CN112014324A

CN112014324A - 一种基于多源监测数据的水体营养状态评价方法

Info

Publication number: CN112014324A
Application number: CN202010919168.8A
Authority: CN
Inventors: 曹引; 赵红莉; 冶运涛; 蒋云钟; 顾晶晶
Original assignee: China Institute of Water Resources and Hydropower Research
Current assignee: China Institute of Water Resources and Hydropower Research
Priority date: 2020-09-04
Filing date: 2020-09-04
Publication date: 2020-12-01
Anticipated expiration: 2040-09-04
Also published as: CN112014324B

Abstract

本发明提供一种基于多源监测数据的水体营养状态评价方法，包括以下步骤：S1、基于水质地面观测数据开展湖库水体综合营养状态评价；S2、基于地面和遥感监测指标的营养状态评价模型构建；S3、基于遥感观测数据的营养状态面尺度动态评价。本发明综合利用水质地面观测具有的观测参数多和水质遥感监测具有的监测范围广的优势，实现了基于遥感监测的湖库综合营养状态全指标和面尺度评价，提升了湖库营养状态时空评价能力。

Description

一种基于多源监测数据的水体营养状态评价方法

技术领域

本发明涉及水质评价领域，尤其涉及一种基于多源监测数据的水体营养状态评价方法。

背景技术

营养状态是湖库水质评价的重要指标，目前水体富营养化是很多湖库面临的主要水环境问题。水体营养状态常用营养状态指数表示(Trophic Level Index,TLI)，其中基于叶绿素a、总氮、总磷、高锰酸盐指数和透明度5个水质参数构建的综合营养状态指数在湖库营养状态评价中应用广泛，如何准确快速获取湖库水体综合营养状态指数的时空分布，评价湖泊营养状况的时空分布对湖库水环境监管具有重要意义。

综合营养状态指数是叶绿素a、总氮、总磷、高锰酸盐指数和透明度5个水质参数计算得到的营养状态指数的加权值，其中总氮、总磷和高锰酸盐指数光学特性较弱，目前以地面观测为主，而叶绿素a浓度和透明度除了地面观测之外，遥感监测在湖库水体叶绿素a浓度和透明度监测中发挥越来越重要的作用。地面观测手段能同时获取综合营养状态指数计算所需的5个水质参数指标，但监测结果只能表征监测点处的水质状况，只能在断面尺度开展水质评价；遥感监测手段虽然具有区域化监测的优势，可以实现水质面尺度评价，但遥感监测手段只能获取具有明显光学特性的叶绿素a浓度和透明度指标，没法综合表征湖库营养状态。单一观测手段均具有自身的局限性，使用单一数据源进行湖库水体营养状态评价均难以满足水环境管理对监测数据时空代表性的需求。

发明内容

为解决上述问题，本发明提出了一种基于多源监测数据的水体营养状态评价方法，通过结合水质地面观测数据和遥感监测数据，将基于湖库综合营养状态指数的湖库营养状态评价从断面尺度提升到面尺度。

一种基于多源监测数据的水体营养状态评价方法，包括以下步骤：

S1、基于水质地面观测数据开展湖库水体营养状态评价；

S2、基于水质地面观测数据和遥感监测指标的营养状态评价模型构建；

S3、基于遥感观测数据的营养状态面尺度动态评价。

其中，所述的基于水质地面观测数据，包括叶绿素a浓度、总氮、总磷、高锰酸盐指数和透明度；所述的遥感监测指标，包括叶绿素a浓度和透明度。

具体步骤包括：

S1、基于水质地面观测数据开展湖库水体综合营养状态评价；

假设

表示第i个断面地面水质观测获取的水质参数

和水体综合营养状态评价结果ω_i的集合，地面水质观测参数

分别表示第i个断面处叶绿素a浓度、总氮、总磷、高锰酸盐指数和透明度，ω_i表示该断面对应的综合营养状态指数。基于地面水质观测获取的湖库断面叶绿素a浓度、总氮、总磷、高锰酸盐指数和透明度计算湖库断面水体综合营养状态指数，开展湖库断面水体营养状态评价。

S2、基于地面和遥感监测指标的营养状态评价模型构建；

利用S1步骤获取的基于地面水质观测的湖库断面综合营养状态指数，将能够用遥感监测的叶绿素a浓度和透明度剥离出来，构建基于遥感监测指标和机器学习的湖库综合营养状态评价模型，即：

将遥感监测指标叶绿素a浓度和透明度作为自变量

将基于地面水质观测指标(叶绿素a浓度、总氮、总磷、高锰酸盐指数和透明度)的湖库综合营养状态指数ω_i作为因变量，构建基于遥感监测指标和机器学习的湖库营养状态评价模型。

S3、基于遥感观测数据的水质面尺度动态评价

将遥感监测得到的水体叶绿素a浓度和透明度的时空分布输入S2步骤中构建的营养状态评价模型可以得到湖库水体营养状态的时空分布，实现湖库营养状态面尺度评价。

本发明的优势在于：综合利用水质地面观测具有的观测参数多和水质遥感监测具有的监测范围广的优势，实现了基于遥感监测的湖库综合营养状态全指标和面尺度评价，提升了湖库营养状态时空评价能力。

附图说明

图1是本发明流程图；

图2是实施例基于遥感监测指标和支持向量机的潘家口-大黑汀水库水体营养状态评价模型散点图；

图3a是2019年9月26日潘家口-大黑汀水库叶绿素a浓度遥感监测结果；

图3b是2019年9月26日潘家口-大黑汀水库透明度遥感监测结果；

图4是2019年9月26日潘家口-大黑汀水库综合营养状态评价结果。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

如图1所示，本发明实施例所述的一种基于多源监测数据的水体营养状态评价方法，包括：

实施例1以潘家口-大黑汀水库为研究区，收集了水利部海河水利委员会引滦工程管理局自2016年5月至2019年8月期间测量的潘家口-大黑汀水库燕子峪、潘家口、潘坝上、汀库心等断面水质数据共132条，水质参数包括叶绿素a浓度(μg/L)、总氮(mg/L)、总磷(mg/L)、高锰酸盐指数(mg/L)和透明度(m)。基于收集的潘家口叶绿素a浓度、总氮、总磷、高锰酸盐指数和透明度数据开展潘家口大黑汀水库营养状态评价。首先分别计算基于单个水质参数的营养状态指数，然后根据总氮、总磷、高锰酸盐指数和透明度跟叶绿素a浓度的相关关系确定各个水质参数的权重，最后将基于单个水质参数计算得到的应用状态指数进行加权求和，得到综合营养状态指数。综合营养状态计算公式如下：

式中：TLI(∑)为综合营养状态指数；W_j为第j种参数的营养状态指数的相关权重；TLI(j)代表第j种参数的营养状态指数，m表示评价参数的个数。

以Chl-a作为基准参数，则第j种参数的归一化的相关权重计算公式为：

式中：r_i,j表示第j种参数与基准参数Chl-a的相关系数。

各项目营养状态指数计算公式如下：

TLI(Chl-a)＝10(2.5+1.086ln Chl-a)

TLI(TP)＝10(9.436+1.624ln TP)

TLI(TN)＝10(5.453+1.694ln TN)

TLI(SD)＝10(5.118-1.94ln SD)

TLI(COD_Mn)＝10(0.109+2.661ln COD_Mn)

式中：Chl-a单位为μg/L，SD单位为m；其他指标单位均为mg/L。

基于综合营养状态指数，根据湖库营养状态分级标准，将湖库营养状态分为贫营养、中营养、轻度富营养、中度富营养和重度富营养，具体分级标准见下表：

表1湖库营养状态分级标准

TLI(∑)＜30	贫营养
		30≤TLI(∑)≤50	中营养
50<TLI(∑)≤60	轻度富营养
		60<TLI(∑)≤70	中度富营养
TLI(∑)＞70	重度富营养

根据收集得到的潘家口-大黑汀水库132个断面的叶绿素a浓度、总氮、总磷、高锰酸盐指数和透明度数据，分析得到潘家口-大黑汀水库综合营养状态计算中叶绿素a浓度、总氮、总磷、高锰酸盐指数和透明度的权重分别为0.8288、0.0123、0.0225、0.0115和0.121。

S2、基于地面和遥感监测指标的营养状态评价模型构建；

利用S1步骤获取的基于地面观测的潘家口-大黑汀水库断面综合营养状态指数TLI，将能够用遥感监测的叶绿素a浓度和透明度剥离出来，构建基于遥感监测指标和机器学习的潘家口-大黑汀水库综合营养状态评价模型，即：

将遥感监测指标叶绿素a浓度和透明度作为自变量

将基于地面观测指标(叶绿素a浓度、总氮、总磷、高锰酸盐指数和透明度)的潘家口-大黑汀水库断面综合营养状态指数TLI作为因变量，构建基于遥感监测指标和机器学习的湖库营养状态评价模型。

本实施例中机器学习模型选择的是支持向量机模型。支持向量机是由Vapnik等人(1995)在研究有限样本下机器学习问题时提出的一种基于统计学理论且遵循结构风险最小化的新的模式识别方法，在处理小样本和非线性拟合问题时具有显著优势。支持向量机通过非线性映射将输入样本从映射到高维特征空间，利用结构最小化原则在高维特征空间构造最优决策函数。在非线性拟合中，可以通过非线性函数将样点映射到高维特征空间后，然后在高维特征空间中进行回归分析，得到原空间非线性回归结果。利用核函数可以避免显示非线性映射，减少高维空间中的计算困难。常用的核函数如下：

线性核函数：K(x_i,x_j)＝x_i ^T·x_j

多项式核函数：K(x_i,x_j)＝(γx_i ^T·x_j+r)^d,γ＞0

径向基核函数：K(x_i,x_j)＝exp(-||x_i-x_j||²/σ²)

Sigmoid核函数：K(x_i,x_j)＝tanh(γx_i ^T·x_j+r)

由于线性核函数无法将样本非线性规划到更高维的空间中，Sigmoid核函数只有特定条件下才能和径向基函数性能相当，多项式核函数和Sigmoid核函数参数设置较多，径向基核函数很好克服了上述核函数的不足。因此，本实施例选用径向基核函数。核函数的核参数g＝(1/σ²)和惩罚系数C是影响SVM模型反演精度的重要因素，可以用智能算法对参数进行自动优化。

本实施例采用粒子群(Particle Swarm Optimization，PSO)算法对支持向量机模型g和C进行优选。粒子群优化算法(Particle Swarm Optimization，PSO)是Kennedy和Eberhart(1995)在研究鸟群捕食规律基础上提出的一种群体智能优化算法，广泛应用于各种连续组合优化问题。假定随机初始化n个m维粒子，第k次迭代粒子的位置向量X_k＝(x_k,1,x_k,2,…,x_k,m)，飞行速度向量V_k＝(v_k,1,v_k,2,···,v_k,m)。每次迭代粒子都会逼近个体极值和全局极值，经过k次迭代后每个粒子搜索到的最优解为个体极值，用向量P_k＝(p_k,1,p_k,2,…,p_k,m)表示；经历k次迭代后粒子群中所有粒子中的最优解为全局极值，用向量P_g,k＝(p_gk,1,p_gk,2,…,p_gk,m)。第k+1次迭代时，各个粒子根据以下公式分别更新粒子速度和位置。

v_k+1,i＝wv_k,i+c1×rand1×(p_k,i-x_k,i)+c2×rand2×(P_g,k-x_k,i)

x_k+1,i＝x_k,i+v_k,i

式中，v_k+1,i为第k+1次迭代粒子i的飞行速度；v_k,i为第k次迭代粒子i的速度；P_g,k为k次迭代全局极值；x_k+1,i为k+1次迭代时粒子i的位置；w为惯性权重，用于平衡粒子的局部搜索和全局搜索能力；c1、c2为学习因子，rand1和rand2为(0,1)之间分布的随机数。

具体实施中将收集得到的潘家口-大黑汀水库132个样本平均分为66个建模样本和66个验证样本，基于建模样本采用粒子群算法优化优选潘家口-大黑汀水库营养状态支持向量机评价模型的核参数g和惩罚系数C，基于验证样本检验评价模型精度。PSO参数设置：c1和c2分别取1.5和1.7，w取1.0，迭代次数设置为200次。优选得到潘家口-大黑汀水库营养状态支持向量机评价模型的核参数g和惩罚系数C分别为0.4和50。

图2为基于地面和遥感监测指标构建的潘家口-大黑汀水库营养状态支持向量机评价模型建模样本、验证样本综合营养状态评价值和模拟值散点图，可以看出，建模样本营养状态评价值和模型模拟TLI之间的决定系数达到0.99，建模误差仅为2.4％，验证样本营养状态评价值和模拟值TLI之间的决定系数达到0.94，验证误差仅为6.4％，表明本实施例基于遥感监测构建的潘家口-大黑汀水库支持向量机营养状态评价模型评价精度高，能够满足评价需求。

S3、基于遥感观测数据的营养状态面尺度动态评价

图3a和图3b分别为2019年9月26日基于GF-6遥感影像反演得到的潘家口-大黑汀水库叶绿素a浓度和透明度遥感监测结果，将叶绿素a浓度和透明度遥感监测结果输入S2步骤中构建的营养状态评价模型可以得到潘家口大黑汀水库水体营养状态的空间分布，如图4所示。

由图4可以看出潘家口水库整体呈中营养状态，而大黑汀水库整体呈轻度富营养状态。通过构建的基于遥感监测叶绿素a浓度和透明度的潘家口大黑汀水库支持向量机营养状态评价模型实现潘家口大黑汀水库营养状态全指标、面尺度评价，需要指出的是湖库营养状态评价模型的构建不局限于支持向量机模型，神经网络或其他统计模型同样适用。