Enfoque de los medios de comunicación de Global Vision
La empresa apareció en CCTV un total de 15 veces, y su alcance a través de los medios del Partido, los medios centrales y los medios oficiales locales llegó a un total de 50 millones de personas.
Estudio de caso sobre la clasificación de floraciones de algas en el lago Taihu basada en SAM
Introducción a los antecedentes
La tecnología de teledetección por satélite desempeña un papel importante en el control de la calidad del agua en las masas de agua continentales.De amplio alcance, relativamente rápido y de bajo costo.Es posible invertir parámetros clave de la calidad del agua. Sin embargo, el monitoreo de la calidad del agua continental también exige mucho de la tecnología de teledetección satelital: los cuerpos de agua pequeños requieren alta resolución espacial; la calidad del agua, que cambia rápidamente, requiere alta resolución temporal; y las propiedades ópticas complejas y variables de los cuerpos de agua requieren alta resolución espectral. Por lo tanto, los datos satelitales que cumplen simultáneamente con alta resolución espacial, temporal y espectral ofrecen ventajas significativas para el monitoreo del agua continental.
El Mapeador de Ángulo Espectral (SAM) es un método de clasificación espectral basado en la física que utiliza ángulos n-dimensionales para relacionar píxeles con espectros de referencia. El algoritmo determina la similitud espectral entre dos espectros calculando los ángulos entre ellos y tratándolos como vectores en un espacio con una dimensión igual al número de bandas. Los espectros de componentes extremos utilizados por SAM pueden provenir de archivos ASCII o bibliotecas espectrales, o bien pueden extraerse directamente de la imagen (como el espectro promedio de la región de interés). Cuanto menor sea el ángulo, mayor será la probabilidad de que pertenezcan a la misma categoría. Se trata de un método de clasificación supervisada ampliamente utilizado en la teledetección hiperespectral.
Métodos y principios
Este estudio de caso utiliza imágenes hiperespectrales de la región del lago Taihu tomadas por el satélite Xiguang-1 05 (Tianxianpei) el 18 de junio de 2025 para realizar una clasificación SAM y analiza la distribución espacial de las floraciones de algas basándose en los resultados de la clasificación.
Tabla 1. Introducción de datos
El procedimiento operativo específico es el siguiente:
1. Preprocesamiento de datos
(1) Calibración de radiación:Para los datos originales del valor DN, se realiza una corrección radiométrica utilizando los coeficientes de calibración radiométrica proporcionados por la radiancia para obtener los datos de radiancia aparente. Esto se puede hacer utilizando la herramienta de calibración radiométrica en ENVI.
(2) Corrección atmosférica:La corrección atmosférica se realiza utilizando herramientas de corrección atmosférica basadas en los modelos 6S o MODTRAN para obtener datos de reflectancia de la superficie, como la herramienta de corrección atmosférica FLAASH en ENVI.
(3) Suavizado espectral:En ENVI, el algoritmo Savitzky-Golay (SG) se utiliza para suavizar los datos de reflectancia superficial, lo que reduce el ruido espectral y mejora la fiabilidad de la clasificación posterior. Puede utilizar la extensión Filtro Savitzky-Golay disponible en la App Store de ENVI o la herramienta integrada de suavizado espectral THOR.
(4) Registro de imágenes (opcional):Tras el procesamiento, realice la georreferenciación del mapa base. Esta georreferenciación puede realizarse en ENVI, QGIS o ArcGIS. Se recomienda utilizar Google Images como mapa de referencia.
(5) Mascarilla corporal de agua:Mediante el cálculo del índice de agua normalizado a partir de la reflectancia de la superficie y la selección de un umbral apropiado basado en el histograma de los resultados del cálculo, se extrae la región del lago Taihu.
(6) Selección de muestras de ROI:Haz clic en los datos de reflectancia superficial, usa la herramienta de selección de ROI para seleccionar una cantidad adecuada de datos de muestras de cuerpos de agua y floraciones de algas, y resume y visualiza estadísticamente las curvas espectrales. Usa la función Opción->Calcular separabilidad de ROI para calcular los parámetros de Jeffries-Matusita y Divergencia transformada. Un valor de parámetro mayor que 1,9 indica una buena separabilidad de las muestras; un valor menor que 1,8 requiere volver a seleccionar las muestras.
(7) Coincidencia de ángulo espectral SAM:Seleccione la herramienta de clasificación de mapeo de ángulo espectral:
(a) Se seleccionaron los datos de reflectancia superficial filtrada del lago Taihu como datos de entrada, y los resultados de la binarización NDWI se seleccionaron como datos de máscara para eliminar las imágenes de cuerpos que no son de agua.
Mascarilla NDWI
b) Seleccione las muestras que desea clasificar, haga clic en Aplicar para acceder al panel de configuración de parámetros y establezca el umbral del ángulo espectral (el valor predeterminado es 0,1 radianes). Un umbral mayor produce un rango de clasificación más amplio; un umbral menor produce una mayor precisión de clasificación.
Establecer ángulo máximo: Establece el umbral máximo del ángulo espectral (0~1,0), en radianes. Puede establecer un único umbral o establecer umbrales individuales para cada categoría.
Imágenes de reglas de salida: Indica si se debe generar un archivo de reglas. Este archivo es una imagen generada con ángulos espectrales como valores de píxel. Al generarlo, se puede utilizar para la clasificación mediante segmentación de densidad o como referencia para obtener un umbral.
1. Cálculo del índice espectral
(1) YO SOY
La extensión de los cuerpos de agua se extrajo utilizando el método del índice espectral. Específicamente, el Índice de Diferencia Normalizada del Agua (NDWI) se calculó a partir de la imagen de reflectancia superficial procesada por FLASH. Luego, basándose en el histograma de la imagen NDWI, se estableció un umbral para completar la extracción de los cuerpos de agua. La fórmula de cálculo es la siguiente:
La máscara de agua del lago Taihu se extrajo calculando el NDWI y se utilizó para las operaciones de clasificación posteriores.
Visualización de resultados
Figura 1 Imagen compuesta en color realXiguang No. 1 05 (Una combinación perfecta) 20250618
Comparación de curvas espectrales en la región del lago Taihu antes y después del filtrado SG (reflectividad aumentada 10.000 veces, satélite Xiguang-1 05 (Tianxianpei), 20250406)
Figura 2. Comparación de las curvas espectrales antes y después del filtrado SG.
Los siguientes resultados se obtuvieron a partir de la extracción de cuerpos de agua y el cálculo del índice realizado con los datos XG05:
Figura 3. Mapa de distribución de la floración de algas SAM. Xiguang No. 1 05 (Una combinación perfecta) 20250618
Los resultados anteriores muestran que la proliferación de algas es severa en la zona occidental del lago Taihu, con mayores concentraciones de clorofila a cerca de las zonas afectadas. Esto se debe a que en la parte occidental del lago desembocan ríos que aportan grandes cantidades de nutrientes, lo que provoca un crecimiento vigoroso de algas y, por consiguiente, floraciones de cianobacterias y un aumento en las concentraciones de clorofila a. Las zonas central y oriental del lago Taihu se ven menos afectadas, lo que resulta en una mejor calidad del agua que la zona occidental. En la parte oriental del lago crecen plantas acuáticas y la concentración de clorofila a es menor. La zona central del lago es una zona de distribución de floraciones de algas a gran escala, y cuando una floración ocurre en verano, cubre una gran área. Por el contrario, las floraciones de algas rara vez ocurren en la zona suroeste del lago, y casi no se producen en la zona oriental, lo que indica que el ambiente en esta última es mejor.
Al establecer diferentes parámetros de umbral de ángulo espectral, SAM es altamente sensible a los parámetros, lo que resulta en amplificación de ruido y distorsión angular en la banda. Al mismo tiempo, se produce un sesgo sistemático cuando es difícil obtener componentes puros o el umbral se establece incorrectamente, lo que finalmente provoca una clasificación errónea de tipo "sal y pimienta" y una detección fallida a gran escala. En el futuro, se puede combinar con métodos como la reducción de dimensionalidad, las restricciones espaciales y el aprendizaje profundo para mejorar significativamente la precisión de la clasificación manteniendo la interpretabilidad física.