论文部分内容阅读
在我国水资源短缺、水质污染严重的大背景下,及时有效、科学合理的水质监测对于水体污染治理、水环境保护及公众安全具有重要意义。本文针对地表水质监测数据空间离散、空间覆盖面不足等问题,研究基于遥感影像的水质等级分类,实现覆盖整个水域空间的水质等级监测;针对遥感数据周期长、时效性低,并且地表水质监测成本随着采样次数增加不断攀升等问题,研究基于无线传感器网络(Wireless Sensor Network,WSN)气象监测数据的实时降雨量预测,提供准确的降雨预测信息;研究降雨与水质之间的关联关系,分析降雨对水质变化趋势的影响。基于降雨预测信息得到未来时刻的水质变化情况,用于调整地表水质监测站采样频率和水质监测参数,既提升监测数据的有效性,又控制监测成本增长,实现合理、高效的水质监测。论文的主要研究内容和贡献点如下:针对现有地表水质监测的局限性,研究基于易于获取、经济实用、空间上连续的遥感影像的水质等级分类。相比于常见的遥感水质参数反演,本文研究以遥感影像为输入,直接输出水质等级的分类模型。相比于自定义水质划分规则,本文的水质等级划分遵循国家地表水环境质量标准(GB3838-2002)。以洱海和巢湖为研究区,使用支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)和卷积神经网络(Convolutional Neural Network,CNN)等分类模型进行了对比实验,实验结果证明CNN可有效地用于遥感影像数据的水质等级信息提取。针对WSN采用的微机电系统(Micro Electro Mechanical System,MEMS)传感器固有存在的随机误差,导致测量值与实际值之间存在偏差的问题,设计了一套监测数据有效性检验流程。采用季节趋势分解算法(Seasonal and Trend decomposition using Loess,STL)提取监测数据和参照数据的趋势项,分析两组趋势数据的相似性,实验结果证明MEMS传感器监测数据是有效的。在此基础上,研究基于气象传感器监测数据的实时降雨量预测,以武汉和大理作为研究区,使用自回归滑动平均(Auto-Regressive and Moving Average,ARMA)、SVM、RF、反向传播神经网络(Back Propagation Neural Network,BPNN)和长短期记忆网络(Long Short-Term Memory,LSTM)等回归预测模型进行了对比实验,以平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square Error,RMSE)作为评价指标,实验结果证明,LSTM既能准确预测实时降雨量,也能有效地提取降雨季节性变化规律。最后,分析降雨与多种水质参数浓度变化的相关性,以洱海为研究区进行实验,实验结果表明,降雨与总磷、总氮、氨氮、溶解氧和化学需氧量浓度显著相关,降雨产生的径流会将工业废水、生活污水、农田污染物(如化肥、农药)等携带至水体,导致水质恶化,降雨与水质变化在时间维度上具有显著相关性。通过本文的研究,实现了覆盖整个水域空间的水质等级监测,证明了MEMS传感器监测数据的有效性,结合实时降雨量预测信息和降雨与水质之间的关联分析,为合理、高效的水质监测提供了一种新思路和新方法。