基于遙感影像的大凌河水質(zhì)監(jiān)測與評價

基于遙感影像的大凌河水質(zhì)監(jiān)測與評價

0內(nèi)陸河流域遙感水質(zhì)反演方法探討大凌河是遼寧省西部最大的河流。近年來，這條河流富營養(yǎng)化嚴(yán)重，嚴(yán)重制約了該地區(qū)的可持續(xù)發(fā)展。因此,快速準(zhǔn)確的水質(zhì)監(jiān)測及評價研究已顯得尤為重要。傳統(tǒng)的水質(zhì)監(jiān)測主要依靠人工測量或?qū)嵉夭蓸臃治?獲取的數(shù)據(jù)呈點狀分布,只能了解監(jiān)測斷面上的水質(zhì)情況,難以實現(xiàn)時間和空間上的連續(xù)。隨著科技的發(fā)展,遙感水質(zhì)反演彌補(bǔ)了傳統(tǒng)水質(zhì)研究的不足,實現(xiàn)高頻率、大范圍、準(zhǔn)實時的水質(zhì)監(jiān)測。目前,水質(zhì)監(jiān)測常用的有分析法、經(jīng)驗法、半經(jīng)驗法。如Koponen利用AISA數(shù)據(jù)模擬MERIS數(shù)據(jù)對芬蘭南部的湖泊水質(zhì)進(jìn)行分類。Lathrop和Kloiber等學(xué)者的研究表明利用MSS數(shù)據(jù)可以監(jiān)測內(nèi)陸水體中的葉綠素a、懸浮物濃度。近年來,國內(nèi)主要針對長江、珠江、太湖、千島湖等大面積水域的遙感水質(zhì)監(jiān)測研究,而對內(nèi)陸河流域遙感水質(zhì)定量反演的研究還很少。因此,建立適當(dāng)?shù)哪Ｐ头治鏊w光譜特性與水質(zhì)參數(shù)濃度之間的關(guān)系,對內(nèi)陸河流水質(zhì)監(jiān)測具有重要的現(xiàn)實意義。本文旨在利用HJ-1B影像數(shù)據(jù),結(jié)合常規(guī)監(jiān)測數(shù)據(jù),構(gòu)建比值線性回歸及模糊控制RBF神經(jīng)網(wǎng)絡(luò)模型對朝陽市區(qū)段大凌河的葉綠素a濃度進(jìn)行定量反演研究。1數(shù)據(jù)和預(yù)處理1.1水系內(nèi)光儀校正參數(shù)考慮到模型構(gòu)建的可行性、監(jiān)測結(jié)果的準(zhǔn)確性,選擇時間上同步的遙感數(shù)據(jù)與實地監(jiān)測的葉綠素a濃度數(shù)據(jù)。通過數(shù)據(jù)篩選發(fā)現(xiàn),中國資源衛(wèi)星網(wǎng)提供的HJ-1B影像數(shù)據(jù),其時間分辨率好于SPOTHRV、EO-1ASTER、LandsatTM/ETM+等數(shù)據(jù),且具有MODIS數(shù)據(jù)所沒有的高空間分辨率,觀測幅寬相比星載高光譜傳感器EO-1Hyperion也有明顯優(yōu)勢,HJ-1B的這些優(yōu)點,能大大提高遙感水質(zhì)監(jiān)測的精度,在地表信息監(jiān)測、水質(zhì)環(huán)境評價等領(lǐng)域有廣闊的應(yīng)用前景。因此,本文獲取2012年6月共5個時相的朝陽市區(qū)大凌河HJ-1B影像數(shù)據(jù),數(shù)據(jù)質(zhì)量較好,能夠滿足研究需求。實地監(jiān)測數(shù)據(jù)來源于與遙感影像數(shù)據(jù)同步的16個監(jiān)測斷面的58組數(shù)據(jù),每組數(shù)據(jù)包括監(jiān)測點的經(jīng)緯度、葉綠素a濃度(mg/L)。1.2遙感影像幾何精度校正以朝陽市1∶50000地形圖為基準(zhǔn)影像,選取52個同名控制點,在ENVI4.8支持下采用二次多項式校正模型,分別對各時相遙感影像進(jìn)行幾何精度校正,最終將校正總誤差控制在0.50個像元內(nèi)。大氣校正是獲取地表真實輻射率的前提,對于遙感定量反演尤為重要,本文利用ENVI中的FLAASH大氣校正模塊進(jìn)行大氣校正。選擇校正效果較好且具有代表性的2012年6月10日的影像,其他數(shù)據(jù)作為后期反演過程的參考,利用朝陽市區(qū)段大凌河矢量邊界文件提取出水體部分,如圖1。2建立水體反射光譜與葉綠素a濃度之間的關(guān)系葉綠素a濃度反演主要是確立星上點與地面實測點的一一對應(yīng)關(guān)系,建立水體反射光譜與葉綠素a濃度之間的關(guān)系模型。目前已有多種反演模型,但各模型因數(shù)據(jù)源、水體、季節(jié)、氣候而異。因此,具體的反演應(yīng)以研究區(qū)實際地理情況及數(shù)據(jù)進(jìn)行分析。2.1葉綠素a的反射特征水體葉綠素a濃度反演的根本是研究水體葉綠素a的光譜特征。葉綠素a對光譜特征的吸收、反射作用比較特殊,遙感定量反演的基礎(chǔ)是對從水體反射出來的包含葉綠素a含量信息的可見光進(jìn)行探測,可見光自水面進(jìn)入水體之后,葉綠素a會對其產(chǎn)生反射。無污染的純凈水體在可見光波段的反射率曲線是趨于線性的,自然水體中不同污染物對光譜的吸收和散射使水體的光譜曲線出現(xiàn)一定的峰值和谷值,呈現(xiàn)不同的光譜特征,研究表明內(nèi)陸水體中的葉綠素a具有特定的吸收和反射光譜,在440和680nm波長附近有吸收谷,在550~570nm和681~715nm波長附近有明顯的反射峰,681~700nm處被稱為熒光峰。水體中藻類葉綠素a濃度的不斷增加使520nm附近出現(xiàn)葉綠素a濃度的光譜分界點,并逐漸向長波方向移動,使近紅外波段(760~900nm)的光譜輻射量增加,因此,近紅外波段可以作為水體葉綠素a濃度估算的重要信息源。2.2近紅外和紅光波長反射率比對通過對影像單波段波譜特征及葉綠素a的相關(guān)分析,發(fā)現(xiàn)在紅光與近紅外波段交接處,相關(guān)性最強(qiáng)。在葉綠素a遙感研究中,采用不同波段反射率比值可以在一定程度上消除水體表層光滑度和微波隨時空變化所產(chǎn)生的影響,同時也可以減小其他水體污染物的干擾。因此,本文在分析凌河水體影像各波段光譜特征的基礎(chǔ)上,結(jié)合已有的河流水質(zhì)研究成果,得出近紅外波段和紅光波段反射率的比值對評定葉綠素a濃度是有用的。利用ENVI中的bandmath工具,以研究區(qū)影像圖為輸入圖像,計算公式為:式中:b4、b3分別對應(yīng)HJ-1B數(shù)據(jù)近紅外和紅光波段的反射率。從采樣數(shù)據(jù)中隨機(jī)選擇38組作為建模的樣本數(shù)據(jù),構(gòu)建模型如圖2,建立回歸方程如下:式中:Chla為葉綠素濃度;B1為b4/b3。利用其余的20組樣本進(jìn)行驗證,可以看出該模型的估算精度不是很高。2.3rbf模型是由模糊控制學(xué)習(xí)率調(diào)整的2.3.1輸出網(wǎng)絡(luò)地線RBF網(wǎng)絡(luò)是一種特殊的3層前饋網(wǎng)絡(luò),通過非線性組合實現(xiàn)映射變換,將隱含層的輸出經(jīng)過加權(quán)求和作為輸出。X=(x1,x2,…,xn)為網(wǎng)絡(luò)的輸入;f(X)=[f(x1),f(x2),…,f(xn)]為隱節(jié)點的輸出,為隱含層到輸出層節(jié)點之間的連接權(quán)重,,y為單輸出。其中,c、σ分別為核函數(shù)的中心和寬度。2.3.2高斯核函數(shù)的中心和寬度網(wǎng)絡(luò)學(xué)習(xí)過程是通過調(diào)整3參數(shù)(c,σ,w)使網(wǎng)絡(luò)輸出值與期望值的均方差趨于最小實現(xiàn)的。在RBF網(wǎng)絡(luò)中,權(quán)值修正公式為:式中:wi(t+1)、wi(t)分別為t+1、t時刻的權(quán)值;Z為學(xué)習(xí)率;為t時刻的負(fù)梯度。高斯核函數(shù)的中心和寬度修正公式為:式中:ci(t+1)、ci(t)分別對應(yīng)t+1、t時刻核函數(shù)的中心;ue785i(t+1)、ue785i(t)分別對應(yīng)t+1、t時刻核函數(shù)的寬度;Δc、Δue785為修正量?？梢?參數(shù)的調(diào)整主要涉及學(xué)習(xí)率的調(diào)整,RBF網(wǎng)絡(luò)僅考慮梯度方向來調(diào)整權(quán)值,存在一定局限性,不能實現(xiàn)學(xué)習(xí)率的動態(tài)調(diào)整。2.3.3rbf神經(jīng)網(wǎng)絡(luò)的隱層模糊控制是一種基于模糊規(guī)則和模糊推理的智能控制方法,能有效消除非線性誤差,控制過程的關(guān)鍵是判斷和權(quán)衡系統(tǒng)的控制變量。分別將系統(tǒng)權(quán)值變化量(Δw)及變化趨勢(ΔΔw)分為:“負(fù)大”(NB)、“負(fù)小”(NS)、“零”(ZE)、“正小”(PS)、“正大”(PB)5個模糊子集,RBF神經(jīng)網(wǎng)絡(luò)的隱層相當(dāng)于模糊推理系統(tǒng)的隸屬度,采用三角形隸屬度函數(shù)如圖3。模糊控制的推理過程為:當(dāng)Δw=A且ΔΔw=B時,Z的調(diào)整量為C;當(dāng)Z>1時,Z=0.999。經(jīng)過反復(fù)實驗獲取模糊控制學(xué)習(xí)率增量,見表1,表中數(shù)值為Z的增加倍數(shù)。2.3.4rbf神經(jīng)網(wǎng)絡(luò)輸出選用3層模糊控制RBF神經(jīng)網(wǎng)絡(luò)反演研究區(qū)葉綠素a濃度。(1)將研究區(qū)圖像4個波段作為輸入;(2)設(shè)置3參數(shù)(c,σ,w)初始值,且學(xué)習(xí)率控制在[0,1]之間;(3)計算輸出層結(jié)果;(6)計算訓(xùn)練樣本輸出值及誤差。若誤差滿足要求,訓(xùn)練結(jié)束;否則,返回(4)繼續(xù)訓(xùn)練。其中隱含層節(jié)點數(shù)通過預(yù)測結(jié)果的RMSE和R2來試。計算公式如下:式中:yi,分別是第i個樣本的實測值和預(yù)測值。由表2知,節(jié)點數(shù)為7時,網(wǎng)絡(luò)輸出效果最好。最終建立4個輸入節(jié)點,7個隱含層節(jié)點,1個輸出點的RBF神經(jīng)網(wǎng)絡(luò)。將HJ-1B影像4個波段的特征作為模型的輸入,輸出層對應(yīng)葉綠素a濃度,并用20組驗證樣本驗證模型精度,結(jié)果如圖4,兩模型誤差分析如表3。3模型預(yù)測效果分析本文分別采用比值線性回歸模型與模糊控制RBF神經(jīng)網(wǎng)絡(luò)模型反演朝陽市區(qū)段大凌河的葉綠素a濃度,由表3知,利用線性回歸模型預(yù)測值的最大誤差達(dá)到404.494%,反演誤差在35%以下的僅有6個點,占總測試樣本的30%;而模糊控制RBF神經(jīng)網(wǎng)絡(luò)模型最大誤差為44.827%,誤差小于35%有17個點,占總測試樣本的85%。因此,模糊控制RBF模型的預(yù)測效果遠(yuǎn)遠(yuǎn)好于線性回歸模型。圖5是根據(jù)模糊控制RBF神經(jīng)網(wǎng)絡(luò)模型反演的2012年6月10日的葉綠素a濃度分布圖,從圖中可以明顯看出大凌河城區(qū)段葉綠素a濃度及變化趨勢。4大凌河葉綠素a濃度反演模型的建立遙感水質(zhì)監(jiān)測能夠滿足大范圍、實時、動態(tài)、快速監(jiān)測的要求,尤其隨著水體富營養(yǎng)化問題的日益突出而變得越來越重要。水質(zhì)反演有很大的不確定因素,反演結(jié)果的可靠度,一直是水質(zhì)監(jiān)測研究的難點。本文建立比值線性回歸模型、模糊控制RBF神經(jīng)網(wǎng)絡(luò)模型分別對朝陽市區(qū)大凌河的葉綠素a濃度進(jìn)行反演。結(jié)果表明,由于遙感反演水質(zhì)參數(shù)受多種因素影響,簡單的線性模型很難適應(yīng)復(fù)雜的水體結(jié)構(gòu),而模糊控制RBF神經(jīng)網(wǎng)絡(luò)模型是一個典型的非線性操作系統(tǒng)