基于气象和遥感数据的水华预测方法和装置制造方法及图纸

本发明专利技术公开了一种基于气象和遥感数据的水华预测方法和装置，属于卫星遥感技术领域

【技术实现步骤摘要】
基于气象和遥感数据的水华预测方法和装置


[0001]本专利技术涉及卫星遥感
，特别是指一种基于气象和遥感数据的水华预测方法和装置
。

技术介绍

[0002]在人类活动导致的湖泊水体富营养化和全球变暖的背景下，蓝藻在全球广泛的内陆水域过度生长，蓝藻水华事件频繁暴发，并进一步恶化水质
。
蓝藻水华利用地面和遥感手段开展监测为水华发生过程的监测
。
蓝藻水华在短期内变化较快，因此开展水华预测同时预测发生位置可为水华防控提供技术支撑
。
水华的预测模型由两部分组成，包括水华驱动因子的准确识别
(
确定模型输入项
)
以及预测模型的建立，水华对驱动因子的响应关系是预测水华发生概率过程中极为重要的环节
。
水华预测主要分为数据驱动
、
过程驱动和融合模型三种类型
。
[0003]复杂的蓝藻水华发生机制导致其不确定性的存在，因此开展水华预测难度也较大
。
目前国内学者的研究重点是数据
、
过程和融合模型三大类
。
其中数据驱动模型需要输入高频且空间密集的数据，针对大面积水域，数据监测成本高且收集不方便；过程驱动模型需要综合考虑气象
、
水文
、
水质
、
底泥
、
生物学等因素，水华发生过程复杂，具有很多不确定性和随机性，该方法中模型输入参数繁多，构建难度较大；融合模型需使用多源数据组合的深度学习模型，模型难度较大不易操作
。

技术实现思路

[0004]为解决上述技术问题，本专利技术提供一种基于气象和遥感数据的水华预测方法和装置，提高了水华预测精度，同时具有普适性，简单易于操作
。
[0005]本专利技术提供技术方案如下：
[0006]一种基于气象和遥感数据的水华预测方法，所述方法包括：
[0007]S1
：获取遥感影像以及遥感影像过境时间点对应的气象数据；
[0008]其中，所述遥感影像包括近红外波段
、
红光波段和短波红外波段；
[0009]S2
：利用遥感影像获取大气底层反射率数据结果，获取每个像元的反射率数值；
[0010]S3
：对每个像元，计算近红外波段与红光波段和短波红外波段基线之间的差异值
F
；
[0011]F
＝
R
rc,NIR
‑
R
′
rc,NIR
[0012]R
′
rc,NIR
＝
R
rc,RED
+(R
rc,SWIR
‑
R
rc,RED
)*(
λ
NIR
‑
λ
RED
)/(
λ
SWIR
‑
λ
RED
)
[0013]其中，
R
rc,RED
、R
rc,NIR
和
R
rc,SWIR
分别表示红光波段
、
近红外波段和短波红外波段的反射率数值，
λ
RED
,
λ
NIR
和
λ
SWIR
分别表示红光波段
、
近红外波段和短波红外波段的中心波长；
[0014]S4
：将每个像元的差异值
F
分别与设置的阈值进行比较，得到水华二值图；
[0015]S5
：将所述气象数据重采样为与遥感影像相同分辨率的栅格，获取每个栅格的气象数据；
[0016]S6
：将每个像元的差异值
F
及其对应位置栅格的气象数据作为一个数据组，获取每个像元对应的数据组；
[0017]S7
：以各个像元发生水华的概率作为因变量，以各个像元的数据组作为自变量，通过线性回归方程建立回归模型；
[0018]所述回归模型的表达式为：
p
＝
α
+
β1x1+
β2x2+
β3x3+
……
+
β
m
x
m
[0019]其中，
p
为像元发生水华的概率，
x1,x2,x3,
…
,x
m
为该像元的数据组中的各个数据，
m
为数据组中数据的总数量；
α
,
β1,
β2,
β3,
…
,
β
m
为待求的参数；
[0020]S8
：根据已知的各个像元发生水华的概率及其数据组，求解回归模型的参数；
[0021]S9
：根据求解后的回归模型对水华进行预测
。
[0022]进一步的，所述
S4
包括：
[0023]S41
：将每个像元的差异值
F
分别与设置的阈值进行比较，将差异值
F
大于阈值的像元作为水华区域，否则作为非水华区域；
[0024]S42
：将水华区域的各个像元赋值为1，非水华区域的各个像元赋值为0，得到水华二值图
。
[0025]进一步的，所述
S8
包括：
[0026]S81
：将水华二值图上各个像元的值作为各个像元发生水华的概率；
[0027]S82
：根据各个像元发生水华的概率及其数据组，通过极大似然法求解估计回归模型的参数
。
[0028]进一步的，所述
S7
还包括：
[0029]对回归模型的
p
做
logit
变换，以
logit(p)
为因变量，将回归模型变换为：
[0030]logit(p)
＝
ln(p/(1
‑
p))
＝
α
+
β1x1+
β2x2+
β3x3+
……
+
β
m
x
m
。
[0031][0032]进一步的，所述
S9
包括：
[0033]S91
：获取待预测区域的遥感影像和气象数据，并计算每个待预测像元的数据组；
[0034]S92
：将每个待预测像元的数据组作为求解后的回归模型的输入，输出待预测像元发生水华的概率；
[0035]S93
：将待预测像元发生水华的概率与设置的水华阈值进行比较，若概率大于水华阈值，则将待预测像元标记为预测水华区域，否则标记本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于气象和遥感数据的水华预测方法，其特征在于，所述方法包括：
S1
：获取遥感影像以及遥感影像过境时间点对应的气象数据；其中，所述遥感影像包括近红外波段
、
红光波段和短波红外波段；
S2
：利用遥感影像获取大气底层反射率数据结果，获取每个像元的反射率数值；
S3
：对每个像元，计算近红外波段与红光波段和短波红外波段基线之间的差异值
F
；
F
＝
R
rc,NIR
‑
R
′
rc,NIR
R
′
rc,NIR
＝
R
rc,RED
+(R
rc,SWIR
‑
R
rc,RED
)*(
λ
NIR
‑
λ
RED
)/(
λ
SWIR
‑
λ
RED
)
其中，
R
rc,RED
、R
rc,NIR
和
R
rc,SWIR
分别表示红光波段
、
近红外波段和短波红外波段的反射率数值，
λ
RED
,
λ
NIR
和
λ
SWIR
分别表示红光波段
、
近红外波段和短波红外波段的中心波长；
S4
：将每个像元的差异值
F
分别与设置的阈值进行比较，得到水华二值图；
S5
：将所述气象数据重采样为与遥感影像相同分辨率的栅格，获取每个栅格的气象数据；
S6
：将每个像元的差异值
F
及其对应位置栅格的气象数据作为一个数据组，获取每个像元对应的数据组；
S7
：以各个像元发生水华的概率作为因变量，以各个像元的数据组作为自变量，通过线性回归方程建立回归模型；所述回归模型的表达式为：
p
＝
α
+
β1x1+
β2x2+
β3x3+
……
+
β
m
x
m
其中，
p
为像元发生水华的概率，
x1,x2,x3,
…
,x
m
为该像元的数据组中的各个数据，
m
为数据组中数据的总数量；
α
,
β1,
β2,
β3,
…
,
β
m
为待求的参数；
S8
：根据已知的各个像元发生水华的概率及其数据组，求解回归模型的参数；
S9
：根据求解后的回归模型对水华进行预测
。2.
根据权利要求1所述的基于气象和遥感数据的水华预测方法，其特征在于，所述
S4
包括：
S41
：将每个像元的差异值
F
分别与设置的阈值进行比较，将差异值
F
大于阈值的像元作为水华区域，否则作为非水华区域；
S42
：将水华区域的各个像元赋值为1，非水华区域的各个像元赋值为0，得到水华二值图
。3.
根据权利要求2所述的基于气象和遥感数据的水华预测方法，其特征在于，所述
S8
包括：
S81
：将水华二值图上各个像元的值作为各个像元发生水华的概率；
S82
：根据各个像元发生水华的概率及其数据组，通过极大似然法求解估计回归模型的参数
。4.
根据权利要求3所述的基于气象和遥感数据的水华预测方法，其特征在于，所述
S7
还包括：对回归模型的
p
做
logit
变换，以
logit(p)
为因变量，将回归模型变换为：
logit(p)
＝
ln(p/(1
‑
p))
＝
α
+
β1x1+
β2x2+
β3x3+
……
+
β
m
x
m
。5.
根据权利要求4所述的基于气象和遥感数据的水华预测方法，其特征在于，所述
S9
包括：
S91
：获取待预测区域的遥感影像和气象数据，并计算每个待预测像元的数据组；
S92
：将每个待预测像元的数据组作为求解后的回归模型的输入，输出待预测像元发生水华的概率；
S93
：将待预测像元发生水华的概率与设置的水华阈值进行比较，若概率大于水华阈值，则将待预测像元标记为预测水华区域，否则标记为预测...

【专利技术属性】
技术研发人员：张兆勇，赵焕，王雪蕾，陈华杰，窦华山，敖文，陶玉龙，李泉，
申请(专利权)人：生态环境部卫星环境应用中心，
类型：发明
国别省市：