CN115358695A - 基于高光谱遥感的农村面源黑臭水体监测技术 - Google Patents

Abstract

本发明提供基于高光谱遥感的农村面源黑臭水体监测技术，涉及水体监测技术领域。该基于高光谱遥感的农村面源黑臭水体监测技术，包括以下步骤：S1、信息调研和数据采集：首先通过调研区域水质的资料，并进行选取研究的区域，然后在研究的区域内获取黑臭水体分布的信息，同时建立步农村黑臭水体数据库；S2、软件模拟和模型建立：通过无人机航测遥感获取S1步骤中选取区域的遥感数据影像图。本发明提供的基于高光谱遥感的农村面源黑臭水体监测技术，不仅可以快速、实时、动态、省时省力地监测大范围的环境变化和环境污染，也可实时、快速跟踪和监测突发环境污染事件的发生、发展，并及时制定处理措施，减少污染造成的损失。

Description

基于高光谱遥感的农村面源黑臭水体监测技术

技术领域

本发明涉及水体监测技术领域，具体为基于高光谱遥感的农村面源黑臭水体监测技术。

背景技术

黑臭是水体有机污染的一种极端现象，是由于水体缺氧、有机物腐败而造成的，目前，国内外对黑臭水体的研究多集中于黑臭形成机制、水质评价方法与指标构建、生态修复等方面，但对其识别方法的研究还十分欠缺，我国黑臭水体识别主要通过实地调查进行判断，对黑臭水体的判断采用人体的主观感受结合水质指标测量的方法进行，主观感受指视觉上水体颜色异常，水面漂浮较多杂质，整体较浑浊，流速慢甚至不流动，通常有排污口排放污水，嗅觉上散发恶臭，距离较远便可闻到，影响周边环境，但是常规的监测方法往往难以揭示的污染源及其扩散的状态，无法快速、实时、动态、省时省力地监测大范围的环境变化和环境污染，对此提出了一种基于高光谱遥感的农村面源黑臭水体监测技术。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了基于高光谱遥感的农村面源黑臭水体监测技术，解决了的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：基于高光谱遥感的农村面源黑臭水体监测技术，包括以下步骤

S1、信息调研和数据采集：

首先通过调研区域水质的资料，并进行选取研究的区域，然后在研究的区域内获取黑臭水体分布的信息，同时建立步农村黑臭水体数据库；

S2、软件模拟和模型建立：

通过无人机航测遥感获取S1步骤中选取区域的遥感数据影像图，并对遥感数据进行校正处理和图像融合，形成遥感数据集；

S3、统计分析：

将水体采样数据与S2步骤中形成的遥感数据相结合后进行相关性分析，并建立反演模型和农村黑臭水体分析和监测数据库，最后在选取多个区域进行模型的验证和优化。

优选的，所述S1步骤中建立额步农村黑臭水体数据库，用于对获取的黑臭水体分布信息进行存储。

优选的，所述S2步骤中的无人机采用遥控低空飞行平台为载体，所述无人机搭配有小型细分光谱成像仪，所述小型细分光谱成像仪用于选取区域的遥感数据影像图。

优选的，所述S2步骤中的无人机选取区域的遥感数据影像图为两张，一张为待纠正的图，另一张为具有坐标信息的标准图，所述S2步骤中的校正处理为几何校正和影像辐射校正，所述影像辐射校通过遥感图像处理平台ENVI进行校准，所述几何校正的步骤为控制点选取、像元坐标变换以及像元亮度值重采样；

所述控制点选取用于在两幅图像上选取控制点；

所述像元坐标变换用于确定像元的正确坐标位置；

所述像元亮度值重采样用于将原图的像元值赋给校正后的图像。

优选的，所述S2步骤中图像融合采用遥感图像处理平台ENVI，所述图像融合的具体步骤为：

首先导入以高分辨率航空正射影像作为BaseImage，单条带高光谱影像作为WarpImage的数据，并通过与软件交互，选择两个影像的连接点，并且研究地面控制点后，均匀地分布于整个区域，利用一阶多项式进行转换，并进行保存，最后将影像拼接裁剪，使用经过配准后的高光谱数据，将单条带数据进行镶嵌成图。

优选的，所述S3步骤中黑臭水体分析分为NDBWI指数、基于典型遥感水质指标识别法、BOI指数模型。

优选的，所述基于典型遥感水质指标识别法：利用好营养状态指数法是结合叶绿素和悬浮物浓度，以及透明度等水质参数的综合指数，来反映水体的富营养化程度；

所述BOI指数模型：通过在绿光波段到红光波段之间，利用正常水体遥感反射率衰减较快而黑臭水体变化不明显这一光谱特征差别构建；

所述黑臭水体分析分为NDBWI指数：利用黑臭水体在红绿波段范围内光谱曲线变化平缓的特征，通过其差和之比来反映黑臭水体与正常水体的差异。

(三)有益效果

本发明提供了基于高光谱遥感的农村面源黑臭水体监测技术。具备以下有益效果：

1、本发明提供的基于高光谱遥感的农村面源黑臭水体监测技术，它不仅可以快速、实时、动态、省时省力地监测大范围的环境变化和环境污染，具有常规方法不可替代的优越性；也可实时、快速跟踪和监测突发环境污染事件的发生、发展，并及时制定处理措施，减少污染造成的损失。

2、本发明通过采用多参数并结合实测采水样，对黑臭水体进行分析和建立反演模，从而能够对相同区域的黑臭水体进行同步水体采样，保证有实测数据对研究工作进行校验。

附图说明

图1为本发明的具体流程示意图。

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。

实施例：

如图1所示，本发明实施例提供基于高光谱遥感的农村面源黑臭水体监测技术，包括以下步骤

S1、信息调研和数据采集：

首先通过调研区域水质的资料，并进行选取研究的区域，然后在研究的区域内获取黑臭水体分布的信息，同时建立步农村黑臭水体数据库；

S2、软件模拟和模型建立：

通过无人机航测遥感获取S1步骤中选取区域的遥感数据影像图，并对遥感数据进行校正处理和图像融合，形成遥感数据集，以便于对相同区域的黑臭水体进行同步水体采样，保证有实测数据对研究工作进行校验；

S3、统计分析：

将水体采样数据与S2步骤中形成的遥感数据相结合后进行相关性分析，并建立反演模型和农村黑臭水体分析和监测数据库，最后在选取多个区域进行模型的验证和优化，通过采用多参数并结合实测采水样，对黑臭水体进行分析和建立反演模型，为大面积农村黑臭水体的采集和判断。

S1步骤中建立额步农村黑臭水体数据库，用于对获取的黑臭水体分布信息进行存储。

S2步骤中的无人机采用遥控低空飞行平台为载体，无人机搭配有小型细分光谱成像仪，小型细分光谱成像仪用于选取区域的遥感数据影像图，通过无人机航测遥感获取区域的遥感数据影像图，从而能够灵活、快速、高效地获取工作区高分辨影像信息。

S2步骤中的无人机选取区域的遥感数据影像图为两张，一张为待纠正的图，另一张为具有坐标信息的标准图，S2步骤中的校正处理为几何校正和影像辐射校正，影像辐射校通过遥感图像处理平台ENVI进行校准，由于在大气层传输过程中受到其本身特性、地形、太阳高度角及大气等因素的影响，致使传感器接收的数值与地物目标的真实辐射率有所差异，对于这种差异的辐射失真和畸变，需要进行校正，从而消除和修正辐射误差所引起的影像畸变，几何校正的步骤为控制点选取、像元坐标变换以及像元亮度值重采样；

控制点选取用于在两幅图像上选取控制点，便于像元坐标变换确定像元的正确坐标位置；

像元坐标变换用于确定像元的正确坐标位置，根据控制点对的坐标建立多项式来拟合两幅图坐标之间的数学换算关系，以便求出像元的正确坐标位置；

像元亮度值重采样用于将原图的像元值赋给校正后的图像，由于重新定位后的像元与原图像中的行列号不是整数关系，因此需要对原图像的像元值进行重新采样，即根据一定的关系将原图的像元值赋给校正后的图像。

S2步骤中图像融合采用遥感图像处理平台ENVI，图像融合的具体步骤为：

首先导入以高分辨率航空正射影像作为BaseImage，单条带高光谱影像作为WarpImage的数据，并通过与软件交互，选择两个影像的连接点，并且研究地面控制点后，均匀地分布于整个区域，利用一阶多项式进行转换，并进行保存，最后将影像拼接裁剪，使用经过配准后的高光谱数据，将单条带数据进行镶嵌成图。

S3步骤中黑臭水体分析分为NDBWI指数、基于典型遥感水质指标识别法、BOI指数模型。

基于典型遥感水质指标识别法：利用好营养状态指数法是结合叶绿素和悬浮物浓度，以及透明度等水质参数的综合指数，来反映水体的富营养化程度，指数中各参数的反演算法如下：

a.叶绿素a度反演模型的公式为：

Cchl-α＝4.089×(b4/b3)2-0.746×(b4/b3)+29.7331

式中，Cchl-α表示叶绿素a浓度，mg/m3，b3和b4分别为经过大气校正与辐射校正后的第3与第4波段的像元亮度值。

b.悬浮物浓度反演模型的公式为：

CTSS＝119.62×(b3/b2)×6.0823

式中，CTSS为总悬浮物浓度，mg/L，b2和b3分别为经过大气校正与辐射校正后的第2与第3波段的像元亮度值。

c.透明度反演模型的公式为：

Zsd＝284.15CTSS-0.67

式中，Zsd为透明度，cm。

d.水体黑臭程度遥感判别指标，缺氧和富营养为水体黑臭的主要原因，通过评价水体富营养化程度，可间接评估水体的黑臭程度，其中基于叶绿素a和透明度的营养状态指数估算模型的公式为：

TLIchi-a＝2.5+10.86lnCchl-a

TLIsd＝51.18-19.4lnZsd

式中：TLIchl-a为叶绿素a营养状态指数，TLIsd为透明度营养状态指数；

由于到叶绿素a浓度过高或透明度过低，均会引起水质恶化，计算出两种营养状态指数后分别对数值进行归一化处理，便于观察营养状态指数分布情况，然后针对每一像素点，取两种营养状态指数的最大值作为该像素点的最终营养状态指数(TLImax)，结合对多个水体的TLImax值域范围分析，采用自然断裂点法设定水体黑臭程度阈值。

BOI指数模型：通过在绿光波段到红光波段之间，利用正常水体遥感反射率衰减较快而黑臭水体变化不明显这一光谱特征差别构建，BOI(BlackandOdorousWaterIndex)指数模型是一种归一化比值模型，其具体公式：

BOI＝[Rrs(G)-Rrs(R)]/[Rrs(B)+Rrs(G)+Rrs(R)]≤T

其中，Rrs(B)为蓝光波段的遥感反射率；Rrs(G)为绿光波段的遥感反射率；Rrs(R)为红光波段的遥感反射率；T为黑臭水体阈值；

黑臭水体分析分为NDBWI指数：利用黑臭水体在红绿波段范围内光谱曲线变化平缓的特征，通过其差和之比来反映黑臭水体与正常水体的差异，具体公式如下：

NDBWI＝[Rrs(G)-Rrs(R)]/[Rrs(G)+Rrs(R)]

式中，Rrs(G)为绿光波段的遥感反射率，Rrs(R)为红光波段的遥感反射率，通过水质调查等方法，确定黑臭水的阈值。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.基于高光谱遥感的农村面源黑臭水体监测技术，其特征在于：包括以下步骤

S1、信息调研和数据采集：

首先通过调研区域水质的资料，并进行选取研究的区域，然后在研究的区域内获取黑臭水体分布的信息，同时建立步农村黑臭水体数据库；

S2、软件模拟和模型建立：

通过无人机航测遥感获取S1步骤中选取区域的遥感数据影像图，并对遥感数据进行校正处理和图像融合，形成遥感数据集；

S3、统计分析：

将水体采样数据与S2步骤中形成的遥感数据相结合后进行相关性分析，并建立反演模型和农村黑臭水体分析和监测数据库，最后在选取多个区域进行模型的验证和优化。

2.根据权利要求1所述的基于高光谱遥感的农村面源黑臭水体监测技术，其特征在于：所述S1步骤中建立额步农村黑臭水体数据库，用于对获取的黑臭水体分布信息进行存储。

3.根据权利要求1所述的基于高光谱遥感的农村面源黑臭水体监测技术，其特征在于：所述S2步骤中的无人机采用遥控低空飞行平台为载体，所述无人机搭配有小型细分光谱成像仪，所述小型细分光谱成像仪用于选取区域的遥感数据影像图。

4.根据权利要求1所述的基于高光谱遥感的农村面源黑臭水体监测技术，其特征在于：所述S2步骤中的无人机选取区域的遥感数据影像图为两张，一张为待纠正的图，另一张为具有坐标信息的标准图，所述S2步骤中的校正处理为几何校正和影像辐射校正，所述影像辐射校通过遥感图像处理平台ENVI进行校准，所述几何校正的步骤为控制点选取、像元坐标变换以及像元亮度值重采样；

所述控制点选取用于在两幅图像上选取控制点；

所述像元坐标变换用于确定像元的正确坐标位置；

所述像元亮度值重采样用于将原图的像元值赋给校正后的图像。

5.根据权利要求1所述的基于高光谱遥感的农村面源黑臭水体监测技术，其特征在于：所述S2步骤中图像融合采用遥感图像处理平台ENVI，所述图像融合的具体步骤为：

首先导入以高分辨率航空正射影像作为BaseImage，单条带高光谱影像作为WarpImage的数据，并通过与软件交互，选择两个影像的连接点，并且研究地面控制点后，均匀地分布于整个区域，利用一阶多项式进行转换，并进行保存，最后将影像拼接裁剪，使用经过配准后的高光谱数据，将单条带数据进行镶嵌成图。

6.根据权利要求1所述的基于高光谱遥感的农村面源黑臭水体监测技术，其特征在于：所述S3步骤中黑臭水体分析分为NDBWI指数、基于典型遥感水质指标识别法、BOI指数模型。

7.根据权利要求6所述的基于高光谱遥感的农村面源黑臭水体监测技术，其特征在于：所述基于典型遥感水质指标识别法：利用好营养状态指数法是结合叶绿素和悬浮物浓度，以及透明度等水质参数的综合指数，来反映水体的富营养化程度；

所述BOI指数模型：通过在绿光波段到红光波段之间，利用正常水体遥感反射率衰减较快而黑臭水体变化不明显这一光谱特征差别构建；

所述黑臭水体分析分为NDBWI指数：利用黑臭水体在红绿波段范围内光谱曲线变化平缓的特征，通过其差和之比来反映黑臭水体与正常水体的差异。

Images