一种基于河岸带景观分区的河流氮磷浓度遥感反演方法

1.本发明涉及流域水环境遥感技术领域，更具体的涉及一种基于河岸带景观分区的河流氮磷浓度遥感反演方法。


背景技术：

2.近年来，内陆水生生态系统富营养化已成为全球性重大环境问题之一，主要由湖泊过度开发、流域面源污染、气候变化等因素的综合影响所致，其中水中氮磷营养盐为限制性因素。河流作为连接陆地与湖泊的主要地表径流通道，入湖河流的氮磷营养盐浓度过高是湖泊富营养化的重要成因。开展内陆水体水质监测的技术手段主要包括实地测定和遥感监测。实地测定的数值精度虽高，但需要耗费大量的人力物力，且只能从离散站点角度对水质参数进行监测。卫星遥感技术能在宏观尺度上对水质开展实时动态监测，且不会受限于地形因素，为地球资源调查、环境变化监测提供了先进的探测手段，已成为监测区域尺度上河流水质参数的重要途径。
3.利用遥感技术定量监测的河流水质指标主要集中在叶绿素a、浊度、悬浮物等，通过构建实测水质参数与遥感影像水体反射率的函数关系(水质遥感反演模型)来实现。由于水体氮磷作为非光学活性水质参数，其光谱特征不明显，目前对河流氮磷营养盐浓度遥感反演技术开展的研究很少。在研究中所构建的水质参数遥感反演模型主要适用于单一水体上(如湖泊、水库、河段)。受周围地理环境的影响，不同水体的水质参数存在地域性空间差异，导致同一水质遥感反演模型在区域尺度上的适用性与反演精度都很差。


技术实现要素：

4.本发明实施例提供一种基于河岸带景观分区的河流氮磷浓度遥感反演方法，包括：
5.聚类分析河岸带上景观类型；
6.根据景观聚类结果中河岸带上景观比例差异对河流进行地理分区；
7.分析不同地理分区中河流氮磷浓度实测样点与同期的河流遥感影像反射率的相关性，选择相关性系数高的波段或波段组合作为河流氮磷浓度的敏感光谱特征变量；
8.基于不同地理分区分别构建不同的河流氮磷浓度遥感反演模型；
9.将不同季节的遥感影像中河流氮磷浓度的敏感光谱特征变量分别输入不同的河流氮磷浓度遥感反演模型，获得河流总磷和总氮浓度时空分布图。
10.进一步，河岸带上景观类型，包括
11.农田、森林、草地、城镇。
12.进一步，根据景观聚类结果中河岸带上景观比例差异对河流进行地理分区，包括：
13.将河岸带农业用地占比高的河流作为地理分区a，将城镇用地占比高的河流作为地理分区b。
14.进一步，分别构建不同的河流氮磷浓度遥感反演模型，包括：
15.对地理分区a采用河流氮磷浓度遥感反演模型a；
16.对地理分区b采用河流氮磷浓度遥感反演模型b；
17.其中，河流氮磷浓度遥感反演模型a和b均采用梯度提升gradient boosting机器学习算法对总氮浓度反演，分别采用随机森林random forest和极端回归树extratrees regressor机器学习算法对总磷浓度反演。
18.进一步，所述梯度提升、随机森林、极端回归树机器学习算法的参数包括：
19.地理分区a的总氮反演模型：决策树深度：3，学习率：0.059，随机种子：0，分类器数：10000；
20.地理分区b的总氮反演模型：决策树深度：3，学习率：0.072，随机种子：0，分类器数：10000；
21.地理分区a的总磷反演模型：决策树深度：3，随机种子：0，分类器数：10000；
22.地理分区b的总磷反演模型：决策树深度：11，随机种子：0，分类器数：10000。
23.进一步，还包括通过实测点位对河流氮磷浓度遥感反演模型a和b交叉精度验证，其包括：
24.筛选实测点位；
25.将实测点位遥感图像数据分为地理分区a验证点位数据和地理分区b验证点位数据；
26.将地理分区a验证点位数据输入河流氮磷浓度遥感反演模型b，反演出地理分区a氮磷浓度，并与a区实测点氮磷浓度比较；
27.将地理分区b验证点位数据输入河流氮磷浓度遥感反演模型a，反演出地理分区b氮磷浓度，并与b区实测点氮磷浓度比较；
28.进一步，遥感影像包括：
29.中、高空间分辨率的卫星遥感影像。
30.本发明实施例提供一种基于河岸带景观分区的河流氮磷浓度遥感反演方法，与现有技术相比，其有益效果如下：
31.1、本发明通过河流河岸带的优势景观类型进行地理分区而后按照分区建立反演模型，相比于现有反演方法，有效提高了区域尺度河流氮磷浓度反演精度。
32.2、本发明提出的河流氮磷浓度遥感反演方法可以直接应用于中、高空间分辨率的卫星遥感影像(如sentinel 2msi影像、landsat 8/9oli影像以及gf-1/2pms影像等)，适用于区域尺度、流域尺度的中小型河流(宽度大于10米)氮磷浓度遥感反演与定量监测。
附图说明
33.图1为本发明实施例提供的一种基于河岸带景观分区的河流氮磷浓度遥感反演方法的流程图；
34.图2为本发明实施例提供的一种基于河岸带景观分区的河流氮磷浓度遥感反演方法的基于河岸带土地类型的环巢湖河流地理分区；
35.图3为本发明实施例提供的一种基于河岸带景观分区的河流氮磷浓度遥感反演方法的河岸带景观分区策略下tn、tp反演模型的精度评价，其中，横轴是实测值，纵轴是反演值；
2msi遥感影像，反演得到环巢湖河流及湖体的tn、tp浓度空间分布图(图4、图5)，并有效分析了环巢湖河流氮磷浓度的时空变化规律。
50.以上公开的仅为本发明的几个具体实施例，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明的精神和范围，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围内。


技术特征：
1.一种基于河岸带景观分区的河流氮磷浓度遥感反演方法，其特征在于，包括：聚类分析河岸带上景观类型；根据景观聚类结果中河岸带上景观比例差异对河流进行地理分区；分析不同地理分区中河流氮磷浓度实测样点与同期的河流遥感影像反射率的相关性，选择相关性系数高的波段或波段组合作为河流氮磷浓度的敏感光谱特征变量；基于不同地理分区分别构建不同的河流氮磷浓度遥感反演模型；将不同季节的遥感影像中河流氮磷浓度的敏感光谱特征变量分别输入不同的河流氮磷浓度遥感反演模型，获得河流总磷和总氮浓度时空分布图。2.如权利要求1所述的一种基于河岸带景观分区的河流氮磷浓度遥感反演方法，其特征在于，所述河岸带上景观类型，包括农田、森林、草地、城镇。3.如权利要求2所述的一种基于河岸带景观分区的河流氮磷浓度遥感反演方法，其特征在于，所述根据景观聚类结果中河岸带上土地类型差异对河流进行地理分区，包括：将河岸带农业用地占比高的河流作为地理分区a，将城镇用地占比高的河流作为地理分区b。4.如权利要求3所述的一种基于河岸带景观分区的河流氮磷浓度遥感反演方法，其特征在于，所述分别构建不同的河流氮磷浓度遥感反演模型，包括：对地理分区a采用河流氮磷浓度遥感反演模型a；对地理分区b采用河流氮磷浓度遥感反演模型b；其中，河流氮磷浓度遥感反演模型a和b均采用梯度提升gradient boosting机器学习算法对总氮浓度反演，分别采用随机森林random forest和极端回归树extratrees regressor机器学习算法对总磷浓度反演。5.如权利要求4所述的一种基于河岸带景观分区的河流氮磷浓度遥感反演方法，所述梯度提升、随机森林、极端回归树机器学习算法的参数包括：地理分区a的总氮反演模型：决策树深度：3，学习率：0.059，随机种子：0，分类器数：10000；地理分区b的总氮反演模型：决策树深度：3，学习率：0.072，随机种子：0，分类器数：10000；地理分区a的总磷反演模型：决策树深度：3，随机种子：0，分类器数：10000；地理分区b的总磷反演模型：决策树深度：11，随机种子：0，分类器数：10000。6.如权利要求1所述的一种基于河岸带景观分区的河流氮磷浓度遥感反演方法，其特征在于，还包括通过实测点位对河流氮磷浓度遥感反演模型a和b交叉精度验证，其包括：筛选实测点位；将实测点位数据分为地理分区a验证点位数据和地理分区b验证点位数据；将地理分区a验证点位数据输入河流氮磷浓度遥感反演模型b，反演出地理分区a氮磷浓度，并与a区实测点氮磷浓度比较；将地理分区b验证点位数据输入河流氮磷浓度遥感反演模型a，反演出地理分区b氮磷浓度，并与b区实测点氮磷浓度比较；通过与实测点氮磷浓度的比较，验证河流氮磷浓度遥感反演模型的普适性。
7.如权利要求1所述的一种基于河岸带景观分区的河流氮磷浓度遥感反演方法，其特征在于，所述遥感影像包括：中、高空间分辨率的卫星遥感影像。

技术总结
本发明公开了一种基于河岸带景观分区的河流氮磷浓度遥感反演方法，包括：聚类分析河岸带上景观类型，根据景观聚类结果中河岸带上景观比例差异对河流进行地理分区，分析不同地理分区中河流氮磷浓度实测样点与同期的河流遥感影像反射率的相关性，选择相关性系数高的波段或波段组合作为河流氮磷浓度的敏感光谱特征变量，基于不同地理分区分别构建不同的河流氮磷浓度遥感反演模型，将不同季节的遥感影像中河流氮磷浓度的敏感光谱特征变量分别输入不同的河流氮磷浓度遥感反演模型，获得河流总磷和总氮浓度时空分布图。该方法有效提高了河流氮磷浓度反演精度。河流氮磷浓度反演精度。河流氮磷浓度反演精度。


技术研发人员：王杰 李江 崔玉环 吴艳兰
受保护的技术使用者：安徽农业大学
技术研发日：2022.04.08
技术公布日：2022/7/15