CN116908115A - 高光谱水质反演方法、装置、电子设备和存储介质 - Google Patents
高光谱水质反演方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116908115A CN116908115A CN202311168306.3A CN202311168306A CN116908115A CN 116908115 A CN116908115 A CN 116908115A CN 202311168306 A CN202311168306 A CN 202311168306A CN 116908115 A CN116908115 A CN 116908115A
- Authority
- CN
- China
- Prior art keywords
- water quality
- inversion
- hyperspectral
- data
- target
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 242
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 39
- 231100000719 pollutant Toxicity 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 19
- 239000000758 substrate Substances 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 239000000356 contaminant Substances 0.000 claims description 3
- 238000011109 contamination Methods 0.000 claims 3
- 238000012937 correction Methods 0.000 abstract description 8
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- 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 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000013626 chemical specie Substances 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种高光谱水质反演方法、装置、电子设备和存储介质，涉及遥感影像处理技术领域，该方法包括：通过高光谱水质反演模型首先确定水质反演结果，进一步根据预先构建的置信度索引库进行置信度校正，将置信度低于预设置信度阈值的水质反演结果进行插值处理，从而得到卫星高光谱影像数据全部像元的目标污染物浓度反演值，以基于目标污染物浓度反演值判断是否为水质污染区域。本申请提高了水质反演的准确度和可信度，降低水环境监管成本。
Description
技术领域
本申请涉及遥感影像处理技术领域，尤其是涉及一种高光谱水质反演方法、装置、电子设备和存储介质。
背景技术
水质监测，也即对水体中各种化学、物理和生物参数进行测量和分析。相关技术中，水质监测方法包括人工现场收集实验室分析的方法、通过监测系统监测的方法和远程遥感收集数据监测的方法。然而，上述方式均存在一定的缺陷：人工方式耗时且人工成本较高，监测系统的监测空间范围有限，远程遥感监测方式虽然可以进行大范围、连续的空间数据监测，但是由于水质遥感影像中的混合像元可能包含水体、陆地、水草、浮游生物等不同类型的地物，存在反演精度降低、模型适应性降低、反演结果解释困难等问题。
发明内容
本申请的目的在于提供一种高光谱水质反演方法、装置、电子设备和存储介质，提高了水质反演的准确度和可信度，降低水环境监管成本。
第一方面，本发明提供一种高光谱水质反演方法，方法包括：获取目标区域的卫星高光谱影像数据，对卫星高光谱影像数据进行影像预处理，得到目标区域内每个位置点所对应的特征数据；其中，特征数据至少包括水深数据、水体边界数据、高分辨率土地分类数据、地面温度数据、地面风速数据中的一种或多种；对特征数据进行尺度对齐处理，得到与卫星高光谱影像数据的高光谱空间分辨率一致的目标特征数据；将目标特征数据输入至预先训练好的高光谱水质反演模型，得到目标区域的水质反演结果；基于水质反演结果在预先构建的置信度索引库检索卫星高光谱影像数据中每个像元反演结果的置信度，并对置信度低于预设置信度阈值的水质反演结果进行插值处理，得到全部像元的目标污染物浓度反演值；将目标污染物浓度反演值满足预设的污染判定阈值对应的像元区域确定为水质污染区域。
在可选的实施方式中，高光谱水质反演模型的构建步骤，包括：获取目标区域的卫星高光谱影像数据，对卫星高光谱影像数据进行特征扩展处理，得到水质光谱特征；对水质光谱特征进行筛选，通过筛选后保留的满足预设临界条件的目标水质光谱特征对高光谱水质反演模型进行训练，得到目标高光谱水质反演模型；目标高光谱水质反演模型为：
其中，K代表核矩阵，c为实数集中的一个n维向量，λ为特征值矩阵,I为单位矩阵，Y为污染物浓度值。
在可选的实施方式中，方法还包括：根据像元类型和索引属性构建置信度索引库；其中，索引属性至少包括混合像元水体比例、平均水深等级、风速等级、底质类型；基于索引属性的多种属性组合，计算置信度索引库中的置信度。
在可选的实施方式中，基于索引属性的多种属性组合，计算置信度索引库中的置信度，通过以下公式计算：；其中，j为指定类型像元索引号；n为指定类型像元数量；/>为i像元反演值；/>为i像元地面测量值。
在可选的实施方式中，对置信度低于预设置信度阈值的水质反演结果进行插值处理，得到全部像元的目标污染物浓度反演值，包括：计算得到目标区域所包含的预设差值范围的纯像元；计算置信度低于预设置信度阈值的水质反演结果对应的插值点与目标区域内预先选定的各个已知点之间的距离；基于每个距离确定相应的插值权重，并基于插值权重和插值点对应的像元反演结果的置信度确定插值点对应的污染物浓度值；根据置信度高于预设置信度阈值的像元反演结果的置信度和插值点对应的污染物浓度值确定全部像元的目标污染物浓度反演值。
在可选的实施方式中，将目标污染物浓度反演值满足预设的污染判定阈值对应的像元区域确定为水质污染区域，包括：基于目标污染物浓度反演值满足预设的污染判定阈值对应的像元区域确定高污染分布网格；基于高污染分布网格规划无人机飞行路线，以使无人机基于无人机飞行路线进行无人机高光谱观测；根据无人机观测结果和高光谱水质反演模型进行水质反演，获得水质分布图，通过水质分布图确定水质污染区域。
在可选的实施方式中，在确定水质污染区域之后，方法还包括：获取水质污染区域的实际水质数据，对实际水质数据进行地面采样实验室监检测，确定目标水质信息。
第二方面，本发明提供一种高光谱水质反演装置，装置包括：数据获取及预处理模块，用于获取目标区域的卫星高光谱影像数据，对卫星高光谱影像数据进行影像预处理，得到目标区域内每个位置点所对应的特征数据；其中，特征数据至少包括水深数据、水体边界数据、高分辨率土地分类数据、地面温度数据、地面风速数据中的一种或多种；特征对齐模块，用于对特征数据进行尺度对齐处理，得到与卫星高光谱影像数据的高光谱空间分辨率一致的目标特征数据；反演处理模块，用于将目标特征数据输入至预先训练好的高光谱水质反演模型，得到目标区域的水质反演结果；置信度确定模块，用于基于水质反演结果在预先构建的置信度索引库检索卫星高光谱影像数据中每个像元反演结果的置信度，并对置信度低于预设置信度阈值的水质反演结果进行插值处理，得到全部像元的目标污染物浓度反演值；水质污染区域确定模块，用于将目标污染物浓度反演值满足预设的污染判定阈值对应的像元区域确定为水质污染区域。
第三方面，本发明提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现前述实施方式任一项的高光谱水质反演方法。
第四方面，本发明提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现前述实施方式任一项的高光谱水质反演方法。
本申请提供的高光谱水质反演方法、装置、电子设备和存储介质，通过高光谱水质反演模型首先确定水质反演结果，进一步根据预先构建的置信度索引库进行置信度校正，将置信度低于预设置信度阈值的水质反演结果进行插值处理，从而得到卫星高光谱影像数据全部像元的目标污染物浓度反演值，以基于目标污染物浓度反演值判断是否为水质污染区域。根据影响水质反演质量的诸多因素评估置信度，并可采用插值替代低置信度像元反演结果，提高反演可靠性，适用于不同应用场景；以高光谱水质反演为基础进行水质监测，提高了监测监督范围，降低了水质简监测成本。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，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为本申请实施例提供的一种高光谱水质反演方法的流程图；
图2为本申请实施例提供的一种构建高光谱水质反演模型的流程图；
图3为本申请实施例提供的一种具体的水质反演的流程图；
图4为本申请实施例提供的一种高光谱水质反演装置的结构图；
图5为本申请实施例提供的一种电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
水质监测是对水体中各种化学、物理和生物参数进行测量和分析的重要环境监测方法。水质监测在保护和恢复水环境、维护公共健康、支持环境和水资源政策制定以及推动水科学研究等方面都具有重要的意义。
目前通常有以下水质监测方法：
（1）传统实地取样方法：人工到现场收集水样，然后在实验室内进行分析。此方法可提供非常精确的数据，包括化学物质（如溶解氧，氮，磷，重金属等）、生物组成（如浮游生物，底栖动物等）以及物理参数（如温度，透明度，电导率等）。但是这种方法耗时且耗费人力，而且只能提供离散的空间和时间数据。
（2）连续监测系统：通过安装连续监测系统（如浮标或者固定站）来自动收集水质数据。这些系统可以提供连续的时间数据，但其空间覆盖范围有限。
（3）遥感方法：遥感是一种利用无人机、航空器或卫星上的传感器远程收集数据的方法。遥感可以提供大范围、连续的空间数据，但其精度和参数范围不如实地取样。遥感常用于监测水体颜色、悬浮物浓度、叶绿素浓度等参数。遥感反演研究仍然面临一些挑战，包括混合像元问题、复杂水体环境的适应性、模型的精度和稳定性等问题。其中混合像元是指一个遥感像元内部包含多种地物类型。对于水质反演来说，一个像元可能包含了水体、陆地、水草、浮游生物等不同类型的地物，混合像元导致反演精度降低、模型适应性降低、反演结果解释困难等问题。
为解决上述现有技术中针对水质监测所面临的问题，本申请实施例提供了一种高光谱水质反演方法、装置、电子设备和存储介质，提高了水质反演的准确度和可信度，降低水环境监管成本。
本申请实施例提供了一种高光谱水质反演方法，参见图1所示，该方法主要包括以下步骤：
步骤S110，获取目标区域的卫星高光谱影像数据，对卫星高光谱影像数据进行影像预处理，得到目标区域内每个位置点所对应的特征数据。
上述目标区域诸如可以包括固定监测站点和预设采样点所在的区域，通过获取目标区域的无人机高光谱数据或者卫星高光谱数据，确定固定监测站点水质测量数据和采样点采样检测数据。
对该获取的原始数据进行预处理，可以包括对高光谱影像进行辐射定标、大气校正、几何校正等预处理。
上述特征数据至少包括水深数据、水体边界数据、高分辨率土地分类数据、地面温度数据、地面风速数据中的一种或多种。
步骤S120，对特征数据进行尺度对齐处理，得到与卫星高光谱影像数据的高光谱空间分辨率一致的目标特征数据。
步骤S130，将目标特征数据输入至预先训练好的高光谱水质反演模型，得到目标区域的水质反演结果。
步骤S140，基于水质反演结果在预先构建的置信度索引库检索卫星高光谱影像数据中每个像元反演结果的置信度，并对置信度低于预设置信度阈值的水质反演结果进行插值处理，得到全部像元的目标污染物浓度反演值。
步骤S150，将目标污染物浓度反演值满足预设的污染判定阈值对应的像元区域确定为水质污染区域。
上述在进行水质反演时，通过预先构建的高光谱水质反演模型对数据进行处理。为便于理解，在一种实施方式中，上述高光谱水质反演模型的构建步骤，可以包括以下步骤1-1和步骤1-2：
步骤1-1，获取目标区域的卫星高光谱影像数据，对卫星高光谱影像数据进行特征扩展处理，得到水质光谱特征。
步骤1-2，对水质光谱特征进行筛选，通过筛选后保留的满足预设临界条件的目标水质光谱特征对高光谱水质反演模型进行训练，得到目标高光谱水质反演模型；目标高光谱水质反演模型为：
其中,K代表核矩阵,c为实数集中的一个n维向量,λ为特征值矩阵,I为单位矩阵，Y为污染物浓度值。
在构建该高光谱水质反演模型时，为便于后续置信度检索，还包括对置信度索引库的构建步骤，包括以下步骤2-1和步骤2-2：
步骤2-1，根据像元类型和索引属性构建置信度索引库；其中，索引属性至少包括混合像元水体比例、平均水深等级、风速等级、底质类型。
具体的，索引属性包括如下：
（1）混合像元水体比例：80%、60%、40%、20%（也可以再细分非水体部分具体地物类型）；
（2）平均水深等级：1米，2米，...，20米以上；
（3）风速等级：1-12级；
（4）底质类型：沙质底质、泥质底质、卵石和砾石、有机底质、岩石底质、人造底质等。
步骤2-2，基于索引属性的多种属性组合，计算置信度索引库中的置信度。
针对步骤2-2，基于索引属性的多种属性组合，计算置信度索引库中的置信度，通过以下公式计算：
其中，j为指定类型像元索引号；n为指定类型像元数量；为i像元反演值；/>为i像元地面测量值。
在一种具体的实施方式中，参见图2所示，构建高光谱水质反演模型可以包括以下步骤一至步骤五：
步骤一：数据准备
（1）地面测量数据及处理
包括固定监测站点水质测量数据和采样点采样检测数据。
（2）高光谱影像
无人机高光谱或卫星高光谱数据，对高光谱影像进行辐射定标、大气校正、几何校正等预处理。
（3）水体底质类型数据
水体底质类型包括沙质底质、泥质底质、卵石和砾石、有机底质、岩石底质、人造底质等。
（4）其他数据
水体边界、水体深度、高分辨率地物类型数据、地面温度和风速数据等。
步骤二：高光谱数据扩展
在进行数据扩展时，可参见如下表格进行扩展处理，其中，表中各参数含义如下：
卫星高光谱R，Ri是原始的光谱反射率,i代表波段号，i∊（1，n）,通过对原始高光谱转换，增加特征数量，转换方法如表所示。其中，Xi是处理后的光谱反射率;bi为基线平移;ki为基线偏移;Rmin为最小反射率;Rmax为最大反射率;Ci为包络线值。经过特征扩展后，获得特征14n个特征向量。
步骤三：光谱特征筛选
本步骤帮助选择重要特征，并可以帮助理解各个特征对预测结果的贡献，通过本步骤去除大量不相关和重复特征，减少特征数量，提高计算效率。本申请实施例基于最小二乘法模型构建筛选方法，主要步骤如下：
（1）扩展后光谱特征矩阵为，n表示样本像元数量，p表示扩展后特征数量。
（2）从中随机选择/>个样本构建子集/>，/>数量为总样本数量的50%。
（3）基于针对样本子集，构建最小二乘法模型：
其中，为污染物浓度值，/>包括p个特征，/>为回归向量，/>为偏移常数。
通过回归计算得到；
（4）重复步骤（2）（3）M（设置M=100）次获得回归系数矩阵；通过一下公式计算变量j稳定性：
其中，表示第j个特征对应的回归向量，/>和/>第j个特征变量回归系数均值和标准差。
得到变量稳定性；
（5）对稳定性S中的数据进行排序，设定第个稳定性为临界值，去除稳定性小于临界值的特征，其他特征保留用于后续模型训练。
步骤四：高光谱水质反演算法
对于数据点S ={(X 1 ,Y 1),...,(X n ,Y n)}，定义S i为去掉第i个点的数据集:S i ={(X 1 , Y 1),...(X i-1 ,Y i-1),(X i+1 ,Y i+1),...,(X n ,Y n)}，X代表集合 {X 1 ,...,Xn}，对于n×d的矩阵，第i行表示为X i t。
假设一个正半定核函数k，它推广了再生核希尔伯特空间(Reproducing KernelHilbert Space，RKHS)中点积的概念，采用的核函数可以包括：
线性：
多项式：
高斯：
其中，多项式阶d或高斯带宽σ必须由用户指定。
定义核矩阵K来满足 Kij=k(Xi,Xj)。允许核函数k取多个数据点并产生一个结果矩阵k (X,X)= K，并且，给定任意点,k(X,/>)是一个列向量，其第i项是 k(Xi,/>)。
给定一个方阵M，diagm(M)表示满足diagm(M)ii=Mii的对角阵，diagv(M)表示满足diagv(M)i=Mii的列向量。假设分数除法是按元素进行的，所以一个向量除以一个向量得到另一个向量。
使用标准约定，即I表示适当大小的单位矩阵(In表示大小为n×n的单位矩阵)；ei表示第i位为1，其他位置为零的列向量。
正则化的最小二乘法（regularized least squares，RLS）是一个具有平方损失的Tikhonov最小化问题：
（1）
式中，H为Hilbert空间；λ为特征值矩阵；K为核矩阵；
式的解可以写为
对于某个c∈Rn，利用RKHS的基本性质，我们可以将(1)重写为：
设c的导数为 0，则 c必须满足
(K+λI)c=Y
c存在并且是唯一的，K 是正半定的，所以 K+λI是正定的(λ>0)，定义 G(λ)= K+λI。
训练点上的预测结果由下式计算：
在新的测试点进行预测：
步骤五：建立置信度索引库
索引库的构建参照上述描述，此处不再赘述。
进一步，上述对置信度低于预设置信度阈值的水质反演结果进行插值处理，得到全部像元的目标污染物浓度反演值，可以包括以下步骤3-1至步骤3,4：
步骤3-1，计算得到目标区域所包含的预设差值范围的纯像元；
步骤3-2，计算置信度低于预设置信度阈值的水质反演结果对应的插值点与目标区域内预先选定的各个已知点之间的距离；
步骤3-3，基于每个距离确定相应的插值权重，并基于插值权重和插值点对应的像元反演结果的置信度确定插值点对应的污染物浓度反值；
步骤3-4，根据置信度高于预设置信度阈值的像元反演结果的置信度和插值点对应的污染物浓度值确定全部像元的目标污染物浓度反演值。
在一种实施方式中，将目标污染物浓度反演值满足预设的污染判定阈值对应的像元区域确定为水质污染区域，可以包括以下步骤4-1至步骤4-3：
步骤4-1，基于目标污染物浓度反演值满足预设的污染判定阈值对应的像元区域确定高污染分布网格；
步骤4-2，基于高污染分布网格规划无人机飞行路线，以使无人机基于无人机飞行路线进行无人机高光谱观测；
步骤4-3，根据无人机观测结果和高光谱水质反演模型进行水质反演，获得水质分布图，通过水质分布图确定水质污染区域。
此外，为提升水质监测的效果，在确定水质污染区域之后，还可以获取水质污染区域的实际水质数据，对实际水质数据进行地面采样实验室监检测，确定目标水质信息。
本申请实施例还提供了一种具体的水质反演的实施手段，参见图3所示，可以包括以下步骤1至步骤5：
步骤1：获取卫星遥感高光谱反演水质
（1）收集目标区域卫星高光谱影像（与卫星高光谱反演模型训练时数据源一致），对高光谱影像进行辐射定标、大气校正、几何校正等预处理。
获得目标区域相同区域水深数据、水体边界数据、高分辨率土地分类数据、地面温度数据、地面风速数据，并将数据重采样或插值为高光谱空间分辨率一致的数据。
（2）数据输入卫星高光谱水质反演模型，获得目标区域水质反演结果，同时通过检索置信度索引库获得每个像元反演结果置信度。
步骤2：插值补全低置信度像元
根据实际需求确定是否对低置信度反演结果进行插值补全，如果需要则针对每个低置信度像元执行以下步骤；
1）设定插值范围为d米，计算得到半径d米范围内的纯像元；
2）计算插值点与各个已知点距离
3）计算权重
4）计算插值点的值
步骤3：识别高污染区域
根据监测目的设定阈值，高于阈值像元设定为高污染区域，得到高污染分布网格。
步骤4：无人机高光谱反演
1）针对高污染分布网格规划无人机飞行路线，进行无人机高光谱观测；
2）使用无人机高光谱水质反演模型进行水质反演，获得水质分布图；
步骤5：地面采样检测
针对无人机反演结果中的高值区域，进行地面采样实验室检测，固定证据，作为水质监测的依据。
综上，本申请实施例具有以下有益效果：
1、通过建立反演置信度评估模型，基于多因素评估建立置信度索引库，用于测算反演结果置信度。用户可根据置信度判断是否采用反演结果，利用插值方法补全低置信度像元反演结果，从而消除反演误差，整体提高反演结果准确度。
2、以高光谱水质反演模型为基础，采用空天地结合方式开展水质监测，提高了监测监督范围，降低了成本，能够有效开展水环境监管。首先利用卫星监测范围广、成本低、频次高的优点在大范围内开展水质常态化监测，利用无人机对水质严重区域进行高光谱监测，对于达到执法标准的水体，采用地面采样实验室检测方式固定证据，依法开展水环境管理。
3、通过多种方式扩展光谱特征，能够放大和发现原始光谱特征不明显的相关关系，提高光谱反演的准确度。针对扩展的光谱特征，进行优化筛选，大幅减少特征数量，提高计算效率。
4、高光谱水质反演模型，适用于不同高光谱数据源（卫星和航空高光谱）和多种水质指标（总磷、总氮、化学需氧量、叶绿素浓度等）的反演，可采用高光谱数据针对不同水质指标进行训练，获得相应指标的反演模型。
基于上述方法实施例，本申请实施例还提供一种高光谱水质反演装置，参见图4所示，该装置主要包括以下部分：
数据获取及预处理模块410，用于获取目标区域的卫星高光谱影像数据，对卫星高光谱影像数据进行影像预处理，得到目标区域内每个位置点所对应的特征数据；其中，特征数据至少包括水深数据、水体边界数据、高分辨率土地分类数据、地面温度数据、地面风速数据中的一种或多种；
特征对齐模块420，用于对特征数据进行尺度对齐处理，得到与卫星高光谱影像数据的高光谱空间分辨率一致的目标特征数据；
反演处理模块430，用于将目标特征数据输入至预先训练好的高光谱水质反演模型，得到目标区域的水质反演结果；
置信度确定模块440，用于基于水质反演结果在预先构建的置信度索引库检索卫星高光谱影像数据中每个像元反演结果的置信度，并对置信度低于预设置信度阈值的水质反演结果进行插值处理，得到全部像元的目标污染物浓度反演值；
水质污染区域确定模块450，用于将目标污染物浓度反演值满足预设的污染判定阈值对应的像元区域确定为水质污染区域。
在一可行的实施方式中，上述装置还包括模型和构建模块，用于：
获取目标区域的卫星高光谱影像数据，对卫星高光谱影像数据进行特征扩展处理，得到水质光谱特征；
对水质光谱特征进行筛选，通过筛选后保留的满足预设临界条件的目标水质光谱特征对高光谱水质反演模型进行训练，得到目标高光谱水质反演模型；目标高光谱水质反演模型为：
。
在一可行的实施方式中，上述模型和构建模块，还用于：
根据像元类型和索引属性构建置信度索引库；
其中，索引属性至少包括混合像元水体比例、平均水深等级、风速等级、底质类型；
基于索引属性的多种属性组合，计算置信度索引库中的置信度。
在一可行的实施方式中，上述模型和构建模块，还用于：
其中，j为指定类型像元索引号；n为指定类型像元数量；为i像元反演值；/>为i像元地面测量值。
在一可行的实施方式中，上述置信度确定模块，还用于：
计算得到目标区域所包含的预设差值范围的纯像元；
计算置信度低于预设置信度阈值的水质反演结果对应的插值点与目标区域内预先选定的各个已知点之间的距离；
基于每个距离确定相应的插值权重，并基于插值权重和插值点对应的像元反演结果的置信度确定插值点对应的污染物浓度值；
根据置信度高于预设置信度阈值的像元反演结果的置信度和插值点对应的污染物浓度值确定全部像元的目标污染物浓度反演值。
在一可行的实施方式中，上述水质污染区域确定模块，还用于：
基于目标污染物浓度反演值满足预设的污染判定阈值对应的像元区域确定高污染分布网格；
基于高污染分布网格规划无人机飞行路线，以使无人机基于无人机飞行路线进行无人机高光谱观测；
根据无人机观测结果和高光谱水质反演模型进行水质反演，获得水质分布图，通过水质分布图确定水质污染区域。
在一可行的实施方式中，在确定水质污染区域之后，上述装置还包括，地面监测模块，用于：
获取水质污染区域的实际水质数据，对实际水质数据进行地面采样实验室监检测，确定目标水质信息。
本申请实施例提供的高光谱水质反演装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，高光谱水质反演装置的实施例部分未提及之处，可参考前述高光谱水质反演方法实施例中相应内容。
本申请实施例还提供了一种电子设备，如图5所示，为该电子设备的结构示意图，其中，该电子设备100包括处理器51和存储器50，该存储器50存储有能够被该处理器51执行的计算机可执行指令，该处理器51执行该计算机可执行指令以实现上述任一项高光谱水质反演方法。
在图5示出的实施方式中，该电子设备还包括总线52和通信接口53，其中，处理器51、通信接口53和存储器50通过总线52连接。
其中，存储器50可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口53（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线52可以是ISA（IndustryStandard Architecture，工业标准体系结构）总线、PCI（Peripheral ComponentInterconnect，外设部件互连标准）总线或EISA（Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线52可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器51可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器51中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器51可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器51读取存储器中的信息，结合其硬件完成前述实施例的高光谱水质反演方法的步骤。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述高光谱水质反演方法，具体实现可参见前述方法实施例，在此不再赘述。
本申请实施例所提供的高光谱水质反演方法、装置、电子设备和存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种高光谱水质反演方法，其特征在于，所述方法包括：
获取目标区域的卫星高光谱影像数据，对所述卫星高光谱影像数据进行影像预处理，得到目标区域内每个位置点所对应的特征数据；其中，所述特征数据至少包括水深数据、水体边界数据、高分辨率土地分类数据、地面温度数据、地面风速数据中的一种或多种；
对所述特征数据进行尺度对齐处理，得到与所述卫星高光谱影像数据的高光谱空间分辨率一致的目标特征数据；
将所述目标特征数据输入至预先训练好的高光谱水质反演模型，得到目标区域的水质反演结果；
基于所述水质反演结果在预先构建的置信度索引库检索所述卫星高光谱影像数据中每个像元反演结果的置信度，并对置信度低于预设置信度阈值的水质反演结果进行插值处理，得到全部像元的目标污染物浓度反演值；
将所述目标污染物浓度反演值满足预设的污染判定阈值对应的像元区域确定为水质污染区域。
2.根据权利要求1所述的高光谱水质反演方法，其特征在于，所述高光谱水质反演模型的构建步骤，包括：
获取目标区域的卫星高光谱影像数据，对所述卫星高光谱影像数据进行特征扩展处理，得到水质光谱特征；
对所述水质光谱特征进行筛选，通过筛选后保留的满足预设临界条件的目标水质光谱特征对高光谱水质反演模型进行训练，得到目标高光谱水质反演模型；所述目标高光谱水质反演模型为：
其中，K代表核矩阵，c为实数集中的一个n维向量，λ为特征值矩阵，I为单位矩阵，Y为污染物浓度值。
3.根据权利要求2所述的高光谱水质反演方法，其特征在于，所述方法还包括：
根据像元类型和索引属性构建置信度索引库；
其中，所述索引属性至少包括混合像元水体比例、平均水深等级、风速等级、底质类型；
基于所述索引属性的多种属性组合，计算所述置信度索引库中的置信度。
4.根据权利要求3所述的高光谱水质反演方法，其特征在于，基于所述索引属性的多种属性组合，计算所述置信度索引库中的置信度，通过以下公式计算：
其中，j为指定类型像元索引号；n为指定类型像元数量；为i像元反演值；/>为i像元地面测量值。
5.根据权利要求4所述的高光谱水质反演方法，其特征在于，对置信度低于预设置信度阈值的水质反演结果进行插值处理，得到全部像元的目标污染物浓度反演值，包括：
计算得到所述目标区域所包含的预设差值范围的纯像元；
计算置信度低于预设置信度阈值的水质反演结果对应的插值点与所述目标区域内预先选定的各个已知点之间的距离；
基于每个距离确定相应的插值权重，并基于所述插值权重和插值点对应的像元反演结果的置信度确定插值点对应的污染物浓度值；
根据置信度高于预设置信度阈值的像元反演结果的置信度和插值点对应的污染物浓度值确定全部像元的目标污染物浓度反演值。
6.根据权利要求1所述的高光谱水质反演方法，其特征在于，将所述目标污染物浓度反演值满足预设的污染判定阈值对应的像元区域确定为水质污染区域，包括：
基于所述目标污染物浓度反演值满足预设的污染判定阈值对应的像元区域确定高污染分布网格；
基于所述高污染分布网格规划无人机飞行路线，以使无人机基于所述无人机飞行路线进行无人机高光谱观测；
根据无人机观测结果和高光谱水质反演模型进行水质反演，获得水质分布图，通过所述水质分布图确定水质污染区域。
7.根据权利要求1所述的高光谱水质反演方法，其特征在于，在确定水质污染区域之后，所述方法还包括：
获取所述水质污染区域的实际水质数据，对所述实际水质数据进行地面采样实验室监检测，确定目标水质信息。
8.一种高光谱水质反演装置，其特征在于，所述装置包括：
数据获取及预处理模块，用于获取目标区域的卫星高光谱影像数据，对所述卫星高光谱影像数据进行影像预处理，得到目标区域内每个位置点所对应的特征数据；其中，所述特征数据至少包括水深数据、水体边界数据、高分辨率土地分类数据、地面温度数据、地面风速数据中的一种或多种；
特征对齐模块，用于对所述特征数据进行尺度对齐处理，得到与所述卫星高光谱影像数据的高光谱空间分辨率一致的目标特征数据；
反演处理模块，用于将所述目标特征数据输入至预先训练好的高光谱水质反演模型，得到目标区域的水质反演结果；
置信度确定模块，用于基于所述水质反演结果在预先构建的置信度索引库检索所述卫星高光谱影像数据中每个像元反演结果的置信度，并对置信度低于预设置信度阈值的水质反演结果进行插值处理，得到全部像元的目标污染物浓度反演值；
水质污染区域确定模块，用于将所述目标污染物浓度反演值满足预设的污染判定阈值对应的像元区域确定为水质污染区域。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的高光谱水质反演方法。
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存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的高光谱水质反演方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311168306.3A CN116908115B (zh) | 2023-09-12 | 2023-09-12 | 高光谱水质反演方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311168306.3A CN116908115B (zh) | 2023-09-12 | 2023-09-12 | 高光谱水质反演方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116908115A true CN116908115A (zh) | 2023-10-20 |
| CN116908115B CN116908115B (zh) | 2023-12-15 |
Family
ID=88356833
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311168306.3A Active CN116908115B (zh) | 2023-09-12 | 2023-09-12 | 高光谱水质反演方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116908115B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110887792A (zh) * | 2019-12-17 | 2020-03-17 | 深圳慧格科技服务咨询有限公司 | 一种基于无人机高光谱影像的河流水质快速监测系统 |
| CN114200387A (zh) * | 2022-02-15 | 2022-03-18 | 北京航空航天大学东营研究院 | 一种tacan空间信号场型的飞行校验评估方法 |
| CN114384031A (zh) * | 2022-01-12 | 2022-04-22 | 广西壮族自治区地理信息测绘院 | 星-空-地高光谱遥感水体重金属污染立体监测方法 |
| CN115266632A (zh) * | 2022-07-29 | 2022-11-01 | 阿尔爱思科技(苏州)有限公司 | 一种水体污染源无人机高光谱遥感排查方法 |
| CN116026767A (zh) * | 2022-12-19 | 2023-04-28 | 墣锦环境工程（海南）有限公司 | 一种快速排查入河入海排污口位置的方法 |
-
2023
- 2023-09-12 CN CN202311168306.3A patent/CN116908115B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110887792A (zh) * | 2019-12-17 | 2020-03-17 | 深圳慧格科技服务咨询有限公司 | 一种基于无人机高光谱影像的河流水质快速监测系统 |
| CN114384031A (zh) * | 2022-01-12 | 2022-04-22 | 广西壮族自治区地理信息测绘院 | 星-空-地高光谱遥感水体重金属污染立体监测方法 |
| CN114200387A (zh) * | 2022-02-15 | 2022-03-18 | 北京航空航天大学东营研究院 | 一种tacan空间信号场型的飞行校验评估方法 |
| CN115266632A (zh) * | 2022-07-29 | 2022-11-01 | 阿尔爱思科技(苏州)有限公司 | 一种水体污染源无人机高光谱遥感排查方法 |
| CN116026767A (zh) * | 2022-12-19 | 2023-04-28 | 墣锦环境工程（海南）有限公司 | 一种快速排查入河入海排污口位置的方法 |
Non-Patent Citations (4)
| Title |
|---|
| 卞晓东 等: "基于PIE-Engine Studio的黄河口及其邻近海域水质遥感监测", 齐鲁工业大学学报, vol. 36, no. 2, pages 53 - 58 * |
| 王雪映: "基于高光谱数据的地表水多参数同步反演检测方法研究", 硕士学位论文 * |
| 罗华坊: "无人机高光谱技术在水质监测中的应用研究", 价值工程, pages 128 - 130 * |
| 龙昊宇 等: "基于无人机高光谱遥感的城市水域水质监测与应用", 广东水利水电, no. 7, pages 86 - 91 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116908115B (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11681839B2 (en) | Systems and methods for modeling water quality | |
| AU2017377078B2 (en) | Classification of soil texture and content by near-infrared spectroscopy | |
| CN111597756A (zh) | 一种基于无人机多光谱数据的水质参数反演方法 | |
| CN116879297B (zh) | 土壤水分协同反演的方法、装置、设备和介质 | |
| CN107271405A (zh) | 一种多模型协同的水质参数浓度反演方法和装置 | |
| CN113436153B (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
| Giannico et al. | Contributions of landscape heterogeneity within the footprint of eddy-covariance towers to flux measurements | |
| Cao et al. | Inversion modeling of japonica rice canopy chlorophyll content with UAV hyperspectral remote sensing | |
| 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 | |
| Gobeyn et al. | Input variable selection with a simple genetic algorithm for conceptual species distribution models: A case study of river pollution in Ecuador | |
| CN115690632A (zh) | 一种内陆河流水体的水环境监测方法 | |
| 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 | |
| CN114814167B (zh) | 融合多源环境变量与光谱信息的土壤重金属含量反演方法 | |
| Mazurkiewicz et al. | Assessment of nematode biomass in marine sediments: A semi‐automated image analysis method | |
| CN116911183A (zh) | 岩溶湿地水体叶绿素a反演的方法、系统、设备及介质 | |
| Zhang et al. | Monitor water quality through retrieving water quality parameters from hyperspectral images using graph convolution network with superposition of multi-point effect: A case study in Maozhou River | |
| CN115115940A (zh) | 一种蓝藻水华监测方法及该方法的监测预警系统 | |
| CN116879192B (zh) | 基于卫星遥感数据的水华预测方法、装置、设备及介质 | |
| CN116908115B (zh) | 高光谱水质反演方法、装置、电子设备和存储介质 | |
| Inik et al. | Prediction of Soil Organic Matter with Deep Learning | |
| CN116912672A (zh) | 一种基于无人测量船的大型底栖无脊椎动物生物完整性评价方法 | |
| CN115508292B (zh) | 基于机器学习的土壤剖面氮素含量高光谱检测及可视化方法 | |
| CN114965300B (zh) | 基于光学水体类型和bp神经网络算法构建bp-turb的湖泊浊度制图方法 | |
| Wang et al. | Ammonia nitrogen monitoring of urban rivers with UAV-borne hyperspectral remote sensing imagery | |
| Yuan et al. | A Hybrid Synthetic Minority Oversampling Technique and Deep Neural Network Framework for Improving Rice Yield Estimation in an Open Environment. |
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 |