一种湖泊异常动态监测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供了一种湖泊异常动态监测方法、装置、电子设备及存储介质，综合考虑湖泊的形态及其水质特征，基于可靠的大数据分析平台获取大量历史数据，并结合先验知识判断湖泊变化的合理范围，避免异常情况的误判，最终实现湖泊异常的高效实时监测，为湖泊生态环境应急管理提供科学有效的数据支撑。理提供科学有效的数据支撑。理提供科学有效的数据支撑。

【技术实现步骤摘要】
一种湖泊异常动态监测方法、装置、电子设备及存储介质


[0001]本专利技术涉及卫星遥感
，具体而言，涉及一种湖泊异常动态监测方法、装置、电子设备及存储介质。

技术介绍

[0002]异常检测主要指对不匹配预期模式或数据集中其他项目的项目、事件或观测值的识别，在数据挖掘领域广泛应用。湖泊异常一般指在自然或人为因素的影响下，湖泊水体的稳定状态发生异常变化的现象。湖泊异常监测则指对长时间序列的湖泊水体进行异常检测，及时识别湖泊旱涝灾害、水体污染等异常现象的发生及其时空分布特征，为湖泊环境应急管理提供及时高效的数据支撑。
[0003]常用的湖泊水体异常监测方法包括实测法与遥感法。其中，实测法通过对湖泊水体进行实地采样、实验室化验等方法，对湖泊水体进行长期监测并识别其异常情况。该方法能够精确地测量样本中的污染物类型及其含量，但耗时耗力，所需人力成本高，且获取的水体样本在时间与空间上均具有较大的局限性，难以实现对长时间、大面积湖泊水体的测量。遥感法基于(不同水质状况的)水体对太阳辐射特定的光谱响应特征，能够快速实现水体识别与水质反演，同时具有覆盖面积广、重访周期快、实时显示地物特征等优势，是当前湖泊水体异常监测最广泛应用的方法。
[0004]目前基于遥感的水体异常监测方法多基于水质参数进行反演，而对湖泊形态，尤其是其岸线形态的判断较少。湖泊的面积、水位、水量等参数特征，是湖泊空间分布特征的重要表达维度和湖泊生态健康程度的直观体现。因此，从湖泊水体的形态与水质两方面开展湖泊监测对更全面地识别湖泊异常状况具有关键意义。同时，当前的湖泊异常监测多针对于数量有限的遥感数据开展分析，仅将发生变化的情况识别为“异常”。然而，湖泊水体具有季节性变化特征，不同区域、季节的气候特征、河流径流等均会对湖泊水质水量产生影响，当其在一定范围内正常浮动时，若将其识别为湖泊异常状况并开展大规模验证识别工作，会大量消耗不必要的人力物力。因此，对湖泊形态及水质参数进行有效的异常检测至关重要。此外，由于遥感数据，尤其是中高分辨率的遥感数据量庞大，对海量历史数据及当前持续增多的影像数据的本地获取、预处理、计算、存储等均需投入大量的人力物力，导致当前基于中高分辨率数据的湖泊异常监测方法自动化程度较低，难以实现有效、细致的动态监控。
[0005]因此，如何提供一种更高效的湖泊异常动态监测方法，是目前亟待解决的问题。

技术实现思路

[0006]为了改善上述问题，本专利技术提供了一种湖泊异常动态监测方法、装置、电子设备及存储介质。
[0007]本专利技术实施例的第一方面，提供了一种湖泊异常动态监测方法，所述方法包括：
[0008]获取目标湖泊的长时序中高分辨率遥感反射率数据，具体包括目标时间的反射率
数据以及历史时序的反射率数据；
[0009]根据所述反射率数据，获取历史时序的湖泊形态与水质情况以及目标时间的湖泊形态与水质情况；
[0010]分别基于形态特征标准和水质特征标准，进行湖泊变化异常检测；
[0011]如果检测结果异常，获取历史原始数据进行核查，进行湖泊异常的判定及其具体指标的判定；
[0012]进行异常因素识别及其区域划分；
[0013]获取异常指标的实测定性与定量数据，对湖泊异常及其对应指标进行复核。
[0014]可选地，对应湖泊形态的形态特征标准通过湖泊岸线发育系数与水体空间包容面积获得，根据反射率数据获取湖泊形态的方法包括：
[0015]基于归一化水体指数NDWI识别湖泊水体范围；
[0016]根据识别结果计算湖泊的面积S与周长L；
[0017]分别计算湖泊岸线发育系数SDI和水体空间包容面积ΔS
[0018][0019][0020]可选地，对应水质情况的水质特征标准通过水体透明度、叶绿素a和化学需氧量获得，
[0021]水体透明度Z
SD
的反演模型为：
[0022]Z
SD
＝a
×
R
B
+b；
[0023]叶绿素a Chl
‑
a的反演模型为：
[0024][0025]化学需氧量COD的反演模型为：
[0026]COD＝e
×
R
G
+f
×
R
R
+g
×
R
NIR
+h；
[0027]其中，R
B
为中高分辨率遥感影像在430nm处的蓝光波段的地表反射率数据，R
NIR
和R
R
分别为近红外和红光波段的地表反射率数据，R
G
为绿光波段的地表反射率数据，R
R
为红光波段的地表反射率数据，a、b、c、d、e、f、g、h为目标湖泊的模拟参数。
[0028]可选地，所述分别基于形态特征标准和水质特征标准，进行湖泊变化异常检测的步骤，包括：
[0029]基于历史时序得到包含t个时刻的时间序列数据X＝{x1，x2，...，x
t
}，其中每个参数对应一个时刻的数据；
[0030]当基于形态特征标准时展开时，形态特征仅包含时间特征，每个参数对应一组时间序列数据；当基于水质特征标准展开时，水质特征包含时间特征与空间特征，每个时刻对应由多个像元组成的栅格数据，其中每个像元都具有一组对应参数的时间序列数据；
[0031]将包含t个时刻的时间序列数据作为输入，对LSTM模型进行训练；
[0032]基于训练后的模型对目标时间的湖泊形态与水质情况进行预测；
[0033]将预测结果与获取的目标时间的湖泊形态与水质情况进行对比，判断是否存在湖
泊异常。
[0034]可选地，所述将包含t个时刻的时间序列数据作为输入，对LSTM模型进行训练的步骤，具体包括：
[0035]基于滑动窗口的方法，将长时间序列X＝{x1，x2，...，x
t
}的指标数据分割成多个相同长度的短序列，作为特征向量输入网络进行训练。
[0036]可选地，所述将预测结果与获取的目标时间的湖泊形态与水质情况进行对比，判断是否存在湖泊异常的步骤，具体包括：
[0037]计算获取的实际值与训练后模型的预测值之间的误差；
[0038]通过预测误差在高斯分布上的概率来检测当前参数是否为异常值。
[0039]可选地，所述进行异常因素识别及其区域划分的步骤，具体包括：
[0040]如果是形态特征异常，则异常因素识别的内容包括异常发生的具体参数，即湖泊岸线发育系数或水体空间包容面积；
[0041]如果是水质特征异常，则异常因素识别的内容包括异常发生的具体参数即水体透明度、叶绿素a或化学需氧量，以及出现水质特征异常对应像元的具体位置。
[0042]本专利技术实施例的第二方面，提供了一种湖泊异常动态监测装置，所述装置包括：
[0043]数据获取单元，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种湖泊异常动态监测方法，其特征在于，所述方法包括：获取目标湖泊的长时序中高分辨率遥感反射率数据，具体包括目标时间的反射率数据以及历史时序的反射率数据；根据所述反射率数据，获取历史时序的湖泊形态与水质情况以及目标时间的湖泊形态与水质情况；分别基于形态特征标准和水质特征标准，进行湖泊变化异常检测；如果检测结果异常，获取历史原始数据进行核查，进行湖泊异常的判定及其具体指标的判定；进行异常因素识别及其区域划分；获取异常指标的实测定性与定量数据，对湖泊异常及其对应指标进行复核。2.根据权利要求1所述的湖泊异常动态监测方法，其特征在于，对应湖泊形态的形态特征标准通过湖泊岸线发育系数与水体空间包容面积获得，根据反射率数据获取湖泊形态的方法包括：基于归一化水体指数NDWI识别湖泊水体范围；根据识别结果计算湖泊的面积S与周长L；分别计算湖泊岸线发育系数SDI和水体空间包容面积ΔS分别计算湖泊岸线发育系数SDI和水体空间包容面积ΔS3.根据权利要求2所述的湖泊异常动态监测方法，其特征在于，对应水质情况的水质特征标准通过水体透明度、叶绿素a和化学需氧量获得，水体透明度Z
SD
的反演模型为：Z
SD
＝a
×
R
B
+b；叶绿素a Chl
‑
a的反演模型为：化学需氧量COD的反演模型为：COD＝e
×
R
G
+f
×
R
R
+g
×
R
NIR
+h；其中，R
B
为中高分辨率遥感影像在430nm处的蓝光波段的地表反射率数据，R
NIR
和R
R
分别为近红外和红光波段的地表反射率数据，R
G
为绿光波段的地表反射率数据，R
R
为红光波段的地表反射率数据，a、b、c、d、e、f、g、h为目标湖泊的模拟参数。4.根据权利要求3所述的湖泊异常动态监测方法，其特征在于，所述分别基于形态特征标准和水质特征标准，进行湖泊变化异常检测的步骤，包括：基于历史时序得到包含t个时刻的时间序列数据X＝{x1，x2，...，x
t
}，其中每个参数对应一个时刻的数据；当基于形态特征标准时展开时，形态特征仅包含时间特征，每个参数对应一组时间序列数据；当基于水质特征标准展开时，水质特征包含时间特征与空间特征，每个时刻对应...

【专利技术属性】
技术研发人员：夏沐，高世雄，元慕田，王志强，任璐，蒋红与，张佩瑶，薛晓飞，关春雨，
申请(专利权)人：北控水务中国投资有限公司，
类型：发明
国别省市：