溫排水自動提取方法研究

朱秀芳,李 原

溫排水自動提取方法研究

朱秀芳1,2*,李 原3,4

(1.北京師范大學,遙感科學國家重點實驗室,北京 100875；2.北京師范大學地理科學學部,遙感科學與工程研究院,北京 100875；3.內蒙古自治區河流與湖泊生態重點實驗室,內蒙古 呼和浩特 010021；4.內蒙古大學生態與環境學院,內蒙古 呼和浩特 010021)

為解決現有的遙感溫排水檢測的算法自動化程度低、時效性差的問題,提出了一種基于單時相熱紅外波段的溫排水自動化提取方法(IForest-SVM),并以福建省福清核電站為例,使用2018年10月至2019年1月內的4期Landsat-8遙感影像對所提方法進行了測試與驗證.該方法首先利用孤立森林進行溫排水和正常水體樣本的自動提取,接著通過溫排水和排水口的空間鄰接關系純化溫排水樣本,進而利用支持向量機監督分類提取溫排水像元,最后通過溫排水和排水口的空間鄰接關系剔除誤判像元得到最終的溫排水空間分布.測試結果顯示本研究所提出的方法在2018年11月15日、2018年12月1日和2019年1月18日三期圖像上檢測得到的溫排水的用戶精度和生產者精度的平均值分別為89.69%、94.97%和90.04%.在2018年10月30日無溫排水的影像上沒有出現誤檢,有效的避免了“虛警”的出現.IForest-SVM只需要輸入遙感影像的熱紅外波段,無需額外代入其他參數,具有可移植性好、普適性強、自動化程度高的優點,在溫排水的實時監測和快速發現業務中有很好的應用前景.

孤立森林；異常檢測；支持向量機；鄰接關系；溫排水

隨著能源需求的增加和核能技術的發展,中國在沿海地區興建了許多的核電站.然而,核電站的發電效率要低于火電站,僅有30%～35%的核能轉化為了電能[1],剩余的大部分能量以熱能的形式隨冷卻水排出,使得周圍水體溫度迅速升高,從而影響了水生動植物的生長和繁殖[2].藻類對溫度變化尤其敏感,海水溫度的升高可能會導致藻類的異常爆發.在風和潮汐的驅使下,藻類會侵入核電站的水冷系統,影響冷卻水的排放,阻礙核電站的安全運行[3-4].因此,研究核電附近水域溫排水的分布具有重要意義[5].

溫排水監測的方法主要包括數值模擬法、大面積實地測量法和遙感監測法.數值模擬法可以獲得大范圍、高時空分辨率的二、三維溫度場分布[6],但其模擬結果的精度依賴于研究者所使用的模型[7].實地測量法能夠獲取最真實的數據,但其只能提供關于溫度的分散的點數據,不能提供完整的空間分布[8],且耗費的人力物力較多,部分研究中將其用于遙感算法的定標與驗證工作[9].遙感技術憑借同步性好、觀測范圍大、可重復觀測和成本相對較低等優勢成為溫排水監測的重要方法[10-14].目前,基于遙感手段進行溫排水監測也廣泛應用在我國的諸多核電站附近的水域中,如大亞灣核電站、田灣核電站等[15-17].

國際上早期的遙感溫排水監測使用的是AVHRR數據,后期隨著國內核電站的興建也有相關的應用[18-19],但由于其空間分辨率較低,無法準確獲取溫排水的細節分布.21世紀以后隨著Landsat、MODIS、環境一號、高分五號等系列衛星數據的發布,這個問題得到了一定程度上的解決,國內外涌現出了一批相關的應用成果[20-29].之后,也有部分學者通過X波段雷達數據進行溫排水的檢測[30],但滿足具有高時空分辨率的數據通常是地基雷達,其造價昂貴難以進行大規模應用.載人航空遙感靈活性及空間分辨率都優于衛星遙感,但其對起降場地有特殊要求,備航手續繁瑣且成本昂貴,難以業務推廣[31].近些年隨著無人機技術的發展,利用無人機攜帶熱紅外傳感器進行核電廠溫排水監測取得了部分成果[32],但其硬件設備與圖像處理技術仍在發展過程中,其飛行范圍以及飛行條件也受到一定的制約.總體來看,基于衛星遙感數據的溫排水提取仍然是實際應用中使用最廣泛的.

目前基于遙感手段開展的溫排水監測主要是使用含有熱紅外波段的遙感數據進行水體表面溫度的反演,再基于統計學的方法進行溫排水的判別,整個過程費時費力,很難做到快速實時的溫排水監測.在溫度反演中常用的算法包括單通道法[33]、分裂窗法[34]和多通道法[35].單通道算法基于地表溫度輻射傳導方程推導而來,需要大氣透過率、地表比輻射率和大氣平均作用溫度這3個參數,這些參數需要同步實測獲取;分裂窗法與多通道法雖然需要的實測數據較少但其模型復雜程度要遠高于單通道法,且對熱紅外波段數量有一定的要求.

孤立森林是一種適用于異常檢測的機器學習算法[36].溫排水是排入自然水體中的溫度高于自然水體的水.受溫排水影響的水體像元可以看作是水體像元中的異常像元,其在熱紅外波段的值明顯區別于正常的像元,且溫排水的像元與核電站排放口在空間位置上存在鄰接關系.為此,本文提出了一種綜合使用孤立森林、空間鄰接關系和支持向量機的溫排水自動化監測方法,助力溫排水實時監測業務的開展,其主要創新在于無需進行水體表面溫度的反演,能夠實現快速、自動化的溫排水監測.

1 研究區與數據

1.1 研究區概況

圖1 研究區概況

a、b分別為2018年12月1日的Landsat-8真彩色合成圖和熱紅外波段圖像

本研究選擇福建省福清市三山鎮南段的福清核電站作為研究目標,將其周圍的海域設置為研究區(圖1).福清核電站是中國第一座采用三代核電技術的核電站,占地面積約18km2,共有6個核電機組,總裝機容量為6600MW,是東南沿海的重要能源基地之一,也是中國核電行業的重要標志性工程[37].福清核電站三面環海,東北部位置與陸地連接,周邊的道路發達、交通便利.其氣候為典型亞熱帶海洋性季風氣候,區域內海潮以半日為周期,每潮汐日內高低潮各有兩次,漲潮時其流向偏西北,落潮時其流向偏東南,海域周圍多年平均水溫在22.3℃左右,夏季和冬季的海水溫度差異在10-15℃左右.前人研究發現該區域受溫排水影響的范圍大概在6km以內,受溫排水影響水溫升高一般不超過4℃,不同季節和不同潮汐條件下,溫升情況有所差異,冬季溫升分布范圍小于同潮態溫升分布范圍,漲潮時刻溫升范圍小于落潮時刻溫深分布范圍[37].

1.2 研究數據及其預處理

通過Google Earth Engine獲取經過大氣校正與幾何校正后的Landsat-8衛星數據,獲取時間如表1所示,Landsat-8數據的波段信息如表2所示.

表1 所用數據列表

表2 Landsat-8各波段信息

圖2 實驗數據

首先基于2019年1月18日的Landsat-8數據對常年不變的海岸邊界進行矢量化,接著對4幅圖像分別計算自動水體提取指數(AWEI, Automated Water Extraction Index),具體公式如下所示:

式中:2為綠波段,4為近紅外波段,5與7分別為兩個短波紅外波段.

設置AWEI大于0的像元為水體像元[38],提取海岸邊界內的水體像元得到4幅圖像上的監測水體范圍,以該范圍為掩膜對4個時相的Landsat-8熱紅外波段進行裁剪,獲得最終用于監測的影像,圖2是以波段10為例進行的展示.觀察比較四個時相的數據,目視解譯和手工數字化得到各圖像上的溫排水范圍,作為算法驗證的真值.

2 研究方法與技術路線

2.1 孤立森林算法原理介紹

孤立森林(IForest)是在第八屆IEEE數據挖掘國際會議上首次被提出的用于離群點檢測的算法[39].在孤立森林中離群點是那些分布稀疏且離密度高的群體較遠的樣本.孤立森林是通過構建個孤立的二叉樹得到的,其基本流程是:1)從樣本空間中,隨機選取個樣本,構成子空間,并將這些樣本放入樹的根節點;2)隨機選取一個樣本空間中的某一個特征,并選取該特征數據集中介于最大值和最小值中的某個數值,以為節點將特征向量中小于的數據放在當前節點的左側,大于的數據放在當前節點的右側,由此形成左右兩個新的特征子空間;3)分別在左右兩個新的特征子空間中,不斷重復上一個步驟,構造出新的子節點,直到數據本身只包含一個樣本或者樹的高度已經達到了預設的高度時,孤立樹建立完成.循環建立新的孤立樹,當構建完棵孤立二叉樹后,就形成了一片孤立森林.計算待測數據樣本到達每顆孤立樹的葉子節點的平均路徑長度,進而計算異常程度值,具體計算見公式(2)和(3)[40],路徑長度越短,對應的異常程度值越高,越先被孤立出來.

給定一個包含個樣本的數據集,樹的平均路徑長度為:

式中:()為調和數,該值可以被估計為ln()+ 0.5772156649.()為給定樣本數時路徑長度的平均值,用于標準化樣本的路徑長度().

樣本的異常評分(,)定義為:

式中:(())為樣本在一批孤立樹中找到自己所處的位置所花費的平均路徑長度.

基于Python實現孤立森林的過程中,在計算異常評分時,根據數據點的局部密度來估算這個點的異常程度.密度越低的點會得到更高的異常評分.因為負數更能直觀的表示低密度,所以scikit-learn庫在原有公式的基礎上進行了調整,調整后的計算方法如公式4所示,調整后值越小對應異常程度越高.

2.2 溫排水自動監測方法的基本處理流程

受溫排水影響的水體的溫度會明顯高于同時刻周邊沒有受溫排水影響的水體,且溫排水與核電站排放口在空間位置上存在鄰接關系.為此,本文提出了一種綜合使用孤立森林、空間鄰接關系和支持向量機的溫排水自動化監測方法,簡稱為IForest- SVM,其基本流程包括四個步驟:1)使用孤立森林計算監測水域中各水體像元的熱紅外波段的異常評分;2)提取異常得分小于均值減2倍標準差的像元作為異常水體樣本,保留其中與核電站排水口鄰接的樣本圖斑作為溫排水樣本;3)提取異常評分為正值的像元,取中位數至最大值區間內的像元作為正常的水體樣本;4)將兩類樣本代入支持向量機進行監督分類,得到初步的溫排水圖斑,保留其中與核電站排水口鄰接的圖斑從而得到最終的溫排水空間分布.

2.3 技術路線與實驗設計

為了測試本文所提出的方法在實時監測溫排水中的有效性,設計了如圖3所示的技術路線.具體步驟如下:1)通過目視解譯標定核電站及其進出水口的位置;2)利用本文所提出的方法從不同時相的(2018年11月15日、2018年12月1日和2019年1月18日)Landsat-8的熱紅外波段衛星數據中提取溫排水的空間分布.3)通過目視解譯,確定每期影像上溫排水的區域,以此為真值樣本,利用公式5和6計算溫排水提取的用戶精度與生產者精度.

式中:UA為用戶精度;PA為生產者精度,R為正確分類的像元個數;W為正常水體錯分為溫排水的像元個數;A為實際是溫排水而錯分為正常水體的像元個數.

為了探討鄰接關系判斷對所提出方法(簡稱方法Ⅰ)的作用,本研究還進行了三組對照實驗:1)在利用孤立森林提取出異常水體像元的基礎上,提取與核電站排水口具有鄰接關系的像元作為溫排水的訓練樣本,將樣本帶入到支持向量機的監督分類器中,得到溫排水提取結果,即孤立森林+鄰接關系判斷+SVM,簡稱方法Ⅱ;2)將經過孤立森林提取的樣本直接帶入支持向量機的監督分類器中,得到溫排水提取結果,即孤立森林+無鄰接關系判斷+SVM,簡稱方法Ⅲ;3)在對比實驗2的基礎上,在監督分類完成之后,提取與核電站排水口具有鄰接關系的圖斑作為最終結果,即孤立森林+無鄰接關系判斷+ SVM+鄰接關系判斷,簡稱方法Ⅳ.

圖3 技術路線

3 研究結果

不同方法識別的溫排水的空間分布如圖4所示.根據目視解譯的結果,使用ArcGIS計算溫排水區域的面積得到2018年11月15日、12月1日和2019年1月18日溫排水總面積分別為0.76 km2、8.30km2和2.25km2.對不同方法監測出的溫排水進行驗證,結果如表3所示.綜合圖4和表2可以得出:

無論哪種方法三個時期提取的溫排水的生產者精度均明顯高于用戶精度.用戶精度是正確分類的溫排水像元個數與分類得到的所有溫排水像元個數的比例,用戶精度越高說明錯分誤差越低.生產者精度是正確分類的溫排水像元個數與實際溫排水像元個數的比例,生產者精度越高說明漏分誤差越低.因此,總體來說上述幾種方法的漏分誤差均低于錯分誤差.

在四種方法中,本研究所提出的方法在三個時期檢測出的溫排水的精度都是最高的,2018年11月15日、2018年12月1日和2019年1月18日三期圖像上檢測得到的溫排水的用戶精度和生產者精度的平均值分別為89.69%、94.97%和90.04%.

圖4 不同方法提取的溫排水

Ⅰ、Ⅱ、Ⅲ、Ⅳ分別指孤立森林+鄰接關系判斷+SVM+鄰接關系判斷的方法(即本研究所提方法)、孤立森林+鄰接關系判斷+SVM的方法、孤立森林+無鄰接關系判斷+SVM的方法、孤立森林+無鄰接關系判斷+SVM+鄰接關系判斷的方法

表3 精度評價表(%)

注:Ⅰ、Ⅱ、Ⅲ、Ⅳ的含義同圖4.

對比添加和未添加鄰接關系的方法,可以看出總體來說添加了兩次鄰接關系后可以大大提高用戶精度、減少錯分誤差.例如2018年11月15日,加入兩次鄰接關系的方法Ⅰ用戶精度達到了99.82%,比僅在孤立森林后添加鄰接關系的方法Ⅱ提升了44.85%.兩次鄰接關系的使用中,第一次鄰接關系的重要性要高于第二次.在制備樣本時考慮空間鄰接關系的方法(方法I和方法Ⅱ)要好于不考慮的方法,且在僅有少量溫排水爆發的情況下(2018年11月15日和2019年1月18日)表現的尤為明顯.錯誤的樣本選擇甚至可以導致無法檢測出溫排水,例如2018年11月15日和2019年1月18方法Ⅳ得到結果.

4 討論

4.1 本文所提方法的優勢

傳統的溫排水監測方法需要在進行輻射定標、大氣校正等一系列預處理的前提下,進行水體表面溫度的反演,再進行統計學上的分析,篩選出異常位置.整套流程涉及方法諸多,過程較為繁瑣,尤其是對于溫度的反演可能還需要輸入遙感數據之外的其他因子(如地表比輻射率、大氣在熱紅外的透過率、大氣向下輻射亮度、大氣向上輻射亮度等).本研究提出的IForest-SVM方法無需進行溫度反演,相較于傳統方法更能做到實時監測.

IForest-SVM通過孤立森林計算監測區水體像元的異常評分,結合均值標準差法確定閾值來提取溫排水樣本,不同區域或者同一區域不同時間計算得到的溫排水閾值均不同,也即所提取的閾值是動態和自適應的,保證了方法的可移植性.此外,自動化的訓練樣本提取大大減少了樣本采集上的人力、物力和時間投入.

要想實現溫排水的實時監測,需要對監測的水域進行持續跟蹤,所用算法在無溫排水發生時不能產生虛警,在有溫排水發生時要盡量減少錯報.以往研究往往利用溫排水發生時的影像測試算法的有效性,這類算法往往是“馬后炮”式的,不適用于實時監測.為了進一步驗證IForest-SVM方法在溫排水實時監測中的有效性,本文不僅對有溫排水發生的圖像進行了溫排水的提取實驗(圖4),還對沒有溫排水發生的2018年10月30日的Landsat-8的熱紅外波進行了相同的處理,觀察是否有“虛警”出現,結果如圖5所示,在未爆發溫排水時IForest-SVM不會產出虛警.結合圖5可知IForest-SVM在沒有溫排水發生、有少量溫排水發生和大量溫排水發生時都是適用的.

圖5 未爆發溫排水時的檢測結果

4.2 影響本文所提方法的精度和效率的因素

首先,在基于孤立森林制備樣本時,標準差倍數的選取對樣本的制備具有一定的影響.圖6展示了溫排水樣本提取結果的生產者精度和用戶精度隨著標準差倍數增加(設定標準差倍數在1到2之間以0.1為步長變化)而變化的情況.總體來說,隨著標準差倍數的增加生產者精度變化并不大,最低也在0.98以上,而用戶精度則表現出了明顯的提升.這說明孤立森林加鄰接關系所得到的樣本基本能夠包含所有的核電站溫排水像元,漏選的樣本很少;但當標準差倍數過小時錯提進來的溫排水樣本多,隨著標準差倍數的提高,用戶精度提高,錯提的溫排水樣本變少.此外,在不同時相的數據中用戶精度隨標準差倍數增加而提高的速率不一樣,但整體來說接近2倍標準差時三個時相下用戶精度提升的速率均明顯減小了.

其次,監督分類算法的選擇會對最終結果造成影響.本文選擇了常用的SVM方法與自動化樣本提取進行組合,所提方法的核心是自動化的樣本提取和鄰接關系的判定,SVM監督分類器也可以替換為其他的分類器.不同分類器對樣本的要求不同,相同樣本得到的分類精度會存在差異.未來可以嘗試和其他監督分類器進行組合,優選精度高且穩定的分類器.

再者,本研究所用的Landsat數據重訪周期較長,不利于實時監測,未來可以考慮架設熱紅外攝像頭或者使用更高時空分辨率的數據(如哨兵)進行監測.對于時間分辨率高而空間分辨率偏低的數據(如MODIS)也可以結合降尺度算法,在提高其空間分辨率的基礎上結合本文所提出的算法進行溫排水的監測.

圖6 基于不同閾值選取的樣本進行溫排水提取的精度

最后,熱帶海域、溫帶海域、寒帶海域的溫排水與周圍海水的溫差是不同的,反應在熱紅外波段上的溫排水和正常水體的像元值差異大小不同.本文的算法僅僅在福清核電站進行了測試,福清核電站位于亞熱帶海域,本文算法的適用性和精度在其他溫差條件不一樣的海域有待于進一步驗證.

5 結論

5.1 本文提出了一種基于單時相熱紅外波段的溫排水自動化提取方法,并以福清核電站不同時期的溫排水檢測為例進行了算法的精度測試.測試結果顯示2018年11月15、12月1日和2019年1月18日的溫排水檢測的生產者精度分別為79.56%、95.17%和98.46%,用戶精度分別為99.82%、94.77%和81.62%.

5.2 加入溫排水像元和排水口鄰接關系的判定,大大提高了溫排水識別的精度.在樣本提取階段加入鄰接關系的判斷尤為重要,樣本提取階段不加入鄰接關系的分類方法(方法Ⅲ和Ⅳ)的精度甚至低至0%.

5.3 在無溫排水的時相(2018年10月30日),本文所提方法未造成誤檢.

[1] Liu M, Yin X, Xu Q, et al. Monitoring of fine-scale warm drain-off water from nuclear power stations in the daya bay based on landsat 8data [J]. Remote Sensing, 2020,12(4):627-648.

[2] Verones F, Hanafiah M M., Pfister S, et al. Characterization factors for thermal pollution in freshwater aquatic environments [J]. Environmental Science & Technology, 2010,44(24):9364-9369.

[3] 於 凡,張永興.濱海核電站溫排水對海洋生態系統影響的研究 [J]. 輻射防護通訊, 2008,(1):1-7. Yu F, ZhangY X. The review onthe effects of thermal effluent from nuclear plants on the marine ecosystem [J]. Radiation Protection Newsletter, 2008,(1):1-7.

[4] 賀立燕,宋秀賢,於 凡,等.潛在影響防城港核電冷源系統的藻類暴發特點及其監測防控技術 [J]. 海洋與湖沼, 2019,50(3):700-706. He L Y, Song X X, Yu F, et al. potential risk and prevention of phytoplankton outbreak to water-cooling system in nuclear power plant in Fangchenggang, Guangxi [J]. Oceanologia Et Limnologia Sinica, 2019,50(3):700-706.

[5] 劉永葉,陳曉秋.核電廠溫排水熱影響研究的建議[J]. 輻射防護通訊, 2011,31(6):20-23. Liu Y Y, Chen X Q. Suggestion of the study on thermal impact of thermal discharge from NPPs [J]. Radiation Protection Newsletter, 2011,31(6):20-23.

[6] 張 琨,張愛玲,覃春麗,等.CORMIX與二維數模、物模在濱海核電廠溫排水近區模擬中的比對研究 [J]. 海洋科學進展, 2017,35(1): 117-123. Zhang K, Zhang A L, Qin C L, et al. Comparison between CORMIX and traditional models on the simulation of coastal nuclear power plant water discharge [J]. Advances in Marine Science, 2017,35(1):117-123.

[7] 趙 強,曹 維,邢 健,等.基于現場觀測數據的三門核電站冬季溫排水時空特征分析 [J]. 海洋環境科學, 2022,41(6):847-856. Zhao Q, Cao W, Xing J, et al. Spatio-temporal characteristics of thermal discharge from Sanmen Nuclear Power Plant in winter based on field observations [J]. Marine Environmental Science, 2022,41(6): 847-856.

[8] Muthulakshmi A, Natesan U, Ferrer V A,et al. A novel technique to monitor thermal discharges using thermal infrared imaging [J]. Environmental Science: Processes & Impacts, 2013,15(9):1729-1734.

[9] 何 園.遙感技術在核電站溫排水影響范圍監測中的應用 [J]. 科技創新與應用, 2016,(18):71. He Y. Application of remote sensing technology in monitoring the scope of influence of warm drainage in nuclear power plants [J]. Technological Innovation and Application, 2016,(18):71.

[10] 姜 晟,李俊龍,李旭文,等.核電站溫排水遙感監測方法研究——以田灣核電站為例 [J]. 中國環境監測, 2013,29(6):212-216. Jiang S, Li J L, Li X W, et al. A research on the remote sensing monitoring method with the thermal discharge of Tian-wan nuclear power station [J]. Environmental Monitoring in China, 2013,29(6): 212-216.

[11] 姚沛林.濱海核電廠溫排水的監測與實踐 [J]. 紅外, 2013,34(11): 43-48. Yao P L. Monitoring of warm water discharged from coastal nuclear power plant [J]. Infraied, 2013,34(11):43-48.

[12] 賀佳惠,梁春利,李名松.核電站近岸溫度場航空熱紅外遙感測量數據處理研究 [J]. 國土資源遙感, 2010,(3):51-53. He J H, Liang C L, Li M S. Temperature field airborne thermal remote sensing surveyof the alongshore nuclear power station [J]. Remote Sensing for Land & Resources, 2010,(3):51-53.

[13] 張曉峰,徐京萍,張曼祺,等.Landsat-8熱紅外數據監測田灣核電站溫排水分布 [J]. 海洋科學進展, 2019,37(3):518-525. Zhang X F, Xu J P, Zhang M Q, et al. Distribution of thermal discharge from Tianwan nuclear power plant: analysis of thermal infrared data from landsat-8 [J]. Advances in Marine Science, 2019,37(3):518-525.

[14] 王 祥,蘇 岫,張 浩,等.不同空間分辨率遙感數據在核電站溫排水監測中的應用研究 [J]. 海洋環境科學, 2020,39(4):646-651. Wang X, Su X, Zhang H, et al. Remote sensing based application research of nuclear power plant thermal plume monitoring with different spatial resolution imagery [J]. Marine Environmental Science, 2020,39(4):646-651.

[15] 張 彩,朱 利,賈 祥,等.不同空間分辨率熱紅外數據在近海核電廠溫排水監測一致性研究 [J]. 遙感信息, 2015,30(2):71-76. Zhang C, Zhu L, Jia X, et al. Consistency of different spatial resolution thermal infrared data in monitoring thermal discharge of nuclear power plant in coastal area [J]. Remote Sensing Information, 2015, 30(2):71-76.

[16] 梁珊珊,張 兵,李俊生,等.環境一號衛星熱紅外數據監測核電站溫排水分布——以大亞灣為例 [J]. 遙感信息, 2012,(2):41-46. Liang S S, Zhang B, Li J S,et al. Distribution of therm-water pollution of nuclear power plant using the thermal infrared band of HJ-IRS data-taking Daya Bay as an example [J]. Remote Sensing Information, 2012, (2):41-46.

[17] 周 穎,鞏彩蘭,匡定波,等.基于環境減災衛星熱紅外波段數據研究核電廠溫排水分布 [J]. 紅外與毫米波學報, 2012,31(6):544-549. Zhou Y, Gong C L, Kuang D B, et al. Distribution of thermal discharge from a power plant:Analysis of thermal infrared data from the environmental mitigation satellite [J]. J. Infrared Millim. Waves, 2012,31(6):544-549.

[18] Tang D, Kester D R, Wang Z,et al. AVHRR satellite remote sensing and shipboard measurements of the thermal plume from the Daya Bay, nuclear power station, China [J]. Remote Sensing of Environment, 2003,84(4):506-515.

[19] McClain E P, Pichel W G, Walton C C. Comparative performance of AVHRR-based multichannel sea surface temperatures [J]. Journal of Geophysical Research: Oceans, 1985,90(C6):11587-11601.

[20] Chen C, Shi P, Mao Q. Application of remote sensing techniques for monitoring the thermal pollution of cooling-water discharge from nuclear power plant [J]. Journal of Environmental Science and Health, Part A, 2003,38(8):1659-1668.

[21] Mustard J, Carney M, Sen A. The use of satellite data to quantify thermal effluent impacts [J]. Estuarine, Coastal and Shelf Science, 1999,49(4):509-524.

[22] Gibbons D, Wukelic G, Leighton J, et al. Application of landsat thematic mapper data for coastal thermal plume analysis at Diablo Canyon [J]. Photogrammetric Engineering and Remote Sensing;(USA), 1989,55:

[23] 朱 利,趙利民,王 橋,等.核電站溫排水分布衛星遙感監測及驗證 [J]. 光譜學與光譜分析, 2014,34(11):3079-3084. Zhu L, Zhao L M,Wang Q, et al. Monitoring the thermal plume from coastal nuclear power plant using satellite remote sensing data: modeling and validation [J]. Spectroscopy and Spectral Analysis, 2014,34(11):3079-3084.

[24] 許 靜,朱 利,姜 建,等.基于HJ-1B與TM熱紅外數據的大亞灣核電基地溫排水遙感監測 [J]. 中國環境科學, 2014,34(5):1181-1186.Xu J, Niu L, Jiang J, et al. Monitoring thermal discharge in Daya Bay plant based on thermal infrared band of HJ-1B and TM remote sensing data [J]. China Environmental Science, 2014,34(5):1181-1186.

[25] Benoit J, Fox-Kemper B. Contextualizing thermal effluent impacts in narragansett bay using Landsat-derived surface temperature [J]. Frontiers in Marine Science, 2021,8:705204.

[26] Liu Y, Huang S, Yi P,et al. The thermal discharge retrieve and analysis of Hongyanhe district with Landsat-8 and GF-5 Image [C]// Proceedings of the IOP Conference Series: Earth and Environmental Science, F, 2020.IOP Publishing.

[27] Wu C, Wang Q, Yang Z,et al. Monitoring heated water pollution of the DaYaWan nuclear power plant using TM images [J]. International Journal of Remote Sensing, 2007,28(5):885-890.

[28] Nie P, Zhu H, Xu H,et al. Monitoring of Tianwan nuclear power plant thermal pollution based on remotely sensed landsat data [C]// Proceedings of the IGARSS 2020-2020 IEEE International Geoscience and Remote Sensing Symposium, F, 2020. IEEE.

[29] Ma P, Dai X, Guo Z,et al. Detection of thermal pollution from power plants on China's eastern coast using remote sensing data [J]. Stochastic Environmental Research and Risk Assessment, 2017,(31): 1957-1975.

[30] Bau H Y, Wu L C, Chuang L Z H. Detection of thermal effluent discharge using sea surface nautical radar images [J]. IEEE Geoscience and Remote Sensing Letters, 2012,10(3):612-616.

[31] 王 祥,王新新,蘇 岫,等.無人機平臺航空遙感監測核電站溫排水——以遼寧省紅沿河核電站為例 [J]. 自然資源遙感, 2018,30(4): 182-186. Wang X, Wang X X, Su X, et al. Thermal discharge monitoring of nuclear power plant with aerial remote sensing technology using a UAV platform: Take Hongyanhe Nuclear Power Plant, Liaoning Province, as example [J]. Remote Sensing for Land & Resources, 2018,30(4):182-186.

[32] 孫芹芹,張加晉,姬厚德,等.基于衛星和無人機的后石電廠溫排水分布研究 [J]. 應用海洋學學報, 2020,39(2):261-265. Sun Q Q, Zhang J J, Ji H D, et al. Distribution of thermal water around Houshi Power Plant based on landsat 8 and Uva study [J]. Journal of Applied Oceanography, 2020,39(2):261-265.

[33] Jiménez-Mu?oz J C, Sobrino J A. A generalized single‐channel method for retrieving land surface temperature from remote sensing data [J]. Journal of geophysical research: Atmospheres, 2003,108(D22):

[34] Wan Z, Dozier J. A generalized split-window algorithm for retrieving land-surface temperature from space [J]. IEEE Transactions on Geoscience and Remote Sensing, 1996,34(4):892-905.

[35] Wan Z M, Li Z L. A physics-based algorithm for retrieving land- surface emissivity and temperature from EOS/MODIS data [J]. IEEE Transactions on Geoscience and Remote Sensing, 1997,35(4):980-996.

[36] Liu F T, Ting K M, Zhou Z H. Isolation-based anomaly detection [J]. ACM Transactions on Knowledge Discovery from Data, 2012:6(1): 1-39.

[37] 董雙發,范 曉,石海崗,等.基于Landsat8和無人機的福清核電溫排水分布研究 [J]. 自然資源遙感, 2022,34(3):112-120. Dong S F, Fan X, Shi H G, et al. Study on distribution of thermal discharge in Fuqing nuclear power plant based on landsat8 and UAV [J]. Remote Sensing for Natural Resources, 2022,34(3):112-120.

[38] Feyisa G L, Meilby H, Fensholt R,et al. Automated water extraction index: a new technique for surface water mapping using Landsat imagery [J]. Remote Sensing of Environment, 2014,140:23-35.

[39] Liu F T, Ting K M, Zhou Z H. Isolation forest [C]//Proceedings of the 2008 Eighth Ieee International Conference on Data Mining, F, 2008. IEEE.

[40] Liu F T, Ting K M, Zhou Z H. Isolation-based anomaly detection [J]. ACM Transactions on Knowledge Discovery from Data (TKDD), 2012,6(1):1-39.

Research on automatic extraction method of thermal discharge.

ZHU Xiu-fang1,2*, LI Yuan3,4

(1.State Key Laboratory of Remote Sensing Science, Beijing Normal University, Beijing 100875, China；2.Institute of Remote Sensing Science and Engineering, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China；3.The Inner Mongolia Key Laboratory of River and Lake Ecology, Hohhot 010021, China；4.School of Ecology and Environment, Inner Mongolia University, Hohhot 010021, China)., 2023,43(11)：6115～6122

To solve the problems of low automation and poor timeliness of existing algorithms for remote sensing thermal discharge detection, this study proposes an automated extraction method for thermal discharge based on the single-temporal thermal infrared band, called IForest-SVM. The Fuqing Nuclear Power Plant in Fujian Province was taken as an example to test and verify the proposed method using four Landsat-8 remote sensing images from October 2018 to January 2019. IForest-SVM first uses isolation forest to automatically extract samples of thermal discharge and normal water bodies, then purifies the thermal discharge samples by their spatial adjacency relationship with discharge outlets. After that, a support vector machine is used to extract thermal discharge pixels, and misclassified pixels are removed based on their spatial adjacency relationship with discharge outlets to obtain the final spatial distribution of thermal discharge. The test results show that the average values of user accuracy and producer accuracy of thermal discharge detected by the proposed method on three images on November 15, 2018, December 1, 2018, and January 18, 2019 were 89.69%, 94.97%, and 90.04%, respectively. No false alarms occurred on the image without thermal discharge on October 30, 2018, effectively avoiding false detections. IForest-SVM only requires input of the thermal infrared band of remote sensing images without additional parameters, and has the advantages of good portability, strong applicability, and high automation. It has a good application potential in the real-time monitoring and rapid detection of thermal discharge.

isolation forest；anomaly detection；support vector machine；adjacency relationship；thermal discharge

X87

A

1000-6923(2023)11-6115-08

朱秀芳(1982-),女,浙江天合人,教授,博士,研究方向為遙感應用.發表論文160余篇.zhuxiufang@bnu.edu.cn.

朱秀芳,李 原.溫排水自動提取方法研究 [J]. 中國環境科學, 2023,43(11):6115-6122.

Zhu X F, Li Y.Research on automatic extraction method of thermal discharge [J]. China Environmental Science, 2023,43(11):6115-6122.

2023-03-21

國家自然科學基金資助項目(41292583)

* 責任作者, 教授, zhuxiufang@bnu.edu.cn