CN106408005B - 基于modis色素浓度估算的富营养化湖泊水质风险评价方法 - Google Patents
基于modis色素浓度估算的富营养化湖泊水质风险评价方法 Download PDFInfo
- Publication number
- CN106408005B CN106408005B CN201610804103.2A CN201610804103A CN106408005B CN 106408005 B CN106408005 B CN 106408005B CN 201610804103 A CN201610804103 A CN 201610804103A CN 106408005 B CN106408005 B CN 106408005B
- Authority
- CN
- China
- Prior art keywords
- water quality
- modis
- algal bloom
- images
- chlorophyll
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于MODIS色素浓度估算产品的富营养化湖泊水质风险评价方法,将MODIS影像分类为藻华影像和非藻华影像,之后采用EOF算法分类估算叶绿素a和藻蓝素浓度,后基于MODIS叶绿素a和藻蓝素的估算结果,计算PC:Chla比值;结合叶绿素a和PC:Chla比值结果,获取水质评价模型,进行水质风险评价的结果示例;最后基于历史获取的MODIS数据,获取富营养化湖泊水质长时间序列评价结果,计算水质风险程度的年际、月际变化规律。本发明可以精确获取富营养化湖泊水质风险程度,从而使得应用遥感手段研究巢湖水质变化成为可能,有助于评价藻华暴发带来的生态风险,为水利、环保等部门的水资源保护的科学决策提供科技支撑。
Description
技术领域
本发明涉及一种基于MODIS色素浓度估算的富营养化湖泊水质风险评价方法。
背景技术
湖泊是最重要的淡水资源,具有提供饮用水源、调节气候、维持生态多样性、调蓄和旅游等多种功能,与流域区域社会发展、人民生产和生活密切相关。巢湖,中国第五大淡水湖泊,位于长江中下游安徽省境内,是流域内拥有100多万人口的合肥和巢湖市的主要饮用水源地,在当地人民生产生活中发挥着重要的作用。然而近些年来随着巢湖流域,特别是上游合肥市经济的快速发展,大量点源、面源污染进入水体,巢湖水质污染严重。另外,巢湖闸、裕溪闸等的修建使巢湖逐渐成为半封闭水域,水体自净功能逐渐丧失,巢湖富营养化情况日益严峻、水质呈逐渐恶化的趋势,给巢湖市人民饮用水安全带来巨大危险,因此,需要对湖泊水质进行大范围检测,保护饮用水安全。
目前,湖泊水质常规的监测方法是先采集水样,然后进行实验室分析的方法,该方法费时费力,而且水样采集数量有限,很难反映大范围的水质信息。近年来,国内外众多学者通过遥感的手段对湖泊水质评价方法进行了深入探讨,提出了多种形式的评价方法,如模糊综合评价法、特征法、参数法等。早期的评价方法以综合评价法为主,Lu利用1987-1996年的水质实测数据应用模糊综合评价法对中国 台湾地区水库的水质进行了评价,在模糊综合评价中,权重的设计对评价的结果有重要影响,因此存在多个评价因子时,评价结果带有一定的不确定性。特征法则主要从湖盆形态、水质、生物和底质等四大特征方面来评价水体水质情况,所选生态环境因子比较难以获取。参数法则是选择主要代表性参数来评价水体营养状态的方法,所选择的参数包括叶绿素a、藻蓝素、总磷、总氮及透明度等,根据评价对象采用单一参数评价或多参数的综合评价进行水质评价,例如Jurdi以黎巴嫩的水库为研究对象,获取 18个采样点的Ph值、电导率、重金属含量等指标,用统计分析方法对水质进行评价。其中广泛采用的参数为叶绿素a和藻蓝素浓度,大部分研究人员更多的采用叶绿素来替代其他指标对湖泊水质风险状态进行评价。但单独的色素浓度无法全面反映水质的变化情况。Hunter 基于世界卫生组织水质评价指南建立了决策分类树模型,利用PC:Chla比值量化蓝藻种群所占比例,可有效进行水质风险的评估,本文利用该模型进行富营养化湖泊的水质风险评价。参考文献
Cleveland,J.,&Weidemann,A.D.(1993).Quantifying absorption by aquaticparticles:A multiple scattering correction for glass‐fiber filters.Limnologyand Oceanography,38,1321-1327
Chorus,I.,&Bartram,J.(1999).Toxic cyanobacteria in water:A guide totheir public health consequences,monitoring and management.Spon Press
Davis,T.W.,Berry,D.L.,Boyer,G.L.,&Gobler,C.J.(2009).The effects oftemperature and nutrients on the growth and dynamics of toxic and non-toxicstrains of Microcystis during cyanobacteria blooms.Harmful Algae,8,715-725
Foy,R.(1993).The phycocyanin to chlorophyllαratio and other cellcomponents as indicators of nutrient limitation in two planktoniccyanobacteria subjected to low-light exposures.Journal of plankton research,15,1263-1276
Hunter,P.D.,Tyler,A.N.,Gilvear,D.J.,&Willby,N.J.(2009).Using remotesensing to aid the assessment of human health risks from blooms ofpotentially toxic cyanobacteria.Environmental Science&Technology,43,2627-2633
Jurdi M,Korfali S I,Karahagopian Y,et al.Evaluation of water qualityof the Qaraaoun Reservoir,Lebanon:Suitability for multipurpose usage[J].Environmental Monitoring and Assessment,2002,77(1):11-30.
Lu R S,Lo S L,Hu J Y.Analysis of reservoir water quality using fuzzysynthetic evaluation[J]. Stochastic Environmental Research and RiskAssessment,1999,13(5):327-336.
MarcéR,Armengol J,Navarro E.Assessing ecological integrity in largereservoirs according to the Water Framework Directive[M]//Experiences fromSurface Water Quality Monitoring. Springer International Publishing,2015:201-219.
Keith,D.J.(2014).Satellite remote sensing of chlorophyll a in supportof nutrient management in the Neuse and Tar–Pamlico River(North Carolina)estuaries.Remote Sensing of Environment, 153,61-78
Ruiz-Verdú,A.,Simis,S.G.H.,de Hoyos,C.,Gons,H.J.,&R.(2008). Anevaluation of algorithms for the remote sensing of cyanobacterialbiomass.Remote Sensing of Environment,112,3996-4008
Shi,K.,Zhang,Y.,Li,Y.,Li,L.,Lv,H.,&Liu,X.(2014).Remote estimation ofcyanobacteria-dominance in inland waters.Water Res,68C,217-226
Uitz,J.,Claustre,H.,Morel,A.,&Hooker,S.B.(2006).Vertical distributionof phytoplankton communities in open ocean:An assessment based on surfacechlorophyll.Journal of Geophysical Research:Oceans,111
Vermote,E.F.,Tanré,D.,Deuzé,J.L.,Herman,M.,&Morcette,J.-J.(1997).Second simulation of the satellite signal in the solar spectrum,6S:Anoverview.Geoscience and Remote Sensing,IEEE Transactions on,35,675-686
刘健康.东湖生态学研究[J].1990.
马荣华.湖泊水环境遥感[M].科学出版社,2010.
马荣华,孔维娟,段洪涛,张寿选.基于MODIS影像估测太湖蓝藻暴发期藻蓝素含量[J]. 中国环境科学,2009,(03):254-60.
王苏民,窦鸿身.中国湖泊志[M].科学出版社,1998.
阎伍玖,王心源.巢湖流域非点源污染初步研究[J].地理科学,1998,18(3):263-7.
阎伍玖,鲍祥.巢湖流域农业活动与非点源污染的初步研究[J].水土保持学报,2001, (04):129-32.
姚运先.湖泊的水质改善——国外湖泊富营养化水质改善工程介绍[J].环境监测管理与技术,2002,(02):45-6.
发明内容
本发明的目的在于可以精确获取富营养化湖泊水质风险程度,从而使得应用遥感手段研究富营养化湖泊水质变化成为可能,有助于评价藻华暴发带来的生态风险,为水利、环保等部门的水资源保护的科学决策提供科技支撑。
为了实现上述目的,本发明所采用的技术方案如下:
一种基于MODIS色素浓度估算产品的富营养化湖泊水质风险评价方法,对MODISRGB 进行影像分类,将影像分类为藻华影像和非藻华影像,后通过EOF分解估算叶绿素a和藻蓝素的浓度;基于MODIS叶绿素a和藻蓝素的估算结果,计算PC:Chla比值;结合叶绿素a和PC:Chla比值结果,获取水质评价模型,进行水质风险评价的结果示例;基于历史MODIS数据,获取富营养化湖泊水体水质长时间序列评价结果,计算水质风险程度的年际、月际变化规律。本发明具体地,所述的方法包括如下步骤:
(1)基于MODIS RGB影像,估算MODIS叶绿素a和藻蓝素浓度;
具体为:先将富营养化湖泊影像进行分类,将清洁水体、高悬浮物主导水体归为非藻华影像,藻华主导水体归为藻华影像,选取指数FAI用以区分这两类影像;之后采用EOF算法分类估算MODIS叶绿素a和藻蓝素浓度;
其中,EOF算法对于非藻华影像,模型的输入形式为Rrc统一减去近红外波段Rrc,公式表述为:
Rrc(λ)=Rrc(λ)-Rrc(859) (1)
对于藻华影像,直接输入原始Rrc数据;
(2)基于MODIS叶绿素a和藻蓝素的估算结果,计算PC:Chla比值;
(3)结合叶绿素a和PC:Chla比值结果,获取水质评价模型,进行水质风险评价的结果示例;
(4)基于历史获取的MODIS数据,获取巢湖水体水质长时间序列评价结果,计算水质风险程度的年际、月际变化规律;
基于前述步骤和方法,将水质评价模型应用至历史数据,获取长时间序列的水质评价结果,并分析风险程度的年际、月际变化规律。
其中,所述步骤(1)中,分类选用的指标FAI表达形式为:
FAI=Rrc'(859)-Rrc(859) (2)
Rrc'(859)=Rrc(645)-[Rrc(1240)-Rrc(645)]*(859-645)/(1240-645) (3)
其中,Rrc(λ)是经过瑞利校正的λ波长处的反射率,Rrc’(859)是基于645nm和1240nm波段线性内插得到的859nm波段相对反射率。
由于高悬浮物主导水体和藻华主导水体信号较强,可能会出现藻华影像和非藻华影像的误判现象,本发明提供了一种优选的分类方法,可以有效对影像进行分类,分类进行色素浓度估算以改善高悬浮物对估算结果的影响,使获取的水质评价结果更准确。
影像分类算法具体如下:
统计每景非藻华影像受边界效应影响的像元数目,以此像元数目为单幅阈值,每景非藻华影像对应一个阈值;做直方图计算所有单幅非藻华影像阈值的平均值和标准差,计算非藻华影像的统一阈值将每景影像受影响的像元数做成直方图,获取该直方图的平均值和标准差作为区分藻华影像和非藻华影像的统一阈值,对影像进行分类,获取藻华影像和非藻华影像;
阈值计算方式为:平均值+2*标准差。
非藻华影像包括前述的清洁水体影像和高悬浮物主导水体影像,可通过目视分辨,但由于高悬浮物影像和藻华影像都属于强信号,容易发生误判,为避免发生高悬浮物影像和藻华影像的误判,本发明提供了一种能有效区分高悬浮物影像和藻华影像的分类方法。
本发明的叶绿素a和藻蓝素色素浓度估算结果通过EOF分解获取,对于非藻华影像和藻华影像分别进行浓度估算。
其中,采用EOF算法估算MODIS叶绿素a和藻蓝素浓度的方法具体如下:
(1)对Rrc光谱进行归一化,得到NRrc数据;对归一化光谱利用MATLABTM的princomp函数进行EOF分解;EOF分解的输出包括EOF每个模态的得分向量,每个得分向量都是原四个波段的线性组合,还包括每个波段的载荷值,以及每个模态的贡献方差;
(2)对点位进行训练,确定训练点位集,并根据所得到的EOF各个模态的得分值与实测色素浓度作多元逐步回归分析;使用MATLABTM的regress函数,以每个点位四个模态的得分值T1、T2、T3、T4为自变量,对应实测色素浓度为因变量,获取回归系数:
β0+β1T1+β2T2+β3T3+β4T4=实测色素浓度 (4)
其中,β0-4为回归系数。
叶绿素a和藻蓝素估算结果如下:
对Rrc影像上所有有效像元进行归一化处理,经EOF分解得到每个像元的EOF得分值,估算所得到的色素浓度为:
估算色素浓度=β0+β1T1+β2T2+β3T3+β4T4 (5)
优选的,用于水质风险评价的模型选用基于世界卫生组织水质评价指南建立的决策分类树模型。
所选用的MODIS卫星影像数据经过辐射定标、大气瑞利散射校正和几何校正。
本发明的优点及效果:基于MODIS叶绿素a和藻蓝素估算结果,通过水质评价决策树模型,成功实现了对富营养化湖泊水质进行风险评价,更加客观真实地反映了蓝藻水华的暴发给湖泊水质带来的变化,有效评估水质的风险等级和生态修复的绩效,有利于对湖泊水质状况进行长期高精度的监测,为水利、环保等部门的水资源保护的科学决策提供科技支撑。
下面结合具体实施对本发明进行详细描述。本发明的保护范围并不以具体实施方式为限,而是由权利要求加以限定。
附图说明
图1是MODIS色素估算产品算法流程图;
图2是富营养化湖泊三种典型水体及其光谱特征;
图3是藻华影像和非藻华影像的像元阈值判断直方图;
图4是EOF色素估算浓度与实测色素浓度关系;
图5是基于叶绿素a浓度和PC:Chla比值进行水质评价的决策树模型;
图6是巢湖水质风险评价图;
图7是巢湖2013四季水质风险评价示例;
图8是2000-2014年巢湖水质风险评价逐年变化;
图9是2000-2014年巢湖水质风险评价逐月变化。
具体实施方式
下面通过具体实施例对本发明所述的技术方案给予进一步详细的说明,但有必要指出以下实验只用于对发明内容的描述,并不构成对本发明保护范围的限制。
本发明基于MODIS色素浓度估算产品进行富营养化湖泊的水质风险评价,上述目的是这样实现的:基于MODIS叶绿素a和藻蓝素的估算结果,计算PC:Chla比值;结合叶绿素a和PC:Chla比值结果,获取水质评价模型,进行水质风险评价的结果示例;基于2000-2014年MODIS数据,获取富营养化水体水质长时间序列评价结果,计算水质风险程度的年际、月际变化规律。
实施例以巢湖为例,对本发明的技术方案做进一步详细说明。
步骤如下:
(1)基于MODIS RGB影像,估算MODIS叶绿素a和藻蓝素;
浓度估算流程如图1所示,对于巢湖,将MODIS Rrc数据逐一像元计算FAI值,将FAI>0.02的像元总面积大于17.80km2的影像归为藻华影像,其余为非藻华影像,之后采用EOF算法估算MODIS叶绿素a和藻蓝素浓度;
其中对于非藻华影像,模型的输入形式为Rrc统一减去近红外波段Rrc,公式表述为:
Rrc(λ)=Rrc(λ)-Rrc(859) (1)
对于藻华影像,直接输入原始Rrc数据;
巢湖同常规富营养化湖泊,主要包含三种典型水体:清洁水体、高悬浮物主导水体和藻华主导水体。由于高悬浮物主导水体和藻华主导水体信号较强,会出现误判现象,因此需要区分高悬浮物水体影像和藻华影像,分别训练建立估算模型。分别对比分析清洁水体与高悬浮物主导水体以及藻华主导水体的光谱特征(图2),发现高悬浮物区域点位(S2)Rrc光谱显著高于清洁水体点位S1,但光谱形状类似,因此可以将清洁水体、高悬浮物主导水体归为一类影像。而对于藻华主导水体,藻华区域点位(S3)近红外波段(859nm)的反射率显著增加,光谱形状发生很大变化,因此将藻华影像单独分为另一类影像。
胡传民博士提出的浮游藻类指数(FAI,Floating algae index),对于海岸带和内陆湖泊水体具有很好的稳定性,可以有效提取蓝藻藻华(Hu,2009)。FAI指数以645和1240nm波段为基线,计算859与基线的差值来判断藻华,具体计算公式为:
FAI=Rrc'(859)-Rrc(859) (2)
Rrc'(859)=Rrc(645)-[Rrc(1240)-Rrc(645)]*(859-645)/(1240-645) (3)
根据FAI指数和相关阈值,将巢湖影像分为非藻华影像和藻华影像。FAI对高悬浮物较为敏感,选择纯藻华像元FAI=0.02为阈值,可以有效区分非藻华影像。但在实际计算中发现,非藻华影像由于受水陆边界效应、条带及小片藻华等三种情况的影响,易造成将非藻华影像误判为藻华影像,特别是水陆边界效应造成的混分情况最多,约占80%以上。
藻华影像通过目视解译很好区分,对2000-2014年所有影像进行筛选,将所有藻华影像剔除之后,统计出每景非藻华影像受边界效应影响的像元数。将每景影像受影响的像元数做成直方图(图3),图中N为影像总数。该直方图中包括1182个影像,计算该直方图的平均值和标准差,均值为102.59,标准差为91.02。直方图经过SPSS的数据检验该分布符合正态分布,据此计算通用的像元阈值,像元阈值的计算方法为:平均值+2*标准差,据此计算本实施例的像元阈值约285个像元,即藻华面积需大于17.80km2,将该阈值作为区分非藻华影像和藻华影像的统一阈值。
之后基于EOF分解构建藻蓝素和叶绿素a浓度估算模型,模型构建分为两个过程,具体如下:
1)对Rrc光谱进行归一化,得到NRrc数据。对归一化光谱利用MATLABTM的princomp函数进行EOF分解。EOF分解的输出包括EOF每个模态的得分向量,每个得分向量都是原四个波段的线性组合,即波段的重新归类。除此之外,还包括每个波段的载荷值,即原波段进行线性组合的系数,还有每个模态的贡献方差,用于说明描述原波段变化模式的解释程度。
2)对点位进行训练,确定训练点位集,并根据所得到的EOF各个模态的得分值与实测色素浓度作多元逐步回归分析。使用MATLABTM的regress函数,以每个点位四个模态的得分值T1、T2、T3、T4为自变量,对应实测色素浓度为因变量,可以得到回归系数(β0-4):
β0+β1T1+β2T2+β3T3+β4T4=实测色素浓度 (4)
针对非藻华影像估算模型,利用公式(1),将所有波段Rrc减去Rrc(859)后进行EOF分解,再训练光谱点位,建立适用于非藻华影像的模型I,估算效果较好。针对藻华影像的实测数据,按照EOF模型构建流程进行实测数据的点位训练,建立适用于藻华影像的模型II。
将EOF算法应用于MODIS影像上,对Rrc影像上所有有效像元进行归一化处理,经EOF分解得到每个像元的EOF得分值。β0-4是构建模型时训练点位的回归系数,T1-4是影像上每个像元的EOF得分值。因此,估算所得到的色素浓度为:
估算色素浓度=β0+β1T1+β2T2+β3T3+β4T4 (5)
依据基于MODIS影像的瑞利散射校正,结合公式(5)即可实现MODIS影像藻蓝素和叶绿素a浓度的高精度估算。
在影像分类和色素浓度估算前,对获取的MODIS影像进行辐射定标、瑞利校正和几何校正计算。
(2)基于MODIS叶绿素a和藻蓝素的估算结果,计算PC:Chla比值;
通过步骤(1),获取基于EOF分解的叶绿素a和藻蓝素估算产品,遥感估算的MODIS叶绿素a和藻蓝素产品,产品精度经过检验(如图3所示),可用于PC:Chla比值的计算;
(3)结合叶绿素a和PC:Chla比值结果,获取水质评价模型,进行水质风险评价的结果示例;
利用PC:Chla比值的结果,Hunter等(2009)基于世界卫生组织水质评价指南建立了决策分类树模型(图5),可有效进行水质风险的评估,利用该模型进行水质风险评价。该模型以像元为计算单元,世界卫生组织水质评价指南中使用蓝藻细胞浓度或者等量叶绿素a浓度以估算风险等级,在本模型中使用PC:Chla的比值作为蓝藻主导水体的初步判断条件。PC: Chla>0.4表明水体是由蓝藻主导的,但该阈值依赖于水体固有光学性质,因此在内陆湖泊需要对阈值进行重新率定,阈值调整至0.5。PC:Chla比值结果作为水质评价模型的输入,对于PC:Chla<0.5的水体,或者PC:Chla>0.5,叶绿素a浓度小于10ug/L,认为水质没有风险;若PC:Chla>0.5,则风险等级需根据叶绿素a的浓度进行进一步的划分。叶绿素a浓度介于10-50ug/L之间,认为是低风险;叶绿素a浓度介于50-1000ug/L之间,认为是中风险;世界卫生组织水质评价指南中认为蓝藻浮渣区为水质高风险区域,但没有与之对应的叶绿素a浓度量化这样的风险等级。根据经验,将内陆湖泊叶绿素a含量大于1000ug/L的区域为高风险区域。
利用该决策树模型用于水质评价,巢湖水质风险评价图如图6所示。
图7展示了2013年四季巢湖叶绿素a、藻蓝素估算结果以及水质风险评价的结果示例。从图中可以看出,冬季(1、2、12月)湖区大部分区域都为无风险区,西湖区部分区域为低风险区;春季(3-5月)西湖区大部分区域为低风险区,中湖区、东湖区也开始出现低风险区;夏季(6-8月)湖区风险区域显著扩大,在四季中夏季风险区覆盖最广,各个湖区均出现了中风险区;秋季(9-11月)西湖区的风险程度最严重,西湖区大部分区域出现了中风险区,中湖区无风险,东湖区大部分为低风险区,全湖无高风险区。与叶绿素a、藻蓝素估算结果相比,水质评价的结果更加符合实际需求,并且与不同季节巢湖水体情况较为一致,表明色素浓度估算结果可用于水质风险评价。
(4)基于2000-2014年MODIS数据,获取巢湖水体长时间序列水质评价结果,计算水质风险程度的年际、月际变化规律;
2013年四季巢湖叶绿素a、藻蓝素估算结果以及水质风险评价的结果示例效果较好,因此用于2000-2014年间15年的水质风险评价,按照同一坐标系进行结果叠加,对水质风险评价结果按年份求平均。
图8展示了水质风险评价年均分布情况。其中2010、2012年从空间分布上与其他年份存在显著差异,全湖区基本无风险区。2002、2003、2004、2006、2008、2009年水质风险结果较为相似,西部湖区属于低风险区,中湖区东湖区无风险。2000-2001年全湖都属于低风险区。 2013、2014年开始逐渐出现中风险区,多年平均全湖无高风险区域。
多年月均变化和年均变化的处理方法一样,对多年水质风险评价的时空变化特征分析可知(图9),不同湖区风险状况存在显著差异:1-2月,全湖基本无风险区;3月份开始开始出现低风险区;7月份开始一直到10月份,湖区中风险范围逐渐扩大,其中9月风险程度最为严重;11-12月,风险等级逐渐减小,全湖基本处于无风险或者低风险区。
通过上述方法即可实现基于MODIS叶绿素a和藻蓝素估算产品进行富营养化湖泊的水质风险评价,成功实现了巢湖长时间序列水质风险评价,更加客观真实地反映了蓝藻水华的暴发对巢湖水质的影响程度,有效评估水质的风险等级和生态修复的绩效,为水利、环保等部门的水资源保护的科学决策提供科技支撑。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (5)
1.一种基于MODIS色素浓度估算的富营养化湖泊水质风险评价方法,其特征在于:包括如下步骤:
(1)基于MODIS RGB影像,估算MODIS叶绿素a和藻蓝素浓度;
具体为:先将富营养化湖泊影像进行分类,将清洁水体、高悬浮物主导水体归为非藻华影像,藻华主导水体归为藻华影像,选取指数FAI用以区分这两类影像;之后采用EOF算法分类估算MODIS叶绿素a和藻蓝素浓度;
其中,影像分类算法具体如下:
统计每景非藻华影像受边界效应影响的像元数目,以此像元数目为单幅阈值,每景非藻华影像对应一个阈值;做直方图计算所有单幅非藻华影像阈值的平均值和标准差,计算非藻华影像的统一阈值将每景影像受影响的像元数做成直方图,获取该直方图的平均值和标准差作为区分藻华影像和非藻华影像的统一阈值,对影像进行分类,获取藻华影像和非藻华影像;
阈值计算方式为:平均值+2*标准差;
EOF算法对于非藻华影像,模型的输入形式为Rrc统一减去近红外波段Rrc,公式表述为:
Rrc(λ)=Rrc(λ)-Rrc(859) (1)
对于藻华影像,直接输入原始Rrc数据;
分类选用的指标FAI表达形式为:
FAI=Rrc'(859)-Rrc(859) (2)
Rrc'(859)=Rrc(645)-[Rrc(1240)-Rrc(645)]*(859-645)/(1240-645) (3)
其中,Rrc(λ)是经过瑞利校正的λ波长处的反射率,Rrc’(859)是基于645nm和1240nm波段线性内插得到的859nm波段相对反射率;
(2)基于MODIS叶绿素a和藻蓝素的估算结果,计算PC:Chla比值;
(3)结合叶绿素a和PC:Chla比值结果,获取水质评价模型,进行水质风险评价的结果示例;
(4)基于历史获取的MODIS数据,获取巢湖水体长时间序列水质评价结果,计算水质风险程度的年际、月际变化规律;
基于前述步骤和方法,将水质评价模型应用至2000-2014年,获取长时间序列的水质评价结果,并分析风险程度的年际、月际变化规律。
2.根据权利要求1所述的方法,其特征在于,所述步骤(1)中,采用EOF算法估算MODIS叶绿素a和藻蓝素浓度的方法具体如下:
(1)对Rrc光谱进行归一化,得到NRrc数据;对归一化光谱利用MATLABTM的princomp函数进行EOF分解;EOF分解的输出包括EOF每个模态的得分向量,每个得分向量都是原四个波段的线性组合,还包括每个波段的载荷值,以及每个模态的贡献方差;
(2)对点位进行训练,确定训练点位集,并根据所得到的EOF各个模态的得分值与实测色素浓度作多元逐步回归分析;使用MATLABTM的regress函数,以每个点位四个模态的得分值T1、T2、T3、T4为自变量,对应实测色素浓度为因变量,获取回归系数:
β0+β1T1+β2T2+β3T3+β4T4=实测色素浓度 (4)
其中,β0-4为回归系数。
3.根据权利要求2所述的方法,其特征在于,叶绿素a和藻蓝素估算结果如下:
对Rrc影像上所有有效像元进行归一化处理,经EOF分解得到每个像元的EOF得分值,估算所得到的色素浓度为:
估算色素浓度=β0+β1T1+β2T2+β3T3+β4T4 (5)。
4.根据权利要求1所述的方法,其特征在于,所述步骤(3)中用于水质风险评价的模型选用基于世界卫生组织水质评价指南建立的决策分类树模型。
5.根据权利要求1所述的方法,其特征在于,所选用的MODIS卫星影像数据经过辐射定标、大气瑞利散射校正和几何校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610804103.2A CN106408005B (zh) | 2016-09-05 | 2016-09-05 | 基于modis色素浓度估算的富营养化湖泊水质风险评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610804103.2A CN106408005B (zh) | 2016-09-05 | 2016-09-05 | 基于modis色素浓度估算的富营养化湖泊水质风险评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106408005A CN106408005A (zh) | 2017-02-15 |
CN106408005B true CN106408005B (zh) | 2020-05-05 |
Family
ID=57998484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610804103.2A Active CN106408005B (zh) | 2016-09-05 | 2016-09-05 | 基于modis色素浓度估算的富营养化湖泊水质风险评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408005B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108614086A (zh) * | 2018-05-02 | 2018-10-02 | 中国科学院东北地理与农业生态研究所 | 一种评价湖泊富营养化的方法 |
CN109523196B (zh) * | 2018-05-22 | 2023-05-02 | 中国环境科学研究院 | 分湖控藻营养物水质目标双概率定标方法 |
CN109297968A (zh) * | 2018-11-21 | 2019-02-01 | 河南工业职业技术学院 | 一种生成面域水质监测结果的方法 |
CN109709061B (zh) * | 2019-01-11 | 2021-03-16 | 中国科学院烟台海岸带研究所 | 一种太阳耀光非敏感水体指数的去耀光方法 |
CN110082349B (zh) * | 2019-02-01 | 2021-11-02 | 南京师范大学 | 一种基于olci的内陆富营养化湖泊水体蓝藻生物量比例遥感估算方法 |
CN112215484A (zh) * | 2020-09-30 | 2021-01-12 | 天津科技大学 | 一种基于改进模糊的水产养殖水质综合评价法 |
CN112989692A (zh) * | 2021-02-10 | 2021-06-18 | 中国科学院南京地理与湖泊研究所 | 基于遥感数据的湖泊富营养化反演方法 |
CN113158762B (zh) * | 2021-02-23 | 2024-05-28 | 中国科学院南京地理与湖泊研究所 | 大型湖库滨岸带蓝藻水华堆积风险评估方法 |
CN113640226B (zh) * | 2021-08-12 | 2022-05-20 | 国家卫星海洋应用中心 | 绿潮空间覆盖率的反演方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743700A (zh) * | 2014-01-17 | 2014-04-23 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 |
CN105203466A (zh) * | 2015-09-17 | 2015-12-30 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法 |
CN105631904A (zh) * | 2015-09-21 | 2016-06-01 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊藻类总存量遥感估算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130100851A (ko) * | 2012-02-08 | 2013-09-12 | 가이아쓰리디 주식회사 | 위성영상 처리 방법 및 시스템 |
-
2016
- 2016-09-05 CN CN201610804103.2A patent/CN106408005B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743700A (zh) * | 2014-01-17 | 2014-04-23 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 |
CN105203466A (zh) * | 2015-09-17 | 2015-12-30 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法 |
CN105631904A (zh) * | 2015-09-21 | 2016-06-01 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊藻类总存量遥感估算方法 |
Non-Patent Citations (3)
Title |
---|
一种基于MODIS 影像可业务化运行的巢湖水体叶绿素a估算算法;陶慜等;《湖泊科学》;20151231;第27卷(第6期);第1140-1150页 * |
基于MERIS数据的太湖蓝藻估算研究;尹斌;《中国优秀硕士学位论文全文数据库》;20120515;B027-234 * |
改进决策树算法在水环境质量评价中的作用;王永梅等;《合肥学院学报》;20140228;第24卷(第1期);第35-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106408005A (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106408005B (zh) | 基于modis色素浓度估算的富营养化湖泊水质风险评价方法 | |
Li et al. | Monitoring spatiotemporal variations in nutrients in a large drinking water reservoir and their relationships with hydrological and meteorological conditions based on Landsat 8 imagery | |
Zhou et al. | Hyperspectral inversion of soil heavy metals in Three-River Source Region based on random forest model | |
Shi et al. | Long-term remote monitoring of total suspended matter concentration in Lake Taihu using 250 m MODIS-Aqua data | |
Son et al. | Multispectral remote-sensing algorithms for particulate organic carbon (POC): The Gulf of Mexico | |
Ahn et al. | Detecting the red tide algal blooms from satellite ocean color observations in optically complex Northeast-Asia Coastal waters | |
CN112232234B (zh) | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 | |
Shi et al. | Remote chlorophyll-a estimates for inland waters based on a cluster-based classification | |
Duan et al. | Comparison of different semi-empirical algorithms to estimate chlorophyll-a concentration in inland lake water | |
Song et al. | Hyperspectral determination of eutrophication for a water supply source via genetic algorithm–partial least squares (GA–PLS) modeling | |
Xiong et al. | Development of remote sensing algorithm for total phosphorus concentration in eutrophic lakes: Conventional or machine learning? | |
Li et al. | Analysis of water clarity decrease in Xin’anjiang Reservoir, China, from 30-Year Landsat TM, ETM+, and OLI observations | |
Nazeer et al. | A new approach for the estimation of phytoplankton cell counts associated with algal blooms | |
CN113203694B (zh) | Msi的湖泊富营养指数遥感估算方法 | |
CN112989692A (zh) | 基于遥感数据的湖泊富营养化反演方法 | |
Lei et al. | Temporal and spatial distribution of Kd (490) and its response to precipitation and wind in lake Hongze based on MODIS data | |
Zhou et al. | Distinguishing two phenotypes of blooms using the normalised difference peak-valley index (NDPI) and Cyano-Chlorophyta index (CCI) | |
CN112881293A (zh) | 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 | |
Shuchman et al. | A model for determining satellite-derived primary productivity estimates for Lake Michigan | |
Shi et al. | Remote estimation of cyanobacteria-dominance in inland waters | |
CN113553907A (zh) | 一种基于遥感技术的森林生态环境状况评价方法 | |
Hang et al. | Estimation of chlorophyll-a concentration in Lake Taihu from Gaofen-1 wide-field-of-view data through a machine learning trained algorithm | |
Li et al. | Remote quantification of the trophic status of Chinese lakes | |
Zhou et al. | Remote estimation of cyanobacterial blooms using the risky grade index (RGI) and coverage area index (CAI): a case study in the Three Gorges Reservoir, China | |
Cheng et al. | Remote sensing estimation of Chlorophyll a and suspended sediment concentration in turbid water based on spectral separation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |