CN116310771A - 一种耦合遥感的面源污染源识别方法 - Google Patents
一种耦合遥感的面源污染源识别方法 Download PDFInfo
- Publication number
- CN116310771A CN116310771A CN202310275889.3A CN202310275889A CN116310771A CN 116310771 A CN116310771 A CN 116310771A CN 202310275889 A CN202310275889 A CN 202310275889A CN 116310771 A CN116310771 A CN 116310771A
- Authority
- CN
- China
- Prior art keywords
- source
- pollution
- analysis
- pollution source
- remote sensing
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种耦合遥感的面源污染源识别方法,包括:步骤S1,源解析分析,其包括建立地表水水质监测方案及PMF模型分析,从而得到的污染源因子贡献数据;步骤S2,遥感影像分析,其包括影像获取、预处理、解译分类及缓冲区分析,从而得到缓冲区的土地利用数据;步骤S3,源识别分析,其包括将步骤S1得到的污染源因子贡献数据与步骤S2得到的缓冲区的土地利用数据进行相关性分析,从而实现污染源因子的识别。本方案利用遥感信息和成熟的源解析模型,基于地表水水质监测数据进行准确的面源污染源识别,避免现有识别方法主观依赖性大的问题,为我国面源污染监测提供方法参考,实施案例数据可为流域生态环境防控政策制定、工程实施等提供数据依据。
Description
技术领域
本发明属于环境污染识别与防控技术领域,具体地涉及一种耦合遥感的面源污染源识别方法。
背景技术
水体环境污染源根据污染物的排放方式可分为点源污染(Point SourcePollution)和面源污染(Diffused Pollution)两种。面源污染亦称非点源污染(non-pointSource Pollution),是相对于点源污染而言的概念,指大气、地面或土壤中溶解的和固体的污染物质在降雨(或融雪)冲刷作用下,通过径流过程进入受纳水体(包括河流、湖泊、水库、含水层和海湾等),引起水体富营养化或其他形式的污染。面源污染的时空差异性明显,污染物分布会显著受到气候特征和下垫面状况的影响,污染物含量则显著受到径流形成时间和条件等因素的影响。因为面源污染具备的这些随机性、不确定性、广泛性和滞后性,导致对其污染形成、迁移与控制的研究难度提升。
已有研究证实面源污染是引起地表水环境质量下降的主要原因,美国EPA在2013年对全国境内水库、河流等典型地表水进行了水质调研,调研结果发现大约67%的湖泊及53%的河流水环境处于污染状态,而导致河流和溪流水质污染的6大污染来源中,有5个为面源污染。而农业面源污染占据了面源污染的主体。在欧盟,农业面源污染对于地表水的面源污染贡献率为55%;在德国则是48%。
农业面源污染主要指由于农药、化肥、畜禽粪便以及水土流失经降雨径流、农田灌溉和淋溶等方式进入水体而造成的污染。我国的农业面源污染问题也十分突出,随着社会经济和城市化水平的迅猛发展,大量的肥沃的耕地被占用,用作城市和交通用地,这导致了耕地的短缺,使得我国人均耕地面积大量的减少,不得不在有限的耕地上生产更多的粮食以满足人们的需求,因此大量的化肥和农药的施用,用以来保证粮食的稳产和增产,同时也给环境带来的更大的隐患。我国肥料施用量从1978年的884万吨增加到2017年的5859万吨,农药施用量从1990年的73万吨增加到2017年的166万吨,地膜使用量从1990年的48万吨增加到2017年的253万吨;但是化肥农药的利用率不到1/3,地膜回收率不到2/3,畜禽粪便有效处理率不到50%,秸秆焚烧和水体富营养化严重。
面源污染的源解析对于农业面源污染监测评估系统的构建极为重要,结论可以有的放矢地指导污染治理的重心。目前,源未知类受体模型主要被用于面源污染的源解析,其中比较有代表性的模型有主成分分析、多元线性回归(PLA/MLR)模型、正定矩阵因子分解(PMF)模型以及UNMIX模型等,其中PMF模型因其不需要测量源指纹谱、分解矩阵中元素非负、可以利用数据标准偏差来进行优化等优点在国内外应用较多。但对农业面源PMF模型解析的污染源因子识别时,因农业面源污染来源于农业生产、畜禽养殖、居民生活等过程中产生的污染,而氮、磷等污染物常常均为上述污染源的组成部分,从而导致源识别的主观性依赖性偏大。因此需要一种新的面源污染源的识别方法,以进行更为准确、客观的分析识别。
发明内容
本发明所要解决的技术问题在于:提供一种耦合遥感的面源污染源识别方法,根据源排放与人类活动的紧密关系,将采样点周围的土地利用与污染源因子贡献进行相关分析,进而准确的定性PMF模型解析的污染源因子种类,解决现有识别方法主观依赖性大的弊端,提高面源污染源识别的精度,为面源污染监测评估提供一种更为准确的方法参考。
依据本发明的技术方案,本发明提供了一种耦合遥感的面源污染源识别方法,包括以下步骤:
步骤S1,源解析分析,其包括建立地表水水质监测方案及PMF模型分析,从而得到的污染源因子贡献数据;
步骤S2,遥感影像分析,其包括影像获取、预处理、解译分类及缓冲区分析,从而得到缓冲区的土地利用数据;
步骤S3,源识别分析,其包括将步骤S1得到的污染源因子贡献数据与步骤S2得到的缓冲区的土地利用数据进行相关性分析,从而实现污染源因子的识别。
优选地,步骤S1中:
建立地表水水质监测方案包括:根据研究的流域生态环境特征,制定面源分析水质监测方案,确定采样点位置,按照相关标准规定对采样点进行采样和分析,得到水质监测数据;
PMF模型分析包括:根据获得的水质监测数据,建立PMF模型分析输入文件,PMF模型分析输入文件包括浓度文件和不确定度文件,进而运行PMF软件,根据最优拟合程度确定污染源因子贡献数据,污染源因子贡献数据包括污染源因子数目及源贡献数据。
进一步地,水质监测数据包括溶解氧、高锰酸盐指数、重铬酸盐指数、氨氮、总磷和总氮中的至少一项。
进一步地,不确定度按照下述公式(1)或公式(2)计算:
式中:Uij为不确定度值,Xij为水质参数检测浓度,SD为标准偏差,ej为水质参数检测方法的检出限。
优选地,步骤S2中:
影像获取包括:根据采样时间从地理空间云网站获取时间最为接近的遥感影像;
预处理包括:运用ENVI软件对获得的遥感影像进行辐射定标、大气校正及裁剪;
解译分类包括:对预处理后的遥感影像进行分类,在ENVI软件的支持下,采用支持向量机的监督分类方法进行不同土地利用类型的分类,生成土地利用类型tif文件;
缓冲区分析包括:将获得的土地利用类型tif文件导入ArcGIS软件建立缓冲区,从空间上分析以采样点为中心的周边土地利用类型情况,并计算缓冲区的土地利用数据。
进一步地,解译分类时,在ENVI软件中新建感兴趣区,分别建立不同土地利用类型的训练样本,计算训练样本的可分离系数;若可分离系数大于1.8则属于合格样本,若超过1.9说明样本之间可分离性好,若小于1.8则需要编辑样本或者重新选择样本,若小于1则考虑将两类样本合成一类样本;当训练样本的可分离系数达到合格标准后,选择最大似然法进行监督分类,将分类结果与Omap和实地调研情况进行对比,若存在不相符的区域则需新建感兴趣区、重新选择训练样本,重复上述步骤,直至分类结果与Omap和实地调研情况相符;最后,对分类结果进行处理生成土地利用类型tif文件。
优选地,缓冲区的土地利用数据包括耕地、林地、建筑、湿地、水域中至少一个类别的面积信息。
优选地,步骤S3中包括:
首先观察与污染源因子贡献数据在p<0.05和p<0.01水平上呈显著相关性的变量,根据不同污染源与土地利用数据之间的关系对污染源因子进行识别;当仍有污染源因子未能确定且无与之显著相关性变量存在时,进一步观察污染源因子贡献数据与变量之间的相关系数,根据相关系数的正负值、数值大小进一步识别剩余的污染源种类。
进一步地,对于在p<0.05和p<0.01水平上呈显著相关性的情况,若一污染源因子贡献数据与耕地面积的相关系数为正,同时与建筑面的相关系数为负,则该污染源因子识别为农业面源;
对于在p<0.05和p<0.01水平上呈显著相关性的情况,若一污染源因子贡献数据与湿地面积和水域面积的相关系数均为正,同时与耕地面积和建筑面积的相关系数的值小于前者,则该污染源因子识别为沉积物源。
进一步地,若一污染源因子未与土地利用数据形成具有统计学意义的结论,但仅该污染源因子与建筑面积的相关系数为正,则该污染源因子识别为生活污染源。
与现有技术相比,本发明的有益技术效果如下:
本发明的耦合遥感的面源污染源识别方法利用遥感信息和成熟的源解析模型,基于地表水水质监测数据进行准确的面源污染源识别,避免现有识别方法主观依赖性大的问题,为我国面源污染监测提供方法参考,实施案例数据可为流域生态环境防控政策制定、工程实施等提供数据依据。
附图说明
图1为本发明一实施例的耦合遥感的面源污染源识别方法的框架图。
图2为本发明一实施例的研究区域及采样点分布示意图。
图3为图2所示实施例中2021年11月府河PMF模型因子分析结果。
图4为图2所示实施例中监测断面点及缓冲区域分布图。
具体实施方式
本发明提供一种耦合遥感的面源污染源识别方法,根据源排放与人类活动的紧密关系,将采样点周围的土地利用与污染源因子贡献进行相关分析,进而准确的定性PMF模型解析的污染源因子种类,提高面源污染源识别的精度。
本发明的主要发明构思为,利用遥感信息和成熟的源解析模型,基于地表水水质监测数据进行准确的面源污染源识别,本发明的识别方法可为我国面源污染监测提供方法参考,实施案例数据可为流域生态环境防控政策制定、工程实施等提供数据依据。
为此,本发明的方法主要包括三大分析过程模块:
第一模块为面源污染源解析,以采样点的地表水水质检测指标为输入文件,运用PMF软件进行源解析,确定污染源因子数目及源贡献数值;
第二模块为遥感影像分析:获取采样时间最为接近的遥感影像,运用ENVI和ArcGIS软件,获得以采样点为中心的缓冲区土地利用信息;
第三模块为面源污染源识别,将采样点的源贡献数值与其缓冲区内的土地利用进行相关性分析,根据源与不同土地利用的相关性数据确定源类型。
具体而言,请参阅图1,本发明一实施例的一种耦合遥感的面源污染源识别方法,包括以下步骤:
步骤S1,源解析分析,其包括建立地表水水质监测方案及PMF模型分析,从而得到的污染源因子贡献数据。
优选地,其中,建立地表水水质监测方案包括:根据研究的流域生态环境特征,制定面源分析水质监测方案,确定采样点位置,按照相关标准规定对采样点进行采样和分析,得到水质监测数据;
PMF模型分析包括:根据获得的水质监测数据,建立PMF模型分析输入文件,其包括浓度文件和不确定度文件,进而运行PMF软件(如PMF5.0),根据最优拟合程度确定污染源因子贡献数据,污染源因子贡献数据包括污染源因子数目及源贡献数据。
步骤S2,遥感影像分析,其包括影像获取、预处理、解译分类及缓冲区分析,从而得到缓冲区的土地利用数据。
优选地,其中,影像获取包括:根据采样时间从地理空间云网站获取时间最为接近的遥感影像;
预处理包括:运用ENVI软件(如ENVI5.3)对获得的遥感影像进行辐射定标、大气校正、裁剪等预处理;
解译分类包括:对预处理后的遥感影像进行分类,在ENVI软件的支持下,采用支持向量机的监督分类方法进行不同土地利用类型的分类,最终生成土地利用类型tif文件。更具体地为,在ENVI软件中新建感兴趣区,分别建立不同土地利用类型的训练样本,通过ENVI软件的Region of Interest Tool(感兴趣区工具)计算训练样本的可分离系数;可分离系数的标准是大于1.8属于合格样本,超过1.9说明样本之间可分离性好,小于1.8则需要编辑样本或者重新选择样本,若小于1则考虑将两类样本合成一类样本;当训练样本的可分离系数达到合格标准后,选择最大似然法进行监督分类,将分类结果与Omap和实地调研场景情况进行对比,若存在不相符的(即分类结果差异较大的)区域则需新建感兴趣区,对差异较大区域重新选择训练样本,重复上述可分离系数检验及监督分类步骤,直至分类结果与Omap和实地调研情况相符;最后,对分类结果进行裁剪、最大值最小值合并等,生成格式为tif的土地利用类型结果文件。
缓冲区分析包括:将获得的土地利用类型tif文件导入ArcGIS软件(如ArcGIS10.7)建立缓冲区,从空间上分析以采样点为中心的周边土地利用类型情况,并计算缓冲区的土地利用数据,即缓冲区的土地利用面积信息。
步骤S3,源识别分析,其包括将步骤S1得到的污染源因子贡献数据与步骤S2得到的缓冲区的土地利用数据进行相关性分析,从而实现污染源因子的识别。
优选地,其包括:首先观察与污染源因子贡献数据在p<0.05和p<0.01水平上呈显著相关性的变量(土地利用面积),根据不同污染源与土地利用之间的关系对污染源因子进行识别;例如,生活污染源贡献与采样点周边建筑面积(村庄、集镇等)呈正比关系,农业面源污染贡献与采样点种植面积呈正比关系,等;当仍有污染源因子未能确定且无与之显著相关性变量存在时,进一步观察污染源因子贡献数据与变量(土地利用面积)之间的相关系数(也称相关性系数),根据相关系数的正负值、数值大小进一步识别剩余的源种类。
以下以在白洋淀入淀河流府河流域进行的实际识别过程为例,进一步介绍本发明的耦合遥感的面源污染源识别方法。
首先进行步骤S1中的建立地表水水质监测方案:
白洋淀流域是我国重要的农业生产基地,目前耕地面积84.9万hm2,有效灌溉面积达71.3万hm2,占总耕地面积的80.6%。播种面积126.8万hm2,其中小麦、玉米、蔬菜、水果分别占32.4%、37.9%、13.1%和13.6%。小麦和玉米多年平均播种面积分别是44.96万hm2、44.82万hm2,是白洋淀流域主要的粮食作物。蔬菜主要包括25种露地蔬菜,随着人们生活需求提升,设施蔬菜面积比例快速增加。水果(果树)以苹果、梨、桃、葡萄和枣树为主,占果树种植面积的80%左右。此外,白洋淀流域还少量种植大豆、花生、棉花、红薯、谷类等作物(雨季生长,灌溉需求小)。
考虑上游来水质量对于淀区生态环境的影响及目前对上游河流的研究现状,拟定府河流域作为典型农业面源污染区域的研究对象。府河研究区域为府河公园至藻苲淀之间的流域面积,河道长约33.23km,国考水质检测断面一个,府河安州固定水质自动监测站一个。于2021年11月初进行采样,平行水样3份,样点布设如图2所示:F1-F11分布于保定市与白洋淀之间,主要位于集中村镇居住区、畜牧养殖场(八骏马场、河北华峰养殖有限公司、河北绿鸣养殖有限公司及哼哼养殖场)及集中农业种植区前后,以期了解农村生产生活、畜禽养殖业及农业生产对于该区域农业面源污染的贡献。
利用多参数水质测定仪,现场同步测定常规水化学参数(如pH,溶解氧(DO),电导率及温度)。使用干净塑料瓶(500ml)进行水样采集,并在水样中加入适量硫酸,使得样品pH低于2,后及时运输至5℃冷库避光保存,后进行水质指标的监测。监测指标包括:高锰酸盐指数(CODMn)、重铬酸盐指数(CODCr)、氨氮(NH4+-N)、总磷(TP)、总氮(TN)。
COD检测参考技术规范为《水质化学需氧量的测定快速消解光光度法》(HJ T399-2007),检测方法为高锰酸盐指数法(GB11892-89)和重铬酸钾氧化法(GTB11914-89);氨氮检测参考技术规范为《水质氨氮的测定纳氏试剂分光光度法》(HJ535-2009);TP检测参考技术规范为《水质总磷的测定钼酸铵分光光度法》(GB/T11893-1989);TN检测参考技术规范为《水质总氮的测定碱性过硫酸钾消解紫外分光光度法》(HJ636-2012)。
接着进行步骤S1中的PMF模型分析:
PMF模型是一种多元因子分析方法,由美国环境保护署(EPA)推荐使用的多变量因子源解析模型。本次分析研究中采用EPA PMF 5.0软件解析9月份和11月份府河水污染的可能污染源,将监测断面的DO、CODMn、CODCr、氨氮、TP及TN的浓度作为浓度输入参数,同时按照下述公式(1)或公式(2)计算不确定度:
式中:Uij为不确定度值,Xij为水质参数检测浓度,SD为标准偏差,ej为水质参数检测方法的检出限。当水质参数i的检测浓度Xij大于检测方法的检出限ej时,不确定度计算公式采用公式(1);当水质参数i的检测浓度Xij小于检测方法的检出限ej时,不确定度计算公式采用公式(2)。
例如水质参数中溶解氧(DO)的检测:采用溶解氧检测电极(型号:DO-958-BF)进行府河地表水DO的检测,仪器检出限为0.01mg/L,11月份各采样点DO数值分别为:11.94、11.67、11.41、11.91、12.31、12.85、12.43、12.8、12.42、12.37、13.52(单位:mg/L),数据组的SD为0.5948mg/L,对于F1采样点,DO浓度为11.94mg/L,不确定度值为:
PMF模拟过程中需多次运行,根据实测数据和模拟数据之间的拟合度选取最优结果,且因为PMF模型模拟软件最低分解因子为2,污染源的最优因子数≥2。
对2021年11月份采样部分水质指标进行PMF模型分析,最优模型预测值和实际监测值R2值范围为0.90651-0.99773,平均值为0.95567,其中TN拟合效果最差,氨氮拟合效果最好;同时,对监测数据的PMF模型分析结果见图3。如图3所示,府河监测数据通过PMF模型分析得到了3个主要污染源因子,因子1中CODMn的浓度贡献最高,其次为TN,占比29.0%;因子2中的TN浓度贡献最高,其次为CODMn,TP的浓度贡献上升,占比54.4%;因子3中TN浓度贡献最高,氨氮的浓度贡献上升,占比16.6%。
然后进行步骤S2:
根据采样时间从地理空间云网站获取2020年白洋淀流域的Landsat文件,选择Landsat8-9 OLI/TIRS C2 L2数据集,云量筛选≤5%,将下载的Landsat文件导入ENVI5.3软件进行辐射定标、大气校正、裁剪等预处理,后采用支持向量机的监督分类方法,结合Omap和实地调研情况对分类结果进行人工修正,对结果进行分类处理时,通过ENVI5.3中的Region of Interest Tool计算样本的可分离系数,可分离系数的标准是大于1.8属于合格样本,超过1.9说明样本之间可分离性好,小于1.8则需要编辑样本或者重新选择样本,若小于1,考虑将两类样本合成一类样本,最后生成满足高精度要求的土地利用类型tif文件。
将ENVI5.3分析好的tif文件导入ArcGIS10.7软件,导入采样点的经纬度信息,再以采样点为中心进行缓冲区分析,缓冲区半径设置为200m、500m及1000m,应用裁剪功能获取不同半径缓冲区内的土地利用面积信息,如图4所示。
最后进行步骤S3:整理每个采样点的污染源因子贡献及不同半径缓冲区土地利用面积数据,应用SPSS统计分析软件进行相关性分析,结果见下表1。
表1污染源因子贡献与土地利用之间的相关性分析结果
注:表中数据为相关系数,*表示在0.05水平上呈显著相关性。
根据表1可知,当缓冲区半径为1000m时,因子2与建筑面积在0.05水平上呈显著相关性;当缓冲区半径为500m时,因子2分别与耕地面积、建筑面积在0.05水平上呈显著相关性,同时,因子3分别与湿地面积、水域面积在0.05水平上呈显著相关性;当缓冲区半径为200m时,因子3分别与湿地面积、水域面积在0.05水平上呈显著相关性。由上述结果可知,当缓冲半径为500m时,可获得更多具有统计学意义的分析结果,因此确定为污染源因子识别的研究对象。
当缓冲区半径为500m时,因子2的污染贡献与耕地面积呈正比,相关系数为0.661,同时与建筑面积呈反比,相关系数为-0.639,与农业面源的污染来源特征情况相一致,该污染源主要与农耕生产的污废水排放有关,与耕地面积呈正比关系,因此因子2识别为农业面源;同时因子3与湿地面积和水域面积呈正比关系,相关系数分别为0.666和0.734,与耕地面积和建筑面积呈反比关系,相关系数较低,与沉积物污染物释放特征情况相近,该污染源与河流沉积物成分相关,与岸上土地利用类型相关性不大,因此因子3识别为沉积物源;因子1虽未能与土地利用形成具有统计学意义的结论,但仅该因子与建筑面积呈正比关系,相关系数为0.364,因此识别为与村镇生产生活排污相关的生活污染源。
上述分析结果与府河流域的实际调研情况相一致,从现场调研可知,府河流域面源污染情况主要来源于农业生产、居民生活过程中的污染,未见明显的畜禽养殖污废水、工业污废水排放情况,因此府河的面源污染源可主观认定为有农业生产源、生活污废水源及其他(沉积物释放等自然源)。由此可见,本发明的耦合遥感的面源污染源识别方法准确度较好。
Claims (10)
1.一种耦合遥感的面源污染源识别方法,其特征在于,包括以下步骤:
步骤S1,源解析分析,其包括建立地表水水质监测方案及PMF模型分析,从而得到的污染源因子贡献数据;
步骤S2,遥感影像分析,其包括影像获取、预处理、解译分类及缓冲区分析,从而得到缓冲区的土地利用数据;
步骤S3,源识别分析,其包括将步骤S1得到的污染源因子贡献数据与步骤S2得到的缓冲区的土地利用数据进行相关性分析,从而实现污染源因子的识别。
2.如权利要求1所述的耦合遥感的面源污染源识别方法,其特征在于,步骤S1中:
建立地表水水质监测方案包括:根据研究的流域生态环境特征,制定面源分析水质监测方案,确定采样点位置,按照相关标准规定对采样点进行采样和分析,得到水质监测数据;
PMF模型分析包括:根据获得的水质监测数据,建立PMF模型分析输入文件,PMF模型分析输入文件包括浓度文件和不确定度文件,进而运行PMF软件,根据最优拟合程度确定污染源因子贡献数据,污染源因子贡献数据包括污染源因子数目及源贡献数据。
3.如权利要求2所述的耦合遥感的面源污染源识别方法,其特征在于,水质监测数据包括溶解氧、高锰酸盐指数、重铬酸盐指数、氨氮、总磷和总氮中的至少一项。
5.如权利要求1所述的耦合遥感的面源污染源识别方法,其特征在于,步骤S2中:
影像获取包括:根据采样时间从地理空间云网站获取时间最为接近的遥感影像;
预处理包括:运用ENVI软件对获得的遥感影像进行辐射定标、大气校正及裁剪;
解译分类包括:对预处理后的遥感影像进行分类,在ENVI软件的支持下,采用支持向量机的监督分类方法进行不同土地利用类型的分类,生成土地利用类型tif文件;
缓冲区分析包括:将获得的土地利用类型tif文件导入ArcGIS软件建立缓冲区,从空间上分析以采样点为中心的周边土地利用类型情况,并计算缓冲区的土地利用数据。
6.如权利要求5所述的耦合遥感的面源污染源识别方法,其特征在于,解译分类时,在ENVI软件中新建感兴趣区,分别建立不同土地利用类型的训练样本,计算训练样本的可分离系数;若可分离系数大于1.8则属于合格样本,若超过1.9说明样本之间可分离性好,若小于1.8则需要编辑样本或者重新选择样本,若小于1则考虑将两类样本合成一类样本;当训练样本的可分离系数达到合格标准后,选择最大似然法进行监督分类,将分类结果与Omap和实地调研情况进行对比,若存在不相符的区域则需新建感兴趣区、重新选择训练样本,重复上述步骤,直至分类结果与Omap和实地调研情况相符;最后,对分类结果进行处理生成土地利用类型tif文件。
7.如权利要求5所述的耦合遥感的面源污染源识别方法,其特征在于,缓冲区的土地利用数据包括耕地、林地、建筑、湿地、水域中至少一个类别的面积信息。
8.如权利要求1-7中任意一项所述的耦合遥感的面源污染源识别方法,其特征在于,步骤S3中包括:
首先观察与污染源因子贡献数据在p<0.05和p<0.01水平上呈显著相关性的变量,根据不同污染源与土地利用数据之间的关系对污染源因子进行识别;当仍有污染源因子未能确定且无与之显著相关性变量存在时,进一步观察污染源因子贡献数据与变量之间的相关系数,根据相关系数的正负值、数值大小进一步识别剩余的污染源种类。
9.如权利要求8所述的耦合遥感的面源污染源识别方法,其特征在于,对于在p<0.05和p<0.01水平上呈显著相关性的情况,若一污染源因子贡献数据与耕地面积的相关系数为正,同时与建筑面的相关系数为负,则该污染源因子识别为农业面源;
对于在p<0.05和p<0.01水平上呈显著相关性的情况,若一污染源因子贡献数据与湿地面积和水域面积的相关系数均为正,同时与耕地面积和建筑面积的相关系数的值小于前者,则该污染源因子识别为沉积物源。
10.如权利要求8所述的耦合遥感的面源污染源识别方法,其特征在于,若一污染源因子未与土地利用数据形成具有统计学意义的结论,但仅该污染源因子与建筑面积的相关系数为正,则该污染源因子识别为生活污染源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310275889.3A CN116310771A (zh) | 2023-03-21 | 2023-03-21 | 一种耦合遥感的面源污染源识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310275889.3A CN116310771A (zh) | 2023-03-21 | 2023-03-21 | 一种耦合遥感的面源污染源识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116310771A true CN116310771A (zh) | 2023-06-23 |
Family
ID=86816422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310275889.3A Pending CN116310771A (zh) | 2023-03-21 | 2023-03-21 | 一种耦合遥感的面源污染源识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116310771A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116773606B (zh) * | 2023-07-27 | 2024-03-08 | 北京建工环境修复股份有限公司 | 一种河湖水下沉积物污染状况获取方法 |
-
2023
- 2023-03-21 CN CN202310275889.3A patent/CN116310771A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116773606B (zh) * | 2023-07-27 | 2024-03-08 | 北京建工环境修复股份有限公司 | 一种河湖水下沉积物污染状况获取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qi et al. | Evaluating soil quality indices in an agricultural region of Jiangsu Province, China | |
Cruz et al. | Spatial and seasonal variability of the water quality characteristics of a river in Northeast Brazil | |
CN111257250A (zh) | 陆地农产品产地高风险区域识别方法及差异化处理方法 | |
Angello et al. | Spatio-temporal evaluation and quantification of pollutant source contribution in little akaki river, Ethiopia: conjunctive application of factor analysis and multivariate receptor model | |
Saha et al. | A comparison of diffusion-conductimetric and distillation-titration methods in analyzing ammonium-and nitrate-nitrogen in the KCl-extracts of Georgia soils | |
CN111080097A (zh) | 农业面源和重金属污染风险综合评估方法 | |
CN109064039B (zh) | 一种农田土壤健康评价方法 | |
CN116310771A (zh) | 一种耦合遥感的面源污染源识别方法 | |
Tan et al. | Temporal variations of benthic diatom community and its main influencing factors in a subtropical river, China | |
CN111598431A (zh) | 一种具有功能差异性的流域水生态环境承载力评估方法 | |
Salim et al. | Urban farming activities in southeast asia: A review and future research direction | |
CN113657698A (zh) | 基于多元统计和受体模型的流域分区污染源识别方法 | |
Esfandiarpour-Borujeni et al. | Identifying soil and plant nutrition factors affecting yield in irrigated mature pistachio orchards | |
CN117408430A (zh) | 一种基于大数据的农业种植用土壤改良评估系统 | |
Griffith et al. | Preliminary comparison of landscape pattern–normalized difference vegetation index (NDVI) relationships to Central Plains stream conditions | |
Zhao et al. | Modeling the response of agricultural non-point source pollution to planting structure and fertilization level in Erhai Lake Basin under low-latitude plateau climate | |
Wang et al. | Assessment of river ecosystem health in Tianjin City, China: index of ecological integrity and water comprehensive pollution approach | |
CN111724073B (zh) | 一种模块化农业机械排放量计算及污染识别管控系统 | |
Getachew et al. | Refining benthic macroinvertebrate kick sampling protocol for wadeable rivers and streams in Ethiopia | |
CN109272184B (zh) | 一种湿地质量判断方法 | |
Jisna et al. | The Excessive Use of Chemical Fertilizers & Dynamic Soil pH on Agricultural Land: The GIS-Based Inverse Distance Weighting (IDW) | |
Ezekiel | Economic analysis of heavy metals pollution on soil, river and rice production in Nigeria | |
Navvabzdeh et al. | Development of DRIS norms for potato in the calcareous soils of Iran | |
CN116070931B (zh) | 一种基于野外生态数据的土壤污染生态效应定量评价方法 | |
Balasubramanian et al. | Spatial variability of soil nutrients and GIS-based nutrient management in upland of Tamil Nadu: A case study from Valapadi Block, Salem district |
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 |