-
湖泊是地球上重要的淡水资源之一,许多地区都依赖湖泊作为主要饮水来源[1-2]。然而,工业废水和城市生活污水不加节制的排放,导致湖泊水体严重富营养化,引发藻类快速繁殖[3-5],并造成湖泊滨岸带蓝藻水华堆积,严重影响用水安全,破坏水域生态平衡[6]。因此,实时定量监测湖泊滨岸带蓝藻水华,获取蓝藻水华的空间分布与动态变化,对于湖泊生态环境治理具有重要意义。
目前,监测湖泊蓝藻水华的主要方法包括人工监测[7-9]、卫星遥感监测[10-13]以及视频监测[14]。人工采样监测能够了解湖泊生态系统信息,但蓝藻繁殖迅速[15],该方法存在采样不均匀、样本数量有限以及分析周期长等问题[16-18]。卫星遥感监测因其覆盖范围广且能够提供高精度数据等优势,已被国内外专家广泛应用于湖泊蓝藻水华监测,但受制于运行轨道和监测水域上方的云层遮盖影响,致使其无法实现对特定水域的蓝藻水华实时监测,从而导致监测结果存在一定的限制[19]。针对人工监测、卫星遥感监测方法存在的弊端,视频监控技术凭借自动化与实时性等特点,为湖泊滨岸带蓝藻水华监测提供了新思路。例如,邱银国等[20]整合卫星遥感、视频监控等手段,构建了巢湖水质和蓝藻水华的全方面监测;马腾耀等[21]基于视频监控动态监测湖泊沿岸蓝藻水华的覆盖率;LIU等[22]利用双目立体视觉原理实现目标水域的三维重建,并对水域图像进行蓝藻水华提取。
然而,目前视频监控监测方法所能提供的仅仅是蓝藻水华所占比例,而非准确的面积数据,这种基于比例的监测数据存在明显的不确定性,在实践应用中存在较大风险。例如,对于同一片蓝藻水域,随着视频监控设备拍摄角度的变化,蓝藻水华面积占比可能出现截然不同的结果。因此,通过对摄像头针孔模型的深入研究,提出一种基于视频监控图像的蓝藻水华实时定量监测方法,为湖泊水环境管理人员提供湖泊滨岸带水域中蓝藻水华的实际覆盖面积及其演变趋势,为科学研究和管理决策提供可靠的数据支持。
基于视频监控的湖泊滨岸带蓝藻水华实时定量监测方法及应用研究
Real-time quantitative monitoring method of cyanobacterial blooms in lake riparian zones based on video surveillance and application research
-
摘要: 湖泊作为我国主要饮用水源地,其滨岸带蓝藻水华过度堆积,对用水安全以及生态环境造成严重影响。因此,实时定量监测湖泊滨岸带蓝藻水华,是湖泊蓝藻水华防控的关键举措。基于环湖实时视频监控所捕获的水域图像,采用深度学习方法识别蓝藻水华像素,并根据摄像头成像原理及内外参数准确计算每个蓝藻水华像素对应实际蓝藻水华面积,最后统计分析湖泊滨岸带水域的蓝藻水华总面积。实验结果表明,基于VGG16-UNet模型的蓝藻水华像素识别方法的平均交并比与总体精度分别达到了88.74%与94.10%,优于同类方法;且蓝藻水华面积计算值与实测值具有良好的拟合度 (R2=0.97) 。该方法能够及时获取湖泊滨岸带蓝藻水华的覆盖面积及其动态变化过程,对于湖泊水环境治理起着重要作用。Abstract: Excessive accumulation of cyanobacterial blooms in the riparian zones of lakes, which are the main source of drinking water, has a serious impact on water safety as well as on the ecological environment. Therefore, real-time quantitative monitoring of cyanobacterial blooms in lake riparian zones is a key initiative for the prevention and control of cyanobacterial blooms in lakes. Based on the images of waters captured by real-time video surveillance around the lake, a deep learning method was used for cyanobacteria pixel recognition, and the actual cyanobacteria bloom area corresponding to each cyanobacteria pixel was accurately calculated according to the camera imaging principle and internal and external parameters, and finally the total area of cyanobacteria bloom in the waters of the lake’s riparian zone was statistically analyzed. The experimental results showed that the average intersection ratio and overall accuracy of the cyanobacterial pixel identification method based on the VGG16-UNet model reached 88.74% and 94.10%, respectively, which was better than similar methods; and the calculated values of cyanobacterial bloom area had a good fit with the measured values (R2=0.97). This method enabled the timely acquisition of cyanobacterial bloom coverage and facilitates monitoring the dynamic changes along the riparian zones of lakes, playing a pivotal role in the management of lake water environments.
-
Key words:
- lake /
- eutrophication /
- cyanobacteria bloom /
- video surveillance /
- quantitative monitoring
-
表 1 不同模型分割结果
Table 1. Segmentation results of different models
模型 主干提取网络 mIoU/% OA/% 蓝藻水华IoU/% UNet — 81.26 89.75 76 UNet VGG16 88.74 94.10 86 DeeplabV3+ xception 71.8 82.61 64 DeeplabV3+ mobilenet 79.41 86.55 71 表 2 不同模型蓝藻水华像素识别结果
Table 2. Pixel identification results of cyanobacterial blooms with different models
表 3 视频监控图像与蓝藻水华像素识别图像
Table 3. Video surveillance images and cyanobacteria bloom segmentation image
-
[1] 张甘霖, 谷孝鸿, 赵涛, 等. 中国湖泊生态环境变化与保护对策[J]. 中国科学院院刊, 2023, 38(3): 358-364. [2] 张运林, 秦伯强, 朱广伟, 等. 论湖泊重要性及我国湖泊面临的主要生态环境问题[J]. 科学通报, 2022, 67(30): 3503-3519. [3] 张民, 孔繁翔. 巢湖富营养化的历程、空间分布与治理策略(1984-2013年)[J]. 湖泊科学, 2015, 27(5): 791-798. doi: 10.18307/2015.0505 [4] DZIALOWSKI A R, SMITH V H, HUGGINS D G, et al. Development of predictive models for geosmin-related taste and odor in Kansas, USA, drinking water reservoirs[J]. Water Research, 2009, 43(11): 2829-2840. doi: 10.1016/j.watres.2009.04.001 [5] 吴林锋, 朱云, 朱喜. 2007-2020年太湖蓝藻持续暴发影响因素分析[J]. 水资源开发与管理, 2023, 9(2): 43-49,84. [6] 宣淮翔, 安树青, 孙庆业, 等. 巢湖西半湖北岸湖滨带蓝藻堆积处细菌多样性初步研究[J]. 水产学报, 2011, 35(12): 1873-1880. [7] 国家环境保护总局. 水和废水监测分析方法[M]. 4版. 北京: 中国环境科学出版社, 2002. [8] 翁建中, 王亚超, 李继影, 等. 荧光技术在太湖蓝藻水华预警监测中的应用[J]. 中国环境监测, 2009, 25(4): 23-26. doi: 10.3969/j.issn.1002-6002.2009.04.007 [9] 周君薇, 张丽娟, 周宇昆, 等. 实时荧光定量PCR技术在太湖蓝藻监测和评估中的应用[J]. 生态毒理学报, 2021, 16(6): 13-25. doi: 10.7524/AJE.1673-5897.20210315002 [10] 朱雨新, 李云梅, 张玉, 等. 基于遥感反射率的太湖优势藻识别方法[J]. 湖泊科学, 2023, 35(1): 73-87. [11] GOWER J, HU C, BORSTAD G, et al. Ocean Color Satellites Show Extensive Lines of Floating Sargassum in the Gulf of Mexico[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(12): 3619-3625. doi: 10.1109/TGRS.2006.882258 [12] 李旭文, 侍昊, 张悦, 等. 基于欧洲航天局“哨兵-2A”卫星的太湖蓝藻遥感监测[J]. 中国环境监测, 2018, 34(4): 169-176. [13] 徐良泉, 苏涛, 雷波等. 基于FAI-L方法的巢湖水域藻华提取方法研究[J]. 湖泊科学, 2023, 35(4): 1222-1235. doi: 10.18307/2023.0416 [14] 尹美琳, 张嘉琪, 路春晖, 等. 蓝藻实时监测技术综述[J]. 价值工程, 2019, 38(22): 208-209. [15] DAVID P, JOEEL R, JEAN-FRANCOIS H. Influence of sampling strategies on the monitoring of cyanobacteria in shallow lakes: Lessons from a case study in France[J]. Water Research, 2011, 45(3): 1005-1014. doi: 10.1016/j.watres.2010.10.011 [16] 钟声. 太湖蓝藻水华的自动监测和手工监测比对分析[J]. 环境监控与预警, 2021, 13(3): 19-23. doi: 10.3969/j.issn.1674-6732.2021.03.004 [17] BOWLING L, RYAN D, HOLLIDAY J, et al. Evaluation of in situ fluorometry to determine cyanobacterial abundance in the Murray and lower darling rivers, Australia[J]. River Research and Applications, 2013, 29(8): 1059-1070. doi: 10.1002/rra.2601 [18] BERTONE E, BURFORD A M, HAMILTON P D. Fluorescence probes for real-time remote cyanobacteria monitoring: A review of challenges and opportunities[J]. Water Research, 2018, 141(15): 152-162. [19] 王伟超, 邹维宝. 高分辨率遥感影像信息提取方法综述[J]. 北京测绘, 2013, 27(4): 1-5. doi: 10.3969/j.issn.1007-3000.2013.04.001 [20] 邱银国, 段洪涛, 万能胜, 等. 巢湖蓝藻水华监测预警与模拟分析平台设计与实践[J]. 湖泊科学, 2022, 34(1): 38-48. doi: 10.18307/2022.0102 [21] 马腾耀, 肖鹏峰, 张学良, 等. 基于视频监控图像的环巢湖蓝藻实时动态监测[J]. 湖泊科学, 2022, 34(6): 1840-1853. doi: 10.18307/2022.0605 [22] LIU J, XIA C L, XIE H, et al. Accurate monitoring of algal blooms in key nearshore zones of lakes and reservoirs using binocular video surveillance system[J]. Water, 2022, 14(22): 3728. doi: 10.3390/w14223728 [23] ZHANG M, ZHANG Y, YANG Z, et al. Spatial and seasonal shifts in bloom‐forming cyanobacteria in Lake Chaohu: Patterns and driving factors[J]. Phycological Research, 2016, 64(1): 44-55. doi: 10.1111/pre.12112 [24] 王徐林, 张民, 殷进. 巢湖浮游藻类功能群的组成特性及其影响因素[J]. 湖泊科学, 2018, 30(2): 431-440. doi: 10.18307/2018.0214 [25] 陈实, 高超, 黄银兰. 不同季节划分尺度下巢湖流域气候变化趋势分析[J]. 长江流域资源与环境, 2013, 22(5): 582-587. [26] 钱瑞, 彭福利, 薛坤, 等. 大型湖库滨岸带蓝藻水华堆积风险评估——以巢湖为例[J]. 湖泊科学, 2022, 34(1): 49-60. doi: 10.18307/2022.0103 [27] 张松兰. 基于卷积神经网络的图像识别综述[J]. 西安航空学院学报, 2023, 41(1): 74-81. [28] 李炳臻, 刘克, 顾佼佼, 等. 卷积神经网络研究综述[J]. 计算机时代, 2021(4): 8-12,17. [29] RONNEBERGER O, FISCHER P, BROX T. U-net: convolutional networks for biomedical image segmentation[C]//Proceedings of International Conference on Medical Image Computing and Computer-Assisted Intervention. Heidelberg: Springer, 2015: 234-241. [30] DU G T, XU C, LIANG J M, et al. Medical Image Segmentation based on U-Net: A Review[J]. Journal of Imaging Science and Technology, 2020, 64(2): 20508.1-20508.12. doi: 10.2352/J.ImagingSci.Technol.2020.64.2.020508 [31] SIMONYAN K, ZISSERMAN A. Very Deep convolutional networks for large-scale image recognition[C]//International Conference on Learning Representations (ICLR). 2015: 1-14. [32] CHEN L C, PAPANDREOU G, KOKKINOS I, et al. Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 40(4): 834-848. [33] 陈辉, 张傲, 孙帅, 等. 基于改进DeepLabv3+的含噪声热红外图像光伏热斑检测方法[J]. 太阳能学报, 2023, 44(11): 23-30. [34] 谢宗武, 马博宇, 蒋再男, 等. 面向空间机械臂遥操作的虚拟相机成像技术[J]. 哈尔滨工程大学学报, 2023, 44(4): 631-638. [35] 马颂德, 张正友. 计算机视觉: 计算理论与算法基础[M]. 北京: 科学出版社, 1998. [36] 张宇, 张春燕, 陈笋. 基于OpenCV的视频图像梯形畸变实时校正方法[J]. 合肥学院学报(自然科学版), 2013, 23(3): 43-47. [37] 景庄伟, 管海燕, 臧玉府, 等. 基于深度学习的点云语义分割研究综述[J]. 计算机科学与探索, 2021, 15(1): 1-26. doi: 10.3778/j.issn.1673-9418.2006025 [38] RUSSELL B C, TORRALBA A, MURPHY K P, et al. LabelMe: A Database and Web-Based Tool for Image Annotation[J]. International Journal of Computer Vision, 2008, 77(1/2/3). [39] PASZKE A, GROSS S, MASSA F, et al. Pytorch: An imperative style, high-performance deep learning library[C] //Proceedings of the Advances in Neural Information Processing Systems. Vancouver, Canada, 2019: 8024-8035. [40] 罗会兰, 张云. 基于深度网络的图像语义分割综述[J]. 电子学报, 2019, 47(10): 2211-2220. doi: 10.3969/j.issn.0372-2112.2019.10.024