染预警标识的显示以及污染入海通量预测数据的标注。
在本实施例中,预测设备获取与所述养殖区域相应的电子地图数据,在预设的显示界面上进行反映所述养殖区域的电子地图的显示。
根据所述养殖区域的水体区域的污染入海通量预测数据以及预设的污染入海通量阈值,获得所述养殖区域的水体区域的污染预警标识,具体地,所述污染入海通量阈值包括总氮入海通量阈值、总磷入海通量阈值、化学需氧量入海通量阈值以及叶绿素入海通量阈值,预测设备分别将所述污染入海通量预测数据与相应的污染入海通量阈值进行对比,当所述污染入海通量预测数据大于或者等于相应的污染入海通量阈值,则获得污染预警标识。
根据所述养殖区域的水体区域的污染预警标识,在所述电子地图数据上,进行相应的所述污染预警标识的显示以及污染入海通量预测数据的标注。从而及时地对可能养殖尾水排放超标的区域进行及时的检测以及预警。
请参考图7,图7为本申请一个实施例提供的基于遥感影像的污染入海通量预测装置的结构示意图,该装置可以通过软件、硬件或两者的结合实现基于遥感影像的污染入海通量预测装置的全部或一部分,该装置7包括:
正射影像获取模块71,用于获取养殖区域的若干个遥感影像,将所述若干个遥感影像进行拼接,获得所述养殖区域的正射影像,其中,所述正射影像包括水体区域以为非水体区域;
水质数据获取模块72,用于剔除所述正射影像中的非水体区域,获取所述养殖区域的水体影像,并根据预设的采样点数目,获取所述养殖区域的水体影像中各个采样点对应的水质数据;
训练数据获取模块73,用于获取所述养殖区域的水体影像中各个采样点对应的波段数据以及水深数据,将所述同一采样点对应的水质数据以及波段数据进行组合,获取若干个所述采样点对应的第一训练数据组,将所述同一采样点对应的水深数据以及波段数据进行组合,获取若干个所述采样点对应的第二训练数据组;
第一模型训练模块74,用于将所述波段数据作为自变量,所述水质数据作为因变量,构建第一随机森林神经网络模型,将若干个所述采样点对应的第一训练数据组输入至所述第一随机森林神经网络模型进行训练,获取水质预测模型;
第二模型训练模块75,用于将所述波段数据作为自变量,所述水深数据作为因变量,构建第二随机森林神经网络模型,将若干个所述采样点对应的第二训练数据组输入至所述第二随机森林神经网络模型进行训练,获取水深预测模型;
污染入海通量预测模块76,用于将所述养殖区域正射影像分别输入至所述水质预测模型以及水深预测模型,获取所述养殖区域的水体区域,以及所述养殖区域的水体区域的水质预测数据、水深预测数据,根据所述养殖区域的水体区域,以及所述养殖区域的水体区域的水质预测数据以及水深预测数据,获取所述养殖区域的水体区域的污染入海通量预测数据。
在本申请实施例中,通过正射影像获取模块,获取养殖区域的若干个遥感影像,将所述若干个遥感影像进行拼接,获得所述养殖区域的正射影像,其中,所述正射影像包括水体区域以为非水体区域;通过水质数据获取模块,剔除所述正射影像中的非水体区域,获取所述养殖区域的水体影像,并根据预设的采样点数目,获取所述养殖区域的水体影像中各个采样点对应的水质数据;通过训练数据获取模块,获取所述养殖区域的水体影像中各个采样点对应的波段数据以及水深数据,将所述同一采样点对应的水质数据以及波段数据进行组合,获取若干个所述采样点对应的第一训练数据组,将所述同一采样点对应的水深数据以及波段数据进行组合,获取若干个所述采样点对应的第二训练数据组;通过第一模型训练模块,将所述波段数据作为自变量,所述水质数据作为因变量,构建第一随机森林神经网络模型,将若干个所述采样点对应的第一训练数据组输入至所述第一随机森林神经网络模型进行训练,获取水质预测模型;通过第二模型训练模块,将所述波段数据作为自变量,所述水深数据作为因变量,构建第二随机森林神经网络模型,将若干个所述采样点对应的第二训练数据组输入至所述第二随机森林神经网络模型进行训练,获取水深预测模型;通过污染入海通量预测模块,将所述养殖区域正射影像分别输入至所述水质预测模型以及水深预测模型,获取所述养殖区域的水体区域,以及所述养殖区域的水体区域的水质预测数据、水深预测数据,根据所述养殖区域的水体区域,以及所述养殖区域的水体区域的水质预测数据以及水深预测数据,获取所述养殖区域的水体区域的污染入海通量预测数据,通过获取养殖区域的遥感影像中的水质数据、水深数据以及波段数据,采用深度学习方法,构建相应的水质预测模型以及水深预测模型,准确、快速地获取养殖区域的水质预测数据以及水深预测数据,并根据水质预测数据以及水深预测数据,获取所述养殖区域的水体区域的污染入海通量预测数据。
请参考图7,图7为本申请一个实施例提供的计算机设备的结构示意图,计算机设备7包括:处理器81、存储器82以及存储在存储器82上并可在处理器81上运行的计算机程序83;计算机设备可以存储有多条指令,指令适用于由处理器81加载并执行上述图1至图6所示实施例的方法步骤,具体执行过程可以参见图1至图6所示实施例的具体说明,在此不进行赘述。
其中,处理器81可以包括一个或多个处理核心。处理器81利用各种接口和线路连接服务器内的各个部分,通过运行或执行存储在存储器82内的指令、程序、代码集或指令集,以及调用存储器82内的数据,执行基于遥感影像的污染入海通量预测装置7的各种功能和处理数据,可选的,处理器81可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programble Logic Array,PLA)中的至少一个硬件形式来实现。处理器81可集成中央处理器81(Central Processing Unit,CPU)、图像处理器81(Graphics Processing Unit,GPU)和调制解调器等中的一个或几种的组合。其中,CPU主要处理操作***、用户界面和应用程序等;GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器81中,单独通过一块芯片进行实现。
其中,存储器82可以包括随机存储器82(Random Access Memory,RAM),也可以包括只读存储器82(Read-Only Memory)。可选的,该存储器82包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器82可用于存储指令、程序、代码、代码集或指令集。存储器82可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器82可选的还可以是至少一个位于远离前述处理器81的存储装置。
本申请实施例还提供了一种存储介质,所述存储介质可以存储有多条指令,所述指令适用于由处理器加载并执行上述图1至图6所示实施例的方法步骤,具体执行过程可以参见图1至图6所示实施例的具体说明,在此不进行赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (10)
1.一种基于遥感影像的污染入海通量预测方法,其特征在于,包括以下步骤:
获取养殖区域的若干个遥感影像,将所述若干个遥感影像进行拼接,获得所述养殖区域的正射影像,其中,所述正射影像包括水体区域以为非水体区域;
剔除所述正射影像中的非水体区域,获取所述养殖区域的水体影像,并根据预设的采样点数目,获取所述养殖区域的水体影像中各个采样点对应的水质数据;
获取所述养殖区域的水体影像中各个采样点对应的波段数据以及水深数据,将所述同一采样点对应的水质数据以及波段数据进行组合,获取若干个所述采样点对应的第一训练数据组,将所述同一采样点对应的水深数据以及波段数据进行组合,获取若干个所述采样点对应的第二训练数据组;
将所述波段数据作为自变量,所述水质数据作为因变量,构建第一随机森林神经网络模型,将若干个所述采样点对应的第一训练数据组输入至所述第一随机森林神经网络模型进行训练,获取水质预测模型;
将所述波段数据作为自变量,所述水深数据作为因变量,构建第二随机森林神经网络模型,将若干个所述采样点对应的第二训练数据组输入至所述第二随机森林神经网络模型进行训练,获取水深预测模型;
将所述养殖区域正射影像分别输入至所述水质预测模型以及水深预测模型,获取所述养殖区域的水体区域,以及所述养殖区域的水体区域的水质预测数据、水深预测数据,根据所述养殖区域的水体区域,以及所述养殖区域的水体区域的水质预测数据以及水深预测数据,获取所述养殖区域的水体区域的污染入海通量预测数据。
2.根据权利要求1所述的基于遥感影像的污染入海通量预测方法,其特征在于:所述水质数据包括总氮数据、总磷数据、化学需氧量数据以及叶绿素数据;所述水质预测数据包括总氮预测数据、总磷预测数据、化学需氧量预测数据以及叶绿素预测数据。
3.根据权利要求2所述的基于遥感影像的污染入海通量预测方法,其特征在于,所述根据所述养殖区域的水体区域,以及所述养殖区域的水体区域的水质预测数据以及水深预测数据,获取所述养殖区域的水体区域的污染入海通量预测数据,包括步骤:
获取所述养殖区域的水体区域的面积数据,根据所述面积数据以及水深预测数据,获取所述养殖区域的水体区域的体积预测数据,其中,所述面积数据用于指示每个像元的水体区域的面积,所述体积预测数据用于指示每个像元的水体区域的体积;
根据所述养殖区域的水体区域的体积预测数据、水质预测数据以及相应的污染入海通量计算算法,获取所述养殖区域的水体区域的污染入海通量预测数据,其中,所述污染入海通量预测数据包括总氮入海通量预测数据、总磷入海通量预测数据、化学需氧量入海通量预测数据以及叶绿素入海通量预测数据。
4.根据权利要求3所述的基于遥感影像的污染入海通量预测方法,其特征在于,所述根据所述养殖区域的水体区域的体积预测数据、水质预测数据以及相应的入海通量计算算法,获取所述养殖区域的水体区域的污染入海通量预测数据,包括步骤:
根据所述养殖区域的水体区域的体积预测数据、总氮预测数据以及预设的总氮入海通量预测数据计算算法,获取所述养殖区域的总氮入海通量预测数据,其中,所述总氮入海通量预测数据计算算法为:
TN=∑Wv×CTN
式中,TN为所述总氮入海通量预测数据,Wv为所述体积预测数据,CTN为所述总氮预测数据;
根据所述养殖区域的水体区域的体积预测数据、总磷预测数据以及预设的总磷入海通量预测数据计算算法,获取所述养殖区域的总磷入海通量预测数据,其中,所述总磷入海通量预测数据计算算法为:
TP=∑Wv×CTP
式中,TP为所述总磷入海通量预测数据,CTP为所述总磷预测数据;
根据所述养殖区域的水体区域的体积预测数据、化学需氧量预测数据以及预设的化学需氧量入海通量预测数据计算算法,获取所述养殖区域的化学需氧量入海通量预测数据,其中,所述化学需氧量入海通量预测数据计算算法为:
CON=∑Wv×CCOD
式中,COD为所述化学需氧量入海通量预测数据,CCOD为所述化学需氧量预测数据;
根据所述养殖区域的水体区域的体积预测数据、叶绿素预测数据以及预设的叶绿素入海通量预测数据计算算法,获取所述养殖区域的叶绿素入海通量预测数据,其中,所述叶绿素入海通量预测数据计算算法为:
TN=∑Wv×CTN
式中,CHI为所述叶绿素入海通量预测数据,CCHI为所述叶绿素预测数据。
5.根据权利要求1所述的基于遥感影像的污染入海通量预测方法,其特征在于,所述剔除所述正射影像中的非水体区域,获取所述养殖区域的水体影像之前,包括步骤:
对所述正射影像进行预处理,获取预处理后的正射影像,其中,所述预处理包括辐射定标以及大气校正。
6.根据权利要求1所述的基于遥感影像的污染入海通量预测方法,其特征在于,所述剔除所述正射影像中的非水体区域,获取所述养殖区域的水体影像,包括步骤:
获取样本区域对应的水体影像以及所述水体影像中各个像元的绿光波段值以及近红外波段值,根据预设的归一化水分指数计算算法,对所述样本区域对应的水体影像中各个像元的归一化水分指数值进行计算,获得最小归一化水分指数值,作为水体像元区分阈值,其中,所述归一化水分指数计算算法为:
式中,Bgreen为所述绿光波段值,BNIR为所述近红外波段值,NDWI为归一化水分指数;
获取所述正射影像的各个像元的绿光波段值以及近红外波段值,根据所述归一化水分指数计算算法,获取所述正射影像中各个像元的归一化水分指数值,根据所述正射影像中各个像元的归一化水分指数值以及水体像元区分阈值,获取所述正射影像中的若干个水体像元,将所述若干个水体像元进行组合,获取所述养殖区域的水体影像。
7.根据权利要求1所述的基于遥感影像的污染入海通量预测方法,其特征在于,还包括步骤:
获取与所述养殖区域相应的电子地图数据,根据所述养殖区域的水体区域的污染入海通量预测数据以及预设的污染入海通量阈值,获得所述养殖区域的水体区域的污染预警标识,根据所述养殖区域的水体区域的污染预警标识,在所述电子地图数据上,进行相应的所述污染预警标识的显示以及污染入海通量预测数据的标注。
8.一种基于遥感影像的污染入海通量预测装置,其特征在于,包括:
正射影像获取模块,用于获取养殖区域的若干个遥感影像,将所述若干个遥感影像进行拼接,获得所述养殖区域的正射影像,其中,所述正射影像包括水体区域以为非水体区域;
水质数据获取模块,用于剔除所述正射影像中的非水体区域,获取所述养殖区域的水体影像,并根据预设的采样点数目,获取所述养殖区域的水体影像中各个采样点对应的水质数据;
训练数据获取模块,用于获取所述养殖区域的水体影像中各个采样点对应的波段数据以及水深数据,将所述同一采样点对应的水质数据以及波段数据进行组合,获取若干个所述采样点对应的第一训练数据组,将所述同一采样点对应的水深数据以及波段数据进行组合,获取若干个所述采样点对应的第二训练数据组;
第一模型训练模块,用于将所述波段数据作为自变量,所述水质数据作为因变量,构建第一随机森林神经网络模型,将若干个所述采样点对应的第一训练数据组输入至所述第一随机森林神经网络模型进行训练,获取水质预测模型;
第二模型训练模块,用于将所述波段数据作为自变量,所述水深数据作为因变量,构建第二随机森林神经网络模型,将若干个所述采样点对应的第二训练数据组输入至所述第二随机森林神经网络模型进行训练,获取水深预测模型;
污染入海通量预测模块,用于将所述养殖区域正射影像分别输入至所述水质预测模型以及水深预测模型,获取所述养殖区域的水体区域,以及所述养殖区域的水体区域的水质预测数据、水深预测数据,根据所述养殖区域的水体区域,以及所述养殖区域的水体区域的水质预测数据以及水深预测数据,获取所述养殖区域的水体区域的污染入海通量预测数据。
9.一种计算机设备,其特征在于,包括:处理器、存储器以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;所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于遥感影像的污染入海通量预测方法的步骤。
10.一种存储介质,其特征在于:所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于遥感影像的污染入海通量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211032871.2A CN115424134B (zh) | 2022-08-26 | 2022-08-26 | 一种基于遥感影像的污染入海通量预测方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211032871.2A CN115424134B (zh) | 2022-08-26 | 2022-08-26 | 一种基于遥感影像的污染入海通量预测方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115424134A true CN115424134A (zh) | 2022-12-02 |
CN115424134B CN115424134B (zh) | 2024-04-09 |
Family
ID=84200027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211032871.2A Active CN115424134B (zh) | 2022-08-26 | 2022-08-26 | 一种基于遥感影像的污染入海通量预测方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115424134B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292211A (zh) * | 2023-11-27 | 2023-12-26 | 潍坊市海洋发展研究院 | 水质标注图像发送方法、装置、电子设备和计算机可读介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105092476A (zh) * | 2015-08-20 | 2015-11-25 | 中山大学 | 同时反演内陆水体混浊度、cod和叶绿素浓度的方法 |
CN106202163A (zh) * | 2016-06-24 | 2016-12-07 | 中国环境科学研究院 | 通江湖泊生态监测信息管理及预警*** |
CN106525762A (zh) * | 2016-11-07 | 2017-03-22 | 航天恒星科技有限公司 | 一种基于自适应模型的水质监测方法和水质监测装置 |
CN107340365A (zh) * | 2017-06-19 | 2017-11-10 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘***和方法 |
CN109522788A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
CN113298058A (zh) * | 2021-07-27 | 2021-08-24 | 浙江省淡水水产研究所 | 基于无人机高光谱图像的水质预测反演方法及*** |
CN114202691A (zh) * | 2021-12-09 | 2022-03-18 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻识别方法、装置以及设备 |
CN114612896A (zh) * | 2022-03-07 | 2022-06-10 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻产量预测方法、装置以及设备 |
CN114707293A (zh) * | 2022-01-27 | 2022-07-05 | 清华大学 | 流域水环境模拟方法及装置 |
-
2022
- 2022-08-26 CN CN202211032871.2A patent/CN115424134B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105092476A (zh) * | 2015-08-20 | 2015-11-25 | 中山大学 | 同时反演内陆水体混浊度、cod和叶绿素浓度的方法 |
CN106202163A (zh) * | 2016-06-24 | 2016-12-07 | 中国环境科学研究院 | 通江湖泊生态监测信息管理及预警*** |
CN106525762A (zh) * | 2016-11-07 | 2017-03-22 | 航天恒星科技有限公司 | 一种基于自适应模型的水质监测方法和水质监测装置 |
CN107340365A (zh) * | 2017-06-19 | 2017-11-10 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘***和方法 |
CN109522788A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
CN113298058A (zh) * | 2021-07-27 | 2021-08-24 | 浙江省淡水水产研究所 | 基于无人机高光谱图像的水质预测反演方法及*** |
CN114202691A (zh) * | 2021-12-09 | 2022-03-18 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻识别方法、装置以及设备 |
CN114707293A (zh) * | 2022-01-27 | 2022-07-05 | 清华大学 | 流域水环境模拟方法及装置 |
CN114612896A (zh) * | 2022-03-07 | 2022-06-10 | 广东省科学院广州地理研究所 | 基于遥感图像的水稻产量预测方法、装置以及设备 |
Non-Patent Citations (2)
Title |
---|
陈黄蓉: ""入海口及上游河流污染水体遥感监测研究"", 《中国优秀硕士学位论文全文数据库 工程科技一辑》 * |
黄亚玲: ""河流氮输出与真核微生物群落结构对流域土地利用模式和水文状况的响应研究-以九龙江流域为例"", 《中国博士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292211A (zh) * | 2023-11-27 | 2023-12-26 | 潍坊市海洋发展研究院 | 水质标注图像发送方法、装置、电子设备和计算机可读介质 |
CN117292211B (zh) * | 2023-11-27 | 2024-02-27 | 潍坊市海洋发展研究院 | 水质标注图像发送方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115424134B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115439757A (zh) | 一种基于遥感影像的水质污染源溯源方法、装置以及设备 | |
CN110929592A (zh) | 一种用于海上养殖区外边界的提取方法及*** | |
CN110032928B (zh) | 一种适用于颜色敏感的卫星遥感影像水体识别方法 | |
CN115424134B (zh) | 一种基于遥感影像的污染入海通量预测方法以及装置 | |
CN113378785A (zh) | 森林类型识别方法及装置 | |
CN112419333A (zh) | 一种遥感影像自适应特征选择分割方法及*** | |
KR20220105530A (ko) | 수질 예측 방법 및 장치 | |
CN107271367B (zh) | 一种水体识别方法及装置 | |
CN111239131A (zh) | 一种ai智能水环保实时监测平台 | |
CN117953299A (zh) | 基于多尺度的遥感影像土地利用分类方法 | |
CN115410086A (zh) | 一种基于遥感影像的水质反演方法、装置以及设备 | |
Wu et al. | An improved YOLO model for detecting trees suffering from pine wilt disease at different stages of infection | |
CN116704324A (zh) | 基于水下图像的目标检测方法、***、设备以及存储介质 | |
CN115827878A (zh) | 语句情感分析方法、装置以及设备 | |
Rivera et al. | Monitoring macrophytes cover and taxa in Utah Lake by using 2009-2011 Landsat digital imagery | |
CN115346115A (zh) | 图像目标检测方法、装置、设备和存储介质 | |
CN114495058A (zh) | 交通标志检测方法和装置 | |
Hashemi et al. | The Detection of the Plume of the Arvand River Using Satellite Images | |
CN112633158A (zh) | 一种输电线路走廊车辆识别方法、装置、设备和存储介质 | |
CN113822255B (zh) | 一种水体识别方法及相关装置 | |
CN111814809A (zh) | 遥感图像植被信息提取方法和装置 | |
Şenol et al. | Trends of changing land use dynamics in the Terkos Lake basin between 1980 and 2023 and their impact on natural ecosystems | |
CN116152656B (zh) | 基于蒸馏学习的sar影像城市固废自动识别方法及*** | |
CN118196643A (zh) | 无瓣海桑区域的生态优势预测方法、装置以及计算机设备 | |
CN116363362B (zh) | 图像语义分割方法、对象识别方法及计算设备 |
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 |