结题报告.docx
- 文档编号:11407935
- 上传时间:2023-02-28
- 格式:DOCX
- 页数:29
- 大小:109.65KB
结题报告.docx
《结题报告.docx》由会员分享,可在线阅读,更多相关《结题报告.docx(29页珍藏版)》请在冰豆网上搜索。
结题报告
城市景观水体富营养化多光谱遥感监测的模型期期研究结题报告
所属学院:
环境科学与工程学院
指导教师:
霍艾迪
团队人员:
李晨龙,马凯,赵珊,朱海昌,温婷婷
完成时间:
2013年3月2日
综述------------------------------------------------------3
研究背景--------------------------------------------------3
研究目的--------------------------------------------------6
研究意义--------------------------------------------------6
国内外研究现状--------------------------------------------8
主要研究内容及方法---------------------------------------19
本研究的特色---------------------------------------------20解决的关键性科学问题-------------------------------------21
采取的技术路线-------------------------------------------21
综述
本研究以城市景观水体为靶区,采用多光谱数据遥感反演、地面准同步水质监测验证等方法,考虑水体空间变异性,通过尺度转换,水质分析,以探索适合城市景观水体水质定量遥感监测的波段分析和模型构建技术,开展水质定量遥感监测和水体富营养化状态评价识别方法和技术研究,实现与遥感水质监测的同步完成。
并根据实测结果,评价不同方法的精度,提出基于多时相多光谱遥感数据进行水质状况变化动态监测的技术模式。
其成果拓宽了城市景观水体开展省时省力、大尺度水体富营养化动态监测的有效方法,搭建了一个基层水利、环境及其它相关业务管理部门易于掌握的,具有可操作性的多光谱城市景观水质遥感监测平台。
从而为探索切实有效的城市景观水体修复方法,恢复并提高水体生态系统景观功能与价值,提高其生态环境效益与社会经济效益等提供了重要途径。
研究背景
通常城市景观水,大致分为以下4种类型:
天然湖泊、人造湖泊、人造景观湖、各种景观河道。
在城市绿地、公园、居住小区等的建设中,城市景观水体被引进人们的生活,以满足人类亲水的心理需求[1]。
水环境容量比较小,流动性差且自净能力差,是大多数城市住宅小区中的人工湿地生态景观水体的普遍性问题,部分城市景观水体出现了不同程度的富营养化现象,颜色泛绿,发出难闻的腥臭味,严重影响周边的自然环境和人居环境,丧失了水体的景观功能。
水体富营养化是全球性的环境问题,尤其是城市景观水体以及周围水域普遍存在富营养化或超营养化状态。
水体富营养化是由于水体中氮、磷营养物质的富集,引起藻类及其他浮游生物迅速繁殖、水体溶解氧量下降、从而导致鱼类及其他生物大量死亡、水质的恶化[2]。
对我国正在实施的水资源可持续利用战略带来了负面的影响。
因此,分析景观水体营养状态情况及变化原因,实时监测和控制城市景观水体富营养化,保护城区重要水资源工作迫在眉睫。
为了准确评定湖泊所处的富营养状态,进而为富营养化湖泊的防治提供科学依据,世界各国的科学家提出了许多富营养化的监测和评定方法,并在应用中收到了较好的效果。
但是这些评价都只建立在传统的采样分析方法基础上,通常只能了解监测点或断面上的水质状况,对于整个水体而言,这些监测点的数据很难代表整体的状况[3]。
传统的城市景观水体富营养化监测主要采用实地采样分析的手段进行,这种方法是目前我国各地方环境保护部门和水利部门主要采用的方法。
但由于其数据的数量有限,需要在全国建立庞大的水质监测网点,投入的人力物力巨大,并且对于整个水体来说,这些监测点位的数据只具有局部的代表意义,受局部环境扰动影响较大,并不能全面详细的反映整个水体环境的总体时空变化。
缺乏一定的准确性和精确度,且费时、费力、成本高。
总之,传统的监测方法难以获取大范围水域水质的分布和变化,已经不能够满足现在对水质实时的监测与评价要求。
而随着遥感技术在水质监测方面的应用与发展,给城市景观水体富营养化的监测与评价带来了新的机遇与选择。
水质遥感监测是利用经验、半经验或者物理分析的方法,选择合适的遥感波段数据,建立水质参数的遥感估测模型来反演水体中的水质参数浓度。
随着传感器空间分辨率和光谱分辨率的进一步提高,利用遥感技术监测水质具有常规方法无法比拟的优点,可以快速、及时地提供整个湖泊或整个区域乃至全球范围的分布状况。
遥感水质监测技术具有宏观、动态、成本低等显著特点,其在水质监测上的应用,有着常规监测不可替代的优点[4]。
它既可以满足大范围水质监测的需要,也可以动态跟踪污染事件的发生、发展。
富营养化和有毒藻类的暴发是很多湖泊面临的问题,而遥感方法尤其适合监测与湖泊富营养化有关的水质指标。
因此,利用遥感技术对城市景观水体富营养化状态进行动态监测与评价,已成为现代水质监测方面的新趋势新发展。
本文主要以西安市辖区内湖泊景观水体为例,将遥感监测评价与综合营养状态指数评价进行对比。
通过开展水质遥感定量监测和湖泊富营养化状态评价识别方法的技术研究,发展适合城市景观水体水质定量遥感监测的波段分析和模型构建技术,搭建一个基层水利、环境及其它相关业务管理部门易于掌握的,具有可操作性的中低分辨率的城市景观水质遥感监测平台。
在此基础上,实现与遥感水质监测同步完成的城市景观水体富营养状态的评价识别。
同时结合多时相卫星遥感数据,对水质状况的时空变化进行动态监测。
研究目的
本研究以城市景观水体为靶区,以多光谱数据遥感反演为主要方法,通过尺度转换,水质分析,开展水质定量遥感监测和对水体富营养化状态评价识别的方法和技术研究,探索城市景观水体富营养化多光谱遥感监测的便捷方法,通过发展适合城市景观水体水质定量遥感监测的波段分析和构建模型,实现与遥感水质监测同步完成的城市景观水体营养状态的评价识别,搭建一个基层水利、环境及其它相关业务管理部门易于掌握的,具有可操作性的多光谱城市景观水质遥感监测平台。
研究意义
城市景观水体是营造城市优美景观,为城市居民提供休闲游憩的场所,主要包括城市里的天然湖泊、人工湖泊、景观池塘、景观河道等。
城市景观水体多为静止或流动性差的封闭缓流水体,水域面积小、水深较浅、水环境容量小、自净能力差、容易出现不同程度的富营养化现象。
一旦发生,水体颜色泛绿,发出难闻的腥臭味,严重影响周边的自然环境和人居环境,丧失了水体的景观功能。
由于地表水体存在富营养化问题,其中的氨氮、总磷、总氮、化学需氧量等有机物质会以水为介质,在下渗过程中,透过地层进入地下水中。
虽然地表水在经过地层变为地下水的过程中或多或少得到一定净化,但是地下水的水质还会受到不小的影响。
为了发挥城市景观水体功能,营造优美城市环境,有效防治地下水进一步污染,对城市景观水体水质做到快捷准确监测和及时治理就显得尤为重要。
传统的城市景观水体水质监测采用实地、点上采样和实验室分析等手段,这类监测方法有一定的准确性,但容易受局部扰动的影响,不能反映整个水体生态环境的时空变化,且费时、费力、成本高,不能满足对水质实时、大尺度监测评价要求。
遥感技术的出现和发展,给水质的监测评价提供了新的机遇与选择。
水质遥感监测是利用经验、半经验或者物理分析的方法,选择合适的遥感波段数据,建立水质参数的遥感估测模型来反演水体中的水质参数浓度。
水质遥感监测方法可以反映水质在空间和时间上的分布和变化情况,发现其它一些方法难以揭示的污染源和污染物迁移特征,具有监测范围广、速度快、成本低和便于进行长期动态监测的优势,既可以满足大范围水质监测的需要,也可以动态跟踪污染事件的发生、发展。
如何针对城市景观水体,通过多光谱遥感监测技术和地面准同步水质分析技术的科学组装,实现对水体富营养化的方便快捷监测,及时地掌握城市景观水体的富营养化状态,是探索切实有效的修复方法改善其水质,恢复并提高水体生态系统景观功能与价值,以提高其生态环境效益与社会经济效益的重要途径。
因此,应用遥感技术进行水质变化机理研究,进而研究水资源的合理利用和保护,有效防治地下水进一步污染,维护地下水安全,成为当前国际、国内遥感界的研究热点之一。
本研究以位于西安市区的汉城湖、兴庆湖、护城河、曲江池、未央湖、莲湖公园、渭河咸阳段、丰庆公园及革命公园等景观水体为研究对象,主要应用多时相的多光谱卫星遥感数据,通过尺度转换等方法,进行水质参数的遥感信息提取和定量反演研究,引入数据挖掘和知识发现机制,揭示城市景观水体富营养化过程中隐含的客观规律,利用一种新的机器学习法-支持向量机(SVM-SupportVectorMachine)[1-5]及模糊模式识别交叉迭代模型对遥感反演的水质数据进行水体富营养化状态的模糊模式识别,构建一个适合于城市景观水体水质实时监测与富营养化状态评价识别的计算准确、性能稳定的计算模型。
通过以上研究,回答科学与生产中的几个实际问题:
①城市景观水体富营养化多光谱遥感监测的机理模型是什么?
②如何进行城市景观水体水质参数敏感波段分析与选择及如何建立基于定量遥感反演技术的城市景观水体富营养化快捷综合评价方法与模型?
从而全面及时地掌握城市景观水体的富营养化状态,揭示水体富营养化形成的机理和发生发展的规律,为制定具有时效性的控制水体富营养化的治理措施提供科学依据。
国内外研究现状
自70年代初期开始,遥感技术逐渐应用到陆地水体的研究中,从单纯的水域识别逐渐发展到对水质参数进行遥感监测、制图和预测。
随着遥感技术的不断发展和对水质参数光谱特征及算法研究的不断深入,监测方法经历了分析方法(20世纪80年代前,研究主要针对开阔海洋)→经验方法(80-90年代)→半经验方法(90年代后)的发展过程。
多种遥感数据,包括LandsatMSS、TM、SPOT、MODIS、IRS-1C、NOAA/AVHRR,和各种航空高光谱数据,广泛的应用于水质遥感监测研究。
遥感监测水质从定性逐渐发展到定量,通过遥感可监测的水质参数种类逐渐增加,包括叶绿素a、悬浮物、黄色物质(部分溶解性有机物)等,反演精度也在不断提高。
但是目前还没有形成精度很高,且具有较好通用性的模型和算法。
目前国际上对水质参数遥感监测方面的研究,主要集中在以下几个方面:
①叶绿素a遥感监测的研究进展
叶绿素a浓度是影响水体光谱特征的重要参数之一。
叶绿素a浓度上升时,蓝波段的反射率下降,绿、红波段的反射率上升。
计算叶绿素a浓度的最佳波段的选取依赖于叶绿素a的浓度[6-10]。
目前,一般卫星遥感监测叶绿素a浓度仍主要是利用遥感数据辐射值的波段或波段组合与实地测量值之间建立统计模型的方法[11,12]。
对叶绿素a浓度的监测,国外主要通过物理模型[13-15]和经验半经验模型。
例如,Sathyendranathetal.[16]和Lahetetal.[17]通过建立三要素反射模型来反演近海岸水体的叶绿素a浓度和西班牙北部埃布罗河的叶绿素a浓度。
Kondratyevetal.[18]利用物理模型方法对Ldagoa湖的叶绿素、悬浮物、黄色物质的浓度进行了反演,取得了较理想的结果。
Nikiasstrombecketal[19]基于实验测量数据分析水体内在光学性质及影响它的组分浓度的关系。
Pulliainen[20]提出先根据悬浮物浓度对监测水体进行分类,然后再对不同的类别选择合适的算法计算叶绿素a浓度,可以提高算法的精度。
利用这些关系建立起来的遥感反射率比值与叶绿素a之间的线性回归关系,由于悬浮物和黄色物质的干扰,测定误差较大,影响研究结果的准确性。
在国内,李素菊等[21,22]利用高光谱数据反射率比值法和一阶微分法分别建立了叶绿素a的遥感定量模型。
王建平等[23]基于TM数据构造了包含一个隐含层的BP神经网络模型反演叶绿素a等水质参数的浓度。
周艺等[24]详细论述了内陆水体水质监测中遥感应用研究的发展和现状,比较全面地总结了叶绿素a浓度的遥感监测方法。
吴敏、王学军[25]应用MODIS影像对巢湖的叶绿素a、悬浮物和透明度等参数进行了监测,研究结果表明,一些波段的反射率比值与叶绿素a呈现较好的对数关系。
②悬浮物遥感监测的研究进展
水体中悬浮物浓度是最先被遥感估测的水质参数,悬浮物浓度、颗粒大小及其组成是影响悬浮物光谱反射的主要因素。
随着遥感技术的不断发展和创新,悬浮物的遥感监测方法已经有了较为成熟的物理模型[15,26]和经验与半经验模型[27]。
例如,Dekkeretal[28]提出基于实测的水体内在光学性质的物理光学模型用于提取悬浮物浓度,由于经过大气校正及水气界面校正,该算法可用于多时序的TM和SPOT数据中。
此外,李京[29-31]提出反射率与悬浮固体含量之间的理论关系式为指数关系。
黎夏[32,33]推导出了包含Gorden关系式和负指数关系式的悬浮泥沙遥感定量模型。
Lathrop[34,35]研究发现TM2、3波段或它们的比值与水体的透明度和总悬浮物相关性很大,成幂函数关系。
Kallio[36]利用光谱数据研究芬兰南部湖泊,结果表明估测悬浮物的最佳算法可以利用单波段705-714nm的反射率R705-714得到。
③其它水质参数遥感监测的研究进展
Ⅰ黄色物质
水体中的有色可溶性有机物(又称“黄色物质”)是遥感监测水质分类的主要参数之一,研究其光谱吸收性质具有重要的实际意义。
90年代以来,国外的一些学者开始研究水体中黄色物质的光吸收特性,进行黄色物质的定量遥感监测研究[37-39]。
我国从事黄色物质方面的研究较少,夏达英[40,41]对海水中黄色物质的跳荧光特性进行了研究;吴永森[42,43]对胶州湾水域中的黄色物质的光吸收特性进行了实验研究,计算出了指数斜率S的数的值范围,为海水黄色物质含量的遥感探测提供了基础性实验依据。
ⅡCOD(化学需氧量)
COD的遥感监测在国内外的研究不多。
李旭文等[44,45]利用TM数据评价了苏州运河的有机污染,通过回归分析表明TM1、TM2、TM3与COD相关性最好,其次是生化耗氧量(BOD),与溶解氧(DO)也表现出一定程度的正相关。
博江[46,47]利用彩色红外航片建立了苏南大运河水中6项有机污染参数(包括有机污染综合评价值)与彩红外航空胶片透射密度之间的相关模型。
此外,遥感监测研究所涉及的水质参数还包括水温、透明度、总磷、总氮、pH值等,相关研究也较少。
近年来,随着传感器技术的迅速发展,高分辨率、高光谱和多极化遥感数据逐渐成为主流遥感信息源,为遥感走向微观定量水质监测提供了数据保证。
基于对水质参数光谱特性日渐深入的了解,国外很多的学者在研究进一步提高水质遥感监测精度的同时,开始致力于发展没有时间和空间特殊性的水质遥感监测通用算法。
④利用遥感技术综合评价水体营养状态研究进展
利用遥感技术评价水质营养状态的研究是当前国际湖泊学家和遥感学者研究的热点。
国外从20世纪70年代开始就针对多光谱传感系统(multi-spectralsensingsystem,MSS)的4个波段进行水质遥感研究。
目前已经应用卫星遥感数据研究水体组分如透明度、Chl-a、溶解性有机物、悬浮物、温度等的分布和变化[7,48]。
欧盟用卫星遥感监测湖泊水质(satelliteremotesensingforlakemonitoring,SALMON)计划主要研究[49]:
与遥感同步测量水面反射光谱、吸收光谱和荧光,提高遥感水质模型的精度;测得大量光谱数据,不用同步的水质数据,只利用光谱的内在属性,建立光谱与Chl-a,SD和色度之间的关系式[50]。
有关水体营养化的评价,我国在20世纪70年代遥感技术尚不十分发达的情况下,多从水质、水生生物以及底质三个方面来进行,所采用的评价方法,可归纳为六种类型[51-54]:
特征法、参数法、生物指标评价法、磷收支模型法、营养状态指数法、数学分析法,这些方法为遥感综合监测提供了基础。
但是,采用这些方法评价某些水体的富营养化程度时,常会遇到这样的问题:
选择不同的指标可能得到不同的结果,这是由于水体富营养化的评价,即确定水体的状态属性,实际上是一个将定性问题定量化的多变量的综合决策过程[55-57],因此,对水体富营养化程度进行评价应以综合评价为主。
在前文所述的6类富营养化评价方法中,营养状态指数(TSI,TrophicStateIndex)法可以进行定量的数值评价。
该方法将湖泊营养状态的贫营养-富营养连续划分为0-100的连续数值,操作简单,可比性较强,可为进一步分析富营养化机理奠定基础。
TSI法主要以水体透明度(SD)、藻类叶绿索a浓度(Chl-a)和水体总磷浓度(TP)为指标,有Carlson的TSI法和Aizaki修正的TSIM法等[58,59]。
TSI法的基础是假定水体中的悬浮物质全部为浮游植物,即水体透明度主要受浮游植物丰度的影响,其TSI指数以透明度为基准,这一方法忽略了浮游植物以外的其它因子(水色、水体中的溶解物质以及其它悬浮物质)对透明度的影响,因而具有一定的限制,而TSIM则是以叶绿素a浓度为基准,较好地解决了这一问题。
此外,Aizaki等[58,59]还分析了叶绿索a分别与总氮(TN)、化学耗氧量(COD)以及悬浮物(SS)浓度等的相关关系,从而得出总氨、化学耗氧量以及悬浮物浓度等的TSIm指数公式。
李柞泳等[60-63]通过对我国一些湖泊水库营养状态的考察和比较,选择大理洱海和广州流花湖分别作为贫营养和富营养状态的标准湖泊,与TSI和TSIM作比较,得出适用于我国若干湖泊的营养状态评价的TSIC计算公式。
其不足之处在于,由于TSIc系根据TSI和TSIM计算而来,不是根据主要参数的相关公式,因此出现某些参数的TSIC指数大于100的现象。
目前城市景观水体多为静止或流动性差的封闭缓流水体,水域面积小、水深较浅、水环境容量小、自净能力差、容易出现不同程度的富营养化现象,进一步发展会严重影响地下水饮用水水源环境。
本申请项目正是在项目组以前研究工作基础上,拟采用遥感与地面监测相结合的方法,通过分析多个水质参数与遥感各波段光谱反射特征之间的响应关系,建立定量遥感反演模型,并利用多种参数的综合评价模型,引入数据挖掘中的知识发现机制,利用一种新的机器学习法(SVM),选取能反应城市水体富营养化程度的指标-叶绿素a(Ch1-a,Chlorophyll-a)为主要评价因子,透明度(SDD,SecchiDiskDepth)、总磷(TP)、总氮(TN)及CODMn为辅助因子,剖析这五个特征值与景观水体富营养化产生、发展之间的关系及规律,对西安市区9个景观水体富营养化程度进行遥感监测,以期构建既能反映其富营养化状况,又简便快捷的综合评价模型,为治理水体富营养化,有效防治地下水进一步污染奠定基础。
主要参考文献
[1].Drucker,H.,C.J.C.Burges,L.Kaufman,A.Smola,V.Vapnik.Supportvectorregressionmachines.Advancesinneuralinformationprocessingsystems,1997:
p.155-161.
[2].Maity,R.,P.P.Bhagwat,A.Bhatnagar.Potentialofsupportvectorregressionforpredictionofmonthlystreamflowusingendogenousproperty.HydrologicalProcesses,2010.24(7):
p.917-923.
[3].Farquad,M.A.H.,V.Ravi,S.B.Raju.Ruleextractionfromsupportvectormachines:
ahybridapproachforsolvingclassificationandregressionproblems.InternationalJournalofInformationandDecisionSciences,2011.3(3):
p.265-294.
[4].Hao,P.Y.Possibilisticregressionanalysisbysupportvectormachine.2011:
IEEE.
[5].Yu,Z.,H.S.Wong,G.Wen.Amodifiedsupportvectormachineanditsapplicationtoimagesegmentation.ImageandVisionComputing,2011.29
(1):
p.29-40.
[6].Pulliainen,J.,K.Kallio,K.Eloheimo,S.Koponen,H.Servomaa,T.Hannonen,S.Tauriainen,M.Hallikainen.Asemi-operativeapproachtolakewaterqualityretrievalfromremotesensingdata.TheScienceoftheTotalEnvironment,2001.268(1-3):
p.79-93.
[7].Giardino,C.,V.E.Brando,A.G.Dekker,N.Strmbeck,G.Candiani.AssessmentofwaterqualityinLakeGarda(Italy)usingHyperion.RemoteSensingofEnvironment,2007.109
(2):
p.183-195.
[8].Voutilainen,A.,T.Pyhlahti,K.Y.Kallio,J.Pulliainen,H.Haario,J.P.Kaipio.Afilteringapproachforestimatinglakewaterqualityfromremotesensingdata.InternationalJournalofAppliedEarthObservationandGeoinformation,2007.9
(1):
p.50-64.
[9].Gitelson,A.A.,J.F.Schalles,C.M.Hladik.Remotechlorophyll-aretrievalinturbid,productiveestuaries:
ChesapeakeBaycasestudy.RemoteSensingofEnvironment,2007.109(4):
p.464-472.
[10].Govender,M.,K.Chetty,H.Bulcock.Areviewofhyperspectralremotesensinganditsapplicationinvegetationandwaterresourcestudies.WaterSA,2009.33
(2).
[11].Geza,M.,J.E.McCray.EffectsofsoildataresolutiononSWATmodelstreamflowandwaterqualitypredictions.Jo
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 报告