CN113361309A - 基于中高分辨率遥感影像的城区多雾霾污染参数的监测方法 - Google Patents
基于中高分辨率遥感影像的城区多雾霾污染参数的监测方法 Download PDFInfo
- Publication number
- CN113361309A CN113361309A CN202010190912.5A CN202010190912A CN113361309A CN 113361309 A CN113361309 A CN 113361309A CN 202010190912 A CN202010190912 A CN 202010190912A CN 113361309 A CN113361309 A CN 113361309A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- monitoring
- haze
- data
- high resolution
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种基于中高分辨率遥感影像的城区多雾霾污染参数的监测方法,本方法基于中高分辨率影像对城区多雾霾污染参数进行监测,基于中高分辨率遥感影像,可以解决遥感监测雾霾时存在的空间分辨率较低的问题,同时额外布设监测站点,将监测站点数据与遥感影像数据匹配,然后通过数据切割、光谱特征选择、网络训练学习,从而监测多雾霾污染参数,可以解决误差传递、遥感监测的雾霾污染参数较少等问题,可以监测城市区域的AQI、PM2.5、PM10、NOX、SO2、CO、HC、Q3等多污染参数。
Description
技术领域
本发明涉及遥感影像处理及气溶胶监测领域,具体涉及一种基于中高分辨率的城区多雾霾污染参数的监测方法。
背景技术
地面监测站点的监测数据具有良好的时间连续性,基于遥感的监测方法弥补了监测站点方法空间不连续的不足。基于遥感估算PM2.5浓度方法目前被广泛应用:陈良富等申请专利的“地统计插值与卫星遥感联合反演地面PM2.5的方法及系统”郭红等申请的专利“一种基于卫星偏振技术的PM2 .5浓度遥感估算方法”、刘阳等申请专利的“基于卫星遥感的地面PM2.5反演方法及系统”、顾行发等申请的专利“一种污染天气下的PM2.5浓度卫星遥感估算方法”、王博等申请“利用卫星多光谱影像数据进行PM 2 .5和PM10估算的方法”、李元祥等申请的“基于深度残差网络的高光谱霾监测方法”等,这些专利和研究中,对PM2.5(PM10)浓度的估算方法基本都是以遥感卫星反演气溶胶光学(AOD,Aerosol OpticalDepth)为基础,然后建立AOD与颗粒物浓度的关系。基于卫星遥感估算颗粒物(PM2.5或PM10)浓度时存在以下问题:(1)空间分辨率较低(目前成熟的气溶胶产品的分辨率以10km、3km、0.05°为主);(2)污染物浓度较高时估值不准的问题,导致城市地区经常会出现数据缺失的问题;(3)基于卫星遥感估算颗粒物浓度的过程中存着误差的传递,即先由遥感影像到AOD,再由AOD到颗粒物浓度,存着误差的传递;(4)研究者的关注较多的是大气污染物主要是颗粒物PM2.5,对CO、HC、NOX、SO2、Q3等污染物的研究较少。
发明内容
本发明要解决的技术问题是提供一种基于中高分辨率遥感影像的城区多雾霾污染参数的监测方法,解决遥感监测雾霾时存着的空间分辨率较低、在城区易出现数据缺失、误差传递、遥感监测的雾霾污染参数较少的问题。
为了解决所述技术问题,本发明采用的技术方案是:一种基于中高分辨率遥感影像的城区多雾霾污染参数的监测方法,包括以下步骤:S01)、监测站点的布设,基于现有的国控点和省控点的环境监测站点,并且在道路交叉口附近区域增设对交通数据敏感的环境监测站点;S02)、遥感影像数据的获取,下载城区的中高分辨率的遥感影像;S03)、数据匹配,根据地理坐标将监测站点与遥感影像进行匹配;S04)、数据切割,以监测站点对应的遥感影像像素点为中心,将对应的遥感影像以对应像素点为中心切割成X*X窗口大小、能用于训练的图像大小的小块;S05)、图像特征指标计算,计算各小块图像各波段的图像统计特征指标以及基于LBP的纹理特征、边缘特征指标,同时由波段合成RGB彩色图像,其归一化范围为0-255;S06)、光谱特征选择指标,首先对遥感影像各波段进行辐射定标,然后选择不同雾霾参数的敏感波段,之后分析地物对雾霾颗粒浓度的相应特征、不同地物反射率的光谱曲线特征,构建反应不同污染物浓度的波段组合;S07)、构建数据集,将监测站点的环境监测数据、遥感影像特征指标、选择的各污染参数的敏感波段、波段组合进行一一对应,形成数据集,并将数据集划分为训练集、测试集和验证集;S08)、基于深度学习框架对数据集进行网络训练和学习;S09)、构建适用于中高分辨率遥感影像的城区污染物浓度监测模型,并且反演出城区的多雾霾污染参数的浓度分布图。
进一步的,根据辐射定标公式进行辐射定标:radiance=gain*DN+offset;其中radiance是辐射亮度值,单位是W/(cm2*μm*sr),gain和offset是增益和偏移量,单位和辐射亮度值相同,DN值是遥感影像像元值;增益值、偏移量来源于遥感影像的头文件。
进一步的,选择不同雾霾参数的敏感波段的过程为:利用SPSS软件对不同雾霾参数分别与不同波段的表观反射率进行相关性分析,根据相关性分析结果选择不同雾霾参数的敏感波段。
进一步的,根据不同雾霾情况下的水泥光谱曲线特征,根据SPSS相关性分析确定反应不同污染物浓度的波段组合。
进一步的,训练集、测试集和验证集的比例为7:2:1。
进一步的,基于深度学习框架对数据集进行网络训练和学习的具体步骤为:S81)、数据增强,通过旋转、多尺度训练、随机翻转、图像归一化进行简单的数据增强,同时将数据标签进行归一化,;S82)、网络选择,以EfficientNet-B2作为backbone,S83)、构建优化器,设定训练参数,输入数据进行训练,进行反向传播优化网络参数,并且每训练一次跑一次验证集。
进一步的,所述深度学习框架为Pytorch。
本发明的有益效果:本发明所述监测方法基于中高分辨率影像对城区多雾霾污染参数进行监测,基于中高分辨率遥感影像,可以解决遥感监测雾霾时存在的空间分辨率较低的问题,同时额外布设监测站点,将监测站点数据与遥感影像数据匹配,然后通过数据切割、光谱特征选择、网络训练学习,从而监测多雾霾污染参数,可以解决误差传递、遥感监测的雾霾污染参数较少等问题,可以监测城市区域的AQI、PM2.5、PM10、NOX、SO2、CO、HC、Q3等多污染参数。
附图说明
图1为本方法的流程图;
图2为实施例1遥感影像和监测站点分布图;
图3为裁剪图示例;
图4为不同雾霾条件下的水泥光谱曲线;
图5为网络训练示意图;
图6为实施例1中反演出的城区的AQI、PM10、PM2.5、NO2的浓度分布图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
实施例1
本实施例公开一种基于中高分辨率遥感影像的城区多雾霾污染参数的监测方法,本实施例以济南市城区为例,如图1所示,包括以下步骤:
S01)、监测站点的布设,基于现有的国控点和省控点的环境监测站点,并且在道路交叉口附近区域增设对交通数据敏感的环境监测站点,本实施例中的环境监测站点如表1所示,在交通流量比较大的经十路历山路交叉口增加了监测站点;
S02)、遥感影像数据的获取:遥感影像选择Landsat8OLI(30m分辨率),时间选择了从2015-2018年20景影像数据,覆盖了晴空、清霾、中霾、重霾等不同天气情况,且成像时间覆盖了春、夏、秋、冬四季;以2017年12月26日的Landsat 8 OLI_影像为例;
S03)、数据匹配:根据监测站点的地理坐标(GPS坐标)将监测站点与遥感影像进行匹配,如图2所示,为济南市遥感影像和监测站点匹配后的分布图;
S04)、数据切割:以监测站点对应的遥感影像像素点为中心,将对应的遥感影像(各个波段)裁剪为以对应像素点为中心切割成X*X窗口大小的小块、能用于训练的图像大小,裁剪X*X窗口大小的小块影像,本实施例中,X为7,在其他实施例中,X也可以为3、5、9等。如图3所示,为裁剪的图块实例。
S05)、图像特征指标计算,计算各小块图像7个波段的灰度平均值、对比度、标准差、协方差矩阵等基本图像统计特征指标,以及基于LBP(Local Binary Pattern,局部二值模式)的纹理特征、边缘特征指标,同时选择波段进行波段组合(1,2,3波段合成),并由ArcGIS直接导出为RGB颜色,得到一副RGB彩色图像,其归一化范围为0~255;
S06)、光谱特征选择指标,具体为:
S61)、首先对遥感影像各波段进行辐射定标,辐射定标公式为:radiance=gain*DN+offset;其中radiance是辐射亮度值,单位是W/(cm2*μm*sr),gain和offset是增益和偏移量,单位和辐射亮度值相同,DN值是遥感影像像元值;增益值、偏移量来源于遥感影像的头文件,利用ENVI软件的辐射定标模块实现;
S62)、不同雾霾参数的敏感波段选择,本实施例以AQI、PM2.5、PM10、NOX为例,分别于深蓝、红光、近红外波、短波红外等波段的表观反射率利用SPSS软件进行相关性,分析结果见表2;
从污染雾参数与各波段的相关性表2可以看出,与AQI、PM10、PM2.5相关性最好的波段是B1, 与NO2相关性最好的是B4波段;因此AQI、PM10、PM2.5的敏感波段都选择B1波段,NO2选择了B4波段;
S63)、分析地物对霾颗粒浓度的相应特征、不同地物反射率的光谱曲线特征,构建反应不同污染物浓度的污染指数。根据对不同雾霾情况下水泥光谱曲线特征(图4所示)可知:在深蓝、蓝、红光波段,霾颗粒影响较大,绿光、红外影响较小,基于此此选择波段的组合可反应霾颗粒的浓度;选择了(B4-B3)/(B4+B3)、((B4-B5))、(B1-B7)等不同波段组合理应SPSS进行相关性分析,可知与AQI相关性最好的波段组合是(B1-B7),与PM10、PM2.5、NO2相关性最好的波段组合是(B4-B3)/(B4+B3)。
S07)、构建数据集,将监测站点的环境监测数据、遥感影像特征指标、各污染参数的选择的敏感波段、波段组合灯一一对应,形成数据集,并按照7:2:1的比例将数据集划分为训练集、测试集和验证集。
S08)、利用深度学习框架Pytorch进行网络训练和学习,如图5所示,网络训练具体为:
S81)、数据增强,进行简单的数据增强,如旋转、多尺度训练、随机翻转、图像归一化,同时将数据标签进行归一化;
S82)、网络选择,以EfficientNet-B2作为backbone(基础网络结构),EfficientNet-B2网络如图5所示;
S83)、构建优化器,设定训练参数,输入数据进行训练,进行反向传播优化网络参数,并每训练一次跑一次验证集,保存结果最好的。
S09)、构建适用于中高分辨率遥感影像的城区污染物浓度监测模型;
S10)、反演出城区的AQI、PM10、PM2.5、NO2的浓度分布图如图6所示,至此,可以构建不同污染物浓度的监测模型。
本发明基于中高分辨率遥感影像,可以解决遥感监测雾霾时存在的空间分辨率较低的问题,同时额外布设监测站点,将监测站点数据与遥感影像数据匹配,然后通过数据切割、光谱特征选择、网络训练学习,从而监测多雾霾污染参数,可以解决误差传递、遥感监测的雾霾污染参数较少等问题,可以监测城市区域的AQI、PM2.5、PM10、NOX、SO2、CO、HC、Q3等多污染参数。
以上描述的仅是本发明的基本原理和优选实施例,本领域技术人员根据本发明做出的改进和替换,属于本发明的保护范围。
Claims (7)
1.一种基于中高分辨率遥感影像的城区多雾霾污染参数的监测方法,其特征在于:包括以下步骤:S01)、监测站点的布设,基于现有的国控点和省控点的环境监测站点,并且在道路交叉口附近区域增设对交通数据敏感的环境监测站点;S02)、遥感影像数据的获取,下载城区的中高分辨率的遥感影像;S03)、数据匹配,根据地理坐标将监测站点与遥感影像进行匹配;S04)、数据切割,以监测站点对应的遥感影像像素点为中心,将对应的遥感影像以对应像素点为中心切割成X*X窗口大小、能用于训练的图像大小的小块;S05)、图像特征指标计算,计算各小块图像各波段的图像统计特征指标以及基于LBP的纹理特征、边缘特征指标,同时由波段合成RGB彩色图像,其归一化范围为0-255;S06)、光谱特征选择指标,首先对遥感影像各波段进行辐射定标,然后选择不同雾霾参数的敏感波段,之后分析地物对雾霾颗粒浓度的相应特征、不同地物反射率的光谱曲线特征,构建反应不同污染物浓度的波段组合;S07)、构建数据集,将监测站点的环境监测数据、遥感影像特征指标、选择的各污染参数的敏感波段、波段组合进行一一对应,形成数据集,并将数据集划分为训练集、测试集和验证集;S08)、基于深度学习框架对数据集进行网络训练和学习;S09)、构建适用于中高分辨率遥感影像的城区污染物浓度监测模型,并且反演出城区的多雾霾污染参数的浓度分布图。
2.根据权利要求1所述的基于中高分辨率遥感影像的城区多雾霾污染参数的监测方法,其特征在于:根据辐射定标公式进行辐射定标:radiance=gain*DN+offset;其中radiance是辐射亮度值,单位是W/(cm2*μm*sr),gain和offset是增益和偏移量,单位和辐射亮度值相同,DN值是遥感影像像元值;增益值、偏移量来源于遥感影像的头文件。
3.根据权利要求1所述的基于中高分辨率遥感影像的城区多雾霾污染参数的监测方法,其特征在于:选择不同雾霾参数的敏感波段的过程为:利用SPSS软件对不同雾霾参数分别与不同波段的表观反射率进行相关性分析,根据相关性分析结果选择不同雾霾参数的敏感波段。
4.根据权利要求1所述的基于中高分辨率遥感影像的城区多雾霾污染参数的监测方法,其特征在于:根据不同雾霾情况下的水泥光谱曲线特征, 根据SPSS相关性分析确定反应不同污染物浓度的波段组合。
5.根据权利要求1所述的基于中高分辨率遥感影像的城区多雾霾污染参数的监测方法,其特征在于:训练集、测试集和验证集的比例为7:2:1。
6.根据权利要求1所述的基于中高分辨率遥感影像的城区多雾霾污染参数的监测方法,其特征在于:基于深度学习框架对数据集进行网络训练和学习的具体步骤为:S81)、数据增强,通过旋转、多尺度训练、随机翻转、图像归一化进行简单的数据增强,同时将数据标签进行归一化,;S82)、网络选择,以EfficientNet-B2作为基础网络结构,S83)、构建优化器,设定训练参数,输入数据进行训练,进行反向传播优化网络参数,并且每训练一次跑一次验证集。
7.根据权利要求1或6所述的基于中高分辨率遥感影像的城区多雾霾污染参数的监测方法,其特征在于:所述深度学习框架为Pytorch。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010190912.5A CN113361309B (zh) | 2020-03-18 | 2020-03-18 | 基于中高分辨率遥感影像的城区多雾霾污染参数监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010190912.5A CN113361309B (zh) | 2020-03-18 | 2020-03-18 | 基于中高分辨率遥感影像的城区多雾霾污染参数监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361309A true CN113361309A (zh) | 2021-09-07 |
CN113361309B CN113361309B (zh) | 2022-05-13 |
Family
ID=77524363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010190912.5A Active CN113361309B (zh) | 2020-03-18 | 2020-03-18 | 基于中高分辨率遥感影像的城区多雾霾污染参数监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361309B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912707A (zh) * | 2022-06-01 | 2022-08-16 | 中科大数据研究院 | 一种基于多模态融合的空气质量预测系统及预测方法 |
CN115830472A (zh) * | 2023-01-12 | 2023-03-21 | 北京英视睿达科技股份有限公司 | 一种城市复杂下垫面甲烷排放源识别方法 |
CN117237647A (zh) * | 2023-11-15 | 2023-12-15 | 成都嘉德数源环保科技有限公司 | 一种大气污染监测系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8009294B2 (en) * | 2003-09-22 | 2011-08-30 | Celight, Inc. | Chemical sensing system and method |
CN102507586A (zh) * | 2011-11-14 | 2012-06-20 | 辽宁师范大学 | 碳排放遥感监测方法 |
CN103926634A (zh) * | 2014-03-12 | 2014-07-16 | 长江水利委员会长江科学院 | 一种基于面向对象分类的白天陆地辐射雾的遥感监测方法 |
CN104573155A (zh) * | 2013-10-17 | 2015-04-29 | 中国科学院地理科学与资源研究所 | 一种高效近地表pm2.5浓度估算方法及估算系统 |
CN106680273A (zh) * | 2016-08-29 | 2017-05-17 | 中国科学院遥感与数字地球研究所 | 一种高空间分辨率卫星地表反射率反演方法 |
CN106979911A (zh) * | 2017-03-07 | 2017-07-25 | 南京航空航天大学 | 利用卫星多光谱影像数据进行pm 2.5和pm 10估算的方法 |
-
2020
- 2020-03-18 CN CN202010190912.5A patent/CN113361309B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8009294B2 (en) * | 2003-09-22 | 2011-08-30 | Celight, Inc. | Chemical sensing system and method |
CN102507586A (zh) * | 2011-11-14 | 2012-06-20 | 辽宁师范大学 | 碳排放遥感监测方法 |
CN104573155A (zh) * | 2013-10-17 | 2015-04-29 | 中国科学院地理科学与资源研究所 | 一种高效近地表pm2.5浓度估算方法及估算系统 |
CN103926634A (zh) * | 2014-03-12 | 2014-07-16 | 长江水利委员会长江科学院 | 一种基于面向对象分类的白天陆地辐射雾的遥感监测方法 |
CN106680273A (zh) * | 2016-08-29 | 2017-05-17 | 中国科学院遥感与数字地球研究所 | 一种高空间分辨率卫星地表反射率反演方法 |
CN106979911A (zh) * | 2017-03-07 | 2017-07-25 | 南京航空航天大学 | 利用卫星多光谱影像数据进行pm 2.5和pm 10估算的方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912707A (zh) * | 2022-06-01 | 2022-08-16 | 中科大数据研究院 | 一种基于多模态融合的空气质量预测系统及预测方法 |
CN115830472A (zh) * | 2023-01-12 | 2023-03-21 | 北京英视睿达科技股份有限公司 | 一种城市复杂下垫面甲烷排放源识别方法 |
CN117237647A (zh) * | 2023-11-15 | 2023-12-15 | 成都嘉德数源环保科技有限公司 | 一种大气污染监测系统及方法 |
CN117237647B (zh) * | 2023-11-15 | 2024-01-26 | 成都嘉德数源环保科技有限公司 | 一种大气污染监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113361309B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113361309B (zh) | 基于中高分辨率遥感影像的城区多雾霾污染参数监测方法 | |
Herold et al. | Object-oriented mapping and analysis of urban land use/cover using IKONOS data | |
CN110865040A (zh) | 天空地一体化高光谱水质监测分析方法 | |
CN112686531B (zh) | 一种结合卫星遥感与车载观测的大气污染企业识别方法 | |
CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
CN109974665B (zh) | 一种针对缺少短波红外数据的气溶胶遥感反演方法及系统 | |
Kim et al. | Land-use planning and the urban heat island | |
CN110346518B (zh) | 一种交通排放污染可视化预警方法及其系统 | |
CN113920266A (zh) | 城市信息模型语义信息人工智能生成方法和系统 | |
CN110866494A (zh) | 一种基于光学遥感影像的城镇群提取方法及系统 | |
CN115266632A (zh) | 一种水体污染源无人机高光谱遥感排查方法 | |
CN114241024B (zh) | 基于滑动边缘检测的人工神经网络建筑物纹理贴图方法及其系统 | |
CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
CN109406361B (zh) | 一种基于遥感技术的干旱区灰霾污染预警方法 | |
CN104517126A (zh) | 一种基于图像分析的空气质量评估方法 | |
CN115524294A (zh) | 一种离水式实时智能遥感水质监测方法 | |
CN111079835B (zh) | 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法 | |
CN113744249A (zh) | 一种海洋生态环境损害调查方法 | |
CN115795996A (zh) | 一种基于现实网络图的图神经网络的城市数据实时管理方法及其系统 | |
CN113740263B (zh) | 一种气溶胶光学厚度反演方法及大气颗粒物遥感反演方法 | |
CN111242223A (zh) | 一种基于街景影像多特征融合的街道空间品质评价方法 | |
Kanaroglou et al. | Improvement of satellite derived pollution maps with the use of a geostatistical interpolation method | |
CN117010577B (zh) | 基于时空分布的多维度碳排放监测方法及系统 | |
CN116682026A (zh) | 一种智能深度学习环境遥感系统 | |
CN114463678A (zh) | 一种利用摄像头视频图像的降雨类型识别方法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Feng Haixia Inventor before: Feng Haixia Inventor before: Ma Xiangjuan Inventor before: Zhang Licai Inventor before: Xian Huacai |
|
GR01 | Patent grant | ||
GR01 | Patent grant |