CN116482317A - 湖泊水体营养状态实时监测方法、***、设备及介质 - Google Patents
湖泊水体营养状态实时监测方法、***、设备及介质 Download PDFInfo
- Publication number
- CN116482317A CN116482317A CN202310459270.8A CN202310459270A CN116482317A CN 116482317 A CN116482317 A CN 116482317A CN 202310459270 A CN202310459270 A CN 202310459270A CN 116482317 A CN116482317 A CN 116482317A
- Authority
- CN
- China
- Prior art keywords
- inversion
- lake
- turbidity
- reflectivity
- chlorophyll
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 169
- 235000016709 nutrition Nutrition 0.000 title claims abstract description 47
- 230000035764 nutrition Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000002310 reflectometry Methods 0.000 claims abstract description 92
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 82
- 229930002868 chlorophyll a Natural products 0.000 claims abstract description 62
- 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 abstract description 62
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims abstract description 41
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 41
- 229910052698 phosphorus Inorganic materials 0.000 claims abstract description 41
- 239000011574 phosphorus Substances 0.000 claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 235000003715 nutritional status Nutrition 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 7
- 230000019771 cognition Effects 0.000 abstract description 4
- 230000009897 systematic effect Effects 0.000 abstract description 4
- 230000003287 optical effect Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000012851 eutrophication Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 3
- 239000013049 sediment Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241000195493 Cryptophyta Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000013543 active substance Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000001579 optical reflectometry Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- 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
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种湖泊水体营养状态实时监测方法、***、设备及介质,涉及水环境遥感技术领域。该方法包括:获取湖泊水体的水质参数信息以及卫星影像,并基于浊度选取卫星影像中决定系数大的波段作为反演波段;获取湖泊的实时卫星影像并基于实时卫星影像的反射率、高低浊度反演分段模型、叶绿素a反演模型以及总氮和总磷预测模型得到湖泊水体的实时水质参数信息,并计算湖泊综合营养状态指数。本发明提供的湖泊水体营养状态实时监测方法、***、设备及介质能够有效提高监测湖泊营养状态的准确性和实时性,进而提升对湖泊水环境动态变化规律的***性认知水平。
Description
技术领域
本发明涉及水环境遥感技术领域,特别是涉及一种湖泊水体营养状态实时监测方法、***、设备及介质。
背景技术
对湖泊水体营养状态的综合感知是提高对水质变化规律认识、科学制定水环境生态修复策略的基础。湖泊水体营养状态描述了水体中食物网可利用的能量,是衡量内陆水域生物完整性和水质健康水平的重要参考,通常由浊度、叶绿素a、总氮和总磷等多个水质参数进行综合表征。
长期以来,在线监测、野外巡航是获取湖泊水环境数据的主要途径,但地面观测需要大量人力投入和经济成本,获取的水质参数、时间频次、空间范围都受到制约,无法实时快速地掌握湖泊水体的营养状态。
快速发展的遥感技术在大空间范围、长期连续的水质监测方面具有明显优势,是大面积水体参数监测的重要方法途径。然而,内陆湖泊光学环境复杂且易受到大气信号的干扰,特别是水体中悬浮泥沙等颗粒物质产生的信号会对水质参数(如叶绿素a)的信号产生较大干扰。此外,总氮和总磷是决定水体营养状态的重要指标,但两者是非光学活性物质,不直接影响水体光场,需要借助水体光学特性或者物质间的相互作用关系进行反演。
上述浊度、叶绿素a、总氮和总磷四项指标常用来表征水体综合营养状态指数(TLI)。以往研究多基于TLI指数与遥感反射信号建立联系,直接反演TLI指数,此方法涉及指标少、操作简单,但会忽略构成TLI的各项指标的内在变化。此外,以往反演多利用landsat卫星波段反射率进行水质参数反演,但landsat的重访周期长(约16天),无法实时捕捉水质变化。
发明内容
本发明的目的是提供一种湖泊水体营养状态实时监测方法、***、设备及介质,能够有效提高监测湖泊营养状态的准确性和实时性,进而提升对湖泊水环境动态变化规律的***性认知水平。
为实现上述目的,本发明提供了如下方案:
一种湖泊水体营养状态实时监测方法,包括:
选择典型湖泊,通过现地观测得到湖泊水体的水质参数信息;所述水质参数信息包括:浊度、叶绿素a浓度、总氮和总磷浓度;
获取湖泊水体现地观测时的卫星影像,并基于所述浊度选取所述卫星影像中决定系数大的波段作为反演波段;
以所述反演波段的反射率作为自变量、以所述反演波段的反射率对应的浊度作为因变量,建立率定组的回归关系,得到高低浊度反演分段模型;并通过所述高低浊度反演分段模型输出反演浊度;
以所述卫星影像的通用波段的反射率作为输入,以所述卫星影像的通用波段的反射率对应的叶绿素a作为输出,构建叶绿素a反演模型;并通过所述叶绿素a反演模型输出反演叶绿素a浓度;
以所述反演浊度、所述反演叶绿素a浓度以及所述卫星影像全部波段的反射率作为输入,以所述总氮和总磷作为输出,构建不同浊度程度下的总氮和总磷预测模型;
获取湖泊实时卫星影像的反射率信息;
基于所述实时卫星影像的反射率信息、所述高低浊度反演分段模型、所述叶绿素a反演模型以及所述总氮和总磷预测模型得到所述湖泊水体的实时水质参数信息,并计算湖泊综合营养状态指数。
可选地,在获取湖泊水体现地观测时的卫星影像之后,还包括:
获取湖泊水体观测时间在±3小时内的卫星影像;
通过所述卫星影像获取观测点所在像元的各波段的反射率数据,得到卫星影像的反射率信息;
对所述卫星影像的反射率信息进行瑞利校正、大气校正,得到处理后的卫星影像的反射率信息。
可选地,所述卫星影像为海洋和陆地颜色仪影像以及中分辨率成像光谱仪影像。
可选地,基于所述浊度选取所述卫星影像中决定系数大的波段作为反演波段,具体包括:
对于浊度值在0-25NTU范围内的湖泊水体,将浊度与对应的中分辨率成像光谱仪影像中蓝、绿、红波段反射率及波段反射率比值进行相关性分析,选取决定系数大的波段作为低浊度反演波段;
对于浊度值在25NTU以上的湖泊水体,选择中分辨率成像光谱仪影像中近红外波段作为高浊度反演波段。
可选地,所述叶绿素a反演模型包括逐步线性回归、反向传播神经网络和支持向量机模型。
可选地,所述获取湖泊实时卫星影像的反射率信息,具体包括:
剔除以所述湖泊水体观测点为中心的3*3方框内变异系数超过40%的数据和距离水陆边界或云3个像元以内的采样点,得到实时卫星影像的反射率信息。
可选地,所述湖泊综合营养状态指数的计算公式如下:
其中,TLI为综合营养状态指数;TLIi为第i种水质参数的营养状态指数;n为使用的水质参数的总个数;wi为第i种水质参数的营养状态指数的相关权重。
一种湖泊水体营养状态实时监测***,包括:
水质参数信息获取模块,用于选择典型湖泊,通过现地观测得到湖泊水体的水质参数信息;所述水质参数信息包括:浊度、叶绿素a浓度、总氮和总磷浓度;
反演波段获取模块,用于获取湖泊水体现地观测时的卫星影像,并基于所述浊度选取所述卫星影像中决定系数大的波段作为反演波段;
高低浊度反演分段模型确定模块,用于以所述反演波段的反射率作为自变量、以所述反演波段的反射率对应的浊度作为因变量,建立率定组的回归关系,得到高低浊度反演分段模型;并通过所述高低浊度反演分段模型输出反演浊度;
叶绿素a反演模型确定模块,用于以所述卫星影像的通用波段的反射率作为输入,以所述卫星影像的通用波段的反射率对应的叶绿素a作为输出,构建叶绿素a反演模型;并通过所述叶绿素a反演模型输出反演叶绿素a浓度;
总氮和总磷预测模型确定模块,用于以所述反演浊度、所述反演叶绿素a浓度以及所述卫星影像全部波段的反射率作为输入,以所述总氮和总磷作为输出,构建不同浊度程度下的总氮和总磷预测模型;
实时卫星影像的反射率信息获取模块,用于获取湖泊实时卫星影像的反射率信息;
湖泊综合营养状态指数确定模块,用于基于所述实时卫星影像的反射率信息、所述高低浊度反演分段模型、所述叶绿素a反演模型以及所述总氮和总磷预测模型得到所述湖泊水体的实时水质参数信息,并计算湖泊综合营养状态指数。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行所述的湖泊水体营养状态实时监测方法。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现所述的湖泊水体营养状态实时监测方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种湖泊水体营养状态实时监测方法、***、设备及介质,通过获取湖泊水体的水质参数信息以及卫星影像,获取湖泊的实时卫星影像并基于实时卫星影像的反射率、高低浊度反演分段模型、叶绿素a反演模型以及总氮和总磷预测模型得到湖泊水体的实时水质参数信息,并计算湖泊综合营养状态指数,能够有效提高监测湖泊营养状态的准确性和实时性,提升大面积水体的水质信息感知的及时性、准确性和有效性,进而提升对湖泊水环境动态变化规律的***性认知水平。
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为本发明提供的湖泊水体营养状态实时监测方法流程图。
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。
本发明的目的是提供一种湖泊水体营养状态实时监测方法、***、设备及介质,能够有效提高监测湖泊营养状态的准确性和实时性,进而提升对湖泊水环境动态变化规律的***性认知水平。
本发明通过先建立已知遥感地物光谱反射信号与已知水体水质参数信息(水质参数浓度)的关系,再利用此关系和遥感反射信号来预测水质参数信息。而由于以往反演多利用landsat卫星波段反射率进行水质参数反演,其重访周期长(约16天),无法实时捕捉水质变化,因此,若想实现对水体富营养化状态及相关指标(水质参数)的实时监测,必须利用重访周期较短的卫星(如MODIS,OLCI重访周期为1-3天)来进行湖泊水体营养状态的反演,以提升大面积水体的水质信息感知的及时性、准确性和有效性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的湖泊水体营养状态实时监测方法流程图,如图1所示,本发明提供了一种湖泊水体营养状态实时监测方法,包括:
步骤1:选择典型湖泊,通过现地观测得到湖泊水体的水质参数信息;所述水质参数信息包括:浊度、叶绿素a浓度、总氮和总磷浓度。
具体地,在区域内选择典型湖泊,通过现地观测获取大量湖泊水体的富营养化相关指标(水质参数信息),即浊度、叶绿素a浓度、总氮和总磷浓度。其中,所选湖泊在地理位置方面应覆盖平原区湖泊和山区湖泊,在湖泊深度方面应覆盖浅水湖泊和深水湖泊,在光学特性方面应覆盖不同光学主导类型的湖泊,如沉积物主导、浮游藻类主导以及沉积物和浮游藻类共同主导的湖泊。此外,在采样时间方面应覆盖丰水期和枯水期,且每个湖泊的采样点间隔500-1000m,距离岸边1km以上。
作为一种实施例,本发明基于重量法测定各水体中悬浮物的浓度,基于光谱仪测定350-1050nm波长下的水面反射率。
步骤2:获取湖泊水体现地观测时的卫星影像,并基于所述浊度选取所述卫星影像中决定系数大的波段作为反演波段。
所述步骤2具体包括:
步骤2.1.1:获取湖泊水体观测时间在±3小时内的卫星影像。
具体地,选择与步骤1中湖泊水体观测时间在±3小时内的卫星影像,其中,卫星影像为海洋和陆地颜色仪(Ocean and land color instruments,OLCI)影像和中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer,MODIS)影像。
步骤2.1.2:通过所述卫星影像获取观测点所在像元的各波段的反射率数据,得到卫星影像的反射率信息。
步骤2.1.3:对所述卫星影像的反射率信息进行瑞利校正、大气校正,得到处理后的卫星影像的反射率信息。
具体地,利用海洋观测宽视场传感器(SeaWiFS)和海洋综合设施数据分析***(SeaDAS)对卫星影像的反射率信息进行瑞利校正和大气校正,以剔除大气吸收、散射等对光谱反射率的影响,获取处理后的卫星影像的反射率信息。
作为一种具体的实施例,以步骤1中的现地观测时间、点位为基准,提取±3小时内、观测点位所在像元的OLCI和MODIS影像反射率信息,以此构建步骤1中现地观测所得的实测水质参数与同步MODIS和OLCI影像反射率信息的匹配数据对。
由于在建立光谱反射率与水质参数浓度关系时,以往研究不注重区分水体浑浊度,对于浊度范围变化较大的湖泊(如浊度范围由1NTU变化至100NTU及以上)来说,会导致其他水质参数的光学信号被高浊度信号掩盖。
所述步骤2还具体包括:
步骤2.2.1:对于浊度值在0-25NTU范围内的湖泊水体,将浊度与对应的中分辨率成像光谱仪影像中蓝、绿、红波段反射率及波段反射率比值进行相关性分析,选取决定系数大的波段作为低浊度反演波段。
步骤2.2.2:对于浊度值在25NTU以上的湖泊水体,选择中分辨率成像光谱仪影像中近红外波段作为高浊度反演波段。
具体地,本发明按照水体浑浊程度(NTU)进行划分,以25NTU为分界点,构建高低浊度反演分段模型:对于步骤1中浊度范围在0-25NTU的相对清澈水体,将浊度与对应的MODIS影像中的蓝、绿、红波段反射率及波段反射率比值(蓝/红、蓝/绿和红/绿)进行相关性分析,选取决定系数大的作为低浊度反演波段;对于步骤1中浊度范围在25NTU以上的相对浑浊水体,选择MODIS影像中的近红外波段作为高浊度反演波段。
步骤3:以所述反演波段的反射率作为自变量、以所述反演波段的反射率对应的浊度作为因变量,建立率定组的回归关系,得到高低浊度反演分段模型;并通过所述高低浊度反演分段模型输出反演浊度。
具体地,对于0-25NTU及大于25NTU的实测浊度与对应的MODIS影像反射率信息构成2套星-地匹配数据组,对于每组数据,以2:1的比例划分样本数量,得到率定组和验证组,以反演波段的反射率作为自变量、反演波段的反射率对应的浊度作为因变量,建立率定组的回归关系,并初步筛选决定系数大,相对均方根误差小的模型,应用于验证组,最终获取评价结果最好的高低浊度反演分段模型。
步骤4:以所述卫星影像的通用波段的反射率作为输入,以所述卫星影像的通用波段的反射率对应的叶绿素a作为输出,构建叶绿素a反演模型;并通过所述叶绿素a反演模型输出反演叶绿素a浓度。
具体地,基于步骤3中划分的2套星-地匹配数据组,对每一组数据分别划分比例为2:1的训练组和验证组,利用步骤2中提取的OLCI影像的7个通用波段,即560nm、620nm、665nm、681nm、709nm、754nm和779nm波段,将其反射率作为逐步线性回归(Stepwise LinearRegression,SLR),反向传播神经网络(Back Propagation Neural Network,BP)和支持向量机(SupportVector Regression,SVR)模型的输入,模拟预测叶绿素a浓度,选取训练集和验证集中决定系数大,相对均方根误差小的模型算法作为叶绿素a反演模型,最终获得0-25NTU以及大于25NTU不同浊度程度水体下的叶绿素a反演模型。
步骤5:以所述反演浊度、所述反演叶绿素a浓度以及所述卫星影像全部波段的反射率作为输入,以所述总氮和总磷作为输出,构建不同浊度程度下的总氮和总磷预测模型。
具体地,将步骤3和4中反演得到的浊度、叶绿素a浓度以及MODIS影像和OLCI影像中全部波段的反射率作为SLR、BP和SVR模型的输入,分别构建浊度在0-25NTU以及大于25NTU水体下的总氮和总磷预测模型,选取训练集和验证集中决定性系数大,相对均方根误差小的模型算法作为总氮和总磷预测模型。
步骤6:获取湖泊的实时卫星影像的反射率信息。
作为一种实施例,基于步骤2实时获取覆盖湖泊水体的OLCI影像和MODIS影像的反射率信息,为避免水体斑块对反射率影响,剔除以步骤1中湖泊水体观测点为中心的3*3方框内变异系数超过40%的数据,同时为避免陆地或云的影响,剔除距离水陆边界或云3个像元以内的采样点后,得到实时卫星影像的反射率信息。
步骤7:基于所述实时卫星影像的反射率信息、所述高低浊度反演分段模型、所述叶绿素a反演模型以及所述总氮和总磷预测模型得到所述湖泊水体的实时水质参数信息,并计算湖泊综合营养状态指数。
具体地,基于步骤6中获取的实时湖泊MODIS影像和OLCI影像的反射率信息,以及步骤3-5中获取的浊度、叶绿素a以及总氮和总磷的反演方法,获取湖泊水体的实时水质参数信息,再按照下式计算湖泊综合营养状态指数(TLI)。
湖泊综合营养状态指数的计算公式如下:
其中,TLI为综合营养状态指数;TLIi为第i种水质参数的营养状态指数;n为使用的水质参数的总个数;wi为第i种水质参数的营养状态指数的相关权重。
作为一种实施例,对于中国湖泊,叶绿素a、浊度、总氮和总磷的营养状态相关权重分别取0.359、0.109、0.180和0.169。
其中,浊度、叶绿素a以及总氮和总磷的营养状态指数计算公式如下:
TLI(NTU)=10(5.118+1.94lnNTU)
TLI(Chla)=10(2.5+1.086ln Chla)
TLI(TN)=10(5.453+1.694ln TN)
TLI(TP)=10(9.436+1.624ln TP)
式中,NTU为步骤3中高低浊度反演分段模型与步骤6中通过MODIS影像反射率信息计算得到的浊度,Chla为步骤4中叶绿素a反演模型与步骤6中OLCI反射率信息计算得到的叶绿素a浓度,TN和TP分别是基于步骤5中总氮和总磷预测模型与步骤6中卫星影像反射率信息计算得到的总氮和总磷浓度。
本发明还提供了一种湖泊水体营养状态实时监测***,包括:
水质参数信息获取模块,用于选择典型湖泊,通过现地观测得到湖泊水体的水质参数信息;所述水质参数信息包括:浊度、叶绿素a浓度、总氮和总磷浓度。
反演波段获取模块,用于获取湖泊水体现地观测时的卫星影像,并基于所述浊度选取所述卫星影像中决定系数大的波段作为反演波段。
高低浊度反演分段模型确定模块,用于以所述反演波段的反射率作为自变量、以所述反演波段的反射率对应的浊度作为因变量,建立率定组的回归关系,得到高低浊度反演分段模型;并通过所述高低浊度反演分段模型输出反演浊度。
叶绿素a反演模型确定模块,用于以所述卫星影像的通用波段的反射率作为输入,以所述卫星影像的通用波段的反射率对应的叶绿素a作为输出,构建叶绿素a反演模型;并通过所述叶绿素a反演模型输出反演叶绿素a浓度。
总氮和总磷预测模型确定模块,用于以所述反演浊度、所述反演叶绿素a浓度以及所述卫星影像全部波段的反射率作为输入,以所述总氮和总磷作为输出,构建不同浊度程度下的总氮和总磷预测模型。
实时卫星影像的反射率信息获取模块,用于获取湖泊实时卫星影像的反射率信息。
湖泊综合营养状态指数确定模块,用于基于所述实时卫星影像的反射率信息、所述高低浊度反演分段模型、所述叶绿素a反演模型以及所述总氮和总磷预测模型得到所述湖泊水体的实时水质参数信息,并计算湖泊综合营养状态指数。
本发明还提供了一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行所述的湖泊水体营养状态实时监测方法。
在一种实施例中,本发明还提供了计算机可读存储介质,其存储有计算机程序,计算机程序被处理器执行时实现所述的湖泊水体营养状态实时监测方法。
综上所述,本发明方法相较现有技术的有益之处在于:
1)本发明提供的方法基于历史观测获取了富营养化相关指标(水质参数)的反演模型,未来仅依靠遥感卫星波段对应的反射率信息,即可获取湖泊富营养化状态及相关水质参数,突破了传统仅依靠地面监测、传感器来获取水质参数的局限。
2)本发明提供的方法中水质参数的获取创新依赖于OLCI卫星和MODIS卫星,两卫星的重访期为1-3天,可以获取1-3天间隔的湖泊多水质参数及综合营养状态的动态信息,且具有较高的时间频次,在可见光至近红外光有相比于其他卫星产品更密集的波段设置,提供的水质参数的特征信号更为准确。
3)本发明区分了高、低浊度水体,避免了高浊度信号干扰对反演模型的干扰,提高了水质参数反演的时效性、准确性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种湖泊水体营养状态实时监测方法,其特征在于,包括:
选择典型湖泊,通过现地观测得到湖泊水体的水质参数信息;所述水质参数信息包括:浊度、叶绿素a浓度、总氮和总磷浓度;
获取湖泊水体现地观测时的卫星影像,并基于所述浊度选取所述卫星影像中决定系数大的波段作为反演波段;
以所述反演波段的反射率作为自变量、以所述反演波段的反射率对应的浊度作为因变量,建立率定组的回归关系,得到高低浊度反演分段模型;并通过所述高低浊度反演分段模型输出反演浊度;
以所述卫星影像的通用波段的反射率作为输入,以所述卫星影像的通用波段的反射率对应的叶绿素a作为输出,构建叶绿素a反演模型;并通过所述叶绿素a反演模型输出反演叶绿素a浓度;
以所述反演浊度、所述反演叶绿素a浓度以及所述卫星影像全部波段的反射率作为输入,以所述总氮和总磷作为输出,构建不同浊度程度下的总氮和总磷预测模型;
获取湖泊实时卫星影像的反射率信息;
基于所述实时卫星影像的反射率信息、所述高低浊度反演分段模型、所述叶绿素a反演模型以及所述总氮和总磷预测模型得到所述湖泊水体的实时水质参数信息,并计算湖泊综合营养状态指数。
2.根据权利要求1所述的湖泊水体营养状态实时监测方法,其特征在于,在获取湖泊水体现地观测时的卫星影像之后,还包括:
获取湖泊水体观测时间在±3小时内的卫星影像;
通过所述卫星影像获取观测点所在像元的各波段的反射率数据,得到卫星影像的反射率信息;
对所述卫星影像的反射率信息进行瑞利校正、大气校正,得到处理后的卫星影像的反射率信息。
3.根据权利要求1所述的湖泊水体营养状态实时监测方法,其特征在于,所述卫星影像为海洋和陆地颜色仪影像以及中分辨率成像光谱仪影像。
4.根据权利要求3所述的湖泊水体营养状态实时监测方法,其特征在于,基于所述浊度选取所述卫星影像中决定系数大的波段作为反演波段,具体包括:
对于浊度值在0-25NTU范围内的湖泊水体,将浊度与对应的中分辨率成像光谱仪影像中蓝、绿、红波段反射率及波段反射率比值进行相关性分析,选取决定系数大的波段作为低浊度反演波段;
对于浊度值在25NTU以上的湖泊水体,选择中分辨率成像光谱仪影像中近红外波段作为高浊度反演波段。
5.根据权利要求1所述的湖泊水体营养状态实时监测方法,其特征在于,所述叶绿素a反演模型包括逐步线性回归、反向传播神经网络和支持向量机模型。
6.根据权利要求1所述的湖泊水体营养状态实时监测方法,其特征在于,所述获取湖泊实时卫星影像的反射率信息,具体包括:
剔除以所述湖泊水体观测点为中心的3*3方框内变异系数超过40%的数据和距离水陆边界或云3个像元以内的采样点,得到实时卫星影像的反射率信息。
7.根据权利要求1所述的湖泊水体营养状态实时监测方法,其特征在于,所述湖泊综合营养状态指数的计算公式如下:
其中,TLI为综合营养状态指数;TLIi为第i种水质参数的营养状态指数;n为使用的水质参数的总个数;wi为第i种水质参数的营养状态指数的相关权重。
8.一种湖泊水体营养状态实时监测***,其特征在于,包括:
水质参数信息获取模块,用于选择典型湖泊,通过现地观测得到湖泊水体的水质参数信息;所述水质参数信息包括:浊度、叶绿素a浓度、总氮和总磷浓度;
反演波段获取模块,用于获取湖泊水体现地观测时的卫星影像,并基于所述浊度选取所述卫星影像中决定系数大的波段作为反演波段;
高低浊度反演分段模型确定模块,用于以所述反演波段的反射率作为自变量、以所述反演波段的反射率对应的浊度作为因变量,建立率定组的回归关系,得到高低浊度反演分段模型;并通过所述高低浊度反演分段模型输出反演浊度;
叶绿素a反演模型确定模块,用于以所述卫星影像的通用波段的反射率作为输入,以所述卫星影像的通用波段的反射率对应的叶绿素a作为输出,构建叶绿素a反演模型;并通过所述叶绿素a反演模型输出反演叶绿素a浓度;
总氮和总磷预测模型确定模块,用于以所述反演浊度、所述反演叶绿素a浓度以及所述卫星影像全部波段的反射率作为输入,以所述总氮和总磷作为输出,构建不同浊度程度下的总氮和总磷预测模型;
实时卫星影像的反射率信息获取模块,用于获取湖泊实时卫星影像的反射率信息;
湖泊综合营养状态指数确定模块,用于基于所述实时卫星影像的反射率信息、所述高低浊度反演分段模型、所述叶绿素a反演模型以及所述总氮和总磷预测模型得到所述湖泊水体的实时水质参数信息,并计算湖泊综合营养状态指数。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1至7中任意一项所述的湖泊水体营养状态实时监测方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的湖泊水体营养状态实时监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310459270.8A CN116482317B (zh) | 2023-04-26 | 2023-04-26 | 湖泊水体营养状态实时监测方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310459270.8A CN116482317B (zh) | 2023-04-26 | 2023-04-26 | 湖泊水体营养状态实时监测方法、***、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116482317A true CN116482317A (zh) | 2023-07-25 |
CN116482317B CN116482317B (zh) | 2023-10-27 |
Family
ID=87222760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310459270.8A Active CN116482317B (zh) | 2023-04-26 | 2023-04-26 | 湖泊水体营养状态实时监测方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116482317B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117009720A (zh) * | 2023-10-07 | 2023-11-07 | 航天宏图信息技术股份有限公司 | 湖泊水体富营养化监测的方法、装置、设备和介质 |
CN118091070A (zh) * | 2024-04-19 | 2024-05-28 | 航天宏图信息技术股份有限公司 | 蓝藻水华监测预警的方法、***、设备和介质 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103616490A (zh) * | 2013-12-03 | 2014-03-05 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊水华蓝藻总存量估算的方法 |
KR20140062756A (ko) * | 2012-11-15 | 2014-05-26 | 한국수자원공사 | 관측위성 영상을 통한 수질 모니터링 방법 |
CN110887792A (zh) * | 2019-12-17 | 2020-03-17 | 深圳慧格科技服务咨询有限公司 | 一种基于无人机高光谱影像的河流水质快速监测*** |
CN111597756A (zh) * | 2020-05-08 | 2020-08-28 | 浙江农林大学 | 一种基于无人机多光谱数据的水质参数反演方法 |
CN112881293A (zh) * | 2021-01-08 | 2021-06-01 | 浙江工商大学 | 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 |
CN112989692A (zh) * | 2021-02-10 | 2021-06-18 | 中国科学院南京地理与湖泊研究所 | 基于遥感数据的湖泊富营养化反演方法 |
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 |
CN113203694A (zh) * | 2021-04-26 | 2021-08-03 | 中国科学院东北地理与农业生态研究所 | Msi的湖泊富营养指数遥感估算方法 |
US20210293770A1 (en) * | 2017-06-19 | 2021-09-23 | Nanjing Institute Of Geography & Limnology. Chinese Academy Of Sciences | Stereoscopic monitoring and data mining system and method for harmful lake cyanobacteria bloom |
CN113552034A (zh) * | 2021-07-12 | 2021-10-26 | 大连理工大学 | 浅水湖泊悬浮颗粒物浓度modis影像遥感反演方法 |
CN113780177A (zh) * | 2021-09-10 | 2021-12-10 | 中国科学院南京地理与湖泊研究所 | 一种非接触式实时原位水质监测方法 |
CN114397277A (zh) * | 2022-02-23 | 2022-04-26 | 奥谱天成(厦门)光电有限公司 | 一种无人机水体叶绿素遥感探测*** |
CN114758737A (zh) * | 2022-04-08 | 2022-07-15 | 安徽大学 | 一种基于河岸带景观分区的河流氮磷浓度遥感反演方法 |
CN114813651A (zh) * | 2022-03-29 | 2022-07-29 | 苏州深蓝空间遥感技术有限公司 | 一种结合差分学习率与光谱几何特征的遥感水质反演方法 |
CN115078262A (zh) * | 2021-03-12 | 2022-09-20 | 南开大学 | 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 |
CN115524294A (zh) * | 2022-09-19 | 2022-12-27 | 南京中科深瞳科技研究院有限公司 | 一种离水式实时智能遥感水质监测方法 |
CN115586140A (zh) * | 2022-09-15 | 2023-01-10 | 湖北省水利水电规划勘测设计院 | 一种基于遥感数据的湖泊污染物检测方法、***及其存储介质 |
-
2023
- 2023-04-26 CN CN202310459270.8A patent/CN116482317B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140062756A (ko) * | 2012-11-15 | 2014-05-26 | 한국수자원공사 | 관측위성 영상을 통한 수질 모니터링 방법 |
CN103616490A (zh) * | 2013-12-03 | 2014-03-05 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊水华蓝藻总存量估算的方法 |
US20210293770A1 (en) * | 2017-06-19 | 2021-09-23 | Nanjing Institute Of Geography & Limnology. Chinese Academy Of Sciences | Stereoscopic monitoring and data mining system and method for harmful lake cyanobacteria bloom |
CN110887792A (zh) * | 2019-12-17 | 2020-03-17 | 深圳慧格科技服务咨询有限公司 | 一种基于无人机高光谱影像的河流水质快速监测*** |
CN111597756A (zh) * | 2020-05-08 | 2020-08-28 | 浙江农林大学 | 一种基于无人机多光谱数据的水质参数反演方法 |
CN112881293A (zh) * | 2021-01-08 | 2021-06-01 | 浙江工商大学 | 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 |
CN112989692A (zh) * | 2021-02-10 | 2021-06-18 | 中国科学院南京地理与湖泊研究所 | 基于遥感数据的湖泊富营养化反演方法 |
CN115078262A (zh) * | 2021-03-12 | 2022-09-20 | 南开大学 | 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 |
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 |
CN113203694A (zh) * | 2021-04-26 | 2021-08-03 | 中国科学院东北地理与农业生态研究所 | Msi的湖泊富营养指数遥感估算方法 |
CN113552034A (zh) * | 2021-07-12 | 2021-10-26 | 大连理工大学 | 浅水湖泊悬浮颗粒物浓度modis影像遥感反演方法 |
CN113780177A (zh) * | 2021-09-10 | 2021-12-10 | 中国科学院南京地理与湖泊研究所 | 一种非接触式实时原位水质监测方法 |
CN114397277A (zh) * | 2022-02-23 | 2022-04-26 | 奥谱天成(厦门)光电有限公司 | 一种无人机水体叶绿素遥感探测*** |
CN114813651A (zh) * | 2022-03-29 | 2022-07-29 | 苏州深蓝空间遥感技术有限公司 | 一种结合差分学习率与光谱几何特征的遥感水质反演方法 |
CN114758737A (zh) * | 2022-04-08 | 2022-07-15 | 安徽大学 | 一种基于河岸带景观分区的河流氮磷浓度遥感反演方法 |
CN115586140A (zh) * | 2022-09-15 | 2023-01-10 | 湖北省水利水电规划勘测设计院 | 一种基于遥感数据的湖泊污染物检测方法、***及其存储介质 |
CN115524294A (zh) * | 2022-09-19 | 2022-12-27 | 南京中科深瞳科技研究院有限公司 | 一种离水式实时智能遥感水质监测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117009720A (zh) * | 2023-10-07 | 2023-11-07 | 航天宏图信息技术股份有限公司 | 湖泊水体富营养化监测的方法、装置、设备和介质 |
CN117009720B (zh) * | 2023-10-07 | 2024-03-26 | 航天宏图信息技术股份有限公司 | 湖泊水体富营养化监测的方法、装置、设备和介质 |
CN118091070A (zh) * | 2024-04-19 | 2024-05-28 | 航天宏图信息技术股份有限公司 | 蓝藻水华监测预警的方法、***、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116482317B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116482317B (zh) | 湖泊水体营养状态实时监测方法、***、设备及介质 | |
Dörnhöfer et al. | Multi-sensor satellite and in situ monitoring of phytoplankton development in a eutrophic-mesotrophic lake | |
Kratzer et al. | Using MERIS full resolution data to monitor coastal waters—A case study from Himmerfjärden, a fjord-like bay in the northwestern Baltic Sea | |
Brando et al. | Satellite hyperspectral remote sensing for estimating estuarine and coastal water quality | |
Lee | Remote Sensing of Inherent Optical Properties: Fundamentals, Tests of Algorithms, and Applications. | |
CN105865424B (zh) | 一种基于非线性模型的多光谱遥感水深反演方法及装置 | |
CN111007021A (zh) | 基于一维卷积神经网络的高光谱水质参数反演***及方法 | |
CN108303044B (zh) | 一种叶面积指数获取方法及*** | |
CN111024618A (zh) | 基于遥感影像的水质健康监测方法、装置及存储介质 | |
Pahlevan et al. | Uncertainties in coastal ocean color products: Impacts of spatial sampling | |
Alikas et al. | Consistency of radiometric satellite data over lakes and coastal waters with local field measurements | |
Chybicki | Mapping south baltic near-shore bathymetry using Sentinel-2 observations | |
CN112504979A (zh) | 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 | |
CN111597756A (zh) | 一种基于无人机多光谱数据的水质参数反演方法 | |
CN106960204B (zh) | 一种估算近海水体浮游植物粒级结构的遥感方法 | |
CN113516362A (zh) | 基于遥感与过程耦合模型的红树林净初级生产力估算方法 | |
CN110909491A (zh) | 一种基于风云气象卫星的海面盐度反演算法 | |
Pan et al. | Evaluation of atmospheric correction algorithms over lakes for high-resolution multispectral imagery: Implications of adjacency effect | |
CN110836870A (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
Mélin | Uncertainties in ocean colour remote sensing | |
Ye et al. | Review of the Forel–Ule Index based on in situ and remote sensing methods and application in water quality assessment | |
Zhang et al. | A multiband model with successive projections algorithm for bathymetry estimation based on remotely sensed hyperspectral data in Qinghai Lake | |
Masud-Ul-Alam et al. | Surface temperature and salinity in the northern Bay of Bengal: in situ measurements compared with satellite observations and model output | |
CN116879192B (zh) | 基于卫星遥感数据的水华预测方法、装置、设备及介质 | |
CN114112941A (zh) | 基于支持向量回归的航空高光谱水体富营养化评价方法 |
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 |