遥感水质监测技术研究进展

张 克 张 凯 牛鹏涛 高 磊

(河南工业职业技术学院城市建设学院)

在遥感水质监测领域，水体一般可以划分为一类水体和二类水体，一类水体主要为大洋开阔水体，二类水体主要为近岸水体和内陆水体[1]。水是生命之源，特别是内陆水体的水质状况直接关系到人类生活用水安全，因此，对内陆水体进行水质监测意义重大。传统水质监测方法虽然能够准确分析和评价采样点处的水质参数信息，但无法获得大面积水域的整体水质状况和变化情况，不利于环境保护部门开展有针对性的污染治理工作，同时传统监测方法效率低下且成本较高。

遥感技术具有监测范围广、效率高、直观性强、成本低等特点，非常适用于对水体进行长期动态监测[1]。随着我国环境系列卫星、高分系列卫星等卫星星座的发射组网，利用遥感手段开展水体长期动态监测得到了广泛研究。采用遥感技术进行水质监测时，首先建立地面水质实测数据和对应的卫星遥感数据之间的关系模型，然后将该模型应用于整片水域的遥感影像，最终获取水域范围内的整体水质分布状况。目前，叶绿素a、悬浮物浓度、透明度、黄色物质、总氮、总磷[2]、高锰酸钾指数、溶解氧[3]等水质参数都可以通过遥感技术进行直接或间接监测。本研究在综合梳理近年来遥感水质监测领域研究成果的基础上，通过对模型分析法、半经验分析法、经验分析法等3种现阶段主要监测方法进行剖析，并对该领域后续研究方向进行探讨，供相关研究借鉴。

1 遥感水质监测方法

基于遥感技术的水质监测流程如图1所示。具体实施步骤为：①确定待监测的水域，开展水样采集和遥感影像获取工作；②根据相关需求，化验水样的相关参数；③对原始遥感影像进行预处理，掩膜出待监测区域的遥感影像，并确定用于反演的数据波段组合；④根据实际情况，选择模型分析法、半经验分析法、经验分析法中的任何一种方法进行水质反演，生成各类水质因子反演成果图；⑤根据反演结果，分析原因，编写相关技术报告。

图1 遥感水质监测流程

1.1 模型分析法

模型分析主要是基于水体的辐射传输模型，根据纯水、叶绿素、悬浮物、黄色物质等的光谱特性，并利用遥感影像与水中各组分的吸收系数、后向散射系数关系模型，获取水质参数信息[4]。Gordon等[5]于1975年提出了水质遥感模型分析法，并运用蒙特卡洛模型计算了平静海面的表面光学量和固有光学量之间的关系，为遥感水质监测模型分析法奠定了基础；李云梅等[6]利用Gordon模型和太湖水体固有的光学特性，建立了水体反射率的模拟分析模型，进而利用Landsat数据反演了水体悬浮物浓度，得到了太湖悬浮物浓度分布图；邓孺孺等[7]利用水体透射光测量装置，结合光谱仪测量了相同厚度不同浓度铁离子水体的透射光辐亮度，进而运用比值法得到了水中3种铁化合物的消光系数和吸收系数，最终获取了400～900 nm波长范围内3种铁离子的吸收系数光谱，为遥感反演水体铁离子浓度模型提供了基础参数。在运用模型分析方法对水质进行遥感监测时，往往由于被监测水体的固有光学性质较为复杂，使得建立分析模型难度较大。

与经验分析法和半经验分析法相比，该方法的模型参数与水体光学模型相结合具有明确的物理含义，且具有普遍适用性，但由于理论基础尚不成熟，相关的研究和应用成果较少。

1.2 半经验分析法

半经验分析法在一定程度上考虑了水体和各类污染物质的光学特性，利用最佳的波段或波段组合数据与实测水质参数值之间的统计关系进行水质参数估算，现阶段，支持向量机模型(Support vector machine,SVM)、人工神经网络模型等水质反演模型运用较为广泛[8]。Pierson等[9]建立了一种半经验模型，并成功应用于预测海水表面下的辐射反射率和瑞典马拉伦湖辐射反射率的光谱变异性，取得较好效果；崔文君等[10]利用实测光谱数据的一阶微分值，结合Landsat 8遥感影像的绿光波段和红光波段，建立了珠江口近岸水域溶解氧的遥感反演模型，实现了珠江口溶解氧含量的反演；盛琳等[11]基于GOCI多光谱影像，通过半经验分析法反演算法，对东平湖水域开展了叶绿素a浓度估算及精度验证，研究表明，半经验分析算法与传统的经验模型相比，具有更高的反演精度和较好的可移植性。半经验分析法同时兼顾了统计特征和水体的光谱特征，在选择适当的反演模型和波段组合后，还需针对不同季节和地域的水质，对模型参数进行修正，该类方法较为稳定，是目前最为常用的水质监测方法。

1.3 经验分析法

经验分析法算法较为简单，主要根据遥感数据与地面实测水质参数值之间的统计关系，通过运用不同的统计回归模型，从而反演整个监测区域的水质参数值。张鸽等[12]以太湖为研究区，基于春季和夏季实测的总悬浮物浓度，结合同步过境的2期FY-3A/MERSI卫星遥感影像，采用经过粒子群算法优化的支持向量机参数，选择遥感影像各波段反射率和波段组合作为输入参数，运用支持向量机方法(SVM)构建了总悬浮物浓度的遥感反演模型，结果表明，SVM反演模型为最优的水体悬浮物浓度反演模型；周亚东等[13]根据地面实测数据与高分1号遥感影像数据构建了多元线性回归和RBF神经网络模型，对湖泊综合营养状态指数进行了反演，结果表明，RBF神经网络模型较多元线性回归模型反演精度更高，更适合于对内陆湖泊水质变化进行监测；任岩等[14]提取了遥感影像上艾比湖流域6种水体指数，利用SPSS软件对各种水体指数与多种水化学特征值的关系进行了相关性分析，构建了水体指数与水化学特征之间的关系模型；曹引等[15]根据集合建模思路，将多种建模结果进行综合，提高了模型稳定性，但集合模型的可转移性仍需进一步验证。

经验分析法虽然能够快速建立遥感影像与实测数据之间的统计关系，取得良好的反演结果，但该方法中的实测水质参数与遥感数据之间的关系缺乏物理依据，针对不同季节和区域的水质监测，难以建立统一的数据反演模型。

2 遥感反演的主要水质参数

水体中的一些水质参数往往能够引起水体光谱特征(反射率、透射率、吸收率等)的变化，该类水质参数包括叶绿素含量、悬浮物浓度、有色可溶性有机物含量[4]，常被称为水色参数或直接水质参数，通过遥感数据中的光谱信息可以有效监测该类水质参数。水体中还有一部分水质参数与水色参数密切相关，通过遥感数据可以间接监测出，该类参数可称为间接水质参数。

2.1 直接水质参数监测

2.1.1 叶绿素浓度

叶绿素浓度是水质监测中的重要参数[1]，该参数的遥感反演利用的是叶绿素的光谱特性，故需根据其光谱特征选择特征波段，建立稳定的反演模型。目前虽然已建立了众多叶绿素反演模型，但该类模型的精度往往依赖于特定的研究区和时间。叶绿素的光谱特征较为明显，其反射率在绿光波段和近红外波段具有波峰，在蓝光波段具有明显波谷，随着叶绿素浓度升高，其波峰和波谷更加明显，当叶绿素浓度达到一定时，又会发生“红移”现象。因此，叶绿素浓度的反演往往通过多波段组合，构建相应的反演模型实现。史锐等[16]对TM影像中的水体部分进行了光谱信号重构和小波去噪，结合实测的叶绿素浓度数据进行了神经网络拟合，建立了光谱反射率比值与叶绿素浓度的反演模型，结果表明，乌梁素海叶绿素浓度分布反映了污染源的分布，同时说明叶绿素浓度在时空分布上存在一定的规律；赵文宇等[17]结合Landsat 8数据研究了叶绿素a的光谱特征，确定了叶绿素a遥感定量监测的最佳波段，并结合地面实测数据，建立了叶绿素a的遥感估测模型，同时对反演结果进行了时空分析，得到了研究区域叶绿素分布和变化情况；包颖等[18]以太湖为研究区，以GOCI为数据源，基于层次聚类法实现了归一化实测光谱反射率分类，利用光谱角测距匹配一天之内的8景GOCI太湖影像的水体分类结果，并针对不同水体类型分别建立了基于GOCI影像的叶绿素a反演模型，实现了不同类型水体的叶绿素a浓度反演，其结果不仅可以反应叶绿素a的空间分布情况，也可以反映太湖区域叶绿素a的日变化情况。

2.1.2 悬浮物浓度

悬浮物浓度是指单位体积水体中悬浮颗粒的总质量，主要包括无机物和有机物2类悬浮物，是水环境监测与评价的一项重要指标。悬浮物对水质管理非常重要，它不仅与泥沙运动有关，更重要的是其反映了水体的透明度，是水质监测的一个重要指标。艾烨霜等[19]提出了一种自适应抽样一致性极限学习机算法，并将其应用于水体悬浮物浓度定量反演中，提高了反演结果的稳定性；王代堃等[20]以天津滨海新区为研究区域，运用Landsat 8遥感影像，分别建立了神经网络和统计回归反演模型，对该区域的水体悬浮物浓度进行了反演，结果表明，神经网络模型的反演精度更加可靠；乔娜等[21]提出了分类反演浅水草型湖泊中水体悬浮物浓度的方法，针对水生植物覆盖的水体，采用水生植物覆盖度间接反演悬浮物浓度，对于未覆盖区域，则采用直接法反演悬浮物浓度，反演效果较理想；宋南奇等[22]以某填海施工区的周边海域为研究区域，利用环境灾害监测小卫星的遥感数据和实测悬浮物浓度数据，采用回归分析方法建立了悬浮物反演模型，对施工区周边海域悬浮物的分布情况进行了详细分析。

2.1.3 可溶性有机物含量

有色可溶性有机物(Colored dissolved organic matter,CDOM)也称为黄色物质[23]，是溶解性有机物(Dissolved organic matter，DOM)的光敏部分，该参数的测量方式从实际野外采样测量向遥感数据结合算法反演方向发展，已获得了成功应用。遥感反演CDOM具有评估范围大的特点，不仅可以为水质管理工作提供帮助，还可以为全球尺度气候变化研究提供便利[24]。张春桂等[25]利用MODIS卫星遥感影像，结合地面实测数据，运用半经验分析算法反演得到了海洋黄色物质；黄妙芬等[26]利用Landsat 8卫星数据，运用2种方法分别反演出了CDOM浓度值，并将反演结果与GOCI的CDOM浓度值进行对比，相对误差分别达到了14.8%和25.2%；田野等[27]以北京官厅水库为研究区域，通过野外采样和实验室测量获取了水质信息数据，并结合高光谱遥感影像，建立了CDOM遥感反演的生物光学模型，实现了夏季官厅水库的CDOM浓度高精度反演。

2.2 间接水质参数监测

间接水质参数与水体光谱特征不存在明显关系，但与直接水质参数关系密切，通常包括水体营养化水平、营养盐含量、化学需氧量(Chemical oxygen demand，COD)等。间接水质参数反演是在直接水质参数反演的基础上发来起来的，能够直观反应水体水质状况，如水中有机物污染程度可以通过高锰酸盐指数确定；水体富营养化的重要指标包含氨氮和总磷的含量，当水中营养盐浓度较高时，将会对水生生物和人类带来威胁[28]，因此，间接水质参数反演是遥感水质反演的一个重要研究方向。周亚东等[13]基于高分1号WFV遥感数据和82个站点的实测数据，运用多元线性回归和RBF神经网络模型，反演了武汉市及周边湖泊的叶绿素、营养盐等含量，并利用综合营养状态指数法分析了研究区域水体的富营养化水平；刘旭拢等[28]利用Landsat 8遥感影像和水质监测数据，利用遥感水质反演算法，实现了高锰酸盐指数、氨氮和总磷的反演；冼翠玲等[2]和岳佳佳等[29]分别采用多元线性回归和神经网络模型对某内陆水体的总磷和总氮指标进行了反演，效果较理想；黄妙芬等[26]在分析COD和CDOM浓度相关性的基础上，建立了运用CDOM反演COD的模型，并获取了试验地区的COD浓度专题图；王小平等[30]以艾比湖流域为研究对象，基于实测水溶解性总固体(Total dissolved solids,TDS)数据，选用了准同步的Landsat 8数据，分别利用多元线性回归模型、支持向量机模型(SVM)对TDS进行了反演，并对反演结果进行了精度分析。

3 展 望

遥感水质监测方法与传统水质监测方法相比，具有范围广、效率高、直观性强、成本低等优点，但同时具有模型适应性差、监测参数不全面、遥感数据源单一等不足。遥感水质监测方法在后续研究中，需要对经验模型和半经验分析模型的适用性进行分析，尽管模型分析法需要观测的物理量较多，但适应性较强，在后续工作中应加强模型分析法的研究；目前利用遥感技术所能监测的水质参数有限，与实际的水质监测要求仍有一定差距，还需要进一步拓宽遥感水质监测的参数范围；应加大高光谱遥感和主动遥感在水质监测领域的应用，以期提高水质监测精度和参数数量。