一种基于机器学习的高空间分辨率遥感水质检测方法技术

本发明专利技术涉及一种基于机器学习的高空间分辨率遥感水质检测方法，通过筛选无云

【技术实现步骤摘要】
一种基于机器学习的高空间分辨率遥感水质检测方法


[0001]本专利技术属于水体检测
，尤其涉及一种基于机器学习的高空间分辨率遥感水质检测方法
。

技术介绍

[0002]水危机在全球十大风险中排名第五
,
主要包括水污染和水资源短缺
。
其中水污染作为一个复杂的问题，严重制约了经济发展和经济政策的制定，也威胁着人们的身体健康
。
水质监测是水质评价和水污染防治的重要依据，随着水体污染问题的日益严重，对水污染的动态监测与评价的需求也越来越急迫，采用准确
、
快速
、
低成本的水质监测手段尤其重要
。
[0003]传统的水质监测是通过布设采样点，在原位获得精确的水质参数，但分析过程复杂，数据的时效性和频次远远不能满足管理和决策的要求，特别是针对突发性
、
大范围的水环境事件，以及水质污染溯源调查支持非常有限
。
水质自动监测技术可以对目标水体进行全天候实时监测，可有效反映水质现状及其变化情况，但其造价高昂，对于较大范围的水域需布置多个监测点，经济成本极大
。
[0004]卫星遥感具有大尺度
、
高频次
、
低成本的特点，非常适合水质监测，较地面监测更加实用和经济，可以有效弥补传统和自动监测的缺点，也可以比较容易的集成到地理信息中
。
[0005]遥感水质参数反演研究主要为悬浮物
、
黄色物质
、<br/>叶绿素
a
等水色水质参数，以及总磷
、
总氮
、
电导率
、
高锰酸盐指数等非水色水质参数
。
遥感水质反演的关键是剖析卫星传感器接收到的离水辐射与水质参数浓度之间的关系
。
通常，基于遥感的水质参数反演主要分为四类，即生物光学模型
、
经验模型
、
半经验半分析模型和机器学习模型
。
自水质遥感反演应用以来，常见的水质参数反演研究主要是针对具有光学机理和较明显的光谱响应的水色水质参数，而氮磷等非水色水质参数由于不具备明显的光谱特征，常规的遥感反演方法精度往往有限，且很难具备普适性
。
[0006]近年来，机器学习算法已被证明具有强大的特征识别和学习能力，可以使用复杂的网络和结构来捕捉输入数据的丰富特征，并获得与输出变量的显式关系
。
因此，该方法可以有效捕捉不同水体的光谱特征，综合分析光谱特征与水质参数之间的潜在关系，为卫星进行大规模
、
长期的水质参数反演提供良好的技术支持
。
[0007]此外，传统的遥感手段均面临着数据下载量大
、
处理时间长
、
存储要求高等诸多缺陷，这些缺陷也阻碍了长时间序列水质参数遥感监测的进一步推广
。
而目前针对大尺度的遥感水质有着长期监测的迫切需求，如何实现对内陆水体，特别是小面积水体的大尺度
、
长期水质监测成为了目前需要解决的技术问题
。

技术实现思路

[0008]本专利技术的目的是提供一种基于机器学习的高空间分辨率遥感水质检测方法，可对
湖泊
、
河流等水体进行包括总磷
、
总氮
、
高锰酸盐指数
、
浊度
、
电导率和蓝藻密度等水质参数在内的快速遥感反演与监测，以实现高空间分辨率遥感水质反演与监测的快速
、
自动化解析，
[0009]解决了现有技术中遥感水质反演普适性差
、
数据处理量大
、
流程周期长的缺点，特别是可对大尺度
、
长时间序列的水质进行快速监测，同时可以更有利于针对面积较小水体的遥感水质检测
。
[0010]为了实现上述目的，本专利技术采用了如下技术方案：
[0011]一种基于机器学习的高空间分辨率遥感水质检测方法，包括如下步骤：
[0012]S1、
获得数据，通过
Sentinel
‑2卫星获得经过辐射定标和大气校正的待检测区域的大气底层反射率数据；
[0013]S2、
数据处理，对
S1
中的数据进行云像素
、
水华和水生植物像素处理，并进行水体像素提取，基于各波段反射率，引入改进型归一化水体指数
、
归一化植被指数
、
浮藻指数
、
黑臭水体差值指数
、
改进型黑臭比值指数
、
水体清洁指数
、FUI
颜色指数
、Index1、Index2
波段组合作为特征变量进行模型训练并与地面监测点进行时间
、
空间匹配，形成有效的数据样本集；
[0014]S3、
数据训练和模型构建，将各水质参数的样本集按照
7:2:1
的比例分为训练集
、
验证集和测试集，进行随机森林训练和建模，以程序运行效率和测试集精度为原则进行调参，最终确定各水质参数的特征集和模型参数
。
[0015]优选地，所述
S2
中云像素处理还包括如下步骤：
[0016]S21、
采用单波段阈值
R
rs
(664nm)&gt;0.2
作为云掩模进行云层干扰的过滤
。
[0017]优选地，所述
S2
水华和水生植物像素处理包括如下步骤：
[0018]S22、
基于归一化植被覆盖指数对待检测区进行水华和水生植物的干扰进行过滤，阈值设为0，且一并作为特征变量参与机器学习模型构建，所述归一化植被覆盖指数的公式为：
[0019]NDVI
＝
(R
rs
(nir)
‑
R
rs
(red))/(R
rs
(nir)+R
rs
(red))
ꢀꢀꢀꢀ
(1)
[0020]式中，
R
rs
(red)、R
rs
(nir)
分别为红
、
近红波段的反射率，对应
sentinel
‑2的
B4(665nm)
和
B8(833nm)。
[0021]优选地，所述
S2
中水体像素提取包括如下步骤：
[0022]S23、
基于改进归一化水体指数对待检测区域水体边界进行矢量提取，阈值设为0，且一并作为特征变量参与机器学习模型构建，所述改进归一化水体指数的公式为：
[0023]MNDWI
＝
(R本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习的高空间分辨率遥感水质检测方法，其特征在于，包括如下步骤：
S1、
获得数据，通过
Sentinel
‑2卫星获得经过辐射定标和大气校正的待检测区域的大气底层反射率数据；
S2、
数据处理，对
S1
中的数据进行云像素
、
水华和水生植物像素处理，并进行水体像素提取，基于各波段反射率，引入改进型归一化水体指数
、
归一化植被指数
、
浮藻指数
、
黑臭水体差值指数
、
改进型黑臭比值指数
、
水体清洁指数
、FUI
颜色指数
、Index1、Index2
波段组合作为特征变量进行模型训练并与地面监测点进行时间
、
空间匹配，形成有效的数据样本集；
S3、
数据训练和模型构建，将各水质参数的样本集按照
7:2:1
的比例分为训练集
、
验证集和测试集，进行随机森林训练和建模，以程序运行效率和测试集精度为原则进行调参，最终确定各水质参数的特征集和模型参数
。2.
根据权利要求1所述的一种基于机器学习的高空间分辨率遥感水质检测方法，其特征在于，所述
S2
中云像素处理还包括如下步骤：
S21、
采用单波段阈值
R
rs
(664nm)&gt;0.2
作为云掩模进行云层干扰的过滤
。3.
根据权利要求2所述的一种基于机器学习的高空间分辨率遥感水质检测方法，其特征在于，所述
S2
水华和水生植物像素处理包括如下步骤：
S22、
基于归一化植被覆盖指数对待检测区进行水华和水生植物的干扰进行过滤，阈值设为0，且一并作为特征变量参与机器学习模型构建，所述归一化植被覆盖指数的公式为：
NDVI
＝
(R
rs
(nir)
‑
R
rs
(red))/(R
rs
(nir)+R
rs
(red))
ꢀꢀꢀꢀ
(1)
式中，
R
rs
(red)、R
rs
(nir)
分别为红
、
近红波段的反射率，对应
sentinel
‑2的
B4(665nm)
和
B8(833nm)。4.
根据权利要求3所述的一种基于机器学习的高空间分辨率遥感水质检测方法，其特征在于，所述
S2
中水体像素提取包括如下步骤：
S23、
基于改进归一化水体指数对待检测区域水体边界进行矢量提取，阈值设为0，且一并作为特征变量参与机器学习模型构建，所述改进归一化水体指数的公式为：
MNDWI
＝
(R
rs
(green)
‑
R
rs
(swir))/(R
rs
(green)+R
rs
(swir))
ꢀꢀꢀꢀ
(2)
式中，
R
rs
(green)、R
rs
(swir)
分别为绿
、
短波红外波段的反射率，对应
sentinel
‑2的
B3(560nm)
和
B11(1613nm)。5.
根据权利要求4所述的一种基于机器学习的高空间分辨率遥感水质检测方法，其特征在于，所述
S2
中引入的浮藻指数特征变量处理包括如下步骤：
S24、
使用浮藻指数作为模型训练的输入特征之一，所述浮藻指数的公式为：
FAI
＝
R
rs
(nir)
‑
R
′
rc
(nir)
式中，
R
rs
(red)、R
rs
(nir)、R
rs
(swir)
分别为红
、
近红和短波红外波段的反射率，对应
sentinel
‑2的
B4(664nm)、B8(833nm)
和
B11(1613nm)。6.
根据权利要求5所述的一种基于机器学习的高空间分辨率遥感水质检测方法，其特征在于，所述
S2
中引入的黑臭水体差值指数
、
水体清洁指数和改进型黑臭比值指数特征变量处理包括如下步骤：
S25、
黑臭水体差值指数
、
水体清洁指数和改进型黑臭比值指数均是为识别水色异常而
设立的指数，分别为
DBWI、WCI
和
BOI
，其对应
sentinel
‑2的计算公式分别如下：
DBWI
＝
(R
rs
(gteen)
‑
R
rs
(red))/(R
rs
(green)+R
rs
(red))BOI
＝
(R
rs
(green)
‑
R
rs
(red))/(R
rs
(bl...

【专利技术属性】
技术研发人员：宋挺，
申请(专利权)人：苏州梦伯乐信息科技有限公司，
类型：发明
国别省市：