火山SO2排放速率反演
0 引 言
火山喷发会给全球的气候系统和生态环境带来灾难性和连锁性后果。2022年1月14—15日汤加火山大爆发,造成汤加国整体失联,并在环太平洋数十个国家地区引发海啸,其释放的能量远高于二战时期广岛原子弹的威力,危害波及半个地球[1]。因此,对火山活动进行有效监测并提供及时预警,是一个亟待解决的重要问题[2]。SO2气体是火山活动的重要产物,会在岩浆的孕育及迁移过程中沿火山口逸出地表,并且其含量变化规律与岩浆上升动力学紧密相关,对于预测火山喷发的性质有重要的指示意义。因此,SO2的排放速率是一个评估火山喷发风险的重要参数[3]。
鉴于此,多种监测火山SO2气体排放量的光学遥感技术相继问世,包括主动探测和被动探测两种类型。主动探测方式主要指激光雷达技术,如拉曼散射激光雷达或差分吸收激光雷达等,其主要优点是探测精度高,但存在时间分辨率低、空间分辨率低等缺点[4]。被动探测的典型代表是近十几年兴起的SO2紫外成像技术,其在时间分辨率和空间分辨率方面有显著优势,可以实时、快速并且精确地获取火山烟羽的二维图像,并直观地展现出视场中任意位置的SO2浓度图像,能够对火山早期活动过程中烟羽动力学的空间演化进行实时分析。例如喷发前岩浆的浅层侵入,以及爆炸性喷发期间气体的快速上升和释放等,进而实现火山喷发的早期预警[5]。
获得SO2浓度图像以后,如何反演SO2的排放速率,是SO2紫外成像技术面向实际应用的一大难题,光流算法的提出提供了很好的解决思路。光流是指时变图像中对应点的亮度模式的运动速度,通过光流算法可以把空间物体的运动转化为传感器成像平面上的像素运动[6]。光流算法获得的光流不仅包含图像目标的运动信息,还包含了整个图像丰富的空间三维结构的信息,因此被广泛应用于**航天[7]、信息科学[8]、交通监管[9]、气象[10]、环境监测[11]、医学[12]等多个领域。近年来,光流算法逐渐应用于火山SO2排放速率的反演[13-15]。
光流算法应用于气体运动信息的提取,尚存在诸多亟待解决的技术难题。光流算法基于图像连续帧之间的亮度和局部相位守恒的假设计算流速,因此光流在光照改变和遮挡条件下的鲁棒性以及光流的实时性运算严重阻碍了该技术的发展。并且在光流计算过程中需要使用光流约束方程对每个图像像素进行数值求解,然而光流约束方程面临重大挑战,因为其试图从一个单一的约束条件中找到垂直速度分量和水平速度分量,因此需要对流场施加空间上的一致性[6]。此外,在实际的火山监测过程中,相机拍摄的整个烟羽的羽流可能存在湍流,从而导致光流算法的计算精度迅速降低。而且,在火山喷口源头附近,羽流扩散不明显导致的图像对比度问题同样会使得光流算法产生巨大误差[16]。
鉴于此,从SO2相机、光流算法以及神经网络的原理出发,提出了一种基于神经网络的光流算法,以识别和纠正潜在的非物理光流引起的误差,从而实现SO2排放速率的精确反演。基于神经网络的光流算法的提出,是机器学习应用于传统光流算法的重要体现。其优点主要包括:1) 不受某种特定的光流算法限制;2) 具有强大的抗干扰能力;3) 可以实时反映羽流的空间变化;4) 可以解决光流算法边缘羽流截面排放速率反演的工程难题。
1 理 论
1.1 紫外相机
火山喷发时,排放的烟羽中不仅存在SO2气体,还包含火山灰颗粒物,这些颗粒物的米氏散射和消光作用会对SO2的探测造成显著的干扰。利用双通道SO2紫外成像技术可以极大地消除颗粒物造成的影响,从而提高对SO2浓度反演的准确性。SO2相机由紫外灵敏相机和两个探测带宽为10 nm的紫外窄带滤光片组成,中心波长分别为310 nm和330 nm。其中,中心波长为310 nm的探测通道为SO2吸收敏感通道,包含SO2和气溶胶颗粒物,定义为A通道;另一个探测通道几乎不存在SO2气体,只含有颗粒物,可用于颗粒物散射的校正,定义为B通道。
SO2紫外相机的工作原理是朗伯比尔定律[17],其表达式为
式中
A通道受SO2的吸收作用及颗粒物的消光作用的双重影响,其光学厚度
式中
在B通道中,几乎不存在SO2的吸收,只受颗粒物消光作用的影响,因此B通道的光学厚度
联立
式中
太阳光在不同太阳天顶角时穿过臭氧层的平均光程不同,导致到达近地面的紫外波段的太阳散射光的光谱强度差异很大。因此,SO2紫外相机测得的光学厚度,尤其是
差分吸收光谱 (DOAS) 定标法[18]是借助光谱仪测量烟羽中某点位置的SO2浓度时间序列,并将其与SO2相机在相同空间位置测得的SO2光学厚度进行匹配,采取函数拟合的方式获得定标曲线。由于该方法可减小颗粒物的影响,且能够校正光稀释效应的影响,因此逐渐成为SO2紫外相机定标的主流方法。
利用DOAS法获得的定标曲线,可以将SO2光学厚度图像转换为SO2浓度图像,再利用光流算法,从浓度图像中提取烟羽的速度信息,浓度信息与速度信息相结合,即可得到SO2气体的排放速率[5]。横截面的SO2排放速率
式中
1.2 神经网络和光流算法
SO2气体排放速率的反演需要将紫外相机测量的气体浓度信息与羽流中气体的流速信息相乘,并对两者乘积沿羽流横截面积分[见
1.2.1 光流算法
光流是空间运动的物体在成像平面上的像素级运动的瞬时速度,由场景中目标的运动、相机的移动或两者共同的运动产生,通常利用相邻帧之间的亮度恒定以及对应的取帧时间连续这两个假设来计算[19-21]。在二维平面中,假设前一帧的时间为t,后一帧的时间为
将
式中
基于空间一致假设,可求得水平方向以及垂直方向的速度
式中
1.2.2 神经网络
神经网络是一种类比生物大脑中的神经网络信息传递并可以对传递的信息进行加工处理的数学运算模型,由数量众多的节点相互连接而成,由于其运转方式与人的神经网络信息传递过程类似,因此也被称为人工神经网络。本研究所使用的神经网络是反向传播 (BP) 神经网络,其模型包括输入层,隐含层和输出层,其中隐含层至少含有一个[22],其简单示意图如
假设f为激活函数,wij为i和j节点之间的权重,bj为节点j的阈值,xj为每个节点的输出值,则每个节点输入与输出的关系[23,24]为
选择的激活函数
对于wij,有
同样对于bj,有
在计算调整完隐含层以及输出层之间的权重值和输出层的阈值后,需要对输入层和隐含层的阈值进行调整计算。假设wki是输入层第k个节点和隐含层第i个节点之间的权重值,那么
再根据梯度下降法,对隐含层与输出层之间的权重值和阈值进行调整,可以得到
同样,对输入层和隐含层之间的权重值和阈值进行调整,可以得到
1.2.3 神经网络光流算法
神经网络光流算法是将BP神经网络融入光流算法的新型算法,可以优化光流算法求得的SO2气体的流动速度,从而优化SO2的排放速率的反演结果。该方法需要运用光流法求得成像平面上临近像素的光流速度,分别作为训练的输入输出数据,以获得理想的权重更新模型,并将该模型应用于整个图像来获得所需像素的光流流速。该方法旨在识别所有成功约束的运动矢量,从这些矢量中得出对羽流截面的速度矢量估计,并将之替换烟羽中的非物理运动矢量,从而实现对整个烟羽排放速率的精确反演。
2 排放速率反演
2.1 实验及仪器参数
火山SO2气体排放速率监测实验的数据是Gliß等[15]利用其自主研发的型号为Hamamatsu C8484-16C 的SO2紫外相机,于2015年9月16日07:06至07:22,在距离Etna火山烟羽源约10.3 km的Milo镇采集,实验过程中主要仪器信息如
表 1. 2015年9月16日实验的SO2相机和光谱仪的主要信息[15]
Table 1. Main information of the SO2 camera and spectrometer used in the experiment on September 16,2015[15]
|
2.2 排放速率反演流程
2.3 浓度反演
SO2紫外相机A、B两通道采集的天空背景及火山烟羽图像经电子偏移以及暗电流校正处理,并通过朗伯比尔定律计算后,得到的光学厚度图像分别如
图 4. SO2浓度反演。(a) 310 nm光学厚度图像; (b) 330 nm光学厚度图像; (c) 定标曲线; (d) SO2浓度图像
Fig. 4. SO2 concentration inversion. (a) 310 nm optical density image; (b) 330 nm optical density image;(c) calibration curve; (d) SO2 concentration image
2.4 速度获取
SO2相机具有较高的空间分辨率和时间分辨率,能够实现火山烟羽SO2浓度图像的实时获取。利用SO2浓度图像反演得到SO2排放速率,是火山监测领域极为重要的工程问题。传统的速度估计方法主要有三种:风速测量、交叉相关法以及光流算法。其中风速测量获得的速度是烟羽周围大气运动的速度,无法体现烟羽运动的真实情况;交叉相关法无法解析气体烟羽内部复杂的运动状态,会使得反演结果不准确;光流算法在运算速度以及计算精度等方面都具有显著的优势,是估算火山SO2气体扩散运动速度场的主流算法,本研究所使用的是在火山排放速率反演方面具体良好效果的Farneback光流算法[14]。
Farneback光流算法的工作原理是将图像中每个像素的局部邻域表示为多项式进行展开,然后计算每个连续帧的多项式之间的位移,并通过强制执行某个运动模型 (例如仿射运动模型),估计二维位移场[15]。此外,Farneback算法还采用了迭代方法,从粗特征开始估计运动,然后使用逐步细化的特征进行细化,因而具有较高的计算精度。
Farneback光流算法在理论中被证明有良好的准确性,但在实际的烟羽气体运动评估中,光流计算结果容易受图像对比度和湍流影响[16]。为抑制这两个因素的影响,本研究提出一种基于神经网络的光流算法,对Farneback算法计算产生的密集位移矢量场进行分析训练,推导出一个经过神经网络迭代的速度矢量,用来取代位移矢量场中的速度矢量。
为消除异常值的影响,在设计神经网络训练模型之前需添加一个3 pixel× 3 pixel的中值滤波器对SO2光学厚度图像进行滤波。在训练模型时,每一次训练的输入输出数据为当前帧图像中的相隔20列的羽流截面的气体光流数据,从而保证训练数据的实时性。
图 5. 原始光流图像 (包括用于排放速率反演的羽流横截面)
Fig. 5. Original optical flow image (including plume cross-section for emission rate inversion)
图 6. 交叉相关法、Farneback光流算法以及神经网络光流法的速度
Fig. 6. Speed of cross correlation method, Farneback optical flow and neural network optical flow method
2.5 排放速率获取
为进一步验证模型的准确性并且对比交叉相关法、Farneback光流算法以及神经网络光流法的优劣,对三种方法反演的SO2排放速率进行了对比,如
图 7. 交叉相关法、Farneback光流算法以及神经网络光流法排放速率反演
Fig. 7. Emission rate retrieval of cross correlation method, Farneback optical flow and neural network optical flow method
在靠近图像边缘的像素由于不符合“微小”运动假设,因此采用Farneback光流算法反演图像边缘处的SO2排放速率时,会产生较大误差,而神经网络光流法可以很好地解决此问题。
为更详细客观地展现出交叉相关法、Farneback光流算法与神经网络光流算法三种方法在反演边缘排放速率的优劣,对1243~1343列的SO2平均排放速率进行对比,如
图 9. 第1243~1343列羽流横截面SO2平均排放速率 (a) 及其误差 (b)
Fig. 9. Mean SO2 emission rates (a) and errors (b) for plume cross-sections in columns 1243-1343
3 结 论
介绍了SO2相机的物理机理以及光流法与神经网络算法的数学原理,详细描述了SO2浓度图像的获取方法,细致地阐述了利用Farneback算法及神经网络光流算法计算SO2气体排放速率的实现过程。以Gliß等[15]采集的Etna火山烟羽图像为处理对象,分别用交叉相关法、Farneback光流算法以及神经网络光流算法反演得到了火山SO2的排放速率。实验结果对比显示了神经网络光流算法的科学性,以及可清晰反映羽流实时空间变化的优势,表明神经网络光流算法可以约束不规则物理运动,能够有效减小湍流和图像低对比度影响的优点。最后,对边缘羽流截面的排放速率进行计算,结果显示,在靠近图像边缘位置处,交叉相关法获得的排放速率的误差处于50%~60%之间,Farneback光流算法获得的排放速率误差超过90%,而神经网络光流算法的误差只有5%,并且神经网络光流算法边缘5列的平均误差不超过10%,因而证明神经网络光流算法具有可实现边缘羽流截面SO2排放速率精确反演的显著优势。
与传统光流算法相比,神经网络光流算法能够有效抑制烟羽湍流、图像低对比度,以及图像边缘效应的影响,且具有较高的计算精度和工程可靠性。SO2紫外相机本身具有高时间分辨与高空间分辨率等优势,而神经网络光流算法具有像素级精确检测物体运动信息以及高速准确优化求解的技术优点,将神经网络光流算法应用于SO2紫外相机技术可实现对羽流排放速率的实时、快速、精确的反演。本工作将推动SO2紫外相机在工业烟囱及船舶尾气遥感监测中的应用。
[1] Terry J P, Goff J, Winspear N, et al. Tonga volcanic eruption and tsunami, January 2022: Globally the most significant opportunity to observe an explosive and tsunamigenic submarine eruption since AD 1883 Krakatau[J]. Geoscience Letters, 2022, 9(1): 1-11.
[2] Thomas H, Prata F. Computer vision for improved estimates of SO2 emission rates and plume dynamics[J]. International Journal of Remote Sensing, 2018, 39(5): 1285-1305.
[3] Elias T, Kern C, Horton K A, et al. Measuring SO2 emission rates at Kīlauea volcano, Hawaii, using an array of upward-looking UV spectrometers, 2014―2017[J]. Frontiers in Earth Science, 2018, 6: 214.
[4] 熊远辉, 罗中杰, 陈振威, 等. SO2气体排放的紫外成像遥感监测[J]. 光谱学与光谱分析, 2020, 40(4): 1289-1296.
[5] Mori T, Burton M. The SO2 camera: A simple, fast and cheap method for ground-based imaging of SO2 in volcanic plumes[J]. Geophysical Research Letters, 2006, 33(24): L24804.
[6] 许广富, 曾继超, 刘锡祥. 融合光流法和特征匹配的视觉里程计[J]. 激光与光电子学进展, 2020, 57(20): 201501.
[7] 束 安, 裴浩东, 周姗姗, 等. 非合作航天器的立体视觉位姿测量[J]. 光学精密工程, 2021, 29(3): 493-502.
[8] Kwan C, Budavari B. Enhancing small moving target detection performance in low-quality and long-range infrared videos using optical flow techniques[J]. Remote Sensing, 2020, 12(24): 4024.
[9] Sun W, Sun M, Zhang X R, et al. Moving vehicle detection and tracking based on optical flow method and immune particle filter under complex transportation environments[J]. Complexity, 2020, 2020: 1-15.
[10] Zhu J K, Dai J H. A rain-type adaptive optical flow method and its application in tropical cyclone rainfall nowcasting[J]. Frontiers of Earth Science, 2022, 16(2): 248-264.
[11] 滕建厚, 张燕革, 艾 勇, 等. 基于光流法的气体排量计算模型研究及验证[J]. 光学与光电技术, 2021, 19(5): 9-14.
[12] Hino T, Tsunomori A, Fukumoto T, et al. Vector-field dynamic X-ray (VF-DXR) using optical flow method[J]. British Journal of Radiology, 2022, 95(1132): 20201210.
[13] Stebel K, Amigo A, Thomas H, et al. First estimates of fumarolic SO2 fluxes from Putana volcano, Chile, using an ultraviolet imaging camera[J]. Journal of Volcanology & Geothermal Research, 2015, 300: 112-120.
[14] Peters N, Hoffmann A, Barnie T, et al. Use of motion estimation algorithms for improved flux measurements using SO2 cameras[J]. Journal of Volcanology and Geothermal Research, 2015, 300: 58-69.
[15] Gliß J, Stebel K, Kylling A, et al. Improved optical flow velocity analysis in SO2 camera images of volcanic plumes-implications for emission-rate retrievals investigated at Mt Etna, Italy and Guallatiri, Chile[J]. Atmospheric Measurement Techniques, 2018, 11(2): 781-801.
[16] Zhao C Y, Wang H F, Zeng L W, et al. Effects of oncoming flow turbulence on the near wake and forces of a 3D square cylinder[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2021, 214(8): 104674.
[17] Varnam M, Burton M, Esse B, et al. Two independent light dilution corrections for the SO2 camera retrieve comparable emission rates at Masaya volcano, Nicaragua[J]. Remote Sensing, 2021, 13(5): 935.
[18] Gliß J, Stebel K, Kylling A, et al. Pyplis-A python software toolbox for the analysis of SO2 camera images for emission rate retrievals from point sources[J]. Geosciences, 2017, 7(4): 134.
[19] Chen Z S, Yang W Y, Yang J M. Video super-resolution network using detail component extraction and optical flow enhancement algorithm[J]. Applied Intelligence, 2022, 52(9): 10234-10246.
[20] Deng X T, Gu Y, Li F, et al. Evaluation of teaching quality of computing method course based on improved BP neural network[J]. Journal of Physics Conference Series, 2021, 1774(1): 012026.
[21] 陈 庆, 周海洋, 余飞鸿. 基于改进光流法的显微图像拼接算法研究[J]. 激光与光电子学进展, 2021, 58(24): 2410001.
[22] 李锡祥, 麻金继, 梁晓芳. 基于BP神经网络进行云相态识别方法的研究[J]. 大气与环境光学学报, 2010, 5(4): 299-304.
[23] 刘梦尧. 基于BP神经网络的量化选股模型应用研究 [D]. 吉林: 长春工业大学, 2022.
LiuM Y. Research on the Application of Multi-Factor Quantitative Stock Selection Model Based on BP Neural Network [D]. Jilin: Changchun University of Technology, 2022.
[24] 金 钊, 邱康俊, 张苗苗. 基于BP 神经网络的能见度估测研究[J]. 大气与环境光学学报, 2021, 16(5): 415-423.
Article Outline
郭建军, 李发泉, 张子豪, 张会亮, 李娟, 武魁军, 何微微. 火山SO2排放速率反演[J]. 大气与环境光学学报, 2024, 19(1): 98. Jianjun GUO, Faquan LI, Zihao ZHANG, Huiliang ZHANG, Juan LI, Kuijun WU, Weiwei HE. Retrieval of volcanic SO2 emission rate[J]. Journal of Atmospheric and Environmental Optics, 2024, 19(1): 98.