基于Landsat 8影像的太湖生化需氧量遥感反演

梁永春，尹芳，赵英芬，刘磊

1. 长安大学地球科学与资源学院，陕西 西安 710054；2. 长安大学土地工程学院，陕西 西安 710054；3. 中国四维测绘技术有限公司，北京 100094

太湖作为中国的第三大淡水湖，在长江三角洲地区经济发展和生态环境保护方面发挥着重要作用，具有水上运输、饮水供应、水产养殖、旅游观光等众多功能（贾军梅等，2015）。自20世纪80年代以来，随着工业化和城镇化水平的不断推进，工业废水以及生活污水排放导致太湖的水质状况不断恶化，水质由Ⅱ类水体降低至Ⅲ类水体，部分区域甚至降低至Ⅳ类和Ⅴ类水体（范成新，1996；林泽新，2002；谢红彬等，2004）。2007年太湖蓝藻大爆发以来，太湖治理有所加强，但水质状况仍不容乐观。生活污水和食品、造纸、印染、石化等工业废水中含有油脂、蛋白质、糖类、脂肪酸、酯类等有机污染物质，有机物的累计会增加水中的耗氧量，影响鱼类和其他水生生物的正常活动（张运林等，2020），进一步影响人类的生产生活以及生命健康。相比于内陆水体，湖泊水流缓慢且湖水更换周期长，稀释湖内污染物的能力较弱（陶玉强等，2020），而太湖作为中国第三大内陆湖泊，湖水面积大且城市环绕，有机污染是太湖水体污染的重要组成之一。因此，须加强太湖水体有机污染监测，为太湖流域治理提供依据。传统水质监测方法受多种因素的制约，特别是采样耗时长且数量有限，只能监测断面的水质状况，无法实现大面积快速监测（田野等，2015）。遥感技术具有监测速度快、可监测的范围大及周期性监测等优势，被广泛应用于土地资源调查、城市环境监测、农林业、大气、水文等领域（陈良富等，2016；徐冠华等，2016）。

近年来由于水资源利用和水污染问题不断加剧，水质遥感监测研究更加广泛。水质遥感监测是指通过研究水体反射光谱特征与各水质参数之间的关系，建立水质参数反演模型，结合反演模型与遥感影像数据，反演整个区域的水质状况，有利于

水体的区域性监测。很多专家学者进行水质遥感监测研究，研究的水质参数包括光学活性物质和非光学活性物质，其中水体光学活性物质包括叶绿素a、CDOM、NPSS、SD等物质，而非光学活性物质包括NH3-N、TP、TP、COD、BOD、DO等物质（黄耀欢等，2010；王林等，2013）。其中生化需氧量（biochemical oxygen demand，BOD）是指在一定条件下，微生物分解水中的可生化降解有机物所进行的生物化学反应过程中所消耗的溶解氧的数量（王洪伟等，2021）。BOD是水质有机污染监测的重要指标之一，在水质监测、水环境的功能评价以及有机污染的有效控制等方面都有相当重要的意义。自20世纪80年代人们就认识到生化需氧量对水体以及环境研究的重要性（丁岳水，1980），对 BOD评价水体有机污染状况的有效性、BOD测定方法（Zhang et al.，2013；Liu et al.，2016；李国刚等，2004）以及与其他水质参数的相关性（殷燕等，2010）等方面开展了重点研究。部分学者使用多种研究方法（Najafzadeh et al.，2019；Tao et al.，2019；Golab et al.，2020）预测 BOD 浓度。曾祥英等（2010）采用基于时域的反演算法模型构建佛山河道的BOD模型，Hur et al.（2012）预测典型城市河流的BOD、COD 和总氮浓度。Sharaf El Din et al.（2017）利用 Landsat 8/OLI进行水体光学和非光学参数的估算。杨柳等（2013）基于BP神经网络和ETM+影像像元光谱进行温榆河 BOD反演研究。林剑远等（2019）基于航空和水表高光谱遥感数据，利用水质参数和光谱反射率进行相关性分析，建立嘉兴市河网化学需氧量、生化需氧量、总磷、总氮的反演模型。这些研究成果均证实利用多光谱数据Landsat ETM+、Landsat 8/OLI影像数据和高光谱遥感数据进行 BOD的反演研究的可行性。虽然运用高光谱影像和多光谱影像数据均可有效进行 BOD浓度的反演监测，但高光谱数据目前时效性较差，严重影响高光谱遥感的推广使用，而多光谱影像数据具有数据免费、空间分辨率高、重访周期短、覆盖范围大等优点，已被广泛应用于水体、土地、森林、海洋等研究领域的遥感监测和研究，充分利用多光谱数据进行水体等研究具有广阔的发展前景。目前运用最多的多光谱数据为Landsat系列遥感影像，尤其是Landsat 8影像数据，自2013年投入使用之后，因空间分辨率高、波段数据较多、光谱覆盖范围大等优势被广泛使用。

目前太湖水体监测数据表明太湖水体生化需氧量浓度出现超标，需氧有机物浓度增加，亟需开展太湖地区 BOD快速、长期监测与评估。因此，以太湖生化需氧量为研究对象，基于Landsat 8遥感影像和实测 BOD浓度数据建立响应关系模型，进行BOD反演、制图，分析太湖BOD时空分布特征，为太湖有机污染的监测和治理提供依据。

1 研究区概况

太湖地处长江中下游地区，横跨江苏和浙江两省，主体位于江苏省南部。太湖水域面积为2338.1 km2，湖岸线全长393.2 km，平均水深1.9 m，最大水深2.6 m，总蓄水量为4.4×109m3。太湖地区属亚热带季风气候，夏季高温多雨，冬季寒冷少雨，降水主要集中于夏季 7—8月，年平均降水量为 1000—1400 mm。太湖周边地势西高东低，西部多为丘陵，东部以平原为主，各类水系比较发达。

2 数据采集与研究方法

2.1 水样采集

太湖面积较大，结合当地地形以及湖泊水体的分布特征，共布设20个采样点（图1），采样点名称与编号对应关系见表1。结合Landsat 8影像数据的获取时间，本次研究可用水质样品共有4组，分别为2016年5月4—6日、2016年8月1—4日、2016年9月1—8日、2017年3月2—8日。水质采样及检测根据中国环境监测总站《国家地表水环境质量监测网监测任务作业指导书 (试行)》的要求。BOD的测定需要单独采样，将水样采集于棕色玻璃瓶，水样注满玻璃瓶且不留多余空间，水样不少于1000 mL，样品采集后的运输过程需保存在冷藏设备。BOD测定方法以《水质五日生化需氧量(BOD5) 的测定稀释与接种法》（HJ 505—2009）为标准。2016年5、8、9月和2017年3月获得样品BOD浓度范围分别为1.4—4.4、0.9—4.8、1.0—4.8 和 1.6—6.2 mg·L−1。

图1 太湖采样点位置Fig. 1 Sampling points distribution of Taihu Lake

表1 太湖采样点与编号对应表Table 1 Table of sampling points and serial numbers in Taihu lake

本研究主要运用2016年8月和9月数据进行模型构建和验证。根据《地表水环境质量标准》（表2），2016年8月20个样点实测BOD浓度，14个采样点的ρ(BOD)≤3 mg·L−1，说明这些区域水质状况较好，属Ⅰ类和Ⅱ类水体；6个监测点的BOD浓度超过3 mg·L−1，表明太湖部分区域有机污染较严重，其中5个采样点的质量浓度为3—4 mg·L−1，为Ⅲ类水体；1个采样点的质量浓度为4—6 mg·L−1之间，为Ⅳ类水体。2016年9月实测数据，14个采样点的ρ(BOD)≤3 mg·L−1，属Ⅰ类和Ⅱ类水体；6 个监测点的BOD质量浓度超过3 mg·L−1，其中4个采样点的质量浓度为3—4 mg·L−1，为Ⅲ类水体；2个采样点的质量浓度为4—6 mg·L−1，为Ⅳ类水体。

表2 生化需氧量地表水环境质量标准1)Table 2 Environmental quality standards for surface water

2.2 遥感数据的采集和处理

2.2.1 遥感数据介绍

Landsat 8卫星发射于2013年，携带两个主要的载荷：陆地成像仪OLI和热红外传感器TIRS。OLI成像仪主要包括9个波段，TIRS包括2个波段。全色波段、多光谱波段、热红外波段空间分辨率分别为15、30、100 m，空间分辨率和信噪比均较高，适用于水体监测（徐涵秋等，2013）。本研究使用的Landsat 8影像数据获取时间为2016年4月22日、2016年7月27日、2016年8月28日，2017年3月8日，影像部分区域存在薄云，太湖湖区受云层影响小。

2.2.2 遥感数据处理

利用ENVI 5.3软件的FLAASH大气校正模型对Landsat 8影像数据进行大气校正，消除大气的影响并将影像转换为地表反射率。在进行大气校正过程中需对传感器高度、地表高程、大气模型等参数进行设置（蒲莉莉等，2015），参数设置见表 3。Landsat 8不同影像的大气模型、飞行日期和飞行时间不同，其他参数基本一致，大气校正后获得了Landsat 8 B1—B7共7个波段的反射率数据。

表3 FLAASH大气校正模型参数（以2016年8月28日影像数据为例）Table 3 FLAASH atmospheric correction model parameters (the image in August 28, 2016 as an example)

2.3 BOD遥感反演方法

水质遥感反演研究方法主要是多元线性回归方法、BP神经网络、支持向量机、梯度提升决策树法和偏最小二乘回归等方法进行研究。其中偏最小二乘法（partial least squares regression，PLSR）将多元线性回归分析、主成分分析与典型相关分析有机结合起来，通过从自变量集合中提取若干相互独立的主成分来建立与因变量之间的关系（刘忠华等，2011），可较好地解决多元逐步回归无法解决的光谱波段多重相关性问题。偏最小二乘法在反演土壤、矿物、重金属、植被以及水体悬浮物、水体浊度等方面均取得了较好的效果（赵晨露等，2012）。而且机器学习法只显示数据处理结果，无法展示建模参数与光谱特征的响应关系，更无法了解各个光谱波段对模型的影响程度，不利于研究结果的推广应用。且太湖采样点数据偏少且Landsat 8影像各波段之间相关性较强，因此选择偏最小二乘回归模型进行BOD水体反演研究。

Landsat 8遥感影像进行预处理之后，通过ArcGIS 10.3软件提取采样点位置Landsat 8影像数据各单波段的反射率值，将单波段和波段组合像元光谱反射率与实测 BOD浓度进行相关性分析，选取相关性最佳的波段作为敏感波段，以实测 BOD浓度为因变量，敏感波段为自变量，构建偏最小二乘回归模型，通过验证数据集进行验证，根据验证结果评价模型的精确性和有效性。偏最小二乘回归模型的验证参数为预测均方根误差（RMSEP）、决定系数（R2）和预测偏差比（RPD）。R2的取值范围为0—1，值越接近于1，相关程度越高，即预测值与实测值越接近。当RPD≤1.4时，说明模型无法对样品进行预测；1.4

3 结果与讨论

3.1 模型构建

结合2016年7月27日和2016年8月28日Landsat 8波段反射率与2016年8月1—4日和2016年9月1—8日实测BOD浓度构建偏最小二乘模型。利用SPSS软件分别将FLAASH大气校正后2016年7月27日像元光谱反射率值与2016年8月1—4日BOD实测值和2016年8月28日Landsat 8像元光谱反射率值和2016年9月1—8日BOD实测值进行相关性分析（表4）。

表4 Landsat 8单波段光谱反射率与BOD浓度相关性分析Table 4 Correlation of single spectral reflectance and BOD concentration

2016年7月27日Landsat 8影像单波段反射率与2016年8月1—4日BOD浓度之间为正相关关系，相关系数r在0.032—0.652之间，B5的相关系数r最高，为0.652，确定B5为敏感波段。2016年8月28日Landsat 8影像单波段反射率与2016年9月1—8日BOD浓度为正相关关系，相关系数r在0.342—0.733之间，B4的相关系数r最高，为0.733，因B1、B2、B3、B4、B5的相关系数均比较高，可确定为敏感波段。再结合两组数据波段组合相关分析结果进行进一步筛选，将Landsat 8数据B1—B7这7个波段进行任意两波段的和、差、比值以及比值组合 (ri+rj)/(ri−rj) 的方式（i≠j组合，式中：ri、rj表示不同波段的反射率）（杜成功等，2016），得到84种组合方式，将波段组合与BOD浓度进行相关性分析（表5）。2016年7月27日影像与2016年8月1—4日实测BOD浓度波段组合相关系数范围为−0.692—0.707，B4、B5、B6和 B7波段组合的相关性较好；2016年8月28日影像与2016年9月1—8日实测 BOD浓度波段组合相关系数范围为−0.721—0.760，与 B1、B2、B3、B4、B5相关的波段组合相关性较好。由于本次研究结合2016年7月27日和2016年8月28日Landsat 8波段反射率与2016年8月1—4日和2016年9月1—8日实测BOD浓度数据构建模型，因此选择B1、B2、B3、B4、B5、B6和B7作为敏感波段构建模型。2016年7月27日影像小梅口有云层遮挡，2016年8月28日影像，竺山湖心有云层遮挡，为防止影像受云层和陆地的影响，剔除4个样点，以建模和验证3꞉1比例划分28个采样点数据为建模集，8个采样点数据为验证集。构建偏最小二乘回归模型如下：

1.1 研究方案和对象 选择2015年1月至2017年7月于本院产检并自愿接受NIPT的孕妇双胎妊娠442例，单胎妊娠15 206例。纳入标准：①孕周12周以上；②孕妇体重100kg以下；③夫妻染色体未发现明显异常者；④近一年内未接受过异体输血，细胞治疗，免疫治疗及无移植手术者。双胎妊娠孕妇年龄为16～48岁，孕周12～33周。单胎妊娠孕妇年龄为16～50岁，孕周12～38周。所有孕妇均充分告知了NIPT的临床适应证和局限性，并签署了知情同意书且本研究通过广东省妇幼保健院伦理委员会的批准。

表5 Landsat 8 波段组合光谱反射率与BOD浓度相关性分析Table 5 Correlation of band combination spectral reflectance and BOD concentration

3.2 模型验证

3.2.1 建模精度

偏最小二乘预测模型应用至建模集各波段像元光谱反射率，计算得到BOD的预测值，与建模集28个数据点进行比较。通过两组数据计算预测均方根误差（RMSEP）、决定系数（R2）和预测偏差比（RPD），如图2a所示。决定系数R2为0.61，预测均方根误差为0.69 mg·L−1，预测偏差比为1.61，说明该模型具有较好的预测效果，适合进行BOD的预测。

3.2.2 验证精度

偏最小二乘预测模型应用至验证集8个数据，计算得到 BOD的预测值，与验证集进行比较。通过两组数据计算预测均方根误差（RMSEP）、相关系数（r），如图2b所示。验证集中预测值和实测值之间的相关系数 r达到 0.85，预测均方根误差RMSEP为0.74 mg·L−1，说明该模型具有很好的预测效果，适合进行BOD的预测。

图2 BOD实测值和遥感反演值相关关系Fig. 2 Correlativity of predicted value and the measured values of BOD concentration

3.3 BOD空间分布特征分析

3.3.1 BOD空间插值结果

利用反距离权重法分别对2016年8月1—4日和2016年9月1—8日实测BOD浓度值进行空间插值（图3a、4a），2016年8月1—4日实测BOD质量浓度范围为 0.9—4.8 mg·L−1；2016 年 9 月 1—8日实测 BOD 质量浓度范围为 1.0—4.8 mg·L−1。BOD浓度均比较低，属于Ⅱ类和Ⅲ类水体，太湖水质状况良好。2016年8月和9月的插值结果趋势相似，BOD浓度由南部向北部逐渐升高，高值位于梅梁湖心、竺山湖心等北部和西部地区，低值位于太湖中南部地区。

3.3.2 太湖BOD遥感反演结果

图3 2016年8月太湖BOD实测值插值图（a）、2016年7月太湖BOD影像反演图（b）Fig. 3 Interpolation of measured BOD concentration of Taihu Lake in August 2016 (a) and inversion of BOD concentration of Taihu Lake in July 2016 (b)

对比2016年7月27日遥感反演图（图3b）与2016年8月1—4日实测BOD浓度插值图（图3a），对比2016年8月28日遥感反演图（图4b）与2016年9月1—8日实测BOD浓度插值图（图4a），BOD浓度变化趋势相似，均表现为由中南部低值区向西北部的高值区增加的趋势，西北部地区 BOD插值结果和遥感反演结果均较高。BOD插值结果和遥感反演结果差异较大部位在太湖东南部区域，图3a和图4a显示太湖东南部地区BOD质量浓度较低，为1.0—2.0 mg·L−1；图3b和图4b中太湖东部BOD质量浓度较高，为4.0—10.0 mg·L−1，说明该区域水质状况较严重，是由于在该区域大面积围网养蟹，增加了水体氮磷等营养盐和有机污染物质（曾庆飞等，2011）。由于太湖范围仅布设了20个样点，空间插值结果只能反映 BOD浓度值大体变化趋势，无法反映无样点处的变化细节，而太湖东部地区由于无样点导致插值结果 BOD值较低；遥感反演则基于反演模型获得逐像元（30 m）BOD空间分布，可以精确反演整个太湖区域每个30 m像元范围BOD值，因此具有更强的细节差异区分能力。

图4 2016年9月太湖BOD实测值插值图（a）、2016年8月太湖BOD影像反演图（b）Fig. 4 Interpolation of measured BOD concentration of Taihu Lake in September 2016 (a) and inversion of BOD concentration of Taihu Lake in August 2016 (b)

3.3.3 太湖BOD影响因素分析

对比太湖地区的 BOD实测值插值结果与遥感反演结果，遥感反演 BOD空间分布结果与实际相符，表明反演模型的精度较高。遥感反演图的西北和东南区域 BOD浓度较高。西北部是常州市武进区，该区是江苏省的农业大区，农药残留问题对武进区甚至整个太湖流域的水质状况造成不利影响，因此西北部水体 BOD浓度较高。西部区域包括太湖上游的武进、宜兴和溧阳三地区，该区域畜禽养殖规模较大（张长飞等，2015），排放废水中含有大量的有机污染物（徐伟朴等，2004），影响水体有机物含量。太湖东南区域大面积围网养蟹，受养殖残饵的影响，加上藻类生物量较大，增加了水体氮磷等营养盐，因此东太湖有机污染较为突出（曾庆飞等，2011）。水中微生物分解有机物质导致溶解氧含量降低，BOD浓度增加，影响东太湖水质状况。太湖东北部五里湖心部分属于无锡市，无锡市人口密集且工业发达，生活污水和工业废水中有机污染物质的排放导致水体 BOD浓度的增加。太湖边缘带 BOD浓度高，主要受到人类生产生活的影响（Xu et al.，2020）。太湖东部胥湖心区域水质状况较差，该区域属于苏州市范围，同样受到人类生产生活的影响，水体污染较严重。沿岸地区的生产生活产生污水排放至太湖，增加近岸太湖水体的有机污染程度，间接影响水质指标的变化。

3.3.4 太湖水体等级划分

根据生化需氧量地表水环境质量标准对 BOD浓度反演结果进行水体的等级划分（图 5），当ρ(BOD)≤3 mg·L−1，属于Ⅰ类和Ⅱ类水体（图中绿色区域）；当 3 mg·L−1<ρ(BOD)≤4 mg·L−1，属于Ⅲ类水体（图像中黄色区域）；当 4 mg·L−1<ρ(BOD)≤6 mg·L−1，属于Ⅳ类水体（图像中呈玫红色区域）；当 6 mg·L−1<ρ(BOD)≤10 mg·L−1，属于Ⅴ类水体（图像中红色区域）。太湖大部分区域水质状况较好，属于Ⅱ类和Ⅲ类水体，符合饮用水标准，可用于饮水供应。太湖西部、西北部和东南区域，属于Ⅳ类和Ⅴ类水体，有机污染较严重。因此在太湖治理的过程中，应针对性地对环太湖边缘区域进行治理。

图5 基于Landsat8影像太湖水质分级图（2016年7月27日 (a) 和2016年8月28日 (b)）Fig. 5 Map of water quality classification of Taihu Lake based on Landsat 8 remote sensing images in July, 27, 2016 (a) and August, 28, 2016 (b)

3.4 模型推广应用

运用偏最小二乘法对2016年7月和8月太湖BOD进行反演研究的预测效果较好，证实了运用偏最小二乘模型反演太湖BOD的可行性。为了进一步验证本方法的有效性并研究太湖BOD的时空变化，将本研究中方法推广至太湖其他时段 BOD的反演研究，建立相应预测模型，反演BOD空间分布。

由于遥感影像受云层的影响，结合实测 BOD数据的获取时间，选择2016年4月22日和2017年3月8日两景Landsat 8影像与同期2016年5月4—6日和2017年3月2—8日的实测BOD浓度构建模型（表6）。因2016年4月22日影像获取时间与2016年4月实际采样时间1—4日相差时间约20 d，与2016年5月实际采样时间4—6日相差10 d左右，这10多天的天气变化小，无暴雨等天气且气温相近，因此选择2016年4月22日Landsat 8影像数据与2016年5月4—6日实测BOD浓度数据构建模型。为消除影像云层和陆地的影像，2016年4月和2017年3月均选择17个采样点构建偏最小二乘回归模型。将模型运用至同一遥感影像，可得到基于像元的BOD遥感反演图，再基于太湖采样点提取BOD反演结果，与实测BOD浓度计算R2、RMSEP、RPD等参数。2017年3月模型决定系数为 0.69，预测均方根误差为 0.71 mg·L−1，预测偏差比为 1.70；2016年 4月模型决定系数为0.60，预测均方根误差为0.62 mg·L−1，预测偏差比为1.45。分析可知2017年3月的影像数据和实测数据获取时间接近，构建模型的误差较小，而2016年4月影像数据与实际采样数据时间相差较大，因此存在一定误差。这说明影像获取时间与实际采样时间越接近则效果越好，误差越小。

表6 多个时间生化需氧量预测模型Table 6 Multi-time prediction model of biochemical oxygen demand

将模型运用至同一遥感影像，可得到基于像元的BOD遥感反演图（图6）。大部分水体BOD质量浓度为0.0—4.0 mg·L−1，水体属Ⅱ类和Ⅲ类可饮用水体。将遥感反演结果与同期实测 BOD插值图（图7）进行对比，显示大部分水体BOD的水质状况较一致，南部水质状况好，中部水质状况中等，北部水质状况差。反演结果显示水体的 BOD浓度分布变化细节更加清晰，不同水质差异明显。遥感反演和插值结果差异较大部位均为太湖东南部区域，与2016年7月和8月偏最小二乘模型预测效果相似，太湖东部未设置采样点，因此无法反映东部养殖造成的BOD局部异常。对比2016年4月、7月、8月和2017年3月BOD反演结果，7月和8月 BOD浓度值较年初期高，说明年中期太湖有机污染较初期严重。

图6 基于多时间Landsat 8 影像BOD遥感反演图Fig. 6 Inversion of the BOD concentration based on the multi-time Landsat 8 remote sensing images

图7 基于多时间实测BOD浓度插值图Fig. 7 Interpolation based on the multi-time measured BOD concentration

4 讨论

太湖水体BOD的反演研究显示，运用Landsat 8/OLI卫星进行水体生化需氧量的反演研究是可行的。将构建的偏最小二乘回归模型运用至2016年7月27日和2016年8月28日Landsat 8遥感影像，得到7月和8月BOD反演结果，显示太湖南部水质状况较好，太湖北部污染比较严重，这与其他研究成果相吻合，盛翼等（2019）研究发现太湖总体上东、南部水质好于西、北部，西部水域竺山湖心一带为太湖污染最严重的水域，东部、南部、湖心区水域维持较好水质。再结合太湖2016年4月22日和2017年3月8日影像偏最小二乘模型反演结果，可分析太湖有机污染时空分布状况，依据有机污染分布可针对性进行太湖水质状况评价和水体治理。多个时间 BOD反演结果显示，太湖水体主要是Ⅱ类和Ⅲ类水体，与柳后起等（2020）以化学需氧量为评价指标，得到太湖水体为Ⅲ类地表水相似。查慧铭等（2018）通过高锰酸盐指数和 BOD5的研究发现的夏季有机污染较严重，进一步导致水华爆发，与本研究中多个时间 BOD浓度反演结果一致，年中期太湖有机污染情况较初期严重。

研究过程还存在实际采样时间与影像获取时间不同以及采样点数据少的问题。针对采样时间与影像获取时间不一致的问题，尽量选择与采样时间最接近的影像。本研究中选择的2016年7月27日影像与采样日期（2016年8月1—4日）相差4—7 d，2016年8月28日影像与采样日期（2016年9月1—8日）样品相差3—10 d，时间较为接近，最大程度减少时间差异造成的影响。针对 20个采样点偏少的问题，本研究将两景相同季节的影像结合，组成40个采样点，进而划分建模集和验证集，取得了较好的预测效果。同时，本模型对于两个时间的影像均适用，实用性更强。

为更进一步验证偏最小二乘方法适用性，将该方法应用至2016年4月和2017年3月两景影像，取得较好的验证效果，BOD反演结果和实测值的插值结果变化趋势相同，充分证实了偏最小二乘模型的适用性。为构建更高精度模型以及更好地进行模型验证，后续可将Sentinel-2等影像与Landsat 8结合以提高遥感数据获取频率，可以通过获取更多时间的水质参数以及遥感影像进行更充分的验证，为太湖有机污染状况快速监测、调查和环境治理提供依据。

5 结论

（1）本研究以2016年7月27日和2016年8月28日Landsat 8波段反射率与2016年8月1—4日和2016年9月1—8日40个样点实测BOD浓度为研究对象，构建偏最小二乘回归模型，模型决定系数为0.61，预测均方根误差为0.69 mg·L−1，预测偏差比为 1.61。将模型运用至验证数据，实测值和预测值的相关系数 r达到 0.85，预测均方根误差为0.74 mg·L−1，预测模型效果好，说明应用Landsat 8/OLI数据对太湖BOD浓度监测具有可行性。

（2）将偏最小二乘回归模型运用至 2016年 7月27日和2016年8月28日Landsat 8影像得到BOD遥感反演图，其BOD空间分布特征与2016年8月1—4日和2016年9月1—8日样点BOD空间插值结果吻合较好。遥感反演结果能更清楚地表征太湖BOD的分布情况，BOD浓度从太湖南部向北部逐渐增加，中南部区域 BOD浓度低，西北部、边缘地区以及东南部东太湖地区BOD浓度较高。

（3）进一步验证偏最小二乘方法的有效性并研究太湖 BOD的时空变化情况，将该方法推广至太湖其他时段BOD的反演研究（2016年4月和2017年3月），建立相应预测模型，反演BOD空间分布，反演效果较好。对比2016年4、7、8月和2017年3月BOD反演结果，7月和8月BOD浓度值较年初期高，说明年中期太湖有机污染较初期严重，以此为依据可为太湖有机污染的评价和治理提供依据。