一种内陆河流水体的水环境监测方法与流程

技术特征：
1.一种内陆河流水体的水环境监测方法，其特征在于：该方法包括下列顺序的步骤：(1)确定目标区域及对应水质各目标要素，确定目标区域水质采样点坐标；(2)利用无人机搭载多光谱相机获取目标区域水质采样点对应的图像，得到无人机影像，经处理得到光谱数据；(3)将光谱数据进行组合得到光谱特征参数，将光谱特征参数与水质各目标要素进行相关性分析，选取相关性最高的光谱特征参数组成数据集，将数据集划分为训练集和验证集两个部分；(4)将数据集输入到机器学习，进行模型训练，验证得到最优解，经性能评估确定水质反演模型；(5)基于水质反演模型对无人机影像进行反演，得到监测指标值，对超标指标进行预警。2.根据权利要求1所述的内陆河流水体的水环境监测方法，其特征在于：所述步骤(1)具体包括以下步骤：(1a)首先选定目标区域，对目标区域进行布点设置，按照水域的面积与形状确定采样点坐标，确定采样点坐标的经纬度；(1b)对所采水样进行检测，得到水质各目标要素实际数据，所述水质各目标要素包括总氮、总磷和氨氮含量浓度。3.根据权利要求1所述的内陆河流水体的水环境监测方法，其特征在于：所述步骤(2)具体包括以下步骤：(2b)进行辐射校正：采用线性变换方法对无人机影像的反射率进行校正，利用标定靶反射率的经验值与无人机影像上的dn值建立线性函数模型，进而对整个图像线性变换；(2c)进行反射数据提取：将经过辐射校正的无人机影像导入envi软件，构建以目标区域水质采样点为中心的roi感兴趣区域，以该roi感兴趣区域所有点的平均光谱反射率作为该目标区域水质采样点的光谱数据。4.根据权利要求1所述的内陆河流水体的水环境监测方法，其特征在于：所述步骤(3)具体包括以下步骤：(3a)将光谱数据进行组合，得到光谱特征参数，进行皮尔逊相关性分析，得出光谱特征参数与水质各目标要素的相关性，相关性计算公式如下：式中：r
xy
为光谱特征参数与水质各目标要素的相关系数，r
xy
的绝对值越接近1，相关性越高，x
i
与y
i
分别为光谱特征参数与水质各目标要素的样本值；为x
i
的平均值，为y
i
的平均值；(3b)将相关性最高的光谱特征参数组成数据集划分为两个部分，即70％用于模型训练的训练集，以及30％用于模型验证的验证集。5.根据权利要求1所述的内陆河流水体的水环境监测方法，其特征在于：所述步骤(4)具体包括以下步骤：(4a)将训练集作为模型输入；
(4b)将水质各目标要素实际数据作为模型输出；(4c)建立水质反演模型，水质反演模型由多个机器学习网络和一个融合模块构成，所述多个机器学习网络包括深度神经网络、bp神经网络和遗传随机森林，深度神经网络、bp神经网络和遗传随机森林三者并行处理；多个机器学习网络的激活函数采用relu函数，其公式为：融合模块的公式如下：p＝αp
c
βp
b
(1-α-β)p
g
式中，p代表水域水质的各目标要素浓度，p
c
，p
b
，p
g
分别代表深度神经网络、bp神经网络和遗传随机森林得到的水域水质的浓度值，α，β是权重参数，通过训练学习得到；(4d)将验证集输入水质反演模型中，水质反演模型输出得到预测结果，对水质反演模进行评价，用决定系数r2、均方根误差rmse、平均绝对百分比误差mae进行模型精度评价，计算公式分别如下：算公式分别如下：算公式分别如下：其中，n为样本总数，i为第i组数据，为第i组数据的模型估计浓度，p
i
为第i组数据的实测浓度，为第i组数据的实测浓度平均值，r2越逼近1，rmse、mae越逼近0，则模型的反演效果越好。6.根据权利要求1所述的内陆河流水体的水环境监测方法，其特征在于：所述步骤(5)具体是指：基于水质反演模型对无人机影像进行反演，得到监测指标值，并根据《地表水环境质量标准gb3838-2002》对超标指标进行预警。

技术总结
本发明涉及一种内陆河流水体的水环境监测方法，包括：确定目标区域及对应水质各目标要素，确定目标区域水质采样点坐标；得到光谱数据；将光谱数据进行组合得到光谱特征参数，进行相关性分析，选取相关性最高的光谱特征参数组成数据集，将数据集划分为训练集和验证集两个部分；将数据集输入到机器学习，进行模型训练，验证得到最优解，经性能评估确定水质反演模型；对无人机影像进行反演，得到监测指标值，对超标指标进行预警。本发明将无人机遥感与水质监测相结合，检测过程更为简便，操作简单；具有较高的分辨率，更加适用于小微河道，更好发现一些常规方法难以揭示的污染源和污染物迁移特征，十分适宜内陆水系的污染治理需求。求。求。


技术研发人员：姚锞 胡宜敏 王雪 史杨 许桃胜 张永恒
受保护的技术使用者：中科合肥智慧农业协同创新研究院
技术研发日：2022.11.09
技术公布日：2023/2/3