Αυτόματος εντοπισμός ύποπτων εκροών λυμάτων σε παράκτιες εκροές βάσει εικόνων Sentinel
Από RemoteSensing Wiki
Αυτόματος εντοπισμός ύποπτων εκροών λυμάτων σε παράκτιες εκροές βάσει εικόνων Sentinel-2
Automatic detection of suspected sewage discharge from coastal outfalls based on Sentinel-2 imagery
Συγγραφείς: Yuxin Wang, Xianqiang He, Yan Bai, Yingyu Tan, Bozhong Zhu, Difeng Wang, Mengyuan Ou, Fang Gong, Qiankun Zhu, Haiqing Huang
1. Εισαγωγή
Οι επίγειοι ρύποι που καταλήγουν στην θάλασσα από παράκτιες εκροές αποτελούν σημαντική απειλή για τα θαλάσσια οικοσυστήματα. Επειδή δεν είναι δυνατή η επιτόπια παρακολούθηση όλων των εκροών, με χρήση τεχνικών τηλεπισκόπισης είναι δυνατή η πιο αποτελεσματική παρακολούθηση των εκροών, παρακολουθώντας την ανακλαστικότητα των υδάτων. Ο σκοπός της μελέτης αυτής ήταν η ταξινόμηση των παράκτιων υδάτων ανά το χρώμα τους και ο εντοπισμός των υποπτευόμενων εκροών λυμάτων. Η μέθοδος ταξινόμησης που εφαρμόστηκε ήταν η random forest.
2 Δεδομένα και μέθοδος
2.1 Δορυφορικά δεδομένα
Εικόνες από πολυφασματικό δέκτη Sentinel-2 της ESA.
2.2 Ατμοσφαιρική διόρθωση των δορυφορικών δεδομένων
H ESA παρέχει ατμοσφαιρικά διορθωμένα προϊόντα. Όμως η ανακλαστικότητα στο κάτω μέρος της ατμόσφαιρας (BOA) δεν ισούται με την Rrs. Για την απόκτηση αυτής της ανακλαστικότητας έγινε συγκεκριμένη ατμοσφαιρική διόρθωση. Η διόρθωση αυτή βασίστηκε στην ανακλαστκότητα διορθωμένη από το φαινόμενο Rayleigh ρrc. Η μέθοδος έδωσε καλύτερα αποτελέσματα από άλλους αλγόριθμους ατμοσφαιρικής διόρθωσης.
2.3 Επιτόπιες μετρήσεις
Για την εξακρίβωση κι επαλήθευση των εκροών που εντοπίστηκαν από τις δορυφορικές εικόνες, ελήφθησαν και επιτόπιες μετρήσεις και δείγματα νερού (Σχήμα 1). Τα δείγματα όμως λόγω της φύσης του φαινομένου και της μεταβλητότητάς του εμπεριέχουν πολλές αβεβαιότητες. Σε εξακριβωμένες περιπτώσεις ρύπανσης συλλέχθηκαν οι ανακλαστικότητες Rrs(λ). Φάνηκε πως οι φασματικές υπογραφές των ρυπασμένων νερών διαφέρουν από την γενική φασματική συμπεριφορά του νερού. Για την εκπαίδευση του αλγορίθμου χρειάστηκαν ποικίλα δεδομένα.
3. Ανάπτυξη της μεθόδου αυτόματου εντοπισμού ύποπτων εκροών λυμάτων
3.1 Συστάδα φασμάτων
Υπολογίστηκε η ομαλοποιημένη Rrs(λ) για 9 κανάλια. Αρχικά εφαρμόστηκε μη επιβλεπόμενη ταξινόμηση για την πρώτη ομαδοποίηση. Επιπλέον, εφαρμόστηκαν αλγόριθμοι ασαφούς c-means και K-means. Ο αλγόριθμος επέλεξε κέντρα ομάδων και ανάθεσε παρατηρήσεις σε διαφορετικές ομάδες με γνωστό αριθμό. Ο αριθμός των ομάδων ελέγχθηκε με το κριτήριο Davies-Bouldin. Βάσει αυτού και των τύπων νερών των Forel-Ule, επιλέχθηκαν 14 ομάδες ως ο βέλτιστος αριθμός. Στις 14 αυτές ομάδες εντάχθηκαν 9103 μετρήσεις Rrs(λ) (Σχήμα 2).
Οι ομάδες 1-4 είχαν χαρακτηριστικά καθαρού νερού, οι 5-10 θολού νερού, οι 11,12 ψηλή συγκέντρωση χλωροφύλλης, η 13 είχε πολλά αιρούμενα στερεά και οι 14 ήταν αυτή με τα υποπτευόμενα ρυπασμένα νερά.
3.2 Εκπαίδευση του μοντέλου
Στην μελέτη αυτή επιλέχθηκαν 15 φασματικά χαρακτηριστικά ως δεδομένα εισόδου στο μοντέλο: 9 nRrs(λ) για τα κανάλια 1-8a και 6 φασματικοί δείκτες (Σχήμα 3). Αυτές οι παράμετροι αύξησαν την φασματική διαχωριστικότητα ανάμεσα στους τύπους των νερών. Για τον προσδιορισμό των καλύτερων παραμέτρων έγιναν πολλές δοκιμές, με διαφορετικές παραμέτρους. Εν τέλη η RF που υλοποιήθηκε είχε 1800 δέντρα, μέγιστο αριθμό χαρακτηριστικών τα 15, μέγιστο βάθος τα 20 και ελάχιστο αριθμό διαίρεσης δειγμάτων το 2. Η ακρίβεια του μοντέλου ελέγχθηκε με πίνακα σύγχυσης με αληθείς τάξεις αποκτημένες από ομαδοποίηση K-means + + και τις τάξεις που πρόβλεψε το μοντέλο RF. Ο πίνακας έδωσε σχεδόν 100% ακρίβεια.
4. Έλεγχος μοντέλου και εφαρμογή
4.1 Έλεγχος της εκτέλεσης του μοντέλου
Για τον έλεγχο των μοντέλου χρησιμοποιήθηκαν 2 τυπικά γεγονότα ID#1 και ID#4 (Σχήμα 1). Για το ID#1 τα αποτελέσματα της ταξινόμησης έδωσε τύπο διαφάνειας νερού 14. Η επιτόπια επιβεβαίωση έδωσε συγκέντρωση αμμωνιακού αζώτου στα 23.2mg/L και συνολικά φωσφορικά στα 0.84mg/L ποσοστά πολύ υψηλότερα των επιτρεπτών.
Για το συμβάν #4 η ταξινόμηση έδωσε τύπο διαφάνειας νερού 14 στην 30 Ιουλίου 2018 και τύπο 12 στις 14 Ιουλίου του 2021. Κατά τον επιτόπιο έλεγχο οι συγκεντρώσεις των νιτρικών, αμμωνιακών και φωσφορικών ήταν 6.02mg/L, 2.94mg/L και 0.35mg/L αντίστοιχα. Συνεπώς το μοντέλο αυτό είναι ικανό να ανιχνεύει προβλήματα.
4.2 Εφαρμογή του μοντέλου
Το μοντέλο ταξινομεί τα pixel στην ακτογραμμή σύμφωνα με τον οπτικό τύπο του νερού. Τα λύματα εντοπίζονται καθώς το ρυπασμένο νερό έχει αντίθεση με το καθαρό. Η διανομή των τύπων του νερού ως προς τη διαφάνειά τους (Σχήμα 6) δείχνει θολότητα κοντά στην ακτή. Η διαρροή λυμάτων εντοπίζεται εύκολα καθώς οι εικόνες ανανεώνονται κάθε 6 ώρες.
5. Σύνοψη
Η ευρεία γνώση σχετικά με την ποιότητα των υδάτων και τους κινδύνους από τη ρύπανση είναι ζωτικής σημασίας. Τα λύματα μπορούν να ανιχνευθούν με ταξινόμηση φασματικών κατηγοριών. Επιπλέον το μοντέλο αυτό μπορεί αυτόματα να διορθώσει ατμοσφαιρικά δορυφορικές εικόνες και να πραγματοποιήσει ταξινόμηση. Συμπληρωματικά με επιτόπιες μετρήσεις είναι δυνατή η περαιτέρω βελτίωση της ακρίβειας του μοντέλου. Συγκριτικά με ταξινομήσεις καλύψεων γης, η ταξινόμηση του νερού είναι δυσκολότερη λόγω της μικρότερης ανακλαστικότητας του. Επίσης, λόγω της έλλειψης δεδομένων για την υφιστάμενη κατάσταση η πρώιμη μη επιβλεπόμενη ταξινόμηση με τον k means μπορεί να εμπεριέχει αβεβαιότητες. Τέλος το μοντέλο αυτό απέδειξε την χρησιμότητα της τηλεπισκόπισης για την παρακολούθηση περιβαλλοντικών ζητημάτων.
