一种水华期藻类群落结构高光谱识别方法与流程

本发明涉及一种水华期藻类群落结构高光谱识别方法，属于生态环境监测领域，尤其适用于水华期蓝-绿-硅藻种群相对丰度的定量估算。

背景技术：

水华现象是水体中藻类暴发性增殖引起的大量藻类聚集现象。当水华现象发生在人口密集或生态敏感区域，且危害到人类和生态健康时，则定义为有害水华。蓝藻、绿藻、硅藻是内陆富营养化水体中最常见的水华藻类，尤其蓝藻水华是内陆湖库管理以及水资源开发利用所面临的重要生态问题。水华的危害主要表现为：聚集于水体表层的大量藻类会遮蔽光照入水和阻挡空气交换，不利于其它非优势藻类进行光合作用，并且导致水体溶解氧下降造成的其它浮游生物死亡；一些有害蓝藻具有分泌腹泻性、麻痹性和神经性毒素的潜力，致使鱼虾死亡与景观污染，进而直接危及周边居民饮用水安全，造成巨大经济损失和负面社会影响。因此，需要建立一整套水华现象监测技术体系，以实现水华期藻类群落结构(蓝-绿-硅藻种群相对丰度比例)的提取及其优势种群的辨识。

水华现象的常规监测方法主要是，选取水华易发区为观测水域，实地测量水华初发、发展、消亡全过程的水体生化参数，并分别利用电子显微镜和浮游植物分类荧光仪测定水样中的藻细胞个数和判别优势藻种。然而，水华现象常规监测方法可能受到水华在时空域上存在诸多不确定性的限制，且会产生较高的人力和经济成本，不利于开展长期与广域监测。因而，在水华现象动态观测过程中引入具有准实时、高精度、大范围、低成本等特点的遥感监测技术是很有必要的。

目前，水华现象遥感提取算法主要是通过对叶绿素α对应的敏感光谱特征进行分析，达到估算藻类生物量的目的。然而，水华暴发期间的藻类群落结构往往比较复杂，基于叶绿素α浓度定量反演模型的水华遥感提取算法在估算蓝藻、绿藻、硅藻种群生物量时往往会失效，从而无法评价水华的潜在藻毒素风险。蓝光、绿光和红光波段的固有光学属性能够直观反映蓝藻、绿藻、硅藻种群的生理生化特性，并且随着三类藻种相对丰度变化而表现出光谱特征差异，从而可以有效提取水华期蓝-绿-硅藻种群相对丰度比例，即藻类群落结构。为有效辨识水华期藻类群落结构，需要结合蓝-绿-硅藻种群的光谱特征差异，从藻类种群固有光学定量角度分析，实现观测水域水华期藻类群落结构的高光谱识别。

技术实现要素：

有鉴于此，本发明提供一种水华期藻类群落结构高光谱识别方法，通过构建适用于水面高光谱数据的表征藻类群落和种群诊断光合色素光谱参量，能够准确的判断水华现象和识别水华期藻类群落结构(蓝-绿-硅藻种群相对丰度比例)。

为达到上述目的，本发明提供如下技术方案：

一种水华期藻类群落结构高光谱识别方法，由原位数码相机和地物光谱仪来实现，包括如下步骤：

s1：利用原位数码相机获取高清相片，初步判定观测水域是否存在水华现象，如果未发现水色异常，则最终判定未暴发水华现象，否则，转至步骤s2；

s2：利用地物光谱仪获取水面反射光谱数据，提取对藻类群落和种群敏感的特定波长遥感反射率；

s3：利用敏感波长的遥感反射率数据，构建表征藻类群落和蓝-绿-硅藻种群诊断光合色素的光谱参量；

s4：利用表征藻类群落诊断光合色素光谱参量，最终判定观测水域是否存在水华现象，如果存在，则转至步骤s5；

s5：利用表征蓝-绿-硅藻种群诊断光合色素的光谱参数，辨识水华期藻类群落结构及其优势种群。

进一步，所述的原位数码相机和地物光谱仪对相同水域进行观测，且都背向太阳方向安装，分别与水面保持一定角度的夹角。

进一步，所述的步骤s1具体为：首先，利用原位数码相机定时对水面拍摄高清相片；然后，利用图像识别技术对照片进行分析；最后，判断是否存在由藻类聚集水面导致的水体颜色异常，即水体灰度值达到水华现象的设定阈值，如果未达到阈值，则最终判定未暴发水华现象，否则，转至步骤s2。

进一步，步骤s2所述的敏感波长依次分别为叶绿素α、绿藻叶绿素b、藻蓝素、岩藻黄素的特征反射波波峰(r1、r2、r3、r4)对应的四个波长(λ1、λ2、λ3、λ4)和特征反射波波谷(r5、r6、r7、r8)对应的四个波长(λ5、λ6、λ7、λ8)，共计八个波长。

进一步，步骤s3所述的构建表征藻类群落和蓝-绿-硅藻种群诊断光合色素光谱参量的计算公式如下：

(1)表征藻类群落诊断光合色素叶绿素α的光谱参量：

(2)表征绿藻种群诊断光合色素叶绿素b的光谱参量：

(3)表征蓝藻种群诊断光合色素藻蓝素的光谱参量：

(4)表征硅藻种群诊断光合色素岩藻黄素的光谱参量：

进一步，所述的步骤s4具体为：首先，设定水华现象的阈值参数h；然后，利用步骤s3中的ha进行数据对比，如果ha＜h，则最终判定水华未暴发，否则最终判定存在水华现象，转至步骤s5。

进一步，步骤s5所述的辨识水华期藻类群落结构根据步骤s3中的hb、hp和hf构建蓝-绿-硅藻种群相对丰度比例公式如下：

蓝藻∶绿藻∶硅藻＝a·hp∶b·hb∶hf

其中，a、b为比例参数。

进一步，所述的参数h、a、b的设定都可以通过大量现有蓝-绿-硅藻水华的水面高光谱数据在深度学习神经网络中训练得出。

本发明的有益效果在于：本发明提供了一种水华期藻类群落结构高光谱识别方法，针对复杂藻类群落结构下的蓝-绿-硅藻水华现象，利用原位数码相机与地物光谱仪，通过构建适用于水面高光谱数据的表征藻类群落和种群诊断光合色素光谱参量，准确的判断了水华现象和识别了水华期蓝-绿-硅藻种群相对丰度比例，即藻类群落结构。

附图说明

为了使本发明的目的、技术方案，本发明提供如下附图进行说明：

图1为一种水华期藻类群落结构高光谱识别方法流程图；

图2为本发明实施例藻类群落和种群诊断光合色素的光谱参量构建示意图，其中，序号1～8分别对应λ1～λ8这八个波长。

具体实施方式

为使本发明的目的和技术方案更加清晰明白，下面结合附图及实施例对本发明进行详细的描述。

实施例：为了判断某一水域的水华现象以及识别水华暴发期的蓝-绿-硅藻种群相对丰度比例，本实施例提供“一种水华期藻类群落结构高光谱识别方法”，通过在该水域选取水华易发生区域安装原位数码相机和地物光谱仪来实现。

具体的，原位数码相机安装要求：≥500万像素，摄像头距离水面约1m，拍摄方向与水面法线夹角约40°，且为背向太阳方向；地物光谱仪安装要求：光谱范围应包含325-1075nm，光谱分辨率≤3nm，探头距离水面约1.3m，探头所指方向与水面法线夹角约40°，且为背向太阳方向。

结合图1，该方法包含以下步骤：

步骤一：利用原位数码相机获取高清相片，初步判定观测水域是否存在水华现象，如果不存在，则最终判定未暴发水华现象，否则，转至步骤二。

具体为，首先，利用原位数码相机定时对水面拍摄高清相片；然后，利用图像识别技术对照片进行分析；最后，判断是否存在由藻类聚集水面导致的水体颜色异常，即水体灰度值达到水华现象的设定阈值，如果未达到阈值，则最终判定未暴发水华现象，否则，转至步骤二。

步骤二：利用地物光谱仪获取水面反射光谱数据，提取对藻类群落和种群变化敏感的特定波长遥感反射率。

其中，敏感波长依次分别为叶绿素α、绿藻叶绿素b、藻蓝素、岩藻黄素的特征反射波波峰(r1、r2、r3、r4)对应的四个波长(λ1＝709nm、λ2＝640nm、λ3＝570nm、λ4＝460nm)和特征反射波波谷(r5、r6、r7、r8)对应的四个波长(λ5＝670nm、λ6＝655nm、λ7＝625nm、λ8＝485nm)，共计八个波长。

步骤三：利用敏感波长的遥感反射率数据，构建表征藻类群落和蓝-绿-硅藻种群诊断光合色素的光谱参量。

利用650-680nm波段的特征吸收谷，分别构建：

(1)表征藻类群落诊断光合色素叶绿素α的光谱参量：

(2)表征绿藻种群诊断光合色素叶绿素b的光谱参量：

基于藻蓝素在620-640nm波段的强吸收特征，构建：

(3)表征蓝藻种群诊断光合色素藻蓝素的光谱参量：

针对岩藻黄素在450-530nm波段的强吸收特征，构建：

(4)表征硅藻种群诊断光合色素岩藻黄素的光谱参量：

步骤四：利用表征藻类群落诊断光合色素光谱参量，最终判定观测水域是否存在水华现象，如果存在，则转至步骤五。

首先，根据大数据学习，设定水华现象的阈值参数h＝0.0025；然后，利用步骤s3中的ha进行数据对比，如果ha＜0.0025，则最终判定水华未暴发，否则最终判定存在水华现象，转至步骤五。

步骤五：根据步骤三中的hb、hp和hf构建蓝-绿-硅藻种群相对丰度比例公式，以及大数据学习生成的比例系数，辨识水华期藻类群落结构。

蓝藻∶绿藻∶硅藻＝3.7·hp∶1.8·hb∶hf

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其做出各种各样的改变，而不偏离本发明权利要求书所限定的范围。