Please wait a minute...
国土资源遥感  2019, Vol. 31 Issue (2): 111-117    DOI: 10.6046/gtzyyg.2019.02.16
  技术方法 本期目录 | 过刊浏览 | 高级检索 |
基于偏最小二乘法的高光谱水面油膜厚度估算
邢学文1,刘松1,许德刚2,钱凯俊1
1.中国石油勘探开发研究院,北京 100083
2.中国石油集团安全环保技术研究院,北京 102206
Thickness estimation of crude oil slicks by hyperspectral data based on partial least square regression method
Xuewen XING1,Song LIU1,Degang XU2,Kaijun QIAN1
1.Petrochina Research Institute of Petroleum Exploration and Development, Beijing 100083, China
2.Chinese Petroleum Safety and Environmental Protection Technology Research Institute, Beijing 102206, China
全文: PDF(5044 KB)   HTML  
输出: BibTeX | EndNote (RIS)      
摘要 

油膜厚度是水面溢油量估算的一个关键参数。为了确定高光谱数据探测水面油膜厚度的可行性,在实验室内,以原油作为实验油品,以石英卤素灯模拟太阳光源,以ASD FieldSpec3作为光谱探测仪器,开展了不同厚度油膜模拟及其反射率光谱测量实验,获取油膜厚度-反射率光谱数据27组。为了充分利用光谱信息,选择偏最小二乘法(partial least squares,PLS)进行油膜厚度-光谱反射率建模,样本数据中21组用于建模,6组用于验证。研究结果表明,当主成分分量个数为5时,PLS模型具有最佳效果,5个主成分分量累积解释了74%的自变量信息和99.8%的因变量信息,模型的预测能力达到92.8%,建模样本和验证样本的均方根误差(root mean squared error,RMSE)分别为0.01和0.04,说明所建立的PLS模型具有较好的预测能力和稳定性。通过与传统曲线拟合模型的对比,PLS模型在误差方面无论是建模样本还是验证样本均优于传统的经验模型,因而认为基于PLS模型可以实现高光谱数据水面油膜厚度估算。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
邢学文
刘松
许德刚
钱凯俊
关键词 油膜实验油膜厚度高光谱数据偏最小二乘法    
Abstract

Thickness of oil slick is an important parameter of oil spill volume. In order to confirm the feasibility of oil thickness estimation with hyperspectral data,the authors used ASD FieldSpec3, quartz halogen lamp and crude oil for a laboratory experiment which simulates oil slick and spectral measurement. 27 pairs of oil thickness and reflection data were acquired. To make full use of spectral information of the hyperspectral data,the authors selected partial least square (PLS) to slick thickness and reflection modeling with 21 set model data and 6 test data set. Model result shows that PLS model expresses optimal effect when five principal components are selected which interpret 74% information of independent variables and 99.8% information of dependent variable, the prediction capability of the model runs up to 92.8%. The root mean squared error is 0.01 for modeling samples and 0.04 for validation samples. The PLS model shows better accuracy of modeling and validation error compared with traditional model, and thus it can be used in oil slicks thickness modeling with hyperspectral data.

Key wordsoil slick simulation experiment    thickness of oil slicks    hyperspectral data    partial least square
收稿日期: 2018-03-21      出版日期: 2019-05-23
ZTFLH:  TP79  
基金资助:中国石油“十三五”重大科技项目“南海油气形成条件与勘探技术研究及重大目标优选”资助(2016A-1003)
作者简介: 邢学文(1976-),男,博士,高级工程师,主要从事石油遥感应用方面研究。Email: xingxuewen@petrochina.com.cn。
引用本文:   
邢学文,刘松,许德刚,钱凯俊. 基于偏最小二乘法的高光谱水面油膜厚度估算[J]. 国土资源遥感, 2019, 31(2): 111-117.
Xuewen XING,Song LIU,Degang XU,Kaijun QIAN. Thickness estimation of crude oil slicks by hyperspectral data based on partial least square regression method. Remote Sensing for Land & Resources, 2019, 31(2): 111-117.
链接本文:  
http://www.gtzyyg.com/CN/10.6046/gtzyyg.2019.02.16      或      http://www.gtzyyg.com/CN/Y2019/V31/I2/111
Fig.1  油膜遥感检测实验示意图
Fig.2  油膜厚度计算方法示意图
Fig.3  不同厚度油膜反射率光谱曲线
Fig.4  线性相关性矩阵
Fig.5  t1-t2平面图和T2椭圆
Fig.6  模型最佳主成分个数的确定
主成分
分量
X
释能力
X累积
解释能力
Y
释能力
Y累积
解释能力
预测
能力
累积预
测能力
PC1 32.6 32.6 49.0 49.0 33.1 33.1
PC2 22.1 54.7 20.3 69.3 17.0 44.5
PC3 10.0 64.7 20.6 89.9 40.6 67.0
PC4 6.2 71.0 7.6 97.5 48.6 83.0
PC5 3.1 74.0 2.3 99.8 57.8 92.8
Tab.1  PLS模型各主成分分量对XY的解释能力
Fig.7  主成分分量tu之间的相关关系
Fig.8  实测油膜厚度与模型预测油膜厚度关系
Fig.9  PLS模型自变量因子的重要性指标
Fig.10  w*c1-w*c2平面图
Fig.11  油膜厚度-反射率曲线拟合
模型 自变量 方程 RMSE
建模样本 验证样本
PLS R350R2 500 0.01 0.04
单波段指数模型 R1 086 Y=1.729 4 e-4048x 0.11 0.15
Tab.2  不同建模方法比较
[1] 宋莎莎, 安伟, 李建伟 , 等. 海上溢油量评估方法研究综述[J]. 海岸工程, 2017,36(1):83-88.
doi: 10.3969/j.issn.1002-3682.2017.01.009
Song S S, An W, Li J W , et al. Review on the methods for assessment of marine oil spill volume[J]. Coastal Engineering, 2017,36(1):83-88.
doi: 10.3969/j.issn.1002-3682.2017.01.009
[2] 安超 . 光学遥感溢油检测机理及实例分析[D]. 青岛:中国海洋大学, 2013.
An C . The Mechanism of Optical Remote Sensing in Oil Spill Detection and Case Studies[D]. Qingdao:Ocean University of China, 2013.
[3] 赵冬至, 丛丕福 . 海面溢油的可见光波段地物光谱特征研究[J]. 遥感技术与应用, 2000,15(3):160-164.
doi: 10.3969/j.issn.1004-0323.2000.03.005
Zhao D Z, Cong P F . The research of visual light wave-band feature spectrum of sea-surface oil spill[J]. Remote Sensing Technology and Application, 2000,15(3):160-164.
doi: 10.3969/j.issn.1004-0323.2000.03.005
[4] 刘旭拢, 邓孺孺, 秦雁 , 等. 水面浮油光谱测量及光谱特征分析[J]. 海洋科学, 2016,40(10):63-70.
doi: 10.11759/hykx20160118001
Liu X L, Deng R R, Qin Y , et al. Spectral measurement and characteristic analysis of an oil film floating above water[J]. Marine Sciences, 2016,40(10):63-70.
doi: 10.11759/hykx20160118001
[5] 臧影 . 高光谱溢油图像波段选择在油膜厚度估算中的应用[D]. 大连:大连海事大学, 2010.
Zang Y . Application of Hyperspectral Band Selection in Detection of Oil Slick Thickness[D]. Dalian:Dalian Maritime University, 2010.
[6] 兰国新 . 海上溢油遥感光谱信息挖掘与应用研究[D]. 大连:大连海事大学, 2012.
Lan G X . Study on Spectral Information Mining and Application for Oil Spill Remote Sensing Monitoring[D]. Dalian:Dalian Maritime University, 2012.
[7] 肖剑伟, 田庆久 . 基于生物光学模型的水面薄油膜厚度的高光谱遥感反演实验研究[J]. 光谱学与光谱分析, 2012,32(1):183-187.
Xiao J W, Tian Q J . Experimental study of offshore oil thickness hyperspectral inversion based on bio-optical model[J]. Spectroscopy and Spectral Analysis, 2012,32(1):183-187.
[8] 孙鹏, 宋梅萍, 安居白 . 基于光谱曲线响应特性的油膜厚度估计模型分析[J]. 光谱学与光谱分析, 2013,33(7):1881-1885.
Sun P, Song M P, An J B . Study of prediction models for oil thickness based on spectral curve[J]. Spectroscopy and Spectral Analysis, 2013,33(7):1881-1885.
[9] 刘丙新, 李颖, 张至达 , 等. 不同厚度海上油膜高光谱遥感波段敏感性研究[J]. 东北师大学报(自然科学版), 2015,47(4):156-160.
doi: 10.16163/j.cnki.22-1123/n.2015.04.032
Liu B X, Li Y, Zhang Z D , et al. Study on the sensitivity of hyperspectral imagery to detect oil film with different thickness[J]. Journal of Northeast Normal University(Natural Science Edition), 2015,47(4):156-160.
doi: 10.16163/j.cnki.22-1123/n.2015.04.032
[10] Winkelmann K H . On the applicability of imaging spectrometry for the detection and investigation of contaminated sites with particular consideration given to the detection of fuel hydrocarbon contaminants in soil[D]. Berlin:BTU Cottbus, 2005.
[11] 高保彬, 潘家宇, 刘云鹏 , 等. 偏最小二乘法的煤层瓦斯含量预测模型研究[J]. 河南理工大学学报(自然科学版), 2015,34(2):146-150.
doi: 10.16186/j.cnki.1673-9787.2015.02.002
Gao B B, Pan J Y, Liu Y P , et al. Study on prediction model of seam gas content based partial least squares regression[J]. Journal of Henan Polytechnic University(Natural Science), 2015,34(2):146-150.
doi: 10.16186/j.cnki.1673-9787.2015.02.002
[12] 李朋成, 朱军桃, 马云栋 , 等. 基于偏最小二乘法的近红外光谱分析应用[J]. 测绘地理信息, 2015,40(2):53-56.
doi: 10.14188/j.2095-6045.2015.02.015
Li P C, Zhu J T, Ma Y D , et al. Near infrared spectral analysis based on partial least squares[J]. Journal of Geomatics, 2015,40(2):53-56.
doi: 10.14188/j.2095-6045.2015.02.015
[13] 刘忠华, 李云梅, 吕恒 , 等. 基于偏最小二乘法的巢湖悬浮物浓度反演[J]. 湖泊科学, 2011,23(3):357-365.
doi: 10.18307/2011.0307
Liu Z H, Li Y M, Lyu H , et al. Inversion of suspended matter concentration in lake Chaohu based on partial least squares regression[J]. Journal of Lake Sciences, 2011,23(3):357-365.
doi: 10.18307/2011.0307
[14] 王慧文 . 偏最小二乘回归方法及其应用[M]. 北京: 国防工业出版社, 1999.
Wang H W. Partial Least-Squares Regression Method and Applications[M]. Beijing: National Defense Industry Press, 1999.
[15] 杨杰, 方俊, 胡德秀 , 等. 偏最小二乘法回归在水利工程安全监测中的应用[J]. 农业工程学报, 2007,23(3):136-140.
doi: 10.3321/j.issn:1002-6819.2007.03.028
Yang J, Fang J, Hu D X , et al. Application of partial least-squares regression to safety monitoring of water conservancy projects[J]. Transactions of the Chinese Society of Agricultural Engineering, 2007,23(3):136-140.
doi: 10.3321/j.issn:1002-6819.2007.03.028
[16] 杨鹏程 . 紫外吸收光谱结合偏最小二乘法海水硝酸盐测量技术研究[D]. 天津:国家海洋技术中心, 2013.
Yang P C . Research on Determination of Nitrate in Seawater Based on Ultraviolet Spectra Combined with PLS Method[D]. Tianjin:National Ocean Technology Center, 2013.
[1] 吴东洋,马丽. 多流形LE算法在高光谱图像降维和分类上的应用[J]. 国土资源遥感, 2018, 30(2): 80-86.
[2] 杨雨薇, 戴晓爱, 牛育天, 刘汉湖, 杨晓霞, 兰燕. 基于CASI数据的黑河绿洲区叶面积指数反演[J]. 国土资源遥感, 2017, 29(4): 179-184.
[3] 樊雪, 刘清旺, 谭炳香. 基于机载PHI高光谱数据的森林优势树种分类研究[J]. 国土资源遥感, 2017, 29(2): 110-116.
[4] 周亚敏, 张荣群, 马鸿元, 张健, 张小栓. 基于BP神经网络的盐湖矿物离子含量高光谱反演[J]. 国土资源遥感, 2016, 28(2): 34-40.
[5] 李光辉, 王成, 习晓环, 郑照军, 骆社周, 岳彩荣. 机载LiDAR和高光谱数据融合提取冰川雪线[J]. 国土资源遥感, 2013, 25(3): 79-84.
[6] 包刚, 覃志豪, 周义, 包玉海, 辛晓平, 红雨, 海全胜. 基于高光谱数据和RBF神经网络方法的草地叶面积指数反演[J]. 国土资源遥感, 2012, 24(2): 7-11.
[7] 张远飞, 吴德文, 张艮中, 朱谷昌, 李红. 高光谱数据的波段序结构分析与应用研究[J]. 国土资源遥感, 2010, 22(1): 30-38.
[8] 范学炜, 张汉德, 孙幸文. 成像高光谱数据在赤潮检测和识别中的应用研究[J]. 国土资源遥感, 2003, 15(1): 8-12.
[9] 刘德长, 谢红接, 李剑锋, 赵英俊, 黄树桃, 张进业, 董济时, 陈宝树. 高光谱数据处理及在铀资源勘查中的应用——以广西苗儿山地区为例[J]. 国土资源遥感, 1999, 11(3): 65-71.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
京ICP备05055290号-2
版权所有 © 2015 《国土资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编:100083
电话:010-62060291/62060292 Email:gtzyyg@agrs.cn; gtzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发