基于高分一号影像的沙河集水库水质遥感反演

郭坤 李虎 陈冬花 谢以梅 冯武涛

摘要：沙河集水库是滁州市重要的水源供应地，关系着市民的饮水安全问题，水质的变化监测受到了政府的高度重视。通过遥感影像实现水质参数反演，对水库水质监测和保护工作具有非常重要的理论意义。因此，利用2021年6月和7月高分一号影像和同步的实测水质数据，建立了基于多元回归和BP神经网络的叶绿素a浓度和浊度模型，并进行精度评价，对研究区定量反演，以探求水库水质分布情况。结论如下：从模型精度来看，叶绿素和浊度进行多元回归模拟的RMSE分别为0.745、0.216，R2为0.694、0.844，平均相对误差为13.19%、7.09%，；BP神经网络模拟的RMSE分别为0.103、0.19，R2为0.865、0.958，平均相对误差为2.5%、7.11%，两者对沙河集水库水质反演都具有可行性，但BP神经网络要优于多元回归；从水质遥感反演来看，2021年6月沙河集水库的叶绿素a浓度在2.2～5.6ug/l之间，7月叶绿素a浓度在1.8～6.7ug/l之间，均处于中营养状态，为Ⅱ类水质，6月浊度在0～4NTU之间，均值为1.16NTU，7月浊度值集中0.5～4.6NTU之间，库区均值为2.46NTU，总体达到了饮用水源标准。

关键词：沙河集水库; 高分一号；叶绿素a浓度；浊度；遥感反演

中图分类号：X824文献标志码： A文章编号：1001-2443（2023）03-0250-09

引言

近年来，社会经济的迅猛发展和城市化建设的不断扩大，内陆水环境所承受的压力日益加剧，生活和工业废水的大量排放使水体富营养化日趋严重。沙河集水库作为滁州市重要水源供应地，其水质关乎周边20多万市民的饮水安全，与人民的生命健康密切相关［1］。因此，研究水库水质参数变化，增强对水库水质的监测与保护，实现对水体水质参数的快速反演尤为关键。

传统的人工监测一般以实地采样分析为主，虽可以较为准确地测得多种水质参数，但每期都要测量不仅费时、费力，且只能获得点状数据，所得数据在时间和空间上都不连续，无法满足大范围、实时的水质监测要求［2］。随着遥感技术的快速发展及应用，给科研者提供了一种新的方法用以进行水质质量的监测研究。遥感方法反演水质参数是通过研究水体反射光谱特征以及水体指标浓度，选择最佳光谱波段/波段组合与指标浓度进行最大程度的拟合。比起传统的人工监测，遥感监测具备动态性、周期性和实时性等特性，十分适合光学特性复杂的内陆水体［3］。常规的遥感水质参数反演方法主要有经验方法、半经验法和半分析法［4］。侯佳妮［5］等基于 Landsat-5 TM影像数据和实测数据，采用经验方法对二龙湖水质参数和敏感波段进行了拟合，建立了多元回归模型。林剑远［6］等基于航空和水表高光谱遥感数据，利用半经验法对浙江省嘉兴市主城区河网水质进行了监测。Hoogenboom 等［7］基于生物光学模型，运用矩阵反演的方法，对叶绿素和悬浮物浓度进行了反演。

从目前研究的内容、方法以及深度等方面来看，遥感技术应用于水质监测研究较为丰富，但大多数都为大型水库湖泊或者海洋单因子监测，且多为国外的卫星遥感影像（ 美国 Landsat-8、美国 Modis、欧洲 Sential- 2等）［8］ 。與国外几种卫星影像相比，高分一号卫星是国产高分辨率卫星，搭载了2 台 2m 分辨率全色/8m 分辨率多光谱的高分辨率相机，突破高空间分辨率、多光谱与高时间分辨率结合的光学遥感技术，多载荷图像拼接融合技术。其较高的空间分辨率在同步影像水体反射率提取时，使影像与实地位置匹配时会产生更小的误差。此外，国家高分专项实施以来，高分一系列卫星陆续升空，形成了联合组网，像GF-1BCD、GF-2、GF-6等与GF-1都有相似的光谱响应函数，在遥感反演模型应用时可以替换，这也使得联合组网后的数据周期大大缩短，在光学条件允许的条件下，平均2天就重访一次。目前，高分一号遥感影像应用于水库多参数水质反演研究较少，而且是我国拥有的自主性数据，对我国科研和国土资源监测具有重大意义。

因此，本文以滁州市沙河集水库为研究对象，利用高分一号影像数据和实测水质数据，进行波段/波段组合与水质指标的相关性分析，建立基于多元回归和BP神经网络的叶绿素a浓度和浊度模型，从而对研究区定量反演，得到叶绿素 a浓度和浊度分布图用做水质分析，以期为滁州市沙河集水库的水质监测和保护工作提供技术借鉴和决策依据［9］。

1 研究区概况及数据源

1.1 研究区域概况

沙河集水库（图1），位于安徽省滁州市沙河镇，处在清流河的支流——大沙河，属长江流域滁河水系。水库以上流域面积300km2，占清流河面积的四分之一。沙河集水库年均降水量为976mm，年均来水量0.78亿m3，最大库存2.11亿m3，与周边地区民众的生活用水息息相关。

1.2 野外数据采集

1.2.1 主要仪器简介    EXO2是一台用于监测水质数据的多参数仪器。主机有7个传感器接口（当中心接口被清洁刷占用时有6个接口可供使用）来获取水质参数数据。每个传感器通过多种的电化学、光学或物理检测手段来测量各自的参数。使用 EXO2仪器前，已经进行一次精度校准。利用手机GPS软件对采样点经纬度坐标进行记录。

1.2.2 野外水质数据采集 水样采集时间为2021年6月11日。待船停稳，且湖面无波动时，借助已校正的 EXO2 多参数水质仪测定水面下 50cm 处叶绿素a浓度和浊度，为了避免其他测点水质影响，每次测量前，使用当前测点的水冲洗探头，每个点的测定时间为 5 分钟，隔段时间记录水质参数浓度，每个点记录五次，取五次记录平均值代表该点的水质参数浓度，并记录该点坐标，共记录 22 个样点。

1.3 遥感数据源及预处理

1.3.1 遥感数据源 两期遥感影像来源于中国资源卫星应用中心（http：//www.cresda.com/cn/），均为GF-1B PMS影像，卫星过境时间分别为2021年6月11日11点10分和2021年7月30日11点5分，全色波段2m，多光谱8m，云量分别为3%和1%，研究区的影像质量均较好。

1.3.2 遥感数据预处理

1.3.2.1 辐射定标 地物的电磁辐射在传输过程中会受到一些外在因素的影响（如太阳高度角、大气），导致地物的真实辐射亮度值与传感器所接收到的有差异。为了消除这种误差，需要对卫星影像进行辐射定标。辐射定标是对地物辐射传输过程产生的变形进行校正，将影像的灰度值转化为辐射亮度值［式（1）］。本次研究中高分影像的辐射定标是根据辐射定标参数在ENVI软件中完成。

式中：Lλ为辐射亮度值，常用单位为W/（m2 μm sr）；DN为像元灰度值，取值范围在0-255，无量纲；Gain和Offset分别为增益和偏移值，单位和辐射亮度值相同。

1.3.2.2 几何校正 由于传感器内部（如自身构造）和外部（如高度、地形）因素共同作用，遥感影像产生几何变形在所难免，从而使得遥感影像中真实的地理位置产生了偏差，这将导致与实测点位经纬度产生偏差，因此需要进行几何校正对误差进行修正。

1.3.2.3 大气校正 大气校正的目的是消除大气和光照等因素对地物反射的影响，获得地物反射率真实物理模型参数［式（2）］。本文运用 ENVI 的 FLAASH 模块对研究区影像进行大气校正。

其中，ρ为表观反射率，L为表观辐亮度，d为日地距离，ESUN为太阳平均辐射强度，θ为太阳天顶角。

1.3.2.4 水体提取 为了排除水体外地物的干扰，针对性监测沙河集水库，需先提取沙河集水库的水体范围。在ArcGIS10.2中对水库范围进行矢量化提取，再对遥感影像进行裁剪处理，完成对研究区水体的提取。

1.3.2.5 采样点反射率提取 将记录的采样点的 GPS 坐标导入 ENVI 5.3软件，然后提取高分影像四个波段在采样点的反射率值，以用于特征波段分析。

2 研究方法

目前，国内外遥感水质参数反演模型主要有经验模型、半经验模型和物理模型。经验模型［10］是目前应用最广泛的水色遥感反演方法，其是通过直接建立水质参数和遥感反射率之间的统计关系来进行水质参数的反演。半经验模型［11］是利用高光谱数据在对水体光谱特征进行深入分析的基础上，先选择合适的波段或波段组合，再建立水质参数与遥感反射率之间的关系。物理模型［12］是基于辐射传输模型描述光在大气和水体中的传播过程，基于生物光学模型描述水体光谱与水质参数之间的关系，然后从遥感影像中反演得到水质参数。物理模型虽不需大量实测数据，可移植性强，但物理参数多而复杂，构建困难，应用极少；半经验模型虽简单便捷但依托的高光谱数据大多是通过无人机遥感和光谱仪测量所得，数据获取并不简单；而本文所使用的经验模型虽不像物理模型可移植性强，但构建简单、应用广泛、技术成熟，在研究区域仍有较高的反演精度，而BP神经网络作为一种智能算法更能有效提高精度。

2.1 特征波段及波段组合提取

大量研究［13-15］表明遥感影像波段/波段组合与水质指标之间具有较好的相关性，相关性是衡量两个变量因素的相关密切程度，相关性越高两者关联性越高。因此，水质参数反演模型的构建需要先提取特征波段。将22个实测样本划分为训练样本和验证样本两部分，比例满足为3∶1，划分的样本都应尽量均匀分布于研究区。通过GF-1影像预处理后提取的四个波段反射率，根据顾清［16］提出的59种波段/波段组合，计算训练样本实测值与对应位置波段/波段组合的 Pearson 相关系数［17］，寻找出与水质指标相关性较高的波段组合，结果如表2如示。

表中记录了本文中所使用的高分一号四个波段（b1、b2、b3、b4）经过各种组合与叶绿素a浓度和浊度的相关系数，该数值小于0代表负相关，大于0代表正相关，该值的绝对值越接近1表明两者相关性越高。因此，为了后续遥感反演模型的精度能够更优，筛选了相关性最高3个波段组合综合分析，用于回归拟合，再进一步对拟合函数优选。与叶绿素a浓度和浊度相关性较高的前三个波段组合以及相关系数已在表中着重标识。

2.2 多元回歸模型

2.2.1 叶绿素a浓度反演模型 从2021年6月11日22个实测水质数据中选择16个训练样本，筛选叶绿素a浓度相关性最高的3个波段组合作为自变量，对遥感波段组合与叶绿素a浓度进行回归拟合，包括线性回归模型（一元）和非线性模型（如二次多项式、指数等）。模型和决定系数如表3。

2.3 BP神经网络

BP 神经网络是一种多层的前馈神经网络，网络结构大于等于三层，分为输入层、隐含层和输出层，而隐含层通常包含若干层［18］。每层都包含若干个节点。本次实验输入层节点为相关性较高的波段，叶绿素的网络模型输入节点为b1、b2、b4，浊度的网络模型输入节点为b1、b2、b3、b4，输出层节点为水质参数指标，通过隐含层正向和逆向不断进行误差修正，得到期望输出值。隐含层的取值范围满足公式（5），通过不断实验选择最佳隐含层节点。网络训练中将样本按70%训练样本、15%验证样本、15%测试样本划分，还需要设置一些参数，根据前人经验将学习速率设置为0.001，迭代次数为1000，训练函数为Levenberg-Marquardt。经过大量实验分析，确定叶绿素模型结构为3-10-1，浊度模型结构为4-11-1。

式中：p为隐含层节点数，n为输入层节点数，m为输出层节点数，a为取值范围1-10的常数

训练结果如图4、图5所示。得到叶绿素反演值与真实值满足：反演值=0.71 真实值+1.3；浊度反演值与真实值满足：反演值=真实值-0.19。

2.4 精度评价

根据叶绿素a浓度和浊度的实测值与反演值，进行精度评价。具体采用均方根误差和相对误差的方法。模型计算的数值代表反演值，地面实测水质浓度值代表真实值。均方根误差计算如式（6），相对误差计算如式（7）：

经式（6）和（7）计算多元回归模型的叶绿素a浓度和浊度的均方根误差分别为0.745、0.216，平均相对误差为13.19%、7.09%；BP神经网络模型的叶绿素a浓度和浊度的均方根误差分别为0.103、0.19，平均相对误差为2.5%、7.11%。

多元回归模型反演精度虽然还可以，由表7可以看出BP神经网络的RMSE和R2均优于多元回归模型；平均相对误差而言，BP神经网络中叶绿素a浓度较优，浊度两种模型差不多。总体来说，BP神经网络反演精度更高。

3 结果与分析

3.1 结果

基于GF-1卫星影像，通过反演模型定量化反演2021 年 6月、7月沙河集水库水质参数（叶绿素、浊度），得到叶绿素 a浓度和浊度分布图，由图6、7、8、9可以看出：

（1）6月份沙河集水库叶绿素a浓度值集中在2.2～5.6ug/l之间，均值为4.5ug/l。水库西南部和东北部叶绿素a浓度较高，约在2.5～5.6ug/l之间，中部叶绿素a浓度较低，约在2.2～2.5ug/l之间，呈现两端高中间低。浊度值集中0～4NTU之间，库区均值为1.16NTU。浊度分布与叶绿素a浓度相反，呈现两端低中间高。

（2）7月份沙河集水库叶绿素a浓度值集中在1.8～6.7ug/l之间，均值为3.25ug/l。水库西南部到东北部叶绿素a浓度逐渐降低。浊度值集中0.5～4.6NTU之间，库区均值为2.46NTU。浊度分布，呈现两端低中间高。

3.2 分析

（1）6月份水库叶绿素a浓度呈现两端高中间低，可能原因是两端存在较多的学校、工厂等一些公共设施，频繁的人类活动，生产和生活垃圾的排放，使得流动性较差的水域两端受到影响较大，中部影响较小。理论上，叶绿素a浓度越大代表浮游生物越多，大量的浮游生物尸体在微生物作用下会产生腐殖質，会影响水体浑浊度。由于水库本身叶绿素含量就特别低，水质也比较好，对浊度的影响微乎其微，更多的原因可能是两端区域由于离陆地的距离较近，一些垃圾排放到水库时，岸边的水域能得到及时治理，而经过水体流动中心区域越积越多，又不能及时治理导致两端低中部高。

（2）7月份水库叶绿素a浓度从西南部到东北部叶绿素a浓度逐渐降低，可能是夏季雷雨天气增多，水体流动性增加，水库西南是狭长的入水口，汇聚了生产和生活垃圾随着水流逐渐降低。浊度呈现两端低中间高，由于水流携带的泥沙、浑浊物等逐渐减缓，中部沉积物较多。

（3）对比6、7月份叶绿素 a 浓度和浊度，7月叶绿素 a 浓度整体较低，浊度较高。主要原因是7月温度升高，雨水增多，浮游植物还未开始大量繁殖，因此叶绿素 a 浓度较低，而水流夹杂的泥沙、腐殖质等使得浊度偏高。

（4）根据叶绿素 a 的富营养化分级标准［19-20］，6、7月份水库均处于中营养化状态，Ⅱ类水质标准（表8）。GB5749-1985 《生活饮用水卫生标准》规定水质检测中浊度不超过3.0NTU，天然水和饮用水特殊情况不超过5.0NTU，所以整体也符合饮用水源标准。

4 结语

本文对多元回归和BP神经网络模型进行了对比，并利用高分一号卫星影像对沙河集水库的叶绿素a浓度和浊度定量反演，结论如下：

（1）模型精度方面，对叶绿素和浊度进行多元回归模拟的RMSE分别为0.745、0.216，R2为0.694、0.844，平均相对误差为13.19%、7.09%，BP神经网络模拟的RMSE分别为0.103、0.19，R2为0.865、0.958，平均相对误差为2.5%、7.11%。两者对沙河集水库水质反演都具有可行性，但BP神经网络要优于多元回归。

（2）遥感卫星影像反演方面，沙河集水库整体水质较好，达到Ⅱ类水质标准。浊度在0～4.6NTU之间，总体达到了饮用水源标准。

总之，模型能够较好地反演沙河集水库水质分布情况，满足一定的精度要求，表明了国产高分卫星影像用于水质参数反演的可行性。同时给滁州市沙河集水库的水质监测提供了一种可行的方法，可为预防及治理水环境污染提供参考。但因实验条件限制，采样点的数量和水质季节性差异对该模型存在一定程度影响，BP神经网络存在一定“过拟合”，为了使模型更具科学性，未来可考虑提升模型的复杂性，增加多期实测数据，更加客观地进行水质反演。

参考文献：

［1］ 马丰魁，姜群鸥，徐藜丹，等.基于BP神经网络算法的密云水库水质参数反演研究［J］.生态环境学报，2020，29（3）：569-579.

［2］ 马方凯，高兆波，叶帮玲.基于高分遥感卫星影像的汤逊湖水质遥感反演［J］.水资源开发与管理，2021（5）：69-75.

［3］ 陶然，彭金婵，张豪，等.内陆水体叶绿素a浓度遥感反演模型综述［J］.民营科技，2018（12）：97-98.

［4］ CARDER K L，CHEN F R，LEE Z P，et al. Semianalytic moderate-resolution imaging spectrometer algorithms for Chlorophyll-a and absorption with bio-optical domains based on nitrate-depletion temperatures［J］.Journal of Geophysical Ｒesearch-Oceans，1999，104（ C3） ： 5403-5421．

［5］ 侯佳妮. 二龙湖水质参数特性与遥感反演研究［D］.长春：东北师范大学，2013：40-45.

［6］ 林剑远， 张长兴， 航空高光谱遥感反演城市河网水质参数［J］. 遥感信息， 2019，34（2）： 23-29.

［7］ HOOGENBOOM H J，DEKKER A G，DEHAAN J F. Retrieval of chlorophyll and suspended matter from imaging spectrome try data by matrix Inversion［J］. Canadian Journal of Remote Sensing，1998，24（2）：144-152.

［8］ 郑炎辉，张园波，何艳虎.基于GF-1 WFV影像与神经网络模型的水库水质多参数反演研究［J］.人民珠江，2020，41（7）：57-62+84.

［9］ 刘静. 鄱阳湖水质参数遥感反演及富营养化评价［D］.赣州：江西理工大学，2020：1-9.

［10］ 张克，张凯，牛鹏涛，等.遥感水质监测技术研究进展［J］.现代矿业，2018，34（11）：171-174+202.

［11］ 种丹，李浩杰，范硕，等.基于MODIS数据的云南九大高原湖泊叶绿素a浓度反演［J］.生态学杂志，2017，36（1）：277-286.

［12］ GORDON H R，BROWN O B，JACOBS M M. Computed relation ships between the inherent and apparent optical properties of a flat homogeneous ocean［J］. Applied Optics，1975，14（2）：417-427.

［13］ 肖青，闻建光，柳钦火，等.混合光谱分解模型提取水体叶绿素含量的研究［J］.遥感学报，2006（4）：559-567.

［14］ 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）：3940-3951.

［15］ 胡辉辉. 基于多源遥感数据的白洋淀水质参数估算研究［D］.郑州：郑州大学，2020：1-54.

［16］ 顾清. 浙江省饮用水水库水质演变及风险评价研究［D］.杭州：浙江大学，2014：33-35.

［17］ 李大千. 鄱阳湖叶绿素a浓度遥感反演研究［D］.赣州：江西理工大学，2016：36-40.

［18］ 张宏建，王冰，周健，等.基于BP神经网络的内陆河流水质遥感反演［J］.华中师范大学学报（自然科学版），2022，56（2）：333-341.

［19］ 高阳俊， 曹勇， 赵振，等. 基于叶绿素a分级的东部湖区富营养化标准研究［J］. 环境科学与技术， 2011（S2）：3.

［20］ 梁伟林，白金平，李玉霞，等.基于高分卫星数据的龙泉湖水质富营养化分析与评价［J］.地质灾害与环境保护，2016，27（2）：57-62.

Abstract：Shaheji Reservoir is an important source of water supply in Chuzhou City， and it is related to the safety of drinking water for citizens. The monitoring of water quality changes has received great attention from the government. The inversion of water quality parameters through remote sensing images has very important theoretical significance for the monitoring and protection of reservoir water quality. Therefore， the chl- a concentration and turbidity model based on multiple regression and BP neural network was established using GF-1 images in June and July 2021 and the synchronized measured water quality data， to explore the distribution of water quality in reservoirs. Conclusion： in terms of model accuracy， the RMSE of multiple regression simulation of chl-a and turbidity are 0.745 and 0.216 respectively， and R2 is 0.694 and 0.844 respectively，the average relative error is 13.19%， 7.09%; The RMSE simulated by BP neural network is 0.103 and 0.19 respectively， and the R2 is 0.865 and 0.958，the average relative error is 2.5%， 7.11%. Both of them are feasible for the inversion of water quality of Shaheji Reservoir， but BP neural network is better than multiple regression; from the perspective of water quality remote sensing inversion， the chl-a concentration of Shaheji Reservoir in June 2021 is between 2.2～5.6ug/l， the chl-a concentration in July is between 1.8～6.7ug/l， both of which are in the mesotrophic state， and the water quality is Class II. The turbidity in June is between 0～4NTU， with an average value of 1.16NTU， and the turbidity in July is between 0.5～4.6 NTU， the average value of the reservoir area is 2.46NTU， which generally meets the drinking water source standard.

Key words：Shaheji Reservoir; GF-1; chl- a concentration; turbidity; remote sensing inversion

（責任编辑：巩 劼）