CN112557307B - 天空地一体化湖库水质监测融合数据方法 - Google Patents

天空地一体化湖库水质监测融合数据方法 Download PDF

Info

Publication number
CN112557307B
CN112557307B CN202011448915.0A CN202011448915A CN112557307B CN 112557307 B CN112557307 B CN 112557307B CN 202011448915 A CN202011448915 A CN 202011448915A CN 112557307 B CN112557307 B CN 112557307B
Authority
CN
China
Prior art keywords
water quality
neural network
network model
fusion
space
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
Application number
CN202011448915.0A
Other languages
English (en)
Other versions
CN112557307A (zh
Inventor
武治国
张家铨
朱明�
项雅波
周克坚
刘伟刚
菲蕾西娅.琶地丝.马婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Newfiber Optoelectronics Co Ltd
Original Assignee
Wuhan Newfiber Optoelectronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Newfiber Optoelectronics Co Ltd filed Critical Wuhan Newfiber Optoelectronics Co Ltd
Priority to CN202011448915.0A priority Critical patent/CN112557307B/zh
Publication of CN112557307A publication Critical patent/CN112557307A/zh
Application granted granted Critical
Publication of CN112557307B publication Critical patent/CN112557307B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G01N2021/1797—Remote sensing in landscape, e.g. crops

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了天空地一体化湖库水质监测融合数据方法，利用水质在线数据收集系统获取收集系统采集水质指标，利用人工水质采样获得人工采集水质指标，对多光谱遥感影像依次进行辐射定标、大气校正和几何校正；生成整个水域空间的反演水质指标；进行数据融合，本发明可以对水体进行大范围、全天候、多频次、多角度、快速、低成本动态监测，提供丰富的可供定性、定量分析的水环境信息，实现全天候、全时空覆盖无死角。弥补实地监测耗时长、监测范围局限、长期趋势分析困难且费用高的缺陷，极大降低维护运行成本，完善现有常规监测技术在不确定性、代表性、精确性等方面的不足。

Description

天空地一体化湖库水质监测融合数据方法
技术领域
本发明属于水治理监测技术领域，具体涉及天空地一体化湖库水质监测融合数据方法。
背景技术
数年之前，水物联网让工程师对水的感知走出实验室，而今，水治理的网格化和指标的精细化成为了水环境感知的又一个瓶颈，感知终端数量的指数级上升，以及终端恶劣的环境引起设备频繁的维护，都考验着每一个致力于水治理的工程师们的决心。天空地一体化湖库水质监测融合数据系统包含卫星多光谱影像(天的部分)、无人机多光谱影像(空的部分)、地面水质监测感知设备技术(地的部分)等三部分。
发明专利[CN110865040A]提供一种天空地一体化高光谱水质监测分析方法，包括以下步骤：S1、水质监测数据采集，包括高光谱数据采集和水体水样数据采集；S2、水质监测数据处理，针对采集到的多源水质监测数据进行数据处理；S3、水质参数反演模型建立，根据多源高光谱监测数据建立水质参数反演模型，通过基于人工智能的反演模型对水质参数建模；S4、水质参数反演分析。发明专利[CN110068655A]提供一种天空地一体化大气监测系统，包括：数据采集模块、数据存储模块、数据处理模块和数据监控模块，所述数据采集模块采集卫星上、空中和地面的环境数据，所述数据处理模块包括数据预处理单元、多源数据融合单元和数据特征提取单元，所述数据预处理单元对采集的影像图进行预处理后，所述多源数据融合单元将卫星上、空中和地面的环境数据三者融合为统一的特定格式数据，所述数据特征提取单元提取出卫星上、空中和地面的环境数据中的环境参数的数据值和分布状况，所述数据监控模块根据数据值和分布状况和预设的阈值，对环境情况进行监控。
目前现有天空地监测三部分技术皆为独立自主运行过程，尚未有一套将天空地所产生的监测融合数据技术。传统上，透过卫星多光谱影像(天的部分)、无人机多光谱影像(空的部分)所建立的水质反演监测技术可獲得2维连续空间，但时间不连续的水质监测数据；地面水质监测感知设备技术(地的部分)可獲得时间连续，但空间不连续的水质监测数据。在传统监测上，天空地有其各別的优势及劣势，透过三者的优势互补，天空的监测方式可以得到整个水域内各处的细部水质信息；地的监测可以得到连续时间尺度细部水质信息，因此需要更进一步的数据融合技术工作于本发明内提出。
整个系统亦解决湖库在线监测设备稳定运行寿命不足、监测站点数量有限、通信困难且流量费用较高等问题，同时通过数据融合解决卫星和无人机多光谱数据反演监测次数有限、不能实时监测等问题。天、空、地监测方式相融合，优势互补，最终解决湖库监测、模型的各种问题，实现系统的智慧化。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供天空地一体化湖库水质监测融合数据方法。
为了解决上述技术问题，本发明所采用的技术方案是：
天空地一体化湖库水质监测融合数据方法，包括以下步骤：
步骤1、利用水质在线数据收集系统获取收集系统采集水质指标，收集系统采集水质指标包括水温、浊度、总磷、叶绿素a、蓝藻和化学需氧量；
步骤2、利用人工水质采样获得人工采集水质指标，人工采集水质指标包括水温、浊度、总磷、叶绿素a、蓝藻、化学需氧量；
步骤3、利用卫星及无人机获得多光谱遥感影像；
步骤4、多光谱遥感影像依次进行辐射定标、大气校正和几何校正；
步骤5、提取多光谱遥感影像的最佳波段组合，将最佳波段组合作为输入项，人工采集水质指标作为目标输出项，对支持向量机模型进行训练，获得训练好的支持向量机模型，对多光谱遥感影像利用训练好的支持向量机模型进行反演，生成整个水域空间的反演水质指标；
步骤6、进行数据融合，具体包括以下步骤：
步骤6.1、利用步骤1收集系统采集水质指标及步骤2人工采集水质指标，对空间推估神经网络模型进行训练，收集系统采集水质指标利用空间推估神经网络模型产生持续时间的人工采样点位推估值；
步骤6.2、利用步骤5获得的反演水质指标和步骤6.1获得的持续时间的人工采样点位推估值对空间融合神经网络模型进行训练，持续生成的人工采样点位推估值利用空间融合神经网络模型生成连续时空水质推估值；
步骤6.3、利用历史收集系统采集水质指标和当前收集系统采集水质指标，对时间融合循环神经网络模型进行训练，持续产生的历史收集系统采集水质指标通过时间融合循环神经网络模型获得预报水质指标；
步骤6.4、将步骤6.3获得的预报水质指标输入到步骤6.1训练好的空间推估神经网络模型，获得持续时间的预报人工采样点位推估值；将持续时间的预报人工采样点位推估值作为步骤6.2训练好的空间推估神经网络模型，获得连续时空预报水质推估值作为时空连续一致性的水质指标栅格数据。
如上所述的步骤5中最佳波段组合的获得包括以下步骤：
提取多光谱遥感影像中对应于步骤2设定的人工水质采样点的光谱各波段信息，与获得的人工采集水质指标进行皮尔森相关分析，选出相关性大于0.5阀值的敏感波段组合作为最佳波段组合；
如上所述的步骤5中对支持向量机模型进行训练包括以下步骤：
将部分人工采集水质指标和对应的最佳波段组合作为训练集，将剩下的人工采集水质指标和对应的最佳波段组合作为验证集，验证集中的人工采集水质指标与验证集中的最佳波段组合经支持向量机模型获得的人工采集水质指标之间的平均相对误差百分比小于50％及相关系数大于0.6，则支持向量机模型训练完成。
如上所述的步骤6.1中的对空间推估神经网络模型进行训练包括以下步骤：
部分收集系统采集水质指标和人工采集水质指标作为训练集，将剩下的收集系统采集水质指标和人工采集水质指标作为验证集，当验证集中的人工采集水质指标与验证集中的收集系统采集水质指标经空间推估神经网络模型处理获得的人工采集水质指标之间的平均相对误差百分比小于50％，相关系数大于0.6，则空间推估神经网络模型训练完成。
如上所述的步骤6.2中的空间融合神经网络模型的训练包括以下步骤：
部分反演水质指标和人工采样点位推估值作为训练集，剩下的反演水质指标和人工采样点位推估值作为验证集，当验证集的人工采样点位推估值与验证集中的反演水质指标的经空间融合神经网络模型处理获得的人工采样点位推估值之间的平均相对误差百分比小于50％，相关系数大于0.6，则空间融合神经网络模型训练完成。
如上所述的步骤6.3中的时间融合循环神经网络模型的训练包括以下步骤：
将部分历史收集系统采集水质指标和当前收集系统采集水质指标作为训练集，将剩下的历史收集系统采集水质指标和当前收集系统采集水质指标作为验证集，当验证集中的当前收集系统采集水质指标与验证集中的历史收集系统采集水质指标经时间融合循环神经网络模型处理获得的当前收集系统采集水质指标之间的平均相对误差百分比小于50％，相关系数大于0.6，则时间融合循环神经网络模型训练完成。
本发明相对于现有技术，具有以下有益效果：
1、对水体进行大范围、全天候、多频次、多角度、快速、低成本动态监测，提供丰富的可供定性、定量分析的水环境信息，实现全天候、全时空覆盖无死角。
2、弥补实地监测耗时长、监测范围局限、长期趋势分析困难且费用高的缺陷，极大降低维护运行成本，完善现有常规监测技术在不确定性、代表性、精确性等方面的不足。
附图说明
图1为本发明的流程图；
图2为多光谱遥感影像处理成果；
图3为人工智能影像反演的流程图；
图4为人工智能影像反演的成果图；
图5为融合数据处理后的水质指标栅格数据示意图；
图6为水质评价处理成果示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
天空地一体化湖库水质监测融合数据方法，整体可实施的水质指标包括水温、浊度、总磷、叶绿素a、蓝藻、化学需氧量等6项指标，流程如图1，包括以下步骤：
步骤1、水质在线数据收集，首先择定服务范围内1处为代表性的水质，建立1组水质在线数据收集系统，按照GB3838-2002《地表水环境质量标准》以及其他规范为依据，采用一体化设计。配套完善的供电供水条件、智能化的水质在线数据收集系统，实现监测数据信息传输，远程监控。水质在线数据收集系统采集的收集系统采集水质指标应包括水温、浊度、总磷、叶绿素a、蓝藻、化学需氧量等6项指标。
步骤2、人工采样水质指标数据收集，由于湖泊周边的环境各不相同，在水平方向上出现水质特性的明显差异时，需考虑湖泊水体的水动力条件，湖泊面积，补给条件、出水及取水，排污设施的位置和规模等，经过对湖泊实地考察来布设若干人工水质采样点。湖泊的水质特性若在水平方向上没有明显的差异时，可均匀布设人工水质采样点。依据以上原则，并参考HJ495-2009《水质采样方案设计技术规定》。人工水质采样采集的人工采集水质指标包括水温、浊度、总磷、叶绿素a、蓝藻、化学需氧量等6项指标。
步骤3、卫星及无人机的多光谱遥感影像，其中推荐使用卫星资源包括高分1号、高分6号、资源5号、LandSat 8、Planet；无人机推荐使用大疆精灵4多光谱；亦可建议使用高光谱遥感影像数据，如高分5号卫星、RedEdge、K6摄象头：每幅多光谱遥感影像的技术参数及要求至少如下：
(1)、波段应包含蓝波段(波长范围450nm±16nm)、绿波段(波长范围560nm±16nm)、红波段(波长范围650nm±16nm)、红边(波长范围730nm±16nm)、近红外(波长范围840nm±26nm)。
(2)、空间分辨率应达到30米或更优。
(3)、完成影像全色融合和拼接。
(4)、要求影像灰度值服从正态分布，层次丰富，纹理细节清晰，色调正常，无明显噪音、斑点、坏线和变形，且无异常高亮，无信息损失。
(5)、成果格式CGCS2000坐标系的DOM数据。
步骤4、遥感影像校正模块包括辐射定标、大气校正、几何校正，至少应完成以下工作，最后效果如图2：
步骤4.1、辐射定标是将多光谱遥感影像中的亮度灰度值(digital number)转换为具有一定物理意义的其他数据，这个过程就是辐射定标。本实施例将多光谱遥感影像中的亮度灰度值(digital number)转换为辐亮度，亮度灰度值与辐亮度(Radiance)之间存在简单的线性关系：
Li＝DNi×Gaini+Biasi
其中，下标i为波段号；L为辐亮度；DN为多光谱遥感影像的亮度灰度值(DN值)；Gain为增益系数，是卫星传感器头文件里提供的定标参数；Bias为偏置系数，是卫星传感器头文件里提供的定标参数。辐射定标的目的是为了大气校正做准备。若使用ENVI软件，需要将定标好的多光谱遥感影像的数据排列格式(BSQ)转换为大气校正默认的数据排列格式(BIL或BIP)。
步骤4.2、大气校正是将多光谱遥感影像中的水色遥感数据进行校正，大气校正的目的是为了精确获取水色遥感数据的水面归一化离水辐亮度、归一化离水辐射率和遥感反射率。对于二类水体(case 2waters)，常用的大气校正方法为最佳邻近法校正方法、迭代校正方法、光谱匹配和光谱优化校正方法、两个短波红外波段校正方法。最终可得到水面归一化离水辐亮度、归一化离水辐射率、遥感反射率。
步骤4.3、几何校正是将遥感成像过程中，受多种因素的综合影响，遥感影像上地物的几何位置、形状、大小、尺寸、方位等特征与其对应的地面地物的特征往往是不一致的，这种不一致就是几何变形，也称几何畸变。几何校正是指消除或改正多光谱遥感影像的几何误差的过程。多光谱遥感影像的几何校正有3种方案，即系统校正、利用控制点校正以及混合校正。
多光谱遥感影像接收后，首先由卫星接收系统进行校正，这种校正叫系统校正(又叫几何粗校正)，即把遥感传感器的校准数据、传感器的位置、卫星姿态等测量值代入理论校正公式进行几何畸变校正。获得几何粗校正的遥感影像后，由于使用目的不同或投影及比例尺不同，仍旧需要做进一步的几何校正，这就需要对其进行几何精校正即利用地面控制点GCP(Ground Control Point)(遥感图像上易于识别，并可精确定位的点)对因其他因素引起的遥感影像几何畸变进行纠正。混合校正则是由一般地面站提供的遥感CCT已经完成了第一阶段的几何粗校正，用户所要完成的仅仅是对遥感影像做进一步的几何精校正。几何粗校正的服务通常由卫星接收系统提供。
步骤5、人工智能影像反演，首先分析多光谱遥感影像的最佳波段组合，提取多光谱遥感影像中对应于步骤2设定的人工水质采样点的光谱各波段信息，与获得的人工采集水质指标进行皮尔森相关分析，选出相关性大于0.5阀值的敏感波段组合作为最佳波段组合。
接下来使用人工智能影像反演技术算法进行反演，算法技术使用支持向量机模型。将得到的最佳波段组合作为输入项，人工采集水质指标作为目标输出项，利用支持向量机模型进行反演。通过改变支持向量机模型参数来调试支持向量机模型权重，最后得到一组最佳支持向量机模型，支持向量机模型参数包括惩罚系数C、容许误差(tolerance)∈、核函数(Kernel function)参数γ和多项式参数d等。
利用支持向量机模型进行反演的过程，首先将部分人工采集水质指标和对应的最佳波段组合作为训练集，将剩下的人工采集水质指标和对应的最佳波段组合作为验证集，训练集及验证集的数量为3:1，改变支持向量机模型的惩罚系数C、容许误差(tolerance)∈、核函数(Kernel function)参数γ和多项式参数d，进行模型搭建过程的好坏评价工作。应满足整体训练集及验证集数据评价指标，包括验证集中的人工采集水质指标与验证集中的最佳波段组合经支持向量机模型反演获得的人工采集水质指标之间的平均相对误差百分比小于50％及相关系数大于0.6。
最后搭建好且评价符合标准的支持向量机模型，对多光谱遥感影像进行反演可生成整个水域空间的反演水质指标，并提供后续融合数据、评价应用，过程如图3。最后可产生整个水域空间的水温、浊度、总磷、叶绿素a、蓝藻、化学需氧量等6项水质指标的反演成果如图4。
步骤6、融合数据技术的任务是由于步骤1的水质在线数据收集系统所产制成果为连续时间序列，但空间为点状分佈，空间不连续；步骤5的人工智能影像反演模块所产制成果为连续空间分佈，但时间尺度为破碎无规律的资料格式，整体技术流程如图5。本步骤技术主要由4个模块组成，并建立在已成熟技术工具下，如下说明：
步骤6.1、空间推估神经网络模型，通过步骤1收集系统采集水质指标及步骤2人工采集水质指标，对空间推估神经网络模型进行训练。将收集系统采集水质指标作为输入项，人工采集水质指标作为目标输出项(建模过程中，收集系统采集水质指标与人工采集水质指标的种类要一致)，进行空间推估神经网络模型训练。通过改变空间推估神经网络模型参数调试模型权重，最后得到一组最佳的空间推估神经网络模型，空间推估神经网络模型参数包括隱含层个数、活化函数选择、学习速率δ和容忍误差∈。
部分收集系统采集水质指标和人工采集水质指标作为训练集，将剩下的收集系统采集水质指标和人工采集水质指标作为验证集，训练集和验证集的数量可为3:1。当验证集中的人工采集水质指标与验证集中的收集系统采集水质指标经空间推估神经网络模型处理获得的人工采集水质指标之间的平均相对误差百分比小于50％，相关系数大于0.6，则空间推估神经网络模型训练完成，可通过收集系统采集水质指标利用空间推估神经网络模型产生持续时间的人工采样点位推估值，供后续空间融合神经网络模型使用；
步骤6.2、空间融合神经网络模型，透过步骤5获得的反演水质指标及步骤6.1获得的持续时间的人工采样点位推估值，建立空间融合神经网络模型。将得到的人工采样点位推估值作为输入项，反演水质指标作为目标输出项內容(建模过程中，反演水质指标与人工采样点位推估值的种类要一致)，通过改变空间融合神经网络模型的影响半径D等来调试空间融合神经网络模型权重，最后得到一组最佳空间融合神经网络模型。
部分反演水质指标和人工采样点位推估值作为训练集，剩下的反演水质指标和人工采样点位推估值作为验证集，训练集和验证集的数量可为3:1。当验证集的人工采样点位推估值与验证集中的反演水质指标的经空间融合神经网络模型处理获得的人工采样点位推估值之间的平均相对误差百分比小于50％，相关系数大于0.6，则空间融合神经网络模型训练完成，持续产生的人工采样点位推估值通过空间融合神经网络模型生成连续时空水质推估值；
步骤6.3、时间融合循环神经网络模型，透过步骤1获得的收集系统采集水质指标建立时间融合循环神经网络模型。将得到的历史收集系统采集水质指标作为输入项，当前收集系统采集水质指标作为目标输出项內容，进行时间融合循环神经网络模型训练。通过改变时间融合循环神经网络模型得到一组最佳时间融合循环神经网络模型，时间融合循环神经网络模型参数包括架构选择、隱含层个数、活化函数选择、学习速率δ、容忍误差∈。
将部分历史收集系统采集水质指标和当前收集系统采集水质指标作为训练集，将剩下的历史收集系统采集水质指标和当前收集系统采集水质指标作为验证集。当验证集中的当前收集系统采集水质指标与验证集中的历史收集系统采集水质指标经时间融合循环神经网络模型处理获得的当前收集系统采集水质指标之间的平均相对误差百分比小于50％，相关系数大于0.6，则时间融合循环神经网络模型训练完成，通过时间融合循环神经网络模型获得预报水质指标；
步骤6.4、将步骤6.3获得的预报水质指标输入到步骤6.1训练好的空间推估神经网络模型，获得持续时间的预报人工采样点位推估值；将持续时间的预报人工采样点位推估值作为步骤6.2训练好的空间推估神经网络模型，获得连续时空预报水质推估值作为时空连续一致性的水质指标栅格数据，并提供后续评价应用。水质指标栅格数据包括水温、浊度、总磷、叶绿素a、蓝藻、化学需氧量等6项指标的融合成果如图5。
步骤7、对水质指标栅格数据进行评价，评价方法包括地表水环境质量标准评价方法、营养状态评价方法、以及卡尔森指数评价方法，相关成果如图6。
地表水环境质量标准是依据GB3838-2002《地表水环境质量标准》办理，地表水环境质量标准如表1，将水体分为I、II、III、IV、V及劣V类水体。
表1地表水环境质量标准基本项目标准限值
Figure BDA0002825970790000091
为方便描述湖泊营养化程度，营养状态评价方法(TLI)，计算方法如下。评价方式依分析。
(1)TLI(Chl－a)＝10(2.5+1.086ln Chl－a)
(2)TLI(TP)＝10(9.436+1..6241ln TP)
(3)TLI(SD)＝10(5.118-1.941ln SD)
(4)TLI(CODMn)＝10(0.109+2.661ln CODMn)
式中，Chl－a单位为mg/m3，其它指标单位为mg/l。其中，SD为沙氏盘深度、Chl－a为叶绿素a、TP为总磷、CODMn为化学需氧量。
表2 TLI营养化分级表
TLI 营养化分级
<30 贫营养
30～50 中营养
50～60 轻度富营养
60～70 中度富营养
>70 重度富营养
另一种常见描述湖泊营养化程度为湖泊卡尔森指数(TSI)，计算方法如下。评价方式依表3分析。
(1)TSI(SD)＝60-14.4 Ln Secchi disk depth(meters)
(2)TSI(Chl－a)＝9.81 Ln chlorophyll ɑ(μg/L)+30.6
(3)TSI(TP)＝14.42 Ln total phosphorus(μg/L)+4.15
(4)TSI＝(TSI(TP)+TSI(Chl)+TSI(SD))/3
其中，SD为沙氏盘深度、Chl－a为叶绿素a、TP为总磷。
表3 TSI营养化分级表
TSI 营养化分级
<30 贫营养
30～50 中营养
50～60 轻度富营养
60～70 中度富营养
>70 重度富营养
需要指出的是，本发明中所描述的具体实施例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。

Claims (6)

1.天空地一体化湖库水质监测融合数据方法，其特征在于，包括以下步骤：
步骤1、利用水质在线数据收集系统获取收集系统采集水质指标，收集系统采集水质指标包括水温、浊度、总磷、叶绿素a、蓝藻和化学需氧量；
步骤2、利用人工水质采样获得人工采集水质指标，人工采集水质指标包括水温、浊度、总磷、叶绿素a、蓝藻、化学需氧量；
步骤3、利用卫星及无人机获得多光谱遥感影像；
步骤4、多光谱遥感影像依次进行辐射定标、大气校正和几何校正；
步骤5、提取多光谱遥感影像的最佳波段组合，将最佳波段组合作为输入项，人工采集水质指标作为目标输出项，对支持向量机模型进行训练，获得训练好的支持向量机模型，对多光谱遥感影像利用训练好的支持向量机模型进行反演，生成整个水域空间的反演水质指标；
步骤6、进行数据融合，具体包括以下步骤：
步骤6.1、利用步骤1收集系统采集水质指标及步骤2人工采集水质指标，对空间推估神经网络模型进行训练，收集系统采集水质指标利用空间推估神经网络模型产生持续时间的人工采样点位推估值；
步骤6.2、利用步骤5获得的反演水质指标和步骤6.1获得的持续时间的人工采样点位推估值对空间融合神经网络模型进行训练，持续生成的人工采样点位推估值利用空间融合神经网络模型生成连续时空水质推估值；
步骤6.3、利用历史收集系统采集水质指标和当前收集系统采集水质指标，对时间融合循环神经网络模型进行训练，持续产生的历史收集系统采集水质指标通过时间融合循环神经网络模型获得预报水质指标；
步骤6.4、将步骤6.3获得的预报水质指标输入到步骤6.1训练好的空间推估神经网络模型，获得持续时间的预报人工采样点位推估值；将持续时间的预报人工采样点位推估值作为步骤6.2训练好的空间推估神经网络模型，获得连续时空预报水质推估值作为时空连续一致性的水质指标栅格数据。
2.根据权利要求1所述的天空地一体化湖库水质监测融合数据方法，其特征在于，所述的步骤5中最佳波段组合的获得包括以下步骤：
提取多光谱遥感影像中对应于步骤2设定的人工水质采样点的光谱各波段信息，与获得的人工采集水质指标进行皮尔森相关分析，选出相关性大于0.5阀值的敏感波段组合作为最佳波段组合。
3.根据权利要求2所述的天空地一体化湖库水质监测融合数据方法，其特征在于，所述的步骤5中对支持向量机模型进行训练包括以下步骤：
将部分人工采集水质指标和对应的最佳波段组合作为训练集，将剩下的人工采集水质指标和对应的最佳波段组合作为验证集，验证集中的人工采集水质指标与验证集中的最佳波段组合经支持向量机模型获得的人工采集水质指标之间的平均相对误差百分比小于50％及相关系数大于0.6，则支持向量机模型训练完成。
4.根据权利要求1所述的天空地一体化湖库水质监测融合数据方法，其特征在于，所述的步骤6.1中的对空间推估神经网络模型进行训练包括以下步骤：
部分收集系统采集水质指标和人工采集水质指标作为训练集，将剩下的收集系统采集水质指标和人工采集水质指标作为验证集，当验证集中的人工采集水质指标与验证集中的收集系统采集水质指标经空间推估神经网络模型处理获得的人工采集水质指标之间的平均相对误差百分比小于50％，相关系数大于0.6，则空间推估神经网络模型训练完成。
5.根据权利要求1所述的天空地一体化湖库水质监测融合数据方法，其特征在于，所述的步骤6.2中的空间融合神经网络模型的训练包括以下步骤：
部分反演水质指标和人工采样点位推估值作为训练集，剩下的反演水质指标和人工采样点位推估值作为验证集，当验证集的人工采样点位推估值与验证集中的反演水质指标的经空间融合神经网络模型处理获得的人工采样点位推估值之间的平均相对误差百分比小于50％，相关系数大于0.6，则空间融合神经网络模型训练完成。
6.根据权利要求1所述的天空地一体化湖库水质监测融合数据方法，其特征在于，所述的步骤6.3中的时间融合循环神经网络模型的训练包括以下步骤：
将部分历史收集系统采集水质指标和当前收集系统采集水质指标作为训练集，将剩下的历史收集系统采集水质指标和当前收集系统采集水质指标作为验证集，当验证集中的当前收集系统采集水质指标与验证集中的历史收集系统采集水质指标经时间融合循环神经网络模型处理获得的当前收集系统采集水质指标之间的平均相对误差百分比小于50％，相关系数大于0.6，则时间融合循环神经网络模型训练完成。
CN202011448915.0A 2020-12-09 2020-12-09 天空地一体化湖库水质监测融合数据方法 Active CN112557307B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011448915.0A CN112557307B (zh) 2020-12-09 2020-12-09 天空地一体化湖库水质监测融合数据方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011448915.0A CN112557307B (zh) 2020-12-09 2020-12-09 天空地一体化湖库水质监测融合数据方法

Publications (2)

Publication Number Publication Date
CN112557307A CN112557307A (zh) 2021-03-26
CN112557307B true CN112557307B (zh) 2022-09-27

Family

ID=75061402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011448915.0A Active CN112557307B (zh) 2020-12-09 2020-12-09 天空地一体化湖库水质监测融合数据方法

Country Status (1)

Country Link
CN (1) CN112557307B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420845B (zh) * 2021-08-24 2021-11-16 中国环境监测总站 一种对多源水环境监测数据进行融合的方法及系统
CN114487284B (zh) * 2021-12-31 2023-09-08 武汉怡特环保科技有限公司 一种测量空气中重金属浓度的方法及系统
CN117035498B (zh) * 2023-07-13 2024-04-16 黑龙江大学 一种基于遥感水文数据模型的高空水质水量检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE0402576D0 (sv) * 2004-10-25 2004-10-25 Forskarpatent I Uppsala Ab Multispectral and hyperspectral imaging
CN102128794A (zh) * 2011-01-31 2011-07-20 重庆大学 基于流形学习的遥感水质监测方法
JP2015025792A (ja) * 2013-07-29 2015-02-05 株式会社堀場製作所 水質分析装置及び水質分析方法
CN105095153A (zh) * 2015-07-24 2015-11-25 施浒立 一种广义数据融合方法
CA3024580A1 (en) * 2015-05-15 2016-11-24 Airfusion, Inc. Portable apparatus and method for decision support for real time automated multisensor data fusion and analysis
CN108665100A (zh) * 2018-05-09 2018-10-16 中国农业大学 一种水体水质预测方法、系统及装置
CN109426857A (zh) * 2017-08-21 2019-03-05 浙江工业大学 一种基于状态池网络的水质指标预测方法
CN110865040A (zh) * 2019-11-29 2020-03-06 深圳航天智慧城市系统技术研究院有限公司 天空地一体化高光谱水质监测分析方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE0402576D0 (sv) * 2004-10-25 2004-10-25 Forskarpatent I Uppsala Ab Multispectral and hyperspectral imaging
CN102128794A (zh) * 2011-01-31 2011-07-20 重庆大学 基于流形学习的遥感水质监测方法
JP2015025792A (ja) * 2013-07-29 2015-02-05 株式会社堀場製作所 水質分析装置及び水質分析方法
CA3024580A1 (en) * 2015-05-15 2016-11-24 Airfusion, Inc. Portable apparatus and method for decision support for real time automated multisensor data fusion and analysis
CN105095153A (zh) * 2015-07-24 2015-11-25 施浒立 一种广义数据融合方法
CN109426857A (zh) * 2017-08-21 2019-03-05 浙江工业大学 一种基于状态池网络的水质指标预测方法
CN108665100A (zh) * 2018-05-09 2018-10-16 中国农业大学 一种水体水质预测方法、系统及装置
CN110865040A (zh) * 2019-11-29 2020-03-06 深圳航天智慧城市系统技术研究院有限公司 天空地一体化高光谱水质监测分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
关于遥感水质监测技术的研究;杨燕;《中国新技术新产品》;20200110(第01期);第16-17页 *
基于5G、IoT、AI与天地一体化大数据的鄱阳湖生态环境监控预警体系及业务化运行技术框架研究;廖兵等;《环境生态学》;20191130;第1卷(第7期);第23-31页 *

Also Published As

Publication number Publication date
CN112557307A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN112557307B (zh) 天空地一体化湖库水质监测融合数据方法
CN109784552B (zh) 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法
CN110865040A (zh) 天空地一体化高光谱水质监测分析方法
CN111024618A (zh) 基于遥感影像的水质健康监测方法、装置及存储介质
CN110414738B (zh) 一种农作物产量预测方法及系统
CN113128134A (zh) 一种矿区生态环境演变驱动因子权重量化分析方法
CN115481368B (zh) 一种基于全遥感机器学习的植被覆盖度估算方法
CN113344956B (zh) 基于无人机航摄三维建模的地物轮廓提取分类方法
CN115546656B (zh) 一种基于深度学习的遥感影像养殖区域提取方法
CN112270320B (zh) 一种基于卫星影像校正的输电线路杆塔坐标校准方法
CN112613338B (zh) 基于rgb图像融合特征的小麦叶层氮含量估测方法
CN114648705B (zh) 一种基于卫星遥感的碳汇监测系统及方法
CN111161224A (zh) 基于深度学习的铸件内部缺陷分级评估系统及方法
CN109671038B (zh) 一种基于伪不变特征点分类分层的相对辐射校正方法
CN115690632A (zh) 一种内陆河流水体的水环境监测方法
CN111241991B (zh) 一种基于遥感影像的水质分类方法
CN110909821B (zh) 基于作物参考曲线进行高时空分辨率植被指数数据融合的方法
CN110321528B (zh) 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法
CN116778322A (zh) 基于高分辨率影像剔除水面桥梁连续水面构造的方法
CN116844053A (zh) 一种小麦种植区域识别方法、系统、电子设备及存储介质
CN115015258A (zh) 一种农作物长势与土壤水分关联确定方法及相关装置
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN113221997A (zh) 一种基于深度学习算法的高分影像油菜提取方法
CN110070513B (zh) 遥感影像的辐射校正方法及系统
CN116664421A (zh) 一种基于多光照角度图像融合的航天器图像去阴影的方法

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