阅读说明：本技术 天空地一体化高光谱水质监测分析方法 (Sky-ground integrated hyperspectral water quality monitoring and analyzing method ) 是由 郭锋 赵兴圆 周淑媛 吕薇 洪平 李德为 张延敏 宋勇军 邢璐 夏之雨 于 2019-11-29 设计创作，主要内容包括：本发明提供了一种天空地一体化高光谱水质监测分析方法,包括以下步骤：S1、水质监测数据采集,包括高光谱数据采集和水体水样数据采集；S2、水质监测数据处理,针对采集到的多源水质监测数据进行数据处理；S3、水质参数反演模型建立,根据多源高光谱监测数据建立水质参数反演模型,通过基于人工智能的反演模型对水质参数建模；S4、水质参数反演分析。本发明的有益效果是：既可以满足大范围水质监测的需要,也可以反映水质在空间和时间上的分布和变化情况,弥补了单一采用水面采样的不足,同时还能发现一些常规方法难以揭示的污染源分布以及污染物的迁移特性和影响范围,为科学监测水环境提供依据,具有高动态、低成本和宏观性的显著特点。(The invention provides a sky-ground integrated hyperspectral water quality monitoring and analyzing method, which comprises the following steps: s1, collecting water quality monitoring data, including hyperspectral data collection and water sample data collection; s2, processing water quality monitoring data, and processing the data according to the collected multi-source water quality monitoring data; s3, establishing a water quality parameter inversion model according to multi-source hyperspectral monitoring data, and establishing a water quality parameter model through an inversion model based on artificial intelligence; and S4, performing inversion analysis on the water quality parameters. The invention has the beneficial effects that: the method can meet the requirement of large-range water quality monitoring, can reflect the distribution and change conditions of water quality in space and time, makes up for the defect of single water surface sampling, can find pollution source distribution and pollutant migration characteristics and influence ranges which are difficult to disclose by a conventional method, provides a basis for scientifically monitoring the water environment, and has the remarkable characteristics of high dynamic, low cost and macroscopic property.)

天空地一体化高光谱水质监测分析方法

技术领域

本发明涉及水质监测分析方法，尤其涉及一种天空地一体化高光谱水质监测分析方法。

背景技术

我国城市水体水质日益恶化以及淡水资源的紧缺已经引起国家和社会的高度重视。水体污染现象在城市河道中越来越常见，已成为城市水环境中普遍存在的问题之一，严重影响城市形象、生态环境和市民身心健康。内陆水体其水质影响到人们的生产和生活，因而准确高效的水质监测显得尤为重要，水质监测是水质评价与水污染防治的主要依据，因此意义愈显重大。

常规水环境监测方法是对要监测的水体采集水样，送到实验室进行水质分析，或建设水质监测网点，这些方法虽然能对众多的水质参数做出精确的分析和评价，但是费时费力，不经济，而且水样采集和分析的数量很有限，对于整个水体而言，这些测点数据只具有局部和典型的代表意义，也不足以反映水污染的时空变化。

发明内容

为了解决现有技术中的问题，本发明提供了一种天空地一体化高光谱水质监测分析方法。

本发明提供了一种天空地一体化高光谱水质监测分析方法，包括以下步骤：

S1、水质监测数据采集，包括高光谱数据采集和水体水样数据采集；

S2、水质监测数据处理，针对采集到的多源水质监测数据进行数据处理；

S3、水质参数反演模型建立，根据多源高光谱监测数据建立水质参数反演模型，通过基于人工智能的反演模型对水质参数建模；

S4、水质参数反演分析，基于水质参数反演模型得出各类水质参数的反演结果，并结合空间信息对水质参数的分布情况、污染源分析提供依据。

作为本发明的进一步改进，在步骤S1中，水质高光谱数据采集包括：采集卫星高光谱遥感数据、机载高光谱遥感数据、地面高光谱仪器数据，其中，卫星高光谱数据主要采用国产高分五号卫星，该卫星的优势在于可见短波红外高光谱相机在提高性能指标的同时，大幅改善图像清晰度，着力消除图像光谱的畸变，配置了丰富的定标手段以确保数据的高精度和高稳定性，因此对城市水体成分的探测十分精确，机载高光谱数据采集利用国产自主研发的无人机，搭载高光谱成像仪在试验区内进行影像数据获取，飞行方式通过自动飞行航线/手动悬停获取，并同步使用ASD-FR获取标准白板及各靶标地面实测光谱数据；然后利用高光谱仪配套软件进行黑板校正，获得校正后高光谱辐射量影像数据，地面高光谱数据采用国产自主研发的LCTF高光谱成像仪，与传统的光栅推扫型成像光谱仪相比，通过电控实现快速光谱连续或间断调谐，无推扫过程，光路简单，具有体积小、重量轻、易于安装和带、扫描速度快、波长可自由选取等特点，可与三角架、操作台配合使用，亦可搭载在小型机载平台上。

作为本发明的进一步改进，在步骤S1中，水体水样数据采集包括：在实验区选择合适的采样点进行水样数据采集，在河流水质变化较大区域进行采样，采集后的样本装在棕色瓶内密封冷冻保存，5-8小时内送到实验室测量，采样需同步测量野外光谱，拍摄取样点水体及周边的照片。

作为本发明的进一步改进，步骤S2包括以下子步骤：

S21、卫星高光谱数据处理；

对卫星高光谱数据进行卫星遥感图像的预处理，包括辐射校正、大气校正、几何校正、光谱特征分析，其中，大气校正是水质反演的关键问题，准确获取水色要素遥感信息的前提是要进行大气校正，去除大气分子和气溶胶的影响，得到校正后的卫星高光谱数据；

(2)机载高光谱数据处理；

机载高光谱数据处理主要包含波段分类、单波段影像数据镶嵌、波段配准以及标准白板校正，当飞行方式为悬停时，只需波段配准和标准白板校正；首先对经过黑板校正预处理后的高光谱辐射量影像数据进行波段分类，然后对各单波段影像进行镶嵌处理，再对镶嵌后影像进行波段配准；最后利用地面实测标准白板反射率数据进行白板校正，最终得到RGB假彩色合成反射率影像数据；

(3)地面成像光谱数据处理；

针对地面成像光谱仪采集回来的数据进行文件名标准化处理，同时进行不合格曲线和数据的剔除对光谱仪原始数据进行筛选，然后利用反射率计算方程计算目标反射率，把同一目标的多条光谱数据进行算术平均，最终利用平滑滤波对数据进行平滑处理。

作为本发明的进一步改进，在步骤S3中，采用随机森林算法模型，基于N次有放回的随机采样之后抽取与原始样本数目一样的数据从而产生多个训练集，即Bootstrap算法，随机森林的基本分类单元为决策树{h(X，θ_k)，k＝1，2，....，K}，该算法是一个包含多个决策树的分类器，并且其输出类别由决策树输出类别的众数决定。

作为本发明的进一步改进，随机森林算法模型建立详细步骤如下：

第一步：利用Bootstrap算法重采样原始数据样本集X，随机生成K个训练样本集X1，X2，X3………Xk；

第二步：利用每个生成的训练集，生成对应的决策树T1，T2....Tk，在每个中间节点上选择mtry个属性中最佳***方式的属性作为当前节点的***属性在此节点上进行分类；

第三步：每棵决策树都完整生长；

第四步：将每棵决策树对原始数据样本集X进行测试分类；

第五步：采用投票的方式，将K棵决策树输出最多的类别作为原始数据样本集X的所属类别，最终决策分类为如下公式：

上式中：H(x)表示分类组合模型，h_i是单个决策树分类模型，I(·)为示性函，Y表示目标变量或输出变量；

第六步：根据训练好的随机森林评价模型对水质进行评价。

作为本发明的进一步改进，步骤S4包括传感器通道转换、模型精度评价、基于遥感水质参数的空间制图与污染源的空间分析。

作为本发明的进一步改进，所述传感器通道转换包括：通过卷积运算将野外实测的反射率采集到对应的传感器通道，具体计算公式如下：

上式中，λ为波长，λmin为通道的起始波长，λmax为通道的终止波长，

r(λ)为对应λ波长的地表反射率，f(λ)为光谱响应函数。

作为本发明的进一步改进，所述模型精度评价包括：随机抽取1/3的不少于10个点位的地面实测数据采用均方根误差RMSE、平均相对误差MRE、平均绝对误差MAE评价水质参数反演模型的精度以及传感器水质参数空间制图的精度；

RMSE计算如公式如下：

RMSE＝[∑(measurement_i-predicted_i)²/(N)]^0.5

式中measurement_i为实测值，predicted_i为模型估计值，N为自由度；

MRE评价模型的精度，计算公式如下：

MRE＝[100×|measurement-predicted|/measurement]％

MAE评价模型的精度，计算公式如下：

作为本发明的进一步改进，所述基于遥感水质参数的空间制图与污染源的空间分析包括：将构建的水质参数模型用于卫星、机载和地面高光谱传感器数据，获得进行TSS、Chla、CDOM参数的反演结果，并进行水质参数空间制图，对其进行定量分析，同时也可结合土地利用情况以及水质污染状况分析水质污染的主要成因。

本发明的有益效果是：通过上述方案，既可以满足大范围水质监测的需要，也可以反映水质在空间和时间上的分布和变化情况，弥补了单一采用水面采样的不足，同时还能发现一些常规方法难以揭示的污染源分布以及污染物的迁移特性和影响范围，为科学监测水环境提供依据，具有高动态、低成本和宏观性等显著特点。

具体实施方式

下面结合具体实施方式对本发明作进一步说明。

一种天空地一体化高光谱水质监测分析方法，主要步骤包括水质监测数据采集、水质监测数据处理、水质参数反演模型建立和水质参数反演分析。

以下为详细介绍：

1、水质监测数据采集

数据采集包括高光谱数据采集和水体水样数据采集。

(1)水质高光谱数据采集：水质高光谱数据采集涵盖天、空、地一体化的采集手段，包括采集卫星高光谱遥感数据、机载高光谱遥感数据、地面高光谱仪器数据。卫星高光谱数据主要采用国产高分五号卫星，该卫星的优势在于可见短波红外高光谱相机在提高性能指标的同时，大幅改善图像清晰度，着力消除图像光谱的畸变，配置了丰富的定标手段以确保数据的高精度和高稳定性，因此对城市水体成分的探测十分精确。机载高光谱数据采集利用国产自主研发的无人机，搭载高光谱成像仪在试验区内进行影像数据获取，飞行方式通过自动飞行航线/手动悬停获取，并同步使用ASD-FR获取标准白板及各靶标地面实测光谱数据；然后利用高光谱仪配套软件进行黑板校正，获得校正后高光谱辐射量影像数据。地面高光谱数据采用国产自主研发的LCTF高光谱成像仪，与传统的光栅推扫型成像光谱仪相比，通过电控实现快速光谱连续或间断调谐，无推扫过程，光路简单，具有体积小、重量轻、易于安装和带、扫描速度快、波长可自由选取等特点，可与三角架、操作台配合使用，亦可搭载在小型机载平台上。

(2)水体水样数据采集：在实验区选择合适的采样点进行水样数据采集，在河流水质变化较大区域进行采样(大约1-2km采集一个点位)，采集后的样本装在棕色瓶内密封冷冻保存，5-8小时内送到实验室测量。采样需同步测量野外光谱，拍摄取样点水体及周边的照片。

2、水质监测数据处理

针对采集到的多源水质监测数据进行数据处理，具体包括以下步骤：

(1)卫星高光谱数据处理

对卫星高光谱数据进行辐射校正、大气校正、几何校正、光谱特征分析等卫星遥感图像的常见预处理，其中大气校正是水质反演的关键问题，准确获取水色要素遥感信息的前提是要进行大气校正，去除大气分子和气溶胶的影响，得到校正后的卫星高光谱数据。

(2)机载高光谱数据处理

机载高光谱数据处理主要包含波段分类、单波段影像数据镶嵌、波段配准以及标准白板校正(当飞行方式为悬停时，只需波段配准和标准白板校正)。首先对经过黑板校正预处理后的高光谱辐射量影像数据进行波段分类，然后对各单波段影像进行镶嵌处理，再对镶嵌后影像进行波段配准；最后利用地面实测标准白板反射率数据进行白板校正，最终得到RGB假彩色合成反射率影像数据。

(3)地面成像光谱数据处理

针对地面成像光谱仪采集回来的数据进行文件名标准化处理，同时进行不合格曲线和数据的剔除对光谱仪原始数据进行筛选，然后利用反射率计算方程计算目标反射率，把同一目标的多条光谱数据进行算术平均，最终利用平滑滤波对数据进行平滑处理。

3、水质参数反演模型建立

根据多源高光谱监测数据建立水质参数(包括TSS、Chla、CDOM)反演模型，可通过基于人工智能的反演模型对水质参数建模。这里采用随机森林算法模型，基于N次有放回的随机采样之后抽取与原始样本数目一样的数据从而产生多个训练集(Bootstrap算法)。随机森林的基本分类单元为决策树{h(X，θ_k)，k＝1，2，....，K}，该算法是一个包含多个决策树的分类器，并且其输出类别由决策树输出类别的众数决定。以下为随机森林模型建立详细步骤：

第一步：利用Bootstrap法重采样原始数据样本集X，随机生成K个训练样本集X1，X2，X3………Xk。

第二步：利用每个生成的训练集，生成对应的决策树T1,T2....Tk，在每个中间节点上选择mtry个属性中最佳***方式的属性作为当前节点的***属性在此节点上进行分类；

第三步：每棵决策树都完整生长。

第四步：将每棵决策树对原始数据样本集X进行测试分类；

第五步：采用投票的方式，将K棵决策树输出最多的类别作为原始数据样本集X的所属类别。最终决策分类为如下公式：

上式中：H(x)表示分类组合模型，h_i是单个决策树分类模型，I(·)为示性函，Y表示目标变量或输出变量。

第六步：根据训练好的随机森林评价模型对水质进行评价。

4、水质参数反演分析

基于水质参数反演模型可得出各类水质参数的反演结果，并结合空间信息对水质参数的分布情况、污染源分析提供依据。具体步骤包括传感器通道转换、模型精度评价、基于遥感水质参数的空间制图与污染源的空间分析。

(1)传感器通道转换

由于地面采集的数据光谱分辨率为1nm，而与空间传感器获得遥感影像每个通道的光谱分辨率不一致，为了保持地面光谱与遥感影像光谱分辨率的一致性，以及基于地面构建的反演模型对高空传感器的适用性，在模型校正与验证前，通过卷积运算将野外实测的反射率采集到对应的传感器通道。具体计算公式如下：

上式中，λ为波长，λmin为通道的起始波长，λmax为通道的终止波长，r(λ)为对应λ波长的地表反射率，f(λ)为光谱响应函数。

(2)模型精度评价

随机抽取1/3的地面实测数据(不少于10个点位)采用均方根误差(RMSE)、平均相对误差(MRE)、平均绝对误差(MAE)评价水质参数反演模型的精度以及传感器水质参数空间制图的精度。

RMSE计算如公式如下：

RMSE＝[∑(measurement_i-predicted_i)²/(N)]^0.5

式2中measurement_i实测值，predicted_i为模型估计值，N为自由度。

MRE评价模型的精度，计算公式如下：

MRE＝[100×|measurement-predicted|/measurement]％

MAE评价模型的精度，计算公式如下：

(3)基于遥感的水质空间制图分析

将构建的水质参数模型用于卫星、机载和地面高光谱传感器数据，获得进行TSS、Chla、CDOM参数的反演结果，并进行水质参数空间制图，对其进行定量分析，同时也可结合土地利用情况以及水质污染状况分析水质污染的主要成因。

高光谱的光谱分辨力小于10nm，能产生一条连续的波谱曲线，详细刻画出不同水质的水体波谱曲线，高光谱遥感技术有望解决城市水质参数反演的难题。随着近年来国内遥感、遥测及高光谱技术的发展，已形成成熟的对地观测影像系列产品，相对于进口数据源，国产数据有国家产业扶持政策，具有更好的性价比，可极大的降低数据建设成本。

本发明基于最先进的国产高光谱遥感技术与高精度业务化水环境遥感反演分析算法，提出了建立天空地一体化高光谱水质监测分析方案，对河流水质水样化验结果进行分析，选择关键的参数，如悬浮物(TSS)、叶绿素(Chla)、可溶性有机物(CDOM)等数据，建立遥感反演模型，利用天地空一体化高光谱水质信息进行大面积范围内水环境指标的空间分布制图及定量分析，在一定程度上弥补水面采样观测时空间隔大且费时费力的缺陷和困难，同时可发现一些常规方法难以揭示的污染物排放源、迁移扩散方向以及影响范围等特征，有利于查明污染物的来龙去脉，为科学地布设地面监测点提供依据，为河流的有效治理提供必要参考。

本发明提供的一种天空地一体化高光谱水质监测分析方法，针对叶绿素、悬浮物、CDOM等水质参数进行监测分析。该技术具有高动态、低成本和宏观性等显著特点，在河湖水质监测研究方面有着常规监测不可替代的优点。既可以满足大范围水质监测的需要，也可以反映水质在空间和时间上的分布和变化情况，弥补了单一采用水面采样的不足，同时还能发现一些常规方法难以揭示的污染源分布以及污染物的迁移特性和影响范围，为科学监测水环境提供依据。

本发明提供的一种天空地一体化高光谱水质监测分析方法，集成了卫星高光谱遥感、机载高光谱遥感、地面高光谱遥感等天空地采集硬件设备，以天空地一体化水质立体感知方式，将传统物联网与空间信息技术相结合，使感知更全面，方式更灵活，实现了点线面体的全面感知，可对固定水域各点、各区水质参数情况的全覆盖快速获取。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。