一种基于机器学习的静止卫星多指标水质反演方法技术

本发明专利技术公开了一种基于机器学习的静止卫星多指标水质反演方法，利用遥感技术和机器学习方法进行水质监测，可以实现大范围

【技术实现步骤摘要】
一种基于机器学习的静止卫星多指标水质反演方法


[0001]本专利技术涉及水质监测
，尤其涉及一种基于机器学习的静止卫星多指标水质反演方法
。

技术介绍

[0002]随着工业的不断发展，人为活动对环境的影响范围也在逐渐扩大，尤其是水体污染问题已经日益严重
。
水体的污染不仅严重威胁着生态安全，也对人类的生活造成了巨大影响
。
水质参数是评估水体整体状况的重要指标，监测水质参数对于发现和控制水体污染具有至关重要的意义
。
[0003]遥感技术是一种可以通过对具有光学特性的物体进行表观测定和标记的方法，可以通过监测水体的反射和吸收光谱特征来分析水质
。
水质遥感的基本原理是太阳辐射到达水汽界面，一部分会通过水体表面被反射进入大气中，一部分可以穿透水体，和水中的物质相互作用，然后经过水体吸收
、
反射和大气衰减后被遥感器接收，最后根据光谱特征进行水质分析
。
利用遥感技术进行连续
、
大范围的水质监测是当前研究水环境问题的热点之一
。
遥感技术具有监测速度快
、
范围广和时效性强的特点，因此为湖泊水质的监测提供了新的机遇
。
同时，静止卫星在水体污染监测方面具备了高空间覆盖度和高时间分辨率的特点，可以满足对水质进行动态监测的需求
。
[0004]机器学习作为一种基于大量数据的经验法，可以对新的数据进行持续的训练，并对其进行分析和预测/>。
机器学习算法对于处理遥感水质反演这种复杂的非线性拟合数据具有较好的适用性
。
因此，将遥感技术和机器学习方法相结合，有望成为湖泊水质动态监测的有效手段
。
[0005]传统的水质监测方法通常使用人工采样或站点监测，这些方法成本高
、
效率慢
、
覆盖面窄，难以反映污染动态变化过程
。
此外，针对光学特征复杂的水体，传统的分析方法存在着建模难度大的问题
。
经验方法通常仅适用于特定湖泊内反演，而半经验方法对实测数据和遥感数据的同步性要求高，依赖性强，因此局限在特定的湖泊，并受到不同季节的限制
。
此外，现有的卫星监测周期较长，难以实现水质的动态监测
。
因此，需要寻找一种高效
、
准确的水质监测方法来解决这些问题
。

技术实现思路

[0006]本专利技术的目的是要提供一种基于机器学习的静止卫星多指标水质反演方法
。
[0007]为达到上述目的，本专利技术是按照以下技术方案实施的：
[0008]本专利技术包括以下步骤：
[0009]S1
：获取所研究湖库水体中历史时间序列自动监测站点的水质数据及处理；
[0010]S2
：获取所研究湖库水体的历史时间序列的静止卫星遥感影像及数据处理；
[0011]S3
：对所获取的自动监测站点的水质数据与解析后的遥感数据进行时空融合匹配；
[0012]S4
：对时空融合数据集中的日期进行余弦化操作；
[0013]S5
：对反演数据集进行数据处理；
[0014]S6
：基于水质反演数据集，利用机器学习算法反演水质参数，经性能评估择优选取水质反演模型；
[0015]S7
：基于最佳模型，对研究区域进行静止卫星遥感数据水质反演，得到水质反演指标值，根据水质环境规范等对超标指标进行预警工作，实现水质的动态监测
。
[0016]本专利技术的有益效果是：
[0017]本专利技术是一种基于机器学习的静止卫星多指标水质反演方法，与现有技术相比，本专利技术利用遥感技术和机器学习方法进行水质监测，可以实现大范围
、
高效率的水质动态监测，为水体污染的预防和控制提供科学依据，为水环境保护和人类健康提供保障，遥感静止卫星与机器学习方法的联合使用有望成为湖泊水质动态监测的有效手段
。
附图说明
[0018]图1是本专利技术实施例巢湖
DO
反演模型拟合线图；
[0019]图2是本专利技术实施例巢湖
2022
年8月8日
8DO
浓度分布图；
[0020]图3是本专利技术的技术流程图
。
具体实施方式
[0021]下面结合附图以及具体实施例对本专利技术作进一步描述，在此专利技术的示意性实施例以及说明用来解释本专利技术，但并不作为对本专利技术的限定
。
[0022]如图3所示：本专利技术提出的基于机器学习的静止卫星多指标水质反演方法包括下列步骤：
[0023]一
、
获取所研究湖库水体中历史时间序列自动监测站点的水质数据及处理
。
具体步骤为：
[0024]1)
从获取的自动监测站点的水质数据中提取出水质监测断面的经纬度以及水质参数数据
。
提取水质监测站点具体监测时间
、
监测指标与站点经纬度，即水质数据时间和空间分布情况
。
[0025]2)
判断水质监测断面是否为纯水像元，保留纯水像元作为有效监测断面
。
具体操作步骤为：将水质监测断面放入
Arcgis
软件的湖泊底图中，根据静止卫星的空间分辨率以及坐标系划分经纬网，判断水质监测断面是否为纯水像元，经纬网当中没有陆地
。
[0026]3)
对有效监测断面的水质数据进行筛选异常值与删除空白值处理
。
根据
《
地表水环境质量标准
》
去除异常值与缺失值
。
具体操作步骤为：将获取到的水质数据的缺失值进行剔除，采用3σ
原则，保留区间
X
mean
‑3×
X
std
,X
mean
+3
×
X
std
内浓度数据作为模型所用的水质实测数据，区间外视为异常数据并予以剔除，其中，
X
mean
为当前监测断面水质指标平均值，
X
std
为当前监测断面水质指标标准差
。
[0027]二
、
获取所研究湖库水体的历史时间序列的静止卫星遥感影像及数据处理
。
具体步骤为：
[0028]1)
下载静止卫星遥感影像
。
根据喜马威监测器
P
‑
free
系统
(https://www.eorc.jaxa.jp/ptree/)
获取的全圆盘遥感影像
。
[0029]2)
对湖库水体的历史时间序列所对应的静止卫星遥感数据进行解析
。
...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习的静止卫星多指标水质反演方法，其特征在于，包括以下步骤：
S1
：获取所研究湖库水体中历史时间序列自动监测站点的水质数据及处理；
S2
：获取所研究湖库水体的历史时间序列的静止卫星遥感影像及数据处理；
S3
：对所获取的自动监测站点的水质数据与解析后的遥感数据进行时空融合匹配；
S4
：对时空融合数据集中的日期进行余弦化操作；
S5
：对反演数据集进行数据处理；
S6
：基于水质反演数据集，利用机器学习算法反演水质参数，经性能评估择优选取水质反演模型；
S7
：基于最佳模型，对研究区域进行静止卫星遥感数据水质反演，得到水质反演指标值，根据水质环境规范等对超标指标进行预警工作，实现水质的动态监测
。2.
根据权利要求1所述的基于机器学习的静止卫星多指标水质反演方法，其特征在于：所述步骤
S1
具体包括以下步骤：
S11
：从获取的自动监测站点的水质数据中提取出水质监测断面的经纬度以及水质参数数据，提取水质监测站点具体监测时间
、
监测指标与站点经纬度，即水质数据时间和空间分布情况；
S12
：判断水质监测断面是否为纯水像元，保留纯水像元作为有效监测断面；
S13
：对有效监测断面的水质数据进行筛选异常值与删除空白值处理：将获取到的水质数据的缺失值进行剔除，采用3σ
原则，保留区间
X
mean
‑3×
X
std
,X
mean
+3
×
X
std
内浓度数据作为模型所用的水质实测数据，区间外视为异常数据并予以剔除，其中，
X
mean
为当前监测断面水质指标平均值，
X
std
为当前监测断面水质指标标准差
。3.
根据权利要求2所述的基于机器学习的静止卫星多指标水质反演方法，其特征在于：所述步骤
S2
具体为：
S21
：下载静止卫星遥感影像；
S22
：结合水质监测断面经纬度查询监测断面的像元坐标，根据像元坐标对湖库水体的历史时间序列所对应的静止卫星遥感数据进行解析；
S23
：对湖库水体的历史时间序列的静止卫星遥感数据进行辐射校正操作：先使用改进后的
6S
模型对静止卫星遥感数据进行大气校正，然后将大气校正后的表观反射率进行水体校正，最后将校正后的亮温数据转换为表面温度；使用公式
(1)
和公式
(2)
将大气校正后的亮度温度数据转换为亮温数据，使用公式
(3)
计算得到表面温度数据：计算得到表面温度数据：计算得到表面温度数据：其中，
T
b
为亮温，
c1和
c2为常数，
L
sfc
为地表亮度温度，
L
为大气校正后的亮度温度数据，
T
a
为地表温度，
T
s
为表面温度，
λ1为亮温波段中的比例常数，
ρ
v
为大气水汽含量，
e
为水汽压力；将远程感知反射率中对应太阳天顶角小于
60
°
的部分视为有效数据，对远程感知反射率采用公式
(4)
进行修正，以避免由于太阳天顶角的偏移对反射率造成的误差；当1波段的
Rrs≤0.25
时，所获得的反射率基本上不受太阳闪烁

【专利技术属性】
技术研发人员：史凯方，陈国昕，郎琪，黄跃飞，王鹏，
申请(专利权)人：青海大学，
类型：发明
国别省市：