基于无人机高光谱遥感技术对内陆养殖池塘水质监测的研究*

2022-01-19马启良原居林练青平郭爱环

海洋与湖沼 2022年1期

关键词：尾水反射率波段

刘梅马启良原居林倪蒙练青平郭爱环

刘梅1马启良2原居林1①倪蒙1练青平1郭爱环1

(1. 农业农村部淡水渔业健康养殖重点实验室浙江省鱼类健康与营养重点实验室浙江省淡水水产研究所浙江湖州 313001; 2. 湖州师范学院信息技术中心浙江湖州 313000)

无人机; 高光谱; 养殖池塘; 机器算法; 水质反演

随着浙江省“五水共治”以及“剿灭劣V类水”战略的深入实施, 养殖尾水乱排直排现象面临巨大的环境压力, 养殖尾水生态化处理迫在眉睫。截止2020年, 浙江省主要通过“沉淀池+过滤坝1+曝气池+过滤坝2+生态池(简称“三池两坝”)”技术完成了内陆约5.33万hm2养殖池塘尾水治理任务(刘梅等, 2021)。但是由于养殖池塘及尾水处理池小而散、涉及面积广等问题, 且养殖池塘对水质的监测要求具有实时、动态、快速的特点, 仍缺乏有效的水质监测体系, 阻碍了现代养殖小区数字化养殖场的创建与发展(李道亮等, 2020)。

目前, 对养殖池塘或者养殖尾水处理效果采取的仍是常规的水质监测方法, 即对特定养殖池塘或尾水处理系统定期、定点进行长年累月采样及水质监测, 这种方法受人力、物力、时间及天气的限制, 采集的数据量不可能太多, 而且成本高、速度慢; 并且对于整个养殖小区而言, 这些采样点数据只能代表局部水质状况, 难以获得大范围淡水养殖水域水质参数的分布和变化情况, 不能满足对养殖池塘水质大尺度、快速、实时的监测要求。因此, 迫切需求一种实时、快速监测养殖池塘及养殖尾水处理池水质动态变化的有效手段。

鉴于此, 本文以淡水养殖池塘及配套尾水处理池为研究养殖小区, 通过无人机搭载高光谱传感器获取光谱反射率数据, 建立水质指标的反演模型并研究其浓度空间分布, 为养殖池塘水环境实时调控、养殖尾水池处理效果评价及构建数字化养殖小区提供技术支撑。

1 材料与方法

1.1 研究区概况

本研究选择湖州市典型主要养殖品种之一的青虾养殖小区尾水处理区及周边池塘为研究区域, 位于湖州市菱湖镇杨港现代生态渔业园内(120°7′8.7″N, 30°46′32.7″E)。2018年该养殖小区采用“三池两坝”技术建立完成尾水处理区, 截止2019年湖州近4万hm2的养殖池塘均采用该技术实现尾水的生态化处理, 减轻了对周边河网水体及太湖的富营养化影响。但是由于在后期的出水水质监测均采用传统方法, 费时费力, 也不利于养殖小区数字化建设及管控。

1.2 采样点布设和水质检测

图1 研究区地理位置及采样点空间分布

1.3 高光谱影像的获取与处理

同时利用大疆无人机M600 Pro搭载高光谱成像仪GaiaSky-mini获取尾水处理区及周边养殖池塘的高光谱影像。无人机飞行高度为100 m, 无人机高光谱相机的扫描范围为400～1 000 nm, 光谱通道为176, 光谱分辨率为3.5 nm。所选实验时间均晴朗微风(1～2级), 无云层覆盖。

无人机高光谱影像的预处理主要包括镜像变换、黑白帧校正、场地校正等, 均在高光谱系统自带软件完成。然后对拍摄的大量数据进行研究区图像拼接, 将拼接后的影像导入ENVI5.3软件, 根据经纬度坐标, 定位49个水面采样点的具体位置, 以采样点为中心的6×6像素密度作为计算区域, 再将该区域内光谱反射率求平均值, 该平均值即可作为该采样点的反射率数据, 共获得49组与地面水质数据相对应的光谱反射率, 随机选取39组数据用于模型训练样本, 其余10组用于模型检验样本。

1.4 高光谱指数分析

将水样中各水质指标与采样点在遥感影像中的反射率进行相关性分析, 获得研究区不同水质参数的敏感单波段。诸多学者研究结果显示, 将反射率进行适当的数学变换, 构建光谱任意两波段组合而成的差值光谱指数(difference spectral indices, DSI)、归一化光谱指数(normalized spectral indices, NSI)和比值光谱指数(ratio spectral indices, RSI), 可以降低背景信息的干扰, 将更有效提取光谱信息(黄宇等, 2020; 黄昕晰, 2020), 计算如式(1)、式(2)和式(3)所示。

DSI =R1–R2, (1)

NSI = (R1–R2) / (R1+R2), (2)

RSI =R1/R2, (3)

式中,R1和R2分别代表400～1 000 nm波段范围内任意2个波段的反射率。

1.5 水质反演模型构建流程

偏最小二乘法(partial least square, PLS)通过将自变量和因变量的高维数据空间投影到相应的低维空间, 得到相互正交的特征向量, 再建立线性回归模型, 不仅克服多重共线性问题, 即在回归的同时强调自变量对因变量的解释和预测作用, 而且能较好地辨识系统信息和噪声。

径向基神经网络(radial basis function network, RBF)属于多层前馈神经网络, 具有自组织、自学习、知识推理的特点, 对大量非结构性、非精确性规律具有自适应、信息记忆和非线性逼近能力以及优化计算等优点。RBF在Matlab中实现, 功能函数采用Sigmoid函数。

支持向量机(support vector machine, SVM)是以统计学习理论为基础、训练误差为约束条件、以结构风险最小化为优化目标的一种专门用来研究有限样本预测的高效机器学习方法。具有较强的泛化能力、较好的鲁棒性以及没有局部最小点的优势。本研究SVM采用R语言中的e1017包构建预测模型, 使用radial (径向基函数)为核函数, 成本函数cost和gamma选择模型中最佳参数。

最后根据模型的相关评价标准筛选各水质要素最佳反演模型, 再将最优的监测模型反演到无人机高光谱影像上, 分别制作各水质参数的空间分布图, 具体计算路线如图2所示。

1.6 模型筛选评价指标

水质参数预测模型采用决定系数(coefficient of determination,2)、均方根误差(root mean square error, RMSE)、相对分析误差(relative prediction deviation, RPD)以及平均绝对误差(relative absolute error, MAE)对比模型稳定性及精度。其中2越大, 说明模型越稳定, 一般大于0.8即说明模型稳定。RMSE越小, 则模型精度越高。RPD>2.0时表示模型可靠性高, 具有极好的预测能力, RPD值介于1.5～2.0之间, 表明模型可对样品做粗略估测, 模型有待改进, RPD<1.5时, 表明模型预测能力差(叶勤等, 2017)。MAE<20%可用于养殖水质的预测, 满足养殖水体水质反演误差要求。其计算公式如下:

图2 无人机高光谱水质反演模型构建的技术路线

2 结果与分析

2.1 养殖池塘和尾水处理区光谱特征

研究养殖小区共49个采样点的光谱反射率曲线如图3所示, 其中图3a列出了40个养殖池塘采样点的反射率曲线, 图3b列出了9个尾水区采样点的反射率曲线。可以看出池塘水体的光谱特征在400～ 560 nm范围内, 光谱反射率呈上升趋势, 至560～ 580 nm附近形成一个反射高峰, 这主要是是由水体中叶绿素和胡萝卜素在此波段具有较弱的吸收特点, 同时加上藻类和悬浮物的散射作用而引起反射高峰(Gitelson, 1993)。而到580 nm后, 反射率曲线呈下降趋势, 直至680～710 nm处附近则形成一个峰谷, 主要是由于水体中的叶绿素在此波段具有强吸收的特点(唐军武等, 2004); 而紧接着在790～810 nm范围内形成一个峰值, 主要是由于水中悬浮物的散射作用(黄宇业等, 2019)。而尾水处理区由于经过过滤、沉淀、曝气等净化过程, 水体中悬浮物和藻类去除率可达到70%以上, 因此, 尾水处理区在680～710 nm和790～810 nm范围内均未形成明星的峰值(图3b), 而其他波段的变化规律和养殖池塘具有一致性。综合分析光谱曲线可知, 不同池塘水体的光谱曲线变化趋势总体一致, 但是由于不同采样点具有不同的水质指标浓度, 导致其峰谷值及曲线高低变换存在一定差异。

2.2 水质参数与单波段反射率的相关性

图3 养殖池塘(a)和尾水处理池(b)采样点光谱反射率

图4 养殖小区池塘和尾水处理池水质指标与单波段光谱反射率的相关系数

2.3 水质参数与双波段反射率的相关性

表1 各水质指标与单波段及双波段反射率指数最高相关系数

*注: 相关系数(对应波段)

图5 各水质参数与最佳双波段反射率指数相关系数分布图

2.4 最佳水质反演模型筛选与检验

表2 各水质参数反演模型评价

图6 各水质参数实测值与最佳反演模型预测值对比图

2.5 水质参数的高光谱图像反演

图7 养殖小区池塘各水质指标浓度空间反演效果

3 讨论

无人机高光谱技术在定量反演水质指标时, 由于具有较高的光谱分辨率和较强的波段连续性等特点, 可以获得更为全面的光谱特征信息, 但同时由于光谱测量中的某些人为和自然因素的干扰, 光谱数据需要进行不同的数学变换以减少系统误差和背景噪声的影响, 同时降低信息重叠度和冗余度, 进一步增强信噪比, 提高光谱数据与水质参数的相关性, 有利于提高线性模型的预测精度(赵庆展等, 2016)。本研究中3种数值变换方法明显提高了TSS和CODMn与光谱数据的相关性, 均达到0.81以上, 差值指数对TN与光谱数据的相关性提高最大, 比值指数则对TP与光谱数据的相关性提高最大, 而氨氮是例外, 数值变换方法甚至降低了其与光谱数据的相关性, 这可能是因为在增强敏感波段信息的同时也增强了噪声信息, 给整体数据带来了较大的反演误差, 降低了模型预测精度(谭玉敏等, 2014)。结果说明不同波段数值变换方法的处理效果不同, 应合理选择处理方法以进行后续建模, 这与相关研究结论也较为一致(董广香, 2007; 马娜等, 2010)。

4 结论

马娜, 胡云锋, 庄大方, 等, 2010. 基于最佳波段指数和J-M距离可分性的高光谱数据最佳波段组合选取研究——以环境小卫星高光谱数据在东莞市的应用为例[J]. 遥感技术与应用, 25(3): 358-365.

叶勤, 姜雪芹, 李西灿, 等, 2017. 基于高光谱数据的土壤有机质含量反演模型比较[J]. 农业机械学报, 48(3): 164-172.

史舟, 梁宗正, 杨媛媛, 等, 2015. 农业遥感研究现状与展望[J].农业机械学报, 46(2): 247-260.

吕航, 马蔚纯, 周立国, 等, 2013. 淀山湖微量水质参数卫星高光谱遥感估算[J]. 复旦学报(自然科学版), 52(2): 238-246.

刘彦君, 夏凯, 冯海林, 等, 2019. 基于无人机多光谱影像的小微水域水质要素反演[J]. 环境科学学报, 39(4): 1241-1249.

刘梅, 原居林, 倪蒙, 等, 2021. “三池两坝”多级组合工艺对内陆池塘养殖尾水的处理[J]. 环境工程技术学报, 11(1): 97-106.

李俊生, 2007. 高光谱遥感反演内陆水质参数分析方法研究——以太湖为例[D]. 北京: 中国科学院遥感应用研究所: 6-10.

李道亮, 刘畅, 2020. 人工智能在水产养殖中研究应用分析与未来展望[J]. 智慧农业(中英文), 2(3): 1-20.

杨振, 卢小平, 武永斌, 等, 2020. 无人机高光谱遥感的水质参数反演与模型构建[J]. 测绘科学, 45(9): 60-64, 95.

张兵, 申茜, 李俊生, 等, 2009. 太湖水体3种典型水质参数的高光谱遥感反演[J]. 湖泊科学, 21(2): 182-192.

张武肖, 孙盛明, 戈贤平, 等, 2015. 急性氨氮胁迫及毒后恢复对团头鲂幼鱼鳃、肝和肾组织结构的影响[J]. 水产学报, 39(2): 233-244.

陈俊英, 邢正, 张智韬, 等, 2019. 基于高光谱定量反演模型的污水综合水质评价[J]. 农业机械学报, 50(11): 200-209.

赵庆展, 刘伟, 尹小君, 等, 2016. 基于无人机多光谱影像特征的最佳波段组合研究[J]. 农业机械学报, 47(3): 242-248.

胡震天, 周源, 2020. 基于低空多光谱遥感的城市水质监测方法研究[J]. 地理空间信息, 18(7): 4-8.

段洪涛, 张柏, 宋开山, 等, 2006. 长春南湖水体透明度高光谱定量模型研究[J]. 中国科学院研究生院学报, 23(5): 633-639.

徐福祥, 高志强, 尚伟涛, 等, 2018. 基于无人机的海滨景区绿潮监测[J]. 海洋与湖沼, 49(5): 1061-1067.

唐军武, 田国良, 汪小勇, 等, 2004. 水体光谱测量与分析Ⅰ: 水面以上测量法[J]. 遥感学报, 8(1): 37-44.

黄宇, 陈兴海, 刘业林, 等, 2020. 基于无人机高光谱成像技术的河湖水质参数反演[J]. 人民长江, 51(3): 205-212.

黄宇业, 付东洋, 刘大召, 等, 2019. 珠江口水体表观光谱特性与类型分析[J]. 海洋环境科学, 38(6): 891-897.

黄昕晰, 应晗婷, 夏凯, 等, 2020. 基于无人机多光谱影像和OPT-MPP算法的水质参数反演[J]. 环境科学, 41(8): 3591-3600.

董广香, 2007. 三峡库区高光谱水质参数反演数据处理及分析研究[D]. 北京: 中国测绘科学研究院: 10-17.

谭玉敏, 夏玮, 2014. 基于最佳波段组合的高光谱遥感影像分类[J]. 测绘与空间地理信息, 37(4): 19-22.

BANSOD B, SINGH R, THAKUR R, 2018. Analysis of water quality parameters by hyperspectral imaging in Ganges River [J]. Spatial Information Research, 26(2): 203-211.

GITELSON A, GARBUZOV G, SZILAGYI F,, 1993Quantitative remote sensing methods for real-time monitoring of inland waters quality [J]. International Journal of Remote Sensing, 14(7): 1269-1295.

GUIMARAES T T, VERONEZ M R, KOSTE E C,, 2019. Evaluation of regression analysis and neural networks to predict total suspended solids in water bodies from unmanned aerial vehicle images [J]. Sustainability, 11(9): 2580.

KOPONEN S, PULLIAINEN J, KALLIO K,, 2002. Lake water quality classification with airborne hyperspectral spectrometer and simulated MERIS data [J]. Remote Sensing of Environment, 79(1): 51-59.

ROMERO-TRIGUEROS C, NORTES P A, ALARCÓN J J,, 2017. Effects of saline reclaimed waters and deficit irrigation onphysiology assessed by UAV remote sensing [J]. Agricultural Water Management, 183: 60-69.

YAO X, HUANG Y, SHANG G Y,, 2015. Evaluation of six algorithms to monitor wheat leaf nitrogen concentration [J]. Remote Sensing, 7(11): 14939-14966.

WATER QUALITY MONITORING OF INLAND AQUACULTURE PONDS BASED ON UAV HYPERSPECTRAL REMOTE SENSING TECHNOLOGY

LIU Mei1, MA Qi-Liang2, YUAN Ju-Lin1, NI Meng1, LIAN Qing-Ping1, GUO Ai-Huan1

(1. Agriculture Ministry Key Laboratory of Healthy Freshwater Aquaculture, Key Laboratory of Fish Health and Nutrition of Zhejiang Province, Zhejiang Institute of Freshwater Fisheries, Huzhou 313001, China; 2. Center of Information Technology, Huzhou University, Huzhou 313000, China)