基于分段映射模型的水质参数遥感反演研究

合集下载

基于高光谱遥感技术的积水沉陷区水深反演模型的研究

基于高光谱遥感技术的积水沉陷区水深反演模型的研究
孟祥来，继文，朱张贺
（龙江工程学院测绘工程学院，黑黑龙江哈尔滨１０５）５００
摘
要：光谱遥感是当前内陆水监测的一个重要发展趋势，有效地捕捉这些水体光谱信息的必要手段。在遥感高是
图１不同叶绿素浓度的水体光谱曲线
物浓度相关性较高的波段范围为：悬浮物浓度水低体在５０７ｍ和７００ｍ处，关系数的５￣５０ｎ５￣９０ｎ相
图２为沉陷区中心部分采样点，叶绿素ａ的单位吸收系数随深度有较大的变化，尤其在短波峰值附近上层水体的叶绿素ａ单位吸收系数要偏大很
ｄｐｈｑａｔｔｔｖｅｏｅｓｎｉｇｍｏｅｓｂｉｎｔｐｏｉｅｏｅｅｅｃａｕｏｔｒｑａｉｏｅｔｕｎｉａｉｅｒｍｔｅｓｎｄｌｕｌａｄｉｒｖｄｓｓｍｅｒｆｒｎｅｖｌｅｆｒｗａｅｕｌｙｍ — ｉｔｔｎｔｒｎｎｅｓｒｍｅｔｏｔｒｄｐｈｉｏｉｇａｄｍａｕｅｎｆｗａｅｅｔ．
ｔｒｄｐｔｈａｇｅ．Ａｎｌｉｆｄｆｅｅｔｃｏｏｅｅｈｃｎｓａｙｓｓｏｉｆｒｎｈｌｒｐｈｙｌａｃｎｃｎｔａｉｎ，ｕｓｎｄｐｒｉｌｉｅｏｕｓｎｄｄｌ— ｏｅｒｔｏｓｐｅｄｅａｔｃｅｓｚｆｓｐｅｅ

基于遥感数据的鄱阳湖水体后向散射系数反演

基于遥感数据的鄱阳湖水体后向散射系数反演翟彦放;邱月;陈方圆;邬国锋【摘要】水体后向散射系数是水体的重要光学特性之一,也是水质生物光学反演模型的重要参数之一,对其研究具有重要意义。

利用2010年10月鄱阳湖实测水体后向散射系数、吸收系数和遥感光谱数据,建立基于生物光学模型的水体后向散射系数反演模型(420 nm,470 nm,510 nm,590 nm和700 nm),模型校准和验证阶段的决定系数分别为0．739~0．866和0．684~0．827,RMSE基本上均小于0．4。

结果表明光谱数据和生物光学模型在反演鄱阳湖水体后向散射系数具有很大的潜力。

%Backscattering coefficient is one of the important water optical properties,and it is also an important in-putting parameter deriving water quality bio-optical model. This study aimed to establish the water backscattering coeffi-cient inversion model(420,470,510,590 and 700nm) using bio-optical model combined with the backscattering coeffi-cient,absorption coefficient and remote sensing data in Poyang lake in October of 2010. The results showed that:the de-termination coefficients of models in calibration and validation ranged from 0. 739 to 0. 866 and from 0. 684 to 0. 827,re-spectively,and the RMSE values were mostly less than 0. 4. We concluded that remote sensing data and bio-optical mod-el held great potential in retrieving backscattering coefficient of water body in Poyang Lake.【期刊名称】《城市勘测》【年(卷),期】2016(000)003【总页数】5页(P71-75)【关键词】鄱阳湖;生物光学模型;后向散射系数;水质遥感反演【作者】翟彦放;邱月;陈方圆;邬国锋【作者单位】国家测绘地理信息局重庆测绘院，重庆 400014;重庆市勘测院，重庆 400020;武汉大学资源与环境科学学院，湖北武汉 430079;海岸带地理环境监测国家测绘地理信息局重点实验室&空间信息智能感知与服务深圳市重点实验室&深圳大学生命科学学院，广东深圳 518060【正文语种】中文【中图分类】TP701水体后向散射系数是水体固有光学特性之一[1]，也是构建水质参数生物光学反演模型的重要输入参数之一[2]，而且与水体生物、物理和化学环境以及地理要素存在紧密联系[1]，因此其研究对水质反演和监测以及水体保护和管理具有重要意义。

基于光谱分层的浅海水深遥感反演方法

基于光谱分层的浅海水深遥感反演方法1. 引言浅海水深是海洋环境的重要指标之一，它不仅影响着海洋生物的分布和生长，还对海洋工程和资源的开发利用具有重要意义。

准确快速地获取浅海水深信息对于海洋研究和利用具有重要意义。

传统的获取浅海水深信息的方法主要是通过水下测深仪进行地面观测，这种方法存在着工作效率低、成本高、受天气影响大等问题。

而基于光谱分层的浅海水深遥感反演方法则可以通过卫星遥感技术实现对海洋水深的快速准确获取，因此备受关注。

2. 基本原理在浅海水域中，水体的吸收、散射和反射作用对光的传播具有重要影响。

水深的不同会导致光在水体中的传播方式和路径发生变化，不同深度的水体对应着不同的光谱特征。

基于光谱分层的浅海水深遥感反演方法利用了这一原理，通过分析水体的光学特性，可以间接推算出水深信息。

3. 数据获取和处理为了实现基于光谱分层的浅海水深遥感反演，首先需要获取海洋的遥感图像数据。

目前，卫星遥感技术已经能够提供高分辨率、多光谱的遥感图像数据，这为浅海水深遥感反演提供了坚实的数据基础。

需要对获取的遥感图像数据进行预处理和特征提取，以获得水体的光学特性信息。

4. 算法模型基于光谱分层的浅海水深遥感反演方法主要依靠遥感图像的光学特性参数和数学模型进行水深反演。

目前，常用的算法模型包括改进的水深反演模型、颗粒摩尼模型等。

这些模型着重于分析水体的反射率、透明度等光学特性参数，通过建立水深与光学特性参数之间的定量关系，实现了对水深的定量估算。

5. 应用与展望基于光谱分层的浅海水深遥感反演方法已经被成功应用于浅海水深的遥感监测与研究中，并取得了一定的成果。

随着遥感技术的不断发展和完善，基于光谱分层的浅海水深遥感反演方法将进一步提高反演水体精度和时效性。

未来，我们可以期待该方法在海洋资源开发、海洋环境监测等领域发挥更大的作用。

6. 个人观点基于光谱分层的浅海水深遥感反演方法作为一种新兴的水深遥感技术，具有很大的应用潜力。

水体参数的遥感反演实验步骤

水体参数的遥感反演实验步骤目标本实验旨在通过遥感技术，反演水体参数，为水环境管理和水生态保护提供科学依据。

通过具体步骤的阐述，揭示遥感反演水体参数的过程，并展示其可行性和优势。

步骤1. 数据采集遥感数据的采集是实验的第一步。

这一阶段，我们需要选择合适的卫星传感器，如Landsat、Sentinel等，以获取水体在不同波段的光谱信息。

此外，还需获取水体的地理位置、形状、水深等辅助信息。

2. 数据预处理原始遥感数据需要进行一系列的预处理，包括辐射定标、大气校正、地形校正等，以消除噪声和其他干扰因素。

这一步骤是遥感数据处理的关键环节，可以有效提高数据的质量和准确性。

3. 特征提取在预处理的数据中，我们需要提取与水体参数相关的特征。

这些特征可能包括水体的颜色、纹理、形状等。

通过运用机器学习算法，从预处理的数据中挖掘出这些特征，为后续的反演提供依据。

4. 模型构建与训练利用提取的特征和已知的水体参数，构建并训练预测模型。

常用的模型包括支持向量机（SVM）、随机森林（RF）、神经网络等。

通过交叉验证等技术，评估模型的性能，并对模型进行优化，以提高预测精度。

5. 水体参数反演利用训练好的模型和实时获取的遥感数据，对水体参数进行反演。

这一步骤将遥感数据转化为具有实际意义的水体参数，为水环境管理和保护提供科学依据。

实例支持以某湖泊为例，我们通过Landsat 8卫星获取了湖泊在不同波段的光谱信息。

经过预处理和特征提取，我们发现湖泊的水色与波段4（红色光）和波段5（近红外光）的反射率具有显著相关性。

进一步地，我们利用支持向量机模型，以水色为特征，成功预测了湖泊的叶绿素浓度、悬浮物浓度等关键水体参数。

预测结果与实际监测数据具有高度一致性，证明了遥感反演水体参数的可行性和实用性。

看法与能力展现通过本次实验，我们认识到遥感技术在反演水体参数方面的优势。

遥感数据具有覆盖范围广、获取方便、时效性强等特点，使得我们可以快速、准确地获取水体参数信息。

无人机水质遥感监测方法

无人机水质遥感监测方法作者：朱熹刘黎明叶张林来源：《中国水运》2021年第07期摘要：面对高分辨率水质监测的需求，运用无人机多光谱传感器，本文提出了一种水质参数反演方法。

以上海市淀山湖和元荡为实验区，总磷、氨氮、高锰酸盐、溶解氧为待反演水质参数，构建相应的反演模型，基于国家标准得到水质类别。

实验结果显示，各水质参数相对误差均在30%以内，湖内的污染主要集中在细小分支和岸边。

关键词：无人机多光谱;水质监测;水质反演中图分类号：X832 文献标识码：A 文章编号：1006—7973（2021）07-0157-031引言水资源是我们赖以生存的重要资源[1]，然而人类活动对水环境的影响日趋严重。

传统检测方法主要以实验检测法为主，但是该方法需要大量的人力物力，且覆盖范围有限，需要新的手段相结合构建新的水质监测体系。

遥感由于其成本低，速度快，监测面积大等优点被广泛应用于水质监测，但是针对更小尺度上的河道，受限于卫星传感器的时空分辨率，卫星遥感反演的效果受限，此时无人机遥感的优势得以体现[7-8]。

无人机具有机动灵活、操作简便、时空分辨率高等优点，可以根据监测水域特征制定不同的检测方案，及时发现水质问题区域，对于微小水域的水质监测具有重要意义。

目前水質反演方法主要分析法，经验法[2-6]等。

分析法主要基于水体的光谱反射散射特性，建立在光学传输的理论基础之上，具有严密的物理逻辑推演过程，但是所需辅助数据众多，模型构建过程繁琐且具有一定的区域局限性。

而经验法建立在样本数据与光谱数据的统计关系之上，模型构建成本低，指定区域季节内精度较高，但采样难度高难以与卫星影像同步匹配[7-8]。

近些年来无人机的应用领域在不断拓展，其中有针对叶绿素相对含量反演，还有在水环境中应用于水土流失状况分析，但目前针对水质反演的研究还较少，基于此，本文以上海市青浦区金泽镇淀山湖部分区域为实验区，利用样本点、地面光谱仪、纵横无人机及K6多光谱相机构建DO（溶解氧）、CODMN（高锰酸盐指数）、TP（总磷）、TN（总氮）、NH3（氨氮）的遥感反演模型，并验证其精度。

基于卷积神经网络岷江总氮浓度遥感反演研究

《河南水利与南水北调》2023年第12期智慧水利基于卷积神经网络岷江总氮浓度遥感反演研究张洪康，王才元，易珍言（西南科技大学环境与资源学院，四川绵阳621010）摘要：岷江是长江上游重要支流之一，对其水质状况实现大范围快速监测，可为长江流域水污染治理和水环境保护提供数据支撑。

本文利用水质实测数据和Sentinel-2影像，采用卷积神经网络算法，对岷江总氮浓度进行反演，获取时空分布专题图。

研究结果表明：一是模型反演精度较好，验证样本精度R2为0.82，RMSE为0.91mg/L，MAE为0.80mg/L，MAPE为15.43%；二是从空间上看，总氮浓度位于0.69～2.42mg/L之间。

其中，中下游成都段和乐山段浓度较高，可达1.97mg/L，总氮浓度超Ⅳ类水总氮浓度标准；三是从时间上看，岷江中下游在丰水期、平水期及枯水期总氮浓度平均值分别为1.56mg/L、1.50mg/L和1.60mg/L，总氮浓度总体较高且时间变化不明。

关键词：总氮浓度；卷积神经网络；遥感反演中图分类号：TP753文献标识码：A文章编号：1673-8853（2023）12-0121-02Remote Sensing Inversion Study of Total Nitrogen Concentration in Minjiang River Based onConvolutional Neural NetworkZHANG Hongkang,WANG Caiyuan,YI Zhenyan（School of Environment and Resources,Southwest University of Science and Technology,Mianyang621010,China）Abstract：The Minjiang River is one of the important tributaries in the upper reaches of the Yangtze River.The large-scale and rapid monitoring of its water quality can provide data support for water pollution control and water environment protection in the Yangtze River Basin.The measured water quality data and Sentinel-2images are used,combined with the convolutional neural network algorithm,to reverse the total nitrogen concentration of Minjiang River and obtain the spatial and temporal distribution map.The results show the following three points.First,the model inversion accuracy is good.The accuracy of the verified sample R2is0.82, RMSE is0.91mg/L,MAE is0.80mg/L,and MAPE is15.43%.Second,from the perspective of space,the total nitrogen concentration is between0.69and2.42mg/L.The concentration in the middle and lower reaches of Chengdu and Leshan sections is relatively high, reaching1.97mg/L.And the total nitrogen concentration exceeds the standard of total nitrogen concentration in Class IV water.Third, from the perspective of time,the average value of total nitrogen concentration in the middle and lower reaches of the Minjiang River is 1.56mg/L,1.50mg/L and1.60mg/L,respectively.The total nitrogen concentration is generally high and the time change is unknown.Key words：total nitrogen concentration;convolutional neural network;remote sensing inversion1引言遥感数据处理大量使用深度学习技术，基于卷积神经网络的遥感图像语义分割、目标检测和遥感图像降噪已有较好的应用前景。

4.+水体遥感-4.3+水体参数反演

0.08 0.07 0.06 0.05 0.04 0.03 0.02 0.01 0.00
400
55#_Meas 55#_Sim
Cspim＝118
Cspim=118.3; Cspom=21.0; Cchl=14.0; ag440=1.0172.
450 500 550 600 650 700
0.04
0.03
实例：太湖水色参数陆地卫星遥感估算（王得玉，2008）
◼ 以生物光学模型为理论基础，利用实测的水体固有光学特征、表观光学特征和水体组分浓度数据，构建用于水色参数遥感估算的分析模型
◼ 进行分析模型的正向模拟，并进行水体反射率对水色参数的敏感度分析，为选择最佳的估算波段提供理论支持。结果表明：水体遥感反射率对无机悬浮物的敏感度很高，红光和绿光波段最高；对有机悬浮颗粒的敏感度较高，在绿光波段最高；对叶绿素的敏感度较低，其峰值出现在红光波段
◼ 叶绿素a的吸收和后向散射系数
叶绿素a的吸收系数可表达为：
(Pierson and Strombeck, 2001; Ma,2006a)
a ph ()
=
a
* ph
(
)CCHL
=
A( )CC1−HBL( )
为了定义该幂函数关系，需要对测量的每一个波长点光谱（n＝67）用回归方法获取系数A和B
1.0
59#_Meas
59#_Sim
0.03
0.02
0.02 0.01
Cspim＝4.9
Cspim=4.93; Cspom=1.73;
0.01
Cchl=2.62; ag440=0.732.
0.00 400 450 500 550 600 650 700

基于GA优选参数的SVR水质参数遥感反演方法

ａｇｒｔｍ．ｈｄｌａｅｎｈｇ —ｅｏｕｉｎｍｕｔｓｅｔｌｅｔＰ－ａａａｄｔｅｗａｅｕｌｅｄｄｔ，ｓｓｌｏｉｈＴｅｍｏｅｓｄｏｉｈｒｓｌｔｌ —ｐｃｒｍｏｅＳＯＴ５ｄｔｎｔｒｑａｉｆｌａａｕｅｂｏｉａｒｈｙｔｉ
ｄｖｌｐｄｍｏｅａｒｃｕａｙｔａｈｔｆｈｏｔｅｌｅｒｅｒｓｉｎｍｏｅ，ｗｈｃｒｖｄｓｅａｐｏｃｒｅｅｏｅｄｌｓｈｍｏｅａｃｒｃｎｔａｅｒｕｉｉａｇｅｓｏｄｌｈｏｔｎｎｒｉｈｐｏｉｅｎｗｐｒａｈｆａｏ
该模型利用高分辨率多光谱遥感ＳＯ－ＰＴ５数据和水质实地监测数据，采用ＣＶ估计模型推广误差并使用ＧＡ优选
ＳＶＲ模型参数，实现了模型参数的自动全局优选，在训练好的ＳＲ模型基础之上对水质进行反演。以渭河陕西Ｖ段为例进行实证研究，实验结果表明，本文提出的水质反演模型较常规的线性回归模有更高的反演精度，为内陆
ＡＭｅｈｄｆｒａｅａｉｍｏｅｔｉｖｌａｅｎＳｐｏｔｅｔｒｔｏｔｒＱｕｌｙＲｅｔｒｅａｓｄｏｕｐｒｃｏｏＷｔＲｅＢＶ
ＲｅｒｓｉｎｗｉｈＰａａｅｅｓＯｐｉｉｅｙＧｅｅｉｇｏｉｈｍｇｅｓｏｔｒｍｔｒｔｍｚｄｂｎｔｃＡｌｒｔ
ａｐｉｄｔｈｔｒｑａｉｅｒｅａｓｏｅｈｖｒｉｈａｘｒｖｎｅｈｅｕｔｏｘｅｉｅｔｓｏｈｔｔｅｐｌｏｔｅｗａｅｕｌｒｔｖｌｆＷｉｅＲｉｅｎＳａｎｉＰｏｉｃ．Ｔｅｒｓｌｆｅｐｒｎｈｗｓｔａｈｅｙｔｉｍ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

布够密集时，（）就是水质参数与光学参数（８式如反射率）之间的精确关系。该性质对于水色遥感实验中的水质样本采集规范化具有较大的理论指导意义，体现在以下几个方面：
（）１合理的水质样本应分布在水质参数与光学参数关系
大约从水面到水下３ｍ处的水体样本，取样后立即放人有０ｅ
冰块的冷藏箱，当天带回实验室处理。根据湖泊测量操作流
Ｎ
足的发展，但是业务化反演算法的精度仍然不高，主要原因
可归结为：（）１水体成分的复杂性导致反演机理难以把握；
（）２水体信号太弱导致水体信息提取困难 ¨ ｊ３定量模型５；（）。
的不统一性及模型偏差的验证难＿。８ ’
作者简介：陈军，９２１８年生，青岛海洋地质研究所实习研究员
ｅａ：ｈ￣ｎ２７１６．ｏ－ｉｃｅｕ８０１＠１３ｃｍｍｌ
第１Ｏ期
Ｏ２８７５
ｍ０图２在表观光学量观测的同时， ∞ 。使用尼克森采水器取表层
分析模型、分析模型与经验模型。虽然水色遥感取得了长半
的可行性。
１研究区域与数据
根据水色光学测量和数据处理的有关规范，在２００３年ｌＯ月２７日，利用ＡＳＤ野外地物光谱仪ＦｅＳｅｒ对图１ｉｄｐｅｏｌＰ所示的站点分别进行了水体光谱的测量。站点的光谱曲线见
基于分段映射模型的水质参数遥感反演研究
陈军，温珍河，付军。
１．国土资源部海洋油气资源与环境地质重点实验室，山东青岛２６７６０１２．青岛海洋地质研究所，山东青岛２６７６０１
第３卷，１期Ｏ第Ｏ２０１０年１０月
光
谱
学
与
光
谱
分
析
Ｖ１３，ｏ１，ｐ７４２８ｏ．０Ｎ．０ｐ２８—７８
Ｏｃｏｅ，２１ｔｂｒ００
ＳｅｔｏｃｐｎｐｃｒｌＡｎｌｓｓｐｃｒｓｏｙａｄＳｅｔａａｙｉ
演太湖悬浮泥沙和叶绿素ａ浓度的分布状况，论证了该算法
引言
随着社会经济的发展，水资源短缺问题日益突出，传统的水质管理与监测技术则越来越难以应付这种矛盾的挑战ｌ。遥感数据、１］实测数据和水质反演模型综合体的出现有助于缓和这种矛盾＿。通常，水质参数定量模型可分为【：２］３］
收稿日期：０９１—０２０ —１３．修订日期：２１—３００００ —６
Ｆｉ．１ＤｉｔｉｕｔｏｏｆｔｅｇｓｒｂｉｎｈｓｔｉｕｍｅｓｒｍｅｔｎＴａｈＬａｅａｕｅｎｓｉｉｕｋ
基金项目：国家“ 十一五” 科技支撑项目（０８Ａ３Ｂ３和国家地质大调查专项（２２１５１０）２０ＢＣ４０）１１００１３２资助
通常情况下，定量模型所涉及的经验参数是通过优化算法获取，且定量模型至少为一阶光滑曲线。然而，由优化算
法解得的最佳代价函数不能保证模型的计算值与实测值的精
确相等，甚至在有些函数区间段内存在过大偏差，而导致进模型在偏差较大的函数区间段内反演效果较差。文基于上本述问题的考虑，出了分段映射反演算法。该算法在保证节提
指导意义。最后利用太湖Ｔ影像数据和同步实测水质数据为例，证了该算法的可行性。Ｍ论关键词遥感；分段映射反演算法；ｗｏ插值算法；水质Ｎｅｔｎ中图分类号：Ｐ３．Ｔ７２２文献标识码：ＡＤ：１．９４ｊｉｎ１０－５３２１）０２８—５ＯＩ０３６／．ｓ．０００９（００１～７４０ｓ
摘
要以数据为驱动的遥感建模方法片面地强调模型模拟值与实测值总体偏差最小，而忽视局部偏差状
况，进而可能导致模型局部模拟值与实测值偏差过大。针对这种建模方法的缺陷，以水质参数反演为例，提出了分段映射反演算法。该算法将水质参数浓度与遥感参数之间的映射关系分解为若干分段函数，每一区段参数问的关系由该区段内的实测数据（简称为节点）和插值函数决定。通过分析以Ｎｅｏｗｔｎ插值算法作为插值函数的分段映射反演模型可知，该算法能保证每个节点处的模型计算值与实验值一致，并且能较好地拟合分布趋势复杂的实验数据。此外，分段映射反演模型对野外水质样本采集实验的规范化具有较大理论
点处模型值与实测值精确相等的前提下，将水质浓度参数与
光学参数之间的映射关系分解为若干分段函数，每一区段特
Ｈｚｏｕｈｕ
征量之间的关系由实测数据（简称为节点）和采用的插值函数决定。此外，本文以Ｎｅｏｗｔｎ插值算法为例，结合２００３年１Ｏ月２７日的太湖水质参数实测数据和Ｔ影像数据，合反Ｍ综