一种基于遥感组合反演公式的水质重金属监测方法及装置

技术领域

本发明涉及水质重金属检测技术领域，尤其涉及一种基于遥感组合反演公式的水质重金属监测方法及装置。

背景技术

现有的相关技术主要应用单光谱、多光谱等卫星遥感数据对水质重金属数据进行反演，存在的问题有：

(1)反演模型选择简单，大多模型考虑的是线性拟合方法，一部分使用了指数拟合方法，少部分选择了机器学习算法的基础模型。使用简单模型进行水质拟合(即使是多个简单模型的并行)会导致适应范围窄，普遍性差，最终只能实现一种或两种类型的水质反演，无法适应特殊水质(如异常水质)的情况；

(2)反演模型使用的遥感波段单一，现有技术大多选择相关性最强的某一个波段或一两个波段的简单组合，数据利用率低下，若选取的单一波段或者一两个波段的误差较大，例如选取的波段并未很好的反映出采集断面有误的情况(而未选取的其他波段往往能够反映)，而在不进行云图再验步骤时，使用这种波段数据进行水质重金属拟合，会对模型拟合造成极大的干扰，且由该情况导致的误差项无法修正，只能剔除整组数据，使得模型准确度降低、拟合优度变差；

(3)对输入反演模型的波段数据缺少云图再验步骤，使得模型往往利用了错误的遥感数据进行拟合或训练，导致某一个或多个错误断面上的点影响了整个模型的拟合或训练方向。且仅仅分析波段数据，无论是表格形式还是数据库形式的，没有经过使用卫星地图进行目视验证的结果都是不可靠的，采用这样的波段数据进行的拟合，其模型输出的结果与实际相差较大，不具有可靠性。

发明内容

基于此，有必要针对上述技术问题，提供一种基于遥感组合反演公式的水质重金属监测方法及装置。

一种基于遥感组合反演公式的水质重金属监测方法，所述方法包括：S1对获取到的遥感影像数据和地面数据进行特征云图再验，得到验证后的目标遥感影像数据和目标地面数据，所述地面数据具体为水质重金属指标数据；S2根据所述目标遥感影像数据和所述目标地面数据的特点，进行特征公式推演和特征公式择优，得到所述目标遥感影像数据与所述目标地面数据的多个关系公式；S3根据所述目标遥感影像数据和所述多个关系公式，得到地面数据预测值，基于所述地面数据预测值与所述目标地面数据，筛选所述多个关系公式，得到目标关系公式；S4根据所述目标关系公式和所述目标遥感影像数据，生成目标地面数据预测值，并将所述目标遥感影像数据和所述目标地面数据预测值组合成图片进行送显。

在其中一个实施例中，所述步骤S1，具体为：开启多个并行线程同时对获取到的遥感影像数据进行清洗，得到目标遥感影像数据；采用迭代基线法和差分寻峰法并行对所述地面数据进行择优，得到目标地面数据。

在其中一个实施例中，所述开启多个并行线程同时对获取到的遥感影像数据进行清洗，得到目标遥感影像数据步骤，具体为：开启云上点清洗线程，对所述遥感影像数据中属于云上的数据进行表决标记和清洗；并行开启岸上点清洗线程，对所述遥感影像数据中属于岸上的数据进行表决标记和清洗；并行开启异常点清洗线程，对所述遥感影像数据中属于异常的数据进行表决标记和清洗，得到目标遥感影像数据步骤。

在其中一个实施例中，所述步骤S2，具体为：分别将所述目标遥感影像数据和目标地面数据标记为自变量和因变量，并建立多种关系方程；采用拟合优度法对所述多种关系方程进行推演择优，得到所述目标遥感影像数据与所述目标地面数据的多个关系方程。

在其中一个实施例中，所述步骤S3，具体为：根据所述多个关系方程，将所述目标遥感影像数据作为自变量，计算得到地面数据预测值；将所述地面数据预测值与所述目标地面数据相比，计算相应的误差，并设置误差阈值；将误差大于所述误差阈值的地面数据预测值所对应的关系方程进行筛除，进一步得到目标关系公式。

在其中一个实施例中，所述多种关系方程，至少包括线性回归方程、正弦变化方程、指数方程、对数方程和高阶方程。

一种基于遥感组合反演公式的水质重金属监测装置，包括云图再验模块、公式获取模块、公式筛选模块和数据显示模块，其中：所述云图再验模块用于，对获取到的遥感影像数据和地面数据进行特征云图再验，得到验证后的目标遥感影像数据和目标地面数据，所述地面数据具体为水质重金属指标数据；所述公式获取模块用于，根据所述目标遥感影像数据和所述目标地面数据的特点，进行特征公式推演和特征公式择优，得到所述目标遥感影像数据与所述目标地面数据的多个关系公式；所述公式筛选模块用于，根据所述目标遥感影像数据和所述多个关系公式，得到地面数据预测值，基于所述地面数据预测值与所述目标地面数据，筛选所述多个关系公式，得到目标关系公式；所述数据显示模块用于，根据所述目标关系公式和所述目标遥感影像数据，生成目标地面数据预测值，并将所述目标遥感影像数据和所述目标地面数据预测值组合成图片进行送显。

在其中一个实施例中，所述云图再验模块还包括遥感数据清洗单元和地面数据择优单元，其中：所述遥感数据清洗单元用于，开启多个并行线程同时对获取到的遥感影像数据进行清洗，得到目标遥感影像数据；所述地面数据择优单元用于，采用迭代基线法和差分寻峰法并行对所述地面数据进行择优，得到目标地面数据。

在其中一个实施例中，所述公式获取模块还包括公式生成单元和公式择优单元，其中：所述公式生成单元用于，分别将所述目标遥感影像数据和目标地面数据标记为自变量和因变量，并建立多种关系方程；所述公式择优单元用于，采用拟合优度法对所述多种关系方程进行推演择优，得到所述目标遥感影像数据与所述目标地面数据的多个关系方程。

在其中一个实施例中，所述公式筛选模块还包括预测值计算单元、误差计算单元和公式筛除单元，其中：所述预测值计算单元用于，根据所述多个关系方程，将所述目标遥感影像数据作为自变量，计算得到地面数据预测值；所述误差计算单元用于，将所述地面数据预测值与所述目标地面数据相比，计算相应的误差，并设置误差阈值；所述公式筛除单元用于，将误差大于所述误差阈值的地面数据预测值所对应的关系方程进行筛除，进一步得到目标关系公式

上述一种基于遥感组合反演公式的水质重金属监测方法及装置，通过对获取到的遥感影像数据和地面数据进行特征云图再验后，得到目标遥感影像数据和目标地面数据分别作为自变量和因变量，进行关系公式建立、推演和择优后得到多个关系公式，再带入目标遥感影像数据到多个关系公式，通过公式反演来筛选关系公式，得到目标关系公式，并基于目标关系公式和目标遥感影像数据生成目标地面数据预测值，最终将目标遥感影像数据和目标地面数据预测值组合成图片进行送显。从而实现对水质重金属的监测，该方法无损、快速、适用性和复用性强，可以广泛用于环保建设、城市规划、应急监测等方面；且具有普适性、准确性、可靠性，稳定性等特点。

附图说明

图1为一个实施例中一种基于遥感组合反演公式的水质重金属监测方法的流程示意图；

图2为一个实施例中一种基于遥感组合反演公式的水质重金属监测装置的结构框图；

图3为一个实施例中云图再验模块的结构框图；

图4是一个实施例中公式获取模块的结构框图；

图5是一个实施例中公式筛选模块的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在一个实施例中，如图1所示，提供了一种基于遥感组合反演公式的水质重金属监测方法，包括以下步骤：

S1对获取到的遥感影像数据和地面数据进行特征云图再验，得到验证后的目标遥感影像数据和目标地面数据，地面数据具体为水质重金属指标数据。

具体地，从任意来源获取到的遥感影像数据和水质重金属指标数据(即为地面数据)，在进入步骤S2处理之前，需要进行特征云图再验。

在一个实施例中，步骤S1具体为：开启多个并行线程同时对获取到的遥感影像数据进行清洗，得到目标遥感影像数据；采用迭代基线法和差分寻峰法并行对地面数据进行择优，得到目标地面数据。具体地，云图再验有两个主要步骤，特征遥感数据清洗和特征地面数据择优，其中：

遥感数据清洗：该步骤的核心思想是人机交互。对于遥感影像数据(一般地，从遥感卫星获得)，载入遥感影像后开启并行(线程)池，该并行池可分配到多个进程中。

地面数据择优：特征地面数据择优主要依赖两项算法：迭代基线法和差分寻峰法，两种算法可在池中并行。

(1)迭代基线法择优：该算法是一种模拟算法，一般用于水质采集后的预处理。该算法可以较好地去除遥感影像波段数据中的高频干扰项。首先，算法接受三个输入：待处理数组(遥感影像波段数据)、最大迭代次数以及均值阈值。待处理数组的形式为矩阵，如哨兵二号卫星的12个波段数据。最大迭代次数是算法的截止条件，该算法不从数据间的关系中寻找截止条件，指定合适的迭代次数可以提高算法效率。均值阈值是一个整数，默认为15，最大值不得超过50，该值设置的越合理，算法的可靠性越高。

(2)差分寻峰法择优：该算法是一种离散算法，以数据间的变化程度为标准来规范化数据项。首先，算法接受两个输入：待处理数组和最大迭代次数。经过该算法后，数组中的最大迭代次数个的异常项将被弃置。使用经过两种择优算法后的地面数据作为输入，保证了算法的可靠性。

在一个实施例中，开启多个并行线程同时对获取到的遥感影像数据进行清洗，得到目标遥感影像数据步骤，具体为：开启云上点清洗线程，对遥感影像数据中属于云上的数据进行表决标记和清洗；并行开启岸上点清洗线程，对遥感影像数据中属于岸上的数据进行表决标记和清洗；并行开启异常点清洗线程，对遥感影像数据中属于异常的数据进行表决标记和清洗，得到目标遥感影像数据步骤。具体地，此处以1个进程为例，在1个进程的3个线程里，并行池内处理的是这样的事件：从影像的第一个断面开始，

(1)计算机从遥感波段上感知该断面是否为云上点，如是，将其标注，网络层3将忽略该点；工程人员从遥感影像上直接观察断面是否在云上，如是，告知计算机，使其在下次判别中将其标注；

(2)计算机从遥感波段上感知该断面是否为岸上点，如是，将其标注，网络层3将忽略该点；工程人员从遥感影像上直接观察断面是否在岸上，如是，告知计算机，使其在下次判别中将其标注；

(3)计算机从遥感波段上感知该断面是否为异常点，例如该断面为船上点或其他水上物体点，如是，将其标注，网络层3将忽略该点；工程人员从遥感影像上直接观察断面是否异常，如是，告知计算机，使其在下次判别中将其标注。

S2根据目标遥感影像数据和目标地面数据的特点，进行特征公式推演和特征公式择优，得到目标遥感影像数据与目标地面数据的多个关系公式。

具体地，步骤S2有两个主要步骤：特征公式推演和特征公式择优。该步骤将根据遥感影像数据和地面数据的特点，寻找之间最合适的对应关系，一般地，每项重金属指标将产生至少3个最优公式。

在一个实施例中，步骤S2具体为：分别将目标遥感影像数据和目标地面数据标记为自变量和因变量，并建立多种关系方程；采用拟合优度法对多种关系方程进行推演择优，得到目标遥感影像数据与目标地面数据的多个关系方程。

在一个实施例中，多种关系方程，至少包括线性回归方程、正弦变化方程、指数方程、对数方程和高阶方程。

具体地，步骤S2中包括特征公式推演和特征公式择优，其中公式推演：

该步骤将推演有限个(最大值不超过模板库大小)备择公式。

首先，获取地面数据和遥感影像数据(即目标地面数据和目标遥感影像数据)，分别将其标记为因变量和自变量。

自主设计的模板库包含8个线性回归方程、10个正弦变换方程、4个指数方程、4个对数方程和7个高阶方程。

其中线性回归方程有：

(1)y＝ax+b (2)y＝ax

(4)y＝ax

(7)y＝ax

以及使用记忆性能，形如下列形式的方程：

y＝ax

正弦变换方程有：

(1)y＝asin(x)+bcos(x)+c (2)y＝asin

(3)y＝asin(x)+bcos

(5)y＝asin

(7)y＝asin

(9)y＝asin

以及使用记忆性能，形如下列形式的方程：

y＝asin

指数方程有：

(1)y＝ax

以及使用记忆性能，形如下列形式的方程：

y＝ax

对数方程有：

(1)y＝alog

(3)y＝alog

以及使用记忆性能，形如下列形式的方程：

y＝alog

高阶方程有：

(1)y＝a/x+b (2)y＝ax’+b (3)y＝ax”+b (4)y＝ax”’+b

(5)y＝aΣx+b (6)y＝aΣx’+b (7)y＝aΣx”+b

以及使用记忆性能，形如下列形式的方程：

y＝diff(x,b),y＝integral(x,b)

其中，diff表示取微分，integral表示取积分(离散求和)，b为阶数。在模板库的支持下，以尽力拟合自变量和因变量之间的关系为追求，推演有限个方程。值得注意的是，在一次推演结束之后，无论拟合情况如何，这次推演得到的公式都将被记忆并被载入临时模板库。下一次的公式推演开始时，还会使用临时模板库进行新的推演。

一个出现过实例是，上一次推演得到的公式：

y

因拟合情况较差而不被选为备择公式，这一次的推演选择的公式的形式：

y

可转化为

y

即使用了上一次推演的公式。但这一次的推演公式仍未被选为备择公式。

而对于多种公式进行择优具体为：

该步骤将公式推演呈递的公式进行最优筛选，采用拟合优度的方法检验备择公式是否能够成为最优公式。

经过506组遥感数据—地面数据的训练，本发明针对哨兵二号遥感卫星和四种重金属指标，共获得16组最优公式如下：

铜离子(浓度，单位mg/L)：

锌离子(浓度，单位mg/L)：

六价铬离子(浓度，单位mg/L)：

氰化物(浓度，单位mg/L)：

其中，系数矩阵{a,b,c,d}需经过步骤S3才能精确获得。

各指标的遥感组合反演公式转换代码如下：

X.Y＝mean([X.y{1:end}],2)；

其中X为四个结构体(类)，指四个指标：铜离子、锌离子、六价铬离子、氰化物。成员Y为四个指标的遥感组合反演公式，mean(T,2)算法将获取数组T的几何均值。

S3根据目标遥感影像数据和多个关系公式，得到地面数据预测值，基于地面数据预测值与目标地面数据，筛选多个关系公式，得到目标关系公式。

具体地，步骤S33有两个主要步骤：数据呈递和遥感&地面数据检验。该特征将遥感数据作为输入t(x)，将步骤S2中呈递的最优公式作为系统h(x)，得到的响应y(x)＝t(x)×h(x)。

在一个实施例中，步骤S3具体为：根据多个关系方程，将目标遥感影像数据作为自变量，计算得到地面数据预测值；将地面数据预测值与目标地面数据相比，计算相应的误差，并设置误差阈值；将误差大于误差阈值的地面数据预测值所对应的关系方程进行筛除，进一步得到目标关系公式。具体地，数据呈递为：该步骤主要负责矩阵运算，并将结果呈递给遥感&地面数据检验。

遥感&地面数据检验为：将通过遥感数据t(x)得到的响应y(x)与实际地面数据进行验证，设置阈值a％，将误差超过a％的响应弃置，阈值a％的合理设置影响方法的最终成像效果。经过检验后，得到置信度为95％以上的参考系数矩阵：

a＝{1000,10,0.054,0.002,0.0085,2.3454,27.8612,0.0089,0.0093,-0.037,0.303}

b＝{0.032,0.027,1.784,59.4566,-0.587,218.434}

c＝{0.014,0.002,36.517,0.1607,0.00000376,1.5397,0.02}

d＝{0.01771,0.048646,0.0239961,0.007965}。

S4根据目标关系公式和目标遥感影像数据，生成目标地面数据预测值，并将目标遥感影像数据和目标地面数据预测值组合成图片进行送显。

具体地，显像设备/显像软件需要有内置或外置格式转换方法，能够经过转换，将处理后的遥感影像文件、地面数据文件转换为网络通用格式图像(*.jpg,*.png,*.svg等)并送显。

在一个实施例中，选取了2021年7月28日的哨兵二号遥感数据以及地面数据，对模型进行了皮尔逊相关性检验，其验证结果：

表1遥感数据与地面数据皮尔逊相关性检验结果表

从检验结果能够看出，相关性最低的是锌离子与遥感波段3在0.05级(即95％)置信度上，符合本发明提出的结论。

在一个实施例中，以一组随机采样的断面数据(之后称为实验数据)为例，采用基于遥感波段组合的水质重金属监测模型及系统对其进行四种水质重金属指标(铜离子、锌离子、六价铬离子、氰化物)的监测，要求不提取实体水样样本，工程要求误差≤20％。

具体实施步骤如下：

(1)联网下载含有断面数据的哨兵二号遥感影像(10m)，共应下载12个波段的数据。

表2下载的断面数据(部分)

(2)云图再验阶段(即进行步骤S1)，系统进行下面两个分步骤：

①对遥感影像进行遥感数据清洗。

②对实验数据进行地面数据择优。

在分步骤①中，执行人机交互操作：工程人员和系统就步骤S1中的方法处理遥感影像。

(3)公式生成阶段(即步骤S2)，系统根据参数生成的对应公式；

(4)数据核算阶段(即步骤S3)，丢弃不在置信度95％以上的数据。

(5)遥感&地面数据显像阶段(即步骤S4)，采用软件Microsoft Edge将遥感影像和地面数据组合而成的图片(格式为.svg)送显。

上述实施例中，通过对获取到的遥感影像数据和地面数据进行特征云图再验后，得到目标遥感影像数据和目标地面数据分别作为自变量和因变量，进行关系公式建立、推演和择优后得到多个关系公式，再带入目标遥感影像数据到多个关系公式，通过公式反演来筛选关系公式，得到目标关系公式，并基于目标关系公式和目标遥感影像数据生成目标地面数据预测值，最终将目标遥感影像数据和目标地面数据预测值组合成图片进行送显。从而实现对水质重金属的监测，该方法无损、快速、适用性和复用性强，可以广泛用于环保建设、城市规划、应急监测等方面；且具有普适性、准确性、可靠性，稳定性等特点。

具体地，(1)本发明提出了多种置信度高于95％的反演模型，针对不同的重金属指标进行了精确的参数调整。应用范围理论上涵盖普通的河流、江流、湖泊，甚至黑臭水域、死水、湿地。因此模型的适应范围广、普遍性强，能够实现多种类型的水质反演。

(2)本发明的步骤S3中提出的方法，利用了共12个波段遥感数据中的6个，数据利用率达50％，减少了由输入集较少带来的不确定性，增加了模型的准确度和置信度。

(3)本发明的步骤S1中提出的方法，充分利用了人机交互的优越性，在经过该技术后的步骤S2获得了高精度的输入数据，从而降低甚至避免了拟合方向的偏差而带来的损失，使得算法输出的结果更加具有可靠性和稳定性。

在一个实施例中，如图2所示，提供了一种基于遥感组合反演公式的水质重金属监测装置200，该装置包括云图再验模块210、公式获取模块220、公式筛选模块230和数据显示模块240，其中：

云图再验模块210用于，对获取到的遥感影像数据和地面数据进行特征云图再验，得到验证后的目标遥感影像数据和目标地面数据，地面数据具体为水质重金属指标数据；

公式获取模块220用于，根据目标遥感影像数据和目标地面数据的特点，进行特征公式推演和特征公式择优，得到目标遥感影像数据与目标地面数据的多个关系公式；

公式筛选模块230用于，根据目标遥感影像数据和多个关系公式，得到地面数据预测值，基于地面数据预测值与目标地面数据，筛选多个关系公式，得到目标关系公式；

数据显示模块240用于，根据目标关系公式和目标遥感影像数据，生成目标地面数据预测值，并将目标遥感影像数据和目标地面数据预测值组合成图片进行送显。

在一个实施例中，如图3所示，云图再验模块210还包括遥感数据清洗单元211和地面数据择优单元212，其中：遥感数据清洗单元211用于，开启多个并行线程同时对获取到的遥感影像数据进行清洗，得到目标遥感影像数据；地面数据择优单元212用于，采用迭代基线法和差分寻峰法并行对地面数据进行择优，得到目标地面数据。

在一个实施例中，如图4所示，公式获取模块220还包括公式生成单元221和公式择优单元222，其中：公式生成单元221用于，分别将目标遥感影像数据和目标地面数据标记为自变量和因变量，并建立多种关系方程；公式择优单元222用于，采用拟合优度法对多种关系方程进行推演择优，得到目标遥感影像数据与目标地面数据的多个关系方程。

在一个实施例中，如图5所示，公式筛选模块230还包括预测值计算单元231、误差计算单元232和公式筛除单元233，其中：预测值计算单元231用于，根据多个关系方程，将目标遥感影像数据作为自变量，计算得到地面数据预测值；误差计算单元232用于，将地面数据预测值与目标地面数据相比，计算相应的误差，并设置误差阈值；公式筛除单元233用于，将误差大于误差阈值的地面数据预测值所对应的关系方程进行筛除，进一步得到目标关系公式。

显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。

以上内容是结合具体的实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。