CN116046692A - 一种基于高光谱的土壤重金属污染监测方法和装置 - Google Patents
一种基于高光谱的土壤重金属污染监测方法和装置 Download PDFInfo
- Publication number
- CN116046692A CN116046692A CN202310286847.XA CN202310286847A CN116046692A CN 116046692 A CN116046692 A CN 116046692A CN 202310286847 A CN202310286847 A CN 202310286847A CN 116046692 A CN116046692 A CN 116046692A
- Authority
- CN
- China
- Prior art keywords
- heavy metal
- hyperspectral
- sample
- metal pollution
- unmanned aerial
- 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
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 213
- 239000002689 soil Substances 0.000 title claims abstract description 118
- 238000012544 monitoring process Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000012706 support-vector machine Methods 0.000 claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 description 17
- 230000008901 benefit Effects 0.000 description 10
- 238000012937 correction Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 238000005527 soil sampling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000011109 contamination 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
- 230000006378 damage Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002681 soil colloid Substances 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000004876 x-ray fluorescence Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种基于高光谱的土壤重金属污染监测方法和装置,涉及土壤监测的技术领域,包括:获取样本区域的土壤重金属样本的样本参数和样本区域的无人机高光谱数据;基于样本参数和样本区域的无人机高光谱数据,对支持向量机模型进行训练,得到无人机高光谱重金属污染模型;基于样本区域的像素级土壤重金属污染监测结果、样本区域的卫星遥感高光谱数据和可见光RGB数据,对三通道卷积神经网络模型进行训练,得到卫星高光谱重金属反演模型;获取到待监测区域的卫星遥感高光谱数据和可见光RGB数据后,利用卫星高光谱重金属反演模型,确定重金属污染程度评级空间分布结果,解决了现有土壤重金属污染监测方法的成本较高的技术问题。
Description
技术领域
本发明涉及土壤监测的技术领域,尤其是涉及一种基于高光谱的土壤重金属污染监测方法和装置。
背景技术
土壤作为人类赖以生存的关键资源,在人类的生产生活中占据着至关重要的位置。随着城市化、工业化和农业集约化的飞速发展,大量化学肥料和药品投用于土壤,导致土壤重金属污染问题日益严峻。由于土壤自身对污染物产生缓冲作用,当重金属进入到土壤中时,它们可以被具有较强吸附能力的土壤胶体快速固定且“老化”,从而减少了土壤的养分供应和对植物的有效性。重金属在土壤中的累积和迁移不仅影响动植物的生长发育,危害区域生态安全,且可通过食物链严重威胁人类的生命健康。毋庸置疑,土壤重金属污染一方面严重影响农作物的正常产量,另一方面对人类的身体健康造成了严重的威胁。由于重金属污染的危害巨大,因此对土壤重金属污染的研究与治理已然成为当前的重点问题,而准确、快速地分析土壤重金属含量则显得尤为重要。
传统的土壤重金属污染检测主要通过对野外实地采集的土壤样品进行实验室分析,利用地球化学方法获取各样点的重金属元素含量,并对其进行重金属污染评价。具有特征显著、精度较高、检出限低等优势,但样品制备与测试操作环节多、分析周期长,需要投入大量的人力、物力,且受到野外环境和样本质量的局限,只能以点带面,且无法较好地获取重金属元素的时空分布特征。
传统的土壤重金属污染监测方法有实验室监测、现场快速监测等方法。实验室监测方法虽然测量精度高,但是存在劳动强度大、采样分析费时,适用范围小的特点;现场快速监测法虽然具有大面积、连续、高密度获取信息的特点,但是耗费人力物力仍然很大,不利于对土壤重金属污染进行持续高频次监测。
遥感技术和光谱仪器的高速发展为快速高效地获取大尺度区域的土壤重金属污染空间信息开辟了新途径。尤其是高光谱遥感技术能够快速地获取大面积地表的重金属分布时空信息,且不会对污染土壤及地表附着的植被进行直接破坏,现已广泛应用于土壤监测和环境评价等多个领域。高光谱遥感技术以其高效、便捷、无损等优势,在土壤重金属污染监测评价研究方面处于前沿领域,具有重要的研究价值。但是由于现场采样和实验室检测需要投入大量人力物理,所以普遍存在样本偏少的问题。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种基于高光谱的土壤重金属污染监测方法,以缓解了现有的土壤重金属污染监测方法的成本较高的技术问题。
第一方面,本发明实施例提供了一种基于高光谱的土壤重金属污染监测方法,包括: 获取样本区域的土壤重金属样本的样本参数和无人机采集到的所述样本区域的无人机高光谱数据,其中,所述样本参数,包括:采样点坐标,重金属污染程度评级和样本高光谱数据;基于所述样本参数和所述样本区域的无人机高光谱数据,对支持向量机模型进行训练,得到无人机高光谱重金属污染模型,其中,所述无人机高光谱重金属污染模型用于确定出所述样本区域的像素级土壤重金属污染监测结果;基于所述样本区域的像素级土壤重金属污染监测结果、所述样本区域的卫星遥感高光谱数据和所述样本区域的可见光RGB数据,对三通道卷积神经网络模型进行训练,得到卫星高光谱重金属反演模型;在获取到待监测区域的卫星遥感高光谱数据和待监测区域的可见光RGB数据之后,利用所述卫星高光谱重金属反演模型,确定出所述待监测区域的重金属污染程度评级空间分布结果。
进一步的,基于所述样本参数和所述样本区域的无人机高光谱数据,对支持向量机模型进行训练,得到无人机高光谱重金属污染模型,包括: 基于所述样本参数,确定出所述样本区域的无人机高光谱数据中与所述采样点坐标相对应的目标无人机高光谱数据;基于所述目标无人机高光谱数据和所述重金属污染程度评级,构建训练集;利用所述训练集,对所述支持向量机模型进行训练,得到无人机高光谱重金属污染模型。
进一步的,所述方法还包括:去除所述样本区域的像素级土壤重金属污染监测结果中置信度小于第一预设阈值的像素点,得到中间像素级土壤重金属污染监测结果;利用所述样本高光谱数据和所述无人机高光谱数据,对所述中间像素级土壤重金属污染监测结果进行校验,得到目标像素级土壤重金属污染监测结果。
进一步的,基于所述样本区域的像素级土壤重金属污染监测结果、所述样本区域的卫星遥感高光谱数据和所述样本区域的可见光RGB数据,对三通道卷积神经网络模型进行训练,得到卫星高光谱重金属反演模型,包括:基于所述样本区域的像素级土壤重金属污染监测结果,对所述样本区域的卫星遥感高光谱数据进行标注,得到所述样本区域的目标卫星遥感高光谱数据,其中,所述标注用于表征所述样本区域的卫星遥感高光谱数据各个像素对应的重金属污染程度评级;利用所述样本区域的目标卫星遥感高光谱数据和所述样本区域的可见光RGB数据,对三通道卷积神经网络模型进行训练,得到卫星高光谱重金属反演模型。
进一步的,所述三通道卷积神经网络模型包括:特征提取层,特征融合层,移除层和全连接层,其中,所述特征提取层包括:可见光影像通道,二维高光谱通道和一维高光谱通道;所述可见光影像通道,用于提取所述样本区域的可见光RGB数据的可见光影像空间特征;所述二维高光谱通道,用于提取所述样本区域的目标卫星遥感高光谱数据的高光谱数据的空间特征;所述一维高光谱通道,用于提取所述样本区域的目标卫星遥感高光谱数据的高光谱数据的光谱特征。
进一步的,利用所述卫星高光谱重金属反演模型,确定出所述待监测区域的重金属污染程度评级空间分布结果,包括:将所述待监测区域的卫星遥感高光谱数据和待监测区域的可见光RGB数据输入所述卫星高光谱重金属反演模型,得到所述待监测区域的重金属反演结果;基于所述待监测区域的重金属反演结果,生成所述待监测区域的重金属污染程度评级空间分布结果。
第二方面,本发明实施例还提供了一种基于高光谱的土壤重金属污染监测装置,包括:获取单元,用于获取样本区域的土壤重金属样本的样本参数和无人机采集到的所述样本区域的无人机高光谱数据,其中,所述样本参数,包括:采样点坐标,重金属污染程度评级和样本高光谱数据;第一训练单元,用于基于所述样本参数和所述样本区域的无人机高光谱数据,对支持向量机模型进行训练,得到无人机高光谱重金属污染模型,其中,所述无人机高光谱重金属污染模型用于确定出所述样本区域的像素级土壤重金属污染监测结果;第二训练单元,用于基于所述样本区域的像素级土壤重金属污染监测结果、所述样本区域的卫星遥感高光谱数据和所述样本区域的可见光RGB数据,对三通道卷积神经网络模型进行训练,得到卫星高光谱重金属反演模型;监控单元,用于在获取到待监测区域的卫星遥感高光谱数据和待监测区域的可见光RGB数据之后,利用所述卫星高光谱重金属反演模型,确定出所述待监测区域的重金属污染程度评级空间分布结果。
进一步的,所述第一训练单元,用于: 基于所述样本参数,确定出所述样本区域的无人机高光谱数据中与所述采样点坐标相对应的目标无人机高光谱数据;基于所述目标无人机高光谱数据和所述重金属污染程度评级,构建训练集;利用所述训练集,对所述支持向量机模型进行训练,得到无人机高光谱重金属污染模型。
第三方面,本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序。
在本发明实施例中,通过获取样本区域的土壤重金属样本的样本参数和无人机采集到的所述样本区域的无人机高光谱数据,其中,所述样本参数,包括:采样点坐标,重金属污染程度评级和样本高光谱数据;基于所述样本参数和所述样本区域的无人机高光谱数据,对支持向量机模型进行训练,得到无人机高光谱重金属污染模型,其中,所述无人机高光谱重金属污染模型用于确定出所述样本区域的像素级土壤重金属污染监测结果;基于所述样本区域的像素级土壤重金属污染监测结果、所述样本区域的卫星遥感高光谱数据和所述样本区域的可见光RGB数据,对三通道卷积神经网络模型进行训练,得到卫星高光谱重金属反演模型;在获取到待监测区域的卫星遥感高光谱数据和待监测区域的可见光RGB数据之后,利用所述卫星高光谱重金属反演模型,确定出所述待监测区域的重金属污染程度评级空间分布结果。本发明实施例利用支持向量机训练无人机高光谱土壤重金属污染模型,在现场土壤采样熟练较少的情况下同样能够取得较好的训练效果,达到了的利用少量现场土壤采样对土壤重金属污染进行监测目的,进而解决了现有的土壤重金属污染监测方法的成本较高的技术问题,从而实现了降低土壤重金属污染监测所需的人力物力的技术效果。
本发明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,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种基于高光谱的土壤重金属污染监测方法的流程图;
图2为本发明实施例提供的三通道卷积网络结构的示意图;
图3为本发明实施例提供的一维卷积神经网络的示意图;
图4为本发明实施例提供的一种基于高光谱的土壤重金属污染监测装置的示意图;
图5为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
实施例一:
根据本发明实施例,提供了一种基于高光谱的土壤重金属污染监测方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种基于高光谱的土壤重金属污染监测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取样本区域的土壤重金属样本的样本参数和无人机采集到的所述样本区域的无人机高光谱数据,其中,所述样本参数,包括:采样点坐标,重金属污染程度评级和样本高光谱数据;
步骤S104,基于所述样本参数和所述样本区域的无人机高光谱数据,对支持向量机模型进行训练,得到无人机高光谱重金属污染模型,其中,所述无人机高光谱重金属污染模型用于确定出所述样本区域的像素级土壤重金属污染监测结果;
步骤S106,基于所述样本区域的像素级土壤重金属污染监测结果、所述样本区域的卫星遥感高光谱数据和所述样本区域的可见光RGB数据,对三通道卷积神经网络模型进行训练,得到卫星高光谱重金属反演模型;
步骤S108,在获取到待监测区域的卫星遥感高光谱数据和待监测区域的可见光RGB数据之后,利用所述卫星高光谱重金属反演模型,确定出所述待监测区域的重金属污染程度评级空间分布结果。
在本发明实施例中,通过获取样本区域的土壤重金属样本的样本参数和无人机采集到的所述样本区域的无人机高光谱数据,其中,所述样本参数,包括:采样点坐标,重金属污染程度评级和样本高光谱数据;基于所述样本参数和所述样本区域的无人机高光谱数据,对支持向量机模型进行训练,得到无人机高光谱重金属污染模型,其中,所述无人机高光谱重金属污染模型用于确定出所述样本区域的像素级土壤重金属污染监测结果;基于所述样本区域的像素级土壤重金属污染监测结果、所述样本区域的卫星遥感高光谱数据和所述样本区域的可见光RGB数据,对三通道卷积神经网络模型进行训练,得到卫星高光谱重金属反演模型;在获取到待监测区域的卫星遥感高光谱数据和待监测区域的可见光RGB数据之后,利用所述卫星高光谱重金属反演模型,确定出所述待监测区域的重金属污染程度评级空间分布结果。本发明实施例利用支持向量机训练无人机高光谱土壤重金属污染模型,在现场土壤采样熟练较少的情况下同样能够取得较好的训练效果,达到了的利用少量现场土壤采样对土壤重金属污染进行监测目的,进而解决了现有的土壤重金属污染监测方法的成本较高的技术问题,从而实现了降低土壤重金属污染监测所需的人力物力的技术效果。
下面对步骤S102进行说明。
在本发明实施例中,在采集到样本区域的土壤重金属样本之后,对采集的样本进行实验室重金属检测和高光谱监测,获得样本数据集,其中为采样点坐标,为样本重金属污染程度评级,为样本高光谱。具体检测过程如下:
利用X射线荧光光谱仪检测样本主要的重金属含量,标定样本污染等级。根据重金属含量确定污染等级。
重金属污染程度评级包括:严重、较严重、中等、轻度、正常。
利用 ASD Field spec 4 地物光谱仪对土壤样本的光谱数据进行采集,测得研究区土壤样本的光谱数据,通过地物光谱仪自带的View Spect Pro软件查看数据。由于人为操作和仪器自身的原因导致某些光谱曲线出现异常值,将土壤样本数据中的光谱曲线的异常值剔除。
对剔除异常值后的样本光谱曲线进行断点修正处理,对原始光谱曲线采用ASD光谱仪自带的View Spect Pro软件中的Splice Correction断点修正工具进行处理,得到断点矫正后的光谱曲线。
在测定土壤光谱过程中,由于人为操作因素或测量仪器自身的原因,除了获得了土壤自身的有关信息外,还形成了许多“毛刺”噪声,导致信噪比降低。为了获得平稳变化的光谱信息,提高信噪比,需要对光谱数据进行平滑处理。选择一定长度的滑动窗口进行滑动平均,对原始光谱曲线进行平滑处理。
多元散射校正方法可以消除由于土壤的表面光学变化因素带来的影响。计算样品集的平均光谱作为标准光谱,通过一元线性回归处理每个样品的光谱求出回归系数和回归常数,最后对样品光谱进行参数修正。
在本发明实施例中,步骤S104包括如下步骤:
基于所述样本参数,确定出所述样本区域的无人机高光谱数据中与所述采样点坐标相对应的目标无人机高光谱数据;
基于所述目标无人机高光谱数据和所述重金属污染程度评级,构建训练集;
利用所述训练集,对所述支持向量机模型进行训练,得到无人机高光谱重金属污染模型。
在本发明实施例中,根据样本区域范围,设定无人机高光谱采集路线,并使用无人机采集高光谱数据。
对采集的无人机高光谱数据进行辐射校正,包括传感器定标和大气校正。
支持向量机(support vector machine,SVM)在解决小样本、非线性和高维模式等问题中具有特有的优势,本案选择该模型用于无人机高光谱重金属污染反演。
使用地面采集样本数据集P标注无人机高光谱数据,根据地面样本坐标选择对应的无人机高光谱数据,构建训练集数据集,为无人机高光谱,其中为重金属污染程度评级,m为样本数量。
支持向量机(SVM)基于应用统计学***面可最大程度逼近样本空间,使得高光谱与分类超平面距离最大化。
超平面公式为:
;
式中,w为权重系数,b为偏置值。
为校正样本可能存在的误差,引入松弛因子和惩罚因子C,则超平面约束表示为:
;
Lagrangian 乘子为参数,转换为对偶问题,表示为:
;
根据 Kuhn-Tucker 条件,必须满足,如下所示 :
;
当时,样本为支持向量。最后得到最优分类函数, 如下所示:
;
。
式中,N为支持向量数量,为核函数,本案使用高斯核函数(GaussianKernel,也称RBF核函数),参数表征高斯滤波器宽度(决定着平滑程度),σ越大,高斯滤波器的频带就越宽,平滑程度就越好。
训练集中80%为训练数据,20%为测试数据。通过网格搜索法确定误差惩罚因子C=10,设置RBF核参数σ=1,训练集数据输入模型训练获得SVM分类模型(即,无人机高光谱重金属污染模型)。
在本发明实施例中,所述方法还包括如下步骤:
去除所述样本区域的像素级土壤重金属污染监测结果中置信度小于第一预设阈值的像素点,得到中间像素级土壤重金属污染监测结果;
利用所述样本高光谱数据和所述无人机高光谱数据,对所述中间像素级土壤重金属污染监测结果进行校验,得到目标像素级土壤重金属污染监测结果。
在本发明实施例中,在得到样本区域像素级土壤重金属污染监测结果之后,舍弃置信度<80%的像素点,得到中间像素级土壤重金属污染监测结果。
对置信度≥80%的像素点进行结果光谱比对校验,比对无人机像素光谱与地面采样样本实验室光谱,保留能够匹配的数据,得到目标像素级土壤重金属污染监测结果。
在本发明实施例中,步骤S106包括如下步骤:
基于所述样本区域的像素级土壤重金属污染监测结果,对所述样本区域的卫星遥感高光谱数据进行标注,得到所述样本区域的目标卫星遥感高光谱数据,其中,所述标注用于表征所述样本区域的卫星遥感高光谱数据各个像素对应的重金属污染程度评级;
利用所述样本区域的目标卫星遥感高光谱数据和所述样本区域的可见光RGB数据,对三通道卷积神经网络模型进行训练,得到卫星高光谱重金属反演模型。
在发明实施例中,获取到样本区域的卫星遥感高光谱数据之后,使用样本区域像素级土壤重金属污染监测结果标注卫星高光谱数据。
卫星高光谱数据空间分辨率低于无人机高光谱数据,使用以下方法进行标注:
匹配无人机像素,既计算卫星遥感影像像素对应的无人机高光谱反演的结果像素点。
在80%以上无人机像素点有效时,根据校正的无人机反演结果标注卫星遥感数据。计算方法为:
污染评级权重a: 严重为1,较严重为0.75,中等为0.5,轻度为0.25,正常为0。
接着利用以下计算平均指数:
;
其中,第i个污染类型的权重,num为该类型无人机反演像素点数量。Index最接近的污染评级权重,则该污染评级确定为卫星数据像素对应的土地污染类型。
基于RGB通道和高光谱构建三通道卷积网络结构,包括卫星可见光影像通道 、二维高光谱通道、一维高光谱通道,三个通道分别提取可见光影像空间特征、高光谱数据空间特征和高光谱光谱特征。
具体结构如图2所示,卫星可见光通道采用VGG16网络结构,输入数据为RGB三通道遥感影像。二维高光谱通道采用VGG16网络结构,输入数据为将降维的高光谱数据,通过主成分分析获得的5通道数据。一维高光谱通道为一维卷积神经网络,输入数据为高维高光谱数据。
三个通道提取特征后,进行特征融合,然后再通过一个移除层(Dropout)和一个全连接层(FC),输出像素点级金属污染评级。
一维卷积神经网络(1D CNN)结构如图3所示,一维高光谱数据通过一维卷积(Conv1D)、池化层(Max Pooling)、移除层(Dropout)展平层(Flatten)和全连接层(dense),提取像素点高维光谱数据的特征。
将样本区域的目标卫星遥感高光谱数据和样本区域的可见光RGB数据输入三通道卷积神经网络模型对模型进行训练,得到卫星高光谱重金属反演模型。
在本发明实施例中,步骤S108包括如下步骤:
将所述待监测区域的卫星遥感高光谱数据和待监测区域的可见光RGB数据输入所述卫星高光谱重金属反演模型,得到所述待监测区域的重金属反演结果;
基于所述待监测区域的重金属反演结果,生成所述待监测区域的重金属污染程度评级空间分布结果。
采集待监测区域的卫星高光谱数据和可见光RGB数据并进行处理,将数据输入三通道卷积神经网络模型,获得重金属污染反演结果,生产土壤重金属污染空间分布图。
对于重点点位,如严重污染点位,进行现场采样和实验室检测,从而能够获得更加精准的定量监测结果。
本发明实施例中,使用支持向量机算法训练无人机高光谱土壤重金属污染模型,能够在小样本量的条件下取得较好训练效果,能够减少现场土壤采样的数量,减少实验室检测工作量,节省人力物力。
同时,使用人工校正的无人机高光谱土壤重金属反演结果标注卫星高光谱样本,能够增加卫星高光谱土壤重金属反演模型的样本数量,提高反演精度。克服了以往直接使用现场采样数据进行标记而带来的样本数量少、采样点不能代表整个像元污染状况的问题,从而提高了卫星高光谱土壤重金属反演模型的训练精度。
最后,利用高光谱遥感技术对土壤重金属含量进行实时无损检测更为迅速,在获取大范围土壤重金属污染信息方面的独特优势,尤其是卫星高光谱数据具有覆盖范围广、采集频率高的优势,从而能够实现对土壤重金属污染的大范围高频次监测。能够促进高光谱技术在土壤重金属污染修复和预警领域的应用,同时也可为生态环境综合监测与评价提供理论依据。
实施例二:
本发明实施例还提供了一种基于高光谱的土壤重金属污染监测装置,该基于高光谱的土壤重金属污染监测装置用于执行本发明实施例上述内容所提供的基于高光谱的土壤重金属污染监测方法,以下是本发明实施例提供的基于高光谱的土壤重金属污染监测装置的具体介绍。
如图4所示,图4为上述基于高光谱的土壤重金属污染监测的示意图,该基于高光谱的土壤重金属污染监测包括:
获取单元10,用于获取样本区域的土壤重金属样本的样本参数和无人机采集到的所述样本区域的无人机高光谱数据,其中,所述样本参数,包括:采样点坐标,重金属污染程度评级和样本高光谱数据;
第一训练单元20,用于基于所述样本参数和所述样本区域的无人机高光谱数据,对支持向量机模型进行训练,得到无人机高光谱重金属污染模型,其中,所述无人机高光谱重金属污染模型用于确定出所述样本区域的像素级土壤重金属污染监测结果;
第二训练单元30,用于基于所述样本区域的像素级土壤重金属污染监测结果、所述样本区域的卫星遥感高光谱数据和所述样本区域的可见光RGB数据,对三通道卷积神经网络模型进行训练,得到卫星高光谱重金属反演模型;
监控单元40,用于在获取到待监测区域的卫星遥感高光谱数据和待监测区域的可见光RGB数据之后,利用所述卫星高光谱重金属反演模型,确定出所述待监测区域的重金属污染程度评级空间分布结果。
在本发明实施例中,通过获取样本区域的土壤重金属样本的样本参数和无人机采集到的所述样本区域的无人机高光谱数据,其中,所述样本参数,包括:采样点坐标,重金属污染程度评级和样本高光谱数据;基于所述样本参数和所述样本区域的无人机高光谱数据,对支持向量机模型进行训练,得到无人机高光谱重金属污染模型,其中,所述无人机高光谱重金属污染模型用于确定出所述样本区域的像素级土壤重金属污染监测结果;基于所述样本区域的像素级土壤重金属污染监测结果、所述样本区域的卫星遥感高光谱数据和所述样本区域的可见光RGB数据,对三通道卷积神经网络模型进行训练,得到卫星高光谱重金属反演模型;在获取到待监测区域的卫星遥感高光谱数据和待监测区域的可见光RGB数据之后,利用所述卫星高光谱重金属反演模型,确定出所述待监测区域的重金属污染程度评级空间分布结果。本发明实施例利用支持向量机训练无人机高光谱土壤重金属污染模型,在现场土壤采样熟练较少的情况下同样能够取得较好的训练效果,达到了的利用少量现场土壤采样对土壤重金属污染进行监测目的,进而解决了现有的土壤重金属污染监测方法的成本较高的技术问题,从而实现了降低土壤重金属污染监测所需的人力物力的技术效果。
实施例三:
本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
参见图5,本发明实施例还提供一种电子设备100,包括:处理器60,存储器61,总线62和通信接口63,所述处理器60、通信接口63和存储器61通过总线62连接;处理器60用于执行存储器61中存储的可执行模块,例如计算机程序。
其中,存储器61可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器61用于存储程序,所述处理器60在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中,或者由处理器60实现。
处理器60可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61,处理器60读取存储器61中的信息,结合其硬件完成上述方法的步骤。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,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。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于高光谱的土壤重金属污染监测方法,其特征在于,包括:
获取样本区域的土壤重金属样本的样本参数和无人机采集到的所述样本区域的无人机高光谱数据,其中,所述样本参数,包括:采样点坐标,重金属污染程度评级和样本高光谱数据;
基于所述样本参数和所述样本区域的无人机高光谱数据,对支持向量机模型进行训练,得到无人机高光谱重金属污染模型,其中,所述无人机高光谱重金属污染模型用于确定出所述样本区域的像素级土壤重金属污染监测结果;
基于所述样本区域的像素级土壤重金属污染监测结果、所述样本区域的卫星遥感高光谱数据和所述样本区域的可见光RGB数据,对三通道卷积神经网络模型进行训练,得到卫星高光谱重金属反演模型;
在获取到待监测区域的卫星遥感高光谱数据和待监测区域的可见光RGB数据之后,利用所述卫星高光谱重金属反演模型,确定出所述待监测区域的重金属污染程度评级空间分布结果。
2.根据权利要求1所述的方法,其特征在于,基于所述样本参数和所述样本区域的无人机高光谱数据,对支持向量机模型进行训练,得到无人机高光谱重金属污染模型,包括:
基于所述样本参数,确定出所述样本区域的无人机高光谱数据中与所述采样点坐标相对应的目标无人机高光谱数据;
基于所述目标无人机高光谱数据和所述重金属污染程度评级,构建训练集;
利用所述训练集,对所述支持向量机模型进行训练,得到无人机高光谱重金属污染模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
去除所述样本区域的像素级土壤重金属污染监测结果中置信度小于第一预设阈值的像素点,得到中间像素级土壤重金属污染监测结果;
利用所述样本高光谱数据和所述无人机高光谱数据,对所述中间像素级土壤重金属污染监测结果进行校验,得到目标像素级土壤重金属污染监测结果。
4.根据权利要求1所述的方法,其特征在于,基于所述样本区域的像素级土壤重金属污染监测结果、所述样本区域的卫星遥感高光谱数据和所述样本区域的可见光RGB数据,对三通道卷积神经网络模型进行训练,得到卫星高光谱重金属反演模型,包括:
基于所述样本区域的像素级土壤重金属污染监测结果,对所述样本区域的卫星遥感高光谱数据进行标注,得到所述样本区域的目标卫星遥感高光谱数据,其中,所述标注用于表征所述样本区域的卫星遥感高光谱数据各个像素对应的重金属污染程度评级;
利用所述样本区域的目标卫星遥感高光谱数据和所述样本区域的可见光RGB数据,对三通道卷积神经网络模型进行训练,得到卫星高光谱重金属反演模型。
5.根据权利要求1所述的方法,其特征在于,所述三通道卷积神经网络模型包括:特征提取层,特征融合层,移除层和全连接层,其中,所述特征提取层包括:可见光影像通道,二维高光谱通道和一维高光谱通道;
所述可见光影像通道,用于提取所述样本区域的可见光RGB数据的可见光影像空间特征;
所述二维高光谱通道,用于提取所述样本区域的目标卫星遥感高光谱数据的高光谱数据的空间特征;
所述一维高光谱通道,用于提取所述样本区域的目标卫星遥感高光谱数据的高光谱数据的光谱特征。
6.根据权利要求1所述的方法,其特征在于,利用所述卫星高光谱重金属反演模型,确定出所述待监测区域的重金属污染程度评级空间分布结果,包括:
将所述待监测区域的卫星遥感高光谱数据和待监测区域的可见光RGB数据输入所述卫星高光谱重金属反演模型,得到所述待监测区域的重金属反演结果;
基于所述待监测区域的重金属反演结果,生成所述待监测区域的重金属污染程度评级空间分布结果。
7.一种基于高光谱的土壤重金属污染监测装置,其特征在于,包括:
获取单元,用于获取样本区域的土壤重金属样本的样本参数和无人机采集到的所述样本区域的无人机高光谱数据,其中,所述样本参数,包括:采样点坐标,重金属污染程度评级和样本高光谱数据;
第一训练单元,用于基于所述样本参数和所述样本区域的无人机高光谱数据,对支持向量机模型进行训练,得到无人机高光谱重金属污染模型,其中,所述无人机高光谱重金属污染模型用于确定出所述样本区域的像素级土壤重金属污染监测结果;
第二训练单元,用于基于所述样本区域的像素级土壤重金属污染监测结果、所述样本区域的卫星遥感高光谱数据和所述样本区域的可见光RGB数据,对三通道卷积神经网络模型进行训练,得到卫星高光谱重金属反演模型;
监控单元,用于在获取到待监测区域的卫星遥感高光谱数据和待监测区域的可见光RGB数据之后,利用所述卫星高光谱重金属反演模型,确定出所述待监测区域的重金属污染程度评级空间分布结果。
8.根据权利要求7所述的装置,其特征在于,所述第一训练单元,用于:
基于所述样本参数,确定出所述样本区域的无人机高光谱数据中与所述采样点坐标相对应的目标无人机高光谱数据;
基于所述目标无人机高光谱数据和所述重金属污染程度评级,构建训练集;
利用所述训练集,对所述支持向量机模型进行训练,得到无人机高光谱重金属污染模型。
9.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器用于存储支持处理器执行权利要求1至6任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,计算机程序被处理器运行时执行上述权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310286847.XA CN116046692B (zh) | 2023-03-23 | 2023-03-23 | 一种基于高光谱的土壤重金属污染监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310286847.XA CN116046692B (zh) | 2023-03-23 | 2023-03-23 | 一种基于高光谱的土壤重金属污染监测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116046692A true CN116046692A (zh) | 2023-05-02 |
CN116046692B CN116046692B (zh) | 2023-06-13 |
Family
ID=86116656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310286847.XA Active CN116046692B (zh) | 2023-03-23 | 2023-03-23 | 一种基于高光谱的土壤重金属污染监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116046692B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116609278A (zh) * | 2023-07-21 | 2023-08-18 | 华东交通大学 | 一种农田重金属光谱数据的采集方法及*** |
CN116879297A (zh) * | 2023-09-07 | 2023-10-13 | 航天宏图信息技术股份有限公司 | 土壤水分协同反演的方法、装置、设备和介质 |
CN117688835A (zh) * | 2023-12-11 | 2024-03-12 | 哈尔滨航天恒星数据***科技有限公司 | 一种土壤养分反演方法、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107421894A (zh) * | 2017-09-28 | 2017-12-01 | 威海五洲卫星导航科技有限公司 | 基于无人机高光谱反演土壤中重金属污染监测方法 |
KR101873003B1 (ko) * | 2018-04-10 | 2018-07-02 | (주)아세아항측 | 초분광영상과 분광각도 변수를 이용한 토양내 중금속 탐지방법 |
CN112485203A (zh) * | 2020-11-04 | 2021-03-12 | 天水师范学院 | 一种基于高光谱成像分析的重金属污染分析方法 |
CN114021900A (zh) * | 2021-10-14 | 2022-02-08 | 清华大学 | 反演土壤重金属污染风险等级的方法 |
CN115479906A (zh) * | 2022-09-27 | 2022-12-16 | 同济大学 | 基于rgb和高光谱图像融合的碎塑料和微塑料检测方法 |
CN115825388A (zh) * | 2022-11-29 | 2023-03-21 | 中煤航测遥感集团有限公司 | 一种重金属估算模型的训练方法、估算方法、装置及设备 |
-
2023
- 2023-03-23 CN CN202310286847.XA patent/CN116046692B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107421894A (zh) * | 2017-09-28 | 2017-12-01 | 威海五洲卫星导航科技有限公司 | 基于无人机高光谱反演土壤中重金属污染监测方法 |
KR101873003B1 (ko) * | 2018-04-10 | 2018-07-02 | (주)아세아항측 | 초분광영상과 분광각도 변수를 이용한 토양내 중금속 탐지방법 |
CN112485203A (zh) * | 2020-11-04 | 2021-03-12 | 天水师范学院 | 一种基于高光谱成像分析的重金属污染分析方法 |
CN114021900A (zh) * | 2021-10-14 | 2022-02-08 | 清华大学 | 反演土壤重金属污染风险等级的方法 |
CN115479906A (zh) * | 2022-09-27 | 2022-12-16 | 同济大学 | 基于rgb和高光谱图像融合的碎塑料和微塑料检测方法 |
CN115825388A (zh) * | 2022-11-29 | 2023-03-21 | 中煤航测遥感集团有限公司 | 一种重金属估算模型的训练方法、估算方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
宋婷婷: "土壤重金属含量反演与矿区环境遥感监测与评价研究", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑, no. 04, pages 027 - 1153 * |
郭颖: "土壤元素光谱反演及空间分布研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, no. 06, pages 027 - 21 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116609278A (zh) * | 2023-07-21 | 2023-08-18 | 华东交通大学 | 一种农田重金属光谱数据的采集方法及*** |
CN116609278B (zh) * | 2023-07-21 | 2023-10-17 | 华东交通大学 | 一种农田重金属光谱数据的采集方法及*** |
CN116879297A (zh) * | 2023-09-07 | 2023-10-13 | 航天宏图信息技术股份有限公司 | 土壤水分协同反演的方法、装置、设备和介质 |
CN116879297B (zh) * | 2023-09-07 | 2023-12-12 | 航天宏图信息技术股份有限公司 | 土壤水分协同反演的方法、装置、设备和介质 |
CN117688835A (zh) * | 2023-12-11 | 2024-03-12 | 哈尔滨航天恒星数据***科技有限公司 | 一种土壤养分反演方法、电子设备及存储介质 |
CN117688835B (zh) * | 2023-12-11 | 2024-06-04 | 哈尔滨航天恒星数据***科技有限公司 | 一种土壤养分反演方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116046692B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116046692B (zh) | 一种基于高光谱的土壤重金属污染监测方法和装置 | |
Lehnert et al. | Hyperspectral data analysis in R: The hsdar package | |
Aldana-Jague et al. | UAS-based soil carbon mapping using VIS-NIR (480–1000 nm) multi-spectral imaging: Potential and limitations | |
CN111398176B (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
Shu et al. | Improving the estimation accuracy of SPAD values for maize leaves by removing UAV hyperspectral image backgrounds | |
CN114202675A (zh) | 一种基于无人机多光谱遥感影像的作物生长参数测定方法及*** | |
CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
Yang et al. | Cotton hail disaster classification based on drone multispectral images at the flowering and boll stage | |
CN116148188A (zh) | 空天地一体化湖泊水质溯源方法、***、设备及存储介质 | |
CN115235997A (zh) | 一种基于卫星高光谱影像的土壤质地反演方法 | |
CN115494007A (zh) | 基于随机森林的土壤有机质高精度快速检测方法及装置 | |
CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和*** | |
CN114332534B (zh) | 一种高光谱图像小样本分类方法 | |
US20240099179A1 (en) | Machine learning-based hyperspectral detection and visualization method of nitrogen content in soil profile | |
CN117423013B (zh) | 基于地质大数据的成矿潜力预测方法 | |
CN111537510B (zh) | 一种基于空间信息技术的农田防护林防风效应计量方法 | |
Kim et al. | Automatic pseudo-invariant feature extraction for the relative radiometric normalization of hyperion hyperspectral images | |
CN116187859A (zh) | 灌区农作物低温冷害监测与诊断方法、装置、设备及介质 | |
CN114529838B (zh) | 基于卷积神经网络的土壤含氮量反演模型构建方法及*** | |
CN113240340B (zh) | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 | |
CN115797802A (zh) | 基于3s技术的作物种植结构精细化监测分析方法 | |
Akila et al. | Automation in plant growth monitoring using high-precision image classification and virtual height measurement techniques | |
Ayyappa Reddy et al. | Impact of UAV and Sentinel-2A imagery fusion on vegetation indices performance | |
CN111476172B (zh) | 植物物种beta多样性的估算方法及*** | |
Teng et al. | Monitoring the dynamic changes in vegetation cover and driving factors from 2000 to 2020 in the Maoershan Forest Farm region, China, using satellite remote sensing data |
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 |