基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法

摘要

本发明公开了一种基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法，属于环境工程技术领域。所述方法的步骤包括建立遥感反演模型、确定蓝藻水华暴发程度识别指标、监测数据预处理、信任函数值分配和监测区蓝藻水华识别。本发明提出将集成学习的Bagging算法融入到遥感反演模型即归一化植被指数模型的回归分析中，对模型的参数进行了修正，得到修正后的遥感反演模型，从而提高其拟合精度；解决了选取适合于湖库蓝藻水华识别的指标及其取值范围的问题；解决了监测区域选取及遥感监测数据预处理的问题；解决了信任函数值的分配问题；实现了蓝藻水华的有效识别。

说明书

技术领域

本发明涉及一种湖库蓝藻水华识别方法，属于环境工程技术领域，具体地说，是指一种 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法。

背景技术

随着社会经济发展，水资源在国民经济和社会发展中的地位和作用越来越突出。然而， 近些年来我国湖库等水体接纳过量的氮、磷等植物性营养物，使藻类和其它水生植物异常繁 殖，出现了水体透明度和溶解氧下降，水质恶化，鱼类及其它生物大量死亡的水体富营养化 现象，该现象即为水华。湖库水体蓝藻水华成为我国目前以及今后相当长一段时期内的重大 水环境问题，不仅给湖区人民发展水产养殖、观光游览等经济活动带来重大损失，而且还会 影响到水源地的供水，给经济建设和人民身体健康造成直接的损害，有的地区已成为经济发 展的重要制约因素。为减少蓝藻水华发生频率及由此造成的重大损失，开展蓝藻水华识别研 究已成当务之急。

传统水质监测方法主要是对单一监测站点进行对比分析，涉及的范围只限制在站点监测 半径之内。因此，如果结合监测范围广泛的卫星遥感数据，对某一区域内的监测站点，将遥 感监测技术与地面水质实时在线监测技术获得信息进行有效融合，这样蓝藻水华地面监测方 式由传统的单点监测分析，上升到区域性的监测分析，即实现了蓝藻水华监测方式由点到面 的扩展。在此基础上进行区域性的湖库蓝藻水华识别研究，对进一步提高信息的利用率，增 加蓝藻水华识别准确度十分必要，对于准确获得水环境状况及了解其发展规律具有重要现实 意义。

由于湖库蓝藻水华暴发是众多影响因素共同作用的结果，在研究蓝藻水华时空演化规律 过程中，有必要引入信息融合技术，它可以将多个相同类型或不同类型传感器的水质参数信 息进行综合分析，将多传感器的冗余和矛盾信息进行消除和降噪处理，对不完整信息及不确 定信息加以互补，从而降低了监测数据的不确定性。经过融合处理后的信息对蓝藻水华暴发 环境的感知与描述相对更为完整，从而提高蓝藻水华识别的准确率。

证据理论作为一种数学工具，在对不确定与不精确的问题进行推理和建模中发挥了很大 优势，该方法已经成为了信息融合基本方法之一，同时在进行不确定的信息组合过程中提供 了一个新思考方向。证据理论在大多数情况下都可以得到较好的融合效果，但是在处理冲突 证据时会出现有违常理的结果。由于卫星遥感容易受大气影像或者大型水生植物影响导致传 感器采集到的光谱数据失效，地面传感器损坏导致采集数据失效等原因，失效传感器信息与 其他传感器的正确信息会出现很大冲突，这样就会造成融合结果出现问题。在解决证据理论 失效这一课题上，不少学者进行了相关研究，这些改进方法可以综合概括为两大类，一类是 对证据合成规则进行改进的方法，另一类是对证据源本身进行修正的方法。

然而，将遥感监测信息融合及证据理论应用于湖库蓝藻水华识别方法中，仍然存在以下 问题：

1.采用遥感监测技术进行水质监测时，需建立遥感监测数据与地面监测点数据的遥感反 演模型。而采用现有的回归分析方法建模时，其建模精度往往不够理想，需对遥感反演模型 参数的修正方法进行研究。

2.如何选取适合于湖库蓝藻水华识别的指标及其取值范围，并且需考虑地面监测点以及 遥感监测两种方式的指标选取。

3.湖库水体区域通常较大，若对水体区域内监测数据进行全部提取则意义不大，需研究 监测区域的选取，另外，对于区域性的遥感监测数据还需进行一定的预处理，使其能够有效 反映监测区域内的蓝藻水华识别指标的取值范围。

4.利用证据理论方法进行信息融合，首先要解决信任函数值的分配问题，根据信任函数 的定义，其值域要映射到[0,1]区间中，且针对监测区内地面监测点数据和遥感监测数据，需 研究不同的映射方法。

5.现有对证据源进行修正的方法中，基于优化权重分配的证据源修正方法较为有效，而 其目标优化模型中还未考虑各证据源的不确定性对证据距离的影响，因此可研究进一步的改 进方法。

6.如何将改进后的证据源修正方法与现有证据合成规则相结合，以实现蓝藻水华的有效 识别，需研究相应的公式组合方法。

发明内容

本发明的目的是为了解决通过湖库地面监测点与遥感监测信息的融合技术实现对湖库蓝 藻水华有效识别的问题。本发明考虑湖库蓝藻水华暴发具有突发性、区域性等特征，采用回 归分析及集成学习的方法建立并修正湖库水体遥感反演模型，由此给出蓝藻水华暴发程度识 别指标的取值范围，通过对监测数据预处理及采用模糊理论进行信任函数值的分配，并提出 改进的证据融合技术对地面监测点和遥感监测信息进行融合，从而实现对湖库蓝藻水华的准 确有效识别。

本发明提供的基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法，主要包括以 下五个步骤：

步骤一、建立遥感反演模型；

本发明的监测数据包括两类，一类是以地面监测点传感器方式获得的地面监测点数据， 另一类是以遥感监测方式获得的遥感监测数据。通过建立遥感监测数据与地面监测点数据的 遥感反演模型，可以得到二者间的对应关系。

本发明采用带有波段反射率比值参数的遥感反演模型，对遥感监测数据（即波段反射率 比值）和地面监测点数据（即叶绿素a浓度）采用回归分析方法确定出模型参数，并利用集 成学习的方法修正模型参数。

步骤二、确定蓝藻水华暴发程度识别指标；

在综合分析现有水体评价标准基础上，本发明采用最具说服力和应用最为普遍的评价指 标即叶绿素a浓度，以及与叶绿素a浓度相对应的水体遥感波段反射率比值作为识别蓝藻水 华暴发程度的指标集，其中遥感波段反射率比值指标的取值范围是根据地面监测点的叶绿素 a浓度指标采用步骤一的遥感反演模型获得。

步骤三、监测数据预处理；

由于湖库水体区域通常较大，对水体区域内监测数据进行全部提取意义不大，所以本发 明进行监测区域选取时尽量选取近岸区域，并对遥感监测数据提取监测区域内各地面监测点 处的遥感波段反射率比值，以及监测区域内遥感监测数据的最大值和最小值，再对其采用平 均的方法获取。

步骤四、信任函数值分配；

利用证据理论方法进行信息融合，首先要解决各证据源（即各监测点，包括各地面监测 点及遥感监测）的信任函数值分配问题，根据信任函数的定义，其值域要映射到[0,1]区间中。 在对蓝藻水华暴发程度识别指标采用语言变量进行分类后，本发明引入模糊集的概念，通过 模糊隶属度函数来表示信任函数，在模糊集合中，信任函数值的取值范围完全满足在[0,1]区 间中，并且连续变化。

步骤五、监测区蓝藻水华识别；

本发明在现有基于优化权重分配的证据源修正方法基础上，提出利用各证据源的信息熵 对证据距离进行加权修正，从而对目标优化模型进行改进的方法。再将修正后的证据源与基 于证据可信度的证据合成规则进行合成，从而给出改进的证据理论组合公式，由此得到监测 区域蓝藻水华暴发程度识别结果。

本发明的优点在于：

1.本发明提出将集成学习的Bagging算法融入到遥感反演模型即归一化植被指数模型的 回归分析中，对模型的参数进行了修正，得到修正后的遥感反演模型，从而提高其拟合精度。

2.本发明根据现有水体评价标准采用叶绿素a浓度和与叶绿素a浓度相对应的水体遥感波 段反射率比值作为识别蓝藻水华暴发程度的指标集，并且根据地面监测点的叶绿素a浓度指 标取值范围采用遥感反演模型获得遥感波段反射率比值的指标取值范围，从而解决了选取适 合于湖库蓝藻水华识别的指标及其取值范围的问题。

3.本发明选取蓝藻水华暴发频率较高且地面监测点较多的近岸区域作为监测区域，并且 将该区域内遥感监测数据进行平均处理后作为一个独立的数据源，再和其它地面监测点数据 进行融合，从而解决了监测区域选取及遥感监测数据预处理的问题。

4.本发明引入模糊集的概念，通过分别针对叶绿素a浓度指标及遥感波段反射率比值指 标建立不同的模糊隶属度函数，将证据理论中信任函数的值域映射到[0,1]区间中，解决了信 任函数值的分配问题。

5.本发明提出利用各证据源的信息熵对证据距离进行修正，从而对目标优化模型进行改 进的方法，在基于优化权重分配的证据源修正方法基础上，考虑了各证据源的不确定性对证 据距离的影响，使其优化结果与实际更为相符。

6.本发明将改进后的证据源修正方法与冲突信息全部可以分配的证据合成规则相结合， 给出改进的证据理论组合公式，改进了证据融合技术，通过与基于现有的证据融合技术的蓝 藻水华识别结果的对比，实现了蓝藻水华的有效识别。

附图说明

图1是本发明基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法的流程图；

图2是实施例1中的叶绿素a浓度指标的模糊隶属度函数；

图3是实施例1中的修正后的遥感反演模型的拟合结果；

图4是实施例1中的监测区域的选取；

图5是实施例1中的遥感反射率比值指标的模糊隶属度函数。

图中曲线编码分别为：NC－实施例1中叶绿素a浓度指标下的无水华隶属度函数μ_NC(y)， SC－实施例1中叶绿素a浓度指标下的轻度水华隶属度函数μ_SC(y)，MC－实施例1中叶绿 素a浓度指标下的中度水华隶属度函数μ_MC(y)，LC－实施例1中叶绿素a浓度指标下的重度 水华隶属度函数μ_LC(y)，NB－实施例1中遥感波段反射率比值指标下的无水华隶属度函数 μ_NB(x)，SB－实施例1中遥感波段反射率比值指标下的轻度水华隶属度函数μ_SB(x)，MB－ 实施例1中遥感波段反射率比值指标下的中度水华隶属度函数μ_MB(x)，LB－实施例1中遥感 波段反射率比值指标下的重度水华隶属度函数μ_LB(x)。

具体实施方式

下面将结合附图和实施例1对本发明作进一步的详细说明。

为便于说明，本说明书中所有未经解释的字母含义由下述假设解释：假设 y={y₁，y₂，…，y_n}表示地面监测点数据（即叶绿素a浓度），x＝{x₁，x_２，...，x_n}表示与地面监测 点对应的遥感监测数据（即遥感波段反射率比值），n表示地面监测点的个数。

步骤一、建立遥感反演模型；

遥感反演模型种类较多，本发明采用波段反射率比值方法，主要原因在于这类反演模型 是比较成熟的模型，能在很大程度上降低数据处理和分析难度，使得该类模型的可操作性更 强。本发明采用波段反射率比值方法中的归一化植被指数模型作为遥感反演模型，模型中波 段反射率比值采用遥感监测数据与地面监测点数据相关性较高的波段的反射率比值，公式为

y＝a·x+b  (1) 式中：y为地面监测点数据，x为遥感波段反射率比值，x＝(band2-band1)/(band2+band1)， band1和band2分别表示本发明所选取的两个遥感波段（即波段1和波段2）的反射率，且两 个波段的反射率比值与对应的地面监测点数据相关性较高，a、b为线性回归参数。

本发明提出将集成学习的Bagging算法融入到归一化植被指数模型的回归分析中，以提 高其拟合精度。Bagging算法思想是给定一弱学习算法和一训练集(x₁,y₁),(x₂,y₂),…，(x_n，y_n)。 每次从训练集中取样m(m＜n)个训练例训练，训练完毕将取样放回训练集，初始训练例在某 轮训练集中可以出现多次或根本不出现。训练之后可得到一个预测函数序列h₁,h₂,…h_T，T表 示训练的次数。最终的预测函数H对分类问题采用等权重投票方式，对数值问题采用得票的 平均值来表示。由于本发明的回归分析属于数值问题，因此本发明中Bagging算法的具体描 述为：

（1）对于t＝1,2,,T；

（2）随机从训练集中提取m个训练例作为训练样本输入：(x₁,y₁),(x₂,y₂)…（x_m，y_m);

①训练得到模型

$y=h_t\left(x\right)=a_{h_t}·x+b_{h_t}$

其中，,为第t次训练得到的线性回归参数；

②将训练样本放回训练集；

（3）输出预测函数H(x)：$H\left(x\right)=\frac{1}{T}\underset{t=1}{\overset{T}{\Sigma }}{h}_t\left(x\right).$

则最终的预测函数

y＝H(x)＝a_H·x+b_H  (2) 即为修正后的遥感反演模型，其中，a_H,b_H为修正后的线性回归参数。

步骤二、确定蓝藻水华暴发程度识别指标；

综合分析现有水体评价标准，采用地面监测点数据（即叶绿素a浓度）和与叶绿素a浓 度相对应的水体遥感波段反射率比值作为识别蓝藻水华暴发程度的指标集。

蓝藻水华暴发程度的识别框架为Θ＝{N,S,M,L}，本发明在蓝藻水华暴发识别中对叶绿 素a浓度指标的取值范围采用表1的标准。而遥感波段反射率比值指标的取值范围则根据地 面监测点的叶绿素a浓度指标采用步骤一的遥感反演模型公式（2）计算获得。

表1蓝藻水华暴发程度识别指标（叶绿素a浓度）

步骤三、监测数据预处理；

本发明对监测区域进行选取时尽量选取近岸区域，因为这些近岸区域蓝藻水华暴发频率 较高，且地面监测点较多，以这类近岸区域为研究对象更具有实际意义。由于本发明采用多 源信息融合方法来识别监测区域的蓝藻水华暴发程度，因此监测数据既包括了监测区域内多 个地面监测点的传感器数据，也包括该监测区域内遥感监测数据。在对监测区域内的多种监 测数据进行信息融合前，需对监测数据进行预处理。对于监测区域内的地面监测点数据，本 发明将每个地面监测点的监测数据均作为一个独立数据源；而监测区域内遥感监测数据量较 大，全部用来做信息融合处理的可操作性和现实意义不大，因此本发明将该监测区域内遥感 监测数据进行平均处理后作为一个独立的数据源，再和其它地面监测点数据进行融合，具体 为：提取监测区域内地面监测点处的遥感波段反射率比值，并对监测区域的遥感监测数据提 取遥感波段反射率比值的最大值和最小值，再通过对三者进行平均的方法获取监测区域的遥 感波段反射率比值的均值

$\bar{x}=\frac{x_{\max }+x_{\min }+\underset{i=1}{\overset{n}{\Sigma }}{x}_i}{n+2}---\left(3\right)$

式中，为监测区域遥感波段反射率比值均值，x_max为监测区域遥感波段反射率比值最大值， x_min为监测区域遥感波段反射率比值最小值，x_i为单个地面监测点i处遥感波段反射率比值， n为地面监测点个数。

步骤四、信任函数值分配；

根据表1中的叶绿素a浓度指标的取值范围，选用三角形隶属度函数对叶绿素a浓度指 标进行模糊化处理，令无水华隶属度函数为μ_NC(y)，轻度水华隶属度函数为μ_SC(y)，中度水 华隶属度函数为μ_MC(y)，重度水华隶属度函数为μ_LC(y)，y为叶绿素a浓度，隶属度函数值 即为地面监测点的信任函数值。各隶属度函数如公式(4)～(7)及图2所示。

μ_NC(y)＝(0.01-y)/0.01,0≤y＜0.01(4)

${\mu }_{\mathrm{SC}}\left(y\right)=\left(\begin{array}{cc}y/0.01,& 0\le y\le 0.01\\ (0.025-y)/0.015,& 0.01<y\le 0.025\end{array}\right)---\left(5\right)$

${\mu }_{\mathrm{MC}}\left(y\right)=\left(\begin{array}{cc}(y-0.01)/0.015,& 0.01\le y\le 0.025\\ (0.06-y)/0.035,& 0.025<y\le 0.06\end{array}\right)---\left(6\right)$

${\mu }_{\mathrm{LC}}\left(y\right)=\left(\begin{array}{cc}(y-0.025)/0.035,& 0.025\le y\le 0.06\\ 1,& 0.06<y\end{array}\right)---\left(7\right).$

同理，根据步骤二计算得到蓝藻水华暴发程度识别指标中的遥感波段反射率比值指标的 取值范围，选用三角形隶属度函数对遥感波段反射率比值指标进行模糊化处理，令无水华隶 属度函数为μ_NB(x)，轻度水华隶属度函数为μ_SB(x)，中度水华隶属度函数为μ_MB(x)，重度水 华隶属度函数为μ_LB(x)，x为遥感波段反射率比值，各隶属度函数值即为遥感监测的信任函 数值。

通过叶绿素a浓度指标和遥感波段反射率比值指标的隶属度函数，得到监测区域内各地 面监测点及遥感监测的信任函数分配结果。

步骤五、监测区蓝藻水华识别；

基于优化权重分配的证据源修正方法是考虑到多个监测点（包括地面监测点和遥感监测） 提供的证据源信息在融合过程中对融合结果的贡献率不同，利用全局优化思想，在保证各个 命题加权证据和所期望证据间距离最小情况下，即修正后证据源冲突最小情况下，获取证据 优化权重值。在此基础上，本发明考虑到各加权证据到期望证据间的证据距离与各证据源的 不确定性有关，因此提出利用各证据源的信息熵对证据距离进行加权修正，从而对目标优化 模型进行改进的方法。在对证据源进行修正后，采用冲突信息全部可以分配的基于证据可信 度的证据合成规则，将修正后的证据源进行证据合成，从而对修正后的证据源及证据合成规 则的组合公式进行改进，得到改进后的证据理论组合公式，最终得到监测区域蓝藻水华暴发 程度识别结果。

设ω₁,ω₂,...，ω_n为证据源m₁,m₂,...，m_n在信息融合中对应的优化权重值，n为证据源的个 数，则期望证据m′为各证据源与其相对应优化权重的加权平均，即

$m^{\prime }=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{\omega }_i·m_i---\left(8\right)$

$\underset{i=1}{\overset{n}{\Sigma }}{\omega }_i=1,{\omega }_i>0---\left(9\right)$

令Θ为包含u个互不相同命题的完备识别框架，其中各个加权证据ω_im_i与期望证据之间 的证据距离为

$\left|\right|{\omega }_i{m}_i-m^{\prime }\left|\right|=\sqrt{{\frac{1}{2}({\omega }_i\overrightarrow{m_i}-\overrightarrow{m^{\prime }})D({\omega }_i\overrightarrow{m_i}-\overrightarrow{m^{\prime }})}^T},i=\mathrm{1,2},...n---\left(10\right)$

式中，D是一个2^u×2^u的矩阵，其中的元素为：

$D(A_i,A_j)=\frac{|A_i\cap A_j|}{|A_i\cup A_j|},A_i,A_j\in P\left(\Theta \right)---\left(11\right)$

其中，A_i,A_j分别表示第i,j个焦元，P（Θ）表示概率。

考虑到各加权证据到期望证据间的证据距离与各证据源的不确定性有关，本发明对各证 据距离的信息熵权重的计算方法如下：

用m_i(A_j)表示第j个焦元所对应的第i个证据源的信任函数值。则信任函数矩阵表示为

[m_i(A_j)]_n×u,1≤i≤n,1≤j≤u

其中，n,u分别表示信任函数矩阵的行数和列数。

由于信任函数矩阵中同一行的元素之和，即同一证据源对各焦元的信任函数值之和为1， 因此无需对其进行归一化处理。则信任函数矩阵中第j列元素对第i行元素的熵E_i为

$E_i=-k\underset{j=1}{\overset{u}{\Sigma }}{m}_i\left(A_j\right)\ln \left(m_i\left(A_j\right)\right)\forall i---\left(12\right)$

其中k为常量，k＝1/lnu，这保证了0≤E_i≤1。

信息偏差度d_i定义为

d_i＝1-E_i  (13)

定义信息熵权重的值为

${\omega }_i^{*}=\frac{d_i}{\underset{i=1}{\overset{n}{\Sigma }}{d}_i}\forall i---\left(14\right)$

将各个加权证据与期望证据之间的证据距离加以信息熵权重后，作为目标优化模型，求 取相应的证据优化权重值。经过证据距离信息熵权重改进的目标优化模型为

$J=\min \underset{i=1}{\overset{n}{\Sigma }}{\omega }_i^{*}{\left|\right|{\omega }_i{m}_i-m^{\prime }\left|\right|}^2---\left(15\right)$

$\underset{i=1}{\overset{n}{\Sigma }}{\omega }_i=1{,\omega }_i>0$

$\underset{i=1}{\overset{n}{\Sigma }}{\omega }_i^{*}=1,{\omega }_i^{*}>0$

在对证据源进行修正后，采用冲突信息全部可以分配的基于证据可信度的证据合成规则， 将修正后的证据源进行证据合成，从而对修正后的证据源及证据合成规则的组合公式进行改 进，其改进后的证据理论组合公式为

其中，A为焦元，m(A)为焦元A的信任函数，m′_i(A_j)＝ω_im_i(A_j)，m′_i(A_j)为第i个加权证据 对第j个焦元A_j的信任函数，m_i(A_j)为第i个证据源对第j个焦元A_j的信任函数，m_i(A)为 第i个证据源对焦元A的信任函数，$k=\frac{1}{n(n-1)/2}\underset{i<j}{\Sigma }{k}_{\mathrm{ij}},$p,q＝1,2,...，u，k_ij表示证据源i和证据源j之间的冲突度，k表示证据两两之间的冲突程度， ε＝e^-k，ε表示证据可信度。

根据监测区域的各监测点信任函数分配结果以及改进后的证据理论组合公式，得到监测 区域蓝藻水华暴发程度识别结果。

实施例1：

本发明以太湖水体为例进行蓝藻水华暴发程度识别，采用叶绿素a浓度以及与叶绿素a 浓度相对应的水体遥感波段反射率比值作为识别蓝藻水华暴发程度的指标。

步骤一、建立遥感反演模型；

地面监测点数据为叶绿素a浓度，其与各地面监测点数据对应的遥感波段反射率比值如 表2所示。

表2地面监测点数据（叶绿素a浓度）与遥感波段反射率比值

采用归一化植被指数模型对叶绿素a浓度及其对应的遥感波段反射率比值进行回归分 析，并采用集成学习中的Bagging算法对归一化植被指数模型的参数进行修正，以表2中的 数据作为训练集，每次从训练集中抽取少于23个训练样本进行训练，共训练10次，得到最 终的遥感反演模型

y＝0.0534x-0.0246

模型拟合结果如图3所示。

步骤二、确定蓝藻水华暴发程度识别指标；

蓝藻水华暴发程度的识别框架为Θ＝{N,S,M,L}，对地面监测点的叶绿素a浓度指标的 取值范围采用表1的标准，并根据叶绿素a浓度指标的取值范围采用遥感反演模型获得遥感 波段反射率比值指标取值范围，从而得到蓝藻水华暴发程度识别指标，如表3所示。

表3蓝藻水华暴发程度识别指标

步骤三、监测数据预处理；

监测区域选取近岸区域如图4中方框所示，图中三角形图案代表地面监测点。在监测区 域中，地面监测点数据如表4所示。地面监测点处的遥感波段反射率比值和监测区域遥感波 段反射率比值的最大值和最小值如表5所示。

表4监测区域地面监测点数据

表5监测区域遥感监测数据

根据公式（3）可得到该监测区域内的遥感波段反射率比值的均值

步骤四、信任函数值分配；

根据表1中的叶绿素a浓度指标的取值范围，选用三角形隶属度函数对叶绿素a浓度指 标进行模糊化处理，各隶属度函数如公式（4）～（7）及图2所示。

同理，根据表3中的遥感波段反射率比值指标的取值范围，选用三角形隶属度函数对遥 感波段反射率比值指标进行模糊化处理，令无水华隶属度函数为μ_NB(x)，轻度水华隶属度函 数为μ_SB(x)，中度水华隶属度函数为μ_MB(x)，重度水华隶属度函数为μ_LB(x)，x为遥感波段 反射率比值，各隶属度函数值即为遥感监测的信任函数值。各隶属度函数如公式(17)～(20) 及图5所示。

μ_NB(x)＝(0.68-x)/0.68,0≤x＜0.68  (17)

${\mu }_{\mathrm{SB}}\left(x\right)=\left(\begin{array}{cc}x/0.68,& 0\le x\le 0.68\\ (0.96-x)/0.28,& 0.68<x\le 0.96\end{array}\right)---\left(18\right)$

${\mu }_{\mathrm{MB}}=\left(\begin{array}{cc}(x-0.68)/0.28,& 0.68\le x\le 0.96\\ (1.62-x)/0.66,& 0.96<x\le 1.62\end{array}\right)---\left(19\right)$

${\mu }_{\mathrm{LB}}\left(x\right)=\left(\begin{array}{cc}(x-0.96)/0.66,& 0.96\le x\le 1.62\\ 1,& 1.62<x\end{array}\right)---\left(20\right)$

对不同监测点的信任函数分为两种方式进行计算，5个地面监测点的信任函数采用公式 (4)～(7)进行计算，遥感监测的信任函数采用式公式(17)～(20)进行计算，各监测点的信任函 数分配结果如表6所示。

表6信任函数分配表

步骤五、监测区蓝藻水华识别；

根据信任函数分配表，以及改进后的证据理论组合公式，将无冲突情况（即所有监测点 数据正常的情况）和有冲突情况（即存在监测点数据异常的情况）进行汇总结果如表7所示。

表7监测区蓝藻水华识别结果

此外，为更直观地说明本发明提出的基于改进证据融合技术的蓝藻水华识别方法的优势， 另给出采用现有的D-S证据融合技术识别结果，以与本发明方法结果进行比较。

根据表7监测区蓝藻水华识别结果可知：

1.在所有监测点数据正常的情况下，对监测区域采用本发明提出的改进证据融合技术进 行水华识别，由识别结果可以判断该区域主要存在中度水华的概率为79%，重度水华的概率 为21%，而采用D-S证据融合技术的水华识别结果为中度水华的概率为89%，重度水华的概 率为11%，两种方法的识别结果均为中度水华；

2.当地面监测点3因某种原因导致其监测数据与其它监测点存在较大冲突时，采用本发 明的改进证据融合技术对监测区域进行蓝藻水华识别的结果为存在中度水华的概率为66%， 重度水华的概率为34%。该结果与无证据冲突情况下合成结果，虽然存在一定差异，但是从 判定范围上没有出现误判，本发明方法的识别效果在一定程度上得到了验证。而采用D-S证 据融合技术的水华识别结果为中度水华的概率为70%，重度水华的概率为30%，两种方法的 识别结果均为中度水华；

3.当遥感监测数据与地面监测数据存在较大冲突时，此时识别结果为存在中度水华的概 率为63%，重度水华的概率为37%。该结果与无证据冲突情况下合成结果，虽然存在一定差 异，但是从判定范围上没有出现误判，本发明方法的识别效果在一定程度上得到了验证。而 采用D-S证据融合技术的水华识别结果为中度水华的概率为79%，重度水华的概率为21%， 两种方法的识别结果均为中度水华；

4.当地面监测点1和3同时因某种原因导致其监测数据与其它监测点存在较大冲突时， 识别结果为存在中度水华的概率为56%，重度水华的概率为44%。该结果与无证据冲突情况 下合成结果，虽然存在一定差异，但是识别结果仍为中度水华，从判定范围上没有出现误判。 而此时，采用D-S证据融合技术的水华识别结果为中度水华的概率为48%，重度水华的概率 为52%，其水华识别结果为重度水华，这与所有监测点数据正常的情况下的识别结果不符， 出现了误判，因此本发明方法的识别效果相比现有的D-S证据融合技术更理想。