滨岸带蓝藻水华无人机探测方法研究

杨宏业　朱玉东　刘婉蓉　黄舒欣　屈铭志

摘要：蓝藻进行探测时易出现影像质量差，探测精度低的情况，对此，研究滨岸带蓝藻水华无人机探测方法，文章以太湖作为研究对象，对太湖蓝藻堆积最严重的贡湖滨岸带展开探测方法研究，通过无人机水面飞行去光斑方法，获取滨岸带高质量照片，利用高表真的蓝藻水面影像拼接技术将无人机照片拼接成高水面覆盖度和高表真性的数字正射影像，采用可见光蓝藻提取方法实现了蓝藻水华的识别与提取。实验结果表明，所提方法总体精度达到93.4%，Kappa系数达到0.8613，证明所提方法具有实用性。

关键词：蓝藻水华；无人机探测；高表真水面拼接

中图分类号：X87 文献标志码：B

前言

随着水环境污染对生态系统和人类健康产生的影响日益严重，其中，滨岸带蓝藻水华是一种常见但又十分有害的现象，给水质安全与生态平衡带来了巨大挑战。蓝藻水华不仅会破坏湖泊、河流等水体的生态系统，还可能产生毒素，危害周边环境和人类健康。对蓝藻水华进行精准化监测，快速掌握蓝藻的时空分布情况是蓝藻水华预警与治理的关键。由于水动力、风速、风向和蓝藻自身的漂移性的影响，蓝藻通常会在滨岸带大量积聚。并且，由于蓝藻具有漂移速度快、垂直分布受风力影响、易被滨岸带植物吸附等特征。使得传统的监测方法，不能很好地反映其实际的分布情况。随着无人机技术的快速发展，也为滨岸带蓝藻水华的监测提供了新的机遇。相比于传统的遥感和实地调查，无人机具有低成本、高时效性和灵活性的优势，能够以更高的空间和时间分辨率获取关键数据。可以弥补人工巡查中效率低下、目视可见区域范围较小等缺点。

然而，在无人机探测蓝藻的过程中，存在水面太阳镜面反射、无人机涉水照片不易拼接、蓝藻水华识别难等问题，目前大多数无人机水域有效探测范围有限。对此，文章提出了一种更适合湖泊滨岸带的蓝藻水华探测方法。

1 研究区域与方法

I.1 研究区域

太湖作为中国五大淡水湖之一，多年来一直饱受蓝藻水华的影响。太湖贡湖湾沿岸区域位于太湖西北部，在蓝藻大量繁殖的夏季盛行东南风，该区域处于下风向，整个太湖生长的蓝藻会被吹至于此，因为该处岸线绵延曲折，蓝藻易进难出，导致每年有大量蓝藻堆积在此处。文章于2021年6月21日在江苏省无锡市太湖贡湖滨岸带开展了实验。

1.2 无人机设备

文章利用御Mavic 2无人机采集水域的影像数据，快速及时获取水面相关情况，利用精灵PHANTOM 4 RTK无人机采集沿岸区域的影像数据。精灵PHANTOM 4 RTK的最大水平飞行速度为50km/h，飞行时间为30min，重量为1391g，传感器类型为可见光相机；御Mavic2的最大水平飞行速度为50km/h，飞行时间为31min，重量为1100g，传感器类型为可见光相机；同时，在地面布设一定的控制点以校正无人机数据，实现厘米级精度。

1.3 研究方法

1.3.1 无人机水面避光斑航线优化方法

文章提出了一种在无人机水面避光斑航线优化方法。在获取水面数据的时候，因水体镜面反射常常导致无人机获取的照片中有太阳耀斑，影响数据质量。对此，文章通过计算任意河道任意时间的太阳高度角、太阳方位角以及湖泊滨岸带的位置，并结合无人机姿态及传感器相关参数，计算能避开太阳耀光的航线偏移距离、重叠率变化值和云台俯仰角变化，以优化整体航线。

湖泊滨岸带的太阳高度角和太阳方位角的计算方法分别用式（1）和式（2）表示：

其中，φｓ是太阳方位角，θs是太阳高度角，h是以地方恒星时系统下的时角，δ是该时间下的太阳赤纬，中是湖泊滨岸带的纬度。

在无人机起飞之前，绘制湖泊滨岸带拍摄范围的边界线并计算各点地理坐标值，解析边界中心线上各个点的地理坐标值。结合太阳高度角、方位角、无人机飞行高度、拍摄影像尺寸和相机参数，计算偏移中心线距离以避免拍摄到太阳耀光。以湖泊滨岸带中心线为起算点，依次计算中心线各个点距离滨岸带的距离，记为W，偏移中心线的最小距离为Dmax，偏移河道中心线的最大距离为Dmax，计算公式可分别表示为式（3）和式（4）：

其中，hcamera为无人机飞行高度，θs为该滨岸带飞行时刻的太阳高度角，φs为该滨岸带飞行时刻的太阳方位角，θFOV为无人机相机的视场角，i为相片航向方向的长度比，即为相片的长边比，diagonalimage为无人机相片对角线的长度。

对于需要输出数字正射影像的飞行任务，采用较高的旁向重叠率和航向重叠率，得到更多更精确的影像连接点。则航向重叠率forward_overlap可表示为式（5）：

其中，diagonalimage为无人机相片对角线的长度，φs为该滨岸带飞行时刻的太阳方位角，θs为该滨岸带飞行时刻的太阳高度角，θFOV为无人机相机的视场角。控制航向重叠率不低于forzvard_overlap，以保证获取到的无人机照片具有足够的重叠区域，从而提高图像匹配的准确性和稳定性。

1.3.2 高表真水面影像拼接

基于上述优化后的无人机照片，文章使用高表真水面拼接方法进行图像拼接。根据无人机影像POS数据计算单张影像拍摄范围，具体方法为根据无人机影像像素和相机参数，建立像空间坐标系坐标（x，y，-f）；由相机的倾斜角度φ、ω、k，将像辅助坐标（x，y，-f）转换为像空间辅助坐标（XA，YA，ZZ），公式如式（6）：

最后，根据椭球变换将空间直角坐标进行高表真水面影像拼接。

其中，I（x，y）为拼接后的图像，Ii（x，y）为原始图像，wi（x，y）为第i幅影像在位置（x，y）的权重。

高表真水面影像拼接可以提供更广阔的监测范围和更完整的数据信息，以支持蓝藻识别提取的准确性和可靠性。

1.3.3 基于分割阈值的蓝藻识别提取

目前河湖治理中无人机搭载的大部分都是可见光相机，因此，通过对红、绿、蓝三个波段的运算，将蓝藻与水体分离并进行提取。文章采用EXC、VDVI和VEGRDI对蓝藻进行提取和比较，计算公式如式（11）-式（13）：

其中，ρR、ρG、ρB分别表示在红、绿、蓝波段的反射率。基于计算结果，实现对蓝藻的探测和管理。

2 结果与分析

2.1 水面避光斑航线优化方法结果与分析

在滨岸带蓝藻数据采集方面，通过无人机水面避光斑航线优化方法对拍摄航向进行了优化，由于镜面反射在照片中始终会出现太阳光斑，并且由于多张照片拼接，太阳光斑会沿飞行线路在正射影像-产生连续的一串太阳光斑，在每张照片的中间都存在一个光斑，严重影像图像质量。

利用文章的无人机水面避光斑方法对航线进行优化，可减少大部分太阳光镜面反射，如图1（a）所示。原始结果中图像左下角及右中部区域中存在多串连续的太阳光斑，甚至在浮坝上也会有耀光显示，影响判断浮坝是否断裂。通过水面避光斑航线优化的方法，调整飞行航线的相关参数，得到光斑较少的结果，如图1（b）所示，大部分水面耀光被规避，整体图像没有反光的区域，图像实际内容也没有受到影响，保证图像真实可靠的同时提升了整体视觉和观感。

2.2 蓝藻影像拼接与提取结果分析

通过无人机水面避光斑方法对航线进行优化后，在3小时内实现太湖13公里沿岸探测，获取了超过3000张无人机照片，利用传统方法和文章的高表真水面拼接方法进行图像拼接以生成数字正射影像。

以传统的大疆智图软件生成的结果显示，范围约覆盖到距离岸边300米，如图2（a）所示，成图面积约为7.0689平方千米、在岸线西南部附近测量，水面覆盖宽度距离岸边约388米。利用文章的高表真水面拼接方法，成图面积约为10.1431平方千米，能够覆盖距岸600米以上的水面区域，如图2（b）所示，在相同位置测量成图宽度约为645米，是传统方法水面拼接宽度的2倍。

从数字正射影像中截取了部分浮坝数据进行对比，见图3。

根据图3可以看出，传统方法出现了拼接错误，在浮坝侧方生成了多余的浮坝。高表真拼接方法的结果能够正确地表达浮坝的情况，避免出现拼接错位、拼接错误等情况，在拼接质量上，解决数据失真等问题，保证水色和蓝藻水华数据的完整与真实。

为了验证文章方法和高表真水面拼接方法的可用性和正确性，同时评价各植被指数蓝藻提取的精度，在高清正射影像中随机选取500个样本，通过目视解译作为参考，进行蓝藻信息提取结果精度评价，基于混淆矩阵计算总精度和Kappa系数，具体结果见表1。

通过结果表明，无人机可见光探测获得的影像可进行蓝藻识别与提取，运用EXG、VDVI、VECRDI等植被指数均能实现。其中VECRDI指数提取蓝藻的总体精度为93.4%，比VDVI指数高了0.4%，比EXC算法高出了0.8%；VEGRDI指数的Kappa系数达到0.8613，比VDVI指数高了0.008，比EXC高0.0312，提取效果相对最好，能够快速且较准确地识别蓝藻水华，适用于无人机可见光波段的蓝藻监测。

3 结论

滨岸带蓝藻是一种常见的水生生物现象，其对水环境造成的污染和对水生生态系统和人类健康的负面影响备受关注。为了提高蓝藻监测的效率和精度，文章提出了滨岸带蓝藻探测技术方法。从蓝藻数据采集、处理、分析等方面对传统无人机探测方法进行了改进，建立了水面避光斑航线优化方法、高表真水面拼接方法和分割阈值蓝藻提取方法。经实验证明，文章的方法在效率、质量和精度上较传统方法均有提高，能够将水面监测区域扩大一倍左右，实现更大范围的蓝藻数据探测与分析，在蓝藻治理的实际应用中具有意义。

基金项目：上海市2020年度“科技创新行动计划”启明星项目（20QB1403900）