CN109959621A - 一种基于中高分辨率时序遥感数据的水环境分析方法 - Google Patents

Abstract

本发明公开了一种基于中高分辨率时序遥感数据的水环境分析方法，所述方法包括：步骤1)结合历史遥感影像和历史水质测定数据，建立若干个不同水温水质条件下的藻类生消模型；步骤2)对多源遥感数据进行辐射校正；步骤3)从校正后的多源遥感数据中提取遥感水环境相关参数，构建时间序列曲线；步骤4)利用时间序列曲线基于藻类生消模型的反演水质参数，将卫星遥感得到的多源多时相反射率与藻类生消模型计算得到的反射率进行匹配，从而确定水环境参数。本发明的方法充分利用各种遥感手段提供的观测信息，实现自动化、高准确度、强适应性的水环境分析，为相关水环境遥感监测系统的业务化运行提供技术支撑。

Description

一种基于中高分辨率时序遥感数据的水环境分析方法

技术领域

本发明涉及遥感应用领域，特别涉及中高分辨率的时序遥感数据水环境监测方面的应用，具体涉及一种基于中高分辨率时序遥感数据的水环境分析方法。

背景技术

水环境监测是遥感技术重要的应用领域之一，遥感监测能有效解决水环境监测的大范围性、连续性、动态性以及高效性等技术问题，使其越来越受到环保部门的重视。

遥感数据的水环境分析方法是遥感水环境监测的核心问题，当前通用的分析方法有两类：

1、数据回归模型。通过实测的水质参数，结合遥感影像进行分析。利用各波段差值、和值、比值及相关数学运算提取影像特征，分析各种水质参数与遥感影像特征的相关性并建立回归模型。这种方法适应性较差，往往只针对某一时间段的数据有效。

2、辐射传输模型。考虑电磁波在大气和水体中的传输过程，利用辐射传输方程构建严格的观测模型并利用数学方法进行求解。这种方法，从观测机理上分析了水质参数与遥感观测的模型关系，但常因求解过程中需要的大气、水体等参数难以获得，导致最终结果与真实数值有较大偏差。

近年来遥感观测技术的迅速发展，遥感数据的光谱分辨率、空间分辨率、时间分辨率不断提高，为进一步研究和实现水环境遥感分析提供了可能性。但上述两类方法均是针对单一时刻遥感数据的分析方法，无法充分利用多源(尤其是中高分辨率卫星)、时序观测遥感数据提供的有效信息，因此需要一种能够针对中高分辨率时序遥感数据的准确、高效、适用性强的水环境分析方法。

发明内容

本发明主要解决的技术问题是在多源遥感数据在水环境分析中信息无法被充分利用、水环境监测指标准确度较低。提供了一种有效的基于中高分辨率时序遥感数据的水环境分析方法：针对水环境遥感分析的多源遥感数据的相对辐射校正；研究水体中藻类生消情况与水温、水质等的关联关系，建立藻类生长状况与水温、水质模型；利用数据同化方法，从遥感观测数值反演叶绿素a浓度及水质参数。本发明的有益效果是：充分利用各种遥感手段提供的观测信息，实现自动化、高准确度、强适应性的水环境分析，为相关水环境遥感监测系统的业务化运行提供技术支撑。

为实现上述目的，本发明提供了一种基于中高分辨率时序遥感数据的水环境分析方法，所述方法包括：

步骤1)结合历史遥感影像和历史水质测定数据，建立若干个不同水温水质条件下的藻类生消模型；

步骤2)对多源遥感数据进行辐射校正；

步骤3)从校正后的多源遥感数据中提取遥感水环境相关参数，构建时间序列曲线；

步骤4)利用时间序列曲线基于藻类生消模型的反演水质参数，将卫星遥感得到的多源多时相反射率与藻类生消模型计算得到的反射率进行匹配，从而确定水环境参数。

作为上述方法的一种改进，所述步骤1)具体包括：

步骤101)通过实验，测定不同水温、水体磷含量、水体氮含量条件下多种常见藻类生长状况，建立各种含藻类水体反射率与相关水质参数的模型关系：

θ_band＝model(Temprature,Tn,Pn,Species,Band_length)

其中，θ_band为某波段的含藻类水体的反射率数值，model为模型函数，Temprature为多时相温度矢量，Tn为多时相氮含量矢量，Pn为多时相磷含量矢量，Species为藻类种类,Band_length为波段的中心波长；

步骤102)结合历史遥感影像和历史水质测定数据得到模型的具体表示式。

作为上述方法的一种改进，所述近红外波段蓝藻生消模型表示为：

其中，θ_nir为近红外波段蓝藻的反射率；k1和k2是总磷和总氮的影响因子，k1＝0.1923,k2＝10.233。

作为上述方法的一种改进，所述步骤2)包括：

步骤201)由同区域同时期观测的多源遥感数据和参考遥感器数据进行直方图匹配得到定标系数；

步骤202)将待定标遥感数据的总辐亮度乘以定标系数，使得待定标遥感数据的归一化总辐亮度与参考遥感器数据的总辐亮度一致。

作为上述方法的一种改进，所述步骤3)包括：

步骤301)通过对不同波长反射率进行组合，提取归一化水体指数和归一化植被指数；

步骤302)对这些指数按照观测时间进行排序，同时分析邻域像素的相关性减少观测噪声因素的影响，形成以水体各像素为单位的时间序列曲线。

作为上述方法的一种改进，所述步骤4)具体包括：

步骤401)通过藻类生消模型进行计算各种磷浓度、氮浓度和温度情况下的反射率，得到红、绿、蓝和近红外波段的多时相反射率数值；

步骤402)将卫星遥感器得到的多源多时相反射率与步骤401)得到的反射率进行匹配，确定总磷、总氮浓度和藻类类型，实现从遥感影像上提取水环境相关指标参数。

本发明的有益效果是：

本发明的方法充分利用各种遥感手段提供的观测信息，实现自动化、高准确度、强适应性的水环境分析，为相关水环境遥感监测系统的业务化运行提供技术支撑。

附图说明

图1为本发明的基于中高分辨率时序遥感数据的水环境分析方法的流程图。

具体实施方式

下面结合附图对本发明的实施方式进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

1、总体技术流程

本发明的总体技术流程如附图1所示。主要分为4个环节，分别是多源遥感数据的相对辐射校正、建立不同水温水质条件下藻类生消模型、遥感水环境相关参数提取与特征曲线构建、基于数据同化方法的水质参数反演。通过这些技术环节，解决了中高分辨率时序遥感数据分析中的各种问题，实现基于高分辨率时序遥感数据水环境的分析。

2、多源遥感数据的相对辐射校正

从遥感观测机理分析，水体场景下遥感器接收到的信号主要来自于大气分子的瑞利散射，但是还有一部分来自于气溶胶散射、水体表面反射太阳光部分以及水体自身的散射。在进行待定标遥感器地球物理数据反演之前，给其总辐亮度乘以一个定标系数。该定标系数可由同区域同时期观测的多源遥感数据和参考遥感器数据进行直方图匹配得到。使得由待定标遥感器数据得到的归一化总辐亮度与参考遥感器数据的结果一致。

3、不同水温水质条件下藻类生消模型

通过实验，测定不同水温、水体磷含量、水体氮含量条件下多种常见藻类生长状况，建立各种含藻类水体反射率与相关水质参数的模型关系；

θ_band＝model(Temprature,Tn,Pn,Species,Band_length)

其中，θ_band为某波段的反射率数值，model为模型函数，Temprature为多时相温度矢量、Tn为多时相氮含量矢量，Pn为多时相磷含量矢量，Species为藻类种类,Band_length为波段的中心波长。模型表达式的确立需要结合历史遥感影像和历史水质测定数据进行分析。一种典型的近红外波段蓝藻生消模型可以表示为

其中K1,K2是总磷和总氮的影响因子，一般可取K1＝0.1923,K2＝10.233。

4、遥感水环境相关参数提取与时间序列曲线构建

利用遥感技术进行水环境监测，主要是利用被污染水体具有区别于清洁水体的光谱特征。这些光谱特征体现在对其特定波长的光的吸收或者反射，而且这些光谱能够被遥感器所捕获并在遥感影像中体现出来。此外，通过对不同波长反射率进行组合，可以有效体现水质情况，如归一化水体指数、归一化植被指数等。在提取这些参数后，按照观测时间进行排序，同时分析邻域像素的相关性减少观测噪声因素的影响，形成以水体各像素为单位构建时间序列曲线。

5、基于藻类生消模型的水质参数反演

通过藻类生消模型进行各种磷浓度、氮浓度和温度情况下反射率的计算(磷浓度从0到100ug/L，氮浓度从0到200ug/L，温度从10到30℃)，得到红、绿、蓝、近红外波段的多时相反射率数值。通过将卫星遥感得到的多源多时相反射率与模型计算得到的反射率进行匹配，确定总磷、总氮浓度和藻类类型。

按照此方法进行实施，即可实现从时序中高分辨率遥感影像上提取水环境相关指标参数。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于中高分辨率时序遥感数据的水环境分析方法，所述方法包括：

步骤1)结合历史遥感影像和历史水质测定数据，建立若干个不同水温水质条件下的藻类生消模型；

步骤2)对多源遥感数据进行辐射校正；

步骤3)从校正后的多源遥感数据中提取遥感水环境相关参数，构建时间序列曲线；

步骤4)利用时间序列曲线基于藻类生消模型的反演水质参数，将卫星遥感得到的多源多时相反射率与藻类生消模型计算得到的反射率进行匹配，从而确定水环境参数。

2.根据权利要求1所述的基于中高分辨率时序遥感数据的水环境分析方法，其特征在于，所述步骤1)包括：

步骤101)通过实验，测定不同水温、水体磷含量、水体氮含量条件下多种常见藻类生长状况，建立各种含藻类水体反射率与相关水质参数的模型关系：

θ_band＝model(Temprature,Tn,Pn,Species,Band_length)

其中，θ_band为某波段的含藻类水体的反射率数值，model为模型函数，Temprature为多时相温度矢量，Tn为多时相氮含量矢量，Pn为多时相磷含量矢量，Species为藻类种类,Band_length为波段的中心波长；

步骤102)结合历史遥感影像和历史水质测定数据得到模型的具体表示式。

3.根据权利要求2所述的基于中高分辨率时序遥感数据的水环境分析方法，其特征在于，所述近红外波段蓝藻生消模型表示为：

其中，θ_nir为近红外波段蓝藻的反射率；k1和k2是总磷和总氮的影响因子，k1＝0.1923,k2＝10.233。

4.根据权利要求1所述的基于中高分辨率时序遥感数据的水环境分析方法，其特征在于，所述步骤2)包括：

步骤201)由同区域同时期观测的多源遥感数据和参考遥感器数据进行直方图匹配得到定标系数；

步骤202)将待定标遥感数据的总辐亮度乘以定标系数，使得待定标遥感数据的归一化总辐亮度与参考遥感器数据的总辐亮度一致。

5.根据权利要求1所述的基于中高分辨率时序遥感数据的水环境分析方法，其特征在于，所述步骤3)包括：

步骤301)通过对不同波长反射率进行组合，提取归一化水体指数和归一化植被指数；

步骤302)对这些指数按照观测时间进行排序，同时分析邻域像素的相关性减少观测噪声因素的影响，形成以水体各像素为单位的时间序列曲线。

6.根据权利要求1所述的基于中高分辨率时序遥感数据的水环境分析方法，其特征在于，所述步骤4)具体包括：

步骤401)通过藻类生消模型进行计算各种磷浓度、氮浓度和温度情况下的反射率，得到红、绿、蓝和近红外波段的多时相反射率数值；

步骤402)将卫星遥感器得到的多源多时相反射率与步骤401)得到的反射率进行匹配，确定总磷、总氮浓度和藻类类型，实现从遥感影像上提取水环境相关指标参数。