專利名稱：基于遙感影像的藍藻生物量時空變化監(jiān)測與可視化方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種水環(huán)境監(jiān)測技術(shù)，尤其是涉及一種基于遙感影像的藍藻生物量時 空變化監(jiān)測與可視化方法。
背景技術(shù)：
從國內(nèi)外富營養(yǎng)化及藍藻水華的監(jiān)測工作來看，由于受到自然條件和時空等因素 限制，傳統(tǒng)的監(jiān)測方法具有一定局限性。成本高、耗時長，并很難對大面積湖泊的藻類的時 空動態(tài)分布和變化做出全面的調(diào)查。隨著遙感技術(shù)的不斷進步，在廣袤水域的污染識別和 檢測方面，使用衛(wèi)星遙感數(shù)據(jù)已經(jīng)成為大面積、迅速評估水質(zhì)的有效方法。特別是利用高時 空分辨率的多時相衛(wèi)星影像數(shù)據(jù)結(jié)合已有的地理信息和實測數(shù)據(jù)，能全面、快速、可靠地識 別和提取出藍藻污染區(qū)域，進而獲得藍藻水華的污染情況。從而快速、全面掌握藍藻時空分 布變化信息，能實現(xiàn)控制藍藻水華、評價藍藻生態(tài)環(huán)境風(fēng)險、研究藍藻異常生長的原因以及 建立水質(zhì)的預(yù)警系統(tǒng)的作用。
對水體中藍藻水華的識別，國內(nèi)外的研究者們使用的算法眾多，包括使用歸一化 差值植被指數(shù)(NDVI)、使用藻類的波譜反射和吸收特性、使用水體生物-光學(xué)模型等方法。 使用這些方法的本質(zhì)，都是對所獲得的遙感影像進行分類提取，根據(jù)藍藻污染水域本身的 光譜特性以及其他生物學(xué)特性，從其中提取和識別出藍藻水華污染的區(qū)域，從而對受污染 水域進行分析。因此，從藍藻在遙感影像上顯示的光譜特性和生物學(xué)特性角度出發(fā)，藍藻的 識別方法可以分為兩大類，一類是利用藍藻本身的光譜特性，利用藍藻污染水體和正常水 體在不同波段吸收率和反射率的差異，使用歸一化差值植被指數(shù)或構(gòu)造其他評價指數(shù)的方 法，對遙感影像進行解譯，識別和提取出藍藻污染區(qū)域；另一類則是利用藍藻污染水體的生 物學(xué)特性，利用藍藻中所含的葉綠素a、液泡結(jié)構(gòu)等生物特性，通過遙感影像的光譜分析，對 水體的葉綠素濃度含量等參數(shù)進行判斷，進而獲得藍藻水華的污染情況。
對于國內(nèi)外目前使用的這兩類藍藻識別算法，其也有各自的優(yōu)勢和劣勢。使用歸 一化差值植被指數(shù)或其他構(gòu)造的植被指數(shù)，通過遙感數(shù)據(jù)反映的光譜信息，具有識別準確， 易于處理的優(yōu)點，在水體藍藻濃度較高時，會在水面上產(chǎn)生類似陸上植被的光譜特征，識別 處理效果較好，但是當水體藍藻濃度較低時，藍藻的光譜曲線與背景水體相混合，呈現(xiàn)高懸 浮物水體的特性，給水華面積的提取帶來了困難，還需要與其他地物光譜曲線相結(jié)合，進一 步分析。使用含藍藻水體的葉綠素a濃度和藍藻液泡結(jié)構(gòu)的生物特性的分類方法，具有適 應(yīng)性好，數(shù)據(jù)源廣泛的特點。需要考慮水面其他水生植物，例如水草、浮萍等高葉綠素植物 的影響因素，對于水深水質(zhì)等環(huán)境背景因素也有要求。同時，高分辨率的影像對水體中葉綠 素a濃度的判別有較好的效果，但是考慮到國內(nèi)遙感研究的實際情況，價格高昂的高分辨 率影像獲取途徑不易，還多使用中等分辨率的MODIS數(shù)據(jù)，影響了相應(yīng)研究的深入。
對于藍藻水華變化情況的檢測，目前國內(nèi)外使用的主要方法是基于多時相的遙感 影像，通過對一段時間序列內(nèi)的遙感影像進行分析，對不同時相的遙感影像分別進行藍藻 的識別和提取，然后進行對比分析，獲取藍藻的變化情況，對藍藻水華進行檢測。針對我國目前淡水水體污染嚴重的現(xiàn)狀，使用遙感數(shù)據(jù)進行水污染的識別和檢測有著廣闊的應(yīng)用前 景。同時，遙感數(shù)據(jù)的應(yīng)用也有其局限性，因此在使用遙感數(shù)據(jù)進行水污染識別和變化檢測 處理時，應(yīng)當加強與環(huán)境、海洋、生物等學(xué)科的聯(lián)系，使用多種方法同時進行，運用多學(xué)科的 知識來彌補遙感數(shù)據(jù)識別與提取上的不足。
在實際應(yīng)用中，大面積渾濁水體和陸生植被將對藍藻覆蓋信息的分類和提取產(chǎn)生 明顯地干擾作用。傳統(tǒng)的遙感影像分類技術(shù)利用單一的指數(shù)特征，如歸一化植被指數(shù)、歸一 化差異水體指數(shù)(NDWI)等，其對藍藻分布信息的提取較多受到自然條件和環(huán)境因素的影 響。同時，目前類似的藍藻生物量監(jiān)測系統(tǒng)都缺少流域和水網(wǎng)分析，主要是單純依賴遙感影 像進行藍藻爆發(fā)監(jiān)測。無法在充分利用已有數(shù)字化地理信息的基礎(chǔ)上對藍藻水華的爆發(fā)機 理、流域影響、風(fēng)力和溫度等環(huán)境和氣象因素的影響進行分析和直觀表達。從而難以對藍藻 水華的成因分析給以可靠支持和指導(dǎo)，也因此無法有效地實現(xiàn)藍藻水華的時空分布和變化 的全面分析。發(fā)明內(nèi)容
本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種藍藻識別精度 和可靠性高的基于遙感影像的藍藻生物量時空變化監(jiān)測與可視化方法。
本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)
一種基于遙感影像的藍藻生物量時空變化監(jiān)測與可視化方法，該方法包括以下步 驟
I)獲取藍藻研究區(qū)域的遙感影像，并對其進行圖像預(yù)處理，構(gòu)建歸一化藍藻指 數(shù)；
2)采用基于VPRS_GID的特征優(yōu)化模型對遙感影像的特征進行優(yōu)化，獲得優(yōu)化后 的多特征空間；
3)根據(jù)多特征空間建立基于小波核的雙重加權(quán)SVM分類模型，獲取SVM最優(yōu)分類 決策面，并利用該分類模型提取藍藻空間分布信息、檢測藍藻空間分布的變化，結(jié)合實地觀 測數(shù)據(jù)進行綜合驗證和精度分析；
4)將處理后的遙感影像、研究區(qū)域的GIS矢量數(shù)據(jù)與該區(qū)域的實地觀測數(shù)據(jù)進行 疊加顯示，從而實現(xiàn)藍藻水華爆發(fā)時空變化過程和規(guī)律的仿真模擬。
所述的圖像預(yù)處理包括對遙感影像進行大氣層頂表觀反射率反演，所述的歸一化 藍藻指數(shù)的構(gòu)建具體包括
11)構(gòu)建藍藻的影像光譜曲線，分別對波段4與波段3以及波段5與波段4進行差 值運算\a = BA-B7>
I\b = B5-B4
式中，B3、B4和B5分別表示波段3、波段4和波段5的光譜值；
12)對差值運算結(jié)果歸一化處理
權(quán)利要求
1.一種基于遙感影像的藍藻生物量時空變化監(jiān)測與可視化方法，其特征在于，該方法包括以下步驟 1)獲取藍藻研究區(qū)域的遙感影像，并對其進行圖像預(yù)處理，構(gòu)建歸一化藍藻指數(shù)； 2)采用基于VPRS_GID的特征優(yōu)化模型對遙感影像的特征進行優(yōu)化，獲得優(yōu)化后的多特征空間； 3)根據(jù)多特征空間建立基于小波核的雙重加權(quán)SVM分類模型，獲取SVM最優(yōu)分類決策面，并利用該分類模型提取藍藻空間分布信息、檢測藍藻空間分布的變化，結(jié)合實地觀測數(shù)據(jù)進行綜合驗證和精度分析； 4)將處理后的遙感影像、研究區(qū)域的GIS矢量數(shù)據(jù)與該區(qū)域的實地觀測數(shù)據(jù)進行疊加顯示，從而實現(xiàn)藍藻水華爆發(fā)時空變化過程和規(guī)律的仿真模擬。
2.根據(jù)權(quán)利要求1所述的一種基于遙感影像的藍藻生物量時空變化監(jiān)測與可視化方法，其特征在于，所述的圖像預(yù)處理包括對遙感影像進行大氣層頂表觀反射率反演，所述的歸一化藍藻指數(shù)的構(gòu)建具體包括 11)構(gòu)建藍藻的影像光譜曲線，分別對波段4與波段3以及波段5與波段4進行差值運算
3.根據(jù)權(quán)利要求1所述的一種基于遙感影像的藍藻生物量時空變化監(jiān)測與可視化方法，其特征在于，所述的步驟2)具體包括 21)根據(jù)遙感影像獲取遙感影像的特征信息，采用變精度粗糙集模型對特征信息進行約簡； 22)對約簡得到的特征集采用灰色關(guān)聯(lián)決策進行最佳特征組合選取，獲得優(yōu)化后的多特征空間。
4.根據(jù)權(quán)利要求1或3所述的一種基于遙感影像的藍藻生物量時空變化監(jiān)測與可視化方法，其特征在于，所述的多特征空間包括影像波段組合、歸一化藍藻指數(shù)、最佳指數(shù)特征組合和最佳Gabor濾波器紋理特征組合。
5.根據(jù)權(quán)利要求1所述的一種基于遙感影像的藍藻生物量時空變化監(jiān)測與可視化方法，其特征在于，所述的雙重加權(quán)包括對不同類別賦以權(quán)重和對每個特征屬性賦以權(quán)重。
6.根據(jù)權(quán)利要求5所述的一種基于遙感影像的藍藻生物量時空變化監(jiān)測與可視化方法，其特征在于，所述的建立基于小波核的雙重加權(quán)SVM分類模型的具體步驟為31)根據(jù)遙感影像的樣本集，獲得類別權(quán)重％,
7.根據(jù)權(quán)利要求6所述的一種基于遙感影像的藍藻生物量時空變化監(jiān)測與可視化方法，其特征在于，所述的構(gòu)造特征權(quán)重向量ω具體為
8.根據(jù)權(quán)利要求1所述的一種基于遙感影像的藍藻生物量時空變化監(jiān)測與可視化方法，其特征在于，所述的實地觀測數(shù)據(jù)包括實地藍藻生物量采樣數(shù)據(jù)和氣象觀測數(shù)據(jù)。
9.根據(jù)權(quán)利要求8所述的一種基于遙感影像的藍藻生物量時空變化監(jiān)測與可視化方法，其特征在于，所述的可視化顯示具體為41)讀取實地觀測數(shù)據(jù)，并對遙感影像和矢量地圖數(shù)據(jù)進行空間坐標配準；42)在遙感影像數(shù)據(jù)層上疊加具有空間坐標的實地觀測數(shù)據(jù)；43)對離散的實地觀測數(shù)據(jù)進行插值處理，利用插值數(shù)據(jù)擬合出生物量等值線信息；44)以經(jīng)過坐標空間配準的遙感影像數(shù)據(jù)為底地圖，在其上依次疊加矢量地圖數(shù)據(jù)、生物量等值線信息，然后對處理結(jié)果及其對應(yīng)日期的氣象觀測數(shù)據(jù)進行可視化顯示和仿真模擬。
10.根據(jù)權(quán)利要求9所述的一種基于遙感影像的藍藻生物量時空變化監(jiān)測與可視化方法，其特征在于，所述的坐標配準是指將坐標轉(zhuǎn)換為歸一化的坐標系統(tǒng)，具體為a)獲得待轉(zhuǎn)換數(shù)據(jù)的坐標范圍，即該數(shù)據(jù)在X軸方向的最小值Xmin、最大值Xmax和I軸方向的最小值ymin、最大值ymax ；b)通過該坐標范圍計算轉(zhuǎn)換所需的尺度因子Scale，以X軸方向為例，其計算公式如下
全文摘要
本發(fā)明涉及一種基于遙感影像的藍藻生物量時空變化監(jiān)測與可視化方法，該方法包括以下步驟1)對研究區(qū)的遙感影像進行預(yù)處理，并構(gòu)建歸一化藍藻指數(shù)；2)采用基于VPRS_GID的特征優(yōu)化模型對遙感影像的特征進行優(yōu)化，獲得優(yōu)化后的多特征空間；3)根據(jù)多特征空間建立基于小波核的雙重加權(quán)SVM分類模型，對藍藻水華空間分布信息進行提取識別和變化檢測，結(jié)合實地觀測數(shù)據(jù)進行綜合驗證和精度分析；4)將處理后的遙感影像、GIS矢量數(shù)據(jù)與實地觀測數(shù)據(jù)進行疊加顯示，從而實現(xiàn)藍藻水華爆發(fā)時空變化過程和規(guī)律的仿真模擬。與現(xiàn)有技術(shù)相比，本發(fā)明具有藍藻識別精度和可靠性高等優(yōu)點，有利于對藍藻水華的成因和分布變化做出分析和判斷。
文檔編號G01C11/04GK103063202SQ20121058804
公開日2013年4月24日 申請日期2012年12月30日 優(yōu)先權(quán)日2012年12月30日
發(fā)明者林怡, 潘琛, 王嘉楠, 任文偉, 葉勤, 屈銘志, 劉冰, 陸淵 申請人:同濟大學(xué), 復(fù)旦大學(xué)