CN115907471B - 基于VineCopula函数的湖泊蓝藻风险诊断方法 - Google Patents
基于VineCopula函数的湖泊蓝藻风险诊断方法 Download PDFInfo
- Publication number
- CN115907471B CN115907471B CN202211463640.7A CN202211463640A CN115907471B CN 115907471 B CN115907471 B CN 115907471B CN 202211463640 A CN202211463640 A CN 202211463640A CN 115907471 B CN115907471 B CN 115907471B
- Authority
- CN
- China
- Prior art keywords
- blue algae
- function
- risk
- optimal
- vine copula
- 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.)
- Active
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于Vine Copula函数的湖泊蓝藻风险诊断方法,包括:S1:获取包含湖泊蓝藻的卫星影像;S2:对卫星影像进行预处理,得到包含研究区域的影像;S3:根据蓝藻常年的分布特征,对包含研究区域的影像进行分区处理;S4:利用FAI指数计算各分区平均蓝藻量数据,得到计算结果;S5:利用核密度估计拟合分区蓝藻量样本,得到各区对应的边缘分布;S6:根据边缘分布建立最优Vine Copula模型;S7:计算最优Vine Copula模型的联合分布函数,并将联合分布函数作为风险评价指标;S8:对比风险评价指标和传统方式获得的风险评价指标,得到蓝藻风险诊断结果。以避免传统诊断标准太过单一而导致风险诊断客观性和精度不够高的缺陷。
Description
技术领域
本发明涉及蓝藻监测技术领域,具体涉及一种基于Vine Copula函数的湖泊蓝藻风险诊断方法。
背景技术
水体富营养化和全球气温升高,导致蓝藻繁衍迅速,对水安全和生态环境造成严重破坏。
传统的蓝藻水华风险评估方法都是以设立采样点的监测方式来计量藻类浓度或分布中的一种来诊断风险。现有的蓝藻水华风险评估方法在监测方面做了改进,多用卫星或无人机监测,该监测方法的好处有两点:1、相较于设立采样点的方式,数据获取更加快捷方便,节省人力物力和财力;2、根据卫星影像或无人机影像能够更加直观的看到大面积蓝藻水华的严重程度和分布情况。现有的蓝藻水华风险评估方法虽然在监测方法上做得很好,但是在评估风险时仍与传统方法大同小异,都只是关注蓝藻水华的量或分布中的一种,其缺点在于评估标准太过单一,未能考虑蓝藻时空分布和演变的高动态性特征,会导致风险评估准确度不够高。
发明内容
本发明的目的在于提供基于Vine Copula函数的湖泊蓝藻风险诊断方法,以能够同时反映蓝藻的严重程度(量)和空间分布情况,避免了传统诊断标准太过单一而导致风险诊断客观性和精度不够高的缺陷。
本发明解决上述技术问题的技术方案如下:
本发明提供一种基于Vine Copula函数的湖泊蓝藻风险诊断方法,所述基于VineCopula函数的湖泊蓝藻风险诊断方法包括:
S1:获取包含湖泊蓝藻的卫星影像;
S2:对所述卫星影像进行预处理,得到包含研究区域的影像;
S3:根据蓝藻常年的分布特征,对所述包含研究区域的影像进行分区处理;
S4:利用FAI指数计算各分区平均蓝藻量数据,得到计算结果;
S5:利用核密度估计拟合所述计算结果,得到各区对应的边缘分布;
S6:根据所述边缘分布建立最优Vine Copula模型;
S7:计算所述最优Vine Copula模型的联合分布函数,并将所述联合分布函数作为风险评价指标;
S8:对比所述风险评价指标和传统方式获得的风险评价指标,得到蓝藻风险诊断结果。
可选择地,所述步骤S2中,对所述卫星影像进行预处理包括:
对所述卫星影像进行大气校正、辐射定标、几何定标、重采样、陆地掩膜、云遮蔽和离水校正。
可选择地,所述步骤S4中,所述FAI指数的计算方法为:
FAI=Rrc,NIR-R'rc,NIR
其中,R'rc,NIR表示插值红光反射率且Rrc,NIR、Rrc,RED和Rrc,SWIR分别是经过瑞利反射率校正(Rayleigh-corrected reflectance,Rrc)的红光反射率、近红光反射率和短波红外反射率,λRED为红外中心波长,λNIR为近红外中心波长,λSWIR为短波红外中心波长。
可选择地,所述步骤S5中,所述核密度的计算公式为:
其中,n为样本数量,K(·)为核函数,h为窗宽,x为待估计样本数据,k为由1~n的变量,xk为第k个样本点。
可选择地,所述步骤S6包括:
S61:将所有所述边缘分布两两组合,得到多个组合结果;
S62:利用AIC信息准则对多个所述组合结果进行筛选,得到最优Copula函数;
S63:计算所述最优Copula函数的参数,以构建第一层树;
S64:根据所述最优Copula函数及其参数模拟生成新的变量,重复步骤S61到S63,得到第二层树;
S65:重复步骤S61到S64,得到满足预设条件树的构建,并将所述预设条件树作为所述最优Vine Copula模型。
可选择地,所述步骤S62中,所述AIC信息准则的计算方式为:
AIC=2k1-2ln(L)
其中k为参数数量,L为似然函数,AIC值越小表明拟合效果越好。
本发明具有以下有益效果:
1、监测方法上,继承了现有技术数据获取快捷方便和节省人力物力以及财力的优点;
2、评估方法上,基于Vine Copula函数的联合风险模型与直接采用全湖区FAI指标的传统方法相比,不仅能够反映蓝藻的严重程度,还能定量反映蓝藻的空间分布特征,其优势在于综合定量考虑了蓝藻在各区域的分布情况,更能充分反映各分区蓝藻之间复杂多变的组合情景。
附图说明
图1为本发明基于Vine Copula函数的湖泊蓝藻风险诊断方法的流程图;
图2为研究区分区示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例
本发明提供一种基于Vine Copula函数的湖泊蓝藻风险诊断方法,所述基于VineCopula函数的湖泊蓝藻风险诊断方法包括:
S1:获取包含湖泊蓝藻的卫星影像;
S2:对所述卫星影像进行预处理,得到包含研究区域的影像;
对所述卫星影像进行预处理包括:对所述卫星影像进行大气校正、辐射定标、几何定标、重采样、陆地掩膜、云遮蔽和离水校正。
具体地,本发明从Google Earth Engine(GEE)平台获取了MOD09GQ和MOD09GA产品,MOD09GQ和MOD09GA分别是MOD09GQ.006Terra Surface Reflectance Daily L2GGlobal 250m和MOD09GA.006Terra Surface Reflectance Daily L2G Global 1 km and500m的简称,都是经过大气校正、辐射定标和几何定标处理的L2级产品。
MOD09GA和MOD09GQ是需要组合使用的产品。首先,为了使两者的空间分辨率相同,需要使用双线性插值法将MOD09GA的波段重新采样到250米空间分辨率;其次,通过陆地掩膜、云遮蔽和离水反射率校正分别去除陆地污染、云层污染和离水反射率问题;最后,剔除云层污染严重导致残缺区域较大的影像,选出可供使用的影像数据提取蓝藻数据。GEE平台是一个基于云的地理空间处理平台,用于大规模环境监控和分析,可以高效批量处理和统计影像数据,因此预处理和提取蓝藻过程均在GEE平台上完成。
S3:根据蓝藻常年的分布特征,对所述包含研究区域的影像进行分区处理;
作为一种实施例,本发明根据巢湖蓝藻多年的空间分布聚类特征,参考图2所示,将巢湖划分为西北(1区)、西南(2区)、中部(3区)、东部(4区)共4个区域,以每个区域的FAI均值作为变量值,由此构建四维Vine Copula用来分析蓝藻的时空分布关联性及风险。
S4:利用FAI指数计算各分区平均蓝藻量数据,得到计算结果;
FAI指数的计算方法为:
FAI=Rrc,NIR-R'rc,NIR
其中,R'rc,NIR表示插值红光反射率且Rrc,NIR、Rrc,RED和Rrc,SWIR分别是经过瑞利反射率校正(Rayleigh-corrected reflectance Rrc)的红光反射率、近红光反射率和短波红外反射率,λRED为红外中心波长,λNIR为近红外中心波长,λSWIR为短波红外中心波长。
S5:利用核密度估计拟合所述计算结果,得到各区对应的边缘分布;
核密度估计是非参数估计中的一种,和参数估计不同,非参数估计并不加入任何先验知识,而是根据数据本身的特点、性质来拟合分布,这样能比参数估计方法得出更精准的边缘分布。所述核密度的计算公式为:
其中,n为样本数量,K(·)为核函数,h为窗宽,x为待估计样本数据,k为由1~n的变量,xk为第k个样本点。
S6:根据所述边缘分布建立最优Vine Copula模型;
可选择地,所述步骤S6包括:
S61:将所有所述边缘分布两两组合,得到多个组合结果;
S62:利用AIC信息准则对多个所述组合结果进行筛选,得到最优Copula函数;(第一层树的变量是遥感影像各分区的FAI均值)
AIC是衡量统计模型拟合优良性的一种标准,所述AIC信息准则的计算方式为:
AIC=2k1-2ln(L)
其中k是参数数量,L是似然函数,AIC值越小表明拟合效果越好。
所述Copula联合分布函数为:
F(x1,x2,…xn)=C(F1(x1),F2(x2),…,Fn(xn))=C(u1,u2,…,un)
其中,F(x1,x2,…xn)为x1,x2,…xn的联合分布函数,C(F1(x1),F2(x2),…,Fn(xn))为Copula函数,u为变量x的边缘分布函数。
与之对应的联合密度函数为:
f(x1,x2,…xn)=c(u1,u2,…un)·f1(x1)·f2(x2)·····fn(xn)
其中,c(u1,u2,…un)为u1,u2,…un的变量密度函数,f(·)为边缘密度函数。
S63:计算所述最优Copula函数的参数,以构建第一层树;
S64:根据所述最优Copula函数及其参数模拟生成新的变量,重复步骤S61到S63,得到第二层树;
S65:重复步骤S61到S64,得到满足预设条件树的构建,并将所述预设条件树作为所述最优Vine Copula模型。
S7:计算所述最优Vine Copula模型的联合分布函数F(x1,x2,…xn),由上文公式概念可知,一种蓝藻FAI组合的分布函数越大,则全体样本中小于等于这一组合的概率就越大,即这一事件的风险也就越高。以4个分区的FAI值为变量建立的Vine Copula模型既反映了蓝藻量的信息、又反映了分区间蓝藻分布的覆盖度,因此能够很好的描述分区间的相关性,能够表现出蓝藻的分布严重性等级,因此联合分布函数是本文风险诊断的主要指标。
S8:对比所述风险评价指标和传统方式获得的风险评价指标,得到蓝藻风险诊断结果。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于Vine Copula函数的湖泊蓝藻风险诊断方法,其特征在于,所述基于VineCopula函数的湖泊蓝藻风险诊断方法包括:
S1:获取包含湖泊蓝藻的卫星影像;
S2:对所述卫星影像进行预处理,得到包含研究区域的影像;
S3:根据蓝藻常年的分布特征,对所述包含研究区域的影像进行分区处理;
S4:利用FAI指数计算各分区平均蓝藻量数据,得到计算结果;
S5:利用核密度估计拟合所述计算结果,得到各区对应的边缘分布;
S6:根据所述边缘分布建立最优Vine Copula模型;
S7:计算所述最优Vine Copula模型的联合分布函数,并将所述联合分布函数作为风险评价指标;
S8:对比所述风险评价指标和传统方式获得的风险评价指标,得到蓝藻风险诊断结果。
2.根据权利要求1所述的基于Vine Copula函数的湖泊蓝藻风险诊断方法,其特征在于,所述步骤S2中,对所述卫星影像进行预处理包括:
对所述卫星影像进行大气校正、辐射定标、几何定标、重采样、陆地掩膜、云遮蔽和离水校正。
3.根据权利要求1所述的基于Vine Copula函数的湖泊蓝藻风险诊断方法,其特征在于,所述步骤S4中,所述FAI指数的计算方法为:
FAI=Rrc,NIR-R'rc,NIR
其中,R'rc,NIR表示插值红光反射率且Rrc,NIR、Rrc,RED和Rrc,SWIR分别是经过瑞利反射率校正的红光反射率、近红光反射率和短波红外反射率,λRED为红外中心波长,λNIR为近红外中心波长,λSWIR为短波红外中心波长。
4.根据权利要求1至3任一项所述的基于Vine Copula函数的湖泊蓝藻风险诊断方法,其特征在于,所述步骤S5中,所述核密度的计算公式为:
其中,n为样本数量,K(·)为核函数,h为窗宽,x为待估计样本数据,k为由1~n的变量,xk为第k个样本点。
5.根据权利要求1所述的基于Vine Copula函数的湖泊蓝藻风险诊断方法,其特征在于,所述步骤S6包括:
S61:将所有所述边缘分布两两组合,得到多个组合结果;
S62:利用AIC信息准则对多个所述组合结果进行筛选,得到最优Copula函数;
S63:计算所述最优Copula函数的参数,以构建第一层树;
S64:根据所述最优Copula函数及其参数模拟生成新的变量,重复步骤S61到S63,得到第二层树;
S65:重复步骤S61到S64,得到满足预设条件树的构建,并将所述预设条件树作为所述最优Vine Copula模型。
6.根据权利要求5所述的基于Vine Copula函数的湖泊蓝藻风险诊断方法,其特征在于,所述步骤S62中,所述AIC信息准则的计算方式为:
AIC=2k1-2ln(L)
其中k1为参数数量,L为似然函数,AIC值越小表明拟合效果越好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211463640.7A CN115907471B (zh) | 2022-11-22 | 2022-11-22 | 基于VineCopula函数的湖泊蓝藻风险诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211463640.7A CN115907471B (zh) | 2022-11-22 | 2022-11-22 | 基于VineCopula函数的湖泊蓝藻风险诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115907471A CN115907471A (zh) | 2023-04-04 |
CN115907471B true CN115907471B (zh) | 2023-07-21 |
Family
ID=86491838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211463640.7A Active CN115907471B (zh) | 2022-11-22 | 2022-11-22 | 基于VineCopula函数的湖泊蓝藻风险诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907471B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288149A (zh) * | 2019-06-24 | 2019-09-27 | 北京师范大学 | 多区域水资源供需风险评价方法及设备 |
CN112232680A (zh) * | 2020-10-19 | 2021-01-15 | 三峡大学 | 基于Copula函数的流域氮代谢环境风险评价方法 |
CN114998724A (zh) * | 2022-05-13 | 2022-09-02 | 安徽农业大学 | 一种抗云层干扰的湖泊蓝藻水华遥感监测方法 |
CN115115269A (zh) * | 2022-07-19 | 2022-09-27 | 天津大学 | 一种河湖水系连通伴生风险的识别与控制方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508996A (zh) * | 2011-10-08 | 2012-06-20 | 南京大学 | 一种叶绿素a的重现期的确定方法 |
US10448898B2 (en) * | 2015-07-14 | 2019-10-22 | Conduent Business Services, Llc | Methods and systems for predicting a health condition of a human subject |
WO2018214190A1 (zh) * | 2017-06-19 | 2018-11-29 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
CN111368779B (zh) * | 2020-03-13 | 2022-03-04 | 武汉大学 | 一种基于Landsat 8 OLI的蓝藻水华风险评估与动态感知方法 |
CN111984693B (zh) * | 2020-07-17 | 2023-12-08 | 河海大学 | 基于Copula函数面向大型通江连河湖泊推求设计洪水的方法 |
-
2022
- 2022-11-22 CN CN202211463640.7A patent/CN115907471B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288149A (zh) * | 2019-06-24 | 2019-09-27 | 北京师范大学 | 多区域水资源供需风险评价方法及设备 |
CN112232680A (zh) * | 2020-10-19 | 2021-01-15 | 三峡大学 | 基于Copula函数的流域氮代谢环境风险评价方法 |
CN114998724A (zh) * | 2022-05-13 | 2022-09-02 | 安徽农业大学 | 一种抗云层干扰的湖泊蓝藻水华遥感监测方法 |
CN115115269A (zh) * | 2022-07-19 | 2022-09-27 | 天津大学 | 一种河湖水系连通伴生风险的识别与控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115907471A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109581372B (zh) | 一种生态环境遥感监测方法 | |
Liang et al. | Multi-factor modeling of above-ground biomass in alpine grassland: A case study in the Three-River Headwaters Region, China | |
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
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 | |
CN107423537B (zh) | 一种基于自适应阈值的地表温度降尺度的方法 | |
US11681839B2 (en) | Systems and methods for modeling water quality | |
CN111597756A (zh) | 一种基于无人机多光谱数据的水质参数反演方法 | |
CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
CN115266632A (zh) | 一种水体污染源无人机高光谱遥感排查方法 | |
CN115561181B (zh) | 一种基于无人机多光谱数据的水质反演方法 | |
CN112380980A (zh) | 一种人工龙竹林lai遥感估测最佳尺度选择方法 | |
CN114201732A (zh) | 一种基于Sentinel-2A影像的浅海海域水深反演方法 | |
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 | |
CN112329265A (zh) | 卫星遥感降水精细化空间估算方法及系统 | |
CN114202675A (zh) | 一种基于无人机多光谱遥感影像的作物生长参数测定方法及系统 | |
Matsui et al. | Improving the resolution of UAV-based remote sensing data of water quality of Lake Hachiroko, Japan by neural networks | |
CN114241331A (zh) | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 | |
CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
CN114863294A (zh) | 一种适用于微咸水湖泊的水质参数监测方法和装置 | |
CN111273376B (zh) | 降尺度的海表净辐射确定方法、系统、设备及存储介质 | |
CN115907471B (zh) | 基于VineCopula函数的湖泊蓝藻风险诊断方法 | |
CN113049606A (zh) | 一种大面积高精度绝缘子污秽分布评估方法 | |
CN117809183A (zh) | 一种荒漠化监测方法、系统、电子设备及介质 | |
CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
CN116773516A (zh) | 一种基于遥感数据的土壤碳含量分析系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |