CN116612380A - 一种基于高光谱数据的城市水体污染溯源遥感方法 - Google Patents
一种基于高光谱数据的城市水体污染溯源遥感方法 Download PDFInfo
- Publication number
- CN116612380A CN116612380A CN202310239021.8A CN202310239021A CN116612380A CN 116612380 A CN116612380 A CN 116612380A CN 202310239021 A CN202310239021 A CN 202310239021A CN 116612380 A CN116612380 A CN 116612380A
- Authority
- CN
- China
- Prior art keywords
- water
- remote sensing
- hyperspectral
- hix
- urban water
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003911 water pollution Methods 0.000 title claims abstract description 42
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 106
- 239000005446 dissolved organic matter Substances 0.000 claims abstract description 31
- 238000002310 reflectometry Methods 0.000 claims abstract description 9
- 238000011065 in-situ storage Methods 0.000 claims abstract description 7
- 238000001506 fluorescence spectroscopy Methods 0.000 claims abstract description 4
- 230000005284 excitation Effects 0.000 claims description 23
- 238000001228 spectrum Methods 0.000 claims description 18
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 229930002868 chlorophyll a Natural products 0.000 claims description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims 2
- 230000007547 defect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 8
- 239000010842 industrial wastewater Substances 0.000 description 8
- 241000195493 Cryptophyta Species 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000010865 sewage Substances 0.000 description 6
- 239000002351 wastewater Substances 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 4
- 210000003608 fece Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000003643 water by type Substances 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 208000012868 Overgrowth Diseases 0.000 description 2
- 241000592342 Tracheophyta Species 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 2
- -1 ammonium ions Chemical class 0.000 description 2
- 238000009360 aquaculture Methods 0.000 description 2
- 244000144974 aquaculture Species 0.000 description 2
- 238000006065 biodegradation reaction Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 238000002189 fluorescence spectrum Methods 0.000 description 2
- 239000003864 humus Substances 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 230000002906 microbiologic effect Effects 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 150000002894 organic compounds Chemical class 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000003895 organic fertilizer Substances 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000003403 water pollutant Substances 0.000 description 1
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
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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
- G01N2021/1793—Remote sensing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱数据的城市水体污染溯源遥感方法，包括：基于原位采样的溶解有机质(DOM)荧光数据确定城市水体污染源类型；通过无人机高光谱传感器，获取待测水域的水面高光谱遥感反射率数据；基于水面高光谱遥感反射率识别城市水体污染源类型。本发明弥补了现有技术只能判别某一水域污染源的缺陷，实现了各个像元污染源类型的识别判断，这将为水环境治理部门提供更为细致有效的信息，此外，本发明方法具有识别精度高、运行速度快的应用优势，能够为城市水环境治理提供更加有效的信息。
Description
技术领域
本发明属于污染源识别技术领域，具体涉及一种基于高光谱数据的城市水体污染溯源遥感方法。
背景技术
城市水体是指位于建成区的运河、池塘、湖泊及水库等具有重要社会经济功能的水体，具体功能包括饮用水、生活、农业及工业用水供应、防洪减排、旅游景观等。然而，随着城市化进程的加快，生活污水及工业废水直排、垃圾的随意倾倒、畜禽粪便的堆放、农用地有机肥的过量使用等人为活动直接导致城市水体污染物增加，造成水质退化，使其失去基本功能。因此，及时识别和控制水污染来源是有关部门有效开展水环境治理和恢复工作的前提。
传统的水体污染来源是通过测量水体中溶解有机质荧光特性并结合先验知识确定的。这需要先采集待测水域样品，然后在实验室进行测量。受到采集样点的限制，取样观测只能获取离散样点的观测值，结果并不具有时空连续性，难以满足城市极度扩展背景下的水环境治理需求。
发明内容
发明目的：为了克服现有技术中存在的不足，提供一种基于高光谱数据的城市水体污染溯源遥感方法，其将遥感技术有效应用到水体污染源的识别当中，基于城市水体DOM荧光特性并结合层次聚类分析获取了城市水体污染来源类型，并基于DOM荧光信息与水体光学特性的共变关系构建了适用于高光谱数据的城市水体污染源遥感识别模型，模型总体精度大于70%。
技术方案：为实现上述目的，本发明提供一种基于高光谱数据的城市水体污染溯源遥感方法，包括如下步骤：
S1：基于原位采样的溶解有机质（DOM）荧光数据确定城市水体污染源类型；
S2：通过无人机高光谱传感器，获取待测水域的水面高光谱遥感反射率数据；
S3：基于水面高光谱遥感反射率识别城市水体污染源类型。
进一步地，所述步骤S1的具体过程为：
A1：在建成区水体采集水样，测量水体中DOM的荧光激发发射矩阵光谱及有色可溶性有机物在254nm的吸收系数aCDOM(254)、叶绿素a浓度Chl-a；
A2：分析获取所有样点的DOM荧光平行因子（PARAFAC）组分及光谱指数；
A3：以获取的DOM荧光平行因子组分及光谱指数为输入，基于层次聚类分析（HCA）获取城市水体污染源类型。
步骤A1中水样采集点为368个，采用岛津UV-3600Plus可见光紫外分光光度计测量CDOM水样的吸光度，采用Horbial-Aqualog荧光光谱仪测量DOM水样的三维荧光光谱，参数设定:Ex为240～450nm，Em为250～800nm；激发狭缝宽带为5nm，发射狭缝宽带为0.58nm。
进一步地，所述步骤A2中光谱指数包括腐殖化指数HIX、自生源指数BIX及荧光指数FI。
进一步地，所述腐殖化指数HIX的计算公式为其中为激发波长为254nm,发射波长为435-480nm范围内的荧光强度，为激发波长为254nm,发射波长为300-345nm范围内的荧光强度；所述自生源指数BIX的计算公式为/>其中/>为激发波长为310nm,发射波长为380nm的荧光强度，/>为激发波长为310nm,发射波长为430nm的荧光强度；所述荧光指数FI的计算公式为/>其中/>为激发波长为370nm,发射波长为470nm的荧光强度，/>为激发波长为370nm,发射波长为520nm的荧光强度。
进一步地，所述步骤A3中对获取的PARAFAC组分及3个光谱指数进行最大值最小值归一化处理后再进行HCA，归一化公式为其中/>为归一化后的值，xi,j为原始值，/>为数据最小值，/>为数据最大值。
进一步地，所述步骤A3中HCA层次聚类选用距离度量方法为欧氏距离，欧式距离公式为其中d为欧氏距离，x、y、z…为数据维度。
污染源类型共包括生活污水源(PS1)、陆生源(PS2)、藻类和农业源(PS3)、及工业废水源(PS4)四种。
所述步骤A3中HCA层次聚类获取污染源的关键要点如下：
1)根据自下而上的凝聚法构建了样点树状图，并基于专业知识和肘部法最终确定最优聚类数目为4；
2)进一步结合各类样点的DOM荧光特性、水质特征及现场采样情况对其代表的污染源类型进行解析。其中，类别1样点具有明显的荧光峰M及T，峰T存在于人类活动排放的废水中，而峰M可能来自动物粪便，这也与该类水体具有高浓度的铵根离子相一致，且该类水体主要采集自居民生活区，因此类型1水体被判别为生活污水源（PS1）。类别2水体的DOM类蛋白荧光团不明显，但其几乎包含了所有的类腐殖质荧光团，这说明该类水体中DOM受人为输入的影响较小。且类别2水体的DOM高度腐殖化，HIX从2.86到9.45，也表明其以传统的陆生成分为主，这类陆生物质来源于陆生维管植物或土壤中的有机化合物。因此，类别2水体被确定为陆生源（PS2），且PS2的大部分原位水样采集于远离密集城市活动的地区，进一步支持了该判断。类别3具有高强度的荧光峰A表明其DOM主要来自农业活动产生的人为腐殖质，这与类别3的样本多采自农业区(水产养殖区、农田和花卉种植区)相一致。此外，类别三水体中明显的峰B是浮游植物微生物降解的结果，对应较高的BIX和Chl-a，且水体因富营养化呈绿色。因此，类别3水体的DOM主要来自于非点源农业输入和过量养分输入刺激藻类过度生长所致。因此，类别3水体可确定为藻类和农业源（PS3）;类别4水体不仅有一个高强度峰T，而且还有一个高强度峰B。B峰被证明与废水的生物降解有关，这与类型4水体较高的BIX(mean=1.19)和较低的HIX(mean=1.09)是一致的。而且，峰值B也会出现在肉类/鱼类行业的工业废水中。此外，类型四的样本大多来自分散的小型工厂周围，通过管道接收工厂的废水。因此，类型四水体被识别为工业废水源（PS4）。
进一步地，所述步骤S3的具体过程为：
B1：基于步骤S2获取的影像Rrs，推导aCDOM(254)、Chl-a及色度角α；
B2：构建aCDOM(254)与HIX的线性关系来推导HIX；
B3：利用由HIX、Chl-a及α构建的决策树综合识别城市水体污染来源类型。
进一步地，所述步骤B1中aCDOM(254)、Chl-a及色度角α的推导过程为：
采用波段比值算法推导aCDOM(254)，用以下模型进行描述： 其中R2=0.85；
采用三波段算法推导Chl-a，用以下模型进行描述：227.88×[(Rrs(665)-1-Rrs(709)-1)×Rrs(754)]+27.491，其中R2=0.82；
采用CIE比色系统确定的通过可见光范围内高光谱Rrs和颜色匹配函数光谱积分计算α。
进一步地，所述步骤B2中基于以下模型描述aCDOM(254)与HIX的线性关系：HIX=0.1265aCDOM(254)-0.0721，其中R2=0.79。
进一步地，所述步骤B3中决策树综合识别城市水体污染来源类型的具体方法为：
首先判断通过高光谱影像估算的HIX，若HIX小于1.73则该像元被判断为PS4水体，若HIX大于3.53则为PS2水体，其他像元为PS1或PS3水体；在这种情况下，若估算的Chl-a小于63.07μg/L且α大于210.62°则该像元为PS1水体，其余情况则判断该水体为PS3水体。
本发明的方案中因为方法的构建数据集采集自广泛的地理区域且覆盖不同的水质特点及光学水体类型；此外，本发明方法获取的污染源结果是逐像元的，这保证了反演产品的空间连续性；最后，由于构建的污染源识别决策树中各个中间参数都是通过具有光学机理的框架进行遥感反演获取，这保证了本发明的稳定性和识别精度。
有益效果：本发明与现有技术相比，具备如下优点：该技术可应用于中国东部、南部及东北地区城市水体，覆盖的水体类型不仅多，且应用的地理范围广泛。更重要的是，本发明弥补了以往发明只能判别某一水域污染源的缺陷，实现了各个像元污染源类型的识别判断，这将为水环境治理部门提供更为细致有效的信息。此外，该污染溯源遥感方法具有识别精度高、运行速度快的应用优势。
附图说明
图1为本发明方法的流程示意图；
图2为本发明实施例中城市水体采样点分布图；
图3为本发明实施例中的基于原位样点的DOM荧光特性获取的城市污染来源类型图；
图4为本发明实施例中的将本发明的方法应用至南京典型河道的无人机高光谱影像上获取的中间参数遥感反演及污染源识别结果示意图。
具体实施方式
下面结合附图和具体实施例，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。
本发明提供一种基于高光谱数据的城市水体污染溯源遥感方法，如图1所示，其包括如下步骤：
S1：基于原位采样的溶解有机质（DOM）荧光数据确定城市水体污染源类型；
S2：通过无人机高光谱传感器，获取待测水域的水面高光谱遥感反射率数据；
S3：基于水面高光谱遥感反射率识别城市水体污染源类型。
步骤S1的具体过程为：
A1：在建成区水体采集水样，测量水体中DOM的荧光激发发射矩阵光谱及有色可溶性有机物在254nm的吸收系数aCDOM(254)、叶绿素a浓度Chl-a；
A2：分析获取所有样点的DOM荧光平行因子（PARAFAC）组分及光谱指数；
A3：以获取的DOM荧光平行因子组分及光谱指数为输入，基于层次聚类分析（HCA）获取城市水体污染源类型。
步骤A1中水样采集点为368个，采用岛津UV-3600Plus可见光紫外分光光度计测量CDOM水样的吸光度，采用Horbial-Aqualog荧光光谱仪测量DOM水样的三维荧光光谱，参数设定:Ex为240～450nm，Em为250～800nm；激发狭缝宽带为5nm，发射狭缝宽带为0.58nm。
步骤A2中光谱指数包括腐殖化指数HIX、自生源指数BIX及荧光指数FI。
腐殖化指数HIX的计算公式为其中/>为激发波长为254nm,发射波长为435-480nm范围内的荧光强度，/>为激发波长为254nm,发射波长为300-345nm范围内的荧光强度；所述自生源指数BIX的计算公式为/> 其中/>为激发波长为310nm,发射波长为380nm的荧光强度，/>为激发波长为310nm,发射波长为430nm的荧光强度；所述荧光指数FI的计算公式为/>其中为激发波长为370nm,发射波长为470nm的荧光强度，/>为激发波长为370nm,发射波长为520nm的荧光强度。
步骤A3中对获取的PARAFAC组分及3个光谱指数进行最大值最小值归一化处理后再进行HCA，归一化公式为其中/>为归一化后的值，xi,j为原始值，/>为数据最小值，/>为数据最大值。
步骤A3中HCA层次聚类选用距离度量方法为欧氏距离，欧式距离公式为 其中d为欧氏距离，x、y、z…为数据维度。
污染源类型共包括生活污水源（PS1）、陆生源（PS2）、藻类和农业源（PS3）、及工业废水源（PS4）四种。
HCA层次聚类获取污染源的关键要点如下：
1）根据自下而上的凝聚法构建了样点树状图，并基于专业知识和肘部法最终确定最优聚类数目为4；
2）进一步结合各类样点的DOM荧光特性、水质特征及现场采样情况对其代表的污染源类型进行解析。其中，类别1样点具有明显的荧光峰M及T，峰T存在于人类活动排放的废水中，而峰M可能来自动物粪便，这也与该类水体具有高浓度的铵根离子相一致，且该类水体主要采集自居民生活区，因此类型1水体被判别为生活污水源（PS1）。类别2水体的DOM类蛋白荧光团不明显，但其几乎包含了所有的类腐殖质荧光团，这说明该类水体中DOM受人为输入的影响较小。且类别2水体的DOM高度腐殖化，HIX从2.86到9.45，也表明其以传统的陆生成分为主，这类陆生物质来源于陆生维管植物或土壤中的有机化合物。因此，类别2水体被确定为陆生源（PS2），且PS2的大部分原位水样采集于远离密集城市活动的地区，进一步支持了该判断。类别3具有高强度的荧光峰A表明其DOM主要来自农业活动产生的人为腐殖质，这与类别3的样本多采自农业区(水产养殖区、农田和花卉种植区)相一致。此外，类别三水体中明显的峰B是浮游植物微生物降解的结果，对应较高的BIX和Chl-a，且水体因富营养化呈绿色。因此，类别3水体的DOM主要来自于非点源农业输入和过量养分输入刺激藻类过度生长所致。因此，类别3水体可确定为藻类和农业源（PS3）;类别4水体不仅有一个高强度峰T，而且还有一个高强度峰B。B峰被证明与废水的生物降解有关，这与类型4水体较高的BIX(mean=1.19)和较低的HIX(mean=1.09)是一致的。而且，峰值B也会出现在肉类/鱼类行业的工业废水中。此外，类型四的样本大多来自分散的小型工厂周围，通过管道接收工厂的废水。因此，类型四水体被识别为工业废水源（PS4）。
步骤2中采用搭载在无人机上的高光谱相机Cubert UHD 185-Firefly(UHD)收集波段范围为450-950nm，间隔为4nm的高光谱遥感影像。
步骤S3的具体过程为：
B1：基于步骤S2获取的影像Rrs，推导aCDOM(254)、Chl-a及色度角α；
B2：构建aCDOM(254)与HIX的线性关系推导HIX；
B3：利用由HIX、Chl-a及α构建的决策树综合识别城市水体污染来源类型。
步骤B1中aCDOM(254)、Chl-a及色度角α的推导过程为：
采用波段比值算法推导aCDOM(254)，用以下模型进行描述： 其中R2=0.85；
采用三波段算法推导Chl-a，用以下模型进行描述：227.88×[(Rrs(665)-1-Rrs(709)-1)×Rrs(754)]+27.491，其中R2=0.82；
采用CIE比色系统确定的通过可见光范围内高光谱Rrs和颜色匹配函数光谱积分计算α。
步骤B2中基于以下模型描述aCDOM(254)与HIX的线性关系：HIX=0.1265aCDOM(254)-0.0721，其中R2=0.79。
步骤B3中决策树综合识别城市水体污染来源类型的具体方法为：
首先判断通过高光谱影像估算的HIX，若HIX小于1.73则该像元被判断为PS4水体，若HIX大于3.53则为PS2水体，其他像元为PS1或PS3水体；在这种情况下，若估算的Chl-a小于63.07μg/L且α大于210.62°则该像元为PS1水体，其余情况则判断该水体为PS3水体。
基于上述内容，为了验证本发明的有效性，本实施例中将上述方案进行实例应用试验，具体如下：
样点采集自南京、无锡、苏州、常州、长沙及长春建成区水体，采样点分布如图2所示。测量各个样点DOM的荧光EEM，对EEM进行平行因子分析获取7个PARAFAC组分，并进一步基于以下公式计算各样点的HIX、BIX及FI。
首先，根据步骤S1，以获取的7个PARAFAC组分及3个光谱指数为输入，基于R语言的stats包进行HCA分析，应用Ward聚类及欧式距离生成分类树状图，最终分类结果如图3所示。图中PS1-PS4分别指生活污水源、陆生源、藻类和农业源、及工业废水源。
需要注意的是，本发明已经通过以上方法获取了城市水体污染源类型，实施者只需要从步骤S2开始执行即可通过高光谱数据识别城市水体污染源类型。
根据步骤S2，本实施例选取南京建成区3条典型污染河道(京新河、龙泰河及芳烃河)作为应用区，通过搭载在无人机上的高光谱相机UHD收集以上三条河道的波段范围为450-950nm，间隔为4nm的高光谱遥感影像，进一步将收集的影像进行拼接、去噪，并将辐射值处理为水面遥感反射率(Rrs)产品。
根据步骤3，首先按照公式(4-6)分别计算出影像各像元的HIX及Chl-a，并采用CIE比色系统确定的通过可见光范围内高光谱Rrs和颜色匹配函数光谱积分计算α。
HIX＝0.1265aCDOM(254)-0.0721 (5)
Chla＝227.88×[(Rrs(665)-1-Rrs(709)-1)×Rrs(754)]+27.491 (6)
进一步结合通过影像估算的HIX、Chl-a及α识别步骤S1中获取的污染源，具体步骤为，若HIX小于1.73则该像元为PS4水体，若大于3.53则该像元为PS2水体，其他情况则为PS1或PS3水体；在这种情况下，若Chl-a小于63.07μg/L且α大于210.62°则该像元为PS1水体，否则该像元为PS3水体。
本实施例的识别结果如图4所示，其中，aCDOM(254)和HIX在这三条河道中由上游向下游逐渐增加，表明有机污染物逐渐积累。京新河的Chl-a也呈现出同样的变化趋势。此外，景新河和龙泰河的水色空间分异明显。对于PS而言，小水域内PS基本没有变化，这符合常识，因为污染源总体上是稳定的。此外，在闸门、河流汇流处和雨污水排口，PS的一些突变可能是由于污染物输入、水文条件的变化等引起的。此外，河岸密集的离散突变点可能是邻近效应引起的，这是小水体遥感监测经常面临的问题。总的来说，通过本发明实施例的城市水体污染溯源遥感方法可以在不考虑图像噪声的情况下获得令人信服的污染源识别结果。
Claims (10)
1.一种基于高光谱数据的城市水体污染溯源遥感方法，其特征在于，包括如下步骤：
S1：基于原位采样的溶解有机质荧光数据确定城市水体污染源类型；
S2：通过无人机高光谱传感器，获取待测水域的水面高光谱遥感反射率数据；
S3：基于水面高光谱遥感反射率识别城市水体污染源类型。
2.根据权利要求1所述的一种基于高光谱数据的城市水体污染溯源遥感方法，其特征在于，所述步骤S1的具体过程为：
A1：在建成区水体采集水样，测量水体中DOM的荧光激发发射矩阵光谱及有色可溶性有机物在254nm的吸收系数aCDOM(254)、叶绿素a浓度Chl-a；
A2：分析获取所有样点的DOM荧光平行因子组分及光谱指数；
A3：以获取的DOM荧光平行因子组分及光谱指数为输入，基于层次聚类分析HCA获取城市水体污染源类型。
3.根据权利要求2所述的一种基于高光谱数据的城市水体污染溯源遥感方法，其特征在于，所述步骤A2中光谱指数包括腐殖化指数HIX、自生源指数BIX及荧光指数FI。
4.根据权利要求3所述的一种基于高光谱数据的城市水体污染溯源遥感方法，其特征在于，所述腐殖化指数HIX的计算公式为其中/>为激发波长为254nm,发射波长为435-480nm范围内的荧光强度，/>为激发波长为254nm,发射波长为300-345nm范围内的荧光强度；所述自生源指数BIX的计算公式为其中/>为激发波长为310nm,发射波长为380nm的荧光强度，为激发波长为310nm,发射波长为430nm的荧光强度；所述荧光指数FI的计算公式为/>其中/>为激发波长为370nm,发射波长为470nm的荧光强度，为激发波长为370nm,发射波长为520nm的荧光强度。
5.根据权利要求3所述的一种基于高光谱数据的城市水体污染溯源遥感方法，其特征在于，所述步骤A3中对获取的PARAFAC组分及3个光谱指数进行最大值最小值归一化处理后再进行HCA，归一化公式为其中/>为归一化后的值，xi,j为原始值，/>为数据最小值，/>为数据最大值。
6.根据权利要求5所述的一种基于高光谱数据的城市水体污染溯源遥感方法，其特征在于，所述步骤A3中HCA层次聚类选用距离度量方法为欧氏距离，欧式距离公式为其中d为欧氏距离，x、y、z…为数据维度；
所述步骤A3中HCA层次聚类获取污染源的方法为：
1)根据自下而上的凝聚法构建了样点树状图，并基于专业知识和肘部法最终确定最优聚类数目为4；
2)进一步结合各类样点的DOM荧光特性、水质特征及现场采样情况对其代表的污染源类型进行解析。
7.根据权利要求1所述的一种基于高光谱数据的城市水体污染溯源遥感方法，其特征在于，所述步骤S3的具体过程为：
B1：基于步骤S2获取的影像Rrs，推导aCDOM(254)、Chl-a及色度角α；
B2：构建aCDOM(254)与HIX的线性关系来推导HIX；
B3：利用由HIX、Chl-a及α构建的决策树综合识别城市水体污染来源类型。
8.根据权利要求7所述的一种基于高光谱数据的城市水体污染溯源遥感方法，其特征在于，所述步骤B1中aCDOM(254)、Chl-a及色度角α的推导过程为：
采用波段比值算法推导aCDOM(254)，用以下模型进行描述： 其中R2＝0.85；
采用三波段算法推导Chl-a，用以下模型进行描述：227.88×[(Rrs(665)-1-Rrs(709)-1)×Rrs(754)]+27.491，其中R2＝0.82；
采用CIE比色系统确定的通过可见光范围内高光谱Rrs和颜色匹配函数光谱积分计算α。
9.根据权利要求7所述的一种基于高光谱数据的城市水体污染溯源遥感方法，其特征在于，所述步骤B2中基于以下模型描述aCDOM(254)与HIX的线性关系：HIX＝0.1265aCDOM(254)-0.0721，其中R2＝0.79。
10.根据权利要求7所述的一种基于高光谱数据的城市水体污染溯源遥感方法，其特征在于，所述步骤B3中决策树综合识别城市水体污染来源类型的具体方法为：
首先判断通过高光谱影像估算的HIX，若HIX小于1.73则该像元被判断为PS4水体，若HIX大于3.53则为PS2水体，其他像元为PS1或PS3水体；在这种情况下，若估算的Chl-a小于63.07μg/L且α大于210.62°则该像元为PS1水体，其余情况则判断该水体为PS3水体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310239021.8A CN116612380A (zh) | 2023-03-14 | 2023-03-14 | 一种基于高光谱数据的城市水体污染溯源遥感方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310239021.8A CN116612380A (zh) | 2023-03-14 | 2023-03-14 | 一种基于高光谱数据的城市水体污染溯源遥感方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116612380A true CN116612380A (zh) | 2023-08-18 |
Family
ID=87673495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310239021.8A Pending CN116612380A (zh) | 2023-03-14 | 2023-03-14 | 一种基于高光谱数据的城市水体污染溯源遥感方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116612380A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117974402A (zh) * | 2024-04-01 | 2024-05-03 | 浙江绿凯生态环境集团股份有限公司 | 一种用于环保、水利工程的河湖生态治理方法及系统 |
-
2023
- 2023-03-14 CN CN202310239021.8A patent/CN116612380A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117974402A (zh) * | 2024-04-01 | 2024-05-03 | 浙江绿凯生态环境集团股份有限公司 | 一种用于环保、水利工程的河湖生态治理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| He et al. | Fluorescence excitation–emission matrix spectra coupled with parallel factor and regional integration analysis to characterize organic matter humification | |
| CN111562242A (zh) | 一种城市排水系统的雨天溢流污水来源的快速识别方法 | |
| Lee et al. | Characterization and source identification of organic matter in view of land uses and heavy rainfall in the Lake Shihwa, Korea | |
| Jácome et al. | Assessment of water quality monitoring for the optimal sensor placement in lake Yahuarcocha using pattern recognition techniques and geographical information systems | |
| CN116612380A (zh) | 一种基于高光谱数据的城市水体污染溯源遥感方法 | |
| Bai et al. | Characterization of chromophoric dissolved organic matter (CDOM) in the Bohai Sea and the Yellow Sea using excitation-emission matrix spectroscopy (EEMs) and parallel factor analysis (PARAFAC) | |
| Niloy et al. | Characteristics, sources, and seasonal variability of dissolved organic matter (DOM) in the Ganges River, Bangladesh | |
| Xu et al. | Rapid field estimation of biochemical oxygen demand in a subtropical eutrophic urban lake with chlorophyll a fluorescence | |
| Liu et al. | Eutrophication monitoring of lakes in Wuhan based on Sentinel-2 data | |
| Cai et al. | Remote sensing identification of urban water pollution source types using hyperspectral data | |
| Zhang et al. | Remote sensing estimation of the concentration and sources of coloured dissolved organic matter based on MODIS: A case study of Erhai lake | |
| Rachmadita et al. | Utilizing satellite imagery for seasonal trophic analysis in the freshwater reservoir | |
| An et al. | In-lake processing counteracts the effect of allochthonous input on the composition of color dissolved organic matter in a deep lake | |
| Badalge et al. | Land use effects on spatiotemporal variations of dissolved organic matter fluorescence and water quality parameters in watersheds, and their interrelationships | |
| Chiranjeevulu et al. | Colored dissolved organic matter signature and phytoplankton response in a coastal ecosystem during mesoscale cyclonic (cold core) eddy | |
| Cai et al. | Humification levels of dissolved organic matter in the eastern plain lakes of China based on long-term satellite observations | |
| Zhao et al. | Chemical characteristics of chromophoric dissolved organic matter in stormwater runoff of a typical residential area, Beijing | |
| CN116858817A (zh) | 一种基于荧光光谱的工业废水混接点位诊断方法 | |
| CN114663783B (zh) | 一种基于机器学习的入海河流水体污染遥感识别方法 | |
| Bida et al. | Quantity and composition of stream dissolved organic matter in the watershed of Conesus Lake, New York | |
| AU2021104134A4 (en) | Method for Discriminating Pollution Status and Pollution Sources of Water in Basin | |
| El-Mezayen et al. | Assessment of water quality and modeling trophic level of Lake Manzala, Egypt using remotely sensed observations after recent Enhancement Project | |
| CN115266497A (zh) | 一种基于哨兵2A的叶绿素a和悬浮物匹配协同反演方法 | |
| CN113075181B (zh) | 一种水污染溯源三维荧光数字信号的线性变换增益方法 | |
| Kelso et al. | Organic matter sources and composition in four watersheds with mixed land cover |
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 |