CN113420497B - 浑浊湖泊总磷浓度遥感估算方法 - Google Patents
浑浊湖泊总磷浓度遥感估算方法 Download PDFInfo
- Publication number
- CN113420497B CN113420497B CN202110607535.5A CN202110607535A CN113420497B CN 113420497 B CN113420497 B CN 113420497B CN 202110607535 A CN202110607535 A CN 202110607535A CN 113420497 B CN113420497 B CN 113420497B
- Authority
- CN
- China
- Prior art keywords
- lake
- total phosphorus
- data
- phosphorus concentration
- remote sensing
- 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
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 title claims abstract description 100
- 229910052698 phosphorus Inorganic materials 0.000 title claims abstract description 100
- 239000011574 phosphorus Substances 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 38
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 46
- 230000003287 optical effect Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 7
- 239000005422 algal bloom Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 229930002868 chlorophyll a Natural products 0.000 claims description 4
- 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 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000000844 transformation Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000005855 radiation Effects 0.000 claims 1
- 239000013543 active substance Substances 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000003384 imaging method Methods 0.000 abstract 1
- 238000010521 absorption reaction Methods 0.000 description 22
- 238000009826 distribution Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 238000012851 eutrophication Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 239000004570 mortar (masonry) Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000004575 stone Substances 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 241000282836 Camelus dromedarius Species 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 239000000049 pigment Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- 241000282832 Camelidae Species 0.000 description 1
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000003811 acetone extraction Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 229910052787 antimony Inorganic materials 0.000 description 1
- WATWJIUSRGPENY-UHFFFAOYSA-N antimony atom Chemical compound [Sb] WATWJIUSRGPENY-UHFFFAOYSA-N 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 239000010954 inorganic particle Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- DJFBJKSMACBYBD-UHFFFAOYSA-N phosphane;hydrate Chemical compound O.P DJFBJKSMACBYBD-UHFFFAOYSA-N 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及浑浊湖泊总磷浓度遥感估算方法,基于MODIS的R rc 数据设计变量集,结合对应的实测总磷浓度,利用BST(Extremely Gradient Boosting)机器学习模型,计算各变量重要性指数,筛选建模变量,构建总磷浓度遥感估算算法。采用本发明的方法能够实现MODIS(Moderate Resolution Imaging Spectroradiometer)在富营养化湖泊总磷浓度估算,算法具有一定的普适性,能够适用于较大范围的湖泊总磷浓度估算,突破了湖泊总磷浓度大范围遥感估算的瓶颈,为非光学活性物质的遥感监测提供了新思路,有助于提高湖泊富营养化监测水平,为湖泊生态环境监测和水环境治理提供参考。
Description
技术领域
本发明涉及遥感技术领域,具体涉及浑浊湖泊总磷浓度遥感估算方法。
背景技术
湖泊不仅是陆地生态系统的重要组成部分,更是当地人类生产生活的保障。然而,近几十年来全球经济迅速发展,人类活动导致大量污染物排放入湖,湖泊富营养化变成了全世界面临的挑战,受到社会各界越来越多的关注(Jones and Lee,1982;Le et al.,2010;Ma et al.,2010)。截止至2012年,全球超过60%的大型湖泊(面积>25km2)属于高度富营养化(Wang et al.,2018)。作为导致湖泊富营养化的主要营养盐之一,磷被公认是淡水生态系统的主要限制性营养盐(Hecky and Kilham,1988;Howarth and Marino,2006;Schindler,2006),因此利用遥感手段确定湖泊总磷浓度时空分布及其来源,可以为湖泊富营养化治理提供依据。
磷和光学活性物质之间的密切关系,虽然有些研究通过统计方法发现了对磷浓度较为敏感的光谱波段,但是不同的研究中得到的结论存在显著差异。例如,Kutser等(1995)发现415-455,655-685和405-605nm波段能被用来估算Lake Peipsi的磷浓度。龚绍琦等(2008)发现总磷在350nm处有一明显的反射峰;徐良将等(2013)等认为671nm和680nm的波段比值对总磷浓度较为敏感;Isenstein和Park(2014)使用了红光波段和近红外波段成功估算了Lake Champlain的总磷浓度。
此外,湖泊磷浓度遥感估算模型的构建也存在显著差异。目前,水体磷浓度遥感模型构建方法主要分为两类:1)直接推导法,利用反射率和实测磷浓度之间的统计关系,通过多元逐步回归等传统方法,推导出总磷浓度,直接推导法过程简单,往往能取得良好的结果,因此运用广泛(Gao et al.,2015;Isenstein and Park,2014;Li et al.,2017;Limand Choi,2015;Xiong et al.,2019;杜成功等,2016;王丽艳等,2014;徐良将等,2013);2)间接推导法,其原理是基于总磷和光学活性物质之间的关系,一般先通过光学活性物质浓度推导总磷浓度,然后根据已发表研究选取光学活性物质的算法或者波段构建总磷估算算法,由于间接推导法过程复杂,而且两步方法容易折损精度,因此不如直接推导法应用广泛(Chen and Quan,2012;Hui and Yao,2016;Wu et al.,2010;Xiong et al.,2019;刘瑶和江辉,2013)。
由于内陆浑浊水体远比大洋水体复杂,富营养化湖泊中总磷赋存状态不稳定、和光学活性物质关系复杂,总磷浓度与反射光谱及水体组分的关系难以通过统计关系表达。不仅如此,目前,大多研究仅针对单个湖泊展开,得到的结果缺乏普适性,无法估算大区域范围内和长时间尺度下的湖泊群总磷浓度。
参考文献:
Chen,J.and Quan,W.T.2012.Using Landsat/TM imagery to estimatenitrogen and phosphorus concentration in Taihu Lake,China.Ieee J-Stars 5(1),273-280.
Gao,Y.N.,Gao,J.F.,Yin,H.B.,Liu,C.S.,Xia,T.,Wang,J.and Huang,Q.2015.Remote sensing estimation of the total phosphorus concentration in alarge lake using band combinations and regional multivariate statisticalmodeling techniques.J Environ Manage 151,33-43.
Hecky,R.E.and Kilham,P.1988.Nutrient Limitation of Phytoplankton inFresh-Water and Marine Environments-a Review ofRecent-Evidence on the Effectsof Enrichment.Limnol Oceanogr 33(4),796-822.
Howarth,R.W.and Marino,R.2006.Nitrogen as the limiting nutrient foreutrophication in coastal marine ecosystems:Evolving views over threedecades.Limnol Oceanogr 51(1),364-376.
Hui,J.and Yao,L.2016.Analysis and inversion of the nutritional statusof China's Poyang Lake using MODIS data.J Indian Soc Remote 44(5),837-842.
Isenstein,E.M.and Park,M.H.2014.Assessment of nutrient distributionsin Lake Champlain using satellite remote sensing.J Environ Sci-China 26(9),1831-1836.
Jones,R.A.and Lee,G.F.1982.Recent Advances in Assessing Impact ofPhosphorus Loads on Eutrophication-Related Water-Quality.Water Res 16(5),503-515.
Kutser,T.,Arst,H.,Miller,T.,Kaarmann,L.and Milius,A.1995.Telespectrometricalestimation of water transparency,chlorophyll-a and total phosphorusconcentration of Lake Peipsi.Int J Remote Sens 16(16),3069-3085.
Le,C.,Zha,Y.,Li,Y.,Sun,D.,Lu,H.and Yin,B.2010.Eutrophication of LakeWaters in China:Cost,Causes,and Control.Environ Manage 45(4),662-668.
Li,J.,Zhang,Y.C.,Ma,R.H.,Duan,H.T.,Loiselle,S.,Xue,K.and Liang,Q.C.2017.Satellite-based estimation of column-integrated algal Biomass innonalgae bloom conditions:a case study of Lake Chaohu,China.Ieee J-Stars 10(2),450-462.
Lim,J.and Choi,M.2015.Assessment of water quality based on Landsat8operational land imager associated with human activities in Korea.EnvironMonit Assess 187(6).
Ma,R.H.,Duan,H.T.,Hu,C.M.,Feng,X.Z.,Li,A.N.,Ju,W.M.,Jiang,J.H.andYang,G.S.2010.A half-century of changes in China's lakes:Global warming orhuman influence?Geophys Res Lett37.
Schindler,D.W.2006.Recent advances in the understanding andmanagement of eutrophication.Limnol Oceanogr 51(1),356-363.
Wang,S.L.,Li,J.S.,Zhang,B.,Spyrakos,E.,Tyler,A.N.,Shen,Q.,Zhang,F.F.,Kutser,T.,Lehmann,M.K.,Wu,Y.H.and Peng,D.L.2018.Trophic state assessment ofglobal inland waters using a MODIS-derived Forel-Ule index.Remote SensEnviron 217,444-460.
Wu,C.F.,Wu,J.P.,Qi,J.G.,Zhang,L.S.,Huang,H.Q.,Lou,L.P.and Chen,Y.X.2010.Empirical estimation of total phosphorus concentration in themainstream of the Qiantang River in China using Landsat TM data.Int J RemoteSens 31(9),2309-2324.
Xiong,J.F.,Lin,C.,Ma,R.H.and Cao,Z.G.2019.Remote Sensing Estimationof Lake Total Phosphorus Concentration Based on MODIS:A Case Study of LakeHongze.Remote Sens-Basel 11(17).
杜成功,李云梅,王桥,朱利和吕恒.2016.面向GOCI数据的太湖总磷浓度反演及其日内变化研究.环境科学:37(3),862-872.
龚绍琦,黄家柱,李云梅,陆皖宁,王海君和王国祥.2008.水体氮磷高光谱遥感实验研究初探.光谱学与光谱分析:28(4),839-842.
刘瑶和江辉.2013.鄱阳湖表层水体总磷含量遥感反演及其时空特征分析.自然资源学报:(12),2169-2177.
王丽艳,李畅游和孙标.2014.基于MODIS数据遥感反演呼伦湖水体总磷浓度及富营养化状态评价.环境工程学报:8(12),5527-5534.
徐良将,黄昌春,李云梅和陈霞.2013.基于高光谱遥感反射率的总氮总磷的反演.遥感技术与应用:28(4),681-688.。
发明内容
本发明的目的在于提供一种可适用于浑浊湖泊的总磷浓度遥感估算方法,不仅在空间范围上可以用于不同湖泊的总磷浓度估算,而且在时间尺度上能模拟长时间总磷浓度变化。
为达成上述目的,本发明所采用的技术方案如下:
一种浑浊湖泊总磷浓度遥感估算方法,包括如下步骤:
1)构建总磷建模变量集,所述变量集由如下数据构成:
遥感各波段遥感反射率数据Rrc、其不同形式的数学变换及组合数据,像元FAI数值及像元时空信息;
2)计算变量集中所有变量的重要性指数,将变量按照重要性指数降序排序,作为输入参数依次输入BST模型,将星地同步调查得到的实测总磷浓度数据作为模型输出,进行模型训练,根据模型精度筛选出敏感变量,获取反演模型。
作为本发明的进一步改进,还包括,分析湖泊水体光学活性和磷赋存特征,判断湖泊水体是否属于浑浊水体,对于浑浊水体,基于所述步骤进行湖泊总磷浓度估算。
进一步的,利用实测水体光学活性物质的吸收系数(包括:浮游植物色素吸收系数aph,非色素颗粒吸收系数ad和有色可溶性有机物吸收系数ag)对比纯水的吸收系数(aw),分析各湖泊光学特性变化;进一步的通过光学活性物质,包括叶绿素a和总悬浮物浓度进行水体光学活性分析,利用Pearson系数判断二者之间的关系。
作为本发明的进一步改进,遥感数据源为MODIS level-1B影像数据。
进一步的,还包括对遥感产品反射率进行预处理,使用辅助的气象数据和瑞利散射查找表,在SeaDAS 7.5软件中进行水汽吸收、臭氧吸收和瑞利散射的去除,得到瑞利校正后的反射率(Rayleigh corrected reflectance,Rrc);进一步的,利用Rrc,2130<0.021的阈值提取湖泊水体,去除云和陆地覆盖的影像区域。
作为本发明的进一步改进,对用于建模的星地同步样点数据进行筛选,包括:①结合采样点定位数据和卫星影像去除云覆盖区域的样点;②以FAI>-0.04为依据,剔除藻华覆盖样点;③基于卫星影像快视图,剔除太阳耀斑覆盖的样点;④结合采样时间和卫星过境时间数据,使用±3h的时间窗口匹配数据集。
作为本发明的进一步改进,所述遥感各波段遥感反射率数据Rrc的不同形式的数学变换包括倒数,对数,指数,开方和平方;所述组合包括任意两波段之间相加、减、乘、除和归一化组合。
作为本发明的进一步改进,所述像元时空信息包括像元经度(Lat)、纬度(Lon)和日期(Date)信息。
作为本发明的进一步改进,所述BST模型构建利用XGBoost包实现,其内部结构调整参数包括learning_rate、max_depth、subsample、min_child_weight、colsample_bytree、reg_alpha;在保持较高预测精度的前提下,以低learning_rate、max_depth、subsample、learning_rate、colsample_bytree和高reg_alpha这一原则进行调参,获取最优的模型结构参数。
作为本发明的进一步改进,所述方法还包括,采用刀切法对模型精度进行交叉验证,随机选取75%的样本用于训练,25%的样本用于验证,通过5组随机选择的训练集和验证集,基于平均RMSE和MRE对模型性能进行评价,选择精度最高的模型作为最终的总磷估算模型。
本发明利用去除瑞利散射后的MODIS Rrc数据,结合湖泊的星地同步实测数据,对比传统算法和机器学习的方法开发了适合MODIS传感器的湖泊总磷浓度估算模型,算法性能通过实测数据充分评估,不仅实现了较大范围的湖泊总磷浓度估算,而且应用到长时间序列MODIS数据上。该方法的原理、过程和结果突破了湖泊总磷浓度大范围遥感估算的瓶颈,为非光学活性物质的遥感监测提供了新思路,有助于提高湖泊富营养化监测水平,为湖泊生态环境监测和水环境治理提供参考。
由以上本发明的技术方案可知,本发明的利用MODIS和机器学习的富营养化湖泊总磷浓度遥感估算方法。该方法基于长江中下游流域和淮河流域(江淮区域)的7个典型富营养化湖泊实测总磷数据,利用瑞利散射校正后的MODIS Rrc数据,同时结合时空信息数据,建立了可以估算湖泊总磷浓度的遥感算法。总磷浓度的时空分布可以实现对湖泊生态环境以及饮用水源地有效评估;湖泊总磷浓度的长期监测,有助于科学评估总磷浓度时空变化趋势,有效评估湖泊水体生态环境变化,为湖泊富营养化监测和水环境保护治理提供技术支撑。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1是江淮区域典型湖泊总磷浓度统计图。
图2是江淮区域典型湖泊的各物质吸收系数贡献比:(a)巢湖水体吸收系数;(b)洪泽湖水体吸收系数;(c)南漪湖水体吸收系数;(d)骆马湖水体吸收系数;(e)太湖水体吸收系数。
图3是江淮区域典型湖泊总磷和光学活性物质之间的散点图:(a)巢湖;(b)洪泽湖;(c)南漪湖;(d)石臼湖;(e)骆马湖;(f)滆湖;(g)太湖。
图4是机器学习算法的验证精度散点图。
图5是MODIS在太湖的总磷浓度估算实施案例(2017年4月29日、2019年11月14日)。
图6是MODIS影像在洪泽湖(2018年8月25日)、骆马湖(2020年10月24日)、石臼湖(2018年7月20日)、南漪湖(2018年10月28日)、滆湖(2018年7月18日)和巢湖(2017年4月28日)的总磷浓度估算实施案例。
图7是某一时期(2002-2019年)洪泽湖年平均总磷浓度空间分布。
前述图示1-7中,作为英文形式表达的各坐标、标识或其他表示,均为本领域所公知的,并不在本例中再做赘述。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是应为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
实施例1
本实施例以江淮区域7个典型富营养化湖泊为例,对本发明的技术方案作进一步描述。
本发明基于湖泊野外实测总磷浓度数据,利用SeaDAS软件,对MODIS影像数据进行瑞利散射校正得到MODIS Rrc数据,将各波段Rrc数据进行数学变换和波段组合,结合FAI和时空信息,构建总磷遥感估算建模数据集;分析不同湖泊的光学特征和总磷的赋存特征,利用BST模型,计算每个变量的重要性指数,筛选输入变量,以总磷浓度为输出,构建总磷浓度遥感估算算法。之后将算法应用到各典型富营养化湖泊中评估其性能;最后,将算法应用到2002-2019年的洪泽湖MODIS影像,获取了富营养化湖泊总磷浓度时空分布特征。
作为示例性的描述,下面结合附图所示,对前述方法的实施进行具体说明。
步骤1、基于湖泊野外实测数据,结合对应时期MODIS数据和时空变量构建建模数据集;
采用MODIS的level-1B数据产品,对产品反射率进行预处理,使用辅助的气象数据和瑞利散射查找表,在SeaDAS 7.5软件中进行水汽吸收、臭氧吸收和瑞利散射的去除,得到瑞利校正后的反射率(Rayleigh corrected reflectance,Rrc);进一步的,利用Rrc,2130<0.021的阈值提取湖泊水体,去除云和陆地覆盖的影像区域。之后,将各波段分别经过倒数,对数,指数,开方和平方的数学变换,得到六种形式的Rrc,并利用枚举法,通过加、减、乘、除和归一化组合任意形式两波段;同时,加入像元FAI、经度、纬度和日期,构建变量集。
对于星地同步数据样本点进行筛选,包括:(1)结合采样点定位数据和卫星影像,去除云覆盖区域的样点;(2)以FAI>-0.04为依据,剔除藻华覆盖样点;(3)基于卫星影像快视图,剔除太阳耀斑覆盖的样点;(4)结合采样时间和卫星过境时间数据,使用±3h的时间窗口匹配数据集。共得到典型富营养化湖泊样本点209个,统计各湖泊总磷浓度(图1),可以看出这些样本涵盖了较大范围的总磷浓度,平均浓度为0.11mg/L,最高浓度达到了0.49mg/L。
步骤2、分析水体光学活性和磷赋存特征,筛选敏感变量,构建总磷遥感估算模型;
水体光学特性分析是通过对比水体光学活性物质的吸收系数(包括:浮游植物色素吸收系数aph,非色素颗粒吸收系数ad和有色可溶性有机物吸收系数ag)和纯水的吸收系数(aw),确定湖泊光学特性变化的主导因素。本实施例测定了巢湖、洪泽湖、南漪湖、骆马湖和太湖的水体吸收系数(图2),在600nm之前,所有湖泊的纯水吸收系数贡献比均为最低,因此这5个湖泊属于浑浊水体,滆湖与太湖连通、石臼湖与南漪湖连通,可以认为这滆湖与石臼湖也属于浑浊水体。
由于自然和人文条件的差异,本实施例调查湖泊之间存在显著差异。不同湖泊的水体光学特征存在显著差异:太湖巢湖水体光学特征以浮游植物为主导,其他湖泊以无机颗粒物为主导。不同湖泊的磷赋存特征也存在显著差异(图3):洪泽湖、滆湖、骆马湖和石臼湖的磷主要与悬浮物存在良好的相关性;南漪湖和太湖的总磷主要与叶绿素a存在良好的相关性。显然,本实施例调查湖泊涵盖了不同光学特征和磷赋存特征的浑浊水体,因此本发明的估算方法可以适用于不同类型的浑浊水体。
其中,总磷浓度测定采用酸溶-钼锑抗比色法测定,悬浮物浓度采用“称量法”测量,叶绿素a浓度采用“丙酮萃取法”利用分光光度计测量。
计算所有变量的重要性指数,按照降序排序,依次输入BST模型中,根据模型精度筛选输入变量。BST模型利用XGBoost包实现,其内部结构调整参数包括learning_rate、max_depth、subsample、min_child_weight、colsample_bytree、reg_alpha;在保持较高预测精度的前提下,以低learning_rate、max_depth、subsample、learning_rate、colsample_bytree和高reg_alpha这一原则进行调参,获取最优的模型结构参数。
本实施例中,通过上述的方法原理训练得到的模型参数分别是,learning_rate为0.003,max_depth是11层,subsample是0.6,min_child_weight是3,colsample_bytree为0.8,reg_alpha为0.2,最大迭代次数初始采用100000次,然后采用XGBoost包中cross_validation自动优化确定。利用5层刀切法方法交叉验证,通过5组随机选择的训练集(75%)和验证集(25%)对模型性能进行评价(平均的RMSE和MRE),选择精度效果最好的模型作为最终的模型。
本实施例中,最终得到的输入变量共6个,分别为Date,Lon,Lat,√(Rrc,645)-√(Rrc,555),1/(Rrc,859-Rrc,555)和FAI。交叉验证的结果表明,大部分的数据点都均匀分布在1:1线附近,算法精度良好(R2=0.73,RMSE=0.05mg/L,MRE=30.91%);多轮验证指标表明了模型对于训练集依赖性弱,具备较好的抗干扰性能,说明了模型具备较好的泛化能力。
步骤3、将步骤2得到的总磷浓度遥感估算算法应用至湖泊遥感数据,获取湖泊总磷空间分布,以洪泽湖为例,模拟长时间总磷变化趋势;
图5和图6展示了江淮区域7个典型富营养化湖泊总磷浓度估算结果。整体上看,所有湖泊的湖心区的总磷浓度低于近岸水体的磷浓度,符合常理常识,这是由于湖泊总磷主要来源于流域输入。太湖由于藻华爆发,两期模拟结果存在较大差异,均与RGB原图藻华空间分布一致,在藻华较高的区域,总磷浓度较高,在清澈水体总磷浓度较低,与我们期待的一致。除了太湖之外,其他6个湖泊之间的总磷浓度存在显著差异,巢湖的总磷浓度显著高于其他湖泊,平均浓度达到0.14mg/L,其次是滆湖,平均浓度为0.11mg/L,骆马湖的总磷浓度最低,仅有0.04mg/L,约为巢湖总磷浓度的三分之一。不同区域湖泊之间TP浓度存在差异,淮河流域的洪泽湖和骆马湖总磷浓度较低,平均浓度均未超过0.10mg/L,巢湖、滆湖、石臼湖和南漪湖位于长江流域,总磷浓度显著高于淮河流域的湖泊。不同湖泊内部总磷空间部分存在显著差异,尤其是面积较大的湖泊内部空间分异明显:①洪泽湖北部城子湖总磷显著低于其他区域,这是由于洪泽湖的主要上游河流-淮河由南向北注入洪泽湖,经过水区后由东部的下游水系直接排出,因此北部城子湖受到外源输入影响较小,磷浓度较低;②巢湖总磷浓度呈显出西高东低的变化趋势,这是由于坐落于巢湖西北的合肥排放了大量污染物,造成巢湖西部总磷浓度显著高于东部。这两个湖总磷浓度空间分布均与已有调查结果相符。
本实施例将总磷遥感算法应用到了2003-2019年洪泽湖的1633景MODIS数据,模拟了洪泽湖总磷浓度时空分布(图7)。洪泽湖磷含量的空间分布基本一致,北部城子湖湾磷浓度较低,西部和湖心出磷浓度较高。洪泽湖磷浓度在2011-2012年间出现了显著增加,在2017年之后缓慢降低,符合洪泽湖采砂活动变化。由于采砂活动破坏了洪泽湖的水生态平衡,大量底质再悬浮,内源释放大量增加导致洪泽湖磷浓度迅速升高,2017年开始当地政府严厉打击非法采砂活动,洪泽湖总磷浓度开始降低。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。
Claims (6)
1.一种浑浊湖泊总磷浓度遥感估算方法,其特征在于,包括如下步骤:
分析湖泊水体光学活性和磷赋存特征,判断湖泊水体是否属于浑浊水体,对于浑浊水体,基于以下步骤进行湖泊总磷浓度估算:
1)构建总磷建模变量集,所述变量集由如下数据构成:
遥感各波段遥感反射率数据R rc 、其不同形式的数学变换及组合数据,像元FAI数值及像元时空信息;其中,遥感数据源为MODIS level-1B影像数据;所述像元时空信息包括像元经度、纬度及日期信息;
对影像数据进行预处理,包括:利用SeaDAS,基于辐射传输模型产生的查找表对MODISlevel-1B影像数据进行水汽、臭氧吸收和瑞利散射的校正,得到R rc数据;之后以R rc,2130 <0.021为依据,提取湖泊水体,去除云和陆地覆盖的影像区域,对预处理后的R rc数据进行变量集构建;
2)计算变量集中所有变量的重要性指数,将变量按照重要性指数降序排序,作为输入参数依次输入BST模型,将星地同步调查得到的实测总磷浓度数据作为模型输出,进行模型训练,根据模型精度筛选出敏感变量,获取反演模型。
2.根据权利要求1所述的方法,其特征在于,基于叶绿素a和总悬浮物浓度进行水体光学活性分析,利用Pearson系数判断二者之间的关系。
3.根据权利要求1所述的方法,其特征在于,所述遥感各波段遥感反射率数据R rc 的不同形式的数学变换包括其倒数,对数,指数,开方和平方;所述组合包括任意两波段之间相加、相减、相乘、相除和归一化组合。
4. 根据权利要求1所述的方法,其特征在于,对用于建模的星地同步样点数据进行筛选,包括:①结合采样点定位数据和卫星影像去除云覆盖的样点;②以FAI > -0.04为依据,剔除藻华覆盖样点;③基于卫星影像快视图,剔除太阳耀斑覆盖的样点;④结合采样时间和卫星过境时间数据,使用±3h的时间窗口匹配数据集。
5.根据权利要求1所述的方法,其特征在于,所述BST模型利用XGBoost包实现,其内部结构调整参数包括learning_rate、max_depth、subsample、min_child_weight、colsample_bytree、reg_alpha;在保持较高预测精度的前提下,以低learning_rate、max_depth、subsample、learning_rate、colsample_bytree和高reg_alpha这一原则进行调参,获取最优的模型结构参数。
6.根据权利要求1所述的方法,其特征在于,还包括,采用刀切法对模型精度进行交叉验证,随机选取75%的样本用于训练,25%的样本用于验证,通过5组随机选择的训练集和验证集,基于平均RMSE和MRE对模型性能进行评价,选择精度最高的模型作为最终的总磷估算模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110607535.5A CN113420497B (zh) | 2021-06-01 | 2021-06-01 | 浑浊湖泊总磷浓度遥感估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110607535.5A CN113420497B (zh) | 2021-06-01 | 2021-06-01 | 浑浊湖泊总磷浓度遥感估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420497A CN113420497A (zh) | 2021-09-21 |
CN113420497B true CN113420497B (zh) | 2024-04-19 |
Family
ID=77713495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110607535.5A Active CN113420497B (zh) | 2021-06-01 | 2021-06-01 | 浑浊湖泊总磷浓度遥感估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420497B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113917462A (zh) * | 2021-11-10 | 2022-01-11 | 南京吉泽信息科技有限公司 | 针对水体中溶解磷浓度的遥感估算方法 |
CN113945527B (zh) * | 2021-11-15 | 2022-11-01 | 江苏天汇空间信息研究院有限公司 | 基于卫星数据得到水质总磷参数反演最优模型的方法 |
CN116893146B (zh) * | 2023-06-12 | 2024-03-29 | 华能澜沧江水电股份有限公司 | 水体颗粒磷浓度的确定方法、装置、设备及存储介质 |
CN117198428A (zh) * | 2023-09-11 | 2023-12-08 | 中国科学院东北地理与农业生态研究所 | 土壤侵蚀条件下的湖泊有色溶解性有机物遥感估算方法 |
CN118091070B (zh) * | 2024-04-19 | 2024-08-23 | 航天宏图信息技术股份有限公司 | 蓝藻水华监测预警的方法、系统、设备和介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1931740A (zh) * | 2006-09-29 | 2007-03-21 | 合肥工业大学 | 一种矿区酸水的源头治理方法 |
CN106126826A (zh) * | 2016-06-27 | 2016-11-16 | 中国科学院南京地理与湖泊研究所 | 一种基于viirs传感器的浑浊湖泊水体悬浮物浓度估算方法 |
CN107980065A (zh) * | 2015-05-11 | 2018-05-01 | 3M创新有限公司 | 用于减少核酸扩增抑制的组合物 |
CN108072763A (zh) * | 2016-11-15 | 2018-05-25 | 杭州绿洁水务科技股份有限公司 | 一种检测水中微囊藻毒素的微流控芯片及检测方法 |
CN110598251A (zh) * | 2019-08-05 | 2019-12-20 | 中国科学院南京地理与湖泊研究所 | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 |
CN110909949A (zh) * | 2019-11-29 | 2020-03-24 | 山东大学 | 基于聚类-回归算法的近岸海域叶绿素a浓度预测方法 |
CN112233734A (zh) * | 2020-09-30 | 2021-01-15 | 山东大学 | 基于机器学习的水质数据推演获取方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060099704A1 (en) * | 2004-07-14 | 2006-05-11 | Predki Paul F | Method for providing protein microarrays |
US20210147911A1 (en) * | 2019-07-12 | 2021-05-20 | California Institute Of Technology | Rodent model and related device, compositions, methods and systems |
-
2021
- 2021-06-01 CN CN202110607535.5A patent/CN113420497B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1931740A (zh) * | 2006-09-29 | 2007-03-21 | 合肥工业大学 | 一种矿区酸水的源头治理方法 |
CN107980065A (zh) * | 2015-05-11 | 2018-05-01 | 3M创新有限公司 | 用于减少核酸扩增抑制的组合物 |
CN106126826A (zh) * | 2016-06-27 | 2016-11-16 | 中国科学院南京地理与湖泊研究所 | 一种基于viirs传感器的浑浊湖泊水体悬浮物浓度估算方法 |
CN108072763A (zh) * | 2016-11-15 | 2018-05-25 | 杭州绿洁水务科技股份有限公司 | 一种检测水中微囊藻毒素的微流控芯片及检测方法 |
CN110598251A (zh) * | 2019-08-05 | 2019-12-20 | 中国科学院南京地理与湖泊研究所 | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 |
CN110909949A (zh) * | 2019-11-29 | 2020-03-24 | 山东大学 | 基于聚类-回归算法的近岸海域叶绿素a浓度预测方法 |
CN112233734A (zh) * | 2020-09-30 | 2021-01-15 | 山东大学 | 基于机器学习的水质数据推演获取方法及系统 |
Non-Patent Citations (2)
Title |
---|
Development of remote sensing algorithm for total phosphorus concentration in eutrophic lakes: Conventional or machine learning?;Junfeng Xiong等;《Water Research》;1-11 * |
利用高分一号卫星与XGBoost模型的水体总氮和总磷监测技术;赵力等;《遥感信息》;第36卷(第2期);96-103 * |
Also Published As
Publication number | Publication date |
---|---|
CN113420497A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113420497B (zh) | 浑浊湖泊总磷浓度遥感估算方法 | |
Du et al. | Estimation of total phosphorus concentration using a water classification method in inland water | |
CN108593569B (zh) | 基于光谱形态特征的高光谱水质参数定量反演方法 | |
Binding et al. | Suspended particulate matter in Lake Erie derived from MODIS aquatic colour imagery | |
Pozdnyakov et al. | Operational algorithm for the retrieval of water quality in the Great Lakes | |
Rodríguez-López et al. | Spectral analysis using LANDSAT images to monitor the chlorophyll-a concentration in Lake Laja in Chile | |
Xiong et al. | Development of remote sensing algorithm for total phosphorus concentration in eutrophic lakes: Conventional or machine learning? | |
Shi et al. | Ocean reflectance spectra at the red, near‐infrared, and shortwave infrared from highly turbid waters: A study in the Bohai Sea, Yellow Sea, and East China Sea | |
Li et al. | Estimation of chlorophyll-a concentrations in a highly turbid eutrophic lake using a classification-based MODIS land-band algorithm | |
Li et al. | Estimation of chlorophyll a concentration using NIR/red bands of MERIS and classification procedure in inland turbid water | |
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 | |
CN112070234A (zh) | 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法 | |
CN111538940B (zh) | 悬浮物浓度反演模型确定方法及悬浮物浓度确定方法 | |
Chen et al. | Remote sensing estimation of chlorophyll-A in case-II waters of coastal areas: Three-band model versus genetic algorithm–artificial neural networks model | |
Li et al. | Evaluation of the Quasi-Analytical Algorithm (QAA) for estimating total absorption coefficient of turbid inland Waters in Northeast China | |
Ye et al. | Atmospheric correction of Landsat-8/OLI imagery in turbid estuarine waters: A case study for the Pearl River estuary | |
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 | |
CN114819150A (zh) | 一种极地海洋冬季初级生产力遥感反演方法 | |
Burford et al. | Inundation of saline supratidal mudflats provides an important source of carbon and nutrients in an aquatic system | |
Hang et al. | Estimation of chlorophyll-a concentration in Lake Taihu from Gaofen-1 wide-field-of-view data through a machine learning trained algorithm | |
Zhao et al. | Eutrophication and lakes dynamic conditions control the endogenous and terrestrial POC observed by remote sensing: Modeling and application | |
CN113763272B (zh) | 一种富营养化湖泊光合有效辐射衰减系数遥感反演方法 | |
CN114705632A (zh) | 一种利用卫星遥感反射率估算水库营养状态指数的方法 | |
Mbuh | Use of hyperspectral remote sensing to estimate water quality | |
Zhu et al. | Spatiotemporal variations of total suspended matter in complex archipelagic regions using a sigmoid model and Landsat-8 imagery |
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 |