一种卫星影像和机器学习的水质监测方法及系统技术方案

本发明专利技术公开了一种卫星影像和机器学习的水质监测方法，包括：分别对获取的第一卫星、第二卫星影像数据进行预处理，生成反射率数据；根据不同季节和不同地物，建立不同传感器的辐射归一化模型；建立基于权重滤波的时空融合模型；基于时空融合结果的时间信息，及地面监测站的水质监测数据的空间信息，建立水质参数反演数据库；筛选水质参数反演数据库，提取训练集和测试集数据，利用多种机器学习算法，建立水质参数的反演模型；根据生成的反射率影像数据集和建立的水质参数反演模型，输出水质反演成果。建立了基于机器学习的水质参数反演模型，模型精度高，得到的水质参数反演成果能够反映水质参数的空间分布情况。反映水质参数的空间分布情况。反映水质参数的空间分布情况。

【技术实现步骤摘要】
一种卫星影像和机器学习的水质监测方法及系统


[0001]本专利技术属于城市地表水环境水质监测
，具体地涉及一种卫星影像和机器学习的长时间连续地表水质监测方法及系统。

技术介绍

[0002]地表水环境水质监测是环境监测的主要内容之一，是准确、及时、全面地反映水质现状及发展趋势，为水环境管理、污染源控制、环境规划等提供科学依据，对整个水环境保护、水污染控制以及维护水环境健康方面起着至关重要的作用。现阶段地表水环境水质监测主要有以下方法：
[0003]传统城市地表水环境水质监测方法，以手工、自动站点监测为主，时间、人工成本较高，且点状数据在流域、湖体整体水质分布情况分析、环境质量监管、管控方面难以得到较好的应用。
[0004]卫星遥感影像数据进行水环境质量监测，例如公告号为CN 108507949 A的中国专利公开了一种基于高分遥感卫星的河道水质监测方法，基于高分遥感卫星从地面站获取待监测河道的高分遥感影像a并调取待监测河道所在区域的数字地形图；预处理模块对高分遥感影像a进行预处理后获得n幅位于不同波段的可显示完整的待监测河道的影像的高分遥感影像c；控制器将各参考位置点的实际质量浓度与各参考位置点在各高分遥感影像c上的反射率作回归分析并得到对应的回归方程，然后基于离散程度最小的回归方程建立关于参考位置点的实际质量浓度和各参考位置在各高分遥感影像c上对应位置处的反射率之间的关系函数；控制器计算监控点在n个高分遥感影像c上的反射率，依据所述关系函数，计算出监控点处的水质参数的质量浓度。卫星遥感影像数据进行水环境质量监测，一般利用水体反射率数据和地面站点水质监测数据建立水质参数反演模型。通常基于水色特征选取特征波段或特征参数，通过经验或半经验方法建立水质参数与影像之间的回归关系，回归模型以多元线性模型为主，且人工参与特征波段或特征参数的选取，难以深入挖掘水质参数与水体反射率数据之间的内在关联。
[0005]其中，利用卫星遥感影像进行对地环境监测，受遥感载荷的时间分辨率、空间分辨率的影响，存在以下两个问题：
[0006]a卫星载荷过境周期短，往往卫星载荷空间分辨率低，难以针对微小目标地物进行有效监测；
[0007]b影像空间分辨率高，但往往卫星载荷重访周期较长，不能针对目标地物进行短时间的连续监测。同时卫星遥感影像还受云层覆盖影响，能够有效利用数据较少，难以实现对精细地物的长时间序列连续监测。本专利技术因此而来。

技术实现思路

[0008]针对上述存在的技术问题，本专利技术的目的是提供一种卫星影像和机器学习的水质监测方法及系统，将监测站点的监测数据和遥感影像光谱数据进行多源有效融合，建立了
基于机器学习的水质参数反演模型，模型精度高，得到的水质参数反演成果能够反映水质参数的空间分布情况。在污染源溯源、环境质量管控等方面提供空间数据支持。
[0009]本专利技术的技术方案是：
[0010]一种卫星影像和机器学习的水质监测方法，包括以下步骤：
[0011]S01：获取第一卫星影像数据和第二卫星影像数据；
[0012]S02：分别对获取的第一卫星影像数据和第二卫星影像数据进行预处理，并生成第一卫星影像反射率数据和第二卫星影像反射率数据；
[0013]S03：根据不同季节和不同地物，建立不同传感器之间的辐射归一化模型，对第一、第二卫星影像反射率数据进行同化，生成辐射差异较小且波段数量相同的第一、第二卫星影像反射率数据；
[0014]S04：基于不同源影像数据的同化结果，利用第二卫星影像地物反射率的时间信息，以及第一卫星影像数据的空间信息，建立基于权重滤波的时空融合模型，生成长时间序列连续的高空间分辨率遥感反射率影像数据集；
[0015]S05：基于时空融合结果的时间信息，以及地面监测站的水质监测数据的空间信息，筛选反射率影像数据和水质监测数据，建立水质参数反演数据库；筛选水质参数反演数据库，提取训练集和测试集数据，利用多种机器学习算法，建立水质参数的反演模型；
[0016]S06：根据步骤S04生成的反射率影像数据集和建立的水质参数反演模型，输出水质参数反演成果。
[0017]优选的技术方案中，所述步骤S03中建立不同传感器的辐射归一化模型包括：
[0018]S31：基于高空间分辨率的第一卫星影像数据进行地物分类，将影像按照地物类型分类；
[0019]S32：按照季节及地物分类生成第一卫星影像数据集和第二卫星影像数据集；
[0020]S33：根据生成的影像数据集，基于邻近波段之间的相关性建立第一卫星影像的反射率数据的辐射归一化模型，将第二反射率数据同化为第一反射率数据，并建立第一卫星影像数据和同化后的第二卫星影像数据对。
[0021]优选的技术方案中，所述步骤S04中建立基于权重滤波的时空融合模型包括：
[0022]S41：以目标像元为中心像元，在邻域范围内设定一个搜索框，并按照设定的搜索规则在搜索框内逐像元选取与中心像元具有光谱和时间一致性的像元作为相似像元；
[0023]S42：根据相似像元与中心像元在光谱维和空间维的差异计算每个相似像元的权重比；
[0024]S43：根据设定的融合规则计算预测时刻目标像元值，对图像中所有像元逐一计算生成预测时刻高空间分辨率影像。
[0025]优选的技术方案中，所述步骤S41中按照设定的搜索规则在搜索框内逐像元选取与中心像元具有光谱和时间一致性的像元作为相似像元包括：
[0026]计算每一参考时刻搜索框内每个像元与中心像元值的差值，并与设定阈值比较；
[0027]若搜索框内每个像元与中心像元值的差值小于等于阈值，则判断该像元为相似像元，即|F(x
i
,y
j
,t
k
,B)
‑
F(x
w/2
,y
w/2
,t
k
,B)|≤2ω(B)/m；
[0028]式中,F(x
i
,y
j
,t
k
,B)和F(x
w/2
,y
w/2
,t
k
,B)分别表示在参考时刻t
k
第一卫星搜索框内相似像元(x
i
,y
j
)和中心像元(x
w/2
,y
w/2
)在第B个波段的像元值，w表示邻域内搜索窗口大小，
ω(B)表示第一卫星整幅图像在第B个波段的标准差，m表示分类数；
[0029]针对每一参考时刻进行相似像元选取，对其取交集，作为最终相似像元选取的结果；
[0030]优选的技术方案中，所述步骤S42权重计算步骤包括：
[0031]S421：计算基于参考时刻第一卫星影像的空间距离D
ijk
：
[0032][0033]其中，D
ijk
表示相似像元与中心像元的空间距本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卫星影像和机器学习的水质监测方法，其特征在于，包括以下步骤：S01：获取第一卫星影像数据和第二卫星影像数据；S02：分别对获取的第一卫星影像数据和第二卫星影像数据进行预处理，并生成第一卫星影像反射率数据和第二卫星影像反射率数据；S03：根据不同季节和不同地物，建立不同传感器之间的辐射归一化模型，对第一、第二卫星影像反射率数据进行同化，生成辐射差异较小且波段数量相同的第一、第二卫星影像反射率数据；S04：基于不同源影像数据的同化结果，利用第二卫星影像地物反射率的时间信息，以及第一卫星影像数据的空间信息，建立基于权重滤波的时空融合模型，生成长时间序列连续的高空间分辨率遥感反射率影像数据集；S05：基于时空融合结果的时间信息，以及地面监测站的水质监测数据的空间信息，筛选反射率影像数据和水质监测数据，建立水质参数反演数据库；筛选水质参数反演数据库，提取训练集和测试集数据，利用多种机器学习算法，建立水质参数的反演模型；S06：根据步骤S04生成的反射率影像数据集和建立的水质参数反演模型，输出水质参数反演成果。2.根据权利要求1所述的卫星影像和机器学习的水质监测方法，其特征在于，所述步骤S03中建立不同传感器的辐射归一化模型包括：S31：基于高空间分辨率的第一卫星影像数据进行地物分类，将影像按照地物类型分类；S32：按照季节及地物分类生成第一卫星影像数据集和第二卫星影像数据集；S33：根据生成的影像数据集，基于邻近波段之间的相关性建立第一卫星影像的反射率数据的辐射归一化模型，将第二反射率数据同化为第一反射率数据，并建立第一卫星影像数据和同化后的第二卫星影像数据对。3.根据权利要求2所述的卫星影像和机器学习的水质监测方法，其特征在于，所述步骤S04中建立基于权重滤波的时空融合模型包括：S41：以目标像元为中心像元，在邻域范围内设定一个搜索框，并按照设定的搜索规则在搜索框内逐像元选取与中心像元具有光谱和时间一致性的像元作为相似像元；S42：根据相似像元与中心像元在光谱维和空间维的差异计算每个相似像元的权重比；S43：根据设定的融合规则计算预测时刻目标像元值，对图像中所有像元逐一计算生成预测时刻高空间分辨率影像。4.根据权利要求3所述的卫星影像和机器学习的水质监测方法，其特征在于，所述步骤S41中按照设定的搜索规则在搜索框内逐像元选取与中心像元具有光谱和时间一致性的像元作为相似像元包括：计算每一参考时刻搜索框内每个像元与中心像元值的差值，并与设定阈值比较；若搜索框内每个像元与中心像元值的差值小于等于阈值，则判断该像元为相似像元，即|F(x
i
,y
j
,t
k
,B)
‑
F(x
w/2
,y
w/2
,t
k
,B)|≤2ω(B)/m；式中,F(x
i
,y
j
,t
k
,B)和F(x
w/2
,y
w/2
,t
k
,B)分别表示在参考时刻t
k
第一卫星搜索框内相似像元(x
i
,y
j
)和中心像元(x
w/2
,y
w/2
)在第B个波段的像元值，w表示邻域内搜索窗口大小，ω(B)表示第一卫星整幅图像在第B个波段的标准差，m表示分类数；
针对每一参考时刻进行相似像元选取，对其取交集，作为最终相似像元选取的结果；5.根据权利要求3所述的卫星影像和机器学习的水质监测方法，其特征在于，所述步骤S42权重计算步骤包括：S421：计算基于参考时刻第一卫星影像的空间距离D
ijk
：其中，D
ijk
表示相似像元与中心像元的空间距离，A为常数；S422：计算不同源影像上(x
i
,y
j
)处相似像元在所有参考时刻和波段间的相关系数R
ij
：式中，E表示均值，G表示方差，和...

【专利技术属性】
技术研发人员：何炜琪，李继影，吴志杰，董世元，张仁泉，黄佳慧，薛媛媛，郭超硕，陈蓉，
申请(专利权)人：江苏省苏州环境监测中心，
类型：发明
国别省市：