CN117351373B - 一种河口海湾水质遥感产品智能融合处理方法 - Google Patents
一种河口海湾水质遥感产品智能融合处理方法 Download PDFInfo
- Publication number
- CN117351373B CN117351373B CN202311646337.5A CN202311646337A CN117351373B CN 117351373 B CN117351373 B CN 117351373B CN 202311646337 A CN202311646337 A CN 202311646337A CN 117351373 B CN117351373 B CN 117351373B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- water quality
- quality parameter
- setting
- resolution
- 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 107
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000007499 fusion processing Methods 0.000 title claims abstract description 10
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000007619 statistical method Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 25
- 238000002310 reflectometry Methods 0.000 claims description 9
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 229930002868 chlorophyll a Natural products 0.000 claims description 5
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 5
- 229910019142 PO4 Inorganic materials 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 claims description 4
- 239000010452 phosphate Substances 0.000 claims description 4
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 229910052711 selenium Inorganic materials 0.000 claims description 3
- 239000011669 selenium Substances 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 230000006870 function Effects 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
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/72—Data preparation, e.g. statistical preprocessing 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种河口海湾水质遥感产品智能融合处理方法，包括以下步骤：S1、设置检索条件，进行分轮检索与下载，实现遥感影像批量自动下载；S2、在python中循环调用Acolite的settings文件，将多源遥感卫星数据直接批量大气校正；S3、基于机器学习对多源遥感数据产品进行融合，生成高频率的水质参数遥感产品图层；S4、将不同水位的潮汐边界矢量图层叠加到水质参数遥感产品图层，并添加地图要素，生成水质参数专题图；S5、对水质参数进行智能化统计分析，生成统计图表；S6、基于水质参数专题图和统计图表，自动化输出报告单；该方法在环境监测评估领域有明显的优势，可极大提高水质遥感产品生产、信息服务等业务化决策支撑的效率。
Description
技术领域
本发明涉及水质处理技术领域，具体涉及一种河口海湾水质遥感产品智能融合处理方法。
背景技术
河口海湾是海陆生态***相互作用显著的区域，水环境参数（无机氮、活性磷酸盐、叶绿素a浓度和透明度等）是指征水体富营养化和生态环境健康的重要指标，也是水质监测的核心参数。因此，河口海湾水生态环境管理对高时效、高精度的水环境监测数据和产品有极大的需求。
河口海湾水环境参数呈现显著的时空动态变化和空间差异特征，基于卫星遥感技术发展更高效的水环境监测技术是大势所趋。当前已实现业务化发布每日Modis全球海表温度、叶绿素a浓度等数据和产品，但其产品分辨率皆为千米级，且河口海湾地区数据缺失严重；Landsat等中高空间分辨率海表温度等数据和产品重访周期16天，时效性不高。目前可用数据和产品无法满足河口海湾水环境精细化监测评估的业务化应用需求。国内外尚无业务化运行的高空间分辨率、高时效、长时序的水质参数遥感产品智能化、业务化生产技术，为满足应急监测和日常监测评估的需要，构建适用于河口海湾环境特征的水质遥感产品智能融合处理至关重要。
发明内容
本发明的目的在于提供一种河口海湾水质遥感产品智能融合处理方法，该方法可以实现遥感影像高效批量自动下载、适用性高的自动大气校正、多源遥感数据产品融合、专题图智能化生成、水质参数智能化统计分析、报告单自动化输出，在环境监测评估领域有明显的优势，可极大提高水质遥感产品生产、信息服务等业务化决策支撑的效率。
为实现上述目的，本发明采用以下技术方案：
一种河口海湾水质遥感产品智能融合处理方法，包括以下步骤：
S1、设置检索条件，进行分轮检索与下载，实现遥感影像批量自动下载；
步骤S1的具体过程为：
S11、设置检索条件：通过python和sentinelsat、landsatxplore、selenium包进行批量下载高空间高时间分辨率的多源遥感卫星数据，遥感卫星数据来自哨兵二号、哨兵三号、Landsat、GOCI2和VIIRS；当通过自动识别账号密码自动登录下载网站时，根据检索条件检索所需产品；
S12、分轮检索与下载：进行多轮激活与下载，直到所需数据都下载完毕后结束进程；其中，每轮检索下载，记录已下载的产品id，在下一轮下载的时候删掉已下载的产品id，从未激活离线的产品id里去进行检索与下载，用于使整个下载进程更高效；
S2、在python中循环调用Acolite的settings文件，将多源遥感卫星数据直接批量大气校正；
S3、基于机器学习对多源遥感数据产品进行融合，生成高频率的水质参数遥感产品图层；
S4、根据遥感影像拍摄时间对应的水位，将不同水位的潮汐边界矢量图层叠加到水质参数遥感产品图层，并添加地图要素，生成水质参数专题图；
S5、对水质参数进行智能化统计分析，生成统计图表；
S6、基于水质参数专题图和统计图表，自动化输出报告单。
优选地，步骤S11中，来自哨兵二号卫星的遥感卫星数据的空间分辨率为10m，时间分辨率为5天；来自哨兵三号卫星的遥感卫星数据的空间分辨率为300m，时间分辨率为5天；来自Landsat卫星的遥感卫星数据的空间分辨率为30m，时间分辨率为16天；来自GOCI2卫星的遥感卫星数据的空间分辨率为250m，时间分辨率为逐时；来自VIIRS卫星的遥感卫星数据的空间分辨率为750m，时间分辨率为每天；所述检索条件包括日期、空间、卫星、产品类型和云量。
优选地，步骤S2中所述settings文件里各参数的设置过程为：
S21、选择输入：选择用于处理的输入目录和文件；
S22、选择输出：选择输出目录；
S23、设置感兴趣区域：输入要提取处理的边界，并以shapefile格式的矢量文件存储；
S24、设置L2W参数：列出所需的输出参数；如果输出参数为空，则只会生成L1R文件和L2R文件，选择Rrs_*，即输出遥感反射率；
S25、设置目标分辨率：设置各个卫星的分辨率；
S26、设置是否掩膜掉陆地区域：默认选择掩膜掉陆地区域；
S27、设置基于风速的界面反射率校正：打开；
S28、设置残留阳光反射校正：打开；
S29、设置PNG输出：使用大气顶部ρt或ρs反射率生成RGB合成的复选框，以及生成L2W参数的PNG地图；
设置画图分辨率：300dpi；
设置PNG地图比例尺：是；
设置PNG地图比例尺颜色：白色。
优选地，步骤S3的具体过程为：基于机器学习的方法，通过将高空间分辨率低时间分辨率遥感数据产品和低空间分辨率高时间分辨率遥感数据产品进行融合，辅以水质参数信息作为机器学习模型的输入信息，生成高频率的水质参数遥感产品图层；其中，水质参数信息包括卫星角度、风速和气温；所述水质参数遥感产品图层包括浊度、水温、叶绿素a、无机氮和活性磷酸盐。
优选地，步骤S4的具体过程为：
S41、针对遥感影像的拍摄时间，匹配潮汐表，计算水位高低，从而对应已经提取的高潮、中潮、低潮水位边界，将潮汐边界矢量图层叠加到水质参数遥感产品图层；
S42、添加地图要素和其他标签，生成河口海湾岸边边界准确度更高的水质参数专题图；其中，地图要素包括交通网络、主要行政标识、比例尺、指北针。
优选地，步骤S5的具体过程为：
S51、选取感兴趣区域：用户通过GIS地图工具选取感兴趣的区域，或选择默认的区域进行自动统计分析；
S52、水质参数统计、分析与评价：自动进行水质参数的统计，统计的内容包括各种水质参数的平均值、最大值、最小值和标准差，得到各种水质的水质参数统计值；自动进行时空分析，展示水质参数统计值的时间变化趋势，展示不同区域的水质参数统计值的空间差异；按照国家或地方相关标准，进行水质评价，生成统计图表。
优选地，步骤S6的具体过程为：
S61、选择步骤S4融合生成的水质参数专题图和步骤S5生成的统计图表；
S62、选择报告模板：从提供的多种报告模板中选择，或上传自定义模板；
S63、定时输出：用户设置定时任务，采用每天、每周或每月的特定时间自动输出报告单。
采用上述技术方案后，本发明具有如下有益效果：
本发明可以快速、高效自动下载遥感影像，并设置了高效检索与下载机制，提高全流程处理自动化。
本发明基于机器学习的方法，通过将高空间分辨率低时间分辨率遥感数据产品和低空间分辨率高时间分辨率遥感数据产品进行融合，辅以水质参数信息作为机器学习模型的输入信息，生成高频率的水质参数遥感产品图层，可提高产品的时间分辨率和空间分辨率。
本发明针对用户自定义需求，设计了专题图智能化生成、智能化统计分析、报告单自动化输出功能，进一步提高河口海湾水质遥感产品智能融合处理技术流程的效率。
附图说明
图1为本发明的流程图；
图2为本发明的遥感影像批量自动化下载的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1至图2所示，一种河口海湾水质遥感产品智能融合处理方法，包括以下步骤：
S1、设置检索条件，进行分轮检索与下载，实现遥感影像批量自动下载；
步骤S1的具体过程为：
S11、设置检索条件：通过python和sentinelsat、landsatxplore、selenium包进行批量下载高空间高时间分辨率的多源遥感卫星数据，遥感卫星数据来自哨兵二号、哨兵三号、Landsat、GOCI2和VIIRS；当通过自动识别账号密码自动登录下载网站时，根据检索条件检索所需产品；
步骤S11中，来自哨兵二号卫星的遥感卫星数据的空间分辨率为10m，时间分辨率为5天；来自哨兵三号卫星的遥感卫星数据的空间分辨率为300m，时间分辨率为5天；来自Landsat卫星的遥感卫星数据的空间分辨率为30m，时间分辨率为16天；来自GOCI2卫星的遥感卫星数据的空间分辨率为250m，时间分辨率为逐时；来自VIIRS卫星的遥感卫星数据的空间分辨率为750m，时间分辨率为每天；所述检索条件包括日期、空间、卫星、产品类型和云量；
S12、分轮检索与下载：欧洲航天局（European Space Agency）为了以减少服务器的压力，对哨兵的历史数据采用（Long Term Archive (LTA) )机制，需激活才能下载，故历史数据需激活后，过段时间继续检索下载。故需要进行多轮激活与下载，直到所需数据都下载完毕后结束进程；其中，每轮检索下载，记录已下载的产品id，在下一轮下载的时候删掉已下载的产品id，从未激活离线的产品id里去进行检索与下载，用于使整个下载进程更高效；
S2、在python中循环调用Acolite的settings文件，将多源遥感卫星数据直接批量大气校正；
步骤S2中所述settings文件里各参数的设置过程为：
S21、选择输入：选择用于处理的输入目录和文件；
S22、选择输出：选择输出目录；
S23、设置感兴趣区域：输入要提取处理的边界，并以shapefile格式的矢量文件存储；
S24、设置L2W参数：列出所需的输出参数；如果输出参数为空，则只会生成L1R文件和L2R文件，选择Rrs_*，即输出遥感反射率；
S25、设置目标分辨率：设置各个卫星的分辨率；
S26、设置是否掩膜掉陆地区域：默认选择掩膜掉陆地区域；
S27、设置基于风速的界面反射率校正：打开；
S28、设置残留阳光反射校正：打开；
S29、设置PNG输出：使用大气顶部ρt或ρs反射率生成RGB合成的复选框，以及生成L2W参数的PNG地图；
设置画图分辨率：300dpi；
设置PNG地图比例尺：是；
设置PNG地图比例尺颜色：白色；
S3、基于机器学习对多源遥感数据产品进行融合，生成高频率的水质参数遥感产品图层；
步骤S3的具体过程为：基于机器学习的方法，通过将高空间分辨率低时间分辨率遥感数据产品（以Landsat为例，空间分辨率为30m，时间分辨率为16天）和低空间分辨率高时间分辨率遥感数据产品（以VIIRS为例，空间分辨率为750m，时间分辨率为每天）进行融合，辅以水质参数信息作为机器学习模型的输入信息，生成高频率的水质参数遥感产品图层；其中，水质参数信息包括卫星角度、风速和气温；所述水质参数遥感产品图层包括浊度、水温、叶绿素a、无机氮和活性磷酸盐；
S4、根据遥感影像拍摄时间对应的水位，将不同水位的潮汐边界矢量图层叠加到水质参数遥感产品图层，并添加地图要素，生成水质参数专题图；
步骤S4的具体过程为：
S41、针对遥感影像的拍摄时间，匹配潮汐表，计算水位高低，从而对应已经提取的高潮、中潮、低潮水位边界，将潮汐边界矢量图层叠加到水质参数遥感产品图层；
S42、添加地图要素和其他标签，生成河口海湾岸边边界准确度更高的水质参数专题图；其中，地图要素包括交通网络、主要行政标识、比例尺、指北针；
S5、对水质参数进行智能化统计分析，生成统计图表；
步骤S5的具体过程为：
S51、选取感兴趣区域：用户通过GIS地图工具选取感兴趣的区域，或选择默认的区域进行自动统计分析；
S52、水质参数统计、分析与评价：自动进行水质参数的统计，统计的内容包括各种水质参数的平均值、最大值、最小值和标准差，得到各种水质的水质参数统计值；自动进行时空分析，展示水质参数统计值的时间变化趋势，展示不同区域的水质参数统计值的空间差异；按照国家或地方相关标准，进行水质评价，生成统计图表；
S6、基于水质参数专题图和统计图表，自动化输出报告单；
步骤S6的具体过程为：
S61、选择步骤S4融合生成的水质参数专题图和步骤S5生成的统计图表；
S62、选择报告模板：从提供的多种报告模板中选择，或上传自定义模板；
S63、定时输出：用户设置定时任务，采用每天、每周或每月的特定时间自动输出报告单。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。
Claims (2)
1.一种河口海湾水质遥感产品智能融合处理方法，其特征在于，包括以下步骤：
S1、设置检索条件，分别进行分轮检索与下载，实现遥感影像批量自动下载；
步骤S1的具体过程为：
S11、设置检索条件：通过python和sentinelsat、landsatxplore、selenium包进行批量下载高空间高时间分辨率的多源遥感卫星数据，遥感卫星数据来自哨兵二号、哨兵三号、Landsat、GOCI2和VIIRS；当通过自动识别账号密码自动登录下载网站时，根据检索条件检索所需产品；
S12、分轮检索与下载：进行多轮激活与下载，直到所需数据都下载完毕后结束进程；其中，每轮检索下载，记录已下载的产品id，在下一轮下载的时候删掉已下载的产品id，从未激活离线的产品id里去进行检索与下载；
S2、在python中循环调用Acolite的settings文件，将多源遥感卫星数据直接批量大气校正；
步骤S2中所述settings文件里各参数的设置过程为：
S21、选择输入：选择用于处理的输入目录和文件；
S22、选择输出：选择输出目录；
S23、设置感兴趣区域：输入要提取处理的边界，并以shapefile格式的矢量文件存储；
S24、设置L2W参数：列出所需的输出参数；如果输出参数为空，则只会生成L1R文件和L2R文件，选择Rrs_*，即输出遥感反射率；
S25、设置目标分辨率：设置各个卫星的分辨率；
S26、设置是否掩膜掉陆地区域：默认选择掩膜掉陆地区域；
S27、设置基于风速的界面反射率校正的状态为：打开；
S28、设置残留阳光反射校正的状态为：打开；
S29、设置PNG输出：使用大气顶部ρt或ρs反射率生成RGB合成的复选框，以及生成L2W参数的PNG地图；
设置画图分辨率：300dpi；
是否设置PNG地图比例尺：是；
设置PNG地图比例尺颜色：白色；
S3、基于机器学习对多源遥感数据产品进行融合，生成高频率的水质参数遥感产品图层；
步骤S3的具体过程为：基于机器学习的方法，通过将高空间分辨率低时间分辨率遥感数据产品和低空间分辨率高时间分辨率遥感数据产品进行融合，辅以水质参数信息作为机器学习模型的输入信息，生成高频率的水质参数遥感产品图层；其中，水质参数信息包括卫星角度、风速和气温；所述水质参数遥感产品图层包括浊度、水温、叶绿素a、无机氮和活性磷酸盐；
S4、根据遥感影像拍摄时间对应的水位，将不同水位的潮汐边界矢量图层叠加到水质参数遥感产品图层，并添加地图要素，生成水质参数专题图；
步骤S4的具体过程为：
S41、针对遥感影像的拍摄时间，匹配潮汐表，计算水位高低，从而对应已经提取的高潮、中潮和低潮水位边界，将潮汐边界矢量图层叠加到水质参数遥感产品图层；
S42、添加地图要素和其他标签，生成河口海湾岸边边界的水质参数专题图；其中，地图要素包括交通网络、主要行政标识、比例尺和指北针；
S5、对水质参数进行智能化统计分析，生成统计图表；
步骤S5的具体过程为：
S51、选取感兴趣区域：用户通过GIS地图工具选取感兴趣的区域，或选择默认的区域进行自动统计分析；
S52、水质参数统计、分析与评价：自动进行水质参数的统计，统计的内容包括各种水质参数的平均值、最大值、最小值和标准差，得到各种水质的水质参数统计值；自动进行时空分析，展示水质参数统计值的时间变化趋势，展示不同区域的水质参数统计值的空间差异；按照国家或地方相关标准，进行水质评价，生成统计图表；
S6、基于水质参数专题图和统计图表，自动化输出报告单；
步骤S6的具体过程为：
S61、选择步骤S4融合生成的水质参数专题图和步骤S5生成的统计图表；
S62、选择报告模板：从提供的多种报告模板中选择，或上传自定义模板；
S63、定时输出：用户设置定时任务，采用每天、每周或每月的特定时间自动输出报告单。
2.如权利要求1所述的一种河口海湾水质遥感产品智能融合处理方法，其特征在于：步骤S11中，来自哨兵二号卫星的遥感卫星数据的空间分辨率为10m，时间分辨率为5天；来自哨兵三号卫星的遥感卫星数据的空间分辨率为300m，时间分辨率为5天；来自Landsat卫星的遥感卫星数据的空间分辨率为30m，时间分辨率为16天；来自GOCI2卫星的遥感卫星数据的空间分辨率为250m，时间分辨率为逐时；来自VIIRS卫星的遥感卫星数据的空间分辨率为750m，时间分辨率为每天；所述检索条件包括日期、空间、卫星、产品类型和云量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311646337.5A CN117351373B (zh) | 2023-12-04 | 2023-12-04 | 一种河口海湾水质遥感产品智能融合处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311646337.5A CN117351373B (zh) | 2023-12-04 | 2023-12-04 | 一种河口海湾水质遥感产品智能融合处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117351373A CN117351373A (zh) | 2024-01-05 |
| CN117351373B true CN117351373B (zh) | 2024-03-12 |
Family
ID=89357879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311646337.5A Active CN117351373B (zh) | 2023-12-04 | 2023-12-04 | 一种河口海湾水质遥感产品智能融合处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117351373B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101821974B1 (ko) * | 2017-03-24 | 2018-01-25 | 대한민국 | 다중해상도 위성영상 검색 및 배포 방법 |
| CN110967461A (zh) * | 2019-12-19 | 2020-04-07 | 浙江清华长三角研究院 | 一种基于gis技术实现河流水质动态分布的方法 |
| CN112464746A (zh) * | 2020-11-10 | 2021-03-09 | 清华苏州环境创新研究院 | 一种卫星影像和机器学习的水质监测方法及*** |
| CN113324923A (zh) * | 2021-06-07 | 2021-08-31 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
| CN116308094A (zh) * | 2022-09-09 | 2023-06-23 | 水电水利规划设计总院 | 一种基于多源数据融合的流域水电安全监测管理*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201601660D0 (en) * | 2016-01-29 | 2016-03-16 | Global Surface Intelligence Ltd | System and method for earth observation and analysis |
-
2023
- 2023-12-04 CN CN202311646337.5A patent/CN117351373B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101821974B1 (ko) * | 2017-03-24 | 2018-01-25 | 대한민국 | 다중해상도 위성영상 검색 및 배포 방법 |
| CN110967461A (zh) * | 2019-12-19 | 2020-04-07 | 浙江清华长三角研究院 | 一种基于gis技术实现河流水质动态分布的方法 |
| CN112464746A (zh) * | 2020-11-10 | 2021-03-09 | 清华苏州环境创新研究院 | 一种卫星影像和机器学习的水质监测方法及*** |
| CN113324923A (zh) * | 2021-06-07 | 2021-08-31 | 郑州大学 | 一种结合时空融合与深度学习的遥感水质反演方法 |
| CN116308094A (zh) * | 2022-09-09 | 2023-06-23 | 水电水利规划设计总院 | 一种基于多源数据融合的流域水电安全监测管理*** |
Non-Patent Citations (2)
| Title |
|---|
| 流域水资源环境监测***的设计与实现;张丽 等;《测绘通报》(第02期);第50-53页 * |
| 渤海陆源入海排污口的多尺度遥感监测分析;邬明权 等;《地球信息科学学报》;20120615;第14卷(第03期);第405-409页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117351373A (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102833680B (zh) | 基于位置的海洋渔业信息服务方法 | |
| CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
| CN113673586B (zh) | 融合多源高分辨率卫星遥感影像的海上养殖区域分类方法 | |
| CN102103713A (zh) | 湿地资源与生态环境监管方法及*** | |
| CN115049171B (zh) | 一种基于特征迁移的光伏功率预测方法及*** | |
| CN201853252U (zh) | 湿地资源与生态环境监管*** | |
| CN110737737A (zh) | 一种国土矢量数据渲染方法及*** | |
| CN114723869B (zh) | 影像处理方法以及装置 | |
| CN111325116A (zh) | 一种基于线下训练-线上学习深度可演化的遥感影像目标检测方法 | |
| CN102469112B (zh) | 位置跟踪实现方法、装置及*** | |
| CN113192192A (zh) | 一种实景三维数字孪生航道场景构建方法 | |
| CN117351373B (zh) | 一种河口海湾水质遥感产品智能融合处理方法 | |
| CN115497002A (zh) | 一种多尺度特征融合的激光雷达遥感分类方法 | |
| CN117435823B (zh) | 基于网格编码的时空数据服务方法及工业互联网平台 | |
| Sun et al. | Deep learning in statistical downscaling for deriving high spatial resolution gridded meteorological data: A systematic review | |
| US10339691B2 (en) | Storage of time-varying data as parametrized functions | |
| CN113326339A (zh) | 一种基于gis的精细化电力气象预报数据展示方法及*** | |
| Hersbach et al. | 18 The observation feedback archive for the ICOADS and ISPD data sets | |
| CN114549958B (zh) | 基于上下文信息感知机理的夜间和伪装目标检测方法 | |
| CN114969237A (zh) | 一种地理信息***的地址自动分析匹配方法 | |
| Dai et al. | Long-term Prediction of Sea Surface Temperature by Temporal Embedding Transformer with Attention Distilling and Partial Stacked Connection | |
| CN114694031A (zh) | 一种基于多任务注意力机制的遥感图像典型地物提取方法 | |
| CN111831781B (zh) | 一种获取高精度voc浓度分布数据的方法 | |
| CN116955460B (zh) | 一种海洋预报信息服务产品的生成方法及装置 | |
| CN118135424B (zh) | 基于遥感图像和gis的生态环境监管方法和装置 |
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 |