基于無人機高光譜遙感技術對內陸養殖池塘水質監測的研究*

劉 梅 馬啟良 原居林 倪 蒙 練青平 郭愛環

基于無人機高光譜遙感技術對內陸養殖池塘水質監測的研究*

劉 梅1馬啟良2原居林1①倪 蒙1練青平1郭愛環1

(1. 農業農村部淡水漁業健康養殖重點實驗室 浙江省魚類健康與營養重點實驗室 浙江省淡水水產研究所 浙江湖州 313001; 2. 湖州師范學院信息技術中心 浙江湖州 313000)

無人機; 高光譜; 養殖池塘; 機器算法; 水質反演

隨著浙江省“五水共治”以及“剿滅劣V類水”戰略的深入實施, 養殖尾水亂排直排現象面臨巨大的環境壓力, 養殖尾水生態化處理迫在眉睫。截止2020年, 浙江省主要通過“沉淀池+過濾壩1+曝氣池+過濾壩2+生態池(簡稱“三池兩壩”)”技術完成了內陸約5.33萬hm2養殖池塘尾水治理任務(劉梅等, 2021)。但是由于養殖池塘及尾水處理池小而散、涉及面積廣等問題, 且養殖池塘對水質的監測要求具有實時、動態、快速的特點, 仍缺乏有效的水質監測體系, 阻礙了現代養殖小區數字化養殖場的創建與發展(李道亮等, 2020)。

目前, 對養殖池塘或者養殖尾水處理效果采取的仍是常規的水質監測方法, 即對特定養殖池塘或尾水處理系統定期、定點進行長年累月采樣及水質監測, 這種方法受人力、物力、時間及天氣的限制, 采集的數據量不可能太多, 而且成本高、速度慢; 并且對于整個養殖小區而言, 這些采樣點數據只能代表局部水質狀況, 難以獲得大范圍淡水養殖水域水質參數的分布和變化情況, 不能滿足對養殖池塘水質大尺度、快速、實時的監測要求。因此, 迫切需求一種實時、快速監測養殖池塘及養殖尾水處理池水質動態變化的有效手段。

鑒于此, 本文以淡水養殖池塘及配套尾水處理池為研究養殖小區, 通過無人機搭載高光譜傳感器獲取光譜反射率數據, 建立水質指標的反演模型并研究其濃度空間分布, 為養殖池塘水環境實時調控、養殖尾水池處理效果評價及構建數字化養殖小區提供技術支撐。

1 材料與方法

1.1 研究區概況

本研究選擇湖州市典型主要養殖品種之一的青蝦養殖小區尾水處理區及周邊池塘為研究區域, 位于湖州市菱湖鎮楊港現代生態漁業園內(120°7′8.7″N, 30°46′32.7″E)。2018年該養殖小區采用“三池兩壩”技術建立完成尾水處理區, 截止2019年湖州近4萬hm2的養殖池塘均采用該技術實現尾水的生態化處理, 減輕了對周邊河網水體及太湖的富營養化影響。但是由于在后期的出水水質監測均采用傳統方法, 費時費力, 也不利于養殖小區數字化建設及管控。

1.2 采樣點布設和水質檢測

圖1 研究區地理位置及采樣點空間分布

1.3 高光譜影像的獲取與處理

同時利用大疆無人機M600 Pro搭載高光譜成像儀GaiaSky-mini獲取尾水處理區及周邊養殖池塘的高光譜影像。無人機飛行高度為100 m, 無人機高光譜相機的掃描范圍為400～1 000 nm, 光譜通道為176, 光譜分辨率為3.5 nm。所選實驗時間均晴朗微風(1～2級), 無云層覆蓋。

無人機高光譜影像的預處理主要包括鏡像變換、黑白幀校正、場地校正等, 均在高光譜系統自帶軟件完成。然后對拍攝的大量數據進行研究區圖像拼接, 將拼接后的影像導入ENVI5.3軟件, 根據經緯度坐標, 定位49個水面采樣點的具體位置, 以采樣點為中心的6×6像素密度作為計算區域, 再將該區域內光譜反射率求平均值, 該平均值即可作為該采樣點的反射率數據, 共獲得49組與地面水質數據相對應的光譜反射率, 隨機選取39組數據用于模型訓練樣本, 其余10組用于模型檢驗樣本。

1.4 高光譜指數分析

將水樣中各水質指標與采樣點在遙感影像中的反射率進行相關性分析, 獲得研究區不同水質參數的敏感單波段。諸多學者研究結果顯示, 將反射率進行適當的數學變換, 構建光譜任意兩波段組合而成的差值光譜指數(difference spectral indices, DSI)、歸一化光譜指數(normalized spectral indices, NSI)和比值光譜指數(ratio spectral indices, RSI), 可以降低背景信息的干擾, 將更有效提取光譜信息(黃宇等, 2020; 黃昕晰, 2020), 計算如式(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分別代表400～1 000 nm波段范圍內任意2個波段的反射率。

1.5 水質反演模型構建流程

偏最小二乘法(partial least square, PLS)通過將自變量和因變量的高維數據空間投影到相應的低維空間, 得到相互正交的特征向量, 再建立線性回歸模型, 不僅克服多重共線性問題, 即在回歸的同時強調自變量對因變量的解釋和預測作用, 而且能較好地辨識系統信息和噪聲。

徑向基神經網絡(radial basis function network, RBF)屬于多層前饋神經網絡, 具有自組織、自學習、知識推理的特點, 對大量非結構性、非精確性規律具有自適應、信息記憶和非線性逼近能力以及優化計算等優點。RBF在Matlab中實現, 功能函數采用Sigmoid函數。

支持向量機(support vector machine, SVM)是以統計學習理論為基礎、訓練誤差為約束條件、以結構風險最小化為優化目標的一種專門用來研究有限樣本預測的高效機器學習方法。具有較強的泛化能力、較好的魯棒性以及沒有局部最小點的優勢。本研究SVM采用R語言中的e1017包構建預測模型, 使用radial (徑向基函數)為核函數, 成本函數cost和gamma選擇模型中最佳參數。

最后根據模型的相關評價標準篩選各水質要素最佳反演模型, 再將最優的監測模型反演到無人機高光譜影像上, 分別制作各水質參數的空間分布圖, 具體計算路線如圖2所示。

1.6 模型篩選評價指標

水質參數預測模型采用決定系數(coefficient of determination,2)、均方根誤差(root mean square error, RMSE)、相對分析誤差(relative prediction deviation, RPD)以及平均絕對誤差(relative absolute error, MAE)對比模型穩定性及精度。其中2越大, 說明模型越穩定, 一般大于0.8即說明模型穩定。RMSE越小, 則模型精度越高。RPD>2.0時表示模型可靠性高, 具有極好的預測能力, RPD值介于1.5～2.0之間, 表明模型可對樣品做粗略估測, 模型有待改進, RPD<1.5時, 表明模型預測能力差(葉勤等, 2017)。MAE<20%可用于養殖水質的預測, 滿足養殖水體水質反演誤差要求。其計算公式如下:

圖2 無人機高光譜水質反演模型構建的技術路線

2 結果與分析

2.1 養殖池塘和尾水處理區光譜特征

研究養殖小區共49個采樣點的光譜反射率曲線如圖3所示, 其中圖3a列出了40個養殖池塘采樣點的反射率曲線, 圖3b列出了9個尾水區采樣點的反射率曲線。可以看出池塘水體的光譜特征在400～ 560 nm范圍內, 光譜反射率呈上升趨勢, 至560～ 580 nm附近形成一個反射高峰, 這主要是是由水體中葉綠素和胡蘿卜素在此波段具有較弱的吸收特點, 同時加上藻類和懸浮物的散射作用而引起反射高峰(Gitelson, 1993)。而到580 nm后, 反射率曲線呈下降趨勢, 直至680～710 nm處附近則形成一個峰谷, 主要是由于水體中的葉綠素在此波段具有強吸收的特點(唐軍武等, 2004); 而緊接著在790～810 nm范圍內形成一個峰值, 主要是由于水中懸浮物的散射作用(黃宇業等, 2019)。而尾水處理區由于經過過濾、沉淀、曝氣等凈化過程, 水體中懸浮物和藻類去除率可達到70%以上, 因此, 尾水處理區在680～710 nm和790～810 nm范圍內均未形成明星的峰值(圖3b), 而其他波段的變化規律和養殖池塘具有一致性。綜合分析光譜曲線可知, 不同池塘水體的光譜曲線變化趨勢總體一致, 但是由于不同采樣點具有不同的水質指標濃度, 導致其峰谷值及曲線高低變換存在一定差異。

2.2 水質參數與單波段反射率的相關性

圖3 養殖池塘(a)和尾水處理池(b)采樣點光譜反射率

圖4 養殖小區池塘和尾水處理池水質指標與單波段光譜反射率的相關系數

2.3 水質參數與雙波段反射率的相關性

表1 各水質指標與單波段及雙波段反射率指數最高相關系數

*注: 相關系數(對應波段)

圖5 各水質參數與最佳雙波段反射率指數相關系數分布圖

2.4 最佳水質反演模型篩選與檢驗

表2 各水質參數反演模型評價

圖6 各水質參數實測值與最佳反演模型預測值對比圖

2.5 水質參數的高光譜圖像反演

圖7 養殖小區池塘各水質指標濃度空間反演效果

3 討論

無人機高光譜技術在定量反演水質指標時, 由于具有較高的光譜分辨率和較強的波段連續性等特點, 可以獲得更為全面的光譜特征信息, 但同時由于光譜測量中的某些人為和自然因素的干擾, 光譜數據需要進行不同的數學變換以減少系統誤差和背景噪聲的影響, 同時降低信息重疊度和冗余度, 進一步增強信噪比, 提高光譜數據與水質參數的相關性, 有利于提高線性模型的預測精度(趙慶展等, 2016)。本研究中3種數值變換方法明顯提高了TSS和CODMn與光譜數據的相關性, 均達到0.81以上, 差值指數對TN與光譜數據的相關性提高最大, 比值指數則對TP與光譜數據的相關性提高最大, 而氨氮是例外, 數值變換方法甚至降低了其與光譜數據的相關性, 這可能是因為在增強敏感波段信息的同時也增強了噪聲信息, 給整體數據帶來了較大的反演誤差, 降低了模型預測精度(譚玉敏等, 2014)。結果說明不同波段數值變換方法的處理效果不同, 應合理選擇處理方法以進行后續建模, 這與相關研究結論也較為一致(董廣香, 2007; 馬娜等, 2010)。

4 結論

馬娜, 胡云鋒, 莊大方, 等, 2010. 基于最佳波段指數和J-M距離可分性的高光譜數據最佳波段組合選取研究——以環境小衛星高光譜數據在東莞市的應用為例[J]. 遙感技術與應用, 25(3): 358-365.

葉勤, 姜雪芹, 李西燦, 等, 2017. 基于高光譜數據的土壤有機質含量反演模型比較[J]. 農業機械學報, 48(3): 164-172.

史舟, 梁宗正, 楊媛媛, 等, 2015. 農業遙感研究現狀與展望[J].農業機械學報, 46(2): 247-260.

呂航, 馬蔚純, 周立國, 等, 2013. 淀山湖微量水質參數衛星高光譜遙感估算[J]. 復旦學報(自然科學版), 52(2): 238-246.

劉彥君, 夏凱, 馮海林, 等, 2019. 基于無人機多光譜影像的小微水域水質要素反演[J]. 環境科學學報, 39(4): 1241-1249.

劉梅, 原居林, 倪蒙, 等, 2021. “三池兩壩”多級組合工藝對內陸池塘養殖尾水的處理[J]. 環境工程技術學報, 11(1): 97-106.

李俊生, 2007. 高光譜遙感反演內陸水質參數分析方法研究——以太湖為例[D]. 北京: 中國科學院遙感應用研究所: 6-10.

李道亮, 劉暢, 2020. 人工智能在水產養殖中研究應用分析與未來展望[J]. 智慧農業(中英文), 2(3): 1-20.

楊振, 盧小平, 武永斌, 等, 2020. 無人機高光譜遙感的水質參數反演與模型構建[J]. 測繪科學, 45(9): 60-64, 95.

張兵, 申茜, 李俊生, 等, 2009. 太湖水體3種典型水質參數的高光譜遙感反演[J]. 湖泊科學, 21(2): 182-192.

張武肖, 孫盛明, 戈賢平, 等, 2015. 急性氨氮脅迫及毒后恢復對團頭魴幼魚鰓、肝和腎組織結構的影響[J]. 水產學報, 39(2): 233-244.

陳俊英, 邢正, 張智韜, 等, 2019. 基于高光譜定量反演模型的污水綜合水質評價[J]. 農業機械學報, 50(11): 200-209.

趙慶展, 劉偉, 尹小君, 等, 2016. 基于無人機多光譜影像特征的最佳波段組合研究[J]. 農業機械學報, 47(3): 242-248.

胡震天, 周源, 2020. 基于低空多光譜遙感的城市水質監測方法研究[J]. 地理空間信息, 18(7): 4-8.

段洪濤, 張柏, 宋開山, 等, 2006. 長春南湖水體透明度高光譜定量模型研究[J]. 中國科學院研究生院學報, 23(5): 633-639.

徐福祥, 高志強, 尚偉濤, 等, 2018. 基于無人機的海濱景區綠潮監測[J]. 海洋與湖沼, 49(5): 1061-1067.

唐軍武, 田國良, 汪小勇, 等, 2004. 水體光譜測量與分析Ⅰ: 水面以上測量法[J]. 遙感學報, 8(1): 37-44.

黃宇, 陳興海, 劉業林, 等, 2020. 基于無人機高光譜成像技術的河湖水質參數反演[J]. 人民長江, 51(3): 205-212.

黃宇業, 付東洋, 劉大召, 等, 2019. 珠江口水體表觀光譜特性與類型分析[J]. 海洋環境科學, 38(6): 891-897.

黃昕晰, 應晗婷, 夏凱, 等, 2020. 基于無人機多光譜影像和OPT-MPP算法的水質參數反演[J]. 環境科學, 41(8): 3591-3600.

董廣香, 2007. 三峽庫區高光譜水質參數反演數據處理及分析研究[D]. 北京: 中國測繪科學研究院: 10-17.

譚玉敏, 夏瑋, 2014. 基于最佳波段組合的高光譜遙感影像分類[J]. 測繪與空間地理信息, 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)

UAV; hyperspectral technology; inland ponds; machine algorithm; water quality inversion

S951.2; S966; X87

10.11693/hyhz20210600133

*浙江省公益技術研究計劃項目, LGN20C190004號; 國家重點研發計劃項目, 2019YFD0900302號。劉 梅, 博士, 助理研究員, E-mail: liumei@zju.edu.cn

原居林, 高級工程師, E-mail: yuanjulin1982@126.com

2021-06-08,

2021-07-27