CN109766833A - 一种基于光谱特征的城市河道水质类型遥感识别方法 - Google Patents
一种基于光谱特征的城市河道水质类型遥感识别方法 Download PDFInfo
- Publication number
- CN109766833A CN109766833A CN201910021602.8A CN201910021602A CN109766833A CN 109766833 A CN109766833 A CN 109766833A CN 201910021602 A CN201910021602 A CN 201910021602A CN 109766833 A CN109766833 A CN 109766833A
- Authority
- CN
- China
- Prior art keywords
- water quality
- water body
- spectral
- curve
- city river
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 66
- 230000003595 spectral effect Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000002310 reflectometry Methods 0.000 claims abstract description 13
- 238000007637 random forest analysis Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 239000000523 sample Substances 0.000 description 19
- 238000005070 sampling Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 241000195493 Cryptophyta Species 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于光谱特征的城市河道水质类型遥感识别方法,该方法可自动识别水体类型(Ⅰ、Ⅱ类、Ⅲ类、Ⅳ类、Ⅴ类、劣Ⅴ类)。该发明的技术流程包括以下部分,各水质类型典型水体光谱反射率曲线样本库建立,训练样本的预处理,训练样本的光谱特征提取,训练随机森林分类器,目标水体的水质识别。本发明提出的基于光谱特征的城市河道水质类型遥感识别方法从光谱角度对水体类型近似识别,适用性较高,具有高精度、高灵活性和强稳定性,可作为城市河道水质监测辅助手段,提高城市河道水质监测的广度和质量,节省人力、财力,提高效率。
Description
技术领域
本发明涉及遥感数据处理领域,具体是指一种利用水体光谱曲线进行城市河道水质类型自动识别的方法,可应用于城市河道水质监测领域。
背景技术
城市河道是城市生态环境的重要组成部分,承担着防洪排涝、调节气候、维持生态平衡、改善城市景观等多方面功能,同时河道又具有一定程度的纳污功能。但城市经济的发展破坏了河道生态环境降低河道水质。目前我国城市河道都有不同程度的污染,部分水质达到了劣Ⅴ类,甚至出现黑臭,这些污染不仅会影响周边居民身体健康,也影响城市美观。现在,城市河道污染问题已成为城市污染控制和治理的重点课题之一。
传统河道水质测量虽然数据精确、可靠性强,但是采样费事费力、化验项目多、周期冗长,加上城市河流众多、河道复杂,依靠人力进行全面的水质监测不现实,因此迫切需要一种快速、准确、实时的河道水质监测方法。
发明内容
基于上述存在的问题,本发明的目的是提出一种基于光谱特征的城市河道水质类型遥感识别方法,可作为传统水质监测手段的辅助方法,提高城市河道水质监测的广度和质量,节省人力、财力,提高监测效率。
该识别方法首先采集各水质类别典型水体光谱反射率曲线,建立样本库。然后对各类样本的光谱反射率曲线进行预处理,之后进行光谱特征提取,使用各类水体的光谱特征对随机森林分类器进行训练。训练完成后,按照相同流程对未知水体光谱曲线进行预处理和光谱特征提取,输入分类器即可得到水质类型。
具体步骤:
(1)各水质类型典型水体光谱反射率曲线样本库建立。首先获取已知不同类别的水体的光谱反射率曲线,同一样本采样点获取多条光谱曲线。
(2)训练样本的预处理过程。同一样本点获取多条光谱曲线,使用高斯窗方法对每条曲线进行平滑,然后取这些曲线的平均值作为该样本的最终光谱反射率曲线。
(3)训样样本的特征提取。假设有各类样本M个(M≥200),则预处理可得到M条光谱反射率曲线,先对这些样本进行归一化处理,然后再对这M条反射率曲线做主成分分析,选择前10个分量,可得到一个M×10大小的光谱特征矩阵。
(4)训练随机森林分类器。将上一步得到的M×10大小的光谱特征矩阵输入到随机森林分类器当中进行训练,随机森林由50~100个决策树组成,参数可根据实际情况进行调整。
(5)目标水体的水质识别。训练完成后可对未知水体进行水质类型识别,按照以上步骤2)、步骤3)对目标水体的光谱反射率曲线进行预处理和光谱特征提取,将得到的光谱特征向量输入到训练完成的随机森林分类当中即可得到该水体的水质类型。
本发明提出一种基于光谱特征的城市河道水质类别遥感自动识别方法,可作为传统水质采样监测的辅助手段,提高城市河道水质监测的广度和质量,节省人力、财力,提高监测效率。识别方法适用性较高,具有高精度、高灵活性和强稳定性,对其他同类型数据也适用。本方法将机器学习领域应用于高光谱处理领域,使用前,先对原始光谱进行光滑去噪和平均,在一定程度上减少了噪声对水质类别识别的影响。
附图说明:
图1是预处理后的某样本光谱曲线图;
图2是基于光谱特征的城市河道水质类型遥感识别方法流程图;
图3是未知水体预处理后的光谱曲线。
具体实施方式:
根据本发明对上海嘉定区某一未知类型水体类型进行识别。光谱数据获取时间为北京时间2018年9月19日,波长范围350~1000nm,通道数为382,光谱分辨率优于10nm,波长精度优于1nm。
(1)各水质类型典型水体光谱反射率曲线样本库建立。采集光谱曲线时要选择晴朗无云、风速小于四级的天气,采集时间在上午9时至下午4时,采集时要注意保证水体、太阳和设备探头之间无遮挡且采集的水面位置无树叶、藻类等覆盖,实验共采集获得Ⅰ、Ⅱ类水样本82个,Ⅲ类水样本73个,Ⅳ类水样本65个,Ⅴ、劣Ⅴ类样本63个,没个样本重复采样24次。
(2)训练样本的预处理过程。对每一个样本的重复采样的24条光谱曲线使用高斯窗进行平滑处理,然后取这24条平滑后的平均曲线作为该样本的光谱反射率曲线,图1是某样本预处理后得到的光谱曲线。
(3)训练样本的特征提取。上一步共获得283个各类样本的光谱曲线,每条曲线通道数为382,首先对这283×382的光谱曲线矩阵做数据归一化,然后再进行主成分分析,选择前10个主分量,构成283×10的光谱特征矩阵。
(4)训练随机森林分类器。构造一个随机森林分类器,随机森林分类器中树分类器的个数设置为100,子分类器使用最多的特征个数设置为自动,将上一步的光谱特征矩阵和对应的类别输入到分类器当中进行训练。
(5)目标水体的水质识别。按照(1)中的标准采集到未知水体的光谱曲线,采用(2)中相同的流程对光谱曲线进行预处理,见图3。按照步骤(2)和步骤(3)进行预处理和光谱特征提取,最后得到该水体的光谱特征向量。将向量输入到分类器当中得到该水体属于Ⅰ、Ⅱ类。
Claims (1)
1.一种基于光谱特征的城市河道水质类型遥感识别方法,其特征在于包括的如下步骤:
(1)各水质类型典型水体光谱反射率曲线样本库建立,首先获取已知不同类别的水体的光谱反射率曲线,同一样本采样点获取多条光谱曲线;
(2)训练样本的预处理过程,同一样本点获取多条光谱曲线,使用高斯窗方法对每条曲线进行平滑,然后取这些曲线的平均值作为该样本的最终光谱反射率曲线;
(3)训样样本的特征提取,假设有各类样本M个,M≥200,则预处理可得到M条光谱反射率曲线,先对这些样本进行归一化处理,然后再对这M条反射率曲线做主成分分析,选择前10个分量,可得到一个M×10大小的光谱特征矩阵;
(4)训练随机森林分类器,将上一步得到的M×10大小的光谱特征矩阵输入到随机森林分类器当中进行训练,随机森林由50~100个决策树组成,参数可根据实际情况进行调整;
(5)目标水体的水质识别,训练完成后可对未知水体进行水质类型识别,按照以上步骤(2)、步骤(3)对目标水体的光谱反射率曲线进行预处理和光谱特征提取,将得到的光谱特征向量输入到训练完成的随机森林分类当中即可得到该水体的水质类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910021602.8A CN109766833A (zh) | 2019-01-10 | 2019-01-10 | 一种基于光谱特征的城市河道水质类型遥感识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910021602.8A CN109766833A (zh) | 2019-01-10 | 2019-01-10 | 一种基于光谱特征的城市河道水质类型遥感识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109766833A true CN109766833A (zh) | 2019-05-17 |
Family
ID=66453766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910021602.8A Pending CN109766833A (zh) | 2019-01-10 | 2019-01-10 | 一种基于光谱特征的城市河道水质类型遥感识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766833A (zh) |
Cited By (4)
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 |
CN110688909A (zh) * | 2019-09-05 | 2020-01-14 | 南京有春科技有限公司 | 城市黑臭水体的识别方法、装置、设备以及存储介质 |
CN113449710A (zh) * | 2021-08-31 | 2021-09-28 | 南京信大环境科技有限公司 | 一种基于卫星遥感监测城市污染水体的方法 |
CN113834787A (zh) * | 2021-08-17 | 2021-12-24 | 中国矿业大学 | 一种中小河道劣ⅴ类水体水质识别与量化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834938A (zh) * | 2015-04-30 | 2015-08-12 | 北京环境特性研究所 | 基于主成分和聚类分析的高光谱信息提取方法 |
US20170083747A1 (en) * | 2015-09-21 | 2017-03-23 | The Climate Corporation | Ponding water detection on satellite imagery |
CN106990060A (zh) * | 2017-03-24 | 2017-07-28 | 四川碧朗科技有限公司 | 水质指标监测仪、云数据中心及系统、预测方法和水样识别方法 |
CN107132266A (zh) * | 2017-06-21 | 2017-09-05 | 佛山科学技术学院 | 一种基于随机森林的水质分类方法及系统 |
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 |
CN108426845A (zh) * | 2018-04-20 | 2018-08-21 | 中国科学院地球化学研究所 | 一种便携式在线全光谱水质监测仪 |
CN108614992A (zh) * | 2018-03-19 | 2018-10-02 | 中国地质大学(武汉) | 一种高光谱遥感图像的分类方法、设备及存储设备 |
-
2019
- 2019-01-10 CN CN201910021602.8A patent/CN109766833A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834938A (zh) * | 2015-04-30 | 2015-08-12 | 北京环境特性研究所 | 基于主成分和聚类分析的高光谱信息提取方法 |
US20170083747A1 (en) * | 2015-09-21 | 2017-03-23 | The Climate Corporation | Ponding water detection on satellite imagery |
CN106990060A (zh) * | 2017-03-24 | 2017-07-28 | 四川碧朗科技有限公司 | 水质指标监测仪、云数据中心及系统、预测方法和水样识别方法 |
CN107132266A (zh) * | 2017-06-21 | 2017-09-05 | 佛山科学技术学院 | 一种基于随机森林的水质分类方法及系统 |
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 |
CN108614992A (zh) * | 2018-03-19 | 2018-10-02 | 中国地质大学(武汉) | 一种高光谱遥感图像的分类方法、设备及存储设备 |
CN108426845A (zh) * | 2018-04-20 | 2018-08-21 | 中国科学院地球化学研究所 | 一种便携式在线全光谱水质监测仪 |
Cited By (4)
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 |
CN110688909A (zh) * | 2019-09-05 | 2020-01-14 | 南京有春科技有限公司 | 城市黑臭水体的识别方法、装置、设备以及存储介质 |
CN113834787A (zh) * | 2021-08-17 | 2021-12-24 | 中国矿业大学 | 一种中小河道劣ⅴ类水体水质识别与量化方法 |
CN113449710A (zh) * | 2021-08-31 | 2021-09-28 | 南京信大环境科技有限公司 | 一种基于卫星遥感监测城市污染水体的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109766833A (zh) | 一种基于光谱特征的城市河道水质类型遥感识别方法 | |
CN106124449B (zh) | 一种基于深度学习技术的土壤近红外光谱分析预测方法 | |
CN112766075B (zh) | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 | |
CN105528596A (zh) | 利用阴影的高分辨率遥感影像建筑物自动提取方法及系统 | |
CN110618106B (zh) | 一种基于近红外反射光谱的绿泥石矿物种类鉴定方法 | |
CN109782274A (zh) | 一种基于探地雷达信号时频统计特征的水损害识别方法 | |
CN103344583B (zh) | 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测系统及方法 | |
CN105630743A (zh) | 一种光谱波数的选择方法 | |
CN112014331A (zh) | 一种水体污染的检测方法、装置、设备以及存储介质 | |
CN114279982B (zh) | 水体污染信息获取方法及装置 | |
CN101894270A (zh) | 面向遥感影像分类的样本自动选取方法 | |
CN103674884A (zh) | 基于近红外光谱信息的烟叶风格特征的随机森林分类方法 | |
CN113109281B (zh) | 一种基于高光谱遥感的水质参数定量反演模型及其构建方法 | |
CN107132266A (zh) | 一种基于随机森林的水质分类方法及系统 | |
CN105651717A (zh) | 一种植被光谱特征吸收峰自动识别方法 | |
CN110596028A (zh) | 一种沉积型稀土La元素含量的高光谱反演方法 | |
CN110609017A (zh) | 一种基于反射率光谱的溢油风化时间分析方法及应用 | |
CN103868858A (zh) | 一种确定盐渍土主导盐分光谱响应最佳波段的方法 | |
CN106777707A (zh) | 一种利用改进的蜘蛛网图进行测井岩性定量识别的方法 | |
CN109030428A (zh) | 基于共线双脉冲激光诱导击穿光谱的土壤钾元素的快速检测方法 | |
CN108827909A (zh) | 基于可见近红外光谱与多目标融合的土壤快速分类方法 | |
CN111242909A (zh) | 一种基于卷积神经网络的建筑弃土粒度分布快速识别方法 | |
Congestri et al. | Evaluating biomass of Baltic filamentous cyanobacteria by image analysis | |
CN116858817A (zh) | 一种基于荧光光谱的工业废水混接点位诊断方法 | |
CN109187498A (zh) | 基于共线双脉冲激光诱导击穿光谱的土壤钙元素的快速检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190517 |
|
WD01 | Invention patent application deemed withdrawn after publication |