CN106442420A - 一种定性与定量结合的水质监测方法 - Google Patents

一种定性与定量结合的水质监测方法 Download PDF

Info

Publication number
CN106442420A
CN106442420A CN201610839815.8A CN201610839815A CN106442420A CN 106442420 A CN106442420 A CN 106442420A CN 201610839815 A CN201610839815 A CN 201610839815A CN 106442420 A CN106442420 A CN 106442420A
Authority
CN
China
Prior art keywords
target
water
sample position
water quality
historical time
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.)
Pending
Application number
CN201610839815.8A
Other languages
English (en)
Inventor
李士进
朱海晨
袁俐新
王伶俐
陈德清
郝立
胡金龙
高祥涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201610839815.8A priority Critical patent/CN106442420A/zh
Publication of CN106442420A publication Critical patent/CN106442420A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55Specular reflectivity
    • G01N21/552Attenuated total reflection

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种定性与定量结合的水质监测方法,能够快速有效地分析遥感图像光谱反射率,通过支持向量数据描述的异常检测方法,可以快速地识别高分辨率图像中存在污染的水体的像素点,从定性的角度判断污染水体的分布情况,获得污染水质分析结果;并且波段差值高斯过程回归方法比传统经验法模型预测精度更高,可以通过该方法从定量的角度自动地分析出超标的水质参数,为水污染治理提供可靠依据;不仅如此,本发明所设计监测方法中,使用的国产GF‑1 WFV数据和HJ‑1A HSI数据价格低廉,数据间隔周期短,能够满足开展环境遥感业务化持续稳定运行的需求。

Description

一种定性与定量结合的水质监测方法
技术领域
本发明涉及一种定性与定量结合的水质监测方法,属于遥感图像分析和机器学习技术交叉领域。
背景技术
我国是一个湖泊众多的国家,由于经济发展、人口膨胀和过度开发等原因,越来越多的内陆水体变得富营养化,水生态系统结构遭到破坏,蓝藻水华频繁爆发,造成了巨大的经济损失,亟需治理。水质监测是水质评价和水污染防治的主要依据,是水生态治理的核心环节之一。长久以来,我国的水质监测都是采用地面布点采样、实验室分析的方式,该分析过程复杂、周期长,数据的频次、时效远滞后于环境管理与决策的需求,特别是一些突发性、大规模的环境质量变化不能及时捕获。遥感图像具有探测范围广、采集数据快等特点,利用遥感图像可以全局地动态地监测水质。
传统的遥感反演通常是对内陆水体叶绿素a浓度和悬浮物浓度估算,国内外学者对此进行了大量研究,并建立了相应的估算模型,包括经验模型、半经验模型和生物光学模型等。随着遥感技术的进步,遥感图像的空间分辨率和光谱分辨率越来越高,通过遥感图像可以获取更多更精细的地物信息。基于遥感反演的水质监测已不仅仅局限于叶绿素、悬浮物等传统污染物,有关pH值、溶解氧、高锰酸盐指数、氨氮浓度等二类水体的微量水质参数的研究越来越多。与叶绿素、悬浮物等传统污染物不同,二类水体的微量水质参数难以直接反映到多光谱图像的遥感反射率中,微量水质参数与遥感反射率之间存在着复杂的非线性关系。目前,关于内陆水体微量水质参数的反演大多是基于经验法和半经验法,这些方法需要采集大量的现场数据,而且光谱反射率与水质参数间存在很多不确定因素,传统的经验法、半经验法线性模型不能很好地表达水质参数与反射光谱间的非线性关系。此外,国外卫星的数据缺乏连续性,一些较老的卫星已经停止运行。现有的遥感反演大多是基于空间分辨率较低或者光谱分辨率不高的卫星图像,传感器参数不一,反演效果差别较大,具有较大的时空局限性,不能自适应处理不同成像条件下的图像,难以满足开展环境遥感业务化持续稳定运行的需求。
发明内容
本发明所要解决的技术问题是提供一种能够快速有效地分析遥感图像光谱反射率,获得污染水质分析结果的定性与定量结合的水质监测方法。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种定性与定量结合的水质监测方法,包括如下步骤:
步骤A.针对目标水域设置预设数量的样本位置,根据目标水域对应指定历史时间的GF-1WFV遥感卫星图像,通过目标水域中的各个样本位置,针对预设分类器进行训练,获得依据水体光谱反射率判断水体是否污染的目标水域分类器,然后进入步骤B;
步骤B.针对目标水域指定各个目标样本位置,获得目标水域对应指定目标时间的GF-1WFV遥感卫星图像,并采用目标水域分类器,获得目标水域各个目标样本位置中,对应指定目标时间属于污染水域的各个目标样本位置,作为各个目标污染样本位置,然后进入步骤C;
步骤C.获得目标水域对应以指定目标时间为中心、在预设波动时长范围内的一幅HJ-1A HSI遥感卫星图像,作为目标HJ-1A HSI遥感卫星图像,并将各个目标污染样本位置的坐标,映射到目标HJ-1A HSI遥感卫星图像上,然后进入步骤D;
步骤D.构建目标水域水体光谱反射率分别对应各个预设类型水质数据的高斯过程回归模型,然后根据由目标HJ-1A HSI遥感卫星图像中所获各个目标污染样本位置的水体光谱反射率,采用分别对应各个预设类型水质数据的高斯过程回归模型进行遥感反演,获得各个目标污染样本位置分别对应指定目标时间的各个预设类型水质数据,然后进入步骤E;
步骤E.根据目标污染样本位置的各个预设类型水质数据,分别针对各个目标污染样本位置的水质进行评估。
作为本发明的一种优选技术方案:所述步骤A包括如下步骤:
步骤A01.针对目标水域设置预设数量的样本位置,并获得目标水域对应指定历史时间的GF-1WFV遥感卫星图像和HJ-1A HSI遥感卫星图像,然后进入步骤A02;
步骤A02.根据目标水域对应指定历史时间的GF-1WFV遥感卫星图像,确定目标水域各个样本位置分别对应指定历史时间属于无污染水域或属于污染水域,获得目标水域各个样本位置分别对应指定历史时间的水体光谱反射率,然后进入步骤A03;
步骤A03.在目标水域中对应指定历史时间、属于无污染水域的各个样本位置中,随机选择预设数量样本位置,构成训练样本集合;在目标水域中对应指定历史时间、属于污染水域的各个样本位置中,随机选择预设数量样本位置,构成验证样本集合;在目标水域中所有样本位置中,随机选择预设数量样本位置,构成测试样本集合,且测试样本集合中存在对应指定历史时间、属于无污染水域的样本位置和属于污染水域的样本位置;然后进入步骤A04;
步骤A04.根据训练样本集合中各个样本位置对应指定历史时间属于无污染水域,以及训练样本集合中各个样本位置分别对应指定历史时间的水体光谱反射率,针对预设分类器进行训练,同时根据验证样本集合中各个样本位置对应指定历史时间属于污染水域,以及验证样本集合中各个样本位置分别对应指定历史时间的水体光谱反射率,针对预设分类器中的参数进行调参,由此获得训练后的分类器,然后进入步骤A05;
步骤A05.根据测试样本集合中各个样本位置对应指定历史时间属于无污染水域或污染水域,以及测试样本集合中各个样本位置分别对应指定历史时间的水体光谱反射率,针对训练后的分类器进行测试,获得训练后的分类器针对验证样本集合的错误率,并判断错误率是否低于预设合格分类器错误率,是则确定训练后的分类器为目标水域分类器;否则返回步骤A03。
作为本发明的一种优选技术方案:所述预设分类器为支持向量数据描述的单类分类器。
作为本发明的一种优选技术方案:所述步骤B包括如下步骤:
步骤B01.针对目标水域指定各个目标样本位置,获得目标水域对应指定目标时间的GF-1WFV遥感卫星图像,进而获得目标水域各个目标样本位置分别对应指定目标时间的水体光谱反射率,然后进入步骤B02;
步骤B02.根据目标水域各个目标样本位置分别对应指定目标时间的水体光谱反射率,采用目标水域分类器,获得目标水域指定各个目标样本位置中,对应指定目标时间属于污染水域的各个目标样本位置。
作为本发明的一种优选技术方案:所述步骤C中,获得目标水域对应以指定目标时间为中心、在2天波动时长范围内的一幅HJ-1A HSI遥感卫星图像,作为目标HJ-1A HSI遥感卫星图像。
作为本发明的一种优选技术方案:所述步骤D中,针对各个预设类型水质数据,分别按如下步骤,构建目标水域水体光谱反射率对应该类型水质数据的高斯过程回归模型,然后根据由目标HJ-1A HSI遥感卫星图像中所获各个目标污染样本位置的水体光谱反射率,采用该预设类型水质数据的高斯过程回归模型进行遥感反演,获得各个目标污染样本位置分别对应指定目标时间的该预设类型水质数据;进而获得各个目标污染样本位置分别对应指定目标时间的各个预设类型水质数据;
步骤D01.针对所述步骤A中的各个样本位置,根据目标水域对应指定历史时间的HJ-1A HSI遥感卫星图像,获得各个样本位置分别对应指定历史时间任意两个波段反射率的差值,以及各个样本位置分别对应指定历史时间的该预设类型实测水质数据,然后针对各个样本位置,构建模型训练样本集合,以及模型验证样本集合,并进入步骤D02;
步骤D02.根据模型训练样本集合中各个样本位置分别对应指定历史时间任意两个波段反射率的差值,以及模型训练样本集合中各个样本位置分别对应指定历史时间的该预设类型实测水质数据,训练获得目标水域水体光谱反射率对应该类型水质数据的高斯过程回归模型,然后进入步骤D03;
步骤D03.通过目标水域水体光谱反射率对应该类型水质数据的高斯过程回归模型,反演验证样本集合中各个样本位置分别对应指定历史时间的该类型水质数据,然后进入步骤D04;
步骤D04.计算验证样本集合的反演值与各个样本位置对应的指定历史时间、该类型实测水质数据的均方根误差,然后进入步骤D05;
步骤D05.重复上述步骤D01至步骤D04,分别获得模型验证样本集合中各个样本位置分别对应指定历史时间、该类型水质数据的均方根误差最小的两个最优波段,即目标水域对应该类型水质数据的两个最优波段,然后进入步骤D06;
步骤D06.获得目标HJ-1A HSI遥感卫星图像中各个目标污染样本位置的水体光谱反射率,并通过目标水域对应该类型水质数据的两个最优波段代入相应的高斯过程回归模型,获得各个目标污染样本位置分别对应指定目标时间的该预设类型水质数据。
作为本发明的一种优选技术方案:所述各个预设类型水质数据包括pH值、溶解氧浓度、高锰酸盐指数以及氨氮浓度四种类型水质数据。
作为本发明的一种优选技术方案:所述步骤E中,根据目标污染样本位置的各个预设类型水质数据,按照国家环保总局和国家质量监督检验检疫总局发布的《中华人民共和国地表水环境质量标准》,分别针对各个目标污染样本位置的水质进行评估。
本发明所述一种定性与定量结合的水质监测方法采用以上技术方案与现有技术相比,具有以下技术效果:本发明设计的定性与定量结合的水质监测方法,能够快速有效地分析遥感图像光谱反射率,通过支持向量数据描述的异常检测方法,可以快速地识别高分辨率图像中存在污染的水体的像素点,从定性的角度判断污染水体的分布情况,获得污染水质分析结果;并且波段差值高斯过程回归方法比传统经验法模型预测精度更高,可以通过该方法从定量的角度自动地分析出超标的水质参数,为水污染治理提供可靠依据;不仅如此,本发明所设计监测方法中,使用的国产GF-1WFV数据和HJ-1A HSI数据价格低廉,数据间隔周期短,能够满足开展环境遥感业务化持续稳定运行的需求。
附图说明
图1是本发明所设计定性与定量结合的水质监测方法的流程图;
图2是示例取样点;
图3是正常水体样本点与有污染水体不同的反射率曲线;
图4是支持向量数据描述模型原理;
图5a至图5d是对四种水质参数定量反演的结果图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
遥感图像具有探测范围广、采集数据快等特点。随着遥感技术的进步,遥感图像的空间分辨率和光谱分辨率越来越高,通过遥感图像可以获取更多更精细的地物信息。传统的基于遥感图像的水质监测大多采用经验法、半经验法构建波段差值或波段比值模型,反演叶绿素和悬浮物浓度。传统方法需要现场采集大量的实测数据,监测的数据具有严重的滞后性,误差大,具有较大的时空局限性。现阶段,水质污染的监测已不仅局限于叶绿素、悬浮物等传统污染物,pH值、溶解氧、高锰酸盐指数、氨氮浓度等二类水体的微量水质参数直接影响到内陆水体的水质,是需要重点监测的水质参数。与叶绿素、悬浮物等传统污染物不同,二类水体的微量水质参数难以直接反映到多光谱图像的遥感反射率中,微量水质参数与遥感反射率之间存在着复杂的非线性关系。为满足开展环境遥感业务化持续稳定运行的需求,本发明设计了一种定性与定量结合的水质监测方法,可以自适应并较准确地监测水体污染情况。
如图1所示,本发明设计了一种定性与定量结合的水质监测方法,在实际应用过程当中,以监测太湖兰山嘴地区水质为例,其中,遥感卫星图像采用GF-1WFV遥感卫星图像和HJ-1A HSI遥感卫星图像,GF-1是我国自主研制的第一颗民用高分辨卫星,重访周期为两天,GF-1的16米分辨率的WFV相机幅宽优于800km,分为蓝绿红和近红外四个波段,不仅可以用于精细探测局部的环境污染状况,还可以用于水环境的大范围宏观监控与评价;HJ-1A是我国专门用于环境和灾害监测的对地观测系统,其中的高光谱成像仪对地刈宽为50公里、地面像元分辨率为100米,光谱范围450nm-950nm共分成115个波段,重访周期为4天。GF-1和HJ-1A的数据易获取,价格便宜,重访周期短,而且在空间分辨率和光谱分辨率上可以实现优势互补,非常符合本发明的要求。
从中国卫星资源应用中心获取的GF-1WFV源数据属于相对辐射校正产品,需要进行如下预处理:
(1)辐射定标,消除传感器本身的误差,确定传感器入口准确的辐射值,本文采用的是ENVI5.1的Radiometric Calibration工具箱进行辐射定标,Calibration Type(定标类型)设置为Radiance,Output Interleave(输出数据存储类型)设为BIL格式,OutputData Type(输出数据类型)设为Float浮点型,Scale Factor(缩放尺度)设置为0.10;
(2)大气校正,将辐射亮度或表面反射率转换为地表实际反射率,消除大气散射、吸收、反射引起的误差,本文采用的是FLAASH进行大气校正,Pixel Size(像元大小)设为16m,Ground Elevation(成像区域平均高度)设为0.01km,Aerosol Model(气溶胶模型)选择Rural;
(3)正射校正,去除地形的影响或是相机方位引起的变形,生成平面正射影像,本文采用的是ENVI5.1的RPC Orthorectification工具箱进行辐射定标,Output Pixel Size(输出像元大小)设为16m,Image Resampling(重采样)选择Cubic Convolution。
HJ-1A高光谱图像属于系统几何校正产品,对其需要进行如下预处理:
FLAASH大气校正,Radiance Scale Factors对话中选中Use single scalefactor for all bands缩放系数填写1000,Pixel Size(像元大小)设为100m,GroundElevation(成像区域平均高度)设为0.01km,Aerosol Model(气溶胶模型)选择Rural,Water Retrieval选择Yes,Water Absorption Feature选择为1135nm。
根据污染状态可以将水质分为I类,II类,III类,IV类,V类以及劣V类,其中I类,II类,III类被认为无污染,数据标签设为“+1”,IV类,V类以及劣V类被认为有污染,数据标签设为“-1”。
实际应用中,具体包括如下步骤:
步骤A.针对目标水域设置预设数量的样本位置,根据目标水域对应指定历史时间的GF-1WFV遥感卫星图像,通过目标水域中的各个样本位置,针对预设分类器进行训练,获得依据水体光谱反射率判断水体是否污染的目标水域分类器,然后进入步骤B,其中,预设分类器为支持向量数据描述(SVDD)的单类分类器,分类器参数g的范围为[0.01,0.5],参数n的范围为[0.01,0.9]。
上述步骤A包括如下步骤:
步骤A01.针对目标水域设置预设数量的样本位置,并获得目标水域对应指定历史时间的GF-1WFV遥感卫星图像和HJ-1A HSI遥感卫星图像,然后进入步骤A02。
步骤A02.根据目标水域对应指定历史时间的GF-1WFV遥感卫星图像,确定目标水域各个样本位置分别对应指定历史时间属于无污染水域或属于污染水域,获得目标水域各个样本位置分别对应指定历史时间的水体光谱反射率,然后进入步骤A03。
步骤A03.在目标水域中对应指定历史时间、属于无污染水域的各个样本位置中,随机选择预设数量样本位置,构成训练样本集合,其中,如图2所示,其中,圆圈表示湖心区位置,五角星表示兰山嘴位置,根据太湖水质分析报告以及相关研究,太湖湖心区到小雷山地区水质较好,常年在III类及以下,因此,此处选取的是经纬度在(N 31°11′40″,E 120°6′38″)附近的约500个像元样本位置,构成训练样本集合;在目标水域中对应指定历史时间、属于污染水域的各个样本位置中,随机选择预设数量样本位置,构成验证样本集合,验证样本集的大小为100左右;在目标水域中所有样本位置中,随机选择预设数量样本位置,构成测试样本集合,且测试样本集合中存在对应指定历史时间、属于无污染水域的样本位置和属于污染水域的样本位置,此处选取的是坐标在(N 31°13′0.34″,E 119°54′46.43″)附近的121个像元样本位置,构成测试样本集合;然后进入步骤A04。
步骤A04.根据训练样本集合中各个样本位置对应指定历史时间属于无污染水域,以及训练样本集合中各个样本位置分别对应指定历史时间的水体光谱反射率,针对SVDD单类分类器进行训练,同时根据验证样本集合中各个样本位置对应指定历史时间属于污染水域,以及验证样本集合中各个样本位置分别对应指定历史时间的水体光谱反射率,针对SVDD单类分类器中的参数进行调参,由此获得训练后的SVDD单类分类器,然后进入步骤A05。
无污染水域在GF-1WFV遥感卫星图像中的光谱形状相似,而污染水域在红色以及近红外波段反射率较高,与无污染水域光谱曲线形状差异较大,如图3所示,其中,Abnormal表示异常样本点,Normal表示正常样本点,因此可以将有污染的点看作异常像素点通过异常检测的方法将污染点检测出来。支持向量描述(SVDD)是遥感图像异常检测的一种有效方法,SVDD构造线性分类器,使具有共同特性的样本处于同一超球体内,SVDD以未污染水体的GF-1WFV遥感卫星图像数据作为训练样本,通过寻找包含所有或大部分训练数据的最小半径的超球体对其进行描述,如图4所示,超球体的球心为a,半径为R。超球体外的则属于异常点,对于本发明即为污染的像素。此处采用的libsvm工具箱中的SVDD单类分类器参数g的范围为[0.01,0.5],参数n的范围为[0.01,0.9],训练SVDD单类分类器的具体步骤包括:
(1)以标签为“+1”的训练样本作为输入训练支持向量数据描述的分类器;
(2)调整分类器的参数n和g,使得验证样本的分类精确度最高。
步骤A05.根据测试样本集合中各个样本位置对应指定历史时间属于无污染水域或污染水域,以及测试样本集合中各个样本位置分别对应指定历史时间的水体光谱反射率,针对训练后的SVDD单类分类器进行测试,获得训练后的SVDD单类分类器针对测试样本集合的错误率,并判断错误率是否低于预设合格分类器错误率,是则确定训练后的SVDD单类分类器为目标水域分类器;否则返回步骤A03。
步骤B.针对目标水域指定各个目标样本位置,获得目标水域对应指定目标时间的GF-1WFV遥感卫星图像,并采用目标水域分类器,获得目标水域各个目标样本位置中,对应指定目标时间属于污染水域的各个目标样本位置,作为各个目标污染样本位置,然后进入步骤C。
上述步骤B包括如下步骤:
步骤B01.针对目标水域指定各个目标样本位置,获得目标水域对应指定目标时间的GF-1WFV遥感卫星图像,进而获得目标水域各个目标样本位置分别对应指定目标时间的水体光谱反射率,然后进入步骤B02。
步骤B02.根据目标水域各个目标样本位置分别对应指定目标时间的水体光谱反射率,采用目标水域分类器,获得目标水域指定各个目标样本位置中,对应指定目标时间属于污染水域的各个目标样本位置。
通过目标水域分类器针对目标水域指定各个目标样本位置进行分类,得到标签为“+1”的数据表示该像元目标样本位置的光谱反射率正常,得到标签为“-1”的数据表示该像元目标样本位置的光谱反射率异常。对于每个数据集的121条数据,若有超过75%的数据分类标签为“-1”,则表明该日兰山嘴地区的水体受到污染。
步骤C.获得目标水域对应以指定目标时间为中心、在2天波动时长范围内的一幅HJ-1A HSI遥感卫星图像,作为目标HJ-1A HSI遥感卫星图像,并将各个目标污染样本位置的坐标,映射到目标HJ-1A HSI遥感卫星图像上,然后进入步骤D。
选取与GF-1WFV遥感卫星图像日期一致或相差一天的HSI图像,以GF-1WFV遥感卫星图像作为基准影像通过ENVI Image Registration Workflow工具箱配准高光谱图像,其中Seed Tie Points(种子点)个数需要12-16个。配准HJ-1A HSI遥感卫星图像之后根据SVDD单类分类器检测到的污染像元目标污染样本位置的坐标在HJ-1A HSI遥感卫星图像中找到相应像元目标样本位置。
步骤D.构建目标水域水体光谱反射率分别对应各个预设类型水质数据的高斯过程回归模型,然后根据由目标HJ-1A HSI遥感卫星图像中所获各个目标污染样本位置的水体光谱反射率,即提取污染像元目标污染样本位置的115个波段的遥感反射率,采用分别对应各个预设类型水质数据的高斯过程回归模型进行遥感反演,获得各个目标污染样本位置分别对应指定目标时间的各个预设类型水质数据,然后进入步骤E,其中,所述各个预设类型水质数据包括pH值、溶解氧(DO)浓度、高锰酸盐(MnO4)指数以及氨氮(NH3-N)浓度四种类型水质数据,HJ-1A HSI遥感卫星图像选取的波段号范围为[62,115]。
上述步骤D中,针对各个预设类型水质数据,分别按如下步骤,构建目标水域水体光谱反射率对应该类型水质数据的高斯过程回归模型,然后根据由目标HJ-1A HSI遥感卫星图像中所获各个目标污染样本位置的水体光谱反射率,采用该预设类型水质数据的高斯过程回归模型进行遥感反演,如图5a至图5d是对四种水质参数定量反演的结果,获得各个目标污染样本位置分别对应指定目标时间的该预设类型水质数据,其中,图5a至图5d中横坐标表示实测数据,纵坐标表示反演的预测值;进而获得各个目标污染样本位置分别对应指定目标时间的各个预设类型水质数据。
步骤D01.针对所述步骤A中的各个样本位置,根据目标水域对应指定历史时间的HJ-1A HSI遥感卫星图像,获得各个样本位置分别对应指定历史时间任意两个波段反射率的差值,以及各个样本位置分别对应指定历史时间的该预设类型实测水质数据,然后针对各个样本位置,构建模型训练样本集合,以及模型验证样本集合,并进入步骤D02。
步骤D02.根据模型训练样本集合中各个样本位置分别对应指定历史时间任意两个波段反射率的差值,以及模型训练样本集合中各个样本位置分别对应指定历史时间的该预设类型实测水质数据,训练获得目标水域水体光谱反射率对应该类型水质数据的高斯过程回归模型,然后进入步骤D03。
步骤D03.通过目标水域水体光谱反射率对应该类型水质数据的高斯过程回归模型,反演验证样本集合中各个样本位置分别对应指定历史时间的该类型水质数据,然后进入步骤D04。
步骤D04.计算验证样本集合的反演值与各个样本位置对应的指定历史时间、该类型实测水质数据的均方根误差,然后进入步骤D05。
步骤D05.重复上述步骤D01至步骤D04,分别获得模型验证样本集合中各个样本位置分别对应指定历史时间、该类型水质数据的均方根误差最小的两个最优波段,即目标水域对应该类型水质数据的两个最优波段,然后进入步骤D06。
步骤D06.获得目标HJ-1A HSI遥感卫星图像中各个目标污染样本位置的水体光谱反射率,并通过目标水域对应该类型水质数据的两个最优波段代入相应的高斯过程回归模型,获得各个目标污染样本位置分别对应指定目标时间的该预设类型水质数据。
步骤E.根据目标污染样本位置的各个预设类型水质数据,根据目标污染样本位置的各个预设类型水质数据,按照国家环保总局和国家质量监督检验检疫总局发布的《中华人民共和国地表水环境质量标准》,分别针对各个目标污染样本位置的水质进行评估。
评判水质的标准是国家环保总局提供的地表水质量标准,主要分析的就是pH、溶解氧、高锰酸盐指数、氨氮四种水质参数。例如通过高斯过程回归得到的2015年08月01日的pH、溶解氧、高锰酸盐指数、氨氮的值分别是7.0337,1.7675,11.2499,0.9245,根据此标准分析可知当日水质属于劣V类,超标的指数是溶解氧和高锰酸盐指数。
采用本发明方法对太湖西岸兰山嘴地区进行水质监测的实验结果表明:
1.SVDD判别的准确率较高,达到95.38%,可以定性地判别出当日兰山嘴地区污染是否严重。基于SVDD的异常检测方法可以自动监测水体是否被污染。
2.采用高斯过程回归模型反演得到的pH值、溶解氧、高锰酸盐、氨氮浓度平均绝对百分比误差和均方根误差均比较小,表明pH值、溶解氧(DO)、高锰酸盐(MnO4)、氨氮(NH3-N)浓度等水质参数与相应的二波段差值因子呈良好的相关性,通过高斯过程回归的方法可以判断污染区超标的具体水质参数。
综上所述,采取本发明提出的定性与定量结合的水体污染监测方法可以快速并较准确地监测分析水体的污染情况。而且选用的遥感数据价格较低,重访周期短,完全可以满足环境遥感业务化持续稳定运行的需求,提高水质监测时效性,为水污染治理提供可靠依据。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (8)

1.一种定性与定量结合的水质监测方法,其特征在于,包括如下步骤:
步骤A.针对目标水域设置预设数量的样本位置,根据目标水域对应指定历史时间的GF-1WFV遥感卫星图像,通过目标水域中的各个样本位置,针对预设分类器进行训练,获得依据水体光谱反射率判断水体是否污染的目标水域分类器,然后进入步骤B;
步骤B.针对目标水域指定各个目标样本位置,获得目标水域对应指定目标时间的GF-1WFV遥感卫星图像,并采用目标水域分类器,获得目标水域各个目标样本位置中,对应指定目标时间属于污染水域的各个目标样本位置,作为各个目标污染样本位置,然后进入步骤C;
步骤C.获得目标水域对应以指定目标时间为中心、在预设波动时长范围内的一幅HJ-1A HSI遥感卫星图像,作为目标HJ-1A HSI遥感卫星图像,并将各个目标污染样本位置的坐标,映射到目标HJ-1A HSI遥感卫星图像上,然后进入步骤D;
步骤D.构建目标水域水体光谱反射率分别对应各个预设类型水质数据的高斯过程回归模型,然后根据由目标HJ-1A HSI遥感卫星图像中所获各个目标污染样本位置的水体光谱反射率,采用分别对应各个预设类型水质数据的高斯过程回归模型进行遥感反演,获得各个目标污染样本位置分别对应指定目标时间的各个预设类型水质数据,然后进入步骤E;
步骤E.根据目标污染样本位置的各个预设类型水质数据,分别针对各个目标污染样本位置的水质进行评估。
2.根据权利要求1所述一种定性与定量结合的水质监测方法,其特征在于,所述步骤A包括如下步骤:
步骤A01.针对目标水域设置预设数量的样本位置,并获得目标水域对应指定历史时间的GF-1 WFV遥感卫星图像和HJ-1A HSI遥感卫星图像,然后进入步骤A02;
步骤A02.根据目标水域对应指定历史时间的GF-1 WFV遥感卫星图像,确定目标水域各个样本位置分别对应指定历史时间属于无污染水域或属于污染水域,获得目标水域各个样本位置分别对应指定历史时间的水体光谱反射率,然后进入步骤A03;
步骤A03.在目标水域中对应指定历史时间、属于无污染水域的各个样本位置中,随机选择预设数量样本位置,构成训练样本集合;在目标水域中对应指定历史时间、属于污染水域的各个样本位置中,随机选择预设数量样本位置,构成验证样本集合;在目标水域中所有样本位置中,随机选择预设数量样本位置,构成测试样本集合,且测试样本集合中存在对应指定历史时间、属于无污染水域的样本位置和属于污染水域的样本位置;然后进入步骤A04;
步骤A04.根据训练样本集合中各个样本位置对应指定历史时间属于无污染水域,以及训练样本集合中各个样本位置分别对应指定历史时间的水体光谱反射率,针对预设分类器进行训练,同时根据验证样本集合中各个样本位置对应指定历史时间属于污染水域,以及验证样本集合中各个样本位置分别对应指定历史时间的水体光谱反射率,针对预设分类器中的参数进行调参,由此获得训练后的分类器,然后进入步骤A05;
步骤A05.根据测试样本集合中各个样本位置对应指定历史时间属于无污染水域或污染水域,以及测试样本集合中各个样本位置分别对应指定历史时间的水体光谱反射率,针对训练后的分类器进行测试,获得训练后的分类器针对验证样本集合的错误率,并判断错误率是否低于预设合格分类器错误率,是则确定训练后的分类器为目标水域分类器;否则返回步骤A03。
3.根据权利要求1或2所述一种定性与定量结合的水质监测方法,其特征在于,所述预设分类器为支持向量数据描述的单类分类器。
4.根据权利要求1所述一种定性与定量结合的水质监测方法,其特征在于,所述步骤B包括如下步骤:
步骤B01.针对目标水域指定各个目标样本位置,获得目标水域对应指定目标时间的GF-1WFV遥感卫星图像,进而获得目标水域各个目标样本位置分别对应指定目标时间的水体光谱反射率,然后进入步骤B02;
步骤B02.根据目标水域各个目标样本位置分别对应指定目标时间的水体光谱反射率,采用目标水域分类器,获得目标水域指定各个目标样本位置中,对应指定目标时间属于污染水域的各个目标样本位置。
5.根据权利要求1所述一种定性与定量结合的水质监测方法,其特征在于,所述步骤C中,获得目标水域对应以指定目标时间为中心、在2天波动时长范围内的一幅HJ-1A HSI遥感卫星图像,作为目标HJ-1A HSI遥感卫星图像。
6.根据权利要求1所述一种定性与定量结合的水质监测方法,其特征在于:所述步骤D中,针对各个预设类型水质数据,分别按如下步骤,构建目标水域水体光谱反射率对应该类型水质数据的高斯过程回归模型,然后根据由目标HJ-1A HSI遥感卫星图像中所获各个目标污染样本位置的水体光谱反射率,采用该预设类型水质数据的高斯过程回归模型进行遥感反演,获得各个目标污染样本位置分别对应指定目标时间的该预设类型水质数据;进而获得各个目标污染样本位置分别对应指定目标时间的各个预设类型水质数据;
步骤D01.针对所述步骤A中的各个样本位置,根据目标水域对应指定历史时间的HJ-1AHSI遥感卫星图像,获得各个样本位置分别对应指定历史时间任意两个波段反射率的差值,以及各个样本位置分别对应指定历史时间的该预设类型实测水质数据,然后针对各个样本位置,构建模型训练样本集合,以及模型验证样本集合,并进入步骤D02;
步骤D02.根据模型训练样本集合中各个样本位置分别对应指定历史时间任意两个波段反射率的差值,以及模型训练样本集合中各个样本位置分别对应指定历史时间的该预设类型实测水质数据,训练获得目标水域水体光谱反射率对应该类型水质数据的高斯过程回归模型,然后进入步骤D03;
步骤D03.通过目标水域水体光谱反射率对应该类型水质数据的高斯过程回归模型,反演验证样本集合中各个样本位置分别对应指定历史时间的该类型水质数据,然后进入步骤D04;
步骤D04.计算验证样本集合的反演值与各个样本位置对应的指定历史时间、该类型实测水质数据的均方根误差,然后进入步骤D05;
步骤D05.重复上述步骤D01至步骤D04,分别获得模型验证样本集合中各个样本位置分别对应指定历史时间、该类型水质数据的均方根误差最小的两个最优波段,即目标水域对应该类型水质数据的两个最优波段,然后进入步骤D06;
步骤D06.获得目标HJ-1A HSI遥感卫星图像中各个目标污染样本位置的水体光谱反射率,并通过目标水域对应该类型水质数据的两个最优波段代入相应的高斯过程回归模型,获得各个目标污染样本位置分别对应指定目标时间的该预设类型水质数据。
7.根据权利要求1或6所述一种定性与定量结合的水质监测方法,其特征在于:所述各个预设类型水质数据包括pH值、溶解氧浓度、高锰酸盐指数以及氨氮浓度四种类型水质数据。
8.根据权利要求1所述一种定性与定量结合的水质监测方法,其特征在于:所述步骤E中,根据目标污染样本位置的各个预设类型水质数据,按照国家环保总局和国家质量监督检验检疫总局发布的《中华人民共和国地表水环境质量标准》,分别针对各个目标污染样本位置的水质进行评估。
CN201610839815.8A 2016-09-21 2016-09-21 一种定性与定量结合的水质监测方法 Pending CN106442420A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610839815.8A CN106442420A (zh) 2016-09-21 2016-09-21 一种定性与定量结合的水质监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610839815.8A CN106442420A (zh) 2016-09-21 2016-09-21 一种定性与定量结合的水质监测方法

Publications (1)

Publication Number Publication Date
CN106442420A true CN106442420A (zh) 2017-02-22

Family

ID=58166614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610839815.8A Pending CN106442420A (zh) 2016-09-21 2016-09-21 一种定性与定量结合的水质监测方法

Country Status (1)

Country Link
CN (1) CN106442420A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106918559A (zh) * 2017-05-04 2017-07-04 环境保护部卫星环境应用中心 一种检测水体质量的方法及装置
CN109269993A (zh) * 2018-10-15 2019-01-25 广州地理研究所 一种溶解氧的识别方法、装置、存储介质及设备
CN109799202A (zh) * 2019-01-16 2019-05-24 黄文佳 一种利用电磁波反射成像图进行物质分析的装置及方法
CN110174359A (zh) * 2019-05-27 2019-08-27 生态环境部南京环境科学研究所 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法
CN110910471A (zh) * 2019-11-13 2020-03-24 江苏禹治流域管理技术研究院有限公司 城市水地图及其制作显示方法
CN111639763A (zh) * 2020-06-03 2020-09-08 三一重机有限公司 一种液压油污染度的检测模型训练方法、检测方法及装置
CN111781149A (zh) * 2020-06-10 2020-10-16 肖敏 利用遥感卫星检测挥发性有机化合物浓度的方法和装置
CN111897318A (zh) * 2020-06-12 2020-11-06 中国环境科学研究院 基于无人船的水体污染智能调查方法及装置
CN111914218A (zh) * 2020-08-05 2020-11-10 应急管理部国家减灾中心 一种面向用户应用的灾害遥感产品真实性检验方法
JP2021032898A (ja) * 2019-08-22 2021-03-01 ▲広▼州大学 反復分類に基づく水域識別方法及び装置
CN113255961A (zh) * 2021-04-16 2021-08-13 长江水利委员会长江科学院 基于时序多源光谱遥感数据的湖泊水环境监测站点优化布局方法
CN113706127A (zh) * 2021-10-22 2021-11-26 长视科技股份有限公司 一种水域分析报告的生成方法及电子设备
CN113947726A (zh) * 2021-10-29 2022-01-18 江苏天汇空间信息研究院有限公司 基于互联网的生态河湖区域监管系统
CN114384015A (zh) * 2022-01-12 2022-04-22 中国环境科学研究院 一种基于多源遥感和机器学习的水环境监测方法
CN115311628A (zh) * 2022-10-12 2022-11-08 成都理工大学 森林冠层叶绿素含量反演及动态监测方法
CN116310772A (zh) * 2023-05-18 2023-06-23 德州华恒环保科技有限公司 基于多光谱图像的水环境污染识别方法
CN117172430A (zh) * 2023-11-02 2023-12-05 北京建工环境修复股份有限公司 一种基于深度学习的水体环境评估与预测方法及系统
CN117740690A (zh) * 2023-12-19 2024-03-22 珠江水利委员会珠江水利科学研究院 一种水表溶解氧遥感估算方法、系统及可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102955878A (zh) * 2012-09-05 2013-03-06 环境保护部卫星环境应用中心 基于meris全分辨率影像数据的内陆水体光学分类方法
CN103034910A (zh) * 2012-12-03 2013-04-10 北京农业信息技术研究中心 基于多源信息的区域尺度病虫害预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102955878A (zh) * 2012-09-05 2013-03-06 环境保护部卫星环境应用中心 基于meris全分辨率影像数据的内陆水体光学分类方法
CN103034910A (zh) * 2012-12-03 2013-04-10 北京农业信息技术研究中心 基于多源信息的区域尺度病虫害预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHIJIN LI 等: "Water quality monitoring based on multiple remote sensing imageries", 《2016 FOURTH INTERNATIONAL WORKSHOP ON EARTH OBSERVATION AND REMOTE SENSING APPLICATIONS》 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106918559B (zh) * 2017-05-04 2019-03-12 环境保护部卫星环境应用中心 一种检测水体质量的方法及装置
CN106918559A (zh) * 2017-05-04 2017-07-04 环境保护部卫星环境应用中心 一种检测水体质量的方法及装置
CN109269993A (zh) * 2018-10-15 2019-01-25 广州地理研究所 一种溶解氧的识别方法、装置、存储介质及设备
CN109799202A (zh) * 2019-01-16 2019-05-24 黄文佳 一种利用电磁波反射成像图进行物质分析的装置及方法
CN110174359A (zh) * 2019-05-27 2019-08-27 生态环境部南京环境科学研究所 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法
JP2021032898A (ja) * 2019-08-22 2021-03-01 ▲広▼州大学 反復分類に基づく水域識別方法及び装置
CN110910471A (zh) * 2019-11-13 2020-03-24 江苏禹治流域管理技术研究院有限公司 城市水地图及其制作显示方法
CN110910471B (zh) * 2019-11-13 2024-02-06 江苏禹治流域管理技术研究院有限公司 城市水地图及其制作显示方法
CN111639763A (zh) * 2020-06-03 2020-09-08 三一重机有限公司 一种液压油污染度的检测模型训练方法、检测方法及装置
CN111639763B (zh) * 2020-06-03 2023-08-11 三一重机有限公司 一种液压油污染度的检测模型训练方法、检测方法及装置
CN111781149B (zh) * 2020-06-10 2022-07-19 新疆天链遥感科技有限公司 利用遥感卫星检测挥发性有机化合物浓度的方法和装置
CN111781149A (zh) * 2020-06-10 2020-10-16 肖敏 利用遥感卫星检测挥发性有机化合物浓度的方法和装置
CN111897318A (zh) * 2020-06-12 2020-11-06 中国环境科学研究院 基于无人船的水体污染智能调查方法及装置
CN111897318B (zh) * 2020-06-12 2021-11-23 中国环境科学研究院 基于无人船的水体污染智能调查方法及装置
CN111914218A (zh) * 2020-08-05 2020-11-10 应急管理部国家减灾中心 一种面向用户应用的灾害遥感产品真实性检验方法
CN113255961B (zh) * 2021-04-16 2022-05-10 长江水利委员会长江科学院 基于时序多源光谱遥感数据的湖泊水环境监测站点优化布局方法
CN113255961A (zh) * 2021-04-16 2021-08-13 长江水利委员会长江科学院 基于时序多源光谱遥感数据的湖泊水环境监测站点优化布局方法
CN113706127A (zh) * 2021-10-22 2021-11-26 长视科技股份有限公司 一种水域分析报告的生成方法及电子设备
CN113947726A (zh) * 2021-10-29 2022-01-18 江苏天汇空间信息研究院有限公司 基于互联网的生态河湖区域监管系统
CN113947726B (zh) * 2021-10-29 2022-07-01 江苏天汇空间信息研究院有限公司 基于互联网的生态河湖区域监管系统
CN114384015A (zh) * 2022-01-12 2022-04-22 中国环境科学研究院 一种基于多源遥感和机器学习的水环境监测方法
CN115311628A (zh) * 2022-10-12 2022-11-08 成都理工大学 森林冠层叶绿素含量反演及动态监测方法
CN115311628B (zh) * 2022-10-12 2022-12-06 成都理工大学 森林冠层叶绿素含量反演及动态监测方法
CN116310772A (zh) * 2023-05-18 2023-06-23 德州华恒环保科技有限公司 基于多光谱图像的水环境污染识别方法
CN117172430A (zh) * 2023-11-02 2023-12-05 北京建工环境修复股份有限公司 一种基于深度学习的水体环境评估与预测方法及系统
CN117172430B (zh) * 2023-11-02 2024-02-02 北京建工环境修复股份有限公司 一种基于深度学习的水体环境评估与预测方法及系统
CN117740690A (zh) * 2023-12-19 2024-03-22 珠江水利委员会珠江水利科学研究院 一种水表溶解氧遥感估算方法、系统及可读存储介质

Similar Documents

Publication Publication Date Title
CN106442420A (zh) 一种定性与定量结合的水质监测方法
CN108593569B (zh) 基于光谱形态特征的高光谱水质参数定量反演方法
Kamal et al. Assessment of multi-resolution image data for mangrove leaf area index mapping
Yang et al. Urban land-cover change detection through sub-pixel imperviousness mapping using remotely sensed data
US20190050625A1 (en) Systems, methods and computer program products for multi-resolution multi-spectral deep learning based change detection for satellite images
Booth et al. Image‐based monitoring to measure ecological change in rangeland
Walker et al. An object-oriented approach to urban forest mapping in Phoenix
Ouma et al. Estimation of Reservoir Bio‐Optical Water Quality Parameters Using Smartphone Sensor Apps and Landsat ETM+: Review and Comparative Experimental Results
Novoa et al. Water quality assessment using satellite-derived chlorophyll-a within the European directives, in the southeastern Bay of Biscay
Xia et al. Analysis of surface urban heat islands based on local climate zones via spatiotemporally enhanced land surface temperature
Karaska et al. AVIRIS measurements of chlorophyll, suspended minerals, dissolved organic carbon, and turbidity in the Neuse River, North Carolina
CN111914767B (zh) 一种基于多源遥感数据的散乱污企业检测方法及系统
Lefevre et al. Survey and merging of sunspot catalogs
CN104729718B (zh) 一种用于红外成像系统netd的处理系统及方法
CN106468658A (zh) 一种富营养化湖泊藻蓝素的modis遥感监测方法
Devlin et al. Monitoring and mapping of flood plumes in the Great Barrier Reef based on in situ and remote sensing observations
CN106022354A (zh) 基于svm的图像mtf测量方法
Liao et al. Algorithm of leaf area index product for HJ-CCD over Heihe River Basin
Toro Herrera et al. Semi-automated production and filtering of satellite derived water quality parameters
CN104157009A (zh) 一种多源遥感影像质量定量比选方法
Wang et al. Multi-scale crown closure retrieval for moso bamboo forest using multi-source remotely sensed imagery based on geometric-optical and Erf-BP neural network models
Pan et al. Facing the 3rd national land survey (cultivated land quality): soil survey application for soil texture detection based on the high-definition field soil images by using perceptual hashing algorithm (pHash)
Wang et al. Monitoring phycocyanin concentrations in high-latitude inland lakes using Sentinel-3 OLCI data: The case of Lake Hulun, China
Li et al. Aerodynamic roughness length estimation with lidar and imaging spectroscopy in a shrub-dominated dryland
Li et al. A extremely fast spatio-temporal fusion method for remotely sensed images

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170222