一种中小河道劣制造技术

本发明专利技术公开了一种中小河道劣

【技术实现步骤摘要】
一种中小河道劣
Ⅴ
类水体水质识别与量化方法


[0001]本专利技术涉及城市水体监测
，具体是指一种中小河道劣
Ⅴ
类水体水质识别与量化方法。

技术介绍

[0002]城市集约度提升与城市基础配套发展的不平衡发展，造成城市内部中小河道水体污染的日益加剧。 2015年4月发布的《水污染防治行动计划》，对城市建成区黑臭水体的整治提出了要求，并提出2020 年基本消除劣V类水体的规划目标。实施城市水体监测以快速获取水体质量、等级的分布情况成为水环境治理的前提条件。
[0003]传统的劣
Ⅴ
类水体识别方法主要为现场采样和在线监测水质。现场采样监测是一种较传统的水质监测方法，具体监测的是高锰酸盐指数、溶解氧、pH值、氨氮和总磷等五项指标，通过野外现场采样和室内进行分析等方法。这种方法要求在现场定点并经过多年监测、记录和分析，虽然具有一定准确性，但成本较高，且极易受到气候和水文条件的限制，难以完成周期性的连续监测，且存在较大的观测误差，不能反映水质的总体情况，仅代表局部与典型区域的水质状况，无法满足实时、迅速、大尺度的监测要求。在线监测系统虽然克服了人工采样监测的一些弊端，但是其监测的数据量庞大、监测站点固定单一、站点建设成本投资大，尤其是无法满足郊区大量的中小河道的水质监测。
[0004]遥感技术的发展尤其是无人机遥感技术，为河流等水体的快速监测提供了机会，但实际应用中所需的相关方法还有待研究。专利一种基于半监督学习策略的高光谱遥感黑臭水体分级方法(申请号 202011637628.4)，基于CASI高光谱影像反演溶解氧、氧化还原电位、氨氮以及浊度，并根据污染物含量将水体划分为清洁水体、轻度黑臭和重度黑臭水体。专利一种利用无人机获取城市黑臭河流水质参数的方法(202010298497.5)通过无人机获取多光谱影像，使用监督图像分类方法提取水体范围，提出黑臭水体光谱指数模型将河流分为一般水体、轻度黑臭和重度黑臭水体。专利一种基于无人机成像光谱的中小水体水质类型识别方法(申请号201910664888.1)基于无人机获取的高光谱数据，通过支持向量机模型对水体水质类型进行识别。
[0005]以上方法主要大多通过污染物含量导致的水体颜色变化实现劣
Ⅴ
类水体的识别，然而现实情况中大部分水体污染物不具有明显的光学特性，例如总磷(TP)、总氮(TN)、氨氮(NH3
‑
N)、溶解氧(DO)，直接对污染物含量的反演以识别水体类型可能存在较大误差。但直接建立水质类型与遥感影像间的关系模型，又无法为环境治理提供准确的指导方案，其应用范围十分有限。

技术实现思路

[0006]为解决上述技术问题，本专利技术提供的技术方案为一种中小河道劣
Ⅴ
类水体水质识别与量化方法：
[0007]一种中小河道劣
Ⅴ
类水体水质识别与量化方法，所述识别与量化方法具体包括以
下步骤：
[0008]S1.通过无人机、ASD光谱仪及水质取样方法获取河道的高光谱遥感影像、水面光谱数据以及水质实测数据，并进行预处理；
[0009]S2.使用光谱连续统去除和光谱微分技术增强水体的光谱反射和吸收特征，然后通过相关性分析确定水质参数反演中光谱敏感波段；
[0010]S3.分别使用最小二乘法、偏最小二乘法、岭回归模型、决策树回归、随机森林回归、支持向量机回归模型确定水质参数与光谱曲线间的定量关系，构建水质参数反演模型；
[0011]S4.通过主成分分析对水体反射光谱曲线进行归一化处理，然后基于随机森林算法确定水体类型与光谱曲线的定性关系，构建水体类型识别模型；
[0012]S5.将水质参数反演模型应用于无人机遥感影像，获得水体中水质参数的空间分布；
[0013]S6.将水体类型识别模型应用于无人机遥感影像，获得不同类型水体的空间分布。
[0014]作为改进，在步骤S1中，使用无人机搭载高光谱相机获取河道水体的遥感影像；在无人机飞行过程中，同步使用ASD光谱仪获取水体表面的光谱信息，并随即采集水样，记录水面光谱数据以及水样采集点的位置数据；水样获取后，立刻送到实验室进行化验，检测项目分别为高锰酸盐指数、总氮、总磷及氨氮的浓度；对地面实测光谱数据与无人机遥感数据进行预处理，所述预处理步骤包括辐射定标、几何校正、反射率的计算、河道提取与噪声耀斑区处理。
[0015]作为改进，在步骤S2中，使用光谱连续统去除对遥感影响进行包络线消除，用消除后的光谱曲线替代地物的原始特征；其后，利用光谱微分技术凸显光谱曲线在陡坡上的细微变化以及光谱间的差异性，消除敏感噪声的影响；最后利用皮尔逊相关系数确定不同光谱波段与水质参数间的强弱关系，确定光谱敏感波段。
[0016]作为改进，在步骤S3中，根据步骤S2得到的光谱波段间相关性，选取相关性较大的波段作为最佳波段，组成优质特征子集；首选简单的单元线性回归与多元线性回归模型确定水质参数与光谱曲线间的定量关系；利用最小二乘方法来求取回归系数，得出拟合的一元回归模型；利用偏最小二乘法法剥离出相关变量中的主成分进而对参数进行反演；其后，使用岭回归、决策树、随机森林、支持向量机模型建立反演模型。
[0017]作为改进，在步骤S4中，首先在Python中的主成分分析模块对遥感影像光谱特征进行压缩，确定参与建模的光谱数量；所述主成分分析采取的信息量衡量指标为样本方差；其后，使用Python中的随机森林模块，确定水质类型与光谱特征间的相关关系，从而构建水质类型识别模型，并从各类样本中抽取73％组成训练集、27％组成测试集，各类样本训练集和测试集数量，模型参数调整最优后，取不同的随机数种子重复训练十次，最终得到各次的识别精确率以及平均精确率。
[0018]作为改进，在步骤S5中，将所述水质参数反演模型应用于整个无人机高光谱遥感影像中，得到河道内高锰酸盐指数、总磷、总氮、氨氮、溶解氧的浓度状况和空间分布。
[0019]作为改进，在步骤S6中，将所述水体类型识别模型应用于整个无人机高光谱遥感影像中，得到河道内不同类型水质的空间分布情况。
[0020]本专利技术与现有技术相比的优点在于：
[0021](1)通过多种机器学习确定水体水质类型识别和水质反演的最优模型，提高了水
体识别精度。
[0022](2)实现了水体水质的定性和定量反演，同时获取了不同类型水体的空间分布及水质参数的浓度情况，节省了环境调查成本和工作时间。
附图说明
[0023]图1是本专利技术一种中小河道劣
Ⅴ
类水体水质识别与量化方法的流程图。
[0024]图2是本专利技术实施例中陶歧河CODMn水质类别分布图。
[0025]图3是本专利技术实施例中陶歧河DO水质类别分布图。
[0026]图4是本专利技术实施例中陶歧河NH3N水质类别分布图。
[0027]图5是本专利技术实施例中陶歧河TN水质类别分布图。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种中小河道劣
Ⅴ
类水体水质识别与量化方法，其特征在于：所述识别与量化方法具体包括以下步骤：S1.通过无人机、ASD光谱仪及水质取样方法获取河道的高光谱遥感影像、水面光谱数据以及水质实测数据，并进行预处理；S2.使用光谱连续统去除和光谱微分技术增强水体的光谱反射和吸收特征，然后通过相关性分析确定水质参数反演中光谱敏感波段；S3.分别使用最小二乘法、偏最小二乘法、岭回归模型、决策树回归、随机森林回归、支持向量机回归模型确定水质参数与光谱曲线间的定量关系，构建水质参数反演模型；S4.通过主成分分析对水体反射光谱曲线进行归一化处理，然后基于随机森林算法确定水体类型与光谱曲线的定性关系，构建水体类型识别模型；S5.将水质参数反演模型应用于无人机遥感影像，获得水体中水质参数的空间分布；S6.将水体类型识别模型应用于无人机遥感影像，获得不同类型水体的空间分布。2.根据权利要求1所述的一种中小河道劣
Ⅴ
类水体水质识别与量化方法，其特征在于：在步骤S1中，使用无人机搭载高光谱相机获取河道水体的遥感影像；在无人机飞行过程中，同步使用ASD光谱仪获取水体表面的光谱信息，并随即采集水样，记录水面光谱数据以及水样采集点的位置数据；水样获取后，立刻送到实验室进行化验，检测项目分别为高锰酸盐指数、总氮、总磷及氨氮的浓度；对地面实测光谱数据与无人机遥感数据进行预处理，所述预处理步骤包括辐射定标、几何校正、反射率的计算、河道提取与噪声耀斑区处理。3.根据权利要求1所述的一种中小河道劣
Ⅴ
类水体水质识别与量化方法，其特征在于：在步骤S2中，使用光谱连续统去除对遥感影响进行包络线消除，用消除后的光谱曲线替代地物的原始特征；其后，利用光谱微分技术凸显光谱曲线在陡坡上的细微变化以及光谱间的差异性，消除敏感噪...

【专利技术属性】
技术研发人员：米家鑫，唐立羽，侯湖平，张绍良，丁忠义，闫玉玉，张红，杨俊，王雪晴，
申请(专利权)人：上海市建设用地和土地整理事务中心，
类型：发明
国别省市：