“珠海一号”采煤沉陷区叶绿素a浓度反演研究

穆红波 徐燕飞 殷梦杰

摘 要："珠海一号"卫星高光谱数据具有高时空分辨率的特点，为采煤沉陷区水质时空监测提供了更高精度的数据源。叶绿素a浓度是评价水质状况的重要参数。为探究淮南采煤沉陷区叶绿素a浓度反演模型，以安徽淮南顾桥采煤沉陷区为研究对象，基于"珠海一号"高光谱影像和水样测试数据，对采煤沉陷水域叶绿素a浓度反演模型进行构建，反演并分析了顾桥采煤沉陷区叶绿素a浓度空间分布特征及其成因。结果表明：基于珠海一号高光谱影像（b10+b19-b2）/（b10+b19+b2）波段组合方式构建的三次函数模型精度和稳定性较高，可以用于顾桥采煤沉陷区水质的动态监测;顾桥沉陷区水域总体叶绿素a浓度较高，高值区主要位于水域中部，且南部水域高于北部;农田施肥和工矿生产、居民生活污水的排放是造成沉陷区内叶绿素a浓度上升的主要原因。

关键词：水质遥感;珠海一号卫星;高光谱影像;叶绿素a;采煤沉陷区

Abstract：The hyperspectral data OHS-1 satellite，with the high spatial and temporal resolution， provides a more accurate data source for the spatial and temporal monitoring of water quality in mining subsidence area. Chlorophyll-a concentration is an important parameter to evaluate water quality. To explore the inversion model of chlorophyll-a concentration in Huainan coal mining subsidence area， the inversion model of chlorophyll-a concentration in the coal mining subsidence area was constructed， with Guqiao coal mining subsidence area in Huainan， Anhui province as the research object， and the spatial distribution characteristics of chlorophyll-a and its origin in the subsidence area were analyzed based on the hyperspectral image of OHS-1 satellite and water sampling data. The results show that the cubic function model based on （b10+b19-b2）/（b10+b19+b2）band combination from hyperspectral image of OHS-1 satellite has high inversion accuracy and stability， and can be used for dynamic monitoring of water quality in Guqiao coal mining subsidence area. The overall chlorophyll-a concentration in the water of subsidence area is high， mainly located in the middle part of the area， which in the southern part is higher than in the northern part. The main reasons for the increase of chlorophyll-a concentration in the subsidence area are the fertilization of farmland， the discharge of the industrial and mining production and the domestic sewage.

Key words：water quality remote sensing; OHS-1 satellite; hyperspectral image; Chlorophyll-a;coal mining subsidence

我國东部高潜水位矿区，常年大规模地下煤炭的开采形成了大面积的沉陷水域，严重影响了当地的农业生产和居民生活，沉陷水域的水环境问题成为限制矿区生态环境修复和区域经济可持续发展的重要因素[1]85。水体水质参数的有效监测和研究是开展水环境治理和修复的重要前提。传统的通过采集水样进行水质测试分析的方法尽管精度较高，但由于受采样点数量和代表性的限制，难以实现水质参数空间化、时效性、代表性的监测和时空变化研究[2-3]。相比于传统监测分析方法，遥感技术具有成本低、范围广、时效性强的优势，利用遥感影像进行水域水质参数的反演，可以实现水质全区域的空间分布及其变化分析。

目前，水质遥感涉及到的参数主要包括叶绿素a（Chlorophyll-a，Chla）、透明度、浊度、总氮、总磷、富营养化指数等直接和间接相关参数。所使用的数据源从多光谱遥感数据、非成像高光谱数据到高光谱成像光谱数据，发展了经验模型、半经验/半分析模型和分析模型三种反演方法。针对内陆地表水水质遥感，国内外学者建立了众多的水质参数遥感反演模型，然而，由于内陆水体光学特征的复杂性，目前还没有普适性的水质遥感反演模型[4-6]。近年来，一些学者在对内陆湖泊水体水质参数遥感反演的基础上，对我国东部采煤沉陷水域水质参数的遥感反演进行了研究。文献[7]以兖州矿济宁矿区为研究区，基于Hyperion高光谱数据，通过对矿业扰动区水体组分敏感波段的分析，构建矿业扰动的反演模型，实现了矿业扰动区地表水体的遥感反演。文献[8]综合应用地面测量光谱和无人机高光谱数据，对工矿城市尾矿库、河流、湖泊等典型区域的水质参数进行了反演。文献[9]以淮南顾桥采煤沉陷水域为研究对象，利用HJ-1 A/B卫星的和的影像数据，结合同步水体波谱信息和现场水质监测数据，建立了针对淮南釆煤沉陷水域水环境特点的遥感反演模型，并对采煤沉陷水域富营养化现状进行了评价。

文献[1]89利用HJ-1卫星数据，分别对淮南顾桥和潘集两个不同类型的沉陷区水体进行了相关水质指标的遥感反演并进行了富营养化评价，研究表明顾桥沉陷水域富营养化程度明显高于潘集沉陷水域。尽管前人已经在顾桥采煤沉陷区水质遥感监测方面取得了一定的成果，但上述研究主要是基于中等分辨率遥感卫星数据开展的，相较于大型湖泊、河流的水质反演，采煤沉陷区水体光谱特征更为复杂，且水域面积较小，邻近像元效应影响较为严重，更加需要高分辨率的卫星遥感数据。2018年12月17日，“珠海一号”商业航天高光谱卫星数据首次对外发布，其数据具有高光谱、高空间、高时间分辨等特点，开启了我国商业高光谱遥感定量新时代，为小范围高分辨率水域水质时空监测提供了数据源，在内陆水体遥感监测中具有较大潜力[10-11]。

叶绿素a作为水体光合生物诸如蓝藻、绿藻等生物的重要组成成分，是衡量水体初级生产力和富营养化程度最基本的指标，也是水质状态评价的关键参数之一，成为国内外学者水质遥感反演研究的主要目标[12-16]。本文以安徽淮南顾桥采煤沉陷水域为研究对象，基于“珠海一号”高光谱数据，结合野外实测光谱和水样测试分析，通过对叶绿素a浓度敏感性波段及其组合的相关分析，构建遥感反演模型，对研究区叶绿素a空间分布特征及其成因加以分析，为该区域水环境的监测和治理提供科学指导。

1 研究区概况

顾桥矿位于安徽省淮南市凤台县以东约20km，地处潘谢矿区中西部，东与丁集矿为邻，西与张集矿相接，北与顾北矿相通，井田面积约为106km2（见图1）。矿区内地下水位平均埋深1～2m，长期的煤炭开采形成了大面积沉陷积水区，平均水深约为4m。经遥感影像解译，截止2020a，整个积水区域面积达到11.6km2。

矿区内主要土地利用类型为耕地，采煤沉陷水域的主要利用方式为水产养殖和光伏发电。由于沉陷水域主要由农田、村庄塌陷而来，周围有发电厂、煤矸石堆积，各种农业污水、生活及工业废水进入积水区域，造成了一定程度的污染。同时，不合理的水产养殖也不同程度地影响着水体水质状况[1]87-88。

2 数据与方法

（1）样品采集与测试

2019年5月23日对顾桥沉陷区水质进行了实地采样，采样点分布如图2所示，采样当天天气晴朗，水面平静。此次采样共采集有效水体样本20个，同步利用ASD野外光谱辐射仪，采用水体水面以上光谱测量方法[17]对各样点的辐射数据进行测量，共获得水体光谱曲线1 400条。水体样本按照相关要求保存在棕色瓶中带回实验室进行测试分析。其中，2/3的测试数据用来进行模型的构建，1/3的数据进行模型反演精度的评价。

（2）遥感数据处理

本文收集了与采样时间接近的2019年5月4日的一景成像质量优良的“珠海一号”高光谱卫星数据， 该数据具有256个波段（有效成像波段数32）， 波长范围为400nm～1 000nm，光谱分辨率为2.5nm，空间分辨率为10m，幅宽为150km，重访周期為2d。

由于在遥感图像中，水体表现为弱信息，因此在对沉陷区水质参数进行反演时，对遥感图像的预处理就显得尤为重要[1]87，主要包括遥感图像的几何校正、辐射定标、大气校正和图像裁剪。

此外，在进行水质相关指标反演之前还需对研究区水体范围进行提取。因水体在蓝光波段对入射能量具有较强反射峰，在近红外、短波红外几乎吸收全部能量，国内相关学者根据上述水体光谱特征先后提出了单波段阈值法、多波段谱间关系法、归一化水体指数法、改进的归一化水体指数法等来进行水体信息的提取[18-19]。根据在该地区的实验，使用归一化水体指数方法能很好的提取出沉陷积水区范围。

（3）反演模型构建

利用实测采样点，对珠海一号高光谱数据每一波段反射率值和叶绿素a浓度测试值进行相关性分析，结果如图3所示。

由图3可知，叶绿素a浓度与波段b2、b10、b19相关性较强，所以可以使用上述波段进行叶绿素a浓度的反演。由于单波段与叶绿素a浓度进行相关性分析时其相关性可能较弱，所以一般方法是将几个较强相关性的波段进行组合，以提高与叶绿素a浓度的相关性，进而增加反演模型的精度，常用的增强方式有波段间比值、波段间归一化、波段间求和、波段间差值等。据前人研究结果表明，通过上述增强方法后的波段运算结果在一定程度上能增加与叶绿素a浓度的相关性。因此，这里将相关性较强的波段b2、波段b10、波段b19进行上述组合，最后将组合结果与采样点叶绿素a浓度进行相关性分析，结果如表1所示。

由表1可知，叶绿素a浓度与（b10+b19-b2）/（b10+b19+b2）组合方式相关性最高，所以选用此波段组合进行叶素绿a浓度反演模型的构建。分别采用常用的线性函数、指数函数、二次函数、三次函数模型对每个采样点的波段组合值和叶绿素a浓度值进行曲线拟合，结果如图4所示。

拟合效果的评价一般使用R2与调整后R2来衡量，R2越接近1，表示效果越好，调整后R2越接近1模型稳定性越高。由图4可知，三次函数模型的R2最高，调整后R2也达到了0.603，因此选择三次函数模型作为本研究区叶绿素a浓度的最佳反演模型。

（4）反演模型评价

对利用高光谱数据与实测数据建立的各水质指标反演模型，使用剩余1/3样本进行模型精度评价，计算其平均绝对误差（Mean Absolute Error，MAE）、均方根误差（Root Mean Square Error，RMSE），并作出其误差图（见图5）、实测值与模型估算值对比图（见图6）。平均绝对误差（MAE）是将各次测量的误差取绝对值后再求平均值，可以避免误差相互抵消的问题，可以准确反映实际估算误差的大小。均方根误差（RMSE）是模型预测值与真实观测值偏差的平方与观测次数的n比值的平方根，主要用来评价模型估算值与真实值之间的偏差，同时在一定程度上也能代表估算模型的稳定性。一般来说，均方根误差越小，模型精度和稳定性越好。由图5可知，叶绿素a浓度MAE为1.132，RMSE为1.231，因此，该模型可以用于顾桥沉陷积水区叶绿素a浓度的反演。

3 结果分析

基于上述叶绿素a浓度反演模型得到研究区叶绿素浓度空间分布，并将其划分为五级，为便于阐述将沉陷水域标记为五个小区域，沉陷水域西北部分因大量光伏电池的铺设，未参与反演，如图7所示。

由图3.1可知，叶绿素a浓度在整个水域浓度都比较高，尤其是水域中部，且南部Ⅲ、Ⅳ区域浓度相对北部高值区范围更大，北部I、Ⅱ区域以及西部V区域浓度相对较低、范围较小，与裴文明等研究结果相一致[1]88-89。这主要与当地的农业生产有关，5月份为农田播种季节，大量农业化肥使用过程中，氮磷等元素通过地表径流汇集到沉陷积水区内，并且其南部靠近发电厂、矿区和居民区，大量工业废水和生活污水的流入也导致富营养化程度加重。此外邻近沉陷水域中煤矸石填充的道路南侧，叶绿素a浓度也相对较高。

4 结论

本文以淮南顾桥采煤沉陷区为研究对象，基于“珠海一号”高光谱数据各波段反射率值与叶绿素a浓度实测值的相关性分析，确立最佳波段组合，建立了研究区叶绿素a浓度的反演模型，对研究区叶绿素a浓度进行了空间反演和分析。

（1）利用“珠海一号”高光谱数据能够得到更高分辨率的水质反演结果，为采煤沉陷区水质监测和时空变化研究提供了有力支持。对于顾桥采煤沉陷区来说，叶绿素a浓度与“珠海一号”高光谱数据b2、b10、b19波段相关性较强，基于（b10+b19-b2）/（b10+b19+b2）组合所构建的三次函数模型反演效果最佳，反演模型精度和稳定性较高。但模型在整个矿区的适用性以及季节性差异还有待进一步验证。

（2）整个顾桥采煤沉陷区叶绿素a浓度都比较高，说明水体的富营养化程度较高，高值区主要位于水域中部及煤矸石充填的道路南侧，且南部水域高于北部。这一方面与农业生产过程中化肥使用有关，另一方面与煤矸石堆积、工矿生产废水和生活污水的排放有关。

參考文献：

[1] 裴文明，张慧，姚素平，等.淮南矿区不同类型沉陷水域水质遥感反演和时空变化分析[J].煤田地质与勘探，2018，46（3）：85-90.

[2] 徐鹏飞，毛峰，金平斌，等.基于GF1_WFV的千岛湖水体叶绿素a浓度时空变化[J].中国环境科学，2020，40（10）：4 580-4 588.

[3] 侯鹏飞.城镇化背景下滇池叶绿素a浓度时空变化特征研究[D].昆明：云南师范大学，2020.

[4] 段洪涛，罗菊花，曹志刚，等.流域水环境遥感研究进展与思考[J].地理科学进展，2019，38（8）：1 182-1 195.

[5] 曹引，冶运涛，赵红莉，等.内陆水体水质参数遥感反演集合建模方法[J].中国环境科学， 2017， 37（10）：3 940-3 951.

[6] DANIEL O，ANATOLY G，VITTORIO E B，et al.Review of constituent retrieval in optically deep and complex waters from satellite imagery[J].Remote Sensing of Environment，2012，118（4）：116-126.

[7] 韩留生.矿业扰动区水质参数高光谱遥感反演[D].青岛：山东科技大学，2011.

[8] 彭令，梅军军，王娜，等.工矿业城市区域水质参数高光谱定量反演[J].光谱学与光谱分析，2019，39（9）：2 921-2 928.

[9] 叶圆圆.基于RS淮南采煤沉陷水域水质实时监测技术研究[D].淮南：安徽理工大学，2014.

[10] 洪韬.珠海一号高光谱卫星在内陆湖泊监测中的应用[J].卫星应用，2019，（8）：19-22.

[11] 尹慧新，樊彦国.基于“珠海一号”高光谱卫星的洱海水体提取方法研究[J].航天返回与遥感，2020（4）：118-127.

[12] 陶然，彭金婵，张豪，等.内陆水体叶绿素a浓度遥感监测方法研究进展[J].地理信息世界，2019，26（4）：44-53.

[13] 潘应阳，国巧真，孙金华.水体叶绿素a浓度遥感反演方法研究进展[J].测绘科学，2017，42（1）：43-48.

[14] 宋挺，周文鳞，刘军志，等.利用高光谱反演模型评估太湖水体叶绿素a浓度分布[J].环境科学学报，2017，37（3）：888-899.

[15] 封红娥，李家国，朱云芳，等.GF-1与Landsat8水体叶绿素a浓度协同反演——以太湖为例[J].国土资源遥感，2019，31（4）：182-189.

[16] WANG T，HUANG M T，WANG Z J.Estimation of chlorophyll-a Concentration of lakes based on SVM algorithm and Landsat 8 OLI images[J].Environmental Science and Pollution Research，2020，27：14 977-14 990.

[17] 唐军武，田国良，汪小勇，等.水体光谱测量与分析Ⅰ：水面以上测量法[J].遥感学报，2004，8（1）：37-44.

[18] 朱鹤.遥感技术在地表水源地水体监测中的应用研究[D].北京：中国水利水电科学研究院，2013.

[19] 王航，秦奋.遥感影像水体提取研究综述[J].测绘科学，2018，43（5）：23-32.

（责任编辑：李 丽，范 君）