基于无人机的湖面波动监测方法

本发明涉及水利工程与水环境监测，具体涉及基于无人机的湖面波动监测方法。

背景技术：

1、湖泊、水库等水域是地表最重要的淡水资源之一，在调节陆地水循环、维持湿地生态系统平衡和充当全球碳汇等方面发挥着不可替代的作用。然而，自20世纪80年代以来，在人类活动加剧和气候异常的双重压力下，全球不同区域的水域呈现出不同程度的萎缩或扩张趋势。以我国内蒙古高原为例，在暖干化气候和人类活动强度增加的双重影响下，湖泊出现了显著的萎缩和退化，导致生物多样性降低、水质盐化、土地退化等一系列生态问题。此外，水域人为侵占频发，防洪和供水等各项功能受到较大影响。因此，对水域面积进行精准、动态的监测评估，对于保障防洪安全、供水安全以及生态安全意义十分重大。

2、目前，水域面积监测主要依赖于人工巡查或者卫星遥感监测，人工巡查中受到地形、经费限制等，巡查频次较少且路线固定，导致存在巡查不全面的问题，而光学卫星遥感受云雨天气影响较大，在江淮流域等地区全年有效数据获取率不到一半，导致水域占用发现不及时，处置成本高、难度大；

3、现有的，还通过地面自动检测，通过浮标自动检测站、岸基摄像头等手段可以实现定点连续观测，不受天气影响，且可监测多项水质指标。局限性在于成本较高，只能在有限点位安装，摄像头固定位置无法移动，且观测视角受限，无法覆盖大面积水域的空间分布信息；并且随着无人机技术的不断成熟，通过利用无人机在不受云层等环境影响下，实现在航测、水利、环境等行业得到广泛应用。并且多光谱遥感技术已成功应用于水质参数的定量反演，lstm等时间序列分析模型在水域演变预测中展现出显著价值；然而，仍存在一些不足：

4、第一，面积与水质监测割裂；现有无人机应用多侧重单一目标—或监测水域面积变化，或反演水质参数，缺乏将两者统一考虑的综合性监测评估方法；

5、第二，缺乏水位校正机制；水域面积受季节性水位涨落影响显著，但现有方法多直接对比不同时期的面积数据，未建立水位－面积定量关系模型进行校正，导致监测结果无法真实反映人为因素导致的面积变化；

6、第三，缺乏趋势预测与风险预警功能；现有方法主要在于“现状评估”或“历史对比”，属于事后监管，尚未形成基于时序预测模型的主动预警能力。

技术实现思路

1、本发明的目的在于提供基于无人机的湖面波动监测方法，解决以下技术问题：

2、怎样实现对水域面积变化的全天候、高精度、智能化动态监测与趋势预判。

3、本发明的目的可以通过以下技术方案实现：

4、基于无人机的湖面波动监测方法，方法包括：

5、s1、按照预设航线对被监测水域进行周期性巡航，获取多时序的多光谱影像和可见光影像，提取实际水面面积；

6、s2、基于监测水域的实时水文水位数据，建立监测水域的水位—面积数学关系模型，将实际水面面积统一校准到预设基准水位下的标准化面积；

7、s3、在获得多年、多周期的监测水域的水面面积变化率和变化图斑数据后，利用时间序列分析模型对水域未来的面积变化趋势进行预测，获取预测系数；

8、s4、根据预测系数识别风险区域，对风险区域进行监测，生成风险区域的动态图斑和评分等级；

9、s5、并基于动态图斑进行三维可视化展示风险信息。

10、优选地，水面面积的提取方式为：

11、基于可见光影像，计算归一化水体指数，提取被监测湖面的瞬时水边线，计算对应的瞬时水域面积，并与历史时序数据进行对比，获得湖面面积波动特征。

12、优选地，归一化水体指数的计算方式为：

13、

14、其中，为绿光波段的反射率，为近红外波段的反射率。

15、优选地，基于归一化水体指数确定瞬时水域面积的具体方式为：

16、采用最大熵法确定自适应分割阈值，当可见光影像中任一像素点的ndwi值大于分割阈值时，将该像素点判识为水域像素；统计所有水域像素的数量，结合可见光影像的地面分辨率，计算瞬时水域面积，计算公式：

17、

18、其中，的单位为平方米。

19、优选地，步骤s2中监测水域的水位—面积数学关系模型的构建方式包括：

20、s21、收集被监测水域在多个历史时期的水位观测数据及对应的实测水域面积，构成水位—面积样本数据集；

21、s22、采用非线性回归方法对样本数据集进行拟合，建立水位—面积函数关系式：

22、

23、其中，为实时水文水位数据，为对应的水域面积，、、为模型拟合参数；

24、s23、基于水位—面积函数关系式，将实际水面面积统一校准到预设基准水位下的标准化面积，校准公式为：

25、

26、其中，为航拍时刻对应的实时水位，为根据水位—面积函数关系式计算得到的当前水位对应的面积，为根据水位—面积函数关系式计算得到的基准水位对应的面积。

27、优选地，步骤s3中获得多年、多周期的监测水域的水面面积变化率和变化图斑数据的方式包括：

28、s31、基于连续多个监测周期获得的标准化面积，计算第个监测周期相对于第个监测周期的水域面积变化率，计算公式为：

29、

30、其中，为第个监测周期的标准化面积，为个监测周期的标准化面积；

31、s32、将相邻监测周期的标准化面积进行空间叠置分析，标记水域边界发生变化的空间区域，生成变化图斑数据，变化图斑数据包括变化图斑的经纬度信息、位置信息、面积信息和变化性质信息；

32、s33、将连续多年、多周期获得的水域面积变化率序列和变化图斑数据作为时间序列分析模型的基础输入数据。

33、优选地，步骤s3中利用时间序列分析模型对水域未来的面积变化趋势进行预测，获取预测系数的方式包括：

34、s34、构建lstm长短期记忆网络模型，lstm模型包括输入层、lstm隐藏层和输出层；

35、s35、将历史时序的水域面积变化率序列作为输入序列，通过时间窗口滑动构建训练样本集；每个训练样本的输入为连续个历史时间步的变化率数据，输出标签为未来个时间步的变化率数据；

36、s36、采用反向传播算法和自适应矩估计优化器对lstm模型进行训练，以最小化预测值与真实值之间的均方误差损失函数为目标，获得训练好的lstm预测模型；

37、s37、将当前最近连续个时间步的水域面积变化率数据输入训练好的lstm预测模型，模型输出未来预设时间步长的预测面积变化率序列，作为预测系数。

38、优选地，预测系数包括预测面积变化率的计算公式为：

39、

40、其中，为未来第个时间步长的预测水域面积变化率，为时间窗口内的历史面积变化率输入序列，为lstm模型的训练权重参数集；

41、预测系数还包括风险等级概率向量，其计算公式为：

42、

43、其中，为lstm模型在未来第时间步输出的隐状态向量，和为全连接层的权重矩阵和偏置；，，，，分别对应预设的多个风险等级的概率值，0＜＜＜＜＜＜1，，且∈；

44、预测系数还包括预测面积绝对值，其计算公式为：

45、

46、其中，为当前评估时期的标准化面积。

47、优选地，步骤s4中根据预测系数识别风险区域的方式包括：

48、预设风险等级阈值，风险等级阈值包括高风险概率阈值、中风险概率阈值和低风险概率阈值；

49、当风险等级概率向量中的高风险等级概率大于或等于高风险概率阈值时，将该区域判定为高风险区域；

50、当高风险等级概率小于高风险概率阈值且中风险等级概率大于或等于中风险概率阈值时，将该区域判定为中风险区域；

51、当风险等级概率向量中所有风险等级概率均低于对应阈值时，将该区域判定为低风险区域；

52、评分等级与风险等级对应，高风险区域对应第一评分等级，中风险区域对应第二评分等级，低风险区域对应第三评分等级。

53、优选地，步骤s4中生成风险区域的动态图斑和评分等级之后，还包括预警信息生成步骤：

54、将动态图斑与预先存储的历史变化图斑和预测动态图斑进行对比；预测动态图斑为基于预测系数生成的未来预测时段内的预期变化区域；

55、计算动态图斑的面积与预测动态图斑的面积之间的偏差率，计算公式为：

56、

57、其中，为动态图斑的实际面积，为预测动态图斑的预测面积；

58、预设偏差率阈值，当偏差率的绝对值大于或等于偏差率阈值时，触发预警机制，生成预警信息；

59、预警信息包括预警等级、预警类型、风险区域位置、预测演变趋势和推荐处置措施；预警等级根据偏差率的大小划分为若干等级，偏差率绝对值越大，预警等级越高。

60、本发明的有益效果：

61、（1）本发明通过无人机搭载多光谱传感器和高分辨率光学相机，按照预设航线进行周期性巡航，获取多时序的多光谱影像和可见光影像。在影像处理过程中，采用归一化水体指数（ndwi）结合最大熵法自适应确定分割阈值，能够有效增强水体信息并抑制植被和土壤信息的干扰，实现水域像素的精准判识，进而精确提取瞬时水域面积。在此基础上，通过收集多年水位观测数据及对应的实测水域面积，构建水位—面积非线性回归数学模型，将不同水位条件下获取的瞬时水面面积统一校准至预设基准水位下的标准化面积，消除了水位涨落对面积测量的干扰，使得不同时期、不同水位条件下的监测数据具有了统一的可比基准，显著提高了长期监测数据的准确性和一致性。

62、（2）本发明通过基于连续多个监测周期获得的标准化面积，计算第j个监测周期相对于第j-1个监测周期的水域面积变化率，并将相邻监测周期的标准化面积进行空间叠置分析，标记水域边界发生变化的空间区域，生成包含经纬度信息、位置信息、面积信息和变化性质信息的变化图斑数据，为时间序列分析模型提供了基础输入数据；在此基础上，构建包括输入层、lstm隐藏层和输出层的lstm长短期记忆网络模型，将历史时序的水域面积变化率序列作为输入序列，通过时间窗口滑动构建训练样本集，采用反向传播算法和自适应矩估计优化器进行训练，获得训练好的lstm预测模型，将当前最近连续m个时间步的水域面积变化率数据输入模型，输出未来预设时间步长的预测面积变化率序列、风险等级概率向量和预测面积绝对值作为预测系数。通过预设风险等级阈值，根据风险等级概率向量中的高风险等级概率与高风险概率阈值的比较结果，将区域判定为高风险区域、中风险区域或低风险区域，并生成对应的动态图斑和评分等级，实现了从被动监测向主动预测、从定性分析向定量评估的转变。

63、（3）本发明在生成风险区域的动态图斑和评分等级之后，进一步将动态图斑与预先存储的历史变化图斑和基于预测系数生成的预测动态图斑进行对比，计算动态图斑的面积与预测动态图斑的面积之间的偏差率，并预设偏差率阈值，当偏差率的绝对值大于或等于偏差率阈值时，触发预警机制，生成包含预警等级、预警类型、风险区域位置、预测演变趋势和推荐处置措施的预警信息，预警等级根据偏差率的大小划分为若干等级，偏差率绝对值越大，预警等级越高，形成了从监测、预测、异常识别到处置建议的闭环管理体系。同时，基于动态图斑进行三维可视化展示风险信息，将风险区域的空间位置、演变趋势动态模拟、评分等级和预警信息通过可视化公开，接受公众监督，既提升了管理部门的应急处置效率，又增强了社会公众对水域风险的知情权和参与度。

64、当然，实施本发明的任一产品并不一定需要同时达到以上描述的所有优点。