CN115524294A - 一种离水式实时智能遥感水质监测方法 - Google Patents

一种离水式实时智能遥感水质监测方法 Download PDF

Info

Publication number
CN115524294A
CN115524294A CN202211135571.7A CN202211135571A CN115524294A CN 115524294 A CN115524294 A CN 115524294A CN 202211135571 A CN202211135571 A CN 202211135571A CN 115524294 A CN115524294 A CN 115524294A
Authority
CN
China
Prior art keywords
water quality
water
remote sensing
intelligent
hyperspectral
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
Application number
CN202211135571.7A
Other languages
English (en)
Inventor
李娜
张运林
张毅博
钱海铭
牛永康
杨华音
顾锦程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Zhongke Shentong Technology Research Institute Co ltd
Nanjing Institute of Geography and Limnology of CAS
Original Assignee
Nanjing Zhongke Shentong Technology Research Institute Co ltd
Nanjing Institute of Geography and Limnology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Zhongke Shentong Technology Research Institute Co ltd, Nanjing Institute of Geography and Limnology of CAS filed Critical Nanjing Zhongke Shentong Technology Research Institute Co ltd
Priority to CN202211135571.7A priority Critical patent/CN115524294A/zh
Publication of CN115524294A publication Critical patent/CN115524294A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开一种离水式实时智能遥感水质监测方法，包括：获取待测水体的高光谱遥感反射率数据；采集待测水体的同步表层水质样本，构建水质高光谱遥感反射率数据集；基于水质高光谱遥感反射率数据集，构建最优水质智能反演模型；基于待测水体高光谱遥感反射率数据和最优水质智能反演模型，得到实时水质数据。本发明无需进行大气校正，弥补了卫星和无人机遥感阴雨天气的监测不足，高光谱分辨率提高了水质参数反演的精度；定时采集实现了无人值守的连续水体观测；搭载于智能移动终端上的三探头成像光谱仪小巧精致、便于携带，灵活机动；减小了能耗、因风浪造成的设备损耗以及设备维护的难度，而且减小了因生物附着污染造成的数据误差。

Description

一种离水式实时智能遥感水质监测方法
技术领域
本发明涉及水质监测领域，特别涉及一种离水式实时智能遥感水质监测方法。
背景技术
快速准确获取水质数据，客观反映水体状态，是分析水质问题成因机制、控制流域污染物输入、减轻水体污染和生态修复的重要基础。然而，河流和湖泊水质受到了气象、水文和污染物自身性质等多种因素的共同影响，时空异质性强。传统基于实验室分析的人工采样具有成本高、费时费力、时空离散和时效性差等缺点，很难及时捕捉一些人为干扰强烈、水情复杂的湖库快速变化过程。卫星遥感因具有大面积、周期性和经济高效等优势，已经被广泛用于透明度、叶绿素、总氮、总磷等水质监测中，但有限的时间分辨率和云雨天气使其在解决长期、连续水质监测问题上仍力不从心；另外针对一些中小型水体而言，传统水色卫星如MODIS、SeaWiFS和GOCI等因低空间分辨率而无法提供有效的水质信息，中高分辨率陆地卫星如LANDSAT系列和Gaofen系列则因长重放周期、宽波段和低信噪比等无法提供水体短期动态信息。无人机高光谱遥感因灵活机动弥补了中小型水体水质监测不足，但受限于续航时间和云雨天气而难以实现连续观测。近年快速发展的岸基高光谱观测水质设备可提供连续高频观测，但固定的观测位置限制了其在空间异质性强的湖泊中的使用。随着技术的发展，水下高频探头和多参数水质测量仪可以开展水质连续高频观测，但监测精度低、价格昂贵、维修困难，易附着污染等缺点限制了其大范围应用。因此，现有的水质监测手段在数据采集频率、精确性、时效性和代表性滞后于水环境管理与决策部门的需求，尤其是一些突发性、大范围的污水排放和跨区域污染事件不能被及时捕捉。
因此，迫切需要提出一种高时空分辨率、适用于多种水质、多种天气、灵活机动的实时水质监测方法，弥补现有观测手段的不足，为诊断水质污染、成因机制分析及科学化防控提供助力。
发明内容
为解决上述现有技术中所存在的问题，本发明提供一种离水式实时智能遥感水质监测方法，将三探头高光谱成像仪与智能移动终端结合，匹配同步水质数据，基于深度学***，降低水质监测中对设备和人员的准入门槛。
为了实现上述技术目的，本发明提供了一种离水式实时智能遥感水质监测方法，包括：
S1，获取待测水体的高光谱遥感反射率数据；
S2，采集所述待测水体的同步表层水质样本，构建水质高光谱遥感反射率数据集；
S3，基于所述水质高光谱遥感反射率数据集，构建最优水质智能反演模型；
S4，基于所述待测水体高光谱遥感反射率数据和所述最优水质智能反演模型，得到实时水质数据，实现离水式实时智能遥感水质监测。
可选地，采用光谱采集***采集所述水体高光谱数据，所述光谱采集***包括：智能移动终端、三探头高光谱成像仪和云台；
所述三探头高光谱成像仪与所述智能移动终端连接，所述智能移动终端与所述云台通过伸缩卡扣连接；所述云台通过调节螺母固定观测角度，所述观测角度保证所述三探头高光谱成像仪的长边与水平成角为0°。
可选地，所述高光谱遥感反射率数据包括：不同类型水体、不同水质状况水体和不同天气条件的水体高光谱遥感反射率数据。
可选地，所述不同类型水体包括不同营养水平和不同清澈程度的内陆水体和清澈大洋水体；所述不同水质状况水体包括不同风浪大小、不同藻华爆发情况和浑浊程度的水体；所述不同天气条件包括晴天、多云、阴天和小雨；
可选地，所述最优水质智能反演模型的构建过程为：
基于所述水质高光谱遥感反射率数据集，采用多种机器学习算法，构建最优水质智能反演模型；
所述多种机器学习算法包括随机森林算法、神经网络算法和高斯过程回归算法。
可选地，将所述最优水质智能反演模型写入适用于智能移动终端的应用软件中，所述应用软件可以调用所述智能移动终端的计算功能、存储功能、数据展示功能和下载功能。
可选地，所述实时水质数据包括：水质参数和环境条件参数；
所述水质参数包括：总氮、总磷、叶绿素、透明度、悬浮物、高锰酸盐指数、浊度、消光系数、氨氮、有色可溶性有机物吸收系数、溶解性有机碳、颗粒有机碳和富营养化指数；
所述环境条件参数包括：观测点经纬度、观测时间、气温、观测角度、天气和风速。
可选地，还包括对所述高光谱遥感反射率数据和所述待测水样进行预处理；
所述高光谱遥感反射率数据的预处理包括：非水体光谱剔除、异常水体光谱剔除和光谱数据归一化；
所述待测水样的预处理包括：抽滤、样品低温保存、实验室测定和水样数据异常值剔除。
可选地，进行所述离水式实时智能遥感水质监测时，当水质指标超过特定阈值时，会通过改变显示颜色和弹出窗口进行警报提醒；
所述特定阈值为国家水质评价标准或者自定义阈值。
本发明具有如下技术效果：
1.相比于传统的空基、天基和无人机遥感，本发明提出的离水式实时水质智能遥感监测方法是近水面采集水体高光谱遥感反射率数据，不仅增加了数据信噪比而且基本不受大气和气溶胶影响，因此无需要进行大气校正；另外，宽泛观测天气条件包括小雨、阴天和多云，拓展光谱成像时间范畴、弥补了卫星和无人机遥感阴雨天气的监测不足；最后，高光谱分辨率提高了水质参数反演的精度；
2.相比已有的地物光谱仪或者高光谱成像仪，本发明三探头高光谱成像仪可以同时采集水面向下辐照度、天空光和水体离水辐亮度，无需灰白标准板、复杂的操作和处理过程，避免了因光环境快速变化造成的离水遥感反射率偏差；此外，定时采集实现了无人值守的连续水体观测；相比传统的地物光谱仪，搭载于智能移动终端上的三探头成像光谱仪小巧精致、便于携带，灵活机动；
3.本发明的三探头高光谱成像仪、云台和智能算法应用软件不依赖于固定的智能手机品牌，可以实现多种智能终端设备的使用，降低了对光谱采集设备的要求；
4.相比陆基高光谱遥感设备，本发明的三探头高光谱成像仪能够同时测定下行辐照度、上行辐亮度和天空辐亮度，计算遥感反射率的过程中剔除了天空光的误差，获取更准确的离水辐射信息，为模型的高性能和精度提供了基础；
5.相比传统的水下探头设备，本发明反演水质参数信息无需直接接触水体，不仅减小了能耗、因风浪造成的设备损耗以及设备维护的难度，而且减小了因生物附着污染造成的数据误差。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例离水式实时智能遥感水质监测方法的流程框图；
图2为本发明实施例三探头高光谱成像仪结构示意图；
图3为本发明实施例离水式实时智能遥感水质监测方法的光谱采集***侧视、正视示意图；
图4为本发明实施例离水式实时智能遥感水质监测方法的三种观测方式，其中(a)为陆基固定式，(b)为船载式，(c)为手持式；
图5为本发明实施例高光谱遥感反射率归一化前后与地物光谱仪的关系示意图；
图6悬浮颗粒物浓度在高斯回归模型(上)、神经网络模型(中)和随机森林模型(下)在训练集(左)、验证集(中)和整个数据集(右)中的验证结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，本发明公开一种离水式实时智能遥感水质监测方法，包括：
S1，获取待测水体的高光谱遥感反射率数据；
2022年7月21日-8月3日于无锡中国科学院太湖生态***研究站开展了连续离水式实时水质智能遥感监测方法的野外同步实验。首先将本发明自主设计的包含顶端采集下行辐照度的辐照度计、天顶角分别为40°和140°的可水平旋转的辐亮度计的三探头高光谱成像仪(图2所示)利用可调节卡扣搭载在智能移动终端(智能手机)背面，再利用可调节卡扣将其置于含有垂直伸缩杆的云台上，共同组建离水式实时水质智能遥感监测方法的光谱采集***，图3为组建完成的光谱采集***的侧视图和正视图。
如图4所示，为了测试不同搭载方式，本实施例分别利用固定式陆基竖杆、机动观测船和人工手持三种搭载方式采集水体高光谱遥感反射率数据。陆基固定式包括：首先将光谱采集***水平固定于固定岸基的竖杆上，据水面距离2米，水平距离2米，通过蓝牙传输定时采集指令获取待测水体的高光谱遥感反射率数据。机动观测船式包括：将光谱采集***搭载在机动监测船上，用强力吸盘将云台的可伸缩杆固定在甲板上，利用云台水平伸出船外使设备水平距船2米，通过蓝牙传输定时采集指令获取高光谱遥感反射率数据。人工手持式包括：利用人工手持，通过手动控制智能手机音量键，利用蓝牙传输采集指令获取水体高光谱遥感反射率数据。尽管搭载方式不同，但都需要保证采集高光谱遥感反射率数据时三探头高光谱成像仪保持水平状态，采集的光谱范围为400-900nm，光谱分辨率为1nm。
获取的待测水体高光谱遥感反射率数据的观测的场景包括不同的水体类型(不同营养水平和不同清澈程度的内陆水体和清澈大洋水体)、不同天气状况(晴天、阴天、多云和小雨)、不同的水质状况(不同风浪大小、不同藻情和不同浑浊程度)、不同风浪强度包含小风浪(风速低于2m/s)、中风浪(风速介于2至5m/s)和大风浪(风速大于5m/s)。
S2，采集待测水体的同步表层水质样本，构建水质高光谱遥感反射率数据集；
在光谱采集***采集高光谱遥感反射率数据的同时，采集观测点周围的表层水体作为同步表层水质样本，同步表层水质样本的采集遵循以下标准：同步表层水质样本为水体高光谱遥感反射率数据采集点周围10cm以内、采集时差1分钟以内、水面以下0-50cm水柱的混合水体，另外记录采样时刻、风速、透明度、天气和温度等。
所有采集的同步表层水质样本立刻进行预处理，包括抽滤叶绿素和悬浮颗粒物样品、保存滤后水、固定浮游植物等，所有处理后的样本保存在4℃的黑暗环境中于4小时内运送至实验室进行测定叶绿素、消光系数、化学需氧量、有色可溶性有机物吸收系数、漫射衰减系数、总氮、总磷、悬浮颗粒物浓度、氨氮和浊度；为了保证数据的准确可靠，对实验室测量水质参数进行负值剔除；
由于波浪可能会造成耀斑效应，掩盖水体信息，因此本实施例对高光谱遥感反射率数据进行数据清洗，剔除异常数据，具体为：将550nm反射率高于0.1的光谱作为异常光谱进行剔除，将440nm反射率高于0.05的光谱作为异常数据剔除；
由于不同的天气状态下采集的高光谱遥感反射率数据与地物光谱仪测量的同步高光谱的响应关系不一致，因此利用575-585nm的遥感反射率的平均值作为参考，对各个波段进行比值归一化处理，结果如图5所示，两者分布于1：1线周围，决定系数高于0.99表明多种天气状态下两者的一致性很高，可以用于水质参数反演。
采集待测水体的同步表层水质样本，构建得到水质高光谱遥感反射率数据集；为了准确获得水质智能反演模型，按采集时间匹配的水质高光谱反射率数据集随机划分为训练数据集和验证数据集，其中随机选取三分之二作为训练集，另外三分之一作为验证集。
S3，基于水质高光谱遥感反射率数据集，采用多种机器学习算法，构建最优水质智能反演模型；
将训练集中400-900nm的高光谱遥感反射率数据和水质参数数据作为输入数据，共计501个波段，输入至采用多机器学习算法构建的水质智能反演模型。其中，多机器学习算法包括高斯回归算法、神经网络算法和随机森林算法，机器学习的参数设置分别为：高斯回归算法的核函数设置为Squared Exponential Kernel，显示基础为Constant，Sigma初始值设置为0.1，参数反演方法设置为SD，预测方法为Exact，参数优化器为quasinewton；神经网络算法的训练函数为正切S型函数，输入节点数为501，输出节点数为1，隐含层为10层，学习率为0.1，迭代次数为2000次；随机森林算法参数设置为决策树个数为60个，最小叶子节点样本数为5，最大叶子节点样本数不限，训练和预测方法使用regression。
然后将验证数据集中400-900nm的高光谱遥感反射率数据作为输入数据，共计501个波段，输入已经构建完成的水质智能反演模型中，获得水质参数反演结果，结合同步水质参数数据计算水质智能反演模型的决定系数(R2)、均方根误差(RMSE)和平均相对误差(MRE)，判断水质智能反演模型的性能并筛选最优水质智能反演模型的指标，筛选标准为：R2高的同时RMSE和MAPE小的模型为最优水质智能反演模型。需要注意的是，由于不同机器学习算法模型对于同一参数的精度拟合效果不同，所以在选择最优水质智能模型时不同参数选择的机器学习算法可能不同，比较过程以悬浮颗粒物浓度为例，包括以下内容：
图6为悬浮颗粒物浓度在高斯回归模型(上)、神经网络模型(中)和随机森林模型(下)在训练集(左)、验证集(中)和整个数据集(右)中的验证结果，比较后选择为随机森林模型为悬浮颗粒物浓度最优水质智能反演模型。
进一步地，将构建的最优水质智能反演模型写入适用于智能手机的应用软件中，所述应用软件可以调用智能手机的计算功能、存储功能、数据展示和下载功能；其中，计算功能为通过三探头高光谱成像仪将采集的数据作为输入参数应用到所述最优水质智能反演模型直接获得水质参数结果；展示功能包括将水质参数反演结果以表格的形式、时间序列图的形式、分类设色的形式进行展示；下载功能可以通过应用软件中提供的下载按钮经无线蓝牙传输或智能手机数据线连接下载数据到本地电脑中。
S4，基于待测水体高光谱遥感反射率数据和最优水质智能反演模型，得到实时水质数据，实现离水式实时智能遥感水质监测；
将S3得到的最优水质智能反演模型分别使用安卓***语言和苹果***语言将其编译成应用软件，通过无线蓝牙传输、接收数据和指令，将采集输入的待测水体高光谱遥感反射率数据作为输入数据应用到最优水质智能反演模型中，获得水质反演结果并存储于本地硬盘中。该应用软件界面可以将水质参数反演结果以表格地形式、时间序列图的形式、分类设色的形式进行展示，另外附带下载功能，可以通过应用软件中的下载按钮通过无线蓝牙或智能手机数据线连接、下载数据到本地电脑中。
将S1采集的待测水体高光谱遥感反射率数据应用到编译的应用软件中，获取实时水质数据，并根据用户自主设定水质参数阈值或选择国家水质标准阈值，在水质指标超过阈值时触发弹窗和短信警报，实现离水式实时原位监测和无人值守下走航高频水质监测，为及时预警和处理突发水质事件助力。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种离水式实时智能遥感水质监测方法，其特征在于，包括以下步骤：
S1，获取待测水体的高光谱遥感反射率数据；
S2，采集所述待测水体的同步表层水质样本，构建水质高光谱遥感反射率数据集；
S3，基于所述水质高光谱遥感反射率数据集，构建最优水质智能反演模型；
S4，基于所述待测水体高光谱遥感反射率数据和所述最优水质智能反演模型，得到实时水质数据，实现离水式实时智能遥感水质监测。
2.根据权利要求1所述的离水式实时智能遥感水质监测方法，其特征在于，采用光谱采集***采集所述水体高光谱数据，所述光谱采集***包括：智能移动终端、三探头高光谱成像仪和云台；
所述三探头高光谱成像仪与所述智能移动终端连接，所述智能移动终端与所述云台通过伸缩卡扣连接；所述云台通过调节螺母固定观测角度，所述观测角度保证所述三探头高光谱成像仪的长边与水平成角为0°。
3.根据权利要求1所述的离水式实时智能遥感水质监测方法，其特征在于，所述高光谱遥感反射率数据包括：不同类型水体、不同水质状况水体和不同天气条件的水体高光谱遥感反射率数据。
4.根据权利要求3所述的离水式实时智能遥感水质监测方法，其特征在于，所述不同类型水体包括不同营养水平和不同清澈程度的内陆水体和清澈大洋水体；所述不同水质状况水体包括不同风浪大小、不同藻华爆发情况和浑浊程度的水体；所述不同天气条件包括晴天、多云、阴天和小雨。
5.根据权利要求1所述的离水式实时智能遥感水质监测方法，其特征在于，所述最优水质智能反演模型的构建过程为：
基于所述水质高光谱遥感反射率数据集，采用多种机器学习算法，构建最优水质智能反演模型；
所述多种机器学习算法包括随机森林算法、神经网络算法和高斯过程回归算法。
6.根据权利要求5所述的离水式实时智能遥感水质监测方法，其特征在于，将所述最优水质智能反演模型写入适用于智能移动终端的应用软件中，所述应用软件可以调用所述智能移动终端的计算功能、存储功能、数据展示功能和下载功能。
7.根据权利要求1所述的离水式实时智能遥感水质监测方法，其特征在于，所述实时水质数据包括：水质参数和环境条件参数；
所述水质参数包括：总氮、总磷、叶绿素、透明度、悬浮物、高锰酸盐指数、浊度、消光系数、氨氮、有色可溶性有机物吸收系数、溶解性有机碳、颗粒有机碳和富营养化指数；
所述环境条件参数包括：观测点经纬度、观测时间、气温、观测角度、天气和风速。
8.根据权利要求1所述的离水式实时智能遥感水质监测方法，其特征在于，还包括对所述高光谱遥感反射率数据和所述待测水样进行预处理；
所述高光谱遥感反射率数据的预处理包括：非水体光谱剔除、异常水体光谱剔除和光谱数据归一化；
所述待测水样的预处理包括：抽滤、样品低温保存、实验室测定和水样数据异常值剔除。
9.根据权利要求1所述的离水式实时智能遥感水质监测方法，其特征在于，进行所述离水式实时智能遥感水质监测时，当水质指标超过特定阈值时，会通过改变显示颜色和弹出窗口进行警报提醒；
所述特定阈值为国家水质评价标准或者自定义阈值。
CN202211135571.7A 2022-09-19 2022-09-19 一种离水式实时智能遥感水质监测方法 Pending CN115524294A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211135571.7A CN115524294A (zh) 2022-09-19 2022-09-19 一种离水式实时智能遥感水质监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211135571.7A CN115524294A (zh) 2022-09-19 2022-09-19 一种离水式实时智能遥感水质监测方法

Publications (1)

Publication Number Publication Date
CN115524294A true CN115524294A (zh) 2022-12-27

Family

ID=84697532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211135571.7A Pending CN115524294A (zh) 2022-09-19 2022-09-19 一种离水式实时智能遥感水质监测方法

Country Status (1)

Country Link
CN (1) CN115524294A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116223756A (zh) * 2023-03-27 2023-06-06 北京智科远达数据技术有限公司 一种水体氮含量预测模型的生成方法
CN116482317A (zh) * 2023-04-26 2023-07-25 大连理工大学 湖泊水体营养状态实时监测方法、***、设备及介质
CN116893146A (zh) * 2023-06-12 2023-10-17 华能澜沧江水电股份有限公司 水体颗粒磷浓度的确定方法、装置、设备及存储介质
CN117434034A (zh) * 2023-10-24 2024-01-23 上海普适导航科技股份有限公司 一种基于光谱库的水质多源遥感数据快速反演方法
CN117805109A (zh) * 2023-12-29 2024-04-02 江苏腾丰环保科技有限公司 一种基于纹理特征识别的水质检测方法、***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107036974A (zh) * 2016-11-18 2017-08-11 中国水利水电科学研究院 基于确定性集合建模的水质参数多模型协同反演方法
CN107677646A (zh) * 2017-10-13 2018-02-09 中国水利水电科学研究院 一种改进dbpso的水质参数监测方法及装置
CN110672805A (zh) * 2019-10-08 2020-01-10 核工业北京地质研究院 一种基于航空高光谱数据的水库水质参数定量反演方法
CN111504915A (zh) * 2020-04-27 2020-08-07 中国科学技术大学先进技术研究院 反演水体叶绿素浓度的方法、装置、设备及存储介质
CN114112941A (zh) * 2021-12-14 2022-03-01 江苏省地质勘查技术院 基于支持向量回归的航空高光谱水体富营养化评价方法
CN114758218A (zh) * 2022-04-25 2022-07-15 中交上海航道勘察设计研究院有限公司 一种适用于高光谱卫星影像的高浊度水下地形反演方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107036974A (zh) * 2016-11-18 2017-08-11 中国水利水电科学研究院 基于确定性集合建模的水质参数多模型协同反演方法
CN107677646A (zh) * 2017-10-13 2018-02-09 中国水利水电科学研究院 一种改进dbpso的水质参数监测方法及装置
CN110672805A (zh) * 2019-10-08 2020-01-10 核工业北京地质研究院 一种基于航空高光谱数据的水库水质参数定量反演方法
CN111504915A (zh) * 2020-04-27 2020-08-07 中国科学技术大学先进技术研究院 反演水体叶绿素浓度的方法、装置、设备及存储介质
CN114112941A (zh) * 2021-12-14 2022-03-01 江苏省地质勘查技术院 基于支持向量回归的航空高光谱水体富营养化评价方法
CN114758218A (zh) * 2022-04-25 2022-07-15 中交上海航道勘察设计研究院有限公司 一种适用于高光谱卫星影像的高浊度水下地形反演方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116223756A (zh) * 2023-03-27 2023-06-06 北京智科远达数据技术有限公司 一种水体氮含量预测模型的生成方法
CN116223756B (zh) * 2023-03-27 2023-09-08 北京智科远达数据技术有限公司 一种水体氮含量预测模型的生成方法
CN116482317A (zh) * 2023-04-26 2023-07-25 大连理工大学 湖泊水体营养状态实时监测方法、***、设备及介质
CN116482317B (zh) * 2023-04-26 2023-10-27 大连理工大学 湖泊水体营养状态实时监测方法、***、设备及介质
CN116893146A (zh) * 2023-06-12 2023-10-17 华能澜沧江水电股份有限公司 水体颗粒磷浓度的确定方法、装置、设备及存储介质
CN116893146B (zh) * 2023-06-12 2024-03-29 华能澜沧江水电股份有限公司 水体颗粒磷浓度的确定方法、装置、设备及存储介质
CN117434034A (zh) * 2023-10-24 2024-01-23 上海普适导航科技股份有限公司 一种基于光谱库的水质多源遥感数据快速反演方法
CN117805109A (zh) * 2023-12-29 2024-04-02 江苏腾丰环保科技有限公司 一种基于纹理特征识别的水质检测方法、***

Similar Documents

Publication Publication Date Title
CN115524294A (zh) 一种离水式实时智能遥感水质监测方法
Zheng et al. Remote sensing of diffuse attenuation coefficient patterns from Landsat 8 OLI imagery of turbid inland waters: A case study of Dongting Lake
Clark et al. Validation of atmospheric correction over the oceans
Brewin et al. Underway spectrophotometry along the Atlantic Meridional Transect reveals high performance in satellite chlorophyll retrievals
Vos et al. Multiplatform optical monitoring of eutrophication in temporally and spatially variable lakes
CN114239422B (zh) 基于机器学习提高海洋叶绿素a浓度预报准确度的方法
CN113420497B (zh) 浑浊湖泊总磷浓度遥感估算方法
CN112070234A (zh) 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法
CN111079835B (zh) 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法
Ye et al. Atmospheric correction of Landsat-8/OLI imagery in turbid estuarine waters: A case study for the Pearl River estuary
Mélin Uncertainties in ocean colour remote sensing
CN115078262A (zh) 一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法
Guo et al. An enhanced deep learning approach to assessing inland lake water quality and its response to climate and anthropogenic factors
CN114705632A (zh) 一种利用卫星遥感反射率估算水库营养状态指数的方法
CN113780177A (zh) 一种非接触式实时原位水质监测方法
Li et al. Monitoring Chlorophyll-a concentration in karst plateau lakes using Sentinel 2 imagery from a case study of pingzhai reservoir in Guizhou, China
Men et al. OC_3S: An optical classification and spectral scoring system for global waters using UV–visible remote sensing reflectance
CN116563733A (zh) 一种基于无人机高光谱与热红外的水质监测方法
Zhou et al. Inversion of water quality by remote-sensing monitoring based on machine learning in complex freshwater environments
CN115950832A (zh) 一种基于卫星数据反演近地面二氧化氮浓度的方法
CN115931783A (zh) 一种基于GEE的大尺度区域湖库叶绿素a制图方法
CN110988286B (zh) 一种智能水资源长期探测***
Wang et al. Ammonia nitrogen monitoring of urban rivers with UAV-borne hyperspectral remote sensing imagery
CN118090615A (zh) 一种区域内跨介质营养元素的反演模型综合动态检测方法
LU500691B1 (en) Non-touching Real-time In-situ Water Quality Detection Method

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