CN109738367B - 通过无人机上高光谱传感器反演河口湿地水环境要素方法 - Google Patents
通过无人机上高光谱传感器反演河口湿地水环境要素方法 Download PDFInfo
- Publication number
- CN109738367B CN109738367B CN201811652831.1A CN201811652831A CN109738367B CN 109738367 B CN109738367 B CN 109738367B CN 201811652831 A CN201811652831 A CN 201811652831A CN 109738367 B CN109738367 B CN 109738367B
- Authority
- CN
- China
- Prior art keywords
- water
- research area
- water environment
- aerial vehicle
- unmanned aerial
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Abstract
本发明公开了通过无人机上高光谱传感器反演河口湿地水环境要素方法,属于水环境模拟领域。通过无人机上高光谱传感器反演河口湿地水环境要素方法,通过单元研究区水体样品采集、单元研究区水面遥感反射率计算、单元研究区水环境分析、无人机工作准备、单元研究区高光谱数据采集、单元研究区水环境模型建立、待测研究区高光谱数据采集和待测研究区水环境确定等步骤结合无人机使用快速推算出河口湿地水环境要素,并重复上述步骤建立多组河口湿地研究区的水质含量分布图像,同向比较获取所述河口湿地研究区的水质的变化规律,能够准确捕获到快速动态变化的潮沟水质变化情况,省时省力。
Description
技术领域
本发明涉及水环境模拟领域,尤其涉及通过无人机上高光谱传感器反演河口湿地水环境要素方法。
背景技术
河口湿地位于河流生态系统和海洋生态系统之间的生态交错带。在咸淡水交互作用下,河口湿地对河流和海洋生态系统间的物流、能流、信息流和生物流发挥着廊道、过滤器和屏障作用,具有独特的生态价值和资源潜力。咸淡水交互区中的水沙、水盐、叶绿素a、总氮、总磷是河口湿地的关键水环境要素,其在时间、空间上的分布直接反映了河口湿地中潮流与径流的双向作用模式以及人类活动对湿地水环境的影响,对于揭示河口湿地的水文连通时空演变及其对人类活动的响应机制具有重要意义,目前是科学界研究的热点。
河口湿地中的水体大多以潮沟形式存在。目前对于潮沟中水环境要素的观测方法主要是通过传统的野外采水样和室内检测分析为主。传统方法具有精度高、准确性强等优点,但费时费力,很难获取空间上连续的水环境要素分布信息。河口湿地环境复杂,很多地区难以进入,更给野外采样增加难度。另外,潮沟内水环境要素随着潮汐影响具有快速动态变化的特征,传统野外采样很难在短时间内(1-2小时)采集足够多的样品,因此在刻画水环境要素的瞬时空间分布上存在较大的不确定性。
卫星遥感技术因其多时相、大范围的特点,逐渐被研究者应用于大型内陆水体或海洋水体的水环境要素监测中。然而,卫星影像由于其空间分辨率和光谱分辨率的限制,无法应用于细小潮沟内水环境监测中。高光谱遥感传感器搭载在无人机上,能够采集多个连续光谱波段的地物反射率,可以实现大范围、非接触性的快速测样。然而,由于水体的光谱反射率较低,潮沟内水体各要素含量的微小变化对光谱曲线的影响非常细微,直接分析光谱曲线无法得到水环境要素的含量;另外,高光谱传感器的谱段往往超过100个,光谱分辨率过高会增加数据冗余量,对于所有谱段进行分步筛选建模往往耗时耗力且无法得到精确的反演结果。
发明内容
本发明提出的通过无人机上高光谱传感器反演河口湿地水环境要素方法,以解决上述背景中提到的以下问题:
1、河口湿地环境复杂,野外采样和室内监测分析耗时耗力,难以在短时间内获取空间上连续的水环境要素分布信息,卫星遥感的空间分辨率和光谱分辨率难以满足潮沟水体水环境监测的需求。
2、水体光谱反射率较低,直接分析光谱曲线无法得到水环境要素的含量,高光谱数据量大,难以通过分步筛选波段进行精确的水环境要素反演建模。
为了实现上述目的,本发明采用了如下技术方案:
通过无人机上高光谱传感器反演河口湿地水环境要素方法,包括以下步骤:
S1、在大面积潮沟的河口湿地上作为待测研究区,水文调查,选取合适的小面积潮沟区域作为单元研究区;
S2、单元研究区水体样品采集;在所述的单元研究区布设多组采样点,在所述采样点上,通过采水器采集所述采样点水面以下0-0.5米的水样;
S3、单元研究区水面遥感反射率计算;利用地物光谱仪参照水面以上光谱测量法在所述采样点处采集光谱数据并通过函数公式进行计算得到所述单元研究区的水面遥感反射率;
S4、单元研究区水环境要素分析;取所述步骤S2中的所述水样进行水环境要素的实验分析统计;
S5、无人机工作准备;在待飞行无人机搭载高光谱传感器;根据单元研究区面积规划航线位置及高度,根据航高和高光谱传感器的参数计算地面采样距离;在单元研究区平坦开阔处布设暗目标和亮目标;根据航带位置,在每个航带四周布设5~6个像控点,并保证重叠区具有2~3个像控点;并进行所述高光谱传感器的暗电流采集工作;
S6、单元研究区高光谱数据采集;操控无人机搭载高光谱传感器按照所述航线飞行采集影像,同时在单元研究区的地面用ASD FieldSpec光谱仪对所述定标布进行同步光谱测量;对高光谱传感器和ASD FieldSpec光谱仪采集的数据进行处理,获取所述单元研究区高光谱数据;
S7、单元研究区水环境模型建立;整合水面遥感反射率数据、单元研究区的水环境要素分析数据和单元研究区的高光谱数据,分析处理建立单元研究区水环境模型;
S8、待测研究区高光谱数据采集;利用所述步骤S6中的无人机搭载高光谱传感器在待测研究区上空采集待测研究区高光谱数据;
S9、待测研究区水环境确定,将待测研究区高光谱数据带入单元研究区水环境模型用于待测研究区水环境的确定。
优选地,所述步骤S2中的所述水样设置有两组平行对比水样。
优选地,所述S3步骤中的水面遥感反射率计算步骤如下:
1)、使用地物光谱仪采集水体表面辐亮度测量、天空光辐亮度测量和参考板辐亮度测量;
2)、将水体表面辐亮度测量、天空光辐亮度测量和参考板辐亮度测量剔除异常值,然后取平均值,分别得到水体表面辐亮度平均值Lsw、天空光辐亮度平均值Lsky和参考板辐亮度平均值Lp;
3)将步骤2)中的水体表面辐亮度平均值Lsw、天空光辐亮度平均值Lsky和参考板辐亮度平均值Lp代入以下公式计算得到水面遥感反射率;
式中:Lw为水体的离水辐亮度;r为气-水界面对天空光的反射率,范围为2.1%~5%;Ed(0+)为水表面上总的入射辐照度;ρp为参考板在实验室内定标得到的绝对反射率;Rrs为水体的遥感反射率;π为圆周率;R为水面遥感反射率。
优选地,所述步骤S3中采集光谱数据包括有采集水体表面辐亮度,所述水体表面辐亮度采用的测量仪器观测平面背向太阳方向与太阳入射平面的夹角范围控制在90°至135°之间,所述测量仪器与海面法线方向的夹角范围控制在30°至45°之间。
优选地,所述S7步骤中单元研究区水环境模型建立包括以下步骤:
A1、设X0为ASD FieldSpec光谱仪测得的经过处理的高光谱曲线,共n个样本,m个波段及波段组合作为输入特征;Y0为步骤S4中测定的水环境要素数据;然后建立输入样本数据:
A2、将X0,Y0进行Z-score标准化,得到X(n×m),Y(n×1)维变量,公式如下:
其中,μx、μy分别是样本数据X0,Y0的均值,δx、δy分别是样本数据X0,Y0的方差;
A3、定义损失函数:
其中:ω为待求解的系数向量(m×1)维;α||ω||1为惩罚项;α为超参数;n为样本数据;
A4、利用坐标轴下降法求解Lasso回归模型参数ω,目的是为了寻找损失函数J(ω)的最小值;
首先,随机初始化向量ω,记为ω(0),对于第k次迭代,从ω1 (k)开始,一直到ωm (k),依次求ωi (k);
...
即ωi (k)是使J(ω1 (k),ω2 (k),...ωi-1 (k),ωi (k),...ωm (k))最小化时候ωi的值;此时为变量,其余为常量,最小值通过求导求得;每一次迭代,检查ω(k)在各个维度上的变化情况,如果收敛至足够小,则ω(k)为最终结果;
A5、进行特征选择,选择Lasso回归模型中回归系数不为0的特征波段或波段组合,作为线性回归的特征进行建模,并通过留一法交叉验证对模型进行验证优化。
与现有技术相比,本发明提供了通过无人机上高光谱传感器反演河口湿地水环境要素方法,具备以下有益效果:
(1)本发明与传统的野外采样方法相比,本发明节省了大量的劳动力,时间成本和经济成本,并且能够获得空间上连续的水环境要素的分布信息;具有非接触性的优点,避免了由于环境复杂,水样采集困难的情况;通过无人机高光谱影像采集和水环境要素高精度反演,能够准确捕获到快速动态变化的潮沟水质变化情况,短时间内准确反演出大范围的水环境信息。
(2)本发明与卫星遥感技术相比,采用无人机搭载高光谱传感器的方式进行水质要素推算,提高了空间分辨率和光谱分辨率,能够反演出细小潮沟的水环境要素,并为多种水环境要素的反演建模提供了基础。相对于卫星遥感定点定时的成像模式,无人机遥感具有更大的主观能动性,可人为选择成像的时间和成像时的环境,提高了图像质量。
(3)本发明采用了Lasso线性回归进行光谱特征选择和建模,能够快速有效地优选特征波段或波段组合,很大程度上降低了高光谱数据的冗余量,并且利用优选特征波段或波段组合建立的模型,预测能力和鲁棒性更强,能够准确的反映水环境要素的细微变化,更适用于潮沟的水环境要素监测。
图号说明
图1为本发明中的通过无人机上高光谱传感器反演河口湿地水环境要素方法的地物光谱仪在水面以上观测几何示意图;
图2为本发明中的通过无人机上高光谱传感器反演河口湿地水环境要素方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例1:参照图1;
通过无人机上高光谱传感器反演河口湿地水环境要素方法,包括以下步骤:
S1、在大面积潮沟的河口湿地上作为待测研究区,水文调查,选取合适的小面积潮沟区域作为单元研究区;
S2、单元研究区水体样品采集;在单元研究区布设多组采样点,在采样点上,通过采水器采集采样点水面以下0-0.5米的水样;
S3、单元研究区水面遥感反射率计算;利用地物光谱仪参照水面以上光谱测量法在采样点处采集光谱数据并通过函数公式进行计算得到单元研究区的水面遥感反射率;
S4、单元研究区水环境要素分析;取步骤S2中的水样进行水环境要素的实验分析统计;
S5、无人机工作准备;在待飞行无人机搭载高光谱传感器;根据单元研究区面积规划航线位置及高度,根据航高和高光谱传感器的参数计算地面采样距离;在单元研究区平坦开阔处布设暗目标和亮目标;根据航带位置,在每个航带四周布设5~6个像控点,并保证重叠区具有2~3个像控点;并进行高光谱传感器的暗电流采集工作;
S6、单元研究区高光谱数据采集;操控无人机搭载高光谱传感器按照航线飞行采集影像,同时在单元研究区的地面用ASD FieldSpec光谱仪对定标布进行同步光谱测量;对高光谱传感器和ASD FieldSpec光谱仪采集的数据进行处理,获取单元研究区高光谱数据;
S7、单元研究区水环境模型建立;整合水面遥感反射率数据、单元研究区的水环境要素分析数据和单元研究区的高光谱数据,分析处理建立单元研究区水环境模型;
S8、待测研究区高光谱数据采集;利用步骤S6中的无人机搭载高光谱传感器在待测研究区上空采集待测研究区高光谱数据;
S9、待测研究区水环境确定,将待测研究区高光谱数据带入单元研究区水环境模型用于待测研究区水环境的确定。
步骤S2中的水样设置有两组平行对比水样。
S3步骤中的水面遥感反射率计算步骤如下:
1)、使用地物光谱仪采集水体表面辐亮度测量、天空光辐亮度测量和参考板辐亮度测量;
2)、将水体表面辐亮度测量、天空光辐亮度测量和参考板辐亮度测量剔除异常值,然后取平均值,分别得到水体表面辐亮度平均值Lsw、天空光辐亮度平均值Lsky和参考板辐亮度平均值Lp;
3)将步骤2)中的水体表面辐亮度平均值Lsw、天空光辐亮度平均值Lsky和参考板辐亮度平均值Lp代入以下公式计算得到水面遥感反射率;
式中:Lw为水体的离水辐亮度;r为气-水界面对天空光的反射率,范围为2.1%~5%;Ed(0+)为水表面上总的入射辐照度;ρp为参考板在实验室内定标得到的绝对反射率;Rrs为水体的遥感反射率;π为圆周率;R为水面遥感反射率。
步骤S3中采集光谱数据包括有采集水体表面辐亮度,水体表面辐亮度采用的测量仪器观测平面背向太阳方向与太阳入射平面的夹角范围控制在90°至135°之间,测量仪器与海面法线方向的夹角范围控制在30°至45°之间。
S7步骤中单元研究区水环境模型建立包括以下步骤:
A1、设X0为ASD FieldSpec光谱仪测得的经过处理的高光谱曲线,共n个样本,m个波段及波段组合作为输入特征;Y0为步骤S4中测定的水环境要素数据;然后建立输入样本数据:
A2、将X0,Y0进行Z-score标准化,得到X(n×m),Y(n×1)维变量,公式如下:
其中,μx、μy分别是样本数据X0,Y0的均值,δx、δy分别是样本数据X0,Y0的方差;
A3、定义损失函数:
其中:ω为待求解的系数向量(m×1)维;α||ω||1为惩罚项;α为超参数;n为样本数据;
A4、利用坐标轴下降法求解Lasso回归模型参数ω,目的是为了寻找损失函数J(ω)的最小值;
首先,随机初始化向量ω,记为ω(0),对于第k次迭代,从ω1 (k)开始,一直到ωm (k),依次求ωi (k);
...
即ωi (k)是使J(ω1 (k),ω2 (k),...ωi-1 (k),ωi (k),...ωm (k))最小化时候ωi的值;此时为变量,最小值通过求导求得;每一次迭代,检查ω(k)在各个维度上的变化情况,如果收敛至足够小,则ω(k)为最终结果;
A5、进行特征选择,选择Lasso回归模型中回归系数不为0的特征波段或波段组合,作为线性回归的特征进行建模,并通过留一法交叉验证对模型进行验证优化。
实施例2:
在步骤S4中,将步骤S2采集到的水样移送到实验室内进行水环境要素数据分析,其中包括有进行悬浮物质量的测定、全盐量的测定、叶绿素a浓度的测定、总氮含量的测定和总磷含量的测定等;取待测A组的水样采用“重量法”测量悬浮物质量,将一定体积的水样通过孔径约为0.45μm的WhatmanGF/F滤膜,截留在滤膜上的物质于103°-105°烘干并称量,计算水样中的悬浮物质量;取待测B组的水样采用“重量法”测量全盐量,将一定体积的水样通过孔径约为0.45μm的WhatmanGF/F滤膜过滤预处理,以陶瓷蒸发皿为容器,0.1~0.2g无水碳酸钠为脱水剂,0.2~0.5mL30%过氧化氢溶液(1+1)为有机物去除剂,经过烘干后至恒重,称重测定样品中的全盐量;取待测C组的水样采用分光法测量叶绿素a浓度,先用玻璃纤维滤膜将水样进行过滤,将滤膜放置于研磨装置,加入6~8ml丙酮溶液研磨至糊状,转入离心管并定容至10ml,将溶液振荡萃取得到上清液置于1cm比色皿中,用紫外可见分光光度计,以丙酮作参比,测定630、647、664、750nm的其吸光度,再利用JeffreyHumphrey的方程计算得到叶绿素a浓度;取待测D组的水样采用碱性过硫酸钾消解紫外分光光度法测量总氮含量;取待测E组的水样采用钼酸铵分光光度法测量总磷含量。
实施例3:步骤S5中,首先进行飞行准备工作,根据单元研究区面积规划飞行航线位置及飞行高度,确保相邻航带旁向重叠达到50%以上,根据航高和无人机高光谱传感器参数计算地面采样距离;在单元研究区平坦开阔处布设黑色(反射率5%)和白色(反射率65%)无纺布作为暗目标和亮目标,该材料具有良好的朗伯性,可以代替传统漫反射参考板作为辐射定标材料;无纺布尺寸需至少大于地面采样距离10倍,以保证在影像中清晰可识别。根据航带位置,在每个航带四周布设5~6个像控点,并保证重叠区具有2~3个像控点;由于河口湿地多为植被、滩涂等自然地物,形状不规则,很难找到便于识别的人工地物作为靶标;为便于携带,采用防水的黑白布缝制为正方形对靶标,钉在像控点位置上,并用RTK进行三维坐标测量;待定标布和像控点布设完毕,进行高光谱传感器暗电流采集工作。
实施例4:步骤S6中,使用垂直起降固定翼无人机FY-34搭载高光谱传感器按照预定航线飞行采集影像。并用ASD FieldSpec光谱仪对定标布进行同步测量;影像采集后,首先采用经验线辐射定标方法,基于飞行时测定的定标布反射率对各波段影像进行辐射定标;采用图像分解法对影像中条带噪声进行剔除;根据像控点地面坐标与图像坐标的对应关系,采用多项式拟合方法对影像进行几何校正,实现航带拼接;提取单元研究区潮沟水面,获取高光谱数据。
实施例5:步骤A5中,采用留一法交叉验证进行模型验证优化时,设共有n个样本,一共训练n次,每次使用n-1个样本作为训练样本,剩下的1个样本作为验证,取n次分析验证得到的拟合优度R2和均方根误差RMSE的平均值和作为模型的检验标准,以最大,最小作为优化目标,对模型的预测能力和鲁棒性进行检验和优化。
实施例6:以黄河三角洲国家级湿地自然保护区水环境要素监测为例;
第一步对黄河三角洲国家级湿地自然保护区的水文信息进行调查,黄河三角洲是黄河携带大量泥沙在渤海沉积形成的冲积平原,是典型的咸淡水交互地带,土壤盐渍化严重,潮沟众多;此外,保护区内有人工恢复区和农田以及中国第二大油田--胜利油田;因此选择在浑浊-清澈水体之间、淡水-咸水之间、农田灌溉排水的进出口以及油田附近等位置进行布点采样,布设100个左右的采样点,拟检测的水环境要素包括:悬浮泥沙、水盐、叶绿素a、总氮总磷以及石油烃类等等;
第二步在采样点采集水样,在每个采样点位,使用采水器采集水面以下0-0.5米的水样,用聚乙烯塑料瓶采集1000ml水样用于悬浮物质量的测定;用聚乙烯塑料瓶采集500ml水样用于全盐量的测定;分别用棕色塑料瓶采集500ml水样用于叶绿素a浓度的测定、总氮总磷含量的测定和石油烃类的测定;所有分组水样都做2个平行样,并将所有的水样都放在-4℃环境中避光保存,并做好标记;
第三步在采集水样的同时采集水面光谱数据,利用ASD FieldSpec便携式地物光谱仪,参照水面以上光谱测量法进行光谱测量,至少采集15条光谱作为处理数据;
第四步实验室测定,悬浮物质量浓度采用“重量法”测量(GB11901-1989),将一定体积的水样通过孔径约为0.45μm的Whatman GF/F滤膜,截留在滤膜上的物质于103°-105°烘干并称量,计算水中的悬浮物质量浓度;全盐量采用“重量法”测量(HJ/T51-1999),将一定体积的水样通过孔径约为0.45μm滤膜过滤预处理,以陶瓷蒸发皿为容器,0.1~0.2g无水碳酸钠为脱水剂,0.2~0.5mL30%过氧化氢溶液(1+1)为有机物去除剂,经过烘干后至恒重,称重测定样品中的全盐量;叶绿素a浓度采用分光法测量,先将用玻璃纤维滤膜将样品进行过滤,将滤膜放置于研磨装置,加入6~8ml丙酮溶液研磨至糊状,转入离心管并定容至10ml,将溶液振荡萃取得到上清液置于1cm比色皿中,用紫外可见分光光度计,以丙酮作参比,测定630、647、664、750nm的其吸光度,再利用Jeffrey Humphrey的方程计算Chl-a的浓度;总氮测定按照碱性过硫酸钾消解紫外分光光度法(GB11894-89)测定,总磷按照钼酸铵分光光度法(GB11893-89)进行,石油烃类使用红外分光光度法(HJ637-2012)进行测定;
第五步无人机高光谱数据采集,考虑到黄河三角洲形状不规则、面积较大、风速变化大,故采用具有超长续航能力和抗风能力的垂直起降固定翼无人机FY-34来搭载高光谱传感器的方案;首先根据天气状况,确定飞行时间;再根据太阳高度角、风速风向、区域的形状等来规划飞行航线及飞行高度,确保相邻航带旁向重叠达到50%以上,根据航高和传感器参数计算地面采样距离;在研究区平坦开阔处布设黑色(反射率5%)和白色(反射率65%)无纺布作为辐射定标材料;无纺布尺寸需至少大于地面采样距离10倍,以保证在影像中清晰可识别;根据航带位置,在每个航带四周布设5~6个像控点,并保证重叠区具有2~3个像控点,全区域均匀布点;由于黄河三角洲湿地多为植被、滩涂等自然地物,形状不规则,很难找到便于识别的人工地物作为靶标;为便于携带,采用防水的黑白布缝制为正方形对靶标,钉在像控点位置上,并用RTK进行三维坐标测量;待定标布和像控点布设完毕,进行高光谱传感器暗电流采集工作,然后在按照预定航线飞行采集影像;并用ASD FieldSpec4便携式光谱仪对定标布进行同步测量;影像采集后,首先采用经验线辐射定标方法,基于飞行时测定的定标布反射率对各波段影像进行辐射定标;采用图像分解法对影像中条带噪声进行剔除;根据像控点地面坐标与图像坐标的对应关系,采用多项式拟合方法对影像进行几何校正,获取单元研究区水面光谱数据;
第六步进行水面遥感反射率计算和光谱特征优化及建模,将第三步测量所得的水体表面辐亮度测量、天空光辐亮度测量和参考板辐亮度测量的数值带入既定公式进行计算得到水面遥感反射率,将水面遥感反射率与无人机高光谱传感器的波普响应函数进行积分,计算得出模型输入数据;将模型输入数据与得到的悬浮物质量的数据、全盐量的数据、叶绿素a浓度的数据、总氮总磷含量的数据和石油烃类含量的数据利用Lasso线性回归进行特征选择,然后与第五步水面光谱数据处理建立光谱模型;
第七步使用无人机采集黄河三角洲湿地潮沟的高光谱图像数据作为待测数据,利用反演水质要素含量的高光谱估算模型计算待测潮沟内的水质要素含量,快速得到大面积黄河三角洲湿地潮沟内的水质含量分布图像,重点监测咸淡水交互地带、农田排灌口、人工恢复区以及油田周围,并参照GB/T27648—2011重要湿地监测指标体系以及山东黄河三角洲国家级自然保护区管理办法对黄河三角洲湿地水环境要素含量进行评判,提取出含量突出区域的数值、位置及面积等参量;近些年,由于黄河水动态变化明显、互花米草入侵、芦苇和翅碱蓬退化等原因,导致黄河三角洲湿地环境变得敏感脆弱,多时相的水环境要素监测很有必要。因此,在每年黄河调水调沙前后、丰枯水期、农作物生长季等时期,多次布设适当的采样点,在每个采样点平行采集多个样本,重复上述步骤,得到最优的反演模型,对研究区进行无人机高光谱信息的采集,同时反演得到该次黄河三角洲的水质要素含量,将多次黄河三角洲湿地的水质含量进行比较,建立完善的黄河三角洲湿地水环境要素的变化规律,评判防治效果,为决策者提供依据。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.通过无人机上高光谱传感器反演河口湿地水环境要素方法,其特征在于,包括以下步骤:
S1、在大面积潮沟的河口湿地上作为待测研究区,水文调查,选取合适的小面积潮沟区域作为单元研究区;
S2、单元研究区水体样品采集;在所述的单元研究区布设多组采样点,在所述采样点上,通过采水器采集所述采样点水面以下0-0.5米的水样;
S3、单元研究区水面遥感反射率计算;利用地物光谱仪参照水面以上光谱测量法在所述采样点处采集光谱数据并通过函数公式进行计算得到所述单元研究区的水面遥感反射率;
S4、单元研究区水环境要素分析;取所述步骤S2中的所述水样进行水环境要素的实验分析统计;
S5、无人机工作准备;在待飞行无人机搭载高光谱传感器;根据单元研究区面积规划航线位置及高度,根据航高和高光谱传感器的参数计算地面采样距离;在单元研究区平坦开阔处布设暗目标和亮目标;根据航带位置,在每个航带四周布设5~6个像控点,并保证重叠区具有2~3个像控点;并进行所述高光谱传感器的暗电流采集工作;
S6、单元研究区高光谱数据采集;操控无人机搭载高光谱传感器按照所述航线飞行采集影像,同时在单元研究区的地面用ASD Field Spec光谱仪对定标布进行同步光谱测量;对高光谱传感器和ASD Fi eldSpec光谱仪采集的数据进行处理,获取所述单元研究区高光谱数据;
S7、单元研究区水环境模型建立;整合水面遥感反射率数据、单元研究区的水环境要素分析数据和单元研究区的高光谱数据,分析处理建立单元研究区水环境模型;
S8、待测研究区高光谱数据采集;利用所述步骤S6中的无人机搭载高光谱传感器在待测研究区上空采集待测研究区高光谱数据;
S9、待测研究区水环境确定,将待测研究区高光谱数据带入单元研究区水环境模型用于待测研究区水环境的确定。
2.根据权利要求1所述的通过无人机上高光谱传感器反演河口湿地水环境要素方法,其特征在于:所述步骤S2中的所述水样设置有两组平行对比水样。
3.根据权利要求1所述的通过无人机上高光谱传感器反演河口湿地水环境要素方法,其特征在于:所述S3步骤中的水面遥感反射率计算步骤如下:
1)、使用地物光谱仪采集水体表面辐亮度测量、天空光辐亮度测量和参考板辐亮度测量;
2)、将水体表面辐亮度测量、天空光辐亮度测量和参考板辐亮度测量剔除异常值,然后取平均值,分别得到水体表面辐亮度平均值Lsw、天空光辐亮度平均值Lsky和参考板辐亮度平均值Lp;
3)、将步骤2)中的水体表面辐亮度平均值Lsw、天空光辐亮度平均值Lsky和参考板辐亮度平均值Lp代入以下公式计算得到水面遥感反射率;
式中:Lw为水体的离水辐亮度;r为气-水界面对天空光的反射率,范围为2.1%~5%;Ed(0+)为水表面上总的入射辐照度;ρp为参考板在实验室内定标得到的绝对反射率;Rrs为水体的遥感反射率;π为圆周率;R为水面遥感反射率。
4.根据权利要求1所述的通过无人机上高光谱传感器反演河口湿地水环境要素方法,其特征在于:所述步骤S3中采集光谱数据包括有采集水体表面辐亮度,所述水体表面辐亮度采用的测量仪器观测平面背向太阳方向与太阳入射平面的夹角范围控制在90°至135°之间,所述测量仪器与海面法线方向的夹角范围控制在30°至45°之间。
5.根据权利要求1所述的通过无人机上高光谱传感器反演河口湿地水环境要素方法,其特征在于:所述S7步骤中单元研究区水环境模型建立包括以下步骤:
A1、设X0为ASD FieldSpec光谱仪测得的经过处理的高光谱曲线,共n个样本,m个波段及波段组合作为输入特征;Y0为步骤S4中测定的水环境要素数据;然后建立输入样本数据:
A2、将X0,Y0进行Z-score标准化,得到X(n×m),Y(n×1)维变量,公式如下:
其中,μx、μy分别是样本数据X0,Y0的均值,δx、δy分别是样本数据X0,Y0的方差;
A3、定义损失函数:
其中:ω为待求解的系数向量(m×1)维;α||ω||1为惩罚项;α为超参数;n为样本数据;
A4、利用坐标轴下降法求解Lasso回归模型参数ω,目的是为了寻找损失函数J(ω)的最小值;
首先,随机初始化向量ω,记为ω(0),对于第k次迭代,从ω1 (k)开始,一直到ωm (k),依次求ωi (k);
...
即ωi (k)是使J(ω1 (k),ω2 (k),...ωi-1 (k),ωi (k),...ωm (k))最小化时候ωi的值;此时为变量,其余为常量,最小值通过求导求得;每一次迭代,检查ω(k)在各个维度上的变化情况,如果收敛至足够小,则ω(k)为最终结果;
A5、进行特征选择,选择Lasso回归模型中回归系数不为0的特征波段或波段组合,作为线性回归的特征进行建模,并通过留一法交叉验证对模型进行验证优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811652831.1A CN109738367B (zh) | 2018-12-29 | 2018-12-29 | 通过无人机上高光谱传感器反演河口湿地水环境要素方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811652831.1A CN109738367B (zh) | 2018-12-29 | 2018-12-29 | 通过无人机上高光谱传感器反演河口湿地水环境要素方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109738367A CN109738367A (zh) | 2019-05-10 |
CN109738367B true CN109738367B (zh) | 2020-09-29 |
Family
ID=66362950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811652831.1A Active CN109738367B (zh) | 2018-12-29 | 2018-12-29 | 通过无人机上高光谱传感器反演河口湿地水环境要素方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109738367B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110389114A (zh) * | 2019-07-23 | 2019-10-29 | 上海市水文总站 | 一种基于无人机成像光谱的中小水体水质类型识别方法 |
CN110954484A (zh) * | 2019-12-09 | 2020-04-03 | 南京搜天数据科技有限公司 | 一种使用无人机多光谱数据进行城市河流水质评价的方法 |
CN110887792A (zh) * | 2019-12-17 | 2020-03-17 | 深圳慧格科技服务咨询有限公司 | 一种基于无人机高光谱影像的河流水质快速监测系统 |
CN112577909A (zh) * | 2020-11-27 | 2021-03-30 | 河北先河环保科技股份有限公司 | 水质参数的监测方法、装置、设备和存储介质 |
CN112665735B (zh) * | 2020-12-30 | 2023-04-07 | 中国林业科学研究院资源信息研究所 | 一种同步实现航空红外影像温度定标及几何检校的方法 |
CN112949411B (zh) * | 2021-02-04 | 2024-02-09 | 南京大学 | 一种光谱图像校正方法及装置 |
CN113063754B (zh) * | 2021-04-21 | 2022-09-13 | 中国热带农业科学院橡胶研究所 | 一种基于加权环境变量聚类的叶片磷含量检测方法 |
CN114689528B (zh) * | 2022-06-01 | 2022-08-23 | 联桥网云信息科技(长沙)有限公司 | 高光谱油液检测设备的一致性测量校正装置及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2616716C2 (ru) * | 2015-01-26 | 2017-04-18 | Федеральное государственное казенное военное образовательное учреждение высшего профессионального образования "Военно-космическая академия имени А.Ф. Можайского" Министерства обороны Российской Федерации | Способ оценки уровня загрязнения акваторий по гиперспектральным данным аэрокосмического зондирования |
CN107421894A (zh) * | 2017-09-28 | 2017-12-01 | 威海五洲卫星导航科技有限公司 | 基于无人机高光谱反演土壤中重金属污染监测方法 |
CN108286962A (zh) * | 2018-01-31 | 2018-07-17 | 中国科学院遥感与数字地球研究所 | 一种水环境光谱库的建立方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0809252D0 (en) * | 2008-05-21 | 2008-06-25 | Ntnu Technology Transfer As | Underwater hyperspectral imaging |
-
2018
- 2018-12-29 CN CN201811652831.1A patent/CN109738367B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2616716C2 (ru) * | 2015-01-26 | 2017-04-18 | Федеральное государственное казенное военное образовательное учреждение высшего профессионального образования "Военно-космическая академия имени А.Ф. Можайского" Министерства обороны Российской Федерации | Способ оценки уровня загрязнения акваторий по гиперспектральным данным аэрокосмического зондирования |
CN107421894A (zh) * | 2017-09-28 | 2017-12-01 | 威海五洲卫星导航科技有限公司 | 基于无人机高光谱反演土壤中重金属污染监测方法 |
CN108286962A (zh) * | 2018-01-31 | 2018-07-17 | 中国科学院遥感与数字地球研究所 | 一种水环境光谱库的建立方法及系统 |
Non-Patent Citations (3)
Title |
---|
Hyperspectral remote sensing of shallow waters: Considering environmental noise and bottom intra-class variability for modeling and inversion of water reflectance;Sylvain Jay et al;《Remote Sensing of Environment》;20171231;第200卷;第352-367页 * |
基于实测高光谱数据的太湖悬浮物浓度与透明度分区;杨婷等;《生态与农村环境学报》;20111231;第27卷(第4期);第21-26页 * |
太湖水体3 种典型水质参数的高光谱遥感反演;张兵等;《湖泊科学》;20091231;第21卷(第2期);第182-192页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109738367A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109738367B (zh) | 通过无人机上高光谱传感器反演河口湿地水环境要素方法 | |
Qu et al. | The decreasing albedo of the Zhadang glacier on western Nyainqentanglha and the role of light-absorbing impurities | |
Zhou et al. | Hyperspectral inversion of soil heavy metals in Three-River Source Region based on random forest model | |
Wang et al. | Comparing the diurnal and seasonal variabilities of atmospheric and surface urban heat islands based on the Beijing urban meteorological network | |
CN107014763B (zh) | 叶绿素遥感反演装置及方法 | |
Lei et al. | An approach for retrieval of horizontal and vertical distribution of total suspended matter concentration from GOCI data over Lake Hongze | |
Zhang et al. | A Landsat 8 OLI-based, semianalytical model for estimating the total suspended matter concentration in the slightly turbid Xin’anjiang Reservoir (China) | |
CN105092476B (zh) | 同时反演内陆水体混浊度、cod和叶绿素浓度的方法 | |
Le et al. | Validation of a quasi-analytical algorithm for highly turbid eutrophic water of Meiliang Bay in Taihu Lake, China | |
Templeton et al. | High-resolution characterization of a semiarid watershed: Implications on evapotranspiration estimates | |
CN106767687A (zh) | 一种利用遥感含水量测量滩涂高程的方法 | |
Moeser et al. | Novel forest structure metrics from airborne LiDAR data for improved snow interception estimation | |
Vuolo et al. | Retrieval of biophysical vegetation products from RapidEye imagery | |
Liu et al. | Satellite-derived particulate organic carbon flux in the Changjiang River through different stages of the Three Gorges Dam | |
CN110530901B (zh) | 融合宇宙射线中子法和无人机遥感的中小尺度土壤水监测系统及方法 | |
Dulac et al. | Quantitative remote sensing of African dust transport to the Mediterranean | |
Yu et al. | Assessment of total suspended sediment concentrations in Poyang Lake using HJ-1A/1B CCD imagery | |
CN109283144A (zh) | 强潮高浑浊河口悬浮泥沙长历时变化的遥感计算方法 | |
Sun et al. | A hybrid method to estimate suspended particle sizes from satellite measurements over B ohai S ea and Y ellow S ea | |
Silvestri et al. | Salt marsh vegetation radiometry: Data analysis and scaling | |
CN108286962A (zh) | 一种水环境光谱库的建立方法及系统 | |
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 | |
CN108871586A (zh) | 一种地基红外遥感地表温度的反演方法 | |
Zheng et al. | A semi-analytical model to estimate Chlorophyll-a spatial-temporal patterns from Orbita Hyperspectral image in inland eutrophic waters | |
Fu et al. | Study on the automatic extraction of water body from TM image using decision tree algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |