Ⅱ类水体悬移质泥沙含量遥感反演综述

杨佳 范建容 张茜彧 于江 朱昕

摘要：悬移质泥沙是水环境的重要参数之一，其含量的变化对流域生态环境有着多方面的影响。传统研究方法能够实现悬移质泥含量的精确分析，但存在布点有限、时效不足等问题，而遥感技术可弥补传统研究方法的不足，实现大面积水域的同步观测。基于悬移质泥沙含量遥感反演的4类模型：物理模型、半分析模型、经验模型、人工智能算法模型，总结了Ⅱ类水体悬移质泥沙含量遥感反演的研究进展，探讨了反演研究中存在的离水辐亮度提取难度大、混合像元不易分解等问题，并针对我国内陆山区河流，提出山区Ⅱ类水体悬移质泥沙含量遥感反演发展面临的关键问题。

关 键 词：Ⅱ类水体; 悬移质泥沙; 卫星遥感; 反演模型; 内陆山区河流

1 研究背景

水体按其光学性质的差异分为Ⅰ类水体、Ⅱ类水体[1]。Ⅰ类水体组成简单，光学性质由浮游植物及其附属物决定[2]。Ⅱ类水体组成复杂，其光学性质主要受叶绿素、有色可溶性有机物、总悬浮颗粒物等水色因子的影响，情况复杂且不稳定[3]。在淡水生态系统中藻类为水体的主要组成成分，藻类色素的主要成分——叶绿素a含量的变化对水体光谱信息有很大的影响。有色可溶性物质主要存在于内陆湖体，多呈黄棕色，其含量变化造成光谱信息的变化较为明显。在浊度较高的水体中，叶绿素光谱信息和有色可溶性物质的光谱信息均被总悬浮颗粒物的光谱信息所掩盖。

悬移质泥沙是Ⅱ类水体的重要组成成分，多为微小固体颗粒，具有粒径小、易附着污染物、迁徙能力强等特点。我国内陆水体多为Ⅱ类水体，悬移质泥沙广泛存在其中。悬移质泥沙含量的变化对河道的演变、河流地貌的发育影响重大[4]。河流悬移质泥沙含量过高时，下流泥沙淤积严重，轻则改变河流流向（如淮河），重则形成地上河（如黄河下游），对河流两岸人民的生命财产安全造成一定的威胁[5]。 悬移质泥沙上附着的污染物（N、P等营养盐）随水流输移发生迁移，易产生大范围的水体污染，造成水域生态系统紊乱。监测水体中悬移质泥沙含量的变化，掌握悬移质泥沙含量的时空变化特征，对流域的生态环境以及人类生产生活具有重要意义。

悬移质泥沙含量的监测研究存在流域范围广、综合环境复杂等问题。以往悬移质泥沙监测多是基于野外实测水样分析其含量的变化。传统的研究方法包括水文站取样、船只走航取样。水文站取样可获得时间序列连续的数据，但只能反映水文站临近水域悬移质泥沙含量变化的情况，空间连续不足。船只走航取样仅可获取一定水域短期内的样本数据[6]。野外实测的方法在悬移质泥含量精确分析方面具有一定优势，但仍存在监测范围较小、水样不足、耗时费力等问题。遥感数据具有时间连续，空间覆盖广，数据获取方便等特点[7]。基于遥感数据，构建悬移质泥沙反演模型，监测水体悬移质泥沙含量的变化，研究水体悬移质泥沙的变化特征，不仅为遥感技术的应用提供了一种新的思路，同时也为水色研究提供了一种新的范式。

2 水色遥感

2.1 水色遥感研究现状

遥感技术应用初期，卫星影像空间分辨率低，光谱连续性不足，导致遥感地面监测信息获取能力较低。随着卫星传感器的不断发展，基于遥感影像获取地物信息的能力得到大幅提高。人们由最初的简单记录遥感影像信息发展到如今定量反演目标物的物理参量。

国内外学者从20世纪60年代开始就应用卫星传感器对水体环境进行监测[8]。1978年NASA（National Aeronautics and Space Administration）发射了世界上第一颗探测海洋水色要素的传感器CZCS（Coastal Zone Color Scanner）[9]。1997年NASA针对CZCS水色通道少、光谱分辨率低等问题，发射了第二代水色卫星传感器SeaWiFS（Sea-vie-wing Wide Field-of-view Sensor）[10]。2002年中国发射了搭载COCTS（Chinese Ocean Color Temperature Scanner）传感器的HY-1A卫星[11]。2009年韩国发射了第一颗地球静止海洋水色传感器GOCI（Geo-stationary Ocean Color Imager）[12]。歐洲、日本、印度也发射了多颗水色卫星，如哨兵系列卫星[13]、ALOS（Advanced Land Observation Satellite） 系列卫星[14]、OCM（Ocean Color Monitor）系列卫星[15]等（见表1）。如今世界各国已发射了多颗水色卫星，水色遥感具备多种可用数据。

2 沿海地区环境监测

随着水色卫星传感器的发展，遥感数据质量不断提高，使得定量反演水体中悬移质泥沙的含量成为可能。1993年Tassan针对海岸带水体提出悬移质泥沙遥感反演模型，应用Landsat-TM数据进行了悬移质泥沙含量反演[16]。2002年陈涛基于经验模型反演得出Gironde河口的悬移质泥沙含量[17]。2009年樊彦国基于综合地理模型与遥感反演模型研究分析黄河三角州水体悬移质泥沙含量的变化，为了解该水域的海岸线蚀退情况提供了参考依据[18]。2016年孔金玲在曹妃甸近岸海域基于实测数据及Landsat-5数据，构建水体表、中、底3个不同层次的经验反演模型，研究发现悬移质泥沙含量的垂向空间分布由表部及底部呈现增大趋势[19]。利用Landsat-8数据分析建模、反演获得该区域每个季节悬移质泥沙的空间分布特征：春季分布高值集中于西海岸，夏秋时珠江口顶区域高值分布较为集中，冬季总体分布呈现从珠江口顶向东南方向扩散[20]。如今，国内外学者应用遥感技术对悬移质泥沙含量的定量反演研究均取得了很大进展。

2.2 水色遥感过程

水体光谱信息主要由水体的物质组成决定，同时受水的状态影响。Ⅰ类水体与Ⅱ类水体的反射光谱曲线存在明显差异，Ⅱ类水体反射率高于Ⅰ类水体，且反射峰值出现在波长更长的波段。以水质参数中的悬疑质泥沙为例，随着Ⅱ类水体中悬移质泥沙含量的增加，水体反射率光谱曲线不断升高，反射峰值波长向长波方向移动，反射峰值形态也变得更宽。不同泥沙浓度的光谱曲线在0.58～0.68 μm 波长范围内出现峰值，此波段对水中泥沙反应最敏感，即遥感监测水体悬疑质泥沙含量的最优波段。

水体具有透光性和水面反射性，卫星传感器接收到的水体光谱信息包括大气散射、水面反射、水体中向上散射以及浅水水底反射[21]。水质参数含量变化时，水体光学信号的吸收、反射、散射性均受到一定的影响。水色遥感即通过对卫星传感器所接收到的水体光谱信息进行监测分析，建立离水辐亮度与水质参数含量之间的关系，反演得出各水质参数含量。

离水辐亮度的获取是进行水色遥感的关键，其精度关系到水色遥感反演结果的准确性。卫星传感器显示的光谱信息为数字量化值（DN灰度值），在水色遥感的过程中进行辐射定标将DN值转为辐亮度。卫星传感器接收到总的辐亮度中离水辐亮度所占比例不足10%，大气程辐射所占比例高达90%[22]，通过大气校正剔除大气程辐射得到离水辐亮度。基于离水辐亮度中的水质参数敏感波段与水质参数含量建立关系，即可进行特定水质参数遥感反演。

3 悬移质泥沙含量遥感反演模型

水体悬移质泥沙含量遥感反演的关键在于构建悬移质泥沙含量与离水辐亮度之间的关系。在应用遥感技术反演悬移质泥沙含量的研究过程中，国内外专家提出了一些定量反演模型。这些模型主要分为4类：物理模型、半分析模型、经验统计模型、人工智能算法模型。

3.1 物理模型

水色遥感分为离水辐亮度反演和水质参数含量反演两个过程。物理模型首先基于光在水下的水体辐射传输方程模拟光在水体中的吸收、反射、散射等过程，从而得到水体离水辐亮度，然后应用生物-光学模型构建悬移质泥沙含量与离水辐亮度之间的关系，最终反演得出水体的悬移质泥沙含量。

1980年Moore分析传感器接收到的悬移质泥沙的离水辐亮度，发现随着水体中悬移质泥沙含量的增加，光的后向散射也不断增强，因而对于悬移质泥沙含量较多的浑浊水体，基于水体后向散射特性建立理论模型进行遥感反演[23];1998年Hoogenboom在理论模型的基础上，对不同组成浓度的水体（近海岸Ⅱ类水土区域;内陆富营养化浅水区域）构建不同的模型提取水体中叶绿素以及悬移质泥沙含量，均取得了不错的结果[24];2001年Dekker对Landsat-TM、SPOT影像进行迭代的大气和空气-水界面校正处理，在此基础上应用遥感影像与实测数据构建生物光学模型反演得出Southern Frisian湖的悬移质泥沙含量[25]。

物理模型基于卫星传感器接收到的离水辐亮度即可反演悬移质泥沙含量，且不需要卫星影像获取时刻的同步野外实测数据检验，但此模型反演精度较低，且不适用于光学特征复杂的水体。

3.2 半分析模型

1985年Gordon研究分析了光在水体中的辐射传输过程，基于固有光学参量吸收系数以及后向散射系数，建立了光谱反射率与悬移质泥沙含量之间的关系，并构建了Gordon模型反演悬移质泥沙含量[26];1992年，黎夏基于Gordon模型和负指数模型建立了悬移质泥沙含量遥感反演的统一式模型，应用于珠江口伶仃洋的悬移质泥沙含量反演研究，并得到其他区域数据的验证[27];2010年Shen基于Kubelka-Munk两流近似的辐射传输理论建立了SERT模型，并通過现场测量和室外控制池实验来校准数据集，最后利用MERIS数据反演大范围水域的悬移质泥沙含量[28]。2012年陈勇等基于准单散射Gordon模型反演了1974～2009年长江口悬移质泥沙含量的时空分布特征，反演结果证明悬移质泥沙含量在河口区域存在多级分带分布的特征[29]。2014年陈燕在渤海湾近岸海域应用多波段准分析算法建立悬移质泥沙含量与Landsat影像之间的关系，反演研究区的悬移质泥沙含量并分析其空间分布特征[30]。

半分析模型物理含义清晰，在已知水质参数固有光学特性的基础上，可对任意区域的水体进行遥感反演，且反演精度较高;但半分析模型实则为简化版的分析模型，在悬移质泥沙遥感反演过程中忽略了光在水体中的多次散射以及水底反射，这对最终反演结果的精度会造成不可忽略的影响。

3.3 经验统计模型

经验统计模型是基于同步测量的水体悬移质泥沙含量数据以及遥感光谱数据，构建悬移质泥沙含量和水体表观光学性质之间的定量关系[31]。模型的一般形式为

如表2所示，2005年寥迎娣通过大气校正后的SeaWiFS数据构建指数模型监测东部沿海区域悬移质泥沙空间分布[32];2014年林承达基于Landsat-7 ETM+单波段数据、多波段比值数据构建了多种经验模型反演长江中游悬移质泥沙含量，结果表明该区域单波段反演结果优于波段组合[33];2015年朱樊基于MODIS数据的两个波段构建了二次函数模型反演不同季节珠江河口区域悬移质泥沙含量，发现珠江河口区域的悬移质泥沙整体分布西北方向高于东南方向，河口风速是造成珠江河口区域悬移质泥沙含量时序变化的主要原因[34]。

2018年章敏超基于GF-1数据构建了舟山近海域单波段经验统计模型和波段组合经验统计模型，分析了不同模型的相关系数并进行精度验证，研究发现基于（B3/B2）波段组合的二次模型反演精度更高，但不适用于悬移质泥沙含量较低的情况[35]。

经验统计模型建模算法简单，模型表达式具有多样性（线性、指数、对数、幂），适用于光学特征复杂的水体，针对区域悬移质泥沙含量遥感反演精度较高，但需要同步实测数据，缺乏物理机制且普适性较差，不能直接应用于其他水域。

3.4 人工智能算法模型

近年来悬移质泥沙遥感反演模型还包括基于人工智能算法构建的神经网络模型、主成分分析模型、支持向量机模型等。

神经网络模型属于经验模型的一种，它基于多光谱遥感数据，构建离水辐亮度与悬疑质泥沙含量的多元线性回归关系。多层前馈网络模型是目前应用最为广泛的神经网络模型之一，通过反向传播学系算法（Back Propagation Neural Network，BPNN），调整全值使网络总误差最小。2014年何报寅基于环境卫星数据与悬移质泥沙含量构建了广义回归神经网络模型（General Regression Neural Network，GRNN）来反演长江中游水体的悬移质泥沙含量，研究结果表明当实测数据较少时，GRNN模型相比于BPNN模型其反演精度更高[36];2015年Chen基于 MODIS数据构建多层次反向神经网络模型来反演中国东部沿海的悬疑质泥沙含量，反演效果较好[37]。

主成分分析模型通过数据降维将原始多光谱遥感数据简化为几个不相关的变量，既保留水体光谱信息又消除不同波段间的影响，从而提高模型的反演精度。2015年杨姝基于Landsat-5 TM数据与实测悬疑质泥沙含量构建了主成分分析模型来反演中国渤海湾近岸海域的悬疑质泥沙分布，研究结果表明悬疑质泥沙含量较高的区域主要集中在南部及西南部近岸海域[38]。

支持向量机模型是建立在统计学的VC维理论和结构风险最小原理基础上，应用于模式识别、分类、以及回归分析的学习模型[39]。2015年何报寅基于环境卫星数据，应用果蝇算法优化后的支持向量机模型（Support Vector Machine，SVM）反演了长江中游悬疑质泥沙含量，结果表明SVM模型受数据波动影响较小，反演结果良好[40]。

神经网络模型、主成分分析模型和支持向量机模型均属于经验统计模型，与传统的经验统计模型（线性、指数、幂）相比，这些人工智能算法模型稳定、运算快捷、在小样本情况下的反演精度较高。

3.5 小 结

物理模型依赖于物理机制，但由于目前理论机制研究不足，不能反演光学特征复杂的Ⅱ类水体。半分析模型基于简化的辐射传输理论，适用性强，应用广泛。经验统计模型忽略水体的生物光学特征，不考虑水体内部的辐射传输过程，算法简单，适用于可实测采样的水体，但可移植性存在不足。基于人工智能算法的经验统计模型缺乏物理机制，但只需少量样本数据即可进行遥感反演，反演结果精度较高。

4 问题与展望

综上所述，基于4种模型反演Ⅱ类水体悬移质泥沙含量均取得了不错的结果，并广泛应用于悬移质泥沙含量监测、时空分布特征分析等方面，为流域的生态环境评定提供了依据。悬移质泥沙含量遥感反演模型多是针对特定水域，基于单一传感器遥感数据与实测数据构建模型，其中仍存在一些不足。

（1） 遥感传感器接收到的水体光谱信号易受到大气环境、流域综合环境、水体深度等诸多因素的影响，存在一定的误差。

（2） 由于遥感影像分辨率的限制，水体遥感影像特征不明显，部分水域存在波谱混合的现象。

（3） 传感器接收的信号主要来自表层水体，而水体断面平均含沙量数据获取难度较大，实测数据的代表性受到实际采样条件的限制和采样点至像元面的尺度效应影响。

目前国内外Ⅱ类水体悬移质泥沙含量遥感反演多是以海口、河口、内陆湖泊为研究对象，有关内陆河流的研究较少，特别是山区河流这一方向目前还是空白。山区地质条件复杂、河流水文特征多变、人力监测困难，随着遥感传感器的发展，遥感影像分辨率不断提高，为山区河流悬移质泥沙含量的研究提供了新的思路。由于山区河流本身存在复杂性：① 山区多云影覆盖、下垫面环境复杂，卫星传感器接收的水体光谱信息所受干扰较大，因而大气校正对山区河流悬移质泥沙遥感反演尤为重要;② 山區河流水深不定，水浅处水底反射较强;河流宽度不定，较窄处与河岸地物易形成混合像元;河流流速较快，湍急处产生水花影响水面反射;③ 山区河流中的泥沙粒径大小的差异及其附着的污染物都会对遥感影像光谱信息产生影响;其悬移质泥沙含量遥感反演研究难度较大。

参考文献：

[1] 许大力， 李福金. 近海岸悬浮泥沙遥感反演模型的分析探讨[J]. 测绘与空间地理信息， 2012， 35（3）： 65-68.

[2] 马万栋， 吴传庆， 殷守敬，等. 基于实测光谱的烟台四十里湾水体叶绿素a遥感反演[J]. 中国环境监测， 2015， 31（4）： 135-140.

[3] 周起超， 张运林， 周永强，等. 抚仙湖秋、冬季光衰减特征及其与有色可溶性有机物的关系[J]. 湖泊科学， 2016， 28（6）： 1316-1327.

[4] 贺方舟， 朱勇辉， 郭小虎， 等. 水库下游悬移质泥沙沿程恢复研究进展[J]. 长江科学院院报， 2017， 34（12）： 1-6.

[5] 宋振杰， 吴晓， 邢国攀， 等. 2010年黄河调水调沙期间河口泥沙输运过程的数值模拟[J]. 海洋湖沼通报， 2018（1）：9-14.

[6] 况润元， 谢佳， 张萌， 等. 基于实测数据的鄱阳湖悬浮泥沙粒度遥感反演模式分析[J]. 长江科学院院报， 2017， 34（11）： 132-137.

[7] 王震， 乔璐璐， 王云飞. 东中国海表层悬浮体浓度卫星遥感反演研究进展[J]. 沉积学报， 2016， 34（2）： 292-307.

[8] 栾虹. 基于landsat8珠江口悬浮泥沙及叶绿素a浓度遥感反演及时空变化[D].广州：广东海洋大学， 2016.

[9] B HOOKER S， 张锷. 海洋水色成像：从CZCS至SeaWiFS[J]. 红外， 1994（12）： 1-6.

[10] 何执兼， 邓孺孺. 应用水色卫星对海水油及COD的遥感探测[J]. 中山大学学报（自然科学版）， 1999， 38（3）： 81-84.

[11] 潘德炉， 何贤强， 李淑菁， 等. 我国第一颗海洋卫星HY-1A的应用潜力研究[J]. 海洋学报， 2004， 26（2）： 37-44.

[12] 李冠男， 王林， 王祥， 等. 静止水色卫星GOCI及其应用进展[J]. 海洋环境科学， 2014， 33（6）： 966-971.

[13] 毕恺艺， 牛铮， 黄妮， 等. 基于Sentinel-2A时序数据和面向对象决策树方法的植被识别[J]. 地理与地理信息科学， 2017， 33（5）： 16-20.

[14] 熊金国， 王世新， 周艺. 不同指数模型提取ALOS AVNIR-2影像中水体的敏感性和精度分析[J]. 国土资源遥感， 2010， 22（4）： 46-50.

[15] Tripathy M， Raman M， Chauhan P. Estimation of photosynthetically available radiation （PAR） from OCEANSAT -I OCM using a simple atmospheric radiative transfer model[J]. Advances in Space Research， 2015， 56（7）： 1441-1452.

[16] Tassan S. An improved in-water algorithm for the determination of chlorophyll and suspended sediment concentration from Thematic Mapper data in coastal waters[J]. International Journal of Remote Sensing， 1993， 14（6）： 1221-1229.

[17] 陈涛， 牛瑞卿， 李平湘， 等. 基于人工神经网络的植被覆盖遥感反演方法研究[J]. 遥感技术与应用， 2010， 25（1）： 24-30.

[18] 樊彦国， 李瑞华， 侯春玲， 等. 黄河三角洲近海水体含沙量遥感信息模型研究[J]. 海洋科学， 2009， 33（8）： 36-39.

[19] 孔金玲， 杨晶， 蒲永峰， 等. 曹妃甸近岸海域垂向悬沙含量遥感反演[J]. 地球信息科学学报， 2016， 18（10）： 1428-1434.

[20] 栾虹， 付东洋， 李明杰， 等. 基于Landsat 8珠江口悬浮泥沙四季遥感反演与分析[J]. 海洋环境科学， 2017， 36（6）： 892-897.

[21] 戴昌达， 姜小光， 唐伶俐. 遥感图像应用处理与分析[M].北京：清华大学出版社， 2004.

[22] 马荣华， 唐军武， 段洪涛， 等. 湖泊水色遥感研究进展[J]. 湖泊科学，2009，21（2）：91-96.

[23] Moore G. Satellite remote sensing of water turbidity[J]. International Association of Scientific Hydrology Bulletin， 1980， 25（4）： 407-421.

[24] Hoogenboom H J， Dekker A G， Alathuis I A. Simultation of AVIRIS sensitivity for detecting chlorophyll over coastal and inland waters[J]. Remote Sensing of Environment， 1998， 65（3）： 333-340.

[25] Dekker A G， Vos R J， Peters S W M. Comparison of remote sensing data， model results and in situ data for total suspended matter （TSM） in the southern Frisian lakes[J]. Science of the Total Environment， 2001， 268（1）： 197-214.

[26] Gordon H R， Morel A Y. Remote Assessment of Ocean Color for Interpretation of Satellite Visible Imagery[J]. Physics of the Earth & Planetary Interiors， 1985， 37（4）： 292-297.

[27] 黎夏. 悬浮泥沙遥感定量的统一模式及其在珠江口中的应用[J]. 遥感学报， 1992（2）： 106-114

[28] Shen F， Verhoef W， Zhou Y， et al. Satellite estimates of wide-range suspended sediment concentrations in changjiang （Yangtze） Estuary using MERIS data[J]. Estuaries & Coasts， 2010， 33（6）： 1420-1429.

[29] 陈勇， 韩震， 杨丽君， 等. 长江口水体表层悬浮泥沙时空分布对环境演变的响应[J]. 海洋学报， 2012， 34（1）： 145-152

[30] 陈燕， 孔金玲， 孙晓明， 等. 基于半分析模型的渤海湾近岸海域悬浮泥沙浓度遥感反演[J]. 地理与地理信息科学， 2014， 30（3）： 33-36

[31] 任敬萍， 赵进平. 二类水体水色遥感的主要进展与发展前景[J]. 地球科学进展， 2002， 17（3）： 363-371.

[32] 廖迎娣， 张玮. 运用SeaWiFS遥感数据探测中国东部沿海悬浮泥沙浓度的研究[J]. 水动力学研究与进展， 2005， 20（5）： 558-564.

[33] 林承达， 周斌， 马琪， 等. 基于遥感反演长江中游地区悬浮泥沙研究[J]. 长江流域资源与环境， 2014， 23（8）： 1119-1124.

[34] 朱樊， 欧素英， 张铄涵， 等. 基于MODIS影像的珠江口表层悬沙浓度反演及时空变化分析[J]. 泥沙研究， 2015 （2）： 67-73.

[35] 章敏超， 郭碧云. 基于GF-1号的舟山近岸悬浮泥沙浓度反演研究[J]. 海洋开发与管理， 2018， 35（1）： 126-131.

[36] 何报寅， 张文， 乔晓景， 等. 基于GRNN模型的悬浮物遥感反演研究：以长江城陵矶段为例[J]. 华中师范大学学报（自然科学版）， 2014， 48（5）： 737-742.

[37] Chen J， Quan W， Cui T， et al. Estimation of total suspended matter concentration from MODIS data using a neural network model in the China eastern coastal zone[J]. Estuarine Coastal & Shelf Science， 2015， 155： 104-113.

[38] 楊姝. 渤海湾近岸海域悬浮泥沙浓度遥感反演模型建立及适用性分析[D].西安：长安大学，2015.

[39] 李致博. 基于支持向量机的海洋悬浮物浓度遥感反演模型研究[D].北京：中国地质大学（北京）， 2012.

[40] 何报寅， 张文， 乔晓景， 等. 基于FOA-SVM方法的长江中游悬浮物浓度遥感反演研究[J]. 长江流域资源与环境， 2015， 24（4）： 647-652.

（编辑：胡旭东）