Medical Journal of the Chinese People's Armed Police Forces

Journal of Changjiang River Scientific Research Institute >

2024 , Vol. 41 >Issue 12: 162 - 170

DOI: https://doi.org/10.11988/ckyyb.20231399

Water Conservancy Informatization

A Combined Method of Space-borne Multi-sensors for Water Resources Monitoring

  • JIANG Ying , 1, 2 ,
  • CHEN Zhe , 1, 2 ,
  • XIANG Da-xiang 1, 2 ,
  • CHEN Xi-chi 1, 2 ,
  • ZHAO Jing 1, 2 ,
  • WEN Xiong-fei 1, 2 ,
  • SHEN Shao-hong 2, 3
Expand
  • 1 Spatial Information Technology Application Department,Changjiang River Scientific Research Institute,Wuhan430010,China
  • 2 Wuhan Smart Watershed Engineering Technology Research Center, Changjiang River ScientificResearch Institute,Wuhan 430010,China
  • 3 R & D Departmet,Changjiang River Scientific Research Institute,Wuhan 430010,China

Received date: 2023-12-21

  Revised date: 2024-06-21

  Online published: 2024-12-24

Fold

Abstract

In addressing the requirements of water resources monitoring tasks, we propose an adaptive multi-sensor performance measurement scheme by integrating time-space coverage, sensor parameters, imaging quality, and target importance based on the prototype of the monitoring task requirements. To achieve optimal benefit for water resources monitoring tasks, we constructed a combined optimization method using fuzzy greedy search decision algorithm and validated the adaptability of the proposed method by applying it to the Danjiangkou Reservoir area. Results demonstrate that the combined observation method effectively meet the requirements of reservoir water quality monitoring, reservoir bank environmental monitoring, as well as routine drought monitoring tasks within specific space-time constraints, thereby providing a sound decision-making basis for the daily monitoring of water resources.

Key words： space-borne multi-sensor; multi-sensor performance measurement; monitoring task requirement prototype; fuzzy greedy search decision; combined observation

Cite this article

JIANG Ying , CHEN Zhe , XIANG Da-xiang , CHEN Xi-chi , ZHAO Jing , WEN Xiong-fei , SHEN Shao-hong . A Combined Method of Space-borne Multi-sensors for Water Resources Monitoring[J]. Journal of Changjiang River Scientific Research Institute, 2024 , 41(12) : 162 -170 . DOI: 10.11988/ckyyb.20231399

开放科学(资源服务)标识码(OSID):

0 引言

水资源具有显著的资源与生态双重属性,对社会的稳定发展及生态的健康平衡至关重要。受气候变化和强人类活动影响,我国水资源短缺、水污染严重、水旱灾害频发、水生态恶化等问题愈发突显,制约着经济社会可持续发展。为践行新时代习近平总书记提出的治水新思路,推动新阶段水利高质量发展,水利部正大力推进智慧水利建设工作,在水资源管理与监测方面,提出要基于传统水利监测体系,利用智能感知技术和通信技术,建设对涉水对象属性及其环境状态进行监测和智能分析的天空地一体化水利感知网[1⇓-3]。
传统的水资源地面监测方法直接、实时、精度高,但受限于监测站点的稀疏程度,且数据有延迟、仅能反映局部信息[4]。卫星遥感作为一种新型空间探测技术,以其高时空分辨率、动态连续、重访周期短、多尺度获取下垫面信息等优势,在水资源监测领域发挥着重要的作用。随着对地观测技术的不断发展,国外相继建立了以Landsat、MODIS、Quickbird、IKONOS、SPOT等卫星为代表的监测体系;我国已基本建成“风云”“海洋”“资源”“高分”“北斗”等卫星系列[5]。光谱从单源可见光成像发展到可见光、多光谱及微波成像;空间分辨率由米级发展到厘米级;光谱分辨率由几十个发展到几百个波段;重访周期也在不断缩短、性能不断提升,为水资源监测体系提供了有力支撑。国内外专家学者们基于海量的卫星数据,在湖泊、河流、冰川、土壤水等水资源监测方面开展了大量研究,但大多基于单传感器、单要素进行,受不同卫星/传感器特性差异及特定要素反演算法约束,难以满足不同水资源监测任务对时空分辨率、时空覆盖率和精度的需求[6]。
空间信息网格框架[7]、空天地一体化对地观测传感网[8]等概念的提出,揭示了多平台/多传感器组网监测的可共享、互操作、动态实时等特性。相比于单传感器,多传感器组网具有拓宽时空覆盖范围、提高目标识别精度、抗干扰能力强、可探测多维立体数据等优势,在水资源监测中体现出巨大潜力。如联合多种天基传感器进行流域洪涝监测[9]、卫星和地面传感器组合进行干旱指标重建[10],微波与光学传感器组合进行土壤水分估算[11]等。但对地观测环境复杂多变,异构传感器对不同的水资源监测任务响应存在较大差异,还缺乏对异构传感器的能力整体度量和定量评价方法。
本文面向水资源监测任务需求,综合考虑时间覆盖性、空间覆盖性、传感器参数、成像质量和目标重要性等准则,建立一种自适应多传感器性能度量方案,构建模糊贪婪决策的组合方法,实现对水资源监测任务的最大效益化观测。

1 多传感器组合监测优化模型

多传感器组合监测的目的是基于水资源监测任务需求,将多传感器在特定约束条件下,按照一定准则,建立用户需求与观测资源、数据传输资源以及数据处理资源等之间的模型,实现任务完成度最大化。如何构建有效的多传感器组合监测模型,满足复杂的水资源监测需求至关重要。多传感器组合包括2个层次:数据协同反演、观测过程组合优化。前者侧重数据应用,是一种非直接的传感器性能后评价模式;后者侧重传感器自身性能,根据具体任务需求,从固有的物理参数中选择与目标需求最匹配的组合方案,这也是本文的研究重点。

1.1 任务需求原型分析

国家减灾委员会在环境与灾害监测预报小卫星星座项目的建设过程中,归纳总结了不同灾害在预警、应急响应和紧急救援、灾情评估等各阶段对传感器性能参数的基本需求[12]。不同的监测任务对传感器的性能需求和权重各异,一般而言,时间分辨率越高,对突发性、快速变化灾害过程的监测能力越强,但空间分辨率相应降低;空间分辨率越高,越有利于微观尺度监测,但时间分辨率相应会降低;此外,传感器多通道信息增强了对地观测能力,为水资源要素反演提供了渠道。因此,在观测性能评定中需根据水资源监测任务的精度要求,综合考虑空间分辨率、时间分辨率、光谱分辨率等信息。本文在国家减灾委员会提出的灾害-性能需求基础上,建立适应于水资源组合监测的任务需求原型。
假设水资源监测任务为 K,传感器的性能属性包括但不限于时间分辨率 T、空间分辨率 L、光谱分辨率 R三个变量。监测任务需求描述为
K = T L R 　 。
参与组合观测的多传感器定义为
S = S 1 S 2 ︙ S n = s 11 s 12 … s 1 n s 21 s 22 … s 2 n s f g s n 1 s n 2 … s n m 　 。
式中: S = { S f , f = 1,2 , … , n }为备选传感器集合; f为备选传感器编号; n为备选传感器数量; s f g表示第 f个传感器第 g个性能指标; m为传感器指标维数。
约束条件包括时空约束,时间窗TW=[TWs,TWl],代表监测任务的起止时间;空间窗LW=[left,top,right,down],代表监测任务的四至范围(4个方位到达的经纬度范围)。遍历选传感器集合 S = { S f , f = 1,2 , … , n },依次判定 S f是否满足监测任务的时空约束,判定依据为
T W f ⋂ T W ≠ Ø 且 L W f ⋂ L W ≠ Ø , 　 是 ; T W f ⋂ T W = Ø 或 L W f ⋂ L W = Ø , 　 否 。 　
式中:TW和LW分别表示监测任务的时间窗和空间窗;TWf和LWf分别表示传感器 S f的时间窗和空间窗; Ø为空集。
引入模糊决策向量U= u 1 … u f … u z,uf表示第f个传感器参与监测任务的模糊隶属度,z表示参与组合观测的传感器解集数量。则多传感器对监测任务的响应函数为
F K = U · S = [ u 1 S 1 , u 2 S 2 , … , u z S z ] 　 。
输入:备选传感器性能矩阵、指标权重、任务需求参考值。输出:依据模糊优选决策确定的传感器组合方案。因此该模型的核心是求解模糊优选决策下的隶属度排序。

1.2 自适应模糊的多传感器性能度量

考虑到传感器存在“同传异需”或“异传同需”的模糊性情况,采用自适应模糊聚类方法对多传感器性能进行度量。

1.2.1 传统模糊 C均值算法

模糊 C均值作为模糊聚类的主流,基于目标函数最小化约束,建立传感器对水资源任务的不确定性描述。原理如下:
步骤1:初始化类别数 C、模糊因子 M,收敛参数 ε,迭代步数step,初始隶属度矩阵U0,并将隶属度归一化处理。计算公式如下。
U 0 = u i f = r a n d C , h 　 , u i f ∈ 0,1 , i ∈ 0 , C , 　 f ∈ 1 , h 　 ; ∑ i = 1 C u i f = 1 , ∑ f = 1 h u i f ∈ 0 , h 　 。 　
式中: U 0由随机函数rand( )生成; h为待分类链表中传感器数量; f ∈ 1 , h为待分类链表中传感器编号; u i f表示链表中第 f个传感器对第 i个聚类中心的隶属度。
步骤2:迭代更新隶属度矩阵U(step+1),其为 C × h维向量矩阵。计算公式为
u i f ( s t e p + 1 ) = 1 ∑ j = 1 C u i f ( s t e p ) ‖ S f - v i ‖ u j f ( s t e p ) ‖ S f - v j ‖ 2 M - 1 　 。
式中M为预设的模糊因子,一般取经验值2。
步骤3:基于更新后的隶属度 u i f ( s t e p + 1 )迭代更新聚类中心V(step+1),其为 C × m维向量矩阵。计算公式为
v i ( s t e p + 1 ) = ∑ f = 1 h u i f ( s t e p + 1 ) M S f ∑ f = 1 h u i f ( s t e p + 1 ) M 　 。
步骤4:比较隶属度矩阵范数是否达到收敛条件‖U(step+1)-U(step)‖≤ε,若是,停止迭代,转步骤5;否则,令step=step+1,转步骤2,继续迭代。
步骤5:迭代结束后,确定传感器分类。

1.2.2 模糊 C算法自适应调整

模糊 C均值具有收敛速度快、不受先验类别约束等优点,但也存在聚类结果过分依赖初始类心、易受噪声干扰、缺乏样本各维属性对聚类贡献度评定等缺点。本文从以下几个方面对传统模糊 C算法进行自适应调整。
(1)针对模糊 C算法未考虑传感器各指标对聚类贡献度的问题,采用模糊层次分析法确定传感器各维指标权重。
①运用专家知识及经验依次对传感器各指标进行两两比对重要程度并取分值,按1-9标度法建立判断矩阵Dm×m,求解最大特征根λmax和特征向量x= x 1 , … , x m T。
②对特征向量做归一化处理,分别得到多个专家打分的指标权重向量w,并做一致性检验。计算公式为
w r = ( w r 1 , … , w r m ) = x r 1 ∑ g = 1 m x r 1 , … , x r m ∑ g = 1 m x r g 。
③基于专家可信度综合函数,确定可信度综合权重向量。为避免专家个体差异性,综合考虑专家职称 a r、研究领域关联度 b r、科研活跃程度 c r、评审业绩 d r、判定依据 e r这5个差异因素,符合程度分别对应分值10/8/6/4,评定专家可信度Pror,则可信度综合权重W描述为Pror、wr的线性乘积。计算公式为
p r = a r b r c r d r e r , P r o r = p r ∑ r = 1 Q p r , W = ( W 1 , … , W m ) = ( ∑ r = 1 Q P r o r × w r 1 , … , 　 　 ∑ r = 1 Q P r o r × w r m ) 。 　
式中: r为参评专家序号; p r为第 r个参评专家的能力测评总分; Q为参评专家总数;gpror为第r个参评专家的综合比分(可信度);W为可信度综合权重向量; W g表示传感器第 g个指标的综合权重; w r g表示第 r个参评专家对传感器第 g个指标的权重打分,即由模糊层次法确定的传感器指标权重。
(2)针对传感器性能参数多为区间型符号的问题,采用拓展Hausdorff距离作为2个区间符号之间的距离度量。计算公式为
d ( s f g , K g ) = | s f g ¯ - K ¯ g | + m i n ( s f g + , K g + ) m a x ( s f g - , K g - ) | σ f g - σ K g | , s f g ¯ = s f g + + s f g - 2 ; 　 K ¯ g = K g + + K g - 2 , σ s f g ¯ = s f g + - s f g - 2 3 ; 　 σ K ¯ g = K g + - K g - 2 3 。
对于传感器指标及监测任务指标需求,均为区间数据形式,故式(9)中, s f g ¯与 K g ¯分别表示 s f g 、 K g区间的均值, s f g区间指第 f个传感器第 g个指标的数值范围, K g区间则指监测任务第 g个指标的需求范围; s f g + 、 K g +为相应区间上限, m i n ( s f g +、 K g +)表示取两者中的较小值; s f g - 、 K g -为相应区间下限, m a x (s f g -、 K g -)表示取两者中的较大值; σ s f g 、 σ K g分别表示区间标准差。
(3)针对聚类结果过分依赖初始类心的问题,采用时空约束条件下的优先度准则划分初始类心。
①遍历备选传感器集合 S = { S f , f = 1,2 , … , n },依次判定 S f是否满足监测任务的时空约束,当TWf∩TW≠Ø且LWf∩LW≠Ø时,则满足时空约束,该传感器加入待分类链表 S = { S f , f = 1,2 , … , h }。
②对待分类链表中每一个传感器,分别计算其对监测任务的时间窗覆盖率、空间窗覆盖率、需求距性能求和,和值越大,则传感器对监测任务的潜在适应性越大。优先度计算原理如下。
F = r a n k Δ ( T W f ⋂ T W ) Δ T W + Δ ( L W f ⋂ L W ) Δ L W + 1 ∑ g = 1 m W g d 2 ( s f g , K g ) 。
式中: F为优先度排序函数,通过排序函数rank( )反馈结果;TW、LW为给定监测任务的时间窗、空间窗;TWf、LWf分别表示第 f个传感器在给定监测任务中能有效监测的时间范围和空间范围; W g 、 d ( s f g , K g )由式(7)—式(9)得到。 Δ表示数据范围两端端点之差。 Δ ( T W f ⋂ T W ) Δ T W和 Δ ( L W f ⋂ L W ) Δ L W分别指第 f个传感器对监测任务的时间窗覆盖率、空间窗覆盖率; 1 ∑ g = 1 m W g d 2 ( s f g , K g )指第 f个传感器对监测任务需求的距离。
③选择满足max(F)的传感器作为{优}的初始聚类中心,满足median(F)的传感器作为{中}的初始聚类中心,满足min(F)的传感器作为{差}的初始聚类中心。max(F)、median(F)、min(F)分别表示最大优先度、中位优先度、最小优先度。

1.2.3 自适应模糊多传感器性能度量

经过上述调整改进后,建立基于自适应模糊 C聚类的多传感器性能度量方法:
步骤1:设置初始聚类条件:类别数 C=3,分别对应类群标签{优}、{中}、{差};模糊因子取经验值M=2,收敛参数 ε = 0.01,迭代步数初始化为step=0,初始隶属度矩阵U0,并按式(4)归一化隶属度。
步骤2:采用时空约束以及属性距离约束条件下的优先度准则,以{优}、{中}、{差}相应的3个初节点作为初始聚类中心集 V 0。
步骤3:迭代更新隶属度矩阵U(step+1),其为 C × h维向量矩阵,如式(11)所示。
u i f ( s t e p + 1 ) = 1 ∑ j = 1 C u i f ( s t e p ) ‖ S f - v i ‖ u j f ( s t e p ) ‖ S f - v j ‖ 2 M - 1 , ‖ S f - v i ‖ = ∑ g = 1 m W g d ( s f g , v i g ) , ‖ S f - v j ‖ = ∑ g = 1 m W g d ( s f g , v j g ) 。 　
式中: i 、 j ∈ [ 1 , C ]均指聚类中心编号;U(step+1)表示第step+1次迭代时,第 f个传感器对第 i 、 j个聚类中心的隶属度;vi、vj分别表示第 i 、 j个聚类中心的指标向量。 ‖ S f - v i 、 S f - v j ‖ 分别表示 S f与 v i 、 v j的距离,通过对传感器 f和聚类中心的指标距离加权得到。 d ( s f g , v i g ) 、 d ( s f g , v j g )拓展Hausdorff距离得到, W g由模糊层次分析法得到。
步骤4:基于更新后的隶属度 u i f ( s t e p + 1 )迭代更新聚类中心V(step+1),其为 C × m维向量矩阵。计算原理为
v i ( s t e p + 1 ) = ∑ f = 1 h u i f ( s t e p + 1 ) M S f ∑ f = 1 h u i f ( s t e p + 1 ) M 　 。
步骤5:比较前后2次迭代的隶属度矩阵范数是否达到收敛条件‖Ustep+1-Ustep‖≤ε,若达到收敛条件,停止迭代,转向步骤6;否则令step=step+1,转向步骤3,继续迭代。
步骤6:迭代结束后,确定传感器分类:{ s α ∈优}、{ s β ∈良}、{ s γ ∈中}、{ s φ ∈差}。在停止迭代后,得到最终的聚类中心矩阵Vl和隶属度矩阵Ul,基于隶属度最大原则对传感器进行划分,即将传感器划分到隶属度最大所对应的类。

1.3 定向贪婪搜索模型求解

参与优化布局的备选传感器按{ s α ∈优}、{ s β ∈中}、{ s γ ∈差}顺序筛选。由于最佳组合数量无法事先确定,需要对所有可能组合进行排查,为减少求解难度,选用定向贪婪算法求解。步骤如下:
步骤1:对{ s α ∈优}的传感器集中各传感器按隶属度排序,选择最大隶属度对应的传感器作为贪婪搜索模型的搜索起点,即初始值,解决目前随机初始值导致的局部最优问题。将该初始值从{ s α ∈优}的传感器集中剔除,同时将该初始值加入到组合解集 Y = { S y , y = 1 , … , z }, z为解集中传感器数量。
步骤2:计算当前的解集对监测任务的时空性能响应及剩余时空约束。
时间覆盖性能 P T W _ Y和空间覆盖性能 P L W _ Y如式(13)所示。
P T W _ Y = ( T W f ⋃ T W Y - 1 ) ⋂ T W T W 　 , P L W _ Y = ( L W f ⋃ L W Y - 1 ) ⋂ L W L W 。  
剩余时间约束PTW_R和剩余空间约束PLW_R如式(14)所示。
P T W _ R = 1 - P T W _ Y 　 , P L W _ R = 1 - P L W _ Y 　 。
步骤3:对{ s α ∈优}中剩余的传感器执行贪婪搜索,按隶属度从大到小将传感器依序枚举,逐一判断各剩余传感器加入 Y后, Y对剩余时空约束PTW_R、PLW_R是否逐渐变小,若是,该传感器添加到可行解中,否则,不予考虑。
步骤4:重复步骤2—步骤3,直至枚举完{ s α ∈优}中所有传感器,得到满足目标函数最优化的协同解 Y = { S y , y ∈ ( 1 , … , z ) }。
步骤5:若枚举完{ s α ∈优}中所有传感器,最终的组合解集不足以完全覆盖监测任务的时空约束,依序对{ s β ∈中}{ s γ ∈差}中传感器执行步骤2—步骤3中操作,直至当前解集完全覆盖监测任务的时空约束,停止枚举。
一般而言,经过自适应模糊 C聚类后的{ s α ∈优}、{ s β ∈中}、{ s γ ∈差}类群,代表了备选传感器集合对水资源观测任务的性能响应优劣排序,当备选传感器数量足够,{ s α ∈优}类群基本能满足定向贪婪搜索算法求解的要求。
步骤6:利用最终的解集对水资源监测任务进行组合监测,参与监测的传感器及模糊隶属度对监测任务的响应满足公式(15)。
F ( K ) = U · Y = u 1 S 1 , u 2 S 2 , … , u z S z 。
综上,求解出的组合监测解集,可实现对水资源要素最大效益化观测。多传感器组合优化技术框架如图1所示。
图1 多传感器组合优化技术框架

Fig.1 Framework of multi-sensor combined optimization technology

2 试验分析

为了验证模糊C-贪婪搜索的多传感器组合优化算法在水资源监测中的性能,选用丹江口库区作为试验区来进行试验分析,丹江口库区地理位置及采样点布置见图2。
图2 丹江口库区地理位置及采样点布置

Fig.2 Location of Danjiangkou Reservoir area

2.1 监测任务需求分析

以丹江口库区在2018年8月水质、库岸环境、干旱常规监测任务为例,需求指标包括重访周期、空间覆盖率、空间分辨率、观测谱段等。监测任务的不同演化阶段、不同观测目标需求以及观测资源的实际情况等,对各指标的需求程度往往不一致。依据国家减灾委归纳总结的不同灾害监测对传感器性能参数的基本需求库[11],水质常规监测需求包括重访周期≤7 d、空间覆盖率尽量大、空间分辨率优于30 m、谱段信息满足水质反演要求;库岸环境监测要求包括重访周期≤10 d、空间覆盖率尽量大、分辨率优于10 m、谱段信息满足库岸特征识别要求,干旱监测要求包括重访周期≤30 d、空间覆盖率尽量大,分辨率为20~5 000 m、谱段信息满足旱情指标反演要求。监测任务需求如表1所示。
表1 库区监测任务需求参数

Table 1 Demand parameters for monitoring tasks

监测
任务		 时间分
辨率/d		 覆盖
率		 空间分辨
率/m		 光谱分辨率/
μm
水质
监测		 ≤7 越大越好 ≪30 满足水质反演要求0.4~1.0 μm
库岸环境
监测		 ≤10 越大越好 ≪10 满足库岸特征识别要求0.38~0.78 μm
干旱常规
监测		 ≤30 越大越好 20~
5 000		 满足旱情指标反演要求0.4~14 μm
约束条件:时间窗TW=[2018/08/01,2018/08/31],空间窗LW=[110°20',32°20',111°15',32°52']。
参与组合评价的备选卫星/传感器包括:Terra/Aqua_MODIS、WorldView-3的全色/多光谱相机、SPOT7_HRG、LANDSAT8_OLI、ALOS_PRISM、GF1_PMS、FY3_MERSI、EO1_Hyperion、HJ1_HSI、Sentinel2_MSI、Sentinel3_OLCI、ZY1-02C、ZY3-02。上述传感器性能参数,参见自然资源卫星遥感云服务平台,主要指标详情如表2所示。
表2 备选传感器性能指标

Table 2 Parameters of optional sensor performance

卫星 传感器 时间分
辨率/d		 空间分辨
率/m		 光谱分辨率/
μm
Terra/Aqua MODIS 1 250/500/1 000 0.4~14.4
WorldView3 PMS 1 0.31/1.24 0.45~1.04
SPOT7 HRG 1 1.5/6 0.45~0.89
ALOS PRISM 2 2.5 0.53~0.77
Landsat8 OLI 16 15/30 0.43~0.88
GF-1 PMS 4 2/8 0.45~0.89
GF-2 PMS 5 0.8/3.2 0.45~0.9
EO-1 Hyperion 5 30 0.4~2.5
HJ-1A/B HSI 4 100 0.45~0.95
FY3 MERSI 5.5 250/500/1 000 0.4~12.5
Sentinel2 MSI 5 10/20/60 0.44~2.4
Sentinel3 OLCI 2 300/1 200 0.40~1.02
ZY1-02C PMS 3 5/10 0.51~0.89
ZY3-02 MUX 5 2.1/2.5/5.8 0.45~0.89

2.2 可信度模糊综合法确定权重

考虑不同专家知识及经验,分别在水行政主管部门、科研院所等单位随机抽取15名专家,分别就库区水质、库案环境、干旱常规监测任务,对时间分辨率、覆盖率、空间分辨率、光谱分辨率等指标按1-9标度法两两比对重要度,求解最大特征根和特征向量后,分别得到多个专家打分的指标权重向量。结合专家职称、研究领域关联度、科研活跃程度、评审业绩、判定依据等差异因素,求解可信度模糊综合权重,结果如表3所示。
表3 可信度模糊综合权重表

Table 3 Reliability fuzzy comprehensive weights

监测任务 可信度模糊综合权重
时间分辨率 覆盖率 空间分辨率 光谱分辨率
水质监测 0.15 0.20 0.24 0.41
库岸环境监测 0.19 0.20 0.36 0.25
干旱常规监测 0.21 0.22 0.18 0.39
由专家综合权重评定结果可以看出,水质监测更看重光谱谱段因子,这与水质监测反演化学或生物要素的波谱响应机制紧密相关;库岸环境监测更看重空间分辨率,这与库岸工矿企业、码头、排污口等动态变化监测的需求一致,干旱常规监测更看重光谱分辨率,这与土壤水分、植被状态等指标反演需求基本一致。

2.3 自适应模糊C均值聚类分析

试验采用MatLab编程实现。分别读入备选卫星/传感器性能集合、水质监测/库岸环境监测/干旱监测的权重集合,将数据做无量纲、归一化等预处理。输入初始条件:类别数 C =3,对应{优,中,差},模糊因子 M = 2,收敛参数 ε = 0.0001,初始隶属度矩阵U0,迭代步数step=0。对备选卫星/传感器依次判断是否满足时空约束条件,并按时空约束条件下的优先度准则划分初始类心,迭代更新加权模糊矩阵和聚类中心至满足中止条件,最终得到卫星/传感器模糊分类结果,如表4所示。
表4 自适应模糊C均值聚类结果

Table 4 Result of adaptive fuzzy C-means clustering analysis

监测类型 优 中 差
水质监测 Sentinel2_MSI
Landsat8_OLI
GF2_PMS
GF1_PMS
ZY3-02		 ZY1-02
Sentinel3_OLCI
FY3_MERSI
SPOT7_HRG		 Terra/Aqua_MODIS
ALOS_PRISM
EO1-Hyperion
HJ1_HSI
库岸环境
监测		 GF2_PMS
GF1_PMS
ZY3-02
SPOT7_HRG		 ALOS_PRISM
ZY1-02
Sentinel2_MSIL
ANDSAT8_OLI
HJ1_HSI		 EO1-Hyperion
FY3_MERSI
Sentinel3_OLCI
Terra/Aqua_MODIS
干旱常规
监测		 HJ1_HSI
FY3_MERSI
Terra/Aqua_
MODIS
Sentinel3_OLCI		 Landsat8_OLI
Sentinel2_MSI
EO1-Hyperion		 ZY1-02
ZY3-02
SPOT7_HRG
GF1_PMS
ALOS_PRISM
GF2_PMS

2.4 贪婪搜索决策

参与组合评价的备选传感器按{sα∈优}、{sβ∈中}、{sγ∈差}顺序筛选。由于最佳组合数量无法事先确定,需要对所有可能组合进行排查,为减少求解难度,选用定向贪婪算法求解。依次枚举{sα∈优}的传感器集,迭代计算剩余时空约束,依据迭代优化情况确定最终的组合观测解集,组合方案见表5。
表5 多传感器组合方案

Table 5 Multi-sensor combination scheme

监测任务 组合方案 覆盖率/%
水质监测 Sentinel2_MSI+Landsat8_OLI 100
库岸环境监测 GF2_PMS+GF1_PMS+ZY3-02 100
干旱常规监测 FY3_MERSI+FY3_MERSI 100

2.5 结果验证与分析

为验证上述组合方案的可靠性,引入综合适应度 F Y函数,计算公式为
F Y = ∑ y = 1 z ∑ g = 1 m W g F ( s y g , K g ) z ; F ( s y g , K g ) = 0 , ⋃ s y g < K g 　 , 1 , ⋃ s y g ≫ K g 　 。
式中: W g表示传感器第 g指标权重; s y g 表 示 解 集 中第 y个传感器第 g个性能指标; K g表示监测任务 K第 g个指标; F ( s y g , K g )表示解集中第 y个传感器对监测任务的适应度; ⋃ s y g < K g表示组合 g指标并集未达到监测任务需求时,性能评定为0,∪syg≫K表示组合g指标并集能完成监测任务需求,性能评定为1。 F Y表示解集综合适应度,在连续区间[0,1]中取值,枚举过程中若 F Y递增则解集优化,递减则未优化, F Y极大值对应较优解。

2.5.1 水质监测场景

依次枚举{ s α ∈优}的传感器集{Sentinel2_MSI、Landsat8_OLI、GF2_PMS、GF1_PMS、ZY3-02},迭代计算各解集的综合适应度、剩余时空约束及覆盖率。
Y={Sentinel2_MSI}时,综合适应度0.631 1,剩余时间约束0.24,剩余空间约束0.27,覆盖率达73%,继续枚举Landsat8_OLI。
Y={Sentinel2_MSI+Landsat8_OLI}时,综合适应度0.822 3(升高),剩余时间、空间约束均为0,覆盖率达100%,继续枚举GF2_PMS。
Y={Sentinel2_MSI+Landsat8_OLI+GF2_PMS}时,综合适应度0.801 7(降低),剩余时间、空间约束均为0,覆盖率达100%,剩余时空约束及覆盖率不变,继续枚举GF1_PMS。
Y={Sentinel2_MSI+Landsat8_OLI+GF2_PMS+GF1_PMS}时,综合适应度为0.799 3(降低),剩余时空约束及覆盖率不变,继续枚举ZY3-02。
Y={Sentinel2_MSI+Landsat8_OLI+GF2_PMS+GF1_PMS+ZY3-02}时,综合适应度为0.787 5(降低),剩余时空约束及覆盖率不变,{sα∈优}枚举结束。
综上可见,当解集Y={Sentinel2_MSI+Landsat8_OLI}时,综合适应度达到极大值0.822 3,且剩余时空约束和覆盖率满足停止迭代条件,该解集相比于其他组合更优。
为进一步验证水质监测组合方案的可靠性,使用影像查询接口进行验证。输入时间窗、空间窗,选择传感器组合Sentinel2_MSI+Landsat8_OLI。该组合状态下,库区(红框区域)覆盖率达到100%,覆盖情况如图3所示。
图3 水质监测覆盖情况

Fig.3 Coverage of water quality coordinated-monitoring

2.5.2 库岸环境监测场景

依次枚举{ s α ∈优}的传感器集{GF2_PMS、GF1_PMS、ZY3-02、SPOT7_HRG},迭代计算各解集的综合适应度、剩余时空约束及覆盖率。
Y={GF2_PMS}时,综合适应度为0.551 2,剩余时间约束为0.41,剩余空间约束为0.57,覆盖率为47%,继续枚举GF1_PMS。
Y={GF2_PMS+GF1_PMS}时,综合适应度为0.592 1升高,剩余时间约束为0.23,剩余空间约束为0.29,覆盖率为71%,继续枚举ZY3-02。
Y={GF2_PMS+GF1_PMS+ZY3-02}时,综合适应度0.665 8(升高),剩余时间约束0,剩余空间约束0,覆盖率100%,继续枚举SPOT7_HRG。
Y={GF2_PMS+GF1_PMS+ZY3-02+SPOT7_HRG}时,综合适应度0.652 2降低,剩余时间、空间约束不变,覆盖率不变,{ s α ∈优}枚举结束。
综上可见,当解集Y={GF2_PMS+GF1_PMS+ZY3-02}时,综合适应度达到极大值0.665 8,且剩余时空约束和覆盖率满足停止迭代条件,该解集相比于其他组合更优。
为进一步验证库岸环境监测组合方案的可靠性,使用影像查询接口进行验证。输入时间窗、空间窗,选择传感器组合GF2_PMS+GF1_PMS+ZY3-02。该组合状态下,库区(红框区域)覆盖率达到100%,覆盖情况如图4所示。
图4 库岸环境监测覆盖情况

Fig.4 Coverage of reservoir bank coordinated-monitoring

2.5.3 干旱常规监测场景

依次枚举{ s α ∈优}的传感器集{HJ1_HSI、FY3_MERSI、Terra/Aqua_MODIS、Sentinel3_OLCI},迭代计算各解集的综合适应度、剩余时空约束及覆盖率。
Y={HJ1_HSI}时,综合适应度0.799 3,剩余时间约束0.11,剩余空间约束0.29,覆盖率71%,继续枚举FY3_MERSI。
Y={HJ1_HSI+FY3_MERSI}时,综合适应度0.802 1(升高),剩余时间约束0,剩余空间约束0,覆盖率100%,继续枚举Terra/Aqua_MODIS。
Y={HJ1_HSI+FY3_MERSI+Terra/Aqua_MODIS}时,综合适应度0.801 6(降低),剩余时间、空间约束不变,覆盖率100%,继续枚举Sentinel3_OLCI。
Y={HJ1_HSI+FY3_MERSI+Terra/Aqua_MODIS+Sentinel3_OLCI}时,综合适应度0.781 9(降低),剩余时间、空间约束不变,覆盖率100%,{ s α ∈优}枚举结束。
综上可见,当解集Y={HJ1_HSI+FY3_MERSI}时,综合适应度达到极大值0.802 1,且剩余时空约束和覆盖率满足停止迭代条件,该解集相比于其他组合更优。
为进一步验证库岸环境监测组合方案的可靠性,使用影像查询接口进行验证。输入时间窗、空间窗,选择传感器组合HJ1_HSI+FY3_MERSI,该组合状态下,库区(红框区域)覆盖率达到100%,覆盖情况如图5所示。
图5 干旱常规监测覆盖情况

Fig.5 Coverage of routine drought monitoring

3 结束语

本文在分析水资源监测任务对传感器性能指标、观测时效性、时空覆盖性等要求的基础上,提出一种面向水资源监测任务的星载多传感器组合优化方法,通过建立任务需求原型,利用自适应模糊C算法量化传感器监测能力,并采用贪婪搜索决策思路求解特定约束条件下的多传感器组合监测解集,实现对水资源要素最大效益化观测。为验证组合方案适应性,以丹江口库区水质、库岸环境、常规干旱监测任务为例,进行多传感器组合观测模型验证,试验结果表明,组合优化解集能基本满足监测任务对时空覆盖性、时-空-谱分辨率的需求,为水资源日常监测提供决策依据。
因星载成像传感器的复杂性和对地监测网应用的多样性,不同的传感器数据处理、分析解译方法和成本不同,本文研究内容还只是基础性、阶段性工作,后续将依托项目综合考量大气、云、降水等外在因素,并将观测过程与数据反演深度结合,进一步开展协同监测研究。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
蔡阳, 成建国, 曾焱, 等. 大力推进智慧水利建设[J]. 水利发展研究, 2021, 21(9):32-36.

(CAI Yang, CHENG Jian-guo, ZENG Yan, et al. Vigorously Promote the Construction of Smart Water Conservancy[J]. Water Resources Development Research, 2021, 21(9):32-36.) (in Chinese)

[2]
水利部信息中心. 水利部印发关于推进智慧水利建设的指导意见和实施方案[J]. 水利建设与管理, 2022, 42(1):5.

(Information Center of the Ministry of Water Resources. Guiding Opinions and Implementation Plans on Promoting Smart Water Conservancy Construction Were Printed and Distributed by Ministry of Water Resources[J]. Water Conservancy Construction and Management, 2022, 42(1):5.(in Chinese))

[3]
申邵洪, 姜莹, 陈希炽, 等. 面向突发性水污染事件的多传感器动态组网立体监测[J]. 长江科学院院报, 2024, 41(3): 160-165.

DOI

(SHEN Shao-hong, JIANG Ying, CHEN Xi-chi, et al. Dynamic Monitoring Network with Multi-sensors for Sudden Water Pollution Events[J]. Journal of Changjiang River Scientific Research Institute, 2024, 41(3): 160-165.) (in Chinese)

[4]
徐保东, 李静, 柳钦火, 等. 地面站点观测数据代表性评价方法研究进展[J]. 遥感学报, 2015, 19(5): 703-718.

(XU Bao-dong, LI Jing, LIU Qin-huo, et al. Review of Methods for Evaluating Representativeness of Ground Station Observations[J]. Journal of Remote Sensing, 2015, 19(5): 703-718.) (in Chinese)

[5]
国家民用空间基础设施中长期发展规划(2015—2025年)[J]. 卫星应用, 2015(11):64-70.

(National Mid-and Long-term Development Plan for Civil Space Infrastructure(2015-2025)[J]. Satellite Applications, 2015(11):64-70.) (in Chinese)

[6]
岩腊, 龙笛, 白亮亮, 等. 基于多源信息的水资源立体监测研究综述[J]. 遥感学报, 2020, 24(7): 787-803.

(YAN La, LONG Di, BAI Liang-liang, et al. A Review on Water Resources Stereoscopic Monitoring Systems Based on Multisource Data[J]. Journal of Remote Sensing, 2020, 24(7): 787-803.) (in Chinese)

[7]
李德仁, 朱欣焰, 龚健雅. 从数字地图到空间信息网格: 空间信息多级网格理论思考[J]. 武汉大学学报(信息科学版), 2003, 28(6): 642-650.

(LI De-ren, ZHU Xin-yan, GONG Jian-ya. From Digital Map to Spatial Information Multi-grid:A Thought of Spatial Information Multi-grid Theory[J]. Geomatics and Information Science of Wuhan University, 2003, 28(6): 642-650.) (in Chinese)

[8]
陈能成, 张良培. 空天地一体化对地观测传感网的概念与特征[J]. 测绘地理信息, 2015, 40(5): 4-7, 12.

(CHEN Neng-cheng, ZHANG Liang-pei. Concept and Characteristics of Integrated Earth Observation Sensor Web[J]. Journal of Geomatics, 2015, 40(5): 4-7, 12.) (in Chinese)

[9]
胡楚丽, 刘一冬, 张翔. 一种面向应急任务的天基传感器观测组合方法[J]. 武汉大学学报(信息科学版), 2016, 41(10): 1313-1318.

(HU Chu-li, LIU Yi-dong, ZHANG Xiang. An Emergency Mission Oriented Evaluating Method for Space-based Satellite Sensors' Observation Combination[J]. Geomatics and Information Science of Wuhan University, 2016, 41(10): 1313-1318.) (in Chinese)

[10]
张翔. 面向干旱监测应用的星地多传感器协同方法研究[D]. 武汉: 武汉大学, 2017.

(ZHANG Xiang. Research on Cooperative Method of Satellite-Ground Multi-sensors for Drought Monitoring Application[D]. Wuhan: Wuhan University, 2017.) (in Chinese)

[11]
赵杰鹏, 张显峰, 包慧漪, 等. 基于可见光红外与被动微波遥感的土壤水分协同反演[J]. 红外与毫米波学报, 2012, 31(2): 137-142, 147.

(ZHAO Jie-peng, ZHANG Xian-feng, BAO Hui-yi, et al. Monitoring Land Surface Soil Moisture: Co-inversion of Visible, Infrared and Passive Microwave Sensing Data[J]. Journal of Infrared and Millimeter Waves, 2012, 31(2): 137-142, 147.) (in Chinese)

[12]
李德仁, 朱庆, 朱欣焰, 等. 面向任务的遥感信息聚焦服务[M]. 北京: 科学出版社, 2010.

(LI De-ren, ZHU Qing, ZHU Xin-yan, et al. Task-oriented Remote Sensing Information Focusing Service[M]. Beijing: Science Press, 2010.) (in Chinese)

Options
Outlines

/

〈 〉

Copyright © Journal of Changjiang River Scientific Research Institute, All Rights Reserved.
Powered by Beijing Magtech Co. Ltd.