入海河口及上游河流污染水体遥感监测研究

【摘要】：为了响应十四五规划提出的陆海统筹,切实保障入海河流水质安全,保护与改善海洋生态环境,对入海河口及上游河流污染水体进行实时动态的监测是当务之急。但是由于近岸海域水体条件复杂,传统方法难以大面监测污染水体的时空变异性;另一方面,目前主流的黑臭水体识别模型由于黑臭水体具有较强地域性,对于污染水体的普适性不佳,并且识别精度不稳定,有时难以提取。因此,为了克服这些问题,本文基于Sentinel-2卫星的瑞利校正反射率(Rayleigh-corrected reflectance,R_(rc))数据建立了江苏省东台市沿岸的入海排污口水体提取模型,实现对非近岸的城市污染水体与近岸的排污水体的全自动长期实时监测,另外,基于机器学习算法,利用GF-2卫星的R_(rc)数据建立了江苏省的污染水体识别模型。主要研究内容如下:(1)将GF-2卫星数据的解压、正射校正、辐射定标、图像融合和瑞利校正5步预处理过程自动化、批量化,从而极大程度上避免了因前期数据处理的庞大工作量造成的人力和物力的损耗,提高了整体的工作效率。与主流软件ENVI与Acolite的瑞利校正结果具有良好的一致性,结果可信。(2)以江苏省东台市部分沿岸浅滩区域的入海口为研究对象,使用Sentinel-2卫星R_(rc)数据分析排污口排放的污染水体与其他地物的光谱差异,建立了基于比值指数与色度法的入海排污口污染水体决策树识别模型,并将其应用于2017至2020年的卫星数据,用以分析该区域排放污染水体的月分布变化特征。分析结果表明,入海排污口在1月、8月和9月排放最少,而在6月、10月和11月排放较多;大部分排放的水体入海后向北流动,除在夏季是受东南季风影响而北流外,春季的北向流动趋势是受长江口延伸的潮波产生的向北潮应力影响。(3)基于GF-2遥感数据选取了水体丰富具代表性的图像,通过图像增强突出了水体的形态特征并集结成训练样本库,用于训练及验证深度学习算法中的U-net模型。经过迭代训练,模型精度较高且性能稳定。用图像验证模型效果并与传统指数方法对比,发现传统方法提取效果不佳,而U-net模型除了有极小部分为建筑阴影误提取外,总体水体识别精度较高。开展模型的应用与分析发现即使在背景地物类别复杂、干扰项较多时,利用U-net模型也能较为准确地提取出水体区域。(4)利用GF-2R_(rc)的光谱特征,分析正常水体及城市污染水体的光谱差异,采集了丰富且可靠的样本光谱库,用机器学习算法中常用的神经网络、随机森林及支持向量机分别进行污染水体识别模型的训练及验证。结果表明,随机森林模型的表现更加稳定,不仅对污染水体的提取结果与实际较为一致,并且也不会对池塘、灌溉农田等正常水体的产生较多误判。