CN113640233A - 一种基于无人机遥感的流域水环境质量检测方法及装置 - Google Patents
一种基于无人机遥感的流域水环境质量检测方法及装置 Download PDFInfo
- Publication number
- CN113640233A CN113640233A CN202110862430.4A CN202110862430A CN113640233A CN 113640233 A CN113640233 A CN 113640233A CN 202110862430 A CN202110862430 A CN 202110862430A CN 113640233 A CN113640233 A CN 113640233A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- environment quality
- water environment
- watershed
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 228
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims description 20
- 239000002245 particle Substances 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 12
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 10
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 230000033116 oxidation-reduction process Effects 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000012843 least square support vector machine Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000003911 water pollution Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 235000012206 bottled water Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于无人机遥感的流域水环境质量检测方法及装置，该方法包括：获取无人机高光谱数据；基于所述无人机高光谱数据，提取对应的水体特征；根据所述无人机高光谱数据、所述水体特征和地面实测数据，构建流域水环境质量监测模型。本发明利用无人机高光谱数据，结合地面实测数据，搭建基于深度学习的流域水环境质量的智能监测框架，实现对流域水环境的快速高效监测。
Description
技术领域
本发明涉及水污染监测技术领域，尤其涉及一种基于无人机遥感的流域水环境质量检测方法及装置。
背景技术
流域水作为生态系统中极其重要的一环，不仅为地球上所有生物的生存起到了能量和养分运输的作用，还能净化环境。在21世纪，水对于各个国家都是保证可持续发展战略实施的关键因素。地球上水体总量有限，特别是和人类生活息息相关的内陆淡水资源，极易因人类活动受到污染。在中国，有80％以上的城市河流受到污染，其中部分甚至变成了黑臭河道。水质监测是水污染防治和水质评价体系的主要依据，包括为环境管理提供数据和资料，为内陆水和海洋水质状况评价提供指标依据。随着中国城市化进程加快，水污染问题日益严峻，水质监测技术发展越来越受到各方面的重视。
目前国内外水质常规监测仍然以水域定点剖面的理化监测为主，其数据采集和分析过程复杂，周期长、时效性差，容易受到人力、财力和气候条件等因素的影响，特别是大范围监测应用能力和应急响应能力明显不足。由于决定水体质量的某些参数往往能引起水体光学性质的改变，遥感信号能敏锐捕捉到这种变化，因此将遥感技术应用于水质监测成为可能。在水质监测应用领域，遥感技术有其独特的优势，它克服了监测范围小、周期长等缺点，真正做到了低成本、快速地周期性动态监测，并且可以发现点源监测方法难以观测到的污染源和环境污染影响因子迁移过程。
通过遥感技术手段估算水质参数有两个途径，一个是航天光学遥感，另一个是通过现场实测光谱。航天遥感价格低廉，时效性较好，监测范围广，但光谱分辨率不足，针对内陆水体水质参数反演的波段选择和定量反演建模时空限制性强。地面实测高光谱具有波段数多、信息量大、反演灵活性强等优点，但是仅仅依靠野外实测高光谱难以实现从点到面估测整个湖库水质参数分布状况。随着各种体积小、重量轻、探测精度高的新型传感器的不断面世，无人机的性能不断提高，正逐步成为卫星遥感、有人机遥感和地面遥感的有效补充手段。因此无人机高光谱为水质参数遥感反演带来了契机，是一个极具意义的研究方向。因此，如何根据遥感高光谱图像进行高效的水质监测是亟待解决的问题。
发明内容
有鉴于此，有必要提供一种基于无人机遥感的流域水环境质量检测方法及装置，用以达到根据遥感高光谱图像进行高效水质监测的目的。
本发明提供一种基于无人机遥感的流域水环境质量检测方法，包括：
获取无人机高光谱数据；
基于所述无人机高光谱数据进行预处理，并提取对应的水体特征；
根据所述无人机高光谱数据、所述水体特征和地面实测数据，构建流域水环境质量监测模型。
进一步地，所述地面实测数据包括野外现场采集的水质参数数据，所述根据所述无人机高光谱数据、所述水体特征和地面实测数据，构建流域水环境质量监测模型包括：
根据所述水体特征，确定所述无人机高光谱数据中的水体范围；
根据所述野外现场采集的水质参数数据，确定所述水体范围对应的综合污染指数；
根据所述综合污染指数和所述无人机高光谱数据，构建流域水环境质量监测模型。
进一步地，所述水质参数数据包括塞奇深度、溶解氧、氧化还原电位及氨氮含量，所述综合污染指数通过如下公式表示：
其中，Pfinal表示所述综合污染指数，Pi表示第i个参数指标的无量纲结果，所述参数指标包括塞奇深度、溶解氧、氧化还原电位及氨氮含量，Pmax表示所述无量纲结果Pi中的最大值，Wi表示第i个参数指标的权重，Ii表示第i个参数指标的水质参数因子Ci和标准浓度Si之间的比值。
进一步地，所述根据所述综合污染指数和所述无人机高光谱数据，构建流域水环境质量监测模型包括：
获取多组无人机高光谱数据，并对多组所述无人机高光谱数据中的水体范围进行标注，确定训练样本集，其中，标注信息为所述无人机高光谱数据中水体范围对应实际的综合污染指数；
将所述训练样本集输入至所述流域水环境质量监测模型，确定预测的综合污染指数；
根据实际的综合污染指数和预测的综合污染指数，调整所述流域水环境质量监测模型的参数直至满足收敛条件，完成对所述流域水环境质量监测模型的训练，并将训练完备的流域水环境质量监测模型进行存储。
进一步地，所述流域水环境质量监测模型依次包括最小二乘支持向量机单元、粒子群优化算法单元和梯度提升决策树，其中：
所述最小二乘支持向量机单元，用于提取所述无人机高光谱数据对应的至少一个污染特征；
所述粒子群优化算法单元，用于将所述至少一个污染特征作为初始化粒子进行粒子群优化，确定至少一个优化特征；
所述梯度提升决策树，用于根据所述至少一个优化特征进行决策，判断所述至少一个优化特征是否为最佳特征，并根据所述最佳特征，确定预测的综合污染指数。
进一步地，在所述根据所述无人机高光谱数据、所述水体特征和地面实测数据，构建流域水环境质量监测模型之后，还包括：
获取待测无人机高光谱数据，对所述待测无人机高光谱数据进行预处理，并提取对应的水体特征；
将所述待测无人机高光谱数据输入至所述流域水环境质量监测模型，确定对应的预测的综合污染指数。
进一步地，在所述基于所述无人机高光谱数据，提取对应的水体特征之前还包括：对所述无人机高光谱数据进行预处理，预处理的方式包括依次进行传感器辐射定标、几何校正、绝对辐射定标。
进一步地，所述提取对应的水体特征包括：
用绿波段和近红外波段进行水体掩模，确定对应的反射率；
通过归一化差异水体指数NDWI阈值法提取所述水体特征，通过如下公式表示：
其中，NDWI表示所述水体特征，P(Green)表示绿波段对应的反射率，p(NIR)表示近红外波段对应的反射率。
进一步地，所述流域水环境质量监测模型结合平均绝对误差、均方根误差、决定系数进行模型精度评价。
本发明还提供一种基于无人机遥感的流域水环境质量检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如上所述的基于无人机遥感的流域水环境质量检测方法。
与现有技术相比，本发明的有益效果包括：首先，对无人机高光谱数据进行有效的获取；进而，基于无人机高光谱数据，进行预处理，有效捕捉图像中的水体特征，确定对应的水体区域；最后，结合无人机高光谱数据、水体特征和对应的地面实测数据，建立三者之间的联系，构建流域水环境质量监测模型，以便当待测无人机高光谱数据输入至流域水环境质量监测模型时，直接得到水质情况。综上，本发明利用无人机高光谱数据，结合地面实测数据，搭建基于深度学习的流域水环境质量的智能监测框架，实现对流域水环境的快速高效监测。
附图说明
图1为本发明提供的基于无人机遥感的流域水环境质量检测方法的应用系统一实施例的场景示意图；
图2为本发明提供的基于无人机遥感的流域水环境质量检测方法一实施例的流程示意图；
图3为本发明提供的图2中步骤S2水体特征提取一实施例的流程示意图；
图4为本发明提供的图2中步骤S3一实施例的流程示意图；
图5为本发明提供的图4中步骤S33一实施例的流程示意图；
图6为本发明提供的图2中步骤S3之后一实施例的流程示意图；
图7为本发明提供的无人机遥感的流域水环境质量检测装置一实施例的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。此外，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明的描述中，提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，所描述的实施例可以与其它实施例相结合。
本发明提供了一种基于无人机遥感的流域水环境质量检测方法及装置，应用于水环境监测中，依据无人机高光谱数据进行水质的识别，为进一步提高水环境监测的准确性和便捷性提供了新思路。以下分别进行详细说明：
本发明实施例提供了一种基于无人机遥感的流域水环境质量检测方法的应用系统，图1为本发明提供的基于无人机遥感的流域水环境质量检测方法的应用系统一实施例的场景示意图，该系统可以包括服务器100，服务器100中集成有基于无人机遥感的流域水环境质量检测装置，如图1中的服务器。
本发明实施例中服务器100主要用于：
获取无人机高光谱数据；
基于所述无人机高光谱数据进行预处理，并提取对应的水体特征；
根据所述无人机高光谱数据、所述水体特征和地面实测数据，构建流域水环境质量监测模型。
本发明实施例中，该服务器100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本发明实施例中所描述的服务器100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
可以理解的是，本发明实施例中所使用的终端200可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant，PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等，本实施例不限定终端200的类型。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本发明方案一种应用场景，并不构成对本发明方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的终端，例如图1中仅示出2个终端，可以理解的，该基于无人机遥感的流域水环境质量检测方法的应用系统还可以包括一个或多个其他终端，具体此处不作限定。
另外，如图1所示，该基于无人机遥感的流域水环境质量检测方法的应用系统还可以包括存储器200，用于存储数据，如无人机高光谱数据、水体特征和流域水环境质量监测模型等。
需要说明的是，图1所示的基于无人机遥感的流域水环境质量检测方法的应用系统的场景示意图仅仅是一个示例，本发明实施例描述的基于无人机遥感的流域水环境质量检测方法的应用系统以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着基于无人机遥感的流域水环境质量检测方法的应用系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
本发明实施例提供了一种基于无人机遥感的流域水环境质量检测方法，结合图2来看，图2为本发明提供的基于无人机遥感的流域水环境质量检测方法一实施例的流程示意图，包括步骤S1至步骤S3，其中：
在步骤S1中，获取无人机高光谱数据；
在步骤S2中，基于所述无人机高光谱数据，提取对应的水体特征；
在步骤S3中，根据所述无人机高光谱数据、所述水体特征和地面实测数据，构建流域水环境质量监测模型。
在本发明实施例中，首先，对无人机高光谱数据进行有效的获取；进而，基于无人机高光谱数据，进行预处理，有效捕捉图像中的水体特征，确定对应的水体区域；最后，结合无人机高光谱数据、水体特征和对应的地面实测数据，建立三者之间的联系，构建流域水环境质量监测模型，以便当待测无人机高光谱数据输入至流域水环境质量监测模型时，直接得到水质情况。
作为优选的实施例，所述步骤S2还包括基于所述无人机高光谱数据，进行预处理，具体包括：基于所述无人机高光谱数据，依次进行传感器辐射定标、几何校正、绝对辐射定标。在本发明实施例中，进行无人机高光谱数据的预处理，保证数据的准确性。
作为优选的实施例，传感器辐射定标包括：将传感器单元输出的信号转化成实际的辐射强度值，按照高光谱传感器制造商提供的辐射校正文档中的模型和转换参数，将原始图像数据逐像元从DN值转换为辐射亮度值。在本发明实施例中，进行传感器辐射定标，消除传感器本身误差。
作为优选的实施例，几何校正包括提供传感器的位置和姿态参数，进行影像(无人机高光谱数据)的地理定位，将影像纠正到正确的地理位置。需要说明的是，无人机高光谱传感器Headwall Nano为线性推扫成像传感器，因此在飞行过程中容易抖动使得推扫出的影像产生严重变形。无人机集差分GPS技术和惯性测量单元IMU技术于一体的定位定向系统(Position and Orientation System，POS)跟传感器集成在一起，可以提供传感器的位置和姿态参数，直接、快速地进行影像的地理定位，将影像纠正到正确的地理位置。
作为优选的实施例，绝对辐射定标包括大气校正模型6S模型和MODTRAN模型。在本发明实施例中，对无人机高光谱数据进行绝对辐射定标，消除数据误差，保证数据的准确性。
作为优选的实施例，无人机高光谱数据的采集包括：根据任务场景，选定合适任务载荷，一般为高光谱/近红外相机。在本发明实施例中，选取合适设备进行无人机高光谱数据的采集。
作为优选的实施例，地面实测数据的采集包括：野外现场测量透明度、溶解氧、氧化还原电位、水温，同时使用GPS记录水样采集位置。将瓶装水样带回实验室化验，在室内测量氨氮等水质指标。在本发明实施例中，选取水样采集位置，进行多种数据标定，保证后续对无人机高光谱数据进行有效的标注。
作为优选的实施例，结合图3来看，图3为本发明提供的图2中步骤S2水体特征提取一实施例的流程示意图，包括步骤S21至步骤S22，其中：
在步骤S21中，用绿波段和近红外波段进行水体掩模，确定对应的反射率；
在步骤S22中，通过归一化差异水体指数NDWI阈值法提取所述水体特征，通过如下公式表示：
其中，NDWI表示所述水体特征，p(Green)表示绿波段对应的反射率，p(NIR)表示近红外波段对应的反射率。
在本发明实施例中，对无人机高光谱数据进行水体特征的有效提取，确定水域范围。
作为优选的实施例，利用皮尔森(Pearson)相关系数法考量光谱与反演指标之间的相关程度，具体计算公式如下：
其中，xi、yi分别表示无人机高光谱样本数据和反演目标样本数据，
和
分别为两样本的算法平均值。
在本发明实施例中，相关性求解是模型实现过程中非常重要的一环，因此，为了避免不同建模环境下相关性求解的差异，统一使用Pearson相关系数。
作为优选的实施例，结合图4来看，图4为本发明提供的图2中步骤S3一实施例的流程示意图，包括步骤S31至步骤S33，其中：
在步骤S31中，根据所述水体特征，确定所述无人机高光谱数据中的水体范围；
在步骤S32中，根据野外现场采集的水质参数数据，确定所述水体范围对应的综合污染指数；
在步骤S33中，根据所述综合污染指数和所述无人机高光谱数据，构建流域水环境质量监测模型。
在本发明实施例中，将无人机高光谱数据、水体特征与地面实测数据相结合，建立稳定性高、精度高的流域水环境质量监测模型。
作为优选的实施例，所述水质参数数据包括塞奇深度、溶解氧、氧化还原电位及氨氮含量，所述综合污染指数通过如下公式表示：
其中，Pfind表示所述综合污染指数，Pi表示第i个参数指标的无量纲结果，所述参数指标包括塞奇深度、溶解氧、氧化还原电位及氨氮含量，Pmax表示所述无量纲结果Pi中的最大值，Wi表示第i个参数指标的权重，Ii表示第i个参数指标的水质参数因子Ci和标准浓度Si之间的比值。
需要说明的是，四项指标无量纲结果：塞奇深度(SD)、溶解氧(DO)、氧化还原电位(ORP)和氨氮(AN)四项指标的无量纲结果。由于综合污染指数是一个加权的多因素环境指数，考虑的是各项指标的极端值。因此，可以突出数值最大的水质参数对水环境质量的影响和作用。结合《城市黑臭水处理指南》中提出的黑臭水测定方法，综合污染指数不仅可以识别黑臭水的存在，而且可以定量计算黑臭水的污染程度。在四个理化指标(塞奇深度、溶解氧、氧化还原电位和氨氮)中，当一个指标的数据超过60％或两个指标的数据超过30％，视为达到严重黑臭水水平，其监测点应视为严重黑臭水，否则可视为中度黑臭水或非黑臭水。
在本发明实施例中，根据实际采集的水体质量，即水质参数数据，判断水体的污染情况，以综合污染指数进行有效的表征。
作为优选的实施例，结合图5来看，图5为本发明提供的图4中步骤S33一实施例的流程示意图，包括步骤S331至步骤S333，其中：
在步骤S331中，获取多组无人机高光谱数据，并对多组所述无人机高光谱数据中的水体范围进行标注，确定训练样本集，其中，标注信息为所述无人机高光谱数据中水体范围对应实际的综合污染指数；
在步骤S332中，将所述训练样本集输入至所述流域水环境质量监测模型，确定预测的综合污染指数；
在步骤S333中，根据实际的综合污染指数和预测的综合污染指数，调整所述流域水环境质量监测模型的参数直至满足收敛条件，完成对所述流域水环境质量监测模型的训练，并将训练完备的流域水环境质量监测模型进行存储。
在本发明实施例中，利用无人机光谱数据，结合地面实测数据，搭建基于深度学习的流域水环境质量的智能监测框架，实现对流域水环境的快速高效监测。
作为优选的实施例，所述流域水环境质量监测模型依次包括最小二乘支持向量机单元、粒子群优化算法单元和梯度提升决策树，其中：
所述最小二乘支持向量机单元，用于提取所述无人机高光谱数据对应的至少一个污染特征；
所述粒子群优化算法单元，用于将所述至少一个污染特征作为初始化粒子进行粒子群优化，确定至少一个优化特征；
所述梯度提升决策树，用于根据所述至少一个优化特征进行决策，判断所述至少一个优化特征是否为最佳特征，并根据所述最佳特征，确定预测的综合污染指数。
在本发明实施例中，依次采用最小二乘支持向量机、粒子群优化算法和梯度提升决策树，保证对无人机高光谱数据的特征的准确提取，保证模型的准确性。
需要说明的是，本发明应用的支持向量机涉及的部分公式如下：
a.线性核函数：
b.多项式核函数：
c.径向基函数
需要说明的是，本发明应用的粒子群优化算法涉及的部分公式如下：
Vid＝ωVid+C1random(0,1)(pbestid-Xid)+C2random(0,1)(gbestid-Xid)
Xid＝Xid+Vid
其中，表示粒子i的第d维度速度更新公式，
第一部分表示粒子先前的速度，
第二部分表示粒子i当前位置和自己最好位置之间的距离，
第三部分表示粒子i当前位置和群体最好位置之间的距离。
需要说明的是，本发明应用的梯度提升是一种Boosting方法，在每一次建立模型是在之前建立模型损失函数的梯度下降方向，具体公式如下：
其中，x为输入样本，h为决策树，α为决策树的参数，β为每棵树的权重，M为最大回归树数量。
在本发明一个具体的实施例中，构建水环境质量监测模型，应用一个装备有微型高光谱相机的无人航空载具遥感平台来获取高光谱遥感图像数据。将这些数据与地面实测光谱相结合，选择出稳定性高、精度高的机器学习回归模型，梯度提升决策树回归模型。构建基于梯度提升决策树的水环境质量监测模型，用于定量反演综合污染指数，具体步骤如下：
第一步，初始化基学习器，使得初始预测损失函数达到最小值，公式如下：
第二步，对于迭代次数m＝1:M，计算第m次迭代下损失函数的负梯度，公式如下：
其中，在每次迭代中都构造一个基于回归的弱学习器，设第m次迭代后得到的预测函数为Fm(x)，对应损失函数为L(y，Fm(x))。-gm(xi)表示第m次迭代的弱学习器的建立方向，即第m个弱学习器βmhm(x,αm)建立在前m-1次迭代生成的预测损失函数的梯度下降方向；
第三步，基于第m次迭代下，求回归树hm(x,αm)的参数αm，公式如下：
第四步，计算第m次迭代搜索方向上的最优步长βm，公式如下：
第五步，更新迭代后得到的预测函数，公式如下：
Fm(x)＝Fm-1(x)+v·βmh(x,αm)
其中，根据以上不同类型模型预测的结果，选定梯度提升决策树、随机森林和支持向量回归三种模型完成整幅无人机高光谱影像反演，并且通过反演结果分析适用于流域水体环境监测的模型。
作为优选的实施例，结合图6来看，图6为本发明提供的图2中步骤S3之后一实施例的流程示意图，包括步骤S4至步骤S5，其中：
在步骤S4中，获取待测无人机高光谱数据，对所述待测无人机高光谱数据进行预处理，并提取对应的水体特征；
在步骤S5中，将所述待测无人机高光谱数据输入至所述流域水环境质量监测模型，确定对应的预测的综合污染指数。
在本发明实施例中，将待测无人机高光谱数据输入至流域水环境质量监测模型，即可高效快速的进行水环境监测。
作为优选的实施例，待测无人机高光谱数据使用水面以上法，利用ASD便携式光谱仪完成高光谱外业采集工作。在本发明实施例中，保证待测无人机高光谱数据的实时采集。
作为优选的实施例，所述流域水环境质量监测模型结合平均绝对误差、均方根误差、决定系数进行模型精度评价。在本发明实施例中，综合多方面评价指标，对模型的准确性进行评判。
需要说明的是，平均绝对误差MAE(Mean Absolute Error)是表示预测值和观测值之间绝对误差的平均值。MAE是一种线性分数，所有个体差异在平均值上的权重都相等，是评价模型稳定性的重要指标，平均绝对误差越小说明预测模型的稳定性越强，其表达式通过如下公式表示：
其中，
代表第i个结果的绝对误差，n为测试集样本数量。MAE取值范围[0,+∞)，当预测值与实际真实值完全吻合时MAE为0。通常，平均绝对误差值越大，代表着预测误差越大。
需要说明的是，均方根误差RMSE(Root Mean Square Error)是表示预测值和观测值之间差异(称为残差)的样本标准差，是为了说明样本的离散程度，其计算公式通过如下公式表示：
需要说明的是，决定系数R2(R-square)也称为拟合优度，是通过数据的变化来表征一个拟合的好坏，用来说明模型预测值与实际值的拟合程度，其计算公式通过如下公式表示：
其中，
表示实际数据集的平均值，式中分母为原始数据的离散程度，分子为模型预测值yi和实际测量值
的误差，两者比值可以最大程度消除原始数据离散程度的影响。R2的取值范围介于0～1之间，R2越接近于1，模型回归拟合精度越高。
本发明实施例还提供了一种无人机遥感的流域水环境质量检测装置，结合图7来看，图7为本发明提供的无人机遥感的流域水环境质量检测装置一实施例的结构示意图，包括：
获取单元701，用于获取无人机高光谱数据；
处理单元702，用于基于所述无人机高光谱数据进行预处理，并提取对应的水体特征；
模型建立单元703，用于根据所述无人机高光谱数据和所述水体特征，构建流域水环境质量监测模型。
基于无人机遥感的流域水环境质量检测装置的各个单元的更具体实现方式可以参见对于本发明的基于无人机遥感的流域水环境质量检测方法的描述，且具有与之相似的有益效果，在此不再赘述。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如上所述的基于无人机遥感的流域水环境质量检测。
一般来说，用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例还提供了一种基于无人机遥感的流域水环境质量检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如上所述的基于无人机遥感的流域水环境质量检测方法。
根据本发明上述实施例提供的计算机可读存储介质和计算设备，可以参照根据本发明实现如上所述的基于无人机遥感的流域水环境质量检测方法具体描述的内容实现，并具有与如上所述的基于无人机遥感的流域水环境质量检测方法类似的有益效果，在此不再赘述。
本发明公开了一种基于无人机遥感的流域水环境质量检测方法和装置，首先，对无人机高光谱数据进行有效的获取；进而，基于无人机高光谱数据，进行预处理，有效捕捉图像中的水体特征，确定对应的水体区域；最后，结合无人机高光谱数据、水体特征和对应的地面实测数据，建立三者之间的联系，构建流域水环境质量监测模型，以便当待测无人机高光谱数据输入至流域水环境质量监测模型时，直接得到水质情况。
本发明技术方案，利用无人机高光谱数据，结合地面实测数据，搭建基于深度学习的流域水环境质量的智能监测框架，实现对流域水环境的快速高效监测。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于无人机遥感的流域水环境质量检测方法，其特征在于，包括：
获取无人机高光谱数据；
基于所述无人机高光谱数据，提取对应的水体特征；
根据所述无人机高光谱数据、所述水体特征和地面实测数据，构建流域水环境质量监测模型。
2.根据权利要求1所述的基于无人机遥感的流域水环境质量检测方法，所述地面实测数据包括野外现场采集的水质参数数据，所述根据所述无人机高光谱数据、所述水体特征和地面实测数据，构建流域水环境质量监测模型包括：
根据所述水体特征，确定所述无人机高光谱数据中的水体范围；
根据所述野外现场采集的水质参数数据，确定所述水体范围对应的综合污染指数；
根据所述综合污染指数和所述无人机高光谱数据，构建流域水环境质量监测模型。
3.根据权利要求2所述的基于无人机遥感的流域水环境质量检测方法，所述水质参数数据包括塞奇深度、溶解氧、氧化还原电位及氨氮含量，所述综合污染指数通过如下公式表示：
其中，Pfinal表示所述综合污染指数，Pi表示第i个参数指标的无量纲结果，所述参数指标包括塞奇深度、溶解氧、氧化还原电位及氨氮含量，Pmax表示所述无量纲结果Pi中的最大值，Wi表示第i个参数指标的权重，Ii表示第i个参数指标的水质参数因子Ci和标准浓度Si之间的比值。
4.根据权利要求2所述的基于无人机遥感的流域水环境质量检测方法，所述根据所述综合污染指数和所述无人机高光谱数据，构建流域水环境质量监测模型包括：
获取多组无人机高光谱数据，并对多组所述无人机高光谱数据中的水体范围进行标注，确定训练样本集，其中，标注信息为所述无人机高光谱数据中水体范围对应实际的综合污染指数；
将所述训练样本集输入至所述流域水环境质量监测模型，确定预测的综合污染指数；
根据实际的综合污染指数和预测的综合污染指数，调整所述流域水环境质量监测模型的参数直至满足收敛条件，完成对所述流域水环境质量监测模型的训练，并将训练完备的流域水环境质量监测模型进行存储。
5.根据权利要求4所述的基于无人机遥感的流域水环境质量检测方法，所述流域水环境质量监测模型依次包括最小二乘支持向量机单元、粒子群优化算法单元和梯度提升决策树，其中：
所述最小二乘支持向量机单元，用于提取所述无人机高光谱数据对应的至少一个污染特征；
所述粒子群优化算法单元，用于将所述至少一个污染特征作为初始化粒子进行粒子群优化，确定至少一个优化特征；
所述梯度提升决策树，用于根据所述至少一个优化特征进行决策，判断所述至少一个优化特征是否为最佳特征，并根据所述最佳特征，确定预测的综合污染指数。
6.根据权利要求1所述的基于无人机遥感的流域水环境质量检测方法，在所述根据所述无人机高光谱数据、所述水体特征和地面实测数据，构建流域水环境质量监测模型之后，还包括：
获取待测无人机高光谱数据，对所述待测无人机高光谱数据进行预处理，并提取对应的水体特征；
将所述待测无人机高光谱数据输入至所述流域水环境质量监测模型，确定对应的预测的综合污染指数。
7.根据权利要求1所述的基于无人机遥感的流域水环境质量检测方法，其特征在于，在所述基于所述无人机高光谱数据，提取对应的水体特征之前还包括：对所述无人机高光谱数据进行预处理，预处理的方式包括依次进行传感器辐射定标、几何校正、绝对辐射定标。
8.根据权利要求1所述的基于无人机遥感的流域水环境质量检测方法，其特征在于，所述提取对应的水体特征包括：
用绿波段和近红外波段进行水体掩模，确定对应的反射率；
通过归一化差异水体指数NDWI阈值法提取所述水体特征，通过如下公式表示：
其中，NDWI表示所述水体特征，p(Green)表示绿波段对应的反射率，p(NIR)表示近红外波段对应的反射率。
9.根据权利要求1所述的基于无人机遥感的流域水环境质量检测方法，所述流域水环境质量监测模型结合平均绝对误差、均方根误差、决定系数进行模型精度评价。
10.一种基于无人机遥感的流域水环境质量检测装置，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现根据权利要求1至9任一项所述的基于无人机遥感的流域水环境质量检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110862430.4A CN113640233A (zh) | 2021-07-30 | 2021-07-30 | 一种基于无人机遥感的流域水环境质量检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110862430.4A CN113640233A (zh) | 2021-07-30 | 2021-07-30 | 一种基于无人机遥感的流域水环境质量检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113640233A true CN113640233A (zh) | 2021-11-12 |
Family
ID=78418770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110862430.4A Pending CN113640233A (zh) | 2021-07-30 | 2021-07-30 | 一种基于无人机遥感的流域水环境质量检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113640233A (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113009100A (zh) * | 2021-03-10 | 2021-06-22 | 航天科工智慧产业发展有限公司 | 一种基站式无人机流域水环境监测系统 |
-
2021
- 2021-07-30 CN CN202110862430.4A patent/CN113640233A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113009100A (zh) * | 2021-03-10 | 2021-06-22 | 航天科工智慧产业发展有限公司 | 一种基站式无人机流域水环境监测系统 |
Non-Patent Citations (1)
| Title |
|---|
| LIFEI WEI等: "Monitoring of Urban Black-Odor Water Based on Nemerow Index and Gradient Boosting Decision Tree Regression Using UAV-Borne Hyperspectral Imagery" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Berberoglu et al. | Assessing different remote sensing techniques to detect land use/cover changes in the eastern Mediterranean | |
| CN112763426B (zh) | 一种循环优化的高光谱大数据水质全天候动态监测方法 | |
| CN115062527B (zh) | 一种基于深度学习的静止卫星海温反演方法及系统 | |
| CN115356249A (zh) | 基于机器学习融合模型的卫星偏振pm2.5估算方法和系统 | |
| 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 | |
| CN116879297B (zh) | 土壤水分协同反演的方法、装置、设备和介质 | |
| CN113408111B (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
| CN116148188A (zh) | 空天地一体化湖泊水质溯源方法、系统、设备及存储介质 | |
| CN115494007A (zh) | 基于随机森林的土壤有机质高精度快速检测方法及装置 | |
| CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
| CN116361737B (zh) | 一种湖泊异常动态监测方法、装置、电子设备及存储介质 | |
| CN114813651A (zh) | 一种结合差分学习率与光谱几何特征的遥感水质反演方法 | |
| CN116340863B (zh) | 空气污染物预测方法、装置、电子设备及可读存储介质 | |
| CN110849334B (zh) | 基于分类与回归树的岛礁浅海水深预测方法 | |
| 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 | |
| Guo et al. | An enhanced deep learning approach to assessing inland lake water quality and its response to climate and anthropogenic factors | |
| CN115169728A (zh) | 一种基于简化神经网络的土壤肥力预测方法 | |
| CN117830381A (zh) | 湖泊面积变化空间分析模型、构建与面积变化预测方法及装置 | |
| CN112200619A (zh) | 遥感数据与社会调查结合的区域经济发展估算方法及系统 | |
| CN110596017B (zh) | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 | |
| CN112288744A (zh) | 基于整型推理量化cnn的sar图像变化检测方法 | |
| CN117274082A (zh) | 一种基于遥感生态指数的水体生态环境质量分析方法及系统 | |
| CN113640233A (zh) | 一种基于无人机遥感的流域水环境质量检测方法及装置 | |
| CN116124716A (zh) | 基于近感高光谱的水质监测方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211112 |
|
| RJ01 | Rejection of invention patent application after publication |