CN116702065B - 基于影像数据黑臭水体生态治理污染监测方法及*** - Google Patents
基于影像数据黑臭水体生态治理污染监测方法及*** Download PDFInfo
- Publication number
- CN116702065B CN116702065B CN202310629450.6A CN202310629450A CN116702065B CN 116702065 B CN116702065 B CN 116702065B CN 202310629450 A CN202310629450 A CN 202310629450A CN 116702065 B CN116702065 B CN 116702065B
- Authority
- CN
- China
- Prior art keywords
- water body
- black
- data
- image data
- spectrum
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 276
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000002310 reflectometry Methods 0.000 claims abstract description 69
- 238000011160 research Methods 0.000 claims abstract description 58
- 238000009826 distribution Methods 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000004140 cleaning Methods 0.000 claims abstract description 21
- 238000007637 random forest analysis Methods 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims description 67
- 238000012937 correction Methods 0.000 claims description 45
- 230000005855 radiation Effects 0.000 claims description 33
- 230000003595 spectral effect Effects 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 241000192710 Microcystis aeruginosa Species 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 210000000746 body region Anatomy 0.000 claims 1
- 238000003911 water pollution Methods 0.000 abstract description 3
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 238000003786 synthesis reaction Methods 0.000 abstract description 2
- 238000011835 investigation Methods 0.000 description 4
- 238000003809 water extraction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000033116 oxidation-reduction process Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
- G01N2021/177—Detector of the video camera type
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- 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
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于影像数据黑臭水体生态治理污染监测方法及***,涉及水体污染监测领域,对高分辨率遥感影像数据中水体特征识别实现城乡水体进行精细化提取并得到水体分布数据,根据高分辨率遥感影像数据计算得到表观反射率,接着精确校正得到地表反射率,基于黑臭水体指数、归一化黑臭水体指数、水体清洁指数和绿光单波段进行波段合成构建黑臭水体识别模型进行随机森林分类处理,由此得到研究区水体区域的水体级别数据及水体级别空间分布图。本发明能够得到研究区的水体分布及水体级别数据,实现了黑臭水体精确细分,具有监测手段高效、数据全面、精度可靠等优点。
Description
技术领域
本发明涉及水体污染监测领域,尤其涉及一种基于影像数据黑臭水体生态治理污染监测方法及***。
背景技术
黑臭水体指颜色发黑和(或)散发着令人不适的恶臭气味水体的统称,黑臭水体监测治理的对象逐步从建成区延伸到农村地区,从大面积黑臭水体扩展到细小黑臭水体。
目前针对城乡黑臭水体的识别,主要是通过群众上报和资料收集对监测区域合理布置监测点,从而进行实地考察并获取透明度、溶解氧、氧化还原电位、氨氮等评价指标的方法,这种传统方法监测点分散,不能全面反映整个城市水质状况的问题;此外,需要现场采集水样,耗时费力,效率低下,具有很大的局限性。卫星遥感技术具有监测范围广、成本低、时效性强等优势,在水生态环境保护、水体污染控制与治理、水环境灾害监测和预警方面得到了广泛应用。近年来,也有越来越多的学者将关注点转移到黑臭水体遥感监测上面;但是城乡水体存在具有河道复杂且易被部分高层建筑和沿河植被阴影遮盖,水体精细化提取识别是技术的难点;高分影像设计之初的用途是实现目视解译和分类识别,其辐射定标精度满足不了精确大气校正要求,此外高分影像本身缺乏短波红外波段,加上水体本身就接近暗目标像元,表征水体污染性体质包括有地表反射率等数据,其仅通过高分影像很难准确或全部获取。
发明内容
本发明的目的在于克服解决传统监测方法难以全面覆盖城市河流、反映整体水质情况的技术问题,提供一种基于影像数据黑臭水体生态治理污染监测方法及***,对高分辨率遥感影像数据中水体特征识别实现城乡水体进行精细化提取并得到水体分布数据,根据高分辨率遥感影像数据计算得到表观反射率,接着精确校正得到地表反射率,基于黑臭水体指数、归一化黑臭水体指数、水体清洁指数和绿光单波段进行波段合成构建黑臭水体识别模型进行随机森林分类处理,由此得到研究区水体区域的水体级别数据及水体级别空间分布图。
本发明的目的通过下述技术方案实现:
一种基于影像数据黑臭水体生态治理污染监测方法,其方法包括:
S1、获取研究区的高分辨率遥感影像数据、与高分辨率遥感影像数据对应的地表反射率产品;
S2、基于高分辨率遥感影像数据按照如下方法计算得到表观反射率:
S21、根据高分辨率遥感影像数据的图像灰度值按照如下方法计算得到天顶光谱辐亮度:
Li=DN×gaini+offsati;其中Li为谱段i图像灰度值所对应的天顶光谱辐亮度,DN为高分辨率遥感影像数据的图像灰度值,gaini为谱段i的增益绝对辐射校正系数,offsati为谱段i的偏置绝对辐射校正系数;
S22、根据天顶光谱辐亮度按照如下方法计算得到表观反射率:
其中ρi为谱段i的表观反射率,d为日地距离,E0,i为谱段i大气层外太阳光谱辐照度,θ为太阳高度角;
S3、选择研究区内近期不变地物为样本数据,样本数据的地物样本采集获取得到地物样本各谱段i地表反射率数据,按照步骤S2方法计算获取地物样各谱段i表观反射率数据;构建相对辐射归一化大气校正模型,相对辐射归一化大气校正模型对地物样本谱段i表观反射率数据、谱段i地表反射率数据按照像元对应并进行两者回归拟合得到两者的关系数据,利用样本数据对相对辐射归一化大气校正模型进行模型训练;
将高分辨率遥感影像数据的谱段i表观反射率输入到相对辐射归一化大气校正模型中得到高分辨率遥感影像数据所对应的谱段i地表反射率,由此得到高分辨率地表反射率产品;
S4、构建CE-Net水体提取模型,在CE-Net水体提取模型中输入研究区的高分辨率遥感影像数据,CE-Net水体提取模型对高分辨率遥感影像数据中水体特征识别并得到研究区的水体分布数据;基于研究区的水体分布数据、高分辨率地表反射率产品,并掩膜提取得到研究区内水体对应地表反射率分布数据库;按照如下方法计算得到黑臭水体指数BOI、归一化黑臭水体指数NDBWI、水体清洁指数WCI,并提取绿光单波段数据:
其中ρ(B)表示谱段i为蓝光波段的地表反射率,ρ(G)表示谱段i为绿光波段的地表反射率,ρ(R)表示谱段i为红光波段的地表反射率,λR、λG和λB分别表示谱段i为红光、绿光和蓝光波段的中心波长;
S5、采集研究区水体的水样进行水体分级检测并以此构建黑臭水体样本数据集,水体级别包括重度黑臭、轻度黑臭、正常水体,按照步骤S4方法得到水样所对应的黑臭水体指数BOI(英文全称为Black and Odorous waterIndex,简称BOI)、归一化黑臭水体指数NDBWI(英文全称为Normalized difference black-odorous water index,简称NDBWI)、水体清洁指数WCI(英文全称为Water Cleanliness Index,简称WCI)、绿光单波段数据,以水样所对应的黑臭水体指数BOI、归一化黑臭水体指数NDBWI、水体清洁指数WCI、绿光单波段数据、水样的水体级别构建包含随机森林分类方法的黑臭水体识别模型并进行模型训练;将研究区水体区域的黑臭水体指数BOI、归一化黑臭水体指数NDBWI、水体清洁指数WCI、绿光单波段数据输入到黑臭水体识别模型中,得到研究区水体区域的水体级别数据及水体级别空间分布图。
为了更好地实现本发明基于影像数据黑臭水体生态治理污染监测方法,在方法S5中,按照时间获取研究区的高分辨率遥感影像数据并依次得到按时间分布研究区水体区域的水体级别数据,进而得到研究区水体区域的水体级别时空数据并由此得到研究区水体区域水体时空分布图。
优选地,在方法S1中,高分辨率遥感影像数据为包含元数据文件的亚米级高分辨率遥感影像数据,高分辨率遥感影像数据经过包括图像优化、正射校正、图像融合、几何校正和裁剪在内的预处理,预处理过程保持原始位深;地表反射率产品为Sentinel-2的L2A地表反射率产品。
优选地,在方法S4中,CE-Net水体提取模型由编码器模块、上下文提取器模块、特征解码器模块依次组成,编码器模块用于提取影像中的水体特征信息,水体特征信息包括光谱特征,上下文提取器模块用于捕获多尺度深层空间信息,特征解码器模块用于恢复特征并输出水体识别结果。
优选地,在高分辨率遥感影像数据输入相对辐射归一化大气校正模型之前进行水体区域中包含阴影、水生植物、耀斑、水华浮澡在内覆盖区域的剔除处理。
优选地,在方法S4中,CE-Net水体提取模型内部包含有研究区的行政边界、流域分布数据、水系分布数据在内的原始数据。
一种基于影像数据黑臭水体生态治理污染监测***,包括数据采集输入模块、计算处理***和数据输出模块,数据采集输入模块,用于采集获取研究区的高分辨率遥感影像数据、与高分辨率遥感影像数据对应的地表反射率产品;计算处理***包括表观反射率计算模块、相对辐射归一化大气校正模型、CE-Net水体提取模型和黑臭水体识别模型;表观反射率计算模块用于根据高分辨率遥感影像数据的图像灰度计算得到天顶光谱辐亮度及表观反射率,相对辐射归一化大气校正模型用于根据谱段i表观反射率校正得到所对应的谱段i地表反射率;CE-Net水体提取模型用于对高分辨率遥感影像数据中水体特征识别并得到研究区的水体分布数据并计算得到黑臭水体指数、归一化黑臭水体指数、水体清洁指数并提取绿光单波段数据;黑臭水体识别模型用于根据黑臭水体指数、归一化黑臭水体指数、水体清洁指数、绿光单波段数据得到研究区水体区域的水体级别数据;数据输出模块用于输出水体级别数据并制作可视化图表。
本发明较现有技术相比,具有以下优点及有益效果:
本发明对高分辨率遥感影像数据中水体特征识别实现城乡水体进行精细化提取并得到水体分布数据,根据高分辨率遥感影像数据计算得到表观反射率,接着精确校正得到地表反射率,基于黑臭水体指数、归一化黑臭水体指数、水体清洁指数和绿光单波段进行波段合成构建黑臭水体识别模型进行随机森林分类处理,由此得到研究区水体区域的水体级别数据及水体级别空间分布图,具有监测手段高效、数据全面、精度可靠等优点。
附图说明
图1为本发明基于影像数据黑臭水体生态治理污染监测方法的方法流程示意图;
图2为本发明基于影像数据黑臭水体生态治理污染监测方法的原理示意图;
图3为实施例中蓝光波段的表观反射率数据结果图;
图4为实施例中绿光波段的表观反射率数据结果图;
图5为实施例中红光波段的表观反射率数据结果图;
图6为实施例中研究区水体的水样样本点空间分布图;
图7为实施例中研究区的水体分布图;
图8为实施例中研究区的黑臭水体分布图
图9为本发明基于影像数据黑臭水体生态治理污染监测***的原理结构框图;
图10为实施例中列举一个大气层外太阳光谱辐照度曲线的示例;
图11为实施例中CE-Net水体提取模型的原理结构框图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明:
实施示例
如图1~图8所示,一种基于影像数据黑臭水体生态治理污染监测方法,其方法包括:
S1、获取研究区的高分辨率遥感影像数据、与高分辨率遥感影像数据对应的地表反射率产品,高分辨率遥感影像数据中记录有谱段i的增益绝对辐射校正系数gaini和谱段i的偏置绝对辐射校正系数。
在一些实施中,高分辨率遥感影像数据为包含元数据文件的亚米级高分辨率遥感影像数据(在待监测时段内获取研究区内无云、质量较优的国产主流亚米级高分辨率遥感影像数据,如高分二号、吉林一号等),高分辨率遥感影像数据经过包括图像优化、正射校正、图像融合、几何校正和裁剪在内的预处理,预处理过程保持原始位深。地表反射率产品为Sentinel-2的L2A地表反射率产品(可以通过GEE或Copernicus Open Access Hub等平台获取)。高分辨率遥感影像数据在L1级产品的基础上,一方面先经过控制点和同名点采集与优化、正射校正、图像融合、几何校正和裁剪等预处理得到保持原始位深的产品;另一方面保存L1级产品的元数据文件(mate.xml)以供后续大气校正使用。
S2、基于高分辨率遥感影像数据按照如下方法计算得到表观反射率:
S21、根据高分辨率遥感影像数据的图像灰度值按照如下方法计算得到天顶光谱辐亮度:
Li=DN×gaini+offsati;其中Li为谱段i图像灰度值所对应的天顶光谱辐亮度(单位为w/(m2·sr·μm)),DN为高分辨率遥感影像数据的图像灰度值,gaini为谱段i的增益绝对辐射校正系数,offsati为谱段i的偏置绝对辐射校正系数,谱段i的增益绝对辐射校正系数、谱段i的偏置绝对辐射校正系数存储在高分辨率遥感影像数据中(一般存储记录于元数据文件),例如绝对辐射校正信息记录在L1级产品(高分辨率遥感影像数据)的元数据文件中,谱段的增益gain和偏置offset分别记录在元数据文件的<AbsCalibrationGain>和<AbsCalibrationBias>中分别注释标注。
S22、根据天顶光谱辐亮度按照如下方法计算得到表观反射率:
其中ρi为谱段i的表观反射率,无量纲;d为日地距离(天文单位),E0,i为谱段i大气层外太阳光谱辐照度(单位为W/(m^2·μm)),θ为太阳高度角(单位为°,太阳高度角记录在高分辨率遥感影像数据的元数据文件<SolarElevation>中)。高分辨率遥感影像数据中记录有各个波段(即谱段i)大气外太阳光辐照度E0,i,一般而言国产主流高分辨率卫星的产品手册或者用户手册都提供计算好的各个波段大气外太阳光辐照度E0,i,大气外太阳光辐照度E0,i是根据MODTRAN所带的太阳光谱辐照度曲线数据文件NEWKUR.dat,结合卫星传感器各波段的光谱响应函数计算得到,如图10所示。
S3、构建研究区的地物为样本数据,样本数据的地物样本采集获取得到地物样本所对应的谱段i地表反射率数据,按照步骤S2方法计算获取地物样本所对应的谱段i表观反射率数据。构建相对辐射归一化大气校正模型,相对辐射归一化大气校正模型对地物样本谱段i表观反射率数据、谱段i地表反射率数据按照像元对应并进行两者回归拟合得到两者的关系数据,利用样本数据对相对辐射归一化大气校正模型进行模型训练。在一些实施例中,相对辐射归一化大气校正模型可以采用如下方法进行模型训练:
A、选择相对应(或相近时间)Sentinel-2的L2A地表反射率产品作为辅助产品,主要基于两个因素:一是Sentinel-2辐射定标精度较高,空间分辨率高(10m),且地表反射率产品公认具有较高的精度;二是高分二号、吉林一号亚米卫星的波段设置和光谱响应函数与sentinel-2较为一致,使得波段观测的地物反射率相关性较强。
B、选取样本:在图像中选取一些短期内不会变化的地物(如建筑物屋顶、道路、裸土、操场等),假设这些地物的Sentinel-2地表反射率与高分影像的地物反射率使近似不变的,即可以把一个Sentinel-2像元的地表反射率值赋值给该像元对应的所有高分影像的像元。回归拟合构建时的单个样本采用一个点表示:用矩形框裁剪高分影像,裁剪出来的所有高分像元均转成一个样本点(像元中心点),提取所有样本点的地表反射率值(Sentinel-2影像)和TOA值(高分影像对应计算出的表观反射率)。
在选取样本是应注意以下事项:一是,检查高分辨率数据与辅助sentinel-2数据的空间位置是否偏移;二是,样本选取时,单个样本采用一个矩形框表示,且矩形框大小确保在一个Sentinel-2像元内;三是,选取的样本在sentinel-2影像中尽可能是纯净像元,这要求该像元对应的地物尽可能的大,选取的像元周边都是该地物;四是,选取的样本在高分影像中尽可能是同质均一的;五是,样本尽可能覆盖多种不同的色彩。
C、利用所有样本(点样本)的地表反射率值(注意的是:Sentinel-2地表反射率数据,乘以0.0001系数,转换为小数)与其TOA值(高分影像对应计算出的表观反射率),进行回归拟合得到两者的关系数据。
将高分辨率遥感影像数据的谱段i表观反射率输入到相对辐射归一化大气校正模型中得到高分辨率遥感影像数据所对应的谱段i地表反射率(优选地,在高分辨率遥感影像数据输入相对辐射归一化大气校正模型之前进行水体区域中包含阴影、水生植物、耀斑、水华浮澡在内覆盖区域的剔除处理),由此得到高分辨率地表反射率产品。
S4、构建CE-Net水体提取模型(优选地,CE-Net水体提取模型内部包含有研究区的行政边界、流域分布数据、水系分布数据在内的原始数据。),在CE-Net水体提取模型中输入研究区的高分辨率遥感影像数据,CE-Net水体提取模型对高分辨率遥感影像数据中水体特征识别并得到研究区的水体分布数据。如图11所示,CE-Net水体提取模型由编码器模块、上下文提取器模块、特征解码器模块依次组成,编码器模块用于提取影像中的水体特征信息,水体特征信息包括光谱特征,上下文提取器模块用于捕获多尺度深层空间信息,特征解码器模块用于恢复特征并输出水体识别结果(如图6所示)。CE-Net水体提取模型训练阶段的数据输入包括固定大小的影像切片和对应的样本标签,预测阶段的输出为全域的水体识别结果,CE-Net水体提取模型可实现了不同类型水系的精细化提取识别,获得的水域提取结果具有较好的拓扑连接性和完整性。基于研究区的水体分布数据、高分辨率地表反射率产品,并掩膜提取得到研究区内水体对应地表反射率分布数据库;按照如下方法计算得到黑臭水体指数BOI、归一化黑臭水体指数NDBWI、水体清洁指数WCI,并提取绿光单波段数据:
其中ρ(B)表示谱段i为蓝光波段的地表反射率,ρ(G)表示谱段i为绿光波段的地表反射率,ρ(R)表示谱段i为红光波段的地表反射率,λR、λG和λB分别表示谱段i为红光、绿光和蓝光波段的中心波长。
S5、采集研究区水体的水样进行水体分级检测并以此构建黑臭水体样本数据集,在研究区选择水样时要覆盖重点水体区域或需关注的水域区域,同时也要保证构建“重度黑臭”“轻度黑臭”“正常水体”的样本量,图6所示,图6中的整体区域位研究区,研究区包括水体区域(包括河流、水流)、地物(如建筑物屋顶、道路、操场等),选择水样的样本点位进行检测,水体级别包括重度黑臭、轻度黑臭、正常水体。按照步骤S4方法得到水样所对应的黑臭水体指数BOI、归一化黑臭水体指数NDBWI、水体清洁指数WCI、绿光单波段数据,以水样所对应的黑臭水体指数BOI、归一化黑臭水体指数NDBWI、水体清洁指数WCI、绿光单波段数据、水样的水体级别构建包含随机森林分类方法的黑臭水体识别模型并进行模型训练。将研究区水体区域的黑臭水体指数BOI、归一化黑臭水体指数NDBWI、水体清洁指数WCI、绿光单波段数据输入到黑臭水体识别模型中,得到研究区水体区域的水体级别数据及水体级别空间分布图(如图7所示)。
在一些实施例中,本发明可以按照时间获取研究区的高分辨率遥感影像数据并依次得到按时间分布研究区水体区域的水体级别数据,进而得到研究区水体区域的水体级别时空数据并由此得到研究区水体区域水体时空分布图。
本发明通过挖掘遥感影像中水体多尺度深度信息的上下文编解码网络(CE-Net)模型自动提取城乡水体,并借助相近时间的高精度地表反射率数据(Sentinel-2 L2A),对高分影像进行相对辐射归一化大气校正,缓解了基于FLAASH等大气校正造成的高分影像水体地表反射率不准确的问题。对黑臭水体的监测提供了更细化的分类标准,提供了将黑臭水体进一步细分为重度黑臭和轻度黑臭的方法,分类结果更有意义;本发明采取机器学习的方法充分挖掘原始数据间的规律,提高模型的预测精度。
如图9所示,一种基于影像数据黑臭水体生态治理污染监测***,包括数据采集输入模块、计算处理***和数据输出模块,数据采集输入模块,用于采集获取研究区的高分辨率遥感影像数据、与高分辨率遥感影像数据对应的地表反射率产品;计算处理***包括表观反射率计算模块、相对辐射归一化大气校正模型、CE-Net水体提取模型和黑臭水体识别模型;表观反射率计算模块用于根据高分辨率遥感影像数据的图像灰度计算得到天顶光谱辐亮度及表观反射率,相对辐射归一化大气校正模型用于根据谱段i表观反射率校正得到所对应的谱段i地表反射率;CE-Net水体提取模型用于对高分辨率遥感影像数据中水体特征识别并得到研究区的水体分布数据并计算得到黑臭水体指数、归一化黑臭水体指数、水体清洁指数并提取绿光单波段数据;黑臭水体识别模型用于根据黑臭水体指数、归一化黑臭水体指数、水体清洁指数、绿光单波段数据得到研究区水体区域的水体级别数据;数据输出模块用于输出水体级别数据,并制作如图8所示的可视化图表。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于影像数据黑臭水体生态治理污染监测方法,其特征在于:其方法包括:
S1、获取研究区的高分辨率遥感影像数据、与高分辨率遥感影像数据对应的地表反射率产品;
S2、基于高分辨率遥感影像数据按照如下方法计算得到表观反射率:
S21、根据高分辨率遥感影像数据的图像灰度值按照如下方法计算得到天顶光谱辐亮度:
Li=DN×gaini+offsati;其中Li为谱段i图像灰度值所对应的天顶光谱辐亮度,DN为高分辨率遥感影像数据的图像灰度值,gaini为谱段i的增益绝对辐射校正系数,offsati为谱段i的偏置绝对辐射校正系数;
S22、根据天顶光谱辐亮度按照如下方法计算得到表观反射率:
其中ρi为谱段i的表观反射率,d为日地距离,E0,i为谱段i大气层外太阳光谱辐照度,θ为太阳高度角;
S3、选择研究区内近期不变地物为样本数据,样本数据的地物样本采集获取得到地物样本各谱段i地表反射率数据,按照步骤S2方法计算获取地物样本各谱段i表观反射率数据;构建相对辐射归一化大气校正模型,相对辐射归一化大气校正模型对地物样本谱段i表观反射率数据、谱段i地表反射率数据按照像元对应并进行两者回归拟合得到两者的关系数据,利用样本数据对相对辐射归一化大气校正模型进行模型训练;
将高分辨率遥感影像数据的谱段i表观反射率输入到相对辐射归一化大气校正模型中得到高分辨率遥感影像数据所对应的谱段i地表反射率,由此得到高分辨率地表反射率产品;
S4、构建CE-Net水体提取模型,在CE-Net水体提取模型中输入研究区的高分辨率遥感影像数据,CE-Net水体提取模型对高分辨率遥感影像数据中水体特征识别并得到研究区的水体分布数据;基于研究区的水体分布数据、高分辨率地表反射率产品,掩膜提取得到研究区内水体对应地表反射率分布数据库;按照如下方法计算得到黑臭水体指数BOI、归一化黑臭水体指数NDBWI、水体清洁指数WCI,并提取绿光单波段数据:
其中ρ(B)表示谱段i为蓝光波段的地表反射率,ρ(G)表示谱段i为绿光波段的地表反射率,ρ(R)表示谱段i为红光波段的地表反射率,λR、λG和λB分别表示谱段i为红光、绿光和蓝光波段的中心波长;
S5、采集研究区水体的水样进行水体分级检测并以此构建黑臭水体地面样本数据集,水体级别包括重度黑臭、轻度黑臭、正常水体,按照步骤S4方法得到水样所对应的黑臭水体指数BOI、归一化黑臭水体指数NDBWI、水体清洁指数WCI、绿光单波段数据,以水样所对应的黑臭水体指数BOI、归一化黑臭水体指数NDBWI、水体清洁指数WCI、绿光单波段数据、水样的水体级别构建包含随机森林分类方法的黑臭水体识别模型并进行模型训练;将研究区水体区域的黑臭水体指数BOI、归一化黑臭水体指数NDBWI、水体清洁指数WCI、绿光单波段数据输入到黑臭水体识别模型中,得到研究区水体区域的水体级别数据及水体级别空间分布图。
2.按照权利要求1所述的基于影像数据黑臭水体生态治理污染监测方法,其特征在于:在方法S5中,按照时间获取研究区的高分辨率遥感影像数据并依次得到按时间分布研究区水体区域的水体级别数据,进而得到研究区水体区域的水体级别时空数据并由此得到研究区水体区域水体时空分布图。
3.按照权利要求1所述的基于影像数据黑臭水体生态治理污染监测方法,其特征在于:在方法S1中,高分辨率遥感影像数据为包含元数据文件的亚米级高分辨率遥感影像数据,高分辨率遥感影像数据经过包括图像优化、正射校正、图像融合、几何校正和裁剪在内的预处理,预处理过程保持原始位深;地表反射率产品为Sentinel-2的L2A地表反射率产品。
4.按照权利要求1所述的基于影像数据黑臭水体生态治理污染监测方法,其特征在于:在方法S4中,CE-Net水体提取模型由编码器模块、上下文提取器模块、特征解码器模块依次组成,编码器模块用于提取影像中的水体特征信息,水体特征信息包括光谱特征,上下文提取器模块用于捕获多尺度深层空间信息,特征解码器模块用于恢复特征并输出水体识别结果。
5.按照权利要求1所述的基于影像数据黑臭水体生态治理污染监测方法,其特征在于:在高分辨率遥感影像数据输入相对辐射归一化大气校正模型之前进行水体区域中包含阴影、水生植物、耀斑、水华浮澡在内覆盖区域的剔除处理。
6.按照权利要求1所述的基于影像数据黑臭水体生态治理污染监测方法,其特征在于:在方法S4中,CE-Net水体提取模型内部包含有研究区的行政边界、流域分布数据、水系分布数据在内的原始数据。
7.一种基于影像数据黑臭水体生态治理污染监测***,其特征在于:包括数据采集输入模块、计算处理***和数据输出模块,数据采集输入模块,用于采集获取研究区的高分辨率遥感影像数据、与高分辨率遥感影像数据对应的地表反射率产品;计算处理***包括表观反射率计算模块、相对辐射归一化大气校正模型、CE-Net水体提取模型和黑臭水体识别模型;表观反射率计算模块用于根据高分辨率遥感影像数据的图像灰度计算得到天顶光谱辐亮度及表观反射率,按照如下方法计算得到天顶光谱辐亮度:
Li=DN×gaini+offsati;其中Li为谱段i图像灰度值所对应的天顶光谱辐亮度,DN为高分辨率遥感影像数据的图像灰度值,gaini为谱段i的增益绝对辐射校正系数,offsati为谱段i的偏置绝对辐射校正系数;
按照如下方法计算得到表观反射率:
其中ρi为i谱段i的表观反射率,d为日地距离,E0,i为谱段i大气层外太阳光谱辐照度,θ为太阳高度角;
相对辐射归一化大气校正模型用于根据谱段i表观反射率校正得到所对应的谱段i地表反射率;CE-Net水体提取模型用于对高分辨率遥感影像数据中水体特征识别并得到研究区的水体分布数据并计算得到黑臭水体指数、归一化黑臭水体指数、水体清洁指数并提取绿光单波段数据;按照如下方法计算得到黑臭水体指数BOI、归一化黑臭水体指数NDBWI、水体清洁指数WCI,并提取绿光单波段数据:
其中ρ(B)表示谱段i为蓝光波段的地表反射率,ρ(G)表示谱段i为绿光波段的地表反射率,ρ(R)表示谱段i为红光波段的地表反射率,λR、λG和λB分别表示谱段i为红光、绿光和蓝光波段的中心波长;
黑臭水体识别模型用于根据黑臭水体指数、归一化黑臭水体指数、水体清洁指数、绿光单波段数据得到研究区水体区域的水体级别数据;数据输出模块用于输出水体级别数据并制作可视化图表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310629450.6A CN116702065B (zh) | 2023-05-30 | 2023-05-30 | 基于影像数据黑臭水体生态治理污染监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310629450.6A CN116702065B (zh) | 2023-05-30 | 2023-05-30 | 基于影像数据黑臭水体生态治理污染监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116702065A CN116702065A (zh) | 2023-09-05 |
CN116702065B true CN116702065B (zh) | 2024-04-16 |
Family
ID=87838543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310629450.6A Active CN116702065B (zh) | 2023-05-30 | 2023-05-30 | 基于影像数据黑臭水体生态治理污染监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702065B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118015487B (zh) * | 2024-03-26 | 2024-06-07 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种基于河网密集型区域的黑臭水体全面排查方法及*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108333148A (zh) * | 2018-01-11 | 2018-07-27 | 中国科学院遥感与数字地球研究所 | 一种黑臭水体的识别方法及装置 |
CN110688909A (zh) * | 2019-09-05 | 2020-01-14 | 南京有春科技有限公司 | 城市黑臭水体的识别方法、装置、设备以及存储介质 |
CN110987955A (zh) * | 2019-12-05 | 2020-04-10 | 南京师范大学 | 一种基于决策树的城市黑臭水体分级方法 |
CN111007039A (zh) * | 2019-11-29 | 2020-04-14 | 航天东方红卫星有限公司 | 中低分辨率遥感图像亚像元级水体自动提取方法和*** |
CN112766075A (zh) * | 2020-12-31 | 2021-05-07 | 中国冶金地质总局矿产资源研究院 | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 |
CN112884672A (zh) * | 2021-03-04 | 2021-06-01 | 南京农业大学 | 一种基于同期卫星影像的多架次无人机影像相对辐射校正方法 |
EP3828528A1 (en) * | 2019-11-28 | 2021-06-02 | Anton Paar GmbH | Determination of an impairment of an optical surface for ir-spectroscopy |
WO2021184891A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 遥感影像地物分类方法及*** |
CN113484245A (zh) * | 2021-07-05 | 2021-10-08 | 重庆市规划和自然资源调查监测院 | 一种丘陵山区水田种植模式遥感快速监测方法、***及计算机可读存储介质 |
CN114332133A (zh) * | 2022-01-06 | 2022-04-12 | 福州大学 | 基于改进CE-Net的新冠肺炎CT图像感染区分割方法及*** |
WO2023273094A1 (zh) * | 2021-06-30 | 2023-01-05 | 奥比中光科技集团股份有限公司 | 一种光谱反射率的确定方法、装置及设备 |
CN115825338A (zh) * | 2022-11-03 | 2023-03-21 | 浙江时空智子大数据有限公司 | 臭氧监测降尺度方法、装置、设备及计算机可读存储介质 |
CN116012726A (zh) * | 2022-12-29 | 2023-04-25 | 中科宇图科技股份有限公司 | 一种基于深度学习的黑臭水体遥感监测分级方法 |
WO2023087630A1 (zh) * | 2021-11-22 | 2023-05-25 | 浙江大学 | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101732111B1 (ko) * | 2016-06-30 | 2017-05-02 | 서울시립대학교 산학협력단 | 위성영상을 이용한 기름유출 탐지장치 및 방법 |
-
2023
- 2023-05-30 CN CN202310629450.6A patent/CN116702065B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108333148A (zh) * | 2018-01-11 | 2018-07-27 | 中国科学院遥感与数字地球研究所 | 一种黑臭水体的识别方法及装置 |
CN110688909A (zh) * | 2019-09-05 | 2020-01-14 | 南京有春科技有限公司 | 城市黑臭水体的识别方法、装置、设备以及存储介质 |
EP3828528A1 (en) * | 2019-11-28 | 2021-06-02 | Anton Paar GmbH | Determination of an impairment of an optical surface for ir-spectroscopy |
CN111007039A (zh) * | 2019-11-29 | 2020-04-14 | 航天东方红卫星有限公司 | 中低分辨率遥感图像亚像元级水体自动提取方法和*** |
CN110987955A (zh) * | 2019-12-05 | 2020-04-10 | 南京师范大学 | 一种基于决策树的城市黑臭水体分级方法 |
WO2021184891A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 遥感影像地物分类方法及*** |
CN112766075A (zh) * | 2020-12-31 | 2021-05-07 | 中国冶金地质总局矿产资源研究院 | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 |
CN112884672A (zh) * | 2021-03-04 | 2021-06-01 | 南京农业大学 | 一种基于同期卫星影像的多架次无人机影像相对辐射校正方法 |
WO2023273094A1 (zh) * | 2021-06-30 | 2023-01-05 | 奥比中光科技集团股份有限公司 | 一种光谱反射率的确定方法、装置及设备 |
CN113484245A (zh) * | 2021-07-05 | 2021-10-08 | 重庆市规划和自然资源调查监测院 | 一种丘陵山区水田种植模式遥感快速监测方法、***及计算机可读存储介质 |
WO2023087630A1 (zh) * | 2021-11-22 | 2023-05-25 | 浙江大学 | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 |
CN114332133A (zh) * | 2022-01-06 | 2022-04-12 | 福州大学 | 基于改进CE-Net的新冠肺炎CT图像感染区分割方法及*** |
CN115825338A (zh) * | 2022-11-03 | 2023-03-21 | 浙江时空智子大数据有限公司 | 臭氧监测降尺度方法、装置、设备及计算机可读存储介质 |
CN116012726A (zh) * | 2022-12-29 | 2023-04-25 | 中科宇图科技股份有限公司 | 一种基于深度学习的黑臭水体遥感监测分级方法 |
Non-Patent Citations (2)
Title |
---|
不同辐射校正水平下植被指数特征对比分析;赵娟娟;谈树成;杨林;;云南地理环境研究;20171215(06);2+7-14 * |
基于GF-2影像的沈阳市黑臭水体遥感分级识别;七珂珂;申茜;罗小军;李家国;姚月;杨崇;;遥感技术与应用;20200420(第02期);160-170 * |
Also Published As
Publication number | Publication date |
---|---|
CN116702065A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919875B (zh) | 一种高时频遥感图像特征辅助的居民地提取与分类方法 | |
Tomppo et al. | The multi-source national forest inventory of Finland-methods and results 2011 | |
CN109993237B (zh) | 基于高分卫星光学遥感数据的水体快速提取方法及*** | |
Omran | Detection of land-use and surface temperature change at different resolutions | |
Apan | Land cover mapping for tropical forest rehabilitation planning using remotely-sensed data | |
CN104851087A (zh) | 多尺度森林动态变化监测方法 | |
CN116702065B (zh) | 基于影像数据黑臭水体生态治理污染监测方法及*** | |
Fang et al. | Atmospheric effects on the performance and threshold extrapolation of multi-temporal Landsat derived dNBR for burn severity assessment | |
Manakos et al. | Comparison between atmospheric correction modules on the basis of worldview-2 imagery and in situ spectroradiometric measurements | |
CN109406361B (zh) | 一种基于遥感技术的干旱区灰霾污染预警方法 | |
CN117218531B (zh) | 一种面向海陆生态交错带红树林植物地上碳储量估算方法 | |
CN113887493A (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
CN112329790A (zh) | 一种城市不透水面信息快速提取方法 | |
Tew et al. | Urban expansion analysis using Landsat images in Penang, Malaysia | |
CN115761493A (zh) | 一种基于组合水体指数频率的水体提取方法 | |
Morakinyo et al. | Mapping of land cover and estimation of their emissivity values for gas flaring sites in the Niger Delta | |
Kennaway et al. | Mapping land cover and estimating forest structure using satellite imagery and coarse resolution lidar in the Virgin Islands | |
CN114021900A (zh) | 反演土壤重金属污染风险等级的方法 | |
CN117589692A (zh) | 基于遥感和DeepLabV3+的红树林生态***储碳量评估方法 | |
Liu et al. | Fractional vegetation cover estimation algorithm based on recurrent neural network for MODIS 250 m reflectance data | |
CN115527108A (zh) | 一种基于多时相Sentinel-2快速识别水土流失人为扰动地块的方法 | |
CN116229459A (zh) | 国产卫星多光谱图像逐像素质量标记方法 | |
Pisek et al. | Assessment of a global leaf area index product from SPOT-4 VEGETATION data over selected sites in Canada | |
CN111783625A (zh) | 一种平原河网区不透水面信息快速提取方法 | |
Ren et al. | Surface water classification from GF-4 images using a time series water index |
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 |