2021遥感应用组二等奖:基于机器学习回归算法的鄱阳湖水质遥感定量反演及时序变化监测研究

 作品介绍

一、作品背景

鄱阳湖是中国第一大淡水湖,也是中国第二大湖,它在调节长江水位、涵养水源、改善当地气候等方面起着重大的作用。但近年来受围垦、环境污染等人类活动影响,鄱阳湖湿地退化严重,同时使鄱阳湖的容量减少,导致鄱阳湖在汛期调节洪水的能力下降,造成沿湖城镇常发生洪灾。洪灾造成当地经济损失的同时,也给当地居民的生命造成极大威胁。传统基于站点尺度的水体监测方法,只能获得局部的水体信息且需花费较大人力、物力。但主被动遥感技术可实现水体动态变化的大尺度、快速和长时序监。

此外鄱阳湖流域附近的工厂污水排放至鄱阳湖中,导致湖中总氮和总磷含量高,水体富营养化严重。传统的水质监测只能基于点位进行测量,无法实现大范围连续测量。虽然基于遥感反演水质参数较好地弥补了传统地面监测时空连续性差,但当前多集中在利用实测水质与光学反射率建立经验模型,存在适用性差等问题。为了弥补以上不足,因此整合主被动遥感影像,综合利用主被动遥感影像的特征,基于C2RCC模、XGBoost算法、D3B浓度分级算法对鄱阳湖水质进行大尺度水质参数的精确反演。

二、作品简介

鄱阳湖是我国第一大淡水湖生态湿地,它能对长江进行调蓄分洪,也能对当地起到灌溉、提供饮用水和运输等生态、服务功能。因此开展鄱阳湖水体动态监测与水质定量反演,对当地生态可持续发展、湿地与生物多样性的保护具有极其重要的意义。我们用2016-2018年Landsat 8 OLI、Sentinel-1及Sentinel-2卫星影像数据,采用自动水体提取指数(AWEI)、双极化雷达指数(SDWI)利用ISODATA与Otsu阈值分割法提取鄱阳湖水体,基于随机点验证点定量评价水体提取精度,定量分析鄱阳湖水体的年内年际动态变化。同时采用C2RCC模型、XGBoost算法、基于D3B与OC2V4分级算法反演鄱阳湖叶绿素a及悬浮物质浓度,最后以R2、RMSE、MAE指标评价3种模型的精度,并分析鄱阳湖水质年内年际时空演变规律。

三、应用目标

1、利用哨兵1、2号及Landsat 8 OLI数据,利用阈值分割算法与影像信息相结合提取鄱阳湖水体,最终分析水体变化情况,探明鄱阳湖水体年内年际变化规律。

2、基于多源遥感数据,对比评价C2RCC模型、XGBoost算法、D3B浓度分级算法对鄱阳湖水质反演精度的差异,探究鄱阳湖水质年内年际时空演变规律。

四、使用数据

光学遥感影像:

1、2016~2018年12个月共60景Sentinel-2A/B多光谱影像;

2、2016~2018年Landsat 8 OLI多光谱数据。

SAR影像:鄱阳湖2016~2018年逐月SLC格式的Sentienl-1A/B雷达影像。

鄱阳湖叶绿素a及悬浮物质浓度实测数据是中国科学院南京地理与湖泊研究所的刘贺等人提供。

五、主要技术路线

2021遥感应用组二等奖:基于机器学习回归算法的鄱阳湖水质遥感定量反演及时序变化监测研究_第1张图片

图1 技术路线

六、作品设计思路与关键技术

6.1 鄱阳湖水体提取与精度验证

(1)水体提取

AWEI水体指数在水体光谱曲线上能看出,蓝波段和绿波段水体具有弱吸收的特征,而在短波红外和近红外反射率低,因此利用这两个特征扩大水体和非水体的差异。

对于双极化Sentinel-1数据在生成后向散射系数后,VH极化的数值通常会比VV极化的小,在雷达影像上,平静的水面主要发生近似镜面反射,因此所接受的回波信号能量很少,利用双极化雷达指数SDWI扩大水体特征

分别获取了雷达影像与多光谱影像的AWEI与SDWI指数后,基于Otsu与ISODATA自动阈值分割算法提取鄱阳湖水体信息,对比分析基于两种数据源与两种方法提取水体效果的优劣。

(2)精度验证

①静态精度验证

本文在鄱阳湖流域随机生成200个验证点(Sentinel-2为194个验证点),分别对3种影像数据提取水体结果进行精度验证,将其分为水体、非水体、错分3类地物。

表1 水体提取结果精度验证

2021遥感应用组二等奖:基于机器学习回归算法的鄱阳湖水质遥感定量反演及时序变化监测研究_第2张图片

②动态精度验证

2021遥感应用组二等奖:基于机器学习回归算法的鄱阳湖水质遥感定量反演及时序变化监测研究_第3张图片

图2 2016-2018年鄱阳湖水体面积变化趋势

1)对同一数据源不同方法的水体提取中,两种方法提取水体的面积变化趋势基本一致(图4 a和b),基于Sentinel-1A/B数据的ISODATA阈值分割算法在丰水期提取水面会出现空洞,导致丰水期面积差值较大,而Sentinel-1A/B数据的Otsu阈值分割算法提取结果较好。

2)在同一方法不同数据源的水体提取结果中,提取的鄱阳湖水体面积变化趋势基本一致(图4 c和d)。整合Sentinel-2数据和Otsu阈值分割算法会漏提湖滩或润土中的积水(图4 d),导致该数据提取的面积较小,相反Sentinel-1数据的Otsu阈值分割算法较好。基于Sentinel-1A/B数据的ISODATA阈值分割算法在丰水期提取水面会出现空洞,因此基于Sentinel-2数据的ISODATA阈值分割法比基于Sentinel-1数据的ISODATA阈值分割法更完整提取鄱阳湖水域面积。

3)3种方法提取的鄱阳湖年内水体面积变化趋势一致(图2)。Sentinel-1数据的Otsu阈值分割算法比Landsat 8 OLI能提取水面目标(图4 a和b),而Sentinel-2数据的ISODATA方法会将少量裸露湖滩识别成水体,因此Sentinel-1数据的Otsu阈值分割算法最优。

2021遥感应用组二等奖:基于机器学习回归算法的鄱阳湖水质遥感定量反演及时序变化监测研究_第4张图片

图3 3种影像数据的鄱阳湖水体面积变化趋势

2021遥感应用组二等奖:基于机器学习回归算法的鄱阳湖水质遥感定量反演及时序变化监测研究_第5张图片

图4 鄱阳湖水体提取部分结果

6.2 鄱阳湖水体年内年际变化定量分析

基于最佳的水体提取方法(Sentinel-1数据的Otsu阈值分割算法),从水面面积、月变化速率、期变化速率定量分析2016-2018年鄱阳湖水体年内年际时空变化规律。

水体面积变化速率:

2021遥感应用组二等奖:基于机器学习回归算法的鄱阳湖水质遥感定量反演及时序变化监测研究_第6张图片

图5 2016-2018年鄱阳湖水面面积及变化趋势

图6 2016-2018年丰水期与枯水期水体变化监测

表1 2016 -2018年鄱阳湖枯水期与丰水期水域面积变化速率统计

2021遥感应用组二等奖:基于机器学习回归算法的鄱阳湖水质遥感定量反演及时序变化监测研究_第7张图片

表2 2016-2018年鄱阳湖月面积变化速率统计

2021遥感应用组二等奖:基于机器学习回归算法的鄱阳湖水质遥感定量反演及时序变化监测研究_第8张图片

6.3 水质反演精度验证及结果

利用2016-2018年反演值与实测值进行鄱阳湖叶绿素a浓度反演的精度验证,并用均方根误差(RMSE)、平均绝对误差(MAE)、决定系数(R2)评价模型精度,具体公式如下:

式中

表示反演值,表示实测值,表示实测值的平均数,N表示实测值与反演值的数据组数。

(1)叶绿素a浓度反演精度验证

2021遥感应用组二等奖:基于机器学习回归算法的鄱阳湖水质遥感定量反演及时序变化监测研究_第9张图片

图7 叶绿素a浓度反演模型精度验证

(2)总悬浮物质浓度反演精度验证

2021遥感应用组二等奖:基于机器学习回归算法的鄱阳湖水质遥感定量反演及时序变化监测研究_第10张图片

 图8 总悬浮物质浓度反演模型精度验证

(3)基于D3B算法的鄱阳湖Chl-a浓度空间分布分析

2018年枯水期及刚进入丰水期时,鄱阳湖Chl-a主要集中在军山湖(1、4、10月)。丰水期时,万户镇、周溪镇、国家湿地公园与莲湖乡农业种植区湖域附近Chl-a浓度最高,赣江与修河入湖口处Chl-a浓度较高。因万户镇附近的平池湖有养殖现象,饲料等排入湖中造成水体Chl-a浓度增高,农业污染也造成Chl-a浓度增加。

2021遥感应用组二等奖:基于机器学习回归算法的鄱阳湖水质遥感定量反演及时序变化监测研究_第11张图片

图9 2018年chl-a浓度空间分布图

(4)基于C2RCC模型的鄱阳湖TSM浓度空间分布分析

将TSM浓度分为低、中、高三等级进行空间分布分析:枯水期时,鄱阳湖主干道、南部、西部、大莲子湖附近及金溪湖的TSM浓度最高,青岚湖东南部TSM浓度较高。金溪湖全年TSM浓度较高。7月期间,鄱阳湖处于暴雨季节,长江支流水速较快,冲刷岸边,导致长江鄱阳湖入湖口支流TSM浓度最高,直至10月才得到缓和。

2021遥感应用组二等奖:基于机器学习回归算法的鄱阳湖水质遥感定量反演及时序变化监测研究_第12张图片

图10 2016-2018年鄱阳湖总悬浮物质浓度空间分布图

(5)水质反演模型对比分析

由3种模型的反演结果进行对比分析,通过实测与反演值最小浓度差、最大浓度差和MAE得出反演鄱阳湖叶绿素a与总悬浮物质浓度的最佳模型为XGBoost算法。

表3 XGBoost算法与C2RCC模型的预测值与实测值数据对比分析

2021遥感应用组二等奖:基于机器学习回归算法的鄱阳湖水质遥感定量反演及时序变化监测研究_第13张图片

表4 XGBoost算法与D3B算法的叶绿素a浓度预测值与实测值对比分析

2021遥感应用组二等奖:基于机器学习回归算法的鄱阳湖水质遥感定量反演及时序变化监测研究_第14张图片

你可能感兴趣的:(GIS大赛分享,机器学习,回归,人工智能)