CN110987955A - 一种基于决策树的城市黑臭水体分级方法 - Google Patents
一种基于决策树的城市黑臭水体分级方法 Download PDFInfo
- Publication number
- CN110987955A CN110987955A CN201911232060.5A CN201911232060A CN110987955A CN 110987955 A CN110987955 A CN 110987955A CN 201911232060 A CN201911232060 A CN 201911232060A CN 110987955 A CN110987955 A CN 110987955A
- Authority
- CN
- China
- Prior art keywords
- black
- water body
- odorous
- odorous water
- green
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 413
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003066 decision tree Methods 0.000 title claims abstract description 30
- 238000002310 reflectometry Methods 0.000 claims abstract description 36
- 238000001228 spectrum Methods 0.000 claims abstract description 15
- 230000003595 spectral effect Effects 0.000 claims abstract description 13
- 239000003086 colorant Substances 0.000 claims abstract description 9
- 102000008071 Mismatch Repair Endonuclease PMS2 Human genes 0.000 claims abstract description 6
- 108010074346 Mismatch Repair Endonuclease PMS2 Proteins 0.000 claims abstract description 6
- 238000005316 response function Methods 0.000 claims abstract description 5
- 239000010797 grey water Substances 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 13
- 239000010866 blackwater Substances 0.000 claims description 5
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000000985 reflectance spectrum Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000035943 smell Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
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
本发明公开了一种基于决策树的城市黑臭水体分级方法，结合现有的城市黑臭水体污染程度分级标准判断水体的黑臭程度；按照国际标准比色卡劳拉比色卡将不同颜色的水体与黑臭水体类别联系起来；根据综合判断的黑臭程度，不同类别水体的遥感反射率与黑臭程度的关系，建立了一个具有各类黑臭水体类别的代表性的光谱库；计算各个黑臭水体类别遥感反射率的均值，并且用光谱响应函数响应到GF‑2卫星传感器PMS2上，得到各类城市黑臭水体在GF‑2卫星传感器PMS2上等效反射率光谱曲线；根据等效反射率光谱曲线特征，用黑臭水体差值指数DBWI、黑臭水体斜率差值指数DSBWI、绿光波段Green、归一化黑臭水体指数NDBWI这些波段组合模型形成的决策树将不同黑臭类别水体提取出来。
Description
技术领域
本发明涉及遥感技术领域，特别是一种基于决策树的城市黑臭水体分级方法。
背景技术
城市的水环境是城市生态环境的重要组成部分，与居民的生活息息相关。然而 近年来，随着工业化和城市化进程加快，城市环境基础设施日渐不足，城市河流污 染问题日趋严重，全国80％以上的城市河流受到污染，许多城市内河出现了常年性 或季节性的黑臭现象。从现有的研究来看，城市黑臭水体产生的主要原因是由于水 中的藻类和细菌的新陈代谢以及人类向水体中过度排放有机物引起的。水体黑臭是 水体有机污染的一种极端现象，是对水体极端污染状态的一种描述(Lazaro TR等， 1979)。住房和城乡建设部发布的《城市黑臭水体整治工作指南》中提及了城市黑 臭水体概念，即城市建成区内，呈现令人不悦的颜色和(或)散发令人不适气味的 水体的统称。
面对城市黑臭水体空间分布的特点——黑臭河道窄、分布广泛且零散、空间分 布复杂，常规的实地考察方法有很大的局限性，不仅需要现场采样，费时费力、效 率低下，而且采样点零散分布，监测不连续，不能全面反映整个城市黑臭水体水质 实际状况，这不利于城市黑臭水体的识别与黑臭程度的评价。而随着卫星遥感技术 的发展，其宏观性、动态性、科学性，为湖泊水环境监测提供新的解决思路与方法。 以卫星遥感为主要手段的天地一体黑臭水体遥感监管具有重要意义(曹红业等， 2017)。遥感具有的多时相、多光谱、大范围的观测能力是其他常规技术所不具备 的。GF-2(GF-2)卫星是我国自主研制的首颗空间分辨率优于1米的民用光学遥感 卫星，搭载有两台高分辨率1米全色、4米多光谱相机，具有亚米级空间分辨率， 重访周期5天。其所具备的高空间分辨率对于细小河道的提取给予了优势，也为黑 臭水体的识别提供重要的数据支撑。
近几年，从水体遥感反射率去监测黑臭水体的研究也在逐步增多。温爽等(2018)构建了基于GF-2影像的城市黑臭水体遥感识别算法，并分析了南京市主城区黑臭 水体的空间分布和环境特点。姚月等(2019)分析了黑臭水体与一般水体的光谱特 征，提出基于反射率光谱指数黑臭水体指数(BOI)。李佳琦等(2019)通过分析黑 臭水体形成机理和试验数据，从光谱特征上构建反映水体清洁程度的光谱指数 (WCI)，综合光谱指数和解译标志共同进行黑臭水体遥感识别。
目前，国内外学者对内陆湖泊水体的水体光学特性的分析也做了大量工作。但是，基于水体光学特性对城市黑臭水体的研究还是鲜有报道，对城市黑臭水体的分 级的方法还不成熟。并且，不同区域的城市黑臭水体产生的成因迥然不同。黑臭水 体在不同季节不同区域，由于气候差异和水动力环境的不同，水体中各组分浓度和 成分都具有较大的差异，水体吸收与散射特性的变化也不一样，但其最终体现为水 面反射波谱的差异性，这种水面反射波谱的差异，蕴含了水色参数浓度、成分信息。 因此，从水体遥感反射率去监测各类城市黑臭水体的差异，并根据差异将其识别出 来，具有十分重要的科学价值和意义。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种基于决策树的 城市黑臭水体分级方法，本发明分析不同黑臭程度水体的遥感反射率特征的差异及 其水质参数，构建基于遥感反射率的黑臭水体分级指数的决策树，并建立适用于高 分影像的反演模型，以期实现黑臭水体的高分遥感分级。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种基于决策树的城市黑臭水体分级方法，包括以下步骤：
步骤S1、结合现有的城市黑臭水体污染程度分级标准判断水体的黑臭程度；
步骤S2、按照国际标准比色卡劳拉比色卡将不同颜色的水体与黑臭水体类别联系起来，将不同颜色水体归为以下类别：灰黑色水体为黑臭水体Ⅰ，深灰色水体为 黑臭水体Ⅱ，灰色水体为黑臭水体Ⅲ，浅灰色水体为黑臭水体Ⅳ，偏绿色的一般水 体为一般水体Ⅰ，偏黄色的一般水体为一般水体Ⅱ；
步骤S3、根据综合判断的黑臭程度，不同类别水体的遥感反射率与黑臭程度的 关系如下，黑臭水体Ⅰ为重度黑臭，黑臭水体Ⅱ、黑臭水体Ⅲ、黑臭水体Ⅳ为轻度 黑臭，一般水体Ⅰ和一般水体Ⅱ为一般水体，并且建立了一个具有各类黑臭水体类 别的代表性的光谱库；
步骤S4、计算各个黑臭水体类别遥感反射率的均值，并且用光谱响应函数响应 到卫星传感器上，得到各类城市黑臭水体在卫星传感器上等效反射率光谱曲线；
步骤S5、根据等效反射率光谱曲线特征，用黑臭水体差值指数DBWI、黑臭水 体斜率差值指数DSBWI、绿光波段Green、归一化黑臭水体指数NDBWI这些波段组 合模型形成的决策树将不同黑臭类别水体提取出来。
作为本发明所述的一种基于决策树的城市黑臭水体分级方法进一步优化方案，步骤S5具体如下：
(1)黑臭水体差值指数DBWI
利用黑臭水体差值指数DBWI判别黑臭水体Ⅰ，定义这一指数为黑臭水体差值 指数DBWI方法如式(1)：
DBWI＝Rrs(Green)-Rrs(Blue) (1)
式中，Rrs(Blue)和Rrs(Green)分别为遥感影像蓝、绿波段大气校正后遥感反射 率值，DBWI单位为sr-1；NⅠ为区分黑臭水体Ⅰ与其他水体的参考阈值；
(2)黑臭水体斜率差值指数DSBWI
利用黑臭水体斜率差值指数DSBWI判别黑臭水体Ⅰ、一般水体Ⅱ与黑臭水体Ⅱ、 黑臭水体Ⅲ、黑臭水体Ⅳ、一般水体Ⅰ；定义这一指数为黑臭水体斜率差值指数 DSBWI的方法如式(3)：
式中，Rrs(Green)、Rrs(Red)和Rrs(Nir)分别为遥感影像绿、红、近红外波段 大气校正后遥感反射率值，DSBWI值无量纲，Δλ1为红、绿光波段中心波长的差值， Δλ2为近红外、红光波段中心波长的差值；
基于DSBWI方法的阈值选取如式(4)所示，NⅡ的值根据影像上典型的两大类 水体来进行确定，NⅡ为区分黑臭水体Ⅲ、Ⅳ、一般水体Ⅱ与黑臭水体Ⅱ、一般水体 Ⅰ的参考数值；
(3)单波段指数——绿光波段Green
利用绿光波段的遥感反射率区分黑臭水体Ⅱ和一般水体Ⅰ，方法如式(5)：
式中，Rrs(Green)为遥感影像绿波段大气校正后遥感反射率值，NⅢ为常数；NⅢ 值根据影像上典型的黑臭水体Ⅱ和一般水体Ⅰ来进行确定，NⅢ为区分黑臭水体Ⅱ和 一般水体Ⅰ的参考数值；
(4)归一化黑臭水体指数NDBWI
利用归一化黑臭水体指数判别黑臭水体Ⅲ、Ⅳ和一般水体Ⅱ；
定义这一指数为归一化黑臭水体指数NDBWI，方法如式(6)：
式中，NDBWI值无量纲，NⅣ为区分黑臭水体Ⅲ、Ⅳ与一般水体Ⅱ的参考阈值；
作为本发明所述的一种基于决策树的城市黑臭水体分级方法进一步优化方案，NⅠ＝0.003sr-1。
作为本发明所述的一种基于决策树的城市黑臭水体分级方法进一步优化方案，NⅡ＝0。
作为本发明所述的一种基于决策树的城市黑臭水体分级方法进一步优化方案，NⅢ＝0.015。
作为本发明所述的一种基于决策树的城市黑臭水体分级方法进一步优化方案，NⅣ＝0.08。
作为本发明所述的一种基于决策树的城市黑臭水体分级方法进一步优化方案，步骤S1中现有的城市黑臭水体污染程度分级标准是住建部2015年发布的《城市黑 臭水体整治工作指南》规定城市黑臭水体污染程度分级标准。
作为本发明所述的一种基于决策树的城市黑臭水体分级方法进一步优化方案，步骤S2中按照国际标准比色卡劳拉比色卡，将不同颜色的水体与黑臭水体类别联 系起来，根据水体颜色可以将各类水体进行归类，将水色按照国际标准劳拉比色卡 分为三个颜色系列：灰色系、绿色系以及黄色系；在色度分级表中，共有6个级别； 其中，1至4为灰色系，5为绿色系，6为黄色系。所有的黑臭必然归为1到4级内， 不管颜色是偏绿色或者偏黄色，只要是黑臭水体，就按照黑臭水体黑的程度归到灰 黑至浅灰这个色系中，这个色系只包含黑臭程度的信息；而绿色系和黄色系只包含 一般水体，偏绿色的一般水体归为5级别，偏黄色的一般水体归为6级别；并且认 为灰黑色水体为黑臭水体Ⅰ，深灰色水体为黑臭水体Ⅱ，灰色水体为黑臭水体Ⅲ， 浅灰色水体为黑臭水体Ⅳ，偏绿色的一般水体为一般水体Ⅰ，偏黄色的一般水体为 一般水体Ⅱ。
作为本发明所述的一种基于决策树的城市黑臭水体分级方法进一步优化方案，卫星传感器为GF-2卫星传感器PMS2。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)本发明提出的方法通过不同黑臭程度水体的遥感反射率特征的差异及其 水质参数，构建基于遥感反射率的黑臭水体分级指数的决策树，并建立适用于高分 影像的反演模型，从而实现城市黑臭水体的高分遥感分级；
(2)此外，根据模型精度评价结果来看，本发明的决策树模型整体识别精度 达到75.0％，K值达到0.622，说明数据具有较高的一致性且模型识别精度较高。
附图说明
图1是按照国际标准劳拉比色卡设计的色度分级表。
图2是各类黑臭水体类别的黑臭程度、颜色与现场对照图；其中，(a)-(f) 分别为灰黑色的重度黑臭水体、深灰色、灰色、浅灰色的轻度黑臭水体、偏绿色和 偏黄色的一般水体的现场照片。
图3是各类黑臭水体类别的典型遥感反射率光谱库；其中，(a)-(f)分别为 黑臭水体Ⅰ、黑臭水体Ⅱ、黑臭水体Ⅲ、黑臭水体Ⅳ、一般水体Ⅰ、一般水体Ⅱ。
图4是各类黑臭水体类别均值反射率光谱图。
图5是各类黑臭水体类别GF-2PMS2等效反射率光谱图。
图6是黑臭水体分级判别决策树。
图7是城市黑臭水体分级图(以扬州为例)。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施 例对本发明进行详细描述。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包 括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同 的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现 有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或 过于正式的含义来解释。
以南京、无锡、扬州、常州、长沙这五个城市2017年到2019年的实测遥感反 射率为基础，按照本发明进行决策树模型的构建，并以扬州市GF-2PMS2影像为例， 给出本发明一个实施例，进一步详细说明本发明。
S1：结合住建部2015年发布的《城市黑臭水体整治工作指南》的城市黑臭水 体污染程度分级标准判断水体的黑臭程度；
城市黑臭水体污染程度分级标准见表1。
表1城市黑臭水体污染程度分级标准
注：*水深不足25cm时，该指标按水深的40％取值
其中，连续3个以上检测点被认定为“重度黑臭”的，检测点之间的区域应认定 为“重度黑臭”；水体60％以上的检测点被认定为“重度黑臭”的，整个水体应认定为 “重度黑臭”。
S2：照国际标准比色卡劳拉比色卡将不同颜色的水体与黑臭水体类别联系起来。由于黑臭水体成因复杂，无法一次直接将黑臭水体与一般水体区分开。水体的颜色 包含很多信息，比如黑色越深，黑臭程度越严重；水体越绿或者越黄，可能所含的 叶绿素a浓度或者悬浮物越高，颜色一致的水体所也呈现相似的遥感反射率。所以， 根据水体颜色可以将各类水体进行归类，将水色按照国际标准劳拉比色卡分为三个 颜色系列：灰色系、绿色系以及黄色系。
按照国际标准劳拉比色卡设计的色度分级表见图1；
在色度分级表中，共有6个级别。其中，1至4为灰色系，5为绿色系，6为黄 色系。所有的黑臭必然归为1到4级内，不管颜色是偏绿色或者偏黄色，只要是黑 臭水体，就按照黑臭水体黑的程度归到灰黑至浅灰这个色系中，这个色系只包含黑 臭程度的信息。而绿色系和黄色系只包含一般水体，偏绿色的一般水体归为5级别， 偏黄色的一般水体归为6级别。
并且认为灰黑色水体为黑臭水体Ⅰ，深灰色水体为黑臭水体Ⅱ，灰色水体为黑 臭水体Ⅲ，浅灰色水体为黑臭水体Ⅳ，偏绿色的一般水体为一般水体Ⅰ，偏黄色的 一般水体为一般水体Ⅱ；
各类黑臭水体类别的黑臭程度、颜色与现场对照图见图2，图2中的(a)-(f) 分别为灰黑色的重度黑臭水体、深灰色、灰色、浅灰色的轻度黑臭水体、偏绿色和 偏黄色的一般水体的现场照片。
S3：根据综合判断的黑臭程度，认为不同类别水体(即黑臭水体Ⅰ、Ⅱ，一般 水体Ⅰ、Ⅱ等)的遥感反射率与黑臭程度的关系如下：黑臭水体Ⅰ为重度黑臭，黑 臭水体Ⅱ、黑臭水体Ⅲ、黑臭水体Ⅳ为轻度黑臭，一般水体Ⅰ和一般水体Ⅱ为一般 水体，并且建立了一个具有各类黑臭水体类别的典型遥感反射率光谱库；
各类黑臭水体类别的典型遥感反射率光谱库见图3，图3中的(a)-(f)分别 为黑臭水体Ⅰ、黑臭水体Ⅱ、黑臭水体Ⅲ、黑臭水体Ⅳ、一般水体Ⅰ、一般水体Ⅱ。
S4：计算各个黑臭水体类别遥感反射率的均值；
各类黑臭水体类别均值反射率光谱图见图4；
为了研究适用于GF-2影像的黑臭水体分级模型，将各类水体的Rrs参照GF-2 的光谱响应函数经过波段积分转换为卫星波段等效反射率Rrs(eq)，由公式(1)计 算得到：
Rrs(eq)为卫星波段等效反射率；Rrs(λ)为实测遥感反射率；fSRF(λ)为卫星 波段光谱响应函数；F0(λ)为大气层外太阳光谱辐照度。
得到各类黑臭水体在GF-2卫星传感器PMS2上等效反射率光谱曲线；
各类黑臭水体类别GF-2PMS2等效反射率光谱图见图5。
S5：根据等效反射率光谱曲线特征，可以用黑臭水体差值指数模型、归一化黑 臭水体指数模型和单波段指数(绿光波段)模型来将黑臭水体Ⅰ、黑臭水体Ⅱ、黑 臭水体Ⅲ、黑臭水体Ⅳ、一般水体Ⅰ和一般水体Ⅱ六个类别分别识别出来。
(1)黑臭水体差值指数(DBWI)
利用黑臭水体差值指数(DBWI)判别黑臭水体Ⅰ。定义这一指数为黑臭水体差 值指数DBWI(Difference of Black-odorous Water Index)，算法如式(1)：
式中，Rrs(Blue)和Rrs(Green)分别为遥感影像蓝、绿波段大气校正后遥 感反射率值，DBWI单位为sr-1。参考阈值NⅠ＝0.003sr-1。
(2)黑臭水体斜率差值指数(DSBWI)
利用黑臭水体斜率差值指数(DSBWI)判别黑臭水体Ⅰ、一般水体Ⅱ与黑臭水体 Ⅱ、黑臭水体Ⅲ、黑臭水体Ⅳ、一般水体Ⅰ。定义这一指数为黑臭水体斜率差值指数 DSBWI(Difference Slope of Black-odorous Water Index)。算法如式(3)：
式中，Rrs(Green)、Rrs(Red)和Rrs(Nir)分别为遥感影像绿、红、近红外 波段大气校正后遥感反射率值，DSBWI值无量纲。
基于DSBWI方法的阈值选取如式(4)所示。NⅡ的值可根据影像上典型的两大 类水体来进行确定，参考数值为NⅡ＝0。
(3)单波段指数——绿光波段(Green)
利用绿光波段的遥感反射率区分黑臭水体Ⅱ和一般水体Ⅰ。算法如式(5)：
式中，Rrs(Green)为遥感影像绿波段大气校正后遥感反射率值，NⅢ为常数。 NⅢ值可根据影像上典型的黑臭水体Ⅱ和一般水体Ⅰ来进行确定，参考数值为 NⅢ＝0.015。
(4)归一化黑臭水体指数(NDBWI)
利用归一化黑臭水体指数判别黑臭水体Ⅲ、Ⅳ和一般水体Ⅱ。
定义这一指数为归一化黑臭水体指数NDBWI(Normalized Difference Black-odorous Water Index)。算法如式(6)：
式中，Rrs(Green)和Rrs(Red)分别为遥感影像绿、红波段大气校正后遥感 反射率值，NDBWI值无量纲。参考阈值NⅣ＝0.08。
再将黑臭水体Ⅰ归为重度黑臭水体，黑臭水体Ⅱ、黑臭水体Ⅲ、黑臭水体Ⅳ归 为轻度黑臭水体，一般水体Ⅰ和一般水体Ⅱ归为一般水体。
基于GF-2遥感影像对城市水体进行决策树分类的方法见图6。
S6：模型的精度验证使用混淆矩阵来表示，混淆矩阵是用来表示精度评价的一 种标准格式，其行数据表示模型识别的结果，列表示实际地物类别。
步骤S6中，模型的精度验证使用混淆矩阵来表示，这里由混淆矩阵建立了5 个不同的误差评价的指标，分别为整体正确识别率，黑臭水体错分率，黑臭水体漏 分率，正常水体错分率，正常水体漏分率和kappa系数,黑臭水体分级分类混淆矩阵 见表2；
表2黑臭水体分级分类混淆矩阵
(1)整体正确识别率
是指所有分类正确的样点与总样点个数的比值，公式如下：
P1＝(a+e+i)/(a+b+c+d+e+f+g+h+i)
(2)轻度黑臭水体错分率
是指对于分类模型上的轻度黑臭水体类型，它与参考数据类型不同的概率，即 模型中被划为轻度黑臭水体实际上为重度黑臭水体和一般水体的概率，公式如下：
P2＝(d+f)/(d+e+f)
(3)轻度黑臭水体漏分率
是指对于参考数据上的轻度黑臭水体类型，被错分为重度黑臭水体和一般水体类型的概率，即实际的轻度黑臭水体有多少被错误地分到重度黑臭水体和一般水体 类别中，公式如下：
P3＝(b+h)/(b+e+h)
(4)重度黑臭水体错分率
是指对于分类模型上的重度黑臭水体类型，它与参考数据类型不同的概率，即 模型中被划为重度黑臭水体实际上为轻度黑臭水体和一般水体的概率，公式如下：
P4＝(g+h)/(g+h+i)
(5)重度黑臭水体漏分率
是指对于参考数据上的重度黑臭水体类型，被错分为轻度黑臭水体和一般水体类型的概率，即实际的重度黑臭水体有多少被错误地分到轻度黑臭水体和一般水体 类别中，公式如下：
P5＝(c+f)/(c+f+i)
(6)一般水体错分率
是指对于分类模型上的一般水体类型，它与参考数据类型不同的概率，即模型 中被划为一般水体实际上为轻度黑臭水体和重度黑臭水体的概率，公式如下：
P6＝(b+c)/(a+b+c)
(7)一般水体漏分率
是指对于参考数据上的一般水体类型，被错分为轻度黑臭水体和重度黑臭水体类型的概率，即实际的一般水体有多少被错误地分到轻度黑臭水体和重度黑臭水体 类别中，公式如下：
P7＝(d+g)/(a+d+g)
(8)kappa系数是一种衡量分类精度的指标，计算公式如下，
A＝(a+b+c)*(a+d+g)+(d+e+f)*(b+e+h)+(g+h+i)*(c+f+i)
B＝a+b+c+d+e+f+g+h+i
C＝(a+e+i)
K＝(B*C-A)/(B2-A)
这里由混淆矩阵建立了5个不同的误差评价的指标，分别为整体正确识别率， 黑臭水体错分率，黑臭水体漏分率，正常水体错分率，正常水体漏分率和kappa系 数，根据模型精度评价结果来看，整体识别精度达到75.0％，K值达到0.622，说明 数据具有较高的一致性且模型识别精度较高；
具体模型精度评价结果见表3。
表3模型精度评价结果
S7：对GF-2卫星传感器PMS2的影像进行预处理，包括正射校正、辐射定标、 大气校正等，得到城市水体的遥感反射率；
辐射校正、大气校正等可通过ENVI软件进行批处理操作，大气校正程序使用FLAASH模型。
S8：将决策树模型应用到遥感影像，得到不同黑臭程度的城市黑臭水体时空分布，为城市黑臭水体的监测和治理提供科学依据和技术支持；
城市黑臭水体分级图(以扬州为例)见图7。
以上所述，仅为本发明的具体实施方式，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，可轻易想到的变化或 替换，都应涵盖在本发明的保护范围内。
Claims (9)
1.一种基于决策树的城市黑臭水体分级方法，其特征在于，包括以下步骤：
步骤S1、结合现有的城市黑臭水体污染程度分级标准判断水体的黑臭程度；
步骤S2、按照国际标准比色卡劳拉比色卡将不同颜色的水体与黑臭水体类别联系起来，将不同颜色水体归为以下类别：灰黑色水体为黑臭水体Ⅰ，深灰色水体为黑臭水体Ⅱ，灰色水体为黑臭水体Ⅲ，浅灰色水体为黑臭水体Ⅳ，偏绿色的一般水体为一般水体Ⅰ，偏黄色的一般水体为一般水体Ⅱ；
步骤S3、根据综合判断的黑臭程度，不同类别水体的遥感反射率与黑臭程度的关系如下，黑臭水体Ⅰ为重度黑臭，黑臭水体Ⅱ、黑臭水体Ⅲ、黑臭水体Ⅳ为轻度黑臭，一般水体Ⅰ和一般水体Ⅱ为一般水体，并且建立了一个具有各类黑臭水体类别的代表性的光谱库；
步骤S4、计算各个黑臭水体类别遥感反射率的均值，并且用光谱响应函数响应到卫星传感器上，得到各类城市黑臭水体在卫星传感器上等效反射率光谱曲线；
步骤S5、根据等效反射率光谱曲线特征，用黑臭水体差值指数DBWI、黑臭水体斜率差值指数DSBWI、绿光波段Green、归一化黑臭水体指数NDBWI这些波段组合模型形成的决策树将不同黑臭类别水体提取出来。
2.如权利要求1所述的一种基于决策树的城市黑臭水体分级方法，其特征在于，步骤S5具体如下：
(1)黑臭水体差值指数DBWI
利用黑臭水体差值指数DBWI判别黑臭水体Ⅰ，定义这一指数为黑臭水体差值指数DBWI方法如式(1)：
DBWI＝Rrs(Green)-Rrs(Blue) (1)
式中，Rrs(Blue)和Rrs(Green)分别为遥感影像蓝、绿波段大气校正后遥感反射率值，DBWI单位为sr-1；NⅠ为区分黑臭水体Ⅰ与其他水体的参考阈值；
(2)黑臭水体斜率差值指数DSBWI
利用黑臭水体斜率差值指数DSBWI判别黑臭水体Ⅰ、一般水体Ⅱ与黑臭水体Ⅱ、黑臭水体Ⅲ、黑臭水体Ⅳ、一般水体Ⅰ；定义这一指数为黑臭水体斜率差值指数DSBWI的方法如式(3)：
式中，Rrs(Green)、Rrs(Red)和Rrs(Nir)分别为遥感影像绿、红、近红外波段大气校正后遥感反射率值，DSBWI值无量纲，Δλ1为红、绿光波段中心波长的差值，Δλ2为近红外、红光波段中心波长的差值；
基于DSBWI方法的阈值选取如式(4)所示，NⅡ的值根据影像上典型的两大类水体来进行确定，NⅡ为区分黑臭水体Ⅲ、Ⅳ、一般水体Ⅱ与黑臭水体Ⅱ、一般水体Ⅰ的参考数值；
(3)单波段指数——绿光波段Green
利用绿光波段的遥感反射率区分黑臭水体Ⅱ和一般水体Ⅰ，方法如式(5)：
式中，Rrs(Green)为遥感影像绿波段大气校正后遥感反射率值，NⅢ为常数；NⅢ值根据影像上典型的黑臭水体Ⅱ和一般水体Ⅰ来进行确定，NⅢ为区分黑臭水体Ⅱ和一般水体Ⅰ的参考数值；
(4)归一化黑臭水体指数NDBWI
利用归一化黑臭水体指数判别黑臭水体Ⅲ、Ⅳ和一般水体Ⅱ；
定义这一指数为归一化黑臭水体指数NDBWI，方法如式(6)：
式中，NDBWI值无量纲，NⅣ为区分黑臭水体Ⅲ、Ⅳ与一般水体Ⅱ的参考阈值；
3.如权利要求2所述的一种基于决策树的城市黑臭水体分级方法，其特征在于，NⅠ＝0.003sr-1。
4.如权利要求2所述的一种基于决策树的城市黑臭水体分级方法，其特征在于，NⅡ＝0。
5.如权利要求2所述的一种基于决策树的城市黑臭水体分级方法，其特征在于，NⅢ＝0.015。
6.如权利要求2所述的一种基于决策树的城市黑臭水体分级方法，其特征在于，NⅣ＝0.08。
7.如权利要求1所述的一种基于决策树的城市黑臭水体分级方法，其特征在于，步骤S1中现有的城市黑臭水体污染程度分级标准是住建部2015年发布的《城市黑臭水体整治工作指南》规定城市黑臭水体污染程度分级标准。
8.如权利要求1所述的一种基于决策树的城市黑臭水体分级方法，其特征在于，步骤S2中按照国际标准比色卡劳拉比色卡，将不同颜色的水体与黑臭水体类别联系起来，根据水体颜色可以将各类水体进行归类，将水色按照国际标准劳拉比色卡分为三个颜色系列：灰色系、绿色系以及黄色系；在色度分级表中，共有6个级别；其中，1至4为灰色系，5为绿色系，6为黄色系。所有的黑臭必然归为1到4级内，不管颜色是偏绿色或者偏黄色，只要是黑臭水体，就按照黑臭水体黑的程度归到灰黑至浅灰这个色系中，这个色系只包含黑臭程度的信息；而绿色系和黄色系只包含一般水体，偏绿色的一般水体归为5级别，偏黄色的一般水体归为6级别；并且认为灰黑色水体为黑臭水体Ⅰ，深灰色水体为黑臭水体Ⅱ，灰色水体为黑臭水体Ⅲ，浅灰色水体为黑臭水体Ⅳ，偏绿色的一般水体为一般水体Ⅰ，偏黄色的一般水体为一般水体Ⅱ。
9.如权利要求1所述的一种基于决策树的城市黑臭水体分级方法，其特征在于，卫星传感器为GF-2卫星传感器PMS2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911232060.5A CN110987955B (zh) | 2019-12-05 | 2019-12-05 | 一种基于决策树的城市黑臭水体分级方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911232060.5A CN110987955B (zh) | 2019-12-05 | 2019-12-05 | 一种基于决策树的城市黑臭水体分级方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110987955A true CN110987955A (zh) | 2020-04-10 |
| CN110987955B CN110987955B (zh) | 2022-09-20 |
Family
ID=70090283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911232060.5A Active CN110987955B (zh) | 2019-12-05 | 2019-12-05 | 一种基于决策树的城市黑臭水体分级方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110987955B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111426637A (zh) * | 2020-04-16 | 2020-07-17 | 江苏省环境监测中心 | 一种利用无人机获取城市黑臭河流水质参数的方法 |
| CN111538940A (zh) * | 2020-05-12 | 2020-08-14 | 自然资源部第二海洋研究所 | 悬浮物浓度反演模型确定方法及悬浮物浓度确定方法 |
| CN112766075A (zh) * | 2020-12-31 | 2021-05-07 | 中国冶金地质总局矿产资源研究院 | 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 |
| CN112858181A (zh) * | 2021-01-13 | 2021-05-28 | 四川轻化工大学 | 黑臭水体监测方法、装置及电子设备 |
| CN112903945A (zh) * | 2021-02-26 | 2021-06-04 | 珠江水利委员会珠江水利科学研究院 | 一种基于常规水质参数的城市黑臭水体识别方法 |
| CN114882130A (zh) * | 2022-06-16 | 2022-08-09 | 平安普惠企业管理有限公司 | 基于水色图像的水质评分方法、装置、设备及介质 |
| CN116702065A (zh) * | 2023-05-30 | 2023-09-05 | 浙江时空智子大数据有限公司 | 基于影像数据黑臭水体生态治理污染监测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5526119A (en) * | 1992-04-16 | 1996-06-11 | Elop Electro-Optics Industries, Ltd. | Apparatus & method for inspecting articles such as agricultural produce |
| US20030012398A1 (en) * | 2001-07-11 | 2003-01-16 | Sunshine Jessica Miriam | Method for selecting representative endmember components from spectral data |
| US20100185064A1 (en) * | 2007-01-05 | 2010-07-22 | Jadran Bandic | Skin analysis methods |
| CN107167431A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学院遥感与数字地球研究所 | 一种基于光谱指数模型的黑臭水体识别方法及系统 |
| CN109142296A (zh) * | 2018-08-16 | 2019-01-04 | 中国科学院合肥物质科学研究院 | 基于多源光谱特征的城市水体黑臭快速识别测定方法 |
| CN109374537A (zh) * | 2018-09-30 | 2019-02-22 | 中国科学院遥感与数字地球研究所 | 城市黑臭水体识别方法及装置 |
| CN109919951A (zh) * | 2019-03-14 | 2019-06-21 | 武汉大学 | 语义关联的面向对象城市不透水面遥感提取方法及系统 |
-
2019
- 2019-12-05 CN CN201911232060.5A patent/CN110987955B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5526119A (en) * | 1992-04-16 | 1996-06-11 | Elop Electro-Optics Industries, Ltd. | Apparatus & method for inspecting articles such as agricultural produce |
| US20030012398A1 (en) * | 2001-07-11 | 2003-01-16 | Sunshine Jessica Miriam | Method for selecting representative endmember components from spectral data |
| US20100185064A1 (en) * | 2007-01-05 | 2010-07-22 | Jadran Bandic | Skin analysis methods |
| CN107167431A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学院遥感与数字地球研究所 | 一种基于光谱指数模型的黑臭水体识别方法及系统 |
| CN109142296A (zh) * | 2018-08-16 | 2019-01-04 | 中国科学院合肥物质科学研究院 | 基于多源光谱特征的城市水体黑臭快速识别测定方法 |
| CN109374537A (zh) * | 2018-09-30 | 2019-02-22 | 中国科学院遥感与数字地球研究所 | 城市黑臭水体识别方法及装置 |
| CN109919951A (zh) * | 2019-03-14 | 2019-06-21 | 武汉大学 | 语义关联的面向对象城市不透水面遥感提取方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| LIFEI WEI等: "Monitoring of Urban Black-OdorWater Based on Nemerow Index and Gradient Boosting Decision Tree Regression Using UAV-Borne Hyperspectral Imagery", 《REMOTE SENSING》 * |
| 曹红业: "中国典型城市黑臭水体光学特性分析及遥感识别模型研究", 《中国优秀博硕士学位论文全文数据库（硕士） 工程科技I辑 2017年期》 * |
| 温爽: "基于GF-2影像的城市黑臭水体遥感识别", 《中国优秀硕士学位论文全文数据库 工程科技I辑 2019年期》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111426637A (zh) * | 2020-04-16 | 2020-07-17 | 江苏省环境监测中心 | 一种利用无人机获取城市黑臭河流水质参数的方法 |
| CN111538940A (zh) * | 2020-05-12 | 2020-08-14 | 自然资源部第二海洋研究所 | 悬浮物浓度反演模型确定方法及悬浮物浓度确定方法 |
| CN111538940B (zh) * | 2020-05-12 | 2021-05-28 | 自然资源部第二海洋研究所 | 悬浮物浓度反演模型确定方法及悬浮物浓度确定方法 |
| CN112766075A (zh) * | 2020-12-31 | 2021-05-07 | 中国冶金地质总局矿产资源研究院 | 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 |
| CN112858181A (zh) * | 2021-01-13 | 2021-05-28 | 四川轻化工大学 | 黑臭水体监测方法、装置及电子设备 |
| CN112903945A (zh) * | 2021-02-26 | 2021-06-04 | 珠江水利委员会珠江水利科学研究院 | 一种基于常规水质参数的城市黑臭水体识别方法 |
| CN112903945B (zh) * | 2021-02-26 | 2022-02-22 | 珠江水利委员会珠江水利科学研究院 | 一种基于常规水质参数的城市黑臭水体识别方法 |
| CN114882130A (zh) * | 2022-06-16 | 2022-08-09 | 平安普惠企业管理有限公司 | 基于水色图像的水质评分方法、装置、设备及介质 |
| CN116702065A (zh) * | 2023-05-30 | 2023-09-05 | 浙江时空智子大数据有限公司 | 基于影像数据黑臭水体生态治理污染监测方法及系统 |
| CN116702065B (zh) * | 2023-05-30 | 2024-04-16 | 浙江时空智子大数据有限公司 | 基于影像数据黑臭水体生态治理污染监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110987955B (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110987955B (zh) | 一种基于决策树的城市黑臭水体分级方法 | |
| CN112232234B (zh) | 基于遥感的内陆湖库蓝藻水华强度评价方法和装置 | |
| Gilmore et al. | Integrating multi-temporal spectral and structural information to map wetland vegetation in a lower Connecticut River tidal marsh | |
| Oyama et al. | Monitoring levels of cyanobacterial blooms using the visual cyanobacteria index (VCI) and floating algae index (FAI) | |
| Oxborough et al. | In vivo estimation of the photosystem II photochemical efficiency of individual microphytobenthic cells using high‐resolution imaging of chlorophyll a fluorescence | |
| 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 | |
| Chen et al. | Aboveground biomass of salt-marsh vegetation in coastal wetlands: Sample expansion of in situ hyperspectral and Sentinel-2 data using a generative adversarial network | |
| Zhao et al. | An investigation of multispectral imaging for the mapping of pigments in paintings | |
| CN111122449A (zh) | 一种城市不透水面遥感提取方法及系统 | |
| Li et al. | Estimation of chlorophyll-a concentrations in a highly turbid eutrophic lake using a classification-based MODIS land-band algorithm | |
| Karaska et al. | AVIRIS measurements of chlorophyll, suspended minerals, dissolved organic carbon, and turbidity in the Neuse River, North Carolina | |
| CN114781537B (zh) | 一种基于高分辨率卫星影像的入海排口疑似排污识别方法 | |
| CN113538559B (zh) | 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法 | |
| CN109300133B (zh) | 一种城市河网区水体提取方法 | |
| CN109598202A (zh) | 一种基于对象的卫星图像多指标建成区自动提取方法 | |
| Anker et al. | Application of aerial digital photography for macrophyte cover and composition survey in small rural streams | |
| CN114387529A (zh) | 一种基于cart分类模型的黑臭水体提取方法 | |
| CN117111092A (zh) | 一种基于机器学习的高空间分辨率遥感水质检测方法 | |
| Liu et al. | Trophic state assessment of optically diverse lakes using Sentinel-3-derived trophic level index | |
| CN114813651A (zh) | 一种结合差分学习率与光谱几何特征的遥感水质反演方法 | |
| CN112329790B (zh) | 一种城市不透水面信息快速提取方法 | |
| Ainsworth et al. | Radiance spectra classification from the ocean color and temperature scanner on ADEOS | |
| Wang et al. | Automatic detection of suspected sewage discharge from coastal outfalls based on Sentinel-2 imagery | |
| CN113420497A (zh) | 浑浊湖泊总磷浓度遥感估算方法 | |
| CN117115077A (zh) | 一种湖泊蓝藻水华检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |