饮用水水源保护区生活面源污染负荷快速调查方法和装置制造方法及图纸

本发明专利技术公开了一种饮用水水源保护区生活面源污染负荷快速调查方法和装置，属于遥感技术领域。本发明专利技术基于高分卫星遥感影像快速、全面、准确地获得了整个水源保护区生活面源污染负荷清单及定量表征，可以全面反映水源保护区内生活面源污染负荷定量结果及空间精准定位图。与传统方法相比，本发明专利技术一方面可以提高获取水源保护区生活面源污染负荷清单的科学性和全面性，通过本发现确定的生活面源污染负荷清单，可以全面反映水源保护区生活面源污染负荷状况，为饮用水水源保护区污染防治环境监管提供技术支撑。另一方面，通过卫星遥感影像监测大范围生活面源污染状况，获取难度和成本更低，时效率好，精度更高，提高了数据获取的便捷性和经济性。性和经济性。性和经济性。

【技术实现步骤摘要】
饮用水水源保护区生活面源污染负荷快速调查方法和装置


[0001]本专利技术涉及遥感
，特别是指一种饮用水水源保护区生活面源污染负荷快速调查方法和装置。

技术介绍

[0002]随着城市和工业点源污染逐步得到有效控制，山区农村生活面源污染已成为导致水环境恶化的主要原因之一。量化分散居民区生活面污染负荷，以确定水源地排查重点区域，同时，也能够为制定精准、高效整治措施提供科学依据。
[0003]现有生活面源污染负荷调查通常是以市(地、州、盟)行政区域为单元核算，并依赖地面各级管理部门逐级上报。同一行政区域内，无法精准定位污染负荷的空间分布。饮用水水源保护区面积较大、地处偏远且交通可达性差，导致地面样点的覆盖率通常较差，个别饮用水水源地生活面源污染负荷估算，采用实地调研获取小范围样点数据方式进行计算，误差大。并且同样的方法无法快速精准计算另一水源地生活面源污染负荷，同时，也不能反应生活面源污染空间分布。
[0004]所以，传统的以地面调查方法为主的获取饮用水水源地分散居民区生活面源污染负荷的技术方法，存在效率低、时间滞后、时效性低、成本高、主观性强、客观性差、误差大、不能移植等缺点，无法满足新形势下水源地快速、精准、科学的监督管理需求。

技术实现思路

[0005]为解决上述技术问题，本专利技术提供一种饮用水水源保护区生活面源污染负荷快速调查方法和装置，可以科学、全面、快速地获取水源保护区生活面源污染状况清单，为饮用水水源保护区污染防治环境监管提供技术支撑。
[0006]本专利技术提供技术方案如下：
[0007]一种饮用水水源保护区生活面源污染负荷快速调查方法，所述方法包括：
[0008]S1：获取覆盖饮用水水源保护区全域的遥感影像；
[0009]S2：对所述遥感影像进行预处理；
[0010]S3：利用已知的水源保护区边界对所述遥感影像进行图像裁剪运算，得到水源保护区遥感影像；
[0011]S4：利用构建的水源保护区分散居民区提取模型对所述水源保护区遥感影像进行分散居民区提取，得到分散居民区空间分布图；
[0012]S5：利用构建的分散居民区人口估算模型对所述分散居民区空间分布图进行人口估算，得到水源保护区分散居民区人口空间分布状况清单；
[0013]S6：基于所述水源保护区分散居民区人口空间分布状况清单，利用构建的生活面源污染负荷估算模型，获取水源保护区生活面源污染负荷清单及空间分布图。
[0014]进一步的，所述水源保护区分散居民区提取模型R＝f(x,y)；
[0015]其中，R表示水源保护区分散居民区监测指标，x表示所述水源保护区遥感影像的
光谱信息，y表示所述水源保护区遥感影像的空间纹理信息，f表示所述水源保护区分散居民区提取模型使用的模型函数。
[0016]进一步的，所述水源保护区分散居民区提取模型的输入层神经元个数为i，隐含层神经元个数为j，输出层神经元个数为m；输入层神经元与隐含层神经元的连接权值为w，隐含层神经元与输出层神经元的连接权值为v；隐含层神经元阈值为θ，输出层神经元阈值为u；
[0017]所述输入层神经元的输入为所述水源保护区遥感影像的光谱信息x
i
和空间纹理信息y
i
；
[0018]所述隐含层神经元的输入为：
[0019]所述隐含层神经元的输出为：O
j
＝f(I
j
‑
θ
j
)＝f(net
j
)；
[0020]所述输出层神经元的输入为：
[0021]所述输出层神经元的输出为：O
m
＝f(I
m
‑
u
m
)＝f(net
m
)；
[0022]其中，所述输出层神经元的输出即为水源保护区分散居民区监测指标。
[0023]进一步的，所述水源保护区分散居民区提取模型通过如下过程训练得到：
[0024]S10：将所述水源保护区遥感影像的光谱信息x
i
和空间纹理信息y
i
输入所述输入层神经元，在所述输出层神经元输出O
m
；
[0025]S20：计算输出误差函数E；
[0026][0027]其中，R
m
为所述水源保护区遥感影像真实的水源保护区分散居民区监测指标；
[0028]S30：计算输出层节点误差δ
m
；
[0029][0030]S40：计算隐含层神经元误差δ
j
；
[0031][0032]S50：计算输出层权值修正值；
[0033][0034]v
mj
(k+1)＝v
mj
(k)+Δv
mj
＝v
mj
(k)+η
m
(R
m
‑
O
m
)f'(net
m
)O
j
[0035]其中，η
m
为设定的学习率；
[0036]S60：计算输出层阈值修正值；
[0037]u
m
(k+1)＝u
m
(t)+Δu
m
＝u
m
(t)+η
m
(R
m
‑
O
m
)f'(net
m
)
[0038]S70：计算隐含层权值修正值；
[0039][0040]S80：计算隐含层阈值修正值；
[0041][0042]S90：重复上述过程，对各个神经元的权值和阈值不断进行修正，完成所述水源保护区分散居民区提取模型的训练。
[0043]进一步的，所述分散居民区人口估算模型P＝F(s,M)；
[0044]其中，P表示所述分散居民区空间分布图的图斑对应的人口数量，s表示所述分散居民区空间分布图的图斑的面积，F表示所述分散居民区人口估算模型使用的模型函数；
[0045]M表示影响人口分布的机制模型，M＝g(n,m,h)，n表示自然因素，m表示社会经济因素，h表示历史因素。
[0046]进一步的，所述生活面源污染负荷估算模型L＝L
w
+L
g
；
[0047]其中，L表示水源保护区生活面源污染负荷，L
w
表示生活污水污染物排放量，L
g
表示生活污染物及废气污染物排放量；
[0048]L
w
＝P
×
I
c
×
365
×
(1
‑
R
P
×
R
c
)
[0049]I
c
表示人日均产污强度，R
P
表示生活污水进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种饮用水水源保护区生活面源污染负荷快速调查方法，其特征在于，所述方法包括：S1：获取覆盖饮用水水源保护区全域的遥感影像；S2：对所述遥感影像进行预处理；S3：利用已知的水源保护区边界对所述遥感影像进行图像裁剪运算，得到水源保护区遥感影像；S4：利用构建的水源保护区分散居民区提取模型对所述水源保护区遥感影像进行分散居民区提取，得到分散居民区空间分布图；S5：利用构建的分散居民区人口估算模型对所述分散居民区空间分布图进行人口估算，得到水源保护区分散居民区人口空间分布状况清单；S6：基于所述水源保护区分散居民区人口空间分布状况清单，利用构建的生活面源污染负荷估算模型，获取水源保护区生活面源污染负荷清单及空间分布图。2.根据权利要求1所述的饮用水水源保护区生活面源污染负荷快速调查方法，其特征在于，所述水源保护区分散居民区提取模型R＝f(x,y)；其中，R表示水源保护区分散居民区监测指标，x表示所述水源保护区遥感影像的光谱信息，y表示所述水源保护区遥感影像的空间纹理信息，f表示所述水源保护区分散居民区提取模型使用的模型函数。3.根据权利要求2所述的饮用水水源保护区生活面源污染负荷快速调查方法，其特征在于，所述水源保护区分散居民区提取模型的输入层神经元个数为i，隐含层神经元个数为j，输出层神经元个数为m；输入层神经元与隐含层神经元的连接权值为w，隐含层神经元与输出层神经元的连接权值为v；隐含层神经元阈值为θ，输出层神经元阈值为u；所述输入层神经元的输入为所述水源保护区遥感影像的光谱信息x
i
和空间纹理信息y
i
；所述隐含层神经元的输入为：所述隐含层神经元的输出为：O
j
＝f(I
j
‑
θ
j
)＝f(net
j
)；所述输出层神经元的输入为：所述输出层神经元的输出为：O
m
＝f(I
m
‑
u
m
)＝f(net
m
)；其中，所述输出层神经元的输出即为水源保护区分散居民区监测指标。4.根据权利要求3所述的饮用水水源保护区生活面源污染负荷快速调查方法，其特征在于，所述水源保护区分散居民区提取模型通过如下过程训练得到：S10：将所述水源保护区遥感影像的光谱信息x
i
和空间纹理信息y
i
输入所述输入层神经元，在所述输出层神经元输出O
m
；S20：计算输出误差函数E；其中，R
m
为所述水源保护区遥感影像真实的水源保护区分散居民区监测指标；S30：计算输出层节点误差δ
m
；
S40：计算隐含层神经元误差δ
j
；S50：计算输出层权值修正值；v
mj
(k+1)＝v
mj
(k)+Δv
mj
＝v
mj
(k)+η
m
(R
m
‑
O
m
)f
′
(net
m
)O
j
其中，η
m
为设定的学习率；S60：计算输出层阈值修正值；u
m
(k+1)＝...

【专利技术属性】
技术研发人员：姚延娟，杨海军，徐奥，荣学谦，吴强，檀畅，朱海涛，李亚龙，胡晶晶，徐宁宁，王霓妮，王飞，吴艳婷，
申请(专利权)人：生态环境部卫星环境应用中心，
类型：发明
国别省市：