基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法
【专利摘要】本发明公开了一种基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法，属于环境工程【技术领域】。所述方法的步骤包括建立遥感反演模型、确定蓝藻水华暴发程度识别指标、监测数据预处理、信任函数值分配和监测区蓝藻水华识别。本发明提出将集成学习的Bagging算法融入到遥感反演模型即归一化植被指数模型的回归分析中，对模型的参数进行了修正，得到修正后的遥感反演模型，从而提高其拟合精度；解决了选取适合于湖库蓝藻水华识别的指标及其取值范围的问题；解决了监测区域选取及遥感监测数据预处理的问题；解决了信任函数值的分配问题；实现了蓝藻水华的有效识别。
【专利说明】基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法
【技术领域】
[0001]本发明涉及一种湖库蓝藻水华识别方法，属于环境工程【技术领域】，具体地说，是指一种基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法。
【背景技术】
[0002]随着社会经济发展，水资源在国民经济和社会发展中的地位和作用越来越突出。然而，近些年来我国湖库等水体接纳过量的氮、磷等植物性营养物，使藻类和其它水生植物异常繁殖，出现了水体透明度和溶解氧下降，水质恶化，鱼类及其它生物大量死亡的水体富营养化现象，该现象即为水华。湖库水体蓝藻水华成为我国目前以及今后相当长一段时期内的重大水环境问题，不仅给湖区人民发展水产养殖、观光游览等经济活动带来重大损失，而且还会影响到水源地的供水，给经济建设和人民身体健康造成直接的损害，有的地区已成为经济发展的重要制约因素。为减少蓝藻水华发生频率及由此造成的重大损失，开展蓝藻水华识别研究已成当务之急。
[0003]传统水质监测方法主要是对单一监测站点进行对比分析，涉及的范围只限制在站点监测半径之内。因此，如果结合监测范围广泛的卫星遥感数据，对某一区域内的监测站点，将遥感监测技术与地面水质实时在线监测技术获得信息进行有效融合，这样蓝藻水华地面监测方式由传统的单点监测分析，上升到区域性的监测分析，即实现了蓝藻水华监测方式由点到面的扩展。在此基础上进行区域性的湖库蓝藻水华识别研究，对进一步提高信息的利用率，增加蓝藻水华识别准确度十分必要，对于准确获得水环境状况及了解其发展规律具有重要现实意义。
[0004]由于湖库蓝藻水华暴发是众多影响因素共同作用的结果，在研究蓝藻水华时空演化规律过程中，有必要引入信息融合技术，它可以将多个相同类型或不同类型传感器的水质参数信息进行综合分析，将多传感器的冗余和矛盾信息进行消除和降噪处理，对不完整信息及不确定信息加以互补，从而降低了监测数据的不确定性。经过融合处理后的信息对蓝藻水华暴发环境的感知与描述相对更为完整，从而提高蓝藻水华识别的准确率。
[0005]证据理论作为一种数学工具，在对不确定与不精确的问题进行推理和建模中发挥了很大优势，该方法已经成为了信息融合基本方法之一，同时在进行不确定的信息组合过程中提供了一个新思考方向。证据理论在大多数情况下都可以得到较好的融合效果，但是在处理冲突证据时会出现有违常理的结果。由于卫星遥感容易受大气影像或者大型水生植物影响导致传感器采集到的光谱数据失效，地面传感器损坏导致采集数据失效等原因，失效传感器信息与其他传感器的正确信息会出现很大冲突，这样就会造成融合结果出现问题。在解决证据理论失效这一课题上，不少学者进行了相关研究，这些改进方法可以综合概括为两大类，一类是对证据合成规则进行改进的方法，另一类是对证据源本身进行修正的方法。
[0006]然而，将遥感监测信息融合及证据理论应用于湖库蓝藻水华识别方法中，仍然存在以下问题:
[0007]1.采用遥感监测技术进行水质监测时，需建立遥感监测数据与地面监测点数据的遥感反演模型。而采用现有的回归分析方法建模时，其建模精度往往不够理想，需对遥感反演模型参数的修正方法进行研究。
[0008]2.如何选取适合于湖库蓝藻水华识别的指标及其取值范围，并且需考虑地面监测点以及遥感监测两种方式的指标选取。
[0009]3.湖库水体区域通常较大，若对水体区域内监测数据进行全部提取则意义不大，需研究监测区域的选取，另外，对于区域性的遥感监测数据还需进行一定的预处理，使其能够有效反映监测区域内的蓝藻水华识别指标的取值范围。
[0010]4.利用证据理论方法进行信息融合，首先要解决信任函数值的分配问题，根据信任函数的定义，其值域要映射到[0，1]区间中，且针对监测区内地面监测点数据和遥感监测数据，需研究不同的映射方法。
[0011]5.现有对证据源进行修正的方法中，基于优化权重分配的证据源修正方法较为有效，而其目标优化模型中还未考虑各证据源的不确定性对证据距离的影响，因此可研究进一步的改进方法。
[0012]6.如何将改进后的证据源修正方法与现有证据合成规则相结合，以实现蓝藻水华的有效识别，需研究相应的公式组合方法。
【发明内容】
[0013]本发明的目的是为了解决通过湖库地面监测点与遥感监测信息的融合技术实现对湖库蓝藻水华有效识别的问题。本发明考虑湖库蓝藻水华暴发具有突发性、区域性等特征，采用回归分析及集成学习的方法建立并修正湖库水体遥感反演模型，由此给出蓝藻水华暴发程度识别指标的取值范围，通过对监测数据预处理及采用模糊理论进行信任函数值的分配，并提出改进的证据融合技术对地面监测点和遥感监测信息进行融合，从而实现对湖库蓝藻水华的准确有效识别。
[0014]本发明提供的基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法，主要包括以下五个步骤:
[0015]步骤一、建立遥感反演模型；
[0016]本发明的监测数据包括两类，一类是以地面监测点传感器方式获得的地面监测点数据，另一类是以遥感监测方式获得的遥感监测数据。通过建立遥感监测数据与地面监测点数据的遥感反演模型，可以得到二者间的对应关系。
[0017]本发明采用带有波段反射率比值参数的遥感反演模型，对遥感监测数据(即波段反射率比值)和地面监测点数据(即叶绿素a浓度)采用回归分析方法确定出模型参数，并利用集成学习的方法修正模型参数。
[0018]步骤二、确定蓝藻水华暴发程度识别指标；
[0019]在综合分析现有水体评价标准基础上，本发明采用最具说服力和应用最为普遍的评价指标即叶绿素a浓度，以及与叶绿素a浓度相对应的水体遥感波段反射率比值作为识别蓝藻水华暴发程度的指标集，其中遥感波段反射率比值指标的取值范围是根据地面监测点的叶绿素a浓度指标采用步骤一的遥感反演模型获得。[0020]步骤三、监测数据预处理；
[0021]由于湖库水体区域通常较大，对水体区域内监测数据进行全部提取意义不大，所以本发明进行监测区域选取时尽量选取近岸区域，并对遥感监测数据提取监测区域内各地面监测点处的遥感波段反射率比值，以及监测区域内遥感监测数据的最大值和最小值，再对其采用平均的方法获取。
[0022]步骤四、信任函数值分配；
[0023]利用证据理论方法进行信息融合，首先要解决各证据源(即各监测点，包括各地面监测点及遥感监测)的信任函数值分配问题，根据信任函数的定义，其值域要映射到[0，I]区间中。在对蓝藻水华暴发程度识别指标采用语言变量进行分类后，本发明引入模糊集的概念，通过模糊隶属度函数来表示信任函数，在模糊集合中，信任函数值的取值范围完全满足在[0，I]区间中，并且连续变化。
[0024]步骤五、监测区蓝藻水华识别；
[0025]本发明在现有基于优化权重分配的证据源修正方法基础上，提出利用各证据源的信息熵对证据距离进行加权修正，从而对目标优化模型进行改进的方法。再将修正后的证据源与基于证据可信度的证据合成规则进行合成，从而给出改进的证据理论组合公式，由此得到监测区域蓝藻水华暴发程度识别结果。
[0026]本发明的优点在于:
[0027]1.本发明提出将集成学习的Bagging算法融入到遥感反演模型即归一化植被指数模型的回归分析中，对模型的参数进行了修正，得到修正后的遥感反演模型，从而提高其拟合精度。
[0028]2.本发明根据现有水体评价标准采用叶绿素a浓度和与叶绿素a浓度相对应的水体遥感波段反射率比值作为识别蓝藻水华暴发程度的指标集，并且根据地面监测点的叶绿素a浓度指标取值范围采用遥感反演模型获得遥感波段反射率比值的指标取值范围，从而解决了选取适合于湖库蓝藻水华识别的指标及其取值范围的问题。
[0029]3.本发明选取蓝藻水华暴发频率较高且地面监测点较多的近岸区域作为监测区域，并且将该区域内遥感监测数据进行平均处理后作为一个独立的数据源，再和其它地面监测点数据进行融合，从而解决了监测区域选取及遥感监测数据预处理的问题。
[0030]4.本发明引入模糊集的概念，通过分别针对叶绿素a浓度指标及遥感波段反射率比值指标建立不同的模糊隶属度函数，将证据理论中信任函数的值域映射到[0，1]区间中，解决了信任函数值的分配问题。
[0031]5.本发明提出利用各证据源的信息熵对证据距离进行修正，从而对目标优化模型进行改进的方法，在基于优化权重分配的证据源修正方法基础上，考虑了各证据源的不确定性对证据距离的影响，使其优化结果与实际更为相符。
[0032]6.本发明将改进后的证据源修正方法与冲突信息全部可以分配的证据合成规则相结合，给出改进的证据理论组合公式，改进了证据融合技术，通过与基于现有的证据融合技术的蓝藻水华识别结果的对比，实现了蓝藻水华的有效识别。
【专利附图】
【附图说明】
[0033]图1是本发明基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法的流程图；
[0034]图2是实施例1中的叶绿素a浓度指标的模糊隶属度函数；
[0035]图3是实施例1中的修正后的遥感反演模型的拟合结果；
[0036]图4是实施例1中的监测区域的选取；
[0037]图5是实施例1中的遥感反射率比值指标的模糊隶属度函数。
[0038]图中曲线编码分别为:NC —实施例1中叶绿素a浓度指标下的无水华隶属度函数yNC(y)，sc —实施例1中叶绿素a浓度指标下的轻度水华隶属度函数yse(y)，MC —实施例1中叶绿素a浓度指标下的中度水华隶属度函数μ ?c(y),LC 一实施例1中叶绿素a浓度指标下的重度水华隶属度函数μ LC(y),NB 一实施例1中遥感波段反射率比值指标下的无水华隶属度函数μΝΒ(χ)，SB 一实施例1中遥感波段反射率比值指标下的轻度水华隶属度函数ySB(X)，MB —实施例1中遥感波段反射率比值指标下的中度水华隶属度函数μ m(X)，LB —实施例1中遥感波段反射率比值指标下的重度水华隶属度函数μ u(X)。
【具体实施方式】
[0039]下面将结合附图和实施例1对本发明作进一步的详细说明。
[0040]为便于说明，本说明书中所有未经解释的字母含义由下述假设解释:假设y={y1;12，…，yn}表示地面监测点数据(即叶绿素a浓度)，X = {x1； X 2,..., XnI表示与地面监测点对应的遥感监测数据(即遥感波段反射率比值)，η表示地面监测点的个数。
[0041]步骤一、建立遥感反演模型； [0042]遥感反演模型种类较多，本发明采用波段反射率比值方法，主要原因在于这类反演模型是比较成熟的模型，能在很大程度上降低数据处理和分析难度，使得该类模型的可操作性更强。本发明采用波段反射率比值方法中的归一化植被指数模型作为遥感反演模型，模型中波段反射率比值采用遥感监测数据与地面监测点数据相关性较高的波段的反射率比值，公式为
[0043]y = a.x+b (I)式中:y为地面监测点数据，x为遥感波段反射率比值，x =(band2-bandl)/(band2+bandl), bandl和band2分别表示本发明所选取的两个遥感波段(即波段I和波段2)的反射率，且两个波段的反射率比值与对应的地面监测点数据相关性较高，a、b为线性回归参数。
[0044]本发明提出将集成学习的Bagging算法融入到归一化植被指数模型的回归分析中，以提高其拟合精度。Bagging算法思想是给定一弱学习算法和一训练集(X11Y1), (x2，y2)r"，(xn，yn)。每次从训练集中取样m(m < η)个训练例训练，训练完毕将取样放回训练集，初始训练例在某轮训练集中可以出现多次或根本不出现。训练之后可得到一个预测函数序列h” h2,…hT，T表示训练的次数。最终的预测函数H对分类问题采用等权重投票方式，对数值问题采用得票的平均值来表示。由于本发明的回归分析属于数值问题，因此本发明中Bagging算法的具体描述为:
[0045](1)对于七=1，2，，1';
[0046](2)随机从训练集中提取m个训练例作为训练样本输入:(Xl，yi)，(x2，y2)…(xffl,ym)；
[0047]①训练得到模型[0048]
【权利要求】
1.基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法，其特征在于包括如下步骤: 步骤一、建立遥感反演模型； 对遥感监测数据和地面监测点数据采用回归分析方法确定出遥感反演模型参数，并利用集成学习的方法修正遥感反演模型参数，最后得到所述的遥感反演模型；所述的遥感监测数据为遥感波段反射率比值，所述的地面监测点数据为叶绿素a浓度； 步骤二、确定蓝藻水华暴发程度识别指标； 所述的识别指标包括叶绿素a浓度，还包括与叶绿素a浓度相对应的水体遥感波段反射率比值； 步骤三、监测数据预处理； 所述的监测数据包括遥感监测数据和地面监测点数据；每个地面监测点数据均作为一个独立数据源；提取地面监测点处的遥感波段反射率比值，并对监测区域的遥感监测数据提取遥感波段反射率比值的最大值和最小值，再通过对三者进行平均的方法获取监测区域的遥感波段反射率比值的均值 f作为独立数据源:
2.根据权利 要求1所述的基于遥 感监测及改进证据融合技术的湖库蓝藻水华识别方法，其特征在于:步骤一中采用Bagging算法对遥感反演模型参数修正,具体为: (1)对于t = 1，2，...，Τ; (2)随机从训练集中提取m个训练例作为训练样本输入:(Xl，Y1)，(x2,y2)...(xffl, ym)；① 练得到模型
3.根据权利要求1所述的基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法，其特征在于:步骤四中叶绿素a浓度指标的各隶属度函数如下:
4.根据权利要求1所述的基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法，其特征在于:所述的步骤五具体为: 设CO1, ω2，...，ωη为证据源Iii1, m2，...，mn在信息融合中对应的优化权重值，η为证据源的个数，则期望证据m'为各证据源与其相对应优化权重的加权平均，即
【文档编号】G01N33/18GK103439472SQ201310236767
【公开日】2013年12月11日 申请日期:2013年6月14日 优先权日:2013年6月14日
【发明者】王小艺, 许继平, 王立, 施彦, 于家斌, 马新宇 申请人:北京工商大学