CN116087115A - 一种复杂环境下的河湖水质快速检测方法 - Google Patents
一种复杂环境下的河湖水质快速检测方法 Download PDFInfo
- Publication number
- CN116087115A CN116087115A CN202211481337.XA CN202211481337A CN116087115A CN 116087115 A CN116087115 A CN 116087115A CN 202211481337 A CN202211481337 A CN 202211481337A CN 116087115 A CN116087115 A CN 116087115A
- Authority
- CN
- China
- Prior art keywords
- water
- water quality
- light signal
- river
- chlorophyll
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种复杂环境下的河湖水质快速检测方法,其不易受外部复杂环境影响,可实现不同水域水质自动、快速、准确检测,该方法基于水质监测仪获取不同水域光谱数据,光谱数据包括环境光信号、水域光信号,检测步骤包括:采集环境光信号、水域光信号,计算获得第一水体光谱反射率,对第一水体光谱反射率进行预处理,获得第二水体光谱反射率,采集不同水域水质指标数据,划分为建模集、验证集,采用竞争性自适应重加权算法提取建模集中的特征变量,基于特征变量建立反演模型,采用反演模型对验证集进行反演,获取预测值;采用评价参数对反演模型精度进行评价,若评价参数达到相应阈值,表明预测值接近于真实值,实现水质检测。
Description
技术领域
本发明涉及水质检测技术领域,具体为一种适用于不同环境下的河流、湖泊水质快速检测方法。
背景技术
监测水体污染物、评价水质状况是水环境整治工作的主要内容之一,传统的水质监测主要为人工检测,野外工作人员对不同水体进行采样,再将样本带回实验室进行处理分析,获得不同水体中叶绿素a、悬浮物、总氮、高锰酸盐指数等水质参数,但这种检测方式耗时耗力,数据的及时性也难以保证。
随着航空、航天技术的发展,无人机监测技术、水体遥感监测技术应运而生,其中,水体遥感监测技术原理是通过传感器探测水体光学性质即离水辐亮度的变化,从而反演各光学成分的浓度变化情况,采用这种方式获得的水质遥感监测信息具备空间与时间上的相对连续性,有利于及时、全面掌握区域水体污染源的分布和污染物的扩散规律。但遥感技术易受天气状况等复杂环境影响,当云、雾或者水气等在信号传播路线上形成一定规模时,会对待检测图像产生遮挡,导致目标地物光谱信息缺失。另外,常用的图像传感器(例如中分辨率成像光谱仪MODIS、图像传感器CCD、机载成像光谱仪HYMAP、卫星搭载传感器Landsat、Sentinel等)的空间分辨率较低、环境适用性差,且存在重访周期长、波段宽、信噪比低等缺点,导致最终获得的水质参数准确性差,无法满足内陆运河、渠道、河流等水质准确监测需求。
无人机监测技术主要通过无人机搭载图像传感设备对运河、渠道、河流等水域图像进行采集,这种图像采集方式虽可以规避卫星遥感光谱和时空分辨率的限制,但无人机飞行环境条件苛刻,仅适用于晴朗、无风天气,并且存在巡航能力差,应用飞行受政策、法律限制等问题,因此,无人机监测技术存在使用灵活性差,应用范围窄等缺陷。
发明内容
针对现有技术中存在的上述技术问题,本发明提供了一种复杂环境下的河湖水质快速检测方法,其不易受外部复杂环境影响,可实现不同水域水质自动、快速、准确检测,可提高使用灵活性和适用范围。
一种复杂环境下的河湖水质快速检测方法,其基于水质监测仪获取不同水域的光谱数据,所述光谱数据包括环境光信号、水域光信号,其特征在于,河湖水质快速检测的步骤包括:S1、采集环境光信号、水域光信号;
S2、基于所述环境光信号、水域光信号计算获得第一水体光谱反射率;
S3、对所述第一水体光谱反射率进行预处理,获得第二水体光谱反射率;
S4、采集不同水域的水质指标数据;
S5、将所述第二水体光谱反射率与水质指标数据划分为建模集、验证集;
S6、采用竞争性自适应重加权算法提取建模集中的特征变量,基于所述特征变量建立反演模型;
S7、采用所述反演模型对所述验证集进行反演,获取预测值;
S8、采用评价参数对所述反演模型的精度进行评价,若所述评价参数达到相应阈值,表明所述反演模型的预测值接近于真实值,实现水质检测。
其进一步特征在于,
所述环境光信号包括太阳直射光、天空漫反射光、灯光、植被和建筑物的漫反射光,所述水域光信号包括水体的漫反射光、水面的镜面反射光;
水质指标包括:总氮、高锰酸盐指数、叶绿素a、悬浮物;
所述水质指标数据包括:叶绿素a在不同天气条件下的数量,叶绿素a在不同水域中的数量,叶绿素a的总数量,悬浮物在不同天气状况下的数量,悬浮物在不同天气状况下的数量,悬浮物的总数量,总氮在不同天气状况下的数量,总氮在不同水域中的数量,总氮的总数量,高锰酸盐指数在不同天气状况下的数量,高锰酸盐指数在不同水域中的数量,高锰酸盐指数的总数量;
预处理方式包括样条数据插值、卷积平滑、一阶导数,所述卷积平滑为Savitzky-Golay卷积平滑,步骤S3中,采用三次样条数据插值、Savitzky-Golay卷积平滑、一阶导数依次对所述第一水体光谱反射率进行处理,获得所述第二水体光谱反射率;
所述反演模型为多元线性回归模型,步骤S6中,基于叶绿素a的特征变量,建立叶绿素a多元线性回归模型,基于悬浮物的特征变量,建立悬浮物多元线性回归模型,基于总氮的特征变量,建立总氮多元线性回归模型,基于高锰酸盐指数的特征变量,建立高锰酸盐指数多元线性回归模型;
步骤S8中,所述评价参数包括决定系数R2、均方根误差RMSE、平均相对误差MRE、相对分析误差RPD。
一种水质监测仪,该水质监测仪应用了权利要求1所述的复杂环境下的河湖水质快速检测方法,其特征在于,所述水质监测仪包括光谱处理模块、光纤、环境光信号收集模块、水域光信号收集模块;
所述水域光信号收集模块中的第一检测探头与水域的水面对应,用于收集所述水域光信号;
所述环境光信号收集模块中的第二检测探头与天空对应,用于收集所述环境光信号;
所述第一检测探头、第二检测探头分别通过光纤与所述光谱处理模块连接;
所述光谱处理模块与云平台通信连接。
其进一步特征在于,
所述环境光信号收集模块还包括第一快门,所述水域光信号收集模块还包括第二快门,所述光谱处理模块包括控制器,所述第一快门、第二快门均与所述控制器电连接,所述第一快门安装于所述第一检测探头的前端,所述第二快门安装于所述第二检测探头的前端;
所述第一检测探头包括余弦校正片;所述第二检测探头包括偏振镜片。
采用本发明上述方法可以达到如下有益效果:本申请方法基于环境光信号、水域光信号的第二水体光谱反射率与水质指标数据建立反演模型,即在模型建立过程中,考虑了环境光信号、水域光信号的复杂环境对水质检测结果的影响,基于此建立的反演模型,对不同水域水质参数预测准确性最高可达98%,因此能够实现复杂环境下不同水域水质参数的准确反演。
本申请水质检测仪中,水域光信号收集模块与水域的水面对应,因此能够以极小的收光角收集来自仪器正下方的离水辐射,从而最大程度降低了信号光谱中来自远处水面和周围环境的干扰,提高了水体本身反射光谱测量的准确性,从而有利于提高后续水质参数反演的准确性。
采用本申请检测方法和水质检测仪检测获得的水质参数结果不易受外部复杂环境限制,能够满足不同天气状况和不同水域的水质参数监测需求,从而有效提高了使用灵活性和适用范围。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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为本发明水质检测仪的结构框图;
图2为本发明水质检测仪的结构示意图;
图3为采用本发明水质检测仪采集环境光信号、水域光信号的结构示意图;
图4为本发明不同水体光谱曲线图;
图5为本发明不同天气条件下水体光谱曲线图;
图6为本发明第一水体光谱反射率的原始光谱图以及依次采用样条数据插值、Savitzky-Golay卷积平滑、一阶导数预处理方法对原始光谱图处理后的光谱图,其中6a为第一水体光谱反射率的原始光谱图,6b为采用三次样条数据插值方法对原始光谱图处理后的插值处理光谱图,6c为采用Savitzky-Golay滤波器对插值处理光谱图进行卷积平滑处理后的平滑处理光谱图,6d为采用一阶导数对平滑处理光谱图处理后的一阶导数光谱图。
图7为本发明水质参数验证集预测值与实测值在y=x函数的分布图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
水质监测是评价水源质量、防治水体污染、保护饮水安全的必要手段,在判别水体污染物的种类、追溯污染物的来源、预测污染物的迁移中发挥重要作用。由于水问题的复杂性和不确定性,实际监测范围非常广泛,包括地表水(江、河、湖、海等)、地下水、市政污水、工业废水等。目前,常用的水质监测方式包括人工监测、水体卫星遥感监测、无人机搭载图像传感设备采集图像数据进行监测等多种方式,人工监测费时费力,而且数据实时性较差,卫星遥感技术、无人机监测技术可以解决人工监测费时费力,数据实时性差的问题,但卫星遥感技术易受天气状况等复杂环境影响,导致最终获得的水质参数准确性差,而无人机监测技术易受飞行环境条件限制,仅适用于晴朗、无风天气,存在使用灵活性差、适用范围窄等问题,因此,针对现有技术中存在的卫星遥感技术、无人机监测技术等水体监测方式易受天气状况、外周环境等复杂环境影响,导致最终获得的水质参数准确性差、使用灵活性差、适用范围窄的技术问题,以下提供了一种复杂环境下河湖水质快速检测的具体实施例。
一种复杂环境下的河湖水质快速检测方法,该方法基于水质监测仪获取不同水域的光谱数据,水质监测仪包括光谱处理模块、光纤、环境光信号收集模块、水域光信号收集模块,环境光信号收集模块、水域光信号收集模块分别通过光纤与光谱处理模块连接,见图1。光谱处理模块包括光谱仪、控制器、控制板,作用是通过软件控制进行光信号采集处理分析,光谱仪、控制器安装于控制板。环境光信号收集模块包括余弦校正片、第一快门,第一快门安装于余弦校正片的前端,余弦校正片与水域的水面对应,用于收集水域光信号;水域光信号收集模块包括偏振镜片、第二快门,第二快门安装于偏振镜片的前端,偏振镜片与天空对应,用于收集环境光信号,第一快门、第二快门均与控制器电连接;控制器通过无线通信与云平台通信连接。通过控制器控制第一快门、第二快门开启或关闭,从而分别控制余弦校正片、偏振镜片收集环境光信号、水域光信号的时间,该水质监测仪的参数如表1所示,
表1水质监测仪参数
S1、采集环境光信号、水域光信号;见图2,水域光信号收集模块中的第一检测探头与水域的水面对应,用于收集所述水域光信号;环境光信号收集模块中的第二检测探头与天空对应,用于收集环境光信号。
采用水质监测仪采集光谱过程如下:S11、自动确定环境光信号收集模块的曝光时间,具体地,根据环境光信号收集模块、水域光信号收集模块各自收集到的信号强度自动确定水质检测仪的曝光时间(自动曝光),以保证在不同环境光照度条件下(如晴天中午和阴雨天傍晚)均能测得有效数据。S12、通过控制器控制第一快门、第二快门控制相应的环境光信号收集模块、水域光信号收集模块分别开启。S13、环境光信号收集模块收集各种环境光信号,水域光信号收集模块收集各种水体光信号,具体地,环境光信号收集模块收集自上而下入射到水平面的各种环境光,包括太阳直射光、天空漫射光、灯光、植被和建筑物的漫反射光等;水域光信号收集模块接收从水体返回的离水辐射,包括来自水体内部的漫反射光和来自水面的镜面反射光,其中水面的镜面反射光是不携带水体成分信息的干扰项,需要尽可能排除其影响。由于光束在介质界面的反射可以用菲涅尔公式描述,其主要偏振成分的反射系数在垂直水面反射时最小,在倾斜反射时随着反射角增大而增大,因此将水域光信号收集模块的收光光路垂直于水面,水域光信号收集模块的第二检测探头对应水面竖直安装时,能够以极小的收光角收集来自水质检测仪正下方的离水辐射,从而最大程度降低信号光谱中来自远处水面和周围物体的干扰,提高水体本身反射光谱测量的准确性,这有利于准确反演水质参数。S14、控制器控制环境光信号收集模块、水域光信号收集模块关闭测量系统本身的暗噪声。在后续数据处理中,采用扣除暗噪声后的环境光信号、水域光信号的光谱计算第一水体光谱反射率。
S2、基于所述环境光信号、水域光信号计算获得第一水体光谱反射率,第一水体光谱反射率的计算公式如下:
其中,Rref代表反射率值,I地、I天分别为表示环境光信号、水域光信号,BG表示光谱仪的暗噪声,C为校正系数。
本实施例中,采样水域涉及京杭大运河、望虞河、鹅真荡、伯渎港、冷渎港、古运河、梁溪河;采样时间为5月初至9月中旬。水质检测指标包括总氮、高锰酸盐指数、叶绿素a、悬浮物。
不同水体的光谱反射率曲线见图4,图4中4a为鹅真荡湖泊在不同波长条件下的光谱反射率曲线,4b为梁溪河在不同波长条件下的光谱反射率曲线,4c为伯渎港河流在不同波长条件下的光谱反射率曲线,4d为京杭运河在不同波长条件下的光谱反射率曲线,从图4可以看出,湖泊(鹅真荡)存在两个显著反射峰,红光波段反射峰位于700nm波长;河流、运河(梁溪河、伯渎港、京杭运河)在绿光和红光的反射峰存在显著差值,且次高峰所在波长小于700nm。由于河流、运河具有流动性,尤其是京杭大运河,流程长、流量大,因此不同点位的光谱特征也具备极高的相似性。
同一点位、相邻两天不同天气条件下水体的光谱特征见图5,图5中5a表示晴天时不同波长条件下水体的光谱反射率曲线,图5中5b表示阴天时不同波长条件下水体的光谱反射率曲线。从图5可以看出,在水质条件变化不大的情况下,晴天与阴天的反射率曲线无明显的差别,表明水质监测仪稳定性强,受天气条件的影响较弱。
S3、对第一水体光谱反射率进行预处理,获得第二水体光谱反射率。预处理方式包括样条数据插值、卷积平滑、一阶导数,卷积平滑为Savitzky-Golay卷积平滑,在该步骤S3中,采用三次样条数据插值、Savitzky-Golay卷积平滑、一阶导数依次对第一水体光谱反射率进行处理,获得第二水体光谱反射率。
图6中给出了水体的原始光谱图,三次样条数据插值处理后的插值处理光谱图,平滑处理后的平滑处理光谱图,一阶导数处理后的一阶导数处理光谱图。从图中可以看出,水体光谱在550nm存在一个明显的反射峰,在700nm处存在次高峰,在675nm处存在一个反射谷,这是因为植被在蓝色和红色谱带内存在两个吸收峰,叶绿素a会吸收大部分的能量,而中间谱带的吸收作用较弱,因此在550nm附近形成反射峰。植被光谱具有“红边现象”,在可见光波段与近红外波段之间反射率急剧上升;纯水在蓝光波段反射率较高,随波长的增加反射率降低,在近红外波段反射率为0,纯水与叶绿素a对能量的吸收在700nm附近处达到局部最小,形成近红外峰。并且研究表明随叶绿素a浓度升高,该特征波长向长波方向移动。而部分水体800nm附近的特征峰则是受总悬浮颗粒物尤其是无机悬浮颗粒的后向散射决定,叶绿素a和黄色物质的影响可忽略不计。
S4、采集不同水域、不同天气状况下的水质指标数据、光谱数据;水质检测指标包括总氮、高锰酸盐指数、叶绿素a、悬浮物,各项水质参数统计指标如表2所示。
表2水质参数统计情况
表2中,数量表示晴天、阴天条件下,河流、湖泊不同水体中的一组水质指标数据、光谱数据,例如叶绿素a中数量“70”表示采集的70组水质指标数据、光谱数据。采集不同天气条件、不同水体的水质指标数据、光谱数据用于后续反演模型的建立,充分考虑了天气条件、不同水体对水质检测准确性的影响,有利于提高后续水质预测的准确性。
S5、将上述第二水体光谱反射率与水质指标数据划分为建模集、验证集;本申请按照2:1比例采用kennard-stone算法划分建模集和验证集。
S6、采用竞争性自适应重加权算法选取建模集中的特征变量,基于特征变量建立反演模型:多元线性回归模型;多元线性回归模型中,叶绿素a、悬浮物、总氮、高锰酸钾指数为多元线性回归模型的因变量,不同波长条件下的第二光谱反射率为模型的自变量。
(1)关于叶绿素a的多元线性回归模型为:
Y=-34751.112*R430+24360.531*R446-15941.178*R453-18833.433*R459-23398.972*R468-62678.831*R469-61351.054*R474+18413.094*R489-59304302*R491+26497.663*R509-42957.808*R522+29565.619*R528-54165.756*R532-21940.839*R552+14543.376*R562+14367.635*R585+19800.316*R590+38882.641*R592-19262.793*R597-44726.041*R609+9982.188*R613+19825.465*R616+41331.363*R619+24626.084*R629+45870347*R631+14837.006*R643+25860.485*R660+14944.763*R672+12830.859*R675+15606.678*R676+19933.263*R683+8101.716*R701+18756.618*R709-16014.262*R720-16113.142*R724+2079.34*R726-16402.268*R735+28609.727*R740-23940.741*R742-24293.761*R745-34768.656*R749+29356.012*R757+28383.194*R759+7923.258*R761+25057.72*R771+20952.332*R781+20952.332*R781-6353.23*R809+18568.19*R830+92.045
模型中,R430表示波长430nm的叶绿素a的光谱反射率值,模型表明,对于叶绿素a的反演,青光、绿光波段的光谱特征最为重要,尤其是波长469nm其特征权重为-62678.831,474nm的特征权重为-61351.1;而红光和红外的影响则相对较弱,波长726nm的特征权重为2079.34。
(2)关于悬浮物的多元线性回归模型为:
Y=-1550.59*R405-8320.064*R412+9234.185*R418-11091.664*R441-9866.72*R456+25597.149*R460+16914.918*R466-4033.774*R469+17394.338*R470+15712.159*R472-22761.108*R485-19982.555*R490+10397.598*R498-13851.844*R500-9697.36*R505-14486.16*R510-4936.379*R520-6867.027*R523-8232.772*R526+16094.692*R527+11828.131*R537-20273.271*R539+8972.872*R564+-10661.073*R606-6319.857*R609+25204.361*R611+27351.243*R613+14020.862*R638-14102.769*R643+2396.165*R644-13349.751*R645+3607.009*R665+7646.355*R687+3000.205*R694-9161.433*R701+3607.009*R665-2032.813*R718-6060.459*R721-6638.496*R727+11271.721*R741+3635.553*R743-6343.628*R745-6853.359*R755-7751.197*R758-2237.125*R764+10651.819*R776+16656.523*R784+7903.781*R791-5982.333*R802-3726.916*R806-4170.409*R825+1719.549*R827-1038.301*R828-11298.722*R844-4608.129*R847+11.089
模型中,R405表示波长405nm的悬浮物的光谱反射率值,模型表明,对于悬浮物的反演,橙光波段(613nm)的光谱特征最为重要,其特征权重为27351.243;其次为青光波段(460nm),其特征权重为25587.149。此外,红外波段例如784nm、844nm也影响模型的搭建。
(3)关于总氮的多元线性回归模型为
Y=-554.283*R403-708.697*R406+1067.778*R416-1494.599*R418-1365.647*R424+1143.126*R427-1364.188*R431-709.989*R439-944.774*R442-668.336*R447-843.697*R448-1282.45*R452+232.545*R457+1034.267*R460+1753.382*R467+1630.484*R470-74.01*R471+401.377*R480+1022.127*R497-1942.982*R500+215.717*R501+2760.525*R502-1534.083*R507+52.235*R513-977.267*R527-530.63*R546-808.34*R561-564.301*R562+1594.533*R565-935.618*R567-594.728*R571-693.785*R575+1151.114*R583-2704.468*R584+311.052*R597+468.534*R610-145.36*R613+1544.554*R615+1999.369*R624+697.807*R625+2200.839*R626+667.338*R632+2023.079*R633-72.924*R636+1659.163*R637+984.321*R638+984.321*R638+618.764*R642+
模型中,R403表示波长403nm的总氮的光谱反射率值,总氮的影响参数相对较多,比重最大的仍为绿光波段,波段502nm的特征权重为2760.525,红光波段的影响次之,波段626nm、633nm的特征权重分别为2200.839、2023.079。与叶绿素a的特征波段相似,这是因为水体中的营养盐供给藻类的生长,二者具有一定的内在联系。
(4)关于高锰酸钾的多元线性回归模型为:
Y=-1570.833*R418-770.929*R439-4029.636*R444-3667.537*R448+2266.51*R451-5022.56*R453-2883.562*R456-9967.901*R468-2784.937*R472-4627.452*R475+2682.645*R485+4818.144*R492-1168.754*R497+4320.712*R508+3795.379*R518+6991.757*R525+1363.215*R541-1080.587*R554-1407.658*R576-1576.976*R580+4393.275*R607+2119.773*R616+3215.01*R621+3423.013*R645+1247.545*R656+1195.672*R658+1883.591*R660+2383.899*R661+2667.196*R677+770.337*R692-1182.771*R697-1865.546*R731-2629.242*R739+3918.22*R740+3026.02*R747-2740.365*R777+1459.268*R779+42.125*R785+3206.906*R791+1390.627*R795-873.323*R814+1324.036*R818+480.148*R826+1447.671*R830+156831*R836-1951.444*R839-1951.444*R839+1061.59*R842-1185.756*R847+8.272
模型中,R418表示波长418nm的总氮的光谱反射率值,对高锰酸盐指数模型搭建影响较重的是青光和绿光,波段468nm的特征权重最大为-9967.9,其次为波段525nm,其特征权重为6991.757。
综合上述指标,叶绿素a的反演模型相对简单,特征波长更集中。这是因为二类水体的光学性质主要是由浮游植物、无机悬浮物和黄色物质决定,叶绿素a的光谱特征最为显著。悬浮物分为有机悬浮物和无机悬浮物,有机悬浮物中除浮游植物外还包括腐殖质、微生物分泌物、动物排泄物等,成分更为复杂;光谱特征也不是叶绿素a和无机质的简单组合,因而悬浮物的反演模型较为复杂。总氮为浮游植物的生长提供营养盐,高锰酸盐指数一定程度上表示水样中有机物的浓度,因而其模型与叶绿素的具有相似性。通过上述多元线性回归模型,确定了指标:叶绿素a、悬浮物、总氮、高锰酸钾所对应的波长。
S7、基于建立的反演模型对验证集进行反演,获取预测值;
S8、采用评价参数对反演模型的精度进行评价,若评价参数达到相应阈值,表明反演模型的预测值接近于真实值,实现水质检测。评价参数包括决定系数R2、均方根误差RMSE、平均相对误差MRE、相对分析误差RPD,其中R2越大,RMSE和RE越小,则模型的准确性越高,RPD<1.4认为所建模型不可靠;1.4<RPD<2.0认为所建模型一般,RPD≥2认为所建模型稳定可靠。
决定系数R2、均方根误差RMSE、平均相对误差MRE、相对分析误差RPD的计算公式分别为:
其中,n为样本数量,yi为第i个样本的实测值,为第i个样本的预测值,为所有样本实测值的均值。表3为各项水质参数模型精度评价参数,
表3水质模型精度评价参数表
所有模型训练集决定系数R2均在0.9以上,均方根误差RMSE均小于10。但由于部分指标检测数值较低,譬如总氮或个别异常点的偏差造成除高锰酸盐指数外,其它三项指标平均相对误差MRE相对较高。因此引入相对分析误差RPD参数对模型有效性进行评价,相对分析误差RPD均在1.4以上,其中高锰酸盐指数、叶绿素a远高于2,表明模型具有鲁棒性。依据多元线性回归模型对验证集进行反演,其预测值与真实值的分布如图7所示,从图7可以看出,总氮(Chla)、高锰酸盐指数(TSS)、叶绿素a(TN)、悬浮物(COD)均大致分布在y=x函数线附近,尤其是叶绿素a和高锰酸盐指数的决定系数R2分别可达0.948、0.953,预测值接近于真实值,因此,该多元线性回归模型能够实现不同水体中总氮(Chla)、高锰酸盐指数(TSS)、叶绿素a(TN)、悬浮物(COD)的准确检测,上述水质模型精度高、稳定性强、反演水质参数结果具备参考性。
本申请水质监测仪可安装在岸基、浮标、手持等多台同类设备上,在不同水体多点布设;自由调节采集频率、采集时间,进行数据实时传输,利用无线网络实现数据自动上传,通过云平台进行数据分析,实现了复杂环境下不同水域水质参数的准确检测。
以上的仅是本申请的优选实施方式,本发明不限于以上实施例。可以理解,本领域技术人员在不脱离发明的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在发明的保护范围之内。
Claims (9)
1.一种复杂环境下的河湖水质快速检测方法,其基于水质监测仪获取不同水域的光谱数据,所述光谱数据包括环境光信号、水域光信号,其特征在于,河湖水质快速检测的步骤包括:S1、采集环境光信号、水域光信号;
S2、基于所述环境光信号、水域光信号计算获得第一水体光谱反射率;
S3、对所述第一水体光谱反射率进行预处理,获得第二水体光谱反射率;
S4、采集不同水域的水质指标数据;
S5、将所述第二水体光谱反射率与水质指标数据划分为建模集、验证集;
S6、采用竞争性自适应重加权算法提取建模集中的特征变量,基于所述特征变量建立反演模型;
S7、采用所述反演模型对所述验证集进行反演,获取预测值;
S8、采用评价参数对所述反演模型的精度进行评价,若所述评价参数达到相应阈值,表明所述反演模型的预测值接近于真实值,实现水质检测。
2.根据权利要求1所述的复杂环境下的河湖水质快速检测方法,其特征在于,所述环境光信号包括太阳直射光、天空漫反射光、灯光、植被和建筑物的漫反射光,所述水域光信号包括水体的漫反射光、水面的镜面反射光。
3.根据权利要求2所述的复杂环境下的河湖水质快速检测方法,其特征在于,所述水质指标包括:总氮、高锰酸盐指数、叶绿素a、悬浮物;所述水质指标数据包括:叶绿素a在不同天气条件下的数量,叶绿素a在不同水域中的数量,叶绿素a的总数量,悬浮物在不同天气状况下的数量,悬浮物在不同天气状况下的数量,悬浮物的总数量,总氮在不同天气状况下的数量,总氮在不同水域中的数量,总氮的总数量,高锰酸盐指数在不同天气状况下的数量,高锰酸盐指数在不同水域中的数量,高锰酸盐指数的总数量。
4.根据权利要求3所述的复杂环境下的河湖水质快速检测方法,其特征在于,预处理方式包括样条数据插值、卷积平滑、一阶导数,所述卷积平滑为Savitzky-Golay卷积平滑,步骤S3中,采用三次样条数据插值、Savitzky-Golay卷积平滑、一阶导数依次对所述第一水体光谱反射率进行处理,获得所述第二水体光谱反射率。
5.根据权利要求1~4任一项所述的复杂环境下的河湖水质快速检测方法,其特征在于,所述反演模型为多元线性回归模型,步骤S6中,基于叶绿素a的特征变量,建立叶绿素a多元线性回归模型,基于悬浮物的特征变量,建立悬浮物多元线性回归模型,基于总氮的特征变量,建立总氮多元线性回归模型,基于高锰酸盐指数的特征变量,建立高锰酸盐指数多元线性回归模型。
6.根据权利要求5所述的复杂环境下的河湖水质快速检测方法,其特征在于,步骤S8中,所述评价参数包括决定系数R2、均方根误差RMSE、平均相对误差MRE、相对分析误差RPD。
7.一种水质监测仪,该水质监测仪应用了权利要求1所述的复杂环境下的河湖水质快速检测方法,其特征在于,所述水质监测仪包括光谱处理模块、光纤、环境光信号收集模块、水域光信号收集模块;
所述水域光信号收集模块中的第一检测探头与水域的水面对应,用于收集所述水域光信号;
所述环境光信号收集模块中的第二检测探头与天空对应,用于收集所述环境光信号;
所述第一检测探头、第二检测探头分别通过光纤与所述光谱处理模块连接;
所述光谱处理模块与云平台通信连接。
8.根据权利要求7所述的水质监测仪,其特征在于,所述环境光信号收集模块还包括第一快门,所述水域光信号收集模块还包括第二快门,所述光谱处理模块包括控制器,所述第一快门、第二快门均与所述控制器电连接,所述第一快门安装于所述第一检测探头的前端,所述第二快门安装于所述第二检测探头的前端。
9.根据权利要求8所述的水质监测仪,其特征在于,所述第一检测探头包括余弦校正片;所述第二检测探头包括偏振镜片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211481337.XA CN116087115A (zh) | 2022-11-24 | 2022-11-24 | 一种复杂环境下的河湖水质快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211481337.XA CN116087115A (zh) | 2022-11-24 | 2022-11-24 | 一种复杂环境下的河湖水质快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116087115A true CN116087115A (zh) | 2023-05-09 |
Family
ID=86201435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211481337.XA Pending CN116087115A (zh) | 2022-11-24 | 2022-11-24 | 一种复杂环境下的河湖水质快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116087115A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117740748A (zh) * | 2023-12-20 | 2024-03-22 | 湖南省计量检测研究院 | 一种bod在线快速检测方法及装置 |
-
2022
- 2022-11-24 CN CN202211481337.XA patent/CN116087115A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117740748A (zh) * | 2023-12-20 | 2024-03-22 | 湖南省计量检测研究院 | 一种bod在线快速检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wass et al. | Monitoring and preliminary interpretation of in-river turbidity and remote sensed imagery for suspended sediment transport studies in the Humber catchment | |
Giardino et al. | Detecting chlorophyll, Secchi disk depth and surface temperature in a sub-alpine lake using Landsat imagery | |
Dall'Olmo et al. | Assessing the potential of SeaWiFS and MODIS for estimating chlorophyll concentration in turbid productive waters using red and near-infrared bands | |
Zhang et al. | A Landsat 8 OLI-based, semianalytical model for estimating the total suspended matter concentration in the slightly turbid Xin’anjiang Reservoir (China) | |
Simis et al. | Unattended processing of shipborne hyperspectral reflectance measurements | |
Kearney et al. | The effects of tidal inundation on the reflectance characteristics of coastal marsh vegetation | |
Jiao et al. | Estimation of chlorophyll‐a concentration in Lake Tai, China using in situ hyperspectral data | |
CN112051226B (zh) | 基于无人机载高光谱图像估算近海总悬浮物浓度的方法 | |
Chen et al. | A simple atmospheric correction algorithm for MODIS in shallow turbid waters: A case study in Taihu Lake | |
CN115690632A (zh) | 一种内陆河流水体的水环境监测方法 | |
Reinart et al. | Inherent and apparent optical properties of Lake Peipsi, Estonia | |
CN116087115A (zh) | 一种复杂环境下的河湖水质快速检测方法 | |
Cao et al. | Inversion and distribution of total suspended matter in water based on remote sensing images—A case study on Yuqiao Reservoir, China | |
CN113780177A (zh) | 一种非接触式实时原位水质监测方法 | |
Kabiri | Retrieval and validation of the Secchi disk depth values (Z sd) from the Sentinel-3/OLCI satellite data in the Persian Gulf and the Gulf of Oman | |
Zhang et al. | Empirical algorithms for Secchi disk depth using optical and microwave remote sensing data from the Gulf of Finland and the Archipelago Sea | |
CN105403201B (zh) | 一种基于像元分解的遥感图像大气程辐射获取方法 | |
Wang et al. | Autonomous shipborne in situ reflectance data in optically complex coastal waters: a case study of the Salish sea, Canada | |
Satapathy et al. | Remote sensing of turbidity and phosphate in creeks and coast of Mumbai: an effect of organic matter | |
Chen et al. | Scale correction of two-band ratio of red to near-infrared using imagery histogram approach: A case study on Indian remote sensing satellite in Yellow River estuary | |
CN108519058A (zh) | 一种光学遥感图像估算一年生海冰厚度的方法 | |
Gao et al. | Estimation of surface sediment moisture content in muddy tidal flats using analytical radiative transfer model | |
Zhang et al. | Remote sensing of spatiotemporal variation of apparent optical properties in Bohai Sea | |
LU500691B1 (en) | Non-touching Real-time In-situ Water Quality Detection Method | |
Avard et al. | Quantification of chlorophyll in reservoirs of the Little Washita River watershed using airborne video |
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 |