一种基于高光谱的缓流水体总氮浓度估算方法

本发明涉及水环境监测领域，具体涉及一种基于高光谱的缓流水体总氮浓度估算方法。

背景技术：

1、水体水质是反映水环境质量的重要指标之一，随着近年来生态环境建设的持续推进，如何实时快速地跟踪区域水环境质量变化一直是水环境监测亟待解决的关键难题。传统水质监测技术主要通过固定断面取样监测的方式，由于传统取样不可避免受到水体环境边界条件影响，如果点位覆盖范围扩大将明显增加人力、物力投入，且数据获取时效性往往不足。因此，如何运用新兴技术，对传统监测技术进行有效补充，让水环境监测具备实时快速的监测能力，是当前研究的热点。

2、近年来，高精度、小型化的遥感监测设备的快速普及、叠加无人机技术的快速发展，使基于小型无人机系统的水质遥感监测成为了可能。但是，由于内陆缓流水体水质相比海洋变化复杂、外部扰动剧烈，选择何种遥感监测方法，如何提高遥感监测抗干扰能力一直是内陆缓流水体水质遥感监测的热点问题。

技术实现思路

1、为克服现有技术的不足，本发明的目的在于提供一种基于高光谱的缓流水体总氮浓度估算方法，实现了利用高光谱定量反演缓流水体水质，且具备快速、低成本、实时处理等优势。

2、为实现上述目标，本发明采取的技术方案为：

3、s1，采用便携式（或机载式）光谱仪测量缓流水体光谱，获取建模数据；

4、s2，在采集光谱数据的同时，选择目标点位（不少于5处）进行水样采集，获取目标点位总氮浓度校准数据；

5、s3，对s1步骤获取的建模数据进行处理。剔除形状明显异常，带有毛细波的光谱后，进行平滑预处理并平均光谱，选取400~1000 nm波长范围内，每个波长下反射率与所有波长下反射率进行相除，并与总氮浓度进行皮尔逊相关分析；

6、s4，选取反射系数（正负相关系数最大的波段比值）作为输入层，总氮浓度校准数据作为输出层建立bp神经网络模型，通过决定系数与均方根误差对反演结果进行精度分析；

7、s5，选择多个缓流水体（湖库与河流，不少于10个）重复步骤s1~s4，最终建立基于高光谱变化特征的缓流水体波谱库与总氮浓度预测模型库；

8、s6，根据待测水体光谱的吸收位置、吸收深度、吸收面积等特征，匹配缓流水体总氮浓度预测模型库中高光谱数据，在相应的网络结构下即可实时获取待测水体总氮数据。

9、1、优选的，所述步骤s1中，采用光谱仪测量缓流水体光谱，其特征在于，光谱仪波段范围需覆盖400~1000 nm。

10、2、优选的，所述步骤s1中，获取建模数据，其特征在于，测量水体光谱时，测量角度为光谱仪观测平面与太阳入射平面夹角130°，光谱仪与水面法线方向夹角35°，每个测量点进行连续不少于10次的光谱连续采集。

11、3、优选的，所述步骤s3中，对光谱数据进行平滑预处理，其特征在于，平滑预处理使用公式（1）进行：

12、（1）

13、在公式（1）中，是平滑处理后的光谱反射率，是相邻四个波段的光谱反射率。

14、4、优选的，所述步骤s3中，相除因子与总氮浓度进行皮尔逊相关分析，其特征在于，皮尔逊相关分析，包括以下步骤：

15、①计算400~1000nm内每个波段反射率与所有波长反射率的相除因子，若有n个波段，则有n2个相除因子；

16、②对所有相除因子与总氮浓度进行皮尔逊相关分析，相关系数是反映相应变量间相关关系密切度的指标，根据积差法得出，以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间的相关程度；相关系数计算公式为：

17、（2）

18、在公式（2）中，i是水样编号；n是水样数量；j和k是波段数；是水体光谱在j波段与k波段比值下光谱反射系数与总氮浓度的相关关系；是第i个水样在j波段和k波段比值下光谱反射系数；是n个水样在此波段反射率的平均值；是第i个水样的总氮浓度；是所有水样总氮浓度的均值；

19、 ③选取正负相关系数最大的波段组合作为总氮敏感波段组合。

20、5、优选的，所述步骤s4中，建立bp神经网络模型，特征在于，模型的建立，包括以下步骤：

21、①将敏感波段反射系数和总氮浓度作为神经网络的输入层和输出层；

22、②选择训练集、验证集和测试集的比例为70%、15%和15%；

23、③选择隐藏神经元个数，隐藏神经元个数一般为个，m为输入层的神经元个数，n为输出层神经元个数，a取1~10之间的常数；

24、④设置神经网络模型的激励函数、输出函数和训练算法，不断调整隐藏神经元个数反复训练出最佳网络结构，并保存最佳网络结构。

25、6、优选的，所述步骤s4中，通过决定系数与均方根误差对反演结果进行精度分析，特征在于，拟合度r2与均方根误差rmse使用公式（3）和（4）进行：

26、（3）

27、（4）

28、在公式（3）和（4）中， n是水样数量；是第i个水样的总氮浓度；是所有水样总氮浓度的均值，是网络结构下第i个水样总氮估计值。

29、本发明的有益效果在此：

30、1.本发明的一种基于高光谱的缓流水体总氮浓度估算方法，在建立总氮的最优网络模型后，只需对待测水体进行光谱数据采集，光谱数据变换后将数据代入模型即可快速获得水体中总氮浓度，与常规总氮测定方法相比，大大减少了等待时间，节约了时间成本；

31、2.本发明的一种基于高光谱的缓流水体总氮浓度估算方法，在建立基于高光谱变化特征的缓流水体波谱库与总氮浓度预测模型库后，不需要对水样进行前处理，避免对水样扰动使总氮测定数据产生误差；

32、3.本发明的一种基于高光谱的缓流水体总氮浓度估算方法，在建立基于高光谱变化特征的缓流水体波谱库与总氮浓度预测模型库后，不需要额外试剂对水样进行处理，既节约了测定成本，又避免产生二次污染；

33、4. 本发明的一种基于高光谱的缓流水体总氮浓度估算方法，在建立基于高光谱变化特征的缓流水体波谱库与总氮浓度预测模型库后，对待测水体的光谱曲线特征与波谱库进行匹配，在相应的网络结构下即可实时获取待测水体总氮浓度，保证总氮反演结果尽可能准确可靠。

34、综上所述，本发明基于高光谱的缓流水体总氮浓度估算方法，通过构建高光谱变化特征的缓流水体波谱库与总氮浓度预测模型库，建立了一种有效、快速的缓流水体总氮浓度估算方法，将匹配的光谱数据带入关系模型即可估算缓流水体中总氮浓度，解决了常规总氮测定方法耗时耗力，测定频率低，易产生二次污染的缺点，提高了分析水体总氮浓度的时效性，本发明运用在治理水体污染上，具有较强的实用性。

技术特征：

1.一种基于高光谱的缓流水体总氮浓度估算方法，其特征在于，通过现场水体光谱测量与水体采样，利用光谱平滑处理与波段比值运算，找到总氮敏感波段组合，完成水体波谱库和bp神经网络模型库建立，通过待测水体光谱数据即可进行总氮浓度估算，所述方法包括以下步骤：

2.根据权利要求1所述的基于高光谱的缓流水体总氮浓度估算方法，其特征在于，所述步骤s1中光谱仪，波段范围需覆盖400~1000nm。

3.根据权利要求1所述的基于高光谱的缓流水体总氮浓度估算方法，其特征在于，所述步骤s1中测量水体光谱，测量角度为光谱仪观测平面与太阳入射平面夹角130°，光谱仪与水面法线方向夹角35°，每个测量点进行连续不少于10次的光谱连续采集。

4.根据权利要求1所述的基于高光谱的缓流水体总氮浓度估算方法，其特征在于，所述步骤s3中平滑预处理是在目标点的误差范围内获取多个点的均值，降低锯齿的发生，使用公式（1）进行；

5.权利要求书1所述的基于高光谱的缓流水体总氮浓度估算方法，其特征在于，总氮敏感波段组合的探寻，包括以下步骤：

6.权利要求书1所述的基于高光谱的缓流水体总氮浓度估算方法，其特征在于，所述的建立的bp神经网络模型，包括以下步骤：

7.权利要求书1所述的基于高光谱的缓流水体总氮浓度估算方法，其特征在于，网络训练结果通过决定系数与均方根误差对反演结果进行精度分析，决定系数r2与均方根误差rmse通过以下公式计算：

技术总结
本发明公开了一种基于高光谱的缓流水体总氮浓度估算方法，属于水环境监测领域。该方法基于水环境遥感监测技术，对便携式（或机载式）光谱仪获取的实时高光谱数据进行数据校核与预处理（平滑及波段比值处理），依据水体实测总氮浓度与处理后高光谱数据，建立缓流水体波谱库与BP神经网络模型库，通过模型库，运用高光谱数据进行缓流水体总氮浓度实时快速的监测。

技术研发人员：唐阳,杨远坤,谌书,封小倩
受保护的技术使用者：西南科技大学
技术研发日：
技术公布日：2024/1/15