CN114112941A - 基于支持向量回归的航空高光谱水体富营养化评价方法 - Google Patents
基于支持向量回归的航空高光谱水体富营养化评价方法 Download PDFInfo
- Publication number
- CN114112941A CN114112941A CN202111526518.5A CN202111526518A CN114112941A CN 114112941 A CN114112941 A CN 114112941A CN 202111526518 A CN202111526518 A CN 202111526518A CN 114112941 A CN114112941 A CN 114112941A
- Authority
- CN
- China
- Prior art keywords
- water
- data
- area
- evaluated
- leaving
- 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.)
- Withdrawn
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 261
- 238000012851 eutrophication Methods 0.000 title claims abstract description 75
- 238000011156 evaluation Methods 0.000 title claims abstract description 45
- 238000002310 reflectometry Methods 0.000 claims abstract description 77
- 239000002352 surface water Substances 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 60
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 36
- 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 24
- 229930002868 chlorophyll a Natural products 0.000 claims description 22
- 239000000126 substance Substances 0.000 claims description 19
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 18
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 18
- 229910052757 nitrogen Inorganic materials 0.000 claims description 18
- 229910052760 oxygen Inorganic materials 0.000 claims description 18
- 239000001301 oxygen Substances 0.000 claims description 18
- 229910052698 phosphorus Inorganic materials 0.000 claims description 18
- 239000011574 phosphorus Substances 0.000 claims description 18
- 235000016709 nutrition Nutrition 0.000 claims description 12
- 235000003715 nutritional status Nutrition 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 230000035764 nutrition Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000002860 competitive effect Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 238000011835 investigation Methods 0.000 abstract description 4
- 238000011282 treatment Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000002798 spectrophotometry method Methods 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229940010552 ammonium molybdate Drugs 0.000 description 1
- 239000011609 ammonium molybdate Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QLULGSLAHXLKSR-UHFFFAOYSA-N azane;phosphane Chemical compound N.P QLULGSLAHXLKSR-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000476 body water Anatomy 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 235000003784 poor nutrition Nutrition 0.000 description 1
- USHAGKDGDHPEEY-UHFFFAOYSA-L potassium persulfate Chemical compound [K+].[K+].[O-]S(=O)(=O)OOS([O-])(=O)=O USHAGKDGDHPEEY-UHFFFAOYSA-L 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明为基于支持向量回归的航空高光谱水体富营养化评价方法其包括：采集待评价区域的高光谱数据；采集待评价区域样本水体的水质参数、离水反射率数据；根据水质参数、离水反射率数据获取样本数据；对样本数据进行训练，并获取各水质参数的特征波段；根据各水质参数的特征波段构建相对应的反演模型；对高光谱数据进行预处理以获取待评价区域地表水的离水反射率；根据地表水的离水反射率和相对应的反演模型，获取待评价区域各水质参数的浓度；以及根据浓度对待评价区域的水体富营养化进行评价，实现了高精度快速评价，弥补了传统遥感的观测时空局限性，有助于提高水体富营养化评价精度和空间尺度，为水体的富营养化调查监测与治理提供技术支撑。
Description
技术领域
本发明属于水质评价技术领域，具体涉及一种基于支持向量回归的航空高光谱水体富营养化评价方法。
背景技术
现今，水体营养化问题直接周围生态环境变化，影响居民的身心健康。根据2020年《中国生态环境状况公报》显示，我国110个重要湖泊(水库)中，贫营养状态占9.1％，中营养状态占61.8％，轻度富营养状态占23.6％，中度富营养状态占4.5％，重度富营养状态占0.9％。因此，快速且准确地进行水体富营养化评价十分重要。区别于传统富营养化监测方法，遥感监测方法不仅省时省力，还能获取大尺度数据，查明空间分布状况。高光谱遥感技术能进一步提高整体监测精度、缩短监测周期，促进了水体富营养化评价工作发展。许多学者开展了一系列研究工作，苏豪利用MODIS高光谱数据，使用多元线性回归法对大庆水库进行了水质参数反演和富营养化程度分析；张兵等通过研究水环境遥感的机理性，定量反演水体水质，研发了内陆水体富营养化高光谱遥感监测***。
高光谱定量反演水质参数，是实现高光谱水体富营养化评价的基础，其反演结果精度，决定了评价结果的准确程度。目前，基于水体光谱特征的水质参数反演方法有许多，如：多元线性回归、最小二乘回归、神经网络等。但由于航空高光谱数据具有波段冗余度高、飞行区域差异大等特点，高精度的航空高光谱水质参数反演模型难以获得，使得水体的富营养化评价不准确。迄今为止，基于航空高光谱的水质参数定量反演、水体富营养化评价已经取得了一些进展，但仍存在局限和不足，主要体现在：
(1)已有研究多直接使用仪器测得的水体光谱进行水质参数反演建模：仪器测得的水体光谱包含多种信息，需要去除其他与反演无用的干扰，得到水体离水反射率，才能使反演模型的精度更高。
(2)已有研究多基于简单方法进行水质参数反演，对高光谱数据发掘不充分：高光谱数据具有多维度的光谱信息，信息量巨大，但也存在冗余，且容易受到噪声干扰。已有的大部分方法可以有效地降维，减少信息量，但会损失一些细小、渐变的光谱信息，可能对之后的建模精度造成影响。由于水质参数与高光谱数据之间的复杂关系，反演结果精度完全取决于模型的精度，简单的线性回归模型无法充分拟合，满足不了所需精度。
(3)已有基于航空高光谱的水体富营养化研究使用指标较单一：水体富营养化评价是综合评价，应结合我国内陆水体实际情况，采用适当的水质参数指标，进行水体富营养化评价。
因此，基于上述技术问题需要设计一种新的基于支持向量回归的航空高光谱水体富营养化评价方法。
发明内容
本发明的目的是提供一种基于支持向量回归的航空高光谱水体富营养化评价方法。
为了解决上述技术问题，本发明提供了一种航空高光谱水体富营养化评价方法，包括：
采集待评价区域的高光谱数据；
采集待评价区域样本水体的水质参数、离水反射率数据；
根据水质参数、离水反射率数据获取样本数据；
对样本数据进行训练，并获取各水质参数的特征波段；
根据各水质参数的特征波段构建相对应的反演模型；
对高光谱数据进行预处理以获取待评价区域地表水体的离水反射率；
根据水体离水反射率和相对应的反演模型，获取待评价区域各水质参数的浓度；以及
根据浓度对待评价区域的水体富营养化进行评价。
进一步，所述采集待评价区域的高光谱数据的方法包括：
通过高光谱成像仪对待评价区域进行高光谱数据采集。
进一步，所述采集待评价区域样本水体的水质参数、离水反射率数据的方法包括：
在采集高光谱数据的同时采集待评价区域的地表水体离水反射率和表层水样；
根据表层水样获取叶绿素a、总磷、总氮、透明度和化学需氧量浓度数据；
所述表层水样为水面下方预设深度的水体。
进一步，所述根据水质参数、离水反射率数据获取样本数据的方法包括：
将水样的离水反射率和叶绿素a、总磷、总氮、透明度、化学需氧量浓度数据进行匹配，形成样本数据。
进一步，所述对样本数据进行训练，并获取各水质参数的特征波段的方法包括：
根据竞争性自适应重加权算法对样本数据进行训练，即
将样本数据的离水反射率及对应的各水质参数的数据作为输入，设置最大提取原则、交叉验证组、蒙特卡洛抽样次数，输出获取各水质参数对应的特征波段。
进一步，所述根据各水质参数的特征波段构建相对应的反演模型的方法包括：
根据最小二乘支持向量回归方法进行建模；
根据用量子粒子群算法进行参数优化，获取各水质参数的反演模型，并进行精度验证；
所述精度验证包括：决定系数R2和均方根误差RMSE；
其中，n为样本个数；yi为第i个样本实际测量值；
为实际测量值的平均值；yi′为反演模型预测值。
进一步，所述对高光谱数据进行预处理以获取待评价区域地表水的离水反射率的方法包括：
对高光谱数据进行辐射定标、大气校正和几何校正，获取待评价区域地表水体的离水反射率。
进一步，所述根据浓度对待评价区域的水体富营养化进行评价的方法包括：
将反演模型应用到待评价区域地表水体的离水反射率数据，获取待评价区域的叶绿素a、总磷、总氮、透明度和化学需氧量参数浓度；
根据综合营养状态指数法，通过浓度对待评价区域的水体富营养化进行评价；
其中，TLI(∑)为综合营养状态指数；wj为第j种参数的营养状态指数的相关权重；TLI(j)为第j种参数的营养状态指数。
第二方面，本发明还提供一种航空高光谱水体富营养化评价***，包括：
高空采集模块，采集待评价区域的高光谱数据；
水质采集模块，采集待评价区域样本水体的水质参数、离水反射率数据；
样本构建模块，根据水质参数、离水反射率数据获取样本数据；
训练模块，对样本数据进行训练，并获取各水质参数的特征波段；
模型构建模块，根据各水质参数的特征波段构建相对应的反演模型；
预处理模块，对高光谱数据进行预处理以获取待评价区域地表水体的离水反射率；
浓度获取模块，根据水体的离水反射率和相对应的反演模型，获取待评价区域各水质参数的浓度；以及
评价模块，根据浓度对待评价区域的水体富营养化进行评价。
第三方面，本发明还提供一种水体富营养化评价设备，包括：
采集装置，所述采集装置适于采集待评价区域的高光谱数据和样本水体的水质参数、离水反射率数据；
服务器，所述服务器适于根据采集的高光谱数据和和样本水体的水质参数、离水反射率数据对待评价区域的水体富营养化进行评价。
本发明的有益效果是，本发明通过采集待评价区域的高光谱数据；采集待评价区域样本水体的水质参数、离水反射率数据；根据水质参数、离水反射率数据获取样本数据；对样本数据进行训练，并获取各水质参数的特征波段；根据各水质参数的特征波段构建相对应的反演模型；对高光谱数据进行预处理以获取待评价区域地表水体的离水反射率；根据水体的离水反射率和相对应的反演模型，获取待评价区域各水质参数的浓度；以及根据浓度对待评价区域的水体富营养化进行评价，实现了高精度快速评价，弥补了传统遥感的观测时空局限性，有助于提高水体富营养化评价精度和空间尺度，为水体的富营养化调查、监测与治理提供技术支撑。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明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发明的一些实施方式，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是本发明的航空高光谱水体富营养化评价方法流程图；
图2是本发明的航空高光谱水体富营养化评价方法具体流程图；
图3为本发明的工作区水体采样分布图；
图4为本发明的5种水质参数的样本数据散点分布图；
图5为本发明的叶绿素a浓度反演结果图；
图6为本发明的总磷浓度反演结果图；
图7为本发明的总氮浓度反演结果图；
图8为本发明的透明度浓度反演结果图；
图9为本发明的化学需氧量浓度反演结果图；
图10为本发明的水体富营养化评价结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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发明一部分实施例，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，都属于本发明保护的范围。
实施例1
如图1所示，本发明提供了一种航空高光谱水体富营养化评价方法，包括：采集待评价区域的高光谱数据；采集待评价区域样本水体的水质参数、离水反射率数据；根据水质参数、离水反射率数据获取样本数据；对样本数据进行训练，并获取各水质参数的特征波段；根据各水质参数的特征波段构建相对应的反演模型；对高光谱数据进行预处理以获取待评价区域地表水体的离水反射率；根据水体的离水反射率和相对应的反演模型，获取待评价区域各水质参数的浓度；以及根据浓度对待评价区域的水体富营养化进行评价，实现了高精度地快速评价，弥补了传统遥感的观测时间、空间局限性，有助于提高水体富营养化评价精度和空间尺度，为水体的富营养化调查、监测与治理提供技术支撑。
如图2所示，在本实施例中，所述采集待评价区域的高光谱数据的方法包括：通过高光谱成像仪对待评价区域进行高光谱数据采集；根据目标区范围，选择合适的航空飞行平台搭载高光谱成像仪，进行目标区域(待评价区域)的高光谱数据采集。
在本实施例中，所述采集待评价区域样本水体的水质参数、离水反射率数据的方法包括：在采集高光谱数据的同时采集待评价区域地表水体的离水反射率和表层水样；地表水体的离水反射率测量采用地面光谱仪，波长范围为350-2500nm，光谱分辨率为1nm，水体的离水反射率使用“水面以上法”进行测量；根据表层水样获取叶绿素a、总磷、总氮、透明度和化学需氧量浓度数据；所述表层水样为水面下方预设深度(0.5m)的水体；实验测定水样叶绿素a、总磷、总氮、透明度、化学需氧量浓度数据，实验测定水质参数浓度方法分别为：叶绿素a-研磨丙酮分光光度法、总磷-钼酸铵分光光度法、总氮-碱性过硫酸钾消解紫外分光光度法、透明度-塞氏盘法、化学需氧量-重铬酸盐法；对比直接使用仪器测得水体光谱数据进行建模，使用离水反射率作为建模数据，排除了天空光等其它干扰因素，增强了与水质参数反演相关信息，提高了水质参数反演模型精度，从而使得水体富营养化评价结果更精确。
在本实施例中，所述根据水质参数、离水反射率数据获取样本数据的方法包括：将水样的离水反射率和叶绿素a、总磷、总氮、透明度、化学需氧量浓度数据进行匹配，形成样本数据。
在本实施例中，所述对样本数据进行训练，并获取各水质参数的特征波段的方法包括：利用竞争性自适应重加权算法(Competitive Adaptive Reweighted Sampling，CARS)对样本数据开展训练，进行各水质参数的特征波段选择，即将样本数据的离水反射率及对应的各参数(水质参数，例如叶绿素a、总磷、总氮、透明度和化学需氧量浓度)的数据作为输入，设置最大提取原则、交叉验证组、蒙特卡洛抽样次数，输出获取各水质参数对应的特征波段。
在本实施例中，所述根据各水质参数的特征波段构建相对应的反演模型的方法包括：基于各水质参数的特征波段数据，使用最小二乘支持向量回归(Least SquaresSupport Vector Regression，LSSVR)方法进行建模，用量子粒子群算法(Quantum-behavedParticle Swarm Optimization，QPSO)进行参数优化，最终得到各水质参数的反演模型，并进行精度验证；将样本特征波段数据及对应的各水质参数指标作为输入，选取径向基函数作为核函数，设置正则化参数、核函数宽度，输出得到各水质参数的反演模型；用量子粒子群算法进行参数优化包括：设置粒子群体个数、最大迭代次数、正则化参数范围、核函数宽度范围，通过搜索计算，输出最佳的正则化参数、核函数宽度；所述精度验证包括：决定系数R2和均方根误差RMSE；
其中，n为样本个数；yi为第i个样本实际测量值；
为实际测量值的平均值；yi′为反演模型预测值；使用竞争性自适应重加权算法(Competitive Adaptive ReweightedSampling，CARS)对样本数据进行了特征波段选择，在保留特征信息的基础上，有效地去除了大量冗余信息，降低了数据维度，充分挖掘了高光谱数据信息，提高数据利用率，减少运算时间；使用最小二乘支持向量回归(Least Squares Support Vector Regression，LSSVR)方法进行建模，并用量子粒子群算法(Quantum-behaved Particle SwarmOptimization，QPSO)进行参数优化，不同于传统的线性回归模型，该方法精确拟合水质参数与航空高光谱数据之间的复杂关系，高精度、快速地获得水质参数浓度，从而得到准确地水体富营养化评价结果。
在本实施例中，所述对高光谱数据进行预处理以获取待评价区域地表水体的离水反射率方法包括：对高光谱数据进行辐射定标、大气校正和几何校正，获取待评价区域地表水体的离水反射率数据。
在本实施例中，所述根据浓度对待评价区域的水体富营养化进行评价的方法包括：将反演模型应用到待评价区域地表水体的离水反射率数据，获取待评价区域的叶绿素a、总磷、总氮、透明度和化学需氧量参数浓度；根据综合营养状态指数法，通过浓度对待评价区域的水体富营养化进行评价；
其中，TLI(∑)为综合营养状态指数；wj为第j种参数的营养状态指数的相关权重；TLI(j)为第j种参数的营养状态指数；基于航空高光谱数据，使用综合营养状态指数法进行水体富营养化的综合评价，采用叶绿素a、总磷、总氮、透明度、化学需氧量作为指标，对比用单一因子评价，能充分体现水体富营养化状况，实现大范围、低成本、快速、高精度的水体富营养化评价及监测。
具体的，在本实施例中以实际的数据对上述方法进行说明：2020年9月10日至10月22日，在高邮湖工作区进行航空高光谱数据采集工作，共飞行了137条测线，最大航线弯曲度≤3％的数据达到100％；最大侧翻角≤3°的数据占比平均达到97.52％，由于湖面风速较大造成，但不影响数据精度和使用；各测线平均飞行高度为778m-829m之间，在平均飞高803m的5％变化范围内；单测线的最大上升/下降速率为极大值为5.9m/s，平均值为2.23m/s；其中各测线的最大俯仰角≤3°的数据占比平均值为99.88％，。所有飞行架次均选择天空晴朗的日子实施，并且航拍前三天内均未下雨，地表干燥，最早航拍时间为上午9：30，最晚时间为下午3：30，高光谱原始数据的质量良好。
飞行同步进行地表水体的离水反射率、表层水样采集；采样点分布如图3所示，共78个。地表水体的离水反射率采集使用FieldSpec-4型便携式地物波谱仪，输出光谱范围为350-2500nm，间隔为1nm，采集时选择晴朗无风时刻，采集方法为水面以上测量法；表层水样采集一般将容器沉至水面下0.3到0.5m处采集，要注意不能混入漂浮于水面上的其它物质。将采集后的水样于8小时内送往实验室进行叶绿素a、总磷、总氮、化学需氧量浓度测定，透明度数据在采集水样时用塞氏盘进行测量。
将水样的离水反射率和叶绿素a、总磷、总氮、透明度、化学需氧量浓度数据进行匹配，形成样本数据，将样本数据按照3:1的比例进行分配，其中训练样本59个，测试样本19个。
利用CARS对78个样本数据开展训练，进行各水质参数的特征波段选择。将样本离水反射率及对应的各水质参数指标作为输入，最大提取原则设置为10，交叉验证组设置为30，蒙特卡洛抽样次数设置为1000，得到叶绿素a、总磷、总氮、透明度、化学需氧量对应的特征波段数分别为19、36、41、32、39。
基于训练样本的各水质参数对应特征波段数据，使用LSSVR方法进行建模，选取径向基函数作为核函数，其中正则化参数、核函数宽度由QPSO方法进行优化，设置粒子群体个数为20、最大迭代次数200、正则化参数范围0-1、核函数宽度范围1-1000，通过搜索计算，输出最佳的正则化参数、核函数宽度，最终得到各水质参数的反演模型。将决定系数(R2)和均方根误差(RMSE)作为判断指标，使用反演模型对测试样本进行各水质参数浓度反演，样本点各水质参数散点分布图如图4。
对获取的航空高光谱数据进行辐射定标，利用FLAASH大气辐射传输模型对辐射定标后的数据进行大气校正，得到地表水体的离水反射率数据，之后进行几何校正，得到具有精确地理坐标的地表水体的离水反射率数据。
将反演模型应用到工作区地表水体的离水反射率数据，得到工作区水体叶绿素a、总磷、总氮、透明度、化学需氧量参数浓度，结果见图5-图9。
基于反演水体的叶绿素a、总磷、总氮、透明度、化学需氧量浓度数据，采用综合营养状态指数法对进行水体的富营养化评价，结果见图10。
综合营养状态指数法计算方法如下：
式中：TLI(∑)为综合营养状态指数，wj为第j种参数的营养状态指数的相关权重TLI(j)为第j种参数的营养状态指数。以叶绿素a作为基准参数，则第j种参数的归一化的相关权重计算公式为：
式中：rij为第j种参数与基准参数叶绿素a的相关系数，m为评价参数的个数；使用的叶绿素a与其他参数之间的相关系数见下表1：
表1：部分参数与叶绿素a的相关关系
| 参数 | 叶绿素a | 总磷 | 总氮 | 透明度 | 化学需氧量 |
| r<sub>ij</sub> | 1 | 0.84 | 0.82 | -0.83 | 0.83 |
| r<sub>ij</sub><sup>2</sup> | 1 | 0.7056 | 0.6724 | 0.6889 | 0.6889 |
各项营养状态指数计算如下：
TLI(chla)＝10*(2.5+1.806lnchla)；
TLI(TP)＝10*(9.436+1.624lnTP)；
TLI(TN)＝10*(5.453+1.694lnTN)；
TLI(SD)＝10*(5.118-1.94lnSD)；
TLI(COD)＝10*(0.109+2.661lnchla)；
式中：叶绿素a单位为mg/L，透明度单位为m；其他指标单位均为mg/L。水体综合性富营养化评价，在大尺度、快速评价水体营养状态方面有着高精度、时空限制小的优势，可有效地评价及监测水体营养状态，为分析生态***结构功能、开展生态修复提供科技支持，为政府相关部门管理决策提供基础数据。
实施例2
在实施例1的基础上，本实施例2还提供一种航空高光谱水体富营养化评价***，包括：高空采集模块，采集待评价区域的高光谱数据；水质采集模块，采集待评价区域样本水体的水质参数、离水反射率数据；样本构建模块，根据水质参数、离水反射率数据获取样本数据；训练模块，对样本数据进行训练，并获取各水质参数的特征波段；模型构建模块，根据各水质参数的特征波段构建相对应的反演模型；预处理模块，对高光谱数据进行预处理以获取待评价区域地表水体的离水反射率；浓度获取模块，根据水体的离水反射率和相对应的反演模型，获取待评价区域各水质参数的浓度；以及评价模块，根据浓度对待评价区域的水体富营养化进行评价。
在本实施例中，各模块的具体功能在实施例1中已经详细描述，在本实施例中不再赘述。
实施例3
在实施例1的基础上，本实施例3还提供一种水体富营养化评价设备，包括：采集装置，所述采集装置适于采集待评价区域的高光谱数据和样本水体的水质参数、离水反射率数据；服务器，所述服务器适于根据采集的高光谱数据和样本水体的水质参数、离水反射率数据对待评价区域的水体富营养化进行评价。
在本实施例中，所述服务器适于采用如实施例1中提供的航空高光谱水体富营养化评价方法对待评价区域的水体富营养化进行评价。
综上所述，本发明通过采集待评价区域的高光谱数据；采集待评价区域样本水体的水质参数、离水反射率数据；根据水质参数、离水反射率数据获取样本数据；对样本数据进行训练，并获取各水质参数的特征波段；根据各水质参数的特征波段构建相对应的反演模型；对高光谱数据进行预处理以获取待评价区域地表水体的离水反射率；根据水体的离水反射率和相对应的反演模型，获取待评价区域各水质参数的浓度；以及根据浓度对待评价区域的水体富营养化进行评价，实现了高精度地快速评价，弥补了传统遥感的观测时间、空间局限性，有助于提高水体富营养化评价精度和空间尺度，为水体的富营养化调查、监测与治理提供技术支撑。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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)执行本发明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。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种航空高光谱水体富营养化评价方法，其特征在于，包括：
采集待评价区域的高光谱数据；
采集待评价区域样本水体的水质参数、离水反射率数据；
根据水质参数、离水反射率数据获取样本数据；
对样本数据进行训练，并获取各水质参数的特征波段；
根据各水质参数的特征波段构建相对应的反演模型；
对高光谱数据进行预处理以获取待评价区域地表水的离水反射率；
根据地表水的离水反射率和相对应的反演模型，获取待评价区域各水质参数的浓度；以及
根据浓度对待评价区域的水体富营养化进行评价。
2.如权利要求1所述的航空高光谱水体富营养化评价方法，其特征在于，
所述采集待评价区域的高光谱数据的方法包括：
通过高光谱成像仪对待评价区域进行高光谱数据采集。
3.如权利要求2所述的航空高光谱水体富营养化评价方法，其特征在于，
所述采集待评价区域样本水体的水质参数、离水反射率数据的方法包括：
在采集高光谱数据的同时采集待评价区域地表水体的离水反射率和表层水样；
根据表层水样获取叶绿素a、总磷、总氮、透明度和化学需氧量浓度数据；
所述表层水样为水面下方预设深度的水体。
4.如权利要求3所述的航空高光谱水体富营养化评价方法，其特征在于，
所述根据水质参数、离水反射率数据获取样本数据的方法包括：
将水样的离水反射率和叶绿素a、总磷、总氮、透明度、化学需氧量浓度数据进行匹配，形成样本数据。
5.如权利要求4所述的航空高光谱水体富营养化评价方法，其特征在于，
所述对样本数据进行训练，并获取各水质参数的特征波段的方法包括：
根据竞争性自适应重加权算法对样本数据进行训练，即
将样本数据的离水反射率及对应的各水质参数的数据作为输入，设置最大提取原则、交叉验证组、蒙特卡洛抽样次数，输出获取各水质参数对应的特征波段。
6.如权利要求5所述的航空高光谱水体富营养化评价方法，其特征在于，
所述根据各水质参数的特征波段构建相对应的反演模型的方法包括：
根据最小二乘支持向量回归方法进行建模；
根据用量子粒子群算法进行参数优化，获取各水质参数的反演模型，并进行精度验证；
所述精度验证包括：决定系数R2和均方根误差RMSE；
其中，n为样本个数；yi为第i个样本实际测量值；
为实际测量值的平均值；yi′为反演模型预测值。
7.如权利要求6所述的航空高光谱水体富营养化评价方法，其特征在于，
所述对高光谱数据进行预处理以获取待评价区域地表水的离水反射率的方法包括：
对高光谱数据进行辐射定标、大气校正和几何校正，获取待评价区域地表水的离水反射率数据。
8.如权利要求7所述的航空高光谱水体富营养化评价方法，其特征在于，
所述根据浓度对待评价区域的水体富营养化进行评价的方法包括：
将反演模型应用到待评价区域地表水体的离水反射率数据，获取待评价区域的叶绿素a、总磷、总氮、透明度和化学需氧量参数浓度；
根据综合营养状态指数法，通过浓度对待评价区域的水体富营养化进行评价；
其中，TLI(∑)为综合营养状态指数；wj为第j种参数的营养状态指数的相关权重；TLI(j)为第j种参数的营养状态指数。
9.一种航空高光谱水体富营养化评价***，其特征在于，包括：
高空采集模块，采集待评价区域的高光谱数据；
水质采集模块，采集待评价区域样本水体的水质参数、离水反射率数据；
样本构建模块，根据水质参数、离水反射率数据获取样本数据；
训练模块，对样本数据进行训练，并获取各水质参数的特征波段；
模型构建模块，根据各水质参数的特征波段构建相对应的反演模型；
预处理模块，对高光谱数据进行预处理以获取待评价区域地表水体的离水反射率；
浓度获取模块，根据水体的离水反射率和相对应的反演模型，获取待评价区域各水质参数的浓度；以及
评价模块，根据浓度对待评价区域的水体富营养化进行评价。
10.一种水体富营养化评价设备，其特征在于，包括：
采集装置，所述采集装置适于采集待评价区域的高光谱数据和样本水体的水质参数、离水反射率数据；
服务器，所述服务器适于根据采集的高光谱数据和样本水体的水质参数、离水反射率数据对待评价区域的水体富营养化进行评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111526518.5A CN114112941A (zh) | 2021-12-14 | 2021-12-14 | 基于支持向量回归的航空高光谱水体富营养化评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111526518.5A CN114112941A (zh) | 2021-12-14 | 2021-12-14 | 基于支持向量回归的航空高光谱水体富营养化评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114112941A true CN114112941A (zh) | 2022-03-01 |
Family
ID=80364438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111526518.5A Withdrawn CN114112941A (zh) | 2021-12-14 | 2021-12-14 | 基于支持向量回归的航空高光谱水体富营养化评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114112941A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115524294A (zh) * | 2022-09-19 | 2022-12-27 | 南京中科深瞳科技研究院有限公司 | 一种离水式实时智能遥感水质监测方法 |
| CN116306322A (zh) * | 2023-05-18 | 2023-06-23 | 天津中科谱光信息技术有限公司 | 一种基于高光谱数据的水体总磷浓度反演方法和装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110672805A (zh) * | 2019-10-08 | 2020-01-10 | 核工业北京地质研究院 | 一种基于航空高光谱数据的水库水质参数定量反演方法 |
| CN112014324A (zh) * | 2020-09-04 | 2020-12-01 | 中国水利水电科学研究院 | 一种基于多源监测数据的水体营养状态评价方法 |
-
2021
- 2021-12-14 CN CN202111526518.5A patent/CN114112941A/zh not_active Withdrawn
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110672805A (zh) * | 2019-10-08 | 2020-01-10 | 核工业北京地质研究院 | 一种基于航空高光谱数据的水库水质参数定量反演方法 |
| CN112014324A (zh) * | 2020-09-04 | 2020-12-01 | 中国水利水电科学研究院 | 一种基于多源监测数据的水体营养状态评价方法 |
Non-Patent Citations (4)
| Title |
|---|
| 吴廷宽;贺中华;梁虹;杨朝晖;曾信波;刘绥华;陈栋为;焦树林;李秋华;: "基于高光谱技术的湖泊富营养化综合评价研究――以贵阳市百花湖为例", 水文, no. 02, 25 April 2016 (2016-04-25), pages 2 - 3 * |
| 烟贯发 等: "基于改进的PSO优化LSSVM 参数的松花江江哈尔滨段悬浮物的遥感反演", 环境科学学报, vol. 34, no. 8, 31 August 2014 (2014-08-31) * |
| 石剑龙 等: "航空高光谱遥感技术在生态环境地质调查中的应用", 第十六届华东六省一市地学科技论坛论文集, 29 August 2020 (2020-08-29), pages 3 * |
| 袁自然;魏立飞;张杨熙;余铭;闫芯茹;: "优化CARS结合PSO-SVM算法农田土壤重金属砷含量高光谱反演分析", 光谱学与光谱分析, no. 02, 15 February 2020 (2020-02-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115524294A (zh) * | 2022-09-19 | 2022-12-27 | 南京中科深瞳科技研究院有限公司 | 一种离水式实时智能遥感水质监测方法 |
| CN116306322A (zh) * | 2023-05-18 | 2023-06-23 | 天津中科谱光信息技术有限公司 | 一种基于高光谱数据的水体总磷浓度反演方法和装置 |
| CN116306322B (zh) * | 2023-05-18 | 2023-08-25 | 天津中科谱光信息技术有限公司 | 一种基于高光谱数据的水体总磷浓度反演方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108593569B (zh) | 基于光谱形态特征的高光谱水质参数定量反演方法 | |
| Duan et al. | Comparison of different semi-empirical algorithms to estimate chlorophyll-a concentration in inland lake water | |
| 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 | |
| CN111597756A (zh) | 一种基于无人机多光谱数据的水质参数反演方法 | |
| CN110531054B (zh) | 基于Bootstrap抽样的土壤有机碳预测不确定性估测方法 | |
| CN113203694B (zh) | Msi的湖泊富营养指数遥感估算方法 | |
| CN114372707A (zh) | 一种基于遥感数据的高寒湿地退化程度监测方法 | |
| CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
| CN114241331B (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 | |
| CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
| Pu et al. | Applications of imaging spectrometry in inland water quality monitoring—a review of recent developments | |
| Chen et al. | A simple atmospheric correction algorithm for MODIS in shallow turbid waters: A case study in Taihu Lake | |
| CN113436153A (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 | |
| Hang et al. | Estimation of chlorophyll-a concentration in Lake Taihu from Gaofen-1 wide-field-of-view data through a machine learning trained algorithm | |
| 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 | |
| Mollaee | Estimation of phytoplankton chlorophyll-a concentration in the western basin of Lake Erie using Sentinel-2 and Sentinel-3 data | |
| Nouchi et al. | Effects of non-uniform vertical constituent profiles on remote sensing reflectance of oligo-to mesotrophic lakes | |
| CN116757099B (zh) | 一种土壤盐分反演及盐渍化风险评估方法、装置及设备 | |
| CN116773516A (zh) | 一种基于遥感数据的土壤碳含量分析*** | |
| CN116229288A (zh) | 基于无人机多光谱影像的城市河道tsm浓度反演方法 | |
| CN116911183A (zh) | 岩溶湿地水体叶绿素a反演的方法、***、设备及介质 | |
| Lu et al. | An operational approach for large-scale mapping of water clarity levels in inland lakes using landsat images based on optical classification | |
| Cięzkowski et al. | Long-term water quality monitoring using Sentinel-2 data, Głuszyńskie Lake case study | |
| CN115931783A (zh) | 一种基于GEE的大尺度区域湖库叶绿素a制图方法 | |
| Ackleson | Ocean Optics Research at the |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220301 |
|
| WW01 | Invention patent application withdrawn after publication |