无人机高光谱在城市水质环境监测应用中反演模型构建的研究

丁奕文

（上海元易勘测设计有限公司,上海 201210）

近十年来,我国的城市水质环境治理修复工作取得了阶段性成果,推动城市水质污染防治成为下一步工作重点,而其中如何高效地进行城市水质常态化环境监测是污染防治的基础所在[1]。我国的城市水质环境河流众多、水网交错、大多数城市河流宽度不超过百米,以中小河道为主。对于这些像毛细血管一样分布的城市中小河道,受限于岸站式自动监测站的成本投入和遥感光谱技术的时空分辨率,目前最常采用的水质环境监测方法仍然是断面现场采样、实验室检测的传统方法为主,不仅费时费力,而且整片水域的水质状况也无法得到真实反映[2]。同时,随着数字化技术的不断发展,国家大力倡导要建立和完善“天空陆海”一体化生态环境智能检测网络,单纯依靠传统的水质监测方法越来越难以满足城市中小河流水质的监测需求。本文提出的无人机载高光谱技术区别于当前城市河道水质环境监测中传统实验室检测技术,大大降低了水质环境监测人力和时间成本,同时获取的水质反演数据,得以形成城市水质评估数字资产,大力推动了城市数字化转型进程,增强了对生态环境的精准把控能力。

随着无人机技术和高光谱遥感技术的不断发展,当前大量的研究实践均表明了无人机高光谱技术运用于水质环境监测的可行性,但在城市水质监测的应用仍停留在科研院所机构的零星试点研究阶段,如何降低应用成本、提高反演结果准确性、优化水质反演模型仍是该技术现阶段面临的主要问题[3]。以课题组承担的上海市水务局2022 年度科研课题为基础,本文聚焦城市中小河道水质监测的要求,探究了无人机高光谱技术中水质光谱数反演模型构建中的关键技术,为该方法应用于城市水质监测提供了技术支撑。

1 研究内容

研究区域为上海浦东新区张家浜、崇明陈家镇两个区域,涉及12 条河道,采集的河道总长度超过27 km。两块研究区域均具备城市河道一定的典型性与代表性,存在局部污染情况,如居民区排污、农田污染等情况。同时研究区域河道两岸可靠近采集水样,河道及两岸邻近区域无明显遮蔽,光线充足,适合无人机飞行及光谱数据传输。同时选取了“河长制”中规定需要监测的高锰酸盐指数CODMn、总磷TP、氨氮NH3-N、溶解氧DO 四个地表水水质基本参数作为研究对象。

本文利用搭载高光谱装置的无人机分别在两个研究区域开展实地飞行和采集高光谱数据工作,同步在地面河道开展地表水水样采集工作,并送实验室采用《地表水环境质量标准》（GB 3838-2002）中规定的分析方法进行检测,两次实验中共获取约334 GB 的高光谱原始数据量,采集104 个点位的地表水水样。

2 水质参数实验室检测结果分析

采集的地表水水样中各水质基本参数的实验室检测结果见表1。

表1 水样各参数检测结果统计 单位：mg/L

为进一步分析掌握区域内各个水质参数的分布情况,对采集的104 个水样的4 个水质基本参数的实验室检测结果进行了核密度分布分析,以直观显示该参数在不同浓度限值下的出现概率,结果见图1。

图1 各水质参数核密度分布图

对比《地表水环境质量标准》（GB 3838-2002）中地表水环境质量标准基本项目标准限值,本次研究区域内的4 个水质参数,绝大多数水样污染物含量均满足Ⅲ类水限值标准,除一个样品的氨氮浓度达到了Ⅴ类水限值标准,其余全部样品均未超过Ⅳ类水限值标准,这一结果与该区域内日常环境监测数据基本吻合,数据具有代表性。再同步获取了这4 个水质参数相应点位对应的光谱数据,即可进行高光谱敏感波段的选择和反演模型的构建。

3 光谱特征与目标水质指标的反演模型构建

反演模型构建是本次研究工作的重点和难点,需要综合实际需求、区域环境、季节等实际情况对遥感数据与目标水质参数之间的敏感性进行分析,从而构建光谱特征与目标水质参数的反演模型,实现水质反演分析[4]。

3.1 水质参数相关性分析

在构建光谱特征与水质相关指标的关系模型前,首先要明确各目标参数之间的相互关系,进而分析其作用机制,从而为光谱特征与水质相关指标的关系模型提供依据。图2 以氨氮为例,对氨氮与其他三个水质参数数据之间进行线性回归分析。

图2 氨氮与其他水质参数之间相关性分析

从图2 可以看出,氨氮与总磷的线性回归关系方程为：Y=0.0741x+0.0607,R2=0.2562,相关系数为0.51。从散点图中可以看出,氨氮值在0～0.5 mg/L 的Ⅰ类水限值区间内时,总磷值也基本保持在Ⅰ类水限值0.1 mg/L 以下,当总磷含量的升高时,水体富营养化导致藻类的大量繁殖,氨氮浓度相应升高,氨氮和总磷会表现出一定的正相关性,从而可将二者视为一个整体进行光谱特征选择和建立关系模型。其他水质参数之间相关系数计算结果见表2,可以看出其他水质参数之间的相关系数较小,应分为三种类型进行单独分析。

3.2 水质参数对应特征波段的选择

研究表明,高光谱技术中采用单个特征波段光谱,其反射率与各水质参数之间的相关性不高,难以直接构建关系模型,普遍采用多个波段组合、波段比值的形式来构建光谱特征与水质相关指标的关系模型。通过计算各水质参数与单波段反射率之间的相关性,本文选择如下波段作为4 个水质参数的特征波段光谱,见表3。

表3 水质参数对应特征波段

3.3 反演模型构建

近年来越来越多的智能算法被应用于水质反演研究中,此类算法在解决水质参数反演及水质评价领域中的非线性问题具有优势。本文根据采样点坐标,提取现场水样相应的水质参数实验室检测浓度与特征波段光谱采样值,确定水质因子对应的特征波段。利用双变量相关性分析,用线性、多项式、对数、指数等多种算法,得到每个水质参数与多个波段的相关性情况,比较模型间的平均绝对误差和相对误差,选取相关系数最优的公式,即构建出光谱特征与目标水质指标的关系模型。累积多次采集的高光谱反演数据作为训练数据集,结合历史采样化验数据及其空间分布关系作为真值,利用深度学习等方法,求取最优解,训练人工智能模型以提高特定流域识别效率和准确性的优势。最终得出4 个水质参数的高光谱反射率与浓度的反演公式,以溶解氧反演公式为例：

式中：a、b、c、d为常数参数；x1是波长650 nm 的反射率R650；x2是波长540 nm 的反射率R540；x3是波长580 nm 的反射率R580。

3.4 随机森林算法优化建模

为进一步分析优化在模型中引入了随机选择属性,采取随机森林算法对反演模型进行优化,随机森林算法的核心在于将样本库随机分为若干个决策组,每组样本库数据又分为两部分；一部分为计算组,另一部分为检验组,然后对每组计算效果进行评价,选出最优计算结果。以崇明陈家镇区域的溶解氧数据为例：本次无人机载高光谱应用研究,将所有水样采集点作为样本库,2/3 样本库数据作为计算组,1/3 样本库数据作为检验组,以崇明陈家镇工程示范数据为例,样本库为72 个,其中计算组为48 个、验证组为24 个,随机分了5 个决策组。现对未引入随机森林算法,以72 个样本均作为算法模型计算数据的反演情况和引入随机算法的结果进行对比,见表4。

表4 实验检测数据、引入随机森林反演前后数据

经计算,将崇明陈家镇区域所有水样数据整体参加反演拟合,反演准确率为74.8%；引入随机森林算法反演后,反演准确率为87.8%。

4 城市水环境监测应用成果分析与评价

基于前文的高光谱预处理和反演模型构建的关键技术,对本次采集的高光谱原始数据进行反演。本节以崇明岛陈家镇朱雀河为例,对本次无人机高光谱在城市水环境监测的应用成果加以分析与评价。

4.1 水质反演数据分析与评价

朱雀河为东西走向,位于崇明岛陈家镇实验区域南侧,本次实验采集河道长度3.5 km。根据《地表水环境质量标准》（GB 3838-2002）的水质等级判定标准,对所得的水质反演数据进行分类统计,得出各个水质参数的水质等级。朱雀河水质反演数据概况及各等级的样本占比和数量见表5。

表5 朱雀河反演数据分析统计表

根据反演结果,朱雀河的总磷整体符合Ⅱ类水限值标准,溶解氧、高锰酸盐指数、氨氮整体符合Ⅲ类水限值标准。再根据各水质参数中最差等级确定当前水体整体所处的水质的等级,朱雀河符合Ⅲ类水限值标准。通过与同步采集水样实验化验数据对比,该结论具有一定可靠性。

4.2 水质反演数据热力图

热力图见图3。

图3 朱雀河反演数据热力图

从图3 中可以直观看出,在本次数据采集的河道中段区域,各水质参数浓度明显升高,疑似污染点位于河流交汇口处,由此推测,此支流的汇入对该段河流的污染影响较大。

5 结论

本文探究了无人机高光谱技术中水质光谱反演模型构建中的关键技术,最终结果表明,无人机高光谱技术在城市中小河流水质监测的应用反演结果整体变化趋势较好,数据具备一定的准确性,尤其在疑似污染点位的发现上具有极大优势,具有推广和应用价值。