CN113780177A - 一种非接触式实时原位水质监测方法 - Google Patents

Abstract

本发明公开了一种非接触式实时原位水质监测方法，包括：采集光谱数据和待测水样数据，构建基于高光谱的水质参数深度学习模型；基于水质参数深度学习模型、光谱数据和待测水样数据，获得待测水样参数的最优算法模型；基于待测水样参数的最优算法模型，通过多参数水质反演算法，获得监测结果。本发明的监测方法不需要与待测水体直接接触，与传统的水下探头接触式监测相比，其能耗低、损耗小，维护简便，受风浪等外界环境影响非常有限，提高了监测精度。

Description

一种非接触式实时原位水质监测方法

技术领域

本发明属于水质监测领域，特别是涉及一种非接触式实时原位水质监测方法。

背景技术

随着我国经济的快速发展，水污染问题日益严峻。为监测水质变化情况，全国监测断面和监测点数量繁多，截至2019年6月，全国共有2050个国家地表水考核断面，省控及地方控制断面更是星罗密布。依靠传统的地面调查和实测水质的方法来监管这些重要断面将耗费大量的人力物力和财力。特别的由于传统的监测方法大都基于传感器浸没于待测水体中，通常受到条件限制而无法方便测量；此外，由于在水体中传感器容易受到腐蚀或由于附着生物存在，而需要定期进行高频次的维护。水质实时高频和大范围的观测一直是科学研究和环境管理的重要短板。

遥感技术具有快速、宏观、低成本和周期性等优点，可探测水质参数在时间和空间上的变化，还能发现一些常规方法难揭示的污染源和污染物的迁移特征。然而，当前卫星传感器SeaWiFS、MODIS、HY-1A/1BCCD、MERIS、GOCI、VIIRS、OLCI等空间分辨率从30m-1000m不等，对于大型湖泊利用其对水质参数进行估算尚可。然而，对于小型湖泊、水库、河道及重要断面，这些卫星的低空间分辨率将使其失去监测能力，只能通过Landsat、Sentinel、Gaofen等陆地中高分辨率卫星(10～30m)观测，但重访周期长、波段宽大、信噪比低和非水色波段设置等缺点都会限制其在小型湖泊、水库、河道及重要断面水环境遥感应用。因此，迫切需要在研制高时间分辨率、高空间分辨率的水质遥感监测设备方面取得突破。

水体因为各光学组分及其含量的不同造成水体的吸收和散射的变化，使特定波长范围的遥感反射率发生相应的变化，是遥感估算水质参数的基础。现有的可以进行遥感反演的光学参数包括：叶绿素a、藻蓝素、悬浮物和CDOM。

目前，以上参数遥感估算所采用的数据主要包括：水色卫星数据(CZCS、SeaWiFS、MERIS、MODIS、GOCI等)和陆地卫星数据(Landsat、Sentinel、Gaofen等)。这些卫星主要面向海洋水体以及陆地资源设计，在面向小型湖泊、水库、河道及重要断面等时会遇到一些问题，概括如下：

(1)时空分辨率不足：我国2/3以上湖泊都小于10km²，对于河流，其宽度基本小于1km。目前的水色传感器空间分辨率通常在250m以上，仅能够满足大型湖泊的监测需求。对于小型水体，目前只能通过Landsat、Sentinel、Gaofen等陆地中高分辨率卫星(10～30m)观测，但陆地卫星重访周期长、难以捕捉水环境短期的变化，因而限制了湖泊、水库、河道及重要断面水环境遥感应用。

(2)辐射动态范围窄，信号易饱和：海洋水体相对干净，水体信号较弱，水色传感器为较好地接收水体信号，辐射动态范围设置较低。然而，湖泊、河流等内陆浑浊水体，辐射信号远高于海洋水体，常常超出传感器的阈值范围，导致反映水质变化的波段信号饱和，从而降低遥感估算精度。

(3)波段设置不符合内陆水体要求：内陆水体叶绿素a浓度较高且受悬浮物和CDOM的影响，水体信号复杂，往往需要同时具备665nm、705nm附近的波段才能准确反演，藻蓝素监敏感波段在620nm附近。然而，目前在运行的水色传感器都不具备这些敏感波段。

此外，卫星接收到的信号90％都来自于大气的贡献，水体的信号不足10％。因此，去除大气的影响，从遥感影像中精确获取水体遥感反射率是水质遥感的关键。对于大洋清洁水体而言，水体在近红外波段的贡献近似为0，基于两个近红外波段的大气校正算法可以获得较好的精度。但是，对于湖泊、河流等光学复杂水体，近红外波段的“零假设”失效，大洋标准算法不再适用。尽管大量科学家进行了不同的尝试，提出了不同的内陆水体大气校正算法，如：MUMM和SWIR算法。但是，MUMM算法中的经验因子受水体状况影响而变化，普适性不好；而SWIR算法要求2个短波红外波段，除了MODIS、VIIRS、Landsat之外，大部分传感器并不具备这一条件。通过地基(岸基)监测的方法可以有效避免大气对水体遥感信号提取精度的影响，尽管目前地基监测技术已广泛使用，例如，交通摄像、视频监控等，但这些监测设备仅能提供非常有限的光谱波段，并且这些波段不是针对水体而设计，因而无法通过其进行水质参数遥感提取。

因此，迫切需要针对我国内陆湖泊、河流等水体研发一款高时空分辨率，不受大气干扰和时段限制，且能较好响应多水质参数的遥感监测仪，通过数据传输及云端共享技术，及时将高时空分辨率遥感反演结果传输到终端，实时监控重要河流、湖泊、水库断面的多水质参数的变化，这对于水污染防治、水环境管理具有非常重要的意义。

发明内容

本发明目的在于构建基于非接触式的高光谱仪在复杂场景下水质监测方法，可以实现复杂天况下多参数水质快速实时监测，提升生态环境监测自动化和智能化水平，适用于河流、湖库、湿地、近海和远海等不同类型水体，同时操作方法简便，易于维护，便与推广和应用。

为实现上述目的，本发明提供了如下方案：一种非接触式实时原位水质监测方法,其特征在于，包括：

采集光谱数据和待测水样数据，构建基于高光谱的水质参数深度学习模型；

基于所述水质参数深度学习模型、所述光谱数据和待测水样数据，获得待测水样参数的最优算法模型；

基于所述待测水样参数的最优算法模型，通过多参数水质反演算法，获得监测结果。

优选地，所述光谱数据通过实时原位水质监测仪采集或人工光源照射采集；

所述实时原位水质监测仪包括辅助安装装置、太阳能供电装置、高光谱成像仪。

优选地，在所述实时原位水质监测仪采集所述光谱数据的过程中，通过所述高光谱成像仪，进行高光谱成像，获得所述光谱数据。

优选地，采集所述光谱数据和待测水样数据后还包括，对所述光谱数据和待测水样数据进行预处理；

对所述光谱数据预处理包括，对所述光谱数据进行光谱数据清洗、光谱数据异常值剔除、光谱数据阈值剔除，获得光谱数据集；

对所述待测水样数据预处理包括，对所述待测水样数据进行数据划分，获得训练集数据和验证集数据。

优选地，构建所述水质参数学习模型通过测定向上和向下的辐照度，获得辐照度比，根据所述辐照度比与水样参数间的耦合关系构建所述水质参数学习模型；

所述水质参数学习模型融合了神经网络算法、高斯过程回归算法、随机森林算法、支持向量机算法。

优选地，获得所述待测水样参数的最优算法模型包括，基于所述水质参数学习模型，输入所述训练集数据对所述水质参数学习模型进行训练，输入所述验证集数据对所述水质参数学习模型进行验证，获得待测水样参数的最优算法模型。

优选地，输入所述验证集数据对所述水质参数学习模型进行验证包括，根据决定系数和平均相对误差获得不同训练算法的算法精度；

针对不同的水样参数，基于所述算法精度进行寻优，获得各个水样参数的最优训练算法。

优选地，所述监测结果包括水质参数和环境条件参数；

所述水质指标参数包括总氮、总磷、叶绿素、透明度、悬浮物、高锰酸盐指数、浊度、消光系数、氨氮、藻蓝素、藻密度、有色可溶性有机物吸收系数、溶解性有机碳、颗粒有机碳、富营养化指数；

所述环境条件参数包括观测点位置信息、气温、观测时间。

优选地，所述监测方法还包括将所述监测结果上传服务器和展示；在水质指标超过特定阈值时通过警铃、短信进行报警。

本发明产生了以下技术效果：

(1)与传统的航天航空和无人机遥感相比，本发明提出的非接触式监测方法不需要进行大气校正，也适用于小雨、阴天和多云条件，通过照明设备使夜间能正常工作，拓展光谱成像时间范畴，并且光谱分辨率高，水环境参数反演精度非常高。

(2)与已有的地物光谱仪或者高光谱成像仪相比，本发明高光谱成像仪可以全天候、实时自动高频监测，做到无人值守。

(3)该发明能实现不同天况、水况等各种复杂场景下水体总氮、总磷、叶绿素a、和化学需氧量和透明度等连续高频监测，可以广泛应用于不同类型水体水环境遥感反演、富营养化和地表水环境质量评价研究，深化水环境形成的基础理论和防控技术研究。

(4)该发明依托的高光谱成像仪是不与待测水体直接接触，属于非接触式观测，与传统的水下探头接触式监测相比，其能耗低、损耗小，维护简便，受风浪等外界环境影响非常有限，因此观测和算法精度能保证。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的方法流程图；

图2为本发明实施例的叶绿素a优选算法模型对比图；

图3为本发明实施例的总氮优选算法模型对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供了一种非接触式实时原位水质监测方法,

1)通过构建高光谱成像仪，在距离待测水体一定范围内进行高光谱成像；如遇到自然光无法满足的情形下(如夜间)，通过人工光源进行照射；

2)距离待测水体水面的高度优选为4-10米，依据观测需求和现场安装条件，考虑野外实际情况而确定；

3)通过野外不同天况不同水体高光谱和同步水质参数测定，构建基于多光谱的典型水质参数机器学习算法，涉及的参数包括总氮、总磷、叶绿素、透明度、悬浮物、高锰酸盐指数、有色可溶性有机物吸收系数等、溶解性有机碳、颗粒有机碳、富营养化指数；

进一步优化方案，步骤3)还包括：

(1)光谱成像仪采集光谱数据，记录采集时间；对光谱数据进行清洗，剔除异常光谱，形成光谱数据集，数据集范围是400-1000nm，光谱分辨率是1nm。

(2)光谱测定的同时采集水样，实验室测定总氮、总磷、叶绿素、透明度、悬浮物、高锰酸盐指数、有色可溶性有机物吸收系数、溶解性有机碳、颗粒有机碳、富营养化指数等水质参数浓度，形成与光谱数据集对应的数据参数数据集。

(3)选择数据集中三分之二的样本用于算法训练，形成训练数据集；三分之一的样本用于算法检验，形成验证数据集。

(4)选择训练数据集中400-900nm波段光谱反射比，以每5nm光谱反射比平均值作为算法输入参数，400-900nm总共100个输入波段，选择神经网络(BP)、高斯过程回归(GPR)、随机森林(RFR)、支持向量机(SVR)模型进行训练，构建训练后算法。

(5)选择测试数据集中400-900nm波段光谱反射比，以每5nm光谱反射比平均值作为算法输入参数，400-900nm总共100个输入波段，对训练的神经网络(BP)、高斯过程回归(GPR)、随机森林(RFR)、支持向量机(SVR)模型进行验证，以R2(决定系数)和MRE(平均相对误差)判别4种训练算法精度，其中R2最高同时MRE又比较低的算法为最优算法。以总磷参数为例，分别通过神经网络(BP)、高斯过程回归(GPR)、随机森林(RFR)、支持向量机(SVR)算法验证结果，比较后发现GPR结果最优，仪器选定GPR算法；对于其他参数也进行类似计算和比对，选出最优的算法。不同参数最优算法可能不一样，有些参数可能是BP、有些参数可能是GPR，有些参数可能是RFR，有些参数可能是SVR。如图2、如3所示，叶绿素a优选模型是GPR，总氮优选模型是SVR。

4)在仪器接收到待测水体光谱反射比后，通过植入的多参数水质反演算法，实时输出各个水质指标参数和当时环境条件参数，包括总氮、总磷、叶绿素、透明度、悬浮物、高锰酸盐指数、浊度、消光系数、氨氮、藻蓝素、藻密度、有色可溶性有机物吸收系数、溶解性有机碳、颗粒有机碳、富营养化指数等，以及观测点位置信息、气温和观测时间等；

5)通过无线信号将数据传入服务器，形成可供展示的界面端；在水质指标超过特定阈值时通过警铃、短信等途径通知相关人员，可以做好水质突变的灾害预警预报。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (9)

1.一种非接触式实时原位水质监测方法,其特征在于，包括：

采集光谱数据和待测水样数据，构建基于高光谱的水质参数深度学习模型；

基于所述水质参数深度学习模型、所述光谱数据和待测水样数据，获得待测水样参数的最优算法模型；

基于所述待测水样参数的最优算法模型，通过多参数水质反演算法，获得监测结果。

2.根据权利要求1所述的非接触式实时原位水质监测方法，其特征在于，

所述光谱数据通过实时原位水质监测仪采集或人工光源照射采集；

所述实时原位水质监测仪包括辅助安装装置、太阳能供电装置、高光谱成像仪。

3.根据权利要求2所述的非接触式实时原位水质监测方法，其特征在于，

在所述实时原位水质监测仪采集所述光谱数据的过程中，通过所述高光谱成像仪，进行高光谱成像，获得所述光谱数据。

4.根据权利要求1所述的非接触式实时原位水质监测方法，其特征在于，

采集所述光谱数据和待测水样数据后还包括，对所述光谱数据和待测水样数据进行预处理；

对所述光谱数据预处理包括，对所述光谱数据进行光谱数据清洗、光谱数据异常值剔除，获得光谱数据集；

对所述待测水样数据预处理包括，对所述待测水样数据进行数据划分，获得训练集数据和验证集数据。

5.根据权利要求1所述的非接触式实时原位水质监测方法，其特征在于，

构建所述水质参数学习模型通过测定向上和向下的辐照度，获得辐照度比，根据所述辐照度比与水样参数间的耦合关系构建所述水质参数学习模型；

所述水质参数学习模型融合了神经网络算法、高斯过程回归算法、随机森林算法、支持向量机算法。

6.根据权利要求4所述的非接触式实时原位水质监测方法，其特征在于，

获得所述待测水样参数的最优算法模型包括，基于所述水质参数学习模型，输入所述训练集数据对所述水质参数学习模型进行训练，输入所述验证集数据对所述水质参数学习模型进行验证，获得待测水样参数的最优算法模型。

7.根据权利要求6所述的非接触式实时原位水质监测方法，其特征在于，

输入所述验证集数据对所述水质参数学习模型进行验证包括，根据决定系数和平均相对误差获得不同训练算法的算法精度；

针对不同的水样参数，基于所述算法精度进行寻优，获得各个水样参数的最优训练算法。

8.根据权利要求1所述的非接触式实时原位水质监测方法，其特征在于，

所述监测结果包括水质参数和环境条件参数；

所述水质指标参数包括总氮、总磷、叶绿素、透明度、悬浮物、高锰酸盐指数、浊度、消光系数、氨氮、藻蓝素、藻密度、有色可溶性有机物吸收系数、溶解性有机碳、颗粒有机碳、富营养化指数；

所述环境条件参数包括观测点位置信息、气温、观测时间。

9.根据权利要求1所述的非接触式实时原位水质监测方法，其特征在于，

所述监测方法还包括将所述监测结果上传服务器和展示；在水质指标超过特定阈值时通过警铃、短信进行报警。

Images