Χαρτογράφηση παραμέτρων ποιότητας νερού σε αστικούς ποταμούς από υπερφασματικές εικόνες χρησιμοποιώντας μια...

Από RemoteSensing Wiki

Αντικείμενο εφαρμογής: Χαρτογράφηση παραμέτρων ποιότητας νερού σε αστικούς ποταμούς από υπερφασματικές εικόνες χρησιμοποιώντας μια νέα επιλογή αυτοπροσαρμογής πολλαπλών τεχνητών νευρωνικών δικτύων.

Πρωτότυπος τίτλος: Mapping Water Quality Parameters in Urban Rivers from Hyperspectral Images Using a New Self-Adapting Selection of Multiple Artificial Neural Networks (SSNN)

Συγγραφέας: Yishan Zhang1, Lun Wu1,Huazhong Ren1, Yu Liu1,Jiaji Dong1, Yongqian Zheng2, Yaowen Liu2

1) Institute of Remote Sensing and Geographical Information Systems, School of Earth and Space Sciences,Peking University, Beijing 100871, China; ys_zhang@pku.edu.cn (Y.Z.); liuyu@urban.pku.edu.cn (Y.L.);dongjiaji@pku.edu.cn (J.D.)

2) Shenzhen Huahan Technology Company, Shenzhen 518057, China; mavincheng@hotmail.com (Y.Z.);liuyaowen19920208@163.com (Y.L.)

Πηγή: https://www.mdpi.com/2072-4292/12/2/336/htm

Λέξεις κλειδιά: μόλυνση ποταμων, τεχνητά νευρωνικά δίκτυα, ποιότητα νερού

• Εισαγωγή

Ο πιο παραδοσιακός τρόπος παρακολούθησης ή ποσοτικής πρόβλεψης της ποιότητας του νερού των ποταμών είναι η τεχνιτή δειγματοληψία χημικών ουσιών που επηρεάζουν την ποιότητα του νερού και η χρήση ενός σημείου για την αντικατάσταση της παρακείμενης περιοχής του για τον προσδιορισμό του επιπέδου περιεκτικότητας πολλών ουσιών σε μικρές περιοχές, που είναι απαιτητική σε εργασία και χρόνος και παρόλα αυτά αναποτελεσματική. Τα τελευταία χρόνια, χρησιμοποιήθηκε τυχαία τεχνητή δειγματοληψία για τον προσδιορισμό της ρύπανσης των υδάτων, όπου οι τεχνικοί εργαστηρίου επιλέγουν τυχαία δείγματα νερού για χημικές και φυσικές δοκιμές για να συνοψίσουν το επίπεδο ρύπανσης των υδάτων σε ολόκληρη την περιοχή. Οι μέθοδοι που χρησιμοποιούνται συνήθως για την ποσοτική πρόβλεψη παραμέτρων ποιότητας νερού περιλαμβάνουν εμπειρικές μεθόδους, όπως ανάλυση πολυφασματικών δεικτών, ημι-αναλυτικές μεθόδους, όπως ανάλυση υπερφασματικού δείκτη, και μέθοδοι βαθιάς μάθησης, όπως ανάλυση τεχνητού νευρικού δικτύου (ANN).

• Περιοχή μελέτης και δεδομένα

Η πόλη Zhongshan βρίσκεται στην επαρχία Γκουανγκντόνγκ, που είναι το νοτιοανατολικό τμήμα της Κίνας και περιβάλλεται από τον ποταμό Shiqi στη μέση με μήκος 46 χλμ. Ο ποταμός Shiqi επηρεάζεται από τη γεωργία που βρίσκεται στις όχθες του ποταμού, στην οποία ρέουν υπολείμματα φυτοφαρμάκων και λιπασμάτων. Η αλιευτική βιομηχανία στις όχθες του ποταμού έχει μερικά ερείπια ζωοτροφών που διαρρέουν στον ποταμό.Ορισμένες ελαφριές βιομηχανίες, όπως τα κλωστοϋφαντουργικά προϊόντα, συνεισφέρουν ρύπους στον ποταμό. Αυτή η μελέτη θα χρησιμοποιήσει τα δεδομένα παραμέτρων της επιφάνειας του υπόγειου νερού και των παραμέτρων ποιότητας του νερού για να εκπαιδεύσει και να δοκιμάσει ένα μοντέλο SSNN (αυτοπροσαρμοζόμενη επιλογή νευρωνικών δικτύων) και στη συνέχεια θα εφαρμόσει το νέο δίκτυο για να χαρτογραφήσει τις παραμέτρους ποιότητας του νερού από δεδομένα υπερφασματικής εικόνας UAV. H φασματική ανάκλαση της επιφάνειας του υπόγειου νερού συλλέχθηκε χρησιμοποιώντας ASD (αναλυτική φασματική συσκευή) . Το ASD που χρησιμοποιείται είναι FS HH 325-1075, με μήκη κύματος που κυμαίνονται από 325 nm έως 1075 nm. Συλλέχθηκε ένα μπουκάλι νερό με όγκο δείγματος 500 mL στο σημείο δειγματοληψίας της μέτρησης της ανάκλασης της επιφάνειας του νερού και διατηρήθηκε σε σκιασμένο περιβάλλον πριν από τις εργαστηριακές χημικές δοκιμές την ίδια ημέρα. Το UAV που χρησιμοποιείται είναι DJI M600 που έχει χωρητικότητα φόρτωσης 6 kg, υψηλότερο ύψος πτήσης 2500 m, ακρίβεια ανάρτησης 0,5 m σε κατακόρυφη κατεύθυνση και 1,5 m σε οριζόντια κατεύθυνση, μέγιστη ταχύτητα 18 m / s και Lightbridge 2 ως υψηλή. Σύστημα μετάδοσης ψηφιακής μορφής ποιότητας και το υπερφασματικό σύστημα απεικόνισης UAV είναι το Gaia Sky-mini, με συσκευή σάρωσης ώθησης σε εικόνα μήκους κύματος 270 που κυμαίνεται από 401,81 nm έως 999,28 nm, 12 bits, με ύψος 120 m στον ουρανό με Ανάλυση 40 cm.

• Mεθοδολογία

Το προτεινόμενο μοντέλο SSNN αποτελείται κυρίως από τρία μέρη, συγκεκριμένα, ANN(τεχνικό νευρικό δίκτυο) , γραμμική παλινδρόμηση και μηχανή ανάδρασης. Το ANN βασίζεται σε παραδοσιακά ANN αριθμητικής πρόβλεψης, συμπεριλαμβανομένης της επιλογής χαρακτηριστικών ζωνών, σταδιακής υποτροπής και συσχέτισης βάρους. Η γραμμική παλινδρόμηση έχει σχεδιαστεί για συντονισμό των τελικών αποτελεσμάτων. Μια μηχανή ανατροφοδότησης είναι αφιερωμένη στην αυτοπροσαρμογή του μοντέλου SSNN, ενημερώνοντας τις ρυθμίσεις για τη δομή ANN, όπως ο αριθμός των κρυφών στρωμάτων, η λειτουργία ενεργοποίησης και ο αριθμός των νευρώνων κάθε κρυμμένου στρώματος. Η προτεινόμενη μέθοδος παρακολούθησης της ποιότητας του νερού που σχετίζεται με το ANN πραγματοποιεί αριθμητική πρόβλεψη σχετικά με τις παραμέτρους ποιότητας του νερού. Ορισμένες άλλες μέθοδοι, όπως συνδυασμένα βάρη συσχέτισης και η μηχανή ανατροφοδότησης,ενσωματώνονται στο παραδοσιακό ANN για να βελτιώσουν ποσοτικά την ακρίβεια των προβλέψεων βάσει προηγούμενης μελέτης.

• Αποτελέσματα

Σε αυτή τη μελέτη, τα επίπεδα περιεκτικότητας κυμαίνονται σε φώσφορο από 0,09 mg / L έως 0,52 mg / L, σε άζωτο από 0,09 mg / L έως 5,37 mg / L, σε COD(ζήτηση χημικού οξυγόνου) από 5,0 mg / L έως 58,0 mg, σε BOD (ζήτηση βιοχημικού οξυγόνου) από 1,0 mg / L έως 13,9 mg / L, σε θολότητα από 10 NTU έως 97 NTU και σε Chla (χλωροφύλλη) από 3 μg / L έως 238 μg / L.

• Συμπεράσματα

Σε αυτή τη μελέτη, το προτεινόμενο SSNN είναι μια γενική μέθοδος που χρησιμοποιείται για την πρόβλεψη παραμέτρων ποιότητας νερού, συμπεριλαμβανομένων φωσφόρου, αζώτου, BOD, COD, θολότητας και Chla . Η προτεινόμενη μέθοδος είναι ανώτερη από τη συμβατική μέθοδο ANN-BP με μια σταθερή και απλή δομή που ταιριάζει μόνο στα εκπαιδευτικά της δεδομένα. Επιπλέον, η προτεινόμενη μέθοδος συνδυάζει ταυτόχρονη δειγματοληψία UAV και εδάφους και χρησιμοποιεί ένα βελτιωμένο ANN-BP για την πρόβλεψη του επιπέδου περιεχομένου των προαναφερόμενων παραμέτρων ποιότητας νερού υπό τροποποιημένη ανάκλαση νερού. Τα δεδομένα υπερφασματικής εικόνας πρέπει να μεταφερθούν για να ταιριάζουν με τα δεδομένα ανάκλασης εδάφους ASD σε κάθε μήκος μήκους κύματος, καθώς η εκτίμηση για κάθε παράμετρο ποιότητας νερού με βάση την ανάκλαση έχει αποδειχθεί από προηγούμενες μελέτες. Η εκτίμηση των παραμέτρων ποιότητας του νερού μέσω της χαμηλής αξίας ανάκλασης του νερού είναι σχετικά δύσκολο να επιτευχθεί επειδή το επίπεδο περιεκτικότητας των παραμέτρων ποιότητας του νερού είναι σχετικά χαμηλό στον ποταμό Shiqi. Έτσι, η εκτίμηση της ποιότητας του νερού από υπερεκτατικά δεδομένα τηλεπισκόπησης λαμβάνει τεχνικά αδύναμα σήματα. Επομένως, πρέπει να διασφαλίζεται η υψηλή ποιότητα των λαμβανόμενων δεδομένων UAV.