CN114387529A - 一种基于cart分类模型的黑臭水体提取方法 - Google Patents
一种基于cart分类模型的黑臭水体提取方法 Download PDFInfo
- Publication number
- CN114387529A CN114387529A CN202210027897.1A CN202210027897A CN114387529A CN 114387529 A CN114387529 A CN 114387529A CN 202210027897 A CN202210027897 A CN 202210027897A CN 114387529 A CN114387529 A CN 114387529A
- Authority
- CN
- China
- Prior art keywords
- water body
- black
- odorous water
- odorous
- classification model
- 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 99
- 238000013145 classification model Methods 0.000 title claims abstract description 19
- 238000000605 extraction Methods 0.000 title claims abstract description 14
- 238000002310 reflectometry Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000011160 research Methods 0.000 claims abstract description 17
- 239000000126 substance Substances 0.000 claims abstract description 14
- 230000003595 spectral effect Effects 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000003066 decision tree Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 230000002123 temporal effect Effects 0.000 claims abstract description 4
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 230000033116 oxidation-reduction process Effects 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000003809 water extraction Methods 0.000 claims 3
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
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)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于CART分类模型的黑臭水体提取方法，包括步骤：选取研究区域，并在研究区域范围内设计多个采样点；分别在每个采样点监测水体的相关化学指标，同时提取水体的遥感反射率数据，一并送至实验室，根据城市黑臭水体相关化学指标的划分标准判断出水体类型；将每个采样点提取的遥感反射率数据进行对比分析，选出黑臭水体与一般水体的光谱变化特征；根据光谱变化特征，依据基尼指数构建决策树各个节点，构造出决策树分类模型，得出黑臭水体和一般水体的分类结果，并计算分类精度；针对分类结果，分析得出研究区域的黑臭水体时空分布变化。本发明可用于解决当前黑臭水体阈值设定客观性不足、特征选择较少的问题。
Description
技术领域
本发明涉及环境监测技术领域，特别是涉及一种基于CART分类模型的黑臭水体提取方法。
背景技术
黑臭水体是自然水体受到严重有机污染所产生的一种极端现象。黑臭水体的早期研究主要集中在化学机理方面，如特定污染物河流黑臭的影响、导致水体出现黑臭现象的原因、黑臭指数与黑臭水体评价等。但在遥感领域，利用遥感手段分析、监测以及评价黑臭水体仍处于起步阶段。
目前，国内对黑臭水体遥感识别的研究基础仍较为薄弱，已报道的成功案例较少，仅有北京、南京、沈阳、太原等地进行了较为系统的研究和应用。上述工作大多基于黑臭水体和清洁水体在可见光波段的光谱差异，通过构造典型的光谱特征指数，使用阈值分割的方法进行黑臭水体识别，例如：温爽等人在南京基于实测样本观察，对比了多种波段组合，指出波段比值法可以较好地识别黑臭水体；姚月等人在波段比值法的基础上构造BOI指数，用于识别沈阳市黑臭水体；Shen et al.则认为纯度法可以对不同类别的黑臭水体进行较好地识别；李佳琦等人在太原开展实验和验证，提出WCI指数可以较好地区分黑臭水体和一般水体，同时认为在提取黑臭水体时，除了依靠光谱特征，还需要结合水体的遥感解译标志(如水色、水体宽窄、有无垃圾堆等)，可以实现较好的效果。这些方法在一些较大尺度的区域内开展应用时，取得了不错的效果，但是针对黑臭水体遥感识别开展研究应用，仍存在一些不足，主要体现在：
(1)阈值选取过于依赖专家经验知识，上述方法大多基于小样本的观察来设定经验阈值，容易受到操作者以及样本的干扰，导致阈值的设定不客观、不统一，容易引起争议；
(2)上述方法大多采用单一特征分类，但在很多情况下，部分黑臭水体光谱特征与一般水体相近似，难以直接采用单一特征进行区分，造成黑臭水体与一般水体识别准确率低。
发明内容
本发明的目的是提供一种基于CART分类模型的黑臭水体提取方法，用于解决当前黑臭水体阈值设定客观性不足、特征选择较少的问题。
为实现上述目的，本发明提供了如下方案：
一种基于CART分类模型的黑臭水体提取方法，包括以下步骤：
步骤1)选取研究区域，并在研究区域范围内设计多个采样点；
步骤2)分别在每个采样点监测水体的相关化学指标，同时提取水体的遥感反射率数据，一并送至实验室，根据城市黑臭水体相关化学指标的划分标准判断出水体类型；所述相关化学指标包括透明度、溶解氧、氧化还原电位和氨氮；
步骤3)将每个采样点提取的遥感反射率数据进行对比分析，选出黑臭水体与一般水体的光谱变化特征；所述光谱变化特征包括绿波段与红波段反射率差值、近红外波段反射率值和可见光波段反射率总和值；
步骤4)根据光谱变化特征，依据基尼指数构建决策树各个节点，构造出决策树分类模型，得出黑臭水体和一般水体的分类结果，并计算分类精度；
步骤5)针对分类结果，分析得出研究区域的黑臭水体时空分布变化。
可选的，步骤1)中多个所述采样点以随机分布原则进行设计。
可选的，步骤2)中所述城市黑臭水体划分的标准为至少满足透明度0～25cm、溶解氧0～2mg/L、氧化还原电位0～50mV、氨氮≥8mg/L中的一项相关化学指标要求。
可选的，步骤4)中所述基尼指数的计算公式为：
其中，K为包含类别的个数，pk为第k个类别的概率。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于CART分类模型的黑臭水体提取方法，围绕训练阈值、多特征的黑臭水体遥感识别开展科学研究，建立了一套客观、标准的技术体系，减少了主观经验带来的不确定性，同时采用多特征分类，实现了高精度黑臭水体的遥感识别。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于CART分类模型的黑臭水体提取方法的流程图；
图2为本发明实施例采样点分布图；
图3a为本发明实施例一般水体的遥感反射率图；
图3b为本发明实施例黑臭水体的遥感反射率图；
图4a为本发明实施例Rrs(R)-Rrs(G)特征曲线图；
图4b为本发明实施例Rrs(B)+Rrs(G)+Rrs(R)特征曲线图；
图4c为本发明实施例Rrs(NIR)特征曲线图；
图5为本发明实施例CART模型分类图；
图6为本发明实施例CART模型分类结果图；
图7为本发明实施例2018年8月黑臭水体分布网格图；
图8为本发明实施例2021年4月黑臭水体分布网格图。
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。
本发明的目的是提供一种基于CART分类模型的黑臭水体提取方法，用于解决当前黑臭水体阈值设定客观性不足、特征选择较少的问题。
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，本发明实施例提供的基于CART分类模型的黑臭水体提取方法，包括以下步骤：
步骤1)选取研究区域，并在研究区域范围内设计多个采样点；如图2所示，以廊坊市为例，以随机分布原则设计采样点；
步骤2)分别在每个采样点监测水体的相关化学指标，同时提取水体的遥感反射率数据，一并送至实验室，根据城市黑臭水体相关化学指标的划分标准判断出水体类型；所述相关化学指标包括透明度(SD)、溶解氧(DO)、氧化还原电位(ORP)和氨氮(NH3-N)，城市黑臭水体划分见表1：
表1城市黑臭水体划分
步骤3)将每个采样点提取的遥感反射率数据进行对比分析，选出黑臭水体与一般水体的光谱变化特征；所述光谱变化特征包括绿波段与红波段反射率差值、近红外波段反射率值和可见光波段反射率总和值；根据采样点信息获取对应遥感反射率结果，如图3a和图3b所示，通过对比可以看出黑臭水体的总体反射率较低，并且绿波段-红波段的光谱曲线变化相对较为平缓；此外，一般水体的近红外波段反射率较低，并且近红外波段反射率均低于可见光波段；而黑臭水体有部分样本在近红外波段拥有较高反射率，不同于一般水体，这些样本的近红外波段反射率明显高于可见光波段；因此，选取Rrs(R)-Rrs(G)为绿波段与红波段反射率差值，反映该波段范围内的曲线平缓程度，如图4a所示；Rrs(B)+Rrs(G)+Rrs(R)为可见光波段的反射率之和，反映黑臭水体总体反射率较低的特征如图4b所示；部分黑臭水体表现出较高的近红外波段反射率，因此在特征组合中加入Rrs(NIR)，如图4c所示；
步骤4)根据光谱变化特征，依据基尼指数构建决策树各个节点，如图5所示，构造出决策树(CART)分类模型，得出黑臭水体和一般水体的分类结果，并结合表2对应结果计算分类精度，得到对应的混淆矩阵和kappa系数；
表2分类以及隶属度类别
根据表2分类结果置信区提取样点26个，判断正确24个，精度为92.30％；模糊区提取样点20个，判断正确16个，精度为80.00％；总体精度为86.95％，同时得到混淆矩阵见表3，kappa系数为0.7281，表明数据具有很好的一致性并且模型精度较好；如图6所示，根据分类结果，结合遥感影像得到廊坊市黑臭水体分布；
表3置信区与模糊区提取对比
步骤4)中所述基尼指数的计算公式为：
其中，Gini(p)为计算的基尼指数，对于样本集D，其所包含的类别为K类，样本从属于第k个类别的概率记为pk，本发明实施例所讨论的黑臭水体提取为典型的二分类问题，即K＝2：
Gini(p)＝2p(1-p)
步骤5)针对分类结果，分析得出研究区域的黑臭水体时空分布变化；根据2021年4月遥感监测结果分析廊坊市黑臭水体空间分布特征，对分类结果重采样为20km×20km，之后统计每个网格内黑臭水体发生个数，如图7和图8所示，得到2018年8月和2021年4月廊坊市黑臭水体热点网格图；从热点网格分布来看，廊坊市黑臭水体高密度分布区主要集中在廊坊市北部、中东部和南部，一方面是由于上述三个地区地势相对低洼，区域内坑塘基数大，另一方面是由于廊坊市北部三河市、大厂县畜牧养殖、食品加工业较为发达，中东部和南部地区乡镇企业聚集度高，人口密度相对较大，因此上述三个区域涉及污水排放的生产生活活动较为剧烈，也提高了黑臭水体发生的概率。
本发明提供的基于CART分类模型的黑臭水体提取方法，围绕训练阈值、多特征的黑臭水体遥感识别开展科学研究，建立了一套客观、标准的技术体系，减少了主观经验带来的不确定性，同时采用多特征分类，实现了高精度黑臭水体的遥感识别。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于CART分类模型的黑臭水体提取方法，其特征在于，包括以下步骤：
步骤1)选取研究区域，并在研究区域范围内设计多个采样点；
步骤2)分别在每个采样点监测水体的相关化学指标，同时提取水体的遥感反射率数据，一并送至实验室，根据城市黑臭水体相关化学指标的划分标准判断出水体类型；所述相关化学指标包括透明度、溶解氧、氧化还原电位和氨氮；
步骤3)将每个采样点提取的遥感反射率数据进行对比分析，选出黑臭水体与一般水体的光谱变化特征；所述光谱变化特征包括绿波段与红波段反射率差值、近红外波段反射率值和可见光波段反射率总和值；
步骤4)根据光谱变化特征，依据基尼指数构建决策树各个节点，构造出决策树分类模型，得出黑臭水体和一般水体的分类结果，并计算分类精度；
步骤5)针对分类结果，分析得出研究区域的黑臭水体时空分布变化。
2.根据权利要求1所述的基于CART分类模型的黑臭水体提取方法，其特征在于，步骤1)中多个所述采样点以随机分布原则进行设计。
3.根据权利要求1所述的基于CART分类模型的黑臭水体提取方法，其特征在于，步骤2)中所述城市黑臭水体划分的标准为至少满足透明度0～25cm、溶解氧0～2mg/L、氧化还原电位0～50mV、氨氮≥8mg/L中的一项相关化学指标要求。
4.根据权利要求1所述的基于CART分类模型的黑臭水体提取方法，其特征在于，步骤4)中所述基尼指数的计算公式为：
其中，K为包含类别的个数，pk为第k个类别的概率。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210027897.1A CN114387529A (zh) | 2022-01-11 | 2022-01-11 | 一种基于cart分类模型的黑臭水体提取方法 |
| PCT/CN2023/071317 WO2023134626A1 (zh) | 2022-01-11 | 2023-01-09 | 一种基于cart分类模型的黑臭水体提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210027897.1A CN114387529A (zh) | 2022-01-11 | 2022-01-11 | 一种基于cart分类模型的黑臭水体提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114387529A true CN114387529A (zh) | 2022-04-22 |
Family
ID=81201621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210027897.1A Pending CN114387529A (zh) | 2022-01-11 | 2022-01-11 | 一种基于cart分类模型的黑臭水体提取方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114387529A (zh) |
| WO (1) | WO2023134626A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023134626A1 (zh) * | 2022-01-11 | 2023-07-20 | 北华航天工业学院 | 一种基于cart分类模型的黑臭水体提取方法 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116952906B (zh) * | 2023-09-20 | 2024-01-12 | 南京航天宏图信息技术有限公司 | 水体健康状态评估方法、装置、电子设备及存储介质 |
| CN117312973B (zh) * | 2023-09-26 | 2024-05-03 | 中国科学院空天信息创新研究院 | 一种内陆水体光学分类方法和系统 |
| CN118015487B (zh) * | 2024-03-26 | 2024-06-07 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种基于河网密集型区域的黑臭水体全面排查方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10311442B1 (en) * | 2007-01-22 | 2019-06-04 | Hydrojoule, LLC | Business methods and systems for offering and obtaining research services |
| CN109740645A (zh) * | 2018-12-20 | 2019-05-10 | 核工业北京地质研究院 | 一种适用于高分一号影像的cart决策树分类方法 |
| CN110751176A (zh) * | 2019-09-16 | 2020-02-04 | 中国水利水电科学研究院 | 一种基于决策树算法的湖泊水质预测方法 |
| CN110849821B (zh) * | 2019-11-12 | 2022-03-22 | 北华航天工业学院 | 基于贝叶斯定理的黑臭水体遥感识别方法 |
| CN113887493B (zh) * | 2021-10-21 | 2024-06-07 | 河北工业大学 | 一种基于id3算法的黑臭水体遥感影像识别方法 |
| CN114387529A (zh) * | 2022-01-11 | 2022-04-22 | 北华航天工业学院 | 一种基于cart分类模型的黑臭水体提取方法 |
-
2022
- 2022-01-11 CN CN202210027897.1A patent/CN114387529A/zh active Pending
-
2023
- 2023-01-09 WO PCT/CN2023/071317 patent/WO2023134626A1/zh unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023134626A1 (zh) * | 2022-01-11 | 2023-07-20 | 北华航天工业学院 | 一种基于cart分类模型的黑臭水体提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023134626A1 (zh) | 2023-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114387529A (zh) | 一种基于cart分类模型的黑臭水体提取方法 | |
| CN108020511B (zh) | 一种浅水草型湖泊水质参数遥感监测方法与装置 | |
| Pesaresi et al. | Rapid damage assessment of built‐up structures using VHR satellite data in tsunami‐affected areas | |
| CN108984803B (zh) | 一种农作物产量空间化的方法及系统 | |
| CN110987955B (zh) | 一种基于决策树的城市黑臭水体分级方法 | |
| CN111860351B (zh) | 一种基于行列自注意力全卷积神经网络的遥感图像鱼塘提取方法 | |
| Matasci et al. | Mapping tree canopies in urban environments using airborne laser scanning (ALS): a Vancouver case study | |
| Wicaksono et al. | Analysis of reflectance spectra of tropical seagrass species and their value for mapping using multispectral satellite images | |
| CN111597949B (zh) | 一种基于npp-viirs夜间灯光数据的城市建成区提取方法 | |
| CN110765419B (zh) | 一种基于多源数据耦合的重要水功能区水质风险测评方法 | |
| Ren et al. | The accuracy of LCZ maps generated by the world urban database and access portal tools (WUDAPT) method: A case study of Hong Kong | |
| CN110688909A (zh) | 城市黑臭水体的识别方法、装置、设备以及存储介质 | |
| CN116384591B (zh) | 一种基于大数据的旱情预测方法、系统和介质 | |
| CN112070056A (zh) | 一种基于面向对象和深度学习的敏感用地识别方法 | |
| CN116385867A (zh) | 生态地块监测识别与分析方法、系统、介质、设备及终端 | |
| CN110849821B (zh) | 基于贝叶斯定理的黑臭水体遥感识别方法 | |
| CN113269396A (zh) | 一种基于多级灰关联的水环境风险评价方法及系统 | |
| CN113887493B (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
| Torkko et al. | How to best map greenery from a human perspective? Comparing computational measurements with human perception | |
| CN114707785A (zh) | 基于深度学习的农村居民点多尺度空间特征分析方法 | |
| Meng et al. | Characterizing the provision and inequality of primary school greenspaces in China’s major cities based on multi-sensor remote sensing | |
| CN112347926A (zh) | 基于建筑形态分布的高分辨率影像城中村检测方法 | |
| CN115219472B (zh) | 一种定量识别混合水体多污染源的方法及系统 | |
| Wu et al. | Urban black-odor water remote sensing mapping based on shadow removal: a case study in Nanjing | |
| Baker et al. | Use of discovery curves to assess abundance of Hawaiian monk seals |
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 |