CN115586140A - 一种基于遥感数据的湖泊污染物检测方法、系统及其存储介质 - Google Patents

一种基于遥感数据的湖泊污染物检测方法、系统及其存储介质 Download PDF

Info

Publication number
CN115586140A
CN115586140A CN202211122601.0A CN202211122601A CN115586140A CN 115586140 A CN115586140 A CN 115586140A CN 202211122601 A CN202211122601 A CN 202211122601A CN 115586140 A CN115586140 A CN 115586140A
Authority
CN
China
Prior art keywords
lake
pollutant
remote sensing
map
inversion
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
Application number
CN202211122601.0A
Other languages
English (en)
Inventor
邹朝望
刘贤才
孙媛媛
沈立群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Provincial Water Resources and Hydropower Planning Survey and Design Institute
Original Assignee
Hubei Provincial Water Resources and Hydropower Planning Survey and Design Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei Provincial Water Resources and Hydropower Planning Survey and Design Institute filed Critical Hubei Provincial Water Resources and Hydropower Planning Survey and Design Institute
Priority to CN202211122601.0A priority Critical patent/CN115586140A/zh
Publication of CN115586140A publication Critical patent/CN115586140A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种基于遥感数据的湖泊污染物检测方法、系统及其存储介质，包括：获取待测湖泊的遥感图像；通过对应的反演模型对待测湖泊的遥感图像进行计算，分别获取该湖泊的若干个污染物指标的反演图；将获取的待测湖泊的遥感图像分别作为已经完成训练的神经网络模型的输入，多个神经网络模型分别对应输出待测湖泊的其中一个污染物指标的残差图；根据该湖泊的污染物指标的反演图和污染物指标的残差图，计算得到待测湖泊的各个污染物指标分布图；根据待测湖泊的各个污染物指标的分布图和电子地图，生成待测湖泊的污染物分布信息图；污染物分布信息图用于表征待测湖泊中各坐标位置的污染物指标数据。本发明提高基于遥感图像的湖泊污染反演精度。

Description

一种基于遥感数据的湖泊污染物检测方法、系统及其存储 介质
技术领域
本发明涉及水质反演领域，具体地涉及一种基于遥感数据的湖泊污染物检测方法、系统及其存储介质。
背景技术
传统的河流、湖泊水质监测主要是采用实地采样和实验室分析等方法，这种监测方法需要在河流、湖泊内定点、定剖面进行，通过常年累月的监测、记录和实验室分析，虽然能够达到一定的数据精度，但是不能反映河流、湖泊水质的总体时空状况，且费时费力、监测区域有限，只具有局部和典型的代表意义，不能满足实时、快速、大尺度的监测和评价要求。
遥感技术的发展与进步为河流、湖泊水体的监测和研究开辟了新的途径。遥感水质监测技术具有高动态、低成本和宏观性等显著特点，在河流、湖泊水质污染物研究方面有着常规检测不可替代的优点。它既可以满足大范围水质监测的需要，也可以反映水质在空间和时间上的分布和变化情况，弥补了单一采用水面采样的不足，同时还能发现一些常规方法难以揭示的污染物的分布以及污染物的迁移特征和影响范围，为科学布设水面采样点提供依据。同时可监测的水质参数逐渐增加，反演模型的精度也不断提高，在水资源的保护、规划和可持续发展方面发挥了重大作用。然而由于卫星遥感影像空间分辨率、时间分辨率等限制，比如景观异质性、大气噪音、太阳位置等的干扰，都会影响高光谱遥感技术在实际的应用能力，从而影响反演模型最终的计算结果。
发明内容
本发明针对上述问题，提供基于遥感数据的湖泊污染物检测方法、系统及其存储介质，有效提高基于遥感图像的湖泊污染物反演精度。
为解决上述问题，本发明提供的技术方案为：一种基于遥感数据的湖泊污染物检测方法，其特征在于包括以下步骤：
S1，获取待测湖泊的遥感图像；
S2，通过对应的反演模型对待测湖泊的遥感图像进行计算，分别获取该湖泊的若干个污染物指标的反演图；所述污染物指标包括叶绿素a、总氮、总磷、悬浮物浓度、温度；
S3，将步骤S1中获取的待测湖泊的遥感图像分别作为多个已经完成训练的神经网络模型的输入，多个神经网络模型分别对应输出待测湖泊的其中一个污染物指标的残差图；
每个污染物指标的残差图均用于反映通过反演模型计算得到的该污染物指标的反演图与待测湖泊的该污染物指标真实分布数据之间的差值；
S4，根据步骤S2获得的该湖泊的各个污染物指标的反演图和步骤S3获得的各个污染物指标的残差图，计算得到待测湖泊的各个污染物指标的分布图；
S5，根据待测湖泊的各个污染物指标的分布图和电子地图，生成待测湖泊的污染物分布信息图；所述污染物分布信息图用于表征待测湖泊中各坐标位置的叶绿素a、总氮、总磷、悬浮物浓度和温度数据。
上述技术方案中，用于输出任一个污染物指标的残差图的神经网络模型的训练集的单个样本信息包括：作为模型输入的某湖泊的遥感图像和作为训练标签的该湖泊的该污染物指标的残差图；
其中，根据某个湖泊的遥感图像通过公开的遥感数据库获得；
将该湖泊的遥感图像代入该污染物指标的反演模型，得到该湖泊的该污染物指标的反演图；
获取该遥感图像对应时刻该湖泊中的各个测量点的该污染物指标的实测数据和坐标信息，并结合该湖泊的电子地图生成该遥感图像对应时刻的该湖泊的该污染物指标的实测分布图；根据该湖泊的该污染物指标反演图和该污染物指标实测分布图生成该湖泊的该污染物指标的残差图，作为该神经网络模型训练标签。
上述技术方案中，所述任一个污染物指标实测分布图的生成方法包括以下步骤：
获取某个湖泊的遥感图像的采集时刻，某个湖泊的电子地图中的各个测量点的位置，获取该湖泊中在该采集时刻各个测量点该污染物指标的实测数据，并在所述的电子地图中各个测量点的位置标定其对应的采集到的该污染物指标的实测数据，作为该湖泊的该污染物指标的实测分布图。
上述技术方案中，如果待测的湖泊设置有若干测量点，则根据各个测量点的叶绿素a、总氮、总磷、悬浮物浓度和温度实测数据和坐标信息以及待测湖泊的遥感图像生成新的训练集和测试集，并采用新的训练集和测试集对已经完成训练的神经网络模型继续进行训练；采用重新完成训练的神经网络模型作为新的已经完成训练的神经网络模型执行后续计算。
上述技术方案中，所述污染物分布信息图的生成步骤包括：根据待测湖泊的各污染物指标的分布图分别获取待测湖泊中各坐标位置的各污染物指标的数据，并在待测湖泊的电子地图中各个坐标位置标定其对应的叶绿素a、总氮、总磷、悬浮物浓度和温度数据，形成污染物分布信息图。
上述技术方案中，每个神经网络模型的训练过程相同，均包括以下步骤：
基于对应的污染物指标数据构建对的训练集；
设置对应的生成器：生成器由若干层神经网络组成，输入为湖泊的遥感图像，对应输出为对应污染物指标的残差图；
设置鉴别器：鉴别器由若干层神经网络组成，用于判断单个样本的对应污染物指标的残差图是否为真；
采用鉴别器，通过训练集对生成器进行对抗训练。
上述技术方案中，生成器生成的单个样本的对应污染物指标的残差图经过掩膜处理后再用于鉴别器计算；
所述掩膜处理采用以下公式：
Figure BDA0003847059720000041
G(x)＝G′(x)×Mask(y)
其中，y表示输入的单个样本的对应污染物指标的残差图；y(i，j)表示输入的单个样本的对应污染物指标的残差图在栅格(i，j)处的真实残差值，i∈[0，N)，j∈[0，M)，N*M为该湖泊的电子地图栅格化处理后的覆盖范围；G’(x)为原始的生成器函数，G(x)为掩膜处理后的生成器函数。
上述技术方案中，待测湖泊的对任一污染物指标的分布图Xm均采用下式计算；
Xm＝Gm(xm)+Ym；m＝1，2，3，4，5，6；
其中，Gm表示某个污染物指标对应的训练完成的神经网络模型函数，xm表示待测湖泊的遥感图像；Ym表示步骤S2生成的该污染物指标的反演图。
本发明还提供了一种基于遥感数据的湖泊污染物检测系统，包括：遥感图像采集模块、反演图生成模块、残差图计算模块、指标分布图计算模块、污染物分布图计算模块；其中，遥感图像采集模块用于获取待测湖泊的遥感图像；反演图生成模块用于通过对应的反演模型对待测湖泊的遥感图像进行计算，分别获取该湖泊的若干个污染物指标的反演图；所述污染物指标包括叶绿素a、总氮、总磷、悬浮物浓度、温度；残差图计算模块用于将待测湖泊的遥感图像分别作为多个已经完成训练的神经网络模型的输入，多个神经网络模型分别对应输出待测湖泊的其中一个污染物指标的残差图；指标分布图计算模块用于根据该湖泊的各个污染物指标的反演图和各个污染物指标的残差图，计算得到待测湖泊的各个污染物指标的分布图；污染物分布图计算模块用于根据待测湖泊的各个污染物指标的分布图和电子地图，生成待测湖泊的污染物分布信息图。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有基于遥感数据的湖泊污染物检测方法程序，所述基于遥感数据的湖泊污染物检测方法程序被处理器执行时实现上述技术方案中所述的基于遥感数据的湖泊污染物检测方法的步骤。
本发明与现有技术对比，本发明利用反演模型生成水质反演结果，并利用圣经网络模型来对水质反演结果进行修正，避免水质遥感监测的卫星影像不满足水质监测要求，从而使水质计算结果出现了偏差的问题。
本发明湖泊的污染物指标的实测数据对神经网络模型的输出进行有效的引导与约束，从而加速了模型训练速度并提高了湖泊污染物检测的精度。
本发明基于深度学习方法强大的拟合能力和泛化能力，采用反演模型计算方式进行湖泊的污染物浓度评估。本发明采用预先训练好的神经网络模型，输出反演结果的残差图用于对反演模型的输出结果进行修正，从而提高反演结果的紧固带。
同时，因为神经网络模型强大的泛化能力，对抗训练完成后的模型采用少量、部分的实测点数据对模型继续训练，不断提高本发明的输出精度。
附图说明
图1为本发明的流程示意图；
图2为本具体实施例的湖泊叶绿素a反演图；
图3为本具体实施例的湖泊总氮反演图；
图4为本具体实施例的湖泊总磷反演图；
图5为本具体实施例的湖泊悬浮物浓度反演图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供了一种基于遥感数据的湖泊污染物检测方法，其特征在于包括以下步骤：
S1，获取待测湖泊的遥感图像；各种实体的特性均可以通过遥感图像反映出来。污染物水体具有不同于清洁水体的光谱特征，这些光谱特征体现在对特定波长的汲取或反射，且这些光谱特征能够为遥感器捕获并在遥感图像中体现。
S2，通过对应的反演模型对待测湖泊的遥感图像进行计算，获取该湖泊的叶绿素a反演图(如图2所示)、总氮反演图(如图3所示)、总磷反演图(如图4所示)、悬浮物浓度反演图(如图5所示)、温度反演图。
叶绿素a的反演模型常用的方法是根据叶绿素a的敏感波段建立最佳波段或各种波段组合的经验、半经验模型。常用的算法有以下三种:(1)根据叶绿素a在700nm处的反射峰，确定叶绿素a反演模型；(2)根据叶绿素a在700nm处的反射峰和675nm或560nm处的吸收峰的比例关系建立叶绿素a反演模型；(3)采用半经验的航空监测方法，利用叶绿素a在蓝绿光波段对水体反射率的影响，以这两个波段光谱反射率的差异或比值建立叶绿素a浓度反演模型。
总氮、总磷的反演模型主要根据总氮、总磷与叶绿素含量之间具有密切的相关关系，建立总氮、总磷的遥感信息模型。通过建立某地区总氮、总磷、叶绿素、悬浮物、化学需氧量和溶解氧6个参数的人工神经网络反演模型，能较好地通过遥感影像实现湖泊水质参数的反演，反演误差基本能控制在25％以下。
当悬浮物浓度大于350mg/L时，光谱反射率与悬浮物浓度呈线性关系，利用反射率的一阶微分的一元二次回归模型的估测效果比利用反射峰值估测精度高。悬浮物的反演模型选择监测悬浮物浓度较为稳定的经典模型。
遥感监测水体温度可以结合采用热红外遥感和微波遥感，利用光学技术或者计算机对图像作密度切割。通过Landsat8的第10波段基于辐射传播方程反演湖泊温度，作为温度反演模型。
S3，将步骤S1中获取的待测湖泊的遥感图像分别作为多个已经完成训练的神经网络模型的输入，多个神经网络模型分别对应输出待测湖泊的叶绿素a残差图、总氮残差图、总磷残差图、悬浮物浓度残差图、温度残差图；
所述叶绿素a残差图用于反映通过反演模型计算得到的待测湖泊的叶绿素a反演图与待测湖泊叶绿素a的真实分布数据之间的差值；
所述总氮残差图用于反映通过反演模型计算得到的待测湖泊的总氮反演图与待测湖泊总氮的真实分布数据之间的差值；
所述总磷残差图用于反映通过反演模型计算得到的待测湖泊的总磷残差图与待测湖泊总磷的真实分布数据之间的差值；
所述悬浮物浓度残差图用于反映通过反演模型计算得到的待测湖泊的悬浮物浓度反演图与待测湖泊悬浮物浓度的真实分布数据之间的差值；
所述温度残差图用于反映通过反演模型计算得到的待测湖泊的温度反演图与待测湖泊温度的真实分布数据之间的差值；
S4，根据步骤S2获得的该湖泊的叶绿素a反演图、总氮反演图、总磷反演图、悬浮物浓度反演图、温度反演图和步骤S3获得的叶绿素a残差图、总氮残差图、总磷残差图、悬浮物浓度残差图、温度残差图，计算得到待测湖泊的叶绿素a分布图、总氮分布图、总磷分布图、悬浮物浓度分布图、温度分布图；
S5，根据待测湖泊的叶绿素a分布图、总氮分布图、总磷分布图、悬浮物浓度分布图、温度分布图和电子地图，生成待测湖泊的污染物分布信息图；所述污染物分布信息图用于表征待测湖泊中各坐标位置的叶绿素a、总氮、总磷、悬浮物浓度和温度数据。
上述技术方案中，用于输出叶绿素a残差图的神经网络模型的训练集的单个样本信息包括作为模型输入的某湖泊的遥感图像和作为训练标签的该湖泊的叶绿素a残差图；
其中，根据某个湖泊的遥感图像通过公开的遥感数据库获得；
将该湖泊的实时遥感图像代入叶绿素a的反演模型，得到该湖泊的叶绿素a反演图，如图2所示；
获取该湖泊中当前的各个测量点的叶绿素实测数据和坐标信息，并结合该湖泊的电子地图生成该湖泊的叶绿素a实测分布图；根据该湖泊的叶绿素a反演图和叶绿素a实测分布图生成该湖泊的叶绿素a残差图，作为该神经网络模型训练标签。
用于输出总氮残差图的神经网络模型的训练集的单个样本信息包括作为模型输入的某湖泊的遥感图像和作为训练标签的该湖泊的总氮残差图；
其中，根据某个湖泊的遥感图像通过公开的遥感数据库获得；
将该湖泊实时的遥感图像代入总氮的反演模型，得到该湖泊的总氮反演图；
获取该湖泊中当前的各个测量点的叶绿素实测数据和坐标信息，并结合该湖泊的电子地图生成该湖泊的总氮实测分布图；根据该湖泊的总氮反演图和总氮实测分布图生成该湖泊的总氮残差图，作为该神经网络模型训练标签。
用于输出总磷残差图的神经网络模型的训练集的单个样本信息包括作为模型输入的某湖泊的遥感图像和作为训练标签的该湖泊的总磷残差图；
其中，根据某个湖泊的遥感图像通过公开的遥感数据库获得；
将该湖泊实时的遥感图像代入总磷的反演模型，得到该湖泊的总磷反演图；
获取该湖泊中当前的各个测量点的叶绿素实测数据和坐标信息，并结合该湖泊的电子地图生成该湖泊的总磷实测分布图；根据该湖泊的总磷反演图和总磷实测分布图生成该湖泊的总磷残差图，作为该神经网络模型训练标签。
用于输出悬浮物浓度残差图的神经网络模型的训练集的单个样本信息包括作为模型输入的某湖泊的遥感图像和作为训练标签的该湖泊的悬浮物浓度残差图；
其中，根据某个湖泊的遥感图像通过公开的遥感数据库获得；
将该湖泊实时的遥感图像代入悬浮物浓度的反演模型，得到该湖泊的悬浮物浓度反演图；
获取该湖泊中当前的各个测量点的叶绿素实测数据和坐标信息，并结合该湖泊的电子地图生成该湖泊的悬浮物浓度实测分布图；根据该湖泊的悬浮物浓度反演图和悬浮物浓度实测分布图生成该湖泊的悬浮物浓度残差图，作为该神经网络模型训练标签。
用于输出温度残差图的神经网络模型的训练集的单个样本信息包括作为模型输入的某湖泊的遥感图像和作为训练标签的该湖泊的温度残差图；
其中，根据某个湖泊的遥感图像通过公开的遥感数据库获得；
将该湖泊实时的遥感图像代入温度的反演模型，得到该湖泊的温度反演图；
获取该湖泊中当前的各个测量点的叶绿素实测数据和坐标信息，并结合该湖泊的电子地图生成该湖泊的温度实测分布图；根据该湖泊的温度反演图和温度实测分布图生成该湖泊的温度残差图，作为该神经网络模型训练标签。
上述技术方案中，所述叶绿素a实测分布图的生成方法包括以下步骤：
获取某个湖泊的电子地图中的各个测量点的坐标位置，获取该湖泊中各个测量点的叶绿素a实测数据，并在所述的电子地图中各个测量点的坐标位置标定其对应的采集到的叶绿素a实测数据，作为该湖泊的叶绿素a实测分布图。
在某个湖泊的环境简单，便于实时获取各个位置的叶绿素a浓度的情况下：根据该湖泊的叶绿素a反演图的浓度取值范围0-0.2，以0.01为划分段平均取20个点，即根据叶绿素a反演图找到叶绿素a浓度分别为0,0.01,0.02…，0.20对应的最典型的坐标位置。确定最典型的坐标位置标准是：确定对应单一的浓度值色块区域，获取该色块区域的中心点坐标，作为该浓度值对应的最典型的坐标位置。操作人员实时测量湖泊确定的各个浓度值对应的最典型的坐标位置的叶绿素a浓度，根据各个最典型的坐标位置及其对应的叶绿素a浓度实测值，绘制叶绿素a实测分布图。
在某个湖泊的环境复杂，各个叶绿素a浓度测量点只能够覆盖局部区域的情况下：
根据叶绿素a浓度测量点的实测值和坐标，形成该区域的叶绿素a实测图。根据该区域的坐标范围，获取该区域对应的叶绿素a反演图和遥感图像。根据该区域的叶绿素a反演图和叶绿素a实测图形成该区域的叶绿素a残差图。采用该区域的叶绿素a残差图和遥感图像训练对应的神经网络模型。
所述总氮实测分布图的生成方法包括以下步骤：
获取某个湖泊的电子地图中的各个测量点的位置，获取该湖泊中各个测量点的总氮实测数据，并在所述的电子地图中各个测量点的位置标定其对应的采集到的总氮实测数据，作为该湖泊的总氮实测分布图。
在某个湖泊的环境简单，便于实时获取各个位置的总氮浓度的情况下：根据该湖泊的总氮反演图的浓度取值范围0-4.0，以0.1为划分段平均取40个点，即根据总氮反演图找到总氮浓度分别为0,0.1,0.2…，4.0对应的最典型的坐标位置。确定最典型的坐标位置标准是：确定对应单一的浓度值色块区域，获取该色块区域的中心点坐标，作为该浓度值对应的最典型的坐标位置。操作人员实时测量湖泊确定的各个浓度值对应的最典型的坐标位置的总氮浓度，根据各个最典型的坐标位置及其对应的总氮浓度实测值，绘制总氮实测分布图。
在某个湖泊的环境复杂，各个总氮浓度测量点只能够覆盖局部区域的情况下：
根据总氮浓度测量点的实测值和坐标，形成该区域的总氮实测图。根据该区域的坐标范围，获取该区域对应的总氮反演图和遥感图像。根据该区域的总氮反演图和总氮实测图形成该区域的总氮残差图。采用该区域的总氮残差图和遥感图像训练对应的神经网络模型。
所述总磷实测分布图的生成方法包括以下步骤：
获取某个湖泊的电子地图中的各个测量点的位置，获取该湖泊中各个测量点的总磷实测数据，并在所述的电子地图中各个测量点的位置标定其对应的采集到的总磷实测数据，作为该湖泊的总磷实测分布图。
在某个湖泊的环境简单，便于实时获取各个位置的总磷浓度的情况下：根据该湖泊的总磷反演图的浓度取值范围0-0.20，以0.01为划分段平均取20个点，即根据总磷反演图找到总磷浓度分别为0,0.01,0.02,…,0.20对应的最典型的坐标位置。确定最典型的坐标位置标准是：确定对应单一的浓度值色块区域，获取该色块区域的中心点坐标，作为该浓度值对应的最典型的坐标位置。操作人员实时测量湖泊确定的各个浓度值对应的最典型的坐标位置的总磷浓度，根据各个最典型的坐标位置及其对应的总磷浓度实测值，绘制总磷实测分布图。
在某个湖泊的环境复杂，各个总磷浓度测量点只能够覆盖局部区域的情况下：
根据总磷浓度测量点的实测值和坐标，形成该区域的总磷实测图。根据该区域的坐标范围，获取该区域对应的总磷反演图和遥感图像。根据该区域的总磷反演图和总磷实测图形成该区域的总磷残差图。采用该区域的总磷残差图和遥感图像训练对应的神经网络模型。
所述悬浮物浓度实测分布图的生成方法包括以下步骤：
获取某个湖泊的电子地图中的各个测量点的位置，获取该湖泊中各个测量点的悬浮物浓度实测数据，并在所述的电子地图中各个测量点的位置标定其对应的采集到的悬浮物浓度实测数据，作为该湖泊的悬浮物浓度实测分布图。
在某个湖泊的环境简单，便于实时获取各个位置的悬浮物浓度的情况下：根据该湖泊的悬浮物反演图的浓度取值范围0-80，以1.0为划分段平均取80个点，即根据悬浮物反演图找到悬浮物浓度分别为0,1.0,2.0,…,80对应的最典型的坐标位置。确定最典型的坐标位置标准是：确定对应单一的浓度值色块区域，获取该色块区域的中心点坐标，作为该浓度值对应的最典型的坐标位置。操作人员实时测量湖泊确定的各个浓度值对应的最典型的坐标位置的悬浮物浓度，根据各个最典型的坐标位置及其对应的悬浮物浓度实测值，绘制悬浮物实测分布图。
在某个湖泊的环境复杂，各个悬浮物浓度测量点只能够覆盖局部区域的情况下：
根据悬浮物浓度测量点的实测值和坐标，形成该区域的悬浮物实测图。根据该区域的坐标范围，获取该区域对应的悬浮物反演图和遥感图像。根据该区域的悬浮物反演图和悬浮物实测图形成该区域的悬浮物残差图。采用该区域的悬浮物残差图和遥感图像训练对应的神经网络模型。
所述温度实测分布图的生成方法包括以下步骤：
获取某个湖泊的电子地图中的各个测量点的位置，获取该湖泊中各个测量点的温度实测数据，并在所述的电子地图中各个测量点的位置标定其对应的采集到的温度实测数据，作为该湖泊的温度实测分布图。
上述技术方案中，如果待测的湖泊设置有若干测量点，则根据各个测量点的叶绿素a、总氮、总磷、悬浮物浓度和温度实测数据和坐标信息以及待测湖泊的遥感图像生成新的训练集和测试集，并采用新的训练集和测试集对已经完成训练的神经网络模型继续进行训练；采用重新完成训练的神经网络模型作为新的已经完成训练的神经网络模型执行后续计算。
上述技术方案中，所述污染物分布信息图的生成步骤包括：根据待测湖泊的叶绿素a分布图、总氮分布图、总磷分布图、悬浮物浓度分布图、温度分布图获取待测湖泊中各坐标位置的叶绿素a、总氮、总磷、悬浮物浓度和温度数据，并在待测湖泊的电子地图中各个坐标位置标定其对应的叶绿素a、总氮、总磷、悬浮物浓度和温度数据，形成污染物分布信息图。
上述技术方案中，神经网络模型的训练过程相同，均包括以下步骤：
构建对应的训练集；
设置对应的生成器：生成器由若干层神经网络组成，输入为湖泊的遥感图像，对应输出为叶绿素a残差图、总氮残差图、总磷残差图、悬浮物浓度残差图或者温度残差图；
设置鉴别器：鉴别器由若干层神经网络组成，用于判断单个样本的叶绿素a残差图、总氮残差图、总磷残差图、悬浮物浓度残差图或者温度残差图是否为真；
采用鉴别器，通过训练集对生成器进行对抗训练。
上述技术方案中，生成器生成的单个样本的叶绿素a残差图、总氮残差图、总磷残差图、悬浮物浓度残差图或者温度残差图经过掩膜处理后再用于鉴别器计算；
所述掩膜处理采用以下公式：
Figure BDA0003847059720000141
G(x)＝G′(x)×Mask(y)
其中，y表示输入的单个样本对应的湖泊的叶绿素a残差图、总氮残差图、总磷残差图、悬浮物浓度残差图或者温度残差图；y(i，j)表示输入的单个样本的叶绿素a残差图、总氮残差图、总磷残差图、悬浮物浓度残差图或者温度残差图在栅格(i，j)处的真实残差值，i∈[0，N)，j∈[0，M)，N*M为该湖泊的电子地图栅格化处理后的覆盖范围；G’(x)为原始的生成器函数，G(x)为掩膜处理后的生成器函数。
上述技术方案中，待测湖泊的叶绿素a分布图X1、总氮分布图X2、总磷分布图X3、悬浮物浓度分布图X4、温度分布图X5均采用下式计算；
Xm＝Gm(xm)+Ym；m＝1，2，3，4，5；
其中，Gm表示训练完成的神经网络模型函数，xm表示待测湖泊的遥感图像；Ym表示步骤S2生成的待测湖泊的叶绿素a反演图、总氮反演图、总磷反演图、悬浮物浓度反演图或者温度反演图。
本发明还提供了一种基于遥感数据的湖泊污染物检测系统，包括：遥感图像采集模块、反演图生成模块、残差图计算模块、指标分布图计算模块、污染物分布图计算模块；其中，遥感图像采集模块用于获取待测湖泊的遥感图像；反演图生成模块用于通过对应的反演模型对待测湖泊的遥感图像进行计算，获取该湖泊的叶绿素a反演图、总氮反演图、总磷反演图、悬浮物浓度反演图、温度反演图；残差图计算模块用于将待测湖泊的遥感图像分别作为多个已经完成训练的神经网络模型的输入，多个神经网络模型分别对应输出待测湖泊的叶绿素a残差图、总氮残差图、总磷残差图、悬浮物浓度残差图、温度残差图；指标分布图计算模块用于根据该湖泊的叶绿素a反演图、总氮反演图、总磷反演图、悬浮物浓度反演图、温度反演图和叶绿素a残差图、总氮残差图、总磷残差图、悬浮物浓度残差图、温度残差图，计算得到待测湖泊的叶绿素a分布图、总氮分布图、总磷分布图、悬浮物浓度分布图、温度分布图；污染物分布图计算模块用于根据待测湖泊的叶绿素a分布图、总氮分布图、总磷分布图、悬浮物浓度分布图、温度分布图和电子地图，生成待测湖泊的污染物分布信息图。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有基于遥感数据的湖泊污染物检测方法程序，所述基于遥感数据的湖泊污染物检测方法程序被处理器执行时实现如上述技术方案所述的基于遥感数据的湖泊污染物检测方法的步骤。
本发明的具体实施例采集了32个湖泊的实测遥感图像和水样数据，剔除异常数据后得到有效数据24组。使用ASD-FieldSpec HandHeld 2地物光谱仪测量并计算得到采样点水体的遥感反射率数据。使用HACH 2100Q便携式浊度计现场测量浊度。根据《地表水和污水监测技术规范》采集和保存水样,带回实验室采用分光光度法测量叶绿素a浓度(Chl-a)、总氮(TN)和总磷(TP)。采用称重法测量水体总悬浮物浓度(TSM),采用温度计测量水体温度。实测采样点各类水质参数浓度分布如表1所示。
表1采样点水质参数浓度分布
Figure BDA0003847059720000161
本发明通过Micro Hyperspec VNIR A-Series高光谱成像仪(HeadWallPhotonics Inc.),其光谱范围为400～1 000nm,具有325个光谱通道,光谱分辨率1.8nm，获取了11条待测湖泊的高光谱数据。根据高光谱遥感影像质量选择400～800nm范围的218个光谱波段。遥感图像获取时间均在9:00—11:00和13:00—15:00之间进行。
高光谱成像数据采集过程中,同步获得了影像的地理位置、姿态信息,通过数据处理软件进行了高精度几何校正。采用城市地表水高光谱抗阴影水体指数方法提取河湖水体。
本发明采用了快速傅里叶变换(fast fourier transform,FFT)去除高光谱影像的条带噪声。采用对噪声敏感的最小噪声分离法(minimum noise fraction,MNF)实现光谱维噪声的去除。
通过对同步实测的遥感反射率与水质参数(Chl-a,TSM,TN,TP，温度)进行统计分析,将不同水质参数选择相关性最高的波段或波段组合作为自变量,通过指数、幂函数、线性、多项式、偏最小二乘回归等方法构建对应的反演模型，根据反演模型计算得到该湖泊的叶绿素a反演图、总氮反演图、总磷反演图、悬浮物浓度反演图、温度反演图。
将待测湖泊的遥感图像分别作为多个已经完成训练的神经网络模型的输入，多个神经网络模型分别对应输出待测湖泊的叶绿素a残差图、总氮残差图、总磷残差图、悬浮物浓度残差图和温度残差图。根据该湖泊的叶绿素a反演图、总氮反演图、总磷反演图、悬浮物浓度反演图、温度反演图和叶绿素a残差图、总氮残差图、总磷残差图、悬浮物浓度残差图、温度残差图，计算得到待测湖泊的叶绿素a分布图、总氮分布图、总磷分布图、悬浮物浓度分布图、温度分布图。
从与实测数据的对比结果(决定系数R2和均方根误差)来看具有较高的检测精度(Chl-a:R2＝0.83,RMSE＝2.1mg/m3；TSM:R2＝0.82,RMSE＝5.16mg/L；TN:R2＝0.59,RMSE＝0.24mg/L；TP:R2＝0.81,RMSE＝0.12mg/L)
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或”是要表示“非排它性的或者”。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于遥感数据的湖泊污染物检测方法，其特征在于包括以下步骤：
S1，获取待测湖泊的遥感图像；
S2，通过对应的反演模型对待测湖泊的遥感图像进行计算，分别获取该湖泊的若干个污染物指标的反演图；所述污染物指标包括叶绿素a、总氮、总磷、悬浮物浓度、温度；
S3，将步骤S1中获取的待测湖泊的遥感图像分别作为多个已经完成训练的神经网络模型的输入，多个神经网络模型分别对应输出待测湖泊的其中一个污染物指标的残差图；
每个污染物指标的残差图均用于反映通过反演模型计算得到的该污染物指标的反演图与待测湖泊的该污染物指标真实分布数据之间的差值；
S4，根据步骤S2获得的该湖泊的各个污染物指标的反演图和步骤S3获得的各个污染物指标的残差图，计算得到待测湖泊的各个污染物指标的分布图；
S5，根据待测湖泊的各个污染物指标的分布图和电子地图，生成待测湖泊的污染物分布信息图；所述污染物分布信息图用于表征待测湖泊中各坐标位置的叶绿素a、总氮、总磷、悬浮物浓度和温度数据。
2.根据权利要求1所述的基于遥感数据的湖泊污染物检测方法，其特征在于：用于输出任一个污染物指标的残差图的神经网络模型的训练集的单个样本信息包括：作为模型输入的某湖泊的遥感图像和作为训练标签的该湖泊的该污染物指标的残差图；
其中，根据某个湖泊的遥感图像通过公开的遥感数据库获得；
将该湖泊的遥感图像代入该污染物指标的的反演模型，得到该湖泊的该污染物指标的反演图；
获取该遥感图像对应时刻该湖泊中的各个测量点的该污染物指标的实测数据和坐标信息，并结合该湖泊的电子地图生成该遥感图像对应时刻的该湖泊的该污染物指标的实测分布图；根据该湖泊的该污染物指标反演图和该污染物指标实测分布图生成该湖泊的该污染物指标的残差图，作为该神经网络模型训练标签。
3.根据权利要求2所述的基于遥感数据的湖泊污染物检测方法，其特征在于：所述任一个污染物指标实测分布图的生成方法包括以下步骤：
获取某个湖泊的遥感图像的采集时刻，某个湖泊的电子地图中的各个测量点的位置，获取该湖泊中在该采集时刻各个测量点该污染物指标的实测数据，并在所述的电子地图中各个测量点的位置标定其对应的采集到的该污染物指标的实测数据，作为该湖泊的该污染物指标的实测分布图。
4.根据权利要求1所述的基于遥感数据的湖泊污染物检测方法，其特征在于：如果待测的湖泊设置有若干测量点，则根据各个测量点的叶绿素a、总氮、总磷、悬浮物浓度和温度实测数据和坐标信息以及待测湖泊的遥感图像生成新的训练集和测试集，并采用新的训练集和测试集对已经完成训练的神经网络模型继续进行训练；采用重新完成训练的神经网络模型作为新的已经完成训练的神经网络模型执行后续计算。
5.根据权利要求1所述的基于遥感数据的湖泊污染物检测方法，其特征在于：
所述污染物分布信息图的生成步骤包括：根据待测湖泊的各污染物指标的分布图分别获取待测湖泊中各坐标位置的各污染物指标的数据，并在待测湖泊的电子地图中各个坐标位置标定其对应的叶绿素a、总氮、总磷、悬浮物浓度和温度数据，形成污染物分布信息图。
6.根据权利要求1所述的基于遥感数据的湖泊污染物检测方法，其特征在于：每个神经网络模型的训练过程相同，均包括以下步骤：
基于对应的污染物指标数据构建对的训练集；
设置对应的生成器：生成器由若干层神经网络组成，输入为湖泊的遥感图像，对应输出为对应污染物指标的残差图；
设置鉴别器：鉴别器由若干层神经网络组成，用于判断单个样本的对应污染物指标的残差图是否为真；
采用鉴别器，通过训练集对生成器进行对抗训练。
7.根据权利要求6所述的基于遥感数据的湖泊污染物检测方法，其特征在于：生成器生成的单个样本的对应污染物指标的残差图经过掩膜处理后再用于鉴别器计算。
8.根据权利要求1所述的基于遥感数据的湖泊污染物检测方法，其特征在于：待测湖泊的对任一污染物指标的分布图Xm均采用下式计算；
Xm＝Gm(xm)+Ym；m＝1,2,3,4,5
其中，Gm表示某个污染物指标对应的训练完成的神经网络模型函数，xm表示待测湖泊的遥感图像；Ym表示步骤S2生成的该污染物指标的反演图。
9.一种基于遥感数据的湖泊污染物检测系统，其特征在于包括：遥感图像采集模块、反演图生成模块、残差图计算模块、指标分布图计算模块、污染物分布图计算模块；其中，遥感图像采集模块用于获取待测湖泊的遥感图像；反演图生成模块用于通过对应的反演模型对待测湖泊的遥感图像进行计算，分别获取该湖泊的若干个污染物指标的反演图；所述污染物指标包括叶绿素a、总氮、总磷、悬浮物浓度、温度；残差图计算模块用于将待测湖泊的遥感图像分别作为多个已经完成训练的神经网络模型的输入，多个神经网络模型分别对应输出待测湖泊的其中一个污染物指标的残差图；指标分布图计算模块用于根据该湖泊的各个污染物指标的反演图和各个污染物指标的残差图，计算得到待测湖泊的各个污染物指标的分布图；污染物分布图计算模块用于根据待测湖泊的各个污染物指标的分布图和电子地图，生成待测湖泊的污染物分布信息图。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质上存储有基于遥感数据的湖泊污染物检测方法程序，所述基于遥感数据的湖泊污染物检测方法程序被处理器执行时实现如权利要求1-8任一项所述的基于遥感数据的湖泊污染物检测方法的步骤。
CN202211122601.0A 2022-09-15 2022-09-15 一种基于遥感数据的湖泊污染物检测方法、系统及其存储介质 Pending CN115586140A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211122601.0A CN115586140A (zh) 2022-09-15 2022-09-15 一种基于遥感数据的湖泊污染物检测方法、系统及其存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211122601.0A CN115586140A (zh) 2022-09-15 2022-09-15 一种基于遥感数据的湖泊污染物检测方法、系统及其存储介质

Publications (1)

Publication Number Publication Date
CN115586140A true CN115586140A (zh) 2023-01-10

Family

ID=84773258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211122601.0A Pending CN115586140A (zh) 2022-09-15 2022-09-15 一种基于遥感数据的湖泊污染物检测方法、系统及其存储介质

Country Status (1)

Country Link
CN (1) CN115586140A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953687A (zh) * 2023-01-18 2023-04-11 生态环境部卫星环境应用中心 基于遥感技术的小微水体受损等级划分方法和装置
CN116403092A (zh) * 2023-06-02 2023-07-07 北京建工环境修复股份有限公司 一种基于图像学习的地下水napl污染程度判定方法及系统
CN116482317A (zh) * 2023-04-26 2023-07-25 大连理工大学 湖泊水体营养状态实时监测方法、系统、设备及介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953687A (zh) * 2023-01-18 2023-04-11 生态环境部卫星环境应用中心 基于遥感技术的小微水体受损等级划分方法和装置
CN115953687B (zh) * 2023-01-18 2023-11-10 生态环境部卫星环境应用中心 基于遥感技术的小微水体受损等级划分方法和装置
CN116482317A (zh) * 2023-04-26 2023-07-25 大连理工大学 湖泊水体营养状态实时监测方法、系统、设备及介质
CN116482317B (zh) * 2023-04-26 2023-10-27 大连理工大学 湖泊水体营养状态实时监测方法、系统、设备及介质
CN116403092A (zh) * 2023-06-02 2023-07-07 北京建工环境修复股份有限公司 一种基于图像学习的地下水napl污染程度判定方法及系统
CN116403092B (zh) * 2023-06-02 2023-08-18 北京建工环境修复股份有限公司 一种基于图像学习的地下水napl污染程度判定方法及系统

Similar Documents

Publication Publication Date Title
CN115586140A (zh) 一种基于遥感数据的湖泊污染物检测方法、系统及其存储介质
CN108593569B (zh) 基于光谱形态特征的高光谱水质参数定量反演方法
Wu et al. Application of MODIS satellite data in monitoring water quality parameters of Chaohu Lake in China
CN110865040A (zh) 天空地一体化高光谱水质监测分析方法
CN111007021A (zh) 基于一维卷积神经网络的高光谱水质参数反演系统及方法
Zhou et al. Mapping the concentrations of total suspended matter in Lake Taihu, China, using Landsat‐5 TM data
CN108956505B (zh) 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置
CN111597756A (zh) 一种基于无人机多光谱数据的水质参数反演方法
CN109799199B (zh) 一种叶绿素a浓度的协同反演方法
CN115690632A (zh) 一种内陆河流水体的水环境监测方法
Ogashawara et al. Re-parameterization of a quasi-analytical algorithm for colored dissolved organic matter dominant inland waters
CN116879297B (zh) 土壤水分协同反演的方法、装置、设备和介质
CN113203694A (zh) Msi的湖泊富营养指数遥感估算方法
CN116482317B (zh) 湖泊水体营养状态实时监测方法、系统、设备及介质
CN114397277A (zh) 一种无人机水体叶绿素遥感探测系统
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
CN113866102A (zh) 一种基于光谱的土壤健康调查监测方法
Bagheri et al. Chlorophyll-a estimation in New Jersey's coastal waters using Thematic Mapper data
CN111781584A (zh) 一种基于目标辐射o2吸收相关k分布法的被动测距方法
CN113408111B (zh) 大气可降水量反演方法及系统、电子设备和存储介质
CN110927065A (zh) 遥感辅助的湖库chl-a浓度空间插值方法优选方法和装置
CN114112941A (zh) 基于支持向量回归的航空高光谱水体富营养化评价方法
CN111650128B (zh) 一种基于地表反射率库的高分辨率大气气溶胶反演方法
CN113780177A (zh) 一种非接触式实时原位水质监测方法
CN116911183A (zh) 岩溶湿地水体叶绿素a反演的方法、系统、设备及介质

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