朱秀芳,李 原
溫排水自動提取方法研究
朱秀芳1,2*,李 原3,4
(1.北京師范大學(xué),遙感科學(xué)國家重點實驗室,北京 100875;2.北京師范大學(xué)地理科學(xué)學(xué)部,遙感科學(xué)與工程研究院,北京 100875;3.內(nèi)蒙古自治區(qū)河流與湖泊生態(tài)重點實驗室,內(nèi)蒙古 呼和浩特 010021;4.內(nèi)蒙古大學(xué)生態(tài)與環(huán)境學(xué)院,內(nèi)蒙古 呼和浩特 010021)
為解決現(xiàn)有的遙感溫排水檢測的算法自動化程度低、時效性差的問題,提出了一種基于單時相熱紅外波段的溫排水自動化提取方法(IForest-SVM),并以福建省福清核電站為例,使用2018年10月至2019年1月內(nèi)的4期Landsat-8遙感影像對所提方法進行了測試與驗證.該方法首先利用孤立森林進行溫排水和正常水體樣本的自動提取,接著通過溫排水和排水口的空間鄰接關(guān)系純化溫排水樣本,進而利用支持向量機監(jiān)督分類提取溫排水像元,最后通過溫排水和排水口的空間鄰接關(guān)系剔除誤判像元得到最終的溫排水空間分布.測試結(jié)果顯示本研究所提出的方法在2018年11月15日、2018年12月1日和2019年1月18日三期圖像上檢測得到的溫排水的用戶精度和生產(chǎn)者精度的平均值分別為89.69%、94.97%和90.04%.在2018年10月30日無溫排水的影像上沒有出現(xiàn)誤檢,有效的避免了“虛警”的出現(xiàn).IForest-SVM只需要輸入遙感影像的熱紅外波段,無需額外代入其他參數(shù),具有可移植性好、普適性強、自動化程度高的優(yōu)點,在溫排水的實時監(jiān)測和快速發(fā)現(xiàn)業(yè)務(wù)中有很好的應(yīng)用前景.
孤立森林;異常檢測;支持向量機;鄰接關(guān)系;溫排水
隨著能源需求的增加和核能技術(shù)的發(fā)展,中國在沿海地區(qū)興建了許多的核電站.然而,核電站的發(fā)電效率要低于火電站,僅有30%~35%的核能轉(zhuǎn)化為了電能[1],剩余的大部分能量以熱能的形式隨冷卻水排出,使得周圍水體溫度迅速升高,從而影響了水生動植物的生長和繁殖[2].藻類對溫度變化尤其敏感,海水溫度的升高可能會導(dǎo)致藻類的異常爆發(fā).在風(fēng)和潮汐的驅(qū)使下,藻類會侵入核電站的水冷系統(tǒng),影響冷卻水的排放,阻礙核電站的安全運行[3-4].因此,研究核電附近水域溫排水的分布具有重要意義[5].
溫排水監(jiān)測的方法主要包括數(shù)值模擬法、大面積實地測量法和遙感監(jiān)測法.數(shù)值模擬法可以獲得大范圍、高時空分辨率的二、三維溫度場分布[6],但其模擬結(jié)果的精度依賴于研究者所使用的模型[7].實地測量法能夠獲取最真實的數(shù)據(jù),但其只能提供關(guān)于溫度的分散的點數(shù)據(jù),不能提供完整的空間分布[8],且耗費的人力物力較多,部分研究中將其用于遙感算法的定標(biāo)與驗證工作[9].遙感技術(shù)憑借同步性好、觀測范圍大、可重復(fù)觀測和成本相對較低等優(yōu)勢成為溫排水監(jiān)測的重要方法[10-14].目前,基于遙感手段進行溫排水監(jiān)測也廣泛應(yīng)用在我國的諸多核電站附近的水域中,如大亞灣核電站、田灣核電站等[15-17].
國際上早期的遙感溫排水監(jiān)測使用的是AVHRR數(shù)據(jù),后期隨著國內(nèi)核電站的興建也有相關(guān)的應(yīng)用[18-19],但由于其空間分辨率較低,無法準(zhǔn)確獲取溫排水的細節(jié)分布.21世紀以后隨著Landsat、MODIS、環(huán)境一號、高分五號等系列衛(wèi)星數(shù)據(jù)的發(fā)布,這個問題得到了一定程度上的解決,國內(nèi)外涌現(xiàn)出了一批相關(guān)的應(yīng)用成果[20-29].之后,也有部分學(xué)者通過X波段雷達數(shù)據(jù)進行溫排水的檢測[30],但滿足具有高時空分辨率的數(shù)據(jù)通常是地基雷達,其造價昂貴難以進行大規(guī)模應(yīng)用.載人航空遙感靈活性及空間分辨率都優(yōu)于衛(wèi)星遙感,但其對起降場地有特殊要求,備航手續(xù)繁瑣且成本昂貴,難以業(yè)務(wù)推廣[31].近些年隨著無人機技術(shù)的發(fā)展,利用無人機攜帶熱紅外傳感器進行核電廠溫排水監(jiān)測取得了部分成果[32],但其硬件設(shè)備與圖像處理技術(shù)仍在發(fā)展過程中,其飛行范圍以及飛行條件也受到一定的制約.總體來看,基于衛(wèi)星遙感數(shù)據(jù)的溫排水提取仍然是實際應(yīng)用中使用最廣泛的.
目前基于遙感手段開展的溫排水監(jiān)測主要是使用含有熱紅外波段的遙感數(shù)據(jù)進行水體表面溫度的反演,再基于統(tǒng)計學(xué)的方法進行溫排水的判別,整個過程費時費力,很難做到快速實時的溫排水監(jiān)測.在溫度反演中常用的算法包括單通道法[33]、分裂窗法[34]和多通道法[35].單通道算法基于地表溫度輻射傳導(dǎo)方程推導(dǎo)而來,需要大氣透過率、地表比輻射率和大氣平均作用溫度這3個參數(shù),這些參數(shù)需要同步實測獲取;分裂窗法與多通道法雖然需要的實測數(shù)據(jù)較少但其模型復(fù)雜程度要遠高于單通道法,且對熱紅外波段數(shù)量有一定的要求.
孤立森林是一種適用于異常檢測的機器學(xué)習(xí)算法[36].溫排水是排入自然水體中的溫度高于自然水體的水.受溫排水影響的水體像元可以看作是水體像元中的異常像元,其在熱紅外波段的值明顯區(qū)別于正常的像元,且溫排水的像元與核電站排放口在空間位置上存在鄰接關(guān)系.為此,本文提出了一種綜合使用孤立森林、空間鄰接關(guān)系和支持向量機的溫排水自動化監(jiān)測方法,助力溫排水實時監(jiān)測業(yè)務(wù)的開展,其主要創(chuàng)新在于無需進行水體表面溫度的反演,能夠?qū)崿F(xiàn)快速、自動化的溫排水監(jiān)測.
圖1 研究區(qū)概況
a、b分別為2018年12月1日的Landsat-8真彩色合成圖和熱紅外波段圖像
本研究選擇福建省福清市三山鎮(zhèn)南段的福清核電站作為研究目標(biāo),將其周圍的海域設(shè)置為研究區(qū)(圖1).福清核電站是中國第一座采用三代核電技術(shù)的核電站,占地面積約18km2,共有6個核電機組,總裝機容量為6600MW,是東南沿海的重要能源基地之一,也是中國核電行業(yè)的重要標(biāo)志性工程[37].福清核電站三面環(huán)海,東北部位置與陸地連接,周邊的道路發(fā)達、交通便利.其氣候為典型亞熱帶海洋性季風(fēng)氣候,區(qū)域內(nèi)海潮以半日為周期,每潮汐日內(nèi)高低潮各有兩次,漲潮時其流向偏西北,落潮時其流向偏東南,海域周圍多年平均水溫在22.3℃左右,夏季和冬季的海水溫度差異在10-15℃左右.前人研究發(fā)現(xiàn)該區(qū)域受溫排水影響的范圍大概在6km以內(nèi),受溫排水影響水溫升高一般不超過4℃,不同季節(jié)和不同潮汐條件下,溫升情況有所差異,冬季溫升分布范圍小于同潮態(tài)溫升分布范圍,漲潮時刻溫升范圍小于落潮時刻溫深分布范圍[37].
通過Google Earth Engine獲取經(jīng)過大氣校正與幾何校正后的Landsat-8衛(wèi)星數(shù)據(jù),獲取時間如表1所示,Landsat-8數(shù)據(jù)的波段信息如表2所示.
表1 所用數(shù)據(jù)列表
表2 Landsat-8各波段信息
圖2 實驗數(shù)據(jù)
首先基于2019年1月18日的Landsat-8數(shù)據(jù)對常年不變的海岸邊界進行矢量化,接著對4幅圖像分別計算自動水體提取指數(shù)(AWEI, Automated Water Extraction Index),具體公式如下所示:
式中:2為綠波段,4為近紅外波段,5與7分別為兩個短波紅外波段.
設(shè)置AWEI大于0的像元為水體像元[38],提取海岸邊界內(nèi)的水體像元得到4幅圖像上的監(jiān)測水體范圍,以該范圍為掩膜對4個時相的Landsat-8熱紅外波段進行裁剪,獲得最終用于監(jiān)測的影像,圖2是以波段10為例進行的展示.觀察比較四個時相的數(shù)據(jù),目視解譯和手工數(shù)字化得到各圖像上的溫排水范圍,作為算法驗證的真值.
孤立森林(IForest)是在第八屆IEEE數(shù)據(jù)挖掘國際會議上首次被提出的用于離群點檢測的算法[39].在孤立森林中離群點是那些分布稀疏且離密度高的群體較遠的樣本.孤立森林是通過構(gòu)建個孤立的二叉樹得到的,其基本流程是:1)從樣本空間中,隨機選取個樣本,構(gòu)成子空間,并將這些樣本放入樹的根節(jié)點;2)隨機選取一個樣本空間中的某一個特征,并選取該特征數(shù)據(jù)集中介于最大值和最小值中的某個數(shù)值,以為節(jié)點將特征向量中小于的數(shù)據(jù)放在當(dāng)前節(jié)點的左側(cè),大于的數(shù)據(jù)放在當(dāng)前節(jié)點的右側(cè),由此形成左右兩個新的特征子空間;3)分別在左右兩個新的特征子空間中,不斷重復(fù)上一個步驟,構(gòu)造出新的子節(jié)點,直到數(shù)據(jù)本身只包含一個樣本或者樹的高度已經(jīng)達到了預(yù)設(shè)的高度時,孤立樹建立完成.循環(huán)建立新的孤立樹,當(dāng)構(gòu)建完棵孤立二叉樹后,就形成了一片孤立森林.計算待測數(shù)據(jù)樣本到達每顆孤立樹的葉子節(jié)點的平均路徑長度,進而計算異常程度值,具體計算見公式(2)和(3)[40],路徑長度越短,對應(yīng)的異常程度值越高,越先被孤立出來.
給定一個包含個樣本的數(shù)據(jù)集,樹的平均路徑長度為:
式中:()為調(diào)和數(shù),該值可以被估計為ln()+ 0.5772156649.()為給定樣本數(shù)時路徑長度的平均值,用于標(biāo)準(zhǔn)化樣本的路徑長度().
樣本的異常評分(,)定義為:
式中:(())為樣本在一批孤立樹中找到自己所處的位置所花費的平均路徑長度.
基于Python實現(xiàn)孤立森林的過程中,在計算異常評分時,根據(jù)數(shù)據(jù)點的局部密度來估算這個點的異常程度.密度越低的點會得到更高的異常評分.因為負數(shù)更能直觀的表示低密度,所以scikit-learn庫在原有公式的基礎(chǔ)上進行了調(diào)整,調(diào)整后的計算方法如公式4所示,調(diào)整后值越小對應(yīng)異常程度越高.
受溫排水影響的水體的溫度會明顯高于同時刻周邊沒有受溫排水影響的水體,且溫排水與核電站排放口在空間位置上存在鄰接關(guān)系.為此,本文提出了一種綜合使用孤立森林、空間鄰接關(guān)系和支持向量機的溫排水自動化監(jiān)測方法,簡稱為IForest- SVM,其基本流程包括四個步驟:1)使用孤立森林計算監(jiān)測水域中各水體像元的熱紅外波段的異常評分;2)提取異常得分小于均值減2倍標(biāo)準(zhǔn)差的像元作為異常水體樣本,保留其中與核電站排水口鄰接的樣本圖斑作為溫排水樣本;3)提取異常評分為正值的像元,取中位數(shù)至最大值區(qū)間內(nèi)的像元作為正常的水體樣本;4)將兩類樣本代入支持向量機進行監(jiān)督分類,得到初步的溫排水圖斑,保留其中與核電站排水口鄰接的圖斑從而得到最終的溫排水空間分布.
為了測試本文所提出的方法在實時監(jiān)測溫排水中的有效性,設(shè)計了如圖3所示的技術(shù)路線.具體步驟如下:1)通過目視解譯標(biāo)定核電站及其進出水口的位置;2)利用本文所提出的方法從不同時相的(2018年11月15日、2018年12月1日和2019年1月18日)Landsat-8的熱紅外波段衛(wèi)星數(shù)據(jù)中提取溫排水的空間分布.3)通過目視解譯,確定每期影像上溫排水的區(qū)域,以此為真值樣本,利用公式5和6計算溫排水提取的用戶精度與生產(chǎn)者精度.
式中:UA為用戶精度;PA為生產(chǎn)者精度,R為正確分類的像元個數(shù);W為正常水體錯分為溫排水的像元個數(shù);A為實際是溫排水而錯分為正常水體的像元個數(shù).
為了探討鄰接關(guān)系判斷對所提出方法(簡稱方法Ⅰ)的作用,本研究還進行了三組對照實驗:1)在利用孤立森林提取出異常水體像元的基礎(chǔ)上,提取與核電站排水口具有鄰接關(guān)系的像元作為溫排水的訓(xùn)練樣本,將樣本帶入到支持向量機的監(jiān)督分類器中,得到溫排水提取結(jié)果,即孤立森林+鄰接關(guān)系判斷+SVM,簡稱方法Ⅱ;2)將經(jīng)過孤立森林提取的樣本直接帶入支持向量機的監(jiān)督分類器中,得到溫排水提取結(jié)果,即孤立森林+無鄰接關(guān)系判斷+SVM,簡稱方法Ⅲ;3)在對比實驗2的基礎(chǔ)上,在監(jiān)督分類完成之后,提取與核電站排水口具有鄰接關(guān)系的圖斑作為最終結(jié)果,即孤立森林+無鄰接關(guān)系判斷+ SVM+鄰接關(guān)系判斷,簡稱方法Ⅳ.
圖3 技術(shù)路線
不同方法識別的溫排水的空間分布如圖4所示.根據(jù)目視解譯的結(jié)果,使用ArcGIS計算溫排水區(qū)域的面積得到2018年11月15日、12月1日和2019年1月18日溫排水總面積分別為0.76 km2、8.30km2和2.25km2.對不同方法監(jiān)測出的溫排水進行驗證,結(jié)果如表3所示.綜合圖4和表2可以得出:
無論哪種方法三個時期提取的溫排水的生產(chǎn)者精度均明顯高于用戶精度.用戶精度是正確分類的溫排水像元個數(shù)與分類得到的所有溫排水像元個數(shù)的比例,用戶精度越高說明錯分誤差越低.生產(chǎn)者精度是正確分類的溫排水像元個數(shù)與實際溫排水像元個數(shù)的比例,生產(chǎn)者精度越高說明漏分誤差越低.因此,總體來說上述幾種方法的漏分誤差均低于錯分誤差.
在四種方法中,本研究所提出的方法在三個時期檢測出的溫排水的精度都是最高的,2018年11月15日、2018年12月1日和2019年1月18日三期圖像上檢測得到的溫排水的用戶精度和生產(chǎn)者精度的平均值分別為89.69%、94.97%和90.04%.
圖4 不同方法提取的溫排水
Ⅰ、Ⅱ、Ⅲ、Ⅳ分別指孤立森林+鄰接關(guān)系判斷+SVM+鄰接關(guān)系判斷的方法(即本研究所提方法)、孤立森林+鄰接關(guān)系判斷+SVM的方法、孤立森林+無鄰接關(guān)系判斷+SVM的方法、孤立森林+無鄰接關(guān)系判斷+SVM+鄰接關(guān)系判斷的方法
表3 精度評價表(%)
注:Ⅰ、Ⅱ、Ⅲ、Ⅳ的含義同圖4.
對比添加和未添加鄰接關(guān)系的方法,可以看出總體來說添加了兩次鄰接關(guān)系后可以大大提高用戶精度、減少錯分誤差.例如2018年11月15日,加入兩次鄰接關(guān)系的方法Ⅰ用戶精度達到了99.82%,比僅在孤立森林后添加鄰接關(guān)系的方法Ⅱ提升了44.85%.兩次鄰接關(guān)系的使用中,第一次鄰接關(guān)系的重要性要高于第二次.在制備樣本時考慮空間鄰接關(guān)系的方法(方法I和方法Ⅱ)要好于不考慮的方法,且在僅有少量溫排水爆發(fā)的情況下(2018年11月15日和2019年1月18日)表現(xiàn)的尤為明顯.錯誤的樣本選擇甚至可以導(dǎo)致無法檢測出溫排水,例如2018年11月15日和2019年1月18方法Ⅳ得到結(jié)果.
傳統(tǒng)的溫排水監(jiān)測方法需要在進行輻射定標(biāo)、大氣校正等一系列預(yù)處理的前提下,進行水體表面溫度的反演,再進行統(tǒng)計學(xué)上的分析,篩選出異常位置.整套流程涉及方法諸多,過程較為繁瑣,尤其是對于溫度的反演可能還需要輸入遙感數(shù)據(jù)之外的其他因子(如地表比輻射率、大氣在熱紅外的透過率、大氣向下輻射亮度、大氣向上輻射亮度等).本研究提出的IForest-SVM方法無需進行溫度反演,相較于傳統(tǒng)方法更能做到實時監(jiān)測.
IForest-SVM通過孤立森林計算監(jiān)測區(qū)水體像元的異常評分,結(jié)合均值標(biāo)準(zhǔn)差法確定閾值來提取溫排水樣本,不同區(qū)域或者同一區(qū)域不同時間計算得到的溫排水閾值均不同,也即所提取的閾值是動態(tài)和自適應(yīng)的,保證了方法的可移植性.此外,自動化的訓(xùn)練樣本提取大大減少了樣本采集上的人力、物力和時間投入.
要想實現(xiàn)溫排水的實時監(jiān)測,需要對監(jiān)測的水域進行持續(xù)跟蹤,所用算法在無溫排水發(fā)生時不能產(chǎn)生虛警,在有溫排水發(fā)生時要盡量減少錯報.以往研究往往利用溫排水發(fā)生時的影像測試算法的有效性,這類算法往往是“馬后炮”式的,不適用于實時監(jiān)測.為了進一步驗證IForest-SVM方法在溫排水實時監(jiān)測中的有效性,本文不僅對有溫排水發(fā)生的圖像進行了溫排水的提取實驗(圖4),還對沒有溫排水發(fā)生的2018年10月30日的Landsat-8的熱紅外波進行了相同的處理,觀察是否有“虛警”出現(xiàn),結(jié)果如圖5所示,在未爆發(fā)溫排水時IForest-SVM不會產(chǎn)出虛警.結(jié)合圖5可知IForest-SVM在沒有溫排水發(fā)生、有少量溫排水發(fā)生和大量溫排水發(fā)生時都是適用的.
圖5 未爆發(fā)溫排水時的檢測結(jié)果
首先,在基于孤立森林制備樣本時,標(biāo)準(zhǔn)差倍數(shù)的選取對樣本的制備具有一定的影響.圖6展示了溫排水樣本提取結(jié)果的生產(chǎn)者精度和用戶精度隨著標(biāo)準(zhǔn)差倍數(shù)增加(設(shè)定標(biāo)準(zhǔn)差倍數(shù)在1到2之間以0.1為步長變化)而變化的情況.總體來說,隨著標(biāo)準(zhǔn)差倍數(shù)的增加生產(chǎn)者精度變化并不大,最低也在0.98以上,而用戶精度則表現(xiàn)出了明顯的提升.這說明孤立森林加鄰接關(guān)系所得到的樣本基本能夠包含所有的核電站溫排水像元,漏選的樣本很少;但當(dāng)標(biāo)準(zhǔn)差倍數(shù)過小時錯提進來的溫排水樣本多,隨著標(biāo)準(zhǔn)差倍數(shù)的提高,用戶精度提高,錯提的溫排水樣本變少.此外,在不同時相的數(shù)據(jù)中用戶精度隨標(biāo)準(zhǔn)差倍數(shù)增加而提高的速率不一樣,但整體來說接近2倍標(biāo)準(zhǔn)差時三個時相下用戶精度提升的速率均明顯減小了.
其次,監(jiān)督分類算法的選擇會對最終結(jié)果造成影響.本文選擇了常用的SVM方法與自動化樣本提取進行組合,所提方法的核心是自動化的樣本提取和鄰接關(guān)系的判定,SVM監(jiān)督分類器也可以替換為其他的分類器.不同分類器對樣本的要求不同,相同樣本得到的分類精度會存在差異.未來可以嘗試和其他監(jiān)督分類器進行組合,優(yōu)選精度高且穩(wěn)定的分類器.
再者,本研究所用的Landsat數(shù)據(jù)重訪周期較長,不利于實時監(jiān)測,未來可以考慮架設(shè)熱紅外攝像頭或者使用更高時空分辨率的數(shù)據(jù)(如哨兵)進行監(jiān)測.對于時間分辨率高而空間分辨率偏低的數(shù)據(jù)(如MODIS)也可以結(jié)合降尺度算法,在提高其空間分辨率的基礎(chǔ)上結(jié)合本文所提出的算法進行溫排水的監(jiān)測.
圖6 基于不同閾值選取的樣本進行溫排水提取的精度
最后,熱帶海域、溫帶海域、寒帶海域的溫排水與周圍海水的溫差是不同的,反應(yīng)在熱紅外波段上的溫排水和正常水體的像元值差異大小不同.本文的算法僅僅在福清核電站進行了測試,福清核電站位于亞熱帶海域,本文算法的適用性和精度在其他溫差條件不一樣的海域有待于進一步驗證.
5.1 本文提出了一種基于單時相熱紅外波段的溫排水自動化提取方法,并以福清核電站不同時期的溫排水檢測為例進行了算法的精度測試.測試結(jié)果顯示2018年11月15、12月1日和2019年1月18日的溫排水檢測的生產(chǎn)者精度分別為79.56%、95.17%和98.46%,用戶精度分別為99.82%、94.77%和81.62%.
5.2 加入溫排水像元和排水口鄰接關(guān)系的判定,大大提高了溫排水識別的精度.在樣本提取階段加入鄰接關(guān)系的判斷尤為重要,樣本提取階段不加入鄰接關(guān)系的分類方法(方法Ⅲ和Ⅳ)的精度甚至低至0%.
5.3 在無溫排水的時相(2018年10月30日),本文所提方法未造成誤檢.
[1] Liu M, Yin X, Xu Q, et al. Monitoring of fine-scale warm drain-off water from nuclear power stations in the daya bay based on landsat 8data [J]. Remote Sensing, 2020,12(4):627-648.
[2] Verones F, Hanafiah M M., Pfister S, et al. Characterization factors for thermal pollution in freshwater aquatic environments [J]. Environmental Science & Technology, 2010,44(24):9364-9369.
[3] 於 凡,張永興.濱海核電站溫排水對海洋生態(tài)系統(tǒng)影響的研究 [J]. 輻射防護通訊, 2008,(1):1-7. Yu F, ZhangY X. The review onthe effects of thermal effluent from nuclear plants on the marine ecosystem [J]. Radiation Protection Newsletter, 2008,(1):1-7.
[4] 賀立燕,宋秀賢,於 凡,等.潛在影響防城港核電冷源系統(tǒng)的藻類暴發(fā)特點及其監(jiān)測防控技術(shù) [J]. 海洋與湖沼, 2019,50(3):700-706. He L Y, Song X X, Yu F, et al. potential risk and prevention of phytoplankton outbreak to water-cooling system in nuclear power plant in Fangchenggang, Guangxi [J]. Oceanologia Et Limnologia Sinica, 2019,50(3):700-706.
[5] 劉永葉,陳曉秋.核電廠溫排水熱影響研究的建議[J]. 輻射防護通訊, 2011,31(6):20-23. Liu Y Y, Chen X Q. Suggestion of the study on thermal impact of thermal discharge from NPPs [J]. Radiation Protection Newsletter, 2011,31(6):20-23.
[6] 張 琨,張愛玲,覃春麗,等.CORMIX與二維數(shù)模、物模在濱海核電廠溫排水近區(qū)模擬中的比對研究 [J]. 海洋科學(xué)進展, 2017,35(1): 117-123. Zhang K, Zhang A L, Qin C L, et al. Comparison between CORMIX and traditional models on the simulation of coastal nuclear power plant water discharge [J]. Advances in Marine Science, 2017,35(1):117-123.
[7] 趙 強,曹 維,邢 健,等.基于現(xiàn)場觀測數(shù)據(jù)的三門核電站冬季溫排水時空特征分析 [J]. 海洋環(huán)境科學(xué), 2022,41(6):847-856. Zhao Q, Cao W, Xing J, et al. Spatio-temporal characteristics of thermal discharge from Sanmen Nuclear Power Plant in winter based on field observations [J]. Marine Environmental Science, 2022,41(6): 847-856.
[8] Muthulakshmi A, Natesan U, Ferrer V A,et al. A novel technique to monitor thermal discharges using thermal infrared imaging [J]. Environmental Science: Processes & Impacts, 2013,15(9):1729-1734.
[9] 何 園.遙感技術(shù)在核電站溫排水影響范圍監(jiān)測中的應(yīng)用 [J]. 科技創(chuàng)新與應(yīng)用, 2016,(18):71. He Y. Application of remote sensing technology in monitoring the scope of influence of warm drainage in nuclear power plants [J]. Technological Innovation and Application, 2016,(18):71.
[10] 姜 晟,李俊龍,李旭文,等.核電站溫排水遙感監(jiān)測方法研究——以田灣核電站為例 [J]. 中國環(huán)境監(jiān)測, 2013,29(6):212-216. Jiang S, Li J L, Li X W, et al. A research on the remote sensing monitoring method with the thermal discharge of Tian-wan nuclear power station [J]. Environmental Monitoring in China, 2013,29(6): 212-216.
[11] 姚沛林.濱海核電廠溫排水的監(jiān)測與實踐 [J]. 紅外, 2013,34(11): 43-48. Yao P L. Monitoring of warm water discharged from coastal nuclear power plant [J]. Infraied, 2013,34(11):43-48.
[12] 賀佳惠,梁春利,李名松.核電站近岸溫度場航空熱紅外遙感測量數(shù)據(jù)處理研究 [J]. 國土資源遙感, 2010,(3):51-53. He J H, Liang C L, Li M S. Temperature field airborne thermal remote sensing surveyof the alongshore nuclear power station [J]. Remote Sensing for Land & Resources, 2010,(3):51-53.
[13] 張曉峰,徐京萍,張曼祺,等.Landsat-8熱紅外數(shù)據(jù)監(jiān)測田灣核電站溫排水分布 [J]. 海洋科學(xué)進展, 2019,37(3):518-525. Zhang X F, Xu J P, Zhang M Q, et al. Distribution of thermal discharge from Tianwan nuclear power plant: analysis of thermal infrared data from landsat-8 [J]. Advances in Marine Science, 2019,37(3):518-525.
[14] 王 祥,蘇 岫,張 浩,等.不同空間分辨率遙感數(shù)據(jù)在核電站溫排水監(jiān)測中的應(yīng)用研究 [J]. 海洋環(huán)境科學(xué), 2020,39(4):646-651. Wang X, Su X, Zhang H, et al. Remote sensing based application research of nuclear power plant thermal plume monitoring with different spatial resolution imagery [J]. Marine Environmental Science, 2020,39(4):646-651.
[15] 張 彩,朱 利,賈 祥,等.不同空間分辨率熱紅外數(shù)據(jù)在近海核電廠溫排水監(jiān)測一致性研究 [J]. 遙感信息, 2015,30(2):71-76. Zhang C, Zhu L, Jia X, et al. Consistency of different spatial resolution thermal infrared data in monitoring thermal discharge of nuclear power plant in coastal area [J]. Remote Sensing Information, 2015, 30(2):71-76.
[16] 梁珊珊,張 兵,李俊生,等.環(huán)境一號衛(wèi)星熱紅外數(shù)據(jù)監(jiān)測核電站溫排水分布——以大亞灣為例 [J]. 遙感信息, 2012,(2):41-46. Liang S S, Zhang B, Li J S,et al. Distribution of therm-water pollution of nuclear power plant using the thermal infrared band of HJ-IRS data-taking Daya Bay as an example [J]. Remote Sensing Information, 2012, (2):41-46.
[17] 周 穎,鞏彩蘭,匡定波,等.基于環(huán)境減災(zāi)衛(wèi)星熱紅外波段數(shù)據(jù)研究核電廠溫排水分布 [J]. 紅外與毫米波學(xué)報, 2012,31(6):544-549. Zhou Y, Gong C L, Kuang D B, et al. Distribution of thermal discharge from a power plant:Analysis of thermal infrared data from the environmental mitigation satellite [J]. J. Infrared Millim. Waves, 2012,31(6):544-549.
[18] Tang D, Kester D R, Wang Z,et al. AVHRR satellite remote sensing and shipboard measurements of the thermal plume from the Daya Bay, nuclear power station, China [J]. Remote Sensing of Environment, 2003,84(4):506-515.
[19] McClain E P, Pichel W G, Walton C C. Comparative performance of AVHRR-based multichannel sea surface temperatures [J]. Journal of Geophysical Research: Oceans, 1985,90(C6):11587-11601.
[20] Chen C, Shi P, Mao Q. Application of remote sensing techniques for monitoring the thermal pollution of cooling-water discharge from nuclear power plant [J]. Journal of Environmental Science and Health, Part A, 2003,38(8):1659-1668.
[21] Mustard J, Carney M, Sen A. The use of satellite data to quantify thermal effluent impacts [J]. Estuarine, Coastal and Shelf Science, 1999,49(4):509-524.
[22] Gibbons D, Wukelic G, Leighton J, et al. Application of landsat thematic mapper data for coastal thermal plume analysis at Diablo Canyon [J]. Photogrammetric Engineering and Remote Sensing;(USA), 1989,55:
[23] 朱 利,趙利民,王 橋,等.核電站溫排水分布衛(wèi)星遙感監(jiān)測及驗證 [J]. 光譜學(xué)與光譜分析, 2014,34(11):3079-3084. Zhu L, Zhao L M,Wang Q, et al. Monitoring the thermal plume from coastal nuclear power plant using satellite remote sensing data: modeling and validation [J]. Spectroscopy and Spectral Analysis, 2014,34(11):3079-3084.
[24] 許 靜,朱 利,姜 建,等.基于HJ-1B與TM熱紅外數(shù)據(jù)的大亞灣核電基地溫排水遙感監(jiān)測 [J]. 中國環(huán)境科學(xué), 2014,34(5):1181-1186.Xu J, Niu L, Jiang J, et al. Monitoring thermal discharge in Daya Bay plant based on thermal infrared band of HJ-1B and TM remote sensing data [J]. China Environmental Science, 2014,34(5):1181-1186.
[25] Benoit J, Fox-Kemper B. Contextualizing thermal effluent impacts in narragansett bay using Landsat-derived surface temperature [J]. Frontiers in Marine Science, 2021,8:705204.
[26] Liu Y, Huang S, Yi P,et al. The thermal discharge retrieve and analysis of Hongyanhe district with Landsat-8 and GF-5 Image [C]// Proceedings of the IOP Conference Series: Earth and Environmental Science, F, 2020.IOP Publishing.
[27] Wu C, Wang Q, Yang Z,et al. Monitoring heated water pollution of the DaYaWan nuclear power plant using TM images [J]. International Journal of Remote Sensing, 2007,28(5):885-890.
[28] Nie P, Zhu H, Xu H,et al. Monitoring of Tianwan nuclear power plant thermal pollution based on remotely sensed landsat data [C]// Proceedings of the IGARSS 2020-2020 IEEE International Geoscience and Remote Sensing Symposium, F, 2020. IEEE.
[29] Ma P, Dai X, Guo Z,et al. Detection of thermal pollution from power plants on China's eastern coast using remote sensing data [J]. Stochastic Environmental Research and Risk Assessment, 2017,(31): 1957-1975.
[30] Bau H Y, Wu L C, Chuang L Z H. Detection of thermal effluent discharge using sea surface nautical radar images [J]. IEEE Geoscience and Remote Sensing Letters, 2012,10(3):612-616.
[31] 王 祥,王新新,蘇 岫,等.無人機平臺航空遙感監(jiān)測核電站溫排水——以遼寧省紅沿河核電站為例 [J]. 自然資源遙感, 2018,30(4): 182-186. Wang X, Wang X X, Su X, et al. Thermal discharge monitoring of nuclear power plant with aerial remote sensing technology using a UAV platform: Take Hongyanhe Nuclear Power Plant, Liaoning Province, as example [J]. Remote Sensing for Land & Resources, 2018,30(4):182-186.
[32] 孫芹芹,張加晉,姬厚德,等.基于衛(wèi)星和無人機的后石電廠溫排水分布研究 [J]. 應(yīng)用海洋學(xué)學(xué)報, 2020,39(2):261-265. Sun Q Q, Zhang J J, Ji H D, et al. Distribution of thermal water around Houshi Power Plant based on landsat 8 and Uva study [J]. Journal of Applied Oceanography, 2020,39(2):261-265.
[33] Jiménez-Mu?oz J C, Sobrino J A. A generalized single‐channel method for retrieving land surface temperature from remote sensing data [J]. Journal of geophysical research: Atmospheres, 2003,108(D22):
[34] Wan Z, Dozier J. A generalized split-window algorithm for retrieving land-surface temperature from space [J]. IEEE Transactions on Geoscience and Remote Sensing, 1996,34(4):892-905.
[35] Wan Z M, Li Z L. A physics-based algorithm for retrieving land- surface emissivity and temperature from EOS/MODIS data [J]. IEEE Transactions on Geoscience and Remote Sensing, 1997,35(4):980-996.
[36] Liu F T, Ting K M, Zhou Z H. Isolation-based anomaly detection [J]. ACM Transactions on Knowledge Discovery from Data, 2012:6(1): 1-39.
[37] 董雙發(fā),范 曉,石海崗,等.基于Landsat8和無人機的福清核電溫排水分布研究 [J]. 自然資源遙感, 2022,34(3):112-120. Dong S F, Fan X, Shi H G, et al. Study on distribution of thermal discharge in Fuqing nuclear power plant based on landsat8 and UAV [J]. Remote Sensing for Natural Resources, 2022,34(3):112-120.
[38] Feyisa G L, Meilby H, Fensholt R,et al. Automated water extraction index: a new technique for surface water mapping using Landsat imagery [J]. Remote Sensing of Environment, 2014,140:23-35.
[39] Liu F T, Ting K M, Zhou Z H. Isolation forest [C]//Proceedings of the 2008 Eighth Ieee International Conference on Data Mining, F, 2008. IEEE.
[40] Liu F T, Ting K M, Zhou Z H. Isolation-based anomaly detection [J]. ACM Transactions on Knowledge Discovery from Data (TKDD), 2012,6(1):1-39.
Research on automatic extraction method of thermal discharge.
ZHU Xiu-fang1,2*, LI Yuan3,4
(1.State Key Laboratory of Remote Sensing Science, Beijing Normal University, Beijing 100875, China;2.Institute of Remote Sensing Science and Engineering, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China;3.The Inner Mongolia Key Laboratory of River and Lake Ecology, Hohhot 010021, China;4.School of Ecology and Environment, Inner Mongolia University, Hohhot 010021, China)., 2023,43(11):6115~6122
To solve the problems of low automation and poor timeliness of existing algorithms for remote sensing thermal discharge detection, this study proposes an automated extraction method for thermal discharge based on the single-temporal thermal infrared band, called IForest-SVM. The Fuqing Nuclear Power Plant in Fujian Province was taken as an example to test and verify the proposed method using four Landsat-8 remote sensing images from October 2018 to January 2019. IForest-SVM first uses isolation forest to automatically extract samples of thermal discharge and normal water bodies, then purifies the thermal discharge samples by their spatial adjacency relationship with discharge outlets. After that, a support vector machine is used to extract thermal discharge pixels, and misclassified pixels are removed based on their spatial adjacency relationship with discharge outlets to obtain the final spatial distribution of thermal discharge. The test results show that the average values of user accuracy and producer accuracy of thermal discharge detected by the proposed method on three images on November 15, 2018, December 1, 2018, and January 18, 2019 were 89.69%, 94.97%, and 90.04%, respectively. No false alarms occurred on the image without thermal discharge on October 30, 2018, effectively avoiding false detections. IForest-SVM only requires input of the thermal infrared band of remote sensing images without additional parameters, and has the advantages of good portability, strong applicability, and high automation. It has a good application potential in the real-time monitoring and rapid detection of thermal discharge.
isolation forest;anomaly detection;support vector machine;adjacency relationship;thermal discharge
X87
A
1000-6923(2023)11-6115-08
朱秀芳(1982-),女,浙江天合人,教授,博士,研究方向為遙感應(yīng)用.發(fā)表論文160余篇.zhuxiufang@bnu.edu.cn.
朱秀芳,李 原.溫排水自動提取方法研究 [J]. 中國環(huán)境科學(xué), 2023,43(11):6115-6122.
Zhu X F, Li Y.Research on automatic extraction method of thermal discharge [J]. China Environmental Science, 2023,43(11):6115-6122.
2023-03-21
國家自然科學(xué)基金資助項目(41292583)
* 責(zé)任作者, 教授, zhuxiufang@bnu.edu.cn