基于无人机多光谱影像的海口市美舍河凤翔湿地公园水体叶绿素反演

潘小艳 张乐 李苑菱 雷金睿 陈宗铸 陈小花

[1. 海南省林业科学研究院（海南省红树林研究院） 海南海口 571100；2. 海口市湿地保护工程技术研究开发中心 海南海口 571100；3. 海南大学林学院 海南海口 570028]

近年来，城市化步伐加快，水污染问题日益恶化，已成为制约城市可持续发展的因素之一[1]。海南岛大小河流众多，水资源非常丰富，水资源安全是海南岛建设国家生态文明试验区的重要内容之一。海口市美舍河是横穿海口市中心的一条重要河流，沿岸人口众多。河流水质情况是评价当地生态状况的重要指标，与沿岸居民的生产生活用水安全息息相关。近年来有研究表明，美舍河水体已处于中度污染状态[2]，因此对水体水质进行定期监测，掌握水体水质情况十分必要，这也是改善和保护水资源的重要前提。

传统的水质监测采用化学法进行，需要在实地布设采样点并采取水体样本，后进行实验室分析，此方法需要花费大量的人力、物力及时间，且获得的数据在时间和空间上都难以连续，不能全面反映水体的实际情况，局限性明显。遥感技术具有低成本、速度快、监测范围广、资料同步性强等优点，弥补了传统水质监测方法的不足，已经被广泛使用于水质监测[3]。例如，Torbick等[4]在密歇根州下半岛内陆湖泊的调查研究中，采用Landsat TM影像数据反演了研究区域的水体透明度（SD）等多个水质参数。陈艳等[5]基于Landsat影像反演了草海2000、2005、2010、2015年的叶绿素（CHL）、总氮（TN）等5个水质参数，为草海的有效管控提供科学支持。然而，由于遥感影像分辨率有限，虽目前在大面积水域监测中应用较广泛，却难以满足小范围的水质监测要求，所以小微水域的监测方法还需进一步探索。

无人机遥感技术操作简单方便、具有低成本、高分辨率、空间连续性强等优势，为解决小微水域的水质监测提供了新途径。赵松等[6]利用无人机搭载多光谱传感器获取了滏阳河的影像数据，对滏阳河的水质进行了遥感反演，建立了悬浮物浓度（TSS）、浊度（TUB）、氨氮（NH3-N）等6个水质参数的反演模型，揭示了滏阳河水质参数的分布特征。刘彦君等[7]结合无人机多光谱数据和水质参数的实测值反演了浙江农林大学东湖的总磷（TP）等3种水质要素，为东湖水体的治理奠定了基础。黄昕晰等[8]利用无人机多光谱影像和 OPT-MPP算法对浙江省杭州市青山湖进行了研究，监测了悬浮物、浊度等多个水质参数并建立反演模型，探明了青山湖水质参数的空间分布。上述说明已有部分学者将无人机遥感技术用于小微水域的水质监测，虽然还处于探索阶段，但已逐渐成为当前水质监测研究的热点领域[6]。

本研究以海南省海口市美舍河凤翔湿地公园为研究对象，利用无人机遥感技术获取研究区域高分辨率的多光谱影像，结合实地调查的水体样本数据，构建叶绿素（CHL）的反演模型，以期为下一步绘制美舍河凤翔湿地公园水质参数空间分布图、实现水质参数空间可视化奠定基础，同时为美舍河水体的治理、保护和利用提供科学的参考依据。

1 材料与方法

1.1 材料

研究以海口市美舍河凤翔湿地公园作为研究区域，在湿地公园内的美舍河流段采取水体样本进行研究。美舍河是海口市最长的河流，全长23.86 km，流域面积50.16万km2，流经海口市内的美兰区、琼山区及龙华区，沿线居民人数达33万，除河流上游外，河流的中、下游主要位于主城区，受到污水直排和底泥污染的影响，水体质量较差[2]。而美舍河凤翔湿地公园位于美舍河中游，占地面积78.52 hm2，河中生长着一些常见的水生动物和植物，河流沿线皆为开放的活动区域，来往的行人车辆较多，在一定时期内水域环境会发生相应变化，符合小微水域的环境组成标准。

1.2 方法

1.2.1 水质样本的采集及处理 研究于 2021年11月 30日采用杯式定深水质取样器统一在水面下20 cm左右获取水质样本，每个样本取500 mL装入无菌水样采集袋，在开展地面水样采集的同时，用高精度RTK记录采样点坐标，并依据采样点次序依次做好标记，以备检测。研究仅在岸边布设采样点，单次实验采样点99个。实验区域及样点分布图如图1所示。样本采集完成后，送至海南大学分析测试中心检测叶绿素（CHL），共获得99组实测数据，在其中随机选择79组数据用于构建模型，剩下的20组数据用于检验模型。

图1 实验区域与采样点分布图

1.2.2 无人机多光谱数据的获取 与水质采样同一时间，采用大疆精灵4多光谱版（P4_Multispectral）无人机，利用其搭载Mica Sense Red Edge五通道多光谱传感器对研究区域进行监测，以获取高分辨率的多光谱影像数据，该传感器能够提供 5个光谱带的数据，在下文中分别描述为R1～R5。其中，R1为 Blue（0.450～0.515 μm）、R2为Green （0.525～0.605 μm）、R3为 Red（0.630～0.690 μm）、R4为 Red edge position（0.670～0.760 μm）、R5为 NIR（0.770～0.890 μm）。由于海口市对空域的飞行高度有限制，所以将无人机的飞行高度统一设置为120 m，飞行速度为5 m/s，选择晴朗无风、视野较好的时间段进行。图2为研究过程中无人机拍摄的美舍河凤翔湿地公园采样点上方5个光谱带的多光谱影像。

图2 水面多光谱影像

1.2.3 多光谱数据处理 以采样点为中心分别建立 6×6（PPI）矩阵，以此作为 ROI感兴趣区域（Region of Interest，ROI），并以ROI区域内所有点的光谱反射率的平均值作为样点的光谱反射率数据。研究共获得99组光谱反射率数据，分别与水质参数的实测值一一对应，在其中随机选择79组数据用于构建模型，剩下的20组数据用于检验模型。

1.2.4 光谱参数的选择与建模 对以往的水质要素反演研究中所采用的组合计算公式进行了筛选，筛选出水质参数 CHL的敏感波段及波段组合，得到表1中的光谱参数和组合计算公式[7,9-11]。在进行 Pearson相关性分析后筛选出光谱参数，使用 SPSS软件构建线性回归函数模型、指数函数模型、幂函数模型、多项式函数模型4种水质参素反演模型，在下文中分别记为U、E、P、PL。将最终选择的光谱数据和实验室检测所得数据进行拟合，分别生成相应模型，并根据 Fabio等的方法，选择出最优模型进行预测[12]。

表1 光谱参数和组合计算公式

2 结果与分析

2.1 水质参数反演数据相关性分析

将采样测得的 CHL值与构建的光谱参数（V1～V16）进行Pearson相关性分析，得出皮尔森相关系数。r描述的是2个变量间线性相关强弱的程度，r的绝对值越大表明相关性越强。研究在美舍河凤翔湿地公园采集 99份样本（n=99），在相关性分析的基础上，选择 CHL指标所对应的若干显著水平p＜0.05，且符合统计学要求的光谱参数数据进行下一步分析，结果如表 2所示。符合 CHL要求的光谱参数分别有 V1、V2、V3、V4、V5、V7、V8、V10、V12、V13共10组。

表2 光谱参数与叶绿素（CHL）浓度的相关系数

2.2 水质参数反演参数选择

由于风速、光照、飞行速度等客观因素的影响，所获取的数据中往往会存在部分异常数据，从而导致数据整体的相关性不足。因此，基于统计学要求绘制相关性达标数据的散点图，再根据散点图显示的结果，去除异常数据。在99组数据中随机抽取20组用于检验，剩余的79组实测数据以光谱参数为自变量，对应的叶绿素含量为因变量，绘制散点图并添加线性趋势线，根据趋势线的R2判断相关性达标数据中最适用于拟合的数据。图3所示为趋势线R2的11个光谱参数数据，其中，光谱参数V2和V3的趋势线R2值最高，R2CHL-V2=0.079 4、R2CHL-V3=0.072 2。根据趋势线分别去除异常数据，剩余样本数为n=50。

图3 叶绿素（CHL）显著性达标数据散点图

2.3 水质参数反演模型的构建

将剩余样本的最优光谱参数作为自变量，与其对应的水质参数作为因变量，使用 SPSS软件分别建立U、E、P、PL四种函数模型。按采样点依次输入处理过的光谱数据，并结合各个样点的水质参数实测值，分别生成4种模型，再根据模型的相关评价标准选出最优模型进行预测。

CHL以光谱参数V2、V3作为自变量，相应的 CHL含量作为因变量。分别构建 U、E、P、PL四种函数模型，共构建8个模型。通过拟合方程的决定系数R2、均方根误差（RMSE）、回归方程的斜率以及平均相对误差评价模型的估测能力和精度，通常R2及拟合方程的斜率越接近于1，RMSE与平均相对误差越小，模型的精度越高。CHL反演模型如表3所示，对应模型的拟合结果如图4所示。

图4 叶绿素（CHL）反演模型拟合图

表3 叶绿素（CHL）反演模型

依据上述图表，按模型决定系数R2由大至小进行排序，CHL反演模型前4个依次为UCHL-V3、PLCHL-V3、ECHL-V3、UCHL-V2，决定系数R2分别为0.669、0.662、0.660及0.626，模型整体精度较高。结合RMSE可看出，光谱参数V3更适合CHL模型的拟合，且V3在指数函数反演模型（ECHL-V3）中的拟合效果相对更好，RMSE仅为0.208，拟合曲线的变化趋势呈现为随着光谱反射率的增大，CHL含量不断减小。

2.4 水质参数反演模型的检验

由表3及图4可看出，在构建的8个反演模型中，决定系数R2的差距较小，因此要在进行多光谱图像反演之前对上述模型进行检验，检验结果将会影响反演所用模型的选择。利用之前预留的 20个检验样本的水质参数实测值和各个模型的估测值进行拟合分析，通过拟合方程的决定系数R2、回归方程斜率的对比状况进行比较分析，检验结果如表4所示。

回归结果中R2值和回归斜率值越接近1，表明估测经过越精确。由表4可看出，模型的整体估测精度较高且相差不大，前4个R2值由大至小的模型依次是 ECHL-V3、PCHL-V3、PLCHL-V3、UCHL-V3，R2值分别为 0.870 9、0.869 0、0.860 1、0.857 0，回归斜率分别为 0.907 4、0.910 2、0.835 6、0.816 8，皆符合无人机遥感技术反演水质参数的模型检验精度要求，且检验精度最高的模型为指数函数模型（ECHL-V3），与上述模型构建中取得的最优模型一致。

表4 叶绿素（CHL）估测模型精度检验

3 讨论与结论

3.1 讨论

卫星遥感技术在水质参数反演中的应用基本成熟，在反演手段和模型精度上皆取得了明显进步，但受影像分辨率的限制，卫星遥感技术只适用于大面积水域的水质参数反演，不适用于小微水域[13]。本研究基于卫星遥感技术选择适用于水质要素反演的波段信息，利用无人机搭载多光谱传感器获取研究区域上方的高分辨率遥感影像，结合实地调查数据，建立了精度较高的反演模型，为城市水体监测提供了全新的技术手段，也为美舍河的水体治理及保护提供了及时、可靠的空间数据。

在研究过程中发现，在选择出相关性高的光谱参数后，用所有建模数据（n=79）来建模，所获得的模型精度难以达到水质参数反演的模型精度要求，在除去异常数据后（n=50），才可建立较高精度的反演模型。对于水质参数的反演，没有统一的标准模型，不同的研究区域、多光谱传感器、无人机飞行高度及速度、季节、水质监测仪器及方法等，皆会影响光谱反射率信息及水体样本的检测结果。

上述理论研究及实验验证皆表明，使用无人机遥感技术来反演小微水域的水质参数是可行的。但研究也存在一些需要改进的地方：（1）无人机所获取的多光谱影像还需进行更加深入的研究，进一步探讨图像数据的光谱反射率特征，建立精度更高的水质反演模型；（2）在拼接研究区光谱影像数据时，由于水面中央无特征参照点，导致水域中央光谱数据无法拼接，研究区域的光谱样点不均匀，可能会使模型精度存在一定偏差，后续研究需进一步优化实验方案。

3.2 结论

研究获取了海口市美舍河凤翔湿地公园的水体样本数据及多光谱影像，基于16个不同的光谱参数及对应的实测值进行了相关性分析，根据相关性分析结果在参数选择分析中筛选出R2值最高的2个光谱参数，通过SPSS软件构建光谱参数与水质参数的反演模型并对模型进行检验。研究发现，光谱参数 V3最适合用于美舍河凤翔湿地公园CHL的反演，在反演模型构建中指数函数反演模型（ECHL-V3）的拟合精度最高，R2=0.660，RMSE=0.208，符合模型构建精度要求。经检验，指数函数反演模型（ECHL-V3）的R2值为0.870 9，回归斜率为0.907 4，符合模型精度检验要求。所以研究选择指数函数反演模型（ECHL-V3）作为最优模型用于后续测绘水质参数空间分布图。