CN112989281B - 一种基于遥感藻总量的藻华预测方法 - Google Patents
一种基于遥感藻总量的藻华预测方法 Download PDFInfo
- Publication number
- CN112989281B CN112989281B CN202110192446.9A CN202110192446A CN112989281B CN 112989281 B CN112989281 B CN 112989281B CN 202110192446 A CN202110192446 A CN 202110192446A CN 112989281 B CN112989281 B CN 112989281B
- Authority
- CN
- China
- Prior art keywords
- algal bloom
- algae
- remote sensing
- occurrence
- bloom
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
- G01N21/55—Specular reflectivity
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Pure & Applied Mathematics (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于遥感藻总量的藻华预测方法,通过对历史时期遥感监测的藻华发生情况、遥感藻总量和不同气象指标进行大数据分析,然后构建不同湖区藻华发生概率的Logistic预测模型,实现基于遥感藻总量的藻华发生概率预测。本发明采用流行病学研究中使用较多的Logistic回归分析,实现了藻华发生概率(连续)预测。
Description
技术领域
本发明涉及卫星遥感技术及其应用领域,具体涉及一种基于遥感藻总量的藻华预测方法。
背景技术
在剧烈人为活动影响下,湖泊富营养化情形日益加重,湖泊中藻类呈暴发式增多,从而在水表形成藻华。藻华发生后,水体透明度会极大的降低,不利于水生植被生长,藻类细胞的分解还会消耗水体溶解氧从而恶化水质,藻类细胞分解还会产生恶臭难闻的气体。为了治理或缓解藻华暴发带来的生态环境危害,国家与地方地方政府投入了大量的人力、物力和财力进行藻类打捞去除。为了高效合理的进行藻类打捞,需要科学合理的预测藻华发生的区域及概率,以便科学提前安排打捞计划。
关于藻华预测,由于模型难以处理藻华暴发的极值问题,目前基本使用的基本都是经验统计法,但对藻华的定义、所使用的方法各异。关于藻华的定义,一些研究使用的是水表叶绿素(Chl-a)浓度,另一些研究则使用卫星监测的藻华发生与否。关于所用方法方面,一些研究使用各种气象因子构建统计关系,另一些研究则使用缺乏机理解释的机器学习统计算法。事实上,已有的大量研究结果表明:藻华暴发就是水体中藻总量达到一定水平后,风速等气象因子满足一定条件下水柱中藻类上浮至表层而形成的一种短期现象。由于受限于水柱中藻总量获取难度大,之前的一些藻华预测方法仅仅使用了气象因子。然而,针对一个水体区域,仅仅依赖于气象因子构建的藻华预测方法,在应用于其他水体时常出现不适用。
发明内容
为实现富营养化湖泊藻华发生概率的预测,借助于历史时期卫星遥感数据监测到的藻华、水柱内藻总量和综合气象因子,本发明构建了一种基于遥感藻总量的富营养化湖泊藻华发生概率Logistic二值预测模型,模型输入综合考虑了水柱内藻总量和气象因子。具体技术方案如下:
(1)获取待预测湖泊历史时期的遥感影像数据,将影像像元分类为藻华发生像元和藻华不发生像元,构建确定区域藻华发生与否的样本库;
(2)基于遥感反演估算像元尺度水柱内藻总量,计算湖区内不同区域的藻总量平均值;
(3)基于历史气象数据遴选影响藻华发生的敏感气象因子;
(4)以藻总量平均值和遴选出的敏感气象因子为输入,以对应的藻华发生与否样本库值为输出,对Logistic模型进行训练,得到参数化的藻华发生概率Logistic预测模型。
具体预测模型如下:
式中,ρ为藻华发生概率;x1,x2,…,xn为用于藻华发生概率预测的不同因子,包括藻总量和不同气象因子;β0,βk,…,βn为各个预测因子的Logistic回归分析拟合系数,即贡献权重。
作为本发明的进一步改进,所述遥感影像数据选用MODIS数据。由于藻华暴发具有高时间动态特征,因此本发明使用高时间分辨率的MODIS遥感数据。
作为本发明的进一步改进,所述遥感影像数据为经几何校正和大气校正的遥感影像数据。
作为本发明的进一步改进,基于像元FAI值将像元划分为藻华发生像元和藻华不发生像元。
作为本发明的进一步改进,所述样本库构建时,基于不同区域包含的藻华发生像元/藻华不发生像元占比,划分出藻华发生区域和藻华不发生区域。
进一步的,将遥感有效像元>70%且>5%为藻华发生像元的区域划分为藻华发生区域;将遥感有效像元>70%且>5%为藻华不发生像元的区域划分藻华不发生区域。
作为本发明的进一步改进,将藻华发生区域按藻华发生像元数目从高至低排序,取前30%作为模型输入样本;将藻华不发生区域按藻华发生像元数目从低至高排序,取前30%作为模型输入样本。
作为本发明的进一步改进,所述水柱内藻总量基于水柱内叶绿素a含量估算。
作为本发明的进一步改进,所述影响藻华发生的敏感气象因子基于不同气象因子与藻华发生与否的统计关系遴选。
作为本发明的进一步改进,使用遥感反演的近五日藻总量平均值和预报的次日气象数据进行次日藻华发生概率的预测。由于遥感数据常常受云雨的影响,而藻总量在短期内不会发生很大的波动,本发明使用湖区前五日藻总量平均值输入已构建好的Logistic模型,进行藻华发生概率预测。
本发明通过对历史时期遥感监测的藻华发生情况、遥感藻总量和不同气象指标进行大数据分析,然后构建不同湖区藻华发生概率的Logistic预测模型,实现基于前五日遥感藻总量的次日藻华发生概率预测。本发明具有如下有益效果:
(1)由于历史时期的遥感监测结果只能得到藻华发生或不发生(二值),为实现藻华发生概率(连续)预测,本发明采用流行病学研究中使用较多的Logistic回归分析,实现了藻华发生概率(连续)预测(概率百分比);
(2)对历史时期遥感数据监测的湖区藻华面积、面积占比等进行大数据分析,构建了一种基于历史时期遥感监测结果的藻华发生与否的样本库确定方法,建立了科学合理的预测模型。
(3)基于遥感藻总量和气象数据的藻华发生概率模型,可拓展性强。
附图说明
图1是本发明方法流程图。
具体实施方式
实施例以中国典型富营养湖泊-巢湖为例,对本发明的技术方案作进一步阐述,具体如下:
(1)获取待预测湖泊历史时期的遥感影像数据。
由于藻华暴发具有高时间动态特征,因此本发明使用高时间分辨率的MODIS遥感数据。为去除大气的影响,先使用SeaDAS软件系统进行几何校正、大气辐射校正等处理,得到经瑞利散射校正后的大气顶层遥感反射率(Rrc)。
(2)历史时期藻华分布遥感反演,将影像像元分类为藻华发生像元和藻华不发生像元。
由瑞利散射校正后的大气顶层遥感反射率Rrc,根据已报道的公式(2)计算得到不同像元处的表层FAI:
其中,Rrc(645)、Rrc(859)和Rrc(1240)分别是MODIS遥感数据中心波长为645nm,859nm和1240nm的波段的大气顶层遥感反射率。然后,以0.02为阈值,像元FAI≥0.02判断为藻华发生,像元FAI<0.02判断为藻华不发生。
(3)藻华发生与否模型输入样本库构建。
为了去除遥感不确定性和噪声的影响,本发明通过两步确定藻华发生与否情况的样本库:①遥感有效像元>70%且其中>5%为藻华发生像元,则判断为藻华发生;对于判断为藻华发生的样本,仅取藻华发生面积多的前30%作为模型输入样本(赋值为1,即藻华发生概率为100%)。②同时,也通过下面两步确定藻华不发生的样本库:遥感有效像元>70%且其中<5%为藻华不发生像元,则判断为藻华不发生;对于判断为藻华不发生的样本,仅取藻华发生面积少的前30%作为模型输入样本(赋值为0,即藻华发生概率为0%)。
(4)基于遥感反演估算像元尺度水柱内藻总量。
由瑞利散射校正后的大气顶层遥感反射率Rrc,根据公式(3)计算得到不同像元水柱内藻总量。
其中,Chl-a(z)表示水柱内深度为z的Chl-a浓度。C0,n1和n2为对应函数系数。
(5)湖区藻华发生概率Logistic预测模型构建。首先,根据遥感反演的像元尺度水柱内藻总量,计算湖区内不同区域的藻总量平均值;其次,分析风速、水汽压、气温和湿度等不同气象因子与藻华发生与否的统计关系,遴选出影响藻华发生的敏感气象因子;最后,以平均藻总量和敏感气象因子为输入,以对应的藻华发生与否样本库值为输出,对Logistic模型进行训练,得到参数化的藻华发生概率Logistic预测模型。
对于巢湖,分析得到的敏感气象因子为气温和水汽压,因此得到巢湖藻华发生概率预测模型如公式(4)所示。
(6)湖区前五日藻总量平均值计算。
(7)次日藻华发生概率预测。将前五日的藻总量平均值和预报的次日气温和水汽压输入已构建好的Logistic模型,进行湖区藻华发生概率预测。输出结果为0~100%的值,值越高则判断为次日藻华发生的概率越大。按富营养化特征可以将巢湖分析西、中、东巢湖:上述构建的模型应用于西巢湖的藻华发生预测精度为90.0%,中巢湖的藻华发生预测精度为85.0%,东巢湖的藻华发生预测精度为89.5%。
Claims (4)
1.一种基于遥感藻总量的藻华预测方法,其特征在于,包括:
(1)获取待预测湖泊历史时期的遥感影像数据,基于像元FAI值将影像像元分类为藻华发生像元和藻华不发生像元,构建确定区域藻华发生与否的样本库;
样本库构建时,基于不同区域包含的藻华发生像元/藻华不发生像元占比,划分出藻华发生区域和藻华不发生区域;将遥感有效像元>70%且>5%为藻华发生像元的区域划分为藻华发生区域;将遥感有效像元>70%且>5%为藻华不发生像元的区域划分藻华不发生区域;
将藻华发生区域按藻华发生像元数目从高至低排序,取前30%作为模型输入样本;
将藻华不发生区域按藻华发生像元数目从低至高排序,取前30%作为模型输入样本;
(2)基于遥感反演估算像元尺度水柱内藻总量,计算湖区内不同区域的藻总量平均值;所述水柱内藻总量基于水柱内叶绿素a含量估算;
(3)基于历史气象数据,利用不同气象因子与藻华发生与否的统计关系遴选影响藻华发生的敏感气象因子;
(4)以藻总量平均值和遴选出的敏感气象因子为输入,以对应的藻华发生与否样本库值为输出,对Logistic模型进行训练,得到参数化的藻华发生概率Logistic预测模型。
2.根据权利要求1所述的方法,其特征在于,所述遥感影像数据选用MODIS数据。
3.根据权利要求1所述的方法,其特征在于,所述遥感影像数据为经几何校正和大气校正的遥感影像数据。
4.根据权利要求1所述的方法,其特征在于,使用遥感反演的近五日藻总量平均值和预报的次日气象数据进行次日藻华发生概率的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192446.9A CN112989281B (zh) | 2021-02-20 | 2021-02-20 | 一种基于遥感藻总量的藻华预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192446.9A CN112989281B (zh) | 2021-02-20 | 2021-02-20 | 一种基于遥感藻总量的藻华预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112989281A CN112989281A (zh) | 2021-06-18 |
CN112989281B true CN112989281B (zh) | 2023-09-12 |
Family
ID=76393691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110192446.9A Active CN112989281B (zh) | 2021-02-20 | 2021-02-20 | 一种基于遥感藻总量的藻华预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989281B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485045A (zh) * | 2023-06-21 | 2023-07-25 | 中科三清科技有限公司 | 一种建立水华预测模型的方法、水华预测方法及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008214942A (ja) * | 2007-03-02 | 2008-09-18 | Gunma Prefecture | アオコ発生予測と発生防止法 |
CN102135531A (zh) * | 2010-12-24 | 2011-07-27 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊72小时蓝藻水华预测方法 |
CN103063202A (zh) * | 2012-12-30 | 2013-04-24 | 同济大学 | 基于遥感影像的蓝藻生物量时空变化监测与可视化方法 |
CN103439472A (zh) * | 2013-06-14 | 2013-12-11 | 北京工商大学 | 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 |
CN103743700A (zh) * | 2014-01-17 | 2014-04-23 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 |
CN103760112A (zh) * | 2014-01-23 | 2014-04-30 | 中国科学院南京地理与湖泊研究所 | 基于遥感的湖泊水体蓝藻丰度的估算方法 |
CN103810330A (zh) * | 2014-01-23 | 2014-05-21 | 深圳市城市规划设计研究院有限公司 | 一种规划人工水体富营养化预警分析方法 |
CN103886218A (zh) * | 2014-04-08 | 2014-06-25 | 北京工商大学 | 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法 |
CN104820224A (zh) * | 2015-05-08 | 2015-08-05 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊水体叶绿素a的MODIS卫星高精度监测方法 |
CN105203466A (zh) * | 2015-09-17 | 2015-12-30 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法 |
CN106290389A (zh) * | 2016-09-05 | 2017-01-04 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊modis影像的藻华和非藻华条件分类方法 |
CN110414488A (zh) * | 2019-08-20 | 2019-11-05 | 河海大学 | 基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法 |
KR102119276B1 (ko) * | 2019-08-20 | 2020-06-05 | 대한민국 | 유해 조류 예측 장치 및 방법 |
CN112070234A (zh) * | 2020-09-04 | 2020-12-11 | 中国科学院南京地理与湖泊研究所 | 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法 |
CN112179854A (zh) * | 2020-09-30 | 2021-01-05 | 中国科学院南京地理与湖泊研究所 | 基于p-fui水色指数的富营养化湖泊蓝藻水华遥感监测方法 |
-
2021
- 2021-02-20 CN CN202110192446.9A patent/CN112989281B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008214942A (ja) * | 2007-03-02 | 2008-09-18 | Gunma Prefecture | アオコ発生予測と発生防止法 |
CN102135531A (zh) * | 2010-12-24 | 2011-07-27 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊72小时蓝藻水华预测方法 |
CN103063202A (zh) * | 2012-12-30 | 2013-04-24 | 同济大学 | 基于遥感影像的蓝藻生物量时空变化监测与可视化方法 |
CN103439472A (zh) * | 2013-06-14 | 2013-12-11 | 北京工商大学 | 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 |
CN103743700A (zh) * | 2014-01-17 | 2014-04-23 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 |
CN103760112A (zh) * | 2014-01-23 | 2014-04-30 | 中国科学院南京地理与湖泊研究所 | 基于遥感的湖泊水体蓝藻丰度的估算方法 |
CN103810330A (zh) * | 2014-01-23 | 2014-05-21 | 深圳市城市规划设计研究院有限公司 | 一种规划人工水体富营养化预警分析方法 |
CN103886218A (zh) * | 2014-04-08 | 2014-06-25 | 北京工商大学 | 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法 |
CN104820224A (zh) * | 2015-05-08 | 2015-08-05 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊水体叶绿素a的MODIS卫星高精度监测方法 |
CN105203466A (zh) * | 2015-09-17 | 2015-12-30 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法 |
CN106290389A (zh) * | 2016-09-05 | 2017-01-04 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊modis影像的藻华和非藻华条件分类方法 |
CN110414488A (zh) * | 2019-08-20 | 2019-11-05 | 河海大学 | 基于浮游藻类指数和深度学习的蓝藻水华遥感监测方法 |
KR102119276B1 (ko) * | 2019-08-20 | 2020-06-05 | 대한민국 | 유해 조류 예측 장치 및 방법 |
CN112070234A (zh) * | 2020-09-04 | 2020-12-11 | 中国科学院南京地理与湖泊研究所 | 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法 |
CN112179854A (zh) * | 2020-09-30 | 2021-01-05 | 中国科学院南京地理与湖泊研究所 | 基于p-fui水色指数的富营养化湖泊蓝藻水华遥感监测方法 |
Non-Patent Citations (1)
Title |
---|
基于遥感藻总量和气象因子的巢湖不同湖区藻华预测;刘东 等;《湖泊科学》;1090-1101 * |
Also Published As
Publication number | Publication date |
---|---|
CN112989281A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dikshit et al. | Long lead time drought forecasting using lagged climate variables and a stacked long short-term memory model | |
CN112200362B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN113255972B (zh) | 基于Attention机制的短临降水预测方法 | |
CN112989281B (zh) | 一种基于遥感藻总量的藻华预测方法 | |
CN112215525A (zh) | 一种湖库水质反演及可视化评价方法 | |
CN113807562A (zh) | 海洋表面温度的预测方法 | |
CN112200356A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
Wang et al. | Customized deep learning for precipitation bias correction and downscaling | |
Bezuglov et al. | Multi-output artificial neural network for storm surge prediction in north carolina | |
Yalçın et al. | A new deep learning method for meteorological drought estimation based-on standard precipitation evapotranspiration index | |
Lops et al. | Development of deep convolutional neural network ensemble models for 36-month ENSO forecasts | |
CN114965300B (zh) | 基于光学水体类型和bp神经网络算法构建bp-turb的湖泊浊度制图方法 | |
CN116070132A (zh) | 基于多源遥感数据预测海水透明度和海表温度的方法 | |
CN114169646A (zh) | 水华预测方法、装置、电子设备及计算机可读存储介质 | |
CN114595890A (zh) | 基于bp-svr组合模型的船舶备件需求预测方法及系统 | |
Breivik et al. | Efficient bootstrap estimates for tail statistics | |
CN113343783A (zh) | 一种农作物智能识别与长势预测方法及系统 | |
Bharti et al. | Soft computing and statistical technique-Application to eutrophication potential modelling of Mumbai coastal area | |
CN116908115B (zh) | 高光谱水质反演方法、装置、电子设备和存储介质 | |
Fu et al. | Remote sensing inversion modeling of chlorophyll-a concentration in Wuliangsuhai Lake based on BP neural network | |
Su et al. | Runoff Simulation Under Future Climate Change and Uncertainty | |
CN117351365B (zh) | 一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法 | |
Bradshaw | A deep learning model for nowcasting midlatitude convective storms | |
Duc | Application of Machine Learning to Forecast Drought Index for the Mekong Delta | |
CN115659841A (zh) | 一种大气可降水量反演方法、装置、电子设备及存储介质 |
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 |