基于GEE的松花江流域黑龙江省段水质监测方法研究.pdfVIP

目录

第1章绪论1

1.1选题背景与研究意义1

1.2相关研究进展3

1.2.1基于遥感的水质等级分类方法研究3

1.2.2基于机器学习的水质等级分类方法的研究4

1.3研究内容及技术路线5

1.3.1研究内容5

1.3.2技术路线6

第2章研究区概况及数据来源8

2.1研究区概况8

2.1.1地理位置8

2.1.2自然条件9

2.1.3社会经济状况9

2.2数据来源9

2.2.1遥感影像数据9

2.2.2地表实测水质等级数据10

第3章数据处理13

3.1遥感影像预处理13

3.2遥感影像与水质等级数据时空配准15

3.3遥感影像融合17

第4章样本数据库建立19

4.1基于Python爬虫数据的实测数据抓取方法19

4.2基于特征选择的分类模型19

4.3基于GEE的样本库建立21

第5章基于传统机器学习模型的水质分类26

5.1传统机器学习分类模型26

5.2支持向量机模型建立与水质分类29

5.3随机森林模型建立与水质分类29

5.4决策树模型建立与水质分类30

第6章水质等级分类反演结果与分析31

6.1水质等级分类结果31

6.2水质等级反演结果与分析32

6.3本章小结35

第7章结论与展望36

7.1研究内容总结36

7.2不足与展望37

参考文献38

摘要

摘要

随着社会经济快速发展和人类排污活动的增加，导致区域水环境污染，严重

威胁农产品和饮用水安全，水质监测对于区域水环境治理决策、水环境保护以及

公众安全具有重要意义。本文针对水质监测数据缺失、空间离散且覆盖面不足等

问题，研究基于GoogleEarthEngine（GEE平台）的水质等级遥感反演，直接对数

据集进行在线分析，适用于长时间序列的研究，实现小样本下的水质长时序实时

动态监测;针对遥感影像周期长、时效低问题，研究基于两种遥感影像作为数据源

的水质等级反演，以此解决使用单一遥感影像周期长以及时效短导致样本数量少

问题，从而扩充样本数据。论文的主要研究内容和贡献点如下：

针对地表水质监测的局限性，研究基于空间连续、易于获取、经济实用的遥

感数据作为数据源，进行水质等级反演。相比常见的使用单一的遥感数据源进行

遥感水质参数反演，本文使用两种遥感影像作为模型的输入，直接输出水质等级

分类模型。由于水资源分布空间和时间上不均衡，相比于自定义水质划分规则，

本文的水质等级划分遵循地表水环境质量标准（GB3838-2002），且在水质等级比

例不均衡的基础上，采用扩充样本的方式根据该标准将水质等级划分为五类，相

比大多数研究将水质等级分类作为一个三分类问题，严格按照相应的水域功能划

分，水质等级划分更加精确。

为了验证在同时输入OLI传感器与结合MSI传感器融合后新生成的五个相同

波段作为输入变量的准确性，设计对比实验(correlativeexperiment)。通过对比结果

的比较分析，来探究输入变量与模型之间的关系，实验结果证明与Sentinel2进行

融合后的新产生的五个波段作为模型的输入变量能够提高模型的准确率，使用高

分辨率影像来进行插补缺失值的模型，能够更好的进行水质等级预测。在此基础

上以松花江流域黑龙江省段为研究区，使用SVM、RF、CART三种机器学习模型，

OverallAccuracy,OAKappa

进行了对比实验，以分类精度（）和系数作为评价指标，

实验结果证明光谱信息与水质等级之间具有相关性，RF具有最高的分类性能，可

以较好的模拟松花江流域黑龙江省段水质变化。

通过本文的研究，实现了长时序实时的水质等级监测，结果表明相比CART、

SVM，RF反演模型的性能最佳，准确率为约79.17%，精确