CN113466135A - 一种基于gee的海水水质在线反演监测方法 - Google Patents

Abstract

本发明实施例公开了一种基于GEE的海水水质在线反演监测方法，包括以下步骤：获取海水采样的面层和中层两组数据并整理成真实水质数据；对哨兵二号卫星遥感数据进行云量处理，并进行辐射校正和大气校正处理；使用随机森林算法对所述S1、S2得到的数据进行回归分析得到模型；对需要反演的无对应地面数据的遥感数据进行预测输出结果。采用本发明，能够解决传统的遥感数据处理过程中需要下载图像占用较大存储空间以及处理时间长的问题。另外，水质变化具有时空特性，如果单从几个监测点的数据可能无法直观的看出水质信息，我们可以结合相关数据和平台，输出大范围的水质分布图。

Description

一种基于GEE的海水水质在线反演监测方法

技术领域

本发明涉及一种海水水质监测方法，尤其涉及一种基于GEE的海水水质在线反演监测方法。

背景技术

海洋是一个完整的水体。海洋本身对污染物有着巨大的搬运、稀释、扩散、氧化、还原和降解等净化能力。但这种能力并不是无限的，当局部海域接受的有毒有害物质，超过它本身的自净能力时，就会造成该海域的污染。海洋对气候具有强大的调节作用，沿海地区是地球上最适合人类居住的区域，自古以来人类都会有意识的选择靠近海洋的地区定居，如今沿海地区的人口数量更是爆炸式的增长，有些地区的人口数量已经超出了当地的人口承载极限。人口数量的大幅增加给海洋环境带来了更大的压力，造成了海洋环境的破坏，这种结果反过来也影响了沿海居民的居住环境。海洋监测和海洋保护一直是政府关注的重点，海洋监测任务的核心是通过监测和分析评价水资源质量及其随时间变化规律，为国家和各级政府合理开发利用、管理与保护海洋资源提供科学依据。因此，实时而有效地获取水质空间分布状况及其变化趋势，对于改善水资源质量和水环境状况具有十分重要的意义。传统的海洋水质检测手段虽然能够较为精细的测量监测点的水质数据，但是仍然存在着诸如以下方面的问题：(1)水质采样点有限，由于人力物力等方面的限制，采样人员只能在有限的采样点进行采样，分析水质，传统的水质采样和监测方法费时费力，成本高。只能获取监测点的当地水质信息。无法准确获得大面积的水质状况及变化情况。(2)水质数据中包含的指标非常多。根据国家环保部门的规定，仅基本污染物就包含24个指标，加上各种化学元素与有机化合物等，合计109种不同指标。如果对这些水质指标同时进行监测，所产生的开销和技术难度也会随之增大(3)传统的水质反演手段是使用离线下载的遥感图像和地面数据进行反演，下载图像和处理数据均会产生时间开销。不仅如此，单幅遥感图像的大小就可能达到1-2G，带来的存储开销也不小(4)水质的变化一般来说是具有季节性的，环境治理也是一个具有长期性特征的工作，这也就要求进行长时间序列的水质监测提供依据。传统的监测站检测手段在时间上具有一定的限制，无法回溯到监测站设置之前的水质状况，不能为水质恢复工作提供一个参照依据。

而通过Google公司提供的地理信息数据处理平台Google earth engine(后文将简称为GEE)就能够很好的解决上述提到的时间和空间开销问题。首先GEE上存储的公开遥感图像达到了PB级，完全能够满足需要。其次，就所使用到的：Sentinel-2卫星的遥感数据而言，GEE不仅提供了原始图像数据，还提供了其他级别的产品，比如TOA(大气反射率)和SR(表面反射率)产品。这对数据的处理上节约了大量的时间。另外，GEE还支持JavaScript和Python编程语言，数据的处理能够借助Google提供的云计算资源快速得到结果。

在使用遥感图像进行水质反演上前人已经进行了大量的研究。近年来，学者们也注意到了GEE平台在遥感数据处理上的优势，并进行了探究。

1)遥感水质反演

Chang等利用MODIS影像和遗传规划模型研究了美国坦帕湾总磷的时空变化规律，阐明了由自然灾害和人为扰动引起的耦合动态影响。Wang等利用2000—2017年MODIS

数据揭示了中国水质清晰度的长期时空变化趋势，探讨了不同地区的湖泊清晰度和经济发展。Saberioon等以Sentinel-2A的10个光谱波段和19个光谱指数的组合作为自变量训练Cubist模型，生成叶绿素a和总悬浮物的空间分布图，监测小型内陆水体的生物物理状态Pahlevan等利用大量原位叶绿素a测量值和重采样的高光谱辐射数据模拟Sentinel-2携带的多光谱成像仪，训练并验证混合密度网络模型，通过三种不同的大气校正方法获得了准确的叶绿素a分布图。水体中复杂的光谱特征导致水质遥感监测在本质上是一个非线性的反演过程。机器学习具有较强的适应性、组织性和容错性，可以通过持续不断的学习、校正和误差反馈提升遥感反演模型的精度和泛化能力，正适合模拟遥感影像和水质参数间错综复杂的关系。目前，应用于水质反演的机器学习模型包括随机森林、支持向量机、神经网络等。

2)GEE平台的使用

Matt Hansen等在2013年使用GEE进行了十年内全球树木覆盖范围、损失和收益调

查，分析了南极洲和一些北极岛屿的全球土地，仅用一台计算机在几天内完成了15年的工作。Huang等应用GEE云平台以及LandsatG5、7、8影像集，得出北京过去30年间主要土地覆盖类型的变化。Goldblat应用GEE云平台和Landsat 7、Landsat8数据集，绘制出高精度的印度城镇区域分布图。由于非洲大陆景观的破碎性、复杂性等因素，绘制非洲大陆的耕地范围图难度较大，Xiong等应用GEE云平台，不仅绘制了非洲大陆的耕地范围图，并且还对不同类型耕地进行了时间序列变化研究。应用遥感进行大范围的农业估产的技术已经比较成熟，而相比之下，对小范围、小户型的自营农业进行估产则比较少。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于GEE的海水水质在线反演监测方法。可解决水质监测问题中地面监测技术范围小，成点分布，无法在长时间序列和大空间范围进行水质分析的问题。

为了解决上述技术问题，本发明实施例提供了一种基于GEE的海水水质在线反演监测方法，包括以下步骤：

S1：获取海水采样的面层和中层两组数据并整理成真实水质数据；

S2：对哨兵二号卫星遥感数据进行云量处理，并进行辐射校正和大气校正处理；

S3：使用随机森林算法对所述S1、S2得到的数据进行回归分析得到模型；

S4：对需要反演的无对应地面数据的遥感数据进行预测输出结果。

其中，所述辐射校正和大气校正处理的步骤包括：

辐射亮度值定标为

L_λ＝Gain*DN+OffSet

大气表观反射率定标为

式中，L_λ为以W/(m²·sr·um)为单位的辐射亮度值；d为以天文单位的地球-太阳距离；ESUN_λ为以W/(m²·μm)为单位的太阳辐照度；θ为以度为单位的太阳高度角；

大气校正：

式中，L为传感器处像元接收到的总辐照亮度；ρ为像素表面反射率；ρ_e为像素周围平均表面反射率；s为大气球面反照率；L_a为大气后向散射辐射率；A和B为取决于大气条件和几何条件的两个系数。

其中，所述云量处理的步骤包括：使用解析QA波段的数值筛选值的方法去云。

其中，所述云量处理的步骤包括：使用解析QA波段的数值筛选值的方法去云。

其中，所述步骤S4还包括步骤：

(1)针对某一输入样本，从二叉决策树的根节点起，判断当前节点是否为叶子节点，如果是则返回叶子节点的预测值，如果不是则进入下一步；

(2)根据当前节点的切分变量的和切分值，将样本中对应变量的值与节点的切分值对比，如果样本变量值小于等于当前节点切分值，则访问当前节点的左子节点；如果样本变量值大于当前节点切分值，则访问当前节点的右子节点；

(3)循环步骤2，直到访问到叶子节点，并返回叶子节点的预测值。

实施本发明实施例，具有如下有益效果：本发明引入了GEE云计算平台，通过该平台提供的云计算和云存储能力能够将遥感数据处理时间压缩至分钟甚至秒级，能快速进行大空间长时间范围内的遥感计算。本发明利用随机森林回归算法，构建了地面实测的海水盐度和温度以及由卫星获取的地表反射率数据之间的回归关系，实现了从遥感数据到水质数据的反演功能。

附图说明

图1是本发明的流程示意图；

图2是海水盐度预测值与真实值的示意图；

图3是温度预测值与真实值的示意图；

图4是深圳湾海水盐度浓度分布图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

本发明实施例的一种基于GEE的海水水质在线反演监测方法，通过以下步骤进行实施。

对于水质数据的获取：由于香港环保署对其管辖海域的水质检测频率为每月一次，而哨兵二号卫星的过境频率为5天虽然海水的变化幅度在短时间内比较小，但是为了避免时间因素对实验结果的影响，本发明筛选了距离海水采样时间最近的遥感数。另外，海水采样分为面层、中层、底层三个深度，选择面层和中层的两组数据作为真实数据并整理成真实数据集。

对于遥感数据的处理，对于哨兵二号卫星数据进行云量处理，并进行辐射校正和大气校正处理；

辐射校正和大气校正如下：

辐射亮度值定标为

L_λ＝Gain*DN+OffSet

上述中，辐射定标是将传感器记录的电压值或者数字量化值转为绝对辐射亮度值(辐射率)的过程，或者转化为与地表(表观)反射率、表面(表观)温度等物理量有关的相对值的过程，在本发明过程中是将其转化为地标反射率的过程。辐射校正是通过各种标准辐射源建立辐射亮度值与数字量化值之间的定量关系，本发明使用的是绝对定标，他通过一个线性关系式(上述公式)完成数字量化值与辐射亮度值的转换。

式中，L_λ为以W/(m²·sr·um)为单位的辐射亮度值；DN表示图像的数字量化值，是被传感器记录下来的地表反射电磁波的强度；Gain表示增益，OffSet表示偏置，这两个参数由遥感图像相关文件可以获取。

大气表观反射率定标：

式中，L_λ为以W/(m²·sr·um)为单位的辐射亮度值；d为以天文单位的地球-太阳距离；ESUN_λ为以W/(m²·μm)为单位的太阳辐照度；θ为以度为单位的太阳高度角。

FLAASH大气校正

式中，L为传感器处像元接收到的总辐照亮度；ρ为像素表面反射率；ρ_e为像素周围平均表面反射率；s为大气球面反照率；L_a为大气后向散射辐射率(大气程辐射)；A和B为取决于大气条件和几何条件的两个系数。

由于云层对反射率的影响是非常大的，在图像筛选阶段还需要对遥感数据中的云量进行处理，处理的方式如下：

图像的去云即去除因为空中的云对图像的影响。遥感图像在成像过程中极易受到云的干扰，特别的，被厚云层遮挡区域的遥感信息完全丢失，降低了遥感数据使用效率，影响了后期专题信息提取的准确性。遥感去厚云的目的是有效还原被遮挡区域的遥感信息，并保证其它区域的遥感数据不失真。

Sentinel-2卫星数据提供了一个QA波段(即质量波段)，该波段以二进制形式上的各个位置分别代表不同的气溶胶，如水汽、云阴影，雪以及云等，还通过其他比特位上的值来表示置信度。所以通过解析QA波段的数值，可以了解到该像素点的云遮罩情况，再筛选值就可以达到简单的去云效果。

由于GEE提供的哨兵二号SR数据只从2017年4开始，而能获取的深圳湾的遥感数据从2018年12月开始，并且香港环保署提供下载的水质数据为2019年及以前，所以本发明使用到的数据是从2018年12月至2019年12月。

在机器学习算法上，GEE提供了SVM(支持向量机)和RF(随机森林)等几种方法，根据本发明的需求，即通过对应的地面水质数据和遥感数据回归分析得到模型，再对需要反演的无对应地面数据的遥感数据进行预测输出结果，本发明选择使用随机森林算法作为核心算法。

随机森林算法是一种有监督学习算法，其创建了一个森林的数据结构，这里的“森林”是由多个决策所构成的，且森林中的每一棵决策树之间都没有关联，该算法最终的输出结果是由森林中的每一棵决策树共同决定的。

决策树实际上就是将空间用超平面进行划分的一种方法，每次分割的时候都根据特征(如上图中的圆形)将当前空间一分为二。就此，决策树能够实现对特征的提取。决策树关键是在于如何划分数据集，期望将无需的数据变得更加有序，衡量有序与无序的指标就是信息熵：

其中X表示包含K个类别的样本集，P_k表示第k个样本在D这个样本集中的比例(频率)。

将f(x)＝-lnx在x＝1处进行泰勒展开(忽略高阶无穷小)：

f（x)＝f(x0)+f′(x0)(x-x0)+0

＝f(1)+f′(1)(x-1)+0

＝1-x

因此，熵可以转化为：

这里的Gini(X)指的是基尼指数。

而随机森林就是建立了多个决策树，并将他们合并在一起以获得更准确和更稳定的预测。这里的随机有两方面：一是样本的随机性，从训练集中抽取一定数量的样本，作为没课决策树的根节点样本；二是属性的随机性，在建立每颗决策树时，随机抽取一定数量的候选属性，从中选择最合适的属性作为分裂节点。

随机森林回归的预测结果是由内部所有二叉决策树的预测结果取平均值得到的。

二叉决策树的预测过程主要分为以下步骤：

(1)针对某一输入样本，从二叉决策树的根节点起，判断当前节点是否为叶子节点，如果是则返回叶子节点的预测值(即当前叶子中样本目标变量的平均值)，如果不是则进入下一步；

(2)根据当前节点的切分变量的和切分值，将样本中对应变量的值与节点的切分值对比。如果样本变量值小于等于当前节点切分值，则访问当前节点的左子节点；如果样本变量值大于当前节点切分值，则访问当前节点的右子节点；

(3)循环步骤2，直到访问到叶子节点，并返回叶子节点的预测值。

本发明具有如下有益效果：

1、本发明引入了GEE云计算平台，通过该平台提供的云计算和云存储能力能够将遥感数据处理时间压缩至分钟甚至秒级，能快速进行大空间长时间范围内的遥感计算。

2、本发明利用随机森林回归算法，构建了地面实测的海水盐度和温度以及由卫星获取的地表反射率数据之间的回归关系，实现了从遥感数据到水质数据的反演功能。

3、如图2、3，本发明在公开的数据进行了实验，实验结果能够达到较好的精度。如盐度反演精度能够达到92.1％，温度反演的平均精度为94.3％。精度计算方式为(真实值-预测值)/真实值，图2中，Real为真实值，Pred为预测值。

4、如图4，本发明能够绘制深圳湾海水盐度和海水温度的分布图，图示结果清晰，可以直观看到，河流入海处的海水盐度由近海向外海升高，且外海盐度分布均匀。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (5)

1.一种基于GEE的海水水质在线反演监测方法，其特征在于，包括以下步骤：

S1：获取海水采样的面层和中层两组数据并整理成真实水质数据；

S2：对哨兵二号卫星遥感数据进行云量处理，并进行辐射校正和大气校正处理；

S3：使用随机森林算法对所述S1、S2得到的数据进行回归分析得到模型；

S4：对需要反演的无对应地面数据的遥感数据进行预测输出结果。

2.根据权利要求1所述的基于GEE的海水水质在线反演监测方法，其特征在于，所述辐射校正和大气校正处理的步骤包括：

辐射亮度值定标为

L_λ＝Gain*DN+OffSet

大气表观反射率定标为

式中，L_λ为以W/(m²·sr·um)为单位的辐射亮度值；d为以天文单位的地球—太阳距离；ESUN_λ为以W/(m²·μm)为单位的太阳辐照度；θ为以度为单位的太阳高度角；

大气校正：

式中，L为传感器处像元接收到的总辐照亮度；ρ为像素表面反射率；ρ_e为像素周围平均表面反射率；s为大气球面反照率；L_a为大气后向散射辐射率；A和B为取决于大气条件和几何条件的两个系数。

3.根据权利要求2所述的基于GEE的海水水质在线反演监测方法，其特征在于，所述云量处理的步骤包括：使用解析QA波段的数值筛选值的方法去云。

4.根据权利要求3所述的基于GEE的海水水质在线反演监测方法，其特征在于，所述步骤S3包括使用信息熵进行划分数据集。

5.根据权利要求4所述的基于GEE的海水水质在线反演监测方法，其特征在于，所述步骤S4还包括步骤：

(1)针对某一输入样本，从二叉决策树的根节点起，判断当前节点是否为叶子节点，如果是则返回叶子节点的预测值，如果不是则进入下一步；

(2)根据当前节点的切分变量的和切分值，将样本中对应变量的值与节点的切分值对比，如果样本变量值小于等于当前节点切分值，则访问当前节点的左子节点；如果样本变量值大于当前节点切分值，则访问当前节点的右子节点；

(3)循环步骤2，直到访问到叶子节点，并返回叶子节点的预测值。

Images