文摘

本研究提出了一种比较三种实时成像方法的评价预测选民叶绿素——光学活性的水一个(排名)一个)、浊度、悬浮颗粒物(SPM),水库水的颜色。陆地卫星的成像模型包括ETM +企业和近红外光谱(VNIR)数据和EyeOnWater HydroColor智能手机传感器的应用。估计选中的水质参数(WQP)从陆地卫星ETM + -VNIR,基于实证关系的预测模型。从原位测量和陆地卫星回归模型,结果从远程相对于红光ETM +绿色,蓝色,NIR独立产生的背影——最适合各自的预测一个、浊度和SPM。的背影- - -的浓度一个是来自于陆地卫星ETM +和HydroColor各自的皮尔森相关系数0.8977和0.8310。浊度的程度是决定从陆地卫星,EyeOnWater, HydroColor各自值为0.9628、0.819和0.8405。从相同的模型,获取SPM退化与实验室测量值的结果0.6808,0.7315,和0.8637,分别从陆地卫星ETM + EyeOnWater, HydroColor。实证研究结果表明,成像模型可以有效地应用于物理WQP估计。

1。介绍

可持续供水,需要连续监测现有的和可用的水资源的质量。这样做的原因是,地表水的质量不断恶化,部分是由于不断增长的人口和相关活动,如增加城市化和工农业增长。因此,内陆水体,尤其是湖泊和水库面临增加的用水需求,因此面临着广泛的人为输入的营养和沉积物1]。为了解决这种现象,成为必要的水质量评估,应该进行计划和管理。在这个过程中水资源可持续管理、常规和准确的水质监测中起着重要作用[2,3]。

常规水质评估通过原位采样和实验室分析的测量方法包括物理、化学和生物性能和指标。然而,原位水水质参数的采样和随后的测量(WQP)只能代表点的估计时间和空间的水环境质量,因此,获取大型水体水质指标的时空变化几乎是不可能主要是由于成本的限制(4]。除了费时、劳动密集型和昂贵,一些很大的局限性与传统水质评价方法还包括无法监控、预测和管理整个水体由于水面程度及其地形特征和时空数据的缺乏。其次是两个与现场取样和实验室测量相关的错误可能会导致不准确和低精度的现场数据分析结果。为了克服这些限制,需要快速、便宜,操作简单,自动化,无创技术和生产力的水生环境监测5]。测量和观察用这样的工具应提供必要的信息对biogeophysical水质方面(5),通常可用的时尚和经济,和足够的空间范围和空间分辨率。

地表水体反射率水库和湖泊等直接关系到水中的微粒和溶解的材料列。这意味着自然水域的固有颜色是由光谱特征和溶解的浓度和悬浮有色化合物。关于水质状态,这样,信息的光或透明度和色彩,最重要的是理解和确定条件和水生环境的变化。值得注意的是,有三个主要组件,改变颜色和影响水体的透明度6]:有色溶解有机物(我),(2)沉积物负载(总悬浮物质),和(3)生物活性总值一般通过叶绿素浓度估计。

明显的颜色自然水域的水生环境的一个方面可以很容易地发现和是一个重要的补充光学水质指标。已经表明,水或获得的光学测量的表观颜色直接正比于这些水质变量(例如,2,7])。主colour-producing代理包括光学活性的成分,如无机悬浮颗粒物质(SPM或矿产固体),颗粒有机物(POM或浮游植物的叶绿素一个的背影,浓度(一个最丰富的色素),有色溶解有机物(CDOM),也称为gelbstoff。悬浮颗粒物的浓度有很大影响水体的反射,和反向散射系数的大小将直接非线性对反射率的影响。由此,物理、化学和生物学性质及指标的水可以直接或间接派生而来。

另一方面,叶绿素的存在一个(排名)一个),一个光学活性的水组成,表明水体的营养状态,因为它作为营养浓度之间的联系,特别是磷、藻类生产。的背影,一个反映出绿色,因为它吸收了大部分能量从紫蓝色和橘红色光波长,其反射导致叶绿素呈现出绿色。几项研究已经表明,增加的背影一个浓度导致减少在短的波长的光谱响应,特别是在蓝带(例如,8,9])。而水的浊度是一种光学属性散射和吸收光而不是直线传播,悬浮沉积物负责大部分的散射,而吸收的背影——的控制一个和有色溶解或悬浮微粒(10]。水浊度主要是悬浮物的存在的结果,浊度测定通常是用来计算河流悬沙浓度和通常被认为是相反的清晰的11]。

利用遥感、光学活性的水成分能被探测到的基于他们的交互与光和随后的变化在入射辐射的能量反射的水体(4]。水质参数的检测原理使用成像是基于事实,污染物在水中分散和吸收传入的太阳辐射,和水的质量可以与水的光学特征列,如颜色和透明度12]。这意味着光学数据可以提供一个可供选择的方法获取信息成本相对较低,同时表面水质条件(13,14]。尽管遥感的能力用于水质的评价与期望的优势及时和具有成本效益的,这项技术本身可能不是足够精确,必须基准测试与传统采样方法和实地调查。更好的洞察力,一个综合利用遥感、原位测量,和计算机水质模型可能导致水质的一种更健壮的知识在给定表面水系统(2]。

原位方法,包括采样和实地测量,这么长时间一直是标准的技术应用于水质变量的确定,即各种测试已经进行了不同变量的估计,使用不同的方法在不同的案例研究。尽管是水质检测的传统方法,实验室方法不能实时空间概述所必需的全球评估和监测水质(9]。在这项研究中,在传统的继电保护水质测试,主要的焦点是实验室之间的回归分析结果和三种成像模型的结果,以确定其适用性水库水质评价和预测。进一步分析,相关性的分布测量WQP使用实验室测量和三种遥感模型使用克里格空间分析。

在使用遥感水质特征的检索,地球资源卫星传感器,即多光谱扫描仪(MSS),主题映射器(TM),增强主题映射器(ETM +),和操作陆地成像仪(奥利)相当用来估计最重要的水质参数,如叶绿素-一个塞齐盘深度,总磷、总悬浮物、浊度、溶解氧、生化需氧量、化学需氧量,在回顾总结(2]。尽管如此,陆地卫星数据的使用有以下限制:(a) 16天的重复周期实施主要限制动力学监测,特别是地区表现为频繁的云层,和(b)水质参数特征必须与固有光学性质(IOP)卫星传感器可以测量的(15]。

利用陆地卫星数据,一些算法开发了从遥感图像检索WQP值。这些算法都是基于经验模型,semianalytical模型,或矩阵求逆模型。semianalytical模型既需要经验和bio-optical数据,和上面的水中上升流光辉,为了描述水成分和表面反射率之间的关系。矩阵求逆模型是基于类似的造型方案还需要先验知识的水成分,如吸收系数或吸收斜坡(16]。由于缺乏这些具体参数,矩阵求逆模型校准往往是复杂的,不可能的。因此,经验算法更频繁地使用;然而,下面的缺点,(我)他们需要大样本大小和(2)对当地环境条件和他们非常敏感,因此,不适用其他网站没有额外的字段数据。这意味着WQP估计模型和结果在特定地理区域不易转移到其他的案例研究。

虽然有广泛应用的远程sensing-based模型我海域,也就是说,海水,深入研究内陆淡水的身体是复杂的遥感测量的淡水资源更加复杂,因此很难开发经营淡水遥感算法。其次,它是不可能使用现有的算法模型准确的水质评价。尽管算法已经在特定的案例研究,验证每个区域的局部特征使我们有必要重新评估和重新验证现有的算法为其可能的应用程序在其他WQP预测案例研究。

测试使用智能手机的速度,节省成本,准确,并易于使用的技术WQP估计,这项研究扩展了使用远程sensing-based WQP检索的效用EyeOnWater和HydroColor智能手机传感器应用,设计模型和推导出光学活性的水质参数。遥感反射率的应用操作原则和提供潜在的低成本和易于使用的方法监测海洋和水生环境。而智能手机应用程序都使用图像的RGB通道通过手机摄像头,它们都是基于不同的色彩空间的转移函数估计水质变量。具体来说,EyeOnWater色彩应用或水的透明度是基于Forel-Ule颜色指数(优质黄麻)系统和转换RGB图像的智能手机渠道水面进入xyz色度坐标用于索引的颜色水的优质黄麻。HydroColor应用另一方面使用相同的参考灰色的RGB通道的智能手机卡、天空、水面和转换遥感反射率 。总结比较EyeOnWater和HydroColor之间的应用程序,包括优点和缺点,如表所示1。

在这项研究中,我们展示结果和有用性的智能手机应用程序检索明显颜色的水,背影一个、浊度和SPM水库,与陆地卫星相比ETM + -VNIR反射率数据。结果的评价和验证使用实证与实验进行相关分析,为了推断水质测量元素的分布和变化,克里格用于地图的空间分布和比较选择WQP Kesses大坝,作为一个案例研究。

2。文献综述

在淡水水质监测机构将传感器的使用方法,直接或间接地成为几个水质监测项目的重要组成部分。这样,不同的研究都是建立的有效性进行使用远程感觉到水的颜色数据以获取水质变量。在审查(2)使用遥感水质参数估计,它是观察到多光谱和高光谱数据来源被用来推导出biovolume浓度,水的浊度,并从各种水体悬浮颗粒物含量。在这部分的研究中,提出了审查的使用遥感技术在推导水质参数,考虑到陆地卫星的效用和智能手机应用程序。

为了开发之间的关系,并对高光谱遥感和叶绿素湖水质参数,浊度,和N和P的物种在一个大型人造水库在密苏里州(马克·吐温湖),(18]分析了抽样数据使用光谱仪。从他们的研究中,得出结论,高光谱法是准确确定浊度和SPM在储层,具有较强的相关性 。Zhang et al。19)还估计叶绿素-一个在浑浊的湖和SPM浓度(太湖,中国)使用3-colour分光光度法和重量的方法。结果充分证明了光学测量技术的使用比nonoptical测量技术更有效率,分光光度法测定产生更好的结果0.75。在确定叶绿素-的浓度一个在水库、20.)评价分光光度法的表演、FluoroProbe和高压液相色谱法(HPLC)。研究的结论是,光谱学是更精确的方法,因为它产生了更高、更现实的结果。

利用陆地卫星数据,(21)估计,叶绿素-一个浓度和热带国家Nalban湖的东部加尔各答,印度,利用陆地卫星奥利照片和实验室测量。开发的预测模型,运用回归分析带之间的比率了0.78。郑et al。22)提出了一个长期多瞬时Landsat-based总悬浮物浓度的监测模式洞庭湖在中国的雨季变化来确定SPM变化。在原位测量的基础上,开发了一个算法基于近红外(NIR)乐队估计总悬浮物(TSM)分布。研究显示足够的近红外波段反射率值之间的相关性和TSM估计从实地测量。估计总悬浮物和叶绿素-一个,(23)开发陆地卫星OLI-based水质参数检索算法和相关结果与实验室实验九(9)站。结果表明,估算TSS产生高精度的回归模型系数的测定 ,归一化平均绝对误差(NMAE)和均方根误差(RMSE) 0.709, 9.67%, 1.705 g·m⁻³分别,而叶绿素-一个生产0.579、NMAE 10.40%和51.946毫克的RMSE·m⁻³。

此外,(24)建立了一个源于实验室的水质数据和像素之间的关系从陆地卫星反射值估算叶绿素——ETM卫星数据一个塞齐盘,悬浮固体物质和总磷地图Omerli大坝具有足够精度。Torbick和Corbiere25)进行了叶绿素的评估尚普兰湖——multiscale-based映射一个和藻青蛋白检索,利用经验带比率回归,他们的背影——确定一个浓度与和RMSE从0.76 - -0.88和0.42 - -1.51,分别。Waxter [26)使用原位测量从Tenmile湖泊盆地从陆地卫星TM校准反射率值。结果显示良好的线性相关性浊度和光辉,这是逆相关在藻为主的地区。在另一项研究中,(27)总结了先前的研究在利用陆地卫星TM / ETM +的背影一个决心和叶绿素浓度估计在淡水湖约旦使用奥利陆地卫星图像。他们检查的反射率值之间的关系个体奥利乐队和原位的背影一个对叶绿素浓度以确定乐队敏感-一个。通过开发两个光学波段的线性方程之间的关系ratio-based光谱指数和排名一个浓度不同的电台是派生的,背影——的空间分布一个也映射。他们报道之间的显著相关性从陆地卫星的背影——奥利图像和光谱指数一个在约旦湖,为不同的几个月。此外,(28最近使用SmartFluo应用,基于受激荧光水成分,测量叶绿素的荧光一个。与实验室的实验相比,SmartFluo呈线性相关 叶绿素-一个浓度来衡量使用台式实验室荧光计(LS 55岁,PerkinElmer)。

Na et al。29日)估计,并根据陆地卫星图像映射水浊度Paldang湖,韩国。根据实地测量和主成分分析(PCA), PC乐队被发现在估算合适的浊度,0.6319回归原位的数据。研究强调不断监测现场数据的必要性以及反射特性,准确地确定水质的环境因素。Olet [30.)检查水质的相关性Roxo水库利用陆地卫星图像和原位测量,为叶绿素-一个和SPM的测量。一个基于图像的校正实现使用原位水离开反射(王俐人)和一个模型来估计两WQP, SPM从叶绿素的推断一个模型。叶绿素,一个推导出了0.295和0.603的RMSEμg·L⁻¹,而SPM浓度范围从9 mg·m⁻³到34毫克·m⁻³与一个 和 。

从文献综述,很明显,一些研究继续进行,以开发算法或模型监测在不同类型的内陆水体水质,尤其是湖泊、陆地卫星MSS、TM、ETM +和奥利传感器数据。其他卫星数据也被使用,包括现货HVR MODIS, NOAA-AVHRR,梅里,IRS-1C,亥伯龙神,IKONOS, QuickBird,总结在31日]。这个发现增加了利用遥感技术提取水质信息的有效性比直接实地测量遥感方面的成本、速度、和时空覆盖。

EyeOnWater (http://eyeonwater.org),它是基于CITCLOPS EU-FP7项目,是一个系统开发数据的检索和使用自然颜色,透明度,荧光,通过使用低成本传感器结合上下文信息,为了估计水的光学活性的成分。EyeOnWater应用,设想的是水资源管理者和消费者可以能够获得水质数据成像水面,并通过在线移动应用程序接口,水质参数可以获得。在使用EyeOnWater水质评估,17),与HydroColor应用相比,估计浊度的检索,SPM,颜色,和叶绿素的案例研究在荷兰三个湖泊。研究显示,智能手机图片和拉美西斯的相关性高光谱辐射计是准确的 。研究建议使用EyeOnWater作为水质监测的一种简单高效的应用,案例研究的湖泊在荷兰。Busch et al。32,33)也将卫星测量海洋颜色与EyeOnWater应用地方色彩的观察,与原位测定的实验室和现场测试水的颜色,透明度,叶绿素-一个荧光,分别和浮游植物动力学。结果显示精度超过90%,也证明了有效性colour-based低成本传感器citizen-based贡献来填补观察空白和增加环境管理中公众监视他们的环境28,32,34]。

在测试中EyeOnWater的有效性,在西班牙和德国两个案例研究被用来调查水颜色的检索,浊度,SPM和叶绿素。通过数字化的颜色Forel-Ule规模建立自然水域的颜色通过使用智能手机的成像high-quality-illumination白色树脂玻璃制成的过滤器和一个框架,建立一个颜色比较工具记录不仅颜色的傅系统还叶绿素浓度、浊度、悬浮微粒材料开发。Wernand et al。7傅)使用数据集,形成的基础EyeOnWater colour-based水质评估,评估全球变化发生在海洋的背影——关系一个、CDOM SPM的浓度,案例研究的荷兰瓦登海保护区。

Bardaji和Piera35)提出了一个在第一个众包技术报告估计水的透明度基于传感器连接到低成本的系泊浮标,集成不同模块如光传感器、微处理器和通信模块的测量水的颜色、透明度、和荧光。审查导致采用quasidigital光学传感器的光(辐照度)测量转换成频率信号。与简单的转换,可以直接估计模拟数字转换器设备的光强度而不需要在确定水质参数。

水颜色监控,36]介绍了烟算法转换梅里傅卫星反射数据规模通过将梅里的图像转换为赋色标图片和傅原位观测数据比较,与模仿从原位傅数字辐射测量的方法。烟算法将归一化水离开反射率傅九梅里乐队一个离散的数字监控水的颜色。在一个相关的研究中,(37]估计SPM的推导一个乐队由参数化戈登的近似算法会发光的传输模型的固有光学特性的测量。这导致了权力的发展算法估算近地表SPM浓度。Davies-Colley和史密斯38]使用小型机载光谱成像仪(属于接近)对水的高光谱图像颜色映射,建立了颜色匹配函数作为一个简单的标准方法监测水生系统的色彩。是建立标准的RGB值转换为XYZ CIE颜色系统使用中的转换矩阵[39]。总之,显然,先前的研究导致了开发的替代工具分析水质参数,以补充实验室测量。值得注意的是,然而,大多数研究没有应用的智能手机应用程序的综合评价水质参数,与检索的目标和评估水颜色,背影一个、浊度和SPM的内陆水体像水库或湖泊。

HydroColor智能手机应用程序(40)是由众包的目标水质数据。苹果应用程序使用三个images-gray卡,水,天空图像(41)——获得自然水体的反射。从反射率值,程序自动生成水的浊度和SPM水平;然而,颜色和叶绿素参数计算使用合适的转换算法。客观,通过聚合数据从公共大空间和时间尺度,HydroColor应用程序可以确定典型的浊度或叶绿素值不同的环境。互动在线数据库可以使用由专家或公众帮助监测的变化,如增加发生的赤潮或侵蚀导致更高的悬浮沉积物。

鳕鱼(42)使用HydroColor应用程序检索欧盟河的浊度。TSS的13毫克·L⁻¹、浊度6.5南大和0.7183,研究得出的结论是,HydroColor适合估计和预测浊度和TSM。传感器的使用模型在研究混浊水域Barga(荷兰),(43]HydroColor应用用于检测水的波动变化。研究记录为0.547, 南大,应用也推荐适合的测量浊度和SPM;然而,结果是受到云层和样本容量,也观察到(29日]。在比较研究中,(44]相比iOcean RGB的效用为浊度传感器和HydroColor应用和水彩的监控。相关性是不可能在颜色测量HydroColor给颜色离散数据,对数相关性0.68是通过使用HydroColor应用。Mahama [17)进行了比较评价的效用HydroColor和EyeOnWater浊度的测量,应用SPM,颜色,和叶绿素与实验室测量相比,高光谱图像。结果分别显示,从EyeOnWater HydroColor应用,SPM估计0.79和0.90的值,而浊度与相关系数确定R²0.73和0.63。比较评价,HydroColor程序是检测水质参数的估计的空间规模储层相比,陆地卫星ETM +和EyeOnWater应用。

从文献综述,很明显,有几个模型被用来从遥感数据获取水质。模型,正如已经提到的,包括经验、半经验的,和分析模型,应用为了估计和水质产生量化地图使用不同传感器(45]。最常用的经验模型都是基于二元的发展,或多个传感器数据和测量水质参数之间的回归,即数字数字或辐射值的传感器以及他们的乐队组合是与水质参数的实验室测量通常在巧合的传感器收集的收购或天桥46]。半经验的方法时常常使用的光谱特征参数是已知的。然后光谱特征统计分析中通过专注于精心挑选的光谱区域和适当的波段作为关联(47]。分析建模,水质参数与固有光学特性通过使用特定的固有光学特性(然而)。水柱的IOPs然后表观光学特性(aop)有关,因此大气层的顶端(TOA)光辉,如所描述的辐射传输理论(48,49]。

尽管需要综合评估水质变量确定水体的健康,大多数研究都集中在检索一个水质参数和具体的案例研究。由于反射和水质之间的关系将不同生态区,储层分类,和季节影响当地环境条件包括天气事件,很难发展普遍预测模型从遥感数据中提取水质参数。因此,这些关系必须为每个区域独立开发的兴趣。进一步,由于以前的研究的主体性具体生态区和水质参数,当前的研究发展实证方法检索从陆地卫星遥感反射率值ETM + -VNIR图像基于水的水质监测采样点位置在肯尼亚Kesses大坝。

3所示。方法

3.1。案例研究和取样

正如前面提到的,比较评价的案例研究的三个传感器模型Kesses大坝Uasin Gishu县,肯尼亚。水库,位于35°20′E经度和纬度0°16′N,是由两个河流入口和一个出口河(表2)。建于1958年,三峡大坝是一个75年的小型水库在县。的初始容量约为240万立方米,体积减少了约180万。三峡大坝的主要饮用水源周围的社区包括Moi大学和邻近的城市和农村人口增长(50]。多年来,利用水库的水已经多元化包括国内饮酒、灌溉、娱乐、和钓鱼。尽管意义和过度依赖大坝的水,几乎没有任何水质进行监测。

农业地区的水域排水流域内污染的主要来源,还有著名的藻华这可能是盆地内增加养分运输的反映。此外,生活污水和水土流失造成浊度增加,水库的淤积和水体的水质总体亏损。尽管如此,监控公共水域复杂是因为现场抽样活动劳动和耗时,往往需要额外的实验室样品分析的成本。监控大坝等遥感模型,特别是分享服务模型,可以在领域中经济有效地使用公共或众包的大坝水质。

监测水质的案例研究大坝,十二(12)均匀分布和协调建立水质取样站内Kesses大坝,如表中所示2。水样收集在0.45米深处,为了确定浓度的背影一个和SPM、浊度和水后颜色标准实验室协议。场竞选原位取样的时间和地球资源探测卫星天桥时间表是前缀,这样抽样进行了2017年3月26日,这是并发的日期从陆地卫星ETM +图像采集。在报道51)、同步采样和卫星图像采集的卫星图像的±1天内推荐最佳校准结果。旱季期间被选中,是因为在这段时间的复合油藏水是相对稳定的,和图片是万里无云的。减少错误示例站点位置和关联的反射率和水质参数,平均2×2像素的光谱反射率附近配置被用作建议(52]。这些人地区分析还也的GPS测量在样本中最大限度地减少可能的错误。

3.2。检索的水质参数

3.2.1之上。陆地卫星ETM + -VNIR数据

(1)辐射和反射的决心。地球资源卫星ETM +极轨附近与太阳同步卫星,16天的重复周期,海拔705公里的高度和宽度为185公里。它的有效载荷是ETM +传感器,这是一个单一nadir-pointing仪器,并提供一个eight-band多光谱扫描辐射计在VNIR辐射检测幽灵似地过滤,短波红外成像,LWIR和全色波段。从文献综述、推断,陆地卫星TM、ETM +已广泛用于水质参数推导过程,由于其广泛的,因此适当幽灵似地决议相比其他传感器(2,53,54]。

在这项研究中,只有VNIR ETM +乐队被用于分析和检测的光学活性的水质参数。这是因为水的长波波段提供很少或没有信息质量评估(55- - - - - -57]。VNIR在光谱范围的光通过的水体提供了一些信息光学活性的水成分(58]。如图1(一),比较陆地卫星光谱分辨率的ETM + /与陆地卫星TM奥利VNIR表明,ETM +具有较高的光谱分辨率,这意味着它可以检测出更多的光学活性的粒子在水中比奥利传感器。此外,在图1 (b)比较的ASTER的光谱分辨率,奥利,ETM +和Sentinel-2A表明ETM +的光谱分辨率,这类似于TM传感器,是更广泛和更适合的检测WQP [2,8,59]。

水质参数的估计从卫星图像的准确性依赖于大气校正和水质参数检索算法。然而,大多数以前的研究的总结(46,60)要么关联陆地卫星乐队的原始数字数字,光辉,光谱辐射,或反射,有或没有数据的大气校正。这限制的可能性身体的声音分析,寻找线索和大部分算法提出只适用于被调查的一个场景。通过使用FLAASH模型,陆地卫星ETM + -VNIR意象是气压上更正53,60- - - - - -62年),即数字数字首先转化为光谱辐射单位根据(1)。

方程(1)也可以重写的情商。2),即使用DN值获取传感器辐射或高层大气(TOA)反射率 。 在哪里是传感器的光谱辐射孔径TOA (Wm吗⁻²老⁻¹μ米⁻¹),是乘法比例因子或数据产品在Wm“获得”⁻²老⁻¹μ米⁻¹/ DN,是新偏见或数据产品在Wm“抵消”⁻²老⁻¹μ米⁻¹,是光谱辐射了吗(Wm⁻²老⁻¹μ米⁻¹),是光谱辐射了吗(Wm⁻²老⁻¹μ米⁻¹),是最大的DN (255),是DN的量子化的校准像素值,具体示例站点。

而在(1)和(2)DN被转换为TOA反射,这并不占或者减少大气的影响。烟雾的效果是最重要的一个大气效应参数由于散射和吸收辐射的分子和气溶胶62年]。烟雾去除技术可以分为(i)简单黑暗对象减法(DOS)方法和(2)大气传输模型结合现场实地测量。通过计算最小和最大的尺度改变因素校准值,DOS和太阳角度修正应用通过扩大(1)和(2),(3),(4)和(5),在60]。 在哪里

和分别是,最小和最大光谱辐射值比例和乐队,8位图像,之间的区别和是254;最小像素值转换为TOA反射 ; 是在TOA太阳光谱辐照度; 是太阳天顶角的度(90°太阳高度角)和来自太阳的高度计算中包含元数据;和是一日归一化平均的1.0个天文单位。

卫星数据应该是可比的原位光谱测量的转换在卫星反射光芒,也称为遥感反射率 。结果然后新和纠正值用于正确的新图像值在校正过程根据(6),或是没有单位的气压上修正反射,最终结果TOA反射的区别新和纠正 。方程(6)也可以重写的TOA反射率所示(7)。

图2提出了四个目标特征的比较之前和之后的多光谱波段的大气校正。相比其他自然特性,比如土壤和植被,反射光的分数从观察到的水是非常低的63年),只有重大VNIR乐队(8]。这意味着准确的测定和绝对辐射校正传感器是至关重要的64年]。从图中的结果2,观察测试的DN曲线特性类似于相同的相应曲线特性大气校正后,光谱反射率。

(2)关联陆地卫星ETM + -VNIR乐队和水质参数。正如我们已经提到的,主要有三个类别的回归算法,即经验算法,理论算法,及其组合,可用于建模和从遥感数据提取水质指标。二元和多元回归技术已经被用于不同的研究提出相关方程模型WQP估计(53]。确定合适的模型在相关方面,逐步二元线性回归。本研究使用经验算法建立陆地卫星之间的二元关系ETM + -VNIR乐队相对于红光和原位水质变量。以下遥感反射率独立乐队和乐队组合如表所示3被认为是陆地卫星数据的统计分析的水质参数的估计,使用经验数学模型。

一个乐队,乐队比率,和乐队的组合,如表所示3回归分析中使用。优化的回归分析结果,选择适当的回归方法基于高的结果之间的价值,预测模型和laboratory-measured WQP [57]。模型的合适的测试条目显著性水平除0.05和0.10水平的意义。最后,在95%的置信水平测试被用来接受确定回归模型。

实证模型中使用回归原位测量的陆地卫星组成的乐队下列广义方程,其中WQP是水质参数,VNIR乐队的反射率, , ,和是模型常数。(一)线性: (b)多项式: (c)对数: (d)力量:(e)指数:

比较算法从目前的研究结果与以前的案例研究的结果,结果从实证模型基于乐队组合和回归分析比较与以下相关WQP估计算法,为表达(8),(9)和(10),分别排名-一个、SPM和浊度。的选择算法的基础上比较,相同类型的水体和合理的水质参数估计结果。因为他们是为不同的环境和气候条件和因素,开发方程只是作为指标,scene-specific算法开发。(一)的背影,一个和SPM评估使用23)算法 在哪里和在各种抽样计算反射率站陆地卫星ETM +乐队2和4。(b)浊度预测使用Waxter [26)算法 在哪里陆地卫星的DN ETM + 1。

3.2.2。EyeOnWater应用

(1)从EyeOnWater WQP推导应用。EyeOnWater,最初被称为CITCLOPS,是一个低成本和易于使用的智能手机应用程序工具,开发监测自然水体的质量。应用程序利用优质黄麻色彩体系。这意味着EyeOnWater系统,水质变量估计是水的颜色为WQP分析转化为优质黄麻。下面的步骤总结EyeOnWater详细的方法(65年,66年]。为了自动化的过程将赋值转换为实际WQP在线估计,EyeOnWater的扩展应用程序叫做傅转化器发达在这项研究中,转换和计算的user-determined赋值。(我)收购标准RGB (sRGB)图像使用Android操作系统(OS)的智能手机相机(2)γ扩张:进行空气的镜面反射界面返回每个乐队的DN线性水平(67年](3)sRGB图像转换成等效的三刺激值在XYZ颜色空间使用Pascale [68年)转换矩阵米(iv)水照明更正:满足照明的变化引起的时间观察,当地天气条件下,水和水的表面粗糙度,灯饰标准化使用锥响应矩阵(39]。(v)XYZ三色值的转换 色度坐标和优质黄麻的关系值, 和 定义了 色度坐标(vi)的转换 色度坐标对应的色度角度或水角度: ,在那里和色度坐标来源于图像吗关于原点或白色(65年](七)选择最好的子图象使用百分位数的规则,然后揭示了水体的真实颜色的时候曝光(八)使用熏算法如Wernand et al。7)将图像的色度角子集傅指数(第九)福指数转换为浊度和SPM水质参数使用40)相关功能(x)傅分析仪和转换器的web应用程序:设计和扩展一个新的应用程序将傅EyeOnWater应用程序中获取的值由用户输入,容易理解的水质参数包括浊度、叶绿素、SPM,相应的水颜色和意义

图3提出了一种构造图上面的过程概述用于推导出xyz色度坐标,色调色彩角度 ,从智能手机和优质黄麻图像。

拟议的傅分析仪和转换器程序由用户界面(前端)和处理逻辑(后端组件)。的输入到MySQL数据库服务器由赋值和相应的色度角度和水的颜色值和相应的意义。从输入,异步Ajax请求的PHP脚本处理数据并返回结果瞬间。傅转换应用程序,以下提出的算法(40)被用于在线浊度估计,背影一个,SPM。

扩展网络的原型EyeOnWater优质黄麻分析仪和转换器呈现在图4,第一个截图(图4(一))是分析仪,第二个是转换器(图4(b))。

(2)的验证 色度坐标。验证步骤,之间的关系色度坐标和laboratory-measured浊度和SPM第一次评估。如图5,一个5度多项式相关测量浊度的色度RMSE 4.89053南大,0.5659,SPM相关性为5.8724毫克的RMSE·m⁻³和0.7175。这些验证结果表明是可行的量化的水质变量色度坐标。结果还意味着应用程序的优质黄麻可以有效地光学相关水质变量。

为了比较user-observed水面图像从EyeOnWater应用结果与傅计算结果,进行了相关性分析,水面图像匹配与傅规模提出了(36]。结果在图6显示良好的线性相关性符合系数的确定 和RMSE 1.607。数据的验证结果5和6表明EyeOnWater应用适合于实地测量。

3.2.3。HydroColor应用水质数据估算

使用HydroColor应用程序,iPhone OS相机是用来获得三张图片组成的灰色卡片,天空,和水的表面,从而获得颜色。iPhone的摄像头是一种传统的CMOS数组由拜耳过滤器,过滤器提供了三个幽灵似地红色宽,绿色和蓝色通道。使用三个图像,应用计算遥感反射率的红、绿、蓝(RGB)相机的颜色通道。图7显示样本由iPhone摄像头拍摄的图像(图在晴朗的一天7(一)(图)和在一个灰暗的日子7 (b))从同一采样点(40]。在图的图像7表明,环境条件如云层和阳光强度会影响水的质量颜色。

水样本图像的数据分析页面HydroColor应用剪和上传的色彩PhytoBlog水质测定如图8。在最小化天窗在水的表面反射图像,HydroColor包含一个太阳模型,使用iPhone的GPS和内部指南针来预测太阳在空中的位置。指南针是用来直接用户正确的方位角,,内部陀螺仪指导用户正确的天顶角[41]。HydroColor应用的处理阶段总的来说包括以下步骤:(一)彩色图像采集的组成的灰色卡片、天空和水面的颜色(b)推导的相对的光芒 ,获得图像相机的曝光时间吗(c)转换反射的气氛 ,在哪里 (41]。的光芒测量;的反射率是灰色卡片(18%),然后呢是天窗的分数反映在表面(~ 0.028方位和天顶角度用于图像)。(d)转换估计使用[的水质参数40]算法如下所述。

在推导水质变量使用HydroColor应用,首先计算和浊度范围介于0和80南大。HydroColor所使用的简化模型来估计红波段反射率的浊度提出(40)表示为(14)。

浊度的估计,然后通过推导SPM中浊度之间的关系(FNU)和SPM Formazin浊度单位,根据(40,69年),表达了(15)。

在决定使用HydroColor应用叶绿素浓度,调整比例技术是第一次使用,红色是减去的反射率计算Cchl-ratio如(16)[40]。从Cchl价值,背影一个根据指数实证函数(计算17)。

3.3。空间映射的水质参数的分布

在水库地表水水质的实际分布的详细知识参数是至关重要的在解释和推断的准确预测整个水体的水质。然而,它是不可能衡量这些现象在每一个点在一个地理区域的水体。通过使用一个适当的插值方法适当的抽样数据,水质参数的分布和变化可以准确地确定。

尽管各种各样的确定性和地质统计学插值方法可以用来估计变量未取样的位置,精度方法[之间相差很大70年]。为了估计的分布WQP湖内离散实验室测量,(71年)逆距离权重(IDW)相比,通用克里格,和普通克里格插值的水质参数。他们的研究结果表明,Kriging-based方法优于IDW方法插值精度超过10%。Obarrio [72年)的调查也得到类似的结果湖水质及其变化。在相同的案例研究区域Kesses大坝,(73年)高度映射和插值方法相比,发现克里格给最好的结果。虽然有几种类型的克里格等地质统计学数据插值使用普通克里格(74年),通用克里格(75年,波兰(中值76年),普通克里格是地质统计学的基础,给出了最优数据预测(71年,73年),二阶平稳假设过程与正态分布(77年]。

来确定插值价值在某种程度上在参数空间中,克里格附近的重量数据样本而不是给所有数据样本的重量相等。插值是通过设置残留误差均值为零也通过最小化误差的方差。基于随机函数的概念,表面或体积被认为是一个随机函数的实现具有一定的空间协方差(78年]。因此克里格插值的基本概念是使用变差函数来计算权重 ,最小方差的估计价值。从一个给定的数据样本 ,的半方差图可以根据估计(18)。 在哪里是半方差估计在一个分离的距离还是落后 ; 和 的观测值吗和 隔着一段距离 ,其中有对。

半方差倾向于增加双点(滞后)之间的距离增加,暗示点靠近往往比远更相似的价值观。理论变异函数符合可以基于球面,指数,高斯,贝塞尔(73年,76年]。在这项研究中,球面模型被选中后从先前的研究中取得了最好的效果(71年,73年]。空间插值的一般公式,给出了(19),插入的值在哪里 。

一旦变差函数模型拟合实验数据,它是用来计算权重 ,这样的估计方差小于其他观测值的线性组合(79年]。用简单克里格,平均值的一个假设是已知的,而与普通克里格均值确定在插值(80年]。的非平稳变化,哪里有漂移数据(或趋势),通用克里格或与内在随机函数应该使用克里格(81年]。

3.4。对水质参数估计误差量化

为了估计WQP之间的误差确定从实验室测量和估计使用传感器的实证模型,以下错误估计是在这项研究中,采用平均绝对误差(MAE)、均方根误差(RMSE),归一化均方根误差(NMSE),确定系数 ,皮尔森相关系数 ,总结在表4。在表4,和分别是laboratory-measured(观察),每个采样点的水质参数预测我,样本。回归估计和衡量水质参数之间的散点图也为了生成可视化之间的通讯的水质预测模型。

4所示。结果和分析

4.1。水质参数测量和预测

以下4.4.1。检索的叶绿素一个浓度

使用分光光度法测定[82年),结果的实验室测量和决心的背影- - -的浓度一个在十二个取样站如表所示5。原位测量结果表明,叶绿素浓度Kesses大坝介于7和10之间μg L⁻¹在旱季的高峰期。

从陆地卫星数据,第二小节的预定义算法部分3.2。1第一次被用于确定的背影——吗一个浓度在储层中,利用遥感反射率来自乐队2(绿色)和四级(NIR)。在执行Landsat-predicted之间的回归分析和原位实验室测量,结果在图9显示存在高相关性的估计和测量值的背影一个的 。这意味着绿色波段和近红外波段的背影,仪器的检测一个也支持,从研究结果8]。

HydroColor如上所说的,调整后的比例技术是第一次使用反射的地方前的红色是减去Cchl参数是用于推导的背影一个。表面值提取叶绿素显示完美的关系与Cchl比率呈现在图10。附近1:1匹配验证HydroColor的适用性进行进一步的数据收集和分析。回归的结果在实验室测量和HydroColor之间的背影——的估计一个浓度呈现在图11,结果解释确定系数接近0.7。良好的现场数据之间的通信和HydroColor检索中的叶绿素浓度水库是观察到的数据中所描绘的一样10和11。

从EyeOnWater叶绿素的评估,观察叶绿素值被发现是完全可以忽略不计(×10的顺序⁻⁵),不能与实验室测量的结果和其他两个模型。这些大小的背影一个确定从EyeOnWater归因于低值用于EyeOnWater的校准模型,而建立实验室观测。叶绿素浓度之间的回归估计结果从陆地和HydroColor显示50%以上的相关性(图12)。在回归分析中,除了验证Cchl和背影一个,线性经验模型取得了最好的回归。

汇总统计分析的实验室测量和结果之间的误差量化从陆地卫星和HydroColor提出了表6。汇总结果的表6,是观察到的叶绿素-一个决心,有一个高于平均Landsat-based模型之间的关系,HydroColor应用,测量数据从实验室测试。这些结果表明,陆地卫星,HydroColor传感器模型明显的估计准确、可比的背影- - -的浓度一个在水库中,至少有70%的精确度。在评估的背影,一个在储层中,可以看出Landsat-based模型略微表现好于HydroColor RMSE和系数的相关性和决心。

4.1.2。浊度的估计

实验室的结果来自十二个采样点的测量显示,储层内的浊度范围之间的5和8南大。测量之间的回归分析和预测浊度,这项研究的结果发表在数字13- - - - - -15。使用线性和自然对数经验回归模型,观察到所有三种方法预测的浊度至少70%精度的相关系数。浊度估计的结果从陆地卫星ETM +独立的反射蓝色的相关系数最高。的背影——的情况一个估计,也可以认为这三个模型适用于预测内河浊度的存在。

比较的结果估计浊度的三个模型,一个intermodel三WQP之间的回归预测结果给出的数据16和17。单赛季分析可以看出,陆地卫星和HydroColor决定浊度比EyeOnWater更好。统计汇总在表7模型表明,相关系数都高于0.8确定浊度。美是观察平均不到5%,和其他的错误统计也低得多,都显示良好的应用程序之间的相关性和参考实验室测量。

4.1.3。预测SPM

从实验室测试结果,水库被发现含有SPM浓度介于3和9毫克⁻³。利用多项式,自然对数线性回归模型,laboratory-measured SPM浓度的经验与陆地卫星退化,EyeOnWater, HydroColor SPM预测的结果。相应的结果数据18- - - - - -20.表明决心的系数测定0.4117,0.5352和0.7460。陆地卫星的结果表明ETM +带2(绿色)和四级(NIR)可能不是最好的估计SPM浓度的确定系数在50%以下。结果表明,EyeOnWater和HydroColor应用适用于确定SPM的浓度,从HydroColor SPM行列式是最好的应用。

intercorrelational分析的结果确定SPM从陆地卫星和两个应用程序,如图21和22,说明对SPM的决心,模型呈现不同的结果。然而,总结在表8统计分析表明,所有的模型除了陆地卫星能够检测SPM的存在与超过50%的准确性决定使用确定系数。尽管HydroColor美最高为26%,回归系数更高比陆地卫星和HydroColor估计。值得注意的是,SPM估计三个模型观察高预测的差异,因此,回归系数低。

简介中提到的,歧视的SPM从水反射率之间的关系是基于水的散射和吸收特性及其成分。大部分的散射是由悬浮沉积物,吸收是由叶绿素——控制一个和有色溶解有机物。这些在水中absorptives组件已被证明降低反射实质性的方式,和他们的影响通常是发现在波长小于500纳米(10]。

4.1.4。预测水的颜色

水的颜色是一个典型的相对指标,仪器在检测有害藻华,释放污染物,并跟踪羽毛(5,83年]。观察水的颜色可以使用水边表面,进行空中和卫星平台。色彩饱和的水系统决定了光学活性成分存在明显影响的深度测量的光渗透入水中。色彩饱和度的定量测量特定颜色的饱和度并不依赖于类型的水组成但选民的能力减弱。在这个案例研究中,色彩饱和度和占主导地位的水颜色波长为每个采样点测量得到的结果总结表9推断实验室测量,从EyeOnWater HydroColor推断。

因为它是不可能从陆地卫星获取水的颜色ETM +乐队在波长方面,与实验室的颜色波长相比,只有实验室测量的结果,EyeOnWater, HydroColor。结果在表9表明,水库不同波长颜色的水在500到590纳米之间。使用实验室的色彩图作为参考,推断从表9傅,EyeOnWater颜色结果与标准的实验室波长。HydroColor,应用的颜色参考方案不同于标准的实验室方案;因此,见表9,波长513 - 609纳米的范围。类似的结果也由(44]。

结果在表9表明,水库的主要水的颜色是绿颜色的。根据推理,以绿色为主的水颜色表明增加营养和浮游植物的水平,以及高矿物质含量和溶解有机材料。蓝绿色藻类优势也是一个指示,并增加溶解物质和沉积物可能存在。融色彩特征高营养和浮游植物浓度和增加沉积物和溶解有机物。这意味着如果水看起来特别绿,然后有很多微小的藻类(浮游植物)生长在地表附近。浮游植物水华经常把水的绿色,但某些种类的密集bloom可以橙色、褐色,或红色。当水看起来模糊的和棕色的,这意味着有沉积物或泥浆悬浮在水中。

4.2。发展预测模型从陆地卫星ETM + -VNIR WQP检索

虽然一些研究开发了算法对水质检索,使用现有算法面临的主要挑战,正如我们已经提到的,是样本集合的条件和水体的具体动态和特点发生显著的变化。算法也在发展中,光谱特征,反射,光辉和像素的分辨率值通常退化对实验室获得的结果。实证回归分析的结果和代WQP预测模型中表示数据23- - - - - -25的相关分析,总结陆地卫星ETM + -VNIR乐队在生成案例研究算法提出了表10。

从结果,观察到的独立变量组成的ETM +带2(绿色)和乐队3(红色)最高估算叶绿素的存在——的重要关系一个,因为他们分别解释相关精度(表的90%和66%9)。结果的数据9和23,推导出的背影一个在Kesses大坝案例研究使用新的回归模型,该模型可以有效地预测是基于ETM +遥感反射率的乐队2,0.8059。结果具有可比性的测试(23)算法和由一个简单的线性回归方程的陆地卫星ETM +绿带。

推导的背影一个从陆地卫星,广泛的ETM + / TM波段可能不可怕地解决尖锐的背影——产生的吸收光谱特性一个。这是因为叶绿素组成的生物、物理和化学因素,使得光谱模式复杂。的背影,一个吸收峰的光谱的红色区域在670海里只有一半红乐队中包含的ETM +数据;附近的峰值700海里的ETM +红乐队。因此,不同的方法乐队的乐队组合2和四级可能应用于ETM +数据确定的背影一个水平(84年]。的背影,在这个研究结果一个研究结果支持的回归也从85年),这是表明叶绿素-一个可以使用模型检索基于红色或绿色带,与绿带与模型给予最优的结果。的背影——的结果一个决心也支持由实验分析(8),通过模拟奥利乐队的背影——为了估计一个、高吸收在绿带和低吸收蓝色区域与叶绿素的存在有关一个。

水浊度是由悬浮和溶解物质的存在如粘土、淤泥,精细划分有机物质,浮游生物,其他微生物,有机酸、和染料(53]。由于这些成分,浊度的指标和测量水的光散射特性。从实验结果,观察到的独立变量组成的对数ETM +带1与浊度之间关系最重要的,因为它解释了超过92%的方差在浊度(图24)。使用一个三次多项式回归模型,结果在图24表明,更合适的估算储层中的浊度与对数乐队比结果在图13,从26]。特别是从表10从遥感反射率,结果被认为是相同的自然对数ETM +带1。再一次,这是破译,蓝带独立变量是最合适的区间预测的浊度。

从文献综述,大多数遥感研究已经致力于检索SPM的参数主要沉积物运移研究的兴趣;然而,较少的研究一直致力于浊度的检索。尽管如此,浊度一直作为水质的有效指标,并作为一个光学性质的水,更密切相关的反向散射系数,从而反射比SPM。在这项研究中,原位测量之间的相关分析SPM和Landsat-derived对SPM估计表明,ETM +之间有显著的正相关关系推导出近红外反射率 ,表现出公平的相关性 和 在 原位,SPM使用线性回归模型(图测量25)。这个相对较低的相关性SPM的原位测量和ETM +的派生相关的研究也报道(例如,86年- - - - - -91年])。它可以得出结论,因为SPM运输营养物质和污染物,它减少了传输的光通过一个水柱因此影响整个水生生态系统(92年]。这意味着它可能是更复杂的检测SPM在VNIR也在实证结果报告(23]。

结果的数据23- - - - - -25,结论性的ETM + -VNIR乐队可以有效地用于浊度的评估和排名一个;然而,进一步的研究需要进行更准确的利用陆地卫星乐队检测SPM的水库。总结的经验回归相关方程提出了表10。只有满足一组标准的结果的意义 提出了。

水库和湖泊的营养状态的确定是一个主要的内陆水资源管理问题,和营养状态的背影,通常表现为一个和SPM。从以上提供的案例研究的结果,很明显,水库WQP可以估计使用HydroColor EyeOnWater和智能手机应用程序和陆地卫星ETM + -VNIR乐队。当地水体监测,结果表明,该智能手机最适合估计75%以上的所有三个WQP精度的相关系数,除了使用EyeOnWater预测叶绿素的存在和浓度。陆地卫星另一方面是最合适的测量在所有三个水质参数具有很高的准确性高达90%的背影一个和浊度,68%的准确性SPM的相关系数决定的 。结果都是积极显示智能手机应用的适用性和陆地卫星ETM + -VNIR获得WQP水库。

以前的研究也表明,使用单一的乐队给更好的结果的评估分析水质物理参数。希克斯等。93年−0.46和0.96之间)生成的皮尔森相关系数为湖泊浊度在新西兰使用陆地卫星7号拍摄和报道最强的关系(> 0.90)单带蓝色,红色,近红外光谱。

4.3。评价的空间分布和可变性WQP水库

为了进一步分析模型和估计的性能预测和估计的空间分布和可变性水库水质参数,用普通克里格空间插值是如上所述。通过确定水质变量的空间分布可以分析、描述和可视化的整个水库水质采样点。

4.3.1。的背影——的分布和变化一个

空间插值的结果测量浓度的背影一个提出了在图26,图(26日)的背影,基准一个分布从实验室测量结果。除了EyeOnWater的结果(图26日(d)上面提到的),这是有不同的校准值,结果从陆地卫星和HydroColor(数字26日(b)和26日(c)显示匹配结果与实验室测量图(26日)。可见,背影,浓度最高和最低的地区一个是好巧合不仅相对位置和分布,而且在储层内的叶绿素浓度的大小。例如,在实验室测量的情况下,最大范围的背影一个浓度被观察到在7.37和10.3之间μg·L⁻¹,而最大的背影一个浓度结果从陆地范围在7.75和11.1之间μg·L⁻¹,同样HydroColor范围在7.72和9.38之间μg L⁻¹。这些结果说明这一事实的存在和浓度的背影一个可以使用两种陆地卫星,估计发达回归模型方程,通过使用和HydroColor应用。类似的趋势与区域的位置和分布模式的背影——至少一个浓度是配合laboratory-measured结果观察。

结果的数据(26日)- - - - - -26日(c)的领域表现出最高浓度的背影一个对应的地区获得水通过两个流,通过农田和村庄在相邻地区内的大坝和分水岭。也对堰,有高的活动,主要是由于农业活动在附近的农场。其余的水库水域显示相当的背影,低浓度的一个,因为他们远离主点和非点源的污染物的来源。

4.3.2。浊度分布

浊度测量的实验室测量和估计从陆地卫星,EyeOnWater, HydroColor模型。空间映射的结果从浊度估计呈现在图27。类似于叶绿素分布观察,浊度也表现出了类似的变化模式的四个空间地图。它是可观测图27浊度的最大和最小范围相似,几乎相同的区位分布。值得注意的不过是在叶绿素浓度高的区域与高浊度水平不一样。然而,水库地区叶绿素浓度较低浊度的水平是一样的。

4.3.3。SPM的空间映射

SPM在内陆水体的分布模式在了解其生态系统动力学系统是重要和有效的发展和定量监测的水生环境(94年,95年]。空间插值的结果和分布的映射SPM使用克里格呈现在图28。而实验室结果表现出只有五大SPM浓度范围从12个采样点(图(28日)),三个传感器模型显示出更多变化的SPM大坝内的浓度。模式、大小和分布的趋势SPM在大坝确定使用陆地卫星和EyeOnWater(数字28 (b)和28 (c))被观察到类似于生成的模式从原位观测图(28日)。相同的大小和空间分布趋势也从HydroColor结果观察检索SPM(图的浓度28日(d)),特别是在细微变化SPM浓度高的区域。

4.3.4。水的颜色映射

的空间插值确定水库中的水颜色的波长,可以生成分布地图从实验室测量和智能手机应用程序,结果如图29日。在比较原位测量的结果(图(29日))EyeOnWater结果图29 (b),值得注意的是,最大值和最小值波长巧合在大小和空间位置;因此,EyeOnWater准确监测水库水的颜色。

HydroColor应用,有一代的色彩色调的实际价值而不是水颜色的波长。因为HydroColor使用不同的颜色从传统的图表进行实验室测试图表,不可能直接关联的结果之间的颜色HydroColor和实验室结果。试验结果关联HydroColor色彩色调的波长图29 (c)。尽管差异之间的波长级实验室和HydroColor结果,有一个观察好相关的水颜色尤其是低,占主导地位的波长。水的颜色的空间分布模式的两个应用程序也观察到在协议与原位参考。重要的兴趣是观察到的巧合的背影——之间的映射一个变化最大值和最小值与水的颜色。得出有强有力的证据相关性的水颜色和水库系统中的叶绿素的存在。

总的来说,这项研究结果可能不是那么强,由于独特的储层形态和水组成,可以归因于水库系统营业额的效果,均衡时的热梯度水库诱发表面和底部的混合水域,使远程监控困难由于不稳定60]。然而,本研究的主要贡献是,自动处理方法允许选择物理水质参数的处理和分析使用原位实验室评估,和光辉的陆地卫星分析ETM +和智能手机相机观察,与巨大的潜力快速水质分析,并参与和鼓励公民参与环境资源监控,如水质评估和报告使用先进的技术,包括智能手机应用程序和卫星数据28,32- - - - - -34]。

5。结论

传统的实验室监测水质的方法不仅是面子,也不代表天气和时空的地表水在时间和空间的质量。由于快速增长的社会意识对环境和气候的变化,有一个平行需要公民参与收集相关科学信息监测环境变化,比如水供应和质量,部分是由于认识到公民的一个潜在来源等关键信息(34]。光学和热传感器的发展进行了遥感提取时空信息的一个有效工具在水质。本研究提出了三种传感器模型的比较评价的结果从陆地卫星ETM + -VNIR数据和两个智能手机apps-EyeOnWater HydroColor-for快速和具有成本效益的光学活性的水质参数的预测以浊度、叶绿素-一个,水的颜色,SPM Kesses大坝在肯尼亚的一个案例研究。

三个模型的结果与原位实验室测量通过实证回归建模和用普通克里格空间插值。估计的SPM和背影一个从ETM +, Laili et al。(23]算法最初用于评价和比较分析,结果表明,两者的浓度WQP估计系数的测定 SPM和的背影,0.8111一个。在大坝初始浊度估计,Waxter的26]算法估计浊度的程度 。为了确定合适的案例研究函数检测水质参数从陆地卫星ETM +乐队,回归建模和分析ETM +乐队和laboratory-measured水质之间的变量。的背影,检索一个从遥感反射率,线性实证模型与ETM +带2给最好的结果,皮尔逊相关系数为0.8977。使用一个三次多项式线性回归模型,最好的浊度测量是获得独立的ETM +带1反射 。SPM的估计,一个二阶多项式利用ETM +近红外光谱波段给最好的结果与皮尔森相关 。

EyeOnWater应用,观察水的颜色光学Forel-Ule指数的基础上,提出了一种简单、方便的方法获取并显示实时水质参数的信息。通过使用最初的回归模型估计浊度和SPM两WQP,分别估计系数的相关性 和 。HydroColor应用程序,两个变量决定了各自的皮尔森相关系数的0.8405和0.8637对浊度和SPM。浊度的比较,估算EyeOnWater应用,基于FUI-XYZ色彩空间,略低于从HydroColor应用程序使用RGB颜色空间。这种差异可以归因于误差的贡献色度坐标转换过程。HydroColor叶绿素估计的应用,调整比例Cchl表明叶绿素——一个完美的匹配一个估计和实际的背影一个皮尔逊相关系数的估计 。

高分辨率时空环境监测的需求增加也需要新的和易于使用的方法收集的可靠和准确的数据集水质监测和控制。从目前的研究结果,结果表明,遥感评价模型是有效的,便宜,和重要的监测淡水的身体像水库,相比传统的实验室测量。辅以预测算法,智能手机应用程序演示了满足未来的潜在需求调查针对水质预测和作为潜在的方法提供及时的水生环境基准信息向公众、科学家和政策制定者。为了提高应用程序的可靠性和实用性,通过进一步的研究季节性观察,校准和验证在不同的地理位置均匀案例研究将提高,使标准化的适用性。进一步说,在最初的验证过程中,未来的研究将考虑同时验证应用程序的光芒对卫星sensor-measured光芒派生的水质参数。这是因为现有的经验算法可能是主观的,带有极大的偏见到特定的地理区域和水库水体特征。

进一步,为了提高水质检索使用智能手机,其他可测的知识和集成环境变量导致明显的水颜色如风速、云量、位置和测量精度应考虑对改善水质参数的推导过程的智能手机应用程序。相比与传统的样本收集和分析方法,遥感传感器的潜在优势和演示了方法可以有效地用于增加水库和连续的时空监测水质的评估和管理。

数据可用性

作者证实数据支持本研究的发现中可用的文章。

的利益冲突

作者宣称没有利益冲突,关于这篇文章的发表。

确认

这项工作是当作者客座研究高频交易在德国斯图加特,教授和作者要感谢,谢谢主持人,教授迈克尔·哈恩的高频交易斯图加特和亚历山大•冯•洪堡基金会的奖学金资助。保罗·承认对他的建议的发展扩展JavaScript在线EyeOnWater数据处理。