CN103439472A - 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 - Google Patents
基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 Download PDFInfo
- Publication number
- CN103439472A CN103439472A CN201310236767XA CN201310236767A CN103439472A CN 103439472 A CN103439472 A CN 103439472A CN 201310236767X A CN201310236767X A CN 201310236767XA CN 201310236767 A CN201310236767 A CN 201310236767A CN 103439472 A CN103439472 A CN 103439472A
- Authority
- CN
- China
- Prior art keywords
- evidence
- remote sensing
- monitoring
- wave band
- omega
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000004927 fusion Effects 0.000 title claims abstract description 33
- 238000005516 engineering process Methods 0.000 title claims abstract description 29
- 230000006872 improvement Effects 0.000 title claims abstract description 15
- 241000192710 Microcystis aeruginosa Species 0.000 title abstract description 7
- 238000000611 regression analysis Methods 0.000 claims abstract description 4
- 238000002310 reflectometry Methods 0.000 claims description 57
- 229930002868 chlorophyll a Natural products 0.000 claims description 40
- 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 40
- 241000192700 Cyanobacteria Species 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 74
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000010606 normalization Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 7
- 238000002715 modification method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241000195493 Cryptophyta Species 0.000 description 2
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 description 2
- 102000006463 Talin Human genes 0.000 description 2
- 108010083809 Talin Proteins 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000005422 algal bloom Substances 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法,属于环境工程技术领域。所述方法的步骤包括建立遥感反演模型、确定蓝藻水华暴发程度识别指标、监测数据预处理、信任函数值分配和监测区蓝藻水华识别。本发明提出将集成学习的Bagging算法融入到遥感反演模型即归一化植被指数模型的回归分析中,对模型的参数进行了修正,得到修正后的遥感反演模型,从而提高其拟合精度;解决了选取适合于湖库蓝藻水华识别的指标及其取值范围的问题;解决了监测区域选取及遥感监测数据预处理的问题;解决了信任函数值的分配问题;实现了蓝藻水华的有效识别。
Description
技术领域
本发明涉及一种湖库蓝藻水华识别方法,属于环境工程技术领域,具体地说,是指一种基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法。
背景技术
随着社会经济发展,水资源在国民经济和社会发展中的地位和作用越来越突出。然而,近些年来我国湖库等水体接纳过量的氮、磷等植物性营养物,使藻类和其它水生植物异常繁殖,出现了水体透明度和溶解氧下降,水质恶化,鱼类及其它生物大量死亡的水体富营养化现象,该现象即为水华。湖库水体蓝藻水华成为我国目前以及今后相当长一段时期内的重大水环境问题,不仅给湖区人民发展水产养殖、观光游览等经济活动带来重大损失,而且还会影响到水源地的供水,给经济建设和人民身体健康造成直接的损害,有的地区已成为经济发展的重要制约因素。为减少蓝藻水华发生频率及由此造成的重大损失,开展蓝藻水华识别研究已成当务之急。
传统水质监测方法主要是对单一监测站点进行对比分析,涉及的范围只限制在站点监测半径之内。因此,如果结合监测范围广泛的卫星遥感数据,对某一区域内的监测站点,将遥感监测技术与地面水质实时在线监测技术获得信息进行有效融合,这样蓝藻水华地面监测方式由传统的单点监测分析,上升到区域性的监测分析,即实现了蓝藻水华监测方式由点到面的扩展。在此基础上进行区域性的湖库蓝藻水华识别研究,对进一步提高信息的利用率,增加蓝藻水华识别准确度十分必要,对于准确获得水环境状况及了解其发展规律具有重要现实意义。
由于湖库蓝藻水华暴发是众多影响因素共同作用的结果,在研究蓝藻水华时空演化规律过程中,有必要引入信息融合技术,它可以将多个相同类型或不同类型传感器的水质参数信息进行综合分析,将多传感器的冗余和矛盾信息进行消除和降噪处理,对不完整信息及不确定信息加以互补,从而降低了监测数据的不确定性。经过融合处理后的信息对蓝藻水华暴发环境的感知与描述相对更为完整,从而提高蓝藻水华识别的准确率。
证据理论作为一种数学工具,在对不确定与不精确的问题进行推理和建模中发挥了很大优势,该方法已经成为了信息融合基本方法之一,同时在进行不确定的信息组合过程中提供了一个新思考方向。证据理论在大多数情况下都可以得到较好的融合效果,但是在处理冲突证据时会出现有违常理的结果。由于卫星遥感容易受大气影像或者大型水生植物影响导致传感器采集到的光谱数据失效,地面传感器损坏导致采集数据失效等原因,失效传感器信息与其他传感器的正确信息会出现很大冲突,这样就会造成融合结果出现问题。在解决证据理论失效这一课题上,不少学者进行了相关研究,这些改进方法可以综合概括为两大类,一类是对证据合成规则进行改进的方法,另一类是对证据源本身进行修正的方法。
然而,将遥感监测信息融合及证据理论应用于湖库蓝藻水华识别方法中,仍然存在以下问题:
1.采用遥感监测技术进行水质监测时,需建立遥感监测数据与地面监测点数据的遥感反演模型。而采用现有的回归分析方法建模时,其建模精度往往不够理想,需对遥感反演模型参数的修正方法进行研究。
2.如何选取适合于湖库蓝藻水华识别的指标及其取值范围,并且需考虑地面监测点以及遥感监测两种方式的指标选取。
3.湖库水体区域通常较大,若对水体区域内监测数据进行全部提取则意义不大,需研究监测区域的选取,另外,对于区域性的遥感监测数据还需进行一定的预处理,使其能够有效反映监测区域内的蓝藻水华识别指标的取值范围。
4.利用证据理论方法进行信息融合,首先要解决信任函数值的分配问题,根据信任函数的定义,其值域要映射到[0,1]区间中,且针对监测区内地面监测点数据和遥感监测数据,需研究不同的映射方法。
5.现有对证据源进行修正的方法中,基于优化权重分配的证据源修正方法较为有效,而其目标优化模型中还未考虑各证据源的不确定性对证据距离的影响,因此可研究进一步的改进方法。
6.如何将改进后的证据源修正方法与现有证据合成规则相结合,以实现蓝藻水华的有效识别,需研究相应的公式组合方法。
发明内容
本发明的目的是为了解决通过湖库地面监测点与遥感监测信息的融合技术实现对湖库蓝藻水华有效识别的问题。本发明考虑湖库蓝藻水华暴发具有突发性、区域性等特征,采用回归分析及集成学习的方法建立并修正湖库水体遥感反演模型,由此给出蓝藻水华暴发程度识别指标的取值范围,通过对监测数据预处理及采用模糊理论进行信任函数值的分配,并提出改进的证据融合技术对地面监测点和遥感监测信息进行融合,从而实现对湖库蓝藻水华的准确有效识别。
本发明提供的基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法,主要包括以下五个步骤:
步骤一、建立遥感反演模型;
本发明的监测数据包括两类,一类是以地面监测点传感器方式获得的地面监测点数据,另一类是以遥感监测方式获得的遥感监测数据。通过建立遥感监测数据与地面监测点数据的遥感反演模型,可以得到二者间的对应关系。
本发明采用带有波段反射率比值参数的遥感反演模型,对遥感监测数据(即波段反射率比值)和地面监测点数据(即叶绿素a浓度)采用回归分析方法确定出模型参数,并利用集成学习的方法修正模型参数。
步骤二、确定蓝藻水华暴发程度识别指标;
在综合分析现有水体评价标准基础上,本发明采用最具说服力和应用最为普遍的评价指标即叶绿素a浓度,以及与叶绿素a浓度相对应的水体遥感波段反射率比值作为识别蓝藻水华暴发程度的指标集,其中遥感波段反射率比值指标的取值范围是根据地面监测点的叶绿素a浓度指标采用步骤一的遥感反演模型获得。
步骤三、监测数据预处理;
由于湖库水体区域通常较大,对水体区域内监测数据进行全部提取意义不大,所以本发明进行监测区域选取时尽量选取近岸区域,并对遥感监测数据提取监测区域内各地面监测点处的遥感波段反射率比值,以及监测区域内遥感监测数据的最大值和最小值,再对其采用平均的方法获取。
步骤四、信任函数值分配;
利用证据理论方法进行信息融合,首先要解决各证据源(即各监测点,包括各地面监测点及遥感监测)的信任函数值分配问题,根据信任函数的定义,其值域要映射到[0,1]区间中。在对蓝藻水华暴发程度识别指标采用语言变量进行分类后,本发明引入模糊集的概念,通过模糊隶属度函数来表示信任函数,在模糊集合中,信任函数值的取值范围完全满足在[0,1]区间中,并且连续变化。
步骤五、监测区蓝藻水华识别;
本发明在现有基于优化权重分配的证据源修正方法基础上,提出利用各证据源的信息熵对证据距离进行加权修正,从而对目标优化模型进行改进的方法。再将修正后的证据源与基于证据可信度的证据合成规则进行合成,从而给出改进的证据理论组合公式,由此得到监测区域蓝藻水华暴发程度识别结果。
本发明的优点在于:
1.本发明提出将集成学习的Bagging算法融入到遥感反演模型即归一化植被指数模型的回归分析中,对模型的参数进行了修正,得到修正后的遥感反演模型,从而提高其拟合精度。
2.本发明根据现有水体评价标准采用叶绿素a浓度和与叶绿素a浓度相对应的水体遥感波段反射率比值作为识别蓝藻水华暴发程度的指标集,并且根据地面监测点的叶绿素a浓度指标取值范围采用遥感反演模型获得遥感波段反射率比值的指标取值范围,从而解决了选取适合于湖库蓝藻水华识别的指标及其取值范围的问题。
3.本发明选取蓝藻水华暴发频率较高且地面监测点较多的近岸区域作为监测区域,并且将该区域内遥感监测数据进行平均处理后作为一个独立的数据源,再和其它地面监测点数据进行融合,从而解决了监测区域选取及遥感监测数据预处理的问题。
4.本发明引入模糊集的概念,通过分别针对叶绿素a浓度指标及遥感波段反射率比值指标建立不同的模糊隶属度函数,将证据理论中信任函数的值域映射到[0,1]区间中,解决了信任函数值的分配问题。
5.本发明提出利用各证据源的信息熵对证据距离进行修正,从而对目标优化模型进行改进的方法,在基于优化权重分配的证据源修正方法基础上,考虑了各证据源的不确定性对证据距离的影响,使其优化结果与实际更为相符。
6.本发明将改进后的证据源修正方法与冲突信息全部可以分配的证据合成规则相结合,给出改进的证据理论组合公式,改进了证据融合技术,通过与基于现有的证据融合技术的蓝藻水华识别结果的对比,实现了蓝藻水华的有效识别。
附图说明
图1是本发明基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法的流程图;
图2是实施例1中的叶绿素a浓度指标的模糊隶属度函数;
图3是实施例1中的修正后的遥感反演模型的拟合结果;
图4是实施例1中的监测区域的选取;
图5是实施例1中的遥感反射率比值指标的模糊隶属度函数。
图中曲线编码分别为:NC-实施例1中叶绿素a浓度指标下的无水华隶属度函数μNC(y),SC-实施例1中叶绿素a浓度指标下的轻度水华隶属度函数μSC(y),MC-实施例1中叶绿素a浓度指标下的中度水华隶属度函数μMC(y),LC-实施例1中叶绿素a浓度指标下的重度水华隶属度函数μLC(y),NB-实施例1中遥感波段反射率比值指标下的无水华隶属度函数μNB(x),SB-实施例1中遥感波段反射率比值指标下的轻度水华隶属度函数μSB(x),MB-实施例1中遥感波段反射率比值指标下的中度水华隶属度函数μMB(x),LB-实施例1中遥感波段反射率比值指标下的重度水华隶属度函数μLB(x)。
具体实施方式
下面将结合附图和实施例1对本发明作进一步的详细说明。
为便于说明,本说明书中所有未经解释的字母含义由下述假设解释:假设y={y1,y2,…,yn}表示地面监测点数据(即叶绿素a浓度),x={x1,x2,...,xn}表示与地面监测点对应的遥感监测数据(即遥感波段反射率比值),n表示地面监测点的个数。
步骤一、建立遥感反演模型;
遥感反演模型种类较多,本发明采用波段反射率比值方法,主要原因在于这类反演模型是比较成熟的模型,能在很大程度上降低数据处理和分析难度,使得该类模型的可操作性更强。本发明采用波段反射率比值方法中的归一化植被指数模型作为遥感反演模型,模型中波段反射率比值采用遥感监测数据与地面监测点数据相关性较高的波段的反射率比值,公式为
y=a·x+b (1)式中:y为地面监测点数据,x为遥感波段反射率比值,x=(band2-band1)/(band2+band1),band1和band2分别表示本发明所选取的两个遥感波段(即波段1和波段2)的反射率,且两个波段的反射率比值与对应的地面监测点数据相关性较高,a、b为线性回归参数。
本发明提出将集成学习的Bagging算法融入到归一化植被指数模型的回归分析中,以提高其拟合精度。Bagging算法思想是给定一弱学习算法和一训练集(x1,y1),(x2,y2),…,(xn,yn)。每次从训练集中取样m(m<n)个训练例训练,训练完毕将取样放回训练集,初始训练例在某轮训练集中可以出现多次或根本不出现。训练之后可得到一个预测函数序列h1,h2,…hT,T表示训练的次数。最终的预测函数H对分类问题采用等权重投票方式,对数值问题采用得票的平均值来表示。由于本发明的回归分析属于数值问题,因此本发明中Bagging算法的具体描述为:
(1)对于t=1,2,,T;
(2)随机从训练集中提取m个训练例作为训练样本输入:(x1,y1),(x2,y2)…(xm,ym);
①训练得到模型
其中,,为第t次训练得到的线性回归参数;
②将训练样本放回训练集;
(3)输出预测函数H(x):
则最终的预测函数
y=H(x)=aH·x+bH (2)即为修正后的遥感反演模型,其中,aH,bH为修正后的线性回归参数。
步骤二、确定蓝藻水华暴发程度识别指标;
综合分析现有水体评价标准,采用地面监测点数据(即叶绿素a浓度)和与叶绿素a浓度相对应的水体遥感波段反射率比值作为识别蓝藻水华暴发程度的指标集。
蓝藻水华暴发程度的识别框架为Θ={N,S,M,L},本发明在蓝藻水华暴发识别中对叶绿素a浓度指标的取值范围采用表1的标准。而遥感波段反射率比值指标的取值范围则根据地面监测点的叶绿素a浓度指标采用步骤一的遥感反演模型公式(2)计算获得。
表1蓝藻水华暴发程度识别指标(叶绿素a浓度)
步骤三、监测数据预处理;
本发明对监测区域进行选取时尽量选取近岸区域,因为这些近岸区域蓝藻水华暴发频率较高,且地面监测点较多,以这类近岸区域为研究对象更具有实际意义。由于本发明采用多源信息融合方法来识别监测区域的蓝藻水华暴发程度,因此监测数据既包括了监测区域内多个地面监测点的传感器数据,也包括该监测区域内遥感监测数据。在对监测区域内的多种监测数据进行信息融合前,需对监测数据进行预处理。对于监测区域内的地面监测点数据,本发明将每个地面监测点的监测数据均作为一个独立数据源;而监测区域内遥感监测数据量较大,全部用来做信息融合处理的可操作性和现实意义不大,因此本发明将该监测区域内遥感监测数据进行平均处理后作为一个独立的数据源,再和其它地面监测点数据进行融合,具体为:提取监测区域内地面监测点处的遥感波段反射率比值,并对监测区域的遥感监测数据提取遥感波段反射率比值的最大值和最小值,再通过对三者进行平均的方法获取监测区域的遥感波段反射率比值的均值
步骤四、信任函数值分配;
根据表1中的叶绿素a浓度指标的取值范围,选用三角形隶属度函数对叶绿素a浓度指标进行模糊化处理,令无水华隶属度函数为μNC(y),轻度水华隶属度函数为μSC(y),中度水华隶属度函数为μMC(y),重度水华隶属度函数为μLC(y),y为叶绿素a浓度,隶属度函数值即为地面监测点的信任函数值。各隶属度函数如公式(4)~(7)及图2所示。
μNC(y)=(0.01-y)/0.01,0≤y<0.01(4)
同理,根据步骤二计算得到蓝藻水华暴发程度识别指标中的遥感波段反射率比值指标的取值范围,选用三角形隶属度函数对遥感波段反射率比值指标进行模糊化处理,令无水华隶属度函数为μNB(x),轻度水华隶属度函数为μSB(x),中度水华隶属度函数为μMB(x),重度水华隶属度函数为μLB(x),x为遥感波段反射率比值,各隶属度函数值即为遥感监测的信任函数值。
通过叶绿素a浓度指标和遥感波段反射率比值指标的隶属度函数,得到监测区域内各地面监测点及遥感监测的信任函数分配结果。
步骤五、监测区蓝藻水华识别;
基于优化权重分配的证据源修正方法是考虑到多个监测点(包括地面监测点和遥感监测)提供的证据源信息在融合过程中对融合结果的贡献率不同,利用全局优化思想,在保证各个命题加权证据和所期望证据间距离最小情况下,即修正后证据源冲突最小情况下,获取证据优化权重值。在此基础上,本发明考虑到各加权证据到期望证据间的证据距离与各证据源的不确定性有关,因此提出利用各证据源的信息熵对证据距离进行加权修正,从而对目标优化模型进行改进的方法。在对证据源进行修正后,采用冲突信息全部可以分配的基于证据可信度的证据合成规则,将修正后的证据源进行证据合成,从而对修正后的证据源及证据合成规则的组合公式进行改进,得到改进后的证据理论组合公式,最终得到监测区域蓝藻水华暴发程度识别结果。
设ω1,ω2,...,ωn为证据源m1,m2,...,mn在信息融合中对应的优化权重值,n为证据源的个数,则期望证据m′为各证据源与其相对应优化权重的加权平均,即
令Θ为包含u个互不相同命题的完备识别框架,其中各个加权证据ωimi与期望证据之间的证据距离为
式中,D是一个2u×2u的矩阵,其中的元素为:
其中,Ai,Aj分别表示第i,j个焦元,P(Θ)表示概率。
考虑到各加权证据到期望证据间的证据距离与各证据源的不确定性有关,本发明对各证据距离的信息熵权重的计算方法如下:
用mi(Aj)表示第j个焦元所对应的第i个证据源的信任函数值。则信任函数矩阵表示为
[mi(Aj)]n×u,1≤i≤n,1≤j≤u
其中,n,u分别表示信任函数矩阵的行数和列数。
由于信任函数矩阵中同一行的元素之和,即同一证据源对各焦元的信任函数值之和为1,因此无需对其进行归一化处理。则信任函数矩阵中第j列元素对第i行元素的熵Ei为
其中k为常量,k=1/lnu,这保证了0≤Ei≤1。
信息偏差度di定义为
di=1-Ei (13)
将各个加权证据与期望证据之间的证据距离加以信息熵权重后,作为目标优化模型,求取相应的证据优化权重值。经过证据距离信息熵权重改进的目标优化模型为
在对证据源进行修正后,采用冲突信息全部可以分配的基于证据可信度的证据合成规则,将修正后的证据源进行证据合成,从而对修正后的证据源及证据合成规则的组合公式进行改进,其改进后的证据理论组合公式为
其中,A为焦元,m(A)为焦元A的信任函数,m′i(Aj)=ωimi(Aj),m′i(Aj)为第i个加权证据对第j个焦元Aj的信任函数,mi(Aj)为第i个证据源对第j个焦元Aj的信任函数,mi(A)为第i个证据源对焦元A的信任函数, p,q=1,2,...,u,kij表示证据源i和证据源j之间的冲突度,k表示证据两两之间的冲突程度,ε=e-k,ε表示证据可信度。
根据监测区域的各监测点信任函数分配结果以及改进后的证据理论组合公式,得到监测区域蓝藻水华暴发程度识别结果。
实施例1:
本发明以太湖水体为例进行蓝藻水华暴发程度识别,采用叶绿素a浓度以及与叶绿素a浓度相对应的水体遥感波段反射率比值作为识别蓝藻水华暴发程度的指标。
步骤一、建立遥感反演模型;
地面监测点数据为叶绿素a浓度,其与各地面监测点数据对应的遥感波段反射率比值如表2所示。
表2地面监测点数据(叶绿素a浓度)与遥感波段反射率比值
采用归一化植被指数模型对叶绿素a浓度及其对应的遥感波段反射率比值进行回归分析,并采用集成学习中的Bagging算法对归一化植被指数模型的参数进行修正,以表2中的数据作为训练集,每次从训练集中抽取少于23个训练样本进行训练,共训练10次,得到最终的遥感反演模型
y=0.0534x-0.0246
模型拟合结果如图3所示。
步骤二、确定蓝藻水华暴发程度识别指标;
蓝藻水华暴发程度的识别框架为Θ={N,S,M,L},对地面监测点的叶绿素a浓度指标的取值范围采用表1的标准,并根据叶绿素a浓度指标的取值范围采用遥感反演模型获得遥感波段反射率比值指标取值范围,从而得到蓝藻水华暴发程度识别指标,如表3所示。
表3蓝藻水华暴发程度识别指标
步骤三、监测数据预处理;
监测区域选取近岸区域如图4中方框所示,图中三角形图案代表地面监测点。在监测区域中,地面监测点数据如表4所示。地面监测点处的遥感波段反射率比值和监测区域遥感波段反射率比值的最大值和最小值如表5所示。
表4监测区域地面监测点数据
表5监测区域遥感监测数据
步骤四、信任函数值分配;
根据表1中的叶绿素a浓度指标的取值范围,选用三角形隶属度函数对叶绿素a浓度指标进行模糊化处理,各隶属度函数如公式(4)~(7)及图2所示。
同理,根据表3中的遥感波段反射率比值指标的取值范围,选用三角形隶属度函数对遥感波段反射率比值指标进行模糊化处理,令无水华隶属度函数为μNB(x),轻度水华隶属度函数为μSB(x),中度水华隶属度函数为μMB(x),重度水华隶属度函数为μLB(x),x为遥感波段反射率比值,各隶属度函数值即为遥感监测的信任函数值。各隶属度函数如公式(17)~(20)及图5所示。
μNB(x)=(0.68-x)/0.68,0≤x<0.68 (17)
对不同监测点的信任函数分为两种方式进行计算,5个地面监测点的信任函数采用公式(4)~(7)进行计算,遥感监测的信任函数采用式公式(17)~(20)进行计算,各监测点的信任函数分配结果如表6所示。
表6信任函数分配表
步骤五、监测区蓝藻水华识别;
根据信任函数分配表,以及改进后的证据理论组合公式,将无冲突情况(即所有监测点数据正常的情况)和有冲突情况(即存在监测点数据异常的情况)进行汇总结果如表7所示。
表7监测区蓝藻水华识别结果
此外,为更直观地说明本发明提出的基于改进证据融合技术的蓝藻水华识别方法的优势,另给出采用现有的D-S证据融合技术识别结果,以与本发明方法结果进行比较。
根据表7监测区蓝藻水华识别结果可知:
1.在所有监测点数据正常的情况下,对监测区域采用本发明提出的改进证据融合技术进行水华识别,由识别结果可以判断该区域主要存在中度水华的概率为79%,重度水华的概率为21%,而采用D-S证据融合技术的水华识别结果为中度水华的概率为89%,重度水华的概率为11%,两种方法的识别结果均为中度水华;
2.当地面监测点3因某种原因导致其监测数据与其它监测点存在较大冲突时,采用本发明的改进证据融合技术对监测区域进行蓝藻水华识别的结果为存在中度水华的概率为66%,重度水华的概率为34%。该结果与无证据冲突情况下合成结果,虽然存在一定差异,但是从判定范围上没有出现误判,本发明方法的识别效果在一定程度上得到了验证。而采用D-S证据融合技术的水华识别结果为中度水华的概率为70%,重度水华的概率为30%,两种方法的识别结果均为中度水华;
3.当遥感监测数据与地面监测数据存在较大冲突时,此时识别结果为存在中度水华的概率为63%,重度水华的概率为37%。该结果与无证据冲突情况下合成结果,虽然存在一定差异,但是从判定范围上没有出现误判,本发明方法的识别效果在一定程度上得到了验证。而采用D-S证据融合技术的水华识别结果为中度水华的概率为79%,重度水华的概率为21%,两种方法的识别结果均为中度水华;
4.当地面监测点1和3同时因某种原因导致其监测数据与其它监测点存在较大冲突时,识别结果为存在中度水华的概率为56%,重度水华的概率为44%。该结果与无证据冲突情况下合成结果,虽然存在一定差异,但是识别结果仍为中度水华,从判定范围上没有出现误判。而此时,采用D-S证据融合技术的水华识别结果为中度水华的概率为48%,重度水华的概率为52%,其水华识别结果为重度水华,这与所有监测点数据正常的情况下的识别结果不符,出现了误判,因此本发明方法的识别效果相比现有的D-S证据融合技术更理想。
Claims (4)
1.基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法,其特征在于包括如下步骤:
步骤一、建立遥感反演模型;
对遥感监测数据和地面监测点数据采用回归分析方法确定出遥感反演模型参数,并利用集成学习的方法修正遥感反演模型参数,最后得到所述的遥感反演模型;所述的遥感监测数据为遥感波段反射率比值,所述的地面监测点数据为叶绿素a浓度;
步骤二、确定蓝藻水华暴发程度识别指标;
所述的识别指标包括叶绿素a浓度,还包括与叶绿素a浓度相对应的水体遥感波段反射率比值;
步骤三、监测数据预处理;
所述的监测数据包括遥感监测数据和地面监测点数据;每个地面监测点数据均作为一个独立数据源;提取地面监测点处的遥感波段反射率比值,并对监测区域的遥感监测数据提取遥感波段反射率比值的最大值和最小值,再通过对三者进行平均的方法获取监测区域的遥感波段反射率比值的均值作为独立数据源:
步骤四、信任函数值分配;
根据叶绿素a浓度指标取值范围,选用三角形隶属度函数对叶绿素a浓度指标进行模糊化处理,令无水华隶属度函数为μNC(y),轻度水华隶属度函数为μSC(y),中度水华隶属度函数为μMC(y),重度水华隶属度函数为μLC(y),y为叶绿素a浓度,隶属度函数值即为地面监测点的信任函数值;根据遥感波段反射率比值指标的取值范围,选用三角形隶属度函数对遥感波段反射率比值指标进行模糊化处理,令无水华隶属度函数为μNB(x),轻度水华隶属度函数为μSB(x),中度水华隶属度函数为μMB(x),重度水华隶属度函数为μLB(x),x为遥感波段反射率比值,各隶属度函数值即为遥感监测的信任函数值;通过叶绿素a浓度指标和遥感波段反射率比值指标的隶属度函数,得到监测区域内各地面监测点及遥感监测的信任函数分配结果;
步骤五、监测区蓝藻水华识别;
利用各证据源的信息熵对证据距离进行加权修正,从而对目标优化模型进行改进,再将修正后的证据源与基于证据可信度的证据合成规则进行合成,从而给出改进的证据理论组合公式,由此得到监测区域蓝藻水华暴发程度识别结果。
3.根据权利要求1所述的基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法,其特征在于:步骤四中叶绿素a浓度指标的各隶属度函数如下:
μNC(y)=(0.01-y)/0.01,0≤y<0.01 (4)
4.根据权利要求1所述的基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法,其特征在于:所述的步骤五具体为:
设ω1,ω2,...,ωn为证据源m1,m2,…,mn在信息融合中对应的优化权重值,n为证据源的个数,则期望证据m′为各证据源与其相对应优化权重的加权平均,即
令Θ为包含u个互不相同命题的完备识别框架,其中各个加权证据与期望证据之间的证据距离为
其中,Ai,Aj分别表示第i,j个焦元,P(Θ)表示概率;
对各证据距离的信息熵权重的计算方法如下:
用mi(Aj)表示第j个焦元所对应的第i个证据源的信任函数值,则信任函数矩阵表示为
[mi(Aj)]n×u,1≤i≤n,1≤j≤u
其中,n,u分别表示信任函数矩阵的行数和列数;
由于信任函数矩阵中同一行的元素之和,即同一证据源对各焦元的信任函数值之和为1,因此无需对其进行归一化处理,则信任函数矩阵中第j列元素对第i行元素的熵Ei为
其中k为常量,k=1/lnu,这保证了0≤Ei≤1;
信息偏差度di定义为
di=1-Ei (13)
将各个加权证据与期望证据之间的证据距离加以信息熵权重后,作为目标优化模型,求取相应的证据优化权重值;经过证据距离信息熵权重改进的目标优化模型为:
在对证据源进行修正后,采用冲突信息全部可以分配的基于证据可信度的证据合成规则,将修正后的证据源进行证据合成,从而对修正后的证据源及证据合成规则的组合公式进行改进,其改进后的证据理论组合公式为:
其中,A为焦元,m(A)为焦元A的信任函数,m′i(Aj)=ωimi(Aj),m′i(Aj)为第i个加权证据对第j个焦元Aj的信任函数,mi(Aj)为第i个证据源对第j个焦元Aj的信任函数,mi(A)为第i个证据源对焦元A的信任函数, p,q=1,2,...,u,kij,表示证据源i和证据源j之间的冲突度,k表示证据源两两之间的冲突程度,ε=e-k,ε表示证据可信度;
根据监测区域的信任函数分配结果以及改进后的证据理论组合公式,得到监测区域蓝藻水华暴发程度识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310236767.XA CN103439472B (zh) | 2013-06-14 | 2013-06-14 | 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310236767.XA CN103439472B (zh) | 2013-06-14 | 2013-06-14 | 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103439472A true CN103439472A (zh) | 2013-12-11 |
CN103439472B CN103439472B (zh) | 2015-03-11 |
Family
ID=49693176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310236767.XA Expired - Fee Related CN103439472B (zh) | 2013-06-14 | 2013-06-14 | 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103439472B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984996A (zh) * | 2014-05-26 | 2014-08-13 | 北京工商大学 | 基于禁忌搜索和遗传算法的湖库藻类水华生成机理时变模型优化及预测方法 |
CN104899653A (zh) * | 2015-06-02 | 2015-09-09 | 北京工商大学 | 基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法 |
CN107340365A (zh) * | 2017-06-19 | 2017-11-10 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
CN107506857A (zh) * | 2017-08-14 | 2017-12-22 | 北京工商大学 | 基于模糊支持向量机的城市湖库蓝藻水华多变量预测方法 |
WO2018098736A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳益强信息科技有限公司 | 一种基于遥感成像的蓝藻监测方法及装置 |
WO2018098738A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳益强信息科技有限公司 | 一种基于航空航天多源遥感数据的监测方法及装置 |
CN108169445A (zh) * | 2017-12-26 | 2018-06-15 | 潘远新 | 一种有效的湖泊水质监测系统 |
CN108226437A (zh) * | 2018-04-09 | 2018-06-29 | 山东建筑大学 | 一种应用于湖库水体的修正水质监测结果的方法 |
CN109086948A (zh) * | 2018-09-17 | 2018-12-25 | 中国水利水电科学研究院 | 基于数据同化的湖库富营养化预警方法 |
CN109668842A (zh) * | 2019-02-21 | 2019-04-23 | 岭南师范学院 | 一种贝类重金属污染快速检测方法 |
CN111368456A (zh) * | 2020-03-19 | 2020-07-03 | 上海机电工程研究所 | 一种基于证据理论的蓝方模型可信度评估方法及系统 |
CN111795941A (zh) * | 2020-08-06 | 2020-10-20 | 中国科学院重庆绿色智能技术研究院 | 一种水华期藻类群落结构高光谱识别方法 |
CN112989281A (zh) * | 2021-02-20 | 2021-06-18 | 中国科学院南京地理与湖泊研究所 | 一种基于遥感藻总量的藻华预测方法 |
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 |
CN114239422A (zh) * | 2022-02-23 | 2022-03-25 | 中国海洋大学 | 基于机器学习提高海洋叶绿素a浓度预报准确度的方法 |
US11551155B2 (en) | 2018-11-09 | 2023-01-10 | Industrial Technology Research Institute | Ensemble learning predicting method and system |
CN115719174A (zh) * | 2022-10-26 | 2023-02-28 | 生态环境部卫星环境应用中心 | 土地利用类型与蓝藻水华风险定量关系确定方法和装置 |
CN115906505A (zh) * | 2022-12-12 | 2023-04-04 | 武汉大学 | 基于gnss信号的水面水华密度遥感探测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726568A (zh) * | 2009-11-24 | 2010-06-09 | 环境保护部华南环境科学研究所 | 一种水环境安全预警预测方法 |
CN102087617A (zh) * | 2011-02-01 | 2011-06-08 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的水华分布提取方法 |
-
2013
- 2013-06-14 CN CN201310236767.XA patent/CN103439472B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726568A (zh) * | 2009-11-24 | 2010-06-09 | 环境保护部华南环境科学研究所 | 一种水环境安全预警预测方法 |
CN102087617A (zh) * | 2011-02-01 | 2011-06-08 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的水华分布提取方法 |
Non-Patent Citations (3)
Title |
---|
吴传庆等: "太湖水华的遥感分析", 《中国环境监测》, vol. 23, no. 3, 30 June 2007 (2007-06-30) * |
毛显谋等: "多波段卫星遥感海洋赤潮水华的方法研究", 《应用生态学报》, vol. 14, no. 7, 31 July 2003 (2003-07-31) * |
王桥: "《基于环境一号卫星的生态环境遥感监测》", 30 April 2010, article "基于环境一号卫星的地表水环境遥感监测方法", pages: 123-140 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984996B (zh) * | 2014-05-26 | 2017-02-15 | 北京工商大学 | 水华机理时变模型的禁忌搜索及遗传算法优化预测方法 |
CN103984996A (zh) * | 2014-05-26 | 2014-08-13 | 北京工商大学 | 基于禁忌搜索和遗传算法的湖库藻类水华生成机理时变模型优化及预测方法 |
CN104899653A (zh) * | 2015-06-02 | 2015-09-09 | 北京工商大学 | 基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法 |
CN104899653B (zh) * | 2015-06-02 | 2018-01-12 | 北京工商大学 | 基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法 |
WO2018098736A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳益强信息科技有限公司 | 一种基于遥感成像的蓝藻监测方法及装置 |
WO2018098738A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳益强信息科技有限公司 | 一种基于航空航天多源遥感数据的监测方法及装置 |
CN107340365A (zh) * | 2017-06-19 | 2017-11-10 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
CN107340365B (zh) * | 2017-06-19 | 2019-04-26 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
CN107506857A (zh) * | 2017-08-14 | 2017-12-22 | 北京工商大学 | 基于模糊支持向量机的城市湖库蓝藻水华多变量预测方法 |
CN108169445A (zh) * | 2017-12-26 | 2018-06-15 | 潘远新 | 一种有效的湖泊水质监测系统 |
CN108226437A (zh) * | 2018-04-09 | 2018-06-29 | 山东建筑大学 | 一种应用于湖库水体的修正水质监测结果的方法 |
CN108226437B (zh) * | 2018-04-09 | 2021-04-30 | 山东建筑大学 | 一种应用于湖库水体的修正水质监测结果的方法 |
CN109086948A (zh) * | 2018-09-17 | 2018-12-25 | 中国水利水电科学研究院 | 基于数据同化的湖库富营养化预警方法 |
CN109086948B (zh) * | 2018-09-17 | 2022-03-25 | 中国水利水电科学研究院 | 基于数据同化的湖库富营养化预警方法 |
US11551155B2 (en) | 2018-11-09 | 2023-01-10 | Industrial Technology Research Institute | Ensemble learning predicting method and system |
CN109668842A (zh) * | 2019-02-21 | 2019-04-23 | 岭南师范学院 | 一种贝类重金属污染快速检测方法 |
CN111368456A (zh) * | 2020-03-19 | 2020-07-03 | 上海机电工程研究所 | 一种基于证据理论的蓝方模型可信度评估方法及系统 |
CN111795941A (zh) * | 2020-08-06 | 2020-10-20 | 中国科学院重庆绿色智能技术研究院 | 一种水华期藻类群落结构高光谱识别方法 |
CN112989281A (zh) * | 2021-02-20 | 2021-06-18 | 中国科学院南京地理与湖泊研究所 | 一种基于遥感藻总量的藻华预测方法 |
CN112989281B (zh) * | 2021-02-20 | 2023-09-12 | 中国科学院南京地理与湖泊研究所 | 一种基于遥感藻总量的藻华预测方法 |
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 |
CN113324923B (zh) * | 2021-06-07 | 2023-07-07 | 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 |
CN114239422A (zh) * | 2022-02-23 | 2022-03-25 | 中国海洋大学 | 基于机器学习提高海洋叶绿素a浓度预报准确度的方法 |
CN114239422B (zh) * | 2022-02-23 | 2022-05-17 | 中国海洋大学 | 基于机器学习提高海洋叶绿素a浓度预报准确度的方法 |
CN115719174A (zh) * | 2022-10-26 | 2023-02-28 | 生态环境部卫星环境应用中心 | 土地利用类型与蓝藻水华风险定量关系确定方法和装置 |
CN115719174B (zh) * | 2022-10-26 | 2023-05-02 | 生态环境部卫星环境应用中心 | 土地利用类型与蓝藻水华风险定量关系确定方法和装置 |
CN115906505A (zh) * | 2022-12-12 | 2023-04-04 | 武汉大学 | 基于gnss信号的水面水华密度遥感探测方法及系统 |
CN115906505B (zh) * | 2022-12-12 | 2024-05-24 | 武汉大学 | 基于gnss信号的水面水华密度遥感探测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103439472B (zh) | 2015-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103439472A (zh) | 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 | |
Mason et al. | A guide for using functional diversity indices to reveal changes in assembly processes along ecological gradients | |
CN103198480B (zh) | 基于区域和Kmeans聚类的遥感图像变化检测方法 | |
CN103063202A (zh) | 基于遥感影像的蓝藻生物量时空变化监测与可视化方法 | |
Wu et al. | Quality risk analysis for sustainable smart water supply using data perception | |
CN105877766A (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
CN102194056B (zh) | 煤层顶底板突水危险评价预测的bn-gis方法 | |
CN106570516A (zh) | 一种利用卷积神经网络cnn的障碍物识别方法 | |
CN103440525B (zh) | 基于Vague值相似度量改进算法的湖库水华应急治理决策方法 | |
Velo et al. | Total alkalinity estimation using MLR and neural network techniques | |
CN104680187A (zh) | 基于缓冲区相似性度量的舰船轨迹层次聚类分析方法 | |
CN103870995B (zh) | 一种高寒沙地植被恢复潜力评估方法 | |
Dippner et al. | Regime shifts in North Sea and Baltic Sea: a comparison | |
Vogeler et al. | Agri‐food technology politics: Exploring policy narratives in the European Parliament | |
CN103632051A (zh) | 基于模糊粗糙集条件熵属性约简的数据分析方法 | |
CN109871638A (zh) | 一种湖泊湿地富营养化评价模型构建方法 | |
Bijanzadeh et al. | The use of fuzzy-AHP methods to assess fertility classes for wheat and its relationship with soil salinity: East of Shiraz, Iran: A case study | |
Kim et al. | Implications of flow regulation for habitat conditions and phytoplankton populations of the Nakdong River, South Korea | |
Sahalu | Analysis of urban land use and land cover changes: A case study in Bahir Dar, Ethiopia | |
Tu et al. | Biodiversity assessment in the near-shore waters of Tianjin city, China based on the Pressure-State-Response (PSR) method | |
Chen et al. | The application of the genetic adaptive neural network in landslide disaster assessment | |
CN105760857A (zh) | 一种高光谱遥感影像目标探测方法 | |
Chao et al. | A spatio-temporal neural network learning system for city-scale carbon storage capacity estimating | |
Li et al. | Evaluating the principle of relatedness: Estimation, drivers and implications for policy | |
CN102707025B (zh) | 一种湖库营养状态的智能判别系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150311 |
|
CF01 | Termination of patent right due to non-payment of annual fee |